lectures/Komp_obr/06-analysis.tex

\documentclass[10pt,pdf,hyperref={unicode}]{beamer}
\hypersetup{pdfpagemode=FullScreen}
\usepackage{ed}
\usepackage{lect}

\title[Компьютерная обработка. Лекция 6.]{Компьютерная обработка результатов измерений}
\subtitle{Лекция 6. Анализ временных рядов. Фурье-- и Вейвлет--анализ}
\date{29 марта 2021 года}

\begin{document}
% Титул
\begin{frame}
\maketitle
\end{frame}
% Содержание
\begin{frame}
\tableofcontents
\end{frame}

\section{Аппроксимация и интерполяция}
\begin{frame}{Аппроксимация и интерполяция}
\only<1>{
\begin{defin}
\ж Аппроксимация\н. Некоторую функцию $f(x)$, $x\in(x_0, x_1)$ требуется приближенно заменить
некоторой функцией~$g(x)$ так, чтобы отклонение~$g(x)$ от~$f(x)$ в заданной области было наименьшим.
\end{defin}
\begin{block}{}
Точечная (интерполяция, среднеквадратичное приближение и т.п.) и непрерывная аппроксимации.
\end{block}
\begin{defin}
\ж Интерполяция\н является частным случаем аппроксимации, позволяющем вычислить промежуточные
значения дискретной функции.
\end{defin}}
\begin{block}{Ряд Тейлора}
$$f(x)=f(x_0)+(x-x_0)f'(x_0)+\cdots+\frac{(x-x_0)^nf^{(n)}(x_0)}{n!}+R_n.$$
\end{block}
\only<2>{
\begin{block}{}
Выбирая первые $N$ членов ряда Тейлора получаем разные виды интерполяции. Линейная:
$$f_n(x)\approx y_n+(x-x_n)\frac{y_{n+1}-y_n}{x_{n+1}-x_n}.$$
Ньютона (для равноотстоящих $x$, $h=x_{n+1}-x_n$):
$$f^k_n(x)\approx y_n + q\Delta y_n + \frac{1(1-q)}{2!}\Delta^2y_n + \cdots
+\frac{q(q-1)\cdots(q-k+1)}{k!}\Delta^ky_n,$$
где  $q=\dfrac{x-x_n}{h}$, $\Delta^i$~-- конечные разности ($\Delta y_n = y_{n+1}-y_n$, \dots,
$\Delta^k y_n = \Delta^{k-1}y_{n+1} - \Delta^{k-1}y_n$).
\end{block}
}
\end{frame}

\begin{frame}{}
\begin{defin}
\ж Сплайн\н~--- кусочная полиномиальная функция, которая на заданном отрезке может принимать очень
простую форму, в то же время имея гибкость и гладкость.
\end{defin}

\begin{block}{Степенной сплайн}
Набор полиномов степени $k$ со следующими ограничениями:
\begin{itemize}
\item сплайны должны совпадать в узловых точках с задающей функцией: $p_n(x_n) = f(x_n)$;
\item предыдущий сплайн должен переходить в следующий в точках сшивания,
$p_n(x_n)=p_{n+1}(x_n)$;
\item все производные до $f^{(k-1)}$ должны быть непрерывными и гладкими:
$p^i_n(x_n)=p^i_{n+1}(x_n)$ для $i=\overline{1,k-1}$;
\end{itemize}
$n-1$ полином степени $k$ имеют $(k+1)(n-1)=(k+1)n-k-1$ свободных коэффициентов. Данные ограничения
дают нам
$n+(n-2)\cdot k=(k+1)n-2k$ уравнений. Чтобы получить еще $k-1$ уравнений, нужны дополнительные
условия. Чем больше $k$, тем тяжелей. Поэтому обычно дальше $k=3$ не идут.
\end{block}
\end{frame}

