- •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
3.2.Определение непрерывного wavelet - преобразования
Непрерывное wavelet-преобразование (Continue Wavelet Transform - CCWT) было разработано как альтернатива кратковременному преобразованию Фурье с целью преодолеть сложности, связанные с разрешением по времени и частоте.
Анализ с помощью wavelet-преобразования выполняется примерно таким же образом, как и анализ с помощью кратковременного преобразования Фурье в том смысле, что сигнал умножается на некоторую функцию (wavelet), подобную окну в STFT, и преобразование выполняется отдельно для различных сегментов сигнала во временной области. Однако существуют два основных различия между STFT и CWT:
При CWT не выполняется преобразование Фурье взвешенного сигнала.
При CWT ширина окна меняется по мере того, как вычисляется преобразование для каждой из компонент спектра, что, возможно, является самой существенной особенностью wavelet-преобразования.
Математическое определение непрерывного wavelet-преобразования имеет вид:
, (1)
где s - сигнал, и ab - анализирующая функция (мы обозначаем переменную времени за x). Для преобразования Фурье и для CWT , функция анализа ab получена действием группы преобразований над базисной (или порождающей) функцией (mother wavelet). Существенная разность между двумя этими способами в представлении частотного параметра a. Для CWT:
(2)
Действие a на функции : расширение (при a > 1), или сжатие (при a< 1): форма функции не изменяется. Что касается b, это - просто перенос.
В отличие от CWT, при STFT ab : . Это означает что, зависимость отa - это модуляция (1/a ~ частота); окно имеет постоянную ширину, но чем ниже a, тем большее число колебаний в окне .
Термин "wavelet" означает "маленькая волна" русский аналог – слово "всплеск". Малость соответствует условию того, что эта функция ("окно") имеет конечную длину. Волна соответствует условию осцилляции. Термин "материнская" подразумевает, что функции с разными носителями, используемые в преобразовании, получены из одной главной функции ("mother wavelet"). Другими словами, материнская волна - прототип для генерации других функций.
Рис.7. Сжатая и растянутая версия материнского wavelet Mexican Hat в зависимости от параметра a.
Термин "сдвиг" имеет тот же смысл, что и в STFT; он определяет местонахождение окна по оси времени, по мере того как окно сдвигается. Однако, того частотного параметра, который был в STFT, теперь нет. Вместо этого появился масштаб, который определяется как 1/частота. Частота в большей степени специфична для STFT. Масштаб, используемый в wavelet-преобразовании, похож на тот масштаб, который применяется в картографии. Как и на карте, крупный масштаб соответствует глобальному обзору (сигнала), а малый масштаб - подробному. Подобно этому, в терминах частоты, низкая частота (крупный масштаб) соответствует общей информации о сигнале (обычно охватывает весь сигнал), в то время как высокая частота (мелкий масштаб) соответствует подробной информации о скрытых особенностях сигнала (обычно продолжается не очень долго). К счастью, на практике мелкий масштаб (высокая частота) не занимает всей длительности сигнала. Он появляется время от времени в виде кратковременной "вспышки". Масштабирование, как математическая операция, растягивает либо сжимает сигнал. Крупный масштаб соответствует растянутому сигналу, а более мелкий - сжатому. На языке функций, по заданной функции f(t) можно построить функцию f(at), являющуюся сжатой версией исходной при a > 1, и растянутой версией f(t) при a < 1. Однако, в определении wavelet-преобразования масштаб стоит в знаменателе, поэтому выполняется обратное преобразование, т.е. a > 1 растягивает сигнал, а a < 1 - сжимает. Такая интерпретация масштаба и будет использоваться в дальнейшем.
CWT задается базисной формулой преобразования, которая выглядит, согласно (1) и (2):
(3)
где a > 0 - параметр масштаба и bR - параметр сдвига. В соотношении (3), s - сигнал с конечной энергией, и функция , анализизирующий wavelet, считается хорошо локализованным и в области времени и в области частоты. Кроме того, должен удовлетворять условию допустимости, которое гарантирует обратимость CWT, и в большинстве случаев, может быть сокращено к требованию, что имеет среднее значение равное нулю:
Так как ab действует подобно фильтру (как свертка), то CWT: s S обеспечивает локальную (то есть полосовую) фильтрацию как в пространстве (b) и по масштабу (a). Объединяя эти особенности с локализирующими свойствами (t) и ее преобразованием Фурье мы видим, что CWT работает в постоянной относительной ширине полосы частот (). Таким образом, это более эффективно в высокой частоте, то есть при малых масштабах, в частности для обнаружения особенностей в сигнале.
Кроме того, преобразование W: s(x) S(a, b) может быть точно инвертировано:
Это означает, что CWT обеспечивает декомпозицию сигнала, как линейную суперпозицию wavelet-ов ab с коэффициентами S(a,b) - аналогия с интегралами Фурье очевидна.
Как ясно из (3), CWT - проекция сигнала, в смысле L2, на совокупность , сгенерированных из одной функцииY переносом и расширением:
(4)
Шляпка обозначает преобразование Фурье. Таким образом преобразование S(a, b) лежит в полуплоскости R2+ = {a > 0, b О R}. Wavelet должен удовлетворять ряду условий.
(i) Для корректности формулировки (x), и, следовательно, также , должен быть квадратично интегрируем: L2 (R)
(ii) должен быть допустимым, то есть следующий интеграл должен сходиться:
(5)
Это условие подразумевает
(6)
Которое эквивалентно условию равенства нулю среднего значения
. (7)
(iii) Чтобы получать эффективное преобразование (хорошее полосовое фильтрацию, и в пространстве времени и в пространстве частоты), (x) и должны быть оба хорошо локализованы (достаточно потребовать, чтобы, тоже было интегрируемо L1 L2), но на практике будет полезна лучшая локализация).
(iv) В дополнение к (ii), может требоваться, чтобы имело некоторое число обращающихся в нуль моментов:
(8)
(Это свойство улучшает эффективность при обнаружении особенностей в сигнале, так как это слепо к многочленам до порядка N).
(v) В заключение, часто требуется, чтобы было вещественно, и= 0 для w < 0 (такой также называется аналитическим сигналом или функцией Харди).
Как мы увидим далее, wavelet удовлетворяющий, этим требования генерируется из (4) преобразованием W : s(x) S(a,b), которое производит хороший анализ сигнала, и обеспечивает эффективное восстановление S(a, b) s (x) сигнала из преобразования.