387
.pdfУДК 621.396
И.Н. Липатов, В.Н. Лясин, Г.И. Рустамханова
Пермский государственный технический университет
ЦИФРОВОЕ МОДЕЛИРОВАНИЕ ДИФФЕРЕНЦИРУЕМОГО СЛУЧАЙНОГО ПРОЦЕССА С ИСПОЛЬЗОВАНИЕМ ФОРМИРУЮЩЕГО ФИЛЬТРА
Рассматривается задача построения формирующего фильтра, предназначенного для цифрового моделирования дифференцируемого случайного процесса. Формирующий фильтр реализован на ЦВМ. Приводятсярезультатымоделированияслучайногопроцесса.
Решается задача цифрового моделирования дифференцируемого случайного процесса m(t) с использованием формирующего фильтра (ФФ). Корреляционная функция процесса m(t) определяется соотношением [1].
Km (τ) = σm2 e−µ |
|
τ |
|
(cosλτ + |
µsin λ |
|
τ |
|
) , |
(1) |
|
|
|
|
|||||||
|
|
|||||||||
|
|
|
|
|
λ |
|
|
|
|
|
где σ2m ,µ,λ – дисперсия, коэффициент нерегулярности и преобладающая частота в спектре процесса m(t) .
Двухсторонняя спектральная плотность Sm* (ω) процесса m(t) определяется формулой [2]
|
|
∞ |
|
|
|
|
Sm* (ω) = ∫Km (τ)e− jωτdτ, |
(2) |
|||||
|
|
−∞ |
|
|
|
|
где ω – круговая частота, рад/с. |
|
|
|
|
||
Подставим (1) в (2). Имеем [1] |
|
|
|
|
||
Sm* (ω) = |
|
|
Fb2 |
|
, |
(3) |
|
ω4 + 2aω2 + b4 |
|||||
где |
|
|
|
|||
|
|
|
|
|
|
|
a = µ2 − λ2 ; |
b2 = µ2 |
+ λ2 ; |
(4) |
|||
|
F = 4σm2 µ. |
|
|
(5) |
||
|
|
|
|
|
|
241 |
Представим формулу (3) в виде [1] |
|
|
|
||||||||||
S* (ω) = |
|
b F |
|
(− jω)2 |
|
b F |
. |
||||||
m |
( jω)2 + 2µ( jω) +b2 |
|
+ 2µ(− jω) +b2 |
|
|||||||||
Запишем формулу (6) в виде |
|
|
|
|
|
||||||||
где |
|
Sm* (ω) = |
|
H ( jω) |
|
2 Sv* (ω), |
|
|
|
||||
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
H ( jω) |
|
2 = H ( jω) H (− jω); |
|
|
|||||||
|
|
|
|
|
|||||||||
|
|
|
|
|
|
b |
F |
|
|
|
|||
|
H ( jω) = ( jω)2 + 2µ( jω) +b2 |
; |
|
(6)
(7)
(8)
(9)
S*(ω) =C =1. |
(10) |
|
v |
0 |
|
Здесь H ( jω) – передаточная функция ФФ; Sv* (ω) – двухсторонняя спектральная плотность случайного процесса v(t) типа белого шума; C0 – интенсивность белого шума.
Из (9) имеем |
|
b F |
|
H (s) = s2 + 2µs + b2 . |
(11) |
На рис. 1 показана схема ФФ. Здесь h(t) – весовая функция ФФ.
v(t) |
ФФ, |
m(t) |
||
|
|
H(s), h(t) |
|
|
|
|
|
||
Sv* (ω) = C0 |
|
|
|
|
|
|
|
|
|
Рис. 1. Схема ФФ
Определим весовую функцию h(t) ФФ. представим в виде
H (s) = |
b |
F |
2 . |
(s + µ) |
2 |
||
|
|
+ λ |
Из (12) имеем
h(t) = L−1{H (s)}
или [3]
h(t) = bλF e−µt sin λt .
