автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Разработка численных методов и программ, связанных с применением вейвлет-анализа для моделирования и обработки экспериментальных данных

Оглавление.

Введение.

Глава 1. Вейвлет-анализ.

1-1. Вейвлет-преобразование.

1-2. Семейство гауссовых вейвлетов.

1-2.1. Свойства гауссовых вейвлетов.

1-2.2. Относительная площадь.

1-3. Визуализация.

1-3.1. Вейвлет-спектр.

1-3.2. Плотность энергии.

1-3.3. Вейвлет-скелет.

1-3.4. Скалограмма.

1-4. Влияние искажений сигнала

1-4.1. Наличие шума.

1-4.2. Дискретизация.

1-5. Оптимальные параметры преобразования.

1-6. Вейвлеты второго поколения.

1-6.1. Лифтинг-схема.

Глава 2. Быстрые алгоритмы вычисления вейвлет-преобразования.

Верификация программ.

2-1. Дискретизация.

2-1.1. Фреймы.

2-1.1.1. Прямое преобразование.

2-1.1.2. Обратное преобразование.

2-1.2. Точность вычислений.

2-2. Оптимизация.

2-2.1. Перегруппировка слагаемых.

2-2.2. Ограничение на выбор шага.

2-2.3. Учет относительной площади.

2-2.4. Скорость вычислений.

2-3. Сравнение характеристик вейвлет-фильтров.

2-3.1. Вейвлет-фильтры.

2-3.1.1. Выделение масштабов.

2-3.1.2. Отсечение слабых сигналов.

2-3.2. Тестовые сигналы.

2-3.3. Построение амплитудно-частотных характеристик.

2-3.4. Результаты применения фильтра на основе гауссовых вейвлетов.

2-3.4.1. Амплитудно-частотная характеристика.

2-3.5. Результаты применения фильтра на основе лифтинг-схемы.

2-3.5.1. Амплитудно-частотная характеристика.

Глава 3. Применение вейвлет-анализа в физике высоких энергий.

3-1. Обработка сигналов колоколообразной формы.

3-1.1. Модель данных.

3-1.1.1. Дискретизация сигнала.

3-1.1.2. Добавление шума.

3-1.1.3. Отсечение слабых сигналов.

3-1.2. Вейвлет-преобразование гауссиана.

3-1.3. Вейвлет-преобразование сложного сигнала.

3-1.4. Восстановление параметров сигнала.

3-1.5. Одиночный гауссиан.

3-1.5.1. Метод WT3/WT1.

3-1.6. Составной сигнал.

3-1.6.1. Метод WT3/WT1.

3-1.6.2. Метод WTS.

3-1.7. Результаты.

3-1.7.1. Одиночный гауссиан.

3-1.7.2. Составной сигнал.

3-2. Анализ псевдобыстротных распределений.

3-2.1. Особенности данных.

3-2.2. Примеры данных.

3-2.2.1. Выявление групп частиц.

3-2.2.2. Псевдобыстротное распределение.

3-2.2.3. Влияние множественности частиц.

3-2.3. Результаты.

Глава 4. Другие приложения вейвлет-анализа.

4-1. Применение методов вейвлет-анализа к обработке электрокардиографических данных.

4-1.1. Электрокардиограмма (ЭКГ).

4-1.2. Обработка данных ЭКГ.

4-1.2.1. Выделение характерных областей.

4-1.2.2. Фильтрация.

4-1.2.3. Подавление искажений базовой линии.

4-1.2.4. Применение фильтра к анализу ЭКГ.

4-1.3. Адаптивная фильтрация.

4-2. Применение вейвлет-анализа к обработке изображений.

4-2.1. База изображений лиц.

4-2.2. Выделение особенностей изображения.

4-2.2.1. Вейвлет-преобразование.

4-2.2.2. Шумоподавление.

4-2.2.3. Объединение результатов ветвей алгоритма.

4-2.3. Выбор параметров преобразования.

4-2.4. Усреднение нескольких изображений.

Начало восьмидесятых годов прошлого столетия ознаменовано появлением нового направления в области обработки данных — вейвлет-анализа. Его успешное применение во многих практических и теоретических приложениях косвенно свидетельствует о неисчерпаемых возможностях вейвлет-методов и постоянно стимулирует поиск новых задач. За короткое время в печати появилось огромное число публикаций, посвященных самым различным аспектам вейвлет-анализа.

