Главная » Просмотр файлов » А.Н. Яковлев - Введение в вейвлет преобразования

А.Н. Яковлев - Введение в вейвлет преобразования (1275343), страница 7

Файл №1275343 А.Н. Яковлев - Введение в вейвлет преобразования (Яковлев А.Н. - Введение в вейвлет преобразования) 7 страницаА.Н. Яковлев - Введение в вейвлет преобразования (1275343) страница 72021-11-08СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 7)

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

ylabel('Временной масштаб,a'); set(gca,'Xlim',[0 1000]);

[c,l] = wavedec(s,6,'db4');

for m = 1:6

d = detcoef(c,l,m); d = d(ones(1,2^m),:);

cfd(m,:) = wkeep(d(:)',1000);

end

cfd = cfd(:); I = find(abs(cfd)<sqrt(eps));

cfd(I) = zeros(size(I)); cfd = reshape(cfd,6,1000);

subplot(313), colormap(pink(16));

img = image(flipud(wcodemat(cfd,64,'row')));

set(get(img,'parent'), 'YtickLabel',[]);

title('Дискретное преобразование');

ylabel('Уровень, m'); xlabel('Временной сдвиг, b'); end

Рис. 2.8

На рис. 2.8 приведены диаграмма сигнала и его спектрограммы. Особенности спектрограммы непрерывного ВП этого сигнала обсуждены в примере 1.6. Очевидно, что детали сигнала просматриваются и на спектрограмме дискретного ВП, но с худшим разрешением.

Пример 2.4. Звуковой сигнал

Загрузим звуковой сигнал из файла mtlb с выборкой в 200 отсчетов (см. пример 1.7) и построим его график и две спектрограммы – непрерывного и дискретного ВП:

function ss_cd

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

subplot(311), plot(v); title('Звуковой сигнал');

set(gca, 'Xlim',[0 200]); [c,l] = wavedec(v,6,'sym2');

cfd = zeros(6,lv); subplot(312), ccfs = cwt(v,4:127,'sym2','plot');

title('Непрерывное преобразование'), colormap(pink(32));

ylabel('Временной масштаб,a'); xlabel('Временной сдвиг, b');

for m = 1:6

d = detcoef(c,l,m); d = d(ones(1,2^m),:);

cfd(m,:) = wkeep(d(:)',lv);

end

cfd=cfd(:); I = find(abs(cfd)<sqrt(eps));

cfd(I) = zeros(size(I)); cfd = reshape(cfd,6,lv);

subplot(313), colormap(pink(32));

img = image(flipud(wcodemat(cfd,64,'row')));

set(get(img,'parent'), 'YtickLabel',[]);

title('Дискретное преобразование');

ylabel('Уровень'); xlabel('Временной сдвиг, b');

end

Полученные в результате выполнения программы графики приведены на рис. 2.9.

Рис. 2.9

Очевидно, что все мельчайшие детали сложной временной зависимости отчетливо просматриваются на спектрограмме как непрерывного, так и дискретного ВП. Однако последнее выполняется значительно быстрее, хотя по детальности представления уступает непрерывному ВП.

Примечание. Обычное дискретное ВП (DWT) осуществляется исходя из предположения нестационарности сигнала. Если сигнал стационарный, то в этом частном случае можно использовать стационарное ВП [8]. Это преобразование, применяемое для очистки сигнала от шума, имеет ряд форм записи (см. прил. 2.6).

2.4. Быстрое вейвлет-преобразование

При исследовании сигналов полезно их представление в виде совокупности последовательных приближений грубой (аппроксимирующей) и уточненной (де­та­лизирующей) составляющих

, (2.7)

с последующим их уточнением итерационным методом. Каждый шаг уточнения соответствует определенному масштабу (т.е. уровню ) анализа (декомпозиции) и синтеза (реконструкции) сигнала. Такое представление каждой составляющей сигнала вейвлетами можно рассматривать как во временной, так и в частотной областях. В этом суть кратномасштабного анализа (КМА). В прил. 3 описан КМА для непрерывных сигналов.

