Максимумы преобразования Вейвлета
[___] = wtmm(
использует только шкалы, большие или равные x
,'MinRegressionScale',scale)scale
для оценки глобальной экспоненты Держателя. Этот синтаксис может включать любой из выходных аргументов, используемых в предыдущих синтаксисах.
[
также возвращает мультиразрешение функции структуры hexp
,tauq
,structfunc
]
= wtmm(___)structfunc
, для глобальной оценки экспоненты Держателя. Этот синтаксис может включать любой из входных параметров, используемых в предыдущих синтаксисах.
wtmm(___,'ScalingExponent','local')
без выходных аргументов строит графики вейвлета maxima линий в текущую фигуру. Оценки локальных экспонентов держателя отображаются в таблице справа от графика.
[___] = wtmm(___,
возвращает экспоненту Holder и другие заданные выходы с дополнительными опциями, заданными одним или несколькими Name,Value
)Name,Value
аргументы в виде пар.
Алгоритм WTMM находит особенности в сигнале путем определения максимумов. Алгоритм сначала вычисляет непрерывное вейвлет-преобразование, используя вторую производную Гауссова вейвлета с 10 голосами на октаву. Вейвлет, который удовлетворяет этим критериям, это мексиканская шляпа, или Рикер, вейвлет. Затем алгоритм определяет максимумы модуля для каждой шкалы. WTMM предназначен для использования с большими наборами данных, чтобы было доступно достаточно выборок, чтобы точно определить максимумы.
Определение максимума модуля в x0 точек и s0 шкалы
где x находится в правом или левом районе x0. Когда x находится в противоположном районе x0, определение является
. Алгоритм для нахождения дополнительных максимумов повторяется для значений в этой шкале. Затем алгоритм переходит вверх через более мелкие шкалы, проверяя, выравниваются ли максимумы между шкалами. Если максимум сходится к самой мелкой шкале, это истинный максимум и указывает особенность в этой точке.
Когда каждая особенность определяется, алгоритм затем оценивает свою экспоненту Держателя. Экспоненты-держатели указывают степень дифференцируемости для каждой особенности, которая классифицирует силу особенности. Экспонента Держателя, меньшая или равная 0, указывает на разрыв в этом месте. Экспоненты держателя, большие или равные 1, указывают, что сигнал дифференцируемый в этом месте. Значения держателя от 0 до 1 указывают на непрерывное, но не дифференцируемое расположение. Они указывают, насколько близок сигнал на этой выборке, чтобы быть дифференцируемым. Экспоненты держателя, близкие к 0, указывают на местоположения сигналов, которые менее дифференцируемы, чем местоположения с экспонентами ближе к 1. Сигнал более плавен в местах с более высокими локальными экспонентами Holder.
Для сигналов с несколькими cusp-подобными особенностями и экспонентами Держателя, которые имеют большие изменения, вы задаете алгоритм, чтобы вернуть локальные экспоненты Держателя, которые обеспечивают отдельные значения для каждой особенности. Для сигналов с многочисленными экспонентами Держателя, которые имеют относительно небольшие изменения, вы задаете алгоритм, чтобы вернуть глобальную экспоненту Держателя. Глобальный показатель Держателя применяется ко всему сигналу. Для сигналов с многими особенностями можно уменьшить количество найденных максимумов, ограничив алгоритм началом или регрессом до определенной минимальной или максимальной шкалы, соответственно. Подробную информацию о WTMM см. в разделах [1] и [3].
[1] Mallat, S., and W. L. Hwang. «Особенность обнаружение и обработка с Вейвлетами». Транзакции IEEE по теории информации. Том 38, № 2, март 1992, стр. 617-643.
[2] Вендт, Х. и П. Эбри. «Многофракциональные тесты с использованием Bootstrapped Wavelet Leaders». Транзакции IEEE на. Обработка сигналов. Том 55, № 10, 2007, стр. 4811-4820.
[3] Арнеодо, А., Б. Аудит, Н. Декостер, Ж.-Ф. Музи и К. Вайянт. «Многофракторный формализм на основе вейвлетов: применение к последовательностям ДНК, спутниковые изображения структуры облака и данные фондового рынка». Наука о бедствиях: нарушения климата, сердечные приступы и крахи рынка. Bunde, A., J. Kropp, and H. J. Schellnhuber, Eds. 2002, стр 26–102.