Professional Documents
Culture Documents
Szum losowy
Impuls Dirac'a
Skok jednostkowy
Wspczynniki
,
(2)
(3)
(4)
Fourierowska reprezentacja funkcji jako zoenia sinusw i kosinusw znalaza szerokie zastosowanie
Transformata Fouriera FT
Jest ona przydatna do analizowania czstotliwoci sygnau w pewnym przedziale czasu.
Transformata polega na zmianie funkcji z zalenoci od czasu na funkcji zalec od czstotliwoci.
Wtedy sygna moe by analizowany ze wzgldu na swoj czstotliwo poniewa wtedy
wspczynniki Fouriera reprezentuj wkad kadej funkcji sinus i kosinus do poszczeglnych
czstotliwoci. Nastpnie stosuje si transformat odwrotna aby z powrotem przeksztaci funkcje do
pierwotnej postaci.
Bardzo podobna jest dyskretna transformata Fouriera (Discrete Fourier Transforms "DFT"). Szacuje
transformat Fouriera na podstawie skoczonej iloci punktw, ktre odwzorowuj zachowanie si
caej funkcji.
Windowed Fourier Transforms (WFT)
Jeeli funkcja
nie jest periodyczna, zoenie funkcji periodycznych nie odwzoruje jej dokadnie. Moemy jednak
tak rozoy sygna, aby jego poszczeglne czci byy funkcjami okresowymi. WFT daje informacje
jednoczenie o dziedzinie czasu i czstotliwoci.
Algorytm WFT wejciowy sygna
dzieli na przedziay, a kady z nich jest oddzielnie analizowany ze wzgldu na czstotliwo. Jeeli
sygna posiada ostre przejcia, to tak dobieramy podzia, aby w miejscu tego przejcia znalaz si
koniec przedziau. Procedura koczy w ten sposb, e w sposb bardziej znaczcy jest
analizowany rodek przedziau nie punkty znajdujce si w okolicy koca przedziau (traktowanie
punktw z pewn wag). Ostatecznie otrzymujemy lokalizacj czasow sygnau.
wymaga wykonania
, gdzie
jest iloci uytych punktw. Mnoenie macierzy
operacji, co przy zwikszajcej si iloci punktw staje si kopotliwe. Jednake jeeli punkty rozoone s w
pewien jednolity sposb, wtedy macierz taka moe zosta podzielona na kilka macierzy rzadkich, a ilo
wykonywanych operacji arytmetycznych wynosi wtedy
. Zastosowanie takiego podziau znacznie przypiesza obliczenia, std te nazwa FFT.
Analiza Wavelet
W przeciwiestwie do analizy fourierowskiej, analiza falek nie wyraa badanych funkcji poprzez wielomiany, ale poprzez
pewne specjalne funkcje - falki, ktre s tworzone ze staej funkcji zwanej falk macierzyst, poddanej wielokrotnym
translacjom. Uzyskane w ten sposb falki maj szereg interesujcych skalowalnych waciwoci. Mona je odnosi zarwno
do czasu jak i do czstotliwoci, dopuszczajc blisze zwizki pomidzy badan funkcj (funkcj reprezentowan), a jej
wspczynnikami. W ten sposb uzyskano wiksz numeryczna stabilno w procesie odtwarzania funkcji.
W praktyce celem analizy falek jest znalezienie funkcji macierzystych i sposobw ich uzyskania za pomoc metod
numerycznych. Pokazano, e kade zadanie posugujce si szybk transformat Fouriera moe zosta sformuowane za
pomoc falek, dajc przy tym wicej informacji przestrzennej (o miejscu pooenia) jak i czstotliwociowej. W ten sposb
zamiast tworzy spektrum (natenie / czstotliwo) mona otrzyma spektrum falkowe (frequency spectrum versus wavelet
spectrum). Analiza falek jest bardzo poytecznym narzdziem w analizie zmiennych przebiegw (nonstationary signals),
sygnaw mocno zaszumionych (odtwarzanie oryginalnego sygnau, usuwanie zanieczyszcze).
