问题标签 [dwt]

在将数据馈送到 RNN (LSTM) 之前，我正在尝试将 Haar 小波变换应用于股票市场数据以降低噪声。由于此数据是一维数据，因此我使用的是单级 DWT，如下所示：

我有以下问题：

1. 使用单级 DWT，我的时间序列在 cA 和 cD 中已经减少了一半。我知道 cA 和 cD 的每个元素都与原始时间序列中的 2 个元素相关。这一切都很好，但是如何将输出数组映射到原始系列？
2. 我们什么时候需要做多级分解？此外，随着级别的增加，输出数组变得更小，因此，我无法将这个“去噪”数据与原始时间序列进行映射。
3. 在 cA 和 cD 之间，应该使用哪一个作为该变换的输出以馈入 RNN？

我已经阅读了很多关于小波变换价值的高级论文，但几乎没有一篇通过实际代码。因此，任何示例代码都将不胜感激。

此致，

阿德尔

我已经完成了一维 DWT 分解并计算了每个系数能量和总能量。我应该使用滑动窗口并考虑 256 的二元长度来执行 DWT。窗口应该是每 250 毫秒数据点我收到一些错误消息：下标索引必须是真正的正整数或逻辑。

小波误差（第 41 行）x2(1i)=Ya(k)

为了您的方便，我在这里分享我的代码。关于它是否正确运行的任何建议？

我在 matlab 上使用 DWT2 处理时间序列数据的二维矩阵。当我对矩阵执行 dwt2 时，它返回以下四个值：
[ca,ch, cv, cd] = dwt2(mat,'db4','mode', 'per')

我读到了这四个值 CA，链接中的 CH、CV 和 CD 表示：离散小波变换 Matlab

但我没有明白，为什么 dwt2 将给定的矩阵或数据按 2 采样？它在什么基础上对给定数据进行下采样？

例如。在我的矩阵中，行 = 时间戳，列 = 属性/特征。在 dwt2 之后，它给了我 [(size row/2) by (column/2)] 的矩阵。特征从 8 个减少到 4 个，原始矩阵中的时间戳数量也减少了 2 个。这是否意味着 dwt2 会自动从原始矩阵中确定重要的属性或特征？也有人能简要解释一下 CA、CH、CV、CD 吗？

I am working on creating an image splicing detection software so I need to divide the image into non-overlapping blocsk and apply Discrete Meyer Wavelet Transform on each block of the image

I have tried the blockproc function to do that but I got no result:

So how can I access the [cA,cH,cV,cD] of dwt2 using the above code?

我正在尝试计算图像的能量。我想使用python。我从网站上得到了一个解决方案，但是发布问题的人告诉他程序的输出与 Matlab 相比是错误的，这有点令人困惑。

我引用了这个链接 ，我已经尝试了这两个代码，但给出了相同的答案。

此代码给出输出 0.5311041623967175，下一个代码是

这段代码也给出了相同的输出0.5311041623967174。

所以我很困惑是对还是错。

代码输出截图

试图计算能量的图像

好的，我的工作分为三个部分：

1. 我在图像上应用了小波变换

2. 我更改（增强）了 LL 区域

3. 我应用了逆小波变换

我希望得到一个增强的图像，但在第 3 部分中，当我应用它时，图像的范围达到了 eg[-30,255]

方式1：我将其标准化为：

我将它应用于每个通道，然后它进入 [0,255] 范围，但在那之后，图像被灰色层覆盖。

方式2：如果我只是将它们设置为零，那么边框会变粗。

任何人都可以帮助我我该怎么办？

如上所述，Fs 是采样频率，L 是信号长度，t 是时间范围。

由于在Matlab中使用mdwtdec将多原始信号分解成特定的频带，我只是注意到第一级分解信号的长度被分成两半，并在第二级保持分割成第一级信号的一半。

原始信号的时间范围计算：t = 0 --> (L/Fs)

我的问题是在每个分解级别中，采样频率 Fs 仍然相同吗？以及在每个分解级别，我如何计算每个细节和近似系数的时间范围。

此外，为了验证离散小波变换的频带，我在这篇文章之后的每个级别都应用了 FFT：https ://jp.mathworks.com/help/matlab/ref/fft.html?lang=en

根据这篇文章，我的第一个问题需要回答。

非常感谢你。

我有癫痫患者的脑电图数据。我已经应用了两种不同的方法来生成特征，即离散小波变换 (DWT) 和双树复小波变换 (DTCWT)。我用 DTCWT 找到了更好的结果。为了支持我的方法，我想证明 DWT 是移位变体，但 DTCWT 不会受到移位的太大影响。我进行了很多搜索，但找不到在 python 中比较 dwt 和 dtcwt 的移位方差的正确方法。有人能帮我吗？

我有一个 512x512 的 RGB 图像和一个嵌入 DWT、SVD 的 64x64 水印图像。

水印图像为 512x512 和双倍。提取的图像很好（误码率=0）。

但是当我使用imnoisewith时d=0，提取的图像不好，BER=58%！

是什么原因造成的，我该如何防止这个错误？

您好，R Studio 新手，在使用 DWT 将数据分解为 4 (db4) 的 daubechies 系列和 n.levels = 4 到 72 个变量和 1 个观察值的数据集（深度（m））时遇到挑战

遇到错误

矩阵中的错误（rep（y，（f - 1）* n），nrow = f - 1）：
找不到对象'f'