Вейвлетные преобразования сигналов icon

Вейвлетные преобразования сигналов



НазваниеВейвлетные преобразования сигналов
Дата конвертации22.07.2012
Размер171.29 Kb.
ТипРеферат



ВЕЙВЛЕТНЫЕ ПРЕОБРАЗОВАНИЯ СИГНАЛОВ


Главные: Сайта Вейвлетов

А.В.Давыдов. 02.11.04.

Тема 4: Программное обеспечение вейвлетного анализа.

Мудр тот, кто знает не многое, а нужное.

Эсхил. Древнегреческий трагик, V в.д.н.э.

Не менее мудр и тот, кто среди многого умеет найти нужное.

Фарид Батрутдинов. Уральский геофизик, ХХ в.


Содержание: Введение. 4.1. Вейвлеты пакета Wavelet Toolbox. Типы вейвлетов. Вейвлетная функция. Средняя частота вейвлета. 4.2. Ортогональные вейвлеты. Вейвлеты с компактным носителем. Масштабирующие фильтры вейвлетов. Фильтры вейвлет-преобразования. Спектры вейвлетных фильтров. Бесконечные регулярные вейвлеты. Интерфейс GUI. 4.3. Биортогональные парные вейвлеты. 4.4. Грубые вейвлеты. 4.5. Комплексные вейвлеты. Комплексный вейвлет Гаусса. Комплексный вейвлет Морлета. Комплексный В-сплайновый вейвлет. Комплексный вейвлет Шеннона. 4.6. Основные функции вейвлет-анализа. Двукратное уменьшение матрицы. Двукратное увеличение матрицы. Интегрирование вейвлета. Литература.

Введение.

Самое мощное и совершенное программное обеспечение вейвлетного анализа данных на современном этапе – пакет расширения Wavelet Toolbox системы Matlab. Он включает в себя средства для изучения, создания и применения вейвлетов и применения вейвлет-преобразований как в командном режиме, так и с помощью специальных средств графического интерфейса пользователя GUI.

Пакет Wavelet Toolbox предоставляет в распоряжение пользователя:

  • Инструментальные средства для непрерывного и дискретного вейвлет-анализа и синтеза сигналов и изображений.

  • Встроенные вейвлеты различных типов, в том числе пакетные.

  • Возможность задания собственных вейвлетов.

  • Средства обработки сигналов и изображений.

  • Средства очистки сигналов и изображений от шумов.

  • Средства специальной обработки и компрессии данных.

  • Средства визуализации вейвлетов и всех операций с ними.

22.1. Вейвлеты пакета Wavelet Toolbox /3/.

Типы вейвлетов. Принятая классификация вейвлетов – по виду образующей функции (t) и по фамилии ученого, предложившего вейвлет. Ниже приводится список семейств вейвлетов пакета и их краткие базовые имена при использовании в командах и аргументах функций.

'haar' – Хаара. ● 'db' – Добеши.

'sym' – Симлета.
'coif' – Коифлетса.

'bior' – биортогональный. ● 'rbio' – обратный биортогональный.

'meyr' – Мейера. ● 'dmey' – дискретный Мейера.

'gaus' – Гаусса. ● 'mexh' – мексиканская шляпа.

'morl' – Морлета. ● 'cgau' – комплексный Гаусса.

'shan' – Шеннона. ● 'fbsp' – частотный В-сплайновый.

'cmor' – комплексный Морлета.

Семейства вейвлетов, как правило, имеет несколько типов (размера/порядка), которые указываются добавлением к базовому имени определенного числа (чисел), например: 'db1', 'gaus3', 'bior2.6', 'fbsp2-1-0.5'. Команды вызова информации по вейвлетам:

● >> wavemngr('read') – названия и краткие базовые имена,

● >> wavemngr('read',1) – полный перечень всех семейств и их состава,

● >> waveinfo('семейство') – полная информация о вейвлетах семейства.

Пример - waveinfo('gaus').

