小波分析考试题(附答案).doc
《小波分析考试题(附答案).doc》由会员分享，可在线阅读，更多相关《小波分析考试题(附答案).doc（11页珍藏版）》请在冰点文库上搜索。
《小波分析》试题
适用范围：
硕士研究生时间：
2013年6月
一、名词解释（30分）
1、线性空间与线性子空间
解释：
线性空间是一个在标量域（实或复）F上的非空矢量集合V；设V1是数域K上的线性空间V的一个非空子集合，且对V已有的线性运算满足以下条件
（1） 如果x、yV1，则x＋yV1；
（2） 如果xV1，kK，则kxV1， 则称V1是V的一个线性子空间或子空间。
2、基与坐标
解释：
在n维线性空间V中，n个线性无关的向量，称为V的一组基；设是中任一向量，于是线性相关，因此可以被基线性表出：
，其中系数是被向量和基唯一确定的，这组数就称为在基下的坐标，记为（）。
3、内积
解释：
内积也称为点积、点乘、数量积、标量积。
，，令，称为x与y的内积。
4、希尔伯特空间
解释：
线性 完备的内积空间称为Hilbert空间。
线性（linearity）：
对任意f，g∈H，a，b∈R，a*f+b*g仍然∈H。
完备（completeness）：
空间中的任何柯西序列都收敛在该空间之内。
内积（innerproduct）：
，它满足：
，时。
5、双尺度方程
解释：
所以都可以用空间的一个基线性表示：
—
（2）
并且有，其中（3）、（4）即为双尺度方程。
二、简述小波的定义及其主要性质（10分）
答：
小波（Wavelet）这一术语，顾名思义，“小波”就是小的波形。
所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。
与Fourier变换相比，小波变换是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号（函数）逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。
小波性能除了正交性以外还有光滑性、紧支性、衰减性、对称性以及消失矩和时频窗面积。
三、简述小波理论的发展，并结合你所研究的领域，对小波理论在该领域的应用及发展进行综述。
（10分）
答：
1807年，Fourier提出傅里叶分析，1822年发表“热传导解析理论”论文；1910年Haar提出最简单的小波；1980，年Morlet首先提出平移伸缩的小波公式，用于地质勘探；1985年，Meyer和稍后的Daubeichies提出“正交小波基”，此后形成小波研究的高潮；1988年，Mallat提出的多分辨分析理论（MRA）；Coifman,Meyer等人在1989年引入了小波包的概念。
基于样条函数的单正交小波基由崔锦泰和王建忠在1990年构造出来。
1992年A.Cohen,I.Daubechhies等人构造出了紧支撑双正交小波基近年来，一种简明有效的构造小波基的方法--提升方案（LiftingScheme）得到很大的发展和重视，利用提升方案构造的小波被认为是第二代小波。
Goodman,Lebrun等人提出的多小波（Multi-wavelet）理论,Candes和Donoho等提出的脊小波（Ridgelet）和曲小波（Curvelet）理论,等等。
四、简述连续小波变换的过程。
（10分）
答：
可分成5个步骤，步骤1:
把小波和原始信号的开始部分进行比较；步骤2:
计算系数c。
该系数表示该部分信号与小波的近似程度。
系数c的值越大表示信号与小波越相似，因此系数c可以反映这种波形的相关程度；步骤3:
把小波向右移，距离为，得到的小波函数为，然后重复步骤1和2。
再把小波向右移，得到小波，重复步骤1和2。
按上述步骤一直进行下去，直到信号结束；步骤4:
扩展小波，例如扩展一倍，得到的小波函数为；步骤5:
重复步骤1~4。
五、阐述多分辨分析的思想并给出MALLAT算法的表达式。
（10分）
答：
Meyer于1986年创造性地构造出具有一定衰减性的光滑函数，其二进制伸缩与平移构成L2（R）的规范正交基，才使小波得到真正的发展。
1988年S.Mallat在构造正交小波基时提出了多分辨分析（Multi-ResolutionAnalysis）的概念，从空间的概念上形象地说明了小波的多分辨率特性，将此之前的所有正交小波基的构造法统一起来，给出了正交小波的构造方法以及正交小波变化的快速算法，即Mallat算法。
Mallat算法在小波分析中的地位相当于快速傅立叶变换算法在经典傅立叶分析中的地位。
定义：
空间L2（R）中的多分辨分析是指L2（R）满足如下性质的一个空间序列：
（1）单调性：
；
（2）逼近性：
；（3）伸缩性：
；（4）平移不变性：
，；（5）存在函数，使得构成的Riesz基。
满足上述个条件的函数空间集合成为一个多分辨分析，如果生成一个多分辨分析，那么称为一个尺度函数。
关于多分辨分析的理解，我们在这里以一个三层的分解进行说明，其小波分解树如图所示。
从图可以明显看出，多分辨分析只是对低频部分进行进一步分解，而高频部分则不予以考虑。
分解的关系为。
另外强调一点这里只是以一个层分解进行说明，如果要进行进一步的分解，则可以把低频部分分解成低频部分和高频部分，以下再分解以此类推。
在理解多分解分析时，我们必须牢牢把握一点：
其分解的最终目的是力求构造一个在频率上高度逼近空间的正交小波基，这些频率分辨率不同的正交小波基相当于带宽各异的带通滤波器。
从上面的多分辨分析树型结构图可以看出，多分辨分析只对低频空间进行进一步的分解，使频率的分辨率变得越来越高。
Mallat算法：
通过下面公式
（1）和
