ewt

Эмпирический вейвлет преобразовывает

    Описание

    пример

    mra = ewt(x) возвращает анализ мультиразрешения (MRA) компоненты, соответствующие эмпирическому вейвлету преобразовывает (EWT) xИспользование ewt анализировать сигналы с помощью адаптируемой схемы подразделения вейвлета, которая автоматически определяет эмпирический вейвлет и масштабирующиеся фильтры и сохраняет энергию.

    По умолчанию количество эмпирических фильтров вейвлета автоматически определяется путем идентификации peaks в степени мультизаострения спектральная оценка x.

    [mra,cfs] = ewt(x) возвращает аналитические коэффициенты EWT x.

    [mra,cfs,wfb] = ewt(x) возвращает эмпирический набор фильтров вейвлета, используемый в анализе x.

    пример

    [mra,cfs,wfb,info] = ewt(x) возвращается пик нормировал частоты, идентифицированные в x и аппроксимированные полосы пропускания частоты набора фильтров вейвлета.

    пример

    [___] = ewt(___,Name,Value) задает аргументы пары "имя-значение" использования дополнительных опций. Эти аргументы могут быть добавлены к любому из предыдущих входных синтаксисов. Например, 'MaxNumPeaks',5 указывает, что максимум пяти peaks раньше определял полосы пропускания фильтра EWT.

    ewt(___) без выходных аргументов строит исходный сигнал с эмпирическим вейвлетом MRA на том же рисунке. Для данных с комплексным знаком действительная часть построена в первом, раскрашивают матрицу последовательности цветов MATLAB®, и мнимая часть построена во втором цвете.

    Примеры

    свернуть все

    Загрузите и визуализируйте неустановившийся непрерывный сигнал, состоявший из синусоидальных волн с отличным изменением в частоте. Сигнал производится на уровне 250 Гц.

    fs = 250;
    load nonstatdistinct
    t = (0:length(nonstatdistinct)-1)/fs;
    plot(t,nonstatdistinct)
    xlabel('Time (s)')
    ylabel('Signal')
    axis tight

    Используйте ewt получить анализ мультиразрешения (MRA) сигнала.

    mra = ewt(nonstatdistinct);

    Используйте компоненты MRA с hht функционируйте и постройте Гильбертов спектр.

    hht(mra,fs)

    Частота по сравнению с графиком временной зависимости является разреженным графиком с вертикальной цветной полосой, указывающей на мгновенную энергию в каждой точке в MRA. График представляет мгновенный спектр частоты каждого компонента, анализируемого от исходного смешанного сигнала.

    Создайте неустановившийся непрерывный сигнал, состоявший из синусоидальных волн с отличным изменением в частоте. Сигнал производится на уровне 1 000 Гц.

    Fs = 1000;
    t = 0:1/Fs:4;
    x1 = sin(2*pi*50*t) + sin(2*pi*200*t);
    x2 = sin(2*pi*25*t) + sin(2*pi*100*t) + sin(2*pi*250*t);
    x = [x1 x2] + 0.1*randn(1,length(t)*2);
    t1 = (0:length(x)-1)/Fs;
    plot(t1,x)
    xlabel('Time (s)')
    ylabel('Amplitude')
    title('Signal')

    Используйте ewt и получите MRA сигнала. Отобразите нормированные пиковые частоты, идентифицированные в сигнале и аппроксимированных полосах пропускания частоты набора фильтров. Поскольку частоты находятся в циклах на выборку, нормируют на частоту дискретизации. Обратите внимание на то, что пиковые частоты соответствуют частотам синусоидальных волн.

    [mra,~,wfb,info] = ewt(x);
    Fs*info.PeakFrequencies
    ans = 5×1
    
      249.9375
      200.0750
      100.1000
       50.1125
       25.1187
    
    
    Fs*info.FilterBank.Passbands 
    ans = 5×2
    
      223.6941  500.0000
      141.5896  223.6941
       70.8573  141.5896
       35.4911   70.8573
             0   35.4911
    
    

    Постройте спектр величины сигнала и набор фильтров. Местоположения peaks определяют полосы пропускания фильтра.

    f = 0:Fs/length(x):Fs-1/length(x);
    plot(f,wfb)
    ylabel('Magnitude')
    grid on
    yyaxis right
    plot(f,abs(fft(x)),'k--','linewidth',1.5)
    ylabel('Magnitude')
    xlabel('Hz')

    Поскольку эмпирические вейвлеты формируют Parseval трудная система координат, аналитический набор фильтров равен набору фильтров синтеза. Поэтому обработка на квадрат величинам на каждой частоте, суммированной по фильтрам, равняется 1. Если бы сумма не была равна 1, совершенная реконструкция не была бы возможна.

