Что такое вейвлет?

Вейвлет является формой волны эффективно ограниченной длительности, которая имеет среднее значение нуля и ненулевую норму.

Многие интересующие сигналы и изображения демонстрируют кусочно-плавное поведение, пунктуированное переходными процессами. Речевые сигналы характеризуются короткими пакетами, кодирующими согласные, за которыми следуют установившиеся колебания, указывающие на гласные. Натуральные изображения имеют ребра. Финансовые временные ряды демонстрируют переходное поведение, которое характеризует быстрый подъем и спад в экономических условиях. В отличие от базиса Фурье, вейвлеты основ имеют ограниченное представление кусочно-регулярных сигналов и изображений, которые включают переходное поведение.

Сравните вейвлеты с синусоидами, которые являются базисом анализа Фурье. Синусоиды не имеют ограниченной длительности - они простираются от минус до плюс бесконечности. В то время как синусоиды являются гладкими и предсказуемыми, вейвлеты, как правило, являются нерегулярными и асимметричными.

Анализ Фурье состоит из разбиения сигнала на синусоиды различных частот. Аналогично, вейвлет-анализ является разбиением сигнала на сдвинутые и масштабированные версии исходного (или материнского) вейвлета.

Просто глядя на фотографии вейвлетов и синусоид, вы можете интуитивно увидеть, что сигналы с резкими изменениями могут быть лучше проанализированы нерегулярным вейвлетом, чем с гладкой синусоидой.

Также имеет смысл, что локальные признаки могут быть описаны лучше с вейвлетами, которые имеют локальную протяженность. Следующий пример иллюстрирует это для простого сигнала, состоящего из синусоиды с разрывом.

Локализуйте прерывистость в Sine wave

Этот пример показывает, вейвлет анализ может локализовать разрыв в синусоиду.

Создайте 1-Hz синусоиду, отобранную с частотой дискретизации 100 Гц. Длительность синусоиды составляет одну секунду. Синусоида имеет разрыв в t=0.5 секунд.

t = linspace(0,1,100)';
x = sin(2*pi*t);
x1 = x-0.15;
y = zeros(size(x));
y(1:length(y)/2) = x(1:length(y)/2);
y(length(y)/2+1:end) = x1(length(y)/2+1:end);
stem(t,y,'markerfacecolor',[0 0 1]); 
xlabel('Seconds'); 
ylabel('Amplitude');

Figure contains an axes. The axes contains an object of type stem.

Получите неразрешённый дискретный вейвлет преобразование синусоиды с помощью 'sym2' вейвлет и постройте график коэффициентов вейвлет (детализация) вместе с исходным сигналом.

[swa,swd] = swt(y,1,'sym2');
subplot(211)
stem(t,y,'markerfacecolor',[0 0 1]); 
title('Original Signal');
subplot(212)
stem(t,swd,'markerfacecolor',[0 0 1]);
title('Level 1 Wavelet Coefficients');

Figure contains 2 axes. Axes 1 with title Original Signal contains an object of type stem. Axes 2 with title Level 1 Wavelet Coefficients contains an object of type stem.

Сравните величины коэффициентов Фурье для 1-Hz синусоиды с разрывом и без него.

dftsig = fft([x y]);
dftsig = dftsig(1:length(y)/2+1,:);
df = 100/length(y);
freq = 0:df:50;
stem(freq,abs(dftsig));
xlabel('Hz'); ylabel('Magnitude');
legend('sine wave','sine wave with discontinuity');

Figure contains 2 axes. Axes 1 with title Original Signal contains an object of type stem. Axes 2 contains 2 objects of type stem. These objects represent sine wave, sine wave with discontinuity.

Существует минимальное различие в величинах коэффициентов Фурье. Поскольку дискретные базисные векторы Фурье имеют поддержку на протяжении всего временного интервала, дискретное преобразование Фурье не обнаруживает разрыв так же эффективно, как вейвлет.

Сравните коэффициенты вейвлета уровня 1 для синусоиды с неоднородностью и без нее.

[swax,swdx] = swt(x,1,'sym2');
subplot(211)
stem(t,swd); title('Sine Wave with Discontinuity (Wavelet Coefficients)');
subplot(212)
stem(t,swdx); title('Sine Wave (Wavelet Coefficients)');

Figure contains 2 axes. Axes 1 with title Sine Wave with Discontinuity (Wavelet Coefficients) contains an object of type stem. Axes 2 with title Sine Wave (Wavelet Coefficients) contains an object of type stem.

Вейвлет двух сигналов демонстрируют значительное различие. Вейвлет часто способен выявить характеристики сигнала или изображения, которые другие методы анализа пропускают, такие как тренды, точки разрушения, разрывы в более высоких производных и самоподобие. Кроме того, поскольку вейвлеты обеспечивают другое представление данных, чем данные, представленные методами Фурье, вейвлет-анализ может часто значительно сжимать или обесценивать сигнал без заметного ухудшения.