А.Н. Яковлев - Введение в вейвлет преобразования (1275343), страница 5
Текст из файла (страница 5)
в котором применяется предварительная операция умножения сигнала на «окно»
; при этом окном является локальная во времени функция (например, прямоугольная, т.е.
при
и
при
и
), перемещаемая вдоль оси времени
(рис. 1.17) для вычисления ПФ в разных позициях
. В результате получается текущий спектр, т.е. частотно-временное описание сигнала.
Рис. 1.17
Если окно, показанное на рис. 1.17, перемещать скачками (через ) вдоль всего времени существования сигнала
, то за некоторое число таких перемещений возможен «просмотр» всего сигнала. Так что вместо обычной спектрограммы получится набор спектрограмм, схематично представленный в виде прямоугольников на рис. 1.18, а. Такой спектральный анализ равносилен анализу с помощью набора фильтров с постоянной шириной полосы пропускания, равной
.
Очевидно, что, поскольку каждое окно выделяет свой небольшой участок во времени, точность представления и разрешающая способность (по времени) могут быть повышены. Однако ввиду известного принципа неопределенности ( ) невозможно получить одновременно высокое разрешение и по частоте, и по времени. Окну с узкой шириной (
) во времени будет соответствовать плохое разрешение по частоте (большая величина
).
Недостаток оконного ПФ состоит в том, что используется фиксированное окно и, следовательно, фиксированное разрешение по времени и частоте для всех точек плоскости преобразования (рис. 1.18, а), которое не может быть адаптировано к локальным свойствам сигнала.
ВП имеет существенное преимущество перед ПФ прежде всего за счет свойства локальности у вейвлетов. В вейвлет-преобразовании операция умножения на окно как бы содержится в самой базисной функции, которая сужает и расширяет окно (рис. 1.18, б): с ростом параметра увеличивается разрешение по частоте и уменьшается разрешение по времени, а с уменьшением этого параметра уменьшается разрешение по частоте и увеличивается по времени. Отсюда появляется возможность адаптивного к сигналу выбора параметров окна. Подвижное частотно-временное окно одинаково хорошо выделяет и низкочастотные, и высокочастотные характеристики сигналов. Это свойство ВП дает ему большое преимущество при анализе локальных свойств сигналов.
а б
Рис. 1.18
Возможно локально реконструировать сигнал: реконструировать только часть сигнала или выделить вклад определенного масштаба. Если вейвлет-коэффициенты подвержены случайным ошибкам, они будут действовать на реконструируемый сигнал локально вблизи положения возмущения, а ПФ распространяет ошибки по всему восстанавливаемому сигналу.
Именно благодаря выявлению локальных особенностей сигнала, принципиально отсутствующему у ПФ, ВП нашло широкое применение для анализа тонкой структуры сигналов и изображений, для их сжатия и очистки от шума, что важно и полезно в радиотехнике, электронике, гидроакустике, геофизике, медицине и других областях науки и техники. При этом стоит отметить, что ВП ни в коем случае не является заменой традиционного преобразования Фурье и не умаляет его достоинств и значимости при работе со стационарными процессами и когда нет необходимости исследовать локальную структуру сигналов. ВП просто иное и позволяет посмотреть на исследуемый процесс с иной точки зрения.
Глава 2
Разложение сигналов
в ряд по вейвлетам
2.1. Диадное вейвлет-преобразование
При непрерывном изменении параметров и b для расчета вейвлет-спектра необходимы большие вычислительные затраты. Множество функций
избыточно. Необходима дискретизация этих параметров при сохранении возможности восстановления сигнала из его преобразования. Дискретизация, как правило, осуществляется через степени двойки [1–3]:
где и
– целые числа. В этом случае плоскость
превращается в соответствующую сетку
. Параметр
называется параметром масштаба.
Рассмотренная дискретизация наиболее распространена. Сетка дискретизации называется диадной и соответственное преобразование – диадным (dyadic) ВП.
