Tech Tuesday 22-5-31 小波分析在信号特征提取中的应用(1)
Tech Tuesday 22-5-31
文献阅读报告(1)——小波分析在信号特征提取中的应用
原文下载链接点击此处
About Tech Tuesday
LeBron James有Taco Tuesday,专门吃Taco的;F1也有个Tech Tuesday的专栏,专门分析各车队的黑科技;那George翟也搞一个Tech Tuesday吧(以下简称TT),怎加点学术气息不然都不好意思所自己学数学。这篇文章作为TT的第一期,无论现在还是以后,TT旨在加强自己的文献阅读能力,了解学科前沿或者一些自己觉得有意思的东西,提升自己的学术研究水平。尽量做到周二更新。
文章目录
- 文献阅读报告(1)——小波分析在信号特征提取中的应用
- 0 引言
- 1 小波简介
- 2 小波变换的基础理论
- 2.1 连续小波变换
- 2.1.1 连续小波变换定义
- 2.1.2 连续小波变换的性质
- 2.2 离散小波变换
- 2.2.1 离散小波变换定义
- 2.2.2 Mallat算法
- 2.3 小波包分析
- 2.4 几种常见的小波函数
- 本期结语
0 引言
本学期选修了杨建斌老师的小波分析。作为应用数学data science中一个重要的分支,小波分析在信号处理,图像处理等方面有着极广的应用。同时与之有极大相关性的就是Fourier分析,这个在后几期的TT会在做介绍。那就先从基础的来吧,小波分析在信号特征提取中的应用,here we go!
1 小波简介
小波变换,小波分析的发展历史我就不过多介绍了,网络上随便搜搜都比我介绍的清楚。不过要记住一个人:Jean Morlet——小波的爹。传统信号分析都是建立在Fourier变换的基础上,但Fourier分析使用的是一种全局变换,要么完全在时域要么完全频域,无法表述局部性质(非平稳信号最根本最关键的性质)。小波作为一种时频分析的工具,在时频域上都有表征信号局部特征的能力。简单来说,Fourier分析全局,小波分析局部。
2 小波变换的基础理论
这边结合此篇论文和杨建斌老师的教材,杨老师的教材有详细的介绍。
2.1 连续小波变换
2.1.1 连续小波变换定义
Def2.1.1.(连续小波变换)函数f∈L2(R)f\in L_2(\mathbb R)f∈L2(R),ψ∈L2(R)\psi\in L_2(\mathbb R)ψ∈L2(R)且满足容许条件,则fff关于ψ\psiψ的连续小波变换(CWT)定义为:
Wψf(α,β)=1β∫Rf(x)ψ∗(x−αβ)dx,α∈R,β∈R/{0}.W_\psi f(\alpha,\beta)=\frac {1}{\sqrt {\beta}}\int_\mathbb R f(x)\psi ^*(\frac {x-\alpha}{\beta})dx,\space\space\space\space \alpha\in\mathbb R,\beta\in\mathbb R/\{0\}. Wψf(α,β)=β1∫Rf(x)ψ∗(βx−α)dx, α∈R,β∈R/{0}.
