Вейвлет-анализ сигналов: от теории к практике
Покупка
Тематика:
Прикладная математика
Издательство:
Поволжский государственный технологический университет
Год издания: 2016
Кол-во страниц: 276
Дополнительно
Вид издания:
Учебное пособие
Уровень образования:
ВО - Бакалавриат
ISBN: 978-5-8158-1745-6
Артикул: 785925.01.99
Доступ онлайн
В корзину
В последние десятилетия оформилось новое научное направление, связанное с новейшей технологией обработки информации - вейвлет-преобразованиями сигналов. Область применения вейвлетных преобразований - анализ и обработка сигналов и функций, нестационарных во времени или неоднородных в пространстве. Вейвлеты широко применяются хля сжатия данных, для распознавания образов, при обработке и синтезе различных сигналов, например речевых, медицинских. д.ля изучения свойств турбулентных полей и во многих других случаях. Они легли в основу новых международных стандартов JPEG2000 и MPEG-4.
Теория и практика вейвлет-преобразования находится на стыке различных наук: математики, физики и т.д. В учебном пособии изложение ведется с позиций цифровой обработки сигналов. Работа является обобщением научно-технической литературы и состоит из восьми глав, приложений, списка литературы и аннотированного списка источников в Интернете.
Для студентов, аспирантов и научных сотрудников, занимающихся обработкой экспериментальных данных.
Тематика:
ББК:
УДК:
- 004: Информационные технологии. Вычислительная техника...
- 519: Комбинатор. анализ. Теория графов. Теория вер. и мат. стат. Вычисл. мат., числ. анализ. Мат. кибер..
ОКСО:
- ВО - Бакалавриат
- 01.03.01: Математика
- 01.03.02: Прикладная математика и информатика
- 01.03.03: Механика и математическое моделирование
- 01.03.04: Прикладная математика
- 02.03.01: Математика и компьютерные науки
- 02.03.02: Фундаментальная информатика и информационные технологии
- 02.03.03: Механика и математическое моделирование
ГРНТИ:
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов.
Для полноценной работы с документом, пожалуйста, перейдите в
ридер.
И. А. МАЛАШКЕВИЧ ВЕЙВЛЕТ-АНАЛИЗ СИГНАЛОВ ОТ ТЕОРИИ К ПРАКТИКЕ Учебное пособие Йошкар-Ола 2016
УДК 004.9 ББК 32.81 М 18 Рецензенты: зам. директора по науке Санкт-Петербургского филиала Института земного магнетизма, ионосферы и распространения радиоволн им. Н.В.Пушкова Российской академии наук, доктор технических наук, профессор А. Г. Коробейников; профессор кафедры ПБКС Санкт-Петербургского университета информационных технологий, механики и оптики, доктор технических наук, профессор В. Л. Ткалич; профессор кафедры математического и аппаратного обеспечения информационных систем Чувашского государственного университета им. И.Н.Ульянова, доктор технических наук, профессор Н. А. Галанина Печатается по решению редакционно-издательского совета ПГТУ Малашкевич, И. А. М 18 Вейвлет-анализ сигналов: от теории к практике: учебное посо- бие / И. А. Малашкевич. – Йошкар-Ола: Поволжский государ- ственный технологический университет, 2016. – 276 с. ISBN 978-5-8158-1745-6 В последние десятилетия оформилось новое научное направление, связанное с новейшей технологией обработки информации – вейвлет-преобразованиями сиг- налов. Область применения вейвлетных преобразований – анализ и обработка сиг- налов и функций, нестационарных во времени или неоднородных в пространстве. Вейвлеты широко применяются для сжатия данных, для распознавания образов, при обработке и синтезе различных сигналов, например речевых, медицинских, для изучения свойств турбулентных полей и во многих других случаях. Они легли в основу новых международных стандартов JPEG2000 и MPEG-4. Теория и практика вейвлет-преобразования находится на стыке различных наук: математики, физики и т.д. В учебном пособии изложение ведется с позиций цифровой обработки сигналов. Работа является обобщением научно-технической литературы и состоит из восьми глав, приложений, списка литературы и аннотиро- ванного списка источников в Интернете. Для студентов, аспирантов и научных сотрудников, занимающихся обработ- кой экспериментальных данных. УДК 004.9 ББК 32.81 ISBN 978-5-8158-1745-6 © Малашкевич И. А., 2016 © Поволжский государственный технологический университет, 2016
