А.Н. Яковлев - Введение в вейвлет преобразования (1275343), страница 4

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 4)

, N:=256,

, ,

a := 1…30, b : = 0…50, .

Г
рафик двухпараметрического спектра выведен на рис. 1.7 в виде поверхности в трехмерном пространстве, а на рис. 1.8 в виде изоуровней на плоскости (a,b).

Рис. 1.7

Рис. 1.8

На рис. 1.9, а приведены «сечения» вейвлет-спектра для двух значений параметра . При относительно небольшом параметре временного масштаба , т.е. при ( ), сечение спектра несет информацию только о высо­кочастотной составляющей сигнала, отфильтровывая (подавляя) его низко­частотный компонент. С ростом происходит растяжение базисной функ­ции и, следовательно, сужение ее спектра, т.е. уменьшение полосы частотного «окна». В результате при ( ) сечение спектра представляет собой лишь низкочастотный компонент сигнала. При дальнейшем увеличении полоса окна еще уменьшается и уровень этого низкочастотного компонента убывает до постоянной составляющей (при ), равной нулю для анализируемого сигнала.

а

б

Рис. 1.9

На рис 1.9, б даны сечения вейвлет-спектра , характеризующие текущий спектр сигнала при и .

Итак, очевидно, что спектр рассматриваемого сигнала в отличие от гармонического (см. пример 1.1) содержит еще высокочастотный компонент в области малых значений временного масштаба ( ), который соответствует второй составляющей сигнала, т.е. .

Пример 1.3. Прямоугольный импульс

, ,

, , .

Рис. 1.10

Вейвлет-спектры приведены на рис. 1.10.

Как видно из рис. 1.10, вейвлет-спектр хорошо передает тонкие особенности сигнала – его скачки на отсчетах и (при ).

Следует отметить, что выполнение непрерывного ВП в Mathcad требует больших вычислительных затрат. Это обусловлено довольно медленным методом интегрирования. На ПК с процессором Intel Celeron (667 МГц и оперативной памятью в 128 Мбайт) время вычислений составляет до 5 минут. Гораздо более эффективен ВА в системе MATLAB.

1.7.2. Вейвлет-анализ в системе MATLAB

Пакет Wavelet Toolbox системы MATLAB располагает средствами для построения вейвлет-спектров сигналов с улучшенной визуализацией. Спектрограммы представляют значения вейвлет-коэффициентов в плоскости масштаб–время; при этом внизу спектрограммы расположены малые значения масштаба (малые номера коэффициентов), представляющие детальную картину сигнала, а вверху – большие значения , дающие огрубленную картину. Значения коэффициентов определяют цвет соответствующей области вейвлет-спектрограммы.

В разделах «Continuous Wavelet 1-D» и «Complex Continuous Wavelet 1-D» пакета Wavelet Toolbox даны примеры на выявление и анализ тонкой структуры сигналов.

На рис. 1.11 приведен результат вейвлет-анализа одного из демонстрационных примеров – треугольного сигнала, имеющего в середине стадий нарастания и спада едва заметные горизонтальные «полочки». К особенностям этого сигнала относятся еще три характерные точки: средняя точка с разрывом первой производной (переход от нарастания к спаду) и две концевые точки, за пределами которых сигнал не определен. Эти особенности нашли отражение на спектрограмме и на линиях локализации экстремумов (нижний график).

В приводимых ниже примерах прямое ВП реализуется функцией cwt, которая может быть представлена в нескольких формах (см.П.2.2), например:

COEF = cwt(S, SCALES, ‘wname’ PLOTMODE, XLIM),

где строка S – сигнал, строка SKALES – задание диапазона и шага изменения параметра , строка ‘wname’ – имя (тип) вейвлета,

Рис. 1.11

строка PLOTMODE – настройка цвета: ‘lvl’ – окраска шаг за шагом, ‘glb’ – окраска с учетом всех коэффициентов, ‘absvil’ или ‘lvlabs’ – окраска шаг за шагом с использованием абсолютных значений коэффициентов, строка XLIM – строка переменных настройки.

Пример 1.4. Гармоническое колебание

function garm

t = 0:0.00001:0.0004; A1 = 1; F1 = 10000; a1 = 45;

s = A1*soc(2*pi*F1*t+a1);

figure (1); plot(t,s); axis([0 0.0004 -3 3]); grid on;

subplot(211), plot(t,s); title('Сигнал S(t)')

subplot(212), c = cwt(s, 1:2:32, 'mexh', 'abs1vl', [0 10]);

title('Вейвлет-спектр '); xlabel('Временной сдвиг, b');

ylabel('Временной масштаб, a');

end

И хотя спектрограмма гармонического колебания, представленная
на рис. 1.12, особой выразительностью не отличается, на ней отчетливо видны переходы сигнала через нуль (темный тон) и экстремальные точки (светлый тон).

Рис. 1.12

Пример 1.5. Сумма двух гармонических колебаний

Сигнал представляет собой сумму двух гармонических колебаний с кратными частотами:

function binar

t = 0:0.000001:0.0004;

A1 = 1; A2 = 1; F1 = 10000; F2 = 2*F1; a = 90; b = 90;

a1 = a*0.0174533; a2 = b*0.0174533;

s = A1*sin(2*pi*F1*t-a1) + A2*sin(2*pi*F2*t-a2);

figure (1); plot(t,s); axis([0 0.0004 -3 3]); grid on;

s

Рис. 1.13

ubplot(211), plot(t,s); title('Сигнал S(t)')

subplot(212), c = cwt(s,1:2:50,'mexh','abs1v',[0 1]);

title('Вейвлет-спектр сигнала S(t)');

xlabel('Временной сдвиг, b');

ylabel('Временной масштаб, a');

end

Временная диаграмма и спектральная диаграмма сигнала приведены на рис. 1.13. В нижней части спектрограммы хорошо просматривается структура второй гармоники, а с ростом – первой; при этом отчетливо фиксируются темным тоном переходы сигнала через нуль, а светлым тоном – экстремумы.

