Exponenta Banner
exponenta event banner

wmpdictionary

Словарь для поиска соответствия

свернуть все на странице

Синтаксис

MPDICT = wmpdictionary(N)
[MPDICT,NBVECT] = wmpdictionary(N)
[MPDICT,NBVECT]= wmpdictionary(N,Name,Value)
[MPDICT,NBVECT,LST] = wmpdictionary(N,Name,Value)
[MPDICT,NBVECT,LST,LONGS] = wmpdictionary(N,Name,Value)

Описание

MPDICT = wmpdictionary(N) возвращает словарь N-by-P, MPDICT, для подсловарей по умолчанию {{'sym4',5},{'wpsym4',5},'dct','sin'}. Размер столбца MPDICT зависит от N.

[MPDICT,NBVECT] = wmpdictionary(N) возвращает вектор строки, NBVECT, который содержит число векторов в каждом субдикционере. Порядок элементов в NBVECT соответствует порядку подсловарей и любых добавленных или добавленных подсловарей. Сумма элементов в NBVECT - размер столбца MPDICT.

[MPDICT,NBVECT]= wmpdictionary(N,Name,Value) возвращает словарь, MPDICT, используя дополнительные параметры, указанные одним или несколькими Name,Value аргументы пары.

[MPDICT,NBVECT,LST] = wmpdictionary(N,Name,Value) возвращает массив ячеек, LST, с описанием подсловарей.

[MPDICT,NBVECT,LST,LONGS] = wmpdictionary(N,Name,Value) возвращает массив ячеек, LONGS, содержащий число векторов в каждом субдикционере. LONGS полезен только для вейвлет-субсловарей. В вейвлет-подсловарях соответствующий элемент в LONGS дает количество функций масштабирования на самом крупном уровне и вейвлет-функций по уровню. Пример использования см. в разделе Визуализация словаря Haar Vavelet LONGS.

Входные аргументы

N

Положительное целое число, равное длине входного сигнала. Атомы словаря сконструированы так, чтобы иметь N элементы. N равняется размерности строки словаря, MPDICT.

Аргументы пары «имя-значение»

Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.

'addbeg'

Предвоенный субдикционный. Предопределенный субдикционер представляет собой матрицу N-на-М, где N - длина входного сигнала. wmpdictionary не проверяет, являются ли векторы М-столбцов словаря с добавленным номером основой. Если не указано значение для lstcpt, субдикционер предшествует словарю по умолчанию. Векторы столбцов в предустановленном субдикционе не обязательно должны быть единицей измерения.

'addend'

Прилагается субдикционный. Добавленный субдикционер представляет собой матрицу N-на-М, где N - длина входного сигнала. wmpdictionary не проверяет, являются ли векторы М-столбцов словаря с добавленным номером основой. Если не указано значение для lstcpt, субдикционер добавляется к словарю по умолчанию. Векторы столбцов в добавленном подразделе не обязательно должны быть единицей измерения.

'lstcpt'

Массив ячеек с допустимыми подсловарями. Каждый массив ячеек описывает один субдикционер. Допустимыми подсловарями являются:

  • Допустимое краткое имя семейства вейвлетов Vavelet Toolbox™ ортогональный или биортогональный вейвлет с количеством моментов исчезновения и необязательным уровнем разложения и режимом расширения. Например, {'sym4',5} обозначает наименее асимметричный вейвлет Daubechies с 4 моментами исчезновения на уровне 5 и режимом расширения по умолчанию 'per'. Если необязательный уровень и режим расширения не заданы, по умолчанию устанавливается уровень разложения 5, а режим расширения - 'per'.

  • Допустимое ортогональное или биортогональное краткое имя семейства вейвлетов Wavelet Toolbox, которому предшествует wp с количеством моментов исчезновения и необязательным уровнем разложения и режимом расширения. Например, {'wpsym4',5} обозначает наименее асимметричный вейвлет-пакет Daubechies с 4 моментами исчезновения на уровне 5. Если необязательный уровень и режим расширения не заданы, по умолчанию устанавливается уровень разложения 5, а режим расширения - 'per'.

  • 'dct' Дискретное косинусное преобразование - II базис. Ортонормированный базис DCT-II представляет собой:

    β k (n) = {1Nk = 02Ncos (δN (n + 12) k) k = 1,2,..., N − 1

  • 'sin' Синус субдикционный. Sine subdictionary является

    β k (t) = sin (2ākt) k = 1,2,... ⌈ N2 ⌉ 0≤t≤1

    где t - линейно разнесенный N-точечный вектор.

  • 'cos' Косинусный субдикционный. Субдикционал косинусов

    β k (t) = cos (2ākt) k = 1,2,... ⌈ N2 ⌉ 0≤t≤1

    где t - линейно разнесенный N-точечный вектор.

  • 'poly' Многочлен субдикционный. Полиномиальным субдикционером является:

    pn (t) = tn − 1 n = 1,2,... 20 0≤t≤1

    где t - линейно разнесенный N-точечный вектор.

