- •1. Общие положения
- •1.1. Цель и задачи кп
- •1.2. Содержание и объём кп
- •1.3. Этапы выполнения кп
- •2. Теоретические основы методов, применяемых в кп
- •2.1. Предварительная обработка статистических данных
- •2.2. Вейвлет анализ временного ряда
- •2.3. Сингулярный спектральный анализ временного ряда
- •2.4. Методы ssa-прогнозирования
- •2.4.1. Рекуррентное ssa-прогнозирование
- •2.4.2. Векторное ssa-прогнозирование
- •2.4.3. Формирование доверительных интервалов
- •2.5. Основы аналитического подхода к оценке риска спектральными методами
- •2.5.1. Относительные меры риска
- •Спектральная плотность Fu(ω) распределения дисперсии ущерба
- •Энергетические спектры ущерба Fu(ω) и гармонического сигнала Fг
- •2.5.2. Расчет прогностической меры риска
- •Ряд прогноза y[n]
- •3. Этапы выполнения основной части кп
- •4. Пример анализа временного ряда предложенными методами
- •4.1. Статистика количества почтовых писем, классифицированных как спам
- •4.1.1. Предварительная обработка статистических данных
- •4.1.2. Вейвлет анализ временного ряда
- •4.1.3. Сингулярный спектральный анализ временного ряда
- •4.1.4. Расчет прогностической меры риска
- •Исходный ряд и ряд прогноза
- •Ряд прогноза
- •4.2. Статистика случаев мошенничества с кредитными картами
- •4.2.1. Предварительная обработка статистических данных
- •4.2.2. Вейвлет анализ временного ряда
- •4.2.3. Сингулярный спектральный анализ временного ряда
- •4.2.4. Расчет прогностической меры риска
- •Восстановленный ряд и ряд прогноза
- •Прогноз ущерба от мошеннических операций с распределенными платежными системами на 2012 год
- •Распределения вероятностей нанесения ущербов
- •5. Требования к оформлению и объему кп
- •5.1. Общие требования
- •5.2. Правила оформления текстовых документов
- •5.3. Правила нумерации страниц
- •5.4. Правила оформления иллюстраций
- •5.5. Оформление таблиц
- •5.6. Приложение
- •5.7. Типичные ошибки при выполнении кп
- •5.8. Дополнительные рекомендации по выполнению кп
- •6. Порядок оценки работы
- •Библиографический список Основная литература
- •Дополнительная литература
- •Оглавление
- •394026 Воронеж, Московский просп., 14
2.2. Вейвлет анализ временного ряда
Вейвлет-преобразование одномерного сигнала состоит в его разложении по базису, сконструированному из обладающей определенными свойствами солитоноподобной функции (вейвлета) посредством масштабных изменений и переносов. Каждая из функций этого базиса характеризует как определенную пространственную (временную) частоту, так и ее локализацию в физическом пространстве (времени).
Таким образом, в отличие от традиционно применяемого для анализа сигналов преобразования Фурье вейвлет-преобразование обеспечивает двумерную развертку исследуемого одномерного сигнала, при этом частота и координата рассматриваются как независимые переменные. В результате появляется возможность анализировать свойства сигнала одновременно в физическом (время, координата) и в частотном пространствах. Сказанное легко обобщается на неодномерные сигналы или функции.
В зарубежной литературе уже принято спектр Фурье называть single spectrum в отличие от спектра, полученного на основе коэффициентов вейвлет-преобразования, — time-scale spectrum, или wavelet spectrum.
Область использования вейвлетов не ограничивается анализом свойств сигналов и полей различной природы, полученных численно, в эксперименте или при наблюдениях. Вейвлеты начинают применяться и для прямого численного моделирования — как иерархический базис, хорошо приспособленный для описания динамики сложных нелинейных процессов, характеризующихся взаимодействием возмущений в широких диапазонах пространственных и временных частот [1,2,29].
Различают дискретный и непрерывный вейвлет анализ, аппарат которых можно применять как для непрерывных, так и для дискретных сигналов. Функция-прототип называется анализирующим (материнским) вейвлетом [22].
Среднее значение (интеграл по всей прямой) Вейвлет – функции ψ должен быть равен 0, при этом, функция должна быстро убывать при t® ∞.
В общем случае вейвлет преобразование функции f(t) выглядит так:
, (1`)
где t –время, x – момент времени, масштабный коэффициент, s – параметр сдвига, a (*) – означает комплексное сопряжение [1].
Поскольку вейвлет-преобразование есть скалярное произведение анализирующего вейвлета на заданном масштабе и анализируемого сигнала, коэффициенты W(x, s) содержат комбинированную информацию об анализирующем вейвлете и анализируемом сигнале (как и коэффициенты преобразования Фурье, которые содержат информацию о сигнале и о синусоидальной волне).
Выбор анализирующего вейвлета, как правило, определяется тем, какую информацию необходимо извлечь из сигнала. Каждый вейвлет имеет характерные особенности во временном и в частотном пространстве, поэтому иногда с помощью разных вейвлетов можно полнее выявить и подчеркнуть те или иные свойства анализируемого сигнала.