Команда (функция) wavemngr позволяет добавлять (с параметром 'add'), удалять, сохранять и считывать новые (собственные) вейвлеты. Форматы команды:

● >> wavemngr(['add',]FN,FSN,WT,NUMS,FILE[,B]),

● >> wavemngr(['add',]FN,FSN,WT,{NUMS,TYPNUMS},FILE[,B]),

где FN – название семейства, FSN – короткое имя семейства, WT – тип вейвлета, NUMS – список параметров вейвлета (разделяются пробелами, конечный с двумя звездочками **), TYPNUMS – формат входного значения ('integer', 'real' или 'string'), FILE – имя mat или m-файла, B – вектор нижней и верхней границы эффективной поддержки вейвлетов (квадратные скобки в перечнях параметров команд указывают на возможность отсутствия или на необязательность данных параметров). Значения параметра WT могут быть следующие: WT=1 для ортогонального вейвлета, WT=2 для биортогонального, WT=3 для вейвлета с масштабирующей функцией, WT-4 без масштабирующей функции, WT=5 для комплексного вейвлета без масштабирующей функции. После добавления семейства в пакет он включается в список информационных команд.

 Пример задания функции:

wavemngr('add','Mainwave','mnw',1,'1 2 3','mainw1')

Вейвлетная функция wavefun возвращает значения детализирующей psi-функции (x) и связанной с ней масштабирующей phi-функции (x) (функции аппроксимации), если последняя существует. Полный формат (для биортогональных вейвлетов) на сетке Х:

● [Phi1,Psi1,Phi2,Psi2,X] = wavefun('wname',ITER).

Количество точек сетки Х равно 2ITER. Phi1,Psi1векторы функций (x) и (x) разложения (декомпозиции) сигналов (в однострочных массивах), Phi2,Psi2векторы функций (x) и (x) восстановления (реконструкции) сигналов. Для ортогональных вейвлетов выходные массивы Phi2 и Psi2 не задаются. Для вейвлетов без масштабирующих функций не задается также массив Phi1. Если массив Х значений оси 'х' не нужен, он также может не задаваться. При расчетах аналитически задаваемых вейвлетов (типа 'gaus') параметр ITER определяет размер сетки Х=2ITER и, соответственно, интервал дискретизации вейвлета с учетом конечности его задания.




Рис. 4.1.1.
 Пример просмотра процесса итерации вейвлета 'sym2'

(рис. 4.1.1):

iter = 10; wav = 'db2';

for i = 1: iter

[phi,psi,x] = wavefun(wav,i); plot(x,psi); hold on

end; hold off

§ Примечание: Текст программы можно копировать и подставлять непосредственно в командную строку Matlab после знака ввода '>>'.

Средняя частота вейвлета определяет положение максимума пика его Фурье-образа на оси частот (в герцах). Формат функции:

^ Q = centfrq('wname'[,ITER]),

где ITER – количество итераций, если вейвлет 'wname' не задан аналитической функцией и вычисляется методом итераций.




Рис. 4.1.2.
Пример определения средней частоты и построения сравнительных графиков вейвлета db2 и гармоники с частотой, равной средней частоте вейвлета, приведен на рис. 4.1.2.

>> f = centfrq('db2',16,'plot'); grid

f =

0.6667

^ 4.2. Ортогональные вейвлеты /3/.

Декомпозиция (D) сигнала при вейвлет преобразовании выполняется двумя фильтрами: низкочастотным LD (фильтр аппроксимации, который называют также масштабирующим фильтром) и высокочастотным НD (фильтр детализации). Соответственно, реконструкция (R) сигнала выполняется низкочастотным фильтром LR и высокочастотным HR.

