Ondícula

format_list_bulleted Contenido keyboard_arrow_down
ImprimirCitar

Una onda pequeña es una oscilación similar a una onda con una amplitud que comienza en cero, aumenta o disminuye, y luego regresa a cero una o más veces. Las ondículas se denominan "oscilación breve". Se ha establecido una taxonomía de wavelets, basada en el número y dirección de sus pulsos. Las wavelets están imbuidas de propiedades específicas que las hacen útiles para el procesamiento de señales.

Onda sismica

Por ejemplo, se podría crear una ondícula que tuviera una frecuencia de Do medio y una duración corta de aproximadamente una décima de segundo. Si esta ondícula se convolucionara con una señal creada a partir de la grabación de una melodía, la señal resultante sería útil para determinar cuándo aparece la nota Do central en la canción. Matemáticamente, una wavelet se correlaciona con una señal si una parte de la señal es similar. La correlación es el núcleo de muchas aplicaciones prácticas de wavelet.

Como herramienta matemática, las wavelets se pueden usar para extraer información de muchos tipos diferentes de datos, incluidos, entre otros, señales de audio e imágenes. Se necesitan conjuntos de wavelets para analizar los datos por completo. "Complementario" Las ondículas descomponen una señal sin espacios ni superposiciones, de modo que el proceso de descomposición es matemáticamente reversible. Por lo tanto, los conjuntos de ondículas complementarias son útiles en los algoritmos de compresión/descompresión basados en ondículas, donde es deseable recuperar la información original con una pérdida mínima.

En términos formales, esta representación es una representación en serie de ondículas de una función integrable al cuadrado con respecto a un conjunto ortonormal completo de funciones base, o un conjunto sobrecompleto o marco de un espacio vectorial, para el espacio de Hilbert de cuadrados funciones integrables. Esto se logra a través de estados coherentes.

En la física clásica, el fenómeno de la difracción se describe mediante el principio de Huygens-Fresnel, que trata cada punto de un frente de onda que se propaga como un conjunto de pequeñas ondas esféricas individuales. El patrón de flexión característico es más pronunciado cuando una onda de una fuente coherente (como un láser) encuentra una rendija/abertura que es comparable en tamaño a su longitud de onda. Esto se debe a la adición, o interferencia, de diferentes puntos en el frente de onda (o, de manera equivalente, cada wavelet) que viajan por caminos de diferentes longitudes hasta la superficie de registro. Múltiples aberturas estrechamente espaciadas (p. ej., una rejilla de difracción) pueden dar como resultado un patrón complejo de intensidad variable.

Etimología

La palabra wavelet se ha utilizado durante décadas en el procesamiento de señales digitales y la geofísica de exploración. La palabra francesa equivalente ondelette que significa "pequeña ola" fue utilizado por Morlet y Grossmann a principios de la década de 1980.

Teoría de las ondículas

La teoría Wavelet es aplicable a varios temas. Todas las transformadas wavelet pueden considerarse formas de representación de tiempo-frecuencia para señales de tiempo continuo (analógicas) y, por lo tanto, están relacionadas con el análisis de armónicos. La transformada de wavelet discreta (continua en el tiempo) de una señal de tiempo discreto (muestreada) mediante el uso de bancos de filtros de tiempo discreto de configuración diádica (banda de octava) es una aproximación de wavelet a esa señal. Los coeficientes de dicho banco de filtros se denominan coeficientes de desplazamiento y escala en la nomenclatura de wavelets. Estos bancos de filtros pueden contener filtros de respuesta de impulso finito (FIR) o de respuesta de impulso infinito (IIR). Las ondículas que forman una transformada continua de ondículas (CWT) están sujetas al principio de incertidumbre de la teoría de muestreo respectiva del análisis de Fourier: dada una señal con algún evento en ella, no se puede asignar simultáneamente una escala de respuesta de frecuencia y tiempo exactos a ese evento. El producto de las incertidumbres de la escala de respuesta en tiempo y frecuencia tiene un límite inferior. Por lo tanto, en el escalegrama de una transformada wavelet continua de esta señal, dicho evento marca una región completa en el plano de la escala de tiempo, en lugar de un solo punto. Además, las bases de wavelet discretas pueden considerarse en el contexto de otras formas del principio de incertidumbre.

