- •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
7.2.2. Использование дискретного wavelet-преобразования
Как было описано выше, дискретное wavelet-преобразование удобно представлять на основе теории цифровой фильтрации. Рассмотрим краткое описание последовательности обработкм сигналов, реализуемой в Wavemenu.
Для этого используется два особым образом сконструированных КИХ-фильтра и прореживание по времени: сигнал пропускается через два фильтра — высокой и низкой частоты с передаточными функциями H(z) и G(z), соответственно, и одинаковой нормированной частотой среза, равной p/2. В результате фильтрации ширина спектра каждого сигнала на выходах фильтров уменьшается в два раза, и, соответственно, в два раза можно уменьшить частоту дискретизации высокочастотной и низкочастотной составляющих. Затем отсчёты высокочастотной составляющей, называемые wavelet-коэффициентами, запоминаются, а с низкочастотной составляющей происходит аналогичная операция. Это означает, что на каждом этапе происходит фильтрация низкочастотной составляющей, полученной на предыдущем этапе разложения, то есть разделение исходного спектра на две составляющие — низкочастотную и высокочастотную.
Рис. 16. Схема субполосного кодирования
Отсчёты сигналов на выходах фильтров с передаточными функциями H(z) и G(z) будут, соответственно, djk и cjk. Здесь индекс j — номер уровня, а k — момент времени. Сигналы djk и cjk вычисляются по формулам:
где {hj} и {gj} — импульсные характеристики фильтров.
Так как КИХ-фильтры не являются идеальными, то происходит наложение спектров: в низкочастотную часть добавятся высокочастотные составляющие и наоборот. Однако фильтры построены таким образом, чтобы при последующем восстановлении этот эффект был скомпенсирован, и не происходило потери информации.
При обратном преобразовании (рис. 17) низкочастотная сj+2,k и высоко-
Рис. 17. Схема обратного преобразования
частотная dj+2,k составляющие дополняются нулями и пропускаются через КИХ-фильтры c передаточными функциями G*(z) и H*(z), однозначно определяемыми через G(z) и H(z). В результате получается низкочастотная составляющая cj+1,k и так далее. Процедура заканчивается полным восстановлением исходного сигнала с.
Для того, чтобы не происходило потери информации, коэффициенты {hj} и {gj} фильтров H(z) и G(z), соответственно, должны обладать следующими свойствами:
Изложенное выше иллюстрируется примером wavelet-преобразования сигнала, содержащимся в тестовом файле noischir.mat.
Этот сигнал имеет следующий вид:
где N — продолжительность сигнала, в нашем случае, 1024 отсчёта; k = 1...N; e(k) — "белый" шум с дисперсией равной 1 .
Для использования вышеупомянутого сигнала нужно выбрать пункт "Wavelet 1-D" в главном меню. Появится панель инструментов дискретного wavelet-анализа для одномерного сигнала (рис. 18). Для загрузки сигнала выбирается пункт меню "File->Load Signal". Когда появится диалог загрузки сигнала, следует выбрать демонстрационный MAT-файл noischir.mat, который должен находиться в каталоге MATLAB toolbox/wavelet/wavedemo.
После ввода сигнала произведём его разложение с использованием wavelet Добеши с 3-мя нулевыми моментами (‘db3’) до 5-го уровня. Максимальное число уровней ограничено длиной сигнала (в нашем случае, 1024 отсчёта). Результат разложения отображается двумерной картой. По оси ординат отложено время, а по оси абсцисс — уровень разложения (рис. 18). Более наглядно результат разложения можно оценить по декомпозиции сигнала {s1, d1, d2, d3, d4, d5}. Каждый элемент декомпозиции определяет вклад соответствующего уровня разложения (полосы частот) в исходный сигнал.