教程

• 可视化小波，小波包和小波滤波器
  

  获取与特定小波族对应的滤波器、小波或小波包。

• 时频分析与连续小波变换
  

  了解CWT如何帮助您获得清晰的时频表示。

• 离散小波分析
  

  利用离散小波变换技术对信号和图像进行分析和去噪。

• 关键采样小波包分析
  

  得到一维信号和二维图像的小波包变换。

• 匹配的追求
  

  创建传感字典并对1-D信号进行匹配追踪。

• 提升
  

  在进行离散小波变换的同时，利用提升设计小波滤波器。

关于小波

• 什么是小波?
  

  学习关于小波和如何检测信号不连续的一般信息。

• 连续和离散小波变换
  

  决定是使用离散小波变换还是连续小波变换。

• 选择一个小波
  

  了解如何为您的应用程序选择正确的小波。

特色的例子

连续小波分析实践导论

执行和解释连续小波分析。

打开实时脚本

多分辨率分析实用导论

执行和解释基本信号多分辨率分析(MRA)。

打开实时脚本

调制信号的连续小波分析

利用连续小波变换(CWT)对调制信号进行分析。

打开实时脚本

用小波信号去噪器去噪信号

使用小波信号去噪应用程序去噪一个实值1-D信号。您可以使用应用程序创建和比较去噪信号的多个版本，并将所需的去噪信号导出到MATLAB®工作区。要在工作空间中重现去噪信号，或将相同的去噪参数应用于其他数据，可以生成和编辑MATLAB脚本。这个例子说明了一个可能的工作流。

打开实时脚本

基于小波分析和深度学习的时间序列分类

采用深度学习和连续小波变换对心跳心电图数据进行分类。

打开实时脚本

尺度-局部波动和相关性

小波变换有很多不同的变体。本例主要讨论最大重叠离散小波变换(MODWT)。MODWT是一种二进(2的幂)尺度上的非拟小波变换，它经常用于金融数据。MODWT用于时间序列分析的一个很好的特性是它按比例划分数据方差。为了说明这一点，请考虑1974年第一季度至2012年第四季度的美国实际GDP季度链加权数据。数据的转换方法是先取自然对数，然后计算年与年的差异。使用'db2'小波获得真实GDP数据的MODWT，直到第6级。检查数据的方差，并将其与MODWT获得的比例方差进行比较。

打开脚本

视频

理解小波，第1部分:什么是小波
在这个MATLAB技术讲座中探索小波变换的基本概念。本视频介绍了什么是小波，以及如何使用它们在MATLAB中探索数据。本视频重点介绍两个重要的小波变换概念:缩放和移动。这些概念可以应用于图像等二维数据。

理解小波，第2部分:小波变换的类型
详细探讨小波变换的工作原理。你会学到更多关于连续小波变换和离散小波变换的知识。您还将学习使用MATLAB小波变换的重要应用。

理解小波，第3部分:离散小波变换的应用实例
学习如何使用小波去噪信号，同时保留其鲜明的特征在这个MATLAB技术谈话。本视频概述了使用MATLAB用离散小波变换去噪信号的步骤。了解这种去噪技术与其他去噪技术的比较。

理解小波，第4部分:连续小波变换的应用实例
在这个MATLAB技术讲座中探索使用连续小波变换的实际应用。概述如何使用MATLAB用连续小波变换对信号进行更清晰的时频分析。本视频使用一个地震信号的例子来强调连续小波变换的频率定位能力。

理解小波，第5部分:小波散射的机器学习和深度学习
小波散射网络可以帮助您自动从信号和图像中获得低方差特征，用于机器学习和深度学习应用。在本MATLAB技术讲座中，学习小波散射变换以及如何将其用作分类的自动鲁棒特征提取器。