Вейвлет — анализ.Часть 1

Введение
Рассмотрим дискретное вейвлет – преобразования (DWT), реализованное в библиотеке PyWavelets PyWavelets 1.0.3. PyWavelets — это бесплатное программное обеспечение с открытым исходным кодом, выпущенное по лицензии MIT.

При обработке данных на компьютере может выполняться дискретизированная версия непрерывного вейвлет-преобразования, основы которого описаны в моей предыдущей статье. Однако, задание дискретных значений параметров (a,b) вейвлетов с произвольным шагом Δa и Δb требует большого числа вычислений.

Кроме того, в результате получается избыточное количество коэффициентов, намного превосходящее число отсчетов исходного сигнала, которое не требуется для его реконструкции.

Дискретное вейвлет – преобразование (DWT), реализованное в библиотеке PyWavelets, обеспечивает достаточно информации как для анализа сигнала, так и для его синтеза, являясь вместе с тем экономным по числу операций и по требуемой памяти.

Когда нужно использовать вейвлет-преобразование вместо преобразования Фурье

Преобразования Фурье будет работать очень хорошо, когда частотный спектр стационарный. При этом частоты, присутствующие в сигнале, не зависят от времени, и сигнал содержит частоты xHz, которые присутствует в любом месте сигнала. Чем нестационарнее сигнал, тем хуже будут результаты. Это проблема, так как большинство сигналов, которые мы видим в реальной жизни, нестационарны по своей природе.

Преобразование Фурье имеет высокое разрешение в частотной области, но нулевое разрешение во временной области. Покажем это на следующих двух примерах.

Листингimport numpy as np
from scipy import fftpack
from pylab import*
N=100000
dt = 1e-5
xa = np.linspace(0, 1, num=N)
xb = np.linspace(0, 1/4, num=N/4)
frequencies = [4, 30, 60, 90]
y1a, y1b = np.sin(2*np.pi*frequencies[0]*xa), np.sin(2*np.pi*frequencies[0]*xb)
y2a, y2b = np.sin(2*np.pi*frequencies[1]*xa), np.sin(2*np.pi*frequencies[1]*xb)
y3a, y3b = np.sin(2*np.pi*frequencies[2]*xa), np.sin(2*np.pi*frequencies[2]*xb)
y4a, y4b = np.sin(2*np.pi*frequencies[3]*xa), np.sin(2*np.pi*frequencies[3]*xb)
def spectrum_wavelet(y):
Fs = 1 / dt # sampling rate, Fs = 0,1 MHz
n = len(y) # length of the signal
k = np.arange(n)
T = n / Fs
frq = k / T # two sides frequency range
frq = frq[range(n // 2)] # one side frequency range
Y = fftpack.fft(y) / n # fft computing and normalization
Y = Y[range(n // 2)] / max(Y[range(n // 2)])
# plotting the data
subplot(2, 1, 1)
plot(k/N , y, ‘b’)
ylabel(‘Amplitude’)
grid()
# plotting the spectrum
subplot(2, 1, 2)
plot(frq[0:140], abs(Y[0:140]), ‘r’)
xlabel(‘Freq’)
plt.ylabel(‘|Y(freq)|’)
grid()
y= y1a + y2a + y3a + y4a
spectrum_wavelet(y)
show()
show()

