Wavelet (original) (raw)
Les ondetes són funcions matemàtiques que divideixen un senyal en diferents components freqüencials, i després estudien cada component amb una resolució que depèn de la seva escala.
| Property | Value |
|---|---|
| dbo:abstract | Les ondetes són funcions matemàtiques que divideixen un senyal en diferents components freqüencials, i després estudien cada component amb una resolució que depèn de la seva escala. (ca) Vlnka (anglicky wavelet) je funkce používaná k rozkladu funkce nebo signálu vlnkovou transformací. Anglický výraz wavelet zavedli v počátcích 80. let 20. století francouzští fyzikové a . Použili francouzské slovo ondelette (malá vlna, vlnka). Záhy bylo toto slovo přeneseno do angličtiny překladem francouzského onde (vlna) na anglické wave. Tím vznikl termín wavelet. Vlnka je funkce z Hilbertova prostoru a musí splňovat následující podmínky. (cs) المُوَيْجة هي تذبذب يشبه الموجة بسعة تبدأ من الصفر، وتزداد أو تنقص، ثم تعود إلى الصفر مرة واحدة أو أكثر. تسمى المويجات بـ «التذبذب القصير». تم وضع تصنيف للمويجات، بناءً على عدد واتجاه نبضاتها. تتمتع المويجات بخصائص محددة تجعلها مفيدة لمعالجة الإشارات. وهي دالة من أساس التفكيك إلى مويجات، والتفكيك الدوال إلى مويجات تفكيك مماثل لما يسمى تحويل فورييه المنقطع، ويستخدم بشكل واسع في معالجة الإشارات. وهو يتوافق مع فكرة بديهية لدالة تمثل ذبذبة صغيرة ومن هنا أتى اسمها.مع ذلك، فإنه له اختلافين أساسيين مع تحويل فورييه: * يمكن أن نستعمل فيه أساس للدوال مختلفة وليس بالضرورة دوالا جيبية. * هناك علاقة تربط بين عرض الغلاف وتردد الذبذبات: حيث يتم عمل للمويجة وليس فقط ذبذبة. ومع ذلك، فإنه ليس بتشكيل رياضي مختلفة عن تحويل فورييه، ولكنه مكمل له؛ فالتفكيك إلى مويجات يستعمل التشكيل الرياضي لفورييه. (ar) Mit dem Begriff Wavelet wird in der Mathematik eine Gruppe von Funktionen mit wellenartigem Charakter bezeichnet. Das Wort ist eine Neuschöpfung aus dem französischen „ondelette“, das „kleine Welle“ bedeutet und teils wörtlich („onde“→„wave“), teils phonetisch („-lette“→„-let“) ins Englische übertragen wurde. Wavelets beschreiben die Basisfunktion einer kontinuierlichen oder diskreten Wavelet-Transformation. Die Wavelet-Transformation ist das aktuelle Hauptanwendungsgebiet für Wavelet-Funktionen. (de) En matematiko, ondosimilaĵo estas ondo-simila oscilado, kies amplitudo startas je nulo, pligrandiĝas, kaj tiam malpligrandiĝas reen al nulo. Ĝi povas tipe esti videbligita kiel lakona oscilado. Ondosimilaĵo estas osciloforma signalo de finia longo (tempodaŭro), aŭ ĝi estas de malfinia longo sed rapide proksimiĝas al nulo kiam la tempa koordinato malproksimiĝas for de la ĉefa tempodaŭro de la ondosimilaĵo. Ĝenerale, ondosimilaĵoj estas speciale konstruataj por havi specifajn propraĵojn, kiuj faras ilin utilajn por signal-prilaborado. Ondosimilaĵoj povas esti kombinitaj per kunfaldaĵoj (ŝovo, multipliko kaj sumo) kun donita signalo por ekstrakti informon pri la signalo. Ondosimilaĵo estas matematika funkcio uzata por disdividi donitan funkcion aŭ en malsamajn skalajn komponantojn. Kutime unu povas asigni frekvencan bendon al ĉiu skala komponanto. Ĉiu skala komponanto povas tiam esti studata kun distingokapablo respektiva al ĝia skalo. Ondosimilaĵa konverto estas la prezento de funkcio per ondosimilaĵoj. La ondosimilaĵoj estas kaj movataj kopioj (nomataj kiel filinaj ondosimilaĵoj) de la fonta ondosimilaĵo (nomata kiel la patrina ondosimilaĵo). Ondosimilaĵaj konvertoj havas iujn avantaĝojn super tradiciaj konvertoj de Fourier por prezentado de funkcioj, kiuj havas nekontinuecojn kaj akrajn kulminojn, kaj por precize malkonstrui kaj rekonstrui finiajn ne-periodajn aŭ ne- signalojn. (eo) Une ondelette est une fonction à la base de la décomposition en ondelettes, décomposition similaire à la transformée de Fourier à court terme, utilisée dans le traitement du signal. Elle correspond à l'idée intuitive d'une fonction correspondant à une petite oscillation, d'où son nom. Cependant, elle comporte deux différences majeures avec la transformée de Fourier à court terme : * elle peut mettre en œuvre une base différente, non forcément sinusoïdale ; * il existe une relation entre la largeur de l'enveloppe et la fréquence des oscillations : on effectue ainsi une homothétie de l'ondelette, et non seulement de l'oscillation. Toutefois, il ne s'agit pas d'un formalisme différent de la transformée de Fourier, mais complémentaire, la décomposition en ondelettes utilisant le formalisme de Fourier. La technique des ondelettes est particulièrement utilisée pour la compression de données informatiques et d'images. (fr) La transformada de ondícula es un tipo especial de transformada matemática que representa una señal en términos de versiones trasladadas y dilatadas de una onda finita (denominada óndula madre). La teoría de ondículas está relacionada con campos muy variados. Todas las transformaciones de ondículas pueden ser consideradas formas de representación en tiempo-frecuencia y, por tanto, están relacionadas con el análisis armónico. Las