[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C3%A2n%20t%C3%ADch%20wavelet{\"limit\":5}":3,"_public_topic_byId_ph%C3%A2n%20t%C3%ADch%20wavelet":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":17,"synonyms":18,"definition":21,"discipline":22,"references":23,"faqs":80,"createUser":93,"publishUser":97,"keywords":101,"keywordCount":98,"enrichTopicLink":102,"status":103,"createTime":104,"updateTime":105,"publishTime":106,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":107,"wikidataId":10,"relateTopics":108},"phân tích wavelet","Phân tích wavelet là gì? Nguyên lý và ứng dụng","Tìm hiểu phân tích wavelet: nguyên lý biến đổi thời gian-tần số, cấu trúc đa độ phân giải MRA, các họ wavelet Daubechies, thuật toán khử nhiễu và nén dữ liệu.","\u003Cp>Phân tích wavelet là một phương pháp toán học dùng để biểu diễn và biến đổi tín hiệu từ miền thời gian sang miền thời gian-tần số bằng cách phân tích tín hiệu dựa trên các hàm sóng cơ sở có độ dài hữu hạn được gọi là wavelet. Không giống như các phương pháp biến đổi truyền thống chỉ biểu diễn tín hiệu trên một miền duy nhất, phương pháp này cho phép định vị đồng thời cả vị trí không-thời gian và tần số của các thành phần dao động trong tín hiệu. Kỹ thuật này đóng vai trò quan trọng trong việc xử lý các tín hiệu phi dừng, nhận dạng mẫu, khử nhiễu và nén dữ liệu số trong khoa học tự nhiên lẫn kỹ thuật.\u003C\u002Fp>\n\n\u003Ch2>Bản chất toán học và sự hình thành của phân tích wavelet\u003C\u002Fh2>\n\u003Cp>Trong phân tích tín hiệu cổ điển, biến đổi Fourier biểu diễn tín hiệu qua tích phân với các hàm sóng sin và cosin có giá mang vô hạn. Cách tiếp cận này giả định tín hiệu là dừng theo thời gian, khiến thông tin về thời điểm xuất hiện của các biến đổi đột ngột hoặc các tần số tức thời bị phân tán trên toàn bộ trục thời gian. Nhằm khắc phục hạn chế trên, biến đổi Fourier thời gian ngắn (short-time Fourier transform, STFT) sử dụng một hàm cửa sổ trượt có độ rộng cố định để phân tích từng đoạn tín hiệu. Tuy nhiên, theo nguyên lý bất định Heisenberg-Gabor, tích độ phân giải thời gian và độ phân giải tần số bị chặn dưới bởi một hằng số, nghĩa là việc chọn một cửa sổ cố định trong STFT không thể tối ưu hóa đồng thời cho cả vùng tần số thấp lẫn vùng tần số cao.\u003C\u002Fp>\n\u003Cp>Khái niệm wavelet được đề xuất nhằm tạo ra một cửa sổ phân tích có khả năng tự động co giãn kích thước theo tần số. Theo công trình nền tảng của Grossmann và Morlet (1984), biến đổi wavelet được xây dựng từ một hàm sóng cơ sở gọi là wavelet mẹ (mother wavelet), ký hiệu là \u003Cscript type=\"math\u002Ftex\">\\psi(t)\u003C\u002Fscript>, thỏa mãn điều kiện tích phân bình phương khả tích và điều kiện chấp nhận được (admissibility condition):\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">C_\\psi = \\int_{-\\infty}^{\\infty} \\frac{|\\hat{\\psi}(\\omega)|^2}{|\\omega|} d\\omega \u003C \\infty\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó, \u003Cscript type=\"math\u002Ftex\">\\hat{\\psi}(\\omega)\u003C\u002Fscript> là biến đổi Fourier của hàm wavelet mẹ \u003Cscript type=\"math\u002Ftex\">\\psi(t)\u003C\u002Fscript>, và \u003Cscript type=\"math\u002Ftex\">\\omega\u003C\u002Fscript> là tần số góc. Điều kiện này hàm ý rằng giá trị trung bình theo thời gian của wavelet mẹ phải triệt tiêu, tức là:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\int_{-\\infty}^{\\infty} \\psi(t) dt = 0\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Từ hàm wavelet mẹ \u003Cscript