На этом графике все четыре частоты присутствуют в сигнале в течении всего времени его действия.
Листингimport numpy as np
from scipy import fftpack
from pylab import*
N=100000
dt = 1e-5
xa = np.linspace(0, 1, num=N)
xb = np.linspace(0, 1/4, num=N/4)
frequencies = [4, 30, 60, 90]
y1a, y1b = np.sin(2*np.pi*frequencies[0]*xa), np.sin(2*np.pi*frequencies[0]*xb)
y2a, y2b = np.sin(2*np.pi*frequencies[1]*xa), np.sin(2*np.pi*frequencies[1]*xb)
y3a, y3b = np.sin(2*np.pi*frequencies[2]*xa), np.sin(2*np.pi*frequencies[2]*xb)
y4a, y4b = np.sin(2*np.pi*frequencies[3]*xa), np.sin(2*np.pi*frequencies[3]*xb)
def spectrum_wavelet(y):
Fs = 1 / dt # sampling rate, Fs = 0,1 MHz
n = len(y) # length of the signal
k = np.arange(n)
T = n / Fs
frq = k / T # two sides frequency range
frq = frq[range(n // 2)] # one side frequency range
Y = fftpack.fft(y) / n # fft computing and normalization
Y = Y[range(n // 2)] / max(Y[range(n // 2)])
# plotting the data
subplot(2, 1, 1)
plot(k/N , y, ‘b’)
ylabel(‘Amplitude’)
grid()
# plotting the spectrum
subplot(2, 1, 2)
plot(frq[0:140], abs(Y[0:140]), ‘r’)
xlabel(‘Freq’)
plt.ylabel(‘|Y(freq)|’)
grid()
y = np.concatenate([y1b, y2b, y3b, y4b])
spectrum_wavelet(y)
show()
show()

На этом графике сигналы не перекрываются во времени, боковые лепестки обусловлены разрывом между четырьмя различными частотами.

Для двух частотных спектров, содержащих точно такие же четыре пика, преобразование Фурье не может определить, где в сигнале эти частоты присутствуют. Лучшим подходом для анализа сигналов с динамическим частотным спектром является вейвлет-преобразования.

Основные свойства вейвлетов
Выбор типа, а следовательно свойств вейвлета, зависит от поставленной задачи анализа, например, для определения действующих значений токов в электроэнергетике большую точность обеспечивают вейвлеты Ингрид Добеши больших порядков. Свойства вейвлетов можно получить используя функцию pywt.DiscreteContinuousWavelet() в следующем листинге:

Листингimport pywt
from pylab import *
from numpy import *
discrete_wavelets = [‘db5’, ‘sym5’, ‘coif5’, ‘haar’]
print(‘discrete_wavelets-%s’%discrete_wavelets )
st=’db20′
wavelet = pywt.DiscreteContinuousWavelet(st)
print(wavelet)
i=1
phi, psi, x = wavelet.wavefun(level=i)
subplot(2, 1, 1)
title(«График самой вейвлет — функции -%s»%st)
plot(x,psi,linewidth=2, label=’level=%s’%i)
grid()
legend(loc=’best’)
subplot(2, 1, 2)
title(«График первообразной -функции -%s»%st)
plt.plot(x,phi,linewidth=2, label=’level=%s’%i)
legend(loc=’best’)
grid()
show()

Получим:

discrete_wavelets-[‘db5’, ‘sym5’, ‘coif5’, ‘haar’]

Wavelet db20
Family name: Daubechies
Short name: db
Filters length: 40
Orthogonal: True
Biorthogonal: True
Symmetry: asymmetric
DWT: True
CWT: False

В ряде практических случаев возникает необходимость получить информацию о центральной частоте psi вейвлет – функции, которая используется, например, при вейвлет-анализе сигналов для выявления дефектов в зубчатых передачах:

import pywt
fс=pywt.central_frequency(‘haar’, precision=8 )
print(fс)
# или так:
scale=1
fс1=pywt.scale2frequency(‘haar’,scale)
print(fс1)

0.9961089494163424
0.9961089494163424

Пользуясь центральной частотой материнского вейвлета и масштабным коэффициентом «a» можно преобразовывать шкалы в псевдо частоты используя уравнение:

Режимы расширения сигнала
Перед вычислением дискретного вейвлет-преобразования с использованием банков фильтроввозникает необходимость удлинить сигнал. В зависимости от метода экстраполяции, на границах сигнала могут возникнуть существенные артефакты, приводящие к неточностям DWT преобразования.

