S.V.

BOZHOKIN

INTRODUCTION TO THE THEORY

OF CONTINUOUS WAVELET TRANSFORM

St. Petersburg
2020
 S.V. BOZHOKIN

INTRODUCTION TO THE THEORY

OF CONTINUOUS WAVELET TRANSFORM

St. Petersburg
2020
S.V. Bozhokin. Introduction to the theory of continuous wavelet transform.
Russia, Saint-Petersburg, Book publishing house «Strata»,
http://www.strata.spb.ru, 2020, - 160 p.

The publication of the book was carried out within the framework of the State Task
for Basic Research (topic code FSEG-2020-0024)

The book is an introduction to the theory of continuous wavelet transform. The

wavelet theory is a rapidly developing area of mathematics which finds application
in various fields of physics, biology, medicine, and economics. The theory of
wavelets is successfully used in the analysis of nonstationary signals, statistical and
spectral properties of which change over time.
The book includes the following sections. The introduction describes the history of
the theory of wavelets. In the subsequent sections, the concept of superposition of
elementary nonstationary signals is introduced and the Fourier and Gabor
transforms are briefly presented. Analysis of various mother wavelets, continuous
wavelet transform, generalization of Parseval's equality, and the inversion formula
are analyzed in subsequent sections of the book. The final sections are devoted to
analytical and numerical expressions for the continuous wavelet transform
obtained for various nonstationary signals.
The book is based on the lectures given by the author for senior students of the
Peter the Great St. Petersburg Polytechnic University. It will be useful for the
graduate students and researchers specializing in solving problems of processing
nonstationary processes occurring in various fields of science and technology.

ISBN 978-5-907314-34-4 © S.V. Bozhokin, 2020

bsvjob@mail.ru
 Table of contents
Introduction ____________________________________________________4
1. Model of nonstationary signals ___________________________________9
2. Fourier transform. Gabor transform _______________________________13
3. Mother wavelet _______________________________________________24
4. Continuous Wavelet Transform (CWT) ____________________________32
5. Parseval equality for the CWT. Formula of appeal ___________________42
6. Analytical expression for CWT VL  , t  elementary nonstationary

signal zL  t  tL  _______________________________________________47

7. Examples of CWT V  , t  for different signals Z  t  ________________54

List of references________________________________________________70

3
 Introduction
In physics, the signals Z (t ) that depend on time t can be divided into two
groups, i.e., stationary and nonstationary signals. For stationary random processes,
statistical and spectral characteristics determined at a relatively long time interval
T remain unchanged when the interval T is shifted in time. For a stationary
random process, the mean Z  t  and rms values Z 2  t  do not depend on time
t provided that the averaging is performed over a relatively large number k of
realizations of the random process. The autocorrelation function of a stationary
random process CFzz  t , t    is also time-independent t and depends only on
the difference  between two time moments t   and t at which the averaging is
performed [1] - [5].
Studies of nonstationary signals are aimed at solving the following
problems: a system of quantitative characteristics that describe specific feature of
the process is found, and the mathematical models that can be used to predict the
future magnitudes of the signal on the basis of its prehistory are selected. To
analyze the probabilistic properties of a random process, statistical data processing
methods are most often used. Another classical signal processing method is Fourier
spectral analysis.
The history of spectral analysis starts from 1800, when Baron Jean Baptiste
Fourier resumed his scientific activities after return from the Napoleonic campaign
in Egypt. He expressed the idea of representing a periodic function as a
superposition of trigonometric functions - sines and cosines with some coefficients
- in his article "Analytical Theory of Heat". Afterwards this representation was
called a spectrum, and the method of obtaining it was called the Fourier transform.
The classical spectral Fourier transform found application in many physical studies
and became one of the main tools in the field of digital signal processing.
For almost two centuries the Fourier transformation remained the only
method by which signals of various natures were analyzed. However, it became
clear over time that the Fourier transform did not always meet the needs of
scientists and engineers. The fact is that Fourier analysis "works" well with
periodic functions. If we are talking about a non-periodic signal, which is in the
form of some kind of a “burst” then very important information about the moment
in time when a significant rearrangement of signal spectral properties occurs is
“lost” in the Fourier spectral representation.
Later effective Fourier transform methods were generalized: a fast Fourier
transform appeared. It turned out that classes of other orthogonal functions can be
used in the spectral representation instead of sines and cosines. Spectral

4
transformations with non-sinusoidal basis functions appeared, such as, for
example, the Walsh transform. But these measures did not eliminate a fundamental
drawback, i.e, the loss of information on the signal temporal characteristics. This
shortcoming was mentioned by the Russian physicist L.I. Mandelstamm in the
1920s. He said: «The physical meaning of the Fourier expansion is largely related
to the resonant properties of linear systems with constant parameters; when
moving to linear systems with variable parameters, the Fourier expansion ceases to
be expedient and instead of the functions sin and cos must take other functions».
Note that signals are nonstationary extremely often. This is especially true
for many processes of the biological origin. For example, when analyzing the
cardiogram and electroencephalogram signals characterizing the electrical activity
of the heart and brain, we can say that the nonstationary processes are sooner a rule
than an exception. All kinds of stresses, external influences, in the simplest case,
even a change in a body position, lead to a restructuring of the heart functioning, a
change in the heart beat, and other characteristics of the brain and heart activity.
To describe a number of nonstationary processes in the living and inanimate
nature, the spectral properties of which vary over time, many researchers use the
window Fourier transform method. The window Fourier transform using the Gauss
function as the most optimal window was first introduced by Gabor in 1946 [1]-
[2]. In this method a window, the size of which is chosen to be much smaller than
the size of the signal to be analyzed is created for a nonstationary signal. For each
window, the Fourier transform of a local signal segment is calculated and its
frequency spectrum is obtained. Then the window is shifted and the Fourier
transform is also calculated for it. Having traversed the entire signal with such a
window, a three-dimensional function that depends on the position of the window
center and the frequency spectrum of the signal measured in this window is
obtained. Thus, spectral-temporal mapping of the signal is carried out, which
allows one to study the modification of its frequency spectrum as the window
advances. However, the greatest drawback of this method is that the fixed-size
window W cannot be adapted to local properties of the signal. The fact is that at a
fixed window size W, the signal resolution in frequency is lost in the low-
frequency part of the spectrum, and the time resolution is lost in the high-
frequency part of the spectrum.
To overcome this situation, modern mathematics has developed a number of
methods for analyzing nonstationary signals. The most famous method is the
Wavelet transform [3]-[29]. A wavelet is a certain basis function called the mother
wavelet which has a zero mean and a fairly rapid decrease at infinity. Translated
from English, the word wavelet means a small wave or burst. Note that the term
burst is often used in the mathematical literature. In the integral wavelet transform,
a convolution of the signal with a two-parameter function obtained from the
mother wavelet by using compression and shift operations is carried out. The

5
wavelet transform differs from the Fourier transform in that the multiplication by
“window” operation is contained in the basis function itself, and the window
adapts to the signal type when the wavelet scale changes. Moreover, it is essential
that the degree of localization in the time and frequency domains can be controlled.
A continuous wavelet transform maps the initial one-dimensional signal to
the time – frequency plane characterizing the signal spectral composition at every
moment of time and acts as a certain bandpass filter with a variable transmission
width.
Some ideas of the wavelet theory were partially developed by A. Haar in
1910 when he published a paper in which a complete orthonormal system of basis
functions with a local domain of definition was proposed. Now these functions are
called Haar wavelets. The burst theory prototypes can also be found in the paper of
N. Luzin published in 1930 [14].
The most intense development of the wavelet theory occurred in the 80s-90s
of the 20th century. The wavelet theory is based on such classical areas of
mathematics as the theory of functions of a complex variable, Fourier transforms
and other integral transforms, and functional analysis. The first mention of
wavelets appeared in the paper of A. Grossman and J. Morlet published in 1984
and dealing with digital processing and analysis of seismic signals. The wavelet
transform has grown in popularity since the introduction of the concept of multi-
scale analysis by Mall (S. Mallat) and Meyer (Y. Mayer) who constructed basic
algorithms for wavelet decomposition and wavelet recovery of the original signal.
Discretization of the wavelet transform was described by I. Daubechie who pointed
to the possibility of using mathematical ideas of wavelet analysis in the field of
image processing.
These papers triggered intense studies of the wavelet theory by many
scientists in the next decade. Great contributions to this branch of science were
made by Y.Meyer, I.Schoenberg, P.Auscher, C.K. Chui, W.L. Hwang, J.O.
Stromberg, P.G. Lemarie, G.A. Battle and others. It should also be noted that a
fast wavelet-based signal decomposition and reconstruction algorithm was
considered in the papers devoted to digital signal processing called a subband
filtering scheme with exact reconstruction (F. Mintzer, M. Vetterli, M.J.T.Smith,
TP Barnwell).
One of the greatest experts in the theory and application of wavelets, S.
Mallat, spoke of this peculiar revolution that turned many ideas about signal
research methods upside down: “The basis of wavelets is not a “new brilliant
idea”, but concepts that existed in diverse forms in many different fields of
knowledge. The formalization and emergence of the “wavelet theory” is the result
of joint efforts of mathematicians, physicists, and engineers who independently
developed similar ideas” [2].

6
 The wavelet analysis has become one of the most popular branches of
mathematics and its applications. Wavelet analysis is used to simulate many
nonstationary signals encountered in systems of very different natures. Such
processes, the quantitative description of which was performed using wavelets, are
studied in physics, astronomy, geology, biology, and medicine. In addition to the
study of time series, wavelets have found wide application in the problems of
multidimensional signal filtering, in image analysis and recognition, and in
compression of large amounts of information. The beauty of the mathematical
apparatus of the wavelet transform and its practical benefits attract the attention of
many researchers dealing with both fundamental and applied problems. The main
idea of the wavelet signal conversion corresponds to the specifics of many time
series that demonstrate the time evolution of their spectral properties. Wavelets are
a rather interesting mathematical tool used in various fields of science and
technology and has already resulted in important practical results.
The literature on this subject is vast. A large number of books [1], [2], [6]-
[29] and reviews in leading journals in mathematics and physics has been
published in the world. Many publications on wavelets give great attention to the
presentation of the mathematical aspects of this theory, which is a very rapidly
developing field of modern science. In these books intended for highly educated
mathematicians, many theorems and statements are given. The reader is supposed
to have a fairly solid mathematical background in functional analysis, Hilbert
spaces, and measure theory. The structure of such books can be characterized by a
strict mathematical sequence: definition, lemma, theorem, corollary.
Unfortunately, the style of presentation of the mathematical apparatus of the
wavelet theory presented in these books often creates additional difficulties for
readers who do not have special fundamental training.
It should be noted, however, that a vast number of publications devoted to
wavelet analysis of nonstationary signals are numerical. The continuous wavelet
transform (CWT) is of great importance in the theory of wavelets which studies
nonstationary signals. Comparison with analytic results becomes very important in
the development of fast numerical algorithms of the CWT, which are applicable for
signals with a long duration. All these circumstances require the development of
precisely solvable models of nonstationary signals, which would allow one to
obtain analytical expressions for continuous wavelet transform (CWT). It is well
known that exactly solvable problems play an important role in many branches of
physics [30], [31] because such problems are important tools for verification of
many approximate or numerical methods. This refers to the theory of nonstationary
signals as well. Having derived an analytic expression for the CWT, one can
accurately obtain a large number of limiting results and formulate the required
criteria for resolution of the signal spectral components in both the frequency and
time.

7
 Such a strict approach is not always convenient for a wide circle of
researchers who have a need to quantitatively describe the dynamics of
nonstationary signals in the course of their studies. According to the author of this
tutorial, in some cases, one can sacrifice the mathematical rigor of the subject in
order to pay attention to the basic "physical" ideas of the wavelet theory. Surely
such a method of presentation will benefit those readers who come across this
mathematical problem for the first time. Despite the fact that some textbooks on
wavelets [1], [2], [10], [19], [21], [27] have recently been published, the shortage
of such textbooks is still quite acute.
An extremely important task, in our opinion, is to have a textbook which
would be an introductory course on the wavelet theory for senior students of
physical specialties of universities,.
Our tutorial is aimed at simplifying the initial acquaintance with this
complex mathematical branch. To achieve this goal, a certain “average level” of
mathematical rigor which allows one to understand at an intuitive level basic ideas
of the mathematical theory of wavelets is needed. The tutorial does not contain too
many formulas and evidence illustrating this mathematical apparatus. A great
advantage of the tutorial is a large number of figures that illustrate this abstract
mathematics. It would be very tempting to translate the concepts of this abstract
theory into the world of three-dimensional objects, showing the advantages of the
continuous wavelet transform. It is also extremely important to show with
examples what are the advantages of the wavelet theory over the familiar Fourier
analysis of nonstationary signals.
After all, any mathematical theory is useful only when many physicists,
programmers and engineers are able to convert its basic ideas into applied
programs and devices. We have already said that, due to their interdisciplinary
origin, wavelets prove to be necessary for many researchers having a wide variety
of scientific interests.
The tutorial is an introductory course to the theory of wavelets. Our goal is
to acquaint the readers interested in studying nonstationary signals with the basic
ideas of wavelet theory and teach them how to apply this knowledge to the analysis
of specific signals. The tutorial is based on the lectures on additional chapters of
theoretical physics to students of the Institute of Physics, Nanotechnology and
Telecommunications of St. Petersburg Polytechnic University of Peter the Great
[10]. An introductory course on the application of wavelets to the analysis of
nonstationary signals in physics is an important part of this additional course and is
closely related to the problem of quantitative description of nonstationary signals
in physics. The readers are required to have a knowledge of the course of
mathematics for students of physical specialties of a technical university.

8
 The structure of the book is as follows. At first, the reader is reminded of
basic ideas of the Fourier transform studied in the course of higher mathematics.
Many interesting examples are analyzed that illustrate the advantages and
disadvantages of this traditional method of studying the spectral properties of
signals. Particular attention is paid to the window Fourier transform and Gabor
transform. For many nonstationary signals, the dependence of the Gabor transform
on the window size W is analyzed.
The main properties of mother wavelets are considered in detail, for which
all quantitative data characterizing their localization are calculated. A continuous
wavelet transform of an nonstationary signal is introduced. The application of
continuous wavelet analysis to a number of model signals is considered, which
allows the reader to feel the advantages of such a mathematical apparatus using
concrete examples. The tutorial contains a large number of unique three-
dimensional figures illustrating these cases.
The tutorial develops mathematical models of nonstationary signals, for
which analytical expressions for CWT are obtained. A comparison of the analytical
CWT model for such an nonstationary signal with the analytical expression for the
Gabor transform (window Fourier transform) is performed, and many analytical
estimates and criteria are obtained.
The author hopes that this tutorial will be useful to all those who are
interested in modern problems of mathematics. The tutorial, which is an
introductory course for the theory of wavelets, can be of undoubted interest for
students and graduate students of natural sciences and applied specialties working
in the field of digital signal processing.
The authors are grateful to the staff of the Ioffe Institute (St.Petersburg) for
useful and fruitful discussions of many ideas of wavelet analysis. We express our
gratitude to all colleagues at the Peter the Great St. Petersburg Polytechnic
University, who supported the work at various stages.

1. Model of nonstationary signals

We consider a model in which the signal Z  (t ) can be represented as a
superposition of N  elementary nonstationary signals (ENS) zL  t  tL 
[32],[33]:
N  1
Z  (t )   zL  t  tL  , (1.1)
L 0

bL   t  t L 2 
zL  t  tL   exp    cos  2f L  t  tL    L  . (1.2)
2 L   42L 

9
 Each ENS has frequency f L (Hz) and phase  L (rad). The ENS center is
located at point t L (s) and has the localization region  L (s) and amplitude bL .
Five parameters of each ENS zL  t  tL  form an array L   bL ; f L ; tL ;  L ; L  .
Fig.1 shows a graph of ENS with parameters L  (3;2;12;3;0) . This signal has
amplitude bL  3 and frequency f L  2 Hz It is localized at point tL  12 s. Its
localization width is  L  3 s and initial phase is  L  0.

Fig.1. Elementary signal zL  t  tL  with parameters L   bL ; f L ; tL ;  L ; L  equal

to L  (3;2;12;3;0) .

To construct a complex summary signal Z   t  (1.1), we need 5N  ENS

parameters. All ENS components in the superposition (1.1) form a set of vectors
 
cL     bL    ; f L    ; tL    ; L    ;  L    , where L  0,1,.. N   1. In
further discussion we need to quantitatively describe the correlation between
nonstationary signals. To solve this problem, we introduce the second signal
Z (t ) . We present the second signal as a superposition of ENS as well
N 1
Z ( t )   zK  t  tK  , (1.3)
K 0


where the list of vectors is cK    bK   ; f K   ; tK   ; K   ;  K   , 
K  0,1,.. N  1 .

10
 We assume that the frequencies in all simplest elementary signals in the sum
(1.1) are identical f L  f 0 and the times t L and phases  L for L  0 are related to
parameters t0 and 0 as
2f0  t0  tL   L  0  2n , (1.4)

where n is the integer ( n = 0, ±1, ±2,…, ±3, …). This means that the summary
signal Z  (t ) can be presented in the form
Z   t   B(t )cos 2f 0  t  t0   0  . (1.5)

Quantity B  t  is the sum

1 N 1   t  t L 2 
B t    b L exp   . (1.6)
2  L 0  4  2
L 
Let us consider the model of signals (1.6), in which superposition
coefficients bL may have opposite signs, and hence the function B  t  is
alternating. We introduce the concept of a positive signal amplitude
A(t )  B(t ) . (1.7)

As an example, we consider the signal Z  (t ) in the form of a sum (1.1) of

two simplest nonstationary signals zL (t  tL ) and zK (t  tK ) with parameters
L=(13;2.5;10;2;0) and K=(–10;2.5;13;0.5;  ). The frequencies of signals zL (t  tL )
and zK (t  tK ) are identical ( f 0 =2.5 Hz), and the time t K and t L and phases
 K and  L parameters satisfy relation (1.4).
This model of the signal with a rapidly varying amplitude is shown in Fig.2.
It is interesting to note that in addition to the narrow Gaussian peak with a
characteristic value  K = 0.5 s centered at point t K = 13 s, a “residue” of a broad

Gaussian peak  L = 2 s centered at an earlier time t L = 10 s is observed.

11
Fig.2. Signal Z  (t ) (1.1) in the form of superposition of two simplest
nonstationary signals zL (t  tL ) and zK (t  tK ) with parameters
L=(13;2.5;10;2;0) and K=(–10;2.5;13;0.5;  ) as a function of time t , s .

The cross-correlation function (CCF) can be introduced for any signal Z   t  and
Z  t  [4],[5]

CCF (t )   Z  (t ) Z  t  t  dt , (1.8)


The ССF  t  function characterizes the relation between signals taken at

different time moments. If the signal Z   t  is the ENS zL  t  with parameters L
and signal Z  t  is ENS zK  t  with parameters K , the ССFLK  t  is written as
 t02 
bLbK exp   2 
CCF LK  t    4   
4  


 exp    FK 0  FL 0   cos      exp    FK 0  FL 0   cos    

2
 
2
 
(1.9);

t0  t   tK  tL  ; 2  2K  2L ; 0   K  L / 2K  2L ; (1.10)

12
 FK 0  2f K 0 ; FL0  2f L 0 ; (1.11)

2  f K 2K  f L 2L  t0 2  f K 2K  f L 2L  t0

   K  L ;    K  L .
2K  2L 2K  2L
(1.12)

When the conditions f K 0  1 and f L 0  1 are satisfied (1.9), the main

contribution to CCFLK  t  comes from the second term in braces, which is
proportional to cos     . If the frequencies of the simplest nonstationary signals
are identical ( f K  f L ), the CCFLK  t  centered at point t  tK  tL oscillates at
frequency f K . At different frequencies f K and f L the CCFLK  t  amplitude


decreases as exp   FK 0  FL0 
2
 and the oscillation frequency of CCFLK  t 
will be
 
f LK  f K 2K  f L 2L / 2K  2L .  (1.13)

2. Fourier Transform. Gabor Transform

The problem of the most efficient method for nonstationary signal
processing is still the subject of scientific discussion. Spectral and statistical
properties of a large number of nonstationary (NS) signals Z (t ) , which occur in
physics, biology and medicine, vary in time [1], [2], [34]−[40]. The Fourier
transform (FT) allows one to detect the presence of different harmonics Z ( f )
with frequency f in the signal Z (t ) , but their emergence and disappearance in
time cannot be traced. If we need to find the spectral composition of a time-varying
signal, we may consider a certain finite interval W [t  W / 2; t  W / 2] instead of
integrating over the entire time interval   t   and calculate the FT over this
interval. At such a time interval, the center of which is at time moment t , the
Fourier transform is calculated. Then we shift the window and repeat the
procedure. Thus, we can study how the signal spectral properties vary in time. In
the case of a window having the Gaussian form, such a windowed FT called STFT
(Short-Time Fourier transform) is referred to as the Gabor transform (GT) [1], [2].
The disadvantage of the Gabor transformation is that its form, and therefore the
results, essentially depend on the window W size. The choice of the optimal
window length W requires additional information about the characteristic time
scales at which the signal spectral properties rearrange.

13
 We denote by L  R  the Hilbert space of complex functions   x  of a real
2

 x
2
argument x having a unit square of the norm

 x    x  dx  1.
2 2
 (2.1)

The expansion of the   x  function in the Fourier integral is defined as

 x     F  exp  2iFx  dF . (2.2)

The Fourier component   F  of the   x  function is

F      x  exp  2i F x  dx . (2.3)

The Parseval equality for the Fourier transform has the form
 
2 2
 ( x ) dx   ( F ) dF . (2.4)
 
We define the center of localization xc of the ( x ) function along the x axis and
the frequency localization center Fc of the   F  function
 
2 2
xc   x ( x ) dx ; Fc   F ( F ) dF . (2.5)
 
The  x parameter that allows us to estimate the length of the ( x ) function along
the x axis, and the parameter  F that characterizes the length of the frequency
spectrum of the   F  function are determined as
 
2 2
( x )   ( x  xc ) ( x ) dx , ( F )   ( F  Fc ) ( F ) dF . (2.6)
2 2 2 2

 

The Fourier components of the real signal Z   t   Z *  t  , in which the

quantity t plays the role of time measured in seconds satisfy the relation
Z *  f   Z    f  , where f is the frequency measured in Hertzs. For a real
signal Z  t  , expressions (2.2) and (2.3) that relate the original Z  t  and the
Fourier component Z  f  have the form

Z t    Z  f  exp  2ift  df


14
 
Zf   Z  t  exp  2ift  dt

The Fourier component of the simplest ENS zL  t  tL  (1.2) has the form (2.7)
 i t 
bL exp   f L 
zL  f   
2
L 

exp     f   L   i L   exp     f   L   i L  ;

2
 
2
 
(2.7)
where  f  2f  L ,  L  2f L  L . Knowing the value of zL  f  , we can

calculate the power spectrum PL  f   zL  f 

2
of the simplest nonstationary
signal. The power spectrum for f  0 is a Gaussian peak centered at point f  f L .
The characteristic halfwidth of the power spectrum is  f  1/ (4 L ) . The
magnitude of Z   f  can be easily calculated for complex signals Z   t  in the
form of a superposition of simplest nonstationary signals (1.1). Fig.3 shows the
power spectrum PL  f   zL  f 
2
for the ENS shown in Fig.1.

PL  f   zL  f  zL  t  tL  :
2
Fig.3. Power spectrum for ENS
L   bL ; f L ; tL ;  L ; L  shown in Fig.1.

15
Let us introduce in to the consideration a complex function W  , t  in the form
of the product of a harmonic oscillation exp  2it  with frequency  and a real
valued function RW  t  of the Gaussian window that has a unit norm [1], [2], [41]

W  , t   RW  t  exp  2i t  ; (2.8)

 t2 
1
RW  t   exp   2 
. (2.9)
W 2  4W 
The characteristic length of the Gaussian window RW  t  is t  W , and the
range of its frequency spectrum RW  f  is  f  1 / (4W ) [1]-[2]. The square
RW  t   1 , and
2
of the function norm of the Gaussian window is equal to unity
the Fourier component RW  f  has the form
 
1  RW  t    t  dt   RW2  f  df ;
2
 RW2 (2.10)
 

RW  f   W 8 exp  42 f 2W 2  . (2.11)

Note that the Fourier component RW  f  is a real even function of its
argument f .
If we choose a window with a short W , we obtain a high time resolution but
a low frequency resolution. If the window has a large duration W , we obtain a
high frequency resolution but a poor time resolution. A very broad window is
suitable for detecting low-frequency components of a signal, but its width is
excessive for detecting harmonics with a high frequency. A narrow window
allows one to study high-frequency components, but fails to correctly detect low-
frequency harmonics.
The window Fourier transform (Gabor transform) GW  , t  is a convolution
of the Z  t  signal with a complex conjugate function W
*
 , t 

GW  , t    Z  t W  , t   t  dt  ;
*
(2.12)


GW  , t    Z  f RW  f    exp  2ift  df . (2.13)

The Fourier component of the Gabor transform GW  , f  equals
GW  , f   Z  f  RW  f    .

16
The Gabor transform GW  , t  maps the 1D Z  t  signal onto a two-dimensional
plane (time t , frequency  ) that characterizes time variations of its spectral
composition. The window center is at point t  t  , and the window size is on the
order of W . If oscillation frequency  of the function W  , t  in this window
coincides with the frequency f 0 of the Z  t  signal, GW  , t  will have its
maximum value in this window at   f 0 . The larger the number of oscillations
periods of the signal with frequency f 0 fitting into the integration window W , the
more pronounced the given signal harmonic in GW  , t  .
By displacing the window center t along the time axis t  so that
t  W  t  t  W , we can trace variations in the frequency composition of the
Z  t  signal in this window. For Gabor transform (2.12), an analog of the
Parceval’s equality (2.4) holds,
  
 t  dt   dt  d  GW  , t 
2

2
Z , (2.14)
  

where quantity   , t   GW  , t 
2
plays the role of an instantaneous spectral
energy of the signal, which depends on frequency  and time t . The proof of the
Parseval's equality is as follows:
     
 dt  d  GW  , t    d   df GW  , f    d   df Z  f  2 RW  f    2
2 2

     
   
  df   df Z  f  2 RW  f  2   Z  f  2df   Z 2  t  dt
   

The formula for the inverse transform reconstructs the Z  t  signal from the
known forms of the GW  , t  and W  , t  functions.
 