Пример 1.6. Бигармонический сигнал с шумом

Сигнал представляет собой сумму бигармонического сигнала и белого гауссова шума с математическим ожиданием m = 0 и среднеквадратическим отклонением .

function bigarm_rauch

t = 0:0.000001:0.001;

A1 = 1; A2 = 1; F1 = 10000; F2 = 2*F1; a = 90; b = 90;

a1 = a*0.0174533; a2 = b*0.0174533;

s1(1:200) = 0; t2 = 0.0002:0.000001:0.0007;

s2 = A1*sin(2*pi*F1*t2-a1) + A2*sin(2*pi*F2*t2-a2);

s3(1:300) = 0; s = [s1 s2 s3];

randn('state',0); g = 0.5; n =g *randn(size(t)); x = s+n;

figure (1); subplot(211), plot(t,x,'k'); t

itle('Сигнал x(t)'); grid on;

g
text('F=10кГц, А1=А2=1В, g=0.5 B');

Рис. 1.14

subplot(212), c = cwt(x,1:124,'mexh','absglb',[0 50]);

title('Вейвлет-спектр W(a,b)'); xlabel('Временной сдвиг, b');

ylabel('Временной масштаб, a');

end

На рис. 1.14 приведены диаграмма сигнала и его спектрограмма. В нижней части спектрограммы хорошо видна сложная структура вейвлет-спектра шума ( ), с ростом параметра просматривается структура второй гармоники, а затем – первой; при этом отчетливо фиксируются начало и конец импульса. По-прежнему темным тоном фиксируются переходы сигнала через нуль, а светлым тоном – экстремумы.

Пример 1.7. Прямоугольный импульс с шумом

function pr_rauch_wav

t = 0:0.000001:0.000300; A1 = 2; F1 = 0; s1(1:75) = 0;

t2 = 0.000075:0.000001:0.000175; s2 = A1*cos(2*pi*F1*t2);

s3(1:125) = 0; s = [s1 s2 s3];

randn('state',0); g = 0.5; n = g*randn(size(t));

x = s + n; figure (1);

subplot(211), plot(t,x,'k'); title('Сигнал x(t)'); grid on;

subplot(212), c = cwt(x,1:27,'mexh','absglb',[0 10]);

title('Вейвлет-спектр'); xlabel('Временной сдвиг, b');

ylabel('Временной масштаб, a');

end

В
нижней части спектрограммы (рис. 1.15) видна весьма сложная структура спектра шума, верхняя часть спектрограммы ( ) отчетливо показывает наличие разрывов. Этот пример является наглядным свидетельством высокой разрешающей способности вейвлетов при выявлении локальной (тонкой) структуры сигналов.

Рис. 1.15

Пример 1.8. Звуковой сигнал

Загрузим звуковой сигнал из файла mtlb с выборкой в 200 отсчетов:

function ss

load mtlb; v=mtlb(1:200); lv = length(v);

subplot(211), plot(v); title('Звуковой сигнал');

set(gca, 'Xlim',[0 200]); [c,l] = wavedec(v,5,'sym2');

cfd = zeros(5,lv); subplot(212) ccfs = cwt(v,1:128,'sym4','plot');

title('Вейвлет-спектр') colormap(pink(32)); xlabel('Временной сдвиг, b');

ylabel('Временной масштаб,a');

end

Рис. 1.16

Вейвлет-спектрограмма (рис. 1.16) демонстрирует мельчайшие детали частотного образа сигнала: в нижней части отчетливо видны высокочастотные компоненты, а в верхней – низкочастотные (где изменения яркости менее частые, чем в нижней части).

Как следует из приведенных примеров, применение вейвлет-анализа наиболее целесообразно для изучения локальных изменений сигналов (выявления тонкой структуры сигналов, содержащих скачки, резкие переходы производных через нуль и т.п.).

1.8. Сопоставление
с преобразованием Фурье

Классическое преобразование Фурье (ПФ) является традиционным математическим аппаратом для анализа стационарных процессов. При этом сигналы разлагаются в базисе косинусов и синусов или комплексных экспонент. Эти базисные функции простираются вдоль всей оси времени.

С практической точки зрения и с позиций точного представления произвольных сигналов ПФ имеет ряд ограничений и недостатков. Обладая хорошей локализацией по частоте, оно не обладает временным разрешением. ПФ даже для одной заданной частоты требует знания сигнала не только в прошлом, но и в будущем, а это – теоретическая абстракция. Обусловлено это тем, что базисной функцией при разложении в ряд Фурье является гармоническое колебание, которое математически определено на временном интервале от – до + . ПФ не учитывает, что частота колебания может изменяться во времени. Локальные особенности сигнала (разрывы, ступеньки, пики и т.п.) дают едва заметные составляющие спектра, по которым обнаружить эти особенности, и тем более их место и характер, практически невозможно. В этом случае невозможно и точное восстановление сигнала из-за появления эффекта Гиббса. Для получения о сигнале высокочастотной информации с хорошей точностью следует извлекать ее из относительно малых временных интервалов, а не из всего сигнала, а для низкочастотной спектральной информации – наоборот. Кроме того, на практике не все сигналы стационарны, а для нестационарных сигналов трудности ПФ возрастают многократно.

Часть указанных трудностей преодолевается при использовании оконного ПФ:

,

Характеристики

Список файлов книги