  • 'RnIdent' Сдвинутый дельта-субдицион Кронекера. Сдвинутый субдикционал дельты Кронекера:

    β k (n) = δ (n − k) k = 0,1,... N

По умолчанию: {{'sym4',5},{'wpsym4',5},'dct','sin'}

Выходные аргументы

MPDICT

Совпадающий словарь преследования. MPDICT - матрица N-за-P с размерностью строки, N, равной длине входного сигнала. Размер столбца матрицы зависит от размера объединенных подсловарей.

NBVECT

Количество векторов в подсловарях. NBVECT - вектор строки, содержащий число элементов в каждом субдикционере. Порядок элементов в NBVECT соответствует порядку подсловарей и любых добавленных или добавленных подсловарей.

LST

Массив ячеек, описывающий словарь. LST - 1-by-N массив ячеек, где N - количество подсловарей. Каждый элемент массива ячеек содержит описание субдикционера. При указании добавленного или добавленного субдикционала первый элемент LST является 'AddBeg' или 'AddEnd'. Если указать уровень для вейвлет или вейвлет-пакета, соответствующий элемент LST - массив ячеек 1 на 2, содержащий имя вейвлет или вейвлет-пакета в первом элементе и уровень во втором элементе.

LONGS

Массив ячеек, содержащий количество элементов для каждого субдикционера. LONGS полезен только для вейвлет-субсловарей. При указании вейвлет-субдикционала соответствующий элемент LONGS обеспечивает количество функций масштабирования на самом крупном уровне и количество вейвлетов на каждом уровне. Пример использования см. в разделе Визуализация словаря Haar Vavelet LONGS.

Примеры

свернуть все

Открыть сценарий в реальном времени

Создайте словарь по умолчанию для представления сигнала длиной 100. 

mpdict = wmpdictionary(100);
Открыть сценарий в реальном времени

Создайте DCT и сдвинутый дельта-словарь Кронекера для представления сигнала длиной 100. 

mpdict = wmpdictionary(100,'lstcpt',{'dct','RnIdent'});
Открыть сценарий в реальном времени

Создайте вейвлет-пакет Haar (уровень 2) и словарь DCT. Возвращает количество атомов в каждом подразделе. 

[mpdict,nbvect] = wmpdictionary(100,'lstcpt',{{'wphaar',2},'dct'});
Открыть сценарий

Используйте longs выходной аргумент для визуализации словаря. Создайте вейвлет-словарь Хаара, состоящий из функций масштабирования уровня 2 и вейвлет-функций уровня 1 и уровня 2. Пошаговый график транслированных функций масштабирования и вейвлетов по уровням.

[mpdict,~,~,longs] = wmpdictionary(100,'lstcpt',{{'haar',2}});

for nn = 1:size(mpdict,2)
    if (nn<=longs{1}(1))
        plot(mpdict(:,nn),'k','linewidth',2)
        grid on
        xlabel('Translation')
        title('Haar Scaling Function - Level 2')
    elseif (nn>longs{1}(1) && nn<=longs{1}(1)+longs{1}(2))
        plot(mpdict(:,nn),'r','linewidth',2)
        grid on
        xlabel('Translation')
        title('Haar Wavelet - Level 2')
    else
        plot(mpdict(:,nn),'b','linewidth',2)
        grid on
        xlabel('Translation')
        title('Haar Wavelet - Level 1')
    end
    pause(0.2)
end

Эта анимация бесконечно циклически просматривает все создаваемые графики.

Подробнее

свернуть все

Совпадающая погоня

Поиск совпадения относится к ряду жадных или слабожадных алгоритмов для вычисления адаптивного нелинейного расширения сигнала в словаре. В большинстве приложений поиска совпадений словарь является слишком полным набором векторов. Элементы словаря называются атомами и обычно конструируются так, чтобы иметь определенные свойства времени/частоты или времени/масштаба. Поиск соответствия принимает NP-трудную задачу нахождения лучшего нелинейного расширения в словаре и реализует его в энергосберегающей формулировке, которая гарантирует сходимость. Дополнительные сведения см. в разделе Алгоритмы поиска соответствия.

Ссылки

[1] Cai, T.T. и L. Wang «Поиск ортогонального согласования для восстановления разреженного сигнала с шумом». IEEE ® Transactions on Information Theory, том 57, 7, 4680-4688, 2011.

[2] Донохо, Д., М. Элад и В. Темляков «Стабильное восстановление разреженных избыточных представлений при наличии шума». IEEE Transactions on Information Theory, 52,1, 6-18, 2004.

[3] Маллат, С. и З. Чжан «Согласование занятий с частотно-временными словарями». Транзакции IEEE по обработке сигналов, том 41, 12, 3397-3415, 1993

[4] Тропп, J.A. «Жадность хороша: алгоритмические результаты для разреженной аппроксимации». IEEE Transactions on Information Theory, 50, pp. 2231-2242, 2004.

См. также

|

Темы

Представлен в R2012a

Документация инструментария вейвлет

Поддержка