ПРЕДИСЛОВИЕ Замечательные свойства вейвлет-преобразования определяют по- стоянный интерес исследователей к его применению в самых разнооб- разных областях науки и техники, к поиску новых вейвлетов, наиболее соответствующих тому или иному классу задач, а также к разработке эффективных вычислительных методов расчета вейвлет-преобра- зования. В данном учебном пособии рассматрен вейвлет-анализ одномер- ных и двумерных сигналов как функции времени. Это сделано с целью упростить понимание методов вейвлет-анализа и достаточно для начального ознакомления с принципами вейвлет-преобразования. Тем не менее вейвлет-анализ может использоваться и для исследования многомерных данных и сигналов, например потокового видео. Нет никаких принципиальных ограничений также и для применения вейвлет-анализа к обработке любых многомерных данных. Целью написания данного учебного пособия является доступное для читателя с вузовской математической подготовкой изложение ос- нов теории вейвлет-преобразования и практического применения вейвлет-анализа. Теория и практика вейвлет-преобразования находит- ся на стыке различных наук: математики, физики и т.д. Автором предпринята попытка изложения материала с позиций цифровой обработки сигналов. Вводная часть учебного пособия посвящена неформальному изложению простых инженерных, технических идей, на которых основывается вейвлет-преобразование. В первой части представлены методы преобразования сигналов и, в частности, вейвлет-преобразования на самом простом для понимания уровне – без сложных математических формул. Такое представление идей вейвлет-преобразования может быть полезным для технических специалистов и студентов, впервые приступающих к изучению предмета, а также для прикладных специалистов, использующих методы вейвлет-анализа сигналов для решения своих специфических прикладных задач. В последующих частях эти технические идеи получат математическое описание, необходимое для построения эффективных вычислительных алгоритмов и их практической реализации. Изложенный мате-
риал полезен для технических специалистов в области вейвлет-анализа сигналов, разработчиков прикладных алгоритмов и исследователей, предполагающих специализироваться в этой области. Каждая часть работы завершается вопросами и упражнениями. Их назначение – контроль усвоения изучаемого материала и концентрация внимания на основных теоретических положениях вейвлет-анализа сигналов. Часть важных и интересных фактов предложена для самостоятельного доказательства и исследования. Впрочем, ответы на наиболее значимые для теории и практики вейвлет-преобразования вопросы, а также решения наиболее сложных упражнений можно найти в конце работы. В приложениях дан перечень математических свойств преобразования Фурье и Z-преобразования, сделана попытка составления справочника вейвлет-функций для непрерывного вейвлет-анализа, также приведены тексты программных модулей для вычисления непрерывного и дискретного вейвлет-преобразований, в том числе и с использованием лифтинговой схемы вычисления, а также листинги MathCAD для синтеза банков неразделимых двумерных вейвлет-фильтров.