\begin{frame}{}
\only<1>{
\begin{block}{B--сплайн}
Базисные сплайны менее подвержены влиянию изменения отдельных точек данных (изменение одной вершины
B--сплайна степени $k$ ведет к изменению лишь $k+1$ соседних сплайнов). При этом, однако, теряются
точные интерполяционные свойства: $p_n(x_n)\ne f(x_n)$ \so снижается влияние шумов (B--сплайн
проходит только через первый и последний узлы, повышаем степень~--- улучшаем сглаживание данных).
Количество узлов: $n\ge k+1$.
\end{block}
\begin{block}{Сплайны Акимы}
Также кубические. Устойчивы к осцилляциям. Локальность (окрестность из 5--6 точек) "--- существенно
более быстрое разложение.
\end{block}
\begin{block}{Кривые Безье}
Параметрические полиномиальны кривые, проходящие через опорны точки только в начале и конце области
определения.
\end{block}
}
\only<2>{
\img[0.7]{1D_Inter_polation}
}
\only<3>{
\img{bezier}
\centering{Интерполяция кривой Безье}
}
\end{frame}

\section{Модель ARMA}
\begin{frame}{Модель ARMA (авторегрессия и скользящее среднее)}
\only<1>{
\begin{block}{Авторегрессия}
Процесс авторегрессии выражается уравнением
$$x_k=\C + \sum_{i=1}^{n}\phi_i x_{k-i} + \epsilon_k,\qquad\text{где $\C$~-- константа,
$\epsilon$~--
шум.}$$
Процесс будет стационарным, лишь если $\phi_i$ заключены в определенном диапазоне, что не приведет
к негораниченному росту~$x_k$.
\end{block}
\begin{block}{Скользящее среднее}
$$x_k=\C + \epsilon_k - \sum_{i=1}^{n}\theta_i\epsilon_{k-i},\qquad\text{объект~-- сумма ошибок.}$$
\end{block}}
\only<2>{
\begin{block}{ARMA}
$$x_k=\C + \epsilon_k + \sum_{i=1}^{p}\phi_i x_{k-i} + \sum_{i=1}^{q}\theta_i\epsilon_{k-i}\qquad
\text{--- процесс ARMA(p,q).}$$
Для определения порядков $p$ и $q$ может применяться, например, автокорреляция и частичная
автокорреляция, ЧАКФ. Для нахождения коэффициентов~--- метод наименьших квадратов и т.п.

В ЧАКФ из переменных вычисляется их регрессия (удаляются линейные зависимости):
$$PACF(k)=corr(x_{t+k}-x_{t+k}^{k-1}, x_t-x_{t}^{k-1}),$$
$$x_{t}^{k-1}=\sum_{i=1}^{k-1}\beta_i x_{t+k-i}\qquad\text{--- СЛАУ.}$$
\end{block}
}
\end{frame}

\section{Преобразования Лапласа, Z--преобразования}
\begin{frame}{Преобразование Лапласа}
\only<1>{
\begin{block}{}
В линейной теории управления аналогами преобразований Фурье выступают
преобразования Лапласа и Z--преобразования.

Для комплексного переменного $s$ преобразование Лапласа определяется так:
$$
F(s)=\LT{f(t)}(s)=\Int_0^{\infty}f(t)\e^{-st}dt.
\label{Laplas_transform}
$$
Использование преобразований Лапласа имеет тот смысл, что управляющая
функция $f(t)$ чаще всего является чисто действительной, а ее
состояние в момент времени $t<0$ не определено или же не
интересует исследователя.

$$f(t)=\ILT{F(s)}= \frac{1}{2\pi i}\lim_{\omega\to\infty}\Int_{\gamma-\omega}^{\gamma+\omega}
\e^{st}F(s)\,ds,$$
где $\gamma$ определяет область сходимости $F(s)$.
\end{block}}
\only<2>{
\begin{block}{Связь с преобразованием Фурье}
$$
\FT{F}\equiv F(u)=\Infint f(x)\e^{-2\pi i ux}\,dx
$$
$$\LT{f(t)}(2\pi u)=\Int_0^{\infty}f(t)\e^{-2\pi iut}dt=\FT{f(t)},\qquad f(t)=0\when{t<0}.$$
Лаплас \arr Фурье: $s \arr2\pi iu $ \Arr расширение свойств ПФ на ПЛ.

