wersja beta

LABORATORIUM WIRTUALNE 1

Ćwiczenie 5 - Analiza czasowo - częstotliwościowa sygnałów

Tradycyjna analiza widmowa Fouriera jako superpozycja funkcji sinus i cosinus jest niemal wszechobecna w dziedzinie identyfikacji i analizy sygnałów pomiarowych. Użyteczność transformaty Fouriera zawiera się w jej zdolności do analizy przebiegu czasowego sygnału pod kątem jego „zawartości częstotliwościowej”. Należy podkreślić, że tradycyjna analiza częstotliwościowa nie nadaje się do obserwacji właściwości sygnałów niestacjonarnych. Wymagana jest tutaj analiza wykorzystująca łączne czasowo-częstotliwościowe (t/f) reprezentacje sygnałów (JFTA - Joint Time-Frequency Analysis). Tego rodzaju analizę zapewnia krótkoczasowa transformata Fouriera, czy też transformata Gabora.

Rodzajem analizy czasowo-częstotliwościowej jest również transformacja falkowa. Najbardziej charakterystyczne dla transformaty falkowej jest to, że indywidualne funkcje falkowe są dobrze zlokalizowane w czasie (lub przestrzeni – dla obrazów) i jednocześnie dobrze opisują sygnał w dziedzinie częstotliwości, ściśle biorąc tzw. skali. Ponadto w odróżnieniu od funkcji sinus i cosinus, które definiują unikalną transformatę Fouriera, nie ma pojedynczego, unikalnego zbioru falkowych funkcji bazowych. Falki różnią się między sobą zwartością lokalizacji czasowej oraz płynnością i gładkością kształtów. Wynikająca stąd zdolność falek do opisu sygnałów „z nieciągłościami”, przy ograniczonej liczbie współczynników oraz z lokalizacją w czasie, stanowi o jej przewadze nad transformatą Fouriera.

Krótkoczasowa transformata Fouriera (STFT – Short-Time Fourier Transform) stanowi wzorcowy przykład algorytmu analizy czasowo-częstotliwościowej. Umożliwia ona wydobycie z sygnału informacji o tym, jak zmienia się jego widmo w czasie, czyli jednoczesną obserwację jego właściwości zarówno w dziedzinie czasu jak i częstotliwości. Wycinek sygnału (blok próbek o rozmiarze L) przeznaczony do analizy jest sukcesywnie dzielony na segmenty, z których każdy podlega analizie widmowej niezależnie. Podobnie jak w przypadku tradycyjnym, aby usunąć gwałtowne zmiany (cięcia) sygnału na krańcach przedziałów, stosuje się różne okna czasowe w odniesieniu do wspomnianych segmentów. Przesuwając okno w czasie, wzdłuż sygnału, wyznacza się jego zawartość widmową wewnątrz przedziału czasowego, którego długość jest określona szerokością okna.

Krótkoczasową transformatę Fouriera sygnału Parser nie mógł rozpoznać (błąd składni): {\displaystyle x(t)\} ,, w odniesieniu do okna Parser nie mógł rozpoznać (błąd składni): {\displaystyle \varphi(t)\} , rozmieszczonego w pozycji Parser nie mógł rozpoznać (błąd składni): {\displaystyle (\tau, \xi)\} , na płaszczyźnie t/f zdefiniować można jako (1). W odróżnieniu od tradycyjnej transformaty Fouriera, dla której do wyznaczenia pojedynczej składowej konieczna jest znajomość funkcji Parser nie mógł rozpoznać (błąd składni): {\displaystyle x(t)\} , na całej osi czasu, w tym przypadku, wymagana jest znajomość Parser nie mógł rozpoznać (błąd składni): {\displaystyle x(t)\} , tylko w przedziale określonym przez położenie Parser nie mógł rozpoznać (błąd składni): {\displaystyle \varphi (t-\tau)\} ,.