Z t    d   dt GW  , t  W  , t  t  . (2.15)
 
To prove (2.15), we consider the right-hand side of this relation and expand
GW  , t  and RW  t  t  into the Fourier integral
 
 d   dt GW  , t RW  t  t  exp i 2  t  t   
 

17
   
  d   dt   df Z  f RW  f    exp  2ift  
  

  df  RW  f  exp  2if   t  t   exp  2i  t  t    

 
  d   df Z  f RW  f    RW  f    exp  2ift  
 
   
  d   df Z  f  RW2    f  exp  2ift    df Z  f  exp  2ift   d RW2   
   

  df Z  f  exp  2if t   Z  t  .


Ideal harmonic signal of infinite length

Let us calculate the explicit form of the Gabor transform GW  , t  for various
signals. As a first example, we consider an infinitely long harmonic signal
Z  t   cos  2f 0t  with a constant frequency f 0 . The Fourier component of the
signal Z  t   cos  2f 0t  is a sum of two Dirac delta functions
1
Z  f      f  f 0     f  f 0  . Therefore, the integral (2.13) can be
2
calculated. By considering only positive frequencies   0 , we find the expression
for the Gabor transform GW  , t  for an infinite harmonic signal and for the
spectral density of such a signal   , t   GW  , t 
2

1
GW  , t   RW  f 0    exp  2if 0t  (2.16)
2
1
  , t   W 2 exp  82    f 0  W 2  .
2
(2.17)
2  
Dependences of the instantaneous spectral density of the signal on time t and
frequency  for various window widths W are plotted in Fig.4 and Fig.5

18
Fig.4. Dependence of instantaneous spectral energy density of signal
  , t   GW  , t  on time t and frequency  for an infinite harmonic signal
2

with frequency f 0 = 2 Hz for window width W = 0.1 s.

Fig.5. Dependence of instantaneous spectral energy density of signal

  , t   GW  , t  on time t and frequency  for an infinite harmonic signal
2

with frequency f 0 = 2 Hz for window width W = 10 s.

Thus, the spectral density   , t   GW  , t 

2
of an infinite harmonic
signal Z  t   cos  2f 0t  is nearly independent of time t and has a maximum at

19
point   f 0 (2.17). The characteristic length of this maximum along the
1
frequency axis  f  varies depending on the window size W . In the extreme
4f
case of an ultra-wide window W   , the spectral density is proportional to the
Dirac delta function   ,t      f 0  .

Gabor transform for an elementary nonstationary signal (ENS)

As a second example, we consider the ENS zL  t  tL  defined by (1.2). For the
zL  t  tL  signal (1.2), an analytical expression for the Gabor transform
GW( L )  , t  [32] can be obtained

1   t  t 2 
GW( L )  , t   bL W exp   L

2 
2 W 2
 2L   
 4 W  2L
2
 ,
 (2.18)

  HW  ; f L ;  L   HW  ;  f L ;  L 
where

HW  ; f L ;  L   exp  
 
 42W 2 2L    f L 2  2i W 2  f L 2L  t  tL  
 i L  .
 W  L
2 2

 
(2.19)
It should be noted that the second term HW  ,  f L , L  in expression
(2.18) differs from the first expression by the substitution f L   f L and
L  L . If we analyze GW( L )  , t  for frequencies   f L , only the first term in
expression (2.19) makes the major contribution. In this case the instantaneous
spectral density of the simplest nonstationary signal   , t   GW  , t 
2
is a
Gaussian function centered at point t  tL on the time axis and at point   f L on
the frequency axis; the characteristic widths on these axes are different and
essentially depend on the window width W . The results below are given for the
case f L  L  1 , when a large number of oscillations oscillations with frequency
f L (1.1) fit into the scale  L .
If we are dealing with a narrow window satisfying the condition W   L ,
we have an expression for the instantaneous spectral density

20
 bL2W   t  t L 2 
 L  , t    8    f  W  .
2
exp   2 2
(2.20)
4 22L  22L 
In this case the temporal half-width (t GT )   L of the peak  L  , t  coincides
with the Gaussian envelope of signal (1.2), and the half-width (GT )  1/  4W 
of the peak  L  , t  on the frequency axis is governed by the window width.
For a wide window W   L , the instantaneous spectral density is
bL2   t  t L 2 
 L  , t     2 2
exp    8 2
  f  L. (2.21)
4 2W  2W 2

In this case (t GT )  W , and the peak half-width on the frequency axis
(GT )     1/  4 L  is determined by the value of  L and coincides with the
peak width in the signal power spectrum PL     zL    (2.7).
2

Figures 6 and 7 present graphs of the instantaneous spectral density

  , t   GW( L )  , t  zL  t  tL 
2
for ENS (1.2) with parameters
L   bL ; f L ; tL ;  L ; L  equal to L  (3;2;12;3;0) (Fig.1) for different window
lengths W .

Fig.6. Instantaneous spectral density of signal   , t   GW( L )  , t  as a function

2

of frequency , Hz, and time t , s, for ENS zL  t  tL  with parameters

L  (3;2;12;3;0) . Window size is 0.1 s.

21
Fig.7. Instantaneous spectral density of signal   , t   GW( L )  , t  as a function
2

of frequency , Hz, and time t , s, for ENS zL  t  tL  with parameters

L  (3;2;12;3;0) . Window size is 10 s.

Thus, the GT transform describes well the time evolution of an ENS signal for a
relatively small window size ( (t GT )  t   L ) when W   L . However, the
corresponding GT frequency distribution is very wide. Note that the minimum size
of the GT window Wmin is limited by the inequality 1/ f L  Wmin , because the
window with width Wmin must afford the space for at least several oscillation
periods equal to 1 / f L . In the opposite case (W   L ), the frequency localization
of the signal is well reproduced but the time localization is almost indeterminate.
Such a behavior of the short-time Fourier transform is quite expectable.
By using Eq.(2.18), we can derive an analytical expression for the Gabor
transform GW  , t  of the summary signal Z   t  (1.1),
N  1
GW  , t    GW( L )  , t  tL  . (2.22)
L 0

and obtain the instantaneous spectral energy density   , t   GW  , t  .

2

However, the form of the Gabor transform (2.12), (2.13) depends on the window
size W and, therefore, the choice of its optimal size or a nonstationary signal the
characteristic frequencies of which vary over time in an arbitrary manner is a
complicated problem. The use of the GT for a correct reconstruction of spectral
amplitudes encounters difficulties. The amplitudes can be reconstructed in a
narrow interval of window widths which is a priori unknown. When the signal is a
superposition of a few nonstationary signals with substantially different lengths

22
and frequencies, the choice of the parameter W which is optimal for all
components can prove to be impossible. Examples of the choice of W for the GT
transform for the signals with a complex amplitude dependence are given in [42],
[43].
Let signal Z (t ) (see Fig.2) have a common frequency f 0 = 2.5 Hz and be a
superposition of two elementary nonstationary signals (1.1), (1.2) with parameters
L =(13, 2.5, 10, 2, 0) and K =(–10, 2.5, 13, 0.5, π). The modulus GW  , t  of the
GT calculated for a window with width W = 0.1 s is shown in Fig.8. It can be seen
that GW  , t  has a very wide distribution over frequencies  for such a window.

Fig.8. GT modulus GW  , t  constructed for signal Z (t ) (see Fig.1) as a

function of frequency  , Hz, and time t , s for a window of width W= 0.1 s.

To compare the behavior of rapidly varying signal amplitude A(t ) with the
GT, we consider the magnituds of modulus GW ( , t ) for a fixed frequency
  f 0 . A quantitative measure of the divergence of the A(t ) curves and GT
modulus GW ( f 0 , t ) is the Pierson correlation factor rGT W  , which depends on
the window size W
 A  t   GW  f 0 , t     A(t )  GW  f 0 , t  
rGT W   (2.23)
 A2 (t )    A(t )  2   GW  f 0 , t     GW  f 0 , t   2 
2
   

Angle brackets in Eq.(2.23) indicate averaging over the entire observation

time. If W  max{ L ;  K } , rGT W  decreases with increasing W, and the
rapidly varying amplitude A(t ) of the signal is poorly reproduced with the help of

23
the GT. By reducing the size W , we increase the factor rGT W  . Note that the
reconstruction of A(t ) from analysis of the GW  f 0 , t  function is possible only
for W  min{ L ;  K } .
If W  0.9 s, the parameter rGT W  equals rGT W   0.89 .The maximal
value of rGT  max  =0.9996 is attained for W =0.0724 s. However, the GW  , t 
function W has a broad distribution over frequencies  for such a narrow window
because the window choice is limited by inequality 1/ f 0  W   L (see Fig.8). A
If the window W is too narrow, the frequency spectrum of the Z (t ) signal with a
fixed frequency f 0 cannot be correctly estimated. As the window size is further
decreased to W < 0.0724 s, rGT W  also decreases because the window starts to
respond to the peaks of sinusoidal oscillations of the Z (t ) signal:
rGT W  0.02 s   0.82 [42], [43].

3. Мother wavelet
The emergence of the theory of wavelets is considered to be one of the most
important achievements in mathematics in recent decades. The wavelet theory is a
new mathematical concept, which has become a powerful tool for applied research
in almost all natural sciences and many branches of technology. Wavelets are
widely used in solving problem of analysis and synthesis of various signals, for
image processing, compression of large amounts of information and digital
filtering, pattern recognition, quantitative description of turbulence processes, and
solving differential equations. Wavelet applications are known in radiophysics,
nonlinear dynamics, acoustics, optics, solid state physics, seismology, fluid
dynamics, biology and medicine, and economics [6]-[9],[14],[19],[21], [47]-[50].
The wavelet theory is based on the choice of a basic or mother wavelet, with
which complex nonstationary signals are studied. We will see later that our test
signal is analyzed by decomposing it into basic functions obtained from some
prototype called a mother wavelet by means of compression, extention, and shifts.
It is known that the consideration of various classes of time-dependent
functions in mathematics involves analysis of two limiting cases. The first limiting
case is generalized functions, the so-called Dirac delta functions 1  t     t  .
The Dirac Delta function is a well-localized function at a point t  0 . The Fourier
spectrum of such a function   f   1 is a constant frequency-independent value.
Thus, the function which is extremely localized in time corresponds to the Fourier
component which is constant in the entire Fourier space. Another limiting case is

24
the 2  t   cos  2f 0t  function. The 2  t  function is a harmonic function
infinitely extended in time and characterized by a constant frequency f 0 . The
Fourier component of such a function is two extremely localized delta functions
1
2  f      f  f 0     f  f 0  . One delta function is localized in the
2
frequency domain at point f  f 0 . Another delta function is localized at point
f   f0 .
Mother wavelets   x  , where x is a dimensionless variable, are an
intermediate class of functions. Mother wavelets have a finite extent along the x
axis. The Fourier components of such functions   F  also have a finite extent
along the axis F of dimensionless frequencies. Note that mother wavelets   x 
can be complex functions. Mother wavelet   x  must be well localized in the
vicinity of point x = 0 and must have a zero mean value calculated over the entire
interval of variable –∞< x <∞ and unit norm [1]-[3], [6], [10]-[12].

 x    x  dx  1,
2 2
 (3.1)



   x  dx  0 . (3.2)


The main maternal wavelets are listed in Table 1. These wavelets include
the HAAR wavelet named after A.Haar, FHAT wavelet (French hat), MHAT
wavelet (Mexican hat), WAVE wavelet (wave), DOG wavelet, and MORLET
wavelet named after J.Morlet [44]-[46]. It is useful to plot graphs of these wavelets
and make sure that all these wavelets satisfy relations (3.1) and (3.2). Among all
real wavelets (HAAR, FHAT, MHAT, WAVE, DOG) the MORLET wavelet
occupies a special place. This wavelet is a complex function and has advantages
over its real competitors. We discuss this in the next section. The disadvantage of
FHAT and HAAR wavelets is the discontinuous nature of such functions. This
results in slowly decreasing Fourier tails of images of these functions.

25
Mother wavelet  x
HAAR  1, 0  x  1 / 2 , 
 
( x )   1, 1 / 2  x  1 , 
 0, x  0, x  1 .
 
FHAT  1, x  1/ 3 
 
( x )   1 / 2, 1 / 3  x  1
 0, x 1 
 
WAVE 2  x2 
( x )   x exp   
1 / 4  2 
 
MHAT 2  x2 
 ( x)  (1  x 2 ) exp  
3   2 
DOG 20   2  2 
( x)   exp  x   1 exp  x  

 45  32   
 2  2

 8 
 

 x2 
 
MORLET
( x )  D exp    exp  2i x   exp 22 
 2 
1
D
 
 1  2exp 32  exp 42 
   
Table 1. Main mother wavelets

An example of such a mother wavelet is a real wavelet called the «mexican hat»

(MHAT). The original (MHAT)  x  and its Fourier components (MHAT)  F  are

expressed as

26
  x2 
 
2 1  x exp   
2

(MHAT)  x    2 ; (3.3)
3 

8  2
(MHAT)  F   42
3
 
F exp 22 F 2 ; (3.4)

Fig.9. Mother wavelet Mexican hat (MHAT) (MHAT)  x  versus dimensionless

variable x .

Fig.10. Fourier components of the mother wavelet Mexican hat (MHAT)

(MHAT)  F  versus dimensionless frequency F .

27
 7
Characteristic lengths  x and  F of the mother wavelet MHAT are  x  ;
6
1 5
F  .
2 2
Let us pay special attention to the use of the adaptive mother Morlet wavelet
(AMW) with a control parameter m . The AMW function of   x  is a complex
function. Below we point out advantages of using AMW to analyze simplest
nonstationary signals and compare the resolution properties of AMW   x  with
those of the mother MHAT wavelet (MHAT)  x  . The following expressions are
valid for the adaptive Morlet wavelet (AMW)   x  and its Fourier component
  F  [33]:
 x2 
 
  x   Dm exp   2  exp  2ix   exp m2  ,
  (3.5)
 2m 
D 
   
( F )  m m exp  2m  F  1  1  exp 22m F  ,
2
  (3.6)

Dm 
 2 1/4 . (3.7)
  
32m 
m  1  2exp  
   exp 2 m
2
  
  2  

Fig.11. Dependence   x  (3.5) for m  1 . The thick line indicates the real part,
the thin line indicates the imaginary part.

28
The adaptive Morlet wavelet of   x  is shown in Fig.11 for m  1 and Fig.12 for
m  2.

Fig.12. Dependence   x  (3.5) for m  2 . The thick line indicates the real part,
the thin line indicates the imaginary part.

The Fourier component of AMW (3.6)   F  is shown in Fig.13.

Fig.13. Fourier graph of AMW components   F  (3.6) versus dimensionless

frequency F . A thin line marks a graph for, a thick line marks a graph for. A thin
line marks a graph for m  1 , a thick line marks a graph for m  2 .

29
The adaptive mother wavelet (3.5) satisfies relations (3.1) and (3.2). In Eqs. (3.5)
and (3.6), parameter m serves as the AMW control parameter and m  m 2 .
The ratio between Fourier components   F  at negative and positive
frequencies is    F  /   F    exp  22m F  . Note that it can be neglected
 
at characteristic frequencies F ≈ 1. With a relatively high accuracy, the
localization parameter  x (2.6) that determines the length of the   x  function
on the x axis and parameter  F that shows the spectral range of the   F 
function [1], [2] are expressed as  x  m / 2 and  F  1/ ( 8 m) and their
product is close to the minimum level  x  F  1/ (4) . Thus,  x and  F
depend on parameter m and a variation in the parameter leads to variations in the
time and frequency resolutions of the nonstationary processes under study. When
the parameter is m =1, AMW (3.2) is transformed into the known expression for a
conventional Morlet wavelet [44]-[46]. The condition for a finiteness of constant
C given by
   F  2dF
C   F
. (3.8)


makes it possible to reconstruct a Z (t ) signal by using continuous wavelet

transform CWT V  , t  [1]-[2]. The Continuous Wavelet Transform (CWT) is
treated in the next section of this tutorial. The method that enables one to calculate
corrections to the saddle-point method [51] can be used to show that asymptotic
expression C  1  1 / (42m ) differs from the exact numerial value C by less
than 0.05% at m  m 2 >>1 and m >1. The following expression is valid for
the mother AMWs the arguments of which x are a combination of frequencies 
measured in hertz and times t , t  and t0 measured in seconds [10], [33]:
2  

C 0
 
d    dt0 Re *    t   t0      t  t0     t  t  , (3.9)


where   t  t  is the Dirac delta function. Symbol Re denotes the real part of the
expression.

Proof of relation (3.9). To prove this relation, we consider the integral I  t ; t  . By

performing the expansion into the Fourier integral, we transform the expression
I  t ; t 

30
  

I  t ; t    d   dt0 Re *    t   t      t  t0  
0 

*    t   t0      F  exp  2iF   t  t0  dF 
*



    t  t0      F  exp 2iF   t  t0  dF



1
 exp 2i  F   F  t0 dt0     F   F  ; 0


  
I  t ; t   Re   d   dF   F  exp  2iF   t  t  
 0  

1
 cos k  t  t  dk    t  t 
0
  t  t     F  dF
2
 
I  t ; t    d   dF   F  cos  2F   t  t  
2

2 
 F
0 
C
I  t ; t     t  t 
2

The constant C is defined by Eq.(3.8).

Mother wavelets   x  can be subjected to shift operations
  x     x  a  , where a characterizes the shift of the mother wavelet along
the x axis. Mother wavelets can be subject to the operations of changing the scale
of their oscillations   x     bx  , where b  0 describes the change in the
oscillation period. Fig.14 shows the graph of the real part of the Morlet wavelet
Re   x  (thin line) and the Morlet wavelet Re   3 x  7   (thick line) for the
control parameter m =1. Such shift operations and changes in the oscillation scale
will be needed to find a continuous wavelet transform.

31
Fig.14. Re   x  (thin line) and Re   3  x  7   (thick line) for mother Morlet
wavelet (3.5) with control parameter m  1 .

4. Continuous wavelet transform (CWT)

Continuous Wavelet Transform (CWT) V  , t  provides mapping of a
nonstationary signal Z  t  with a variable frequency–time structure on the plane of
time t and frequency  [10],[32],[33]. The CWT V  , t  depending on frequency
  0 and time   t   , which corresponds to the Z  t  signal is introduced as
follows

V  , t     Z  t  *    t   t   dt  , (4.1)


where   x  is the mother wavelet function that depends on the dimensionless

variable x    t   t  . The * symbol means complex conjugation. Hereinafter, we
use the Adaptive Morlet mother wavelet (AMW) with control parameter m (3.2).
The characteristic times that make the major contribution to the integral (4.1) are
determined as
x 
t  t  t  x . (4.2)
 
The main advantage of the CWT over the Gabor Transform is that the window size
in the CWT automatically changes with frequency  . The mother AMW plays the
role of a variable window depending on control parameter m . The window width

32
becomes large (small) for low (high) frequencies  . The use of CWT with control
parameter m in the mother wavelet function gives the additional options for tuning
the time  x  m / 2 and frequency  F  1/ ( 8 m) resolution.
The major contribution to the integral V  , t  (4.1) is made by the signal
components Z  t  that bear the most close resemblance to the mother wavelet
centered at point t  t  and having a characteristic frequency  . At a fixed center
of the window t  t  , the window size (4.2) will change depending on frequency
 . Then we select the frequency  that will correspond to the oscillation
frequency of the signal Z  t  near point t  t  . In this case, the oscillations of the
signal and mother wavelet characterized by frequency  will be synchronized,
which will lead to a maximum of V  , t  at time t .
By calculating the CWT V  , t  , we examine fragments of our signal Z  t 
under a microscope with varying degrees of magnification. Moreover, by choosing
the mother wavelet   x  we can affect optical properties of our microscope, since
the explicit form of the continuous wavelet transform CWT, which determines
both the frequency and time resolution of the signal Z  t  , depends on the choice
of the mother wavelet   x  .
Fig.15 shows a graph of function     t   t  (4.1) for the Morlet mother
wavelet with control parameter m  1 (3.5). The arguments of the function
    t   t  are frequency  and time t  . The surface of     t   t  , as a
function of two variables  and t  , is constructed for a fixed time moment t  5
s.

33
Fig.15. Surface of     t   t  as a function of frequency  and time t  for a
fixed point in time t  5 s.
It can be seen from Fig.15 that the function     t   t  that plays the role
of a window in Eq. (4.1) becomes wide at low frequencies  . At high frequencies,
the function becomes narrow in the vicinity of t   t ( t  5 s). Thus, the mother
wavelet   x  plays the role of an adaptive window, the width of which is large
for low frequencies and small for high frequencies. The argument t determines the
position of the wavelet localization center on the time axis. In contrast to the Gabor
transform with a fixed window W , the window size in the CWT transform (4.1) is
automatically selected depending on frequency  .
By performing the Fourier transform of (4.1) twice, we obtain


* f 
V  , t    Z  f    exp  2ift  df . (4.3)
 
In Eq.(4.3), the value of Z  f  is the Fourier component of the Z  t  signal. The
 f 
Fourier component of the mother wavelet *   , which is a real function in the

 
case of the Morlet mother wavelet, plays the role of a transfer function that acts as
 f 
a filter for the Fourier component of the Z  f  signal. The function *  ,

which is a function of two arguments  and f , is shown in Fig.15.

34
  f 
Fig.16 Function    that depends on arguments  and f constructed for a

 
Morlet wavelet with control parameter m  1 (3.6).

Analysis of Fig.16 shows that at low frequencies f , the Fourier filter

 f 
   is a very localized function. The center of such a function is at point

f   . At high frequencies, the Fourier filter is a broad function. The
characteristic half-width of such a filter f for all frequencies f is given by
f   F . The length of the frequency spectrum for the mother Morlet wavelet
 F  1/ ( 8 m) .
As an example of the CWT, we consider an infinite harmonic signal
Z (t )  cos(2 f 0t ) with a constant frequency f 0 . The Fourier component of such a
signal is the sum of two Dirac delta functions
Z  f     f  f 0     f  f 0  / 2 . The maximum V  , t  of such a signal
along the frequency axis equal to Vmax will be observed at point   f 0 . With an
accuracy to small terms having the order of smallness exp 22m  1 ,  
V  , t  does not depend on time t .
V  , t   2  f0  
2
 exp  m   1  . (4.4)
Vmax     

35
 
The dependence of V  , t  / Vmax on arguments X  and Y  f 0t for the
f0
signal Z (t )  cos(2 f 0t ) is plotted in Fig.17 for the Morlet wavelet with m  1 .


Fig.17. Dependence V  , t  / Vmax on arguments X  and Y  f 0t
f0
constructed for a perfect harmonic signal Z (t )  cos(2 f 0t ) by using Morlet
wavelet (m  1) .

We introduce the quantity 2 FWHM , which is called the peak full width at half
maximum. This value shows the extent of the peak along the frequency axis. For
an adaptive Morlet wavelet, this value 2(FWHM
AMW )
for the signal Z (t )  cos(2 f 0t )
depends on frequency f 0 : 2(FWHM
AMW )
 2ln 2 f 0 /  m  . As parameter m
increases, 2(FWHM
AMW )
decreases. For m  1 , 2(FWHM
AMW )
 0.375 f 0 .
Let us calculate the CWT V ( MHAT )  , t  (4.3) for the simplest signal
Z (t )  cos(2 f 0t ) by using the “Mexican hat” mother wavelet (MHAT).

8   f0 
2
 2  f0 
2

 , t   4      cos  2f 0t 
( MHAT ) 2
V   exp  2 (4.5)
3       

36
When a real mother wavelet MHAT is used, the CWT V ( MHAT )  , t  for a
stationary signal Z (t )  cos(2 f 0t ) with a constant frequency f 0 depends on
time t according to a harmonic law (4.5). This property
V ( MHAT )  , t  cos  2f 0t  contradicts the condition of stationarity of spectral
properties of the signal. The characteristic peak width along the frequency axis in
the case when the MHAT mother wavelet is used is much larger
2(FWHM
MHAT )
 6.5 f 0 than that 2(FWHMAMW )
 0.375 f 0 obtained by using the AMW
wavelet for m  1 (МЕСТО).

The dependence of V  , t  / Vmax on arguments X  and Y  f 0t for
f0
the signal Z (t )  cos(2 f 0t ) is plotted in Fig.18 for the MHAT wavelet.


Fig.18. Dependence of V  , t  / Vmax on arguments X  and Y  f 0t
f0
constructed for a perfect harmonic signal Z (t )  cos(2 f 0t ) by using the MHAT
wavelet.


Fig.19 shows sections of surfaces of V  , t  / Vmax versus argument for
f0
the MHAT wavelet (thin line) and Morlet wavelet (thick line, m  1 ). The peak
width at half height of the MHAT wavelet is approximately 17 times greater than
that of the Morlet wavelet ( m  1 ): (MHAT)
FWHM /  FWHM  17.3 .

37
 V  , t  
Fig.19. Ratio versus dimensionless frequency . The thin line is for the
Vmax f0
MHAT wavelet. The thick curve is plotted by suing the Morlet wavelet ( m =1).

Thus, when signals are investigated by using CWT V  , t  (4.1), the

complex mother Morlet wavelet has advantages over the use of the real MHAT
wavelet. These advantages can be summarized as follows. For an ideal harmonic
signal Z (t )  cos(2 f 0t ) with a constant frequency f 0 , the continuous wavelet
transform V  , t  (4.1) obtained with the help of the Morlet mother wavelet
(AMW) (3.5) has a maximum at the frequency exactly equal to the frequency of
the harmonic signal   f 0 (4.4). When the real mother wavelet MHAT is used,
the V  , t  function (4.1) has a maximum at the frequency differing from
frequency f 0 (Fig.19). When AMW is used, the square of the CWT modulus
V  , t 
2
is time-independent, which corresponds to a harmonic signal with

V  , t  depends on
2
constant frequency properties (4.4). When MHAT is used,

time t for a simple harmonic signal (4.5). Such a time dependence of V  , t  for
2

the MHAT mother wavelet can be misinterpreted as a frequency modulation of the

signal Z  t  under study. Another advantage of the mother Morlet wavelet over
the MHAT mother wavelet is a much narrower peak of V  , t 
2
(Fig.19).

