Palabras clave
Wavelet adaptada
Transformada shapelet discreta
Transformada wavelet discreta
Wavelet filter design
Matched wavelet
Discrete shapelet transform
Discrete wavelet transform
Cómo citar
Resumen
El uso de wavelets adaptadas para el reconocimiento de patrones es muy atractivo por la multiescalaridad de la transformada wavelet. Sin embargo, el buen desempeño de estos algoritmos en la detección de patrones depende fuertemente de la construcción de los filtros adaptados al patrón de interés. La Transformada Shapelet Discreta II [9] (DST-II) es un algoritmo inspirado en la transformada wavelet, que permite el diseño de filtros a la medida para la detección de patrones en señales unidimensionales. La construcción de estos filtros requiere la solución de un sistema de ecuaciones no lineales, que según [9] se puede efectuar mediante cualquier método iterativo. Esta investigación presenta un novedoso y exhaustivo estudio numérico que demuestra el impacto de la elección del método numérico adecuado para la solución del sistema no lineal en la DST-II. La eficacia de los filtros estimados repercute en el desempeño de esta transformada en la detección de patrones. Los mejores resultados se obtienen al combinar el método de Newton con preiteración mediante el algoritmo de continuación. La convergencia alcanzada para el 55, 37% de los patrones sugiere que la DST-II podría ser adecuada para patrones con formas específicas, de utilidad en aplicaciones sobre señales biomédicas.
Citas
A. Aldroubi, P. Abry y M. Unser, Construction of biorthogonal wavelets starting from any two multiresolutions. IEEE Transactions on Signal Processing 46(1998), no. 4, 1130-1133. doi: 10.1109/78.668563
D. G. Anderson, Iterative Procedures for Nonlinear Integral Equations. Journal of the ACM 12(1965), no. 4, 547-560. doi: 10.1145/321296.321305
E. G. Birgin, J. L. Gardenghi, D. S. Marcondes y J. M. Martínez, Accelerated derivative-free spectral residual method for nonlinear systems of equations. arXiv. 2021. doi: 10.48550/arXiv.2104.13447
R. L. Burden, J. D. Faires y B. A. M, Soluciones numéricas de sistemas de ecuaciones no lineales. 10a ed. Cengage Learning, Mexico, D.F., 2017.
I. Daubechies, Ten Lectures on Wavelets. Society for Industrial and Applied Mathematics, Philadelphia, Pennsylvania, 1992.
S. Devuyst, The DREAMS Databases and Assessment Algorithm. Zenodo, ene. de 2005. doi: 10.5281/zenodo.2650142
A. Field, J. Miles y Z. Field, Discovering Statistics Using R. SAGE Publications Limited, 2012.
R. C. Guido, A note on a practical relationship between filter coefficients and scaling and wavelet functions of Discrete Wavelet Transforms. Applied Mathematics Letters 24(2011), no. 7, 1257-1259. doi: 10.1016/j.aml.2011.02.018
R. C. Guido, Fusing time, frequency and shape-related information: Introduction to the Discrete Shapelet Transform’s second generation (DST-II). Information Fusion 41(2018), 9-15. doi: 10.1016/j.inffus.2017.07.004
R. C. Guido, Nearly symmetric orthogonal wavelets for time-frequency-shape joint analysis: Introducing the discrete shapelet transform’s third generation (DST-III) for nonlinear signal analysis. Communications in Nonlinear Science and Numerical Simulation 97(2021), 1-12. doi: 10.1016/j .cnsns.2020.105685
R. C. Guido et al., Introduction to the Discrete Shapelet Transform and a new paradigm: Joint time-frequency-shape analysis. 2008 IEEE International Symposium on Circuits and Systems (ISCAS). Institute of Electrical y Electronics Engineers (IEEE), 2008, 2893-2896. doi: 10.1109/ISCAS.2008.4542062
D. Jawali, A. Kumar y C. S. Seelamantula, A Learning Approach for Wavelet Design. ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Institute of Electrical y Electronics Engineers (IEEE), 2019, 5018-5022. doi: 10.1109/ICASSP.2019.8682751
D. A. Knoll y D. E. Keyes, Jacobian-free Newton–Krylov methods: a survey of approaches and applications. Journal of Computational Physics 193(2004), no. 2, 357-397. doi: 10.1016/j.jcp.2003.08.010
W. La Cruz, J. M. Mart´ınez y M. Raydan, Spectral Residual Method without Gradient Information for Solving Large-Scale Nonlinear Systems of Equations. Mathematics of Computation 75(2006), no. 255, 1429-1448. url: http://www.jstor.org/stable/4100282.
G. R. Lee et al., PyWavelets: A Python package for wavelet analysis. Journal of Open Source Software 4(2019), no. 36, 1237. doi: 10.21105/joss.01237
S. Mallat, A Wavelet Tour of Signal Processing: The Sparse Way. 3rd. Academic Press, Burlington, Massachusetts, 2009. doi: 10.1016/B978- 0- 12-374370-1.X0001-8
H. Mesa, Adapted Wavelets for Pattern Detection. A. Sanfeliu y M. L. Cortés (Eds.). Progress in Pattern Recognition, Image Analysis and Applications. Iberoamerican Congress on Pattern Recognition. Springer, Berlin, Heidelberg, 2005, 933-944. doi: 10.1007/11578079 96
M. Misiti, Y. Misiti, G. Oppenheim y J.-M. Poggi, Wavelets and their Applications. ISTE Ltd, London, 2007. doi: 10.1002/9780470612491
J. J. Moré, B. S. Garbow y K. E. Hillstrom, User guide for MINPACK-1. Argonne National Laboratory (1980). doi: 10.2172/6997568
M. J. D. Powell, A Hybrid Method for Nonlinear Equations. Numerical Methods for Nonlinear Algebraic Equations. P. Rabinowitz (Ed.). Gordon and Breach, London, 1970, 87-114.
W. H. Press, S. A. Teukolsky, W. T. Vetterling y B. P. Flannery, Numerical Recipes: The Art of Scientific Computing. 3rd ed. Cambridge University Press, Cambridge, 2007.
G. Strang, Linear Algebra and Learning from Data. Wellesley-Cambridge Press, Wellesley, Massachusetts, 2019.
Comentarios
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Derechos de autor 2024 Damian Valdés-Santiago, Ángela M. León-Mecías, Marta L. Baguer Díaz-Romañach, Manuel González-Hidalgo, Antoni Jaume-I-Capó