转载 关于小波消失矩的理解

Topic: 【原创】对消失矩的理解

 

1.【原创】对消失矩的理解  
Posted by: chuntian
Posted on: 2005-09-14 10:13

我们通常用的函数dbn中的n就是这个小波函数的消失矩;
消失矩越大,它的支撑长度就越大,通常是支撑长度不少于2*n-1的;
消失矩越大,对应的滤波器越平坦,而且小波函数的振荡很强.
光滑函数在利用小波展开后的零点越多,也就是说小波的消失矩的大小,
决定了小波逼近光滑信号的能力.这一点也可以用来进行图像压缩.
越大的消失矩将使高频系数越小,小波分解后的图像能量也就很集中,压缩比例就越高.
通常我们都愿意采用消失矩较高的小波函数.

我们可以对一个信号,采用不同的消失矩的小波函数来分解,就可以更加感性的了解它..

由图中我们可以看出消失矩增大时,它的高频分量中的零原来越多啊.!!!!!!

程序:

%%%%%%%%%%%%%%%消失矩%%%%%%%%%%%%%%%%%%
clc;
clear;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
f=100; %%频率
t=0.002; %%抽样间隔
n=1:100;
signal=sin(f.*t.*n); %%采取信号
figure(1)
plot(signal);
grid on;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%下面我将采用三种消失矩来分解signal%%%%
N1=2;
N2=5;
N3=10;
%%%%%%%%%%%采用dwt函数%%%%%%%%%%%%%%%%%%
[L1,H1]=dwt(signal,‘db2‘);
figure(2)
subplot(321)
plot(L1);
title(‘消失矩2的低频分量‘);
grid on;

subplot(322);
plot(H1);
title(‘消失矩2的高频分量‘);
grid on;

[L2,H2]=dwt(signal,‘db5‘);
subplot(323)
plot(L2)
title(‘消失矩5的低频分量‘);
grid on;

subplot(324);
plot(H2);
title(‘消失矩5的高频分量‘);
grid on;

[L3,H3]=dwt(signal,‘db10‘);
subplot(325)
plot(L3)
title(‘消失矩10的低频分量‘);
grid on;

subplot(326);
plot(H3);
title(‘消失矩10的高频分量‘);

grid on;

%%%%%%%%%%%%%%%%%%%%% 

(缩略图,点击图片链接看原图)


2.Re:【原创】对消失矩的理解 [Re: chuntian]  
Posted by: myjob
Posted on: 2005-09-14 10:50

谢谢老大
呵呵
获益获益


3.Re:【原创】对消失矩的理解 [Re: chuntian]  
Posted by: syncom
Posted on: 2005-09-15 08:45

如果不是dbn的函数,如何知道其消失矩?

4.Re:【原创】对消失矩的理解 [Re: chuntian]  
Posted by: 匆匆
Posted on: 2005-09-21 15:07

我有几个问题:
1 一定要用dwt分解来看信号高频分量吗?
2 你的消失矩为5和10的低频为什么有不规则的小波呢(就是开始那里)
3 高频系数减少了,怎么看的呢,我觉得消失矩为5的比10的高频系数小啊
困惑中,请楼主指点,非常感谢!!

5.Re:【原创】对消失矩的理解 [Re: chuntian]  
Posted by: czn976
Posted on: 2005-09-22 11:12

问题1:由于零点易于压缩,所以高频分量的零点越多,则压缩比越高。
问题2:这是由边界效应产生的。
问题3:在这个信号中,高频信号中的零点本应是一样多的,但由于db10小波db5小波的支撑长,所以边界效应更加明显了

呵呵,个人见解,不正确的地方请大家指正。

6.Re:【原创】对消失矩的理解 [Re: chuntian]  
Posted by: shuguang104
Posted on: 2005-09-22 11:41

我想问一下,为什么越大的消失矩将使高频系数越小呢?

7.Re:【原创】对消失矩的理解 [Re: chuntian]  
Posted by: poseidon76
Posted on: 2005-09-22 12:08

消失矩越大,相应的低通,高通滤波器长度也越大,得到的滤波器频谱响应通带特性越平坦,过渡带越陡,阻带特性越理想,下面给出两个典型的db小波的频谱响应仿真结果。 
 

8.Re:【原创】对消失矩的理解 [Re: chuntian]  
Posted by: poseidon76
Posted on: 2005-09-22 12:10

上面的是db2小波

下面的是db10小波 
 

9.Re:【原创】对消失矩的理解 [Re: chuntian]  
Posted by: JadeKylin
Posted on: 2005-10-23 19:35

但构造小波的原则是需要紧支撑的,在支撑长度与消失矩这对矛盾中,哪一个更需忧先考虑?

10.Re:【原创】对消失矩的理解 [Re: chuntian]  
Posted by: SHNJ
Posted on: 2005-10-24 22:18

一般是以支撑长度优先考虑

时间: 2024-10-09 20:13:15

转载 关于小波消失矩的理解的相关文章

小波去噪的基本知识

本篇是这段时间学习小波变换的一个收尾,了解一下常见的小波函数,混个脸熟,知道一下常见的几个术语,有个印象即可,这里就当是先作一个备忘录,以后若有需要再深入研究. 一.小波基选择标准 小波变换不同于傅里叶变换,根据小波母函数的不同,小波变换的结果也不尽相同.现实中到底选择使用哪一种小波的标准一般有以下几点: 1.支撑长度 小波函数Ψ(t).Ψ(ω).尺度函数φ(t)和φ(ω)的支撑区间,是当时间或频率趋向于无穷大时,Ψ(t).Ψ(ω).φ(t)和φ(ω)从一个有限值收敛到0的长度.支撑长度越长,一