В отличие от традиционно применяемого при анализе данных преобразования Фурье, результаты, полученные с помощью вейвлет-анализа, зачатую обладают большей информативностью и способны непосредственно обрабатывать такие особенности данных, которые при традиционном подходе анализировать затруднительно.

Вейвлет-преобразование привносит в обработку данных дополнительную степень свободы. Так, например, анализ Фурье способен показать поведение сигнала'в частотной области, оставляя открытым вопрос о локализации во времени различных компонент сигнала. Локализационные свойства вейвлет-анализа заложены в самой его структуре.

Известны подходы, модифицирующие преобразование Фурье, основанные на оконном преобразовании, которые частично устраняют указанный недостаток. Тем не менее, необходимо искусственно прибегать к различным приемам для того, чтобы иметь возможность обрабатывать реальные сигналы, длина которых всегда конечна, в то время как Фурье-анализ подразумевает наличие бесконечной области определения сигнала.

Не отвергая значимость анализа Фурье, вейвлет-методы успешно дополняют, а иногда способны и полностью заменить обработку данных традиционными методами.

Сравнение возможностей, которые предоставляют прежний и новый подходы, широко освещено в литературе. Прежде всего, следует выделить работы И. Добеши [5, 35, 36], К. Чуй [20, 31], В. Свелденса [56-62], А. Луиса и соавторов [46], где наиболее объемно охвачены вопросы, связанные с вейв-лет-анализом.

Обзор локализационных свойств можно найти в [37]. Различным сторонам обработки физических данных посвящены работы [7, 48, 49].

Многие задачи, требующие обработки значительного объема данных, возникают в экспериментах физики высоких энергий. Характерной их особенностью являются большая множественность событий и высокий уровень шума.

Внедрение в механизмы обработки данных методов вейвлет-анализа наглядно показывает их способность комплексно подходить к решению задач. Наиболее известны применения вейвлет-анализа для подавления шума, например, [2, 38, 42, 53]. Реальные данные часто содержат выпадающие участки; для обработки таких сигналов разработаны адаптивные вейвлет-методы [3, 13].

Реализация всех этих притягательных свойств вейвлетов иногда сдерживается значительным объемом необходимых вычислений, который оборачивается низкой скоростью обработки данных.

Высокая потребность в качественных алгоритмах частично удовлетворена разработанными методами быстрых преобразований [10, 32, 34]. Тем не менее, эти методы не всегда пригодны для анализа произвольных данных, что, в свою очередь, способствует поиску новых подходов снижения вычислительных затрат.

Существенный прогресс в этом направлении достигнут благодаря появлению методов вейвлет-анализа второго поколения, в частности, лифтинг-схемы [56-58,'60, 62].

Вейвлет-анализ обладает способностью выделять из сигнала компоненты разного масштаба. Это часто используют для того, чтобы разделить исходные данные на составляющие (аналогично тому, что происходит при фильтрации с помощью преобразования Фурье). Проблема тесно связана с двумя другими: шумоподавлением и определением параметров сигнала по результатам наблюдения.

Все три вышеупомянутые задачи необходимо решать при работе с современными детекторами в физике высоких энергий: получаемые данные содержат посторонние шумы, а высокая загрузка детекторов приводит к перекрыванию близкорасположенных сигналов.

Для обработки данных разработаны и успешно применяются методы, основанные на подгонке модели сигнала к экспериментальным данным [21, 22, 25, 29, 65]. Большинство таких алгоритмов являются итерационными, а это часто негативно сказывается на производительности системы обработки эксперимента.

В настоящее время, насколько нам известно, практически не изучены возможности вейвлет-анализа в задаче разделения близкорасположенных сигналов, частично или полностью перекрывающих друг друга.

Эта проблема возникает в детекторах, имеющих ячеистую структуру, например, как в детекторе RICH [21] или времяпроекционной камере [33]. Пролетающие частицы возбуждают в детекторе электронные лавины, которые регистрируются одновременно несколькими соседними ячейками. Распределение заряда имеет колокообразную форму. Большая загрузка приводит к появлению событий, состоящих из двух электронных облаков, расстояние между которыми настолько мало, что сигналы маскируют друг друга.

Как показано в [22], при анализе данных, полученных в ходе экспериментов с тяжелыми ионами, подгонка четырехпараметрической функции к множеству измерений, необходимая для разделения близких сигналов, позволяет добиться разрешения на уровне полуширины отдельного импульса.