Las transformadas Wavelet se dividen en general en tres clases: continuas, discretas y basadas en multirresolución.

Transformaciones wavelet continuas (cambio continuo y parámetros de escala)

En las transformadas wavelet continuas, una señal determinada de energía finita se proyecta en una familia continua de bandas de frecuencia (o subespacios similares del espacio funcional Lp L2(< b>R)). Por ejemplo, la señal puede representarse en cada banda de frecuencia de la forma [f, 2f] para todas las frecuencias positivas f > 0. Entonces, la señal original puede reconstruirse mediante una integración adecuada sobre todos los componentes de frecuencia resultantes.

Las bandas de frecuencia o subespacios (sub-bandas) son versiones escaladas de un subespacio a escala 1. Este subespacio, a su vez, en la mayoría de las situaciones es generado por los cambios de una función generadora ψ en L< sup>2(R), la onda madre. Para el ejemplo de la banda de frecuencia de escala uno [1, 2] esta función es

Meyer
Morlet
Gorro mexicano

El subespacio de escala a o banda de frecuencia [1/a, 2/a] es generado por las funciones (a veces llamadas < i>olas infantiles)

ababR+R

La proyección de una función x sobre el subespacio de escala a tiene entonces la forma

coeficientes de onda

Para el análisis de la señal x, se pueden ensamblar los coeficientes de wavelet en un escalegrama de la señal.

Vea una lista de algunas wavelets continuas.

Transformadas wavelet discretas (desplazamiento discreto y parámetros de escala, continuos en el tiempo)

Desde el punto de vista computacional, es imposible analizar una señal usando todos los coeficientes de ondícula, por lo que uno puede preguntarse si es suficiente seleccionar un subconjunto discreto del semiplano superior para poder reconstruir una señal a partir de los coeficientes de ondícula correspondientes. Uno de estos sistemas es el sistema afín para algunos parámetros reales a > 1, b > 0. El subconjunto discreto correspondiente del semiplano consta de todos los puntos (am, nb am) con m, n en Z. Las ondas secundarias correspondientes ahora se dan como

Condición suficiente para la reconstrucción de cualquier señal x de energía finita mediante la fórmula

L2R

Transformadas wavelet discretas basadas en multirresolución (continuas en el tiempo)

D4 wavelet

En cualquier transformada wavelet discretizada, solo hay un número finito de coeficientes wavelet para cada región rectangular delimitada en el semiplano superior. Aún así, cada coeficiente requiere la evaluación de una integral. En situaciones especiales, esta complejidad numérica se puede evitar si las ondículas escaladas y desplazadas forman un análisis de resolución múltiple. Esto significa que tiene que existir una función auxiliar, la onda padre φ en L2(R), y que a es un número entero. Una elección típica es a = 2 y b = 1. El par más famoso de wavelets padre y madre es el wavelet de 4 derivaciones de Daubechies. Tenga en cuenta que no todas las bases de wavelet discretas ortonormales se pueden asociar a un análisis de resolución múltiple; por ejemplo, la wavelet de Journe no admite análisis multirresolución.

A partir de las wavelets madre y padre se construyen los subespacios

De estos se requiere que la secuencia

L2WmVmVm−1

En analogía con el teorema de muestreo se puede concluir que el espacio Vm con distancia de muestreo 2m cubre más o menos la frecuencia de banda base de 0 a 1/2m-1. Como complemento ortogonal, Wm cubre aproximadamente la banda [1/2m−1, 1/2< sup>m].

De esas inclusiones y relaciones ortogonales, especialmente , sigue la existencia de secuencias y que satisfacen las identidades

Del análisis multirresolución se deriva la descomposición ortogonal del espacio L2 como

Ondícula madre

Para aplicaciones prácticas, y por razones de eficiencia, uno prefiere funciones continuamente diferenciables con soporte compacto como punto de onda madre (prototipo) (funciones). Sin embargo, para satisfacer los requisitos analíticos (en el WT continuo) y en general por razones teóricas, uno elige las funciones de onda de un subespacio del espacio Este es el espacio de funciones mensurables de Lebesgue que son absolutamente integradoras y cuadradas en el sentido de que

Estar en este espacio asegura que uno puede formular las condiciones de media cero y norma uno cuadrática:

Para que ψ sea una ondícula para la transformada de ondícula continua (consulte allí la declaración exacta), la ondícula madre debe satisfacer un criterio de admisibilidad (en términos generales, una especie de semidiferenciabilidad) para para obtener una transformada invertible estable.

