Analiza szeregów czasowych: 11. Wavelet denoising
Transkrypt
Analiza szeregów czasowych: 11. Wavelet denoising
Analiza szeregów czasowych: 11. Wavelet denoising P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2005/06 Widmo falkowe Widmo mocy — jaka moc jest przesyłana przez mody harmoniczne o danych cz˛estotliwościach. Jeśli sygnał jest niestacjonarny, nie da sie˛ tego policzyć przez FFT (można policzyć tylko widmo zależne od czasu). Dla falek da sie˛ to zrobić, o ile tylko zgodzimy sie˛ na “rozmycie” pojecia ˛ cz˛estotliwości. Zamiast o cz˛estotliwości, w przypadku falek lepiej mówić o poszczegól−1 s nych skalach. Przypuśćmy, że mamy dany sygnał {xi}N i=0 o długości N = 2 . Niech Wi bed ˛ a˛ współczynnikami falkowymi porzadkowanymi ˛ w ten sposób, że na każdym etapie algorytmu piramidowego składowe “szybkie” umieszczane sa˛ w dolnej cz˛eści (aktualnego) wektora wynikowego. 11. Wavelet denoising 2 1 v(τj ) = j−1 2 j −1 2X Wi2 j = 1, 2, . . . , s. (1) i=2j−1 Mamy τj = 2τj+1, natomiast wartość τs zależy od przyjetej ˛ bazy falkowej — jest to rozmiar nośnika najmniejszych falek. v(τj ) określa moc przekazywana˛ na skali o długości τj . 11. Wavelet denoising 3 Sygnał. . . 120 100 80 60 40 20 0 σ=9 -20 0 11. Wavelet denoising 1 2 3 4 5 6 7 8 4 . . . i jego widmo falkowe liczone poprzez DAUB(4) 1e+006 100000 10000 1000 100 10 11. Wavelet denoising 22 24 26 28 210 5 Odszumianie sygnałów za pomoca˛ falek Przewaga w stosunku do filtru Wienera: da sie˛ zastosować do sygnałów niestacjonarnych. N −1 Przypuśćmy, że odbierany sygnał {xi}i=0 ma postać xi = f (i) + σ ηi (2) gdzie f (i) jest składowa˛ “deterministyczna”, ˛ zaś ηi jest białym szumem gaussowskim, nieskorelowanym z sygnałem. Podobnie jak w przypadku filtru Wienera, wycinamy te składowe, które sa˛ zdominowane przez szum. Ponieważ ˛ jako szum jest gaussowski, możemy oszacować próg obciecia q δ= 11. Wavelet denoising 2 log2 N σ (3) 6 Reguły kompresji Niech współczynniki falkowe wynosza˛ Wi. Stosujemy jedna˛ z trzech reguł kompresji: Hard rule: g= W i W 0 i |Wi| > δ |Wi| < δ (4) Współczynniki waveletowe moga˛ zmieniać sie˛ skokowo, co nie jest korzystne. 11. Wavelet denoising 7 Soft rule: sgn(W ) (|W | − δ ) i i g= W i 0 |Wi| > δ |Wi| < δ (5) To prowadzi do szkodliwego zmniejszenia dużych współczynników falkowych. 11. Wavelet denoising 8 Mid rule: Wi |Wi| > 2δ g = 2 sgn(W ) (|W | − δ ) δ 6 |W | < 2δ W i i i i 0 |Wi| < δ (6) Duże współczynniki nie sa˛ zmieniane, małe sa˛ zabijane, pośrednie sa˛ zmniejszane. Można też stosować bardziej skomplikowane reguły, w których zszycie jest gładkie. Zauważmy, że w każdej z tych reguł pozostaje tyle samo niezerowych g. współczynników W i 11. Wavelet denoising 9 Ilustracja reguł kompresji 3δ 2δ δ 0 -δ -2δ soft hard mid -3δ -3δ 11. Wavelet denoising -2δ -δ 0 δ 2δ 3δ 10 Jak oszacować poziom szumu? Na ogół nateżenie ˛ szumu, σ, nie jest znane. Jak je oszacować na podstawie samego sygnału? 1. Biały szum jest szybkozmienny, zakładamy zatem, że bedzie ˛ dawał przyczynki przede wszystkim do najszybciej zmieniajacych ˛ sie˛ składowych. 2. Wobec tego szacujemy ¯ ¯ ¯ ¯ ¯ ¯ ¯ ¯ 1 ¯ ¯ ¯ ¯ ¯ ¯ ¯ σ= median{¯WN/2¯ , ¯WN/2+1¯ , ¯WN/2+2¯ , . . . , WN −1¯} 0.6745 11. Wavelet denoising (7) 11 3. Kompresujac ˛ nigdy nie zmieniamy składowych W0 i W1, bo zawieraja˛ długoczasowa˛ informacje˛ o sygnale, w szczególności jego średnia. ˛ Podobnie jeśli wykonujemy niepełna˛ transformate˛ waveletowa, ˛ nie zmieniamy pozostawionych (nieprzetransformowanych) składowych wolnozmiennych — kompresujemy tylko cz˛eść szybkozmienna˛ i dodajemy do wolnozmiennej. 11. Wavelet denoising 12 Zaszumiony sygnał 120 100 80 60 40 20 0 σ=9 -20 0 11. Wavelet denoising 1 2 3 4 5 6 7 8 13 120 100 80 60 40 20 0 hard rule, 14 coefficients 6th order polynomial clean signal -20 0 11. Wavelet denoising 1 2 3 4 5 6 7 8 14 120 100 80 60 40 20 0 mid rule, 14 coefficients 6th order polynomial clean signal -20 0 11. Wavelet denoising 1 2 3 4 5 6 7 8 15 120 100 80 60 40 20 0 soft rule, 14 coefficients 6th order polynomial clean signal -20 0 11. Wavelet denoising 1 2 3 4 5 6 7 8 16 Porównanie dopasowanych wielomianów 90 80 70 60 50 40 30 20 soft rule mid rule hard rule clean signal 10 0 0 1 2 3 4 5 6 7 8 Widoczne sa˛ efekty brzegowe! 11. Wavelet denoising 17 Zaszumiony sygnał “niewielomianowy” 3 2.5 2 1.5 1 0.5 0 -0.5 -1 σ = 0.5 -1.5 0 11. Wavelet denoising 1 2 3 4 5 6 7 8 18 3 2.5 2 1.5 1 0.5 0 -0.5 -1 hard rule, 7 coefficients 6th order polynomial clean signal -1.5 0 11. Wavelet denoising 1 2 3 4 5 6 7 8 19 3 2.5 2 1.5 1 0.5 0 -0.5 -1 mid rule, 7 coefficients 6th order polynomial clean signal -1.5 0 11. Wavelet denoising 1 2 3 4 5 6 7 8 20 3 2.5 2 1.5 1 0.5 0 -0.5 -1 soft rule, 7 coefficients 6th order polynomial clean signal -1.5 0 11. Wavelet denoising 1 2 3 4 5 6 7 8 21 Porównanie dopasowanych wielomianów 1.2 1 0.8 0.6 0.4 0.2 soft rule mid rule hard rule clean signal 0 0 1 2 3 4 5 6 7 8 Dopasowanie niewielomianowe byłoby lepsze! 11. Wavelet denoising 22