38
 Note that in many studies of nonstationary signals Z  t  , in contrast to
V  , t  (4.1), another type of continuous wavelet transform W  a, b  which
depends on two arguments a and b [1]-[3], [19], [21], [27] is employed.
1  *  t  b 
W  a, b    Z  t     dt  . (4.6)
a   a 
The quantity a  0 is called the transformation scale, and b is called the
shift. Let us compare the two types of CWT V  , t  (4.1) and W  a, b  (4.6). To
compare them, we make replacements b  t , 1/ a   . Having made such
replacements, we obtain
V  , t 
W  , t   . (4.7)

Let us compare the behavior of two functions W  , t  and V  , t 
2 2
for
an infinite harmonic signal Z (t )  cos(2 f 0t ) . According to relation (4.4), the
V  , t 
2
maximum of will be observed at the frequencies exactly equal to

  f 0 . The maximum of W  , t 
2
will be observed at frequency * which
differs from the true value of the frequency f 0 by
*  1 
 42m 2  1  2 2  1 (4.8)
f0  2 m 
 1 
With the accuracy to the terms having smallness O  2 2 
that have been
  m 
ignored, Eq.(4.7) can be rewritten in the form
* 1
1 2 2 (4.9)
f0 8 m

Thus, when studying the maximum of function W  , t 

2
for the simple
harmonic signal Z (t )  cos(2 f 0t ) , we must constantly make a correction which
will allow us to determine the true frequency of the harmonic signal
 1 
f 0  *  1  2 2  from the maximum frequency * . For the control parameter
 8 m 
 
m  1 , 1 / 82  0.01267 . Therefore, the absolute difference between the

39
observed * and the true frequency of the harmonic signal f 0 at high frequencies
can be large.
Let us compare two CWTs W  , t  and V  , t  for the Z  t  signal
2 2

which is a sum of two harmonic oscillations Z (t )  cos(2 f K t )  cos(2 f Lt )

with equal unit amplitudes, but different frequencies f K and f L , f K  f L . The
Fourier component of such a signal can also be easily found
Z  f     f  f K     f  f K     f  f L     f  f L  / 2 . An analytic
expression for V  , t  (4.3) can also be obtained. Graphs of the
V  , tmax  / Vmax
2 2
function versus frequency , Hz are plotted for frequencies
f L  3 Hz and f K  8 Hz for tmax  1/ ( f K  f L ) (Fig.20). Note that the sum of
two harmonic signals Z (t )  cos(2 f K t )  cos(2 f Lt ) with the same amplitude
and different frequencies f K > f L give for CWT V  , t  (4.3) gives two peaks of
equal heights centered at   f L and   f K .

Fig.20.Function V  , tmax  / Vmax

2
2
versus frequency , Hz . The thin line
corresponds to parameter m  1 . The thick line corresponds to paramete m  2 .

The surface V  , t  exhibits two “hills” elongated along the time axis t . If
frequencies f K and f L appreciably differ from each other, the “hills” which are
parallel to the time axis are located at a relatively large distance from each other
along the frequency axis. When frequencies f K and f L are close to each other, the
“hills” begin to overlap. We introduce the mean frequency f   f K  f L  / 2 and

40
difference frequency f  f K  f L . The criterion of the resolvability of the two
peaks is the condition for arising positive second derivative d 2 V  , t  / d 2  0 at
f L    f K . The condition for the resolvability of two infinite harmonic signals is
f  f / m , which gives a gain of m times for the AMW (3.5),(3.6) as
compared with the condition for the conventional Morlet wavelet ( m =1).
An analytic expression for W  , t  (4.7) can also be obtained. The function

W  , tmax  / Wmax
2 2
versus frequency , Hz is plotted for frequencies f L  3 Hz
and f K  8 Hz in Fig.21 for the time tmax  1/ ( f K  f L ) .

Fig.21. Function W  , tmax  / Wmax

2
2
as a function of frequency , Hz .

Note that the sum of two harmonic signals

Z (t )  cos(2 f K t )  cos(2 f Lt ) with equal amplitudes and different frequencies
f K  f L for the CWT W  , t  (4.7) exhibits two peaks of appreciably differing
heights. The first peak with a maximum value of unity is centered at frequency
*  2.96 Hz (4.9). The second peak having a height of 0.376 is centered at
*  7.90 Hz (4.9). These values differ from the true signal frequencies: f L  3
Hz and f K  8 Hz. The different peak heights (1 and 0.376) for the CWT W  , t 
(4.7) contradict the signal Z (t )  cos(2 f K t )  cos(2 f Lt ) in which two
harmonic signals have equal unit amplitudes.

41
 This leads to the conclusion that the CWT equal to V  , t  (4.3) (Fig.20)
has advantages over the CWT equal to W  , t  (4.6), (4.7) (Fig.21). The reason
for this is that V  , t  correctly describes both the frequency positions of the peaks
1  f L , 2  f K and the amplitude relationship between the two harmonic
signals. The continuous wavelet transform W  , t  (4.6), (4.7) (Fig.21) has the
maxima in frequency * that differ from the true frequencies of the harmonic
signals. In addition, the CWT W  , t  distorts the amplitude relationships between
two harmonic signals with different frequencies.

5. Parseval's equalities for CWT. Signal recovery formula

The change in the signal spectral properties over time can be analyzed by
considering the positions of the surface maxima (ridges) | V ( , t ) |2 . The image of
such ridges is called the signal skeleton. The skeletons of the wavelet transform
allow one to calculate the instantaneous frequencies  max (t ) that determine the
extreme value of | V ( , t ) |2 and to analyze the dynamics of behavior of  max (t ) in
time. By depicting the positions of such ridges on the plane having the frequency
 and time t as arguments, we can get a peculiar "replica" of our nonstationary
signal Z  t  . By studying in detail the behavior of such ridges  max (t ) , one can
quantitatively describe the characteristic rates of variations in frequency  max (t ) ,
and, hence, characterize the degree of nonstationarity of our signal Z  t  . For
example, a nonstationary signal can contain several spectral components, the
frequencies of which are sufficiently separated, however, the frequencies
themselves can vary in time. In this case, the skeleton shape can give information
on variation of each spectral component in time.
Obviously, the ridges corresponding to small signal amplitudes move quite
quickly both in frequency and in time. This phenomenon is associated, as a rule,
with noises in our signal Z  t  and such extremes of | V ( , t ) |2 are not informative
for us. In order to cut off such ridges, a cutoff threshold can be introduced. By
studying the magnitude of | V ( , t ) |2 , we will calculate the extreme frequencies
 max (t ) only if | V ( , t ) |2 exceeds a level of 5% of the maximum | Vmax (, t ) |2
calculated for all the observed frequencies  and times t .
The skeleton ridges can be located along the time axis. In this case, we are
dealing with a slightly varying spectral component, i.e., the component that

42
changes its frequency and amplitude in time only slightly. This is an example of a
weak nonstationarity of frequency properties of our signal.
The skeleton ridges can be located almost parallel to the frequency axis at
some time moment t0 . In this case, we have bursts of high-frequency signal
activity at time t0 .
The method of calculating skeletons is successfully used in studies of musical
melodies. It is possible to construct a skeleton that will reflect the specificity of the
time-dependent frequency tuning of the signals characterized by the frequencies
that rapidly vary in time. Obviously, different musical signals will have different
kinds of skeletons. Such signals can be distinguished from each other if artificial
neural networks are used to recognize their skeleton "replicas". The same approach
can be applied in the analysis of the human speech and in the analysis of sounds
that accompany the human heart beatrate. The method that studies these sounds is
referred to as the heart auscultation or phonography of the heart. Thus, a skeleton
portrait of a signal can show the complex dynamics of time variations in its
spectral components. The parameters characterizing basic properties of the
skeleton can be helpful in decoding complex nonstationary signals Z  t  .
Any complex CWT function V  , t  can be represented as a modulus V  , t 
and phase  , t 
V  , t   V  , t  expi , t  (5.1)
The CWT modulus V  , t  and phase  , t  depend on both frequency 
and time t . The modulus V  , t  shows the existence and intensity of the
corresponding frequency  of the signal Z (t ) studied at time t . The phase  , t 
is expressed through the argument of the complex function V  , t  by the relation
 , t   argV  , t . The phase component of the CWT  , t  contains important
information about the signal Z (t ) behavior.
For a harmonic signal Z  t   cos  2f 0t  , where f 0 is the signal frequency,
the maximum | V ( , t ) |2 will be observed at   f 0 (4.4). This means that the
quantity
P, t   V , t 
2
(5.2)
represents an instantaneous signal power spectrum that allows studies of dynamics
of temporal variations in the spectral properties of the signal under study.
Classical spectral analysis based on the Fourier transform allows one to
detect the fact of existence of various rhythms, but does not make it possible to
trace the evolution of instantaneous spectral characteristics of signals in time. It is
known that the presence of two peaks in the power spectrum can correspond to two
different situations, in other words, the dynamics of the system under study can

43
simultaneously exhibit two independent rhythms or a frequency switching process
occurs, and only one rhythmic process can be recorded at every time moment.
The wavelet analysis has wider possibilities and is an efficient tool for
studying local properties of signals even in the case of a strong nonstationarity,
when instantaneous local frequencies quickly vary. In this case the local spectral
analysis is performed within the window occupied by the mother wavelet in the
time domain and signal characteristics are calculated on the basis of some
averaging over a limited section of the signal the size of which depends on the
frequency being studied.
The advantage of the integral wavelet transform V  , t  over the usual
power spectrum P( f )  Z  f  is that the magnitude of V  , t  points to the
2

time moments t at which these frequencies  emerge of vanish. Therefore, the

instantaneous power spectrum P, t   V , t  allows one to calculate the
2

dynamics of emergence and decay of various frequencies  in the vicinity of time

moment t and to determine the characteristic times of emergence of such
frequencies. Thus, in comparison with the windowed Fourier transform, the
continuous wavelet transform V  , t  , which performs time-frequency analysis of
signals, makes it possible to find the contributions of oscillations of different
frequencies  at an arbitrary time moment t . The disadvantage of the Short Time
Fourier Transform (Gabor transform) is its dependence on the window size W .
The window size for the CWT V  , t  is automatically set depending on the
frequency  being investigated (4.2).
The condition of the finiteness of the constant C defined by Eq.(3.8)
allows one to derive a recovery formula that allows the signal Z  t  to be
reconstructed from the known continuous wavelet transform V  , t  .
2  
Z (t )   d   dt  Re V  , t      t  t   ,
C 0 
(5.3)

The symbol Re in Eq. (5.3) indicates the real part of the expression.

Proof of formula (5.3)

1) The integral on the right-hand side of Eq.(5.3) will be denoted as Y  t  . We
rewrite this integral Y  t  by changing the integration variable t   t0

44
 2  
2) Y t  
C 0 

 d   dt0 Re V  , t0     t  t0  
3) We use Eq. (4.1) having made the substitution t  t0 :

V  , t0     Z  t  *    t   t0   dt  .

4) We substitute this expression for V  , t0  into the integral for Y  t 
2   
Y t    d  
C 0  
dt0  dt Z  t   Re  
*

   t   t0      t  t0  
5) We use the property of orthogonality of the mother wavelets (3.9). The property
of orthogonality of the mother wavelets (3.9) will allow the calculation of the
integrals over frequency  and time t0

6) Therefore, Y  t    Z  t   t  t  dt   Z  t  . Relation (5.3) is proved.

Let us obtain the formula that is a generalization of the Parseval's equality (2.4) for
the continuous wavelet transform V  , t 

2   V  , t 
2

 Z  t  dt  C  dt  d  
2
(5.4)
   0

2 V , t 
2
, t   , (5.5)
C 
It can be seen from Eq.(5.4) that the magnitude of   ,t  determined by
Eq.(5.5) characterizes the instantaneous distribution of the signal energy over
frequencies  calculated for time t .
The magnitude of , t  calculated by using the continuous wavelet
transform V  , t  is the local density of the signal energy spectrum which
characterizes the signal spectral properties at the point with arguments  and t .
This magnitude of   ,t  satisfies the relation
  
 Z 2
 t  dt   dt  d (, t ) , (5.6)
  0
which shows that the total integral of the local spectrum density , t  integrated
over all times t and over all positive frequencies  is equal to the total signal
energy. The total signal energy is the integral of the square of the signal Z  t 
under investigation calculated over all times t .

45
 Proof of Parseval's equality (5.6) for the continuous wavelet transform
To prove Eq.(5.6), we open one of the factors for the real signal Z  t  by using
Eq.(4.1). Then we substitute the integration variables t   t ; t  t  , and use the

expression for V *
 , t     Z  t     t   t  dt  (4.1):

   
2

 Z  t dt  C  dtZ  t   d   dt  Re V  , t      t  t  
2

   0 

  
2
 Re  dt Z  t   d   dt V  , t      t   t  
 
C  0 

2   V  , t V  , t   2   V  , t 
* 2

  dt  d 
C  0 
 dt  d   .
C  0

In many cases we are interested in spectral properties of the signal in the

frequency range   L ;  R  , where  L and  R are the left and right boundaries of
the frequency range measured in Hz. It is convenient to use the average frequency
of the range   ( L   R ) / 2 and its width    R   L instead of  L and  R .
To study the dynamics of the increase and fall of various frequencies of
nonstationary signals, we introduce into consideration the time-dependent spectral
integral E t 
   / 2
1 
E t    , t  d . (5.7)
    / 2

The spectral integral E t  is the average magnitude of the local density of the
signal energy spectrum integrated over a certain frequency interval
 
     / 2;    / 2 , where  (  =0,1,2..) is the middle of the
corresponding spectral interval, and  is the width of the corresponding interval.
By studying the behavior of spectral integrals in time E  t  , we perform a
peculiar filtering of our signal by summing the contributions from the local
spectrum density , t  in the frequency range  .
If the frequency interval  is narrow    and the width of the  range
equal to  satisfies the relation    , the spectral integral E t  shows

46
  
how the local density of the signal spectrum   ,t varies in time in the vicinity
of frequency  . If the width of the range is large    , the behavior of the
spectral integral E t  over time characterizes the behavior of the averaged
frequency density in this range. By quantitatively describing the times of increase
and fall of E t , we can characterize the degree of nonstationarity of our signal in
various spectral ranges    1;   .
A rough characteristic of the degree of nonstationarity of the signal Z  t  in
the spectral subrange  is the coefficient of nonstationarity Knst   measured in
percent and expressed as by

K nst    100% . (5.8)
 E 

In this expression,  E  is the average value of the spectral integral (5.7)

averaged over all observation times t , 0  t  T and T is the signal observation
period.  is the ordinary standard deviation of this quantity. The more dynamic
variations of the signal Z  t  spectral properties, the more important the
nonstationarity coefficient Knst   .
Let us consider an example of different subranges. When an
electroencephalogram (EEG) of the human brain is analyzed, the entire frequency
range is typically divided into 4 main μ subranges:  -rhythm with a frequency of
0.5-4 Hz,  -rhythm with a frequency of 4-7.5 Hz,  -rhythm with a frequency of
7.5-14 Hz and  -rhythm with a frequency of 14-30 Hz. In this case, by assuming
that 0 , 1 ,…  4 are equal to 0.5, 4, 7.5, 14, 30 Hz, we obtain spectral integrals
E  t  , E  t  , E  t  , E  t  .

6. Analytical expression for CWT VL  , t  of an elementary nonstationary

signal zL  t  tL 
For some signals Z  t  , analytical results for the CWT V  , t  can be
obtained. If we use the mother wavelet AMW   x  (3.5), then the analytical
expression for the CWT VL  , t  of the elementary nonstationary signal
zL  t  tL  (1.2) has the form [33]
VL  , t   VL(  )  , t, f L , L   VL(  )  , t,  f L , L  ; (6.1)

47
  t  tL 2 
mbL Dm exp  2 2 
 4 L L 
VL  , t , f L , L  
()
*
8 L L (6.2)
  2m  f L   2   2m f L2  
exp i L    exp i L  m  2 2  
2
   2 L2     L  

m2 2f L  t  tL 
 2L  1 2 2 ;  L  L  (6.3)
2  L  2L

 m2 
2f L  t  tL   1  
 2f L 2L 
L  L  (6.4)
 2L

The analysis of (6.1) shows that the contribution of VL(  )  , t , f L , L 

(6.2) can be neglected when we consider positive frequencies   0 for the CWT,
since the parameter 2m  2 2m2  1. Typically, condition f L L  1 for
frequencies   f L is satisfied for the ENS (1.2). It indicates that the characteristic
interval  L is large enough to contain many periods of harmonic oscillations
1 / f L . If f L L  1 , functions  L  1 (5.1) for the frequencies   f L that
characterize the maximum value of VL  , t  provided that the condition
m  f L L is satisfied. In this case, the time dependence of amplitude of VL  , t 
nearly coincides with the behavior of the amplitude of the ENS signal zL  t  tL 
(1.2). The maximum in VL  , t  with respect to frequency  is observed at
  f L and the maximum with respect to time t is reached at t L . As the control
parameter m increases, the signal localization region on the frequency axis can be
appreciably decreased. The FWHM 2 FWHM  2 ln 2 f L / m of the frequency ν
dependent peak in VL  , t  is

48
Fig.22. Dependence of VL  , t  (6.1) on frequency , Hz , and time t , s , for ENS
(1.2) with parameters L   bL ; f L ; tL ;  L ; L   (3;2;12;3;0) . Control parameter
m  1 (3.5).

The analysis of Eqs.(6.1)–(6.4) for VL  , t  shows that a variation in

parameter m leads to minor changes in the range of VL  , t  on the time axis t
for the ENS with parameters L =(3;2;12;3;0). In particular,  L changes from
 L =1.007 for m  1 to  L = 1.16 for m  5 if  L =2 Hz and  L = 3 s. The
characteristic width of the peak   f L in VL  , t  along the frequency axis 
changes appreciably with increasing parameter m because the peak width at point
t  tL equal to  FWHM is inversely proportional to m .

Fig.23 shows a section of function VL  , tL  normalized to its maximum value

2

2
Vmax versus frequency , Hz , made at time t  tL  12 s. The figure shows that as
parameter m increases from m  1 (thin line) to m  2 (thick line), the peak
length along the frequency axis decreases.

49
 VL  , tL 
2

Fig.23. Function 2
cut as a function of frequency , Hz at time
Vmax
t  tL  12 s, where Vmax is the maximum value. The thin line corresponds to
m  1 , the thick line is for m  2 .

Let us demonstrate the advantages of using the AMW to analyze a real signal Z (t )
which is the sum of two ENSs (1.1) with parameters
S  (bS ; f S ; tS ; S ; S )  (3;2;12;3;0) , W  (bW ; fW ; tW ; W ; W )  (1;3;12;1;0)
and a random signal with amplitude A
Z (t )  zS t  tS   zW t  tW   ARandom(t )  0.5 . (6.5)

Here, Random(t ) is the random function that varies in the interval

0  Random(t )  1 . Note that the two ENSs with the above parameters S and W
have identical localization centers tS  tW =12 s and different frequencies f S =2
Hz and fW = 3 Hz and localization radii  S =3 s and  W =1 s. Figure 24 presents
signal Z (t ) (6.5) for A =1.2. In this case, the maximum total stochastic signal
Z (t ) (6.5) is approximately twice greater than the sum of two ENSs zS t  tS  and
zW t  tW  with the same parameters S and W calculated for t0  tS  tW . Figures
25 and 26 show numerically calculated surfaces of V  , t  (4.1) versus frequency
 and time t for model signal Z (t ) (6.5) for m  1 and 2, respectively. The
comparison of Figs. 25 and 26 shows that an increase in parameter m by a factor

50
of 2 (Fig.26) makes it possible to spectrally resolve the superposition of two ENSs
with frequencies f S and fW affected by noises of a random signal with amplitude
A =1.2. Figure 27 shows the cut cross section of the surface of V  ,t0  as a
function of frequency  for t0 =12 s. The thin line shows the cross section for
m  1 (a poor spectral resolution of the two peaks with frequencies f S and fW ).
The thick line shows the result for m  2 with a relatively high spectral
resolution. Thus a two-fold increase in the control parameter of AMW in the
calculation of V  , t  allows one to spectrally resolve two ENSs in the presence
of a strong noise signal.

Fig.24. Plot of signal Z  t  (6.5) versus time t (s) for S =(3;2;12;3;0),

W=(1;3;12;1;0), and A=1.2.

51
Fig.25. Plot of V  , t  (4.1) versus time t , s and frequency  , Hz for signal Z (t )
(6.5) (Fig.24) constructed by using AMW ( m =1) (3.5).

Fig.26. Plot of V  , t  (4.1) versus time t , s and frequency  , Hz for signal

Z (t ) (6.5) (Fig.23) constructed by using AMW ( m =2) (3.5).

52
Fig.27. Cross sections of CWT V  ,t0  at t0 =12 s for signal Z (t ) (4.1) for m =1
(thin line) and m  2 (thick line) (3.5).

Let us summarize and compare two continuous transformations, i.e., the

Gabor transform GW  , t  (2.12) and CWT V  , t  (4.1). It was found in section
2 that the Gabor transform GW  , t  (2.12) depends on the window length W .
When the Gabor transform is used, a correct pattern of the time behavior of ENS
zL  t  tL  for which the condition f L  L  1 is satisfied is possible only when
1
the inequality  W   L is satisfied. Hence, the study of the time behavior of
f0
the superposition of ENS with different values of  L by using GW  , t  is a
difficult task. The continuous wavelet transform V  , t  automatically determines
the window size depending on the frequencies  studied (4.2). If the control
parameter of the mother Morlet wavelet is m  1 , this means that the CWT
V  , t  correctly describes the temporal behavior of the signal zL  t  tL  (1.2).
The width of the V  , t  distribution along the frequency axis  can be reduced
by increasing m .

53
 7. Examples of CWTs V  , t  for various signals Z  t 
Example 1. Sum of two harmonic signals
In this section we calculate the CWT V  , t  for various signals Z  t  . All figures
for V  , t  are plotted for the control parameter m  1 (3.5) [10]. Let the signal
have the form

Z (t )  cos(2f1t )  cos(2f 2t ) . (7.1)

Fig. 28 shows the function | V ( , t ) |2 for various relations between the signal
oscillation frequencies f1 and f 2 . The behavior of | V ( , t ) |2 as a function of

variables X  and Y  ft is determined by a single parameter, i.e., the ratio
f
between the difference in vibration frequencies f  f 2  f1 to the average
frequency f. The surfaces shown in Fig.28 are built for two values of this
parameter: f / f = 0.6 (a) and f / f = 0.35 (b). It can be seen that the shape of
each surface resembles a pair of hills stretched along the Y time axis. The locations
of the maxima on the X axis correspond to the signal frequencies (6.1). As
parameter f / f decreases, the hills begin to overlap, and the dependence of their
height on time Y becomes more and more pronounced. At too small f / f
individual signal frequencies cannot be determined.

54
 b

Fig.28. Surface of | V ( , t ) |2 continuous wavelet transform for the sum of

two harmonic oscillations (6.1) for parameter m  1 (3.5). The X axis is the
dimensionless frequency X   / f , where f   f1  f 2  / 2 is the average
frequency of both oscillations. The Y-axis is dimensionless time Y  ft . Two
values of this parameter: f / f = 0.6 (a) and f / f = 0.35 (b).

Example 2. Delta signals

Let us now consider a signal exhibiting sharp bursts at times t1 and t2 (where
t2 > t1 ). A model description of such a signal is the sum of two delta functions
Z (t )    t  t1     t  t2  . (7.2)
The continuous wavelet transform of this signal has the form
V  , t     (t1  t )     (t2  t )  . (7.3)
The function | V ( , t ) |2 / 2 obtained by using the Morlet wavelet for the
signal (7.2) at various ratios between the times t1 and t2 is shown in Fig.29. The
behavior of this function is governed by the parameter t / tc , where t  t2  t1 is
the distance between the points of sharp changes in the signal on the time axis, and
tc   t1  t2  / 2 is the average time between t1 and t2 .

55
 a

Fig.29. Wavelet transform surface of | V ( , t ) |2 / 2 for signal (7.2). The X

axis is dimensionless frequency X  tc , the Y axis is dimensionless time
Y  t / tc , where tc   t1  t2  / 2 . Two values of this parameter, i.e., t / tc =0.2
(a ) and t / tc =0.1 (b).

56
The surface shape is determined by the parameter t / tc , where t  t2  t1 . The
surfaces shown in Fig. 29 are plotted for two values of this parameter, i.e.,
t / tc =0.2 (a ) and t / tc =0.1 (b). In the high-frequency region, each of the
surfaces is in the form of two hills elongated along the frequency axis X. In Fig.
29b corresponding to a lower parameter t / tc , the hills overlap with each other.
The next figure shows that at high frequencies X there are again two isolated peaks
in the section along the time axis Y, because the temporal resolution of the wavelet
transform improves with increasing frequency.

Fig.30. Continuation of the surface shown in Fig.29, b into the region of

higher frequencies X for X from 10 to 30 (a) and for X from 20 to 40 (b).

By considering the wavelet transform at sufficiently high frequencies, one can

always achieve the distinguishability of local (in time) features of the signal under
study, while in the case of the windowed Fourier transform it would be necessary
to reduce the time size of the window W for this purpose.

Example 3. Signal with a hopping frequency

Let us consider a nonstationary oscillation with the frequency varying from f1 =30
Hz to f 2 =10 Hz at moment of time t = 0.5 s
sin  2f1t  ; 0  t  0.5 s 
 
Z t     (7.4)

sin  2 f 2 t  ; 0.5  t  1 s 

Below is shown the CWT (transformation) of such a signal using the Morlet
wavelet. In this example and those given below, the integral wavelet
transformation was performed numerically.

