小波包变换用于抑制噪声和信号压缩Noise suppression and signal compression using the wavelet packet transform论文学习笔记

Noise suppression and signal compression using the wavelet packet transform

论文：https://www.sciencedirect.com/science/article/abs/pii/S0169743996000779

毕业论文可能会用到小波包变换，电机轴承数据故障诊断，用小波包变换做数据预处理，记下一篇论文学习笔记
该走的路一步都不会少

小波函数并不是指具体的某一个函数，而是具有以下性质的一个函数族：
小波函数的波形满足：

• 波动特性，在（-∞， +∞）范围内，小波函数的积分为0
• 衰减特性，在（-∞， +∞）范围内，小波函数模平方的积分值小于+∞

1 引言

信号在小波基函数上的投影称为小波变换。与任何变换一样，小波变换的目的是将信号从原始信号变换到另一个域，在这个域中可以更容易地对信号进行某些操作(如去噪、压缩)。逆变换则把信号返回到原来的域。

在这里就不得不提到傅里叶变换，傅里叶变换将时域信号转换到频域下，傅里叶变换的基是e^iwt.

• 傅里叶变换的含义是信号f(x)中有多少频率为w的频率成分。傅里叶变换能够反映出信号在不同频率成分上的能量分布，又称为谱分析。

• 但如果信号出现了干扰，信号在某一时刻出现了漂移，我们需要判断出发生漂移的时刻（或者时间段），还有漂移量是多少。但是傅里叶变换的基决定了这种分析方法是在整个时域范围内进行分析的，而且傅里叶变换对频率严格区分。

在某些地方，小波变换和傅里叶变换相似，但是傅里叶变换只能进行频域分析而不能进行时域分析（丢失了时域的信息），而小波变换时在时频域进行分析。小波函数旨在限制的一段在时间内函数值是非零的，小波非零部分的宽度叫做“支撑”。随着层数的不同，支撑也随之改变。由于小波的特殊局域性质，在描述具有尖峰或不连续的信号时特别有用。

例如在上文提到的在某一时刻出现了漂移的情况，或者电机轴承故障诊断当某一时刻出现故障，振动信号发生突变的情况，就可以用小波变换来分析。

本文以正交小波为例进行阐述。

2 离散小波变换（DWT）和小波包变换（WPT）

2.1 离散小波变换（DWT）

输入长度为N的序列，小波变换可以用向量矩阵形式表示为:

α包含N个小波变换系数，W是由基向量构成的正交矩阵。
经过离散小波变换计算得到的小波系数是和选择的小波基相关的。选定的小波基由一组数来表示，称为小波滤波器系数。例如，Danbechies小波家族的第一个成员以两个系数co和c 1为特征，下一个成员以四个系数co、c 1、c 2和c a为特征……通常，第n个成员包含有2n个系数。
一旦确定了小波基函数，我们可以利用它的系数来定义两个滤波器：低通滤波器和高通滤波器。这两个滤波器使用的是同一组小波滤波器系数，但符号交替，顺序相反。
低通滤波器有n个系数，可以看做是一个平滑滤波器，类似于移动求取n个点的平均值。
在信号处理领域，这对滤波器被称为四向镜滤波器(QMF)。
低通滤波器又称尺度滤波器，高通滤波器又称小波滤波器。
尺度系数构成低通滤波器矩阵G,小波系数构成高通滤波器矩阵H。信号包含8个数据点和两个滤波器，低通滤波器G和高通滤波器H的矩阵如下：

低通滤波器和高通滤波器用到的小波系数是相同的：c0,c,c2,c3.
单独看低通滤波器G和高通滤波器H，矩阵的每一行是上一行向右平移两格，（小波函数是依赖于参数a,b的函数，将a按指数取值，b是a的整数倍，得到下标双数倍移动的两组新的标准正交基。）

确定了滤波器，就可以应用由Mallat分解算法，“金字塔算法”“树算法”，得到函数分层次的、复杂的、多分辨率的表示。
在塔式分解算法中，一组长度为N的输入数据，数据通过尺度滤波器和小波滤波器，输出变成了两组长度分别为N/2的系数。
高通滤波后的数据是小波变换的细节系数（detail coefficients） d1。
低通滤波后的数据是小波变换的近似系数(approximation coefficients) a1（反映的是信号变换的趋势）。
上一步得到的近似系数a1，可以再一次输入到小波滤波器中，再输出一组长度为N/4的近似系数a2和细节系数d2。
如果我们将原始的数据信号作为a0(近似系数)，在此基础上，给出了小波变换的递推公式：