Соотношение (11)
(12)
(13)
(14)
242
Здесь |
L−1 { } – обратное |
преобразование Лапласа от |
выражения |
|||||||||||
в скобках. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Случайные процессы m(t) и v(t) |
связаны соотношением [4] |
|||||||||||||
|
|
|
∞ |
|
|
|
|
|
|
|
|
|
|
|
|
m(t) = ∫h(τ)v(t − τ)dτ. |
(15) |
||||||||||||
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
Случайная последовательность v[i] = v(ti ), ti = i∆t; i = |
|
есть |
||||||||||||
0, n2 |
||||||||||||||
дискретный белый шум с |
|
нулевым |
математическим |
ожиданием |
||||||||||
и дисперсией σv2 вида [5,6] |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
σ2 |
= |
C0 |
, |
|
|
(16) |
|||||
|
|
|
∆t |
|||||||||||
где ∆t |
|
|
v |
|
|
|
|
|
|
|
||||
– интервал дискретности измерений. |
|
|
|
|||||||||||
Из соотношения (14) имеем |
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ˆ |
|
|
|
|
|
h[i] = k*e |
−µ*i |
sin λ*i, i = 0, N ; |
(17) |
||||||||||
|
|
|||||||||||||
|
|
|
|
ˆ |
|
|
|
|
|
(18) |
||||
где |
|
|
h1[N] ≤ 0,01, |
|||||||||||
|
|
|
|
|
|
|
e−µ*i ; |
|
|
|
||||
|
|
h [i] = k |
* |
(19) |
||||||||||
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
k* = b F |
; |
µ* |
=µ∆t; λ* = λ∆t. |
(20) |
|||||||||
|
λ |
|
|
|
|
|
|
|
|
|
|
|
|
|
Здесь h[i] = h(ti ), ti |
=i∆t. |
|
|
|
|||
При реализации на ЦВМ формулы (15) выполним численное |
|||||||
интегрирование по методу трапеций |
|
ˆ |
|
||||
N −1h[l] v[i −l] + h[l +1] v[i −l −1] |
|
||||||
ˆ |
|
|
|
|
|
|
|
m[i] = ∑ |
|
|
|
|
∆t, i = N, n3 |
(21) |
|
|
2 |
|
|
||||
l =0 |
|
|
|
|
|
||
где v[i −l] = v(ti−l ); ti−l = (i −l)∆t. Запишем соотношение |
|
||||||
|
|
ˆ |
|
|
|
|
(22) |
|
|
|
|
|
|||
|
|
m[i] = m[i + N], i = 0, n2 . |
|
|
|||
Таким образом, ФФ определяется соотношениями (17)–(22), (16). |
|||||||
Рассмотрим реализацию m(t) длиной Tr . Разобьем ее, как пока- |
|||||||
зано на рис. 2, на nd |
смежных отрезков длиной Т каждый и обозначим |
эти отрезки через mi (t), (i −1)T ≤ t ≤ iT , где i =1, nd . Из рис. 2 следует, что длина реализации случайного процесса m(t) определяется соотношением
Tr = ndT .
243
m(t)
t
0 T 2T (nd − 2)T (nd −1)T ndT
Рис. 2. Реализация m(t), разбитая на nd смежных отрезков длиной Т каждый
Будем считать, что T = N∆t . При дискретном временном параметре каждая реализация mi (t) представлена n 6* = N +1 значениями временного ряда
m [i, n* ] = m[N(i −1) + n* ]; i = |
1, n |
d |
; n* = |
0, N, |
|
(23) |
||||||||
* |
|
|
|
|
|
|
|
|
|
|
|
|
||
где |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
m[N(i −1) + n* ] = m(N(i −1)∆t + n*∆t) . |
|
||||||||||||
|
|
|
2 |
|
ˆ |
|
|
|
|
2 |
|
|
||
Для получения оценок σˆ m ,µˆ |
, λ параметров σm ,µ, λ будем ис- |
|||||||||||||
|
|
|
ˆ |
|
|
|
|
|
|
N |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
пользовать оценку |
Sm ( fk ), k = 0, n5 ; |
n5 = |
2 |
односторонней |
спек- |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
тральной плотности |
Sm ( fk ) = 2Sm* ( fk ) |
|
случайной последовательно- |
|||||||||||
сти m[i], i = |
|
на дискретных частотах. Здесь |
|
|||||||||||
0, n2 |
|
fk |
= k∆f ; ∆f = |
1 |
; k = |
