Exponenta Banner

mswcmptp

Пороги сжатия мультисигнала 1-D и эффективность

свернуть все на странице

Синтаксис

[THR_VAL,L2_Perf,N0_Perf] = mswcmptp(DEC,METH)
[THR_VAL,L2_Perf,N0_Perf] = mswcmptp(DEC,METH,PARAM)

Описание

[THR_VAL,L2_Perf,N0_Perf] = mswcmptp(DEC,METH) или [THR_VAL,L2_Perf,N0_Perf] = mswcmptp(DEC,METH,PARAM) вычисляет векторы THR_VAL, L2_Perf и N0_Perf полученный после сжатия с помощью METH метод и при необходимости PARAM параметр (см. mswcmp для получения дополнительной информации о METH и PARAM).

Для i-ого сигнала:

  • THR_VAL(i) порог, применился к коэффициентам вейвлета. Для зависимого метода уровня, THR_VAL(i,j) порог, применился к коэффициентам детали на уровне j

  • L2_Perf(i) процент энергии (L2_norm), сохраненный после сжатия.

  • N0_Perf(i) процент нулей, полученных после сжатия.

Можно использовать еще три дополнительных входных параметров:

[...] = mswcmptp(...,S_OR_H,KEEPAPP,IDXSIG)

  • S_OR_H ('s' or 'h') обозначает мягкую или трудную пороговую обработку (см. mswthresh для получения дополнительной информации).

  • KEEPAPP (true or false) указывает, сохранить ли коэффициенты приближения (true) или не (false)

  • IDXSIG вектор, который содержит индексы начальных сигналов или 'all'.

Значениями по умолчанию является, соответственно, 'h', ложь и 'all'.

Примеры

свернуть все

Скрипт Open Live Script

Загрузите 23 канала данные EEG Espiga3 [4]. Каналы располагаются по столбцам. Данные производятся на уровне 200 Гц.

load Espiga3

Выполните разложение на уровне 2 с помощью db2 вейвлет.

dec = mdwtdec('c',Espiga3,2,'db2')
dec = struct with fields:
        dirDec: 'c'
         level: 2
         wname: 'db2'
    dwtFilters: [1x1 struct]
       dwtEXTM: 'sym'
      dwtShift: 0
      dataSize: [995 23]
            ca: [251x23 double]
            cd: {[499x23 double]  [251x23 double]}

Вычислите пороги сжатия и точную эффективность, полученную после сжатия с помощью метода 'N0_perf' и требование процента нулей около 95% для коэффициентов вейвлета.

[THR_VAL,L2_Perf,N0_Perf] = mswcmptp(dec,'N0_perf',95);

Ссылки

[1] Daubechies, я. Десять лекций по вейвлетам, CBMS-NSF региональный ряд конференции в прикладной математике. Филадельфия, усилитель мощности (УМ): SIAM Эд, 1992.

[2] Mallat, S. G. “Теория для Разложения Сигнала Мультиразрешения: Представление Вейвлета”, Транзакции IEEE согласно Анализу Шаблона и Искусственному интеллекту. Издание 11, Выпуск 7, июль 1989, стр 674–693.

[3] Мейер, Y. Вейвлеты и операторы. Переведенный Д. Х. Сэлинджером. Кембридж, Великобритания: Издательство Кембриджского университета, 1995.

[4] Мезаструктура, Гектор. “Адаптированные Вейвлеты для Обнаружения Шаблона”. Происходящий в Распознавании образов, Анализе изображения и Приложениях, отредактированных Альберто Санфелиу и Мануелем Лазо Кортесом, 3773:933–44. Берлин, Гейдельберг: Спрингер Берлин Гейдельберг, 2005. https://doi.org/10.1007/11578079_96.

Смотрите также

| | |

Представленный в R2007a

Документация Wavelet Toolbox

Поддержка