小波变换分解，可显示小波系数分布图像以及塔式图像

采集癫痫小鼠模型在常态与致癫状态下的脑电信号以研究其癫痫脑电的自动分类。对经过噪声和伪迹消除预处理的脑电信号进行小波变换，获得不同频率子带的小波系数，对脑电信号及与癫痫特征波相关的小波系数提取相应的线性特征（标准差）和非线性特征（样本熵）；基于这些特征及其组合使用支持向量机分类器实现分类。实验发现基于小鼠脑电本身的标准差和样本熵的分类正确率分别为59.10%和58.00%；而融合各相关小波系数的标准差或样本熵，分类正确率分别达到86.60%和88.60%；融合全部相关小波系数的线性和非线性特征后分类正确率为99.80%。这些结果说明基于小波系数特征融合的分类算法性能有显著提升，能有效实现小鼠癫痫脑电的自动分类。

使用小波和质量评估工具箱。 函数 spspiht.m 所需的 SPIHT 二进制文件可以从 SPIHT 图像压缩主页下载，见下文。 职能： dead_zone_q - 中心死区在零附近的量化ezw - EZW（嵌入式零树小波）图像压缩pdf_opt - 量化小波系数重构值的优化 (pdf) spiht_stream_dec - 对 spiht_wpackets.m 产生的比特流进行解码spiht_wpackets - 使用小波包 (WP) 分解的 SPIHT 图像压缩spspiht - 用于批量执行 DOS SPIHT 二进制文件的脚本 函数 spspiht.m 所需的 DOS SPIHT 二进制文件可以在 SPIHT 图像压缩主页上找到。 源代码和一些说明也在 Github 上（在 /ZerotreeCoding 下）： https://github.com/nsprljan/Im

提出一种基于小波变换的像素级CT，MR医学图像融合方法，利用离散小波变换分别将两幅源图像进行多尺度分解，再用不同的小波系数邻域特征指导高频分量和低频分量的小波系数的融合，低频分量采用邻域方差指导，高频分量采用邻域能量指导，最后根据融合图像的各小波系数重构融合图像。实验表明：不论从主观感受，还是采用信息熵和平均梯度两项指标作为客观定量评价标准，该方法都优于传统的融合方法，获得的融合图像有效地综合了CT与MR图像信息，能够同时清晰地显示脑部骨组织和软组织。

自己编写的matlab函数，用于信号经小波变换后的系数分块，如一副图像经过一次小波分解后会得到一组一维系数，对于初学者来说不是很直观，本函数可以将此系数分块成4组二维系数，另附此函数的逆操作函数。

天线计算工具 驻波比 行波系数 回波损耗 反射系数

用于具体的气温、降水量和旱涝灾害等自然灾害的分析

不使用Matlab中自带的小波分解，编写函数wavework代替此功能

这项工作给出了用于图像去噪的小波系数的贝叶斯阈值的实现。

AN009_EN 降压转换器的电流纹波系数