    Загрузите сигнал ECG. Сигнал производится на уровне 180 Гц.

    load wecg

    Используйте ewt получить анализ мультиразрешения (MRA) сигнала и соответствующие аналитические коэффициенты. Используйте четыре самых больших peaks, чтобы определить полосы пропускания фильтра.

    mp = 4;
    [mra,cfs] = ewt(wecg,'MaxNumPeaks',mp);

    Постройте сигнал и компоненты MRA.

    fs = 180;
    subplot(mp+1,1,1)
    t = (0:length(wecg)-1)/fs;
    plot(t,wecg)
    title('MRA of Signal')
    ylabel('Signal')
    axis tight
    for k=1:mp
        subplot(mp+1,1,k+1)
        plot(t,mra(:,k))
        ylabel(['MRA ',num2str(k)])
        axis tight
    end
    xlabel('Time (s)')

    Проверьте, что подведение итогов компонентов MRA приводит к совершенной реконструкции сигнала.

    max(abs(wecg-sum(mra,2)))
    ans = 8.8818e-16
    

    Проверьте энергетическое сохранение аналитических коэффициентов EWT.

    cfsenergy = sum(sum(abs(cfs).^2));
    [cfsenergy norm(wecg,2)^2]
    ans = 1×2
    
      298.2759  298.2759
    
    

    Входные параметры

    свернуть все

    Входные данные в виде действительного - или комплексный вектор или как одно-переменное расписание, содержащее вектор отдельного столбца. x должен иметь по крайней мере две выборки.

    Типы данных: single | double
    Поддержка комплексного числа: Да

    Аргументы в виде пар имя-значение

    Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

    Пример: ewt(x,'MaxNumPeaks',5,'SegmentMethod','localmin') получает MRA x использование пяти самых больших peaks и первого локального минимума между смежным peaks.

    Пороговый процент максимального пика раньше определял который peaks сохранить в спектре мощности мультизаострения xВ виде вещественного числа в интервале (0, 100). Локальные максимумы в степени мультизаострения спектральная оценка x нормированы, чтобы находиться в диапазоне [0,1] с максимальным пиком, равным 1. Весь peaks со значениями, строго больше, чем PeakThresholdPercent из максимального пика сохраняются.

    Типы данных: single | double

    Метод сегментации раньше определял полосы пропускания фильтра EWT в виде:

    • 'geomean' — Геометрическое среднее значение смежного peaks

    • 'localmin' — Сначала локальный минимум между смежным peaks

    Если никакой локальный минимум не идентифицирован между смежным peaks, функция использует среднее геометрическое.

    Максимальное количество peaks раньше определяло полосы пропускания фильтра EWT. Если ewt находит меньше peaks, чем номер заданный в MaxNumPeaks, это использует максимальное количество доступного peaks. Если это не находит peaks, ewt использует уровень один набор фильтров дискретного вейвлета преобразовывает (DWT).

    Вы не можете задать оба MaxNumPeaks и PeakThresholdPercent.

    Типы данных: single | double

    Пропускная способность разрешения частоты степени мультизаострения спектральная оценка в виде вещественного числа, меньше чем или равного 0,25..

    Значение FrequencyResolution определяет, сколько заострений синуса используется в оценке спектра мощности мультизаострения. Пропускная способность степени мультизаострения синуса, которая спектральная оценка (K +1) / (N +1), где K является количеством заострений и N, является длиной сигнала. Минимальное значение FrequencyResolution 2.5/N, где N является максимумом длины сигнала и 64.

