Haar小波变换 这是一维和二维 Haar 小波变换的简单实现。 对于每个转换，输入是一维或二维双精度数组，输出是一维或二维双精度数组。 用法 一维Haar小波变换 让我们以下面的例子为例。 我们有一个一维数组。 double [] data = { 9 , 7 , 3 , 5 }; 我们实例化一个类来转换矩阵： HaarWavelet1D oneD = new HaarWavelet1D (data); oneD . standardDecomposition(); 结果是： Processing One Dimensional Haar Wavelet Transformation Input : 9.0, 7.0, 3.0, 5.0 Output : 6.0, 2.0, 1.0, -1.0 二维哈尔小波变换 让我们看下面的例子：我们有一个二维数组。 double

这是关于小波变换的电子书，高清，最新版本，经典著作，英文版

OMP小波算法，效果不错，代码简单易行 % 本程序实现图像LENA的压缩传感 % 程序作者：沙威，香港大学电气电子工程学系，wsha@eee.hku.hk % 算法采用正交匹配法，参考文献 Joel A. Tropp and Anna C. Gilbert % Signal Recovery From Random Measurements Via Orthogonal Matching % Pursuit，IEEE TRANSACTIONS ON INFORMATION THEORY, VOL. 53, NO. 12, % DECEMBER 2007. % 该程序没有经过任何优化

University of Southern California 小波分析教材

《THE ENGINEER'S ULTIMATE GUIDE TO WAVELET ANALYSIS THE WAVELET TUTORIAL》 by ROBI POLIKAR

本文提出了一种构造自适应小波的新方法。其主要思想是通过设计合适的小波滤波器组来提取信号的不同模式。这种构造导致了一种新的小波变换，称为经验小波变换（EWT）。实验结果表明，与经典的经验模式分解(EMD)方法相比，该方法是可行的。

深度学习基于LSTMs+Wavelet实现对锚索无损检测数据的智能化检测分析.zip本项目将深度学习与数字信号处理算法相结合，通过LSTMs（RNN）与连续小波变换CWT的松耦合提出CwtNet(连续小波长度时记忆网络)，实现了对结构健康体系的无损检测分析。基于深度学习与信号处理理论，对小波分析Wavelet与长短期记忆网络LSTMs进行松散型结合，并提出“连续小波变换长短期记忆网络CwtNet”：①实现对复杂非平稳信号(锚索无损检测数据)有效的处理与识别分析，为该类信号的处理分析提供了一种新的解决方案；②实现了对信号的智能检测分析，避免了人为经验的结果分析识别，简化了传统的处理 系统通过CwtNet算法实现对锚索无损检测数据的智能化检测分析，避免了人为经验的特征结果识别，简化了分析流程和参数调整过程。②系统通过Python编程实现，基于Google的TensorFlow人工智能及深度学习开源软件库实现LSTMs的定义与开发；基于Qt(PyQt)图形用户界面GUI框架实现图形界面程序；对于多种图形绘制任务，系统基于Matplotlib、PyQt设计实现2D、3D绘图控件并完成图形绘制。

这是关于小波的电子书，高清，最新版本，经典著作，英文版

旺比 用于分析EEG，ECoG和其他电生理学格式的软件包。 它允许结果的可视化和可用于对睡眠阶段进行评分的GUI。 特征 可以读取以下格式的文件： Axon（.abf，仅ABF2） BCI2000（.dat） 黑石（.nev，.ns2，.ns3，.ns5） 脑视力（.vhdr，.vmrk，.eeg / .dat） EEGLAB（.set，.set / .fdt） 欧洲数据格式（.edf） EGI MFF（.mff） 实地考察（.mat） mne FIFF（.fiff） SystemPlus Micromed（.trc） Moberg（“ EEG，复合，样本系列，复合，MRIAmp，数据”） openephys（.continuous，.openephys） BIDS格式的数据文件 睡眠计分界面 计算频率分析（频谱图），时频分析（短时频谱图，Morlet小波） 检

小波时频画图工具包，能较好地画出小波变换地时频图。