1) periodic wavelet transform
周期小波变换
1.
The fast solution of the electromagnetic scattering problem using the periodic wavelet transform;
用周期小波变换快速求解电磁散射问题
2.
Method of structural damage identification based on periodic wavelet transform;
通过对结构损伤前后模态特征的变化进行分析,利用损伤结构的位移振型函数构造出曲率振型函数γi(x),然后再在曲率振型函数的基础上提出一个用于探测和评定损伤程度的新指标———损伤因子r(x)=∑i∈Idγi2(x);基于小波分析的方法,对损伤因子进行周期小波变换,通过小波系数的取值范围提出了一种结构损伤定位和损伤程度的评估方法。
2) D DPWT
二维离散周期小波变换
1.
A modified algorithm is developed for the 2-D discrete periodized wavelet transformation (DPWT), based on the non-separable 2-D DPWT.
对于非分离二维离散周期小波变换 ,提出了一种改进的算法 ,与传统二维金字塔算法相比 ,改进后的算法乘法量减少一半 ,而且对同样的滤波器系数精度 ,利用改进后的算法得到的输出信噪比 (SNR)可以提高一
3) periodic wavelet
周期小波
1.
In the algorithm the characteristic of periodic wavelet on L~2([0,l]) and the Hilbert kernel were used to solve and make the stiff matrix lower dimension and become sparser through threshold.
利用L~2([0，1])上的周期小波和Hilbert核的特点降低刚性矩阵的维数；并且通过阈值使得矩阵更加稀疏，以减少计算量和节省存储空间。
4) periodic wavelets
周期小波
1.
Decomposition algorithms and reconstruction algorithms of periodic wavelets based on orthogonal splines;
基于正交样条周期小波的分解和重构算法
5) cycle transformation
周期变换
1.
The property of the point on sphere under continuous mapping is discussed with Smith cycle transformation theory and the index under cycle transformation on sphere.
本文应用Ｓｍｉｔｈ周期变换理论，根据球面在周期变换下的指数，对球面上的点在连续映射下的性质作了进一步探讨，从而丰富了ＢｏｒｓｕｋＵｌａｍ定理。
6) periodic quasi wavelet
周期拟小波
补充资料：离散时间非周期序列的傅里叶变换
把一个非周期的时间序列用连续频率的周期函数表示的一种变换方法。离散时间非周期序列χ(n)的傅里叶变换定义为
(1)
式中n为序号；ω为角频率，是代表角度的连续变量，单位为弧度。由于e是ω的连续的周期函数,所以X(ejw)也是ω的连续的周期函数，其周期为2。
从给定的 X(ejw)求χ(n)的过程称为上述变换的逆变换。变换与逆变换的关系为
(2)
式(2)可以从式(1)导出。χ(n)和X(ejw)称为离散时间非周期序列的傅里叶变换对。
X(ejw)为ω的函数,它是一个复函数，可用幅度及相位的形式表示为
(3)
式中|X(ejw)|和φ(ω)分别称为X(ejw)的幅度和相位。它们都是ω的函数。幅度|X(ejw)|随频率的变化称为幅频特性；相位φ(ω)随ω的变化称为相频特性。
抽样序列的傅里叶变换 实际应用中，离散时间序列多是由对连续时间信号进行抽样得到的。在理想抽样情况下,一给定连续时间信号χ(t)的抽样信号χc(t)定义为
(4)
式中T为抽样的时间间隔，为一单位冲激串序列，χc(t)为抽样后的冲激序列,χ(nT)为在t=nT处的抽样值。
若χ(t)的傅里叶变换为χ(jΩ)，且令ΩT＝ω，则χc(t)的傅里叶变换X(ejw)定义为
(5)
式(5)的X(ejw)可以有两种形式，即
(6)
和
(7)
式中Ωc＝2/T。式(6)说明抽样信号χc(t)的傅里叶变换等于抽样值χ(nT)序列的傅里叶变换;式(7)说明χc(t)的傅里叶变换X(ejw)是连续时间信号χ(t)的傅里叶变换X(jΩ)的周期延拓，而在幅度上相差一个1/T因子。
自相关函数及其能量(密度)谱或功率(密度)谱 在研究平稳随机信号通过线性系统时，由于随机信号不是能量有限信号,不符合绝对可积的条件,所以一般说来它的傅里叶变换是不存在的。因此，在随机信号χ(n)通过确定性线性系统h(n)时，虽然系统的响应y(n)可写成时域卷积的形式，但却无法进行频域分析。为此需研究信号的统计量的分析,即研究信号通过系统前后的均值,相关函数和协方差函数等。从能量有限确定性信号开始，着重说明功率有限信号的自相关函数和功率谱。
