Вейвлетные преобразования сигналов icon

Вейвлетные преобразования сигналов



НазваниеВейвлетные преобразования сигналов
Дата конвертации22.07.2012
Размер108.25 Kb.
ТипРеферат



ВЕЙВЛЕТНЫЕ ПРЕОБРАЗОВАНИЯ СИГНАЛОВ


Главные: Сайта Вейвлетов

А.В.Давыдов. 02.11.04.

Тема 6: Пакетные вейвлет - преобразования.

Река кажется огромной тому, кто не видел другой, более широкой.

Лукреций. О природе вещей.

Римский философ, материалист, I в.д.н.э.

Для "топоров" и ручеек широк. Лучше один раз научиться плавать, чем на каждой речушке искать брод.

Георгий Коргуль. О природе действий.

Уральский геофизик, бизнесмен, ХХ в.


Содержание: Введение. 6.1. Пакетное разложение сигналов. Одномерное вейвлет-разложение. Двумерное вейвлет-разложение. График дерева пакета. Значение энтропии сигнала. Цветовая спектрограмма. Просмотр дерева разложения. Оптимизация построения дерева. Модификация энтропии дерева. Пакетная вейвлет-функция. Пакетные вейвлет-коэффициенты. 6.2. Преобразования пакетов и реконструкция сигналов. Отсечка пакетного дерева. Отсечка узлов дерева. Выделение локальных сигналов. Полная реконструкция сигнала. Литература.

Введение.

В обычном алгоритме Маллата быстрого вейвлет – преобразования (БВП) при переходе с масштабного уровня m на уровень m+1 функция аппроксимирующих коэффициентов сm,k разделяется на низкочастотную (cm+1,k) и высокочастотную (dm+1.k) части спектрального диапазона, и при дальнейшем увеличении масштабных уровней аналогичному разложению последовательно подвергаются только низкочастотные функции (аппроксимирующие). В пакетном алгоритме БВП операция последовательного частотного расщепления применяется как для низкочастотных, так и для высокочастотных (детализирующих) коэффициентов. В результате возникает дерево расщепления, пример которого (в предельной форме расщепления на всех уровнях) показан на рис. 6.0.1.



Рис. 6.0.1.

При таком расщеплении вейвлеты каждого последующего уровня образуются из вейвлета предыдущего уровня разделением на два новых вейвлета:

1(t) =hn(t-n), 2(t) =gn(t-n).

Новые вейвлеты также локализованы в пространстве, но на вдвое более широком интервале.
Полный набор вейвлетных функций разложения называют вейвлет-пакетом.

Пакетное вейвлет-преобразование является адаптивным, и широко используется для компрессии сигналов и их очистки от шумов. Оно позволяет более точно приспосабливаться к особенностям сигналов путем выбора соответствующей оптимальной формы дерева разложения, которая обеспечивает минимальное количество вейвлет-коэффициентов при заданной точности реконструкции сигнала, и, тем самым, целенаправленно исключает из обратного БВП незначимые, информационно избыточные или ненужные детали сигналов. Мерой оптимальности обычно служит концентрация числа вейвлет-коэффициентов для реконструкции сигнала с заданной точностью (погрешностью). Оценка информативности набора коэффициентов выполняется по энтропии, под которой обычно понимается величина:

E = exp(-pn·log(pn)), pn = |xn|2 ||x||-2.

Любое усреднение коэффициентов увеличивает энтропию. При анализе дерева вычисляется энтропия узлов и его разделенных частей c и d. Если при разделении узла энтропия не уменьшается, то дальнейшее ветвление с этого узла не имеет смысла.

Нижеследующее описание вейвлет-преобразований базируется на пакете расширения Wavelet Toolbox в системе Matlab. Для просмотра формы пакетных вейвлетов и получения о них более подробной информации аналогично обычным вейвлетам можно использовать интерфейс GUI (команда 'wavemenu', кнопка 'Wavelet Packet Display' окна 'Wavelet Toolbox Main Menu'), пример окна просмотра вейвлетов приведен на рис. 6.0.2.



Рис. 6.0.2.

6.1. Пакетное разложение сигналов /3/.

Одномерное вейвлет-разложение. Пакетное вейвлет-преобразование вектора (сигнала) S в рамках полного дерева разложения до уровня N вейвлетом 'wname' выполняется функцией wpdec:

● V = wpdec(S, N, 'wname', TYPE, Р).

Строковый параметр TYPE задает тип энтропии, и может принимать значения 'shannon', 'threshold', 'norm', 'log energy', 'sure' или 'user'. Параметр Р зависит от энтропии:

- если 'shannon' или 'log energy', то Р не используется;

- если 'threshold' или 'sure', то Р – пороговое значение (положительное число);

- если 'norm', то Р – мощность и должна быть равна P≥1;

- если 'user', то Р – строка имени m-файла пользователя с входом сигнала S для расчета собственной функции энтропии.

Параметр Е может не указываться, при этом по умолчанию он принимается равным Е='shannon' и значения Р также не требуется.

Двумерное вейвлет-разложение выполняется функцией wpdec2 с теми же значениями параметров.

