Viļņu transformācija ir signāla laika un frekvences attēlojums. To izmanto trokšņu samazināšanai, pazīmju iegūšanai, signālu saspiešanai, laika‑frekvenču analīzē un citās signālu apstrādes jomās. Atšķirībā no vienkāršas Furjē transformācijas, viļņu transformācija nodrošina mainīgu laika un frekences izšķirtspēju — labāku laika izšķirtspēju augstajās frekvencēs un labāku frekvences izšķirtspēju zemajās frekvencēs.

Nepārtraukta signāla viļņu transformācija ir definēta kā

[ W ψ f ] ( a , b ) = 1 a ∫ - ∞ ∞ ∞ f ( t ) ψ ∗ ( t - b a ) d t {\displaystyle \left[W_{\psi }f}right](a,b)={{\frac {1}{\sqrt {a}}}}int _{-\infty }^{\infty }{f(t)\psi ^{*}\left({\frac {t-b}{a}}}\right)}dt\,}{\displaystyle \left[W_{\psi }f\right](a,b)={\frac {1}{\sqrt {a}}}\int _{-\infty }^{\infty }{f(t)\psi ^{*}\left({\frac {t-b}{a}}\right)}dt\,} ,

kur

  • ψ {\displaystyle \psi } \psi ir tā sauktais mātes viļņlauzis;
  • a {\displaystyle a} aapzīmē skalu (dilatāciju);
  • b {\displaystyle b} {\displaystyle b}apzīmē viļņojuma laika nobīdi (pozīciju);
  • ∗ {\displaystyle *} {\displaystyle *}simbols apzīmē kompleksu konjugātu (komplekso konjugātu).

Admisibilitātes nosacījums un atjaunošana

Lai mātes viļņlauzis ψ būtu piemērots nepārtrauktajai viļņu transformācijai, tam jāizpilda admissibility condition — atsevišķos avotos to sauc par admisibilitātes konstatnti Cψ. Praktiski tas nozīmē, ka ψ jābūt ar nulli fāzē pie frekvences 0 (nav DC komponentes) un tās frekvenču attēls jāintegrē ar atbilstošu svaru. Ja admisibilitātes nosacījums ir izpildīts, signālu f(t) var atjaunot no Wψf ar inversas formulas palīdzību:

f(t) = (1 / Cψ) ∫_{0}^{∞} ∫_{-∞}^{∞} Wψf(a,b) · ψ_{a,b}(t) db (da / a^2)

Šajā formulā Cψ ir admisibilitātes konstante, un ψ_{a,b}(t) ir skalota un nobīdīta mātes viļņlauzis. Šī atjaunošanas formula garantē, ka CWT ir invertējama, ja ψ apmierina nepieciešamos kritērijus.

Diskrētā viļņu transformācija (DWT) — vispārīgs gadījums

Ja a = a 0 m {\displaystyle a={{a_{0}}^{m}}{\displaystyle a={a_{0}}^{m}} un b = a 0 m k T {\displaystyle b={{a_{0}}^{m}kT} {\displaystyle b={a_{0}}^{m}kT}kur a 0 > 1 {\displaystyle a_{0}>1} {\displaystyle a_{0}>1}, T > 0 {\displaystyle T>0} un m{\displaystyle T>0} m un km k ir veselu skaitļu konstantes, viļņu transformāciju sauc par diskrēto viļņu transformāciju (nepārtrauktā signāla).

Diadiskā (dyadic) diskrētā viļņu transformācija

Gadījumā, ja a = 2 m {\displaystyle a=2^{m}}{\displaystyle a=2^{m}} un b = 2 m k T {\displaystyle b=2^{m}kT}. {\displaystyle b=2^{m}kT}kur m > 0 {\displaystyle m>0} {\displaystyle m>0}, diskrēto viļņveida transformāciju sauc par diadisko. To definē šādi

[ W ψ f ] ( m , k ) = 1 2 m ∫ - ∞ ∞ ∞ f ( t ) ψ ∗ ( 2 - m t - k T ) d t {\displaystyle \left[W_{\psi }f\right](m,k)={{\frac {1}{\sqrt {2^{m}}}}\int _{-\infty }^{\infty }{f(t)\psi ^{*}\left(2^{-m}t-kT\right)}dt\,}{\displaystyle \left[W_{\psi }f\right](m,k)={\frac {1}{\sqrt {2^{m}}}}\int _{-\infty }^{\infty }{f(t)\psi ^{*}\left(2^{-m}t-kT\right)}dt\,} ,

kur

  • m {\displaystyle m}m ir frekvenču skala (skales pakāpe);
  • k {\displaystyle k}k ir laika indekss (pozīcija);
  • T {\displaystyle T}{\displaystyle T} ir konstanta, kas bieži saistīta ar laika parauglaukumu vai parastā laika soļa izvēli.