|
. |
|
|
|||||
0, n5 |
|
|||||||||||
|
|
|||||||||||
ˆ |
|
|
|
|
T |
|
||||||
определяется соотношением [7] |
||||||||||||
Оценка Sm ( fk ) |
||||||||||||
ˆ |
|
2 |
nd |
|
2 |
|
|
|
||||
|
|
|
|
|
|
|
|
|
||||
Sm ( fk ) = |
|
∑ |
X i ( fk ) |
, k = 0, n5 |
, |
|||||||
|
|
nd N∆t i=1 |
|
|
|
|
|
|
|
|
(24)
(25)
где |
|
|
|
|
|
||
|
|
N −1 |
|
− |
π |
* |
(26) |
Xi ( fk ) = ∆t ∑m*[i,n* ] exp |
|
j2 kn |
. |
||||
|
|
n* =0 |
|
|
N |
|
|
Здесь Xi ( fk ), i = |
|
– коэффициенты |
Фурье для i-й последова- |
||||
1,nd |
|||||||
тельности m [i, n* ]. |
|
|
|
|
|
||
* |
|
|
|
|
|
|
|
244
Представим Xi ( fk ) |
в виде |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
X i ( fk ) =Pi ( fk ) + jQi ( fk ), i = |
|
; k = |
|
, |
(27) |
||||||||||||||||||||||
|
|
|
|
|
1, nd |
0, n5 |
||||||||||||||||||||||||||
где [7] |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
P( f |
|
|
) = ∆t |
8 |
N −1 |
|
|
|
|
* |
] |
|
− cos |
2 πn* |
|
|
|
|
|
2πkn* |
|
|||||||||||
k |
|
∑ |
m |
|
[i,n |
1 |
|
|
cos |
|
|
, |
|
|||||||||||||||||||
i |
|
|
|
|
|
* |
|
|
|
|
|
|
|
|
|
N |
|
|
|
|
|
|
N |
|
||||||||
|
|
|
|
|
|
3 n* =0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
8 N −1 |
|
|
|
|
|
|
|
|
|
2 πn* |
|
|
|
|
(28) |
||||||||
Q |
( f |
|
|
) = (−1)∆t |
m |
|
* |
] |
− cos |
2πkn* |
||||||||||||||||||||||
k |
|
|
∑ |
[i,n |
1 |
|
|
|
|
|
sin |
|
|
. |
||||||||||||||||||
i |
|
|
|
|
|
|
|
|
|
* |
|
|
|
|
|
|
|
|
N |
|
|
|
|
N |
|
|||||||
|
|
|
|
|
|
|
|
|
3 n* =0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
Из (27) имеем |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
X |
i |
( f |
k |
) |
|
2 |
= P2 |
( f |
k |
) + Q2 |
( f |
k |
). |
|
|
|
(29) |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ˆ |
i |
|
|
|
i |
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
определяется с использованием |
||||||||||||||
Таким образом, оценка Sm ( fk ) |
соотношений (25), (29), (28).
Рассмотрим последовательность действий, которые были вы-
|
|
|
2 |
ˆ |
|
|
|
|
|
|
|
|
||||||
полнены для получения оценок σˆ m ,µˆ , λ. Случайная последователь- |
||||||||||||||||||
ность |
m[i], |
i = |
|
реализована с применением ФФ. |
По формулам |
|||||||||||||
0, n2 |
||||||||||||||||||
(25), |
(29), |
|
|
|
|
|
ˆ |
|
|
|
|
|
|
|
|
|||
(28) определялась оценка Sm ( fk ) односторонней спек- |
||||||||||||||||||
тральной плотности последовательности m[i], |
|
i = |
|
. |
|
|||||||||||||
0, n2 |
|
|||||||||||||||||
|
Введем обозначение |
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
ˆ |
|
|
|
|
|
|
|
|
|
|
(30) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
r1[k] = Sm ( fk ); k = 0, n5 , |
||||||||||||
где r1[k] – одномерный массив чисел с индексом k. |
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
ˆ |
|
|
|
|
|
|
|
|
|
|
Первоначально определим оценку λ параметра λ. Найдем мак- |
|||||||||||||||||
симальный элемент в массиве r [k], |
k = |
|
|
|
и индекс k = k * для это- |
|||||||||||||
0, n |
5 |
|
||||||||||||||||
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
2 |
||||
|
|
|
|
|
|
ˆ |
|
|
|
|
|
|
|
|
|
|
|
|
го элемента. Тогда λ определяется в виде |