type=\"math\u002Ftex\">\\psi(t)\u003C\u002Fscript>, một họ các hàm wavelet con được sinh ra thông qua hai tham số biến đổi: tham số tỉ lệ \u003Cscript type=\"math\u002Ftex\">a\u003C\u002Fscript> (với \u003Cscript type=\"math\u002Ftex\">a > 0\u003C\u002Fscript>) điều khiển độ co giãn, và tham số dịch chuyển \u003Cscript type=\"math\u002Ftex\">b\u003C\u002Fscript> (với \u003Cscript type=\"math\u002Ftex\">b \\in \\mathbb{R}\u003C\u002Fscript>) điều khiển vị trí dịch chuyển theo thời gian:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\psi_{a,b}(t) = \\frac{1}{\\sqrt{a}} \\psi\\left(\\frac{t - b}{a}\\right)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Hệ số chuẩn hóa \u003Cscript type=\"math\u002Ftex\">\\frac{1}{\\sqrt{a}}\u003C\u002Fscript> đảm bảo năng lượng của hàm wavelet không đổi trên mọi tỉ lệ biến đổi.\u003C\u002Fp>\n\n\u003Ch2>So sánh biến đổi Wavelet với các phương pháp phân tích miền tần số\u003C\u002Fh2>\n\u003Cp>Để hiểu rõ ưu thế của phân tích wavelet trong việc xử lý các dạng dữ liệu phức tạp, bảng so sánh dưới đây tổng hợp các đặc tính kỹ thuật cốt lõi giữa biến đổi Fourier liên tục, biến đổi Fourier thời gian ngắn và biến đổi wavelet:\u003C\u002Fp>\n\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Đặc tính kỹ thuật\u003C\u002Fth>\n\u003Cth>Biến đổi Fourier (FT)\u003C\u002Fth>\n\u003Cth>Biến đổi Fourier thời gian ngắn (STFT)\u003C\u002Fth>\n\u003Cth>Biến đổi Wavelet (WT)\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>Hàm cơ sở\u003C\u002Ftd>\n\u003Ctd>Sóng sin và cosin có giá mang vô hạn\u003C\u002Ftd>\n\u003Ctd>Sóng sin điều chế bằng cửa sổ thời gian cố định\u003C\u002Ftd>\n\u003Ctd>Wavelet có giá mang hữu hạn, co giãn đa quy mô\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Biểu diễn miền\u003C\u002Ftd>\n\u003Ctd>Miền tần số thuần túy\u003C\u002Ftd>\n\u003Ctd>Miền thời gian - tần số với lưới ô chữ nhật cố định\u003C\u002Ftd>\n\u003Ctd>Miền thời gian - quy mô \u002F thời gian - tần số đa phân giải\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Độ phân giải thời gian\u003C\u002Ftd>\n\u003Ctd>Không có khả năng định vị thời gian\u003C\u002Ftd>\n\u003Ctd>Cố định trên toàn bộ phổ tần số\u003C\u002Ftd>\n\u003Ctd>Tốt ở tần số cao (cửa sổ thời gian hẹp)\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Độ phân giải tần số\u003C\u002Ftd>\n\u003Ctd>Tối ưu cho toàn dải phổ\u003C\u002Ftd>\n\u003Ctd>Cố định trên toàn bộ phổ tần số\u003C\u002Ftd>\n\u003Ctd>Tốt ở tần số thấp (cửa sổ thời gian rộng)\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Loại tín hiệu thích hợp\u003C\u002Ftd>\n\u003Ctd>Tín hiệu dừng tuần hoàn hoàn toàn\u003C\u002Ftd>\n\u003Ctd>Tín hiệu gần dừng (quasistationary)\u003C\u002Ftd>\n\u003Ctd>Tín hiệu phi dừng, có đột biến hoặc chuyển tiếp nhanh\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Biến đổi Wavelet liên tục và Biến đổi Wavelet rời rạc\u003C\u002Fh2>\n\u003Cp>Phân tích wavelet được phân chia thành hai phương thức tính toán chính tùy thuộc vào bản chất của các tham số tỉ lệ và dịch chuyển:\u003C\u002Fp>\n\n\u003Ch3>1. Biến đổi Wavelet liên tục\u003C\u002Fh3>\n\u003Cp>Biến đổi wavelet liên tục (continuous wavelet transform, CWT) cho phép các tham số \u003Cscript type=\"math\u002Ftex\">a\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">b\u003C\u002Fscript> biến thiên liên tục trên tập số thực. Tích phân biến đổi của tín hiệu \u003Cscript type=\"math\u002Ftex\">x(t)\u003C\u002Fscript> được định nghĩa như