5. Folytonos wavelet transzformáció (CWT) – újabb folytatás

Slides:



Advertisements
Hasonló előadás
„Esélyteremtés és értékalakulás” Konferencia Megyeháza Kaposvár, 2009
Advertisements

12. A díjtartalék számítása
A Fourier - transzformáció
Csillagrezgések nyitott kérdései lépések egy 100 éves titok felderítésében Jurcsik Johanna MTA Konkoly Thege Miklós Csillagászati Kutatóintézet.
Információ átvitel problémái Kábelismereti alapok
Elektrotechnika 5. előadás Dr. Hodossy László 2006.
MI 2003/9 - 1 Alakfelismerés alapproblémája: adott objektumok egy halmaza, továbbá osztályok (kategóriák) egy halmaza. Feladatunk: az objektumokat - valamilyen.
Műveletek logaritmussal
Elektromos mennyiségek mérése
Számítógépes grafika és képfeldolgozás
4. Folytonos wavelet transzformáció (CWT) –folytatás
Mintavételi gyakoriság megválasztása
6. Wavelet spektrumok, többváltozós CWT Speciálkurzus 2009 tavasz.
9. Diszkrét wavelet transzformáció, szűrők, sokskálás felbontás, operátor tömörítés Speciálkurzus 2009 tavasz.
A waveletek és néhány alkalmazásuk
3. Folytonos wavelet transzformáció (CWT)
1. Bevezetés a waveletekhez (folytatás)
Digitális képanalízis
Matematikai Statisztika VIK Doktori Iskola
Hullámterjedési sebesség meghatározása CDP: 420 (24 szeres fedés)
MIGRÁCIÓ. FK migráció 1.Meghatározzuk a V(x,t) sebességfüggvényt 2. Megnyújtjuk időben a szelvényt, úgy, hogy az a V=1 m/s –nek feleljen meg. (Mivel.
Dekonvolúciós módszerek femtokémiai alkalmazása
Fourier hullámkái Lócsi Levente ELTE Eötvös József Collegium.
Virtuális méréstechnika Spektrum számolása 1 Mingesz Róbert V
Becsléselméleti ismétlés
Gazdaságelemzési és Statisztikai Tanszék
1.) Egy lineáris, kauzális, invariáns DI rendszer
Dr. Szalka Éva, Ph.D.1 Statisztika II. VII.. Dr. Szalka Éva, Ph.D.2 Mintavétel Mintavétel célja: következtetést levonni a –sokaságra vonatkozóan Mintavétel.
Elektrotechnika 4. előadás Dr. Hodossy László 2006.
Dr. Szalka Éva, Ph.D.1 Statisztika II. IX.. Dr. Szalka Éva, Ph.D.2 Idősorok elemzése.
T.Gy. Beszedfelism es szint Beszédfelismerés és beszédszintézis Beszédjelek lineáris predikciója Takács György 4. előadás
A digitális számítás elmélete
Beszédfelismerés és beszédszintézis Spektrális módszerek a beszédfeldolgozásban Takács György 3. előadás Beszedfelism és szint
Radványi Mihály Gergely Sándor Alpár Antal 2006
Vámossy Zoltán 2006 Gonzales-Woods, SzTE (Kató Zoltán) anyagok alapján
2007 december Szuhay Péter SPECTRIS Components Kft
Fizika 3. Rezgések Rezgések.
Hang, fény jellemzők mérése
1 Matematikai Analízis elemei dr. Szalkai István Pannon Egyetem, Veszprém nov. 08.
dr. Szalkai István Pannon Egyetem, Veszprém
Kvantitatív módszerek
Folytonos jelek Fourier transzformációja
Példák a Fourier transzformáció alkalmazására
Rendszerek sajátfüggvényei és azok tulajdonságai Folytonos (FT) rendszerekkel foglalkozunk,de az eredmények átvihetők diszkrét rendszerekre is. kt)kt)
Diszkrét változójú függvények Fourier sora
Matematikai alapok és valószínűségszámítás
Dinamikai rendszerek kaotikus viselkedése
szakmérnök hallgatók számára
Hiba-előjel alapú spektrális megfigyelő Orosz György Konzulensek: Sujbert László, Péceli Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika.
Idősor elemzés Idősor : időben ekvidisztáns elemekből álló sorozat
Idősorok elemzése Determinisztikus és sztochasztikus komponensek, előrejelzés autoregresszív modellel Forrás: Hidrológia II HEFOP oktatási segédanyag (
RÉSZEKRE BONTOTT SOKASÁG VIZSGÁLATA
Budapesti Műszaki és Gazdaságtudományi Egyetem Elektronikus Eszközök Tanszéke MIKROELEKTRONIKA, VIEEA306 Integrált mikrorendszerek:
13. A zillmerezés, mint bruttó
Alapsokaság (populáció)
IV. Terjeszkedés 2..
Bali Mihály (földrajz-környezettan)
Torlódás (Jamming) Kritikus pont-e a J pont? Szilva Attila 5. éves mérnök-fizikus hallgató.
Határozatlan integrál
Nagy Szilvia 4. I−Q-moduláció
A termelés költségei.
Energetikai gazdaságtan
Jelfeldolgozás alapfogalmak
Kommunikációs Rendszerek
Mikroökonómia gyakorlat
Valószínűségszámítás II.
Adatátvitel elméleti alapjai
előadások, konzultációk
A termelés költségei.
Trendelemzés előadó: Ketskeméty László
Előadás másolata:

5. Folytonos wavelet transzformáció (CWT) – újabb folytatás Speciálkurzus 2009 tavasz

Kérdések mennyire függ az eredmény a wavelet megválasztásától? szignifikánsak-e a talált csúcsok? a normalizáció korrekt-e? hogyan értelmezzük a kapott eredményeket? okoz-e problémát a konvolúció esetében annak periódikussága a DFT alkalmazásakor? hogyan viszonyul az analízis a Fourier transzformációhoz? inverz transzformáció?

Eredmények értelmezése Mivel ψn(η) általában komplex, Wn(s) is az Wn(s) valós és képzetes része: Re[Wn(s)], Im[Wn(s)] amplitúdó és fázis: |Wn(s)|, tg-1{ Im[Wn(s)]/Re[Wn(s)] } teljesítmény spektrum (power spectrum): |Wn(s)|2 A különböző wavelet spektrumokat könnyebb egybevetni, ha Wn(s) –et normalizáljuk a σ2 varianciával: normalizált teljesítmény spektrum: |Wn(s)|2 / σ2 ez a normalizáció a fehérzajhoz képest vett teljesítményt adja a wavelet együtthatók korreláltak és van peremhatás is

El Niño SST wavelet fázis hullámtaréjok, teknők

Kérdések mennyire függ az eredmény a wavelet megválasztásától? szignifikánsak-e a talált csúcsok? a normalizáció korrekt-e? hogyan értelmezzük a kapott eredményeket? okoz-e problémát a konvolúció esetében annak periódikussága a DFT alkalmazásakor? hogyan viszonyul az analízis a Fourier transzformációhoz? inverz transzformáció?

Periodikus konvolúció Mivel az adatsor hossza véges, a wavelet spektrum eleje és vége hibás lesz, mert a Fourier transzformált periodikus adatsort tételez fel: Lehetséges megoldások: zérus kitöltés, koszinuszos levágás, stb. 100% zérus kitöltés: nincs periodikus konvolúció – nagy adatmennyiség esetében nem hatékony < 100% zérus kitöltés a következő bináris számig: N = 2m de a széleken a jel energiája csökkenni fog

Hatáskúp (Cone of Influence, COI) A hatáskúp (COI) az a része a wavelet spektrumnak, ahol a peremhatás fontossá válik. specifikusan: a wavelet teljesítmény ACF e -ed részre csökkenésének τs ideje az adott skálán (a teljesítmény tehát e2 -ed részre csökken; e2 = 0.135) Név τs Morlet 21/2 s Paul 2-1/2 s DOG

Wavelet dekorreláció A hatáskúp (COI) az adott skálán információt nyújt egy spektrális csúcs dekorrelációs idejéről is. Ha összevetjük egy csúcs szélességét a dekorrelációs idővel, akkor meg tudjuk különböztetni az adatokban levő véletlen zajt az ekvivalens Fourier frekvencián ténylegesen jelen levő hullám összetevőtől. Matlab: wavesst_coi.m

El Niño SST hatáskúppal

Kérdések mennyire függ az eredmény a wavelet megválasztásától? szignifikánsak-e a talált csúcsok? a normalizáció korrekt-e? hogyan értelmezzük a kapott eredményeket? okoz-e problémát a konvolúció esetében annak periódikussága a DFT alkalmazásakor? hogyan viszonyul az analízis a Fourier transzformációhoz? inverz transzformáció?

