这篇文章主要接着上篇文章,上篇文章是对小波分析的初步了解,这篇的话就是对其公式的初步了解。
小波变换(一): https://blog.csdn.net/m0_51330854/article/details/115319184
一、傅里叶变换(FT)
傅里叶变换可以把一个信号从时域变换到频域。傅里叶变换的形式为:
根据欧拉公:
也就是说,傅里叶变换的本质就是:将原始信号乘上一组三角函数(正余弦),之后在整个时间域上积分。就这么简单!
将一个信号乘上一个特定频率的sin函数,在上积分,可以将信号中与sin函数同频率的部分筛选出来。那么,原则上讲,只要乘上所有频率的sin函数,并积分,不就知道原始信号中的所有频率部分了吗?
我们将所乘的sin函数的频率作为符号变量w,来进行积分,就只需要做一次积分,可以计算了。
傅里叶变换之后,实部是与cos的相似度,虚部是与sin的相似度
二.短时傅里叶变换(STFT)
有一个窗子在信号上从左向右滑动,每次你都只能看到这个信号的一部分,所以我们把这个长度叫作窗长width。
现在我们来定义一个方窗函数:
如下图,即是width = 10 的一个方窗函数:
将方窗函数向右平移了(s可能是sliding的意思吧),再与原信号相乘,由于方窗函数除了中心的width部分是1外,其他部分都是0,这就相当于提取出了原信号在处,宽度为width的部分,这个信号分窗这个操作就可以写成
三.连续小波变换(CWT)
小波母函数需要满足的条件有:
- 紧支撑性:仅在一小部分定义域里不为0,剩下部分均为0;
- 本身是振荡的,具有波的性质,并且完全不含直流趋势成分,(在有限时间范围内平均值为0)
四.离散小波变换(DWT)的Mallet算法
实际上,离散小波变换是对连续小波变换的尺度、位移按照2的幂次进行离散化得到的,所以也称之为二进制小波变换。
在小波分析中经常用到近似与细节。近似表示信号的高尺度,即低频信息;细节表示信号的低尺度,即高频信息。因此,原始信号通过两个相互滤波器产生两个信号。
1.定义(摘自百度百科):
首先我们定义一些需要用到的信号及滤波器。
x[n]:离散的输入信号,长度为N。
g[n]:low pass filter低通滤波器,可以将输入信号的高频部份滤掉而输出低频部份。
h[n]:high pass filter高通滤波器,与低通滤波器相反,滤掉低频部份而输出高频部份。
Q:downsampling filter降采样滤波器,如果以x[n]作为输入,则输出y[n]=x[Qn]。此处举例Q=2。
利用阶层架构来介绍如何将一个离散信号作离散小波变换
架构中的第1层(1st stage)
架构中的第2层(2nd stage)
可继续延伸
架构 中的第 α 层( α th stage)
注意:若输入信号 x[n]的长度是N,则第 α层中的 xα,L[n]及 xα,H[n]的长度为。
用一张比较经典的图,再来演示一下小波分解的过程。为采样信号的最高频率。
代表高通滤波器,
代表低通滤波器,“箭头+2”表示2倍下采样。
2、在降噪中的应用
在小波分析中经常用到近似于细节,近似表示信号的高尺度,即低频信息;细节表示信号的高尺度,即高频信息。 对含有噪声的信号,噪声分量的主要能量集中在小波解的细节分量中。