- •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
3.3. Примеры материнских wavelet-ов
Два наиболее часто используемых практически wavelet‑a - это Mexican Hat и wavelet Morlet-а.
Mexican Hat - просто вторая производная Гауссиана,
. (9)
Это вещественный wavelet с двумя обращающимися в нуль моментами (n = 0,1).
Morlet wavelet - это модулированный Гауссиан
(10)
(11)
Фактически первое выражение в отдельности не удовлетворяет условиям допустимости (6) и (7) и, следовательно, есть потребность в исправлении. Однако, для достаточно большого w0 (обычно w0 => 5.5), этот коррекция численно незначительна. Без коррекции, (10) это функция Gabor-а, наиболее общая функция, используемая в STFT.
Morlet wavelet комплексен, следовательно, соответствующее преобразование S(a,b) - также комплексно, и можно рассматривать отдельно фазу и модуль. Оказывается, что фаза преобразования - определяющий компонент алгоритма обнаружения особенностей в сигнале.
3.4. Локализующие свойства и интерпретация
Главные достоинства CWT следуют из того, что имеет компактный носитель при этом и должны быть настолько хорошо локализованы, насколько возможно. Пусть имеет 'существенный' носитель ширины L, центрированный вокруг 0, в то время как имеет 'существенный' носитель ширины, центрированный вокруг w0, тогда wavelet-ы ab и ab , имеют, соответственно, 'существенный' носитель ширины аL вокруг b и 'существенный' носитель ширины вокругw0/а. Заметьте, что произведение двух ширин постоянно. И она должна быть ограничена снизу фиксированной константой. Учитывем также, что , что 1/a ведет себя подобно частоте. Следовательно:
• если a >> 1, то ab - широкое окно, в то время как является очень узким вокруг малой частотыw0/a: это преобразование наиболее чувствительно к низким частотам.
• если a << 1, то ab является узким окном и широка и центрирована вокруг высокой частотыw0: этот wavelet имеет хорошую возможность локализации в пространственной области и обычно чувствителен к высоким частотам.
Таким образом, мы получили средство, которое воспроизводит корреляцию между продолжительностью и средней частотой, обсужденную во введении: низкие части частоты сигнала имеют тенденцию быть длинными, в то время как высокие частоты, в общем, встречаются на коротких промежутках времени.
Объединяя эти локализующие свойства с условием нулевого среднего и факт того, что ab действует подобно фильтру (свертка), мы видим, что CCWT выполняет локальную фильтрацию и во времени и по масштабу.
При принятии всех этих свойств вместе, мы естественно подошли к интерпретации CWT как математического микроскопа, с оптикой , положением b и глобальным увеличением 1/a . Кроме того анализ работает в постоянной относительной ширине полосы частот () так, чтобы это имело лучшее разрешение в высокой частоте, то есть в малых масштабах.
Это свойство делает это идеальным средством для обнаружения особенностей (например, разрывы в сигнале или одной из производных), и также свойств, зависящих от масштаба, в частности для анализа фракталов.
3.5. Свойства cwt
Данный допустимый wavelet , то есть такой, что (см. (5)), соответствующий CWT W : s(x) S(a,b) - линейное отображение, со следующими свойствами:
(1) W - ковариантно при переносе и расширении (изменение масштаба):
(12)
(13)
(2) WY сохраняет энергию сигнала:
(14)
Соотношение (14) означает, что отображение W изометрия из пространства сигналов L2 (R) на закрытое подпространство L2 (R2+ , dadb/a2 ). Эквивалентная формулировка - то, что wavelet W генерирует решение тождества:
(15)
(3) Как следствие, отображение W обратимо, и обратное преобразование - просто сопряженное с W . Таким образом, сигнал s(x) может быть восстановлен из преобразования формулой:
(16)
Это означает что, CWT обеспечивает разложение сигнала как линейное наложение wavelet-ов ab с коэффициентами S(a,b) — точно так, как для преобразования Фурье.
(4) Проекция из L2(R+2, dadb/a2) на W , то есть пространство wavelet преобразований, является составным оператором, чьё ядро
(17)
является автокорреляционной функцией . Это также называется воспроизводящим ядром, потому что формулировка выше означает в точности, что функция f L2(R2+, dadb/a2) - это CWT некоторых сигналов тогда и только тогда, когда она удовлетворяет свойству воспроизведения:
(18)
Замечание: соотношение (16) означает, что wavelet , используется и для анализа и для восстановления. Это необязательное ограничение. Действительно, можно восстанавливать сигнал, используя wavelet c отличающийся от анализирующего wavelet-а :
(19)
если c и удовлетворяют условию совместимости
. (20)
Таким образом, можно получать более простые формулы, в частности для восстановления (как показано первоначально Morlet-ом).