График дерева пакета и графики коэффициентов разложения в узлах дерева (по указанию) строятся функцией plot(V). На графиках можно просматривать функции разложения во всех узлах дерева, начиная с самого входного сигнала (узел (0,0)). Нумерация узлов может быть изменена на порядковую сверху вниз слева направо (меню: Node Label  Index).

 Пример декомпозиции сигнала типовым и пакетным методами БВП (рис. 6.1.1).

load sumsin; S=sumsin(1:200); N=3; [C,L]=wavedec(S,N,'db4');

subplot(121); plot(S); grid; subplot(122); plot(C); grid;

V=wpdec(S, N, 'db4'); plot(V);

 Пример пакетного двумерного вейвлет-разложения.

load tire; N=2; v=wpdec2(X, N, 'db4'); plot(v);



Рис.6.1.1.

Значение энтропии сигнала X (вектора или матрицы) может быть вычислено функцией

● E = wentropy(X, TYPE, Р).

● E = wentropy(X, TYPE) эквивалентна wentropy(X, TYPE, 0).

 Пример вычисления энтропии различных типов для случайного сигнала.

x=randn(1,200); e1=wentropy(x,'shannon'); e2=wentropy(x,'log energy');

e3=wentropy(x,'threshold',0.2); e4=wentropy(x,'sure',3); e5=wentropy(x,'norm',1.1);

 Результаты:

e1=-16.7729, e2=-306.6367, e3=165, e4=-15.9133, e5=153.0497.

Цветовая спектрограмма коэффициентов самого верхнего уровня разложения N (конечных или терминальных узлов) может быть построена функцией wpviewcf(V, CMODE).

 Пример построения цветовой спектрограммы (рис. 6.1.2).

load sumsin; S=sumsin(1:200); V=wpdec(S, 3, 'db4'); wpviewcf(V, 1);



Рис. 6.1.2.

Значением CMODE = {0,8} может быть задано 9 различных цветовых вариантов спектрограммы узловых точек. Нумерация горизонтальных секций спектрограммы снизу вверх соответствует узлам самого нижнего уровня разложения на дереве слева направо.

Для дерева V все параметры разложения и значения фильтров декомпрессии и реконструкции сигнала могут быть выведены на экран набором имени дерева в командной строке и нажатием клавиши Enter.

Просмотр дерева разложения и коэффициентов декомпозиции может выполняться и функцией drawtree(V), при этом автоматически включается интерфейс графического окна GUI и дальнейшие операции разложения можно выполнять непосредственно в окне с соответствующими широкими возможностями изменения параметров разложения и просмотра сигналов.

 Пример декомпозиции сигнала в окне GUI (рис. 6.1.3).

load sumsin; S=sumsin(1:200); N=4;

V=wpdec(S, N, 'db4'); fig=drawtree(V);



Рис.6.1.3.

Оптимизация построения дерева пакетного разложения выполняется функциями bestlevt и besttree. Они применяются после расчета полного дерева.

Функция bestlevt возвращает полное оптимальное дерево исходного дерева V по критерию энтропии, т.е. разложение дерева по наилучшему уровню, которое может быть и меньшей глубины, чем исходное:

● V = bestlevt(V).

● [V,E] = bestlevt(V), где Е – массив значений энтропии в узлах дерева (порядковая нумерация).

 Пример оптимизации дерева вейвлет-разложения (рис. 6.1.4).

load noisdopp; x=noisdopp; N=3; v=wpdec(x, N, 'db1');

v=wpsplt(v,[3 0]); v=wpsplt(v,15); plot(v);

blv= bestlevt(v); plot(blv);



Рис.6.1.4.

На рис. 6.1.4 для модельного сигнала noisdopp (в центре) выполнен расчет исходного дерева (слева) до уровня N=3 с дополнительным применением функции разложения для отдельных узлов дерева wpsplt(v,n), где n – номер узла (порядковый или позиционный). Справа на рисунке приведено оптимальное дерево по критерию энтропии. Для обоих деревьев включена порядковая индексация. Применение функции bestlevt показывает, что для данного сигнала разложение 7-го и 15-го узла не понижает энтропии и не имеет особого смысла (при общем пакетном разложении до уровня N=3).

Функция besttree выполняет более глубокий анализ исходного дерева и при разложении узлов предлагает наилучшее дерево по критерию энтропии, прекращая дальнейшее разложение узла, если энтропия ветви начинает увеличиваться.

● V = besttree(V).

● [V,E] = besttree(V), где Е – массив значений энтропии в узлах дерева (порядковая нумерация).

● [V,E,k] = besttree(V), где k – вектор индексов узлов дерева, дальнейшее разложение которых до заданного уровня N прекращено в связи с возрастанием энтропии (порядковая нумерация).

 Пример определения наилучшего дерева вейвлет-разложения (рис. 6.1.5).

load sumsin; x=sumsin(1:200); N=4; v=wpdec(x, N, 'db4'); plot(v);

[btv,E,k]=besttree(v); plot(btv);



Рис.6.1.5.

На рис. 6.1.5 приведен пример оптимизации дерева, при этом вектор k фиксирует значения k = {12,7,6,4} (снизу вверх справа налево начиная с уровня N-1).