57
Fig.31. Morlet wavelet transform surface for harmonic oscillation (7.4) with
sharply varying frequency. The X-axis is the frequency in Hz, the Y-axis is the time
in seconds.

It can be seen that the wavelet transform makes it possible to reliably detect
the time moment at which the frequency rearrangement of the nonstationary signal
occurs. Note also that the higher frequency peak ( f1 =30 Hz) is wider than the low-
frequency peak ( f 2 = 10 Hz). This fact corresponds to the uncertainty principle for
frequency and time. As frequency increases, an improvement in the temporal
resolution of the wavelet transform is accompanied by a deterioration in the
frequency resolution. In addition, edge effects, i.e., a "sharp decay" of peaks at the
ends of time interval Y are noticeable in this figure. They are due to the fact that
the signal was assumed to be zero outside the time interval considered in the
numerical calculation.

Example 4. Signal with a linearly varying frequency

For such signals as
Z (t )  sin (t ) , (7.5)
where the phase (t ) in the general case is a nonlinear function of time, we can
define the instantaneous angular frequency (t ) as a derivative of the phase with
respect to time
d(t )
(t )  . (7.6)
dt

58
The instantaneous frequency "in hertz" f  t  is introduced in the same way. If the
frequency f  t  is considered to be positive, the modulus symbol should be
included in its definition
1 d
f (t )  . (7.7).
2 dt
As the simplest example, we consider the signal (7.5) in which the phase
depends on time quadratically:
  f  f min t 
t   2  f max  max t . (7.8)
 2T 
The instantaneous frequency (7.7) of such a signal decreases linearly with time
 f  f min  t
f (t )  f max  max , (7.9)
T
where f max and f min are the maximum and minimum values of the instantaneous
frequency over the time interval T. Figs.32 and Fig.33 shows the image of the
signal in time and frequency representation i.e., a graph of the signal and the
Fourier spectrum of power. These figures should be considered in comparison with
the result of the wavelet transformation shown in Fig. 34.

Fig.32. Plot of signal (7.5) with linearly decreasing frequency f  t  (7.9),

where f max =25 Hz, f min =15 Hz.

59
 Fig.33. Power spectrum P  f   Z  f  for signal Z  t  shown in Fig.
2

32. This spectrum is obtained by using the Fourier transform Z  t   Z  f  .

It can be seen that the frequency spectrum of the signal under consideration is
distributed over the 13–27 Hz range, but the frequency spectrum itself does not
give us information about variations in the instantaneous frequency with time.

Fig.34. CWT surface | V ( , t ) |2 for the signal (7.5) with a linearly decreasing
frequency. The X axis is the frequency  in Hz, the Y axis is the time t in seconds.

The surface looks like a hill stretching at some angle to the time axis Y. This
position of the hill directly indicates that the signal under consideration is
characterized by the instantaneous frequency that decreases with time.

Example 5. The sum of oscillations with linearly increasing frequencies

Let the signal Z  t  be given by a sum of two terms
Z (t )  cos 1 (t )  cos 2 (t ) , (7.10)

60
where phases 1 (t ) and 2 (t ) are quadratic functions of time:
 f f t 
1 (t )  2  f1min  1max 1min  t , (7.11)
 2T 
 f  f 2 min  t 
2 (t )  2  f 2 min  2 max t , (7.12)
 2T 
If we take derivatives of these phases with respect to the argument t , it becomes
evident that the corresponding instantaneous frequencies vary linearly with time t :
t
f1 t   f1 min   f1 max  f1 min  , (7.13)
T
t
f 2 t   f 2 min  ( f 2 max  f 2 min ) , (7.14)
T
Let us consider a numerical example with f1min = 10 Hz, f1max = 90 Hz, f 2 min = 50
Hz, and f 2 max = 130 Hz. At these magnitudes of the parameters, the instantaneous
frequencies f1  t  and f 2  t  increase linearly in time with the same speed, so that
their difference f 2  t   f1  t  remains constant and equal to 40 Hz. The result of
the Morlet wavelet transformation for the signal (7.10) with the time dependence
of phases indicated here is shown in Fig.35.
a

61
Fig.35. CWT for signal (7.10) - (7.14) with two linearly increasing frequencies; a
V  , t 
2
– surface of of the square of the wavelet transform modulus , b -
contour map of this surface shown in shades of gray.

Here, two parallel hills located at the same angle to the time axis are seen. In the
low-frequency region the hills do not overlap. However, both instantaneous
frequencies increase with time, and the width of each hills grows. As a result, both
hills almost completely merge into one hill at the end of the time interval T = 1 s.
Even in the presence of broadening and overlapping of the "hills" which represent
the time dependence of the signal instantaneous frequencies on the scaleogram
V  , t  , it is possible to determine these frequencies with a satisfactory accuracy
2

by tracing only the position of the surface maxima (ridges). The image of such
ridges is called a skeleton. As an example, Fig. 36 shows the skeleton of the
surface given in Fig. 35.

62
 Fig.36. Surface skeleton of V  , t  (see Fig. 35) for signal (7.10) with two
2

linearly increasing frequencies. Y axis is time t in seconds, X axis is wavelet

frequency  in Hz. Vertical segments on the skeleton image result from
interference (beats) of both frequency components of the signal in the region where
the frequency resolution of the wavelet transform becomes poorer.

Example 6. Signal with nonlinear frequency dependence on time

Let us consider the signal Z(t)=sin(t), where the phase (t) has the form
t2  t
(t )  8 f 0 1   . (7.15)
T  T
In this case, the instantaneous frequency f  t  defined by Eq. (7.7) depends on
time t as
t  3t 
f (t )  4 f 0  2  (7.16)
T T 

63
 Fig.37. Dependence of instantaneous frequency f t  on time
corresponding to Eq.(7.16) for f 0 = 10 Hz, T = 1 s.

The figures below show waveforms in time Z  t  and frequency

representation and results of numerical CWT

Fig.38. Graph of nonstationary signal Z(t)=sin(t) with phase (7.15) at T =

1 s, f 0 = 10 Hz.

Fig.39. Fourier power spectrum P  f  for the signal Z  t  shown in Fig. 38.

64
 a

Fig.40. CWT for the signal shown in Fig__38; a – surface of V  , t 

2
of
the square of the wavelet transform modulus ( X  , Hz ; Y  t , s ), b - skeleton
(ridge) of the surface. The images are in satisfactory agreement with the
calculated signal frequency versus time (see Fig__37).

Example 7. Quadratic dependence of frequency on time

Let us consider a similar example differing only in that the signal phase derivative
does not change its sign. Let the signal Z (t ) be described by
   t2 t 1  

z (t )  cos 2 f min  4  f max  f min   2 
   t  . (7.17)
   3T 2T 4   
   

65
In this case, the signal instantaneous frequency f(t) has a parabolic dependence on
time
4  f max  f min t  T / 22
f (t )  f min  2
. (7.18)
T
The frequency (7.18) has is the lowest and equal to f min in the middle of the time
interval T and reaches the greatest value f max at the ends of the interval.
Fig. 41 shows the results of numerical calculation of the CWT scaleogram
for the signal (7.17) for T = 1 s, f min = 70 Hz, and f max = 150 Hz. It is easy to see
that the scaleogram maximum reproduces well the parabolic dependence of the
instantaneous frequency on time (7.18).
a

66
 с

Fig. 41, a –surface of V  , t 

2
of square of the CWT modulus for the signal
(7.17) with a square-law dependence of frequency on time, b - contour map of the
surface, c - skeleton. The axis X  , Hz ; Y  t , s .

Example 8. Signal with singular behavior of instantaneous frequencies

Let the signal z(t) be a sum of two oscillations the phases of which have a singular
time dependence:
z(t )  sin 1(t )  sin 2 (t ) , (7.19)
where
2f1T12
1 (t )  , (7.20)
T1  t
2f1T22
2 (t )   2f 2t . (7.21)
T2  t
We assume that the parameters in these expressions are f1 =20 Hz, f 2 =80 Hz,
T1  T / 2 , T2  6.51T /10 , T=1 s. The results of the numerical calculation of the
CWT scaleogram for the signal (7.19) - (7.21) are shown in Fig. 42.

67
 a

Fig.42, a - surface of V  , t 
2
of the the square of CWT modulus for signal
(7.19) - (7.21), b - contour map of the surface, c - skeleton. Y-axis - time t in
seconds, X-axis - wavelet frequency  in Hz.

68
It can be seen that the wavelet transformation makes it possible to trace the
behavior of nonstationary signal components even in the presence of rapid
variations in their instantaneous frequencies in a wide range of  .

The CWT model examples V  , t  given in this section provide a basis for
consideration of more vital challenges. It is evident that it is convenient to
visualize the results of the wavelet analysis of a function by using the same
methods as in the case of the windowed Fourier transform. As a rule, it is useful to
present the topography of the surface V  , t 
2
that corresponds to the function
V  , t  defined by Eq.(4.1). The relief elements that look like "hills" elongated
along the frequency axis X =  point to the presence of local bursts of signals (in
time). The hills oriented along the time axis Y = t are caused by the signal
components with pronounced amplitudes and weak variations in frequency.

69
 References
[1] S. Mallat, A Wavelet Tour of Signal Processing, 3rd ed., Academic, New York,
2008, pp.1-558.
[2] C.K.Chui, An introduction to wavelet, Texas University, 1992. p. 404.
[3] I. Daubechies, Ten Lectures on Wavelet, Society for Industrial and Applied
Mathematics, Philadelphia, 1992.
[4] L. Mandel and E. Wolf, Optical Coherence and Quantum Optics, Cambridge
Univ. Press, 1995, pp.1-1159.
[5] R. K. R. Yarlagadda, Analog and Digital Signals and Systems, Springer, 2010,
pp.1-487.
[6] P.S.Addison, The Illustrated Wavelet Transform Handbook. Introductory
Theory and Applications in Science, Engineering, Medicine and Finance, Second
Edition, CRC Press, 2017, p. 378.
[7] A.K.Alexandridis, A.D.Zapranis, Wavelet Neural Networks with Applications
in Financial Engineering, Chaos, Classifications, Wiley, 2014, p. 245.
[8] D.Baleanu, Advances in Wavelet Theory and Their Applications in
Engineering, Physics and Technology. Intech Open, 2012, p. 634.
[9] G.Bachman, L.Naricim E.Beckestein, Fourier and Wavelet analysis, Springer,
2000, p.497.
[10] S.V.Bozhokin and S. N. Lykov, Advanced Course in Theoretical Physics.
Wavelets. Textbook. Politekh. Univ., St. Petersburg, 2007, pp. 1-252.
[11] A.Cohen, Numerical analysis of wavelet methods, North-Holland, Elsevier,
2003, p.335.
[12] C.K. Chui, Q.Jiang Q., Applied Mathematics. Data Compression, Spectral
Methods, Fourier Analysis, Wavelets, and Applications, Vol. 2, Atlantis Press,
2013, pp.1-567.
[13] S.R. Devasahayam, Signal and Systems in Biomedical Engineering:
Physiological Systems Modelling and Signal Processing, Springer, 2019, p.465.
[14] I.M.Dremin, O.V.Ivanov, V.A.Nechitailo, Wavelet and their uses, Physics-
Uspekhi, V.44, P.447-478, 2001.
[15] M.W.Frazier, An Introduction to Wavelets through linear Algebra, Springer,
1999, p. 491.
[16] Fr.In, S.Kim, An Introduction to Wavelet Theory. A wavelet Multiscale
Approach, World Scientific, 2013, p.203.
[17] M.Jansen, Noise Reduction by Wavelet Thresholding, Springer, 2001, p.193.
[18] A.J.Jerri, The Gibbs Phenomenon in Fourier Analysis, Splines and Wavelet
Approximation, Springer, 2013, p.333.
[19]. A.E.Hramov, A.A.Koronovskii, V.A.Makarov, A.N.Pavlov, and E. Sitnikova,
Wavelets in Neuroscience, Springer, 2015, pp.1-272.

70
[20] J.Kovacevic, V.K.Goyal, M.Vetterli, Laboratory of Optoelectronics Molecular
Materials, EPFL, Lauzanne, Switzerland, 2013, p.265.
[21] A.A.Koronovskii, A.E.Hramov, Continuous wavelet analysis and its
applications, Moscow:, Fizmatlit, 2003, p.172.
[22] S.V.Narasimhan, N.Basumallick, and S. Veena, Introduction to Wavelet
Transform: A Signal Processing Approach, 1st. ed., Alpha Science International,
Ltd. 2011. pp. 1-624.
[23] G.R.Nason, Wavelet Methods in Statistics with R, Springer, 2008, p.257.
[24] I.Ya.Novikov, V.Yu.Protasov, M.A.Scopina, Wavelet Theory, American
Mathematical Society, Mathematical Monoraphs, V.239. 2010, P.505,
[25] D.S. Persival, A.T. Walden, Wavelet Methods for Time Series Analysis,
Cambridge, 2000, p.569.
[26] D.K.Ruch, P.J.Van Fleet, Wavelet Theory. An Elementary Approach with
Applications, Wiley, 2009, p.479.
[27] N.K. Smolentsev , Fundamentals of the theory of wavelets. Wavelets in
MATLAB, Moscow: DMK Press, 2014, pp.1-448.
[28] D.F.Walnut, An Introduction to wavelet analysis, Springer Science, 2013,
P.445.
[29] A.Yajnik, Wavelet analysis and its applications: in introduction, Oxford,
Alpha Science International, 2013, p.150.
[30] S. Albeverio, F. Gesztesy, R. Hoegh-Krohn and H. Holden, Solvable Models
in Quantum Mechanics Springer, Berlin–New York, 1988, p.441.
[31] R.J. Baxter, Exactly Solved Models in Statistical Mechanics, Academic, New
York, 1982, p. 442.
[32] S.V.Bozhokin , Continuous Wavelet Transform and Exactly solvable Model
of Nonstationary Signals, Technical Physics, V.57, N7, 2012, pp.900-906, DOI:
10.1134/S1063784212070067
[33] S.V.Bozhokin, S.V.Zharko, N.V.Larionov, A.N.Litvinov, I.M.Sokolov,
Wavelet Correlation of Nonstationary Signals, Technical Physics, Vol. 62, N6,
2017, pp. 837-845. DOI: 10.1134/S1063784217060068
[34] S.Dass, M.S. Holi, K.S. Rajan, A Comparative Study on FFT, STFT and WT
for the Analysis of Auditory Evoked Potentials, International Journal of
Engineering Research and Technology (IJERT), vol.2, N 11, 2013, pp. 636-641.
[35] S.H.Cho, G.Jang, S.H. Kwon, Time-Frequency Analysis of Power-Quality
Disturbances via the Gabor-Wigner Transform, IEEE Transaction on Power
Delivery, vol. 25, N 1, 2010, pp. 494-499.
[36] E. Shokrollahi, G.Zargar, M.A.Riahi, Using continuous wavelet transform and
short time fourier transform as spectral decomposition methods to detect of
stratigraphic channel in one of the Iranian south-west oil fields, Int. J. Sci.
Emerging Tech., vol. 5, N 5, 2013, pp. 291-299.

71
[37] R.R.Yadav, D.J.Sanghvi, QRS complex detection using wavelet
transform, International Journal of Engineering Science and Innovative
Technology (IJESIT), vol.2, N3, 2013, pp.290-293.
[38] E.D.Ubeyli, I.Guler, Spectral broadening of ophthalmic arterial Doppler
signal using STFT and wavelet transform, Computers in Biology and Medicine,
vol.34, 2004, pp. 345-354.
[39] L.Cnockaert, P.F.Migeotte, L.Daubigny, G.K.Prisk, F.Grenez, R.C.Sa, A
method for the analysis of respiratory sinus arrhythmia using continuous wavelet
transforms, IEEE Transactions on biomedical engineering, vol. 55, N 5, 2008, pp.
1640-1642.
[40] T.M.E.Nijsen, R.M.Aarts, P.J.M.Cluitmans, P.A.M.Griep, Time-frequency
analysis of accelerometry data for detection of myoclonic seizures”, IEEE
Transactions on information technology in medicine, vol.14, no 5, 2010, pp. 1197-
1203.
[41] D. Gabor, Theory of Communication, Proc. of the Inst of Elect Eng., vol. 93,
N.26, 1946, pp 429-457.
[42] D.A.Andreev, S.V.Bozhokin, I.D.Venevtsev, K.T.Zhunusov, Gabor
transform and continuous wavelet transform for model pulsed signals, Technical
Physics, vol. 59, N10, 2014, pp.1428-1433. Digital Object Identifier (DOI)
10.1134/S1063784214100065.
[43] S.V.Bozhokin, I.M.Sokolov, Comparison of the Wavelet and Gabor
Transforms in the Spectral Analysis of Nonstationary Signals, Technical Physics,
Vol. 63, No. 12, 2018. pp. 1711–1717. DOI: 10.1134/S1063784218120241
[44] A.Grossman, J.F.Morlet, Decomposition of functions into wavelets of
constant shape, and related transforms. In: Streit L. (ed), Mathematics and physics,
lectures on recent results. World Scientific Publishing, Singapore. 1985.
[45] A.Grossmann , R.Kronland-Martinet, J.Morlet, Reading and Understanding
Continuous Wavelet Transforms, in J. Combes, A. Grossmann and P.
Tcharnitchian (eds.): Wavelets: Time-Frequency Methods and Phase Space,
Springer, New York U.S.A., 1989, pp. 2–20.
[46] A.Grossmann, J.F.Morlet, Decomposition of Hardy Functions into Square
Integrable Wavelets Constant Shape, J. Math. Anal., vol. 15, 1984, pp. 723–736.
[47] S.V.Bozhokin, N.B.Suvorov, Wavelet analysis of transients of an
electroencephalogram at photostimulation, Biomed. Radioelectron, N3, 2008, pp.
21-25.
[48] S.V.Bozhokin, Wavelet analysis of learning and forgetting of
photostimulation rhythms for a nonstationary electroencephalogram. Technical
Phys, vol. 55, N9, 2010, pp. 1248-1256.
[49] S.V. Bozhokin, I.B.Suslova .Analysis of nonstationary HRV as a frequency
modulated signal by double continuous wavelet transformation method.
Biomedical Signal Processing and Control, vol.10, 2014, pp.34-40.

72
[50] S.V.Bozhokin, I.B.Suslova, Wavelet-based analysis of spectral
rearrangements of EEG patterns and of nonstationary correlations, Physica A:
Statistical Mechanics and its Applications, vol. 421, N1, 2015, pp.151–160.
[51] S.V.Bozhokin, E.A.Choban, Evaluation of the coefficients in the asymptotic
expansion of Laplace-type integrals, Technical Physics, Vol. 29, N10, 1984, pp.
1097-1099.

73
74
 Bozhokin Sergey Valentinovich
bsvjob@mail.ru

Introduction to the theory of continuous wavelet transform

Signed for printing 01.09.2020. Format 60×84 1/16

Circulation 50.

Printed from the finished original layout provided

by the author, in the printing house STRATA
195112, St. Petersburg, Zanevsky pr., 65/5

75
76
 С. В. БОЖОКИН

ВВЕДЕНИЕ В ТЕОРИЮ НЕПРЕРЫВНОГО

ВЕЙВЛЕТНОГО ПРЕОБРАЗОВАНИЯ

Санкт-Петербург
2020

77
78
 С.В.БОЖОКИН

ВВЕДЕНИЕ В ТЕОРИЮ НЕПРЕРЫВНОГО

ВЕЙВЛЕТНОГО ПРЕОБРАЗОВАНИЯ

Санкт-Петербург
2020

79
УДК 519.6 (0.75.8)
ББК 22.193я73
Б76
Божокин С.В. Введение в теорию непрерывного вейвлетного
преобразования. СПб., Книжное издательство «Страта»,
http://www.strata.spb.ru, 2020, — 160 с.
Издание книги осуществлено в рамках Государственного задания на
проведение фундаментальных исследований (код темы FSEG-2020-0024)
Книга представляет собой вводный курс в теорию непрерывного
вейвлетного преобразования. Теория вейвлетов представляет собой быстро
развивающуюся область математики, которая находит свое применение в
различных областях физики, биологии, медицины, экономики. Теория
вейвлетов успешно применяется при анализе нестационарных сигналов,
статистические и спектральные свойства которых изменяются во времени.
Материал книги состоит из следующих разделов. Во введении
приведена история возникновения теории вейвлетов. В последующих
разделах вводится понятие суперпозиции элементарных нестационарных
сигналов и кратко излагаются преобразования Фурье и Габора. Анализ
различных материнских вейвлетов, непрерывное вейвлетное преобразование,
обобщение равенства Парсеваля и формула обращения анализируются в
последующих разделах книги. Заключительные разделы книги посвящены
аналитическим и численным выражениям для непрерывного вейвлетного
преобразования, полученного для различных нестационарных сигналов.
Книга написана по материалам лекций, прочитанных автором для
студентов старших курсов Санкт Петербургского политехнического
университета Петра Великого. Книга будет полезна для аспирантов и
научных работников, специализирующихся в решении задач по обработке
нестационарных процессов, протекающих в различных областях науки и
техники.
ISBN 978-5-907314-34-4 © Божокин С. В., 2020.
bsvjob@mail.ru

80
 Оглавление
Введение_____________________________________________________82
1.Модель нестационарных сигналов_____________________________89
2.Преобразование Фурье. Преобразование Габора_________________93
3. Материнский вейвлет_______________________________________104
4. Непрерывное вейвлетное преобразование (CWT)______________114
5. Равенство Парсеваля для CWT. Формула обращения__________126
6. Аналитическое выражение для CWT VL  , t  элементарного

нестационарного сигнала zL  t  tL  ____________________________132

7. Примеры CWT V  , t  для различных сигналов Z  t  _______138

Список литературы____________________________________________155

81
 Введение
Различные сигналы в физике Z (t ) , зависящие от времени t , можно
разделить на две группы: стационарные и нестационарные. Стационарные
случайные процессы обладают тем свойством, что их статистические и
спектральные характеристики, определенные для достаточно большого
интервала времени T , не изменяются, если взять любой другой интервал
времени T , смещенный относительно первого на произвольный отрезок
времени. Для стационарного случайного процесса среднее значение Z  t  ,
среднеквадратичное значение Z 2 t  не зависят от времени t , причем
усреднение производится по большому числу реализаций k случайного
процесса. Автокорреляционная функция стационарного случайного процесса
CFzz  t , t    также не зависит от времени t , а зависит только от времени 
– разности двух моментов времени t   и t , в которых производится
усреднение [1]-[5].
При изучении нестационарных сигналов Z  t  решаются следующие
задачи: находится система количественных характеристик, описывающих
особенность данного процесса, производится подбор математических
моделей, с помощью которых можно осуществлять предсказание будущих
значений сигнала на основе его предыстории. Для анализа вероятностных
свойств случайного процесса чаще всего применяют методы статистической
обработки данных. Другим классическим методом обработки сигналов
является спектральный анализ Фурье.
История спектрального анализа началась в 1800 году, когда барон Жан
Батист Фурье, вернувшийся из наполеоновской кампании в Египте к научной
работе, в своей статье "Аналитическая теория теплоты" высказал идею о
представлении периодической функции в виде суперпозиции
тригонометрических функций – синусов и косинусов с некоторыми
коэффициентами. Впоследствии это представление назвали спектром, а сам
метод его получения – преобразованием Фурье. Классическое спектральное
преобразование Фурье хорошо зарекомендовало себя во многих физических
исследованиях и стало одним из основных инструментов в области цифровой
обработки сигналов.
Почти два века метод Фурье оставался единственным методом, с
помощью которого анализировались сигналы различной природы. Однако со
временем стало понятно, что преобразование Фурье не всегда соответствует
потребностям ученых и инженеров. Дело в том, что Фурье-анализ хорошо
"работает" с периодическими функциями. Если же речь идет о

82
непериодическом сигнале, имеющем характер некоторого "всплеска", то в
спектральном Фурье-представлении "теряется" очень важная информация о
том моменте времени, когда происходит существенная перестройка
спектральных свойств сигнала.
Впоследствии эффективные методы Фурье-преобразование обобщили:
появилось быстрое преобразование Фурье; оказалось, что в спектральном
представлении вместо синусов и косинусов можно использовать целые
классы других ортогональных функций. Появились спектральные
преобразования с несинусоидальными базисными функциями, например
преобразование Уолша. Но принципиального недостатка – потери
информации о временных характеристиках сигнала – эти меры все таки не
устраняли. Об этом недостатке говорил российский физик
Л.И.Мандельштамм еще в 20–х годах прошлого века. Он говорил:
«Физическое значение разложения Фурье в большой мере связано с
резонансными свойствами линейных систем с постоянными параметрами;
при переходе к линейным системам с переменными параметрами разложение
Фурье перестает быть целесообразным и вместо функций sin и cos
должны занять другие функции».
Заметим, что в огромном количестве случаев сигналы являются
нестационарными. Особенно это заметно при изучении многих процессов
биологического происхождения. Так, например, анализируя сигналы
кардиограммы и электроэнцефалограммы, характеризующие электрическую
активность сердца и мозга человека, можно сказать, что нестационарность
процессов является скорее правилом, чем исключением. Всевозможные
стрессы, внешние воздействия, в простейшем случае даже изменение
положения тела, приводят к перестройке режима функционирования сердца,
изменению частоты сердечных сокращений и других характеристик
активности мозга и сердца.
Для описания целого ряда нестационарных процессов в неживой и
живой природе, спектральные свойства которых меняются во времени,
многими исследователями используется метод оконного преобразования
Фурье. Оконное преобразование Фурье, использующее функцию Гаусса в
качестве наиболее оптимального окна, впервые было введено Габором
(D.Gabor) в 1946 году [1]-[2]. Смысл этого метода состоит в том, что для
нестационарного сигнала создается некоторое окно, размер которого
выбирается много меньше, чем размер анализируемого сигнала. Для каждого
окна вычисляется преобразование Фурье данного отрезка сигнала и
рассчитывается частотный его спектр. Затем окно сдвигается и для него
также вычисляется преобразование Фурье. Пройдя таким окном вдоль всего
сигнала, получается некоторая трехмерная функция, зависящая от положения
центра окна и частотного спектра сигнала, измеренного в этом окне. Таким