Dyskretna wersja powyższego równania przyjmuje postać:

$X (τ_{n}, ξ_{k}) = T_{p} \sum_{i = 0}^{N - 1} x (t_{i}) φ (t_{i} - τ_{n}) e^{- j ξ_{k} t_{i}}$

gdzie Parser nie mógł rozpoznać (błąd składni): {\displaystyle T_p\} , oznacza okres próbkowania sygnału. Dla przypadku unormowanego, gdy Parser nie mógł rozpoznać (błąd składni): {\displaystyle T_p=1\} , otrzymujemy zależność (2).

Kształt okna czasowego Parser nie mógł rozpoznać (błąd składni): {\displaystyle \varphi(t)\} , rozmieszczonego w pozycji Parser nie mógł rozpoznać (błąd składni): {\displaystyle (\tau, \xi)\} , na płaszczyźnie t/f odgrywa kluczową rolę w przypadku STFT. Iloczyn szerokości okna w dziedzinie czasu Parser nie mógł rozpoznać (błąd składni): {\displaystyle \Delta_t\} , i szerokości okna w dziedzinie częstotliwości Parser nie mógł rozpoznać (błąd składni): {\displaystyle \Delta_{\omega}\} , jest wielkością stałą dla danego okna. Stąd też, poprawiając rozdzielczość w dziedzinie czasu, będziemy ją pogarszać w dziedzinie częstotliwości i odwrotnie. Zatem szerokość okna wybierana jest na drodze kompromisu. Interpretacja położenia okna czasowo-częstotliwościowego na płaszczyźnie t/f przedstawiona jest na rysunku 1.

Na rysunku 2 pokazany jest przykład zastosowania rozkładu STFT do sygnału o postaci:

$x (t) = s i n 2 π f_{1} t + s i n 2 π f_{2} t + α [δ (t - t_{1}) + δ (t - t_{2})]$

dla różnych szerokości (promieni) Parser nie mógł rozpoznać (błąd składni): {\displaystyle \Delta_t\} , okna czasowego Parser nie mógł rozpoznać (błąd składni): {\displaystyle \varphi(t)\} ,. W przypadku zastosowania szerokiego okna czasowego, otrzymuje się bardzo dużą rozdzielczość częstotliwościową i bardzo małą rozdzielczość czasową. W miarę zwężania okna czasowego poprawia się rozdzielczość czasowa kosztem częstotliwościowej.

Znany jest pewien przypadek szczególny, w którym okno czasowe ma kształt gaussowski opisany wzorem (3). Okazuje się, że widmo tego okna ma również kształt gaussowski:

$Φ (ω) = G_{α} (ω) = e^{- α ω^{2}}, α > 0$

Okno to, od nazwiska pierwszego użytkownika, nosi miano okna Gabora. Iloczyn szerokości okna Gabora w dziedzinie czasu Parser nie mógł rozpoznać (błąd składni): {\displaystyle \Delta_t\} , i szerokości okna w dziedzinie częstotliwości Parser nie mógł rozpoznać (błąd składni): {\displaystyle \Delta_{\omega}\} , osiąga minimum i wynosi:

Δ_{t} Δ_{ω} = \frac{1}{2}

Analityczny zapis transformaty Gabora przedstawia zależność (4). Inaczej:

$G (τ, ξ) = ⟨ x (t), g_{α} (t - τ) e^{j ξ t} ⟩$

Do celów obliczeń numerycznych wprowadza się pojęcie dyskretnej transformaty Gabora, określanej w skończonym zbiorze punktów na płaszczyźnie t/f. Zdyskretyzowana wersja transformaty (w sensie położenia okna na płaszczyźnie t/f) jest opisana następującą zależnością:

Parser nie mógł rozpoznać (błąd składni): {\displaystyle G(\tau_n, \xi_k)=\int_{-\infty}^{+\infty} {x(t){g_{\alpha}^{*}(t-\tau_n)e^{-j\xi_k t}}\, dt}

Praktyczny algorytm obliczeniowy dyskretnego rozkładu Gabora ma postać określoną wzorem (5). Współczynniki rozkładu Gabora są wyznaczane za pomocą algorytmu STFT z równania (6) gdzie Parser nie mógł rozpoznać (błąd składni): {\displaystyle N\} , oznacza liczbę przedziałów częstotliwości, Parser nie mógł rozpoznać (błąd składni): {\displaystyle T_p\} , okres próbkowania, Parser nie mógł rozpoznać (błąd składni): {\displaystyle \gamma [n]\} , funkcję dualną do Parser nie mógł rozpoznać (błąd składni): {\displaystyle g_{\alpha}[n]\} ,.

