- •1. Введення в теорію сигналів та систем
- •1.1. Основні поняття теорії сигналів та систем
- •1.2. Розмірність сигналів
- •1.3. Класифікація сигналів. Математичні моделі сигналів
- •1.4. Енергія сигналів
- •1.5. Лінійні стаціонарні системи
- •2. Основні типи сигналів. Операція дискретизації. Спектральне зображення сигналів
- •2.1. Аналогові сигнали. Дискретні сигнали. Цифрові сигнали
- •А) неперервна (аналоговий сигнал); б) з дискретним аргументом (дискретний сигнал); в) що квантується за рівнем; г) цифрова (цифровий сигнал)
- •2.2. Класи дискретних та аналогових систем. Перетворення типів сигналів
- •2.3. Операція дискретизації. Операція відновлення аналогового сигналу. Операція квантування
- •2.4. Спектральне зображення сигналів
- •А) обертовою парою векторів; б) обертовим вектором; в) графіком залежності
- •А) однобічний (несиметричний); б) двосторонній (симетричний)
- •2.5. Дискретизація сигналів з неперервним часом
- •3. Фільтри
- •3.1. Цифрові фільтри з імпульсними характеристиками скінченної довжини. Метод зважування. Метод частотної вибірки
- •3.2. Теорія та апроксимація цифрових фільтрів з нескінченними імпульсними характеристиками
- •Проектування фільтрів.
- •3.4. Функції пакета розширення Filter Design, Signal Processing. Wavelet
- •Питання для самоперевірки:
- •Використана література
- •Методичні рекомендації до виконання практичних завдань з навчальної дисципліни „прикладна математика”
Проектування фільтрів.
Функції MATLAB butter, bessel, cheby1, cheby2, ellip автоматично проектують фільтр, що задовольняє вимогам специфікацій, які сформульовані у термінах залежності коефіцієнта підсилення відповідної лінійної системи від частоти. Так визначаються низькочастотні, високочастотні, смугозагороджувальні (lowpass, highpass, bandstop), і смугові (bandpass) фільтри. Для проектування цифрового низькочастотного фільтра Баттерворта слід застосувати команду:
[b,a] = butter(n,Omegac),
де n – число полюсів і нулів у передатній функції фільтра;
Omegac – нормована цифрова частота зрізу.
Для проектування високочастотного фільтру із частотою зрізу Omegac, слід скористатися командою:
[b,a] = butter(n,Omegac,'high').
Щоб спроектувати смуговий фільтр зі смугою пропущення від Omega1 до Omega2, потрібно визначити Omega = [Omega1, Omega2] і використати команду:
[b,a] = butter(n,Omega).
3.4. Функції пакета розширення Filter Design, Signal Processing. Wavelet
Вейвлет-перетворення сигналів є узагальненням класичного перетворення Фур'є. Термін „вейвлет” (wavelet) у перекладі з англійського означає „маленька (коротка) хвиля”. Вейвлети – це узагальнена назва сімейств математичних функцій певної форми, які є локальними в часі та за частотою. В цьому сімействі всі функції утворюються із однієї базової функції за допомогою її зрушень і розтягань за віссю часу.
Елементом базису вейвлет-перетворення є добре локалізована функція, що швидко прямує до нуля поза невеликим інтервалом. Ці елементи мають рухоме частотно-часове вікно, яке є вузьким за малих масштабах і широким – за великих. Завдяки цій властивості багато дослідників називають вейвлет-аналіз „математичним мікроскопом”. Властивості базисних елементів дозволяють використати вейвлет-аналіз під час обробки коротких сигналів або процесів з перемежовуванням. Також вейвлет-перетворення широко застосовується для аналізу сигналів всілякої природи, у тому числі зображень (наприклад, фотографій або рентгенограм), різних динамічних рядів (наприклад, послідовності кардіоінтервалів під час зняття електрокардіограм) і т. под.
При проведенні вейвлет-аналізу час і координата розглядаються як незалежні змінні. У той же час вейвлет-аналіз дає можливість аналізувати властивості досліджуваного динамічного ряду як у фізичному (час, координата), так і в частотному просторі.
Практичне використання вейвлетів є нетривіальною задачею і вимагає як урахування індивідуальних особливостей досліджуваної задачі, так і правильного вибору вейвлета, що використовується. Найпоширенішими є вейвлет Хаара, Морле, FHAT-вейвлет, який часто називають „французьким капелюхом”, а також вейвлет Добеші.
FHAT – вейвлет визначається за формулою:
За допомогою неперервних масштабних перетворень і зсувів цього вейвлета можна сконструювати базис у функціональному просторі (просторі функцій, квадрат яких є інтегрованим на всій дійсній осі) з довільними значеннями базисних параметрів (масштабний коефіцієнт) і (параметр зсуву).
Будь-яку функцію з можна представити у вигляді суперпозиції масштабних перетворень і зсувів базисного вейвлета. Базисні функції вейвлет-перетворення, на відміну від базисних функцій перетворення Фур'є, добре локалізовані в координатному і часовому просторі та за частотою. Всі вейвлети сімейства мають те ж число осциляцій, що й базисний вейвлет , що є характерною ознакою його самоподоби. Тому вейвлет-перетворення є зручним інструментом для аналізу, фрактальних сигналів зокрема.
Вейвлет-аналіз динамічних рядів більш зручно проводити за допомогою дискретного вейвлет-перетворення, коефіцієнти якого ми будемо обчислювати за формулою:
,
де – -й член динамічного ряду;
– базисний вейвлет;
– коефіцієнт, який масштабує;
– число точок часового ряду;
– член ряду, для якого обчислюється вейвлет-коефіцієнт.
За винятком найпростіших випадків, дискретні вейвлети неможливо записати в аналітичній формі або представити у вигляді розв’язку диференціальних рівнянь. Вони визначаються набором чисельних коефіцієнтів у деяких функціональних рівняннях, що містять зміну масштабу та зсув аргументів, які й використовуються в практичних обчисленнях.
В останніх версіях розповсюджених математичних пакетів (Mathcad, Mathematica, MatLab) є пакети розширень для проведення дискретного вейвлет-аналізу.