Получите MODWTMRA простого сигнала timeseries и продемонстрировать идеальную реконструкцию.

Создайте сигнал timeseries

t = 1:10;
x = sin(2*pi*200*t);

Получите MODWT и MODWTMRA и суммируйте строки MODWTMRA.

m = modwt(x);
mra = modwtmra(m);
xrec = sum(mra);

Используйте максимум абсолютных значений, чтобы показать, что различие между исходным сигналом и реконструкцией чрезвычайно мала. Самое большое абсолютное значение находится в порядке $$10^{-25}$$, что демонстрирует идеальную реконструкцию.

max(abs(x-xrec))

ans = 5.5738e-25

Создайте MRA сигнала ECG до четвертого уровня с помощью db2 вейвлет. Данные взяты из Percival & Walden (2000), стр. 25 (данные первоначально предоставлены Уильямом Константином и Пером Рейнхоллом, Университет Вашингтона). Частота дискретизации для сигнала ЭКГ составляет 180 герц.

load wecg;
lev = 4;
wtecg = modwt(wecg,'db2',lev);
mra = modwtmra(wtecg,'db2');

Постройте график формы волны ЭКГ и MRA.

t = (0:numel(wecg)-1)/180;
subplot(6,1,1)
plot(t,wecg)
for kk = 2:lev+2
    subplot(6,1,kk)
    plot(t,mra(kk-1,:))
end
xlabel('Time (s)')
set(gcf,'Position',[0 0 500 700])

Создайте мультирезолюционный анализ для данных о индексе колебаний на юге. Период дискретизации - один день. Постройте график восьми деталей уровня, соответствующих шкале $$2^8$$ дней. Детали в этой шкале захватывают колебания в шкале приблизительно один год.

load soi
wtsoi = modwt(soi);
mrasoi = modwtmra(wtsoi);
plot(mrasoi(8,:))
title('Level 8 Details')

Получите MRA для данных обменного курса Deutsch Mark - U.S. Dollar с помощью минимального масштабирования полосы пропускания и вейвлет с четырьмя коэффициентами.

load DM_USD;
Lo = [0.4801755, 0.8372545, 0.2269312, -0.1301477];
Hi = qmf(Lo);
wdm = modwt(DM_USD,Lo,Hi);
mra = modwtmra(wdm,Lo,Hi);

Получите MRA для сигнала ECG с помощью 'reflection' обработка контуров. Данные взяты из Percival & Walden (2000), стр. 25 (данные первоначально предоставлены Уильямом Константином и Пером Рейнхоллом, Университет Вашингтона).

load wecg;
wtecg = modwt(wecg,'reflection');
mra = modwtmra(wtecg,'reflection');

Показать, что количество столбцов в MRA равно количеству элементов в исходном сигнале.

isequal(size(mra,2),numel(wecg))

ans = logical
   1

Загрузите 23-канальные данные EEG Espiga3 [3]. Каналы расположены столбчато. Данные отбираются с частотой дискретизации 200 Гц.

load Espiga3

Получите MRA мультисигнала.

w = modwt(Espiga3);
mra = modwtmra(w);

Этот пример демонстрирует различия между функциями MODWT и MODWTMRA. MODWT разбивает энергию сигнала на коэффициенты детализации и коэффициенты масштабирования. MODWTMRA проецирует сигнал на вейвлет подпространства и масштабирующий подпространство.

Выберите sym6 вейвлет. Загрузите и постройте график сигнала электрокардиограммы (ЭКГ). Частота дискретизации для сигнала ЭКГ составляет 180 герц. Данные взяты из Percival and Walden (2000), p.125 (данные первоначально предоставлены Уильямом Константином и Пером Рейнхоллом, Университет Вашингтона).

load wecg
t = (0:numel(wecg)-1)/180;
wv = 'sym6';
plot(t,wecg)
grid on
title(['Signal Length = ',num2str(numel(wecg))])
xlabel('Time (s)')
ylabel('Amplitude')

Возьмите MODWT сигнала.

wtecg = modwt(wecg,wv);

Входные данные являются выборками функции $$f(x)$$ оценивается в $$N$$-many time points. Функция может быть выражена как линейная комбинация функции масштабирования $$\varphi (x)$$ и вейвлет $$\psi (x)$$в меняющихся шкалах и переводах: $$f(x)=\sum _{k=0}^{N-1}{c}_k{2}^{-J_0/2}\varphi (2^{-J_0}x-k)+\sum _{j=1}^{J_0}{f}_j(x)$$ где $$f_j(x)=\sum _{k=0}^{N-1}{d}_{j,k}{2}^{-j/2}\psi (2^{-j}x-k)$$ и $$J_0$$ - количество уровней разложения вейвлета. Первая сумма является грубой шкалой сигнала, и $$f_j(x)$$ являются деталями в последовательных шкалах. MODWT возвращает $$N$$-мерные коэффициенты $$\{c_k\}$$и $$(J_0\times N)$$-many detail коэффициенты $$\{d_{j,k}\}$$ расширения. Каждая строка в wtecg содержит коэффициенты в другой шкале.