Rysunek 3 przedstawia panel czołowy wirtualnego przyrządu pomiarowego JTFA (Joint Time-Frequency Analyser) skonstruowanego przez autorów. Przyrząd ten jest udostępniony w sieci jako aplet poprzez dowolną przeglądarkę WWW Przyrząd JTFA może być wykorzystywany do analizy czasowo-częstotliwościowej dowolnych sygnałów jednowymiarowych zapisanych uprzednio w plikach. Istnieje też możliwość wczytania sygnału przy pomocy karty zbierania danych zainstalowanej w komputerze. Jeśli używamy karty zbierania danych musimy określić parametry związane z pobraniem sygnału. W szczególności są to parametry sygnału: częstotliwość próbkowania (Sampling Rate) i ilość próbek (# of Samples) oraz parametry związane z kartą: numer kanału (Channel), z którego odczytujemy dane i wzmocnienie w kanale (Gain). Po wybraniu opcji ACQ SIGNAL nastąpi pobranie sygnału. Zakres częstotliwości analizy jest zawarty w przedziale od składowej stałej do częstotliwości Nyquista, tj. połowy częstotliwości próbkowania. Najwyższa możliwa do uzyskania częstotliwość próbkowania zależy od użytej karty zbierania danych i od możliwości komputera. Częstotliwość próbkowania nie wpływa na wyniki obliczeń, ale jest odzwierciedlana jako oś y widma mocy i spektrogramu. Sygnał wczytany poprzez kartę można zapisać w pliku w celu późniejszego jego wykorzystania (opcja SAVE). Z kolei wybranie polecenia READ FILE umożliwia wczytanie sygnału zapisanego w pliku. Dane w pliku powinny mieć format wektora kolumnowego liczb (znaki ASCII). Nazwa wczytanego pliku jest zawsze widoczna w polu File Name.

Wirtualny przyrząd pomiarowy JTFA wykorzystuje następujące pola wyświetlania danych (rys.3):

wyświetlacz widmo mocy / widmo chwilowe (power spectrum / instantenous spectrum) pokazuje klasyczne widmo mocy albo widmo chwilowe w zależności od ustawień,
wyświetlacz spektrogramu pokazuje widmo w skali czasu dla wybranej metody analizy; wartości widma są w tym przypadku symbolizowane przy użyciu kolorów,
wyświetlacz sygnału analizowanego w czasie.

Sposób wyświetlania danych można zmienić przez przestawienie przełącznika Linear/dB i/lub Cursor. Przełączenie Linear/dB zmienia sposób prezentowania spektrogramu ze skali liniowej na decybelową i odwrotnie. Przełącznik Cursor włącza lub wyłącza wyświetlanie kursorów. Jeśli kursory są włączone wyświetlacz widma mocy zamienia się w wyświetlacz widma chwilowego. Widmo chwilowe jest liczone dla czasu wskazywanego przez kursor (oś x). Do trybu wyświetlania widma mocy można w dowolnej chwili powrócić wciskając przycisk Power Spectrum.

W opisywanym przyrządzie wirtualnym do analizy czasowo-częstotliwościowej sygnału jednowymiarowego można wykorzystać jeden z algorytmów:

krótkoczasową transformatę Fouriera (STFT)
transformację Gabora
i inne

Najprostszą z tych metod jest STFT (Short Time Fourier Transform). Przed jej użyciem należy określić okno analizy (Window Type) oraz długość okna (Window Length), tak aby uzyskać najlepszy kompromis pomiędzy rozdzielczością w czasie i częstotliwości. Można wybrać okna: prostokątne, Hanninga, Hamminga, Blackmana-Harris’a, Blackmana. Jeśli wydłużamy okno uzyskujemy lepszą rozdzielczość w częstotliwości, ale rozdzielczość w czasie staje się gorsza i na odwrót.

