论文小波脊线提取算法及应用综述

小波脊线提取算法及应用综述学号：SX1305154姓名：孙运玺目录小波脊线提取算法及应用综述.......................................................................................................11、信号的分析方法及优缺点.................................................................................................22、小波脊线理论.....................................................................................................................43、脊线提取算法.....................................................................................................................54、小结.....................................................................................................................................95参考文献：............................................................................................................................9摘要：信号的恰当表示是信号与信息处理的核心任务之一。实际信号中，瞬时频率的变化规律反应了信号的重要特征，合适的表达信号的特征非常重要。小波作为一种信号分析工具，既可以得到信号的轮廓特征，也可以得到信号的细节特征。平稳相位原理表明：当信号满足渐进性要求时，小波系数在时间尺度平面上呈现出“山脊”的特征，脊上的系数包含了信号的所有信息，能够用来重构信号。自90年代起，出现了许多种脊线提取和基于脊线的信号重构算法。本文主要介绍小波脊线的提取算法，信号分析方法及小波脊线理论。关键字：小波脊线，信号提取，信号重构。Abstract:Anappropriaterepresentionofasignalisoneofthemostimportmanttasksinsignalandinformationprocessing.Forsomepraticalsignals,theinstanganeousfrequencycontainsimportantinfortion.Soitisusefultochooseaproperwaytodescribethesignals.Asaneffectivetoolinanalysisofsignals,wecangetgrossfeaturesandsmallfeaturessimutaneously.Thestaionaryphaseprincipleprovesthatfortheasymptoticsignals,thebehavioroftheircontinuouswaveletcoefficientsshowsrigecharacteristicsonthetime-scaleplane,thecoefficientsrestrictedtotheridgesincludealltheinformationofasignal,fromwhichthesignalcanbereconstructed.From1990slotsofridgesxtractionandsignalreconstructionalgorithmsproposed.1、信号的分析方法及优缺点在研究非平稳信号时，瞬时频率和瞬时幅值的提取尤为重要。Foourier变换方法对分析平稳信号的频率成分非常有效，但是对于非平稳信号则无能为力。将信号的瞬时频率域时间变化联系在一起，需要对信号在时频联合分布的平面进行描述。目前的很多方法[1][2][3]如短时傅里叶变换（STFT）、小波分析法等，这些方法属于线性时频分布，其核心思想为将信号在一系列正交或者非正交的基函数投影，其值反应了信号与基函数的相似程度，而基函数本身有很强的时频局部特征，所以所有的投影值可以作为信号时频联合分布的一个很好的度量。常见的双线性时频分布有：格纳分布（WD）和魏格纳-维尔分布（WVD）等，这一类分布可以统一称为Cohen分布，在WVD的基础上选择不同的函数可以得到不同的分布。在这类分布中，信号需要首先以乘积的形式计算后才能进一步得到在时间-频率平面上的分布。Cohen分布还有其他的一些形式。90年代后期出现了一种新的非线性分布[4]：Hilbert-Huang变换法（HHT），核心内容是美籍华裔科学家NEHuang（黄锷）提出的经验模态函数分解（EMD）在支持瞬时频率观点的信号处理领域，瞬时频率的意义只能体现在“单一成分”，但从信号中提取出具有实际意义的信号，既缺乏严格的理论支持，也没有合乎工程要求的实际方法。Huang在考虑Monocomponent严格定义的前提下，依据工程经验定义的本征模态函数（IMF），认为满足IMF定义要求的信号其瞬时频率是具有意义的，并提出EMD来获得信号的IMF，IMF瞬时频率随时间变化规律能够反映信号的时变特性。各种时频分布都有其优缺点和适用范围。短时傅里叶变换所用分析窗口宽度是不变的，所有频率范围内时域或频域分辨率是不变的，因为具有一定的局限性。Cohen类时频分布中WVD法频域和时域分辨率比较高，但存在严重的交叉项和负项，Cohen类中其他分部为减小交叉项而提出的改进方法，但是降低了时频分辨率。