Para la transformada wavelet discreta, se necesita al menos la condición de que la serie wavelet sea una representación de la identidad en el espacio L2(R< /b>). La mayoría de las construcciones de WT discreto hacen uso del análisis de resolución múltiple, que define la wavelet mediante una función de escala. Esta función de escala en sí misma es una solución a una ecuación funcional.

En la mayoría de las situaciones, es útil restringir ψ para que sea una función continua con un número mayor M de momentos de fuga, es decir, para todos los enteros m < M

La wavelet madre se escala (o dilata) por un factor de a y se traslada (o desplaza) por un factor de b para dar (bajo Morlet' s formulación original):

Para el WT continuo, el par (a,b) varía sobre el semiplano completo R+ × R; para el WT discreto, este par varía en un subconjunto discreto del mismo, que también se denomina grupo afín.

Estas funciones a menudo se denominan incorrectamente funciones base de la transformación (continua). De hecho, como en la transformada continua de Fourier, no hay ninguna base en la transformada continua de ondículas. La interpretación de tiempo-frecuencia usa una formulación sutilmente diferente (después de Delprat).

Restricción:

  1. cuando a1 = a y b1 = b,
  2. tiene un intervalo de tiempo finito

Comparaciones con la transformada de Fourier (tiempo continuo)

La transformación de onda se compara a menudo con la transformación Fourier, en la que las señales están representadas como una suma de sinusoides. De hecho, la transformación de Fourier se puede ver como un caso especial de la transformación continua de onda con la elección de la ola madre . La principal diferencia en general es que las olas se localizan tanto en tiempo como en frecuencia, mientras que la transformación estándar Fourier sólo se localiza en frecuencia. La transformación de Fourier a corto plazo (STFT) es similar a la transformación de onda, ya que también es hora y frecuencia localizada, pero hay problemas con la resolución de frecuencia/tiempo.

En particular, suponiendo una región de ventana rectangular, uno puede pensar en STFT como una transformación con un kernel ligeramente diferente

u
u

y el cuadrado del soporte espectral de la ventana actuando en una frecuencia

Multiplicación con una ventana rectangular en el dominio del tiempo corresponde a la convolución con una función en el dominio de frecuencia, resultando en artifactos de anillo espurios para ventanas temporales cortas/localizadas. Con el continuo Fourier Transform, y esta convolución es con una función delta en el espacio Fourier, dando lugar a la verdadera transformación Fourier de la señal . La función de la ventana puede ser otro filtro apodizante, como un Gaussian. La elección de función de ventana afectará el error de aproximación relativo a la verdadera transformación Fourier.

El producto de ancho de banda de tiempo de una celda de resolución dada no se puede exceder con la STFT. Todos los elementos básicos de STFT mantienen un soporte espectral y temporal uniforme para todos los desplazamientos o compensaciones temporales, logrando así una resolución igual en el tiempo para frecuencias más bajas y más altas. La resolución está puramente determinada por el ancho de muestreo.

Por el contrario, las propiedades multirresolución de la transformada wavelet permiten soportes temporales amplios para frecuencias más bajas mientras mantienen anchos temporales cortos para frecuencias más altas mediante las propiedades de escala de la transformada wavelet. Esta propiedad extiende el análisis convencional de frecuencia de tiempo al análisis de escala de tiempo.

STFT tiempo-frequency atoms (izquierda) y DWT time-scale atoms (derecha). Los átomos de frecuencia temporal son cuatro funciones de base diferentes utilizadas para el STFT (es decir. 4 separados Cuatro transformadores necesarios). Los átomos a escala temporal del DWT alcanzan anchos temporales pequeños para altas frecuencias y buenos anchos temporales para bajas frecuencias con una single transformar la base establecida.