Вейвлет-анализ является сравнительно новым методом, который применяют в этой области. Попытка его применения для разделения сигналов гауссовой формы описана в [23]. Однако, результаты, сравнимые по точности с существующими методами параметрической подгонки, достигнуты благодаря ограничениям на параметры исходного сигнала. В частности, потребовалось зафиксировать положение одного из импульсов и отношение их амплитуд.

Положительные свойства вейвлетов, проявленные в других задачах, делают весьма актуальной проблему поиска путей разделения близкорасположенных сигналов методами вейвлет-анализа.

Основная цель диссертационной работы состоит в разработке метода разделения сигналов, сравнимого по точности с уже существующими, и не накладывающего жестких требований на исходные данные. * *

Разработанные подходы применены в практике Объединенного Института Ядерных Исследований [14, 15, 19, 24]. Более того, полученные результаты способствовали появлению еще одного применения вейвлет-анализа в физике высоки энергий — выделению подструктур при обработке псевдо-быстротных распределений.

Помимо обработки физических экспериментов, вейвлет-анализ применяют, например, при обработке изображений [27, 64, 66] и анализе медицинских сигналов [8, 26, 41, 45, 55, 63].

В диссертационной работе мы кратко исследуем также и эти вопросы, подчеркивая, что методы и алгоритмы, разработанные в первую очередь для анализа данных физических экспериментов, после соответствующей модификации работоспособны и в других областях. Описанные в четвертой главе примеры можно рассматривать как иллюстрацию многогранности методов вейвлет-анализа. * *

Основные результаты работы состоят в следующем.

1. Разработаны алгоритмы и программы на их основе для быстрого вычисления непрерывного вейвлет-преобразования.

2. Проведено сравнительное исследование качества работы вейвлет-фильтров, основанных на вейвлетах первого и второго поколений.

3. Выполнен анализ влияния искажений обрабатываемого сигнала на его вейвлет-образ.

4. Методы вейвлет-анализа применены к обработке данных физических экспериментов для разрешения близкорасположенных сигналов.

5. Вейвлет-анализ применен для интерпретации результатов физических экспериментов на уровне проверки гипотез о существовании кластеров частиц.

6. Разработаны методы вейвлет-анализа для обработки медицинских сигналов и анализа изображений. * *

Диссертация включает в себя введение, четыре главы, заключение, список использованных библиографических источников и три приложения.

Эти выводы использованы далее при обработке данных в главе 3.

1 При вычислении спектров, изображенных на рис. 1-11, 1-12, б и 1-13, мы не использовали нормировку по Арнеодо. Этим объясняется то, что светлая область на рис. 1-12, б кажется уже по сравнению с аналогичным участком на предыдущих спектрах.

1-5. Оптимальные параметры преобразования

Проведенное в [14] исследование позволило сформулировать простые правила для выбора смещения и масштаба при вычислении вейвлет-преобразования. От смещения вейвлета зависит отношение сигнал/шум в полученных результатах; выбор масштаба дает возможность «настроить» вейв-лет-методы на анализ конкретных сигналов.

При использовании нечетных гауссовых вейвлетов их желательно вычислять в точках со смещением, равным двум-трем полуширинам сигнала от его центра. Четные вейвлеты следует размещать так, чтобы их центр, то есть величина смещения, как можно точнее совпадал с максимумом полезного сигнала.

При вычислениях вейвлет-образов сигнала следует выбирать масштабы таким образом, чтобы в полученном спектре присутствовали отклики той компоненты сигнала, которая необходима для дальнейшей обработки.

Оценить требуемый масштаб а по имеющимся данным можно, используя относительную площадь. Учитывая ее постоянство для гауссовых вейвлетов и используя соотношение для величины w , получаем

Здесь v — характерный размер анализируемого сигнала. Например, для сигнала гауссовой формы характерным размером можно считать величину 6а. для синусоидального — период Т. Предварительно следует задать некоторое значение относительной площади, например, w = 1 - 1(Г3.

1-12)

1-6. Вейвлеты второго поколения

В последнее время усилился интерес к так называемым вейвлетам второго поколения. В главе 2 мы, в частности, изучаем качество работы вейвлет-фильтров, построенных на основе лифтинг-схемы, которую относят к методам вейвлет-анализа второго поколения.