Если привести аналогию с математическим "микроскопом", то параметр сдвига s фиксирует точку фокусировки микроскопа, масштабный коэффициент x — увеличение и, наконец, выбором базисного вейвлета ψ определяются оптические качества микроскопа.
Вещественные базисы часто конструируются на основе производных функции Гаусса:
Более высокие производные имеют больше нулевых моментов и позволяют извлечь информацию об особенностях более высокого порядка, содержащихся в сигнале.
На рис. 1.6 а, б показаны вейвлеты, полученные при m=1 и m=2 соответственно. Из-за их формы первый называют обычно WAVE-вейвлет, второй — МНАТ-вейвлет, или "Мексиканская шляпа" (Mexican hat — похож на сомбреро).
МНАТ-вейвлет, имеющий узкий энергетический спектр и два равных нулю момента (нулевой и первый), хорошо приспособлен для анализа сложных сигналов. Обобщенный на двумерный случай МНАТ-вейвлет часто используется для анализа изотропных полей. Если же производная берется лишь в одном направлении, получается неизотропный базис с хорошей угловой избирательностью [27]. Для построения такого базиса к масштабным преобразованиям и сдвигам базисного вейвлета необходимо добавить его вращение. При этом математический микроскоп (вейвлет-преобразование) приобретает еще и качества поляризатора с углом поляризации, пропорциональным углу поворота вейвлета.
На основе функции Гаусса строится также хорошо известный DOG-вейвлет (Difference of Gaussians):
Примеры комплексных вейвлетов приведены на рис. 1.6 в, г (показаны их действительные составляющие). Наиболее часто используемый комплексный базис строится на основе хорошо локализованного в k- и r- пространстве вейвлета Морле (Morlet):
Это плоская волна, модулированная гауссианом единичной ширины. На рис. 1.6 в вейвлет Морле показан для k0 = 6. С увеличением k0 возрастает угловая избирательность базиса, но ухудшается пространственная.
Часто применяемый в квантовой механике вейвлет Пауля (Paul) показан на рис. 1.6 г для m=4 (чем больше m, тем больше нулевых моментов имеет вейвлет). Аналитически он выглядит следующим образом:
.
Представленные комплексные вейвлеты являются прогрессивными. Так называются вейвлеты, имеющие нулевые коэффициенты Фурье при отрицательных значениях волновых чисел. Они хорошо приспособлены для анализа сигналов, для которых важен принцип причинности: эти вейвлеты сохраняют направление времени и не создают паразитной интерференции между прошлым и будущим.
Отметим, что при анализе комплексного одномерного сигнала или при использовании комплексного анализирующего вейвлета в результате вейвлет-преобразования получаются двумерные массивы значений модуля коэффициентов и фазы:
На рис. 1.6 д, е приведены примеры вейвлетов. которые часто служат основой для построения ортогональных дискретных базисов с помощью процедуры Малла (Mallat): LMB-вейвлет, предложенный Лемарье, Мейером и Бэтлом (Lemarie, Meyer, Battle) и один из вейвлетов Добечи. Это биортогональные вейвлеты, имеющие пару (двойника), необходимую для получения реконструкционной формулы.
Рис. 2. а)–в). Примеры часто используемых вейвлетов: (a) WAVE, (б) МНАТ, (в) Morlet
Рис. 2. г)–е). Примеры часто используемых вейвлетов: (г) Paul, (д) LMB, (e) Daubechies. Показаны вейвлеты в зависимости от времени (левая колонка) и их образы Фурье (правая колонка) [1, 23]
Для каждой пары x и s алгоритм вычисления вейвлет преобразования следующий:
Функция вейвлет растягивается в s раз по горизонтали и в 1/s раз по вертикали.
Далее он сдвигается в точку x. Полученный вейвлет обозначается ψ(x,s).
Производится усреднение в окрестности точки s при помощи ψ(x,s).
В результате вырисовывается вполне наглядная картина, иллюстрирующая частотно-временные характеристики сигнала. По оси абсцисс откладывается время, по оси ординат – частота (иногда размерность оси ординат выбирается так: log(1/s), где 1/s-частота), а абсолютное значение вейвлет преобразования для конкретной пары x и s определяет цвет, которым данный результат будет отображен (чем в большей степени та или иная частота присутствует в сигнале в конкретный момент времени, тем темнее либо ярче будет оттенок) [28].
Существует два разных пути проведения вейвлет преобразования - во временной и частотной областях. При работе во временной области мы имеем дело с функциями, аргументами которых являются временные параметры, а в случае частотной – частотные. В частотной области используется механизм быстрого преобразования Фурье [22].
Частотная область дает возможность использовать готовые программные продукты для вычисления быстрого преобразования Фурье. В случае отсутствия таковых частотный метод существенно усложняется. Алгоритм, реализованный в частотной области, работает быстрее. К достоинствам алгоритма во временной области можно отнести относительную простоту в реализации (программировании).