transformadas de ondículas son un caso particular de filtro de respuesta finita al impulso. Las óndulas, continuas o discretas, como cualquier función L2, responden al principio de incertidumbre de Hilbert (conocido en física como principio de incertidumbre de Heisenberg), el cual establece que producto de las dispersiones obtenidas en el espacio directo y en el de las frecuencias no puede ser más pequeño que una cierta constante geométrica. En el caso de las ondículas discretas, la dispersión de los coeficientes se ha de medir de acuerdo con la norma l2 (norma 2 de series numerables). (es) Teori wavelet adalah suatu konsep yang relatif baru dikembangkan. Kata “Wavelet” sendiri diberikan oleh dan pada awal tahun 1980-an, dan berasal dari bahasa Prancis, “ondelette” yang berarti gelombang kecil. Kata “onde” yang berarti gelombang kemudian diterjemahkan ke bahasa Inggris menjadi “wave”, lalu digabung dengan kata aslinya sehingga terbentuk kata baru “wavelet”. (in) A wavelet is a wave-like oscillation with an amplitude that begins at zero, increases or decreases, and then returns to zero one or more times. Wavelets are termed a "brief oscillation". A taxonomy of wavelets has been established, based on the number and direction of its pulses. Wavelets are imbued with specific properties that make them useful for signal processing. For example, a wavelet could be created to have a frequency of Middle C and a short duration of roughly one tenth of a second. If this wavelet were to be convolved with a signal created from the recording of a melody, then the resulting signal would be useful for determining when the Middle C note appeared in the song. Mathematically, a wavelet correlates with a signal if a portion of the signal is similar. Correlation is at the core of many practical wavelet applications. As a mathematical tool, wavelets can be used to extract information from many different kinds of data, including – but not limited to – audio signals and images. Sets of wavelets are needed to analyze data fully. "Complementary" wavelets decompose a signal without gaps or overlaps so that the decomposition process is mathematically reversible. Thus, sets of complementary wavelets are useful in wavelet-based compression/decompression algorithms, where it is desirable to recover the original information with minimal loss. In formal terms, this representation is a wavelet series representation of a square-integrable function with respect to either a complete, orthonormal set of basis functions, or an overcomplete set or frame of a vector space, for the Hilbert space of square integrable functions. This is accomplished through coherent states. In classical physics, the diffraction phenomenon is described by the Huygens–Fresnel principle that treats each point in a propagating wavefront as a collection of individual spherical wavelets. The characteristic bending pattern is most pronounced when a wave from a coherent source (such as a laser) encounters a slit/aperture that is comparable in size to its wavelength. This is due to the addition, or interference, of different points on the wavefront (or, equivalently, each wavelet) that travel by paths of different lengths to the registering surface. Multiple, closely spaced openings (e.g., a diffraction grating), can result in a complex pattern of varying intensity. (en) 웨이블릿(wavelet)이란 0을 중심으로 증가와 감소를 반복하는 진폭을 수반한 파동 같은 진동을 말한다. 그것은 지진계나 심박 체크에 기록되어 보이는 것과 같은 전형적인 "짧은 진동"의 형태로 나타난다. 일반적으로 웨이블릿은 신호 처리에 유용한 특정한 성질을 가지도록 하는 목적을 가지고 만들어진다. 웨이블릿은 합성곱(convolution) 기술을 통해 알고 있는 신호와 결합하여, 알려지지 않은 신호로부터 정보를 추출하는데에 사용될 수 있다. 예를 들어 가온 도(Middle C) 주파수와 대략 32분 음표 정도의 길이를 가진 웨이블릿을 생성할 수 있다. 만약 웨이블릿이 노래의 녹음본에서 생성된 신호와 합성곱 된다면, 그 결과를 통해 노래에서 언제 미들 C 노트가 재생되고 있었는지를 아는 데 유용할 것이다. 수학적으로, 어떤 알려지지 않은 신호가 웨이블릿과 유사한 주파를 가진다면 웨이블릿은 공진할 것이다. 이것은 소리굽쇠가 물리적으로 특정 소리굽쇠 주파가 가지는 음파와 공진하는 것과 같다. 공명의 개념은 웨이블릿 이론의 많은 실용적인 응용 프로그램들의 핵심이다. 웨이블릿은 오디오 신호, 이미지 뿐 아니라 다른 다양한 종류의 데이터로부터 정보를 추출하는데 사용될 수 있는 수학적 도구이다.데이터를 완전히 분석하기 위해서는 일련의 웨이블릿이 추가적으로 필요하다. 이러한 일련의 "보완적인" 웨이블릿은 빠짐(gap)이나 중복(overlap) 없이 데이터를 분해할 수 있어, 분해 과정은 수학적으로 가역적(reversible)이다.그러므로 이러한 일련의 보완적인 웨이블릿은 손실을 최소화하며 원정보를 복원하도록 설계된 웨이블릿 기반의 압축/해제 알고리즘에서 유용하다. 수학적으로, 이 표현방식(representation)은 제곱 적분 가능 함수(L2 function)의 힐베르트 공간을 위한 완비, 직교 기저 함수의 집합 혹은 overcompelete 집합 혹은 벡터 공간의 프레임에 관한 제곱 적분 가능 함수의 웨이블릿 시리즈 표현방식이다. (ko) Een wavelet is een golfvormige trilling met een amplitude die begint op nul, daarna toeneemt, en vervolgens weer afneemt tot nul. Een wavelet kan doorgaans worden gevisualiseerd als een "kortdurende trilling", zoals de trilling die wordt opgenomen door een seismograaf of een hartslagmonitor. In het algemeen worden wavelets doelbewust geconstrueerd met het oog op specifieke eigenschappen die ze geschikt maken voor toepassing bij de signaalverwerking. Wavelets kunnen gebruikt worden voor convolutie met onbekende signalen om zo specifieke informatie te onttrekken aan dit onbekende signaal. De convolutie berekent in