1-6.1. Лифтинг-схема

Подробное описание механизма лифтинг-схемы дано в [56-58, 62]. Кратко он заключается в следующем.

Допустим, что исходный сигнал Sj содержит 27 точек.1 Вейвлетпреобразование включает несколько этапов, на каждом из которых выполняют три шага, получая в результате два набора точек Sjx и djx. Эти шаги таковы:

1. Разделение (split). Из отсчетов сигнала формируют два новых непересекающихся набора. Выбор способа разделения набора на два зависит от типа вейвлета. В частности, так называемый «ленивый» вейвлет (lazy wavelet) просто выделяет четные even^ и нечетные oddjx отсчеты. Обозначив это действие оператором S, можно записать evenH, oddjx) = S (,v;).

1 Мы используем оригинальную нотацию, предложенную В. Свелденсом в указанных статьях. Индекс j здесь не означает номер отсчета дискретизированной функции; величина "£ показывает общее число точек в наборе. Одновременно индекс показывает, на каком этапе преобразования мы находимся. Запись sj соответствует всему, набору отсчетов на этапе j. В лифтинг-схеме номер этапа, длина вектора данных и масштаб вейвлета жестко связаны между собой.

2. Предсказание (predict). В том случае, если исходные данные были коррелированны, полученные на предыдущем этапе наборы также не будут независимыми. Это означает, что можно попытаться предсказать значения. В примере с разделением на четные и нечетные отсчеты предсказание может быть реализовано простейшим образом: предсказанные элементы просто совпадают с ближайшим слева отсчетом. Вычисляя разность между истинным и предсказанным значениями, формируют коэффициенты djA : dH = oddj- P (<evenj), где через P обозначен предсказывающий оператор.

3. Обновление (update). Чтобы сохранить среднее значение при переходе к следующему этапу преобразования, на этом шаге производят модификацию значений, вычисляя с помощью оператора обновления U коэффициенты sjA : sjA=evenH+u{dH).

На рис. 1-14 схематически изображены производимые лифтинг-схемой преобразования данных.

Рис. 1-14. Построение вейвлет-коэффициентов в лифтинг-схеме.

Преобразуя сигнал, лифтинг-схема формирует два набора коэффициентов Sjx и djx, размер каждого из которых вдвое меньше длины исходных данных. Набор s отражает поведение сигнала на большем масштабе, а коэффициенты djx показывают, насколько исходный сигнал отличается от представления stv

35

Иными словами, лифтинг-схема пытается аппроксимировать исходные данные согласно некоторому закону, в случае с «ленивым» вейвлетом — по кусочно-линейному. Приближенное представление сигнала отражено в коэффициентах Sjv Затем вычисляют отклонение упрощенного представления от реальных данных, сохраняя при этом величины отклонения в наборе разностных коэффициентов d}x.

Лифтинг-схему можно построить не только на основе линейной аппроксимации: в качестве приближающей функции допустимо выбрать, например, полиномы.

Неоспоримое преимущество подхода, используемого лифтинг-схемой, состоит в том, что, во-первых, процесс преобразования происходит очень быстро, во-вторых, набор вейвлет-коэффициентов занимает объем, совпадающий с размером исходных данных, и, в-третьих, обратное преобразование восстанавливает сигнал абсолютно точно, что практически недостижимо при использовании гауссовых вейвлетов.

Однако лифтинг-схема имеет ряд ограничений, наиболее существенные из которых связаны с выбором масштабов преобразования. Масштаб, на котором проводится анализ сигнала, может быть выбран только из фиксированного ряда значений; кроме того, принципиально невозможно выбрать масштаб меньше единицы.

Глава 2.

Быстрые алгоритмы вычисления вейвлет-преобразования. Верификация программ

Наибольшую проблему при использовании гауссовых вейвлетов представляет необходимость затрачивать большие вычислительные ресурсы для построения набора вейвлет-коэффициентов (называемого иначе вейвлет-образом) функции. Однако возможности, привносимые этим семейством вейвлетов в анализ данных, стимулируют поиски путей увеличения скорости вычисления.

В этой главе предложены два варианта решения задачи: дискретизация вейвлет-преобразования с применением так называемых фреймов и существенная оптимизация алгоритма вычислений.

Рассмотрены также преимущества и недостатки фильтров на основе непрерывного вейвлет-преобразования с гауссовыми вейвлетами и фильтров, применяющих лифтинг-схему.