Falki s funkcjami, ktre zadowalaj z pewnoci matematyczne potrzeby i s uywane do reprezentowania innych funkcji
lub danych. Sama idea aproksymacji nie jest przecie nowa. Na pocztku XIX w. Joseph Fourier odkry, e za pomoc
superpozycji sinusw i kosinusw moe przedstawia inne funkcje. Jednak w analizie wavelet skala ktrej uywamy
przygldajc si danym (skalowanie funkcji i analiza z odpowiednim dopasowaniem) gra gwn rol. Obrabiajc
odpowiednie czci danych z przypisan im rozdzielczoci czy skal moemy zauway due szczegy (waciwoci)
uywajc duej skali lub mae przy odpowiednio maej skali.
Analiza wavelet polega na znalezieniu prototypu funkcji zwanej falk macierzyst (mother wavelet). Chwilowa analiza
wykonywana jest ze z gry ustalon wysok czstotliwo wanie na tej funkcji prototypowej, gdy rwnoczenie na tej
samej funkcji odpowiednio przeskalowanej wykonywana jest obrbka niskoczstotliwociowa. Jako, e funkcja lub sygna
oryginalny moe by przedstawiony jako kombinacja liniowa wspczynnikw funkcji wavelet to w czasie wykonywania
dziaa mog zosta wykorzystane jedynie te wspczynniki. Jeeli pniej dokona si wyboru najlepiej pasujcej funkcji do
danych lub okroi si dane poniej zadanego progu okazuje si, e reprezentacja macierzowa tego problemu jest macierz
rzadk. Ta wasno powoduje, e jest to wietne narzdzie jeeli chodzi o kompresj danych.
Funkcje Bazowe
Funkcje bazowe (basis function) atwiej wytumaczy jest w przestrzeni wektorowej.
Kady wektor na paszczynie mona wyrazi przez kombinacj wektorw
elementarnych
wektor
oraz
i
ortogonalne.
Przeksztacenia funkcji
- Mother Wavelet (skalowania i translacje) prowadz
do zdefiniowania bazy ortogonalnej
(5)
Zmienne
w ten
wspczynnik
podaje jego pozycj. Zwrci naley uwag na to, e mother functions s skalowane w drugiej potdze
i przesuwane o liczby rzeczywiste. Powoduje to, e podstawowe funkcje wavelet s interesujce ze wzgldu na swoje
samopodobiestwo tzn. jeeli wiemy co o funkcjach mother wiemy wszystko o funkcjach bazowych.
Aby rozwin nasz dziedzin danych na inn przestrze uywa si rwnania skalujcego
(6)
gdzie:
jest funkcj skalujc dla funkcji podstawowej
- wspczynniki falkowe (wavelet coefficients)
Te wspczynniki musz spenia jednoczenie warunek
(7)
oraz
(8)
gdzie
Pakiety Falkowe
Transformata wavelet jest tylko skadnikiem o wiele bardziej wszechstronnych pakietw waveletowych.
Wavelet packets to szczeglna kombinacja falek. Tworz one baz, ktra zachowuje wiele z ortogonalnoci, gadkoci i
waciwoci lokalizacji bazowej funkcji falkowej. Wspczynniki w liniowej kombinacji s wyliczane przez powtarzajcy
si algorytm, ktry kady wyliczony wspczynnik pakietu falkowego zapamituje jako jedn z gazi swojego drzewa
analitycznego.
sygnal x(n)
2
1
0
-1
-2
0
1
0.2
0.4
0.6
0.8
0.5
0
0
6
8
10
czestotliwosc w Hz
12
14
2
0
-2
0
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
Skladowa urojona widma dla m=2
0.2
1
0
-1
0
1
0
-1
0
0.4
0.6
0.8
sygnal x(n)
2
0
-2
0
1
0.2
0.4
0.6
0.8
1
unormowane widmo amplitudowe sygnalu x(n)
0.5
0
0
4
czestotliwosc w Hz
sygnal x(n)
0
-2
0
1
0.2
0.4
0.6
0.8
1
unormowane widmo amplitudowe sygnalu x(n)
0.5
0
0
5
10
czestotliwosc w Hz
15
Wnioski:
Odkrycie Fouriera miao ogromne znaczenie dla
dzisiejszej komunikacji i informatyki. Rozwj
technologii pozwalajcej na zamian sygnaw z osi
czasu na o czstotliwoci umoliwi powstanie
zaawansowanych ukadw przesyania i magazynowania
danych: kompresji, kodowania, korekty. Wpyno to
znaczco na rozwj dzisiejszej komunikacji cyfrowej i
miao decydujcy wpyw przy projektowaniu urzdze i
oprogramowania do: CD Audio, GSM, JPG, MP3, DVD.