welke mate het onbekende signaal op elk moment overeenkomt met de wavelet. De gemiddelde waarde van een wavelet is nul. Een wavelet kan bijvoorbeeld gecreëerd worden met dezelfde frequentie als de C noot en een korte tijdsduur die ongeveer gelijk is aan de duur van een 32e noot. Als je dan de convolutie zou berekenen van deze wavelet met het signaal gecreëerd door de opname van een lied, dan zou het resulterende signaal gebruikt kunnen worden om te bepalen wanneer er overal in het lied een C gespeeld werd. Wiskundig gezien zal de wavelet correleren met het onbekende signaal als dat signaal informatie bevat van een gelijkaardige frequentie. Het is deze correlatie die aan de basis ligt van de vele praktische toepassingen van de wavelettheorie. Wavelets worden vaak gebruikt als wiskundig hulpmiddel om informatie te onttrekken uit verschillende soorten data, waarvan de populairste geluidssignalen en afbeeldingen zijn. Om data volledig te kunnen analyseren is er meestal een hele verzameling van verschillende wavelets nodig. Een verzameling van complementaire wavelets kan data volledig ontleden zonder ontbrekende of overlappende delen, zodat deze ontleding wiskundig inverteerbaar is. Het spreekt dus voor zich dat zulke verzamelingen van complementaire wavelets erg nuttig zijn voor datacompressie en -decompressie algoritmen, waar het meestal de bedoeling is om de originele informatie te kunnen reconstrueren met een minimum aan verlies. Formeel gesproken is zo'n voorstelling een waveletreeks van een kwadratisch integreerbare functie ten opzichte van een complete, orthonormale verzameling van basisfuncties, of van een overcomplete verzameling of van een vectorruimte, voor de Hilbertruimte van kwadratisch integreerbare functies. (nl) Wavelet o ondicelle, analisi wavelet, e trasformata wavelet si riferiscono alla rappresentazione di un segnale mediante l'uso di una forma d'onda oscillante di lunghezza finita o a decadimento rapido (nota come wavelet madre). Questa forma d'onda è e traslata per adattarsi al segnale in ingresso. (it) ウェーブレット（英: wavelet）やマザーウェーブレット（英: mother wavelet）とは、数学において、局在する波、つまり、有限の長さの波もしくは速やかに減衰する波の事。ファーザーウェーブレット（英: father wavelet）とは、多重解像度解析にて使われる、マザーウェーブレット関数とセットで使われるスケーリング関数の事。waveletはwave（波）とlet（小さい）の合成語である。 ウェーブレット変換・ウェーブレット解析とは、ウェーブレットを用いて変換・解析する事。信号表現は入力信号に合致するようなウェーブレット波形の拡大縮小（スケーリング）・平行移動（シフト）により行われる。より正確には、この信号表現はウェーブレット系列と呼ばれ、これは2乗可積分関数のヒルベルト空間における完全正規直交系の基底関数集合（正規直交基底）を用いた線形基底展開である。 (ja) Falki (ang. wavelet) – rodziny funkcji zbioru liczb rzeczywistych w zbiorze liczb rzeczywistych, z których każda jest wyprowadzona z funkcji-matki (z tzw. funkcji macierzystej) za pomocą przesunięcia i skalowania: gdzie: – liczby całkowite, – funkcja-matka, – falka o skali i przesunięciu (zwana też funkcją falkową). Funkcje te dążą do zera (lub po prostu wynoszą zero poza pewnym przedziałem) dla argumentu dążącego do nieskończoności, zaś ich suma ważona umożliwia przedstawienie z dowolną dokładnością dowolnej funkcji ciągłej całkowalnej z kwadratem, podobnie jak funkcje cosinus o różnych okresach i przesunięciach umożliwiają przedstawienie z dowolną dokładnością każdej całkowalnej funkcji okresowej (zob. transformata Fouriera). Falki są używane w analizie i przetwarzaniu sygnałów cyfrowych, w kompresji obrazu i dźwięku, do rozwiązywania równań różniczkowych cząstkowych oraz w wielu innych dziedzinach. Najprostsze z nich to falki Haara. (pl) Onduleta (português europeu) ou ondaleta (português brasileiro) (em inglês: wavelet) é uma função capaz de decompor e descrever ou representar outra função (ou uma série de dados) originalmente descrita no domínio do tempo (ou outra ou outras várias variáveis independentes, como o espaço), de forma a podermos analisar esta outra função em diferentes escalas de frequência e de tempo. A decomposição de uma função com o uso de wavelets é conhecida como "transformada wavelet" e tem suas variantes e discreta. Graças à capacidade de decompor as funções tanto no domínio da frequência quanto no domínio do tempo, as funções wavelet são ferramentas poderosas de processamento de sinais, muito aplicadas na compressão de dados, eliminação de ruído, separação de componentes no sinal, identificação de singularidades, detecção de auto-semelhança, e muito mais. A exemplo de outras transformadas, sua definição pode ser expandida de forma a abarcar um maior número de dimensões; por exemplo, para tratamento de imagens, pode-se usar a transformada de wavelet bidimensional. (pt) Wavelet, även krusning eller vågelement, är en typ av basfunktion för (jämför fouriertransformation). I motsats till sinus och cosinus har en wavelet inte bara beroende i frekvensdomänen utan också i tidsdomänen. En wavelet kan visualiseras som en våg som tonas in eller ut; därifrån kommer det franska ordet ondelette och det engelska wavelet. Den enklaste waveleten är Haars wavelet. Inom naturvetenskap används Morlets wavelet. Det finns också som har maximalt antal noll-moment för 