- •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
7.2 Использование Wavemenu для обработки сигналов
Как уже было сказано, Wavelet-преобразование позволяет разложить сигнал по компактным, хорошо локализованным по времени и частоте, базисным функциям (табл. 3), что позволяет, в отличие от преобразования Фурье, описывать нестационарные сигналы. При этом важно, что такое разложение достаточно экономно в вычислительном отношении.
В отличие от кратковременного преобразования Фурье (STFT), непрерывное wavelet-преобразование (CWT) имеет переменное разрешение по времени и частоте. В области высоких частот оно обеспечивает хорошее разрешение по времени и плохое по частоте, а в области низких частот — хорошее разрешение по частоте и плохое по времени. Применение wavelet-преобразования даёт хорошие результаты, особенно когда компоненты сигнала с высокой частотой имеют небольшую длительность, а низкочастотные компоненты — достаточно большую.
Таблица 3.
Мнемоническое обозначение |
Название wavelet |
Характеристика соответствующего фильтра |
Meyr |
Wavelet Мейера |
Фильтр с бесконечной гладкостью |
Morl |
Wavelet Марлета |
Фильтр с бесконечным носителем |
Mexh |
Wavelet "Мексиканская шляпа" | |
Haar |
Wavelet Хаара |
Ортогональные фильтры с конечной маской |
DbN |
Wavelet Добеши | |
SymN |
"Симлеты" | |
CoifN |
"Койфлеты" | |
BiorNr, Nd |
Биортогональные wavelet |
Биортогональные фильтры с конечной маской |
Дискретное wavelet-преобразование наиболее эффективно в задачах сжатия сигналов и изображений, задаче очистки сигнала от шумов. Непрерывное wavelet-преобразование в основном используется для анализа переходных процессов, обнаружения резких изменений в сигнале и исследовании нестационарностей. Не так давно непрерывное wavelet-преобразование стало применяться в задаче распознавания образов: кривая в частотно-временной области трактуется как контур предмета.
7.2.1. Получение информации по конкретным wavelet-ам
Основной при работе с wavelet-преобразованием является проблема выбора наиболее подходящего wavelet. Не существует каких-то жёстких правил, но лучше всего выбирать wavelet таким образом, чтобы он принадлежал такому же классу функций, что и анализируемый сигнал. Если исходную функцию можно аппроксимировать полиномом, то количество нулевых моментов wavelet должно примерно равняться степени полинома.
Числом нулевых моментов wavelet называется максимальное целое число P, при котором выполняется следующее равенство:
Другой важной проблемой является определение числа уровней разложения при дискретном wavelet-преобразовании. Так как на каждом уровне происходит октавное деление спектра (на полосы, отличающиеся в два раза), то количество уровней может быть вычислено исходя из наиболее низкочастотной компоненты сигнала, которая должна быть представлена в разложении.
Краткую информацию по каждому из wavelet можно получить в разделе "Wavelet Display" графического интерфейса. Для просмотра материнского wavelet, шкалирующей функции и коэффициентов, связанных с ними КИХ-фильтров (если они существуют), следует выбрать пункт "Wavelet Display" в главном меню: появится соответствующая панель инструментов. Задавая тип wavelet при помощи кнопки "Display", можно увидеть всю информацию о выбранном wavelet.
В частности приводятся следующие характеристики:
скорость сходимости к 0 функций , и , если время или частота стремятся к бесконечности. Скорость сходимости характеризует локализацию wavelet в частотной и временной областях;
симметрия, необходимая для избежания фазовых искажений;
число нулевых моментов y и j (если эти функции существуют);
непрерывность.