Сведение линейных диф. уравнений к алгебраическим \Arr теория управления:
$$\LT{\dfrac{df(t)}{dt}}(s)=s^{1}\LT{f(t)}(s)-f(0)\quad\Arr$$
$$\quad\LT{f^{(n)}(t)}(s)=s^{n}\LT{f(t)}-\sum_{k=1}^n s^{n-k}f^{(k-1)}(0).$$
\end{block}
}
\only<3>{
\begin{block}{Передаточная функция}
$i(t)$~--- входной сигнал управляющей системы, $o(t)$~---
выходной сигнал; $I(s)=\LT{i}$, $O(s)=\LT{o}$.
{\ж Передаточная функция} с нулевыми начальными условиями:
$$
T(s)=\frac{O(s)}{I(s)}.
$$
$T(s)$ описывает динамику системы, совершенно отвлекаясь от ее внутреннего функционирования.

$$o(t)=\ILT{T\cdot I}.$$
\end{block}

}
\end{frame}

\begin{frame}{Преобразование Лапласа, примеры}
\only<1>{
\begin{block}{Функция Хевисайда}
\begin{columns}
\column{0.3\textwidth}
$$\eta(t)=\left\{\begin{aligned}
0,\quad t<0,\\
1,\quad t\ge0.
\end{aligned}\right.$$
\column{0.7\textwidth}
$$\displaystyle F(p)=\Int_0^\infty \eta(t)\,\e^{-st}dt=\Int_0^\infty\e^{-st}dt=\frac{1}{s},\quad\Re(
s) > 0.$$
\end{columns}
\end{block}
\begin{block}{Экспонента}
$$\Int_0^\infty\e^t\e^{-st}dt=\Int_0^\infty\e^{-t(s-1)}dt=\left.\frac{\e^{-(s-1)t}}{-(s-1)}\right|_0^\infty=
\frac{1}{s-1},\quad \Re(s)>1;$$
$$\Int_0^\infty\e^{\lambda t}\e^{-st}dt=\frac{1}{s-\lambda},\quad \Re(s)>\lambda.$$
\end{block}
}
\only<2>{
\begin{block}{$\sin$, $\cos$}
$$\Int_0^\infty \sin\alpha t\e^{-st}dt=\Int_0^\infty\frac{\e^{i\alpha t}-\e^{-i\alpha
t}}{2i}\e^{-st}dt=\frac{\alpha}{s^2+\alpha^2},$$
$$\Int_0^\infty \cos\alpha t\e^{-st}dt=\Int_0^\infty\frac{\e^{i\alpha t}+\e^{-i\alpha
t}}{2i}\e^{-st}dt=\frac{s}{s^2+\alpha^2}.$$
\end{block}
\begin{block}{$\sh$, $\ch$}
$$\Int_0^\infty \sh\alpha t\e^{-st}dt=\frac{\alpha}{s^2-\alpha^2},$$
$$\Int_0^\infty \ch\alpha t\e^{-st}dt=\frac{s}{s^2-\alpha^2}.$$
\end{block}
}
\only<3>{\begin{block}{Диф. уравнения}
Решить задачу Коши $x'''+x'=1$, $x(0)=x'(0)=x''(0)=0$. Вычислим преобразование Лапласа (учитывая,
что все н.у. нулевые):
$$s^3F(s)+sF(s)=\frac{1}{s}\Arr F(s)=\frac{1}{s^2(s^2+1)}=\frac{1}{s^2}-\frac{1}{s^2+1},$$
Обратное преобразование:
$$x(t)=t-\sin t.$$
\end{block}
}
\only<4>{
\begin{block}{Конденсатор}
Ток $i=C\frac{du}{dt}$, Лаплас: $I(s)=C(sU(s)-u(0))$. Отсюда $U(s)=\frac{I(s)}{sC}+\frac{u(0)}{s}$.
Комплексное сопротивление $Z(s)=\left.\frac{U(s)}{I(s)}\right|_{u(0)=0}$. Импеданс
конденсатора: $Z=\frac{1}{sC}$.
\end{block}
\begin{block}{Индуктивность}
$u=L\frac{di}{dt}$, $U(s)=L(sI(s)-i(0))$, $Z(s)=\left.\frac{U(s)}{I(s)}\right|_{i(0)=0}$,
$Z=sL$.
\end{block}
}
\only<5>{
\begin{block}{Общая передаточная функция}
Рассмотрим диф. уравнение
$$\sum_{i=0}^n a_i y^{(i)}(t)=\sum_{j=0}^m b_j x^{(j)}(t).$$
При нулевых начальных условиях его преобразование Лапласа:
$$Y(s)\sum a_i s^i = X(s)\sum b_j s^j,\quad\Arr\quad
Y(s)=\frac{b_0 + b_1 s + \ldots + b_m s^m}{a_0 + a_1 s + \ldots + a_n s^n}X(s).$$
\ж Передаточная функция\н:
$$W(s)=\frac{Y(s)}{X(s)}=\frac{b_0 + b_1 s + \ldots + b_m s^m}{a_0 + a_1 s + \ldots + a_n s^n}.$$
Корни $b_i$~-- \ж нули\н передаточной функции, корни $a_i$~-- ее\ж полюса\н.
\end{block}
}
\only<6>{
\begin{block}{Переходная характеристика}
ПХ~--- реакция системы на ступенчатую функцию (Хевисайда): $$Y(s)=\dfrac{1}{s}W(s).$$
Основные виды: апериодическая (монотонная)~-- плавное возрастание или затухание с постоянным знаком
производной; периодическая колебательная~-- бесконечное количество раз смены знака производной с
постоянным периодом; колебательная апериодическая~-- период смены знака производной непостоянен,
его количество конечно.