83
образом, осуществляется спектрально временное картирование сигнала,
которое позволяет изучить видоизменение его частотного спектра по мере
продвижения окна. Однако самый большой недостаток этого метода состоит
в том, что окно фиксированного размера W не может быть адаптировано к
локальным свойствам сигнала. Дело в том, что при фиксированном размере
окна W теряется разрешение сигнала по частоте на низкочастотном участке
спектра, а на высокочастотном участке спектра теряется разрешение по
времени.
Для выхода из этой ситуации в современной математике разработан
ряд методов анализа нестационарных сигналов. Наибольшую известность
получил метод вейвлет преобразования (Wavelet transform) [3]-[29].
Вейвлетом (wavelet) называется определенная базисная функция, называемая
материнским вейвлетом, имеющая нулевое среднее и достаточно быстрое
убывание на бесконечности. В переводе с английского языка слово wavelet
означает маленькую волну или всплеск. Заметим, что термин всплеск часто
используется в математической литературе. При интегральном вейвлетном
преобразовании осуществляется свертка анализируемого сигнала с некоторой
двухпараметрической функцией, которая получается из материнского
вейвлета с помощью операций сжатия и сдвига. От преобразования Фурье
вейвлет преобразование отличается тем, что операция умножение на «окно»
содержится в самой базисной функции, при этом происходит адаптация окна
к виду сигнала при изменении масштаба вейвлета. При этом существенно,
что степенью локализации во временной и частотной области можно
управлять.
Непрерывное вейвлет преобразования отображает исходный
одномерный сигнал на плоскость время–частота, характеризуя спектральный
состав сигнала в каждый момент времени, и выполняет роль некоторого
полосового фильтра с переменной шириной пропускания.
Некоторые идеи теории вейвлетов частично были разработаны Хааром
(A.Haar) в 1910 году. Именно в этом году Хаар опубликовал работу, в
которой предложена полная ортонормированная система базисных функций
с локальной областью определения. Теперь эти функции называются
вейвлетами Хаара. Прототипы теории всплесков также можно встретить в
работе Н.Лузина, вышедшей 1930 году [14].
Наиболее бурное развитие теория вейвлетов приходится на 80-90 годы
20 века. Теория вейвлетов базируется на таких классических областях
математики, как теория функций комплексного переменного, преобразования
Фурье и другие интегральные преобразования, функциональный анализ.
Первое упоминание о вейвлетах появилось в работе А.Гроссмана
(A.Grossman) и Ж.Морле (J.Morlet), вышедшей в 1984 году и посвященной
цифровой обработке и анализу сейсмических сигнлалов. Популярность

84
вейвлетного преобразования увеличилась после введения Малла (S.Mallat) и
Мейером (Y.Meyer) концепции кратномасштабного анализа. В их работах
были построены основные алгоритмы вейвлет-разложения и вейвлет-
восстановления исходного сигнала. Дискретизация вейвлет преобразования
была описана в статье И.Добеши (I. Daubechie), которая указала на
возможности использования математических идей вейвлетного анализа в
области обработки изображений.
Эти работы в последующее десятилетие послужили началом
интенсивного исследования теории вейвлетов многими учеными. Большой
вклад в тот раздел науки внесли: Мейер [Y.Meyer], Шенберг [I.Schoenberg],
Ошер [P.Auscher], Чуи [C.K. Chui], Вонг [W.L.Hwang], Стремберг
[J.O.Stromberg], Лемари [P.G.Lemarie], Баттл [G.A. Battle] и др. Следует
также отметить, что быстрый алгоритм разложения и восстановления сигнала
по вейвлетному базису был известен в статьях, посвященных цифровой
обработке сигналов под названием полосовая фильтрация с точным
восстановлением (subband filtering scheme with exact reconstruction, F.Mintzer,
M.Vetterli, M.J.T.Smith, T.P.Barnwell).
Один из крупнейших специалистов в области теории и применения
вейвлетов С.Малла (S.Mallat) так говорил об этой своеобразной революции,
перевернувшей многие представления о методах исследования сигналов: «В
основу вейвлетов положена не какая-либо «новая блестящая идея», а
концепции, которые существовали в разнообразных формах во многих
различных областях знаний. Формализация и появление «теории вейвлетов»
есть результат совместных усилий математиков, физиков и инженеров,
которые независимо развивали сходные идеи» [2].
К настоящему времени вейвлет анализ стал одним из самых
популярных разделов математики и ее приложений. Вейвлет анализ
используется для моделирования многих нестационарных сигналов,
встречающихся в системах самой различной природы. Такие процессы,
количественное описание которых выполнено с помощью вейвлетов,
изучаются в физике, астрономии, геологии, биологии и медицине. Помимо
исследования временных рядов вейвлеты нашли широкое применение в
задачах фильтрации многомерных сигналов, в анализе и распознавании
изображений, при сжатии больших массивов информации. Красота
математического аппарата вейвлет преобразования и его практическая польза
привлекают к себе внимание многих исследователей, работающих как над
фундаментальными, так и над прикладными проблемами. Основная идея
вейвлет преобразования сигналов отвечает специфике многих временных
рядов, демонстрирующих эволюцию во времени своих спектральных
свойств. Вейвлеты являются довольно интересным математическим

85
инструментом, который применяется в различных областях науки и техники
и уже сейчас приводит к важным практическим результатам.
К настоящему времени в мире вышло большое количество книг,
посвященных этому вопросу [1], [2], [6]-[29]. Среди этого списка большое
место занимают научные монографии и обзоры, опубликованные в ведущих
журналах по математике и физике. Во многих публикациях по вейвлетам
уделено большое внимание изложению математических аспектов этой
теории, представляющей собой очень бурно развивающуюся область
современной науки. В этих монографиях, предназначенных для весьма
образованного математика, приведено много теорем и утверждений. От
читателя этих книг требуется, чтобы он обладал довольно солидной
математической подготовкой по функциональному анализу, гильбертовым
пространствам и теории меры. Структуру таких книг можно
охарактеризовать строгой математической последовательностью:
определение, лемма, теорема, следствие. К сожалению, стиль изложения
математического аппарата теории вейвлетов, представленного в этих книгах,
зачастую создают дополнительные трудности для читателей, не имеющих
специальной фундаментальной подготовки.
Однако следует отметить, что огромное количество работ,
посвященных вейвлет анализу нестационарных сигналов, являются
численными. Большое значение в теории вейвлетов, изучающей
нестационарные сигналы, играет непрерывное вейвлетное преобразование
(CWT – Continuous Wavelet Transform). Сравнение с аналитическими
результатами становится очень важным при разработке быстрых численных
схем CWT, применимых для сигналов большой временной протяженности.
Все эти обстоятельства требуют разработки точно решаемых моделей
нестационарных сигналов, которые бы позволили получить аналитические
выражения для непрерывного вейвлет-преобразования CWT. Известно, что
точно решаемые задачи играют важную роль во многих областях физики
[30]-[31], так как являются важным инструментом для проверки многих
приближенных или численных методов. Эти слова можно отнести и к теории
нестационарных сигналов. Имея аналитическое выражение для CWT, можно
аккуратно найти многие предельные результаты и получить необходимые
критерии разрешения спектральных компонент сигнала как по частоте, так и
по времени.
Не всегда строгий подход оказывается удобным для огромного круга
исследователей, сталкивающихся в процессе своей работы с необходимостью
количественного описания динамики нестационарных сигналов. По мнению
автора данного пособия, в некоторых случаях можно пожертвовать
математической строгостью изложения предмета для того, чтобы обратить
внимание на основные «физические» идеи теории вейвлетов. Наверняка

86
такой метод изложения принесет пользу тем читателям, которые впервые
сталкиваются с этим разделом математики. Несмотря на то, что в последнее
время вышли некоторые учебники по вейвлетам [1], [2], [10], [19], [21], [27]
дефицит таких работ ощущается еще довольно остро.
Чрезвычайно важной задачей, на наш взгляд, является создание
учебного пособия, предназначенного для студентов старших курсов,
обучающихся на физических специальностях университетов, которое бы
представляло собой некоторый вводный курс по теории вейвлетов.
Целью настоящего пособия является упростить первоначальное
знакомство с этим сложным математическим разделом. Для достижения этой
цели выбран некоторый «средний уровень» математической строгости,
позволяющий на некотором интуитивном уровне понять основные идеи
математической теории вейвлетов. В пособии приведено не слишком
большое количество формул и доказательств, иллюстрирующих этот
математический аппарат. Большим преимуществом пособия является
большое количество рисунков, иллюстрирующих эту абстрактную
математику. Было бы очень заманчиво перевести понятия этой абстрактной
теории в мир некоторых трехмерных объектов, показывающих преимущества
непрерывного вейвлет преобразования. Чрезвычайно важно также
продемонстрировать на конкретных примерах – в чем преимущества теории
вейвлетов перед знакомым многим методом Фурье анализа нестационарных
сигналов.
Ведь любая математическая теория оказывается полезной только тогда,
когда многие физики, программисты и инженеры окажутся способными
воплотить ее основные идеи в прикладные программы и приборы. Мы уже
говорили о том, что в силу своего междисциплинарного происхождения
вейвлеты оказываются необходимыми для многих исследователей с самыми
различными научными интересами.
Пособие представляет собой вводный курс в теорию вейвлетов. Нашей
целью является познакомить читателей, интересующихся изучением
нестационарных сигналов, с основными идеями теории вейвлетов и научить
их применять эти знания к анализу конкретных сигналов. Пособие создано
на основе чтения лекций по дополнительным главам теоретической физики
студентам института физики, нанотехнологий и телекоммуникаций Санкт–
Петербургского политехнического университета Петра Великого [10].
Вводный курс, посвященный применению вейвлетов к анализу
нестационарных сигналов в физике, входит важной составной частью в этот
дополнительный курс и тесно связан с проблемой количественного описания
нестационарных сигналов в физике. От читателей этой книги требуется
знание курса математики в объеме, читаемом на физических специальностях
технического университета.

87
 Структура книги выглядит следующим образом. Вначале читателю
напоминаются основные идеи преобразования Фурье, изучаемого в курсе
высшей математики. Проанализировано много интересных примеров,
иллюстрирующих достоинства и недостатки этого традиционного метода
исследования спектральных свойств сигналов. Особое внимание уделено
оконному преобразованию Фурье и преобразованию Габора. Для многих
нестационарных сигналов, проанализирована зависимость преобразования
Габора от размера окна W.
Подробно рассмотрены основные свойства материнских вейвлетов, для
которых вычислены все количественные данные, характеризующие их
локализацию. Введено непрерывное вейвлет преобразование
нестационарного сигнала. Рассматривается применение непрерывного
вейвлетного анализа к ряду модельных сигналов, что дает возможность
читателю почувствовать на конкретных примерах достоинства такого
математического аппарата. В пособии приведено большое количество
уникальных трехмерных картин, иллюстрирующих эти случаи.
В пособии будут разработаны математические модели нестационарных
сигналов, для которых будут получены аналитические выражения для CWT.
Будет выполнено сравнение аналитической модели CWT для такого
нестационарного сигнала с аналитическим выражением для преобразования
Габора (оконное преобразование Фурье), а также получено много
аналитических оценок и критериев.
Автор надеется, что данное пособие будет полезно всем тем, кто
интересуется современными проблемами математики. Книга,
представляющая собой вводный курс в теорию вейвлетов, будет
представлять собой несомненный интерес для студентов и аспирантов
естественнонаучных и прикладных специальностей, работающих в области
цифровой обработки сигналов.
Авторы приносят благодарность сотрудникам Санкт-Петербургского
Физико-технического института имени А.Ф.Иоффе за полезное и
плодотворное обсуждение многих идей вейвлетного анализа. Выражаю свою
признательность всем коллегам по Санкт-Петербургскому политехническому
университету Петра Великого, которые поддерживали работу на различных
ее этапах.

88
 1. Модель нестационарных сигналов
Рассмотрим модель, в которой сигнал Z  (t ) может быть представлен в виде
суперпозиции N  элементарных нестационарных сигналов (ENS) zL  t  tL 
[32],[33]:
N  1
Z  (t )   zL  t  tL  , (1.1)
L 0

bL   t  t L 2 
zL  t  tL   exp    cos  2f L  t  tL    L  . (1.2)
2 L   4  2
L 
Каждый ENS имеет свою частоту f L (Hz) и фазу  L (rad). Центр ENS
находится по времени в точке t L (s), имеет ширину локализации  L (s) и
характеризуется амплитудой bL . Пять параметров каждого ENS zL  t  tL 
формируют одномерный массив L   bL ; f L ; tL ;  L ; L  . На рис. 1 изображен
график ENS c параметрами L  (3;2;12;3;0) . Этот сигнал имеет амплитуду
bL  3, частоту f L  2 Hz, локализован в точке tL  12 s, имеет ширину
локализации  L  3 s и начальную фазу  L  0.

Рис.1. Элементарный сигнал zL  t  tL  с параметрами

L   bL ; f L ; tL ;  L ; L  равными L  (3;2;12;3;0) .

89
 Для построения сложного суммарного сигнала Z   t  (1.1) требуется
5N  параметров ENS. Для такой суперпозиции все компоненты ENS

образуют список векторов cL     bL    ; f L    ; tL    ; L    ;  L    , где 
L  0,1,.. N   1. В дальнейшем нам потребуется количественно описывать
корреляцию нестационарных сигналов. Для решения этой задачи введем
второй сигнал Z (t ) . Второй сигнал Z (t ) мы также представим в виде
суперпозиции ENS:
N 1
Z ( t )   zK  t  tK  , (1.3)
K 0

где список векторов  

cK    bK   ; f K   ; tK   ; K   ; K   ,
K  0,1,.. N  1 .
Предположим, что в сумме (1.1) частоты всех простейших
элементарных сигналов одинаковы f L  f 0 , а времена t L и фазы  L при

L  0 связаны c параметрами t0 и 0 соотношением

2f0  t0  tL   L  0  2n , (1.4)

где n – представляет собой целое число n =0,±1,±2,±3…. . Это означает,

что суммарный сигнал Z  (t ) можно представить в виде

Z   t   B(t )cos 2f 0  t  t0   0  . (1.5)

Величина B  t  представляет собой сумму

1 N 1   t  t L 2 
B t    b L exp   . (1.6)
2  L 0  4  2
L 
Рассмотрим модель сигналов (1.6), для которой коэффициенты
суперпозиции bL могут иметь разные знаки, поэтому функция B  t  является

знакопеременной. Введем понятие положительной амплитуды сигнала

A(t )  B(t ) . (1.7)

90
 В качестве примера рассмотрим сигнал Z  (t ) , который представляет
собой сумму Z  (t ) (1.1) двух простейших нестационарных сигналов

zL (t  tL ) и zK (t  tK ) с параметрами L=(13;2.5;10;2;0) и K=(–10;2.5;13;0.5;

 ). Частоты сигналов zL (t  tL ) и zK (t  tK ) одинаковы f 0 =2.5 Hz, а

параметры времен t K и t L и фаз  K ,  L удовлетворяют соотношению (1.4).

Предложенная модель сигнала с быстроизменяющейся амплитудой
представлена на Рис.2. Интересно заметить, что в сигнале после узкого
гауссовского пика, имеющего характерное значение  K =0.5 s,
центрированного в точке t K =13 s, появляется «остаток» широкого
гауссовского пика  L =2 s, центрированного в более ранний момент времени

в точке t L =10 s.

Рис.2. Зависимость сигнала Z  (t ) (1.1) от времени t , s , представляющего

собой суперпозицию двух простейших нестационарных сигналов zL (t  tL ) и
zK (t  tK ) с параметрами L=(13;2.5;10;2;0) и K=(–10;2.5;13;0.5;  ).

91
Для любых сигналов Z   t  и Z  t  можно ввести кросскорреляционную
функцию (ССF) [4],[5]

CCF (t )   Z  (t ) Z  t  t  dt , (1.8)


Функция ССF  t  характеризует взаимосвязь между сигналами, взятыми в

различные моменты времени. Если в качестве сигнала Z   t  взять ENS
zL  t  с параметрами L , а в качестве Z  t  взять ENS zK  t  c параметрами
K , то в этом случае ССFLK  t  равна:

 t02 
bLbK exp   2 
CCF LK  t    4   
4  


 exp    FK 0  FL 0   cos      exp    FK 0  FL 0   cos    

2
 
2
 
(1.9);

t0  t   tK  tL  ; 2  2K  2L ; 0   K  L / 2K  2L ; (1.10)

FK 0  2f K 0 ; FL0  2f L 0 ; (1.11)

2  f K 2K  f L 2L  t0 2  f K 2K  f L 2L  t0

   K  L ;    K  L .
2K  2L 2K  2L
(1.12)

Анализируя соотношение (1.9) получаем, что при выполнении соотношений

f K 0  1, f L 0  1 основной вклад в CCFLK  t  дает второе выражение в
фигурной скобке, пропорциональное cos     . Если частоты простейших
нестационарных сигналов fK  fL ,
одинаковы то CCFLK  t  ,
центрированная по времени в точке t  tK  tL , будет осциллировать с
частотой f K . Если частоты сигналов f K и f L отличаются друг от друга, то
CCFLK  t  будет уменьшаться по амплитуде на множитель

92
  
exp   FK 0  FL0  , а характерная частота осцилляций функции СCFLK  t 
2

будет равна
  
f LK  f K 2K  f L 2L / 2K  2L . (1.13)

2. Преобразование Фурье. Преобразование Габора

Проблема эффективности применения различных спектральных
методов для обработки нестационарных сигналов до сих пор является
предметом научной дискуссии. Спектральные и статистические свойства
огромного количества нестационарных сигналов Z (t ) (NS – nonstationary
signal), встречающихся в различных областях физики, биологии и медицины,
изменяются во времени [1], [2], [34]-[40]. Преобразование Фурье (FT –
Fourier Transform) позволяет обнаружить факт присутствия в сигнале
различных Фурье гармоник Z ( f ) с частотой f , но не дает возможность
проследить эволюцию их появления и исчезновения во времени. Если
возникает задача нахождения изменений по времени спектрального состава
сигнала Z (t ) , то вместо интегрирования по всему временному интервалу
  t   рассматривают некоторый локальный промежуток
[t  W / 2; t  W / 2] . На таком промежутке времени W , центр которого
находится в момент времени t , вычисляется Фурье преобразование. Далее
центр окно смещается и процедура нахождения Фурье преобразования
повторяется. Это позволяет изучить изменения спектральных свойств
сигналов во времени. Для окна, имеющего гауссовскую форму, такое
оконное преобразование Фурье (STFT – Short time Fourier Transform) носит
название преобразование Габора (GT – Gabor Transform) [1], [2]. Недостаток
преобразования Габора состоит в том, что его вид, а, следовательно, и
результаты, существенно зависят от размера окна W . Выбор оптимальной
продолжительности окна W требует дополнительной информации о

93
характерных масштабах времени, в которых происходят перестройки
спектральных свойств сигнала.

Обозначим через L  R  гильбертово пространство комплексных

2

функций   x  вещественного аргумента x , имеющих единичный квадрат

нормы   x 
2


 x    x  dx  1.
2 2
 (2.1)

Разложение функции   x  в интеграл Фурье определяется следующим
образом

 x     F  exp  2iFx  dF . (2.2)

Фурье компонента   F  функции   x  определяется выражением

F      x  exp  2i F x  dx . (2.3)

Равенство Парсеваля для преобразования Фурье имеет вид
 
2 2
 ( x ) dx   ( F ) dF . (2.4)
 
Определим центр локализации xc функции ( x ) по оси x и центр
частотной локализации Fc функции   F  :
 
2 2
xc   x ( x ) dx ; Fc   F ( F ) dF . (2.5)
 
Параметр  x , позволяющий оценить протяженность функции ( x ) по оси
x , и параметр  F , характеризующий протяженность частотного спектра
функции   F  , определяются согласно соотношениям
 
2 2
( x )   ( x  xc ) ( x ) dx , ( F )   ( F  Fc ) ( F ) dF . (2.6)
2 2 2 2

 

Фурье компоненты вещественного сигнала Z   t   Z *  t  , в котором

величина t играет роль времени, измеряемого в секундах, удовлетворяют
соотношению Z *  f   Z    f  , где f −частота, измеряемая в Герцах. Для

94
вещественного сигнала Z  t  формулы (2.2) и (2.3), связывающие оригинал
Z  t  с Фурье компонентой Z  f  имеют вид

Z t    Z  f  exp  2ift  df


Zf   Z  t  exp  2ift  dt

Фурье компонента ENS zL  t  tL  (1.2) имеет вид
 i t 
bL exp   f L 
zL  f   
2
L 

exp     f   L   i L   exp     f   L   i L  ;

2

 
2

 
(2.7)
где  f  2f  L ,  L  2f L  L . Зная величину zL  f  , можно вычислить
спектр мощности сигнала простейшего нестационарного сигнала
PL  f   zL  f  . Спектр мощности при
2
f 0 представляет собой
гауссовский пик, центрированный в точке f  f L . Характерная полуширина
спектра мощности имеет вид  f  1/ (4 L ) . Для сложных сигналов Z   t 
(1.1), представляющих собой суперпозицию простейших нестационарных
сигналов, вычисление величины Z   f  не представляет сложностей. На
PL  f   zL  f 
2
Рис.3. построен график спектра мощности для ENS,
изображенного на Рис. 1.

Рис.3. График спектра мощности PL  f   zL  f  для ENS zL  t  tL 

2

L   bL ; f L ; tL ;  L ; L  (Рис.1)

95
 Введем в рассмотрение комплексную функцию W  , t  ,
представляющую собой произведение гармонического колебания
exp  2it  c частотой  на вещественную функцию гауссовского окна
RW  t  , имеющего единичную норму [1], [2], [41]

W  , t   RW  t  exp  2i t  ; (2.8)

 t2 
1
RW  t   exp   2 
. (2.9)
W 2  4W 
Характерная длительность гауссовского окна RW  t  равняется
t  W , а протяженность его частотного спектра RW  f  равняется
 f  1/ (4W ) [1]-[2]. Квадрат нормы функции гауссовского окна равен
единице RW  t   1 , а Фурье компонента RW  f  имеет вид
2

 
1  RW  t    t  dt   RW2  f  df ;
2
 RW2 (2.10)
 

RW  f   W 8 exp  42 f 2W 2  . (2.11)

Отметим, что Фурье RW  f  представляет собой
компонента
вещественную четную функцию своего аргумента f .
Выбирая окно с малой шириной по времени W , мы получаем высокое
временное разрешение, но низкое частотное разрешение. Выбрав окно с
большой шириной по времени W , мы получаем хорошее разрешение по
частоте, но плохое разрешение по времени. Слишком широкое окно будет
полезно для обнаружения низкочастотных компонентов сигнала, но его
ширина будет избыточной для обнаружения гармоник с высокой частотой.
Достаточно узкое окно даст возможность изучить высокочастотные
компоненты, но оно не в состоянии правильно отобразить низкочастотные
гармоники.
Оконное преобразование Фурье (преобразование Габора) GW  , t 
представляет собой свертку сигнала Z  t  с комплексно сопряженной
функцией W
*
 , t 

GW  , t    Z  t W  , t   t  dt  ;
*
(2.12)


96
 
GW  , t    Z  f RW  f    exp  2ift  df . (2.13)

Фурье компонента GW  , f  преобразование Габора (2.13) равняется
GW  , f   Z  f  RW  f    .
Преобразование Габора GW  , t  отображает одномерный сигнал Z  t 
на двумерную плоскость: время t и частота  , характеризуя изменение его
спектрального состава во времени. Центр окна находится в точке t  t  , а
размер окна будет порядка W . Если внутри этого окна осциллирующее
поведение функции W  , t  с частотой  будет совпадать с частотой
колебаний сигнала Z  t  , равной f 0 , то в этом окне мы будет наблюдать
максимум величины GW  , t  при   f 0 . Чем большее количество периодов
колебаний сигнала c частотой f 0 укладывается в окне интегрирования W ,
тем более отчетливо в величине GW  , t  выражена данная гармоника
сигнала.
Передвигая центр окна t вдоль временной оси t  , причем
t  W  t  t  W , мы можем проследить за изменением частотного состава
сигнала Z  t  в этом окне. Для преобразования Габора (2.12) справедлив
аналог равенства Парсеваля (2.4)
  
 t  dt   dt  d  GW  , t 
2

2
Z , (2.14)
  

причем величина   , t   GW  , t 
2
играет роль мгновенной спектральной
плотности энергии сигнала, зависящей как от частоты  , так и от времени t .
Доказательство равенства Парсеваля выглядит следующим образом:
     
 dt  d  GW  , t  2   d   df GW  , f  2   d   df Z  f  2 RW  f    2
     
   
  df   df Z  f  RW  f  
2 2
 Z  f  df 
2
 Z 2  t  dt
   

Формула обратного преобразования восстанавливает сигнал Z  t  по

известному виду функций GW  , t  и W  , t  .
 
Z t    d   dt GW  , t  W  , t  t  . (2.15)
 

97
 Для доказательства (2.15) рассмотрим правую часть этого соотношения
и разложим GW  , t  и RW  t  t  в интегралы Фурье:
 
 d   dt GW  , t RW  t  t  exp i 2  t  t   
 
  
  d   dt   df Z  f RW  f    exp  2ift  
  

  df  RW  f  exp  2if   t  t   exp  2i  t  t    

 
  d   df Z  f RW  f    RW  f    exp  2ift  
 
   
  d   df Z  f  RW2    f  exp  2ift    df Z  f  exp  2ift   d RW2   
   

  df Z  f  exp  2if t   Z  t  .