PyWavelets предоставляет несколько методов экстраполяции сигнала, которые могут быть использованы для минимизации указанного негативного эффекта. Для демонстрации таких методов используем следующий листинг:

Листинг демонстрации методов удлинения сигналаimport numpy as np
from matplotlib import pyplot as plt
from pywt._doc_utils import boundary_mode_subplot
# synthetic test signal
x = 5 — np.linspace(-1.9, 1.1, 9)**2
# Create a figure with one subplots per boundary mode
fig, axes = plt.subplots(3, 3, figsize=(10, 6))
plt.subplots_adjust(hspace=0.5)
axes = axes.ravel()
boundary_mode_subplot(x, ‘symmetric’, axes[0], symw=False)
boundary_mode_subplot(x, ‘reflect’, axes[1], symw=True)
boundary_mode_subplot(x, ‘periodic’, axes[2], symw=False)
boundary_mode_subplot(x, ‘antisymmetric’, axes[3], symw=False)
boundary_mode_subplot(x, ‘antireflect’, axes[4], symw=True)
boundary_mode_subplot(x, ‘periodization’, axes[5], symw=False)
boundary_mode_subplot(x, ‘smooth’, axes[6], symw=False)
boundary_mode_subplot(x, ‘constant’, axes[7], symw=False)
boundary_mode_subplot(x, ‘zeros’, axes[8], symw=False)
plt.show()

На графиках показано, как короткий сигнал (красный) расширяется (черный) за пределами своей первоначальной протяженности.

Дискретное вейвлет – преобразование
Для демонстрации DWT будем использовать сигнал с динамическим частотным спектром, который со временем увеличивается. Начало сигнала содержит низкочастотные значения, а конец сигнала содержит частоты коротковолнового диапазона. Это позволяет нам легко определить, какая часть частотного спектра отфильтрована, просто взглянув на временную ось:

Листингfrom pylab import *
from numpy import*
x = linspace(0, 1, num=2048)
chirp_signal = sin(250 * pi * x**2)
fig, ax = subplots(figsize=(6,1))
ax.set_title(«Сигнал с динамическим частотным спектром «)
ax.plot(chirp_signal)
show()


Дискретное вейвлет – преобразование в PyWavelets 1.0.3 это функция pywt.dwt(), которая вычисляет аппроксимирующие коэффициенты cA и детализирующие коэффициенты cD первого уровня вейвлет-преобразования сигнала, заданного вектором:

Листинг первого уровня преобразованияimport pywt
from pylab import *
from numpy import *
x = linspace (0, 1, num = 2048)
y = sin (250 * pi * x**2)
st=’sym5′
(cA, cD) = pywt.dwt(y,st)
subplot(2, 1, 1)
plot(cA,’b’,linewidth=2, label=’cA,level-1′)
grid()
legend(loc=’best’)
subplot(2, 1, 2)
plot(cD,’r’,linewidth=2, label=’cD,level-1′)
grid()
legend(loc=’best’)
show()

Листинг пятого уровня преобразованияimport pywt
from pylab import *
from numpy import *
x = linspace (0, 1, num = 2048)
y = sin (250 * pi * x**2)
st=’sym5′
(cA, cD) = pywt.dwt(y,st)
(cA, cD) = pywt.dwt(cA,st)
(cA, cD) = pywt.dwt(cA,st)
(cA, cD) = pywt.dwt(cA,st)
(cA, cD) = pywt.dwt(cA,st)
subplot(2, 1, 1)
plot(cA,’b’,linewidth=2, label=’cA,level-5′)
grid()
legend(loc=’best’)
subplot(2, 1, 2)
plot(cD,’r’,linewidth=2, label=’cD,level-5′)
grid()
legend(loc=’best’)
show()

Коэффициенты аппроксимации (cA) представляют выход фильтра нижних частот (фильтра усреднения) DWT. Коэффициенты детализации (cD) представляют выход фильтра высоких частот (разностного фильтра) DWT.