Для последовательных звеньев $W(s)=\prod_{i=1}^n W_i(s)$. У параллельных суммирующих звеньев
$W(s)=\sum_{i=1}^n W_i(s)$.

Обратная связь: $Y=W_1X_1$, $X_1=X\pm X_2=X\pm W_2 W_1 X_1$, $X_1=X\pm X_1 W_1 W_2$
$$X_1 = \frac{X}{1\mp W_1 W_2},\quad Y=\frac{W_1 X}{1\mp W_1 W_2},\quad
W=\frac{W_1}{1\mp W_1 W_2}.$$
\end{block}
}

\end{frame}

\begin{frame}{Z--преобразования (преобразования Лорана)}
\begin{block}{}
Являются дискретными аналогами преобразований Лапласа.

Z--преобразование дискретного сигнала $\mathrm{i}={i_k}$, где
$k=0,\ldots,\infty$,
имеет следующий вид:
$$
I(z)\equiv\ZT{\mathrm{i}}=\sum_{k=0}^\infty i_k(t)z^{-k},
$$
$$
i_n = \IZT{I}=
\frac1{2\pi}\Oint_C I(z)z^{n}dz,
$$
где $C$~-- контур, охватывающий область сходимости $Z$.
\end{block}
\begin{block}{}
Отклик на сдвиг:
$$\ZT{\strut\mathrm{i}(t+n\Delta t)}=z^n\ZT{\strut\mathrm{i}(t)}.$$
Связь с преобразованием Лапласа ($t\ll\Delta T$):
$$\LT{\strut\mathrm{i}(t)}(s)=\ZT{\strut\mathrm{i}(t)}\e^{-st}.$$
\end{block}
\end{frame}

\section{Фурье--анализ}
\begin{frame}{Фурье--анализ}
\only<1>{
\begin{block}{Ряд Фурье}
$$f(x)=\sum_{n=0}^\infty a'_n\cos(nx)+\sum_{n=1}^\infty b'_n\sin(nx).$$
Коэффициенты $a_n$ и~$b_n$ рассчитываются по формулам
$$a_n=\rev\pi\Int_{-\pi}^\pi f(x)\cos(nx)\,dx,\qquad
b_n=\rev\pi\Int_{-\pi}^\pi f(x)\sin(nx)\,dx.$$

$$\text{Если}\quad S_k(x) = \sum_{n=0}^k a'_n\cos(nx)+\sum_{n=1}^k b'_n\sin(nx),\quad\text{то}$$
$$\lim_{n\to\infty}\Int_{-\pi}^\pi\Bigl(f(x)-S_k(x)\Bigr)dx = 0.$$
\end{block}
}
\only<2>{
\img{aliasing_fourier}
\centering{Ложная синусоида (<<aliasing>>, муар).}
}
\only<3>{
\begin{block}{Свойства}
\begin{itemize}
\item свертка: $\FT{f\cdot g}=\sqrt{2\pi}\FT{f}\cdot\FT{g}$,
\item дифференцирование: $\FT{f^{n}} = (2\pi i\nu)^n\FT{f}$,
\item сдвиг: $\FT{f(x-x_0)\strut}=\e^{-2\pi i\nu x_0}\FT{f}$,
\item частотный сдвиг: $\FT{\e^{iat}f(t)}=F(2\pi\nu-a)$,
\item масштабирование: $\FT{\C f}=\rev{|\C|}\FT{f}(\nu/a)$,
\item $\FT{\delta(t)\strut}=\frac1{\sqrt{2\pi}}$,
\item $\FT{1}=\sqrt{2\pi}\delta(2\pi\nu)$,
\item $\FT{\e^{iat}}=\sqrt{2\pi}\delta(2\pi\nu-a)$.
\end{itemize}
\end{block}
}
\end{frame}