Идеальный гармонический сигнал бесконечной протяженности

Вычислим явный вид преобразования Габора GW  , t  для различных
сигналов. В качестве первого примера рассмотрим бесконечно протяженный
гармонический сигнал Z  t   cos  2f 0t  с постоянной частотой f 0 . Фурье
компонента сигнала Z  t   cos  2f 0t  представляет собой сумму двух
1
дельта функций Дирака Z  f      f  f 0     f  f 0  . Следовательно
2
интеграл (2.13) может быть вычислен. Рассматривая только положительные
частоты   0 , находим выражение преобразования Габора GW  , t  для
бесконечного гармонического сигнала и для спектральной плотности такого
сигнала   , t   GW  , t 
2

1
GW  , t   RW  f 0    exp  2if 0t  (2.16)
2
1
  , t   W 2 exp  82    f 0  W 2  .
2
(2.17)
2  

98
На Рис.4, Рис.5 построены зависимости мгновенной спектральной плотности
сигнала от времени t и от частоты  при различных значениях ширины
окна W

Рис.4. Зависимость мгновенной спектральной плотности энергии сигнала

  , t   GW  , t 
2
от времени t и от частоты  для бесконечного
гармонического сигнала частотой f 0 =2 Hz для ширины окна W = 0.1 s.

Рис.5. Зависимость мгновенной спектральной плотности энергии сигнала

  , t   GW  , t 
2
от времени t и от частоты  для бесконечного
гармонического сигнала частотой f 0 =2 Hz для ширины окна W =10 s.

99
 Таким образом, для бесконечного гармонического сигнала
Z  t   cos  2f 0t  спектральная плотность   , t   GW  , t 
2
практически
не зависит от времени t , и имеет максимум в точке   f 0 (2.17).
1
Характерная протяженность этого максимума по оси частот  f 
4f
изменяется в зависимости от продолжительности окна W . В предельном
случае сверхширокого окна W  спектральная плотность
пропорциональна дельта функции Дирака   ,t       f 0  .
Преобразование Габора для элементарного нестационарного сигнала
В качестве второго примера рассмотрим ENS zL  t  tL  , определенный
соотношением (1.2). Для сигнала zL  t  tL  (1.2) можно получить
аналитическое выражение для преобразования Габора GW( L )  , t  [32]

1   t  t 2 
GW( L )  , t   bL W exp   L

2 
2 W 2
 2L   4 W  2L

2
  ,
 (2.18)

  HW  ; f L ;  L   HW  ;  f L ;  L 
где функция

HW  ; f L ;  L   exp 


 42W 2 2L    f L 2  2i W 2  f L 2L  t  tL   
 i L  .
 W  L
2 2

 
(2.19)
Отметим, что второе слагаемое HW  ,  f L , L  в формуле (2.18)
отличается от первого выражения заменой f L   f L , L  L . Если мы
будем анализировать величину GW( L )  , t  при значении частот   f L , то в
этом случае лишь первое слагаемое в выражении (2.19) дает основной вклад.
В этом случае мгновенная спектральная плотность простейшего
  , t   GW  , t 
2
нестационарного сигнала представляет собой
гауссовскую функцию, центрированную по оси времени в точке t  tL , а по
частоте в точке   f L , причем характерные ширины по этим осям различны
и существенным образом зависят от ширины окна W . Дальнейшие
результаты приведем для случая f L  L  1 , когда внутри масштаба  L
помещается много осцилляций сигнала с частотой f L (1.2).

100
 Если мы имеем узкое окно, удовлетворяющее условию W   L , то
мгновенная спектральная плотность
bL2W   t  t L 2 
 L  , t    8    f  W  .
2
exp   2 2
(2.20)
4 22L  22L 
В этом случае, полуширина пика  L  , t  по времени (t GT )   L совпадает с
величиной гауссовской огибающей сигнала (1.2), а полуширина пика  L  , t 
по оси частот (GT )  1 /  4W  определяется шириной окна.
Для широкого окна W   L мгновенная спектральная плотность
bL2   t  t L 2 
 L  , t     L.
2 2
exp    8 2
  f  (2.21)
4 2W  2W 2

Для такого случая (t GT )  W , а полуширина пика по оси частот
(GT )     1/  4 L  определяется величиной  L и совпадает с шириной
пика в спектре мощности сигнала PL     zL   
2
(2.7).
На Рис.6 и Рис.7 представлены графики мгновенной спектральной
плотности   , t   GW( L )  , t  для ENS zL  t  tL  (1.2) c параметрами
2

L   bL ; f L ; tL ;  L ; L  равными L  (3;2;12;3;0) (Рис.1) для различных

значений протяженности окна W .

Рис.6. Зависимость мгновенной спектральной плотности сигнала

  , t   GW( L )  , t  от частоты , Hz
2
и времени t, s для ENS

101
zL  t  tL  c параметрами L  (3;2;12;3;0) . Продолжительность окна
W  0.1 s.

Рис.7. Зависимость мгновенной спектральной плотности сигнала

  , t   GW( L )  , t  от частоты , Hz и времени t , s для ENS zL  t  tL 
2

c параметрами L  (3;2;12;3;0) . Продолжительность окна W  10 s.

Таким образом, преобразование GT хорошо описывает временное

поведение ENS сигнала в случае окна малой длительности ( (t GT )  t   L ),
когда W   L , но при этом частотное распределение GT оказывается очень
широким. Заметим, что минимальный размер окна GT Wmin ограничен
величиной 1/ f L  Wmin , так как в окне размером Wmin должно помещаться
хотя бы несколько периодов колебаний сигнала, равных 1 / f L . В
противоположном случае, при W   L , частотная локализация сигнала
воспроизводится хорошо, а временная оказывается практически
неопределенной. Такое поведение оконного преобразования Фурье являются
вполне ожидаемыми.
Используя выражение (2.18), можно найти аналитическое выражение
для преобразования Габора GW  , t  суммарного сигнала Z   t  (1.1)
N  1
GW  , t    GW( L )  , t  tL  . (2.22)
L 0
и получить мгновенную спектральную плотность энергии
  , t   GW  , t  . Однако вид преобразования Габора (2.12),(2.13) зависит
2

от величины окна W , поэтому выбор его оптимального размера для

102
нестационарного сигнала, характерные частоты которого произвольно
изменяются во времени, представляет собой сложную задачу. При
использовании преобразования GT для правильного восстановления
амплитуд различных компонент возникают трудности. Их хорошее
воспроизведение возможно в узком интервале ширин окна, который априори
неизвестен. В случае же, когда сигнал является наложением нескольких
нестационарных сигналов с большим разбросом характерных длительностей
и частот, выбор единого значения W , оптимального для всех составляющих
может оказаться вообще невозможным. Конкретные примеры выбора W
преобразования GT для сигналов со сложной амплитудной зависимостью
приведены в работах [42],[43].
Пусть сигнал Z (t ) (Рис.2) имеет общую частоту f 0 =2.5 Hz и
представляет собой суперпозицию двух элементарных нестационарных
сигналов с параметрами L=(13;2.5;10;2;0) и K=(–10;2.5;13;0.5;  ). Модуль
преобразования Габора GW  , t  , вычисленный для окна с определенной
продолжительностью W=0.1 s, представлен на Рис.8. Видно, что для такого
окна величина GW  , t  имеет очень широкое распределение по частотам
.

Рис.8. Модуль преобразования Габора GW  , t  , построенный для сигнала

Z (t ) (Рис.1), в зависимости от частоты , Hz и времени t , s для ширины

окна W =0.1 s.
Для сравнения поведения быстроизменяющейся амплитуды сигнала
A(t ) с преобразованием GT рассмотрим значения модуля GW ( , t ) при
фиксированном значении частоты   f0 . Количественной мерой

103
расхождения кривых A(t ) и модуля преобразования GT GW ( f0 , t ) является
коэффициент корреляции Пирсона rGT W  , который зависит от размера
окна W
 A  t   GW  f 0 , t     A(t )  GW  f 0 , t  
rGT W   .(2.23)
 A2 (t )    A(t )  2   GW  f 0 , t     GW  f 0 , t   2 
2
   

Символ <...> в выражении (2.23) означает усреднение по всему времени

наблюдения. В случае W  max{ L ;  K } при увеличении W величина
rGT W  уменьшается, и амплитуда сигнала c быстроизменяющейся
амплитудой A(t ) воспроизводится с помощью GT плохо. Уменьшая размер
W , мы увеличиваем коэффициент rGT W  , причем восстановление A(t ) с
помощью анализа функции GW  f 0 , t  возможно только в случае
W  min{ L ;  K }.
Если величина W  0.9 s, то параметр rGT W  равняется
rGT W   0.89 . Максимальное значение rGT  max  =0.9996 достигается при
W =0.0724 s. Однако, для такого малого окна W функция GW  , t  имеет
широкое распределение по частотам  , так как выбор размера окна
ограничен неравенством 1/ f 0  W   L (Рис.8). Слишком малое окно не
позволяет правильно оценить частотный спектр сигнала Z (t ) с
фиксированной частотой f 0 . При дальнейшем уменьшении размера окна
W <0.07 s также происходит уменьшение rGT W  , связанное с тем, что окно
начинает реагировать на пики синусоидальных колебаний cигнала Z (t ) :
rGT W  0.02 s   0.82 [42],[43].

3. Материнский вейвлет
Теория вейлетов представляет собой новую математическую
концепцию, которая стала мощным инструментом прикладных исследований
практически во всех естественных науках и многих отраслях техники. В
настоящее время вейвлеты широко используются при решении задач анализа
и синтеза различных сигналов, для обработки изображений, для сжатия
больших объемов информации и цифровой фильтрации, для распознавания
образов, для количественного описания процессов турбулентности, для
решения некоторых дифференциальных уравнений. Применения вейвлетов

104
известны в радиофизике, нелинейной динамике, акустике, оптике, физике
твердого тела, сейсмологии, динамике жидкостей, биологии и медицине и
экономике [6]-[9],[14],[19],[21], [47]-[50].
Теория вейвлетов базируется на выборе базисного или материнского
вейвлета, с помощью которого будут затем изучены сложные
нестационарные сигналы. Мы увидим в дальнейшем, что наш испытуемый
сигнал анализируется путем разложения его по базисным функциям,
полученным из некоторого прототипа, называемого материнским вейвлетом,
путем сжатий, растяжений и сдвигов.
Известно, что в математике при рассмотрении различных классов
функций, зависящих от времени t , встречаются два предельных случая.
Первым предельным случаем являются обобщенные функции, так
называемые дельта функции Дирака 1  t     t  . Дельта функция Дирака
представляет собой хорошо локализованную в точке t  0 функцию. Спектр
Фурье такой функции   f   1 представляет собой постоянную величину,
не зависящую от частоты f . Таким образом, предельно локализованная
функция во времени   t  соответствует Фурье компоненте   f   1 ,
которая во всем пространстве Фурье является постоянной. Другим
предельным случаем является функция 2  t   cos  2f 0t  . Функция 2  t 
является бесконечно протяженной по времени t гармонической функцией,
характеризующейся постоянной частотой f 0 . Фурье компонента такой
1
функции 2  f      f  f 0     f  f 0  представляет собой предельно
2
локализованные две дельта функции. Одна дельта функция локализована в
пространстве частот в точке f  f 0 . Другая дельта функция локализована в
точке f   f 0 .
Материнские вейвлеты   x  , где x − некоторая безразмерная
переменная, представляют собой промежуточный класс функций.
Материнские вейвлеты   x  имеют конечную протяженность по оси x .
Фурье компоненты таких функций   F  также имеют конечную
протяженность по оси безразмерных частот F . Отметим, что материнские
вейвлеты   x  могут быть комплексными функциями. Материнский вейвлет
  x  должен быть локализован в точке x = 0, он должен иметь нулевое
среднее, вычисленное в интервале   x   , а также обладать единичной
нормой [1]-[3], [6], [10]-[12].

105
 
 x    x  dx  1,
2 2
 (3.1)



   x  dx  0 . (3.2)


Основные материнские вейвлеты   x  приведены в таблице 1. К таким

вейвлетам относится: вейвлет HAAR, названный в честь A. Хаара, вейвлет

FHAT (французская шляпа), вейвлет MHAT (мексиканская шляпа), вейвлет
WAVE (волна), вейвлет DOG, и вейвлет MORLET, названный в честь
J.Morlet [44]-[46]. Полезно изобразить графики этих вейвлетов и убедиться в
том, что все эти вейвлеты удовлетворяют соотношениям (3.1), (3.2). Среди
всех вещественных вейвлетов (HAAR, FHAT, MHAT, WAVE, DOG) особое
место занимает вейвлет MORLET. Этот вейвлет является комплексной
функцией и имеет преимущества перед своими вещественными
конкурентами. Об этом мы расскажем в следующем разделе. Недостатком
вейвлетов FHAT и HAAR является разрывный характер таких функций.
Следствием этого будет медленно убывающие хвосты Фурье образов этих
функций.

106
Материнский вейвлет  x
HAAR  1, 0  x  1 / 2 , 
 
( x )   1, 1 / 2  x  1 , 
 0, x  0, x  1 .
 
FHAT  1, x  1/ 3 
 
( x )   1 / 2, 1 / 3  x  1
 0, x 1 
 
WAVE 2  x2 
( x )   x exp   
1 / 4  2 
 
MHAT 2  x2 
 ( x)  (1  x 2 ) exp  
3   2 
DOG 20   2  2 
( x)   exp  x   1 exp  x  

 45  32   
 2  2

 8 
 

 x2 
 
MORLET
( x )  D exp    exp  2i x   exp 22 
 2 
1
D
 
 1  2exp 32  exp 42 
   
Таблица 1. Основные материнские вейвлеты

107
Примером материнского вейвлета   x  является вещественный вейвлет,

который называется мексиканская шляпа» (MHAT). Для оригинала

(MHAT)  x  и его Фурье компоненты (MHAT)  F  справедливы следующие

выражения
 x2 
 
2 1  x exp   
2

(MHAT)  x    2 ; (3.3)
3 

8  2
(MHAT)  F   42
3

F exp 22 F 2 ;  (3.4)

Рис.9. График материнского вейлета мексиканская шляпа (MHAT)

(MHAT)  x  в зависимости от безразмерной переменной x .

108
Рис.10. График Фурье компоненты материнского вейлета мексиканская

шляпа (MHAT) (MHAT)  F  в зависимости от безразмерной частоты F .

Для материнского вейвлета MHAT характерные протяженности  x и

7 1 5
 F равны:  x  ; F  .
6 2 2
В данной работе мы уделим особое внимание применению адаптивного
материнского вейвлета Морле (AMW)   x  с управляющим параметром m .

Функция AMW   x  является комплексной функцией. В дальнейшем мы

укажем на преимущества использования AMW для анализа простейших

нестационарных сигналов и сравним разрешающие свойства AMW   x 

c материнcким вейвлетом MHAT (MHAT)  x  . Для адаптивного

материнского вейвлета Морле (AMW)   x  , а также его Фурье компоненты

  F  справедливо следующее выражение [33]:

 x2 
 
  x   Dm exp   2  exp  2ix   exp m2  ,
  (3.5)
 2m 

109
 Dmm
( F ) 
   
exp  2m  F  1  1  exp 22m F  ,
2
  (3.6)

Dm 
 2 1/4 . (3.7)
  
32m 
m  1  2exp  
  
 exp 2 m2  
  2  
Адаптивный вейвлет Морле   x  изображен на Рис.11 для значения m  1
и для значения m  2 на Рис.12.

Рис.11. Зависимость   x  (3.5) для значения m  1 . Толстой линией

обозначена реальная часть   x  , тонкой линией обозначена мнимая
часть   x  .

110
Рис.12. Зависимость   x  (3.5) для значения m  2 . Толстой линией
обозначена реальная часть   x  , тонкой линией обозначена мнимая часть
 x.

Фурье компонента AMW (3.6)   F  представлена на Рис.13.

Рис.13. График Фурье компоненты AMW   F  (3.6) в зависимости от

безразмерной частоты F . Тонкой линией отмечен график при m  1 ,
толстой линией отмечен график при m  2 .

111
Адаптивный вейвлет Морле (3.5) удовлетворяет соотношениям (3.1),(3.2). В
выражениях (3.5),(3.6) величина m играет роль управляющего параметра
AMW, а величина  m  m 2 . Если мы рассмотрим отношение Фурье
компонент   F  на отрицательных и на положительных частотах, то это

отношение равно    F  /   F    exp  22m F  , причем на

характерных частотах F  1 этой величиной можно пренебречь. C большой
точностью параметр локализации  x [1],[2], определяющий протяженность
функции   x  по оси x , и параметр  F , показывающий протяженность
частотного спектра функции   F  [1],[2], имеют значения  x  m / 2 ,
 F  1 /( 8 m) , а их произведение близко к наименьшему значению
 x  F  1 /(4 ) [1],[2]. Следовательно, в зависимости от параметра m
величины  x и  F AMW могут изменяться. Таким образом, при изменении
m появляется возможность изменения временного и частотного разрешения
исследуемых NS. Если параметр m =1, то AMW (3.2) переходит в известное
выражение для обычного вейвлета Морле [44]-[46]. Условие конечности
константы C , определенной соотношением

   F  2dF
C   F
. (3.8)


позволяет восстанавливать сигнал Z (t ) по его CWT V  , t  [1],[2]. О

непрерывном вейлетном преобразовании (CWT - Continuous Wavelet
Transform) будет рассказано в следующем разделе этой книги. Используя
метод, позволяющий вычислять поправки к методу перевала [51], можно
показать, что в случае m  m 2 >>1 асимптотическое выражение
C  1  1 /(42m ) , отличается от точного численного значения C менее, чем
на 0.05% для значения m >1. Для материнских вейвлетов AMW, аргументы
которых x представляют собой комбинацию частот  , измеряемых в Hz, и
времен t , t  , t0 , измеряемых в s , справедливо соотношение [10]],[33]

2  

C 0
 
d    dt0 Re *    t   t0      t  t0     t  t  , (3.9)


112
где  t  t  – дельта функция Дирака. Cимвол Re – означает реальную
часть выражения.

Доказательство соотношения (3.9). Для доказательства этого соотношения

рассмотрим интеграл I  t ; t  . Выполняя разложение в интеграл Фурье,
преобразуем выражение I  t ; t  :
 

I  t ; t    d   dt0 Re *    t   t      t  t0 
0 

*    t   t0      F  exp  2iF   t  t0  dF 
*



    t  t0      F  exp 2iF   t  t0  dF



1
 exp  2i  F   F  t0 dt0    F   F ;   0
 

  
I  t ; t   Re   d   dF   F  exp  2iF   t  t  
 0  

1
 cos k  t  t  dk    t  t 
0
  t  t     F  dF
2
 
I  t ; t    d   dF   F  cos  2F   t  t  
2

2 
 F
0 
C
I  t ; t     t  t 
2
Константа C определена соотношением (3.8).
Материнские вейвлеты   x  могут быть подвергаться операциям
сдвига   x     x  a  , где величина a характеризует сдвиг материнского
вейвлета по оси x . Материнские вейвлеты могут быть подвержены
операциям изменения масштаба их колебаний   x     bx  , где величина
b  0 описывает изменение периода их колебаний. На рис.14 изображен
график реальной части вейвлета Морле Re   x  (тонкая линия) и график

113
вейвлета Морле Re   3 x  7   (толстая линия) для управляющего
параметра m  1 . Такие операции сдвига и изменения масштаба колебаний
понадобятся нам при нахождении непрерывного вейвлетного
преобразования.

Рис.14. График Re   x  (тонкая линия) и Re   3 x  7   (толстая линия)

для материнского вейвлета Морле (3.5) с управляющим параметром m  1 .

4. Непрерывное вейвлетное преобразование (CWT)

Непрерывное вейвлет преобразование V  , t  (CWT−Continuous Wavelet
Transform) отображает нестационарный сигнал Z (t ) с изменяющейся
частотно-временной структурой на плоскость времени t и частоты 
[10],[32],[33]. CWT V  , t  , зависящая от частоты   0 и времени
  t   , которое соответствует сигналу Z  t  вводится следующим
образом

V  , t     Z  t  *    t   t   dt  , (4.1)


где  x представляет собой материнский вейвлет, зависящий от

безразмерной величины x    t   t  . Значок * означает комплексное

сопряжение. В дальнейшем мы будем использовать адаптивный материнский
вейвлет Морле (AMW) с управляющим параметром m (3.5),(3.7).

114
Характерные времена t  , которые вносят основной вклад в интеграл (4.1),
определяются соотношением
x 
t  t  t  x . (4.2)
 
Основное преимущество CWT (4.1) перед преобразованием Габора (2.12)
состоит в том, что величина окна в преобразовании CWT автоматически
изменяется в зависимости от частоты  . Материнский вейвлет AMW,
зависящий от управляющего параметра m , играет роль окна с переменной
продолжительностью. Ширина такого окна становится большой ( малой) для
низких (высоких) частот  . Использование CWT c управляющим
параметром m дает дополнительную возможность изменять разрешение во

времени  x  m / 2 и по частоте  F  1/ ( 8 m) .

Основной вклад в интеграл V  , t  (4.1) дают те составляющие сигнала

Z  t  , которые в наибольшей степени «похожи» на материнский вейвлет,

центрированный в точке t  t  , и обладающий характерной частотой  . При
фиксированном значении центра окна t  t  размер окна (4.2) будет
изменяться в зависимости от частоты  . Далее мы подбираем такое значение
частоты, которое будет соответствовать частоте колебаний сигнала Z  t 

вблизи точки t  t  . При этом колебания сигнала и материнского вейвлета,

характеризуемые частотой  , будут синхронизированы, что приведет к
максимуму величины V  , t  в момент времени t .

Вычисляя CWT V  , t  , мы рассматриваем фрагменты нашего сигнала

Z  t  под микроскопом с разной степенью увеличения. Причем выбором
материнского вейвлета   x  мы можем влиять на оптические свойства
нашего микроскопа, так как явный вид непрерывного вейвлетного
преобразования CWT, определяющий как частотное, так и временное
разрешение сигнала Z  t  , зависит от выбора материнского вейвлета   x  .

115
 Hа рис.15 построен график функции     t   t  (4.1) для
материнского вейвлета Морле с управляющим параметром m  1 (3.5).
Аргументами функции     t   t  являются частота  и момент времени
t  . Поверхность     t   t  , как функция двух переменных  и t  ,
построена при фиксированном моменте времени t  5 s.

Рис.15. Поверхность     t   t  в зависимости от частоты  и

времени t  для фиксированного момента времени t  5 s.

Из графика Рис.15 можно заметить, что функция     t   t  ,

играющая роль окна в выражении (4.1), становится широкой при малых
значениях частот  . На больших значениях частот  функция     t   t 
становится узкой в окрестности t   t ( t  5 s). Таким образом, материнский
вейвлет   x  играет роль адаптивного окна, ширина которого велика для
малых частот  и мала для больших. Аргумент t определяет положение
центра локализации вейвлета на оси времени t   t . В отличие от
преобразования Габора с фиксированным окном W , в преобразовании CWT
размер окна подбирается автоматически в зависимости от рассматриваемой
частоты  (4.2).

116
 Дважды выполняя преобразование Фурье в выражении (4.1), мы
получаем

* f
V  , t    Z  f     exp  2ift  df . (4.3)
  
В выражении (4.3) значение Z  f  - Фурье компонента сигнала Z  t  . Фурье
 f 
компонента материнского вейвлета *   , которая в случае материнского

вейвлета Морле является вещественной функцией, выполняет роль
передаточной функции, которая выполняет роль фильтра для Фурье
 f 
компоненты сигнала Z  f  . Функция *   , являющаяся функцией двух

 
аргументов  и f , представлена на Рис.15.

 f 
Рис.16. Функция    , зависящая от аргументов  и f , построенная

для вейвлета Морле с управляющим параметром m  1 (3.6).

 f 
Анализ рис.16 показывает, что на низких частотах f фильтр   

является очень локализованной функцией. Центр такой функции находится
в точке f   . На высоких частотах Фурье фильтр является широкой
функцией. Характерная полуширина такого фильтра f для всех частот f

117
определяется формулой f   F . Протяженность частотного спектра для
материнского вейвлета Морле  F  1/ ( 8 m) .
В качестве примера CWT рассмотрим бесконечный гармонический
сигнал Z (t )  cos(2 f 0t ) с частотой f 0 . Фурье компонента такого сигнала
представляет собой сумму двух дельта функций Дирака
Z  f     f  f 0     f  f 0  / 2 . Максимум V  , t  такого сигнала по
оси частот  , равный Vmax , будет наблюдаться в точке   f 0 . С точностью


до малых слагаемых, имеющих порядок малости exp 22m  1 , величина
V  , t  не зависит от времени t .
V  , t   2  f0  
2
 exp  m   1  . (4.4)
Vmax     

Для сигнала Z (t )  cos(2 f 0t ) зависимость V  , t  / Vmax от аргументов


X и Y  f 0t построена на Рис.14 для вейвлета Морле с m  1 .
f0


Рис.17. Зависимость V  , t  / Vmax от аргументов X  и Y  f 0t ,
f0
построенная для идеального гармонического сигнала Z (t )  cos(2 f 0t ) с
использованием вейвлета Морле (m  1) .

118
Мы введем величину 2 FWHM , которая называется полная ширина пика на
половине высоты. Эта величина показывает протяженность пика вдоль оси
частот. Для адаптивного вейвлета Морле величина 2(FWHM
AMW )
для сигнала
Z (t )  cos(2 f 0t ) зависит от частоты гармонического сигнала f 0 :
2(FWHM
AMW )
 2ln 2 f 0 /  m  . Увеличивая параметр m величина 2(FWHM
AMW )

уменьшается. Для параметра m  1 величина 2(FWHM

AMW )
 0.375 f 0 .
Выполним вычисление CWT V ( MHAT )  , t  (4.3) для простейшего
сигнала Z (t )  cos(2 f 0t ) при использовании материнского вейвлета
«мексиканская шляпа» (MHAT)
8   f0 
2
 2  f0 
2

 , t   4      cos  2f 0t  . (4.5)
( MHAT ) 2
V   exp  2
3       

Для стационарного сигнала Z (t )  cos(2 f 0t ) с постоянной частотой f 0 при

использовании вещественного материнского вейвлета CWT
V ( MHAT )
 , t   cos  2f0t  зависит от времени t по гармоническому закону
(4.5). Это свойство CWT противоречит условию стационарности
спектральных свойств сигнала Z (t )  cos  2 f 0t  . Характерная ширина пика
по оси частот при использовании материнского вейвлета MHAT
2(FWHM
MHAT )
 6.5 f 0 гораздо больше, чем при использовании вейвлета AMW
2(FWHM
AMW )
 0.375 f 0 for m  1 .
Для сигнала Z (t )  cos(2 f 0t ) зависимость V  , t  / Vmax от

аргументов X  и Y  f 0t построена на Рис.15 для вейвлета MHAT.
f0

119
 
Рис.18. Зависимость V ( MHAT )  , t  / Vmax от аргументов X 
и Y  f 0t ,
f0
построенная для идеального гармонического сигнала Z (t )  cos(2 f 0t ) с
использованием вейвлета MHAT.