La transformada wavelet discreta es menos compleja desde el punto de vista computacional, ya que requiere un tiempo O(N) en comparación con O(N log N) para la transformada rápida de Fourier. Esta ventaja computacional no es inherente a la transformada, sino que refleja la elección de una división logarítmica de frecuencia, en contraste con las divisiones de frecuencia igualmente espaciadas de la FFT (transformada rápida de Fourier), que utiliza las mismas funciones básicas que la DFT (transformada discreta de Fourier).. También es importante tener en cuenta que esta complejidad solo se aplica cuando el tamaño del filtro no tiene relación con el tamaño de la señal. Una wavelet sin soporte compacto como la wavelet de Shannon requeriría O(N2). (Por ejemplo, también existe una Transformada de Fourier logarítmica con complejidad O(N), pero la señal original debe muestrearse logarítmicamente en el tiempo, lo que solo es útil para ciertos tipos de señales).

Definición de wavelet

Una óndula (o una familia de óndulas) se puede definir de varias maneras:

Filtro de escala

Una ondícula ortogonal está completamente definida por el filtro de escala: un filtro de respuesta de impulso finito (FIR) de paso bajo de longitud 2N y suma 1. En las ondículas biortogonales, se utilizan filtros separados de descomposición y reconstrucción. definido.

Para el análisis con wavelets ortogonales, el filtro de paso alto se calcula como el filtro de espejo en cuadratura del paso bajo, y los filtros de reconstrucción son el tiempo inverso de los filtros de descomposición.

Las wavelets Daubechies y Symlet se pueden definir mediante el filtro de escala.

Función de escala

Las wavelets se definen por la función wavelet ψ(t) (es decir, la wavelet madre) y la función de escala φ(t) (también llamada wavelet padre) en el tiempo dominio.

La función wavelet es en efecto un filtro de paso de banda y una escala que para cada nivel reduce a la mitad su ancho de banda. Esto crea el problema de que para cubrir todo el espectro se requeriría un número infinito de niveles. La función de escalado filtra el nivel más bajo de la transformación y asegura que se cubra todo el espectro. Ver para una explicación detallada.

Para una wavelet con soporte compacto, φ(t) puede considerarse de longitud finita y es equivalente al filtro de escala g.

Las wavelets de Meyer se pueden definir mediante funciones de escala

Función de ondícula

La wavelet solo tiene una representación en el dominio del tiempo como la función wavelet ψ(t).

Por ejemplo, las wavelets de sombrero mexicano se pueden definir mediante una función de wavelet. Vea una lista de algunas wavelets continuas.

Historia

El desarrollo de las ondículas se puede vincular a varias líneas de pensamiento separadas, comenzando con el trabajo de Haar a principios del siglo XX. El trabajo posterior de Dennis Gabor produjo átomos de Gabor (1946), que se construyen de manera similar a las ondículas y se aplican a propósitos similares.

Las contribuciones notables a la teoría wavelet desde entonces se pueden atribuir al descubrimiento de Zweig de la transformada wavelet continua (CWT) en 1975 (originalmente llamada transformada coclear y descubierta mientras estudiaba la reacción del oído al sonido), Pierre Goupillaud, Grossmann y La formulación de Morlet de lo que ahora se conoce como CWT (1982), los primeros trabajos de Jan-Olov Strömberg sobre wavelets discretas (1983), Le Gall–Tabatabai (LGT) 5/3-taps non- banco de filtros ortogonales con fase lineal (1988), Ingrid Daubechies' wavelets ortogonales con soporte compacto (1988), marco multirresolución no ortogonal de Mallat (1989), Binomial QMF de Ali Akansu (1990), interpretación de tiempo-frecuencia de Nathalie Delprat del CWT (1991)), la transformada wavelet armónica de Newland (1993) y la partición de conjuntos en árboles jerárquicos (SPIHT) desarrollada por Amir Said con William A. Pearlman en 1996.