其中f表示输入信号，把输入信号近似为第0层的尺度系数a0
m表示分辨率的层数

采样间隔和分辨率的层数有关。第m层采样间隔等于 2^m 。随着采样间隔的增加，分辨率逐渐降低，近似系数包含的信息逐层减少第m-1层和第M层尺度系数（approximation coefficients）差异就包含在第m层的小波系数中。
小波变换的塔式分解结构如图所示：
（G表示低通滤波器，H表示高通滤波器，a表示每一层滤波后得到的尺度系数，d表示每一层分解后得到的小波系数。）

由分解系数重构原始信号，我们必须反向运行递归算法，H和G的共轭分别表示为H*
和G*(对于标准正交基，H和G的共轭等于它们的转置矩阵)。信号重构可以表示为：

根据下一层的尺度系数和小波西系数来重构上一层的尺度系数。

2.1.1 Haar小波的离散小波变换

Daubechies家族的第一种正交小波被称为Haar小波。它是所有小波中最简单、最古老的小波，并已应用于各种数学领域。它以最直接的方式阐述了小波变换的一些主要特征，接下来利用Haar小波进行阐述。

矩阵表示为：

中间的变换矩阵是由低通滤波器和高通滤波器构成的分块矩阵。
G和H构成了一个矩阵（当做一个整体），将信号输入到这个系统中得到尺度系数aj和小波系数dj。
继续划分依次为

每一次将信号输入该系统中得到尺度系数和小波系数的含义是：输入系统的信号是Vj空间的一个向量，输出的结果表示该向量在（子空间）Vj+1空间和Wj+1空间上的投影坐标。

注释：正交小波
根据小波母函数的定义φ（a,b）=a^(-1/2)(t-b)/a,尺度参数a按指数取值a=2^-j,b = k*2^-j.得到正交小波定义式为：2^j/2φ（2^jt-k）

矩阵的维度取决于待分解信号的长度。当输入信号的长度为16=2⁴,可以分为4个尺度的多分辨率(四个level)。m=0时（level 0）采样间隔是2⁰=1，也就是将原始的输入信号近似成a0；将上一层的输出进行采样间隔为2下采样，m=1时（level 1）的采样间隔是2¹=2，作为level1的输入；
最后多分辨率的结果如图所示：

2.2 小波包变换（WPT）

在小波变换的金字塔算法中，细节“分支”（detail coefficients）不再进一步计算，也就是说，在每一个分辨率的level上只对尺度系数（approximation coefficients）进一步分解，得到下一层分辨率level的近似参数和细节参数。

2.2.1 与Haar小波相关的小波包变换

同样长度的离散信号进行小波包变换（N=16），以Haar小波为母函数的小波包变换，整个小波包树的尺度系数和小波系数如图所示：

level1:将原始输入信号近似成a0输入到系统中，输出尺度系数和小波系数a¹,长度都是N/2.

level2:将上一个level得到的尺度系数和小波系数进一步进行分解，box4和box5是尺度系数进一步分解得到llevel2的尺度系数和小波系数；box6和box7是小波系数进一步分解得到尺度系数和小波系数。

level3:

level4:

3 数据压缩和降噪的基本概念

小波在数据压缩和去噪中的作用主要在于小波变换可以转化为稀疏展开。这意味着，任何信号都可以用初始系数的一小部分非常精确地表示出来，那些足够小的系数被设为零。WPT对信号的完备性使我们能够通过(选择合适的基)来进行信号压缩和去噪。
为了解释图片压缩和去噪的基本概念，论文中使用仿真和真实的信号进行阐述。
基函数的选取原则:我们选取的基的每一个系数应包含尽可能多的原始信号的信息，我们选择系数个数较少的基。
因为信息量是对分配不平等的度量.例如，最佳基可以定义为系数个数最少的基，其分辨率值高于预先定义的阈值。
小波包可以有效地搜索到“最佳基”。塔式分解中的每个节点表示原始信号的一个子空间。每个子空间是它的两个子空间的正交和。寻找最佳基的过程包括计算分解树的每个子空间的向性(系数的数目)，然后将这个量与子空间的两个直接后代的和进行比较。我们选择较小熵的子空间(较小的系数个数)，并继续增大到由信号长度决定的某个最大区间大小。

3.1 系数选择的准则和相应的成本函数

一旦选择了熵最小的最佳基，就需要制定小波变换系数选择的准则。
只保留绝对值大于预定义阈值的系数。对应的成本函数定义为保留系数的个数。