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
ˆ |
* |
|
|
|
|
|
|
|
|
|
(31) |
|
|
|
|
|
|
|
λ = 2πk2 ∆f . |
|
|
|
|
|
|
|
|||||
|
Определим оценку σˆ m2 дисперсии σm2 , используя численное ин- |
|||||||||||||||||
тегрирование по методу трапеций |
] + r1[k +1]. |
(32) |
||||||||||||||||
|
|
|
|
|
|
σˆ m2 = ∆f ∑ r1[k |
||||||||||||
|
|
|
|
|
|
n5 −1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
k =0 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
Найдем оценку ˆ параметра µ. Будем аппроксимировать r1[k] |
|||||||||||||||||
при k = |
|
выражением |
|
|
|
|
|
|
|
|
|
|
|
|||||
0, n5 |
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
245 |
S m0 [ fk ] =
где
aˆ
Введем обозначение
|
|
|
|
|
2 |
ˆ2 |
|
|
|
|
|
|
|
|
8σˆ mµˆb |
|
|
|
, |
||
(2πfk ) |
4 |
+ 2aˆ(2πfk ) |
2 |
ˆ4 |
||||||
|
|
+ b |
||||||||
=µˆ |
2 |
|
|
ˆ2 |
ˆ2 |
= µˆ |
2 |
|
ˆ2 |
|
|
− λ |
; b |
|
|
+ λ . |
x1[k1 ] = µˆ, k1 =1,2,...
Соотношение (33) с учетом (35) примет вид
|
|
|
|
|
|
2 |
ˆ2 |
x1[k1 ] |
|
|
|
S 0 |
[ f |
k |
] = |
|
8σˆ mb1 |
|
|
, |
|||
|
4 |
|
|
|
2 |
|
|||||
m |
|
|
(2πfk ) |
+ 2aˆ1 |
(2πfk ) |
ˆ4 |
|||||
|
|
|
|
|
|
+ b1 |
|||||
где |
|
|
|
ˆ2 |
|
ˆ2 |
|
|
ˆ2 |
||
|
|
|
2 |
; |
2 |
|
|||||
|
aˆ1 = x1 |
[k1 ] − λ |
b1 |
= x1 [k1 |
] + λ . |
Отобразим массив ε2 [k] , определяемый по формуле
ε |
2 |
[k] = S |
0 |
[k] − r [k], k = |
0, n |
5 |
. |
|||||
|
|
m |
|
|
1 |
|
|
|
|
|
||
Определим величину d1 вида |
= |
|
1 ∑5 |
ε2 |
[k]. |
|
|
|||||
|
|
d |
|
|
|
|
||||||
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
1 |
|
|
|
|
2 |
|
|
|
|
|
|
|
|
n5 |
+1 k =0 |
|
|
|
|
(33)
(34)
(35)
(36)
(37)
(38)
(39)
Будем подбирать такое значение ˆ , при котором d1 принимает минимальное значение. Введем массив S1[k1 ] = d1 , k1 =1,2,...
Следовательно, задача сводится к поиску минимального элемента в
массиве |
S1[k1 ], k1 =1,2,... и индекса k1 = k1* этого элемента. Предпо- |
||||||||
лагалось, |
что при |
|
k1 =1, µˆ = 0 . Осуществлялось синхронное измене- |
||||||
ние k1 , µˆ |
и x1[k1 ] |
|
по формулам |
|
|
|
|||
|
|
k1 = k1 +1; µˆ = µˆ + 0,01; x1[k1 ] =µˆ, |
(40) |
||||||
т.е. k1, µˆ |
и x1[k1 ] |
принимали значения |
|
||||||
k1 = 2; µˆ = 0,01; x1[2] = 0,01; |
k1 = 3; µˆ = 0,02; x1[3] = 0,02; |
||||||||
|
|
|
k1 = 4; µˆ = 0,03; |
x1[4] = 0,03 |
|
||||
и так далее. Изменение µˆ |
осуществлять в диапазоне 0 ≤ µˆ ≤ P1 . При |
||||||||
расчетах |
принималось P1 |
= 2µ. |
|
В |
результате получены |
массивы |
|||
x1[k1] , S1[k1] , k1 = |
|
, где |
|
|
|
||||
1,k6 |
|
|
|
||||||
|
|
|
|
|
|
P |
|
|
|
|
|
|
|
|
k6 = |
|
1 |
+1. |
(41) |
|
|
|
|
|
|
|
|||
|
|
|
|
|
0,01 |
|
|
||
246 |
|
|
|
|
|
|
|
|
|
При P1 =1 k1 =101. |
|
|
|
|
|
|||||||
|
|
|
|
Определение |
|
минимального |
элемента |
в массиве |
S1[k1 ] , |
|||
k1 |
= |
|
и |
индекса |
этого элемента |
k1 = k1* |
позволяет из |
массива |
||||
1, k6 |
||||||||||||
x [k |
1 |
] при k |
1 |
= k * |
извлечь то значение ˆ , при котором обеспечивает- |
|||||||
1 |
|
|
|
1 |
|
|
|
|
|
ся наилучшая аппроксимация r1[k] , k = 0, n5 выражением (36). Таким способом получена оценка ˆ параметра .