0-frekvensen för att vara en ortonormal transform för varje given filterstorlek. Det finns även kopplingar mellan wavelets, stokastiska processer och fraktaler för signalbehandling. (sv) Ве́йвлет (англ. wavelet — небольшая волна, рябь; также всплеск, реже — вэйвлет) — математическая функция, позволяющая анализировать различные частотные компоненты данных. График функции выглядит как волнообразные колебания с амплитудой, уменьшающейся до нуля вдали от начала координат. Однако это частное определение — в общем случае анализ сигналов производится в плоскости вейвлет-коэффициентов (масштаб — время — уровень) (Scale-Time-Amplitude). Вейвлет-коэффициенты определяются интегральным преобразованием сигнала. Полученные вейвлет-спектрограммы принципиально отличаются от обычных спектров Фурье тем, что дают чёткую привязку спектра различных особенностей сигналов ко времени. (ru) 小波分析（英語：wavelet analysis）或小波轉換（英語：wavelet transform）是指用有限長或快速衰減的「母小波」（mother wavelet）的振盪波形來表示信號。該波形被縮放和平移以匹配輸入的信號。 「小波」（英語：wavelet）一詞由吉恩·莫莱特和在1980年代早期提出。他們用的是法語詞ondelette，意思就是「小波」。後來在英語裡，「onde」被改為「wave」而成了wavelet。 小波變化的發展，承襲加伯轉換的局部化思想，並且克服了傅立葉和加伯轉換的部分缺陷，小波變換提供了一個可以調變的時頻窗口，窗口的寬度（width）隨著頻率變化，頻率增高時，時間窗口的寬度就會變窄，以提高解析度．小波在整個時間範圍內的振幅平均值為0，具有有限的持續時間和突變的頻率與震幅，可以是不規則，或不對稱的訊號。 小波變換分成兩個大類：離散小波變換（DWT） 和連續小波轉換（CWT）。兩者的主要區別在於，連續變換在所有可能的縮放和平移上操作，而離散變換採用所有縮放和平移值的特定子集。 小波理論和幾個其他課題相關。所有小波變換可以視為的形式，所以和調和分析相關。所有實際有用的「離散小波變換」使用包含有限脈衝響應濾波器的濾波器段（filter band）。構成CWT的小波受的制約。 (zh) Вейвлет-перетворення (wavelet, вейвлет, хвильки, хвилькові перетворення). Усі вейвлет-перетворення розглядають функцію (взяту як функцією від часу) у термінах коливань, локалізованих за часом (простором) і частотою. Локальність у просторі означає, що енергія хвильок (вейвлетів) сконцентрована на скінченному інтервалі, так звана функція на компактному носії. Частотна локалізація означає, що перетворення Фур'є хвильки локалізоване. Частотна локалізація функції зводиться до понять гладкості та кількості зникаючих моментів. Вейвлет-перетворення звичайно поділяють на (DWT) та (CWT). (uk) |
| dbo:thumbnail | wiki-commons:Special:FilePath/Seismic_Wavelet.svg?width=300 |
| dbo:wikiPageExternalLink | https://www.scribd.com/document/436856865/Concise-Introduction-to-Wavelets https://sites.google.com/view/jackieshen/ http://www.laurent-duval.eu/siva-wits-where-is-the-starlet.html http://web.njit.edu/~ali/NJITSYMP1990/AkansuNJIT1STWAVELETSSYMPAPRIL301990.pdf http://web.njit.edu/~ali/s1.htm http://www.isye.gatech.edu/~brani/wp/kidsA.pdf http://bigwww.epfl.ch/publications/blu0001.pdf http://www.polyvalens.com/blog/wavelets/theory/ http://wavelets.ens.fr/ENSEIGNEMENT/COURS/UCSB/index.html https://dx.doi.org/10.1016/j.sigpro.2011.04.025 https://www.quantamagazine.org/how-wavelets-allow-researchers-to-transform-and-understand-data-20211013/ https://www.quantamagazine.org/how-wavelets-allow-researchers-to-transform-and-understand-data-20211013/%7Caccess-date=2021-10-20%7Cwebsite=Quanta http://apps.nrbook.com/empanel/index.html%23pg=699 http://www-math.mit.edu/~gs/papers/amsci.pdf |
| dbo:wikiPageID | 50903 (xsd:integer) |
| dbo:wikiPageLength | 50844 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1117517216 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Power_line_communication dbr:Quantum_mechanics dbr:Ronald_Coifman dbr:Scale_space dbr:Electrocardiography dbr:Electroencephalography dbr:Electromyography dbr:Morlet_wavelet dbr:Nanostructure dbr:Haar_Wavelet dbr:Metrology dbr:Basis_function dbr:Dennis_Gabor dbr:Alfréd_Haar dbr:Ali_Akansu dbr:Huygens–Fresnel_principle dbr:Beta_wavelet dbr:Curvelet dbr:DNA dbr:Infinite_impulse_response dbr:Meyer_wavelet dbr:Lifting_scheme dbr:Shearlet dbr:Compact_support dbr:Convolution dbr:Correlation dbr:Gaussian_filter dbr:Gaussian_noise dbr:Generalized_lifting dbr:Orthonormal dbr:Coherence_(physics) dbr:French_language dbr:Frequency dbr:George_Zweig dbr:Gravitational_wave dbr:Motion_JPEG_2000 dbr:Continuous_wavelet_transform dbr:Crystal dbr:Oscillation dbr:Reciprocal_space dbr:Transmission_electron_microscope dbr:Lossless_compression dbr:Lp_space dbr:Chirplet_transform dbr:Signal_processing dbr:Sinc_function dbr:Stationary_process dbr:Stephane_Mallat dbr:Strain_(materials_science) dbr:Stéphane_Mallat dbr:Climate_as_complex_networks dbr:Climatology dbr:Complex_Mexican_hat_wavelet dbr:Complexity dbr:Compressed_sensing dbr:Computer_graphics dbr:Computer_vision dbr:Density_matrix dbr:Yves_Meyer dbr:Fbsp_wavelet dbr:Function_space dbr:Harmonic_analysis dbr:Harmonic_wavelet_transform dbr:Daubechies_wavelets dbr:Orthonormal_basis dbr:Pattern_recognition dbr:Spectrogram dbr:Mathieu_wavelet dbc:Signal_processing dbc:Time–frequency_analysis dbr:Tony_F._Chan dbr:Turbulence dbr:Data_compression dbr:Daubechies_wavelet dbr:Wave_packet dbr:Wavelet_compression dbr:Gabor_atom dbr:Gabor_wavelet dbr:Cohen-Daubechies-Feauveau_wavelet dbr:HD-PLC dbr:Haar_wavelet dbr:Heisenberg_group dbr:Joint_Photographic_Experts_Group dbr:Least-squares_spectral_analysis