دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: موجک و پردازش سیگنال ویرایش: 2nd نویسندگان: Albert Boggess. Francis J. Narcowich سری: ISBN (شابک) : 9780470431177, 0470431172 ناشر: Wiley سال نشر: 2009 تعداد صفحات: 329 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 12 مگابایت
در صورت تبدیل فایل کتاب A First Course in Wavelets with Fourier Analysis به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب اولین دوره در موج ها با تجزیه فوریه نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
یک درمان جامع و مستقل از تحلیل فوریه و موجک - اکنون در یک نسخه جدید از طریق پوشش گسترده و توضیحات آسان برای دنبال کردن، اولین دوره در موجک ها با تجزیه و تحلیل فوریه، ویرایش دوم یک درمان ریاضی مستقل از تحلیل فوریه و موجک ها را ارائه می دهد، در حالی که به طور منحصر به فرد برنامه ها و مشکلات تجزیه و تحلیل سیگنال را ارائه می دهد. ایده های اساسی و اساسی در تلاش برای دسترسی به کتاب برای مخاطبان گسترده ارائه شده است، و علاوه بر این، کاربردهای آنها برای پردازش سیگنال در سطح ابتدایی نگهداری می شود. کتاب با مقدمه ای بر فضاهای برداری، فضاهای محصول درونی و سایر موضوعات مقدماتی در تحلیل آغاز می شود. ویژگی فصل های بعدی: توسعه یک سری فوریه، تبدیل فوریه، و تجزیه و تحلیل فوریه گسسته بخش های بهبود یافته اختصاص داده شده به موجک های پیوسته و موجک های دو بعدی تجزیه و تحلیل موجک های هار، شانون و خطی خطی نظریه کلی تحلیل چند وضوحی کد MATLAB به روز شده و برنامه های کاربردی برای پردازش سیگنال گسترش یافته است ساخت، صافی، و محاسبه موجک های Daubechies مباحث پیشرفته مانند موجک در ابعاد بالاتر، تجزیه و بازسازی و تبدیل موجک برنامه های کاربردی برای پردازش سیگنال در سراسر کتاب ارائه شده است، که بیشتر شامل فیلتر کردن و فشرده سازی سیگنال های صوتی یا تصویری است. برخی از این کاربردها ابتدا در زمینه تحلیل فوریه ارائه می شوند و بعداً در فصل های موجک مورد بررسی قرار می گیرند. تمرینهای جدید کاربردهای بیشتری را معرفی میکنند و شواهد کامل بحث هر نظریه ارائهشده را همراهی میکنند. ضمیمه های گسترده تر، اثبات های پیشرفته تر و راه حل های جزئی برای تمرین ها و همچنین روال های به روز شده MATLAB را که مکمل نمونه های ارائه شده است، نشان می دهد. A First Course in Wavelets with Fourier Analysis, Second Edition کتابی عالی برای دروس ریاضی و مهندسی در سطوح فوق لیسانس و فوق لیسانس است. همچنین منبع ارزشمندی برای ریاضیدانان، مهندسان پردازش سیگنال و دانشمندانی است که مایلند در مورد نظریه موجک و تحلیل فوریه در سطح ابتدایی بیاموزند. فهرست مطالب پیشگفتار و بررسی اجمالی. 0 فضای داخلی محصول. 0.1 انگیزه 0.2 تعریف محصول داخلی. 0.3 فضاهای L2 و l2. 0.4 نابرابری های شوارتز و مثلث. 0.5 متعامد. 0.6 عملگرهای خطی و ملحقات آنها. 0.7 حداقل مربعات و کدگذاری پیشگویانه خطی. تمرینات 1 سری فوریه. 1.1 مقدمه. 1.2 محاسبات سری فوریه. 1.3 قضایای همگرایی برای سری های فوریه. تمرینات 2 تبدیل فوریه. 2.1 توسعه غیررسمی تبدیل فوریه. 2.2 ویژگی های تبدیل فوریه. 2.3 فیلترهای خطی 2.4 قضیه نمونه گیری. 2.5 اصل عدم قطعیت. تمرینات 3 تحلیل فوریه گسسته. 3.1 تبدیل فوریه گسسته. 3.2 سیگنال های گسسته. 3.3 سیگنال های گسسته و Matlab. تمرینات 4 تجزیه و تحلیل موجک هار. 4.1 چرا موجک ها؟ 4.2 موجک هار. 4.3 الگوریتم های تجزیه و بازسازی هار. 4.4 خلاصه تمرینات 5 تجزیه و تحلیل چند وضوح. 5.1 چارچوب چند رزولوشن. 5.2 اجرای تجزیه و بازسازی. 5.3 معیارهای تبدیل فوریه. تمرینات 6 موجک Daubechies. 6.1 ساخت و ساز Daubechies. 6.2 طبقه بندی، لحظه ها و همواری. 6.3 مسائل محاسباتی. 6.4 تابع مقیاس بندی در نقاط Dyadic. تمرینات 7 موضوعات دیگر موجک. 7.1 پیچیدگی محاسباتی. 7.2 موجک در ابعاد بالاتر. 7.3 مربوط به تجزیه و بازسازی. 7.4 تبدیل موجک. ضمیمه الف: مسائل فنی. ضمیمه B: راه حل های تمرین های منتخب. پیوست C: روتین های MATLAB®. کتابشناسی - فهرست کتب. فهرست مطالب.