设χ(n)为一实数离散时间非周期序列。称为χ(n)的总能量。如果是有界的，则称χ(n)为能量有限信号,简称能量信号。令
(8)
式中rx(m)称为χ(n)序列的自相关函数。它也是一个能量有限的序列。rx(m)的傅里叶变换等于|X(ejw)|2,即
(9)
式中X(ejw)是χ(n)的傅里叶变换。它是一个周期的连续频率函数。由于从式(9)可得
(10)
而式(10)等号左侧为信号的总能量，所以|X(ejw)|2正比于单位角度内的信号能量,它又是随角频率ω而分布的，所以称它为信号χ(n)的能量密度谱，简称能量谱。
对于能量是无界的信号，定义信号的功率为(11)
如果Px是有界的，则称χ(n)为功率有限信号，简称功率信号。这时再定义
(12)
式中Rx(m)称为序列χ(n)的自相关函数。可以看出，Rx(m)也是一个功率有限序列。Rx(m)的傅里叶变换
(13)
但
(14)
因为式(14)中等号左侧为信号χ(n)的功率，所以等号右侧的正比于单位角度内的信号功率，并称它为功率密度；又由于它是随频率分布的，所以称之为功率密度谱，以Sx(ejw)表示，即
(15)
如果信号χ(n)的功率用Px表示，则式(14)变成
(16)
式(9)和式(15)分别为自相关函数rx(m)和Rx(m)对于能量谱|X(ejw)|2和功率谱Sx(ejw)的傅里叶变换关系。这两个关系都称为维纳-钦辛定理。式(10)与式(16)分别称为能量信号与功率信号的帕舍伐尔关系。
(1)
式中n为序号；ω为角频率，是代表角度的连续变量，单位为弧度。由于e是ω的连续的周期函数,所以X(ejw)也是ω的连续的周期函数，其周期为2。
从给定的 X(ejw)求χ(n)的过程称为上述变换的逆变换。变换与逆变换的关系为
(2)
式(2)可以从式(1)导出。χ(n)和X(ejw)称为离散时间非周期序列的傅里叶变换对。
X(ejw)为ω的函数,它是一个复函数，可用幅度及相位的形式表示为
(3)
式中|X(ejw)|和φ(ω)分别称为X(ejw)的幅度和相位。它们都是ω的函数。幅度|X(ejw)|随频率的变化称为幅频特性；相位φ(ω)随ω的变化称为相频特性。
抽样序列的傅里叶变换 实际应用中，离散时间序列多是由对连续时间信号进行抽样得到的。在理想抽样情况下,一给定连续时间信号χ(t)的抽样信号χc(t)定义为
(4)
式中T为抽样的时间间隔，为一单位冲激串序列，χc(t)为抽样后的冲激序列,χ(nT)为在t=nT处的抽样值。
若χ(t)的傅里叶变换为χ(jΩ)，且令ΩT＝ω，则χc(t)的傅里叶变换X(ejw)定义为
(5)
式(5)的X(ejw)可以有两种形式，即
(6)
和
(7)
式中Ωc＝2/T。式(6)说明抽样信号χc(t)的傅里叶变换等于抽样值χ(nT)序列的傅里叶变换;式(7)说明χc(t)的傅里叶变换X(ejw)是连续时间信号χ(t)的傅里叶变换X(jΩ)的周期延拓，而在幅度上相差一个1/T因子。
自相关函数及其能量(密度)谱或功率(密度)谱 在研究平稳随机信号通过线性系统时，由于随机信号不是能量有限信号,不符合绝对可积的条件,所以一般说来它的傅里叶变换是不存在的。因此，在随机信号χ(n)通过确定性线性系统h(n)时，虽然系统的响应y(n)可写成时域卷积的形式，但却无法进行频域分析。为此需研究信号的统计量的分析,即研究信号通过系统前后的均值,相关函数和协方差函数等。从能量有限确定性信号开始，着重说明功率有限信号的自相关函数和功率谱。
设χ(n)为一实数离散时间非周期序列。称为χ(n)的总能量。如果是有界的，则称χ(n)为能量有限信号,简称能量信号。令
(8)
式中rx(m)称为χ(n)序列的自相关函数。它也是一个能量有限的序列。rx(m)的傅里叶变换等于|X(ejw)|2,即
(9)
式中X(ejw)是χ(n)的傅里叶变换。它是一个周期的连续频率函数。由于从式(9)可得
(10)
而式(10)等号左侧为信号的总能量，所以|X(ejw)|2正比于单位角度内的信号能量,它又是随角频率ω而分布的，所以称它为信号χ(n)的能量密度谱，简称能量谱。
对于能量是无界的信号，定义信号的功率为(11)
如果Px是有界的，则称χ(n)为功率有限信号，简称功率信号。这时再定义
(12)
式中Rx(m)称为序列χ(n)的自相关函数。可以看出，Rx(m)也是一个功率有限序列。Rx(m)的傅里叶变换
(13)
但
(14)
因为式(14)中等号左侧为信号χ(n)的功率，所以等号右侧的正比于单位角度内的信号功率，并称它为功率密度；又由于它是随频率分布的，所以称之为功率密度谱，以Sx(ejw)表示，即
(15)
如果信号χ(n)的功率用Px表示，则式(14)变成
(16)
式(9)和式(15)分别为自相关函数rx(m)和Rx(m)对于能量谱|X(ejw)|2和功率谱Sx(ejw)的傅里叶变换关系。这两个关系都称为维纳-钦辛定理。式(10)与式(16)分别称为能量信号与功率信号的帕舍伐尔关系。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条