Как уже отмечалось в разд. 2.3, в практике ВП в большинстве случаев мы имеем дело с дискретными сигналами. Однако формулы для ВП дискретных сигналов не могут быть получены простой дискретизацией формул диадного ВП для непрерывного сигнала. Найдем их из предпосылок КМА.

Пусть имеется непрерывный сигнал . Дискретный сигнал интерпретируем как последовательность коэффициентов , полученную в ходе КМА сигнала при масштабирующих функциях :

, (2.8)

где

– коэффициенты аппроксимации на уровне .

По концепции КМА сигнал декомпозируется на две составляющие (принадлежащие подпространствам и ):

. (2.9)

Следовательно, получены две новые последовательности и . Отметим, что последовательности и имеют половинную длину по сравнению с . Далее процесс декомпозиции может быть продолжен по (подпространства и ). Сигнал на уровне декомпозиции будет представлен совокупностью коэффициентов и .

Однако вычисления и по-прежнему зависят от непрерывных базисных функций и . Как показано в прил. 3, эти функции однозначно определяются коэффициентами :

, (2.10)

, (2.11)

, (2.12)

, (2.13)

где , – порядок вейвлета. Вейвлеты n-го порядка существуют только на интервале длиной и имеют отличающихся от нуля коэффициентов .

Из (2.10) и (2.11) можно получить следующие соотношения:

,

(2.14)

.

(2.15)

Итерационная процедура быстрого вейвлет-анализа получила название анализа от «тонкого» к «грубому» масштабу.

На практике наименьший возможный масштаб (наибольший уровень разрешения ) определяется числом дискретных значений сигнала ( ). На самом «тонком» значении масштаба ( , ) за аппроксимирующие коэффициенты принимаются сами отсчеты сигнала , т.е. , , . При переходе от текущего масштаба к следующему число вейвлет-коэффициентов уменьшается в два раза и они определяются по рекуррентным соотношениям:

, . (2.16)

Процесс останавливается после конечного числа уровней , которое зависит от протяженности сигнала ( ) и порядка ( ) фильтра .

При восстановлении (реконструкции) сигнала по его вейвлет-коэффициентам процесс идет от крупных масштабов к мелким и на каждом шаге описывается выражением

, (2.17)

которое получается из соотношений (2.10) и (2.11).

Число операций умножения при прямом быстром ВП (БВП) будет , где [29]. Столько же операций необходимо и для реконструкции сигнала. Таким образом, для анализа-синтеза сигнала в базисе вейвлетов необходимо выполнить операций, что не превышает ( и даже меньше) числа операций для быстрого преобразования Фурье ( ).

Таким образом, в практических приложениях с применением БВП используются только коэффициенты , сами же вейвлеты не вычисляются и в расчетах не используются.

Пакет Wavelet Toolbox позволяет осуществлять КМА с использованием БВП. При этом порядок следования коэффициентов – «дерево» коэффициентов приведено на рис. 2.10: декомпозиция сигнала – сверху-вниз и реконструкция – снизу-вверх.

Рис. 2.10

На рис. 2.11 приведен пример КМА, взятый из раздела демонстрационных примеров «wavedemo ». Слева под сигналом представлены аппроксимирующие коэффициенты , а справа – детализирующие ( от 1 до 5). Очевидно, что коэффициенты аппроксимации являются грубыми копиями сигнала, а детализирующие коэффициенты выделяют локальные особенности и свойства сигнала. Справа сверху приведен также вейвлет-спектр сигнала – cfs.

Функции для нахождения этих коэффициентов имеют ряд форм и, в частности:

, (2.18)

– возвращают аппроксимирующие и детализирующие коэффициенты из структуры вейвлет-разложения , – строка, содержащая имя вейвлета, уровень должен быть
целым числом, таким, что , где .

