基于数据驱动的自适应正交小波基优化算法(Python)

代码实现了一个基于数据驱动的自适应正交小波基优化算法,主要功能包括:

  1. 数据生成与初始化:

生成高斯白噪声数据集(32×1000矩阵)

设置5级小波分解结构和初始参数(方差惩罚因子λ₂=0.02)

  1. 分层小波基优化:

参数化滤波器组:使用角度参数γ和θ表示正交小波滤波器

优化目标函数:最小化投影能量(数据在奇数小波基上的投影平方和)和方差惩罚项(控制滤波器在频域的集中度)

L-BFGS优化:采用拟牛顿法高效求解非线性优化问题

逐层细化:从粗到细逐级优化,每层优化后衰减惩罚因子(λ₂←λ₂/4)

  1. 小波变换与重构:

自适应DWT:使用优化后的小波基对数据进行变换

IDWT重构:通过脉冲响应重构各层小波函数

多尺度分析:在5个不同尺度上分析信号特征

  1. 可视化与输出:

绘制优化后的小波函数(垂直偏移显示)

保存结果为高清图像(optimized_wavelets.png)

创新点:通过数据驱动方式自动学习最优小波基,相比传统固定小波基(如Daubechies),能更好地匹配输入数据的统计特性,在信号处理、特征提取等应用中具有优势

复制代码
import torch
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plt
import time

# ================================================================
# 辅助函数
# ================================================================

def dwtos(z, u, v):
    """
    单级离散小波变换 (DWT)
    
    参数:
        z : 输入信号 (N x m, N 应为偶数)
        u : 低通滤波器 (N x 1)
        v : 高通滤波器 (N x 1)
    
    返回:
        w : 小波系数 (N x m)
    """
    # 获取输入信号的维度
    N, m = z.shape
    
    # 计算低通滤波器的共轭翻转 (周期延拓)
    utilde = torch.conj(torch.roll(torch.flip(u, dims=[0]), shifts=1, dims=0))
    
    # 计算高通滤波器的共轭翻转 (周期延拓)
    vtilde = torch.conj(torch.roll(torch.flip(v, dims=[0]), shifts=1, dims=0))
    
    # 修复维度问题: 将滤波器扩展为与信号相同的维度
    vtilde = vtilde.view(-1, 1)  # 从 (N,) 变为 (N, 1)
    utilde = utilde.view(-1, 1)  # 从 (N,) 变为 (N, 1)
    
    # 频域卷积和下采样 (高通路径)
    # 步骤: FFT -> 频域相乘 -> IFFT -> 下采样(取奇数索引)
    fft_z = torch.fft.fft(z, dim=0)
    fft_vtilde = torch.fft.fft(vtilde, dim=0)
    # 修复: 确保维度匹配
    x = torch.fft.ifft(fft_z * fft_vtilde, dim=0)
    x = x[::2, :]  # 下采样 (每隔一个点取一个)
    
    # 频域卷积和下采样 (低通路径)
    fft_utilde = torch.fft.fft(utilde, dim=0)
    y = torch.fft.ifft(fft_z * fft_utilde, dim=0)
    y = y[::2, :]  # 下采样 (每隔一个点取一个)
    
    # 合并高通和低通结果
    w = torch.cat((x, y), dim=0)
    return w

参考文章:

基于数据驱动的自适应正交小波基优化算法(Python) - 哥廷根数学学派的文章
https://zhuanlan.zhihu.com/p/1967881688173508575

相关推荐
玩美数据13 分钟前
海外市场数据分析驱动下的产业趋势演变与竞争格局深度解读
大数据·人工智能
oil欧哟19 分钟前
Oil Studio 的产品思路与日常使用方式:在 Mac 上录口播演示,并接入 AI Agent 精剪与自动录屏
人工智能·macos
意念回复1 小时前
从 RNN 到 GQA:自注意力与多头注意力机制全解析
人工智能·rnn·深度学习
2601_967987371 小时前
Python类变量和实例变量(类属性和实例属性)
python·类变量·实例变量·类属性·实例属性
Flynn Liang1 小时前
AI Agent 分层记忆体系实战:用 Redis 五类结构构建可淘汰、可追溯的长短期记忆
数据库·人工智能·redis
CyrusYiVPP1 小时前
新用户第二周还剩几个?pandas做留存率cohort分析,数据分析实战第6期
人工智能·python
谙弆悕博士1 小时前
多智能体架构详解:网状去中心化架构(Mesh对等P2P)
人工智能·架构·去中心化·p2p·多智能体·智能体·langgraph
Funlang1 小时前
RISC-V 上的 Fun:第四套机器码
开发语言·risc-v·龙芯
吴佳浩8 小时前
我把 HAMi 摆回一台双卡机器上跑了一遍:GPU 编排的性能账,到底记在谁头上
人工智能·gpu
feixing_fx9 小时前
第一个 JS 程序:在浏览器控制台和 Node 中分别运行
开发语言·前端·javascript·前端框架·ecmascript