dbr:Lebesgue_measure dbr:Amplitude dbr:Fast_wavelet_transform dbr:Finite_impulse_response dbr:Fourier_Transform dbr:Fourier_transform dbr:Fractional_Fourier_transform dbr:Barbara_Burke_Hubbard dbc:Wavelets dbr:Panasonic dbr:Parseval's_theorem dbr:Diffraction_grating dbr:Digital_cinema dbr:Discrete_wavelet_transform dbr:Fast_Fourier_transform dbr:Fractal_compression dbr:Fractional_wavelet_transform dbr:Legendre_wavelet dbr:Molecular_dynamics dbr:Short-time_Fourier_transform dbr:Dimension_reduction dbr:Protein dbr:Quadrature_mirror_filter dbr:Ringing_artifacts dbr:Speech_recognition dbr:Hermitian_wavelet dbr:Hilbert_space dbr:Astrophysics dbr:JPEG dbr:JPEG_2000 dbr:Jean_Morlet dbr:Strömberg_wavelet dbr:Ab_initio dbr:Absolutely_integrable_function dbr:Chaos_theory dbr:Alex_Grossmann dbr:Big_O_notation dbr:Binomial_QMF dbr:Biorthogonal_nearly_coiflet_basis dbr:Biorthogonal_system dbr:Coherent_states_in_mathematical_physics dbr:Coiflet dbr:Translation_(geometry) dbr:Modified_Morlet_wavelet dbr:Audio_signal dbr:Auxiliary_function dbr:Classical_physics dbr:Filter_bank dbr:Continuous_signal dbr:Continuous_wavelets dbr:Time-frequency_representation dbr:Apodizing dbr:Darkfield_microscope dbr:Ingrid_Daubechies dbr:Institute_of_Physics dbr:Mexican_hat_wavelet dbr:Middle_C dbr:OFDM dbr:Seismology dbr:Lossy_compression dbr:Sea_surface_temperature dbr:Stationary_wavelet_transform dbr:Scaling_(geometry) dbr:P._P._Vaidyanathan dbr:Wave dbr:Wavefront dbr:Wavelength dbr:Wavelet_packet_decomposition dbr:Neural_oscillation dbr:IEEE_1901 dbr:Image_processing dbr:Fourier_uncertainty_principle dbr:Frame_of_a_vector_space dbr:List_of_wavelet-related_transforms dbr:Optics dbr:Square-integrable_function dbr:Refinable_function dbr:Poisson_wavelet dbr:Gibbs_phenomenon dbr:Scaled_correlation dbr:Multiresolution_analysis dbr:Victor_Wickerhauser dbr:Interference_(wave_propagation) dbr:Noiselet dbr:Non-separable_wavelet dbr:Periodic_function dbr:Set_partitioning_in_hierarchical_trees dbr:Symlet dbr:Shannon_wavelet dbr:Scaleogram dbr:Spline_wavelet dbr:Sampling_theorem dbr:Video_coding_standard dbr:Fourier-related_transforms dbr:Filterbank dbr:Discrete-time dbr:Signal_analysis dbr:Continuous-time dbr:Complete_orthogonal_system dbr:Binomial-QMF dbr:Crystal_defect dbr:Sparse_coding dbr:Multifractal_analysis dbr:Ultra_wideband dbr:Wavelet_series dbr:Wikt:affine dbr:File:MexicanHatMathematica.svg dbr:Beylkin dbr:File:MeyerMathematica.svg dbr:File:Seismic_Wavelet.svg dbr:File:Time_frequency_atom_resolution.png dbr:File:Wavelet_denoising.svg dbr:Villasenor_wavelet dbr:File:Daubechies4-functions.svg dbr:File:MorletWaveletMathematica.svg |
| dbp:id | p/w097160 (en) |
| dbp:title | Wavelet analysis (en) |
| dbp:wikiPageUsesTemplate | dbt:Springer dbt:Citation dbt:Cite_web dbt:Commons dbt:Main dbt:Math dbt:Proper_name dbt:Reflist dbt:Short_description dbt:Snd dbt:Unreferenced_section dbt:Wikiquote dbt:Wiktionary dbt:Isbn dbt:Extlinks dbt:Statistics |
| dct:subject | dbc:Signal_processing dbc:Time–frequency_analysis dbc:Wavelets |
| gold:hypernym | dbr:Oscillation |
| rdfs:comment | Les ondetes són funcions matemàtiques que divideixen un senyal en diferents components freqüencials, i després estudien cada component amb una resolució que depèn de la seva escala. (ca) Vlnka (anglicky wavelet) je funkce používaná k rozkladu funkce nebo signálu vlnkovou transformací. Anglický výraz wavelet zavedli v počátcích 80. let 20. století francouzští fyzikové a . Použili francouzské slovo ondelette (malá vlna, vlnka). Záhy bylo toto slovo přeneseno do angličtiny překladem francouzského onde (vlna) na anglické wave. Tím vznikl termín wavelet. Vlnka je funkce z Hilbertova prostoru a musí splňovat následující podmínky. (cs) Mit dem Begriff Wavelet wird in der Mathematik eine Gruppe von Funktionen mit wellenartigem Charakter bezeichnet. Das Wort ist eine Neuschöpfung aus dem französischen „ondelette“, das „kleine Welle“ bedeutet und teils wörtlich („onde“→„wave“), teils phonetisch („-lette“→„-let“) ins Englische übertragen wurde. Wavelets beschreiben die Basisfunktion einer kontinuierlichen oder diskreten Wavelet-Transformation. Die Wavelet-Transformation ist das aktuelle Hauptanwendungsgebiet für Wavelet-Funktionen. (de) Teori wavelet adalah suatu konsep yang relatif baru dikembangkan. Kata “Wavelet” sendiri diberikan oleh dan pada awal tahun 1980-an, dan berasal dari bahasa Prancis, “ondelette” yang berarti gelombang kecil. Kata “onde” yang berarti gelombang kemudian diterjemahkan ke bahasa Inggris menjadi “wave”, lalu digabung dengan kata aslinya sehingga terbentuk kata baru “wavelet”. (in) Wavelet o ondicelle, analisi wavelet, e trasformata wavelet si riferiscono alla rappresentazione di un segnale mediante l'uso di una forma d'onda oscillante di lunghezza finita o a decadimento rapido (nota come wavelet madre). Questa forma d'onda è e traslata per adattarsi al segnale in ingresso. (it) ウェーブレット（英: wavelet）やマザーウェーブレット（英: mother wavelet）とは、数学において、局在する波、つまり、有限の長さの波もしくは速やかに減衰する波の事。