【摘要】：对于尺度j∈N，根据统计分布确定独立的2j个随机变量βjk样本，令Cjk=χjk 2-jβjk，其中χjk为符号变量或者称为相位变量，则可采用重构多重分形信号，该模型称为RWS模型。步骤2确定给定小波函数、分解尺度和时间序列长度的各级小波系数数量。例如：Dcoef=sign｛rand［1，L］-0.5｝*power步骤4基于多尺度小波重构函数wrcoef，得到随机小波序列RWS。
下面给出了RWS重构算法步骤。
步骤1 设定重构的相关参数。
（1）给定重构的RWS序列长度N；
（2）给定使用的小波母函数，如db4；
（3）给定小波重构的最大阶数J；
（4）给定RWS各尺度小波系数统计分布的类型和相应参数，如log-normal，Poisson，log-Poisson等。
步骤2 确定给定小波函数、分解尺度和时间序列长度的各级小波系数数量。
使用wavedec函数确定长度为N的小波多尺度分解的各尺度小波序列长度L。
例如：［C，L］=wavedec［randn（1，N），J，′db4′］(www.xing528.com)
步骤3 生成各尺度小波系数序列。
（1）生成给定长度的和分布的随机数序列；
例如：lognn=lognrnd［mu，sigma，1，L（scale+1）］
（2）生成具有给定分布的各尺度小波系数。
例如：Dcoef=sign｛rand［1，L（scale+1）］-0.5｝*power（2，-i*lognn）
步骤4 基于多尺度小波重构函数wrcoef，得到随机小波序列RWS。
RWS模型不具有解析的多重分形谱，但可通过对给定分布和参数条件下的数据进行统计分析，得到相应的多重分形谱分布特征。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
