Introduction à Wavelet Toolbox

Effectuer l’analyse temps-fréquence et l’analyse par ondelettes des signaux et des images

Wavelet Toolbox™ propose des applications et des fonctions pour l’analyse temps-fréquence des signaux et l’analyse multi-échelle des images. Vous pouvez débruiter et compresser vos données, ainsi que détecter les anomalies, les points de retournement et les transitoires. La toolbox permet de mettre en œuvre des workflows d'intelligence artificielle (IA) centrés sur les données en proposant des transformées temps-fréquence et l'extraction automatisée de caractéristiques, comprenant les transformées de diffusion, les transformées en ondelettes continues (scalogrammes), la distribution de Wigner-Ville et la décomposition modale empirique. Vous pouvez extraire des contours et des caractéristiques orientées des images en utilisant les transformées en ondelettes, en paquets d'ondelettes et en shearlets.

Les applications vous permettent de réaliser de manière interactive des analyses temps-fréquence, des débruitages de signaux ou des analyses d’images, et de générer des scripts MATLAB^® pour reproduire ou automatiser votre travail.

Vous pouvez générer du code C/C++ et CUDA^® à partir des fonctions de la toolbox pour un déploiement embarqué.

Acknowledgments

Tutoriels

Analyse temps-fréquence

Practical Introduction to Time-Frequency Analysis Using the Continuous Wavelet Transform
Perform and interpret time-frequency analysis of signals using the continuous wavelet transform.
Using Wavelet Time-Frequency Analyzer App
Learn how to use to visualize scalograms of 1-D signals and recreate results in your workspace.
Using Wavelet Image Analyzer App
Visualize discrete and continuous wavelet decompositions of images.

Analyse multi-échelle

Practical Introduction to Multiresolution Analysis
Perform and interpret basic signal multiresolution analysis (MRA).
Analyse par ondelettes discrète
Analyser et débruiter les signaux et les images en utilisant les techniques de transformée en ondelettes discrète.
Using Wavelet Signal Analyzer App
Analyze and compress 1-D signals using wavelets.

Techniques basées sur les ondelettes dans les workflows d’IA

Classify Time Series Using Wavelet Analysis and Deep Learning
Classify electrocardiogram data using deep learning and the continuous wavelet transform.
Deploy Signal Classifier Using Wavelets and Deep Learning on Raspberry Pi
Classify human electrocardiogram signals on a Raspberry Pi^® using scalograms and a deep convolutional neural network.
Detect Anomalies Using Wavelet Scattering with Autoencoders
Learn how to develop an alert system for predictive maintenance using wavelet scattering and deep learning.

À propos des ondelettes

Introduction aux ondelettes

Découvrez une introduction générale sur les ondelettes et comment détecter la discontinuité d'un signal.
Transformées en ondelettes continues et discrètes

Faire le choix entre une transformée en ondelettes discrète ou continue.
Choisir une ondelette

Découvrir les critères permettant de choisir l'ondelette adaptée à votre application.

Exemples présentés

Visualisation des ondelettes, des paquets d'ondelettes et des filtres d'ondelettes

Obtenir les filtres, ondelettes ou paquets d'ondelettes correspondant à une famille d'ondelettes particulière.

Ouvrir le live script

Time-Frequency Analysis and Continuous Wavelet Transform

Learn how the CWT can help you obtain a sharp time-frequency representation.

Ouvrir le live script

Using Signal Multiresolution Analyzer

Learn how to visualize multilevel wavelet-based decompositions of real-valued signals.

Ouvrir le live script

Denoise a Signal with the Wavelet Signal Denoiser

Learn how to denoise a signal and reproduce the results in your workspace.

Ouvrir le live script

Time-Frequency Feature Embedding with Deep Metric Learning

Construct wavelet-based feature embeddings to classify EEG signals from persons with and without epilepsy.

Ouvrir le live script

Vidéos

Comprendre les ondelettes, Partie 1 : introduction aux ondelettes
Découvrez les concepts fondamentaux des transformées en ondelettes dans ce Tech Talk MATLAB. Cette vidéo explique en quoi consistent les ondelettes et comment les utiliser pour explorer vos données dans MATLAB. Elle se concentre sur deux concepts importants des transformées en ondelettes : la mise à l’échelle et le décalage. Il est possible d’appliquer ces concepts à des données 2D telles que des images.

Comprendre les ondelettes, Partie 2 : types de transformées en ondelettes
Explorez en détail le fonctionnement des transformées en ondelettes. Vous en apprendrez davantage sur les transformées en ondelettes continues et discrètes. Vous découvrirez également les applications importantes des transformées en ondelettes avec MATLAB.

Comprendre les ondelettes, Partie 3 : exemple d’application de la transformée en ondelettes discrète
Apprenez à utiliser les ondelettes pour débruiter un signal tout en préservant ses caractéristiques importantes dans ce Tech Talk MATLAB. Cette vidéo décrit les étapes du débruitage d’un signal avec la transformée en ondelettes discrète dans MATLAB. Elle compare cette méthode aux autres techniques de débruitage.

Comprendre les ondelettes, Partie 4 : exemple d'application de la transformée en ondelettes continue
Explorez une application pratique des transformées en ondelettes continues dans ce Tech Talk MATLAB. Découvrez un aperçu de l’utilisation de MATLAB pour obtenir une analyse temps-fréquence plus pointue d’un signal avec la transformée en ondelettes continue. Cette vidéo prend l’exemple d’un signal sismique pour mettre en évidence les capacités de localisation de fréquence de la transformée en ondelettes continue.

Comprendre les ondelettes, Partie 5 : Machine Learning et Deep Learning avec la diffusion par ondelettes
Les réseaux de diffusion par ondelettes vous permettent d’obtenir automatiquement des caractéristiques à faible variance à partir de signaux et d’images afin de les utiliser dans des applications de Machine Learning et de Deep Learning. Dans ce Tech Talk MATLAB, découvrez la transformée en diffusion par ondelettes et comment elle peut constituer un extracteur automatique de caractéristiques robustes pour la classification.