Можно использовать функцию pywt.wavedec()для немедленного расчета коэффициентов более высокого уровня. Эта функция принимает за вход исходный сигнал и уровень и возвращает один набор коэффициентов аппроксимации (n-го уровня) и n наборов коэффициентов детализации (от 1 до n-го уровня). Вот пример для пятого уровня:

from pywt import wavedec
from pylab import *
from numpy import *
x = linspace (0, 1, num = 2048)
y = sin (250 * pi * x**2)
st=’sym5′
coeffs = wavedec(y, st, level=5)
subplot(2, 1, 1)
plot(coeffs[0],’b’,linewidth=2, label=’cA,level-5′)
grid()
legend(loc=’best’)
subplot(2, 1, 2)
plot(coeffs[1],’r’,linewidth=2, label=’cD,level-5′)
grid()
legend(loc=’best’)
show()

В результате получаем те же графики, что и в предыдущем примере. Можно получить отдельно коэффициенты cA и cD:

Для cA:

import pywt
from pylab import *
from numpy import*
x = linspace (0, 1, num = 2048)
data = sin (250 * pi * x**2)
coefs=pywt.downcoef(‘a’, data, ‘db20′, mode=’symmetric’, level=1)

Для cD:

import pywt
from pylab import *
from numpy import*
x = linspace (0, 1, num = 2048)
data = sin (250 * pi * x**2)
coefs=pywt.downcoef(‘d’, data, ‘db20′, mode=’symmetric’, level=1)

Банк фильтров
Часть вопросов, касающихся уровней преобразования, мы рассмотрели в предыдущем разделе. Однако, DWT всегда реализуется как банк фильтров в виде каскада высокочастотных и низкочастотных фильтров. Банки фильтров являются очень эффективным способом разделения сигнала на несколько частотных поддиапазонов.

На первом этапе с малым масштабом анализируя высокочастотное поведение сигнала. На втором этапе шкала увеличивается с коэффициентом два (частота уменьшается с коэффициентом два), и мы анализируем поведение около половины максимальной частоты. На третьем этапе масштабный фактор равен четырем, и мы анализируем частотное поведение около четверти максимальной частоты. И это продолжается до тех пор, пока мы не достигнем максимального уровня разложения.

Максимальный уровень декомпозиции можно вычислить при помощи функции pywt.wavedec(), при этом декомпозиция и детализация будет иметь вид:

Листингimport pywt
from pywt import wavedec
from pylab import *
from numpy import*
x = linspace (0, 1, num = 2048)
data= sin (250 * pi * x**2)
n_level=pywt.dwt_max_level(len(data), ‘sym5’)
print(‘Максимальный уровень декомпозиции: %s’%n_level)
x = linspace (0, 1, num = 2048)
y = sin (250 * pi * x**2)
st=’sym5′
coeffs = wavedec(y, st, level=7)
subplot(2, 1, 1)
plot(coeffs[0],’b’,linewidth=2, label=’cA,level-7′)
grid()
legend(loc=’best’)
subplot(2, 1, 2)
plot(coeffs[1],’r’,linewidth=2, label=’cD,level-7′)
grid()
legend(loc=’best’)
show()

Получим:
Максимальный уровень декомпозиции: 7

Декомпозиция останавливается, когда сигнал становится короче, чем длина фильтра для данного вейвлета sym5. Для примера предположим, что у нас есть сигнал с частотами до 1000 Гц. На первом этапе мы разделяем наш сигнал на низкочастотную и высокочастотную части, т. е. 0-500 Гц и 500-1000 Гц. На втором этапе мы берем низкочастотную часть и снова разделяем ее на две части: 0-250 Гц и 250-500 Гц. На третьем этапе мы разделили часть 0-250 Гц на часть 0-125 Гц и часть 125-250 Гц. Это продолжается до тех пор, пока мы не достигнем максимального уровня декомпозиции.