Вейвлеты с компактным носителем. К ортогональным вейвлетам с компактным носителем относятся вейвлеты Добеши (dbN), Симлета (symN) и Коифлетса (coifN), где N – числовой индекс (1,2,...). Вейвлеты несимметричны и недостаточно периодичны. В определенной степени близки к симметричным вейвлеты Симлета. Используются для непрерывного и дискретного, как правило - быстрого, вейвлет-преобразования и реконструкции сигналов. Имеют функции phi и psi, а также функции масштабирующего фильтра, который является базовым для расчета фильтров декомпозиции и реконструкции сигналов. При координатной оси вейвлетов в секундах средняя частота вейвлетов всех порядков находится в пределах 0.7  5% Гц, за исключением вейвлета coif1 со средней частотой 0.8 Гц.

 Пример расчета phi- psi-функций вейвлетов Добеши.

[ph2,ps2,x] = wavefun('db2',10); [ph4,ps4,x1] = wavefun('db4',10);

[ph6,ps6,x2] = wavefun('db6',10); [ph8,ps8,x3] = wavefun('db8',10);

subplot(141);plot(x,ph2,x,ps2);grid; subplot(142);plot(x1,ph4,x1,ps4);grid;

subplot(143);plot(x2,ph6,x2,ps6);grid; subplot(144);plot(x3,ph8,x3,ps8);grid;



Рис. 4.2.1. Вейвлеты Добеши и Симлета.

На рис. 4.2.1 приведены вейвлеты Добеши и Симлета одного порядка. При N=2 они однотипны и различаются только знаком psi-функции. При повышении порядка место локализации phi- и psi-функций вейвлетов Симлета практически совпадают, а симметричность psi-функции увеличивается. Вейвлет Добеши db1 тождественен вейвлету Хаара, как своей предельной форме.



Рис. 4.2.2. Вейвлеты Коифлетса.

На рис. 4.2.2. приведены еще более симметричные по форме вейвлеты Коифлетса.

Масштабирующие фильтры ортогональных вейвлетов записаны непосредственно под их именами и могут быть считаны следующей операцией:

load wname; LM = wname;

Кроме того, для их вычисления существуют отдельные функции. Для масштабирующих фильтров Добеши:

● LM = dbaux(N,SUMLM), N=1,2,3,…- порядок фильтра, SUMLM = sum(LM) – сумма коэффициентов фильтра.

● LM = dbwavf('wname').

Аналогично для масштабирующих фильтров Симлета и Коифлетса:

● LM = symaux(N,SUMLM).

● LM = symwavf('wname').

● LM = coifwavf('wname').

 Пример расчета масштабирующего фильтра Добеши 'db8' и его спектра.

LM = dbwavf('db8'); Lm=LM;

Lm(128)=0; Lmf = fft(Lm);

LMF = fftshift(Lmf); % Перекомпоновка в главный интервал

f=((0:length(LMF)-1)/length(LMF))-0.5; % Шкала частот в Гц.

subplot(211); stem(LM); grid; title('LM-маccив db8');

subplot(212); plot(f,abs(LMF)); grid; title('Cпектр LM-функции');



Рис. 4.2.3. Масштабирующий фильтр и модуль его спектр.

На рис. 4.2.3 приведен масштабирующий фильтр вейвлета db8 и его спектр в сопоставлении со спектрами фильтров db2 и db4. Как видно из графиков, при повышении порядка фильтра крутизна среза его частотной характеристики увеличивается. В сочетании с повышением средней частоты psi-функции вейвлета это повышает частотную разрешающую способность вейвлет-преобразований. При разной форме вейвлетов и их фильтров, модули частотных характеристик масштабирующих фильтров db, sym и coif одинакового порядка практически идентичны. Спектры различаются фазочастотными характеристиками.

Фильтры преобразования. Масштабирующая функция определяет все четыре фильтра вейвлет-преобразований, которые вычисляются следующей операцией:

● [LD,HD,LR,HR] = orthfilt(LM),

где LD – низкочастотный (аппроксимирующий) фильтр декомпозиции, HD - высокочастотный фильтр декомпозиции (детализирующий), LR – низкочастотный фильтр реконструкции, HR – высокочастотный фильтр реконструкции.