На Рис.19. показаны разрезы поверхностей V  , t  / Vmax в зависимости


от аргумента для вейвлета MHAT (тонкая линия) и вейвлета Морле
f0
(толстая линия). Ширина пика на половине высоты для вейвлета MHAT
примерно в 17 раз больше чем, для вейвлета Морле ( m  1 ):
(MHAT)
FWHM /  FWHM  17.3 .

120
 V  , t  
Рис.19. Отношение в зависимости от безразмерной частоты .
Vmax f0
Тонкая линия построена с помощью вейвлета MHAT. Толстая кривая
построена с помощью вейвлета Морле ( m =1).

Таким образом, при исследования сигналов с помощью CWT V  , t 

(4.1) комплексный материнский вейвлет Морле имеет преимущества перед
использованием вещественного вейвлета MHAT. Такие преимущества можно
суммировать следующим образом. Для идеального гармонического сигнала
Z (t )  cos(2 f 0t ) с постоянной частотой f 0 непрерывное вейвлетное
преобразование V  , t  (4.1) при использовании материнского вейвлета
Морле (AMW) (3.5) имеет максимум при значении частоты  в точности
равной частоте гармонического сигнала   f 0 (4.4). При использовании
вещественного материнского вейвлета MHAT функция V  , t  (4.1) имеет
максимум на частоте  , отличной от частоты f0 (Рис.19). При
использовании AMW квадрат модуля CWT V  , t 
2
не зависит от времени
t, что соответствует гармоническому сигналу Z (t )  cos(2 f 0t ) с
неизменными частотными свойствами f 0  const (4.4). При использовании
V  , t 
2
MHAT величина зависит от времени t для простого

гармонического сигнала (4.5). Такая зависимость от времени V  , t 

2
при
использовании материнского вейвлета MHAT может быть неправильно

121
истолкована как частотная модуляция исследуемого сигнала Z  t  . Еще
одним преимуществом материнского вейвлета Морле перед материнским
вейвлетом MHAT является гораздо меньшая ширина пика V  , t  (Рис.19).
2

Заметим, что во многих работах при исследовании нестационарных

сигналов Z  t  , в отличие от V  , t  (4.1), используется другой вид
непрерывного вейвлетного преобразования W  a, b  , которое зависит от двух
аргументов a и b [1]-[3], [19], [21], [27].

1 *  t  b 
W  a, b    Z  t     dt  . (4.6)
a   a 
Величина a  0 называется масштабом преобразования, величина b
называется сдвигом. Сравним два вида CWT V  , t  (4.1) и W  a, b  (4.6).
Для сравнения двух видов CWT сделаем замены: b  t , 1/ a   . Сделав
такие замены, получаем соотношение
V  , t 
W  , t   . (4.7)

W  , t  V  , t 
2 2
Сравним поведение двух функций и для
бесконечного гармонического сигнала Z (t )  cos(2 f 0t ) . Согласно
соотношению (4.4) максимум величины V  , t 
2
будет наблюдаться при
частотах, в точности равных значению   f 0 . Если мы будем изучать
W  , t  , то максимальное значение величины
2
максимум значения

W  , t  будет при значении частоты * , отличающейся от истинного

2

значения частоты f 0 на величину

*  1 
 42m 2  1  2 2  1 . (4.8)
f0  2 m 
 1 
С точность до отброшенных слагаемых, имеющих малость O  2 2 
,
 m 
формулу (4.7) можно переписать в виде
* 1
1 2 2 (4.9)
f0 8 m

122
Таким образом, изучая максимум функции W  , t 
2
для исследуемого
простейшего гармонического сигнала Z (t )  cos(2 f 0t ) , мы каждый раз
вынуждены вносить коррекцию, которая позволит по максимальной частоте
* определить истинную частоту гармонического сигнала
 1 
f 0  *  1  2 2  .
 8 m 
Величина  
1 / 82  0.01267 для значения

управляющего параметра m  1 . Следовательно, для высоких частот

абсолютная разница между наблюдаемым значением * и истинным
значением частоты гармонического сигнала f 0 может достигать большой
величины.
W  , t  V  , t  Z t  ,
2 2
Сравним два CWT и для сигнала
представляющего собой сумму двух гармонических колебаний
Z (t )  cos(2 f K t )  cos(2 f Lt ) с одинаковой единичной амплитудой, но
разными частотами f K и f L , причем f K  f L . Фурье компонента такого
сигнала также может быть легко найдена
Z  f     f  f K     f  f K     f  f L     f  f L  / 2 .
Аналитическое выражение для V  , t  (4.3) также может быть получено.
Графики функции V  , tmax  / Vmax
2
2
в зависимости от частоты , Hz
построены для фиксированных частот f L  3 Hz и f K  8 Hz и момента
времени tmax  1/ ( f K  f L ) (Рис.20). Отметим, что сумма двух
гармонических сигналов Z (t )  cos(2 f K t )  cos(2 f Lt ) с одинаковой
амплитудой и различными частотами f K  f L для CWT V  , t  (4.3)
дают два пика одинаковой высоты, центрированных в точках   f L и
  fK .

123
Рис.20. Графики функций V  , tmax  / Vmax
2 2
зависящие от частоты , Hz .
Тонкая линия соответствует значению параметра m  1 . Толстая линия
соответствует значению параметра m  2 .

Поверхность V  , t  показывает существование двух «холмов»,

вытянутых вдоль оси времени t . Если частоты f K и f L сильно отличаются
друг от друга, то эти холмы, параллельные оси времени, сильно разнесены
друг от друга по оси частот. Если частоты f K и f L близки, то
соответствующие холмы начинают перекрываться. Введем среднюю частоту
f   fK  fL / 2 и разностную частоту f  f K  f L . Критерием
разрешимости двух пиков является условие возникновения положительности
второй производной d 2 V  , t  / d 2  0 при условии f L    f K . Условие
разрешения двух бесконечных гармонических сигналов имеет вид
f  f / m , что дает выигрыш в m раз для AMW (3.5), (3.6) по сравнению с
условием для обычного вейвлета Морле ( m =1).
Аналитическое выражение для W  , t  (4.7) также может быть получено.
График функции W  , tmax  / Wmax
2
2
в зависимости от частоты , Hz
построен для значения частот f L  3 Hz и f K  8 Hz на Рис.21 для момента
времени tmax  1/ ( f K  f L ) .

124
Рис.21. График функции W  , tmax  / Wmax
2 2
зависящий от частоты , Hz .

Отметим, что сумма двух гармонических сигналов

Z (t )  cos(2 f K t )  cos(2 f Lt ) с одинаковой амплитудой и различными
частотами f K  f L для CWT W  , t  (4.7) дают два пика существенно
различной высоты. Первый пик, имеющий максимальное значение равное
единице, центрирован по частоте в точке *  2.96 Hz (4.9). Второй пик,
имеющий высоту 0,376, центрирован в точке *  7.90 Hz (4.9). Эти
значения отличны от истинных значений частот сигнала: f L  3 Hz и f K  8
Hz. Различные высоты пиков (1 и 0.376) для CWT W  , t  (4.7)
противоречат сигналу Z (t )  cos(2 f K t )  cos(2 f Lt ) , у которого два
гармонических сигнала имеют одинаковую единичную амплитуду.
Это позволяет сделать вывод о том, что СWT равное V  , t  (4.3)
(Рис.20) имеет преимущества перед СWT равным W  , t  (4.6), (4.7)
(Рис.21). Причина этого состоит в том, что V  , t  правильно описывает как
частотное положение пиков 1  f L , 2  f K , так и амплитудное
соотношение между двумя гармоническими сигналами. Непрерывное
вейвлетное преобразование W  , t  (4.6), (4.7) (Рис.21) имеет максимумы по
частоте * , отличающиеся от истинных частот гармонических сигналов.
Кроме того, CWT W  , t  искажает амплитудные соотношения между двумя
гармоническими сигналами с различными частотами.

125
 5. Равенства Парсеваля для CWT. Формула обращения
Изменение спектральных свойств сигнала во времени можно
проанализировать, рассматривая положения максимумов (хребтов)
поверхности | V ( , t ) |2 . Изображение таких хребтов называют скелетоном
сигнала. Скелетоны вейвлетного преобразования позволяют вычислить
мгновенные частоты  max (t ) , которые определяют экстремальное значение
| V ( , t ) |2 , а также проанализировать динамику поведения  max (t ) в времени.
Изображая на плоскости, имеющей аргументы частоту  и время t ,
положение таких хребтов мы можем получить своеобразный «слепок»
нашего нестационарного сигнала Z  t  . Подробно изучая поведение таких
хребтов  max (t ) , можно количественно описать характерные скорости
изменения частоты  max (t ) , и, таким образом, охарактеризовать степень
нестационарности нашего сигнала Z  t  . Например, нестационарный сигнал
может содержать несколько спектральных компонент, частоты которых
достаточно разделены, однако сами эти частоты могут изменяться во
времени. В этом случае форма скелетона сможет определить изменения во
времени каждой спектральной компоненты.
Очевидно, что хребты, соответствующие малым амплитудам сигнала
довольно быстро перемещаются как по частоте, так и по времени. Это
явление, как правило, связано с шумами нашего сигнала Z  t  и такие
экстремумы величины | V ( , t ) |2 не являются для нас информативными. Для
того, чтобы отсечь такие хребты, можно ввести порог отсечки. Изучая
величину | V ( , t ) |2 , мы будем вычислять экстремальные значение частот
 max (t ) лишь в том случае, если величина | V ( , t ) |2 превосходит уровень в
5% от максимального значения | Vmax (, t ) |2 , вычисленного для всех
наблюдаемых значений частот  и времен t .
Хребты скелетона могут располагаться вдоль оси времени. В этом
случае мы имеем дело со слабо изменяющейся спектральной компонентой,
которая незначительно меняет во времени свою частоту и амплитуду. Это
пример слабой нестационарности частотных свойств нашего сигнала.
Хребты скелетона могут в какой-то момент времени t0 располагаться
почти параллельно оси частот. В этом случае в момент времени t0 мы имеем
вспышки высокочастотной активности сигнала.
Метод вычисления скелетонов успешно применяется для изучения
музыкальных мелодий. Для таких сигналов, характеризующихся быстро
изменяющимися во времени частотами, можно построить скелетон, который

126
будет отражать специфику перестройки во времени частот такого сигнала.
Очевидно, что разные музыкальные сигналы будут иметь различный вид
скелетонов. Такие сигналы можно отличить друг от друга, если использовать
искусственные нейронные сети для распознавания скелетонных «слепков»
таких сигналов. Такой же подход можно применить при анализе звуков
человеческой речи, а также при анализе звуков, которые сопровождают
сердечный ритм человека. Раздел, изучающий эти звуки, называется
аускультация сердца или фонография сердца. Таким образом, скелетонный
портрет сигнала может показывать сложную динамику изменения во времени
его спектральных компонент. Параметры, характеризующие основные
свойства скелетона, могут помочь в расшифровке сложных нестационарных
сигналов Z  t  .
Любую комплексную функцию CWT V  , t  можно представить в виде
модуля V  , t  и фазы  , t 

V  , t   V  , t  expi , t  (5.1)

Модуль CWT V  , t  , также как и фаза  , t  зависят как от частоты  ,

так и от времени t . Модуль V  , t  показывает существование и
интенсивность соответствующей частоты  исследуемого сигнала Z (t ) в
момент времени t . Фаза  , t  естественным образом выражается через
аргумент комплексной функции V  , t  соотношением  , t   argV  , t . В
фазовой составляющей CWT также содержится важная информация о
поведении сигнала Z (t ) .
Для гармонического сигнала Z  t   cos  2f 0t  , где f 0 – частота
сигнала, максимум величины | V ( , t ) |2 будет наблюдаться при   f 0 (4.4).
Это означает, что величина
P, t   V , t 
2
(5.2)

представляет собой мгновенный спектр мощности сигнала, позволяющий

исследовать динамику изменения во времени спектральных свойств
исследуемого сигнала.
Классический спектральный анализ, основанный на преобразовании
Фурье, позволяет обнаружить сам факт существования различных ритмов, но
не дает возможность проследить эволюцию во времени мгновенных
спектральных характеристик сигналов. Известно, что наличие двух пиков
спектре мощности может соответствовать двум разным ситуациям: в
динамике изучаемой системы могут одновременно присутствовать два

127
независимых ритма или может наблюдаться процесс переключения частоты,
и в каждый момент времени удается зафиксировать только один
ритмический процесс.
Вейвлет-анализ обладает более широкими возможностями и является
эффективным инструментом исследования локальных свойств сигналов даже
в случае сильной нестационарности, когда быстро изменяются мгновенные
локальные частоты. В этом случае локальный спектральный анализ
выполняется в пределах окна, занимаемого во временной области
материнским вейвлетом и характеристики сигнала вычисляются на основе
некоторого усреднения по ограниченному участку сигнала, размер которого
зависит от изучаемой частоты
Преимущество интегрального вейвлетного преобразования V  , t 
перед обычным спектром мощности P( f )  Z  f 
2
состоит в том, что,
величина V  , t  показывает те моменты времени t , в которые данные
частоты  возникают или исчезают. Следовательно, мгновенный спектр
мощности P, t   V , t  позволяет вычислить динамику возникновения и
2

затухания различных частот  в окрестности момента времени t и

определить характерные времена возникновения таких частот. Таким
образом, по сравнению с оконным преобразованием Фурье, непрерывное
вейвлетное преобразование V  , t  , выполняющее частотно-временной
анализ сигналов, позволяет определить вклад колебаний различных частот 
в произвольный момент времени t . Недостатком оконного преобразования
Фурье (преобразования Габора GW  , t  ) является его зависимость от
размера окна W . Размер окна для CWT V  , t  устанавливается
автоматически в зависимости от исследуемой частоты  (4.2).
Условие конечности константы C , определенной соотношением (3.8)
позволяет вывести формулу обращения, позволяющую восстановить сигнал
Z  t  по известному непрерывному вейвлетному преобразованию V  , t  .
2  
Z (t )   d   dt  Re V  , t      t  t   ,
C 0 
(5.3)

В выражении (5.3) символ Re означает реальную часть выражения.

128
 Доказательство формулы (5.3)
1)Интеграл, стоящий в правой части соотношения (5.3), обозначим как Y  t  .
Перепишем этот интеграл Y  t  , сделав замену переменной интегрирования
t   t0
2  
2) Y t  
C 0 

 d   dt0 Re V  , t0     t  t0  
3) Используем формулу (4.1), сделав замену t  t0 :

V  , t0     Z  t  *    t   t0   dt  .

4) Подставим это выражение V  , t0  в интеграл Y t 
2   
Y t   
C 0  

d   dt0  dt Z  t  Re *    t   t0      t  t0  
5) Воспользуемся свойством ортогональности материнских вейвлетов (3.9).
Свойство ортогональности материнских вейвлетов (3.9) позволит вычислить
интеграл по частоте  и по времени t0

6) Следовательно Y t    Z  t   t  t  dt   Z  t  . Соотношение (5.3)

доказано.

Получим формулу, которая является обобщением равенства Парсеваля

(2.4) для непрерывного вейвлетного преобразования V  , t 
.
2   V  , t 
2

 Z  t  dt  C  dt  d  
2
(5.4)
   0

2 V , t 
2
, t   , (5.5)
C 
Из формулы (5.4) видно, что величина   ,t  , определяемая соотношением
(5.5) характеризует мгновенное распределение энергии сигнала по частотам
 , вычисленное в момент времени t .
Величина , t  , вычисленная с помощью непрерывного вейветного
преобразования V  , t  , представляет собой локальную плотность спектра

129
энергии сигнала, характеризующую спектральные свойства сигнала в точке с
аргументами  и t . Для этой величины   ,t  справедливо соотношение
  
 Z 2
 t  dt   dt  d (, t ) , (5.6)
  0
которое показывает, что полный интеграл от локальной плотности спектра
, t  , проинтегрированный по всем временам t и по всем положительным
частотам  , равен суммарной энергии сигнала. Суммарная энергия сигнала,
представляет собой интеграл от квадрата исследуемого сигнала Z  t  ,
вычисленный по всем временам t .

Доказательство равенства Парсеваля (5.6) для непрерывного

вейвлетного преобразования
Для доказательства соотношения (5.6) раскроем один из сомножителей для
вещественного сигнала Z  t  по формуле (4.1). Затем сделаем замену
переменных интегрирования t   t ; t  t  , и используем выражение для

V *
 , t     Z  t     t   t  dt  (4.1):



2   

 Z  t dt  C  dtZ  t   d   dt  Re V  , t      t  t  
2

   0 

  
2
 Re  dt Z  t   d   dt V  , t      t   t  
C  0 

2   V  , t V  , t   2   V  , t 
* 2

  dt  d 
C  0 
 dt  d   .
C  0

Во многих случаях мы будем интересоваться спектральными

свойствами сигнала в интервале частот   L ;  R  , где  L и  R – левая и
правая граница диапазона частот, измеряемых в Hz. Вместо величин  L и
 R удобно ввести среднюю частоту диапазона   ( L   R ) / 2 , и ширину
диапазона    R   L .

130
 Для исследования динамики нарастания и спадания различных частот
нестационарных сигналов введем в рассмотрение спектральный интеграл
E t , зависящий от времени t
   / 2
1 
E t    , t  d . (5.7)
    / 2

Спектральный интеграл E t  представляет собой среднее значение
локальной плотности спектра энергии сигнала, проинтегрированное по
 
определенному интервалу частот      / 2;    / 2 , где величина 
(  =0,1,2..) представляет собой середину соответствующего спектрального
интервала,  – ширина соответствующего интервала. Изучая поведение
спектральных интегралов по времени E  t  мы выполняем своеобразную
фильтрацию нашего сигнала, суммируя вклады от локальной плотности
спектра , t  в определенном интервале частот  .
Если интервал частот  является узким, причем ширина диапазона  ,
равная  , удовлетворяет соотношению    , то в этом случае
спектральный интеграл E t  показывает – как изменяется во времени
локальная плотность спектра сигнала   ,t   в окрестности этой частоты
 . Если ширина диапазона велика    , то поведение спектрального
интеграла по времени E t  характеризует поведение усредненной плотности
частот в этом диапазоне. Количественно описывая времена нарастания и
спадания величины E t , мы можем охарактеризовать степень
нестационарности нашего сигнала в различных спектральных диапазонах
   1;   .
Грубой характеристикой степени нестационарности сигнала Z  t  в
спектральном поддиапазоне  является коэффициент нестационарности
Knst   , измеряемый в процентах и определяемый соотношением

K nst    100% . (5.8)
 E 

В этом выражении  E  – усредненное по всем временам наблюдения t

среднее значение спектрального интеграла (5.7), 0  t  T , T − период
наблюдения за сигналом. Величина  – обычное среднеквадратичное
отклонение этой величины. Чем более динамично меняет свои спектральные

131
свойства исследуемый сигнал Z  t  , тем большее значение имеет
коэффициент нестационарности Knst   .
В качестве примера различных поддиапазонов укажем, что при анализе
электроэнцефалограммы (ЭЭГ) головного мозга человека весь диапазон
частот обычно делят на 4 основных поддиапазона μ: –ритм с частотой 0,5–
4 Гц, –ритм с частотой 4–7,5 Гц, α–ритм с частотой 7,5–14 Гц и β–ритм, с
частотой 14–30 Гц. В этом случае, полагая 0 , 1 ,…  4 равными 0,5, 4, 7,5,
14, 30 Гц, получаем значения спектральных интегралов E  t  , E  t  ,
E  t  , E  t  .

6. Аналитическое выражение для CWT VL  , t  элементарного

нестационарного сигнала zL  t  tL 
Для некоторых сигналов Z  t  могут быть получены аналитические
результаты для CWT V  , t  . Если мы будем использовать материнский
вейвлет AMW   x  (3.5), то для элементарного нестационарного сигнала
zL  t  tL  (1.2) аналитическое выражение для СWT VL  , t  имеет вид
[33]
VL  , t   VL(  )  , t, f L , L   VL(  )  , t,  f L , L  ; (6.1)

 t  tL 2 
mbL Dm exp  2 2 
 4 L L 
VL  , t , f L , L  
()
*
8 L L (6.2)
  2m  f L   2   2m f L2  
  L
exp i    exp  L
i   2
m  
   2 L2    2 L2  

m2 2f L  t  tL 
 2L  1 2 2 ;  L  L  (6.3)
2  L  2L

 m2 
2f L  t  tL   1  
 2f L 2L 
L  L  (6.4)
 2L

132
Анализируя выражение (6.1) получаем, что при рассмотрении
положительных частот   0 для CWT вкладом VL(  )  , t , f L , L  (6.2)
можно пренебречь, так как параметр 2m  2 2m2  1. Обычно, для ENS
(1.2) выполняется условие f L L  1, которое означает, что на характерном
интервале  L помещается много периодов гармонических колебаний 1 / f L .
При условии f L L  1 , для частот   f L , характеризующих максимальное
значение VL  , t  , функции  L  1 (6.3), если выполняется неравенство
m  f L L . В этом случае поведение амплитуды VL  , t  со временем t
практически совпадает с поведением амплитуды сигнала ENS zL  t  tL 
(1.2). Максимум VL  , t  по частоте  наблюдается при   f L , а по
времени t в момент времени t L . С увеличением управляющего параметра m
область локализации сигнала по частотам может быть значительно
уменьшена. Полная ширина пика VL  , t  , зависящего от частоты  , на
половине своего максимума равняется 2 FWHM  2 ln 2 f L / m .

Рис.22. Зависимость VL  , t  (6.1) от частоты , Hz и времени t , s для

ENS (1.2) c параметрами L   bL ; f L ; tL ;  L ; L   (3;2;12;3;0) . Управляющий
параметр m  1 (3.5).

133
 Анализ формул (6.1)−(6.4) для VL  , t  показывает, что для ЕNS c
параметрами L =(3;2;12;3;0), изменение параметра m приводит к
незначительному изменению протяженности VL  , t  по оси времени t . Так,
при  L =2 Hz,  L =3 s величина  L изменяется с  L =1.007 при m  1, до
 L =1.16 при m  5 . Характерная ширина пика   f L функции VL  , t  по
оси частот  при увеличении параметра m меняется довольно значительно,
так как ширина пика в точке t  tL , равная  FWHM , обратно пропорциональна
величине m .

На рис.23 изображен разрез функции VL  , tL  , нормированной на

2

2
свое максимальное значение Vmax , в зависимости от частоты , Hz ,
сделанный в момент времени t  tL  12 s. Рисунок показывает, что при
увеличении значения параметра m от значения m  1 (тонкая линия) к
значению m  2 (толстая линия) протяженность пика по оси частот
уменьшается.

VL  , tL 
2

Рис.23. Разрез функции 2

в зависимости от частоты , Hz в
Vmax
момент времени t  tL  12 s, где Vmax - максимальное значение. Тонкая
линия соответствует m  1 , толстая линия − m  2 .

134
Продемонстрируем преимущества применения AMW для анализа реального
сигнала Z (t ) , представляющего собой сумму двух ENS (1.1) c параметрами
S  (bS ; f S ; tS ; S ; S )  (3;2;12;3;0) , W  (bW ; fW ; tW ; W ; W )  (1;3;12;1;0) ,
и случайного сигнала с амплитудой A

Z (t )  zS t  tS   zW t  tW   ARandom(t )  0.5 . (6.5)

В выражении (6.5) Random(t ) − случайная функция, изменяющаяся в

интервале 0  Random(t )  1 . Отметим, что два ENS c приведенными
параметрами S и W имеют одинаковые центры локализации tS  tW =12 s,
различные частоты f S =2 Hz, fW =3 Hz и радиусы локализации  S =3 s,  W =1
s. На Рис.24 изображен сигнал Z (t ) (6.5) для случая A =1.2. При A =1.2
максимальные значения суммарного стохастического сигнала Z (t ) (6.5)
примерно в два раза превосходят сумму двух ЕNS zS t  tS  и zW t  tW  с
теми же значениями параметров S и W , вычисленных в момент времени
t0  tS  tW . На Рис.25, Рис.26 представлен результат численного расчета
поверхности V  , t  (4.1), зависящей от частоты  и времени t , для
модельного сигнала Z (t ) (6.5), причем на Рис.25 управляющий параметр
AMW m  1, а на Рис.26 – m  2 . Сравнивая Рис.25 и Рис.26, видно, что при
увеличении управляющего параметра m в два раза (Рис.26) удается
спектрально разрешить суперпозицию двух ENS, имеющих частоты f S и fW ,
зашумленных случайным сигналом с амплитудой A =1.2. На Рис.27
изображен разрез поверхности V  ,t0  в зависимости от частоты  в
момент времени t0 =12 s. Тонкой линией обозначен разрез поверхности с
m  1 (плохое спектральное разрешение двух пиков f S и fW ), толстой
линией − m  2 (хорошее спектральное разрешение). Таким образом,
увеличивая в два раза управляющий параметр AMW при вычислении V  , t  ,
мы смогли спектрально разрешить два ENS, сильно зашумленных случайным
сигналом.

135
Рис.24. Зависимость сигнала Z (t ) (6.5) от времени t , s . Параметры
S  (3;2;12;3;0) , W  (1;3;12;1;0) , A =1.2.

