DOI
10.34229/KCA2522-9664.25.2.12
УДК 53.088.3+53.088.7
Ю.К. ТАРАНЕНКО
Приватне підприємство «Лікопак», Дніпро, Україна,
tatanen@ukr.net
О.Ю. ОЛІЙНИК
Дніпровський фаховий коледж радіоелектроніки, Дніпро, Україна,
oleinik_o@ukr.net
Б.І. МОРОЗ
Дніпрoвський технологічний університет, Дніпро, Україна,
moroz.boris.1948@gmail.com
В.В. ЛОПАТІН
Інститут геотехнічної механіки ім. Н.С. Полякова НАН України, Дніпро, Україна,
vlop@ukr.net
АНАЛІЗ ЧАСОВИХ РЯДІВ З ВИКОРИСТАННЯМ
ВЕЙВЛЕТ-АВТОКОГЕРЕНТНОСТІ ТА АВТОКОРЕЛЯЦІЇ
Анотація. Наведено ефективний алгоритм класифікації сигналів для виявлення гауссів- ських шумів за значеннями коефіцієнтів автокореляції і вейвлет-автокогерентності. Проведено порівняльний аналіз методів автокореляції для аналізу часових рядів і методу вейвлет-автокогерентності, який застосований для часових рядів масштабних вейвлет-коефіцієнтів. Передбачено використання бази з 20 типів модельних сигналів (як лінійної, так і нелінійної частотних модуляцій), що значно розширює можливості застосування алгоритму в автоматичних системах розпізнавання даних. За результатами дослідження значення коефіцієнта автокогерентності залишається незмінним в усьому діапазоні зміни потужності шуму, а значення автокореляції залежить від частотної модуляції і має інший характер. Для отримання спрощеної моделі використано тест Шапіро–Вілка (W-тест), сигнали за значеннями коефіцієнтів автокореляції і вейвлет-автокогерентності класифікуються на дві виокремлені групи. Для сигналів, які відповідають нормальному закону розподілу даних, визначено шумовий поріг.
Ключові слова: вейвлет-спектр, автокогерентність, автокореляція, шум, шумовий поріг, частотна модуляція.
повний текст
СПИСОК ЛІТЕРАТУРИ
- 1. Zhou G., Sun L., Lu C., Lau A.P.T. Multi-symbol digital signal processing techniques for discrete eigenvalue transmissions based on nonlinear Fourier transform. Journal of Lightwave Technology. 2021. Vol. 39, N 17. P. 5459–5467. https://doi.org/10.1109/ .
- 2. Головко Ю.М. Спектральне оцінювання широкосмугового шумового сигналу обмеженої тривалості. Математичне моделювання. 2023. T. 2, № 49. С. 86–97.
- 3. Безвесільна О.М., Чепюк Л.О. Застосування вейвлет перетворення в вимірювальних системах. XX Міжнародна науково-технічна конференція «Приладобудвування: стан і перспективи» (Київ, 18–19 травня 2021 р.). Київ: КПІ імені Ігоря Сікорського, 2021. С. 81–83.
- 4. Arts L.P.A., van den Broek E.L. The fast continuous wavelet transformation (fCWT) for real-time, high-quality, noise-resistant time-frequency analysis. Nature Computational Science. 2022. Vol. 2. Р. 47–58.
- 5. Лисенко Ю.Ю., Куц Ю.В., Учанін В.М. Використання вейвлет перетворення в аналізі сигналів автоматизованого вихрострумового неруйнівного контролю. XV Міжнародна науково-практична конференція «Інтегровані інтелектуальні робототехнічні комплекси (ІІРТК-2022)» (Київ, 17–18 травня 2022 р.). Київ: НАУ, 2022. С. 101–102.
- 6. Дейнеко Ж.В., Золотухин О.В. Вейвлет-когерентность как инструмент визуализации сложных физических процессов. Тезисы докладов 2-й Международной научно-технической конференции «Полиграфические, мультимедийные и web-технологии» (Харьков, 16–22 мая 2017 г.). Харьков: ХНУРЭ, 2017. Т. 1. С. 71–74.
- 7. Qiao B., Lu Y., Li Q., Huang Y., Liang S. Data-driven reflection imaging based on seismic interferometry. Geophysics. 2022. Vol. 87, N 4. P. Q15–Q29. https://doi.org/10.1190/ .
