Wavelet Toolbox

ウェーブレットを使用した機械学習とディープラーニング

実数値の時系列および画像データから低分散の特徴量を導出して、分類と回帰のための機械学習やディープラーニングで使用できます。連続ウェーブレット解析を使用すると、時系列データの 2D の時間-周波数マップを生成できます。これらは、深層畳み込みニューラルネットワーク (CNN) で入力として使用できます。

時間-周波数解析

連続ウェーブレット変換 (CWT) により、信号を時間と周波数の組み合わせで解析し、画像を空間、空間周波数、角度の組み合わせで解析します。ウェーブレット コヒーレンスを使用して、共通する時変パターンを明らかにします。非定常ガボール フレームと定 Q 変換 (CQT) を使用して、適応型時間-周波数解析を実行します。

離散多重解像度解析

間引き離散ウェーブレット変換 (DWT) を実行して、信号、画像、3D ボリュームを徐々に細かくなるオクターブバンドで解析します。非間引きウェーブレット変換を実装します。複数の技術を使用して、非線形プロセスまたは非定常プロセスを固有の振動モードに分解します。

フィルターバンク

Daubechies、Coiflet、Haar などの直交ウェーブレット フィルターバンクを使用して、多重解像度解析と特徴検出を実行します。リフティング手法を使用して、カスタムのフィルターバンクを設計します。リフティングには、信号や画像をさまざまな解像度やスケールで解析するための計算効率の高いアプローチも用意されています。

ノイズ除去と圧縮

ウェーブレットおよびウェーブレット パケットのノイズ除去手法を使用し、他のノイズ除去手法で削除または平滑化される特徴を保持します。ウェーブレット信号デノイザーアプリを使用すると、1D 信号を可視化しノイズ除去することができます。ウェーブレットとウェーブレット パケットを使用して、知覚的品質に影響を与えずにデータを削除することにより、信号や画像を圧縮します。

高速化と配布

サポートされている関数で GPU とマルチコアプロセッサを使用してコードを高速化します。MATLAB Coder™ を使用して、C/C++ コード生成のサポートが有効になっている Wavelet Toolbox 関数から、ANSI 準拠のスタンドアロン C/C++ コードを生成します。サポートされている関数の NVIDIA® GPU での実行のために最適化された、CUDA コードを生成します。