El estándar JPEG 2000 fue desarrollado entre 1997 y 2000 por un comité del Grupo Conjunto de Expertos Fotográficos (JPEG) presidido por Touradj Ebrahimi (más tarde presidente de JPEG). En contraste con el algoritmo DCT utilizado por el formato JPEG original, JPEG 2000 utiliza algoritmos de transformación de ondas discretas (DWT). Utiliza la transformada wavelet CDF 9/7 (desarrollada por Ingrid Daubechies en 1992) para su algoritmo de compresión con pérdida, y la transformada wavelet 5/3 Le Gall-Tabatabai (LGT) (desarrollada por Didier Le Gall y Ali J. Tabatabai en 1988) por su algoritmo de compresión sin pérdidas. La tecnología JPEG 2000, que incluye la extensión Motion JPEG 2000, fue seleccionada como estándar de codificación de video para cine digital en 2004.

Cronología

  • First wavelet (Haar Wavelet) by Alfréd Haar (1909)
  • Desde la década de 1970: George Zweig, Jean Morlet, Alex Grossmann
  • Desde los años 80: Yves Meyer, Didier Le Gall, Ali J. Tabatabai, Stéphane Mallat, Ingrid Daubechies, Ronald Coifman, Ali Akansu, Victor Wickerhauser
  • Desde los años 90: Nathalie Delprat, Newland, Amir Said, William A. Pearlman, Touradj Ebrahimi, JPEG 2000

Transformaciones Wavelet

Una wavelet es una función matemática que se utiliza para dividir una función dada o una señal de tiempo continuo en diferentes componentes de escala. Por lo general, se puede asignar un rango de frecuencia a cada componente de la escala. Cada componente de la escala se puede estudiar con una resolución que coincida con su escala. Una transformada wavelet es la representación de una función por wavelets. Las wavelets son copias escaladas y traducidas (conocidas como "wavelets hijas") de una forma de onda oscilante de longitud finita o de descomposición rápida (conocida como "wavelet madre"). Las transformadas de ondas tienen ventajas sobre las transformadas de Fourier tradicionales para representar funciones que tienen discontinuidades y picos pronunciados, y para deconstruir y reconstruir con precisión señales finitas, no periódicas y/o no estacionarias.

Las transformadas wavelet se clasifican en transformadas wavelet discretas (DWT) y transformadas wavelet continuas (CWT). Tenga en cuenta que tanto DWT como CWT son transformaciones de tiempo continuo (analógicas). Se pueden utilizar para representar señales de tiempo continuo (analógicas). Los CWT operan en todas las escalas y traducciones posibles, mientras que los DWT usan un subconjunto específico de valores de escala y traducción o cuadrícula de representación.

Hay una gran cantidad de transformadas wavelet, cada una adecuada para diferentes aplicaciones. Para obtener una lista completa, consulte la lista de transformaciones relacionadas con wavelets, pero las más comunes se enumeran a continuación:

  • Transformación de onda continua (CWT)
  • Transformación de onda discreta (DWT)
  • Transformación rápida de onda (FWT)
  • Plan de elevación y plan generalizado de elevación
  • Decomposición de paquetes de onda (WPD)
  • Transformación de onda estacionaria (SWT)
  • Transformación Fraccional Fourier (FRFT)
  • Transformación de onda fraccional (FRWT)

Transformaciones generalizadas

Hay una serie de transformadas generalizadas de las cuales la transformada wavelet es un caso especial. Por ejemplo, Yosef Joseph Segman introdujo la escala en el grupo de Heisenberg, dando lugar a un espacio de transformación continua que es una función del tiempo, la escala y la frecuencia. El CWT es un corte bidimensional a través del volumen de frecuencia de escala de tiempo 3D resultante.

Otro ejemplo de una transformación generalizada es la transformación chirplet en la que el CWT también es un segmento bidimensional a través de la transformación chirplet.

Un área de aplicación importante para las transformadas generalizadas involucra sistemas en los que la resolución de alta frecuencia es crucial. Por ejemplo, las transformadas ópticas de electrones de campo oscuro intermedias entre el espacio directo y el recíproco se han utilizado ampliamente en el análisis armónico de la agrupación de átomos, es decir, en el estudio de cristales y defectos de cristales. Ahora que los microscopios electrónicos de transmisión son capaces de proporcionar imágenes digitales con información a escala de picómetro sobre la periodicidad atómica en nanoestructuras de todo tipo, la gama de aplicaciones de reconocimiento de patrones y tensión/metrología para transformadas intermedias con resolución de alta frecuencia (como brushlets y ridgelets) está creciendo. rápidamente.

