Sintesis Wavelet

Contiouous wavelet transform (CWT) adalah transformasi reversibel (dapat dibalik) jika
persamaan 3.18 terpenuhi. Rekonstruksi ini mungkin terjadi dengan menggunakan rumus
berikut:

Persamaan 3.17 Inverse wavelet transform

Dengan C φ (baca: C psi) adalah konstanta yang bergantung pada wavelet yang digunakan.
Keberhasilan rekonstruksi bergantung pada C φ (konstanta kelayakan), untuk memenuhi kondisi
kelayakan tersebut :

Persamaan 3.18 Kondisi kelayakan

Dengan φ^ ( ξ ) adalah FT dari φ (t). Persamaan 3.18 menyiratkan bahwa φ^ (0)=0, yang mana

Persamaan 3.19
Seperti yang disebutkan di atas, persamaan 3.19 bukanlah persyaratan yang sangat ketat karena
banyak fungsi wavelet dapat menghasilkan nilai integral nol. Agar persamaan 3.19 terpenuhi,
wavelet harus berosilasi.

Diskritisasi Transformasi Wavelet Berkelanjutan: Seri Wavelet

Baik FT, STFT, maupun CWT tidak dapat secara praktis dihitung dengan menggunakan
persamaan analitis, integral, dll. Oleh karena itu perlu untuk mendiskritasikan transformasi.
Seperti dalam FT dan STFT, cara paling intuitif untuk melakukan ini adalah dengan hanya
mengambil sampel bidang frekuensi (skala) waktu. Dalam kasus WT, perubahan skala dapat
digunakan untuk mengurangi laju pengambilan sampel. Pada skala yang lebih tinggi (frekuensi
yang lebih rendah), laju pengambilan sampel dapat dikurangi, menurut aturan nyquist. Dengan
kata lain, jika bidang skala waktu perlu disampel dengan laju sampling N_1 pada skala s_1,
bidang yang sama dapat disampel dengan laju sampling N_2, pada skala s_2, di mana, s_1 < s2
(sesuai dengan frekuensi f1<f2) dan N_2 < N_1. Hubungan aktual antara N_1 dan N_2 yaitu
s1
N 2= N
s2 1
Persamaan 3.20
atau
f1
N 2= N
f2 1
Persamaan 3.21
Dengan kata lain, pada frekuensi yang lebih rendah, laju sampling dapat dikurangi yang mana
dapat menghemat banyak waktu perhitungan.
Perlu dicatat bahwa diskritisasi dapat dilakukan dengan cara apa pun tanpa batasan sejauh
analisis sinyal disimpulkan. Jika sintesis tidak diperlukan, kriteria nyquist pun tidak perlu
terpenuhi. Pembatasan pada diskritisasi dan laju pengambilan sampel menjadi penting jika
rekonstruksi sinyal diinginkan. Pembatasan pada diskritisasi dan laju sampling menjadi penting
jika rekonstruksi sinyal diinginkan. Sampling rate nyquist adalah sampling rate minimum yang
memungkinkan sinyal waktu kontinu asli direkonstruksi dari sampel diskritnya.
Seperti disebutkan sebelumnya, φ (τ , s) yang memenuhi persamaan 3.18, memungkinkan
rekonstruksi sinyal dengan persamaan 3.17. Namun, ini berlaku untuk transformasi
berkelanjutan. Pertanyaannya adalah: bisakah kita masih merekonstruksi sinyal jika kita
menentukan parameter waktu dan skala? Jawabannya adalah "ya", dalam kondisi tertentu.
Parameter skala s didiskritisasi terlebih dahulu pada grid logaritmik. Parameter waktu
kemudian didiskritisasi sehubungan dengan parameter skala, yaitu sampling rate yang berbeda
digunakan untuk setiap skala. Dengan kata lain, pengambilan sampel dilakukan pada grid dyadic
sampling yang ditunjukkan pada Gambar 3.17:
 Gambar 3.17
CWT memberikan nilai pada titik-titik kontinu pada bidang. Oleh karena itu, ada
koefisien CWT dalam jumlah tak terbatas. Di antara jumlah titik yang tak terbatas itu, hanya
sejumlah terbatas yang diambil, menggunakan aturan logaritmik. Basis logaritma tergantung
pada user. Nilai yang paling umum adalah 2 karena kenyamanannya. Jika 2 dipilih, skalanya
adalah 2, 4, 8, 16, 32, 64, dst. yang akan dikomputasi. Jika nilainya 3, skala 3, 9, 27, 81, 243,
dst. yang akan dihitung. Sumbu waktu kemudian didiskritisasi sesuai dengan diskritisasi sumbu
skala. Karena skala diskrit berubah menjadi faktor 2, laju pengambilan sampel dikurangi untuk
sumbu waktu dengan faktor 2 pada setiap skala. Perhatikan bahwa pada skala terendah (s = 2),
hanya 32 titik sumbu waktu yang disampel (untuk kasus khusus yang diberikan pada gambar
3.17). Pada nilai skala berikutnya, s = 4, laju sampling sumbu waktu dikurangi dengan faktor 2
karena skala ditingkatkan oleh faktor 2, dan oleh karena itu, hanya 16 sampel yang diambil.
Pada langkah berikutnya, s = 8 dan 8 sampel diambil dalam waktu, dan seterusnya.
Meskipun disebut bidang skala waktu, lebih akurat untuk menyebutnya bidang skala
translasi, karena "waktu" dalam domain transformasi benar-benar sesuai dengan pergeseran
wavelet dalam waktu. Untuk wavelet series, waktu sebenarnya masih terus berjalan.
Mirip dengan continuous transformasi fourier, fourier series, dan discrete transformasi
fourier, terdapat Continuous Wavelet Transform (CWT), yaitu semi discrete transformasi fourier
(juga dikenal sebagai wavelet series) dan discrete wavelet transform.
 Mengekspresikan prosedur diskritisasi di atas dalam istilah matematika, diskritisasi skala
adalah s = s_0 ^ j, dan diskritisasi translasi adalah tau = k.s_0^j.tau_0 yang mana s_0> 1 dan
tau_0> 0. Perhatikan, bagaimana diskritisasi translasi bergantung pada diskretisasi skala dengan
s_0.
Fungsi wavelet kontinu

