- •Введение
- •1.Стандартное преобразование Фурье
- •1.1. Пример анализа с использованием преобразования Фурье.
- •1.3. Анализ применимости преобразования Фурье.
- •2. Кратковременное преобразование Фурье
- •2.1. Общие сведения.
- •2.2. Анализ применимости кратковременного преобразования Фурье.
- •2.3. Принцип Гейзенберга.
- •3. Непрерывное wavelet-преобразование и анализ со многими разрешениями.
- •3.1.Общие сведения
- •3.2.Определение непрерывного wavelet - преобразования
- •3.3. Примеры материнских wavelet-ов
- •3.4. Локализующие свойства и интерпретация
- •3.5. Свойства cwt
- •3.6. Примеры непрерывного wavelet-преобразования
- •3.7. Дискретизация непрерывного wavelet-преобразования.
- •3.8. Практическое использование непрерывного wavelet-преобразования
- •4. Дискретное wavelet-преобразование
- •4.1. Кратномасштабный анализ
- •4.2. Wavelet-ряды дискретного времени
- •4.3. Матричное описание дискретного wavelet-преобразования
- •4.4. Описание dwt посредством банков фильтров.
- •5. Применение дискретного wavelet-преобразования.
- •5.1. Применение wavelet-преобразования для сжатия сигнала.
- •5.2. Удаление шума из сигнала.
- •6. Адаптивные ортогональные преобразования.
- •6.1. Пакеты вейвлетов.
- •7. Работа с приложением gui wavemenu пакета программ matlab
- •7.1 Описание Wavemenu
- •7.1.1. Вызов Wavemenu
- •7.1.2. Структура Wavemenu
- •7.1.3. Меню для разделов Wavemenu
- •7.1.4. Экспорт и импорт информации из Wavemenu
- •7.2 Использование Wavemenu для обработки сигналов
- •7.2.1. Получение информации по конкретным wavelet-ам
- •7.2.2. Использование дискретного wavelet-преобразования
- •Очистка сигнала от шумов на основе dwt
- •Сжатие сигнала на основе dwt в Wavemenu
- •7.2.3. Использование разложения по wavelet-пакету
- •Очистка сигнала от шумов с использованием wavelet-пакет
- •Сжатие сигнала с использованием wavelet-пакет
- •7.2.4 Работа с непрерывным wavelet-преобразованием
- •Литература
- •197376, С.-Петербург, ул. Проф. Попова, 5
5. Применение дискретного wavelet-преобразования.
5.1. Применение wavelet-преобразования для сжатия сигнала.
Пусть у нас есть некоторая дискретная временная реализация случайного процесса. Если случайный процесс является стационарным в широком смысле, то соседние отсчеты являются коррелированными друг с другом. То есть у нас есть некоторая избыточная информация. Применяя к реализации преобразование Фурье, мы получим некоторую реализацию в частотной области, причем соседние отсчеты не будут коррелированны друг с другом. То есть вся информация будет сосредоточена в нескольких отсчетах, а все остальные будут близки к нулю.
К большому сожалению, в реальных сигналах не соблюдается свойство стационарности, поэтому при применении преобразования Фурье отсчеты в частотной области опять будут коррелированны друг с другом, и опять будет некоторая излишняя информация. Это происходит, потому что преобразование Фурье не предназначено для анализа нестационарных сигналов и разложение нестационарного сигнала по базису из синусов или косинусов не очень удачно. Wavelet-преобразование более приспособлено для анализа нестационарных сигналов. При переходе из временной области в область время/масштаб только небольшое количество коэффициентов будет существенно отличаться о нуля и, практически, вся информация, содержавшаеся в исходной выборки будет представлена в меньшем количестве коэффициентов - DWT-сигнала x
Определим некоторый порог i(зависит от уровня разложения wavelet) и выполним следующее преобразование:
Ясно, что чем больше порог i, тем больше нулевых коэффициентов ( большая степень сжатия), но меньший процент сохраненной энергии сигнала.
Очевидно, что на количество ненулевых коэффициентов так же влияет выбор подходящего базиса. По различным оценкам степень сжатия при разложении по "хорошему" базису и наилучшему различается на 15-20 %. Очевидно, что базис будет зависеть от вида анализируемого сигнала, таким образом, возникает проблема выбора базиса для разложения сигнала. Для достижения хороших результатов нам необходимо, чтобы как можно больше информации о сигнале было сосредоточено в наименьшем количестве коэффициентах разложения.
5.2. Удаление шума из сигнала.
Пусть Xi=ki+vi, где viN(0,2) – белый шум. i=0..N-1
Идея удаления шума из сигнала тоже базируется на определении некоторого порога iи вычитания его из коэффициентов wavelet-перобразования сигнала. Существуют два правила "hard" и "soft".
Донохо (Donoho) в 1990 году показал что для гауссовского шума оптимальный выбор , гдеоценивается из верхнего (fine) уровня Wavelet-разложения.
Правило "hard" хорошо работает даже в случае произвольного шума.
6. Адаптивные ортогональные преобразования.
Wavelet -преобразование сигнала является сигнально-независимым. Октавополосное разбиение спектра, производимое им, подходит для большинства, но не для всех реальных сигналов. Желательно было бы иметь преобразование, адаптированное к сигналу. Это эквивалентно тому, чтобы преобразование было бы способно произвольно менять структуру разбиения частотно-временной плоскости, в зависимости от сигнала. Каскадно-соединенные блоки wavelet -фильтров позволяют достичь этого. Здесь будут рассмотрены адаптивные преобразования, которые на основе введенной функции стоимости реализуют произвольное разбиение частотно-временной плоскости сигнала.