Anda di halaman 1dari 2

2.

1 SERI WAVELET DAN TRANSFORMASI WAVELET DISCRETE

Pada bagian ini kami memberikan gambaran singkat tentang beberapa materi yang relevan pada seri
wavelet Ekspansi dan transformasi wavelet cepat yang kita butuhkan lebih jauh.

PERJANJIAN SERI WAVELET

Istilah wavelet digunakan untuk merujuk pada seperangkat fungsi dasar ortonormal yang dihasilkan oleh
pelebaran dan terjemahan fungsi penskalaan yang didukung kompak (atau wavelet ayah), , dan wavelet
induk, , yang terkait dengan analisis multiresolusi r-reguler L (R). Berbagai keluarga wavelet berbeda
sekarang ada yang menggabungkan dukungan kompak dengan berbagai tingkat kehalusan dan jumlah
momen lenyap (lihat, aubechies (1992)), dan sekarang ini adalah keluarga wavelet yang paling banyak
digunakan dalam aplikasi praktis dalam statistik. Oleh karena itu, banyak jenis fungsi yang ditemui dalam
praktik dapat jarang (yaitu secara parsial) dan secara unik ditunjukkan dalam rangkaian wavelet. Oleh
karena itu, basis wavelet tidak hanya berguna berdasarkan struktur khusus mereka, tetapi juga mungkin
(dan telah dilakukan!) Diterapkan dalam berbagai macam konteks. Untuk kesederhanaan dalam eksposisi,
kita akan mengasumsikan bahwa kita bekerja dengan basis wavelet periodik pada [0, 1] (lihat, misalnya,
Mallat (1999), Bagian 7.5.1), membiarkan

Dimana

Terlepas dari perilaku buruk wavelet periodik di dekat batas-batas (mereka menciptakan koefisien wavelet
amplitudo tinggi di lingkungan batas-batas ketika fungsi yang dianalisis tidak periodik) biasanya
digunakan karena pelaksanaan numerik sangat sederhana. Juga, seperti yang ditunjukkan oleh Johnstone
(1994), penyederhanaan komputasi ini hanya mempengaruhi jumlah koefisien wavelet yang ditentukan
pada setiap tingkat resolusi dan tidak mempengaruhi fenomena kualitatif yang ingin kita hadirkan.
Gagasan yang mendasari pendekatan semacam itu adalah untuk mengekspresikan fungsi apapun dalam
bentuk

Dimana

Dan

2.2 TRANSFORMASI WAVELET DISCRETE

Dalam pengaturan statistik, kita biasanya lebih memperhatikan fungsi pengambilan sampel secara diskrit,
bukan kontinyu. Kemudian analogi wavelet pada transformasi Fourier diskrit yang merupakan
kepentingan utama dan ini disebut sebagai transformasi wavelet diskrit (DWT). Diberikan sebuah vektor
nilai fungsi Pada titik spasi yang sama, transformasi wavelet dari g diberikan

Dimana d adalah vektor n 1 yang terdiri dari koefisien penskalaan diskrit, cj0 k, dan koefisien loop
wavelet, jk, dan W adalah matriks ortogonal n n yang terkait dengan ortonormal