（2），可以很快计算出尺度系数和小波系数{cj,k,dj,k}，
因此，只要确定空间的初始序列，就可以算出任意空间（j公式
（1）和
（2）称为离散小波变换的分解公式。
这就是Mallat重构算法：
六、（10分）基于MATLAB，请自行选择一个一维信号，采用DB3小波函数，进行3尺度的分解与重构。
要求
（1）附上源程序；
（2）绘出原始信号以及分解、重构的结果图。
答：
（1）源程序
Loadleleccum;
S=leleccum（1:
100）;
W=’db3’;
Subplot（621）;
Plot（s）;
Title（‘原始程序‘）；
Dwtmode;
[cazpd,cdzpd]=dwt（s,w）;
Lxtzpd=2*length（cazpd）Xzpd=idwt（cazpd,cazpd,w,lx）;
Subplot（622）;
plot（xzpd）;
Title（‘zpd模式重构图’）;
Dwtmode（‘sym’）;
[casym,cdsym]=dwt（s,w）;
Lxtzpd=2*length（caspd）Xsym=idwt（casym,cdsym,w,lx）;
Subplot（625）;
plot（xsym）;
Title（‘sym模式重构图’）;
Dwtmode（‘spd’）;
Lxtzpd=2*length（caspd）Xsym=idwt（caspd,cdspd,w,lx）;
Subplot（626）;plot（xspd）;
（2）原始信号以及分解、重构的结果图
七、给出一个小波分析用于图像压缩的应用实例。
（10分）
答：
图像压缩可按如下程序进行处理
clc
clear
X=imread（'5.jpg'）;%读入图像
figure;
image（X）;
title（'原始图像'）;
disp（'压缩前图像X的大小：
'）;
whos（'X'）
[c,s]=wavedec2（X,3,'db5'）;
%对图像用db5小波进行3层小波分解
%取第二层低频高频系数
ca1=appcoef2（c,s,'db5',1）;%提取低频系数
%提取小波分解结构中第一层低频系数和高频系数
ch1=detcoef2（'h',c,s,1）;%水平方向
cv1=detcoef2（'v',c,s,1）;%垂直方向
cd1=detcoef2（'d',c,s,1）;%斜线方向
%分别对各频率成分进行重构
a1=wrcoef2（'a',c,s,'db5',1）;
h1=wrcoef2（'h',c,s,'db5',1）;
v1=wrcoef2（'v',c,s,'db5',1）;
d1=wrcoef2（'d',c,s,'db5',1）;
c1=[a1,h1;v1,d1];
%显示分解后第一层各频率成分的信息
figure;
c1=uint8（c1）;
image（c1）;
title（'分解后低频和高频信息'）;
%下面进行图像压缩处理
%保留小波分解第一层低频信息，进行图像的压缩
%第一层的低频信息即为ca1，显示第一层的低频信息
%首先对第一层信息进行量化编码
ca1=appcoef2（c,s,'db5',1）;
ca1=wcodemat（ca1,440,'mat',0）;
%改变图像的高度
ca1=0.25*ca1;
figure;
ca1=uint8（ca1*2.5）;
image（ca1）;
title（'第一次压缩的图像'）;
disp（'第一次压缩图像的大小为：
'）;
whos（'ca1'）
%保留小波分解第二层低频信息，进行图像的压缩，此时压缩比更大
%第二层的低频信息即为ca2，显示第二层的低频信息
ca2=appcoef2（c,s,'db5',2）;
%首先对第二层信息进行量化编码
ca2=wcodemat（ca2,440,'mat',0）;
%改变图像的高度
ca2=0.125*ca2;
figure;
ca2=uint8（ca2*4.5）;
image（ca2）;
title（'第二次压缩后的图像'）;
disp（'第二次压缩图像的大小为：
'）;
whos（'ca2'）
ca3=appcoef2（c,s,'db5',3）;
%首先对第二层信息进行量化编码
ca3=wcodemat（ca3,440,'mat',0）;
%改变图像的高度
ca3=0.125*ca3;
figure;
ca3=uint8（ca3*4.5）;
image（ca3）;
title（'第三次压缩后的图像'）;
disp（'第三次压缩图像的大小为：
'）;
whos（'ca3'）
MATLAB显示结果
压缩前图像X的大小：
NameSizeBytesClassAttributes
X768x1024x32359296uint8
第一次压缩图像的大小为：
NameSizeBytesClassAttributes
ca1388x516x3600624uint8
第二次压缩图像的大小为：
NameSizeBytesClassAttributes
ca2198x262x3155628uint8
第三次压缩图像的大小为：
NameSizeBytesClassAttributes
ca3103x135x341715uint8
八、在最佳小波包基的选择中，常常用到熵的概念，请写出本课程常用的四个熵标准的表达式。
（10分）
1.shannon（熵）：
E（sc）=-si2log（si2）
2.Lp危数（1≤p≤2）；
3.对数能量（logenergy）熵：
E3（si）=log（si2）
4.阀值熵：
如果｜si｜>e,则E4（si）=1;其余E4（si）=0定义E4（si）=ΣE4（si）,则E4（S）为信号大于阀值Σ得时间点和个数
升级会员 