А.Н. Яковлев - Введение в вейвлет преобразования (1275343), страница 3
Текст из файла (страница 3)
ч
Рис. 1.4
t
его возникает бесконечное чередование «лепестков» в частотной области, хотя и убывающих как
вейвлет, имеющий, наоборот, резкие границы в -области, можно считать другим предельным случаем.
Среди комплексных вейвлетов наиболее часто используется базис, основанный на хорошо локализованном и во временной и в частотной областях вейвлете Морле. Характерный параметр позволяет изменять избирательность базиса. Вещественная и мнимая части
– это амплитудно-модулированные колебания.
Выше был представлен небольшой перечень типов вейвлетов, описываемых аналитически в явном виде. Однако большинство типов вейвлетов не имеют аналитического описания в виде одной формулы, а задаются итерационными выражениями, легко вычисляемыми компьютерами. Примером таких вейвлетов являются функции Добеши (Daubechies), одна из которых (db4) используется в качестве встроенной для ВП в Mathcad.
В настоящее время выбор вейвлетов довольно обширен.
Только в пакете Wavelet Toolbox 2.0/2.1 (MATLAB 6) представлено полтора десятка материнских вейвлетов; при этом для ряда из них дано ещё множество вариантов. Для получения справки по какому-либо типу вейвлета при работе в командном режиме MATLAB достаточно исполнить команду waveinfo (‘type’), указав тип вейвлета. Для просмотра же вейвлетов достаточно исполнить команду wavemenu и в появившемся окне со списком разделов ВП нажать кнопку Wavelet Display. Нажатие этой кнопки выводит окно просмотра вейвлетов, в котором имеется возможность просмотра: общей информации о вейвлетах, выбранного вейвлета (с именем ‘Name’) и информации о нем. На рис. П.1 дано окно просмотра Wavelet Display с данными о вейвлете Добеши db4.
Сведения по сравнению вейвлетов различного типа приведены в [8, разд. 2.9].
Выбор конкретного материнского вейвлета (будь то непрерывный или дискретный) целиком зависит от характера поставленной задачи и от конкретного анализируемого сигнала. Разные сигналы удается анализировать тем или иным способом, и критерием успеха обычно служит простота получаемого разложения. При этом решающим фактором оказываются интуиция и практический опыт исследователя.
1.5. Непрерывное
вейвлет-преобразование
Непрерывное (интегральное) вейвлет-преобразование (НВП или СWT – continuous wavelet transform).
Сконструируем базис с помощью непрерывных масштабных преобразований (
) и переносов (
) материнского вейвлета
с произвольными значениями базисных параметров
и
в формуле (1.11).
Тогда по определению прямое (анализ) и обратное (синтез) HВП (т.е. ПНВП и ОНВП) сигнала запишутся:
– скалярное произведение соответствующих сомножителей,
– фурье-преобразование вейвлета
. Для ортонормированных вейвлетов
= 1.
Из (1.16) следует, что вейвлет-спектр (wavelet spectrum, или time-scale-spectrum – масштабно-временной спектр) в отличие от фурье-спектра (single spectrum) является функцией двух аргументов: первый аргумент а (временной масштаб) аналогичен периоду осцилляций, т.е. обратен частоте, а второй
– аналогичен смещению сигнала по оси времени.
Следует отметить, что характеризует временную зависимость (при
), тогда как зависимости
можно поставить в соответствие частотную зависимость (при
).
Если исследуемый сигнал представляет собой одиночный импульс длительностью
, сосредоточенный в окрестности
, то его вейвлет-спектр будет иметь наибольшее значение в окрестности точки с координатами
,
.
Способы представления (визуализации) могут быть различными. Спектр
является поверхностью в трехмерном пространстве (см. рис. 1.5). Однако часто вместо изображения поверхности представляют её проекцию на плоскость
с изоуровнями (рис. 1.6), позволяющими проследить изменение интенсивности амплитуд ВП на разных масштабах (а) и во времени (
). Кроме того, изображают картины линий локальных экстремумов этих поверхностей, так называемый скелетон (sceleton), который выявляет структуру анализируемого сигнала.