Рис. 2.1 на примере вейвлета Хаара иллюстрирует дискретизацию . При фиксированном параметре
вейвлеты имеют одинаковые масштабы и лишь смещаются во времени. При увеличении параметра
на 1 масштаб увеличивается вдвое и вейвлеты вдвое растягиваются. Для различных значений
ширина
различна и выбор
гарантирует, что растянутые вейвлеты на уровне
«покрывают» ось времени так же, как это делают исходные вейвлеты на уровне
.
Рис. 2.1
Прямое и обратное диадное ВП непрерывных сигналов запишутся в виде:
Проводя аналогию с преобразованием Фурье, коэффициенты разложения (2.3) можно определить через непрерывное ВП
Обращаясь к (2.2) и (2.4), видим, что вейвлет-спектр можно представить как «лес» из вертикальных отрезков, размещенных над
– плоскостью (сеткой); при этом целочисленные координаты
и
указывают соответственно на скорость изменения сигнала и положение вдоль оси времени.
Из (2.3) следует, что сигнал может быть представлен суммой «вейвлетных волн» с коэффициентами
. Формально обобщенный ряд Фурье (2.3) отличается от традиционного тем, что суммирование проводится не по одному, а по двум индексам. Однако это несущественно, так как обе системы индексации принадлежат одному классу бесконечных счетных множеств.
Диадное ВП часто называют дискретным. Однако, по мнению ряда авторов, например В.П. Дьяконова [8], такая подмена формулировки не совсем корректна: правильнее называть его диадным, представляющим особую разновидность непрерывного ВП и позволяющим устранить избыточность последнего.
Примечаниe. В некоторых публикациях параметры ,
и базисные функции задаются в виде
т.е. с ростом параметр
уменьшается, что соответствует сжатию функции
. Согласно формулам (2.1) с ростом
увеличивается и коэффициент
, т.е. функция
растягивается.
Фреймы. Это особый вид вейвлетов, занимающих промежуточное положение между непрерывным и диадным ВП. Вейвлет-фреймы используют кратное двум масштабирование ( ), но непрерывный сдвиг. Следовательно, они сохраняют избыточность, которая присуща непрерывному ВП, но в гораздо меньшей мере по сравнению с ним. Они не входят в пакеты расширения систем компьютерной математики (СКМ). Но если необходимо, то соответствующие им инструментальные средства легко получить незначительной модификацией средств непрерывного ВП.
2.2. Дискретное преобразование
Статьи, касающиеся практического использования ВП, содержат в основной своей массе результаты компьютерных расчетов, в которых использовано дискретное вейвлет-преобразование (ДВП или DWT). При этом не только параметры и
, но и сигналы также дискретизируются во времени.
На основании теоремы Котельникова (теоремы отсчетов) непрерывный сигнал , спектр которого не содержит частот выше
, полностью определяется дискретной последовательностью своих мгновенных значений
,
, отсчитываемых через интервалы времени
:
где и
– интервал (шаг) и частота дискретизации.
Таким образом, дискретизированный с шагом сигнал можно определить выражением:
Если число отсчетов составляет , то максимальное значение
в формулах (2.1) будет равно
. Наибольшее значение
для текущего
определяется:
. В частности, для
(т.е.
число сдвигов
базисного вейвлета составит
; с каждым последующим значением
(1, 2, …) вейвлет
расширяется в два раза, а число сдвигов
уменьшается в два раза. Для максимального значения
, равного
,
, т.е. один вейвлет
«накрывает» весь интервал сигнала (рис. 2.1;
).
Вейвлет-коэффициенты (или
) можно вычислить с помощью итерационной процедуры, известной под названием быстрого вейвлет-преобразования БВП [1–3, 19, 25, 29]. Алгоритм БВП приведен в п. 2.4. При этом, если необходимо, можно сжать полученные данные, отбросив некоторую несущественную часть закодированной таким образом информации. Осуществляется это квантованием, в процессе которого приписываются разные весовые множители различным вейвлет-коэффициентам. Аккуратно проведенная процедура позволяет не только удалить некоторые статистические флюктуации и повысить роль динамических характеристик сигнала, но и существенно сократить компьютерную память и требования к передаче информации и, следовательно, снизить расходы.
2.3. Примеры дискретного
вейвлет-преобразования (ДВП)
2.3.1. ДВП в Mathcad