La transformada de wavelet fraccional (FRWT) es una generalización de la transformada de wavelet clásica en los dominios de transformada de Fourier fraccional. Esta transformada es capaz de proporcionar la información de dominio de tiempo y fraccionario simultáneamente y representar señales en el plano de tiempo-fracción-frecuencia.

Aplicaciones

Por lo general, se utiliza una aproximación a DWT para la compresión de datos si ya se ha muestreado una señal, y CWT para el análisis de señales. Por lo tanto, la aproximación DWT se usa comúnmente en ingeniería e informática, y la CWT en investigación científica.

Al igual que otras transformaciones, las transformaciones wavelet se pueden usar para transformar datos y luego codificar los datos transformados, lo que resulta en una compresión efectiva. Por ejemplo, JPEG 2000 es un estándar de compresión de imágenes que utiliza ondículas biortogonales. Esto significa que aunque el marco está demasiado completo, es un marco apretado (ver tipos de marcos de un espacio vectorial), y se utilizan las mismas funciones de marco (excepto la conjugación en el caso de wavelets complejas). tanto para el análisis como para la síntesis, es decir, tanto en la transformada directa como en la inversa. Para obtener más información, consulte Compresión de ondículas.

Un uso relacionado es para suavizar/eliminar el ruido de los datos en función del umbral del coeficiente de wavelet, también llamado reducción de wavelet. Mediante el umbral adaptativo de los coeficientes de ondícula que corresponden a los componentes de frecuencia no deseados, se pueden realizar operaciones de suavizado y/o eliminación de ruido.

Las transformadas Wavelet también se están empezando a utilizar para aplicaciones de comunicación. Wavelet OFDM es el esquema de modulación básico utilizado en HD-PLC (una tecnología de comunicaciones por línea de alimentación desarrollada por Panasonic) y en uno de los modos opcionales incluidos en el estándar IEEE 1901. Wavelet OFDM puede lograr muescas más profundas que FFT OFDM tradicional, y wavelet OFDM no requiere un intervalo de protección (que generalmente representa una sobrecarga significativa en los sistemas FFT OFDM).

Como representación de una señal

A menudo, las señales se pueden representar bien como una suma de sinusoides. Sin embargo, considere una señal discontinua con una discontinuidad abrupta; esta señal todavía se puede representar como una suma de sinusoides, pero requiere un número infinito, que es una observación conocida como fenómeno de Gibbs. Entonces, esto requiere un número infinito de coeficientes de Fourier, lo que no es práctico para muchas aplicaciones, como la compresión. Las wavelets son más útiles para describir estas señales con discontinuidades debido a su comportamiento localizado en el tiempo (tanto la transformada de Fourier como la wavelet están localizadas en frecuencia, pero las wavelets tienen una propiedad adicional de localización en el tiempo). Debido a esto, muchos tipos de señales en la práctica pueden no ser escasas en el dominio de Fourier, pero muy escasas en el dominio de las ondículas. Esto es particularmente útil en la reconstrucción de señales, especialmente en el campo recientemente popular de la detección comprimida. (Tenga en cuenta que la transformada de Fourier de tiempo corto (STFT, por sus siglas en inglés) también se localiza en el tiempo y la frecuencia, pero a menudo hay problemas con el equilibrio entre la resolución de frecuencia y el tiempo. Las wavelets son mejores representaciones de señales debido al análisis de resolución múltiple).

