Создайте непрерывный банк фильтра преобразований вейвлета.

fb = cwtfilterbank

fb = 
  cwtfilterbank with properties:

      VoicesPerOctave: 10
              Wavelet: 'Morse'
    SamplingFrequency: 1
       SamplingPeriod: []
         PeriodLimits: []
         SignalLength: 1024
      FrequencyLimits: []
        TimeBandwidth: 60
    WaveletParameters: []
             Boundary: 'reflection'

Постройте частотную характеристику значения.

freqz(fb)

Создайте две синусоиды с частотами 16 и 64 Гц. Данные выбираются на уровне 1 000 Гц. Постройте сигнал.

Fs = 1e3;
t = 0:1/Fs:1-1/Fs;
x = cos(2*pi*64*t).*(t>=0.1 & t<0.3)+sin(2*pi*16*t).*(t>=0.5 & t<0.9);
plot(t,x)
title('Signal')

Создайте набор фильтров CWT для сигнала. Постройте частотные характеристики вейвлетов в наборе фильтров.

fb = cwtfilterbank('SignalLength',numel(t),'SamplingFrequency',Fs);
freqz(fb)
title('Frequency Responses — Morse (3,60) Wavelet')

Аналитический Морзе (3,60) вейвлет является вейвлетом по умолчанию в наборе фильтров. Вейвлет имеет продукт пропускной способности времени, равный 60. Создайте второй набор фильтров, идентичный первому набору фильтров, но вместо этого использует аналитического Морзе (3,5) вейвлет. Постройте частотные характеристики вейвлетов во втором наборе фильтров.

fb3x5 = cwtfilterbank('SignalLength',numel(t),'SamplingFrequency',Fs,...
    'TimeBandwidth',5);
figure
freqz(fb3x5)
title('Frequency Responses — Morse (3,5) Wavelet')

Заметьте, что частотные характеристики более широки, чем в первом наборе фильтров. Азбука Морзе (3,60) вейвлет лучше локализуется в частоте, чем Азбука Морзе (3,5) вейвлет. Примените каждый набор фильтров к сигналу и постройте получившийся scalograms. Заметьте, что у Азбуки Морзе (3,60) вейвлет есть лучшее разрешение частоты, чем Азбука Морзе (3,5) вейвлет.

figure
cwt(x,'FilterBank',fb)
title('Magnitude Scalogram — Morse (3,60)')

figure
cwt(x,'FilterBank',fb3x5)
title('Magnitude Scalogram — Morse (3,5)')

Этот пример показывает, что амплитуды колебательных компонентов в сигнале соглашаются с амплитудами соответствующих коэффициентов вейвлета.

Создайте сигнал, состоявший из двух синусоид с непересекающейся поддержкой вовремя. Одна синусоида имеет частоту 32 Гц и амплитуду, равную 1. Другая синусоида имеет частоту 64 Гц и амплитуду, равную 2. Сигнал выбирается в течение одной секунды на уровне 1 000 Гц. Постройте сигнал.

frq1 = 32;
amp1 = 1;
frq2 = 64;
amp2 = 2;

Fs = 1e3;
t = 0:1/Fs:1;
x = amp1*sin(2*pi*frq1*t).*(t>=0.1 & t<0.3)+amp2*sin(2*pi*frq2*t).*(t>0.6 & t<0.9);

plot(t,x)
grid on
xlabel('Time (sec)')
ylabel('Amplitude')
title('Signal')

Создайте набор фильтров CWT, который может быть применен к сигналу. Поскольку частоты компонента сигнала известны, установите пределы частоты набора фильтров к узкому диапазону, который включает известные частоты. Чтобы подтвердить область значений, постройте частотные характеристики значения для набора фильтров.

fb = cwtfilterbank('SignalLength',numel(x),'SamplingFrequency',Fs,...
    'FrequencyLimits',[20 100]);
figure
freqz(fb)

Используйте cwt и набор фильтров, чтобы построить scalogram сигнала.

figure
cwt(x,'FilterBank',fb)

Выполните этот скрипт и используйте Data Cursor, чтобы подтвердить, что амплитуды коэффициентов вейвлета чрезвычайно равны амплитудам синусоидальных компонентов.

Этот пример показывает, как отличаться параметр пропускной способности времени обобщенного вейвлета Морзе, чтобы аппроксимировать аналитический вейвлет Morlet.