Persamaan 3.22

Persamaan 3.23
Dengan memasukkan s=s_0^j dan tau=k.s_0^j.tau_0
Jika {psi_(j,k)} merupakan basis ortonormal, wavelet series transform menjadi

Persamaan 3.24
Atau

Persamaan 3.25
Wavelet series mensyaratkan bahwa {psi_ {j, k)} dapat berupa ortonormal, biorthogonal, atau
frame. Jika {psi_ (j,k)^*(t)} tidak ortonormal, persamaan 3.24 menjadi

Persamaan 3.26
Dengan hat{psi_{j,k}^*(t)} adalah basis biorthogonal ganda atau frame ganda (catatan : *
menunjukkan konjugat).
Jika {psi_(j,k)} adalah ortonormal atau biorthogonal, transformasi akan menjadi non-
redundant, yang mana seolah-olah mereka membentuk frame, transformasi akan menjadi
redundant. Di sisi lain, jauh lebih mudah untuk menemukan frame daripada menemukan basis
ortonormal atau biorthogonal.
 Analogi berikut dapat menyelesaikan konsep ini. Pertimbangkan seluruh proses sebagai
melihat objek tertentu. Mata manusia pertama-tama menentukan coarse view yang tergantung
pada jarak mata ke objek. Ini sesuai dengan menyesuaikan parameter skala s_0^(-j)}. Ketika
melihat objek yang sangat dekat, dengan detail besar, j adalah negatif dan besar (skala rendah,
frekuensi tinggi, menganalisis detail dalam sinyal). Pergerakan kepala (atau mata) sangat lambat
dan dengan kenaikan sangat kecil (sudut, jarak, tergantung pada objek yang sedang dilihat),
sesuai dengan perubahan kecil dari waktu (tau), tau=k.s_0 ^ .tau_0. Perhatikan bahwa ketika j
adalah negatif dan besar, itu sesuai dengan perubahan kecil dalam waktu, tau (high sampling
rate) dan perubahan besar dalam s_0^-j (skala rendah, frekuensi tinggi, di mana sampling rate
tinggi). Parameter skala dapat dianggap sebagai pembesaran juga.
Seberapa rendah sampling rate memungkinkan merekonstruksi sinyal? Ini adalah
pertanyaan utama yang harus dijawab untuk mengoptimalkan prosedur. Nilai yang paling
nyaman (dalam hal pemrograman) ditemukan "2" untuk s_0 dan "1" untuk tau. Jelas, ketika laju
pengambilan sampel dipaksa serendah mungkin, jumlah wavelet ortonormal yang tersedia juga
berkurang.
Continuous wavelet transform yang diberikan dalam bab ini sebenarnya adalah wavelet
series dari sinyal yang diberikan. Parameter yang dipilih tergantung pada sinyal. Karena
rekonstruksi tidak diperlukan, laju pengambilan sampel kadang-kadang jauh di bawah nilai kritis
di mana s_0 bervariasi dari 2 hingga 10, dan tau_0 bervariasi dari 2 hingga 8, untuk contoh yang
berbeda.