A comprehensive, self-contained treatment of Fourier analysis and wavelets—now in a new edition Through expansive coverage and easy-to-follow explanations, A First Course in Wavelets with Fourier Analysis, Second Edition provides a self-contained mathematical treatment of Fourier analysis and wavelets, while uniquely presenting signal analysis applications and problems. Essential and fundamental ideas are presented in an effort to make the book accessible to a broad audience, and, in addition, their applications to signal processing are kept at an elementary level. The book begins with an introduction to vector spaces, inner product spaces, and other preliminary topics in analysis. Subsequent chapters feature: The development of a Fourier series, Fourier transform, and discrete Fourier analysis Improved sections devoted to continuous wavelets and two-dimensional wavelets The analysis of Haar, Shannon, and linear spline wavelets The general theory of multi-resolution analysis Updated MATLAB code and expanded applications to signal processing The construction, smoothness, and computation of Daubechies' wavelets Advanced topics such as wavelets in higher dimensions, decomposition and reconstruction, and wavelet transform Applications to signal processing are provided throughout the book, most involving the filtering and compression of signals from audio or video. Some of these applications are presented first in the context of Fourier analysis and are later explored in the chapters on wavelets. New exercises introduce additional applications, and complete proofs accompany the discussion of each presented theory. Extensive appendices outline more advanced proofs and partial solutions to exercises as well as updated MATLAB routines that supplement the presented examples. A First Course in Wavelets with Fourier Analysis, Second Edition is an excellent book for courses in mathematics and engineering at the upper-undergraduate and graduate levels. It is also a valuable resource for mathematicians, signal processing engineers, and scientists who wish to learn about wavelet theory and Fourier analysis on an elementary level. Table of Contents Preface and Overview. 0 Inner Product Spaces. 0.1 Motivation. 0.2 Definition of Inner Product. 0.3 The Spaces L2 and l2. 0.4 Schwarz and Triangle Inequalities. 0.5 Orthogonality. 0.6 Linear Operators and Their Adjoints. 0.7 Least Squares and Linear Predictive Coding. Exercises. 1 Fourier Series. 1.1 Introduction. 1.2 Computation of Fourier Series. 1.3 Convergence Theorems for Fourier Series. Exercises. 2 The Fourier Transform. 2.1 Informal Development of the Fourier Transform. 2.2 Properties of the Fourier Transform. 2.3 Linear Filters. 2.4 The Sampling Theorem. 2.5 The Uncertainty Principle. Exercises. 3 Discrete Fourier Analysis. 3.1 The Discrete Fourier Transform. 3.2 Discrete Signals. 3.3 Discrete Signals & Matlab. Exercises. 4 Haar Wavelet Analysis. 4.1 Why Wavelets? 4.2 Haar Wavelets. 4.3 Haar Decomposition and Reconstruction Algorithms. 4.4 Summary. Exercises. 5 Multiresolution Analysis. 5.1 The Multiresolution Framework. 5.2 Implementing Decomposition and Reconstruction. 5.3 Fourier Transform Criteria. Exercises. 6 The Daubechies Wavelets. 6.1 Daubechies’ Construction. 6.2 Classification, Moments, and Smoothness. 6.3 Computational Issues. 6.4 The Scaling Function at Dyadic Points. Exercises. 7 Other Wavelet Topics. 7.1 Computational Complexity. 7.2 Wavelets in Higher Dimensions. 7.3 Relating Decomposition and Reconstruction. 7.4 Wavelet Transform. Appendix A: Technical Matters. Appendix B: Solutions to Selected Exercises. Appendix C: MATLAB® Routines. Bibliography. Index.