ファーザーウェーブレット（英: father wavelet）とは、多重解像度解析にて使われる、マザーウェーブレット関数とセットで使われるスケーリング関数の事。waveletはwave（波）とlet（小さい）の合成語である。 ウェーブレット変換・ウェーブレット解析とは、ウェーブレットを用いて変換・解析する事。信号表現は入力信号に合致するようなウェーブレット波形の拡大縮小（スケーリング）・平行移動（シフト）により行われる。より正確には、この信号表現はウェーブレット系列と呼ばれ、これは2乗可積分関数のヒルベルト空間における完全正規直交系の基底関数集合（正規直交基底）を用いた線形基底展開である。 (ja) Ве́йвлет (англ. wavelet — небольшая волна, рябь; также всплеск, реже — вэйвлет) — математическая функция, позволяющая анализировать различные частотные компоненты данных. График функции выглядит как волнообразные колебания с амплитудой, уменьшающейся до нуля вдали от начала координат. Однако это частное определение — в общем случае анализ сигналов производится в плоскости вейвлет-коэффициентов (масштаб — время — уровень) (Scale-Time-Amplitude). Вейвлет-коэффициенты определяются интегральным преобразованием сигнала. Полученные вейвлет-спектрограммы принципиально отличаются от обычных спектров Фурье тем, что дают чёткую привязку спектра различных особенностей сигналов ко времени. (ru) 小波分析（英語：wavelet analysis）或小波轉換（英語：wavelet transform）是指用有限長或快速衰減的「母小波」（mother wavelet）的振盪波形來表示信號。該波形被縮放和平移以匹配輸入的信號。 「小波」（英語：wavelet）一詞由吉恩·莫莱特和在1980年代早期提出。他們用的是法語詞ondelette，意思就是「小波」。後來在英語裡，「onde」被改為「wave」而成了wavelet。 小波變化的發展，承襲加伯轉換的局部化思想，並且克服了傅立葉和加伯轉換的部分缺陷，小波變換提供了一個可以調變的時頻窗口，窗口的寬度（width）隨著頻率變化，頻率增高時，時間窗口的寬度就會變窄，以提高解析度．小波在整個時間範圍內的振幅平均值為0，具有有限的持續時間和突變的頻率與震幅，可以是不規則，或不對稱的訊號。 小波變換分成兩個大類：離散小波變換（DWT） 和連續小波轉換（CWT）。兩者的主要區別在於，連續變換在所有可能的縮放和平移上操作，而離散變換採用所有縮放和平移值的特定子集。 小波理論和幾個其他課題相關。所有小波變換可以視為的形式，所以和調和分析相關。所有實際有用的「離散小波變換」使用包含有限脈衝響應濾波器的濾波器段（filter band）。構成CWT的小波受的制約。 (zh) Вейвлет-перетворення (wavelet, вейвлет, хвильки, хвилькові перетворення). Усі вейвлет-перетворення розглядають функцію (взяту як функцією від часу) у термінах коливань, локалізованих за часом (простором) і частотою. Локальність у просторі означає, що енергія хвильок (вейвлетів) сконцентрована на скінченному інтервалі, так звана функція на компактному носії. Частотна локалізація означає, що перетворення Фур'є хвильки локалізоване. Частотна локалізація функції зводиться до понять гладкості та кількості зникаючих моментів. Вейвлет-перетворення звичайно поділяють на (DWT) та (CWT). (uk) المُوَيْجة هي تذبذب يشبه الموجة بسعة تبدأ من الصفر، وتزداد أو تنقص، ثم تعود إلى الصفر مرة واحدة أو أكثر. تسمى المويجات بـ «التذبذب القصير». تم وضع تصنيف للمويجات، بناءً على عدد واتجاه نبضاتها. تتمتع المويجات بخصائص محددة تجعلها مفيدة لمعالجة الإشارات. وهي دالة من أساس التفكيك إلى مويجات، والتفكيك الدوال إلى مويجات تفكيك مماثل لما يسمى تحويل فورييه المنقطع، ويستخدم بشكل واسع في معالجة الإشارات. وهو يتوافق مع فكرة بديهية لدالة تمثل ذبذبة صغيرة ومن هنا أتى اسمها.مع ذلك، فإنه له اختلافين أساسيين مع تحويل فورييه: (ar) En matematiko, ondosimilaĵo estas ondo-simila oscilado, kies amplitudo startas je nulo, pligrandiĝas, kaj tiam malpligrandiĝas reen al nulo. Ĝi povas tipe esti videbligita kiel lakona oscilado. Ondosimilaĵo estas osciloforma signalo de finia longo (tempodaŭro), aŭ ĝi estas de malfinia longo sed rapide proksimiĝas al nulo kiam la tempa koordinato malproksimiĝas for de la ĉefa tempodaŭro de la ondosimilaĵo. (eo) La transformada de ondícula es un tipo especial de transformada matemática que representa una señal en términos de versiones trasladadas y dilatadas de una onda finita (denominada óndula madre). La teoría de ondículas está relacionada con campos muy variados. Todas las transformaciones de ondículas pueden ser consideradas formas de representación en tiempo-frecuencia y, por tanto, están relacionadas con el análisis armónico. Las transformadas de ondículas son un caso particular de filtro de respuesta finita al impulso. Las óndulas, continuas o discretas, como cualquier función L2, responden al principio de incertidumbre de Hilbert (conocido en física como principio de incertidumbre de Heisenberg), el cual establece que producto de las dispersiones obtenidas en el espacio directo y en el de (es) Une ondelette est une fonction à la base de la décomposition en ondelettes, décomposition similaire à la transformée de Fourier à court terme, utilisée dans le traitement du signal. Elle correspond à l'idée intuitive d'une fonction correspondant à une petite oscillation, d'où son nom. Cependant, elle comporte deux différences majeures avec la transformée de Fourier à court terme : Toutefois, il ne s'agit pas d'un formalisme différent de la transformée de Fourier, mais complémentaire, la décomposition en ondelettes utilisant le formalisme de Fourier. (fr) A wavelet is a wave-like oscillation with an amplitude that begins at zero, increases or decreases, and then returns to zero one or more times. Wavelets are termed a "brief oscillation". A taxonomy of wavelets has been established, based on the number and direction of its pulses. Wavelets are imbued with specific properties that make them useful for signal processing. (en) 웨이블릿(wavelet)이란 0을 중심으로 증가와 감소를 반복하는 진폭을 수반한 파동 같은 진동을 말한다. 그것은 지진계나 심박 체크에 기록되어 보이는 것과 같은 전형적인 "짧은 진동"의 형태로 나타난다. 