所谓的第一代小波和缩放功能是单一展开和单一功能的转换。傅立叶方法在这些小波的设计中发挥着关键作用。然而,小波基由单个函数的转换和扩张组成的要求施加了一些限制,限制了小波分析核心的多分辨率思想的效用。
小波方法的效用由设计延长第二代小波通过提升.
不能使用单个函数的平移和扩展的典型设置包括:
有界域上的小波设计-这包括在区间或高维欧几里得空间的有界域上构造小波。
加权小波-在某些应用中,如偏微分方程的解,需要小波相对于加权内积的双正交。
间隔不规则数据- 在许多真实应用程序中,数据样本之间的采样间隔不等于。
设计新第一代小波需要傅里叶分析的专业知识。瑞典人提出的提升方法(见[Swe98])参考文献)消除了傅里叶分析专业知识的必要性,并允许您从初始的小波开始生成无限个离散双正交小波。除了世代第一代小波,提升,提升方法也使您能够设计第二代小波,不能使用基于傅里叶的方法设计。通过提升,您可以设计小波来解决第一代小波。
有关提升的更多信息,请参阅[SWE98],[MAL98],[STRN96]和[MISMOP03]参考文献.
由滤波器组实现的DWT由四个过滤器定义如下快小波变换(FWT)算法.兴趣的两个主要性质是
完美重构性
与“真”小波的联系(如何从滤波器开始,产生有限能量函数空间的正交或双正交基)
为了说明完美的重建属性,以下滤波器组包含两个分解过滤器和两个合成滤波器。分解和合成滤波器可以构成一对双正交基础或正交基础。大写字母表示过滤器的Z变换。
这导致了完美重构(PR)滤波器组的以下两个条件:
和
第一条件通常(错误地)称为完美的重建条件,第二个条件是抗锯齿条件。
这 术语意味着,完美的重建实现了比滤波器长度小的一个样品的延迟,L..如果分析过滤器转换为因果关系,就会产生这个结果。
提升从小波变换的基本性质出发,设计出完美的重构滤波器组。小波变换通过利用大多数真实数据中固有的相关性来构建稀疏表示。例如,绘制3天期间的电力消耗示例。
负载leleccum绘图(LELECCUM)网格在轴紧标题('用电量')
这多相信号的表示是提升中的重要概念。您可以将每个信号视为由此组成阶段,它包括每一个N以某个索引开头的示例。例如,如果你索引一个时间序列N= 0取其他样本的起始点N= 0,提取偶数样本。如果你从N=1,提取奇数样本。这些是数据中的偶数和奇数多相分量。因为样本之间的增量是2,所以只有两个阶段。如果将增量增加到4,则可以提取4个相。对于提升来说,集中于偶、奇多相分量就足够了。下面的图说明了输入信号的这个操作。
在哪里Z.为单位前进算子,数字2的向下箭头表示向下采样2。在提升的语言中,将输入信号分离为偶数和奇数分量的操作称为分裂操作,或懒惰的小波.
为了从数学上理解提升,有必要理解偶数和奇数多相分量的z域表示。
偶数多相组分的Z-变换是
奇多相分量的z变换为
你可以把输入信号的z变换写成多相分量的z变换的扩展形式的和。
单个提升步骤可以用以下三个基本操作来描述:
分裂-将信号分解成不相交的分量。一种常见的方法是提取中解释的偶和奇多相分量多相表示.这也被称为懒惰的小波.
预测- 基于偶数多相组分的样品的线性组合的奇数多相组分。奇数多相组分的样品由奇数多相组分与预测值之间的差异替换。
更新-基于从预测步骤中获得的不同样品的线性组合的偶数多相组分。
在实践中,对预测和更新操作都进行了规范化。
下面的图表演示了一个提升步骤。
使用操作分割、预测和更新,您可以通过升降来实现Haar小波。
分裂—将信号分为偶数和奇数多相分量
预测——取代 与 .预测运营商简单 .
更新——取代 与 .这个等于 .
z域中的预测运算符可以以以下矩阵形式写入:
与 .
update操作符可以写成如下矩阵形式:
与 .