sau:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">X_{w}(a, b) = \\int_{-\\infty}^{\\infty} x(t) \\psi_{a,b}^*(t) dt = \\frac{1}{\\sqrt{a}} \\int_{-\\infty}^{\\infty} x(t) \\psi^*\\left(\\frac{t - b}{a}\\right) dt\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó, ký hiệu dấu hoa thị \u003Cscript type=\"math\u002Ftex\">*\u003C\u002Fscript> biểu thị phép liên hợp phức. Theo Torrence và Compo (1998), CWT là công cụ trực quan và mạnh mẽ nhất để lập bản đồ phổ năng lượng thời gian-tần số (scalogram) của các chuỗi thời gian địa vật lý, khí hậu và y sinh học, giúp phát hiện chu kỳ dao động và các hiện tượng chuyển tiếp bất thường.\u003C\u002Fp>\n\n\u003Ch3>2. Biến đổi Wavelet rời rạc\u003C\u002Fh3>\n\u003Cp>Trong tính toán số và xử lý tín hiệu số thực nghiệm, việc tính toán liên tục dẫn đến sự dư thừa thông tin và chi phí tính toán lớn. Biến đổi wavelet rời rạc (discrete wavelet transform, DWT) lấy mẫu các tham số \u003Cscript type=\"math\u002Ftex\">a\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">b\u003C\u002Fscript> theo dạng lưới nhị phân (dyadic sampling):\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">a = 2^j, \\quad b = k 2^j \\quad (j, k \\in \\mathbb{Z})\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Khi đó, họ hàm wavelet rời rạc được viết dưới dạng:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\psi_{j,k}(t) = 2^{-j\u002F2} \\psi(2^{-j}t - k)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó, \u003Cscript type=\"math\u002Ftex\">j\u003C\u002Fscript> là chỉ số mức phân giải tỉ lệ và \u003Cscript type=\"math\u002Ftex\">k\u003C\u002Fscript> là chỉ số dịch chuyển vị trí không gian-thời gian.\u003C\u002Fp>\n\n\u003Ch2>Phân tích đa độ phân giải và Thuật toán hình tháp Mallat\u003C\u002Fh2>\n\u003Cp>Một bước đột phá lý thuyết đưa phân tích wavelet vào thực tiễn kỹ thuật là khung lý thuyết phân tích đa độ phân giải (multiresolution analysis, MRA) do Stephane Mallat (1989) phát triển. Khung lý thuyết MRA định nghĩa một chuỗi các không gian con đóng lồng nhau trong không gian hàm khả tích bình phương \u003Cscript type=\"math\u002Ftex\">L^2(\\mathbb{R})\u003C\u002Fscript>:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\{0\\} \\subset \\dots \\subset V_2 \\subset V_1 \\subset V_0 \\subset V_{-1} \\subset V_{-2} \\subset \\dots \\subset L^2(\\mathbb{R})\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Mỗi không gian xấp xỉ \u003Cscript type=\"math\u002Ftex\">V_j\u003C\u002Fscript> được sinh bởi phép tịnh tiến của hàm tỉ lệ (scaling function) \u003Cscript type=\"math\u002Ftex\">\\phi(t)\u003C\u002Fscript>. Phần bù trực giao của không gian \u003Cscript type=\"math\u002Ftex\">V_j\u003C\u002Fscript> trong không gian \u003Cscript type=\"math\u002Ftex\">V_{j-1}\u003C\u002Fscript> chính là không gian chi tiết \u003Cscript type=\"math\u002Ftex\">W_j\u003C\u002Fscript>, sao cho:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">V_{j-1} = V_j \\oplus W_j\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Không gian \u003Cscript type=\"math\u002Ftex\">W_j\u003C\u002Fscript> được sinh bởi phép tịnh tiến của hàm wavelet \u003Cscript type=\"math\u002Ftex\">\\psi(t)\u003C\u002Fscript>. Dựa trên cấu trúc MRA, Mallat (1989) đã đề xuất thuật toán hình tháp sử dụng cặp ngân hàng bộ lọc trực giao liên hợp:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Bộ lọc thông thấp (low-pass filter) \u003Cscript type=\"math\u002Ftex\">h[n]\u003C\u002Fscript>:\u003C\u002Fstrong> Tính toán các hệ số xấp xỉ biểu diễn xu hướng chung và thành phần tần số thấp của tín hiệu.