Transformacja Gabora jest bardziej skomplikowana obliczeniowo, ale w wyniku uzyskujemy lepszą rozdzielczość czasowo-częstotliwościową. Przed wybraniem tej metody musimy podać wartości: Order, Var i Window Length. Oknem stosowanym w metodzie Gabora jest optymalne okno Gaussa opisane przez podanie długości (Length) i wariancji (Var). Wartość rządu (Order) określa rozdzielczość, ale jednocześnie poziom niepożądanych interferencji pomiędzy elementami analizowanego sygnału. Im wyższy jest rząd tym lepsza jest rozdzielczość czasowo-częstotliwościowa. Jednocześnie ze zwiększaniem rzędu coraz bardziej widoczne są pasożytnicze interferencje. Także czas obliczeń jest proporcjonalny do rzędu. Zwykle wybranie rzędu na poziomie trzy do pięciu daje najlepszy kompromis pomiędzy rozdzielczością i zawartością pasożytniczych interferencji. Pewną eliminację pasożytniczych interferencji można również uzyskać zmniejszając wariancję okna Gaussa (Var), ale jednocześnie ulega pogorszeniu rozdzielczość czasowo-częstotliwościowa.

Na rysunku 4 pokazane są wyniki analizy STFT otrzymane przy wykorzystaniu opisywanego wyżej wirtualnego przyrządu pomiarowego do przeprowadzania analiz czasowo-częstotliwościowych. Sygnał badany, spróbkowany z częstotliwością 500Hz, składa się z dwóch części wyciętych oknami Gaussa (przedziały czasowe Parser nie mógł rozpoznać (błąd składni): {\displaystyle 0.08 \div 0.15sek.\} , i Parser nie mógł rozpoznać (błąd składni): {\displaystyle 0.25\div 0.58sek.\} ,). Część pierwszą stanowi sygnał sinusoidalny o częstotliwości 156Hz, część druga to złożenie dwóch sygnałów: sinusoidalnego o częstotliwości 50Hz oraz sinusoidalnego o częstotliwości liniowo zmiennej w zakresie Parser nie mógł rozpoznać (błąd składni): {\displaystyle 90\div 240Hz\} ,. Na dole rysunku 11 pokazany jest przebieg czasowy tego sygnału. Po środku przedstawiony jest obraz widma mocy badanego sygnału. Z widma mocy można wywnioskować, jakie składowe częstotliwościowe występują w sygnale badanym, ale nic nie można powiedzieć o chwilach czasu występowania składowych sygnału związanego z tymi częstotliwościowymi. Równie trudno jest określić charakter zmian częstotliwościowych. Natomiast obserwując rozkład na płaszczyźnie t/f, możemy podać zarówno czas występowania składowych sygnału o określonej zawartości częstotliwościowej, jak i charakter zmian częstotliwościowych. Niestety wartości czasu i częstotliwości można określić tylko z pewnym prawdopodobieństwem wyznaczonym przez parametry okna. Zastosowanie wąskiego okna czasowego (i tym samym szerokiego w dziedzinie częstotliwości) objawia się dużym rozmyciem umiejscowienia prążków w dziedzinie częstotliwości i stosunkowo dobrym umiejscowieniem prążków w czasie (rysunek z prawej). Zastosowanie szerokiego okna czasowego (rysunek z lewej) daje dobrą lokalizację częstotliwościową i złą czasową.

Na rysunku 5 pokazano wyniki analizy czasowo-częstotliwościowej opisanego poprzednio sygnału, przeprowadzonej tym razem z użyciem transformaty Gabora. Zastosowanie okna Gabora umożliwia osiągnięcie optymalnych rozdzielczości zarówno w dziedzinie czasu, jak i częstotliwości.