其中α\alphaα,β\betaβ为平移算子和伸缩算子,ψ\psiψ称为小波(wavelet)函数,容许性满足条件为:
Cψ=∫R∣ψ^(ξ)∣2∣ξ∣dξ<∞,C_\psi=\int_\mathbb R\frac {|\hat\psi(\xi)|^2}{|\xi|}d\xi<\infty, Cψ=∫R∣ξ∣∣ψ^(ξ)∣2dξ<∞,
ψ^\hat\psiψ^为其Fourier变换。
Thm2.1.2.(逆连续小波变换)由(Def2.1.1)对于函数fff的逆小波变换为:
f=1Cψ∬R2Wψf(α,β)1βψ(x−αβ)dαdββ2f=\frac {1}{C_\psi}\iint_{\mathbb R^2}W_\psi f(\alpha,\beta)\frac {1}{\sqrt \beta}\psi(\frac {x-\alpha}{\beta})\frac {d\alpha d\beta}{\beta^2} f=Cψ1∬R2Wψf(α,β)β1ψ(βx−α)β2dαdβ
2.1.2 连续小波变换的性质
(1)小波变换满足能量守恒,它把信号分解成对时间和频率的独立贡献,同时又不丢失原信号所包含的信息。
(2)小波变换包含缩放,平移等功能。
(3)小波变换时稳定的,相邻分析窗的绝大部分是相互重叠的,相关性很强。
(4)同Fourier变换一样,具有统一性和相似性,其正逆变换具有对称性。
2.2 离散小波变换
2.2.1 离散小波变换定义
论文中直接给出了离散小波的定义,简而言之就是对α,β\alpha,\betaα,β进行离散化,取其离散值就能得到离散小波变换。但直接看定义看的我眼花缭乱,包括下面的Mallat算法看的也是很不舒服,还是去参考一下其他教材吧呜呜。
2.2.2 Mallat算法
Def2.2.1.(离散小波分解变换)给定小波滤波器(mask)a,ba,ba,b。对任意给定的离散信号f0∈l(Z)f^0\in l(\mathbb Z)f0∈l(Z),定义fjf^jfj(第j层)的小波分解为:
fj−1=22Ta(fj),dj−1=22Tb(fj)f^{j-1}=\frac {\sqrt 2}{2}T_a(f^j),\ \ \ \ d^{j-1}=\frac {\sqrt 2}{2}T_b(f^j) fj−1=22Ta(fj), dj−1=22Tb(fj)
小波系数定义为:
fj−1[k]=∑n∈Z2a[n]‾fj[2k+n]dj−1[k]=∑n∈Z2b[n]‾fj[2k+n]f^{j-1}[k]=\sum_{n\in \mathbb Z}\sqrt 2 \overline{a[n]}f^j[2k+n]\\d^{j-1}[k]=\sum_{n\in \mathbb Z}\sqrt 2 \overline{b[n]}f^j[2k+n] fj−1[k]=n∈Z∑2a[n]fj[2k+n]dj−1[k]=n∈Z∑2b[n]fj[2k+n]
其中TTT为转移算子(Transition operator)。
Def2.2.2.(离散小波重构变换)给定小波mask a,ba,ba,b与小波系数fj−1,dj−1f^{j-1} ,d^{j-1}fj−1,dj−1,第j层上的小波重构为:
W(fj−1,dj−1)=22(Safj−1+Sbdj−1)W(f^{j-1},d^{j-1})=\frac {\sqrt 2}{2}(S_af^{j-1}+S_bd^{j-1}) W(fj−1,dj−1)=22(Safj−1+Sbdj−1)
小波系数的重构:
W(fj−1,dj−1)[k]=22(Safj−1+Sbdj−1)[k]=2∑n∈Za[k−2n]fj−1[n]+2∑n∈Zb[k−2n]dj−1[n]{ W(f^{j-1},d^{j-1})[k]=\frac {\sqrt 2}{2}(S_af^{j-1}+S_bd^{j-1})[k]\\ =\sqrt2\sum_{n\in\mathbb Z}a[k-2n]f^{j-1}[n]+\sqrt2\sum_{n\in\mathbb Z}b[k-2n]d^{j-1}[n] } W(fj−1,dj−1)[k]=22(Safj−1+Sbdj−1)[k]=2n∈Z∑a[k−2n]fj−1[n]+2n∈Z∑b[k−2n]dj−1[n]
其中SSS为细分算子(Subdivision operator),a为低通滤波器,b为高通滤波器。
第0,1层上的离散小波分解,重构算法如下图所示:
其中↓2,↑2\downarrow_2,\uparrow_2↓2,↑2分别表示downsample和upsample,及隔点采样与隔点插零。
2.3 小波包分析
小波包快速算法与上面所提到的Mallat算法大同小异,不过对于各尺度上的细节部分,Mallat算法不再予进一步了解,但小波包要对各尺度上细节部分要予进一步了解。所以对比小波变换,小波包具有更精细的信号分析能力。不够这篇作为基础小波变换的理解再此就不过多阐述,以后会有专门一期会做介绍。
2.4 几种常见的小波函数
常见小波基有:Morlet小波,Haar小波,Daubechies小波(dbN),Marr小波(墨西哥帽小波),DOG小波,样条小波,Meyer小波。下面从杨老师教材里截几张图下来
本期结语
花了一下午的时间边看边写,顺便买了一个typora用于markdown的编辑。作为一位数学渣渣,只希望自己能学多少学多少,能搞定的尽量搞搞不定就开摆
Tech Tuesday 22-5-31 小波分析在信号特征提取中的应用(1)相关推荐
- Linux学习笔记22——sigsuspend 让指定的信号无法唤醒进程
1,由来 让指定的信号无法唤醒进程貌似很简单,只要先设置屏蔽字屏蔽指定的信号,再pause就可以了.以后只要接收到信号,切该信号不是指定的信号就可以结束 pause.但是,这种做法是分两步做的,而信号 ...