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Bộ lọc thông cao (high-pass filter) \u003Cscript type=\"math\u002Ftex\">g[n]\u003C\u002Fscript>:\u003C\u002Fstrong> Tính toán các hệ số chi tiết biểu diễn các biến thiên nhanh và thành phần tần số cao của tín hiệu.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Phép giảm mẫu (downsampling by 2):\u003C\u002Fstrong> Loại bỏ một nửa số mẫu sau mỗi tầng lọc để duy trì tổng số mẫu dữ liệu không đổi, tạo nên thuật toán phân tích nhanh với độ phức tạp tính toán tuyến tính \u003Cscript type=\"math\u002Ftex\">O(N)\u003C\u002Fscript>.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Các họ Wavelet thông dụng và tiêu chí lựa chọn\u003C\u002Fh2>\n\u003Cp>Tùy thuộc vào đặc tính đối xứng, độ dài giá mang và số mômen triệt tiêu (vanishing moments), nhiều họ wavelet khác nhau đã được thiết kế cho các bài toán chuyên biệt:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Họ Wavelet Haar:\u003C\u002Fstrong> Là dạng wavelet trực chuẩn đơn giản nhất ra đời bởi Alfréd Haar (1910), có dạng hàm bước gián đoạn. Tuy có giá mang hẹp nhất nhưng tính khả vi kém, chỉ thích hợp cho việc phát hiện các bước nhảy biên cạnh nhọn trong tín hiệu.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Họ Wavelet Daubechies (dbN):\u003C\u002Fstrong> Được phát triển bởi Ingrid Daubechies (1988), đây là họ wavelet trực chuẩn có giá mang compact với số mômen triệt tiêu xác định trước bằng \u003Cscript type=\"math\u002Ftex\">N\u003C\u002Fscript>. Họ này có độ trơn tăng dần theo bậc \u003Cscript type=\"math\u002Ftex\">N\u003C\u002Fscript> và được sử dụng rộng rãi nhất trong xử lý tín hiệu và ảnh số.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Họ Wavelet Symlet (symN):\u003C\u002Fstrong> Biến thể sửa đổi từ Daubechies nhằm đạt tính gần đối xứng nhất có thể, giúp hạn chế sự méo pha trong các thuật toán lọc số.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Họ Wavelet Coiflet (coifN):\u003C\u002Fstrong> Được thiết kế để cả hàm tỉ lệ lẫn hàm wavelet đều có các mômen triệt tiêu, tối ưu cho việc xấp xỉ hàm đa thức trơn.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Wavelet Morlet và Mexican Hat:\u003C\u002Fstrong> Các hàm wavelet phức và thực liên tục, thường dùng trong biến đổi CWT để phân tích phổ chuỗi thời gian tự nhiên và tín hiệu điện sinh học.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Khử nhiễu và nén tín hiệu dựa trên Wavelet\u003C\u002Fh2>\n\u003Cp>Một trong những thành tựu nổi bật nhất của phân tích wavelet là phương pháp ước lượng và lọc nhiễu không tham số do David Donoho (1995) công bố. Nguyên lý khử nhiễu wavelet dựa trên tính chất tập trung năng lượng: tín hiệu hữu ích thường tập trung vào một số ít hệ số wavelet có biên độ lớn, trong khi nhiễu trắng ngẫu nhiên phân bố đều trên tất cả các hệ số với biên độ nhỏ.\u003C\u002Fp>\n\u003Cp>Thuật toán khử nhiễu tiêu chuẩn gồm ba bước:\u003C\u002Fp>\n\u003Col>\n\u003Cli>Thực hiện biến đổi DWT trên tín hiệu quan sát bị nhiễm nhiễu để thu được tập hệ số wavelet.\u003C\u002Fli>\n\u003Cli>Áp dụng hàm ngưỡng lên các hệ số chi tiết. Donoho (1995) đã đề xuất quy tắc ngưỡng mềm (soft-thresholding) với ngưỡng phổ quát \u003Cscript type=\"math\u002Ftex\">\\lambda = \\sigma \\sqrt{2 \\ln N}\u003C\u002Fscript>, trong đó \u003Cscript type=\"math\u002Ftex\">\\sigma\u003C\u002Fscript> là độ lệch chuẩn của nhiễu và \u003Cscript type=\"math\u002Ftex\">N\u003C\u002Fscript> là độ dài chuỗi tín hiệu:\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\eta_{\\text{soft}}(w, \\lambda) = \\text{sgn}(w) \\max(|w| - \\lambda, 0)\u003C\u002Fscript>\u003C\u002Fp>\n\u003C\u002Fli>\n\u003Cli>Thực hiện biến đổi DWT ngược (inverse DWT) từ các hệ số đã xử lý để tái cấu trúc tín hiệu đã làm sạch.