Обобщенные вейвлеты Азбуки Морзе являются семейством точно аналитических вейвлетов. Вейвлеты азбуки Морзе имеют два параметра, симметрию и продукт пропускной способности времени. Можно отличаться эти параметры, чтобы получить аналитические вейвлеты с различными свойствами и поведениями. Для получения дополнительной информации смотрите Вейвлеты Азбуки Морзе и ссылки там.

Загрузите данные о сейсмографе, зарегистрированные во время 1 995 землетрясений Кобе. Данные являются сейсмографом (вертикальное ускорение, nm/sq.sec) измерения, зарегистрированные в Университете Тасмании, Хобарт, Австралия 16 января 1995, начинаясь в 20:56:51 (GMT) и продолжаясь в течение 51 минуты в 1 втором интервале. Создайте набор фильтров CWT с настройками по умолчанию, которые могут быть применены к данным. Используйте набор фильтров, чтобы сгенерировать scalogram.

load kobe
fb = cwtfilterbank('SignalLength',numel(kobe),'SamplingFrequency',1);
cwt(kobe,'FilterBank',fb)

Значение коэффициентов вейвлета является большим в частотном диапазоне от 10 МГц до 100 МГц. Создайте новый набор фильтров с предельным набором частоты к этим значениям. Сгенерируйте scalogram.

fb2 = cwtfilterbank('SignalLength',numel(kobe),'SamplingFrequency',1,...
    'FrequencyLimits',[1e-2 1e-1]);
cwt(kobe,'FilterBank',fb2)
title('Default (3,60) Morse')

По умолчанию cwtfilterbank использует (3,60) вейвлет Морзе. Создайте набор фильтров с помощью аналитического вейвлета Morlet с теми же пределами частоты. Сгенерируйте scalogram и сравните с scalogram, сгенерированным (3,60) вейвлет Морзе.

fbMorlet = cwtfilterbank('SignalLength',numel(kobe),'SamplingFrequency',1,...
    'FrequencyLimits',[1e-2 1e-1],...
    'Wavelet','amor');
cwt(kobe,'FilterBank',fbMorlet)
title('Analytic Morlet')

Вейвлет Morlet также не локализуется в частоте как (3,60) вейвлет Морзе. Однако путем варьирования продукта пропускной способности времени, можно создать вейвлет Морзе со свойствами, подобными вейвлету Morlet.

Создайте набор фильтров с помощью вейвлета Морзе со значением пропускной способности времени 30 [2] с пределами частоты как выше. Сгенерируйте scalogram данных о сейсмографе. Примечание там мажет в частоте, почти идентичной результатам Morlet.

fbMorse = cwtfilterbank('SignalLength',numel(kobe),'SamplingFrequency',1,...
    'FrequencyLimits',[1e-2 1e-1],...
    'TimeBandwidth',30);
cwt(kobe,'FilterBank',fbMorse)
title('(3,30) Morse')

Теперь исследуйте вейвлеты, сопоставленные с наборами фильтров fbMorse и fbMorlet. От обоих наборов фильтров получите частоты центра вейвлета, отфильтруйте частотные характеристики и вейвлеты временного интервала. Подтвердите, что центральные частоты почти идентичны.

cfMorlet = centerFrequencies(fbMorlet);
[frMorlet,fMorlet] = freqz(fbMorlet);
[wvMorlet,tMorlet] = wavelets(fbMorlet);
cfMorse = centerFrequencies(fbMorse);
[frMorse,fMorse] = freqz(fbMorse);
[wvMorse,tMorse] = wavelets(fbMorse);

disp(['Number of Center Frequencies: ',num2str(length(cfMorlet))]);

Number of Center Frequencies: 34

disp(['Maximum difference: ',num2str(max(abs(cfMorlet-cfMorse)))]);

Maximum difference: 2.7756e-17

Каждый набор фильтров содержит то же количество вейвлетов. Выберите центральную частоту и постройте частотную характеристику связанного фильтра от каждого набора фильтров. Подтвердите, что ответы почти идентичны.

wv = 13;
figure
plot(fMorlet,frMorlet(wv,:));
hold on
plot(fMorse,frMorse(wv,:));
grid on
title('Frequency Response')
xlabel('Frequency')
ylabel('Amplitude')
legend('Morlet','(3,30) Morse')

Постройте вейвлеты временного интервала, сопоставленные с той же центральной частотой. Подтвердите, что они почти идентичны.

