- •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
3.7. Дискретизация непрерывного wavelet-преобразования.
Параметры аиbменяются непрерывно и, поэтому, множество базисных функций избыточно. Необходима дискретизация значенийа иb,при сохранении возможности восстановления сигнала из его преобразования. Можно показать, что дискретизация должна осуществляться следующим образом:
. (25)
Возможен произвольный выбор параметра . Без потери общности, выберем. Из (25) видно, что параметр местоположения зависит от параметра масштаба. С увеличением масштаба увеличивается размер шага сдвига. Это интуитивно понятно, так как при анализе с большим масштабом детали не так важны.
Для дискретных значений аи bwavelet -функции представляются в виде:
.
Дискретизированное преобразование такженазывается wavelet -преобразованием. Однако, кажется более правильным ввести по аналогии с терминологией преобразований Фурье название рядов wavelet непрерывного времени (CTWS), так как мы имеем дело с дискретным представлением непрерывного сигнала. CTWS определяется путем дискретизации CWT:
.
Восстановление из последовательности возможно в том случае, если существуют числаи, такие что
,
для всех в. Это означает, что хотя реконструкцияиз ее wavelet-коэффициентов может не совпадать точно с, она будет близка к ней в среднеквадратическом смысле. Еслите существует тонкий фрейм, и, то возможно полное восстановление и семейство базисных функцийобразуют ортогональный базис. Тогда
.
Если базисные функции нормализованы, то .
Итак, мы дали определение wavelet -преобразования и ряда wavelet-ов для функций непрерывного времени по аналогии с соответствующими формулами для преобразования и ряда Фурье.
3.8. Практическое использование непрерывного wavelet-преобразования
CWT нашел широкое многообразие приложений в различных прикладных областях, связанных с обработкой сигналов. Во всех случаях CWT прежде всего используется для анализа переходного процесса, обнаружения резких изменений в сигнале или сравнения этого с данной моделью.
• Звук и акустика:
Первые приложения CWT были в области акустики. Несколько примеров - музыкальный синтез, речевой анализ и моделирование звуковых систем, летучих мышей и дельфинов. Другие примеры включают различные задачи в подводную акустику, типа развязывания различных компонент подводной преломляющейся волны, и идентификация препятствия.
• Геофизика:
В этой области приложений впервые было предложено использование wavelet (в работах J.Morlet) для анализа записи микроземлетрясений, используемых в нефтевой промышленности. CWT применялся к анализу различных типов геофизических данных, например в гравиметрии (колебания локальной гравитационной области), в сейсмологии (время поступления различных волн), в геомагнетизме (колебания магнитного поля Земли).
• Спектроскопия:
Это было одно из самых ранних и наиболее успешных приложений, в частном для ядерной магнитно-резонансной (NMR) спектроскопии , где метод доказал чрезвычайную эффективность в вычитании нежелательных спектральных линий или отфильтровывания фонового шума.
• Медицинские приложения:
CWT использовался для анализа или контроля различных электрических или механических явлений в мозге (EEG) или сердце (ECG).
• Индустриальные приложения:
Важный аспектами применения CWT является контроль, например обнаружение аномалий в функционировании ядерных, электрических или механических инсталляций.
• распознание образов:
Стандартная задача в искусственной системе технического зрения является опознавание предмет по его форме. Недавно разработанный метод основан на представлении контура предмета как кривой в комплексной плоскости и анализе его с помощью CWT .