Veyvlet o'zgaruvchan algaritimlarini o'rganish statsionar bo'lganda juda yaxshi ishlaydi

from pywt import wavedec
from pylab import *
from numpy import *
x = linspace (0, 1, num = 2048)
y = sin (250 * pi * x**2)
st='sym5'
coeffs = wavedec(y, st, level=5)
subplot(2, 1, 1)
plot(coeffs[0],'b',linewidth=2, label='cA,level-5')
grid()
legend(loc='best')
subplot(2, 1, 2)
plot(coeffs[1],'r',linewidth=2, label='cD,level-5')
grid()
legend(loc='best')
show()

Natijada, biz oldingi misol bilan bir xil grafikalarni olamiz. CA va cD koeffitsientlarini alohida olish mumkin:

CA uchun:

import pywt
from pylab import *
from numpy import*
x = linspace (0, 1, num = 2048)
data = sin (250 * pi * x**2)
coefs=pywt.downcoef('a', data, 'db20', mode='symmetric', level=1)

CD uchun:

import pywt
from pylab import *
from numpy import*
x = linspace (0, 1, num = 2048)
data = sin (250 * pi * x**2)
coefs=pywt.downcoef('d', data, 'db20', mode='symmetric', level=1)

Банк фильтров

Konversiya darajalariga oid savollarning bir qismini avvalgi bo'limda ko'rib chiqdik. Biroq, DWT har doim yuqori chastotali va past chastotali filtrlar kaskadi sifatida filtrlar banki sifatida amalga oshiriladi. Filtr qutilari signalni bir nechta chastota pastki diapazonlariga ajratishning juda samarali usuli hisoblanadi.

Birinchi bosqichda signalning yuqori chastotali xatti-harakatlarini kichik miqyosda tahlil qilish. Ikkinchi bosqichda shkala ikkinchi koeffitsient bilan ortadi (chastota ikkinchi koeffitsient bilan kamayadi) va biz maksimal chastotaning taxminan yarmining xatti-harakatlarini tahlil qilamiz. Uchinchi bosqichda o'lchov omili to'rtga teng va biz maksimal chastotaning to'rtdan bir qismiga yaqin chastota xatti-harakatlarini tahlil qilamiz. Va bu biz maksimal parchalanish darajasiga yetguncha davom etadi.

Maksimal parchalanish darajasini pywt funktsiyasi yordamida hisoblash mumkin.wavedec (), dekompozitsiya va tafsilotlar quyidagicha bo'ladi:


Листинг

Biz olamiz:

Maksimal parchalanish darajasi: 7

Signal berilgan sym5 to'lqin uzunligi uchun filtr uzunligidan qisqaroq bo'lganda parchalanish to'xtaydi. Misol uchun, bizda 1000 Gts gacha chastotali signal bor deylik. Birinchi bosqichda biz signalimizni past chastotali va yuqori chastotali qismlarga ajratamiz, ya'ni 0-500 Gts va 500-1000 Gts. Ikkinchi bosqichda biz past chastotali qismni olamiz va uni yana ikki qismga ajratamiz: 0-250 Gts va 250-500 Gts. Uchinchi bosqichda biz 0-250 Gts qismini 0-125 Gts va 125-250 Gts qismlarga ajratdik. Bu maksimal parchalanish darajasiga yetguncha davom etadi.

Fft yordamida wav fayllarini tahlil qilish Furye va to'lqin skalogramlar

Tahlil qilish uchun WebSDR faylidan foydalanamiz. Scipy-dan triang yordamida berilgan signalni tahlil qilishni ko'rib chiqing.signal va diskret Furye konvertatsiyasini python-ga (scipy-dan fft.fftpack). Agar FFT ketma-ketligining uzunligi 2n bo'lmasa, u holda tez Furye konvertatsiyasi (fft) o'rniga diskret Furye konvertatsiyasi (dft) amalga oshiriladi. Bu jamoa shunday ishlaydi.

Quyidagi sxema bo'yicha Furye tez konversiya buferidan foydalanamiz(misol uchun raqamli ma'lumotlar):

fftbuffer=np.zeros (15); nol bilan to'ldirilgan bufer yarating;

fftbuffer [: 8]=x [7:]; signalning uchini buferning birinchi qismiga o'tkazing; fftbuffer [8:]=x [: 7] - signalning boshini buferning oxirgi qismiga o'tkazing; X=fft (fftbuffer — - konvertatsiyani ko'rib chiqing Signal qiymatlari bilan to'ldirilgan bufer Furye.

Faza spektrini ko'proq o'qish uchun fazani joylashtirish qo'llaniladi. Buning uchun fazaviy xarakteristikani hisoblash bilan chiziqni o'zgartiring: pX \ u003d np.unwrap(np.angle(X)).

Листинг для fft анализа фрагмента сигнала

Qiyosiy tahlil qilish uchun biz wavelet-dan Tree = pywt funktsiyasi yordamida tuzilishi mumkin bo'lgan skalogram yordamida foydalanamiz.wavedec(signal, 'coif5') в matplotlib.

Skalogram to'lqinining ro'yxati



Shunday qilib, skalogram chastotalarni vaqt o'tishi bilan taqsimlash haqidagi savolga batafsilroq javob beradi va tez Furye konvertatsiyasi chastota qiymatlari uchun javobgardir. Bularning barchasi, hatto bunday oddiy misol uchun ham vazifaga bog'liq.