Вейвлет-фильтрация сигналов без использования модельных функций

Автор(и)

DOI:

https://doi.org/10.20535/S0021347022020042

Ключові слова:

рекурсивный алгоритм, среднеквадратичная погрешность, численная оптимизация, модельный сигнал, дискретное вейвлет-преобразование, фильтрация шумов, уровень декомпозиции

Анотація

Эффективная вейвлет-фильтрация реальных сигналов невозможна без определения их формы. Форма реального сигнала связана с его вейвлет-спектром. Для анализа формы часто используется непрерывная цветовая вейвлет-спектрограмма уровня сигнала. Недостатком непрерывной вейвлет-спектрограммы является сложность анализа размытого цветного изображения. Реальный сигнал с аддитивным шумом сильно искажает спектрограмму, основанную на непрерывном вейвлет-анализе, по сравнению с чистым сигналом. Поэтому идентификация реального сигнала по цветной непрерывной вейвлет-спектрограмме затруднена. Впервые, для решения этой задачи проведен сравнительный анализ спектрограмм сигналов, полученных на основе непрерывного вейвлет-преобразования в виде изображений с областями разного цвета переменной интенсивности, и корреляционных матриц, полученных на основе математических функций коэффициентов дискретных вейвлет-спектров. Сравнительный анализ полученных результатов с известными показал достаточную эффективность предложенного алгоритма как по снижению шума на итерацию, так и по конечному значению среднеквадратичной ошибки.

Посилання

Ю. Н. Кликушин, В. Ю. Кобенко, “Основы идентификационных измерений,” Журнал радиоэлектроники, no. 5, 2006, uri: http://jre.cplire.ru/iso/nov06/index.html.

А. К. Лагирвандзе, А. Н. Калиниченко, Т. В. Моргунова, “Алгоритм анализа форм кардиоциклов ЭКГ с использованием технологий машинного обучения,” Модели, системы, сети в экономике, технике, природе и обществе, no. 4, pp. 75–84, 2019, uri: https://cyberleninka.ru/article/n/algoritm-analiza-form-kardiotsiklov-ekg-s-ispolzovaniem-tehnologiy-mashinnogo-obucheniya/viewer.

Д. А. Кузин, Л. Г. Стаценко, П. Н. Анисимов, М. М. Смирнова, “Применение методов машинного обучения для классификации акустических сигналов по спектральным характеристикам,” Известия СПбГЭТУ «ЛЭТИ», no. 3, pp. 48–53, 2021.

M. S. Salman, A. Eleyan, B. Al-Sheikh, “Discrete-wavelet-transform recursive inverse algorithm using second-order estimation of the autocorrelation matrix,” TELKOMNIKA (Telecommunication Comput. Electron. Control., vol. 18, no. 6, p. 3073, 2020, doi: https://doi.org/10.12928/telkomnika.v18i6.16191.

T. Hu, J. Zhao, S. Yan, W. Zhang, “Performance analysis of a wavelet packet transform applied to concrete ultrasonic detection signals,” J. Phys. Conf. Ser., vol. 1894, no. 112062, 2021, doi: https://doi.org/10.1088/1742-6596/1894/1/012062.

В. О. Браун, В. П. Долгушин, В. Н. Лоза, И. В. Пампуха, “Исследование возможностей и характеристик методов снижения уровня шума при обработке сигналов, основанных на применении вейвлет-технологии,” Журнал радиоэлектроники, no. 7, 2014, uri: http://jre.cplire.ru/jre/jul14/6/text.html.

Ю. К. Тараненко, В. В. Лопатин, О. Ю. Олейник, “Вейвлет фильтрация беспороговым методом на примере модельной функции DOPPLER,” Известия вузов. Радиоэлектроника, vol. 64, no. 7, pp. 438–448, 2021, doi: https://doi.org/10.20535/S0021347021070049.

G. Galati, G. Pavan, F. De Palo, “Chirp signals and noisy waveforms for solid-state surveillance radars,” Aerospace, vol. 4, no. 1, p. 15, 2017, doi: https://doi.org/10.3390/aerospace4010015.

D. O. Hogenboom, C. A. DiMarzio, “Quadrature detection of a Doppler signal,” Appl. Opt., vol. 37, no. 13, p. 2569, 1998, doi: https://doi.org/10.1364/AO.37.002569.

L. Debnath, “The Gabor Transform and Time-Frequency Signal Analysis,” in Wavelet Transforms and Their Applications, Boston, MA: Birkhäuser Boston, 2002, pp. 257–306.

M. Kovačević, “Signaling to relativistic observers: an Einstein–Shannon–Riemann encounter,” Probl. Inf. Transm., vol. 56, no. 4, pp. 303–308, 2020, doi: https://doi.org/10.1134/S0032946020040018.

P. Virtanen et al., “SciPy 1.0: fundamental algorithms for scientific computing in Python,” Nat. Methods, vol. 17, no. 3, pp. 261–272, 2020, doi: https://doi.org/10.1038/s41592-019-0686-2.

S. K. Goh, H. A. Abbass, K. C. Tan, A. Al-Mamun, C. Wang, C. Guan, “Automatic EEG artifact removal techniques by detecting influential independent components,” IEEE Trans. Emerg. Top. Comput. Intell., vol. 1, no. 4, pp. 270–279, 2017, doi: https://doi.org/10.1109/TETCI.2017.2690913.

B. Belkacemi, S. Saad, Z. Ghemari, F. Zaamouche, A. Khazzane, “Detection of induction motor improper bearing lubrication by discrete wavelet transforms (DWT) decomposition,” Instrum. Mes. Métrologie, vol. 19, no. 5, pp. 347–354, 2020, doi: https://doi.org/10.18280/i2m.190504.

Ю. К. Тараненко, “Методы дискретной вейвлет-фильтрации измерительных сигналов: алгоритм выбора метода,” Измерительная техника, no. 10, pp. 14–20, 2021, doi: https://doi.org/10.32446/0368-1025it.2021-10-14-20.

Форма и спектральная плотность вейвлета сигнала HypChirps (две частоты с гиперболическими функциями)

Опубліковано

2022-02-15

Як цитувати

Тараненко, Ю. К., & Ризун, Н. О. (2022). Вейвлет-фильтрация сигналов без использования модельных функций. Вісті вищих учбових закладів. Радіоелектроніка, 65(2), 110–125. https://doi.org/10.20535/S0021347022020042

Номер

Розділ

Статті