Cover A First Course in Wavelets with Fourier Analysis, 2nd Edition Contents Preface and Overview 0 Inner Product Spaces 0.1 Motivation 0.2 Definition of Inner Product 0.3 The Spaces L² and l² 0.3.1 Definitions L² Inner Product The Space l² Relative error 0.3.2 Convergence in L² Versus Uniform Convergence 0.4 Schwarz and Triangle Inequalities 0.5 Orthogonality 0.5.1 Definitions and Examples 0.5.2 Orthogonal Projections 0.5.3 Gram-Schmidt Orthogonalization 0.6 Linear Operators and Their Adjoints 0.6.1 Linear Operators 0.6.2 Adjoints 0.7 Least Squares and Linear Predictive Coding 0.7.1 Best-Fit Line for Data 0.7.2 General Least Squares Algorithm 0.7.3 Linear Predictive Coding Main Idea Role of Least Squares Summary of Linear Predictive Coding Exercises 1 Fourier Series 1.1 Introduction 1.1.1 Historical Perspective 1.1.2 Signal Analysis 1.1.3 Partial Differential Equations Separation of Variables 1.2 Computation of Fourier Series 1.2.1 On the Interval -π ≤ x ≤ π 1.2.2 Other Intervals Intervals of General Length 1.2.3 Cosine and Sine Expansions Even and Odd Functions Fourier Cosine and Sine Series on a Half Interval 1.2.4 Examples 1.2.5 The Complex Form of Fourier Series Relation Between the Real and Complex Fourier Series 1.3 Convergence Theorems for Fourier Series 1.3.1 The Riemann-Lebesgue Lemma 1.3.2 Convergence at a Point of Continuity Step 1. Substituting the Fourier Coefficients Step 2. Evaluating the Sum on the Right Side Step 3. Evaluation of the Partial Sum of Fourier Series Step 4. Integrating the Fourier Kernel Step 5. The End of the Proof of Theorem 1.22 1.3.3 Convergence at a Point of Discontinuity 1.3.4 Uniform Convergence 1.3.5 Convergence in the Mean Exercises 2 The Fourier Transform 2.1 Informal Development of the Fourier Transform 2.1.1 The Fourier Inversion Theorem Comparison with Fourier Series 2.1.2 Examples 2.2 Properties of the Fourier Transform 2.2.1 Basic Properties 2.2.2 Fourier Transform of a Convolution 2.2.3 Adjoint of the Fourier Transform 2.2.4 Plancherel Theorem 2.3 Linear Filters 2.3.1 Time-Invariant Filters Physical Interpretation 2.3.2 Causality and the Design of Filters A Faulty Filter Causal Filters 2.4 The Sampling Theorem 2.5 The Uncertainty Principle Proof of Uncertainty Principle Exercises 3 Discrete Fourier Analysis 3.1 The Discrete Fourier Transform 3.1.1 Definition of Discrete Fourier Transform 3.1.2 Properties of the Discrete Fourier Transform 3.1.3 The Fast Fourier Transform 3.1.4 The FFT Approximation to the Fourier Transform 3.1.5 Application: Parameter Identification 3.1.6 Application: Discretizations of Ordinary Differential Equations 3.2 Discrete Signals 3.2.1 Time-Invariant, Discrete Linear Filters 3.2.2 Z-Transform and Transfer Functions Connection with Fourier Series Isometry Between L² and l² Convolutions Adjoint of Convolution Operators. 3.3 Discrete Signals & Matlab Exercises 4 Haar Wavelet Analysis 4.1 Why Wavelets? 4.2 Haar Wavelets 4.2.1 The Haar Scaling Function 4.2.2 Basic Properties of the Haar Scaling Function 4.2.3 The Haar Wavelet 4.3 Haar Decomposition and Reconstruction Algorithms 4.3.1 Decomposition 4.3.2 Reconstruction 4.3.3 Filters and Diagrams 4.4 Summary Exercises 5 Multiresolution Analysis 5.1 The Multiresolution Framework 5.1.1 Definition 5.1.2 The Scaling Relation 5.1.3 The Associated Wavelet and Wavelet Spaces 5.1.4 Decomposition and Reconstruction Formulas: A Tale of Two Bases 5.1.5 Summary 5.2 Implementing Decomposition and Reconstruction 5.2.1 The Decomposition Algorithm Initialization Iteration Termination 5.2.2 The Reconstruction Algorithm Initialization Iteration Termination 5.2.3 Processing a Signal 5.3 Fourier Transform Criteria 5.3.1 The Scaling Function 5.3.2 Orthogonality via the Fourier Transform An Interesting Identity 5.3.3 The Scaling Equation via the Fourier Transform 5.3.4 Iterative Procedure for Constructing the Scaling Function Exercises 6 The Daubechies Wavelets 6.1 Daubechies\' Construction 6.2 Classification, Moments, and Smoothness Singularity Detection 6.3 Computational Issues Zero-Padding Periodic Extension Smooth Padding Symmetric Extensions 6.4 The Scaling Function at Dyadic Points Exercises 7 Other Wavelet Topics 7.1 Computational Complexity 7.1.1 Wavelet Algorithm 7.1.2 Wavelet Packets 7.2 Wavelets in Higher Dimensions Exercises on 2D Wavelets 7.3 Relating Decomposition and Reconstruction 7.3.1 Transfer Function Interpretation 7.4 Wavelet Transform 7.4.1 Definition of the Wavelet Transform 7.4.2 Inversion Formula for the Wavelet Transform Proof of the Wavelet Transform Theorem Appendix A: Technical Matters A.1 Proof of the Fourier Inversion Formula A.2 Technical Proofs from Chapter 5 A.2.1 Rigorous Proof of Theorem 5.17 A.2.2 Proof of Theorem 5.10 A.2.3 Proof of the Convergence Part of Theorem 5.23 Appendix B: Solutions to Selected Exercises Chapter 0 Chapter 1 Chapter 2 Chapter 4 Chapter 5 Chapter 6 Appendix C: MATLAB® Routines C.1 General Compression Routine C.2 Use of MATLAB\'s FFT Routine for Filtering and Compression C.3 Sample Routines Using MATLAB\'s Wavelet Toolbox C.4 MATLAB Code for the Algorithms in Section 5.2 Bibliography Index