Рис. 2.11

Структура вейвлет-разложения

(2.19)

возвращает векторы вейвлет-разложения сигнала X на уровне ; выходная структура разложения содержит векторы и .

Реконструкцию (восстановление) сигнала с многоуровневой структурой разложения осуществляет функция waverec:

. (2.20)

2.5. О вейвлетах для БВП

Большинство используемых вейвлетов не имеют, к сожалению, аналитического выражения. Однако из предыдущего рассмотрения следует, что для практических расчетов используются не сами вейвлеты, а их коэффициенты .

Эти коэффициенты, однозначно определяющие отцовский и материнский вейвлеты, могут быть найдены из решения уравнения (2.11).

Следует отметить, что процесс определения коэффициентов , т.е. конструирования вейвлетов, достаточно сложен для пользователя. Да в этом и нет особой необходимости, так как уже создано большое число вейвлетов, в том числе входящих в пакет расширения Wavelet Toolbox, например, вейвлеты Добеши (dbN), Симплета (sumN), Койфлета (coifN), Хаара (haar) и др.; их подробное описание приведено в [7, 8].

Особо следует отметить вейвлеты Добеши. Это один из самых известных и используемых во многих практических приложениях типов. Вейвлеты порядка N (dbN) отличны от нуля лишь на интервале длиной 2N–1 и имеют 2N отличных от нуля коэффициентов фильтров и . Исключая случай N = 1 (а это есть базис Хаара, который не регулярен), функции и непрерывны и дифференцируемы.

Решение уравнения (2.11) для этих вейвлетов дает [5, 8]:

для (четырехточечный фильтр Добеши):

0.482963, 0.836516,

0.224144, – 0.129409,

, , , ;

для (шеститочечный фильтр):

0.332670, 0.806891, 0.459877,

– 0.135011, – 0.085441, 0.035227.

для (восьмиточечный фильтр):

0.230377, 0.714847, 0.630881,

– 0.027984, – 0.187035, 0.030841,

0.032883, – 0.010597.

На рис. 2.12 приведены отцовский (сплошной линией) и материнский вейвлеты второго, третьего и четвертого порядков, которые задаются приведенными выше коэффициентами фильтров.

Рис. 2.12

Очевидно, что вейвлеты высокого порядка ( и 4) более гладкие по сравнению с ; все функции и несимметричны. Порядок вейвлета определяет число нулевых моментов. В п.1.3 отмечалось, что чем большее число нулевых моментов содержит вейвлет (т.е. чем выше его порядок), тем более тонкую структуру сигнала он позволяет анализировать.

В вейвлет-преобразованиях, осуществляемых системой Mathcad, используется вейвлет .

2.6. Частотный подход к ВП

До сих пор рассмотрение ВП базировалось на временном подходе. Однако также плодотворна трактовка ВП в частотной области на базе частотной фильтрации. В этом случае КМА сигнала рассматривается как поэтапная процедура фильтрации. При этом частотный образ вейвлета можно разбить на низкочастотную и высокочастотную составляющие с частотой раздела, равной , т.е. представить реализацией двух фильтров.

Обратимся к схеме рис. 2.13. Сигнал подается на низкочастотный (нижняя часть схемы) и высокочастотный фильтры декомпозиции и . В них вычисляется свертка (цифровая фильтрация) по формуле:

Характеристики

Тип файла
Документ
Размер
13,98 Mb
Тип материала
Высшее учебное заведение

Список файлов книги

Свежие статьи
Популярно сейчас
Почему делать на заказ в разы дороже, чем купить готовую учебную работу на СтудИзбе? Наши учебные работы продаются каждый год, тогда как большинство заказов выполняются с нуля. Найдите подходящий учебный материал на СтудИзбе!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6418
Авторов
на СтудИзбе
307
Средний доход
с одного платного файла
Обучение Подробнее