Анализ wav файлов с использованием fft Фурье и вейвлет скалограммы

Для анализа воспользуемся файлом WebSDR. Рассмотрим анализ приведенного сигнала средствами triang из scipy.signal и реализацию дискретного преобразования Фурье в python (fft из scipy.fftpack). Если длина последовательности fft не будет равна 2n, то вместо быстрого преобразования Фурье (fft) будет выполняться дискретное преобразование Фурье (dft). Именно таким образом работает эта команда.

Используем буфер быстрого преобразования Фурье по следующей схеме (численные данные для примера):

fftbuffer=np.zeros(15); создаем буфер, заполненный нулям;
fftbuffer [:8]=x [7:]; перемещаем конец сигнала в первую часть буфера; fftbuffer [8:]=x [:7]—перемещаем начало сигнала в последнюю часть буфера; X=fft(fftbuffer) — считаем преобразование Фурье буфера, заполненного значениями сигнала.

Чтобы фазовый спектр был более читаем, применим развертывание фазы. Для этого изменим строку с расчетом фазовой характеристики: pX=np.unwrap(np.angle(X)).

Листинг для fft анализа фрагмента сигналаimport numpy as np
from pylab import *
from scipy import *
import scipy.io.wavfile as wavfile
M=501
hM1=int(np.floor((1+M)/2))
hM2=int(np.floor(M/2))
(fs,x)=wavfile.read(‘WebSDR.wav’)
x1=x[5000:5000+M]*np.hamming(M)
N=511
fftbuffer=np.zeros([N])
fftbuffer[:hM1]=x1[hM2:]
fftbuffer[N-hM2:]=x1[:hM2]
X=fft(fftbuffer)
mX=abs(X)
pX=np.angle(X)
suptitle(«Анализ радиосигналаWebSDR»)
subplot(3, 1, 1)
st=’Входной сигнал (WebSDR.wav)’
plot(x,linewidth=2, label=st)
legend(loc=’center’)
subplot(3, 1, 2)
st=’ Частотный спектр входного сигнала’
plot(mX,linewidth=2, label=st)
legend(loc=’best’)
subplot(3, 1, 3)
st=’ Фазовый спектр входного сигнала’
pX=np.unwrap(np.angle(X))
plot(pX,linewidth=2, label=st)
legend(loc=’best’)
show()

Для сравнительного анализа воспользуемся вейвлет скалограммой, которую можно построить с использованием функции tree = pywt.wavedec(signal, ‘coif5’) в matplotlib.
Листинг вейвлет скалограммыfrom pylab import *
import pywt
import scipy.io.wavfile as wavfile
# Найти наибольшую мощность двух каналов, которая меньше или равна входу.
def lepow2(x):
return int(2 ** floor(log2(x)))
#Скалограмма с учетом дерева MRA.
def scalogram(data):
bottom = 0
vmin = min(map(lambda x: min(abs(x)), data))
vmax = max(map(lambda x: max(abs(x)), data))
gca().set_autoscale_on(False)
for row in range(0, len(data)):
scale = 2.0 ** (row — len(data))
imshow(
array([abs(data[row])]),
interpolation = ‘nearest’,
vmin = vmin,
vmax = vmax,
extent = [0, 1, bottom, bottom + scale])
bottom += scale
# Загрузите сигнал, возьмите первый канал.
rate, signal = wavfile.read(‘WebSDR.wav’)
signal = signal[0:lepow2(len(signal))]
tree = pywt.wavedec(signal, ‘coif5’)
gray()
scalogram(tree)
show()

Таким образом, скалограмма дает более детальный ответ на вопрос о распределении частот во времени, а быстрое преобразование Фурье отвечает за сами значения частот. Всё зависит от поставленной задачи даже для такого простого примера.

Выводы:
1.Приведено обоснование использования дискретного вейвлет -преобразования для динамических сигналов.
2. Приведены примеры вейвлет-анализа с использованием PyWavelets 1.0.3 — бесплатного программного обеспечение с открытым исходным кодом, выпущенного по лицензии MIT.
3.Рассмотрены программные средства для практического использования библиотеки PyWavelets.

Оставить комментарий