- 8. RodrЗguez-Murillo J.C., Filella M. Significance and causality in continuous wavelet and wavelet coherence spectra applied to hydrological time series. Hydrology. 2020. Vol. 7, N 4. P. 82. https://doi.org/10.3390/ .
- 9. Hou Yu., Shunming Li, Huijie Ma, Siqi Gong, Tianyi Yu. Weak signal detection based on lifting wavelet threshold denoising and multi-layer autocorrelation method. J. Commun. 2022. Vol. 17, N 11. P. 890–899. https://doi.org/10.12720/ .
- 10. Alcaraz R.L., GarcЗa-Fogeda P. Signal noise filtering using wavelet coefficient temporal correlation techniques. AIP Conference Proceedings. 2020. Vol. 2293, Iss 1. https://doi.org/10.1063/ .
- 11. Korzhov I.M., Mygushchenko R.P., Shchapov P.V., Kropachek O.Y. Studying the influence of training sample volume on the average risk of technical diagnostics. International Journal of Engineering Research and Applications (IJERA). 2019. Vol. 9, N 2. P. 64–66.
- 12. Коржов В.М. Анализ моделей функции когерентности спектральной нестационарности случайных сигналов. Вестник НТУ «ХПИ». Сер. Гидравлические машины и гидроагрегаты. 2018. Вып. 46 (1322). С. 30–34.
- 13. Олійник О.Ю., Тараненко Ю.К. Система безперервного вібромоніторингу стану технологічного обладнання з машинним навчанням класифікатору. Інформаційні технології та комп’ютерна інженерія. 2020. Т. 48, № 2. С. 18–26.
- 14. Oliinyk O., Taranenko Y., Lopatin V. Аnalysis of discrete wavelet spectra of broadband signals. CEUR Workshop Proceedings. 2023. Vol. 3392. Р. 188–198.
- 15. Vilimek D., Kubicek J., Golian M. et al. Comparative analysis of wavelet transform filtering systems for noise reduction in ultrasound images. PLOS One. 2022. Vol. 17, N 7. e0270745. https://doi.org/10.1371/ .
- 16. Baldazzi G., Solinas G., Del Valle J., Barbaro M., Micera S., Raffo L., Pani D. Systematic analysis of wavelet denoising methods for neural signal processing. Journal of Neural Engineering. 2020. Vol. 17, N 6. 066016. https://doi.org/10.1088/ .
- 17. Abdulmaged А., Baykara М. Digital image denoising techniques based on multi-resolution wavelet domain with spatial filters: A review. Traitement du Signal. 2021. Vol. 38, N 3. P. 639–651. https://doi.org/10.18280/ .
- 18. Pouyani M.F., Vali M., Ghasemi M.A. Lung sound signal denoising using discrete wavelet transform and artificial neural network. Biomedical Signal Processing and Control. 2022. Vol. 72. 103329. https://doi.org/10.1016/ .
- 19. Naseri M., Beaulieu N.C. Fast simulation of additive generalized Gaussian noise environments. IEEE Communications Letters. 2020. Vol. 24, N 8. P. 1651–1654. https://doi.org/10.1109/ .
- 20. Taranenko Y., Onufrienko D., Oliinyk, O., Lopatin V. Recognition of images of wavelet spectra of Chirp signals using a neural network. CEUR Workshop Proceedings. 2024. Vol. 3702. P. 350–361.
- 21. Tayeb H.F., Karabatak M., Varol C. Time series database preprocessing for data mining using Python. 2020 8th International Symposium on Digital Forensics and Security (ISDFS). IEEE, 2020. P. 1–4. https://doi.org/10.1109/ .
- 22. Мисько Б.В., Січко Т.В. Системи розпізнавання образів та обробки зображень. Прикладні аспекти сучасних міждисциплінарних досліджень. 2024. С. 158–160.
- 23. Іmplemented signals. https://github.com/.
- 24. Тараненко Ю.К., Олійник О.Ю. Оптимізація алгоритму пакетної вейвлет-фільтрації сигналів. Кібернетика та системний аналіз. 2024. T. 60, № 4. С. 163–174. https://doi.org/ 10.34229/ .
- 25. Tamilselvi C., Yeasin M., Paul R.K., Paul A.K. Can denoising enhance prediction accuracy of learning models? A case of wavelet decomposition approach. Forecasting. 2024. Vol. 6, N 1. P. 81–99. https://doi.org/10.3390/ .