일반적으로 웨이블릿은 신호 처리에 유용한 특정한 성질을 가지도록 하는 목적을 가지고 만들어진다. 웨이블릿은 합성곱(convolution) 기술을 통해 알고 있는 신호와 결합하여, 알려지지 않은 신호로부터 정보를 추출하는데에 사용될 수 있다. 예를 들어 가온 도(Middle C) 주파수와 대략 32분 음표 정도의 길이를 가진 웨이블릿을 생성할 수 있다. 만약 웨이블릿이 노래의 녹음본에서 생성된 신호와 합성곱 된다면, 그 결과를 통해 노래에서 언제 미들 C 노트가 재생되고 있었는지를 아는 데 유용할 것이다. 수학적으로, 어떤 알려지지 않은 신호가 웨이블릿과 유사한 주파를 가진다면 웨이블릿은 공진할 것이다. 이것은 소리굽쇠가 물리적으로 특정 소리굽쇠 주파가 가지는 음파와 공진하는 것과 같다. 공명의 개념은 웨이블릿 이론의 많은 실용적인 응용 프로그램들의 핵심이다. (ko) Falki (ang. wavelet) – rodziny funkcji zbioru liczb rzeczywistych w zbiorze liczb rzeczywistych, z których każda jest wyprowadzona z funkcji-matki (z tzw. funkcji macierzystej) za pomocą przesunięcia i skalowania: gdzie: – liczby całkowite, – funkcja-matka, – falka o skali i przesunięciu (zwana też funkcją falkową). Falki są używane w analizie i przetwarzaniu sygnałów cyfrowych, w kompresji obrazu i dźwięku, do rozwiązywania równań różniczkowych cząstkowych oraz w wielu innych dziedzinach. Najprostsze z nich to falki Haara. (pl) Een wavelet is een golfvormige trilling met een amplitude die begint op nul, daarna toeneemt, en vervolgens weer afneemt tot nul. Een wavelet kan doorgaans worden gevisualiseerd als een "kortdurende trilling", zoals de trilling die wordt opgenomen door een seismograaf of een hartslagmonitor. In het algemeen worden wavelets doelbewust geconstrueerd met het oog op specifieke eigenschappen die ze geschikt maken voor toepassing bij de signaalverwerking. Wavelets kunnen gebruikt worden voor convolutie met onbekende signalen om zo specifieke informatie te onttrekken aan dit onbekende signaal. De convolutie berekent in welke mate het onbekende signaal op elk moment overeenkomt met de wavelet. (nl) Onduleta (português europeu) ou ondaleta (português brasileiro) (em inglês: wavelet) é uma função capaz de decompor e descrever ou representar outra função (ou uma série de dados) originalmente descrita no domínio do tempo (ou outra ou outras várias variáveis independentes, como o espaço), de forma a podermos analisar esta outra função em diferentes escalas de frequência e de tempo. A decomposição de uma função com o uso de wavelets é conhecida como "transformada wavelet" e tem suas variantes e discreta. Graças à capacidade de decompor as funções tanto no domínio da frequência quanto no domínio do tempo, as funções wavelet são ferramentas poderosas de processamento de sinais, muito aplicadas na compressão de dados, eliminação de ruído, separação de componentes no sinal, identificação de s (pt) Wavelet, även krusning eller vågelement, är en typ av basfunktion för (jämför fouriertransformation). I motsats till sinus och cosinus har en wavelet inte bara beroende i frekvensdomänen utan också i tidsdomänen. En wavelet kan visualiseras som en våg som tonas in eller ut; därifrån kommer det franska ordet ondelette och det engelska wavelet. (sv) |
| rdfs:label | مويجة (دالة) (ar) Ondeta (ca) Vlnka (cs) Wavelet (de) Wavelet (en) Ondosimilaĵo (eo) Ondícula (es) Wavelet (in) Wavelet (it) Ondelette (fr) 웨이블릿 (ko) ウェーブレット (ja) Wavelet (nl) Falki (pl) Wavelet (pt) Wavelet (sv) Вейвлет (ru) Вейвлет (uk) 小波分析 (zh) |
| owl:sameAs | dbpedia-commons:Wavelet dbpedia-fr:Wavelet freebase:Wavelet wikidata:Wavelet dbpedia-ar:Wavelet dbpedia-az:Wavelet dbpedia-be:Wavelet dbpedia-bg:Wavelet dbpedia-ca:Wavelet dbpedia-cs:Wavelet dbpedia-de:Wavelet dbpedia-eo:Wavelet dbpedia-es:Wavelet dbpedia-et:Wavelet dbpedia-fa:Wavelet http://ht.dbpedia.org/resource/Ondlèt dbpedia-id:Wavelet dbpedia-it:Wavelet dbpedia-ja:Wavelet dbpedia-ko:Wavelet http://lt.dbpedia.org/resource/Vilnelė_(matematika) dbpedia-nl:Wavelet dbpedia-pl:Wavelet dbpedia-pt:Wavelet dbpedia-ru:Wavelet dbpedia-simple:Wavelet dbpedia-sv:Wavelet dbpedia-uk:Wavelet dbpedia-zh:Wavelet https://global.dbpedia.org/id/4zfXB |
| prov:wasDerivedFrom | wikipedia-en:Wavelet?oldid=1117517216&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/Daubechies4-functions.svg wiki-commons:Special:FilePath/MexicanHatMathematica.svg wiki-commons:Special:FilePath/MeyerMathematica.svg wiki-commons:Special:FilePath/MorletWaveletMathematica.svg wiki-commons:Special:FilePath/Seismic_Wavelet.svg wiki-commons:Special:FilePath/Time_frequency_atom_resolution.png wiki-commons:Special:FilePath/Wavelet_denoising.svg |
| foaf:isPrimaryTopicOf | wikipedia-en:Wavelet |
| is dbo:knownFor of | dbr:Emmanuel_Candès dbr:Stéphane_Mallat dbr:Yves_Meyer dbr:Jean_Morlet dbr:Richard_Baraniuk dbr:Ronald_DeVore |
| is dbo:wikiPageRedirects of | dbr:Mother_wavelet dbr:List_of_wavelets dbr:History_of_wavelets dbr:Wavelets dbr:Father_wavelets dbr:Wavelet_analysis |
