资源描述:
《morlet小波分析方法介绍》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、小波分析的要点:1.目的小波分析是一个强有力的统计工具,最早使用在信号处理与分析领域中,通过对声音、图像、地震等信号进行降噪、重建、提取,从而确定不同信号的震动周期出现在哪个时间或频域上。现在广泛的应用于很多领域。在地学中,各种气象因子、水文过程、以及生态系统与大气之间的物质交换过程都可以看作是随时间有周期性变化的信号,因此小波分析方法同样适用于地学领域,从而对各种地学过程复杂的时间格局进行分析。如,温度的日变化周期、年变化周期出现在哪些事件段上,在近100年中,厄尔尼诺-拉尼娜现象的变化周期及其
2、出现的时间段,等等。2.方法小波变换具有多分辨率分析的特点,并且在时频两域都具有表征信号局部特征的能力。小波变换通过将时间系列分解到时间频率域内,从而得出时间系列的显著的波动模式,即周期变化动态,以及周期变化动态的时间格局(TorrenceandCompo,1998)。小波(Wavelet),即小区域的波,是一种特殊的、长度有限,平均值为零的波形。它有两个特点:一是“小”,二是具有正负交替的“波动性”,即直流分量为零。小波分析是时间(空间)频率的局部化分析,它通过伸缩平移运算对信号(函数)逐步进行
3、多尺度细化,能自动适应时频信号分析的要求,可聚焦到信号的任意细节。小波分析将信号分解成一系列小波函数的叠加,而这些小波函数都是由一个母小波(motherwavelet)函数经过平移与尺度伸缩得来的。用这种不规则的小波函数可以逼近那些非稳态信号中尖锐变化的部分,也可以去逼近离散不连续具有局部特性的信号,从而更为真实的反映原信号在某一时间尺度上的变化。小波分析这种局部分析的特性使其成为对非稳态、不连续时间序列进行量化的一个有效工具(Stoyetal.,2005)。小波是一个具有零均值且可以在频率域与时
4、间域内进行局部化的数学函数(Grinstedetal.,2004)。一个小波被称为母小波(motherwavelet),母小波可沿着时间指数经过平移与尺度伸缩得到一系列子小波。子小波可以通过尺度(s,频率的反函数)函数和时间(n)位置或平移来描述。利用一系列子小波,一个信号可以在不同的时间尺度上进行计算并显示出详细的特征尺度。拉伸更大的小波窗口,使其宽度更大便可以分析时间系列中波动较大的部分并捕捉大尺度(低频)事件的特征。相反,压缩较小的窗口将包含小尺度(高频)的事件信息。当信号被子小波相乘,被s
5、与n唯一的表达,我们可以计算出信号在时间频率域一个具体位置的系数。如果信号在时间n上的谱成分可以与小波s比较,那么计算的小波系数具有相对较大的值。在其它n与s的组合(如其它的子小波)上都进行这样的计算,那么将会产生一系列系数(小波变化)来表达信号在时间频率域内的分解。通过这样的变化便可得到时间系列的波动模式(周期变化模式)以及这些模式随时间的变化(Furonetal.,2008;Jevrejevaetal.,2003)。小波变化可以分为连续小波变化(theContinuousWaveletTran
6、sform,CWT)与离散小波变换(DiscreteWaveletTransform,DWT)。离散小波变化DWT是数据的紧凑表示,长用于降噪与数据压缩。连续小波变化CWT更适合于信号特征的提取(Grinstedetal.,2004)。CWT作为时间系列间歇式波动特征提取的工具被广泛的应用的地球物理学研究中(Grinstedetal.,2004;Furonetal.,2008)。(1)连续小波变换CWT可以将具有等时间步长δt的离散时间系列xn(n=1,…,N)的连续小波变换定义为小波函数ψ0尺度
7、化以及转换下的xn的卷积:(1)式中*表示共轭复数,N是时间系列的总数据个数,(δt/s)1/2是一个用于小波函数标准化的因子从而使得小波函数在每个小波尺度s上具有单位能量。通过转换小波尺度s并沿着时间指数n进行局部化,最终可得到一幅展示时间系列在某一尺度上波动特征及其随时间变化的图谱,即小波功率谱(TorrenceandCompo,1998;TorrenceandWebster,1999;Grinstedetal.,2004)。对一个时间系列进行小波转换时,母小波的选择显得尤为重要,Farge(
8、1992)曾经讨论过母小波选择时需要考虑的因素,例如正交与非正交、负值与实值、母小波的宽度与图形等等。正交小波函数一般用于离散小波变换,非正交小波函数即可用于离散小波变换也可用于连续小波变换(TorrenceandCompo,1998)。通常在对时间系列进行分析时,希望能够得到平滑连续的小波振幅,因此非正交小波函数较为合适。此外,要得到时间系列振幅和相位两方面的信息,就要选择复值小波,因为复值小波具有虚部,可以对相位进行很好的表达(TorrenceandCompo,1998)。Mo