Wavelet Toolbox

• Частотно-временной анализ: анализируйте сигналы совместно по времени и частоте с помощью непрерывного вейвлет-преобразования.
• Дискретный вейвлет-анализ: анализируйте сигналы и изображения в постепенно уменьшающихся октавных полосах с использованием децимированных и недецимированных вейвлет-преобразований.
• Шумоподавление: сохраняйте те признаки в ваших данных, которые часто удаляются или сглаживаются другими методами шумоподавления.
• Компрессия: снижайте требования к памяти для хранения сигналов и изображений, сохраняя качество.
• Лифтинг: создавайте пользовательские вейвлеты с использованием вейвлет-лифтинга.

• Частотно-временной анализ с использованием непрерывного вейвлет-преобразования, вейвлет-когерентности, преобразования постоянной добротности и эмпирического разложения мод
• Приложение Wavelet Signal Denoiser для удаления шума из данных во времени
• Децимированный вейвлет-пакет и вейвлет-преобразования, включая вейвлет-лидеры для фрактального анализа
• Недецимированные дискретные методы, включая двойное дерево, стационарный вейвлет, дискретный вейвлет с максимальным перекрытием и преобразования вейвлет-пакетов
• Шумоподавление и сжатие сигналов и изображений, включая поиск соответствия
• Способ лифтинга для построения пользовательских вейвлетов

Wavelet Signal Denoiser

Wavelet Toolbox предоставляет функции и приложения для выполнения частотно-временного анализа сигналов с использованием непрерывного вейвлет-преобразования (CWT), декомпозиции эмпирического режима, вейвлет-синхронизации, преобразования постоянной добротности и вейвлет-когерентности. Можно проанализировать, как частотное содержание сигнала изменяется с течением времени. Можно также восстановить локализованные по времени приближения сигналов или отфильтровать локализованные по времени частотные компоненты. Используя вейвлет-когерентность, можно выявить изменяющееся во времени частотное содержание, общее для нескольких сигналов. Можно также выполнить адаптивный к данным частотно-временной анализ сигнала с использованием эмпирического разложения мод.

Для изображений непрерывный вейвлет-анализ показывает, как частотное содержание изображения изменяется по всему изображению и помогает выявить закономерности в зашумленном изображении.

Частотно-временной анализ: анализ сигналов во временной и частотной области совместно при помощи НВП

Вейвлет-синхронизирующее преобразование: улучшайте частотно-временные оценки сигналов и восстанавливайте колебательные моды

Эмпирическое разложение мод и преобразование Гильберта-Хуанга: осуществляйте информационно-адаптивный частотно-временной анализ нелинейных и нестационарных процессов

Обнаружение признаков в реальных сигналах: определение спектральных признаков ЭКГ-сигналов (англ.)

Когерентность, изменяющаяся во времени: обнаруживайте изменяющиеся во времени паттерны, общие для двух сигналов

Банки фильтров для частотно-временного анализа: создавайте, визуализируйте и применяйте банки фильтров для непрерывного вейвлет-преобразования

Преобразование постоянной добротности: осуществляйте адаптивный частотно-временной анализ с использованием нестационарных кадров Габора

Wavelet Toolbox предоставляет приложения и функции для шумоподавления в сигналах и изображения. Удаление шума с помощью вейвлетов и пакетов вейвлетов позволяет сохранять признаки в ваших данных, которые часто удаляются или сглаживаются другими методами шумоподавления.

Приложение Wavelet Signal Denoiser позволяет визуализировать и автоматической удалять шум из временных рядов данных.

Wavelet Toolbox поддерживает различные стратегии выбора порогового значения, которые можно применить к данным и использовать для сравнения результатов. Шум в сигнале не всегда однороден во времени, поэтому можно применять зависящие от интервала пороговые значения для шумоподавления данных с непостоянной дисперсией.

Вы можете удалять шум из наборов сигналов с помощью вейвлетов, используя корреляции между отдельными сигналами. Вы также можете кластеризовать группы сигналов путем отфильтровывания несущественных деталей с использованием разреженных вейвлет-представлений.

Приложение Wavelet Signal Denoiser: Визуализация и автоматическое шумоподавление данных временных рядов

Удаление шума на изображении: удаление шума на изображении с сохранением четких границ

Адаптивное подавление шума: удаление шума с непостоянной дисперсией с помощью интервально-зависимых порогов

Шумоподавление с использованием Matching Pursuit: удаляйте шум, сохраняя при этом переходные процессы и резкие изменения

Многомасштабный анализ основных компонентов: удаление шума их многомерных сигналов путем использования корреляций между сигналами в нескольких масштабах

Wavelet Toolbox обеспечивает поддержку вейвлетов второго поколения посредством лифтинга. Лифтинг позволяет вам создавать банки фильтров идеального восстановления со специфическими свойствами начиная с простого разделения данных. Лифтинг включает в себя все вейвлеты первого поколения в качестве частного случая, но используя лифтинг можно также получить вейвлет-преобразования, подходящие для неравномерно дискретизированных данных, где вейвлеты первого поколения неприменимы.

Лифтинг также предоставляет вычислительно эффективный подход к анализу сигналов и изображений в различных разрешениях и масштабах.

Лифтинг банка фильтров: создание банка фильтров идеального восстановления со специфическими свойствами

Преобразование лифтинга Хаара: исследуйте вычислительно эффективный подход к многоуровневому анализу сигналов и изображений

Сглаживание неравномерно дискретизированных данных: удаляйте шум из неоднородно дискретизированных данных с использованием многомасштабного преобразования локального полинома (лифтинг)