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Donoho (1995) chứng minh rằng phương pháp ngưỡng mềm wavelet đạt tốc độ hội tụ tiệm cận tối ưu minimax trên một dải rộng các không gian hàm trơn Besov, vượt trội hơn các bộ lọc tuyến tính truyền thống trong việc bảo toàn các cạnh và điểm dị biệt của tín hiệu.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng thực tiễn trong khoa học và công nghệ\u003C\u002Fh2>\n\u003Cp>Nhờ khả năng phân tích đa quy mô linh hoạt, phân tích wavelet được ứng dụng sâu rộng trong nhiều lĩnh vực khoa học và kỹ thuật:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Chuẩn nén ảnh số và video:\u003C\u002Fstrong> Chuẩn nén ảnh JPEG 2000 sử dụng biến đổi wavelet rời rạc hai chiều với cặp bộ lọc lưỡng trực giao Cohen-Daubechies-Feauveau (CDF 9\u002F7 cho nén có tổn hao và Le Gall 5\u002F3 cho nén không tổn hao) thay thế cho biến đổi cosin rời rạc (DCT), loại bỏ hoàn toàn hiệu ứng phân khối ở tỉ số nén cao.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Phân tích tín hiệu y sinh:\u003C\u002Fstrong> Tách sóng, nhận dạng các phức bộ QRS trong điện tâm đồ (ECG), phân lập các nhịp sóng delta, theta, alpha, beta trong điện não đồ (EEG) nhằm hỗ trợ chẩn đoán tự động bệnh lý tim mạch và động kinh.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Khí tượng thủy văn và biến đổi khí hậu:\u003C\u002Fstrong> Phân tích các chu kỳ dao động mùa, chu kỳ El Niño - Dao động Nam bán cầu (ENSO), và dự báo lưu lượng dòng chảy lũ lụt từ dữ liệu quan trắc chuỗi thời gian nhiều năm.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Địa chấn học và thăm dò địa vật lý:\u003C\u002Fstrong> Tách lọc sóng phản xạ địa chấn tầng sâu, phát hiện vết nứt đứt gãy địa chất trong công tác thăm dò dầu khí và cảnh báo sớm động đất.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Hạn chế và các hướng phát triển nâng cao\u003C\u002Fh2>\n\u003Cp>Mặc dù sở hữu nhiều ưu điểm vượt trội, biến đổi wavelet rời rạc cổ điển vẫn tồn tại một số nhược điểm kỹ thuật nhất định:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Tính nhạy cảm với dịch chuyển (shift sensitivity):\u003C\u002Fstrong> Do quá trình giảm mẫu (downsampling) ở mỗi tầng phân tích, một phép dịch chuyển nhỏ của tín hiệu đầu vào có thể làm phân bố năng lượng giữa các hệ số wavelet tại các mức phân giải bị thay đổi đáng kể.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Khả năng định hướng hạn chế trong không gian nhiều chiều:\u003C\u002Fstrong> Biến đổi DWT hai chiều tiêu chuẩn chỉ tách được ba hướng phân tích chính (ngang, dọc và đường chéo), gặp khó khăn khi mô tả các đường cong uốn lượn mượt mà trong ảnh số.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Hiện tượng méo rìa (boundary effects):\u003C\u002Fstrong> Tại các biên mút của chuỗi dữ liệu, phép tích chập yêu cầu các phương pháp mở rộng biên như đối xứng hoặc tuần hoàn, có thể gây sai lệch trong vùng ảnh hưởng nón (cone of influence).