 Пример расчета фильтров вейвлета Добеши 'db6' (рис. 4.2.4).

load db6; LM = db6;

[LD,HD,LR,HR] = orthfilt(LM);

subplot(221); stem(LD); grid; title('LD-фильтр db6');

subplot(222); stem(HD); grid; title('HD-фильтр db6');

subplot(223); stem(LR); grid; title('LR-фильтр db6');

subplot(224); stem(HR); grid; title('HR-фильтр db6');



Рис. 4.2.4.

Аналогичная операция вычисления фильтров ортогональных (и биортогональных) вейвлетов непосредственно по их имени:

● [LD,HD,LR,HR] = wfilters('wname').

Коэффициенты фильтров ненормированы. При нормировке (для чего в правую часть второй строки программы вместо LM достаточно поставить LM/sqrt(2)) фильтр LR повторяет массив LM. Нетрудно также заметить, что фильтры LR и HR являются трансформированными фильтрами LD и HD. Для записи вычисленных фильтров в текстовом формате (при использовании в других математических системах) и их считывания применяются функции:

dlmwrite('file',A,'dlm'[,rows[,cols]]) - функция записи в файл массива (матрицы) А, можно с указанием – с какой строки, и с какого столбца (нумерация с нулей). Параметром функции 'dlm' определяется символ разделения матричных элементов в записи (символ табуляции – '\t', могут быть указаны и другие разделители).

● A=dlmread('file','dlm'[,rows[,cols]]) - считывание файла в массив (матрицу) А. Вместо "rows,cols" можно указывать полный вектор считывания данных из файла в квадратных скобках: [Верхняя строка, Левый столбец, Нижняя строка, Правый столбец].

 Пример записи вектора LD вейвлета Добеши в текстовый файл.

dlmwrite('LDfilter.prn',LD,'\t');

Спектры фильтров. Если по значениям коэффициентов фильтров вычислить их спектры, то можно увидеть, что спектры низкочастотных фильтров, равно как и высокочастотных, тождественны друг другу по модулю (рис. 4.2.5) и отличаются только по фазе.

 Вычисление спектров фильтров вейвлета Добеши db6 (продолжение примера вычисления фильтров).

Ld=LD; Hd=HD; Lr=LR; Hr=HR;

Ld(128)=0; Hd(128)=0; Lr(128)=0; Hr(128)=0;

LDF = fftshift(fft(Ld/sqrt(2))); HDF = fftshift(fft(Hd/sqrt(2)));

LRF = fftshift(fft(Lr/sqrt(2))); HRF = fftshift(fft(Hr/sqrt(2)));

f=((0:length(Ld)-1)/length(Ld))-0.5;

subplot(221); plot(f,abs(LDF)); grid; title('LDF-cпектр db6');

subplot(222); plot(f,abs(HDF)); grid; title('HDF-cпектр db6');

subplot(223); plot(f,abs(LRF)); grid; title('LRF-cпектр db6');

subplot(224); plot(f,abs(HRF)); grid; title('HRF-cпектр db6');



Рис. 4.2.5. Модули фильтров Добеши.

Заметим также, что модули низкочастотных спектров повторяют модуль спектра масштабирующего фильтра.

Бесконечные регулярные вейвлеты. К бесконечным регулярным вейвлетам относят вейвлеты Мейера в непрерывном (meyr) и дискретном (dmey) вариантах. Функции phi и psi вейвлетов не определены явно (определены в частотной области) и не имеют компактного носителя. Они симметричны и регулярны в бесконечности. Эффективный интервал задания вейвлета [-8,8]. Применяются для непрерывного и дискретного преобразований. Вычисляются операцией:




Рис. 4.2.6.
● [PH,PS,Х] = meyer(sb,ub,N),

где Х – регулярная сетка вычислений, N – количество точек вычисления (должно быть равно степенью числа 2), sb – начало интервала (рекомендуется < -6), ub – конец интервала (рекомендуется > 6). Если требуется вычислить только один вейвлет, то его имя добавляется четвертым параметром в аргументы функции, например: [PS,X]=meyer(-8,8,1024,'psi'). Форма вейвлетов приведена на рис. 4.2.6.