Hilbert变换可以很好的估计瞬时频率，但在系统中存在高阻尼时其估计值会产生很大误差，而且要求信号为单一成分信号，对于含有多个频率成分的信号要求先用带通滤波等方法分离各信号。Hilbert-Huang变换法通过经验模式分解（EMD）将信号分解为一系列的固有模式函数，然后对每一个IMF进行Hilbert变换求出信号瞬时频率，但是经验模式分解本质上是一种经验的方法，存在端点效应、差值函数选取、迭代条件停止设置等问题，实际应用中存在很大的问题。小波分析同时具有多分辨分析的特点，具有较好的时频分析能力，尤其适合多频率成分分析。如果在小波变换中尺度因子和平移因子都是去连续变化的，则得到连续小波变换，虽然连续小波变换存在很大的冗余，但是它从更多角度反映信号的特征。渐进信号经过连续小波变换以后，其徐庶膜值呈现山脊的特征，有稳定相位李璐可以证明：脊线上的小波系数和脊线的位置都有很明确的物理意义，可以完整表征信号的全部信息并可以很好的表征信号的时频分布。一旦完成对信号脊线的提取，就能够进一步提取信号特征并重构信号。在研究非平稳信号特性的时候，视频图可以直观的了解信号中各分量的瞬时频率及幅值变化情况，但不能准确地得到瞬时频率和幅值，特别是对于瞬时幅值，时频图值反应了瞬时幅值的大小。为了更加精确的计算瞬时频率和瞬时幅值，通过小波脊线可以得到，这就相当于进行解调分析。根据这一特性，小波脊线已经得到了广泛的应用。Guilemain等人将其用于语音信号的特征提取[6],、权健峰等人将其用于无线电信号的参数提取[7]，张正平、牛发亮、任宜春等将其应用到振动信号，分别实现了机械的故障检测[8][9],钢筋混凝土的非线性振动识别[10],机械特性的测试[11]。基于小波变换识别信号瞬时频率的关键问题之一就是小波脊线的提取。另一个问题就是如何根据脊线上的小波系数来重构信号。已经有很多文献对这两个问题进行了阐述，1992年Delpart等提出了一种算法提取信号的脊线[5]，其方法是基于Gabor变换或小波变换后的相位信息，在时间尺度空间通过迭代的方法提取小波脊线，该方法在信号中值具有单一脊线并且信号不含有噪声的情况下可以得到很好的效果。郁春来等对小波脊线迭代的一些缺点:如人意选取初始尺度不能保证算法的收敛性，在存在噪声是，迭代算法识别值与真实值存在较大的偏差，小波参数选择等问题，提出了改进的迭代算法，通过求期望或者多项式建模的方法对识别结果进行平滑处理，减少识别误差[12]。由于实际过程中的信号旺旺对相位影响严重，而脊线又不单一，基于相位的方法不能解决这些问题，为此Carmona等提出采用施加罚函数的方法来降低噪声的影响，并采用模拟退火法求罚函数的最小值的算法来提取小波脊，它基于小波变换系数的模信息，因为小波系数的模通常具有比相位更强的抗噪性，然而这种方法只适用于单一信号分量[13]。对于多个信号分量，Carmona提出基于随机走动的爬山算法，并将该算法应用于语音识别，但该算法较复杂且计算耗时[14]。Helene等分别提出了直接基于小波系数建模的局部极大值的方法提取小波脊线，该算法较为简答，计算方便[15]。Liebling等提出的基于动态规划的小波脊线提取算法，该算法将脊线提取问题转化为一个线性规划问题，脊线的精确度有所提高，但运算量扔很大[16]。总的来说，目前主要采用两种方法提取小波脊线：一种是基于小波系数的相位信息，一种是基于小波系数的模信息。2、小波脊线理论本章主要介绍小波脊线理论，信号在连续小波平面上的分布会呈现类似地形中山脊的形状，称为小波脊线。理论分析表明，沿着小波变换时频平面中脊线上分布的参数与原始信号之间有着很强的相似性，能够用来描述原始信号的重要参数。脊线上分布数据的起伏变化，脊线的位置都有实际的物理意义，直接对应着信号的幅值与频率的变化。对时频平面上的小波脊线，可以懂小波变换的幅值或相位中提取。若为实小波Ψ（t）的解析形式，则渐进信号s（t）的解析小波变换为：其中：式中*标示复数共轭。根据平稳相位原理可知，对积分是2-9起主要作用的是所谓的驻点ts。而对于单成分信号，当考虑信号s（t）及小波变换Ψ（t）均为渐进函数是，相位Φ（t）关于时间t只有一个驻点ts，即满足。定义小波脊线为：，由驻点的性质可知，在小波脊线上有即很明显，尺度a为平移参数b的函数，即有：3、脊线提取算法信号的脊线特征算法中首先要解决的就是信号在变换域上脊线的提取问题。对信号脊提取的效果直接影响到后续对信号的处理结果，如信号重构、特征提取、模式识别等。一个好的脊提取算法不仅要能够在噪声比较小的情况下准确提取带脊的正确位置，而且要能够在噪声较大的情况下也能够得到较满意的提取效果。3.1基于相位信息的脊线提取通过在时间尺度平面上去小波系数模的极大值，可以求出小波脊线，但是这种方法必须搜索整个区域，因此非常耗费时间，基于相位信息可减少计算量。根据是2-13可以通过在信号对应的连续小波变换平面上寻找满足如上条件的点来达到提取脊线的目的，该算法提供了一种可能，即在提取脊的同时避免了计算整个连续小波变换平面上分布的参数而只是计算分布在脊两侧的有限范围内的小波参数，从而显著减少了计算量。这种计算方法可以通过一个定点计算方法实现。考虑信号的离散序列，令Ts=1/fs是抽样周期，对一个固定尺度参数a，信号sk=s（kTs）的小波变换ＷＴａ（ｋ）＝ＷＴ（ａ，ｋＴｓ），Φ（ｋ）是其香味，用Ｄｂ表示对ｂ的离散差分算子，则由迭代算法得到的解ａ（ｋＴｓ）满足下述方程：具体算法如下：在实际使用中，上述算法收敛很快，一般每个信号采样点上只需要迭代两三次即可。这意味着不必对连续小波变换时频平面上所有点进项计算，只需在脊线范围两侧很小的范围内进行。该方法的缺点主要是对噪声非常敏感，只有在比较高的信噪比的情况下才能准确的崎岖信号小波变换的脊线。该方法的另一个缺点是只是用与信号中含有单一成分的情况，当信号含有多个成分的情况下，即使各个成分在小波变换平面上能