ВВЕДЕНИЕ На протяжении всей жизни человек окружен сигналами, которые должны быть подвергнуты анализу. Окружающий нас мир наполнен сигналами, и в нем нет абсолютно изолированных систем (излучают сигналы даже черные дыры). Мозг человека выполняет анализ таких сигналов, как звуки, изображения, тактильные ощущения, нервные импульсы от внутренних органов, желез, мускулов и т.д. К сожалению, методы анализа, заложенные природой, остаются загадкой. Поэтому для анализа сигналов с помощью технических систем человеку приходится создавать собственные алгоритмы, возможно, уже реализованные природой. На технические системы возлагается анализ сигналов сейсмической активности, электромагнитных колебаний, данных медицинских исследований, финансовых данных, музыки, изображений, видеоданных и т.д. Результаты экспериментальных исследований также могут рассматриваться как сигналы, несущие информацию о физических свойствах исследуемых объектов природы. Эти данные нуждаются в эффективных алгоритмах кодирования, сжатия, очистки от шума, быстрого восстановления, исследования состава и поиска характерных черт и т.д. Разработаны различные методы анализа сигналов: классическое преобразование Фурье, различные линейные время-частотные преобразования, методы, основанные на моделях сигналов, а также нелинейные методы анализа. Особое место в ряду этих методов занимает вейвлет- преобразование, которое является сравнительно новым подходом и предоставляет целый ряд эффективных алгоритмов для решения пере- численных задач анализа и преобразования сигналов. Некоторые идеи теории вейвлетов появились очень давно. Еще в 1910 году А. Хаар опубликовал полную ортонормальную систему ба- зисных функций с локальной областью определения (теперь они назы- ваются вейвлетами Хаара). Однако термин «вейвлет» появился сравни- тельно недавно, его ввели А.Гроссман и Ж.Морле в середине 80-х го- дов. В последние десятилетия наблюдается бурный рост работ, посвя- щенных вейвлет-преобразованию. Чтобы убедиться в этом, достаточно указать слово «вейвлет» в качестве критерия поиска на любом поиско-
вом сайте Интернет и получить тысячи ссылок на электронные страни- цы, посвященные вейвлет-преобразованию. Идеи, сходные с вейвлет-анализом, появлялись в разных формах в различных областях исследований: субполосное кодирование, успешно применяемое при кодировании речи, пирамидальные схемы кодирова- ния изображений, преобразование и функции Габора (вейвлеты Габора). С возникновением и развитием обособленной теории вейвлетов про- изошло взаимное обогащение этих идей, что привело к качественно но- вым результатам. В настоящее время вейвлеты находят широкое применение: в си- стемах распознавания образов, синтезаторах речи, медицине, метеоро- логии. С их помощью выполняются анализ состояния и прогнозирова- ние ситуации на фондовых рынках. Они применяются для архивации больших объемов данных, для сжатия мультимедийных данных, в си- стемах передачи данных, при обучении нейросетей и во многих других случаях.
1. ОТ ПРЕОБРАЗОВАНИЯ ФУРЬЕ К ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЮ Результаты анализа разнообразных сигналов показывают, что они имеют составляющие, связанные с собственными колебаниями (мода- ми) исследуемых систем. Состав этих колебаний с течением времени может изменяться. Эти изменения могут происходить медленно или быстро. В первом случае сигнал имеет относительно стабильный состав, и его можно считать стационарным; во втором – нестационарным. Дру- гие классы сигналов обнаруживают признаки самоподобия. Такие сигналы можно представить как наложение множества сдвинутых разномасштабных копий одной и той же функции. Их называют также фрак- талами. Для исследования стационарных колебательных сигналов применяется гармонический анализ, или Фурье-анализ, – инструмент, позволяющий разделять различные моды в наблюдаемых процессах и изучать каждую из них отдельно. Математической основой гармонического анализа является преобразование Фурье (ряды Фурье для конечных во времени отрезков сигнала и интегралы Фурье для процессов, не ограниченных во времени, дискретное преобразование Фурье для дискретных процессов). Все необходимые свойства и формулы выражаются с помощью одной базисной функции exp(jωt), зависящей от времени t и частоты . Таким образом, преобразование Фурье разлагает произвольный процесс на элементарные гармонические колебания с различными частотами. Гармонические колебания широко распространены в природе (колебания маятников, струн и т.д.). Поэтому смысл преобразования Фурье интуитивно понятен без строгих математических доказательств. Например, сигнал ( ) cos(2 *10 ) cos(2 *25 ) (2 *50 ) f t t t t (2 *100 )t содержит колебания с частотами 10, 25, 50 и 100 Гц. На рис.1.1 пред- ставлена форма этого сигнала и его спектр Фурье, в котором хорошо видны четыре частотных компонента сигнала. Разработаны эффективные вычислительные процедуры (БПФ – «быстрое» преобразование Фурье) для нахождения Фурье-образа иссле- дуемых функций. С помощью Фурье-анализа получены впечатляющие результаты в различных областях науки и техники.