ФФ был реализован на ЦВМ. |
Предполагалось, |
что ∆t = 0,1c; |
|||
σm = 20; |
µ = 0,4c−1 ; |
λ = 2c−1 ; C0 |
=1; |
N = 200; n5 |
=100; nd = 4; |
n2 = 900; |
n3 =1300; |
T = N∆t = 20c; |
n4 |
= nd N = 800 . Получены сле- |
дующие значения оценок σˆ m ,µˆ ,λˆ :
σˆ m =17,7; µˆ = 0,44c−1 ; λˆ =1,885c−1 .
Таким образом, ФФ с достаточной точностью моделирует дифференцируемый случайный процесс m(t) , описываемый корреляционной функцией вида (1).
Библиографический список
1.Ривкин С.С. Статистический синтез гироскопических устройств / С.С. Ривкин. – Л.: Судостроение, 1970.
2.Солодовников В.В. Статистическая динамика систем автоматического управления / В.В. Солодовников. – М.: Физматгиз, 1960.
3.Задачник по теории автоматического управления / под общей ред. А.С. Шаталова. – М.: Энергия, 1971.
4.Бессонов А.А. Методы и средства идентификации динамических объектов / А.А. Бессонов, Ю.В. Загашвили, А.С. Маркелов. – Л.: Энергоатомиздат, 1989.
5.Быков В.В. Цифровое моделирование в статистической радиотехнике / В.В. Быков. – М.: Сов. радио, 1971.
6.Тихонов В.И. Статистический анализ и синтез радиотехнических устройствисистем / В.И. Тихонов, В.Н. Харисов. – М.: Наука, 1991.
7.Бендат Дж. Прикладной анализ случайных данных / Дж. Бендат, А. Пирсол. – М.: Мир, 1989.
Получено 25.01.2007
247
УДК 621.37
Г.И. Пахомов, Ю.Г. Пахомов
Пермский государственный технический университет
ПРИМЕНЕНИЕ ВЕЙВЛЕТОВ ДЛЯ ОБРАБОТКИ СИГНАЛОВ
Рассмотрено применение вейвлетов (wavelets) для построения спектрограмм реальных звуковых сигналов с целью идентификации их тонких локальных особенностей. Вейвлетанализ осуществляется на базе пакета расширения системы
MATLAB 7.0 Wavelet Toolbox.
Для частотно-временного анализа непериодических сигналов в настоящее время используется вейвлетное преобразование (wavelet transform) [1]. Вейвлетное преобразование применяется также для фильтрации сигналов, устранения шумов, определения местонахождения сингулярностей и их распределения.
Физический принцип неопределенности, перенесенный в область обработки сигналов, говорит о том, что нельзя одновременно
слюбой точностью определить время и частоту. Если разрешение по времени высокое, то частота будет определяться менее точно, и наоборот. Может оказаться достаточно сложно одновременно измерить
снеобходимой степенью точности частоту компоненты сигнала и время ее появления или разделить во времени различные частотные компоненты. Для решения этой общей проблемы частотно-временного анализа и используется вейвлет-преобразование.