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Nhằm khắc phục những giới hạn này, nhiều cấu trúc wavelet cải tiến đã được nghiên cứu và chuẩn hóa. Đáng chú ý, Selesnick và cs. (2005) đã tổng quan biến đổi wavelet phức cây kép (dual-tree complex wavelet transform, DTCWT). Phương pháp này sử dụng hai cây bộ lọc DWT song song với các bộ lọc thông thấp thỏa mãn điều kiện dịch pha xấp xỉ một phần tư chu kỳ (Hilbert transform pair), đem lại tính bất biến dịch chuyển gần như hoàn hảo và tăng cường số hướng chọn lọc lên sáu hướng độc lập trong không gian hai chiều.\u003C\u002Fp>\n","wavelet analysis",[19,20],"biến đổi wavelet","phép biến đổi wavelet","Phân tích wavelet là phương pháp toán học biểu diễn và xử lý tín hiệu trên miền thời gian-tần số bằng cách phân tích dựa trên các hàm sóng cơ sở có độ dài hữu hạn.","NATURAL_SCIENCES",[24,32,40,48,56,64,72],{"citationText":25,"title":26,"authors":27,"source":28,"year":29,"doi":30,"url":31},"Grossmann, A. & Morlet, J. (1984). Decomposition of Hardy Functions into Square Integrable Wavelets of Constant Shape. SIAM Journal on Mathematical Analysis, 15(4), 723-736.","Decomposition of Hardy Functions into Square Integrable Wavelets of Constant Shape","A. Grossmann, J. Morlet","SIAM Journal on Mathematical Analysis",1984,"10.1137\u002F0515056","https:\u002F\u002Fdoi.org\u002F10.1137\u002F0515056",{"citationText":33,"title":34,"authors":35,"source":36,"year":37,"doi":38,"url":39},"Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communications on Pure and Applied Mathematics, 41(7), 909-996.","Orthonormal bases of compactly supported wavelets","I. Daubechies","Communications on Pure and Applied Mathematics",1988,"10.1002\u002Fcpa.3160410705","https:\u002F\u002Fdoi.org\u002F10.1002\u002Fcpa.3160410705",{"citationText":41,"title":42,"authors":43,"source":44,"year":45,"doi":46,"url":47},"Mallat, S. (1989). A theory for multiresolution signal decomposition: the wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(7), 674-693.","A theory for multiresolution signal decomposition: the wavelet representation","S. Mallat","IEEE Transactions on Pattern Analysis and Machine Intelligence",1989,"10.1109\u002F34.192463","https:\u002F\u002Fdoi.org\u002F10.1109\u002F34.192463",{"citationText":49,"title":50,"authors":51,"source":52,"year":53,"doi":54,"url":55},"Donoho, D. L. (1995). De-noising by soft-thresholding. IEEE Transactions on Information Theory, 41(3), 613-627.","De-noising by soft-thresholding","D. L. Donoho","IEEE Transactions on Information Theory",1995,"10.1109\u002F18.382009","https:\u002F\u002Fdoi.org\u002F10.1109\u002F18.382009",{"citationText":57,"title":58,"authors":59,"source":60,"year":61,"doi":62,"url":63},"Torrence, C. & Compo, G. P. (1998). A Practical Guide to Wavelet Analysis. Bulletin of the American Meteorological Society, 79(1), 61-78.","A Practical Guide to Wavelet Analysis","C. Torrence, G. P. Compo","Bulletin of the American Meteorological Society",1998,"10.1175\u002F1520-0477(1998)079\u003C0061:APGTWA>2.0.CO;2","https:\u002F\u002Fdoi.org\u002F10.1175\u002F1520-0477(1998)079%3C0061%3AAPGTWA%3E2.0.CO%3B2",{"citationText":65,"title":66,"authors":67,"source":68,"year":69,"doi":70,"url":71},"Selesnick, I. W., Baraniuk, R. G., & Kingsbury, N. G. (2005). The dual-tree complex wavelet transform. IEEE Signal Processing Magazine, 22(6), 123-151.","The dual-tree complex wavelet transform","I. W. Selesnick, R. G. Baraniuk, N. G. Kingsbury","IEEE Signal Processing Magazine",2005,"10.1109\u002FMSP.2005.1550194","https:\u002F\u002Fdoi.org\u002F10.1109\u002FMSP.2005.1550194",{"citationText":73,"title":74,"authors":75,"source":76,"year":77,"doi":78,"url":79},"Haar, A. (1910). Zur Theorie der orthogonalen Funktionensysteme. Mathematische Annalen, 69(3), 