Na rysunku 6 zaprezentowany jest przykład użycia analizy czasowo-częstotliwościowej do sygnału mowy. Obserwacja spektrogramu pozwala zilustrować mechanizm mowy ludzkiej. Rysunek u góry (część górna lewa) obrazuje energię sygnału jako funkcję czasu i częstotliwości. Można z niego łatwo odczytać, jakie składowe częstotliwościowe występują w poszczególnych dźwiękach. Odpowiadające częstotliwościom kolory odzwierciedlają intensywności poszczególnych składowych. Rysunek u góry po prawej to widmo mocy przetwarzanego sygnału. Od razu widać, że niesie ono dużo mniej informacji niż spektrogram. Spektrogram wykreślony w skali logarytmicznej lepiej obrazuje duże różnice amplitud poszczególnych składowych częstotliwościowych.

Innym zastosowaniem analizy czasowo-częstotliwościowej jest detekcja mocno zaszumionych sygnałów. W ogólności szumy równomiernie rozprzestrzeniają energię zarówno w dziedzinie czasu jak i częstotliwości. Sygnały użyteczne z kolei, często koncentrują swoją energię w relatywnie krótkich zakresach czasowych, albo wąskich zakresach częstotliwościowych. Konwersja zaszumionego sygnału do domeny czas-częstotliwość zwykle znacząco poprawia lokalną wartość współczynnika SNR (Signal-to-Noise-Ratio).

Rysunek 7 przedstawia zaszumiony sygnał o częstotliwości zmiennej wykładniczo. Szumy dominują zarówno w przebiegu czasowym, jak i widmie mocy. Analizując te przebiegi praktycznie niemożliwe jest wykrycie właściwego sygnału. Jednak po przejściu do dziedziny czas-częstotliwość od razu można go wykryć, oraz podać zarówno umiejscowienie w czasie jak i charakter zmian częstotliwości. Co więcej bazując na reprezentacji czasowo-częstotliwościowej danego sygnału można zamaskować współczynniki związane z szumem i, korzystając z transformacji odwrotnej, odtworzyć postać sygnału bez szumu.

W przypadku rozkładu falkowego iloczyn promieni okien, czasowego i częstotliwościowego, ma wartość stałą na całej płaszczyźnie. Położenie okna czasowo-częstotliwościowego na płaszczyźnie t/f, dla transformaty falkowej, jest przedstawione na rysunku 8 (proszę porównać położenie okna na płaszczyźnie t/f dla STFT – rys.1).

Na rysunku 9, dla celów porównawczych, zilustrowano ideę czasowo-częstotliwościowej (STFT) oraz falkowej metody analizy sygnałów. Widać na nim wyraźnie, że w odróżnieniu od metody STFT, gdzie rozdzielczość czasowo-częstotliwościowa jest ustalona na całej płaszczyźnie t/f, w metodzie falkowej rozmiary okna czasowo-częstotliwościowego są funkcją jego położenia na tej płaszczyźnie.

Na rysunku 10 zamieszczono przykłady skalowania funkcji dla pewnej (typowej) falki. Proces skalowania falki może przebiegać w dwu kierunkach, określa się je mianem kompresji (ściskania) i rozciągania. W przykładzie zamieszczonym na rysunku 10 do skalowania falki zastosowano kompresję.

Drugi parametr rozkładu falkowego to przesunięcie. Sposób przesuwania falki w czasie przedstawia rysunek 11.

Można w opisowy sposób zdefiniować proces rozkładu falkowego. Zawiera on 5 charakterystycznych kroków.

Wybraną falkę ustawić na początku fragmentu sygnału przeznaczonego do analizy.
Wyznaczyć umowną wartość liczbową odpowiadającą korelacji między bieżącą falką i odpowiadającym jej segmentem sygnału (rys.12).Uwaga! – w przypadku unormowania energii sygnału w aspekcie użytej falki, wspomniana liczba będzie równoważna wartości współczynnika korelacji wzajemnej między falką, a wybranym segmentem sygnału.
Przesunąć falkę o jeden cykl w prawo i powtórzyć działanie opisane w kroku 2. Sekwencję kroków 3, 2 powtarzać aż do końca trwania sygnału (rys.13).
Rozciągnąć falkę i powtórzyć kroki od 1 do 3.
Powtórzyć kroki od 1 do 4 aż do wyczerpania wszystkich skal (rys.14).