В обоих случаях накладываются ограничения на выбор либо масштаба а, либо смещения b при вычислении преобразования. Использование фреймов дает в результате преобразования минимально необходимый для восстановления функции набор вейвлет-коэффициентов. Однако, при этом теряются детали поведения вейвлет-образа на больших масштабах.

Оптимизация алгоритмов позволяет сохранить более полный набор вейвлет-коэффициентов. Предложенный далее способ позволяет достигнуть скорость, лишь незначительно уступающей скорости работы алгоритма, использующего фреймы. Исходные тексты программы на языке С++, реализующей алгоритм быстрого вейвлет-преобразования, приведены в приложении 1.

2-1. Дискретизация

Непосредственное вычисление прямого вейвлет-преобразования требует больших затрат памяти и процессорного времени. Интегралы (1-1) и (1-2), описывающие прямое и обратное вейвлет-преобразования, могут быть представлены в виде суммы, взятой по дискретному набору масштабов. Несмотря на дискретность набора, подобное представление обеспечивает достаточно точное приближение вейвлет-коэффициентов.

Обозначим вейвлет при дискретном преобразовании:

Ymn{ x) = a-n¥{a;mx-nb0). (2-1)

Таким образом, вейвлет-коэффициенты будут вычислены на сетке, определяемой начальными значениями масштабного коэффициента я0, шага смещения Ь0 и параметрами преобразования тип: ^W{a = a:,b = aZb0n)[f] = (Wmn /). (2-2)

От выбора параметра а0 зависит качество аппроксимации сигнала / при последовательном вычислении прямого и обратного преобразований. Выбор начального масштаба влияет также на объем полученных в результате преобразования данных, а, следовательно, и на скорость вычислений. Эти требования, к сожалению, накладывают взаимоисключающие ограничения на выбор параметра. Оптимальным для большого круга задач можно считать а0 = 21/4.1

2-1.1. Фреймы

Помимо требования (1-3) конечности нормирующего коэффициента, необходимы некоторые дополнительные условия для существования качест

1 Причина такого выбора прояснится в следующем разделе. При таком значении начальной величины масштаба фрейм, образованный в соответствии с (2-1), становится жестким. венного дискретного аналога преобразования (1-1). Если существуют такие

А > 0 и В < оо • независимые от функции /, что отношение

2<— 12 т,п

A\f\Un^f) с2"3) выполняется для любой функции / е L2 (r) , говорят, что система коэффициентов у/тп образует вейвлет-фрейм.

В [5] показано, что фрейм может быть образован семейством функций, полученных из гауссового вейвлета g2 согласно выражению (2-1). Там же приведены вычисленные границы А и В фрейма при разных начальных масштабах а0 и смещениях Ь0.

В табл. 2-1 показано, как изменяется отношение В/ А в зависимости от выбора начальных величин.

Заключение

Диссертационная работа посвящена актуальной в настоящее время теме разработки численных методов и программ на их основе, необходимых для моделирования и обработки экспериментальных данных.

Основная цель состояла в поиске путей решения задачи разделения близких сигналов в современных детекторах физики высоких энергий. Разработке таких методов способствовало изучение возможностей вейвлет-анализа в других областях, не связанных непосредственно с физикой. Это — анализ медицинских сигналов и обработка изображений.

Наиболее важные результаты, полученные в ходе выполнения работы, таковы.

1. Разработаны алгоритм и программы на его основе для быстрого вычисления непрерывного вейвлет-преобразования. Измерено время работы нескольких модификаций алгоритма.

2. Методы вейвлет-анализа применены к обработке данных физических экспериментов для разрешения близкорасположенных сигналов. Показано, что при большом расстоянии между компонентами удалось добиться меньшей погрешности.

3. Вейвлет-анализ применен для интерпретации результатов физических экспериментов на уровне проверки гипотез о существовании кластеров частиц.

4. Рассмотрены примеры использования методов вейвлет-анализа для обработки электрокардиографических сигналов и анализа изображений. Предложен способ повышения качества вейвлет-фильтра с помощью адаптивного изменения его параметров.

5. Проведено сравнительное исследование качества работы вейвлет-фильтров, основанных на вейвлетах первого и второго поколений. Построены амплитудно-частотные характеристики фильтров и указа

97 ны области параметров, при которых фильтры обеспечивают более равномерную АЧХ.

