Wavelet Toolbox

機械学習とディープラーニングのためのウェーブレット手法による特徴抽出を示すワークフロー図。

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

機械学習モデルやディープラーニング モデルによる分類と回帰のために、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) への入力として使用できます。

ドキュメンテーション | 例

時間-周波数アナライザーアプリで作成されたスカログラム。

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。時間-周波数アナライザーアプリを使用して、実数値および複素数値の信号のスカログラムを可視化します。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。

ドキュメンテーション | 例

信号多重解像度アナライザーアプリのユーザー インターフェイス。

離散多重解像度解析

間引き離散ウェーブレット変換 (DWT) を使用して、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。経験的モード分解 (EMD) 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。

ドキュメンテーション | 例

並列木複素数ウェーブレット変換のフィルターバンクおよび並列木ウェーブレット サブバンドの実数部と虚数部の等値面プロット。

フィルターバンク

並列木フィルターバンクを使用して、画像における方向選択性を強化します。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手法も用意されています。

ドキュメンテーション | 例

ウェーブレットを使用してノイズを除去した信号のプロットと、ウェーブレット手法を使用して圧縮した画像とその元の画像。

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て、他のノイズ除去手法では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 アルゴリズムを使用して、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。

ドキュメンテーション | 例

GPU 処理によって高速化できるウェーブレット関数の例として、2 つの信号のウェーブレット コヒーレンスと円錐状影響圏を示すプロット。

高速化と展開

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。

ドキュメンテーション | 例

製品リソース:

ドキュメンテーション 例 アプリ ビデオ 要件 リリースノート