Powyższy przykład operuje w zakresie tzw. diadycznego charakteru zmian w obrębie skali i przesunięcia charakterystycznych dla dyskretnej transformaty falkowej (DWT). Pod pojęciem ciągłej transformaty falkowej (CWT) kryje się sposób umożliwiający użycie dowolnej, zmienianej w sposób ciągły, skali oraz ciągłego przesunięcia w czasie. Oczywiście, w kontekście sygnałów dyskretnych ciągłość, w obydwu wskazanych przypadkach, oznacza zmiany w obrębie jednej próbki sygnału (co jedną próbkę).

Należy zauważyć, że w analizie falkowej wyższa skala równoważna jest bardziej rozciągniętej falce. Im bardziej rozciągnięta falka (wyższa skala) tym większa sekcja sygnału, z którą jest porównywana i tym bardziej zgrubne cechy sygnału wyeksponowane są za pomocą odpowiadającego jej współczynnika. Podsumowanie tego spostrzeżenia zawarto w tabeli 1. Fakt, że analiza falkowa nie obrazuje cech sygnału na płaszczyźnie czas-częstotliwość, lecz czas-skala nie stanowi o słabości metody, a wręcz przeciwnie – o jej sile. Okazuje się, że jest to naturalna metoda opisu wielu zjawisk fizycznych odbieranych przez zmysły człowieka. Trzeba się z nią pogodzić i do niej przyzwyczaić.

Bardzo efektywna metoda implementacji algorytmu DWT dokonanej z użyciem filtrów opracowana została w 1988 roku przez Mallata. Nawiązuje ona do, znanej z analizy częstotliwościowej, metody kodowania w podpasmach i realizuje tzw. szybką transformatę falkową (Fast Wavelet Transform: FWT). Do analizy falkowej wprowadzono dwa pojęcia: aproksymacji i detalu. Pod pojęciem aproksymacji rozumie się niskoczęstotliwościowe składowe sygnału. Detale to składowe wysokoczęstotliwościowe. Wspomniany proces filtracji, obejmuje dwa filtry: dolnopasmowy (H) i górnopasmowy (G). Oryginalny sygnał S przechodzi przez parę komplementarnych filtrów, które rozdzielają go na dwie składowe Parser nie mógł rozpoznać (błąd składni): {\displaystyle a_1\} , (aproksymacja) i Parser nie mógł rozpoznać (błąd składni): {\displaystyle d_1\} , (detal) (rys.15). W przypadku filtracji cyfrowej podwaja się liczba danych, przeznaczonych do dalszego przetwarzania. Wygodnym sposobem ograniczenia tej liczby w metodzie falkowej jest decymacja, polegająca na odrzuceniu co drugiej próbki danych. Pełny proces dekompozycji zawiera szereg członów tworzących tzw. drzewo dekompozycji falkowej.

Przykład pierwszego poziomu dekompozycji falkowej pewnego rzeczywistego sygnału pomiarowego zamieszczono na rysunku 16.

Należy zauważyć, że dobór charakterystyk filtrów rozkładu falkowego jest podyktowany doborem kształtu falki tego rozkładu. Ściśle rzecz ujmując, kształt falki Parser nie mógł rozpoznać (błąd składni): {\displaystyle \psi(t)\} , jest jednoznacznie związany z charakterystyką filtru górnopasmowego wyodrębniającego detal w rozkładzie falkowym. Istnieje jeszcze jedna bardzo charakterystyczna funkcja związana ze zbiorami falek. Jest to tzw. funkcja skalująca, oznaczana symbolem Parser nie mógł rozpoznać (błąd składni): {\displaystyle \varphi(t)\} ,. Jej kształt związany jest z charakterystykami dolnopasmowych kwadraturowych filtrów lustrzanych odpowiedzialnych za wyodrębnienie aproksymacji sygnału. Kształt funkcji skalującej jest zbliżony do kształtu odpowiadającej jej falki, z tym że zawiera ona składową stałą. Definiuje się ją w rekurencyjnym zapisie matematycznym za pomocą równania dylatacyjnego:

$φ (t) = \sqrt{2} \sum_{k = 0}^{N - 1} h_{k} φ (2 t - k)$

W kontekście funkcji skalującej falka zdefiniowana jest za pomocą tego samego równania dylatacyjnego opisanego za pomocą innego zestawu współczynników:

$ψ (t) = \sqrt{2} \sum_{k = 0}^{N - 1} g_{k} φ (2 t - k)$

Współczynniki Parser nie mógł rozpoznać (błąd składni): {\displaystyle H=\left \{h_k \right \}\} ,, oraz Parser nie mógł rozpoznać (błąd składni): {\displaystyle G=\left \{g_k \right \}\} , są rozumiane jako współczynniki pary kwadraturowych filtrów lustrzanych. W przypadku bazy ortonormalnej związane są zależnością wzajemną:

$g_{k} = (- 1)^{k} h_{N - k}$ .

Istnieje nieograniczona wręcz liczba możliwych do utworzenia falek, jak i tzw. banków filtrów. Która z nich jest najlepsza zależy od konkretnej implementacji. Nazwy konkretnych rozwiązań pochodzą zwykle od kształtów lub nazwisk osób, które je po raz pierwszy użyły i opublikowały wyniki. Przykładowe nazwy to: Daubechies, Haar, Coiflets, Symlet, Spline, Battle-Lemarie.

Na rysunku 17 pokazano funkcja skalująca i falkowa Daubechies 4 rzędu oraz widma funkcji skalującej i falkowej.

Rysunek 18 pokazuje funkcję skalującą i falkową Daubechies 20 rzędu oraz widma tych funkcji.

Przy doborze określonych funkcji falkowych do konkretnych zastosowań należy zwrócić uwagę na te właściwości, które mogą wpłynąć na jakość pożądanego rozwiązania. Należą do nich:

zakres działania – nośnik (nośnikiem nazywamy zakres zmiennej niezależnej, przy którym funkcja falkowa przyjmuje wartości niezerowe) funkcji skalującej i macierzystej funkcji falkowej oraz ich transformacji Fouriera, który decyduje o ich właściwościach lokalizacyjnych w dziedzinie czasu i częstotliwości,
symetria, która warunkuje uniknięcie zniekształceń fazowych,
liczba momentów statystycznych tożsamościowo równych zeru – decyduje ona o jakości kompresji sygnałów (współczynniku kompresji oraz zniekształceniach wprowadzonych przy kompresji); większa liczba momentów równych zeru oznacza większą liczbę współczynników falkowych bliskich zeru odpowiadających na przykład obszarom o podobnym współczynniku szarości,
regularność umożliwiająca bardziej lub mniej ciągłe odwzorowanie danych,
ortogonalność lub biortogonalność,
istnienie opisu jawnego,
istnienie funkcji skalującej.

Skonstruowany przez autorów wirtualny przyrząd pomiarowy służy do wyznaczania dyskretnej transformaty falkowej sygnałów jednowymiarowych zapisanych uprzednio w plikach, bądź też wczytanych przy pomocy karty zbierania danych zainstalowanej w komputerze. Jeśli wykorzystujemy kartę zbierania danych musimy określić parametry związane z pobraniem sygnału. W szczególności są to parametry sygnału: częstotliwość próbkowania (Sampling Rate) i ilość próbek (# of Samples) oraz parametry związane z kartą: numer kanału (Channel), z którego odczytujemy dane i wzmocnienie w kanale (Gain). Po wybraniu opcji ACQ SIGNAL nastąpi pobranie sygnału. Sygnał wczytany poprzez kartę można zapisać w pliku w celu późniejszego jego wykorzystania (opcja SAVE SIGNAL). Z kolei wybranie polecenia READ FILE umożliwia wczytanie sygnału zapisanego wcześniej w pliku. Dane w pliku powinny mieć format wektora kolumnowego liczb (znaki ASCII). Nazwa wczytanego pliku jest zawsze widoczna w polu File Name.