При приеме MODWT сигнала длины $$N$$, есть $$\text{floor}({\log }_2(N))$$-many уровни разложения (по умолчанию). Коэффициенты детализации формируются на каждом уровне. Коэффициенты масштабирования возвращаются только для конечного уровня. В этом примере, с $$N=2048$$, $$J_0=\text{пол}(\log 2(2048))=11$$ и количество строк в wtecg является $$J_0+1=11+1=12$$.

MODWT разбивает энергию на различные шкалы и коэффициенты масштабирования: $${||X||}^2=\sum _{j=1}^{J_0}{||W_j||}^2+{||V_{J_0}||}^2$$ где $$X$$ - входные данные, $$W_j$$ являются коэффициентами детализации в шкале $$j$$, и $$V_{J_0}$$ являются коэффициентами масштабирования конечного уровня.

Вычислите энергию в каждой шкале и оцените их сумму.

energy_by_scales = sum(wtecg.^2,2);
Levels = {'D1';'D2';'D3';'D4';'D5';'D6';'D7';'D8';'D9';'D10';'D11';'A11'};
energy_table = table(Levels,energy_by_scales);
disp(energy_table)

    Levels     energy_by_scales
    _______    ________________

    {'D1' }         14.063     
    {'D2' }         20.612     
    {'D3' }         37.716     
    {'D4' }         25.123     
    {'D5' }         17.437     
    {'D6' }         8.9852     
    {'D7' }         1.2906     
    {'D8' }         4.7278     
    {'D9' }         12.205     
    {'D10'}         76.428     
    {'D11'}         76.268     
    {'A11'}         3.4192     

energy_total = varfun(@sum,energy_table(:,2))

energy_total=table
    sum_energy_by_scales
    ____________________

           298.28       

Подтвердите, что MODWT сохраняет энергию, вычисляя энергию сигнала и сравнивая его с суммой энергий по всем шкалам.

energy_ecg = sum(wecg.^2);
max(abs(energy_total.sum_energy_by_scales-energy_ecg))

ans = 7.4402e-10

Возьмите MODWTMRA сигнала.

mraecg = modwtmra(wtecg,wv);

MODWTMRA возвращает проекции функции $$f(x)$$ на различные подпространства вейвлета и конечное пространство масштабирования. То есть MODWTMRA возвращается $$\sum _{k=0}^{N-1}{c}_k{2}^{-J_0/2}\varphi (2^{-J_0}x-k)$$и $$J_0$$- многие $$\{f_j(x)\}$$оценивается в $$N$$-many time points. Каждая строка в mraecg является проекцией $$f(x)$$ в другой подпространство. Это означает, что исходный сигнал может быть восстановлен путем добавления всех проекций. Это не соответствует действительности в случае MODWT. Добавление коэффициентов в wtecg не восстанавливает исходный сигнал.

Выберите временной точкой, добавьте проекции $$f(x)$$ оценивают в этот момент времени и сравнивают с исходным сигналом.

time_point = 1000;
abs(sum(mraecg(:,time_point))-wecg(time_point))

ans = 3.0846e-13

Подтвердите, что, в отличие от MODWT, MODWTMRA не является энергосберегающим преобразованием.

energy_ecg = sum(wecg.^2);
energy_mra_scales = sum(mraecg.^2,2);
energy_mra = sum(energy_mra_scales);
max(abs(energy_mra-energy_ecg))

ans = 115.7053

MODWTMRA является нулевой фазовой фильтрацией сигнала. Функции будут выровнены по времени. Продемонстрировать это путем построения графика исходного сигнала и одной из его проекций. Чтобы лучше проиллюстрировать выравнивание, увеличьте изображение.

plot(t,wecg,'b')
hold on
plot(t,mraecg(4,:),'-')
hold off
grid on
xlim([4 8])
legend('Signal','Projection','Location','northwest')
xlabel('Time (s)')
ylabel('Amplitude')

Сделайте аналогичный график, используя коэффициенты MODWT в той же шкале. Обратите внимание, что функции не будут выровнены по времени. MODWT не является нулевой фазой фильтрации входов.

plot(t,wecg,'b')
hold on
plot(t,wtecg(4,:),'-')
hold off
grid on
xlim([4 8])
legend('Signal','Coefficients','Location','northwest')
xlabel('Time (s)')
ylabel('Amplitude')