Рис. 6.1.6.
Функция

● V = wp2wtree(V)

извлекает из пакетного дерева V дерево только аппроксимирующих и детализирующих коэффициентов нулевой и первой позиции, т.е. коэффициенты cj,0 и dj,1 ветвей исходного дерева на последовательных уровнях j = 0, 1, и т.д. Пример модификации приведен на рис. 6.1.6.

Модификация энтропии дерева может быть выполнена функцией

● V = entrupd(V, TYPE, P), где Р – оптимальный параметр энтропии, задавать который не обязательно.

Пакетная вейвлет-функция wpfun с форматом

● [WP, X] = wpfun('wname', M, P),

● [WP, X] = wpfun('wname', M), где по умолчанию Р = 7,

возвращает пакет вейвлетов 'wname' на двойном интервале 2, где Р – целое положительное число, на векторе сетки Х. Выходная матрица WP содержит М+1 строку вейвлетных функций W с нумерацией от 0 до М (W0, W1, … , WM).




Рис. 6.1.7. Пакетные вейвлеты 'db2'.
Нулевая функция W0 является масштабирующей (скейлинг-функция), первая W1 – вейвлетной. Для ортогональных вейвлетов процесс вычисления начинается с задания двух фильтров h(n) и g(n) длиной 2М, с вычисление последующих по формуле:

W2n(x) =h(k)Wn(2x-k).

Пример вычисления вейвлетов приведен на рис. 6.1.7.

Пакетные вейвлет-коэффициенты разложения в узлах k дерева V возвращаются функцией




Рис. 6.1.8.
● X = wpcoef(V, k),

● X = wpcoef(V), эквивалент функции X = wpcoef(V, 0).

 Пример извлечения вейвлет-коэффициентов разложения (рис. 6.1.8).

load noisdopp; x=noisdopp;

subplot(311); plot(x); title('signal');

N=3; wp=wpdec(x, N, 'db1');

cf1=wpcoef(wp,[2 0]); subplot(312);

plot(cf1); title('site 2,0 or 3');

cf2=wpcoef(wp,7); subplot(313);

plot(cf2); title('site 3,0 or 7)');


Нумерация узлов может применяться как позиционная, так и порядковая. Если узел не существует, выводится пустая строка (X = [ ]).

^ 6.2. Преобразования пакетов и реконструкция сигналов /3/.

После пакетного разложения сигналов и изучения вейвлет-коэффициентов разложения в узлах дерева обычно производится определенная модификация дерева – ограничение дерева до определенного уровня и отсечка ветвей с малозначимыми коэффициентами или с локальными особенностями сигналов, например – с шумами.

Отсечка пакетного дерева V до определенного уровня разложения L выполняется функцией wpcutree:




Рис. 6.2.1.
● V = wpcutree(V, L),

● [V, R] = wpcutree(V, L), где R – вектор индексов конечных (терминальных) узлов.

 Пример сечения дерева (рис. 6.2.1).

load noisdopp; x=noisdopp;

wp=wpdec(x, 3, 'db1');

[nwp,R]= wpcutree(wp, 2); plot(nwp);

Вектор R' (транспонированный) = [3 4 5 6].

Отсечка узлов дерева V с определенной позиции или порядкового номера k выполняется функцией wpjoin:




Рис. 6.2.2
● V = wpjoin(V, k),

● [V,S] = wpjoin(V),

где S – вейвлет-коэффициенты всех оставленных узлов дерева,

● V = wpjoin(V), эквивалент функции V = wpjoin (V, 0).


 Пример отсечки узлов дерева (рис. 6.2.2).

load noisdopp; x=noisdopp;

wp=wpdec(x, 3, 'db1'); plot(wp);

wpt= wpjoin(wp,2); plot(wpt);

Выделение локальных сигналов (особенностей сигналов) из узлов k дерева разложения V и восстановление их в исходном масштабе входного сигнала выполняется функцией:

● X = wprcoef(V, k),

● X = wprcoef(V), эквивалент функции X = wprcoef(V, 0).

 Пример определения наилучшего дерева вейвлет-разложения (рис. 6.2.3).

load sumsin; x=sumsin(1:500); subplot(221); plot(x); axis([100,400,-3,3]);

v=wpdec(x,4,'db4'); plot(v); c1= wprcoef(v, 1);

c2= wprcoef(v, 2); c3= wprcoef(v, 15);

subplot(222); plot(c1); axis([100,400,-2.2,2.2]);

subplot(223); plot(c2); axis([100,400,-1.2,1.2]);

subplot(224); plot(c3); axis([100,400,-1.2,1.2]);



Рис.6.2.3.

Полная реконструкция сигнала по дереву разложения V (пакетное вейвлет-восстановление) выполняется функциями wprec(V) для одномерных, и wprec2(V) для двумерных разложений.

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
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 iconВейвлетные преобразования сигналов
Комплексные вейвлеты. Комплексный вейвлет Гаусса. Комплексный вейвлет Морлета. Комплексный в-сплайновый вейвлет. Комплексный вейвлет...
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