Дискретный вейвлет Мейера представлен масштабирующим фильтром, на основе которого обычным порядком вычисляются фильтры декомпозиции и реконструкции.

 Пример расчета фильтров вейвлета Мейера (рис. 4.2.7).

load dmey; LM = dmey;

[LD,HD,LR,HR] = orthfilt(LM);



Рис. 4.2.7.

Амплитудно-частотные характеристики фильтров Мейера подобны АЧХ фильтров Добеши большого порядка (рис. 4.2.5), но имеют еще более высокую крутизну среза.



Рис. 4.2.8.

Интерфейс GUI. Для просмотра информации о вейвлетах, формы их phi- и psi-функций и фильтров можно использовать интерфейс GUI, который вызывается командой

wavemenu,

или через дерево меню Wavelet Toolbox  Wavelet Toolbox Main Menu входного окна Matlab "Запустить редактор".

Меню интерфейса приведено на рис. 4.2.8. Оно разделено на шесть групп кнопочных включателей по назначению. Первую группу "One-Dimensional" образуют кнопки включения окон разложения сигналов одномерными вейвлетными функциями различного типа. Группа "Two-Dimensional" – разложение двумерных сигналов и изображений. Информацию по вейвлетам, вейвлетные функции и фильтры декомпозиции/реконструкции можно просмотреть в группе "Display". Специальные возможности вейвлет-преобразований (очистка сигналов от шумов, сжатие сигналов, статистический анализ и пр.) реализуются в 4-6 группах.



Рис. 4.2.9.

Для просмотра вейвлетов, в группе 'Display' нажмите кнопку 'Wavelet Display', и на экране появится окно, приведенное на рис. 4.2.9. Выберите необходимый тип вейвлета ("Wavelet"), установите его порядок и нажмите кнопку 'Display'. В графических окнах интерфейса выводятся phi и psi функции и фильтры деконволюции и реконструкции сигналов. Ниже кнопки "Display" имеются также две информационных кнопки, нажатием которых на экран выводится информация о вейвлете и информация обо всех вейвлетах меню.

Аналогично, без дополнительных пояснений, через интерфейс GUI в группе 'Display' можно знакомиться и с любыми другими типами вейвлетов, которые будут рассматриваться ниже.

^ 4.3. Биортогональные парные вейвлеты /3/.

Из теории фильтрации сигналов известно, что если одни и те же фильтры с конечной импульсной характеристикой (КИХ-фильтры) используются и для разложения, и для восстановления сигналов, то симметричное и точное восстановление невозможно (за исключением фильтров Хаара). Однако это возможно с биортогональными фильтрами, использующими два ортогональных друг другу вейвлета, один для разложения сигнала:

сm,k = s(k)·m,k(x) dx,

и другой вейвлет m,k для синтеза:

s =cm,k·m,k.

В операциях декомпозиции и реконструкции биортогональные вейвлеты могут меняться местами. В комплекте вейвлетов пакета Wavelet Toolbox биортогональные вейвлеты представлены В-сплайновой парой вейвлетов biorNr.Nd и обратной парой rbioNr.Nd, где задание числовых индексов Nr и Nd возможно в следующих комбинациях:

Nr = 1, Nd = 1,3,5. Nr = 2, Nd = 2,4,6,8. Nr = 3, Nd = 1,3,5,7,9.

Nr = 4, Nd = 4. Nr = 5, ND = 5. Nr = 6, Nd = 8.

Пары вейвлетов имеют отдельные phi- и psi-функции с компактными носителями. Phi-функции имеют четную форму, psi-функции в зависимости от серии вейвлета либо четные, либо нечетные. С биортогональными вейвлетами возможно как непрерывное преобразование, так и дискретное, в том числе быстрое.



Рис. 4.3.1.