最后,更新和预测归一化可以包含如下:
您可以使用liftingScheme
构造与哈尔小波相关的提升方案。
lscHaar = liftingScheme (“小波”那'哈尔');disp (lscHaar)
小波:'haar' LiftingSteps: [2 × 1] liftingStep NormalizationFactors: [1.4142 0.7071] CustomLowpassFilter: [] Details of LiftingSteps: Type: 'predict' Coefficients: -1 MaxOrder: 0 Type: 'update' Coefficients: 0.5000 MaxOrder: 0
请注意,为了方便起见,负号被合并到预测
提升步骤。元素NormalizationFactors
那1.4142
和0.7071
,分别为预测和更新归一化因子。MaxOrder
给出了描述相应提升步骤的洛朗多项式的最高次。在这种情况下,两者都是零,因为预测和更新提升都是用标量描述的。
这个例子介绍了提升方案bior2.2
双正交尺度和小波滤波器。
在哈尔提升方案中,预测运营商差异差异奇数甚至样本。在该示例中,定义一个新的预测运算符,其计算两个相邻偶数样本的平均值。从中间奇数样本中减去平均值。
在z域,你可以把预测算子写成
要获取更新运算符,请检查更新运算符通过提升的哈尔小波.该更新以这样的方式定义,即近似系数的总和与输入数据向量的平均值成比例。
要在此提升步骤中获得相同的结果,请将更新定义为
您可以使用liftingScheme
得到提升方案。
lscBior = liftingScheme (“小波”那“bior2.2”);disp (lscBior)
小波:'bior2.2' LiftingSteps: [2 × 1] liftingStep NormalizationFactors: [1.4142 0.7071] CustomLowpassFilter: [] Details of LiftingSteps: Type: 'predict' Coefficients: [-0.5000 -0.5000] MaxOrder: 1 Type: 'update' Coefficients: [0.2500 0.2500] MaxOrder: 0
这个例子展示了如何将基本的提升步骤添加到提升方案中。
创建一个与哈尔小波相关的提升方案。
LSC = Liftingscheme(“小波”那'哈尔');DISP(LSC)
小波:'haar' LiftingSteps: [2 × 1] liftingStep NormalizationFactors: [1.4142 0.7071] CustomLowpassFilter: [] Details of LiftingSteps: Type: 'predict' Coefficients: -1 MaxOrder: 0 Type: 'update' Coefficients: 0.5000 MaxOrder: 0
创建一个更新
基本提升步骤。为提升方案附加步骤。
els =升降步骤(“类型”那“更新”那'系数'(-1/8 1/8),“MaxOrder”,0);LSCNEW = Addlift(LSC,ELS);DISP(LSCNEW)
小波:'custom' LiftingSteps: [3 × 1] liftingStep NormalizationFactors: [1.4142 0.7071] CustomLowpassFilter:[]详细的LiftingSteps:类型:'predict'系数:-1 MaxOrder: 0类型:'update'系数:0.5000 MaxOrder: 0类型:'update'系数:[-0.1250 0.1250]MaxOrder: 0
从新的提升方案中获得分解和重构滤波器。
[lod,藏,生气,hir] = ls2filt (lscNew);
使用Bswfun
到绘图的结果缩放函数和过滤器。
Bswfun(LOD,HID,LOR,HIR,“阴谋”);
在一些应用中,希望有一个小波变换将整数输入映射到整数尺度和小波系数。你可以很容易地使用升降机来完成。
创建一个与哈尔小波相关的提升方案。在提升方案中增加一个基本的提升步骤。
LSC = Liftingscheme(“小波”那'哈尔');els =升降步骤(“类型”那“更新”那'系数'(-1/8 1/8),“MaxOrder”,0);lscnew = lsc.addlift(els);
创建一个整数值信号。使用提升方案获得来自LWT的信号的整数到整数小波变换,“Int2Int”
设置为真正的
.
rng默认sig = randi(20,16,1);[ca,cd] = lwt(sig,“LiftingScheme”lscNew,“Int2Int”,真的);
确认近似系数是全整数。
马克斯(abs (ca-floor (ca)))
ans = 0.
确认细节系数都是整数。
len =长度(CD);为了K = 1:Len Disp([k,max(abs(cd {k} -floor(cd {k})))]);结束
1 0 2 0 3 0 4 0
反变换并演示完美的重构。
XREC = ILWT(CA,CD,“LiftingScheme”lscNew,“Int2Int”,真的);max(abs(xrec-sig))
ans = 0.