Lokale Frequenzanalyse

Transkript

1 Lokale Frequenzanalyse Fourieranalyse bzw. Powerspektrum liefern globale Maße für einen Datensatz (mittleres Verhalten über die gesamte Länge des Datensatzes) Wiederkehrdiagramme zeigten, dass Periodizitäten in natürlichen Datzensätzen mittelfristig schwanken => wünschenswert wäre ein Verfahren für lokale Frequenzanalysen möglicher Ansatz: Die fensterweise Durchführung einer Fourieranalyse. Dies ist allerdings ungenau: Aliasing von hoch- und niederfrequenten Anteilen, die nicht im Fenster enthalten sind ineffizient: Duchführung der Analysen separat für verschiedene Frequenzen und verschiedene Fensterlängen Fourier- vs. Wavelet-Analyse Wavelet-Transformation um 98 von Jean Morlet und Alex Grossmann entwickelt Fourier Wavelet Bestimmung der Korrelation mit "Wellen" "Wellchen" (sin, cos) Charakterisierung global lokal zusammengesetzt aus orthogonalen "Mutter-Wavelets" Basisfunktionen (Basis-Wavelets)

2 Bestimmung der Koeffizienten: Faltung Faltung zweier Funktionen: h = ( τ ) f ( g( τ dt zum Vergleich: Bestimmung der Kovarianz: orthogonale Funktionen: cov N x, y = ) N i= cov x, y = ( ( xi x) ( yi y ) Bestimmung der Fourierkoeffizienten: a k = N N i= xi sin(π k N ti ) Fourier- Analyse P = /f = (Periodenlänge) Faltungsintegral = Zeitreihe Sinus Produkt

3 Fourier- Analyse P = /f = (Periodenlänge) Faltungsintegral = Zeitreihe Sinus Produkt Wavelet- Analyse Dilatation: a = /f = Translation: b = 9 Faltungsintegral = Zeitreihe Wavelet Produkt ( t b) Ψ( = a ( t b).5 a e - -

4 Wavelet- Analyse Dilatation: a = /f = Translation: b = 9 Faltungsintegral = Zeitreihe Wavelet Produkt Wavelet- Analyse Dilatation: a = /f = Translation: b = 5 Faltungsintegral = Zeitreihe Wavelet Produkt

5 Wavelet-Transformation Wavelettransformation Multiplikation mit der Wavelet-Funktion: T ( a, b) x( Ψa, b ( Zwei Variablen: = dt a: Skalenparameter (Stauchung/Streckung entlang der Zeitachse = Dilatation): zugehörige Frequenz f =/a b: Verschiebeparameter (entlang der Zeitachse; = Translation) Skalierungseigenschaft: T ( a, b) x( Ψ, a t b = dt a Kontinuierliche vs. Diskrete Wavelet-Transformation Kontinuierliche Wavelet-Transformation: Diskrete Wavelet-Transformation: - Bestimmung der Wavelets für diskrete a und b, wobei: m m a = a b = k b a a > ; b -meist: a = und b = (Kompromiss zwischen Auflösung und Redundanz) => CWT + ( a, b) x( Ψa, b ( = dt t b DWT ( a, b) = x( Ψ a a t m m a = b = k für m =,,,... 5

6 Kontinuierliche vs. Diskrete Wavelet-Transformation kontinuierlich diskret Überlappung stark gering - keine Redundanz hoch gering - keine Mutter-Wavelet nicht orthogonal orthogonal möglich (Basis-Wavele Rechenaufwand hoch gering Eigenschaften von (Mutter-)Wavelets Integrierbar und normiert: Mittelwert = : Ψ( = + Ψ( dt = lokal in der Zeitdomäne (begrenzter Träger = Suppor lokal in der Frequenzdomäne Normalisierung jeweils auf Energie = Ψˆ ( sϖ k ) = πs Ψˆ ( sϖ δt k ) Basis-Wavelets: = orthogonale Mutter-Wavelets nur für diskrete Wavelet-Transformationen 6

7 Morlet Mutter-Wavelet ( Ψ ( = π / e iϖ t e t / ω : Wavenumber = Anzahl der Oszillationen im Wavelet Verschiedene Mutter-Wavelets Zeitdomäne Frequenzdomäne ψ (t/s) ψ f (s ω) Zeitdomäne Frequenzdomäne ψ (t/s) ψ f (s ω) Real-Teil Imaginär-Teil (Torrence und Compo 998) DOG = "Derivative of a Gaussian" = m-te Ableitung der Normalverteilungskurve = "Mexican Hat" für m = 7