\begin{frame}{}
\only<1>{
\img{FM-AM}
\centering{Спектры ЧМ~(сверху) и АМ~(снизу) сигналов, образованных из двух
одинаковых гармонических сигналов}
}
\only<2>{
\img{Four-filter}
\centering{Фурье-фильтрация. Точками обозначен оригинальный сигнал, линией~---
зашумленный сигнал, кружками~--- отфильтрованный.}
}
\end{frame}

\section{Вейвлет--анализ}
\begin{frame}{Вейвлет--анализ}
\only<1>{
\begin{defin}
\ж Вейвлеты\н~--- класс функций, использующихся для пространственной и масштабируемой локализации
заданной функции. Семейство вейвлетов может быть образовано из функции~$\psi(x)$ (ее иногда
называют <<материнским вейвлетом>>), ограниченной на конечном интервале. <<Дочерние>> вейвлеты
$\psi^{a,b}(x)$ образуются из <<материнского>> путем сдвига и масштабирования.
\end{defin}

\begin{block}{}
Отдельный вейвлет можно определить как
$$\psi^{a,b}(x)=|a|^{-1/2}\psi\Bigl(\frac{x-b}{a}\Bigr).$$
Тогда\ж базис вейвлетов\н (\it{}прямое вейвлет--преобразование\н),
соответствующих функции~$f(x)$ определяется как
$$W_\psi(f)(a,b)=\rev{\sqrt a}\Infint f(t)\psi^*\Bigl(\frac{t-b}{a}\Bigr)\,dt.
\label{waveletb}$$
где $a, b\in \mathbb{R}$, $a\ne0$.
\end{block}
}
% \only<2>{
% \begin{block}{Коэффициенты}
% $$C_{j,k}=W_\psi(f)(2^{-j},k\cdot2^{-j}).$$
%
% \end{block}
% }
\only<2>{
\begin{block}{Дискретное вейвлет--преобразование}
$a=a_{0}^{m},\quad b=nb_{0}$, в этом случае
$$\psi_{{m,n}}=a_{0}^{-m/2}\psi \left(\frac  {t-nb_0}{a_0^m}\right).$$

$$W_{m,n}=\Int_{-\infty }^{\infty }x(t)\,\psi_{m,n}^{*}(t)\,dt.$$

$$x(t)=K_\psi \Sum_{m=-\infty}^{\infty }\Sum_{n=-\infty }^\infty W_{m,n}\psi _{m,n}(t),$$
где $K_\psi$~-- постоянная нормировки.
\end{block}
}
% \only<2>{
% \begin{block}{Свойства вейвлетов и требования}
% \begin{itemize}
% \item $\Infint\psi(t)\,dt=0$; $\Infint|\psi(t)|^2 dt<\infty$;
% \item $\WT{af(t)+bg(t)}=a\WT{f(t)}+b\WF{g(t)}$;
% \item $\WT{f(t-t_0)}=
% \end{itemize}
%
% \end{block}
% }
\end{frame}

\begin{frame}{}
\only<1>{
\img[0.9]{wavelet}
\centering{Локализация}
}
\only<2>{
\img[0.6]{scale}
\centering{Масштабирование}
}
\only<3>{
\img[0.8]{fourwav}
\centering{Фурье и вейвлеты}
}
\only<4>{
\img[0.5]{curvelet}
\centering{Курвлеты}
}
\end{frame}



\begin{frame}{Спасибо за внимание!}
\centering
\begin{minipage}{5cm}
\begin{block}{mailto}
eddy@sao.ru\\
edward.emelianoff@gmail.com
\end{block}\end{minipage}
\end{frame}
\end{document}