На рис. 4.3.1 приведена серия phi- и psi-функций вейвлетов bior1.Nd. Начало серии – вейвлет Хаара. Рsi-функции нечетны. Вейвлеты получены вейвлетной функцией

● [Phi1,Psi1,Phi2,Psi2,X] = wavefun('wname',ITER).

Продолжением вейвлетов с нечетными psi-функциями является серия вейвлетов bior3.Nd. Конечные вейвлеты этой серии приведены на рис. 4.3.3. Вейвлеты bior3.Nd при Nd<7 отличаются существенной нерегулярностью (негладкостью) функций, как и начальный вейвлет серии bior2, приведенный на рис. 4.3.2.



Рис. 4.3.2.

На рис. 4.3.2 показана серия phi- и psi-функций вейвлетов bior2.N. Эта серия отличается симметричностью обеих функций, но имеет недостаточно хорошую регулярность. Продолжением вейвлетов с симметричными базовыми функциями являются вейвлеты bior4.4 и bior5.5, показанные на рис. 4.3.3, а также bior6.8.



Рис. 4.3.3.

Парные вейвлеты имеют, соответственно, парные масштабирующие фильтры, которые вычисляются функциями

● [LMR,LMD] = biorwavf('biorNr.Nd'),

● [LMR,LMD] = rbiowavf('rbioNr.Nd'),

где LMR – фильтр реконструкции, LMD – функция декомпозиции. По этим двум масштабирующим фильтрам вычисляются фильтры разложения и восстановления сигналов

● [LD,HD,LR,HR] = biorfilt(LMD,LMR).

 Пример расчета фильтров биортогонального вейвлета (рис. 4.3.4).

[LMR,LMD] = biorwavf('bior3.3'); [LD,HD,LR,HR] = biorfilt(LMD,LMR);

subplot(221); stem(LD); grid; title('LD-фильтр bior3.3');

subplot(222); stem(HD); grid; title('HD-фильтр bior3.3');

subplot(223); stem(LR); grid; title('LR-фильтр bior3.3');

subplot(224); stem(HR); grid; title('HR-фильтр bior3.3');



Рис. 4.2.4.

Эти же фильтры могут быть вычислены непосредственно по имени вейвлета следующей операцией:

● [LD,HD,LR,HR] = wfilters('wname').



Рис. 4.3.5. Спектры фильтров биортогонального вейвлета bior3.3.

На рис. 4.3.5 приведены спектры этих фильтров в главном частотном диапазоне (от -0.5 до 0.5 Гц).

^ 4.4. Грубые вейвлеты /3/.

К так называемым грубым (crude) вейвлетам относятся симметричные вейвлеты Морлета (morl) и вейвлеты на основе производных функции Гаусса (gaus). Среди гауссовских вейвлетов распространено использование вейвлета по второй производной (mexh), получившего за свою форму образное название "mexihat" – мексиканская шляпа. У всех вейвлетов данной группы отсутствует phi-функция, psi-функция не имеет компактного носителя и задается явно в аналитической форме, анализ не является ортогональным, возможность реконструкции сигналов не гарантируется. Применяются вейвлеты при выполнении непрерывной декомпозиции сигналов. Вычисляются в N точках регулярной сетки Х для интервала [sb,ub] следующими функциями:

● [psi,X] = morlet(sb,ub,N),

● [psi,X] = mexihat(sb,ub,N),

● [psi,X] = gauswavf(sb,ub,N,P),

где Р – номер производной функции Гаусса.

Вейвлет Морлета вычисляется по формуле: 

(x) = exp[-x2/2)·cos(5x)].

Формула вейвлета 'mexh':

(x) = (1) -0.25 (1-x2) exp(-x2/2).



Рис. 4.4.1.

На рис. 4.4.1 приведены примеры формы вейвлетов. Средняя частота вейвлета 'mexh' – 0.25 Гц. Частота гауссовских вейвлетов повышается по мере роста номера производной, из которой он образован. Для функции 16-той производной средняя частота примерно равна частоте вейвлета 'morl', которая составляет 0.8125 Гц.

