处理信号

多分辨率分析，小波时间散射，连续小波变换，非抽取离散小波变换，Wigner-Ville分布，mel谱图

小波散射使您能够产生最小化差异的低方差数据表示在一个类，同时保留可区分性在类。小波散射只需要很少的用户指定参数就能产生紧凑的数据表示，这些数据在您定义的尺度上对时移具有鲁棒性。您可以将这些表示与机器学习算法结合使用，以进行分类和回归。

可以使用连续小波变换(CWT)生成时间序列数据的2-D时频图，可以与2-D卷积网络一起使用。生成用于深度cnn的时频表示是一种强大的信号分类方法。CWT同时捕获时间序列数据中的稳态和瞬态行为的能力使得基于小波的时频表示在与深度cnn配对时特别健壮。

使用信号处理工具箱™许可，您可以将短时间傅里叶变换包含到您的机器学习和深度学习工作流中。你也可以使用信号贴标签机(信号处理工具箱)标记信号以进行分析或在机器学习和深度学习应用中使用。信号贴标签机将数据保存为labeledSignalSet对象。使用Audio Toolbox™许可证就可以在信号标签中导入和播放音频文件数据(信号处理工具箱)．你也可以使用melSpectrogram(音频工具箱)用于特征提取。

应用程序

信号贴标签机

标记信号属性、区域和兴趣点，并提取特征

功能

全部展开

层

`cwtLayer`	连续小波变换(CWT)层
`modwtLayer`	最大重叠离散小波变换(MODWT)层
`stftLayer`	短时间傅里叶变换层

特征提取

`array2cwtfilters`	将深度学习CWT滤波张量转换为滤波组矩阵
`cwtfilterbank`	连续小波变换滤波器组
`cwtfilters2array`	将CWT滤波器组转换为深度学习的减权张量
`dlcwt`	深度学习连续小波变换
`dlmodwt`	深度学习最大重叠离散小波变换与多分辨率分析
`dlstft`	深度学习短时傅里叶变换
`轻型`	一维提升小波变换
`melSpectrogram`	梅尔·光谱图
`modwpt`	最大重叠离散小波包变换
`modwt`	最大重叠离散小波变换
`waveletScattering`	小波时间散射
`wentropy`	小波熵
`项`	Wigner-Ville分布和平滑伪Wigner-Ville分布

数据存储

`audioDatastore`	用于收集音频文件的数据存储
`augmentedImageDatastore`	转换批以增强图像数据
`imageDatastore`	图像数据的数据存储
`signalDatastore`	用于信号采集的数据存储