331-371.","Zur Theorie der orthogonalen Funktionensysteme","A. Haar","Mathematische Annalen",1910,"10.1007\u002FBF01456326","https:\u002F\u002Fdoi.org\u002F10.1007\u002FBF01456326",[81,84,87,90],{"question":82,"answer":83},"Wavelet khác gì so với biến đổi Fourier truyền thống?","Biến đổi Fourier chỉ cung cấp thông tin phổ tần số trên toàn bộ miền thời gian mà không định vị được thời điểm xuất hiện của các tần số. Ngược lại, phân tích wavelet sử dụng các hàm sóng có độ dài hữu hạn co giãn đa quy mô, cho phép định vị đồng thời cả thời gian và tần số của các biến đổi đột ngột trong tín hiệu phi dừng.",{"question":85,"answer":86},"Phân tích đa độ phân giải (MRA) trong wavelet là gì?","Phân tích đa độ phân giải MRA là khung lý thuyết toán học phân rã không gian tín hiệu thành chuỗi các không gian con xấp xỉ lồng nhau. Mỗi mức phân giải gồm một phần xấp xỉ tần số thấp do hàm tỉ lệ đảm nhiệm và phần chi tiết tần số cao do hàm wavelet trích xuất.",{"question":88,"answer":89},"Làm thế nào để chọn họ wavelet phù hợp cho bài toán xử lý tín hiệu?","Việc chọn họ wavelet phụ thuộc vào đặc tính tín hiệu và mục tiêu xử lý: họ Haar phù hợp với tín hiệu có bước nhảy nhọn; họ Daubechies và Symlet tối ưu cho xử lý ảnh và khử nhiễu nhờ giá mang compact và số mômen triệt tiêu cao; trong khi wavelet Morlet thích hợp cho phân tích phổ thời gian-tần số liên tục của chuỗi thời gian khí tượng và y sinh.",{"question":91,"answer":92},"Phương pháp khử nhiễu bằng ngưỡng wavelet hoạt động như thế nào?","Khử nhiễu wavelet dựa trên nguyên lý tập trung năng lượng: tín hiệu hữu ích tập trung vào một số ít hệ số wavelet biên độ lớn, còn nhiễu phân bố đều với biên độ nhỏ. Bằng cách áp dụng hàm ngưỡng mềm lên các hệ số chi tiết rồi biến đổi ngược, tín hiệu được làm sạch mà vẫn bảo toàn các cạnh và điểm dị biệt.",{"id":94,"researcherId":10,"name":95,"imageUrl":96},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":98,"researcherId":10,"name":99,"imageUrl":100},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[13],false,"PUBLISHED","2025-12-01T09:43:00.483+00:00","2026-08-29T01:03:52.063+00:00","2026-08-29T01:03:52.034+00:00",0,[109,120,128,133,138,143,148,153,158,163],{"id":110,"title":111,"term":112,"englishTitle":113,"definition":114,"discipline":115,"disciplineCode":116,"disciplineLabel":117,"disciplineColor":118,"disciplineIcon":119},"chẩn đoán lỗi","Chẩn đoán lỗi là gì? Ý nghĩa và ứng dụng chuyên sâu","Chẩn đoán lỗi","fault diagnosis","Chẩn đoán lỗi (Fault Diagnosis) là quy trình kỹ thuật nhằm phát hiện sự xuất hiện của lỗi (Fault Detection), định vị thành phần bị hỏng (Fault Isolation) và xác định bản chất cũng như mức độ nghiêm trọng của lỗi (Fault Identification) trong một hệ thống kỹ thuật.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":121,"title":122,"term":121,"englishTitle":121,"definition":123,"discipline":22,"disciplineCode":124,"disciplineLabel":125,"disciplineColor":126,"disciplineIcon":127},"proton","Proton là gì? Cấu trúc và ứng dụng của Proton","Proton là một hạt hạ nguyên tử bền vững thuộc nhóm baryon cấu tạo từ hai quark lên và một quark xuống, mang điện tích nguyên tố dương và có khối lượng nghỉ xấp xỉ 1.6726 x 10^-27 kg nằm trong hạt nhân nguyên tử.","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":129,"title":130,"term":129,"englishTitle":131,"definition":132,"discipline":22,"disciplineCode":124,"disciplineLabel":125,"disciplineColor":126,"disciplineIcon":127},"nhiệt độ nóng chảy","Nhiệt độ nóng chảy là