Diadisko diskrēto viļņveida transformāciju var pārrakstīt kā

[ W ψ f ] ( m , k ) = ∫ - ∞ ∞ ∞ f ( t ) h m ( 2 m k T - t ) d t {\displaystyle \left[W_{\psi }f\right](m,k)=\int _{-\infty }^{\infty }{f(t)h_{m}\left(2^{m}kT-t\right)}dt\,}{\displaystyle \left[W_{\psi }f\right](m,k)=\int _{-\infty }^{\infty }{f(t)h_{m}\left(2^{m}kT-t\right)}dt\,} ,

kur h m {\displaystyle h_{m}}{\displaystyle h_{m}} ir nepārtrauktā filtra impulsa raksturojums, kas ir identisks ψ m ∗ {\displaystyle {\psi _{m}}}^{*}}{\displaystyle {\psi _{m}}^{*}} dotajam m {\displaystyle m}m .

Saikne ar filtriem un daudzmēroga (multiresolution) analīzi

Diskrētās viļņu transformācijas praktiskā realizācija bieži izmanto divu veidu filtru bankas — augstfrekvenču (detalizācijas) un zemfrekvenču (apkopojuma) filtrus — un paraugu samazināšanu (downsampling) ar koeficientu 2. Tas ļauj efektīvi veidot daudzlīmeņu dekompozīciju, kas ir pamatā daudzām datu saspiešanas un trokšņa slāpēšanas metodēm. Dažādas mātes viļņlaužu izvēles (piem., Haar, Daubechies, Symlet, Coiflet, Morlet) nosaka filtrēšanas īpašības, gludumu un kompakto atbalstu.

Praktiski pielietojumi

  • Signālu un attēlu saspiešana: viļņu transformācija ļauj koncentrēt signāla enerģiju nelielā skaitā koeficientu (piem., JPEG 2000 attēlu kompresijā izmanto viļņus).
  • Trokšņu samazināšana (denoising): koeficientu sliekšņošana (thresholding) viļņu domēnā efektīvi samazina nejaušu troksni, saglabājot svarīgas detaļas.
  • Pazīmju iegūšana un analīze: viļņu koeficienti sniedz lokālu informāciju par frekvenču saturu un var tikt izmantoti mašīnmācīšanās un signālu klasifikācijas uzdevumos.
  • Laika–frekvences analīze: CWT un skalograma attēlojumi izmanto viļņu transformāciju, lai vizualizētu, kā frekvenču sastāvs mainās laika gaitā.
  • Medicīnas un inženierijas pielietojumi: EKG/EEG signālu analīze, defektu atklāšana mehāniskās iekārtās, seismoloģija u.c.

Praktiski padomi un ierobežojumi

  • Izvēle starp CWT un DWT: CWT dod bagātīgāku, pārlieku redundantāku attēlojumu (labāka interpretācija), bet DWT ir skaitliski efektīvāka un izmanto mazāk atmiņas.
  • Laika un frekvences izšķirtspēja: viļņu transformācija nodrošina nemainīgu skalu–frekvenču saikni; zemās frekvences tiek analizētas ar labāku frekvences, bet sliktāku laika izšķirtspēju.
  • Efektivitāte: diskretizācijas un filtru banku pieeja (Mallat algoritms) ļauj aprēķināt DWT ar O(N) sarežģītību.
  • Mājasdarbs ar maliņām un parauglaukumu: signālu malējās vērtības jāapstrādā piesardzīgi (zero‑padding, periodizācija vai atspoguļošana), lai izvairītos no mākslīgām robēm.

Populārie mātes viļņlauži

  • Haar: vienkāršs, kompakts atbalsts, tiek lietots, ja nepieciešama ļoti laba laika lokalizācija.
  • Daubechies: nodrošina gludumu un dažādus momentu īpašumus; bieži izmanto DWT.
  • Morlet: labi piemērots analītiskai laika–frekvences analīzei (CWT).
  • Symlets, Coiflets: kompromiss starp simetriju, gludumu un kompakto atbalstu.

Rīki un bibliotēkas

Viļņu transformācijas implementācijas ir pieejamas daudzās programmēšanas vides: Python (PyWavelets, scipy.signal.cwt), MATLAB (Wavelet Toolbox), R (wavelets, wavethresh) u.c. Šīs bibliotēkas nodrošina gan CWT, gan DWT, filtru bankas un atjaunošanas funkcijas.

Nobeigums

Viļņu transformācija ir jaudīgs instruments laika–frekvences analīzei ar plašu praktisku pielietojumu klāstu. Izvēloties atbilstošu mātes viļņlauzi un diskretizācijas shēmu, var panākt efektīvu signālu apstrādi, saspiešanu un pazīmju izgūšanu. Lai iegūtu labākus rezultātus praksē, svarīgi saprast mātes viļņa īpašības, admisibilitātes nosacījumu un filtrēšanas ietekmi uz signāla rekonstrukciju.

Analogi, diadiskā viļņveida transformācija ar diskrētu laiku (diskrēta signāla) ir definēta šādi.