Важнейшим свойством спектра Фурье является то, что он отражает поведение функции f(t) в целом. Спектр Фурье наглядно демонстриру- ет лишь глобальные свойства сигналов. Однако из него трудно извлечь информацию о локальных особенностях – резких скачках, узких пиках, и т.п. Действительно, в результате преобразования Фурье полностью теряется временная информация. Когда рассматривается только область Рис. 1.1. Форма стационарного сигнала, содержащего 4 частотных компонента, и его спектр частот, невозможно определенно сказать, в какой момент времени воз- никает и существует тот или иной частотный компонент. Это обстоя- тельство не является существенным, если сигнал является стационар- ным, т.е. состав его частотных компонентов не изменяется во времени. Однако большинство реальных сигналов являются нестационарны- ми – их состав меняется с течением времени, в некоторые моменты вре- мени в сигналах появляются возмущения, меняется характер сигнала, возникают и завершаются изменения, отражающие протекание тех или иных процессов. Подобную структуру имеют речевые сигналы, видео- сигналы, а также множество других сигналов технических систем и объектов природы. Аналогичную нестационарность легко обнаружить и на статических изображениях, например фотографиях, как неравномер- ное чередование разноцветных контрастных участков. Часто эти осо- Время, мс Частота, Гц
бенности сигнала несут основную часть полезной информации, однако анализ Фурье неспособен их обнаружить и локализовать. Для подобного рода сигналов выводы, сделанные на основе преобразования Фурье, могут оказаться ошибочными, либо неполными. Причина этого кроется в строении базисных функций exp(jωt). Каждая из них «размазана» по всему интервалу времени наблюдения функции, поэтому результаты преобразования Фурье зависят от значений функции f(t) на всем ин- тервале наблюдения. Рис. 1.2. Форма нестационарного сигнала его спектр Фурье Время, мс Частота, Гц
На рис. 1.2 представлен сигнал с теми же частотными компонента- ми, что и в предыдущем примере, которые, однако, присутствуют в че- тырех разных интервалах времени. Интервал от 0 до 300 мс содержит синусоиду 100 Гц, 300-600 мс – 50 Гц, 600-800 мс – 25 Гц и интервал 800-1000 мс – 10 Гц. Такой сигнал уже будет нестационарным, так как его состав меняется с течением времени. Спектр этого сигнала, вычисленный методами преобразования Фурье, также представлен на рис. 1.2. Все четыре частотных компонен- та по-прежнему хорошо различимы, однако нет никакой информации о том, что они существуют в различные моменты времени. Одной из фундаментальных проблем анализа сигналов является определение состава его спектральных компонентов и интервалов вре- мени, в течение которых эти частоты присутствуют в составе сигнала. Наглядным примером такого представления сигнала является нотная запись (рис. 1.3). Рис. 1.3. Время-частотное представление в музыке Каждая нота определяет частоту тона и длительность его звучания. Классический анализ Фурье дает только частичное решение проблемы анализа сигналов, поскольку его результаты не содержат информации о распределении частотных компонентов во времени. Поэтому, например, музыкальное произведение нельзя записать с помощью спектра Фурье. Пытаясь преодолеть недостатки традиционного анализа Фурье, Деннис Габор (1946) применил преобразование Фурье для анализа только маленькой секции сигнала во времени – эта область времени называется окном. Метод Габора, называемый оконным преобразованием Фурье (STFT – Short Time Fourier Transform – кратковременное преобразование Фурье), преобразует сигнал в двумерную функцию времени и частоты. Принцип работы STFT иллюстрирует рис. 1.4: на сигнал накладывается окно и для секции сигнала, попавшей внутрь окна, вычисляется преобразование Фурье. Результаты откладываются на время-частотной плоскости и образуют один вертикальный ряд данных, расположение которого по оси времени совпадает с положением окна. Затем окно сдвигается и все вычисления повторяются, образуя на время-частотной
Доступ онлайн
В корзину