    Типы данных: single | double

    Логарифм логического спектра раньше определял пиковые частоты. Если LogSpectrum установлен в true, журнал спектра мощности мультизаострения используется. Рассмотрите установку LogSpectrum к true при использовании PeakThresholdPercent метод сегментации и существует доминирующая пиковая частота, которая значительно больше в величине, чем другой peaks.

    Выходные аргументы

    свернуть все

    Анализ мультиразрешения (MRA), возвращенный как матрица или расписание.

    • Когда x вектор, mra матрица, где каждый столбец хранит извлеченный компонент MRA.

      • Для x с действительным знаком, компоненты MRA упорядочены путем уменьшения центральных частот. Последний столбец в mra соответствует фильтру масштабирования lowpass.

      • Для x с комплексным знаком, компоненты MRA запускают рядом −½ циклы на выборку и уменьшение в центральной частоте, пока масштабные коэффициенты lowpass не получены. Частота затем увеличивается к + ½ цикла на выборку.

    • Когда x расписание, mra расписание с несколькими одной переменными, где каждая переменная хранит компонент MRA.

    Смотрите info массив структур для описания частоты ограничивает для эмпирического вейвлета и масштабирующихся фильтров.

    Если x имеет меньше чем 64 выборки, ewt работает над дополненной нулем версией x из длины 64. Компоненты MRA являются усеченными к исходной длине.

    Аналитические коэффициенты EWT, возвращенные как матрица. Если входные данные с действительным знаком, то cfs матрица с действительным знаком. В противном случае, cfs матрица с комплексным знаком. Каждый столбец cfs хранит аналитические коэффициенты EWT для соответствующего компонента MRA. Диапазоны частот аналитических коэффициентов идентичны упорядоченному расположению компонентов MRA. Если x имеет меньше чем 64 выборки, cfs содержит аналитические коэффициенты, полученные из дополненной нулем версии x.

    Типы данных: single | double

    Эмпирический набор фильтров вейвлета, возвращенный как матрица. Центральные частоты фильтров в wfb совпадайте с порядком в mra и cfs. Поскольку эмпирические вейвлеты формируют Parseval трудная система координат, аналитический набор фильтров равен набору фильтров синтеза. Поэтому подведение итогов компонентов MRA приводит к совершенной реконструкции сигнала.

    Типы данных: single | double

    Информация о наборе фильтров, возвращенная как структура со следующими полями:

    • PeakFrequencies — Пик нормировал частоты в циклах/выборке, идентифицированных в x как вектор-столбец. Для x с действительным знаком, частоты положительны в интервале (0, ½) в порядке убывания. Для x с комплексным знаком, частоты упорядочены от (−½, ½). Если PeakFrequencies isempty, ewt не нашел peaks, и используется одноуровневое подразделение дискретного вейвлета преобразовывает (DWT) по умолчанию.

    • FilterBank — Таблица с двумя переменными: MRAComponent и Passbands. MRAComponent индекс столбца компонента MRA в mra. Passbands L-by-2 матрица, где L является количеством компонентов MRA. Каждая строка Passbands аппроксимированная полоса пропускания частоты в циклах/выборке для соответствующего фильтра EWT и компонента MRA.

    Типы данных: single | double
    Поддержка комплексного числа: Да

    Ссылки

    [1] Жиль, Жером. “Эмпирическое Преобразование Вейвлета”. Транзакции IEEE на Обработке сигналов 61, № 16 (август 2013): 3999–4010. https://doi.org/10.1109/TSP.2013.2265222.

    [2] Жиль, Жером, Джиэнг Трэн и Стэнли Ошер. “2D Эмпирические Преобразования. Вейвлеты, Ridgelets и Пересмотренный Curvelets”. SIAM Journal при Обработке изображений Наук 7, № 1 (январь 2014): 157–86. https://doi.org/10.1137/130923774.

    [3] Жиль, Жером и Кэтрин Хил. “Подход Пробела Шкалы Без параметров, чтобы Найти, что Значимые Режимы в Гистограммах — Приложение Отображают и Сегментация Спектра”. Международный журнал Вейвлетов, Мультиразрешения и Обработки информации 12, № 06 (ноябрь 2014): 1450044. https://doi.org/10.1142/S0219691314500441.

    Расширенные возможности

    Введенный в R2020b
    Для просмотра документации необходимо авторизоваться на сайте