6. Выполнен анализ влияния искажений обрабатываемого сигнала на его вейвлет-образ. Показана устойчивость вейвлет-преобразования к наличию шума, выпадению и отсечению сигнала.

Несмотря на относительную законченность результатов и успешное их применение при решении практических задач, мы не считаем, что поставили окончательную точку в поиске применений вейвлет-анализа. Напротив, решение задачи подняло ряд новых вопросов, ответы на которые, надеемся, будут получены в будущем.

98

Благодарности

Прежде всего, я выражаю благодарность моему научному руководителю Геннадию Алексеевичу Ососкову. История нашего общения, которой уже более пяти лет, говорит о многом, но одно бесспорно: всё это было не зря. Я также благодарен его супруге Инне Захаровне — визиты в их дом всегда сопровождались как минимум трёхразовым питанием.

На текущее состояние текста диссертации во многом повлияли рецензии, замечания и комментарии Е. Л. Косарева. Найти сейчас предыдущие версии вряд ли возможно, и уже никто их не увидит. Вся тяжесть общения с самым несовершенным вариантом выпала на долю Евгения Леонидовича.

В течение нескольких лет, на протяжении которых я готовил материалы и писал текст, на моём пути встречались многие, кто так или иначе повлиял на полученные результаты. Всех тех, кто оказал положительное влияние, я тоже хочу поблагодарить.

1. Н. Астафьева. Вейвлет анализ: основы теории и примеры применения. — Успехи Физических Наук, 166 (1996), № 11, с. 1145.

2. В. Воробьев, В. Грибунин. Теория и практика вейвлет-преобразования. — С.-Пб.: Издательство ВУС, 1999.

3. Д. Галягин, П. Фрик. Адаптивные вейвлеты (алгоритм спектрального анализа сигналов с пробелами в данных). — Математическое моделирование систем и процессов, 1996, № 6, с. 10.

4. А. Дабровски, Б. Дабровски, Р. Пиотрович. Суточное мониторирование ЭКГ. — М.: Медпрактика, 2000.

5. И. Добеши. Десять лекций по вейвлетам. Пер. с англ. — Ижевск, НИЦ регулярная и хаотическая динамика, 2001.

6. В. Дощицин. Клиническая электрокардиография. — М.: МИА, 1999.

7. И. Дремин, О. Иванов, В. Нечитайло. Вейвлеты и их использование. — Успехи физических наук, 2001, т. 171, № 5, с. 465-561.

8. С. Куклин, А. Дзизинский. Модели и методы анализа клинико-инструментального мониторирования. — Сборник трудов III Всероссийского симпозиума «Медленные колебательные процессы в организме человека», Новокузнецк, 2001, с. 238-242.

9. А. Кулешов. Формирование признаков для классификации объектов полутоновых изображений по их контурному представлению. — Цифровая обработка изображений. Сборник научных трудов, выпуск 4. Минск, 2000, с. 95-106.

10. В. Малоземов, А. Певный, А. Третьяков. Быстрое вейвлетное преобразование дискретных периодических сигналов и изображений. — Проблемы передачи информации, 1998, т. 34, № 5, с. 465-561.

11. А. Мачнев, А. Селиханович. Алгоритмы вычисления контуров на полутоновых изображениях. — Цифровая обработка изображений. Сборник научных трудов, выпуск 4. Минск, 2000, с. 53-58.

12. С. Минами. Обработка экспериментальных данных с использованием компьютера. — М.: Радио и связь, 1999.

13. JI. Новиков. Адаптивный вейвлет-анализ сигналов. — Научное приборостроение, 1998, т. 9, № 2, с. 35.

14. Г. Ососков, А. Шитов. Применение вейвлет-анализа для обработки дискретных сигналов гауссовой формы. — Сообщение ОИЯИ Р11-97-347. Дубна, 1997.

15. Г. Ососков, А. Шитов. Сравнительные характеристики возможностей вейвлетов первого и второго поколения. — Proceedings of 2-nd international conference MTCP-2000. Dubna, 2000, p. 20.

16. P. Садыхов, А. Селиханович. Система распознавания рукописных символов с использованием дескрипторов формы. — Цифровая обработка изображений. Сборник научных трудов, выпуск 2. Минск, 1998, с. 120-129.

17. Д. Самаль, В. Старовойтов. Подходы и методы распознавания людей по фотопортретам. — Минск, Институт технической кибернетики НАН Беларуси, 1998.