Dyskretną transformację falkową można wyliczyć przy wykorzystaniu różnych funkcji falkowych. Odpowiednią funkcję falkową należy wybrać za pomocą kontrolki Wavelet. Mamy do wyboru funkcje falkowe Haara, Daubechies, coiflety, biortogonalne i inne. Analiza jest przeprowadzana w zakresie skal podanym w polu Level. Start obliczeń następuje po wciśnięciu przycisku GO. Po chwili wykres współczynników dyskretnego przekształcenia falkowego jest prezentowany na ekranie.

Program wykorzystuje następujące pola wyświetlania danych (rys.19):

wyświetlacz sygnału analizowanego w czasie (na górze),
wykres współczynników aproksymacji sygnału będącej wynikiem dyskretnej transformacji falkowej sygnału (drugi od góry),
dwa ostatnie wykresy prezentują wykresy współczynników dyskretnego przekształcenia falkowego dla określonej skali, którą można określić przy użyciu kontrolki Level (z lewej strony wykresu).

Przełącznik Cursors włącza lub wyłącza wyświetlanie kursorów przy użyciu których można odczytać dokładne wartości współczynników transformacji falkowej. Wartości współczynników dyskretnego rozkładu falkowego można również zapisać w pliku przy użyciu polecenia SAVE.

Na rysunku 20 przedstawiono wyniki dyskretnej analizy falkowej sygnału sinusoidalnego o częstotliwości narastającej liniowo. Analiza została przeprowadzona na trzech poziomach przy wykorzystaniu falki Daubechies 4 rzędu. Widać, że dla niskiej skali, związanej z wysokimi częstotliwościami, współczynniki rozkładu falkowego przyjmują znaczące wartości właśnie dla tej części sygnału, która zawiera wysokie częstotliwości. Z kolei wysoka skale (tutaj 3) związana jest z niskimi częstotliwościami. Sygnał a3 przedstawia natomiast aproksymację sygnału.

Na rysunku 21 przedstawiono przykład analizy sygnału EKG za pomocą dyskretnej transformacji falkowej. Zastosowano falkę Daubechies rzędu 4 oraz rozkład falkowy na sześć poziomów. Najciekawsze efekty można zaobserwować w skali 5 i 4. Tego typu analiza może posłużyć do precyzyjnego określenia położenia pewnych charakterystycznych punktów sygnału EKG, ważnych z punktu widzenia diagnostyki medycznej.

Do wykonania zadań należy wykorzystać opisywane wcześniej wirtualne przyrządy pomiarowe umożliwiające przeprowadzenie analizy czasowo-częstotliwościowej oraz dokonanie dyskretnej transformacji falkowej dla podanych sygnałów.

Sygnały dostępne do analizy:

„hop.txt” – sygnał sinusoidalny, który w określonych chwilach czasowych przyjmuje różne, ale stałe wartości,
„chirp.txt” – sygnał sinusoidalny o częstotliwości narastającej liniowo w czasie,
„crosschirp.txt” – suma dwóch sygnałów sinusoidalnych, z których jeden ma częstotliwość liniowo narastającą, a drugi liniowo malejącą w czasie,
„nlchirp.txt” - sygnał sinusoidalny o częstotliwości narastającej wykładniczo w czasie,
„doppler.txt” – sygnał obrazujący efekt Dopplera,
„mowa.txt” – sygnał mowy,
„breakdown.txt” – sygnał, w którym występuje nieciągłość trudno zauważalne wzrokowo,
„ekg.txt” – sygnał EKG,
i inne.

Laboratorium wirtualne 1/Moduł 5 - ćwiczenie 5

LABORATORIUM WIRTUALNE 1

Ćwiczenie 5 - Analiza czasowo - częstotliwościowa sygnałów

Menu nawigacyjne

Działania na stronie

Opcje strony

Narzędzia osobiste

Nawigacja

Szukaj

Narzędzia