gì? Các nghiên cứu khoa học liên quan","nhiet do nong chay","khái niệm và đối tượng nghiên cứu cơ bản trong khoa học tự nhiên, phản ánh các đặc trưng bản chất, cơ chế vận hành và các quy luật tương tác hệ thống trong thực tiễn.",{"id":134,"title":135,"term":134,"englishTitle":136,"definition":137,"discipline":22,"disciplineCode":124,"disciplineLabel":125,"disciplineColor":126,"disciplineIcon":127},"hằng số tốc độ","Hằng số tốc độ là gì? Các bài nghiên cứu khoa học liên quan","rate constant","Hằng số tốc độ (Reaction Rate Constant, ký hiệu k) là một hệ số tỷ lệ đặc trưng trong phương trình động học biểu thị tốc độ của phản ứng hóa học khi nồng độ của tất cả các chất phản ứng bằng đơn vị.",{"id":139,"title":140,"term":139,"englishTitle":141,"definition":142,"discipline":22,"disciplineCode":124,"disciplineLabel":125,"disciplineColor":126,"disciplineIcon":127},"động vật linh trưởng","Động vật linh trưởng là gì? Tiến hóa Perelman, giải phẫu Fleagle và Estrada","primates","Động vật linh trưởng là một bộ thú có vú bậc cao đặc trưng bởi bàn tay ngón cái đối diện, thị giác lập thể 3D và vỏ não phát triển, tiến hóa qua các nhánh Mũi ướt và Mũi khô theo nghiên cứu Perelman-Fleagle.",{"id":144,"title":145,"term":144,"englishTitle":146,"definition":147,"discipline":22,"disciplineCode":124,"disciplineLabel":125,"disciplineColor":126,"disciplineIcon":127},"đồng vị","Đồng vị là gì? Phân loại và ứng dụng trong khoa học hiện đại","isotope","Đồng vị là các biến thể của cùng một nguyên tố hóa học có cùng số proton trong hạt nhân nhưng khác nhau về số neutron, dẫn đến khối lượng nguyên tử khác nhau.",{"id":149,"title":150,"term":149,"englishTitle":151,"definition":152,"discipline":22,"disciplineCode":124,"disciplineLabel":125,"disciplineColor":126,"disciplineIcon":127},"chu trình sinh địa hóa","Chu trình sinh địa hóa: Khái niệm, nguyên lý và ứng dụng","Biogeochemical cycle","Chu trình sinh địa hóa là một thuật ngữ và phạm trù học thuật then chốt trong lĩnh vực natural sciences, phản ánh các nguyên lý, cơ chế và phương pháp luận chuyên sâu đã được chuẩn hóa trong nghiên cứu và ứng dụng thực tiễn.",{"id":154,"title":155,"term":154,"englishTitle":156,"definition":157,"discipline":22,"disciplineCode":124,"disciplineLabel":125,"disciplineColor":126,"disciplineIcon":127},"ethylene","Ethylene là gì? Cấu trúc hóa học, vai trò sinh học và ứng dụng","Ethylene","Ethylene (ethene, công thức hóa học C2H4) là một hydrocarbon không no thuộc nhóm anken đơn giản nhất, tồn tại ở thể khí không màu, đồng thời là một phytohormone dạng khí điều hòa sự chín và rụng ở thực vật.",{"id":159,"title":160,"term":159,"englishTitle":161,"definition":162,"discipline":22,"disciplineCode":124,"disciplineLabel":125,"disciplineColor":126,"disciplineIcon":127},"không khí ẩm","Không khí ẩm là gì? Các công bố khoa học về Không khí ẩm","moist air","Không khí ẩm là hỗn hợp nhiệt động học giữa không khí khô và hơi nước, có các thông số đặc trưng gồm độ ẩm tương đối, độ ẩm tuyệt đối và nhiệt độ điểm sương.",{"id":164,"title":165,"term":164,"englishTitle":166,"definition":167,"discipline":22,"disciplineCode":124,"disciplineLabel":125,"disciplineColor":126,"disciplineIcon":127},"hệ số phân bố","Hệ số phân bố là gì? Ý nghĩa trong hóa học và dược lý","Partition Coefficient","Hệ số phân bố (partition coefficient, ký hiệu P hoặc log P) là đại lượng nhiệt động học biểu thị tỷ lệ nồng độ cân bằng của một chất tan không phân ly giữa hai dung môi không trộn lẫn (thường là 1-octanol và nước)."]