figure
subplot(2,1,1)
plot(tMorlet,real(wvMorlet(wv,:)))
hold on
plot(tMorse,real(wvMorse(wv,:)))
grid on
title('Real')
legend('Morlet','(3,30) Morse')
xlim([-100 100])
subplot(2,1,2)
plot(tMorlet,imag(wvMorlet(wv,:)))
hold on
plot(tMorse,imag(wvMorse(wv,:)))
grid on
title('Imaginary')
legend('Morlet','(3,30) Morse')
xlim([-100 100])

Этот пример показывает что, увеличивая продукт пропускной способности времени $$P^2$$ из Морзе вейвлет создает вейвлет с большим количеством колебаний под его конвертом. При прочих равных условиях, увеличение $$P^2$$ делает вейвлет более локализованным частотой в результате.

Создайте два набора фильтров. Один набор фильтров имеет значение TimeBandwidth по умолчанию 60. Второй набор фильтров имеет значение TimeBandwidth 10. SignalLength для обоих наборов фильтров является 4 096 выборками.

sigLen = 4096;
fb60 = cwtfilterbank('SignalLength',sigLen);
fb10 = cwtfilterbank('SignalLength',sigLen,'TimeBandwidth',10);

Получите вейвлеты временного интервала для наборов фильтров.

[psi60,t] = wavelets(fb60);
[psi10,~] = wavelets(fb10);

Используйте функцию scales, чтобы найти родительский вейвлет для каждого набора фильтров.

sca60 = scales(fb60);
sca10 = scales(fb10);
[~,idx60] = min(abs(sca60-1));
[~,idx10] = min(abs(sca10-1));
m60 = psi60(idx60,:);
m10 = psi10(idx10,:);

Поскольку продукт пропускной способности времени больше для набора фильтров fb60, проверьте, что вейвлет m60 имеет больше колебаний под своим конвертом, чем вейвлет m10.

subplot(2,1,1)
plot(t,abs(m60))
grid on
hold on
plot(t,real(m60))
plot(t,imag(m60))
xlim([-30 30])
legend('abs(m60)','real(m60)','imag(m60)')
title('TimeBandwidth = 60')
subplot(2,1,2)
plot(t,abs(m10))
grid on
hold on
plot(t,real(m10))
plot(t,imag(m10))
xlim([-30 30])
legend('abs(m10)','real(m10)','imag(m10)')
title('TimeBandwidth = 10')

Выровняйте peaks m60 и частотных характеристик значения m10. Проверьте, что частотная характеристика вейвлета m60 является более узкой, чем частотная характеристика для вейвлета m10.

cf60 = centerFrequencies(fb60);
cf10 = centerFrequencies(fb10);

m60cFreq = cf60(idx60);
m10cFreq = cf10(idx10);

freqShift = 2*pi*(m60cFreq-m10cFreq);
x10 = m10.*exp(1j*freqShift*(-sigLen/2:sigLen/2-1));

figure
plot([abs(fft(m60)).' abs(fft(x10)).'])
grid on
legend('Time-bandwidth = 60','Time-bandwidth = 10')
title('Magnitude Frequency Responses')

Этот пример показывает, как использование набора фильтров CWT повышает вычислительную эффективность при взятии CWT нескольких временных рядов.

Загрузите данные о сейсмографе, зарегистрированные во время 1 995 землетрясений Кобе. Данные являются сейсмографом (вертикальное ускорение, nm/sq.sec) измерения, зарегистрированные в Университете Тасмании, Хобарт, Австралия 16 января 1995, начинаясь в 20:56:51 (GMT) и продолжаясь в течение 51 минуты в 1 втором интервале. Создайте набор фильтров CWT, который может быть применен к данным.

load kobe
fb = cwtfilterbank('SignalLength',numel(kobe),'SamplingFrequency',1);

Используйте cwt, функционируют и берут CWT данных 250 раз. Отобразите используемое прошедшее время.

num = 250;
tic;
for k=1:num
    cfs = cwt(kobe);
end
toc

Elapsed time is 6.551628 seconds.

Теперь используйте функцию объекта wt набора фильтров, чтобы взять CWT данных. Подтвердите, что использование набора фильтров быстрее.

tic;
for k=1:num
    cfs = wt(fb,kobe);
end
toc

Elapsed time is 3.782376 seconds.