Przesyanie i gromadzenie danych w obecnych czasach
byoby - bez tej metody - bardzo utrudnione czy wrcz
niewykonalne. Moliwo analizowania widma niektrych
sygnaw pozwala nam rwnie zrozumie ich fizyk i
zachowanie. Ma to niebagatelny wpyw w rnych
dziedzinach techniki wojskowej czy medycznej.
Transformacja Fouriera daje nam takie moliwoci jak
pryzmat dla analizy widma wiata.
Przeksztalcenie Z
Przeksztalcenie Z jest, w dziedzinie czasu dyskretnego, odpowiednikiem ciaglego przeksztacenia Laplacea.
Podczas, gdy przeksztalcenie Laplacea jast stosowane dla uproszczenia analizy ciaglych rwna
rozniczkowych, przeksztalcenie Z ulatwia analiz dyskretnych rwna roznicowych. Przeksztalcenie Z
dyskretnego cigu h(n) jest zdefiniowane jako:
H ( z)
h( n) z
Transformata Fouriera
Transformata Fouriera jest operacja zamiany postaci czasowej sygnalu na postac
czastotliwosciowa. Jest to bardzo wazne narzedzie wykorzystywane przy analizie sygnalu. W
systemach z czasem dyskretnym wykorzystuje si dyskretne przeksztalcenie Fouriera (ang.
discrete Fourier transformation- DFT), ktre jest odpowiednikiem transformaty Fouriera dla
systemow ciaglych w czasie. Obliczanie prbek DFT odbywa si wedug nastepujacej
zaleznosci:
N 1
X ( k ) x(n)W Nkn
n 0
2
N
1
x ( n)
N
N 1
X (k )W
k 0
nk
N
Glowna idea na ktrej opiera si algorytm FFT, jest dekompozycja N-puktowego DFT na dwa
niezalene N/2- punktowe preksztalcenia DFT. Pierwsze z nich zawiera jedynie prbki
parzyste sygnalu wejsciowego, drugie natomiast- prbki nieparzyste:
X (k )
x(n)W
n _ parzyste
kn
N
x(n)W
kn
N
n _ nieparzyste
N
1
2
r 0
r 0
N
1
2
r 0
r 0
Na podstawie
W e
2
N
j2
2
N
2
N/2
WN
2
N
1
2
r 0
A zatem
X (k ) G (k ) W Nk H ( k )
przy czym
N
G (k ) -punktowe przeksztalcenie DFT parzystych punktw cigu x(n),
2
N
H (k ) -punktowe przeksztalcenie DFT nieparzystych punktw cigu x(n),
2
WN e
2
N
W algorytmie FFT mona rwnie rozwazac podzia cigu wyjciowego X(k). Zapiszmy
N 1
w postaci:
N
1
2
X (k ) x (n)W
n 0
N
1
2
x(n)W
n 0
N
1
2
kn
N
x(n)W
n
kn
N
N
2
kn
N
N 1
k (n )
N
x(n )W N 2
2
n 0
x(n)W Nkn W
n 0
N 1
N
N 2 1
k
2
N
n0
x(n
N
)W Nkn
2
N
-punktowymi transformatami Fouriera,
2
kn
N
2
N
)]W Nkn
2
X ( 2 r ) [ x ( n) x ( n
n 0
N
)]W N2 rn
2
N
)]W NnW N2 rn .
2
N
k
2
N
(1) k , moemy
przedstawic w postaci:
N
1
2
X (k ) [ x ( n) x ( n
N
)]W Nkn dla k parzystego
2
X ( k ) [ x ( n) x (n
N
)]W NnW Nkn dla k nieparzystego.
2
n 0
N
1
2
n 0