1.6. Свойства вейвлет-анализа
Прямое ВП содержит комбинированную информацию об анализируемом сигнале и анализирующем вейвлете. Несмотря на это, ВП позволяет получить объективную информацию о сигнале, потому что некоторые свойства ВП не зависят от выбора анализирующего вейвлета. Независимость от вейвлета делает эти простые свойства очень важными.
Линейность. Она следует из скалярного произведения (1.16):
Сдвиг. Смещение сигнала во временной области на ведет к сдвигу вейвлет-образа также на
:
Масштабирование. Растяжение (сжатие) сигнала приводит также к растяжению (сжатию) его в области :
Дифференцирование:
где ,
. Из этого свойства следует, что проигнорировать, например, крупномасштабные составляющие и проанализировать особенности высокого порядка или мелкомасштабные вариации сигнала
можно дифференцированием нужное число раз либо вейвлета, либо самого сигнала. Если учесть, что часто сигнал задан цифровым рядом, а анализирующий вейвлет–формулой, то это свойство весьма полезное.
Масштабно-временная локализация. Она обусловлена тем, что элементы базиса ВП хорошо локализованы и обладают подвижным частотно-временным окном.
За счет изменения масштаба (увеличение приводит к сужению фурье-спектра функции
) вейвлеты способны выявлять различие в характеристиках на разных шкалах (частотах), а за счет сдвига проанализировать свойства сигнала в разных точках на всем исследуемом интервале. Поэтому при анализе нестационарных сигналов за счет свойства локальности вейвлетов получают существенное преимущество перед преобразованием Фурье, которое дает только глобальные сведения о частотах (масштабах) анализируемого сигнала, так как используемая при этом система функций (комплексная экспонента или синусы и косинусы) определена на бесконечном интервале.
Поэтому неслучайно многие исследователи называют вейвлет-анализ «математическим микроскопом». Это название хорошо отражает замечательные свойства метода сохранять хорошее разрешение на разных масштабах. Параметр сдвига фиксирует точку фокусировки микроскопа, масштабный коэффициент
– увеличение, и, наконец, выбором материнского вейвлета
определяют оптические качества микроскопа. Способность этого микроскопа обнаруживать внутреннюю структуру существенно неоднородного процесса и изучать его локальные свойства продемонстрирована на многих примерах (см., например, [1]).
1.7. Примеры непрерывных
вейвлет-преобразований
Непрерывное ВП нашло широкое применение в обработке сигналов. В частности, вейвлет-анализ (ВА) дает уникальные возможности распознавать локальные и «тонкие» особенности сигналов (функций), что важно во многих областях радиотехники, связи, радиоэлектроники, геофизики и других отраслях науки и техники.
Рассмотрим эту возможность на некоторых простейших примерах.
1.7.1. Определение вейвлет-спектра
на основе «мексиканской шляпы»
в системе Mathcad
Программирование ВП базируется на соотношениях (1.11), (1.16), (1.17).
Хорошо известная распространенная у нас система компьютерной математики Mathcad очень удобна для ознакомления с техникой ВП. Общение пользователя с этой системой осуществляется с помощью простого математически ориентированного языка. Вычисление интегралов выполняется стандартным оператором интегрирования.
Следует отметить, что на практике невозможно проводить вычисления с непрерывными значениями и
; так или иначе приходится задавать их дискретные значения и, в частности, для графического представления результата вычислений, что и сделано в приводимых ниже примерах. Выбор значений
и
сделан таким, чтобы вейвлет-спектрограммы выглядели детально и наглядно.
Пример 1.1. Гармоническое колебание
Вейвлетобразующая функция:
Вейвлет-спектр:
Г
рафик двухпараметрического спектра выведен на рис. 1.5 в виде поверхности в трехмерном пространстве, а на рис. 1.6 – в виде привычных для ВП изоуровней на плоскости (a,b). Следует отметить, что сечение
для временного масштаба
характеризует исходное колебание
; при этом амплитуда его максимальна при
. Зависимости
можно поставить в соответствие текущий спектр колебания при
.
Рис. 1.5
Рис. 1.6