Рис.25. График величины V  , t  (4.1) в зависимости от времени t , s и

частоты  , Hz для сигнала Z (t ) (6.5) (Рис.24), построенный с помощью
AMW ( m =1) (3.5).

136
Рис.26. График величины V  , t  (4.1) в зависимости от времени t , s и
частоты  , Hz для сигнала Z (t ) (6.5) (Рис.23), построенный с помощью
AMW ( m =2) (3.5).

Рис.27. Разрез CWT V  ,t0  , выполненный в точке t0 =12 s, в зависимости

от частоты  , Hz для сигнала Z (t ) (4.1). Тонкой линией показан разрез для
m  1, толстой линией  m  2 (3.5)

137
 Подведем итоги и сравним два непрерывных преобразования:
преобразование Габора GW  , t  (2.12) и СWT V  , t  (4.1). В разделе 2
было установлено, что преобразование Габора GW  , t  (2.12) зависит от
продолжительности окна W . При использовании преобразования Габора
правильное отображение временного поведения ENS zL  t  tL  , для
которого выполняется условие f L  L  1 , возможно только при выполнении
1
неравенства  W   L . Следовательно, изучение поведения по времени
f0
суперпозиции ENS с различными значениями  L с помощью GW  , t 
становится сложной задачей. Непрерывное вейвлетное преобразование
V  , t  автоматически определяет размер окна в зависимости от изучаемых
частот  (4.2). Если управляющий параметр материнского вейвлета Морле
m  1 , от это означает, что поведение по времени CWT V  , t  правильно
определяет временное поведение сигнала zL  t  tL  (1.2). Ширину
распределения V  , t  по оси частот  можно уменьшать, увеличивая
величину m .

7. Примеры CWT V  , t  для различных сигналов Z  t 

Пример 1. Сумма двух гармонических сигналов
В этом разделе мы вычислим CWT V  , t  для различных сигналов Z  t  .
Все картины V  , t  будут построены для значения управляющего параметра
m  1 (3.5). Пусть сигнал имеет вид

Z (t )  cos(2f1t )  cos(2f 2t ) . (7.1)

На рис.28 функция | V ( , t ) |2 изображена для различных соотношений между

частотами колебаний сигнала f1 и f 2 .

138
 a

Рис.28. Поверхность | V ( , t ) |2 непрерывного вейвлетного

преобразования для суммы двух гармонических колебаний (7.1) для
параметра m  1 (3.5). По оси X откладывается безразмерная частота
X   / f , где f   f1  f 2  / 2 – средняя частота обоих колебаний. По оси
Y откладывается безразмерное время Y  ft .

139
 
Поведение величины | V ( , t ) |2 как функции переменных X  и Y  ft
f
определяется единственным параметром – отношением разности частот
колебаний f  f 2  f1 к средней частоте f . Поверхности, показанные на
данном рисунке, построены для двух значений этого параметра: a – для
f / f =0.6, b–для f / f =0.35. Видно, что форма каждой из поверхностей
напоминает пару холмов, вытянутых вдоль оси времени Y. Расположение
максимумов на оси X соответствует частотам сигнала (7.1). С уменьшением
параметра f / f холмы начинают перекрываться, причем зависимость их
высоты от времени Y становится все более заметной. При слишком малых
значениях f / f такая картина уже не позволяет определить отдельные
частоты сигнала.

Пример 2. Дельтаобразные сигналы

Рассмотрим теперь сигнал, испытывающий резкие всплески в моменты
времени t1 и t2 (где t2 > t1 ). Модельным описанием такого сигнала Z  t 
служит сумма двух дельта функций
Z (t )    t  t1     t  t2  . (7.2)
Непрерывное вейвлет-преобразование этого сигнала имеет вид
V  , t     (t1  t )     (t2  t )  . (7.3)
Функция | V ( , t ) |2 / 2 , полученная с помощью вейвлета Морле для
сигнала (7.2) при различных соотношениях между значениями времени t1 и
t2 , изображена на рис.29. Поведение этой функции определяется параметром
t / tc , где t  t2  t1 есть расстояние на оси времени между точками резкого
изменения сигнала, а величина tc   t1  t2  / 2 представляет собой среднее
значение времени между указанными точками t1 и t2 .
Форма поверхности определяется параметром t / tc , где t  t2  t1 .
Поверхности, показанные на данном рисунке, построены для двух значений
этого параметра: a – для t / tc =0.2, b – для t / tc =0.1. В области высоких
частот каждая из поверхностей имеет форму двух холмов, вытянутых вдоль
оси частоты X, причем на рис. b, соответствующем меньшему значению
параметра t / tc , оба холма перекрываются друг с другом. Следующий
рисунок показывает, что при больших значениях частоты X можно снова
увидеть два изолированных пика в разрезе по оси времени Y, так как с ростом
частоты временное разрешение вейвлет-преобразования улучшается.

140
 a

Рис.29. Поверхность | V ( , t ) |2 / 2 вейвлет-преобразования для сигнала

(7.2). По оси X откладывается безразмерная частота X  tc , по оси Y –
безразмерное время Y  t / tc , где tc   t1  t2  / 2 .

141
 Рис.30. Продолжение поверхности, изображенной на рис.29,b в
область более высоких частот X: a – для значений X от 10 до 30, b – для
значений X от 20 до 40.
Рассматривая вейвлетное преобразование на достаточно высоких
частотах  , можно всегда добиться различимости локальных во времени
особенностей изучаемого сигнала, тогда как в случае оконного
преобразования Фурье для этой цели пришлось бы уменьшать временной
размер окна W .

Пример 3. Сигнал с частотой, меняющейся скачком

Рассмотрим нестационарное колебание с частотой, изменяющейся от f1 =30
Hz до f 2 =10 Hz в момент времени t = 0.5 сек:

sin  2f1t  ; 0  t  0.5 s 

 
Z t    . (7.4)
  2 
sin 2 f t ; 0.5  t  1 s 


Ниже изображен результат CWT такого сигнала с применением вейвлета

Морле. В этом и следующих примерах интегральное вейвлет-преобразование
было получено численным методом.

142
Рис.31. Поверхность | V ( , t ) |2 вейвлет-преобразования Морле для
гармонического колебания (7.4) с резко меняющейся частотой. По оси X
отложена частота  в Hz, по оси ординат Y – время t в секундах.

Видно, что вейвлет-преобразование позволяет уверенно обнаруживать

момент времени, в который происходит частотная перестройка
нестационарного сигнала. Обратим внимание также на то, что пик,
отвечающий более высокой частоте ( f1 =30 Hz), имеет большую ширину, чем
низкочастотный пик ( f 2 =10 Hz). Этот факт соответствует принципу
неопределенности для частоты и времени: с ростом частоты улучшение
временного разрешения вейвлетного преобразования сопровождается
ухудшением частотного разрешения. Кроме того, на данном рисунке заметны
краевые эффекты – «завалы» пиков на концах временного интервала Y; они
обусловлены тем, что в численном расчете сигнал считался равным нулю вне
рассматриваемого промежутка времени.

Пример 4. Сигнал с линейно меняющейся частотой

Для сигналов вида
Z (t )  sin (t ) , (7.5)

где фаза (t ) в общем случае представляет собой нелинейную функцию

времени, можно определить мгновенную круговую частоту (t ) как
производную фазы по времени:

143
 d(t )
(t )  . (7.6)
dt
Аналогично вводится и мгновенная частота «в герцах» f  t  . Если считать
частоту f  t  положительной величиной, то в ее определение следует
включить символ модуля:
1 d
f (t )  . (7.7).
2 dt

В качестве самого простого примера рассмотрим сигнал (7.5), у

которого фаза (t ) зависит от времени квадратично:
  f  f min t 
t   2  f max  max t . (7.8)
 2T 

Мгновенная частота (7.7) такого сигнала уменьшается со временем по

линейному закону

 f max  f min  t
f (t )  f max  , (7.9)
T

где f max и f min – максимальное и минимальное значения мгновенной частоты

на интервале времени длительностью T . На рис.32–рис.33 приведено
изображение сигнала во временном и в частотном представлении – график
сигнала и Фурье-спектр мощности. Эти рисунки следует рассматривать в
сопоставлении с результатом вейвлетного преобразования, показанным на
рис.34.

144
 Рис.32. График сигнала (7.5) с линейно убывающей частотой f  t 
(7.9), где f max =25 Hz, f min =15 Hz.

Рис.33. Спектр мощности P  f   Z  f  для сигнала Z  t  ,

2

представленного на рис.32. Этот спектр найден с помощью преобразования

Фурье Z  t   Z  f  .

Видно, что частотный спектр рассматриваемого сигнала распределен по

диапазону 13–27 Hz, однако картина спектра частот сама по себе не дает нам
информации о характере изменения мгновенной частоты со временем.

145
 Рис.34. Поверхность CWT | V ( , t ) |2 для сигнала (7.5) с линейно
убывающей частотой. По оси X отложена частота  в Hz, по оси ординат
Y – время t в секундах.
Найденная поверхность имеет вид холма, протянувшегося под некоторым
углом к оси времени Y. Такое положение холма непосредственно указывает
на то, что рассматриваемый сигнал характеризуется мгновенной частотой,
убывающей с течением времени.

Пример 5. Сумма колебаний с линейно возрастающими частотами

Пусть сигнал Z  t  задается в виде суммы двух слагаемых,
Z (t )  cos 1 (t )  cos 2 (t ) , (7.10)
где фазы 1 (t ) и 2 (t ) представляют собой квадратичные функции времени:
 f f t 
1 (t )  2  f1min  1max 1min  t , (7.11)
 2T 
 f  f 2 min  t 
2 (t )  2  f 2 min  2 max t , (7.12)
 2T 
Взяв производные этих фаз по аргументу t , легко видеть, что
соответствующие мгновенные частоты меняются со временем t линейно:
t
f1 t   f1 min   f1 max  f1 min  , (7.13)
T
t
f 2 t   f 2 min  ( f 2 max  f 2 min ) , (7.14)
T
Рассмотрим численный пример с f1min =10 Hz, f1max =90 Hz, f 2 min =50 Hz,
f 2 max =130 Hz. При этих значениях параметров мгновенные частоты f1  t  и

146
f 2  t  линейно возрастают во времени с одинаковой скоростью, так что их
разность f 2  t   f1  t  остается постоянной и равняется 40 Hz. Результат
вейвлет-преобразования Морле для сигнала (7.10) с указанной здесь
временной зависимостью фаз приведен на рис.35.
a

Рис.35. CWT для сигнала (7.10)–(7.14) с двумя линейно возрастающими

частотами; a – поверхность V  , t 
2
квадрата модуля вейвлетного
преобразования, b – контурная карта этой поверхности, изображенная в
оттенках серого цвета.
Здесь видны два параллельных холма, расположенных под одним и тем
же углом относительно оси времени. В низкочастотной области холмы не

147
перекрываются. Но с течением времени обе мгновенные частоты
увеличиваются, и ширина каждого из холмов растет. В результате, на конце
временного интервала T=1 s оба холма почти полностью объединяются в
один холм.
Даже при наличии уширения и перекрытия «холмов», представляющих
на скейлограмме V  , t 
2
временную зависимость мгновенных частот
сигнала, можно определить эти частоты с удовлетворительной точностью,
если следить лишь за положением максимумов (хребтов) поверхности
V  , t  . Изображение таких хребтов называется скелетоном. В качестве
2

примера на рис.36 приведен скелетон поверхности, показанной на рис.35.

Рис.36. Скелетон поверхности V  , t 

2
(см. рис.35) для сигнала (7.10)
с двумя линейно возрастающими частотами. Ось Y – время t в секундах, ось
X – вейвлетная частота  в Гц. Вертикальные отрезки на изображении
скелетона возникают вследствие интерференции (биений) обеих частотных
составляющих сигнала в той области, где частотное разрешение вейвлет-
преобразования ухудшается.

Пример 6. Сигнал с нелинейной зависимостью частоты от времени

Рассмотрим сигнал Z(t)=sin(t) , где фаза (t) имеет вид
t2  t
(t )  8 f 0 1   . (7.15)
T  T
В этом случае мгновенная частота f  t  , определяемая соотношением (7.7),
зависит от времени t следующим образом:

148
 t  3t 
f (t )  4 f 0  2  (7.16)
T T 

Рис.37. График зависимости мгновенной частоты f  t  от времени,

соответствующий формуле (7.16) при значениях параметров: f 0 =10 Hz,
Т=1 s.

На следующих рисунках приведены изображения сигнала Z  t  во

временном и частотном представлениях и результаты численного CWT.

Рис.38. График нестационарного сигнала Z(t)=sin(t) с фазой (7.15)

при T=1 s, f 0 =10 Hz.

149
 Рис.39. Фурье-спектр мощности P f  для сигнала Z t  ,
представленного на рис.38.
a

Рис.40. CWT для сигнала, представленного на рис.38; a – поверхность

V  , t 
2
квадрата модуля вейвлетного преобразования ( X  , Hz ;
Y  t , s ), b – скелетон (хребет) указанной поверхности.

150
Эти изображения удовлетворительно соответствуют расчетной зависимости
частоты сигнала от времени (см. рис.37).

Пример 7. Квадратичная зависимость частоты от времени

Рассмотрим аналогичный пример, отличающийся только тем, что
производная фазы сигнала не меняет своего знака. Пусть сигнал Z (t)
описывается выражением
   t2 t 1  

z (t )  cos 2 f min  4  f max  f min   2 
   t  . (7.17)
   3T 2T 4  
    
В этом случае мгновенная частота f(t) сигнала имеет параболическую
зависимость от времени:
4  f max  f min t  T / 22
f (t )  f min  . (7.18)
T2
Частота (7.18) имеет наименьшее значение, равное f min , в середине
временного интервала Т, а на концах интервала достигает наибольшего
значения f max .
На рис.41 приведены результаты численного расчета скейлограммы
CWT для сигнала (7.17) при значениях параметров Т=1 s, f min =70 Hz,
f max =150 Hz. Легко заметить, что максимум скейлограммы хорошо
воспроизводит параболическую зависимость мгновенной частоты от времени
(7.18).
a

151
 b

Рис.41, a – поверхность V  , t 
2
квадрата модуля CWT для сигнала
(7.17) с квадратичной зависимостью частоты от времени, b – контурная
карта этой поверхности, c – скелетон. Ось X  , Hz ; Y  t , s .

Пример 8. Сигнал с сингулярным поведением мгновенных частот

Пусть сигнал z(t) представляет собой сумму двух колебаний, фазы
которых обладают сингулярной зависимостью от времени:
z(t )  sin 1(t )  sin 2 (t ) , (7.19)
где

152
 2f1T12
1 (t )  , (7.20)
T1  t
2f1T22
2 (t )   2f 2t . (7.21)
T2  t
Мы будем считать, что параметры в этих выражениях принимают следующие
значения: f1 =20 Hz, f 2 =80 Hz, Т1=Т/2, Т2=6,51Т/10, Т=1 s. Результаты
численного расчета скейлограммы СWT для сигнала (7.19)–(7.21) приведены
на рис.42.
a

153
 c

Рис.42, a – поверхность V  , t 
2
квадрата модуля CWT для сигнала
(7.19)–(7.21), b – контурная карта этой поверхности, c – скелетон. Ось Y –
время t в секундах, ось X – вейвлетная частота  в Гц. Видно, что
вейвлетное преобразование позволяет проследить за поведением компонент
нестационарного сигнала даже при наличии быстрых изменений их
мгновенных частот в широком диапазоне значений .

Приведенные в данном разделе модельные примеры CWT V  , t 

создают основу для рассмотрения более серьезных задач. Мы убедились, что
визуальное представление результатов вейвлет-анализа функции удобно
осуществлять теми же методами, что и в случае оконного преобразования
Фурье. Как правило, полезно представлять себе рельеф поверхности
V  , t  , которая соответствует функции V  , t  , определенной по
2

формулам (4.1). Элементы рельефа, имеющие вид «холмов», вытянутых

вдоль оси частот X=  , указывают на присутствие локальных во времени
всплесков анализируемого сигнала. Холмы, ориентированные вдоль оси
времени Y=t, обусловлены теми компонентами сигнала, которые выделяются
своей амплитудой и слабо изменяющейся частотой.

154
 Список литературы
[1] S Mallat, A Wavelet Tour of Signal Processing, 3rd ed. , Academic, New York, 2008,
pp.1-558.
[2] C.K.Chui, An introduction to wavelet, Texas University, 1992. p. 404.
[3] I.Daubechies, Ten Lectures on Wavelet, Society for Industrial and Applied
Mathematics, Philadelphia, 1992.
[4] L.Mandel and E. Wolf, Optical Coherence and Quantum Optics, Cambridge Univ.
Press, 1995, pp.1-1159.
[5] R. K. R. Yarlagadda, Analog and Digital Signals and Systems, Springer, 2010, pp.1-
487.
[6] P.S.Addison, The Illustrated Wavelet Transform Handbook. Introductory Theory and
Applications in Science, Engineering, Medicine and Finance, Second Edition, CRC
Press, 2017, p. 378.
[7] A.K.Alexandridis, A.D.Zapranis, Wavelet Neural Networks with Applications in
Financial Engineering, Chaos, Classifications, Wiley, 2014, p. 245.
[8] D. Baleanu, Advances in Wavelet Theory and Their Applications in Engineering,
Physics and Technology. Intech Open, 2012, p. 634.
[9] G.Bachman, L.Naricim E.Beckestein, Fourier and Wavelet analysis, Springer, 2000,
p.497.
[10] S. V. Bozhokin and S. N. Lykov, Advanced Course in Theoretical Physics.
Wavelets. Textbook. Politekh. Univ., St. Petersburg, 2007, pp. 1-252.
[11] A.Cohen, Numerical analysis of wavelet methods, North-Holland, Elsevier, 2003,
p.335.
[12] C.K. Chui, Q.Jiang Q., Applied Mathematics. Data Compression, Spectral Methods,
Fourier Analysis, Wavelets, and Applications, Vol. 2, Atlantis Press, 2013, pp.1-567.
[13] S.R. Devasahayam, Signal and Systems in Biomedical Engineering: Physiological
Systems Modelling and Signal Processing, Springer, 2019, p.465.
[14] I.M.Dremin, O.V.Ivanov, V.A.Nechitailo, Wavelet and their uses, Physics-Uspekhi,
V.44, P.447-478, 2001.
[15] M.W.Frazier, An Introduction to Wavelets through linear Algebra, Springer, 1999,
p. 491.
[16] Fr.In, S.Kim, An Introduction to Wavelet Theory. A wavelet Multiscale Approach,
World Scientific, 2013, p.203.
[17] M.Jansen, Noise Reduction by Wavelet Thresholding, Springer, 2001, p.193.
[18] A.J.Jerri, The Gibbs Phenomenon in Fourier Analysis, Splines and Wavelet
Approximation, Springer, 2013, p.333.
[19] A. E. Hramov, A. A. Koronovskii, V. A. Makarov, A. N. Pavlov, and E. Sitnikova,
Wavelets in Neuroscience, Springer, 2015, pp.1-272.

[20] J.Kovacevic, V.K.Goyal, M.Vetterli, Laboratory of Optoelectronics Molecular

Materials, EPFL, Lauzanne, Switzerland, 2013, p.265.

155
[21] A.A.Koronovskii, A.E.Hramov, Continuous wavelet analysis and its applications,
Moscow:, Fizmatlit, 2003, p.172.
[22] S.V. Narasimhan, N. Basumallick, and S. Veena, Introduction to Wavelet
Transform: A Signal Processing Approach, 1st. ed., Alpha Science International, Ltd.
2011. pp. 1-624.
[23] G.R.Nason, Wavelet Methods in Statistics with R, Springer, 2008, p.257.
[24] I.Ya.Novikov, V.Yu.Protasov, M.A.Scopina, Wavelet Theory, American
Mathematical Society, Mathematical Monoraphs, V.239. 2010, P.505,
[25] D.S. Persival, A.T. Walden, Wavelet Methods for Time Series Analysis,
Cambridge, 2000, p.569.
[26] D.K.Ruch, P.J.Van Fleet, Wavelet Theory. An Elementary Approach with
Applications, Wiley, 2009, p.479.
[27] N.K. Smolentsev , Fundamentals of the theory of wavelets. Wavelets in MATLAB,
Moscow: DMK Press, 2014, pp.1-448.
[28] D.F.Walnut, An Introduction to wavelet analysis, Springer Science, 2013, P.445.
[29] A.Yajnik, Wavelet analysis and its applications: in introduction, Oxford, Alpha
Science International, 2013, p.150.
[30] S. Albeverio, F. Gesztesy, R. Hoegh-Krohn and H. Holden, Solvable Models in
Quantum Mechanics Springer, Berlin–New York, 1988, p.441.
[31] R. J. Baxter, Exactly Solved Models in Statistical Mechanics, Academic, New York,
1982, p. 442.
[32] S.V.Bozhokin , Continuous Wavelet Transform and Exactly solvable Model of
Nonstationary Signals, Technical Physics, V.57, N7, 2012, pp.900-906, DOI:
10.1134/S1063784212070067
[33] S.V.Bozhokin, S.V.Zharko, N.V.Larionov, A.N.Litvinov, I.M.Sokolov, Wavelet
Correlation of Nonstationary Signals, Technical Physics, Vol. 62, N6, 2017, pp. 837-
845. DOI: 10.1134/S1063784217060068
[34] S.Dass, M.S. Holi, K.S. Rajan, A Comparative Study on FFT, STFT and WT for the
Analysis of Auditory Evoked Potentials, International Journal of Engineering Research
and Technology (IJERT), vol.2, N 11, 2013, pp. 636-641.
[35] S.H.Cho, G.Jang, S.H. Kwon, Time-Frequency Analysis of Power-Quality
Disturbances via the Gabor-Wigner Transform, IEEE Transaction on Power Delivery,
vol. 25, N 1, 2010, pp. 494-499.
[36] E. Shokrollahi, G.Zargar, M.A.Riahi, Using continuous wavelet transform and short
time fourier transform as spectral decomposition methods to detect of stratigraphic
channel in one of the Iranian south-west oil fields, Int. J. Sci. Emerging Tech., vol. 5, N
5, 2013, pp. 291-299.
[37] R.R.Yadav, D.J.Sanghvi, QRS complex detection using wavelet transform,
International Journal of Engineering Science and Innovative Technology (IJESIT), vol.2,
N3, 2013, pp.290-293.
[38] E.D.Ubeyli, I.Guler, Spectral broadening of ophthalmic arterial Doppler signal using
STFT and wavelet transform, Computers in Biology and Medicine, vol.34, 2004, pp. 345-
354.

156
[39] L.Cnockaert, P.F.Migeotte, L.Daubigny, G.K.Prisk, F.Grenez, R.C.Sa, A method for
the analysis of respiratory sinus arrhythmia using continuous wavelet transforms, IEEE
Transactions on biomedical engineering, vol. 55, N 5, 2008, pp. 1640-1642.
[40] T.M.E.Nijsen, R.M.Aarts, P.J.M.Cluitmans, P.A.M.Griep, Time-frequency analysis
of accelerometry data for detection of myoclonic seizures”, IEEE Transactions on
information technology in medicine, vol.14, no 5, 2010, pp. 1197-1203.
[41] D. Gabor, Theory of Communication, Proc. of the Inst of Elect Eng., vol. 93, N.26,
1946, pp 429-457.
[42] D.A.Andreev, S.V.Bozhokin, I.D.Venevtsev, K.T.Zhunusov, Gabor transform and
continuous wavelet transform for model pulsed signals, Technical Physics, vol. 59, N10,
2014, pp.1428-1433. Digital Object Identifier (DOI) 10.1134/S1063784214100065.
[43] S.V.Bozhokin, I.M.Sokolov, Comparison of the Wavelet and Gabor Transforms in
the Spectral Analysis of Nonstationary Signals, Technical Physics, Vol. 63, No. 12,
2018. pp. 1711–1717. DOI: 10.1134/S1063784218120241
[44] A.Grossman, J.F.Morlet, Decomposition of functions into wavelets of constant
shape, and related transforms. In: Streit L. (ed), Mathematics and physics, lectures on
recent results. World Scientific Publishing, Singapore. 1985.
[45] A.Grossmann, R.Kronland-Martinet, J.Morlet, Reading and Understanding
Continuous Wavelet Transforms, in J. Combes, A. Grossmann and P. Tcharnitchian
(eds.): Wavelets: Time-Frequency Methods and Phase Space, Springer, New York
U.S.A., 1989, pp. 2–20.
[46] A.Grossmann, J.F.Morlet, Decomposition of Hardy Functions into Square
Integrable Wavelets Constant Shape, J. Math. Anal., vol. 15, 1984, pp. 723–736.
[47] S.V.Bozhokin, N.B.Suvorov, Wavelet analysis of transients of an
electroencephalogram at photostimulation, Biomed. Radioelectron, N3, 2008, pp. 21-25.
[48] S.V. Bozhokin, Wavelet analysis of learning and forgetting of photostimulation
rhythms for a nonstationary electroencephalogram. Technical Phys, vol. 55, N9, 2010,
pp. 1248-1256.
[49] S.V. Bozhokin, I.B.Suslova .Analysis of non-stationary HRV as a frequency
modulated signal by double continuous wavelet transformation method. Biomedical
Signal Processing and Control, vol.10, 2014, pp.34-40.
[50] S.V.Bozhokin, I.B.Suslova, Wavelet-based analysis of spectral rearrangements of
EEG patterns and of non-stationary correlations, Physica A: Statistical Mechanics and its
Applications, vol. 421, N1, 2015, pp.151–160.
[51] S.V.Bozhokin, E.A.Choban, Evaluation of the coefficients in the asymptotic
expansion of Laplace-type integrals, Technical Physics, Vol. 29, N10, 1984, pp. 1097-
1099.

157
 Божокин Сергей Валентинович
bsvjob@mail.ru

Введение в теорию непрерывного вейвлетного преобразования

Подписано в печать 01.09.2020

Формат 60×84 1/16
Тираж 50 экз.

Отпечатано с готового оригинал-макета,

предоставленного автором, в типографии «Страта»
195112, Санкт-Петербург, Заневский пр., 65 корпус 5

158