^ 4.5. Комплексные вейвлеты /3/.

К комплексным вейвлетам относятся семейства вейвлетов Гаусса (cgauN), Морлета (cmorFb-Fc), Шеннона (shanFb-Fc), и частотные В-сплайновые вейвлеты (fbspM-Fb-Fc). Phi-функции у них отсутствуют, psi-функции не имеют компактного носителя, анализ не ортогональный и свойства реконструкции сигналов не гарантируются. Используются для комплексной декомпозиции сигналов.

Комплексный вейвлет Гаусса соответствует P-той производной выражения

F(x) = Cp exp(-jx) exp(-x2),

где значение Ср устанавливается по единичной норме вейвлета. Вейвлет вычисляется в N точках регулярной сетки на интервале [sb,ub] функцией

● [psi,X] = сgauwavf(sb,ub,N,P).

 Пример расчета комплексного вейвлета Гаусса (рис. 4.5.1)

[psi,x] = cgauwavf(-5,5,1000,5);

subplot(131); plot(x,abs(psi)); grid; title('Модуль cgau5');

subplot(132); plot(x,real(psi)); grid; title('Real cgau5');

subplot(133); plot(x,imag(psi));grid; title('Imag cgau5');



Рис. 4.5.1. Комплексные вейвлеты Гаусса.

Комплексный вейвлет Морлета определен выражением

(x) = (1/) exp(2j·Fc·x) exp(-x2/Fb),

где Fc – средняя частота вейвлета, Fb – ширина полосы частот. Вычисляется в N точках регулярной сетки на интервале [sb,ub] функцией

● [psi,X] = сmorwavf(sb,ub,N,Fb,Fc).



Рис. 4.5.2. Комплексные вейвлеты Морлета.

Комплексный В-сплайновый вейвлет определен выражением

(x) = [sinc(Fb·x/M)M exp(2j·Fc·x)],

где Fc – средняя частота вейвлета, Fb – ширина полосы частот, М=1,2,... – порядок вейвлета. Вычисляется в N точках регулярной сетки на интервале [sb,ub] функцией

● [psi,X] = fbspwavf(sb,ub,N,M,Fb,Fc).



Рис. 4.5.3. В-сплайновые комплексные вейвлеты.

Примеры сплайновых вейвлетов приведены на рис. 4.5.3.

Комплексный вейвлет Шеннона определен выражением

(x) = [sinc(Fb·x) exp(2j·Fc·x)],

т.е. по существу повторяет В-сплайновый вейвлет при М=1. Вычисляется в N точках регулярной сетки на интервале [sb,ub] функцией

● [psi,X] = shanwavf(sb,ub,N,Fb,Fc).

^ 4.6. Основные функции вейвлет-анализа /3/.

При выполнении кратномасштабного анализа типовыми операциями являются двукратное уменьшение или увеличение размера вектора Х значений сигнала. Вектор сигнала Х рассматривается как частный случай матрицы Х.

Двукратное уменьшение матрицы Х (прореживание) выполняется функцией:

● Y = dyaddown(X,Е)

при этом матрица Y содержит четные элементы матрицы Х при четном значении параметра Е, и нечетные значения матрицы Х при нечетном значении Е, т.е.:

Y(k) = X(2k), Е – четное,

Y(k) = X(2k+1), Е – нечетное.

Функция

● Y = dyaddown(X)

аналогична функции Y = dyaddown(X,0), т.е. возвращает четные элементы Х.

Функция

● Y = dyaddown(X,E,'тип'), 'тип' = 'r', 'c' или 'm'

возвращает версию матрицы Х, сжатую по строкам (rows), столбцам (cols) или по строкам и по столбцам (m) в зависимости от значения параметра 'тип'.