Esto explica por qué las transformadas wavelet ahora se están adoptando para una gran cantidad de aplicaciones, a menudo reemplazando a la transformada de Fourier convencional. Muchas áreas de la física han visto este cambio de paradigma, incluida la dinámica molecular, la teoría del caos, los cálculos ab initio, la astrofísica, el análisis de datos transitorios de ondas gravitacionales, la localización de la matriz de densidad, la sismología, la óptica, la turbulencia y la mecánica cuántica. Este cambio también se ha producido en el procesamiento de imágenes, EEG, EMG, análisis de ECG, ritmos cerebrales, análisis de ADN, análisis de proteínas, climatología, análisis de la respuesta sexual humana, procesamiento general de señales, reconocimiento de voz, acústica, señales de vibración, gráficos por computadora, análisis multifractal, y codificación escasa. En la visión por computadora y el procesamiento de imágenes, la noción de representación espacial de escala y los operadores derivados de Gauss se consideran una representación canónica de múltiples escalas.

Eliminación de ruido Wavelet

Signal denoising by wavelet transform thresholding

Supongamos que midemos una señal ruidosa , donde representa la señal y representa el ruido. Assume tiene una escasa representación en una cierta base de onda, y

Deja que la onda se transforme Ser , donde es la transformación de onda del componente de señal y es la transformación de onda del componente de ruido.

La mayoría de los elementos en son 0 o cerca de 0, y

Desde es ortogonal, el problema de estimación equivale a la recuperación de una señal en el ruido gaisiano iid. As es escasa, un método es aplicar un modelo de mezcla Gausian para .

Assume a prior , donde es la variabilidad de los coeficientes y es la varianza de coeficientes "insignificantes".

Entonces... , se llama factor de reducción, que depende de las diferencias anteriores y . Al establecer coeficientes que caen por debajo de un umbral de encogimiento a cero, una vez que se aplica la transformación inversa, se pierde una cantidad previsiblemente pequeña de señal debido a la suposición de sparsity. Se espera que los coeficientes más grandes representen principalmente señal debido a la espacidad, y estadísticamente muy poco de la señal, aunque la mayoría del ruido, se espera que se represente en estos coeficientes de menor magnitud... Por lo tanto, se espera que la operación de cero para eliminar la mayor parte del ruido y no mucha señal. Por lo general, los coeficientes anteriores no se modifican durante este proceso. Algunos algoritmos para la denoización basada en ondas pueden atenuar coeficientes más grandes también, sobre la base de una estimación estadística de la cantidad de ruido que se espera que sea eliminado por tal atenuación.

Por último, aplicar el transformado de onda inversa para obtener

Red climática multiescala

Agarwal et al. propuso métodos lineales y no lineales avanzados basados en wavelet para construir e investigar el clima como redes complejas en diferentes escalas de tiempo. Las redes climáticas construidas utilizando conjuntos de datos de SST en diferentes escalas de tiempo afirmaron que el análisis multiescala basado en ondículas de los procesos climáticos promete una mejor comprensión de la dinámica del sistema que puede pasarse por alto cuando los procesos se analizan solo en una escala de tiempo.

Lista de wavelets

Ondículas discretas

  • Beylkin (18)
  • Moore Wavelet
  • Biorthogonal casi coiflet (BNC)
  • Coiflet (6, 12, 18, 24, 30)
  • Muelle de onda Cohen-Daubechies-Feauveau (A veces denominado CDF N/P o Daubechies biorthogonal wavelets)
  • Daubechies wavelet (2, 4, 6, 8, 10, 12, 14, 16, 18, 20, etc.)
  • Binomial-QMF (También se conoce como onda Daubechies)
  • Ola de Haar
  • Muelle de onda Mathieu
  • Legendre wavelet
  • Muelle de onda Villasenor
  • Symlet

Ondículas continuas

Valor real

  • Beta wavelet
  • Hermitian wavelet
  • Meyer wavelet
  • Mola de sombrero mexicano
  • Poisson wavelet
  • Flota de Shannon
  • Hoja de onda
  • Strömberg wavelet

Valor complejo

  • Complejo de onda de sombrero mexicano
  • fbsp wavelet
  • Morlet wavelet
  • Flota de Shannon
  • Molet de onda morlet modificada

Contenido relacionado

Torre de agua

Vehículo aéreo no tripulado

Jorge Cantor

Más resultados...
Tamaño del texto:
undoredo
format_boldformat_italicformat_underlinedstrikethrough_ssuperscriptsubscriptlink
save