Python和JAX及MATLAB小波分析导图

本文主要是介绍Python和JAX及MATLAB小波分析导图，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

🎯要点

离散小波变换和逆离散小波变换
时间序列谱分析
计算比例图和频谱图显示数据
莫莱小波时频数据表征
海表温度异常的区域平均值
捕捉市场波动时间频率关联信息
信号和图像分解压缩重建
降维
分析金融波动
连续小波卷积网络和离散小波信号分类
图像处理、提取地震图速度和衰减参数
高质量无噪音时频分析

Python哈尔小波

在数学中，哈尔小波是一系列重新缩放的“方形”函数，它们共同构成小波族或基。小波分析类似于傅立叶分析，因为它允许用正交基来表示间隔内的目标函数。哈尔序列现在被认为是第一个已知的小波基，并被广泛用作教学示例。哈尔小波也是最简单的小波。哈尔小波的技术缺点是它不连续，因此不可微分。然而，这一特性对于分析具有突然转变的信号（离散信号）来说却是一个优势，例如监控机器中的工具故障。

哈尔小波的母小波函数 $\psi(t)$ 可以描述为
$\psi(t)= \begin{cases}1 & 0 \leq t<\frac{1}{2} \\ -1 & \frac{1}{2} \leq t<1 \\ 0 & \text { 否则 }\end{cases}$

其尺度函数 $\varphi(t)$ 可描述为
$\varphi(t)= \begin{cases}1 & 0 \leq t<1 \\ 0 & \text { 否则 }\end{cases}$
与哈尔小波相关的 2×2 哈尔矩阵为
$H_2=\left[\begin{array}{cc} 1 & 1 \\ 1 & -1 \end{array}\right]$
使用离散小波变换，可以将任意长度的偶数序列 $\left(a_0, a_1, \ldots, a_{2 n}, a_{2 n+1}\right)$ 变换为二元序列 -向量 $\left(\left(a_0, a_1\right),\left(a_2, a_3\right), \ldots,\left(a_{2 n}, a_{2 n+1}\right)\right)$ 。如果将每个向量与矩阵 $H_2$ 右乘，则得到结果 $\left(\left(s_0, d_0\right), \ldots,\left(s_n, d_n\right)\right)$ 为快速哈尔小波变换的阶段。通常，我们将序列 $s$ 和 $d$ 分开，然后继续转换序列 $s$ 。序列 $s$ 通常被称为平均值部分，而 $d$ 被称为细节部分。

如果一个序列的长度是四的倍数，则可以构建 4 个元素的块，并使用 4×4 哈尔矩阵以类似的方式对其进行变换
$H_4=\left[\begin{array}{cccc} 1 & 1 & 1 & 1 \\ 1 & 1 & -1 & -1 \\ 1 & -1 & 0 & 0 \\ 0 & 0 & 1 & -1 \end{array}\right]$
它结合了快速哈尔小波变换的两个阶段。

一般来说，2N×2N 哈尔矩阵可以通过以下等式导出。
$H_{2 N}=\left[\begin{array}{c} H_N \otimes[1,1] \\ I_N \otimes[1,-1] \end{array}\right]$
其中 $I_N=\left[\begin{array}{cccc}1 & 0 & \ldots & 0 \\ 0 & 1 & \ldots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \ldots & 1\end{array}\right]$ 和 $\otimes$ 是克罗内克积。

Python示例

哈尔小波的特点是简单和二元阶跃函数。其结构有利于图像和信号处理、数值分析，甚至数据压缩领域。其主要优势在于能够提供有关特定函数或数据集的局部频率信息。我们将使用 TensorFlow演示一维离散哈尔小波变换。

pip install numpy
pip install tensorflow

def haar1d_layer(x):outputs = []len = x.shape[1]while len > 1:v_reshape = tf.reshape(x, [-1, len//2, 2])v_diff = v_reshape[:,:,1:2] - v_reshape[:,:,0:1]v_diff = tf.reshape(v_diff, [-1, len//2])outputs.append(v_diff)x = tf.reduce_mean(v_reshape, axis=2)len = len // 2outputs.append(x)return tf.concat(outputs, 1)def haar1d_inv_layer(x):idx = 1len = x.shape[1]while idx < len:v_avg = x[:, -idx:]v_avg = tf.reshape(v_avg, [-1, idx, 1])v_delta = x[:, (len - (idx << 1)):(len - idx)] / 2v_delta = tf.stack([-v_delta, v_delta], axis=2) v_out = v_avg + v_deltav_out = tf.reshape(v_out, [-1, idx*2])x = tf.concat([x[:, :-(idx << 1)], v_out], axis=1)idx = idx << 1return x

haar1d_layer() 函数对输入向量中的元素对进行迭代，计算每对元素的平均值和差异，并将它们写入 output_vector。haar1d_inv_layer() 函数执行相反的操作，从 input_vector 中获取平均值和差异对，并计算原始值，然后将它们写入 output_vector。函数 stack() 用于将 TensorArray 转换为 Tensor。

使用上述函数

v = tf.Variable([[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16],[16,15,14,13,12,11,10,9,8,7,6,5,4,3,2,1]
],dtype=tf.float32)x = layers.Input(shape=(v.shape[1],))
y = haar1d_layer(x)
encoder = Model(x, y)
encoded = encoder.predict(v)
print(encoded)y = haar1d_inv_layer(x)
decoder = Model(x, y)
decoded = decoder.predict(encoded)
print(decoded)

运行时，您将看到转换后的向量以及转换后向量的反转结果，该结果应与原始输入向量相同。