Двукратное увеличение матрицы Х (дополнение нулями) выполняется обратной функцией:

● Y = dyadup(X,Е)

при этом вставляемые нулевые элементы в выходной матрице Y занимают либо четные номера при четном значении параметра Е, либо нечетные при нечетном значении Е, т.е.:

Y(2k) = 0, Y(2k-1)=X(k), Е – четное,

Y(2k) = X(k), Y(2k-1)=0, Е – нечетное.

Функция

● Y = dyadup(X)

аналогична функции Y = dyadup(X,1), т.е. вставляет нули на четные номера матрицы Y.

Функции

● Y = dyadup(X,E,'тип') или

● Y = dyadup(X,'тип',E), 'тип' = 'r', 'c' или 'm'

возвращает матрицу Х, дополненную нулями по строкам (r), столбцам (c) или по строкам и по столбцам (m).

Интегрирование вейвлета в пределах z(x) =(y) dy выполняется функцией

● [Z,X] = intwave('wname'[,P])

для значений x в Х на сетке в 2Р точек. Если не указывать параметр Р, то по умолчанию он принимается равным 8. Для биортогональных вейвлетов применяется функция

● [ZD,ZR,X] = intwave('wname',P),

которая возвращает интегралы ZD и ZR для вейвлета декомпозиции и реконструкции соответственно.

литература

3. Дьяконов В., Абраменкова И. MATLAB. Обработка сигналов и изображений. Специальный справочник. – СПб.: Питер, 2002, 608 с.




Похожие:

Вейвлетные преобразования сигналов iconВейвлетные преобразования сигналов
Удаление шума и сжатие одномерных и двумерных сигналов. Параметры удаления шумов и сжатия сигналов. Изменение вейвлет-коэффициентов....
Вейвлетные преобразования сигналов iconВейвлетные преобразования сигналов
Ни одна вещь не возникает и не уничтожается, но каждая составляется из смешения существующих вещей или выделяется из них
Вейвлетные преобразования сигналов iconВейвлетные преобразования сигналов
Для "топоров" и ручеек широк. Лучше один раз научиться плавать, чем на каждой речушке искать брод
Вейвлетные преобразования сигналов iconВейвлетные преобразования сигналов
В теории вейвлетов есть правило, которое поучительней самой теории попробуй, посмотри, и делай выводы
Вейвлетные преобразования сигналов iconВейвлетные преобразования сигналов тема Вейвлетный кратномасштабный анализ
Кто-то ради насмешки спросил философа: "Если я сожгу тысячу мин дерева, сколько получится мин дыма?". "Взвесь, сказал Демонакт, золу,...
Вейвлетные преобразования сигналов iconТема пространство и метрология сигналов физическая величина более точно определяется уравнением, чем измерением
Пространство сигналов. Множества сигналов. Линейное пространство сигналов. Норма сигналов. Метрика сигналов. Скалярное произведение...
Вейвлетные преобразования сигналов iconФормирование сигналов с высоким временным разрешением
Максимальное энергетическое разрешение амплитудных измерений сигналов обеспечивается полным сбором зарядов на выходе детекторов,...
Вейвлетные преобразования сигналов iconДокументы
1. /slsprog.doc
2. /tss01-Введение в теорию сигналов.doc
Вейвлетные преобразования сигналов iconТема дискретные преобразования сигналов нет ничего, сколь бы великим и изумительным оно не показалось с первого взгляда, на что мало-помалу не начинаешь смотреть с меньшим изумлением
...
Вейвлетные преобразования сигналов iconВ. А., Давыдов А. В. Очистка сигналов от шумов при выполнении преобразования Гильберта-Хуанга Введение
Гильбертов спектральный анализ (hsa) /1, 2, 3/. Hht в целом представляет собой частотно-временной анализ данных (сигналов) и не требует...
Разместите кнопку на своём сайте:
Документы


База данных защищена авторским правом ©podelise.ru 2000-2014
При копировании материала обязательно указание активной ссылки открытой для индексации.
обратиться к администрации
Документы

Разработка сайта — Веб студия Адаманов