Определения, свойства, виды Вейвлет-преобразование

Свойства преобразования. Отметим на этом примере характерные и очевидные особенности нового представления сигнала:

• 
  Общее количество коэффициентов разложения равно количеству отсчетов исходного сигнала (условие необходимости и достаточности сохранения в новом математическом представлении исходного объема информации).
  
• 
  Вейвлет и его скейлинг-функция должны иметь однозначную связь. Это определяется тем, что разложение сигнала может быть выполнено с использованием только скейлинг-функции, а детализирующие коэффициенты определяться по разности m и m+1 уровней аппроксимации, и наоборот.
  
• 
  Значение C₀ представляет собой среднее значение исходного сигнала по интервалу его задания. Для центрированных сигналов это значение равно нулю. При выполнении разложения без скейлинг-функции (с вейвлетом в (3.1.2)) картина детальных особенностей нецентрированных сигналов остается без изменений, но полная реконструкция сигнала невозможна. Без значения C₀·j₀(x) при полном разложении сигнал центрируется, при реконструкции с других масштабов декомпозиции искажается за счет отсутствия соответствующих коэффициентов C_m,k.
  
• 
  Увеличение масштабного значения m разложения соответствует возрастанию временного разрешения сигнала (1/2^m). Коэффициенты вейвлет-преобразования вскрывают флюктуационную структуру сигнала на разных масштабах и в разных временных точках. В областях "гладких" значений сигнала коэффициенты детализации близки к нулевым и ими можно пренебречь, что позволяет осуществлять сжатие информации для хранения.
  
• 
  Реконструкция сигнала возможна с любого масштабного уровня декомпозиции, причем все особенности сигнала сохраняются без искажений с временным разрешением первого вейвлета (с минимальной шириной окна).
  

Дискретное вейвлет преобразование

В численном и функциональном анализе дискретные вейвлет-преобразования (ДВП) относятся к вейвлет-преобразованиям, в которых вейвлеты представлены дискретными сигналами (выборками).

Первое ДВП было придумано венгерским математиком Альфредом Хааром. Для входного сигнала, представленного массивом 2ⁿ чисел, вейвлет-преобразование Хаара просто группирует элементы по 2 и образует от них суммы и разности. Группировка сумм проводится рекурсивно для образования следующего уровня разложения. В итоге получается 2ⁿ−1 разность и 1 общая сумма.
Это простое ДВП иллюстрирует общие полезные свойства вейвлетов. Во-первых, преобразование можно выполнить за операций. Во-вторых, оно не только раскладывает сигнал на некоторое подобие частотных полос (путём анализа его в различных масштабах), но и представляет временную область, то есть моменты возникновения тех или иных частот в сигнале. Вместе эти свойства характеризуют быстрое вейвлет-преобразование — возможную альтернативу обычному быстрому преобразованию Фурье. При принятии условия случайности сигнала Х спектральную плотность его амплитуд Y вычисляют на основе алгоритма Ийетса: matrixY=matrix(±X), верно и обратное matrixX=matrix(±Y).
Самый распространенный набор дискретных вейвлет-преобразований был сформулирован бельгийским математиком Ингрид Добеши (Ingrid Daubechies) в 1988 году. Он основан на использовании рекуррентных соотношений для вычисления всё более точных выборок неявно заданной функции материнского вейвлета с удвоением разрешения при переходе к следующему уровню (масштабу). В своей основополагающей работе Добеши выводит семейство вейвлетов, первый из которых является вейвлетом Хаара. С тех пор интерес к этой области быстро возрос, что привело к созданию многочисленных потомков исходного семейства вейвлетов Добеши.
Другие формы дискретного вейвлет-преобразования включают непрореженное вейвлет-преобразование (где не выполняется прореживания сигналов), преобразование Ньюлэнда (где ортонормированный базис вейвлетов выводится из специальным образом построенных фильтров типа "top-hat" в частотной области). Пакетные вейвлет-преобразования также связаны с ДВП. Другая форма ДВП — комплексное вейвлет-преобразование.
У дискретного вейвлет-преобразования много приложений в естественных науках, инженерном деле, математике (включая прикладную). Наиболее широко ДВП используется в кодировании сигналов, где свойства преобразования используются для уменьшения избыточности в представлении дискретных сигналов, часто — как первый этап в компрессии данных.

Непрерывное вейвлет-преобразование

Непрерывное вейвлет-преобразование (англ. continuous wavelet transform, CWT) — это преобразование, отображающее данную вещественнозначную функцию , определенную на временно́й оси переменной , в функцию

двух переменных и . Здесь представляет параллельный перенос, представляет масштаб и — материнский вейвлет (mother wavelet).

Изначальная функция может быть восстановлена с помощью обратного преобразования



Где

называется постоянной допустимости и — преобразование Фурье от . Для того, чтобы обратное преобразование было успешным, постоянная допустимости должна соответствовать критерию допустимости

.

Также следует отметить, что критерий допустимости подразумевает, что , так что интеграл от вейвлета должен быть равен нулю. Материнский вейвлет (mother wavelet) связан с дочерним вейвлетом (daughter wavelet) следующим соотношением:

.
Выводы
вейвлет преобразование дискретный ортогональный
Как видно, вейвлет-преобразование на самом деле является бесконечным множеством различных преобразований в зависимости от оценочной функции, использованной для его расчёта. Это является основной причиной, почему термин "вейвлет-преобразование"используется в весьма различных ситуациях и применениях. Также существует множество типов классификации вариантов вейвлет-преобразования. Здесь мы покажем только деление. основанное на ортогональности вейвлетов. Можно использовать ортогональные вейвлеты для разработки дискретного вейвлет-преобразования и неортогональные вейвлеты для непрерывного. Эти два вида преобразования обладают следующими свойствами:

1. 
   Дискретное вейвлет-преобразование возвращает вектор данных той же длины, что и входной. Обычно, даже в этом векторе многие данные почти равны нулю. Это соответствует факту, что он раскладывается на набор вейвлетов (функций), которые ортогональны к их параллельному переносу и масштабированию. Следовательно, мы раскладываем подобный сигнал на то же самое или меньшее число коэффициентов вейвлет-спектра, что и количество точек данных сигнала. Подобный вейвлет-спектр весьма хорош для обработки и сжатия сигналов, например, поскольку мы не получаем здесь избыточной информации.
   
2. 
   Непрерывное вейвлет-преобразование, напротив, возвращает массив на одно измерение больше входных данных. Для одномерных данных мы получаем изображение плоскости время-частота. Можно легко проследить изменение частот сигнала в течение длительности сигнала и сравнивать этот спектр со спектрами других сигналов. Поскольку здесь используется неортогональный набор вейвлетов, данные высоко коррелированы и обладают большой избыточностью. Это помогает видеть результат в более близком человеческому восприятию виде.
   

Список литературы