18. В. Старовойтов, М. Талеб. Методы сегментации цветных изображений. — Минск, Институт технической кибернетики НАН Беларуси, 1999.

19. К. Чуй. Введение в вэйвлеты. — М.: Мир, 2001.

20. H. Agakishiev et al. Cherenkov Ring Fitting Techniques for the CERES RICH Electors. — Nuclear Instruments And Methods, A371 (1996), pp. 243-247.

21. H. Agakishiev et al. Effective Pulse Resolution Algorithms for detectors with Gaussian-Like Signal Shape. — JINR Communication El0-97-105, Dubna, 1997.

22. M. Altaisky. On Standard and Non-Standard Applications of Wavelet Analysis. — JINR Rapid Communications, vol. 74 (1995), № 6, pp. 35-60.

23. M. Altaisky et al. WASP (Wavelet Analysis of Secondary Particles distributions) package. Long Write Up and User's Guide. // M. Altaisky, G. Ososkov, A. Soloviev, A. Shitov, A. Stadnik. — JINR Communication E10-2001-205, Dubna, 2001.

24. M. Altaisky, V. Kovalenko, O. Kochetovol. Fitting Distributions with Wavelets. — Engineering Simulation, 1996.

25. K. Anant, F. Dowla, G. Rodrigue. Vector Quantization of ECG Wavelet Coefficients. — IEEE Signal Proceedings Letters, 1999.

26. M. Antonini et al. Image coding using the wavelet transform. // M. Antonini, M. Barlaud, P. Mathieu, I. Daubechies. — IEEE Trans. Image Proc., vol. 1 (1992), pp. 205-220.

27. A. Arneodo, G. Grasseau, M. Holschneider. Wavelet Transform of Multi-fractals. — Phys. Rev. Lett., vol. 61 (1988), p. 2281.

28. N. Astafyeva, I. Dremin, K. Kotelnikovol. Pattern Recognition in High Multiplicity Events. — Modern Physics Letters, 1997, A12, pp. 1185-1192.

29. R. Carranza, D. Andina. Medical Wavelet-Neural Diagnostics in Chagastic Cardiopaties. — Politechnical University of Madrid, 2000.

30. C. Chui. A Tutorial in Theory and Applications. — Academic Press Inc., 1992.

31. A. Cohen, I. Daubechies, P. Vial. Wavelets on the Interval and Fast Wavelet Transforms. — Aplied and Computational Harmonic Analysis 1, 1993, pp. 54-81.

32. E. Conti et al. Performance of a Liquid Xenon Time Projection Chamber for Low Energy y-Ray Detection. — Nuclear Instruments And Methods, A356 (1995), pp. 286-296.

33. I. Daubechies. Orthonormal Bases of Compactly Supported Wavelets. — Comm. Pure. Apl. Math., vol. 41 (1998), pp. 909-996.

34. I. Daubechies. Recent Results in Wavelet Applications. — Proceedings of SPIE Aerosense Symposium, 1998, pp. 23-31.

35. I. Daubeches. Ten Lectures on Wavelets. — MIAN, Philadelphia, 1992.

36. I. Daubechies. The wavelet transform, time-frequency localization and signal analysis. — IEEE Trans. Inf. Theory, vol. 36 (1990), pp. 961-1005.

37. I. Dremin. Continuous Wavelets as a Tool for Correlation Studies. — Proceedings of the 8th International Workshop on Multiparticle Production, Hungary, 1998, pp. 287-293.

38. E. Eide. et al. Eye Identification for Face Recognition with Neural Networks. // E. Eide, C. Jahren, S. Jorgensen, T. Lindblad, C. Lindsey, K. Osteoid. — Norway, 1996.

39. A. Grossmann, J. Morlet. Decompression of Hardy Functions into Square Integrable Wavelets of Constant Shape. — SIAM J. Math. Anal., vol. 15 (1984), pp. 723-736.

40. P. Ivanov et al. Wavelets in medicine and Physiology. // P. Ivanov, A. Goldberg, S. Halvin, C. Peng, M. Posenblum, H. Stanley. In Wavelets in Physics. — Cambridge University Press, 1999, pp. 391-419.

41. G. Kaiser. Wavelet Filtering with the Mellin Transform. — Applied Mathematics Letters, vol. 9 (1996), № 5, pp. 69-74.