- 读书笔记 - 智能体技术在城市交通信号控制系统中应用综述2014
<智能体技术在城市交通信号控制系统中应用综述>-2014 文中综述了智能体技术在交通信号控制系统中应用的技术与方法,包括系统架构.控制算法.建模与仿真,以及智能交通集成管理等方面:以及具体 ...
- 超声检测信号特征提取
超声检测信号特征提取 方法:采用小波包分析提取信号特征信息,其基本思想是选取适当的小波基函数对信号进行小波包变换,提取各个频带上的能量构成特征向量. 超声检测技术中,缺陷的准确定性分类这一技术难题至今 ...
- Python分析离散心率信号(中)
Python分析离散心率信号(中) 一些理论和背景 心率信号不仅包含有关心脏的信息,还包含有关呼吸,短期血压调节,体温调节和荷尔蒙血压调节(长期)的信息.也(尽管不总是始终如一)与精神努力相关联,这并 ...
- java面试题31:结构型模式中最体现扩展性的模式是()
java面试题31:结构型模式中最体现扩展性的模式是() A:装饰模式 B:合成模式 C:桥接模式 D:适配器 蒙蔽树上蒙蔽果,蒙蔽树下你和我 结构型模式是描述如何将类对象结合在一起,形成一个更大的结 ...
- python时域信号特征提取(各种因子)
#######################################计算因子###############################import csv import pandas a ...
- 信号完整性(SI)电源完整性(PI)学习笔记(二十六)S参数在信号完整性中的应用(一)
S参数在信号完整性中的应用(一) 1.在信号完整性领域,S参数又称为行为模型,因为它可以作为描述线性.无源互联行为的一种通用手段,它的适用范围包括了除一些铁氧体以外的所有互联. 一般而言,信号作为激励 ...
- 信号完整性(SI)电源完整性(PI)学习笔记(二十八)S参数在信号完整性中的应用(三)
S参数在信号完整性中的应用(三) 1.对S参数元素的解释取决于对端口的指派情况. 元器件内部的确切连接将会影响如何解释每个S参数.最常见的情况就是6条不同传输线的端口指派,则对于每个具体S参数的解释也 ...
- 信号完整性(SI)电源完整性(PI)学习笔记(二十七)S参数在信号完整性中的应用(二)
S参数在信号完整性中的应用(二) 1.端口阻抗的行业标准是50Ω,然而,原则上阻抗可以为任意值.当端口阻抗改变时,返回损耗和插入损耗所表现出的行为也会发生改变. (1)使端口阻抗远离互连的特征阻抗会增 ...
最新文章
- ubuntu查看python版本-切换Ubuntu默认python版本的两种方法
- tv英语域名注册_企业邮箱十万个为什么——域名篇
- 萤火虫算法_智能优化算法萤火虫算法
- Android之获取应用程序(包)的大小-----PackageManager的使用(二)
- Linux命令(8):headtail命令
- Java的权限修饰符,访问范围
- 【BZOJ2149】拆迁队,分治+斜率优化DP
- mysql 删除表时外键约束_MySQL删除表的时候忽略外键约束的简单实现
- Oracle 数据文件(Datafile ) 大小 限制 说明
- linux调用线程函数,作为线程调用的C函数-Linux Userland程序
- 苹果Mac智能的Python集成开发环境:PyCharm Pro
- python-docx对Word文档的指定位置(批量)插入图片
- 聚焦人机交互智能应用领域,APISIX 在希沃网关的应用与实践
- 强烈推荐一部电影《贫民窟的百万富翁》
- SuperMap Objects组件式开发
- 华为云-容器引擎CCE-基本概念
- 锁算力显卡影响深度学习吗?
- 直播RMVB!iPLAYER影音卡全国首发评测
- 李昱:腾讯产品登录协议详解
- [建立服务器系列]内存--再一次市区之行(by cuishui)