Skála és Fourier periódus A leány wavelet FT maximuma nem szükségképpen s-1 frekvenciájú.

Skála és Fourier periódus Meyers et al.(1993) nyomán analitikus megoldás adható a skála és az ekvivalens Fourier periódus között. ismert periódusú koszinusz hullámot írunk be xk helyébe: milyen s skálán lesz |Wn(s)|2 maximális? pl. a Morlet waveletre (ω0 = 6) ez a λ = 1.03s értéket adja, ahol λ a Fourier periódus a Morlet wavelet skálája tehát majdnem azonos a Fourier periódussal

Waveletek Fourier periódusa Név λ Fourier periódus Morlet Paul DOG

Kérdések mennyire függ az eredmény a wavelet megválasztásától? szignifikánsak-e a talált csúcsok? a normalizáció korrekt-e? hogyan értelmezzük a kapott eredményeket? okoz-e problémát a konvolúció esetében annak periódikussága a DFT alkalmazásakor? hogyan viszonyul az analízis a Fourier transzformációhoz? inverz transzformáció?

Inverz wavelet transzformáció Mivel a WT ismert válaszfüggvényű sáváteresztő szűrő, ezért az eredeti idősor rekonstruálható akár dekonvolúció, akár az inverz szűrő segítségével. konvolúció (szűrés): dekonvolúció (inverz szűrés): ortogonális WT bázis esetében az inverzió egyszerű nem ortogonális WT bázis esetében (CWT) az inverzió redundáns: az idősor visszaállítása sokféle különböző wavelet függvény segítségével lehetséges

Inverz CWT delta „függvénnyel” a legegyszerűbb az inverz CWT a delta (δ) „függvénnyel” a rekonstruált idősor a különböző skálákon vett WT valós részének az összege minden skálára (Farge 1992): ψ0(0) eltávolítja az energia skálázást sj1/2 a WT-t energia sűrűségre konvertálja Cδ szorzó a δ „függvény” ψ0(η) segítségével történő rekonstrukciójából adódik (waveletenként más és más) Ha az eredeti idősor komplex, nem kell Wn valós részét venni

Cδ szorzó meghatározása xn = δn0 idősor Fourier transzformáltja: ezt beírjuk ide: n = 0-nál: ebből a Cδ szorzó: A Cδ skálától független és adott waveletre állandó

Waveletek Cδ szorzói Név Cδ szorzó Morlet (ω0 = 6) 0.776 Paul (m = 4) 1.132 DOG (m = 2) 3.541 DOG (m = 6) 1.966

CWT Parseval tétele A CWT megőrzi a jel összenergiáját: (σ a jel varianciája) Az inverz CWT és a Parseval tétel használható a WT számítás pontosságának ellenőrzésére és arra, hogy ellenőrizzük, s0 (~2δt) és δj (részoktáv) elég kicsik-e?

Inverz CWT El Niño SST reconst_sst.m s0 = 2δt és 7 oktáv (15.6%) s0 = δt és 12 oktáv (0.06%)

Rekonstrukciós hiba, ICWT

Rekonstrukciós hiba, ICWT

Inverz CWT szűrés Ha a CWT-nek csak egy adott részéből rekonstruáljuk az idősort, akkor (idő-frekvencia) szűrést végzünk az xn idősoron Példa: 2-8 éves periódusú El-Niño SST sst_filter.m

Zajszűrés inverz CWT-vel chirp (folyamatosan változó frekvenciájú jel) zajszűrése chirp_filter.m t : időpontok (dt : mintavételi időköz) f2 : 0 időpontbeli frekvencia f1 : t = 500 időpontbeli frekvencia

Zajmentes chirp CWT spektrum chirp_power.m

Zajos chirp CWT spektrum

Chirp zajszűrés inverz CWT-vel chirp_filter.m

Chirp zajszűrés inverz CWT-vel chirp_filter.m (50% fehérzaj)

További témák Globális wavelet spektrum (idő és skála átlagolás, simítás) Wavelet kereszt-spektrum, koherencia Többváltozós (komplex) folytonos WT Diszkrét diadikus WT, skálázó függvények Sokskálás analízis (MRA) Operátor tömörítés waveletekkel ...