42. N. Kruger, G. Peters, C. Malsburg. Object Recognition with a Sparse and Autonomously Learned Representation Based on Banana Wavelets. — Internal Report IR-INI 96-11, Bochum Institit for Neuroinformatics, 1996.

43. D. Lagunovsky. New Possibilities of Thresholding in Edge Detection. — Автоматизация обработки и распознавания изображений. Минск, 1995.

44. D. Lemire. Wavelet Time Entropy, T Wave Morphology and Myocardial Ischemia. — IEEE Transactions in Biomedical Engineering, vol. 47 (2000), № 7.

45. A. Louis, P. Maas, A. Reider. Wavelet Theory and Applications. — John Wiley & Sons, 1997.

46. S. Morev, G. Ososkov, A. Shitov. Applying Wavelet Analysis Methods to Processing of Electrocardiographical Data. —Proceedings of Ratmino Summer School. Dubna, 2001, pp. 34^3.

47. J. Morlet. Sampling Theory and Wave Propagation in NATO ASI Series. — Issues in Acoustic signal / Image processing and recognition. Vol. 1. Berlin, 1983, pp. 233-261.

48. J. Morlet et al. Wave Propagation and Sampling Theory // J. Morlet, G. Arens, I. Fourgeau, D. Giard. — Geophysics, vol. 47 (1982), pp. 203-236.

49. G. Ososkov, A. Shitov. Gaussian Wavelet Features and their Applications for Analysis of Discretized Signals. — Computer Physics Communications, vol. 126 (2000), pp. 149-157.

50. G. Ososkov, A. Shitov, A. Stadnik. Comparative Study of Wavelets of the First and Second Generation. — JINR Communication El 1-2001-38. Dubna, 2001.

51. G. Ososkov, A. Stadnik. Neural Network Application for the Face Recognition Systems. — JINR Communication El 1-2000-269. Dubna, 2000.

52. U. Pen. Application of Wavelets to Filtering of Noisy Data. In Wavelets: the Key to Intermittent Information? — Oxford University Press, 2000.

53. K. Sobottka, I. Pitas. Looking for Faces and Facial Features in Color Images. — Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications, vol. 7 (1) (1996), pp. 124-137.

54. Z. Struzik. Revealing Local Variability Properties of Human Heartbeat Intervals with the Local Effective Holder Exponent. — Information Systems, INS-R0015, 2000.

55. W. Sweldens. The Lifting Scheme: A Construction of Second Generation Wavelets. — SIAM J. Math. Anal, vol. 29 (1997), №. 2, pp. 511-546.

56. W. Sweldens. The Lifting Scheme: A new Philosophy in Biorthogonal Wavelet .Constructions. In Wavelet Applications in Signal and Image Processing III. — Proc. SPIE 2569, 1995, pp. 68-79.

57. W. Sweldens. Wavelets and the lifting scheme: A 5 minute tour. — Zeitschrift fur Angewandte Mathematik und Mechanik, vol. 76 (Suppl. 2) (1996), pp. 41-44.

58. W. Sweldens. Wavelets: What Next? — Proceedings of the IEEE, vol. 84 (1996), №4, pp. 680-685.

59. W. Sweldens, I. Daubechies. Factoring Wavelet Transforms into Lifting Steps. — Fourier Anal. Appl., vol. 4 (1998), №. 3, pp. 247-269.

60. W. Sweldens, R. Pissens. Wavelet Sampling Techniques. — Proceedings of the Statistical Computing Section, American Statistical Association, pp. 20-29, 1993.

61. W. Sweldens, P. Schroder. Building your own Wavelets at Home (in Wavelets in Computer Graphics). — ACM SIG-GRAPH Course Notes, 1996, pp. 15-87.

62. S. Thurner, M. Feurstein, M. Teich. Multiresolution Wavelet Analysis of Heartbeat Intervals Discriminates Healthy Patients from Those with Cardiac Pathology. — Physical Review Letters, vol. 80 (1998), pp. 1544-1547.

63. A. Turiel, N. Parga. Multifractal Wavelet Filter of Natural Images. — Physical Review Letters, vol. 85 (2000), pp. 3325-3328.

64. S. Voloshin, Y. Zhang. Flow Study in Relativistic Nuclear Collisions by Fourier Expansion of Azimuthal Particle Distributions. — Zeitschrift fiir Physik С Particles and Fields, vol. 70 (1996), pp. 665-671.