| is dbo:wikiPageWikiLink of | dbr:Progressive_Graphics_File dbr:List_of_functional_analysis_topics dbr:List_of_genetic_algorithm_applications dbr:Morlet_wavelet dbr:Nearest_neighbor_search dbr:M._Yousuff_Hussaini dbr:Olympia_Nicodemi dbr:Mother_wavelet dbr:Basis_expansion_time-frequency_analysis dbr:Bell_Labs dbr:BigDFT dbr:David_Heeger dbr:Ali_Akansu dbr:Antieigenvalue_theory dbr:Beta_distribution dbr:List_of_wavelets dbr:Charles_Anthony_Micchelli dbr:Cuntz_algebra dbr:Curvelet dbr:Cyrus_Shahabi dbr:Visual_information_fidelity dbr:Deconvolution dbr:Dyadic_rational dbr:Dynamic_texture dbr:Index_of_wave_articles dbr:Interactive_skeleton-driven_simulation dbr:Interpolation dbr:Ivan_Selesnick dbr:Meyer_wavelet dbr:Radar dbr:Lifting_scheme dbr:List_of_geophysicists dbr:List_of_numerical_analysis_topics dbr:List_of_open-source_codecs dbr:Lossless_JPEG dbr:Seismic_inversion dbr:Time–frequency_analysis dbr:Shearlet dbr:Complex_number dbr:Maurice_Priestley dbr:Genuine_Fractals dbr:Pest_insect_population_dynamics dbr:Ruth_Lyttle_Satter_Prize_in_Mathematics dbr:Reconstruction_filter dbr:Robert_Strichartz dbr:Zuowei_Shen dbr:Emmanuel_Candès dbr:George_Sweigert dbr:George_Zweig dbr:Glossary_of_areas_of_mathematics dbr:Boundary_particle_method dbr:Multipath_propagation dbr:Multivariate_kernel_density_estimation dbr:Continuous_wavelet dbr:Continuous_wavelet_transform dbr:Contourlet dbr:Cristina_Pereyra dbr:Thomas_Huang dbr:Nonparametric_statistics dbr:Nigel_Anstey dbr:Second-generation_wavelet_transform dbr:Orthogonal_wavelet dbr:Chirplet_transform dbr:Statistical_parametric_mapping dbr:Step_detection dbr:Steven_G._Krantz dbr:Structured-light_3D_scanner dbr:Stéphane_Mallat dbr:Comparison_of_graphics_file_formats dbr:Complex_Mexican_hat_wavelet dbr:Complex_wavelet_transform dbr:Computational_electromagnetics dbr:Computational_fluid_dynamics dbr:Computational_informatics dbr:Yves_Meyer dbr:Harmonic_wavelet_transform dbr:Precomputed_Radiance_Transfer dbr:Stein's_unbiased_risk_estimate dbr:Mathieu_wavelet dbr:Data_analysis dbr:Daubechies_wavelet dbr:WaveLab_(mathematics_software) dbr:Wave_packet dbr:Wavelet_for_multidimensional_signals_analysis dbr:Dual_wavelet dbr:Gabor_atom dbr:Gabor_wavelet dbr:Galactic_Center_GeV_excess dbr:Haar_wavelet dbr:Joint_spectral_radius dbr:Linear_seismic_inversion dbr:Log_Gabor_filter dbr:Akram_Aldroubi dbr:Crystalline_(song) dbr:Fang_Lizhi dbr:Fast_wavelet_transform dbr:Fourier_analysis dbr:Fourier_optics dbr:Aneta_Stefanovska dbr:Angle-sensitive_pixel dbr:Bandelet_(computer_science) dbr:Noise,_vibration,_and_harshness dbr:Numbers_(season_3) dbr:Diffraction dbr:Diffraction_from_slits dbr:Diffusion_wavelets dbr:Discrete_wavelet_transform dbr:Edward_Aboufadel dbr:Fast_Fourier_transform dbr:Fractal_compression dbr:Granular_synthesis dbr:Hilbert–Huang_transform dbr:Legendre_wavelet dbr:Video_codec dbr:List_of_New_York_University_alumni dbr:Wave–particle_duality dbr:Texture_gradient dbr:Precursor_(physics) dbr:Quadrature_mirror_filter dbr:Ringing_artifacts dbr:Signal_reconstruction dbr:Marie_Farge dbr:Guy_Nason dbr:Hermitian_wavelet dbr:Hilbert_space dbr:Interval_(mathematics) dbr:Ionization dbr:JPEG_2000 dbr:JPEG_XR dbr:Jean_Morlet dbr:Mary_Beth_Ruskai dbr:Audio_time_stretching_and_pitch_scaling dbr:Abel_Prize dbr:Alex_Grossmann dbr:John_Benedetto dbr:Binomial_QMF dbr:Biorthogonal_nearly_coiflet_basis dbr:Biorthogonal_wavelet dbr:Coiflet dbr:Richard_Baraniuk dbr:Raymond_O._Wells_Jr. dbr:Digital_image_processing dbr:Digital_signal_processing dbr:Dimitri_Van_De_Ville dbr:Dominique_Picard dbr:Art_forgery dbr:Artificial_neuron dbr:Positron_emission_tomography dbr:Sofia_Olhede dbr:Frequency_domain dbr:Ingrid_Daubechies dbr:Institute_of_Mathematics_and_Applications,_Bhubaneswar dbr:Michael_Unser dbr:OpenEXR dbr:Cascade_algorithm dbr:Ramesh_Govindan dbr:Shear_wave_splitting dbr:Christine_De_Mol dbr:Real-time_outbreak_and_disease_surveillance dbr:Marina_Vannucci dbr:Wavefront dbr:Wavelet_packet_decomposition dbr:Wavelet_transform dbr:Neural_coding dbr:ICER dbr:IEEE_1901 dbr:List_of_wavelet-related_transforms dbr:Wavelet_scalar_quantization dbr:Refinable_function dbr:Poisson_wavelet dbr:Russell_L._De_Valois dbr:Transfer_matrix dbr:Gibbs_phenomenon dbr:Wavelet_modulation dbr:Pixlet dbr:Molecular_modeling_on_GPUs dbr:Multi-focus_image_fusion dbr:Multiresolution_Fourier_transform dbr:Multiresolution_analysis dbr:Multiscale_geometric_analysis dbr:Victor_Wickerhauser dbr:Polynomial_regression dbr:Noiselet dbr:Non-linear_multi-dimensional_signal_processing dbr:Non-separable_wavelet dbr:Ronald_DeVore dbr:Self-focusing_transducers dbr:Set_partitioning_in_hierarchical_trees dbr:Synthetic_seismogram dbr:Scaling_function dbr:Shannon_wavelet dbr:Overcompleteness dbr:Peter_Schröder dbr:Ricker_wavelet dbr:History_of_wavelets dbr:Spline_wavelet dbr:Speckle_(interference) dbr:Wavelets dbr:Father_wavelets dbr:Wavelet_analysis |
| is dbp:knownFor of | dbr:Richard_Baraniuk dbr:Ronald_DeVore |
| is dbp:subDiscipline of | dbr:Dimitri_Van_De_Ville |
| is gold:hypernym of | dbr:Morlet_wavelet dbr:Second-generation_wavelet_transform dbr:Orthogonal_wavelet dbr:Strömberg_wavelet dbr:Binomial_QMF dbr:Wavelet_packet_decomposition dbr:Spline_wavelet |
| is rdfs:seeAlso of | dbr:Morlet_wavelet dbr:Wavelet_noise |
| is foaf:primaryTopic of | wikipedia-en:Wavelet |