【转】小波与小波包、小波包分解与信号重构、小波包能量特征提取 暨 小波包分解后实现按频率大小分布重新排列(Matlab 程序详解)

转:https://blog.csdn.net/cqfdcw/article/details/84995904 小波与小波包.小波包分解与信号重构.小波包能量特征提取   (Matlab 程序详解) -----暨 小波包分解后解决频率大小分布重新排列问题 本人当前对小波理解不是很深入,通过翻阅网络他人博客,进行汇总总结,重新调试Matlab代码,实现对小波与小波包.小波包分解与信号重构.小波包能量特征提取,供大家参考,后续将继续更新! 本人在分析信号的过程中发现,按照网上所述的小波包分解方法理解

信号处理——MATLAB小波工具箱使用简介

作者:桂. 时间:2017-02-19  21:47:27 链接:http://www.cnblogs.com/xingshansi/articles/6417638.html 声明:转载请注明出处,谢谢. 前言 本文主要介绍MATLAB小波工具箱的使用.并以一维离散信号为例,简要分析. 一.小波分解 不同于傅里叶变换,小波分解采用小波基的方式对信号进行分解,即通过基信号的平移.伸缩等变换,将信号进行分解.下图给出小波分解的一般特性: 图中可以观察到,a8对应的小波基较大,d8~d1对应的小波基

白银时代-王小波

白银时代-王小波"生活"是天籁,必须凝神静听.对不相信的事情说不在意,这就是我保全体面的方法.在剧痛中死在沙漠里,也比迷失在白银世界里要好得多.文明社会一环扣一环,和谐地运转着,错一环则动全身.你知道什么是天才的秘诀吗?那就是永远只做一件事.假如要做的事情很多,那就排出次序,依次来干.每个人的一生都拥有一些资源,比方说:寿命,智力,健康,身体,性生活.有些人准备把它消费掉,换取新奇,快乐等等.女人上街总是想猎人扛枪进山一样,但是猎取的目标有所不同.他说,我这一生都在等待,等待研究数学,

第三章绪论 哈尔小波

第二章的翻译尚未搬过来,请见谅 我们已经学习了L2(R)以及傅里叶变换.我们现在就可以开始构建小波了.为了达到这个目的,我们将L2(R)变为两个嵌套的子空间.序列Vj C Vj+1是近似空间.在j越趋近于无穷的时候,那么对于属于L2(R)里面的函数有更好的逼近效果.空间WjC Vj+1是“细节空间”——Wj是Vj+1的子集,并且我们使用fj(t)∈Vj来逼近fj+1(t)∈Vj+1的时候,wj(t)∈Wj+1就蕴含了没有完全逼近的细节.也就是说fj+1(t)=fj(t)+wj(t). 我们可以通

ECG信号读出,检测QRS,P,T 波(小波去噪,并根据检测),基于BP辨识的神经网络

这学期的课程选择神经网络.最后的作业处理ECG信号,并利用神经网络识别. 1  ECG引进和阅读ECG信号 1)ECG介绍  详细ECG背景应用就不介绍了,大家能够參考百度 谷歌.仅仅是简单说下ECG的结构: 一个完整周期的ECG信号有 QRS P T 波组成,不同的人相应不用的波形,同一个人在不同的阶段波形也不同.我们须要依据各个波形的特点,提取出相应的特征,对不同的人进行身份识别. 2)ECG信号读取 首先须要到MIT-BIH数据库中下载ECG信号,具体的下载地址与程序读取内容介绍能够參考一

读秦小波老师《设计模式之禅》问一-依赖倒置原则

这本<设计模式之禅>得来不易,当时是在CSDN的论坛中向秦小波老师提问有幸获得的.读这种经典书籍不能如读小说,逛十里洋场意在消遣,更多的应该是边读变问,每到重点就应该问为什么.秦小波老师的语言有时幽默,有时又切中要害,引人深思.对于"倒置"秦小波老师是从人的思维层面解读的,生活中,例如张三就依赖他家的宝马上下班,也许可以更具体到BMW 740Li,然后回归到程序中,如果我们这样去构建依赖关系,那么如果哪天张三发达了,换了玛莎拉蒂,那是不是整个程序都得改,这个时候我们可以让张

完全搞懂傅里叶变换和小波(4)——欧拉公式及其证明

这一系列的文章中间中断了很久,很多朋友也留言希望我继续连载完,遂"重拾旧河山",希望如果有时间能够把它做完. 本节我们介绍欧拉公式,它是复变函数中非常重要的一个定理,同时对于傅立叶变换的理解也必不可少.我们在高等数学里学习的傅立叶级数通常都是用三角函数形式表示的,而傅立叶变换中的一般都是用幂指数形式的,欧拉公式的作用正是把三角函数与e的幂指数联系到一起. 如果你对本文涉及的基础问题不甚了解,那么建议你阅读本文前面的部分. 完全搞懂傅里叶变换和小波(1)--总纲 http://blog.

小波分解和重构

小波变换能够很好地表征一大类以低频信息为主要成分的信号, 小波包变换可以对高频部分提供更精细的分解 详见(http://www.cnblogs.com/welen/articles/5667217.html) 小波分解函数和重构函数的应用和区别 (https://www.baidu.com/link?url=NsLWcGxYPabqB0JEFzkjHzeLmcvGkjDRccPoaD7K0gwo9mrHRDCUgTbV15zT8NKTm9PAuTJ2Hwb3n10PutFRpbOdQRac7XC