8 Wahl der Mutter-Wavelets Kriterien:. Orthogonale oder nicht-orthogonale Funktionen Orthogonal: Anzahl der Faltungen für jede Skalierung proportional zur Weite der Wavelet-Funktion => sinnvoll für diskrete Wavelet-Analyse (Basis-Wavele Nicht-orthogonale Funktionen sind besser geeignet für nicht streng periodische Zeitreihen (kontinuierliche Wavelet-Analyse), aber hochgradig redundant für große Skalen. Komplexe oder reellwertige Funktionen Reellwertige Funktionen liefert keine Informationen über die Phase (z.b. DOG). Skalierung (Dilatation) Geringe Weite in der Zeitdomäne ergibt eine hohe Auflösung in der Zeitdomäne, aber eine schlechte Auflösung in der Frequenzdomäne, und umgekehrt.. Form Prinzipiell entsprechend der "Form" der Zeitreihe (Sprungstellen) zu wählen. Zeit- vs. Frequenzauflösung Haar-Wavelet: gute Zeitauflösung Ψ( =,5 t < Ψ( = t <,5 Ψ( = sonst Mexikanischer Hut: Kompromiss zwischen Zeit- und Frequenz-Auflösung Ψ( = t ( t ) e Morlet: gute Frequenzauflösung Ψ( = π π e iω t e t 8

9 Vergleich Wavelets vs. Fourieranalyse Zwei Funktionen: f = sin(π + sin(π f sin(π für t < = sin(π für t >... mit sehr ähnlicher Spektraler Dichte, Zeit [s] Spektrale Dichte Periodenlänge [s] Vergleich Wavelets vs. Fourieranalyse... aber deutlich unterschiedlichen Wavelet-Powerspektren: 9

10 Ablauf der Wavelet-Transformation. Wahl des Mutter-Wavelets. Fourier-Transformation des Mutter-Wavelets. Fourier-Transformation der Zeitreihe. Festlegung der Frequenz- und Zeitauflösung 5. Für jede Stauchung und jedes Intervall der Zeitreihe: Bestimmung des Tochter-Wavelets Normalisierung des Tochter-Wavelets Multiplizieren mit der Fouriertransformation der Zeitreihe Rücktransformation 6. Grafische Darstellung Padding Problem: Periodizität als implizite Annahme der Wavelet-Transformation im Fourier-Raum => Signale am Ende der Zeitreihe der Wavelet- Transformation werden bei der Wavelet-Transformation auch dem Beginn der Zeitreihe zugeordnet umgekehrt besonders ausgeprägt im niederfrequenten Bereich Gegenmaßnahme: Padding = Ende der Zeitreihe mit Nullen auffüllen bis zur Länge n = p (s. FFT)

11 Sea Surface Temperature (Pazifik) Gelber Bereich: Mittelwert ± Standardabweichung für ein 5-Jahres-Fenster Wavelet Power Spectrum (Morlet wavele Schwarze Linien: Regionen der %-Signifikanz (Test gegen rotes Rauschen) ( avelet.html) Fourier- und Wavelet-Powerspektrum 95%-Konfidenzintervall mittlere Spektrum für Rotes Rauschen (Torrence und Compo 998,

12 Wavelet: Niederschlag Wavelet: Abfluss

13 Wavelet: Multiagentensimulationen Wavelets in Südecuador El Niño im Holozän (Moy et al., Nature.. )

14 Weitere Anwendungen der Wavelets Intelligentes Filtern von Datensätzen Beispiele: Komprimierung und Glättung von Spektren (Ionenchromatografie, Fernerkundung) Datenkompression Beispiele: Fotos, Audiodateien, Fingerabdrücke (FBI), Biometrie (Iris) u.v.m. Bildkompression mittels Wavelets Kompressionsrate 78: (Diskrete Cosinus-Transformation jeweils für einzelne Bildblöcke) (C. Rauch, TU München 999, zitiert in:

15 Zeitreihenanalyse im Web Allgemein: (Numerical Recipes) Wavelets: Aufgabe. Generieren Sie eine künstliche Zeitreihe als Kombination einzelner sinoder cos-fuktionen und führen Sie damit eine Waveletanalyse durch. Benutzen Sie dazu das Online-Tool unter Führen Sie eine Wavelet-Analyse mit den -Tages-Werten von Niederschlag, Temperatur und Abfluss mit und ohne Padding durch.. Vergleichen Sie den Effekt verschiedener Parametrisierungen und Mutterwavelets.. Welche der bekannten Eigenschaften lassen sich in der Waveletanalyse wiedererkennen? Welche zusätzlichen Informationen liefert die Wavelet- Analyse? 5