Набор вейвлетов, в их временном или частотном представлении, может приближать сложный сигнал или изображение, причем идеально точно или с некоторой погрешностью. Вейвлеты имеют явные преимущества в представлении локальных особенностей функций по сравнению с рядами Фурье. Благодаря этому вейвлеты нашли практическое применение для анализа тонких особенностей сложных сигналов и изображений, для их сжатия и очистки от шума.
248
Общепринятым подходом к анализу широкополосных импульсных и цифровых сигналов s(t) является их представление в виде взвешенной суммы простых составляющих – базисных функций ψk (t) , помноженных на коэффициенты Ck:
s(t) = ∑Ck ψk (t) . |
(1) |
k |
|
Так как базисные функции ψk (t) зафиксированы как функции оп- |
|
ределенного типа, только коэффициенты Ck содержат |
информацию |
о конкретном сигнале. Таким образом, можно говорить о возможности представления произвольных сигналов на основе рядов с различными базисными функциями. Ряд Фурье использует в качестве базисных функций синусоиды. Они предельно локализованы в частотной области (вырождаясь на спектрограмме в вертикальную линию), но вообще не локализованы во временной области. Противоположный пример – импульсная базисная функция
1,k = t, ψk (t) = δk (t) = 0,k ≠ t.
Она четко локализована во временной области, и потому идеально подходит для представления разрывов сигнала. Но эта базисная функция не несет информации о частоте сигнала и потому плохо приспособлена для представления сигналов на заданном отрезке времени и тем более периодических сигналов. Вейвлеты занимают промежуточное положение между рассмотренными крайними случаями и образуют некоторый набор функций, удовлетворяющих ряду условий и основанных на использовании представления сигнала в виде (1).
Как известно, в вейвлетном преобразовании в качестве весовых коэффициентов значений сигнала выступают вейвлетные функции. Из ряда основных (базовых) вейвлетных функций, из которых получаются все остальные (дочерние) вейвлет-функции, может быть выбрана функция, обеспечивающая получение определенных свойств сигнала. То есть, конкретный выбор того или иного вейвлета целиком зависит от характера поставленной задачи и от вида анализируемого сигнала.
К базовой вейвлет-функции предъявляется ряд требований:
− она должна осциллировать вокруг нуля в окрестности неко-
∞
торой точки на оси t, причем ∫ Ψ(t)dt = 0 ;
−∞
249
− нормафункцийдолжнабытьконечной, |
|
ψ |
|
|
|
∞ |
ψ |
2 |
1/ 2 |
|
|
|
|
||||||||
|
|
|
|
= ∫ |
|
(t)dt |
< +∞; |
|||
|
|
|
|
|
|
−∞ |
|
|
|
−функция не должна содержать компонентов постоянного тока;
−должна быстро спадать во времени до нуля;
−должна быть обратимой.
Последнее свойство гарантирует, что вейвлетное преобразование сигнала будет однозначным.
Примером базовой вейвлет-функции может служить хорошо изученный вейвлет
ψ(t) = (t2 −1)exp(−t2 / 2),
являющийся второй производной гауссова импульса exp(–t2/2). Вейвлетная функция ψ(t) удовлетворяет вышеизложенным требованиям, т.е. осциллирует и спадает до нуля.
Дочерние вейвлет-функции получают путем такого изменения масштаба базовой, чтобы образовалось семейство функций. Каждую дочернюю функцию можно записать как
1 |
ψ{(t − τ)/ a}, |
(2) |
|
a |
|||
|
|
где а – переменный коэффициент масштабирования, а τ – константа переноса. Если масштаб а увеличивается, то амплитуда и аргумент функции уменьшаются. Уменьшение аргумента при заданной амплитуде означает, что уменьшается частота. Следовательно, увеличение масштаба а соответствует уменьшению частоты, и поэтому функция расширяется во временной области по горизонтали. Положительные значения константы переноса приводят к переносу функции вдоль положительной временной оси. Итак, с помощью коэффициента масштабирования а и константы переноса τ можно создавать функции с большими или меньшими амплитудами, с высшими или низшими частотами и размещать их в различные моменты времени. Таким образом, нестационарные сигналы с различными частотными компонентами, расположенными в различных промежутках времени, можно описывать как сумму различных вейвлетных функций. Число используемых при разложении сигнала вейвлетов задает уровень декомпозиции сигнала.
250