Sunteți pe pagina 1din 180

UNIVERSITATEA POLITEHNICA TIMIOARA

Facultatea de Electronic i Telecomunicaii

DORINA ISAR

MBUNTIREA RAPORTULUI
SEMNAL PE ZGOMOT
N SISTEMELE DE TELECOMUNICAII

Tez de doctorat

Conductor tiinific
Prof. dr. ing. IOAN NAFORNI

Timioara 1998

PREFA
Aceast tez a fost realizat n cadrul colectivului condus de
domnul profesor doctor inginer IOAN NAFORNI, ale crui caliti
tiinifice i pedagogice au contribuit n mare msur la definitivarea
prezentei teze. Alegerea acestei teme s-a concretizat la propunerea
domnului profesor doctor inginer IOAN NAFORNI, fa de care
doctorandul i exprim ntreaga sa recunotin. Autoarea tezei
mulumete domniei sale pentru ndemnuri i sfaturi, exigen,
solicitudine i disponibilitate, manifestate pe ntreaga perioad de
pregtire a tezei.
Dotorandul mulumete n mod deosebit profesorilor
refereni, doamnei profesor doctor inginer ADELAIDA MATEESCU,
domnului profesor doctor inginer VIOREL POPESCU, domnului
profesor doctor inginer ALEXANDRU ERBNESCU, domnului
profesor doctor inginer ALIMPIE IGNEA, pentru bunvoina de a fi
acceptat s parcurg lucrarea i pentru aprecierile i recomandrile fcute.
Dintre colegi, autoarea mulumete n mod deosebit
domnului ef lucrri Tibor Asztalos pentru ajutorul oferit la elaborarea
primelor programe i soului, confereniar doctor inginer Alexandru Isar,
pentru numeroasele discuii constructive avute pe tema tezei. Autoarea
este recunosctoare tuturor colegilor care prin amabilitate, prietenie i
competen tiinific au ncurajat realizarea prezentei teze.
Multe mulumiri sunt adresate soului, prinilor, socrilor i
fiicei pentru sprijinul moral i ajutorul oferit cu dragoste, fr de care
finalizarea acestei teze la aceast dat nu ar fi fost posibil.
Autoarea este recunosctoare tuturor profesorilor din
Facultatea de Electronic i Telecomunicaii din cadrul Universitii
Politehnica din Timioara, pe care i-a avut ca dascli i care au
contribuit la formarea sa tiinific.

STRUCTURA I CONINUTUL LUCRRII


n telecomunicaii, procesul de transport al informaiei este
inerent afectat de semnale nedorite suprapuse peste semnalul util. n
marea majoritate a cazurilor aceast suprapunere este de tip aditiv.
Perturbaiile sunt semnale aleatoare ce apar fie datorit unor cauze
naturale (perturbaii electrice atmosferice, propagarea unor unde
acustice), sau ca urmare a activitii omeneti (semnale tranzitorii pe
liniile de alimentare, impulsuri parazite provenite de la motoare electrice,
etc). Astfel de perturbaii afecteaz semnalele de tip Radar, semnalele ce
se vehiculeaz pe cablurile de transmisie submarin, transmiterea
informaiei pe canale de comunicaie... . O alt denumire pentru
perturbaii este aceea de zgomote. ntotdeauna la intrarea unui receptor
este prezent un amestec de semnal util i zgomot. Pentru aprecierea
prilor de semnal util i de zgomot din cadrul semnalului de la intrarea
receptorului se folosete aa-numitul raport semnal pe zgomot, RSZ.
Aceast mrime reprezint raportul dintre puterea semnalului util i
puterea zgomotului care compun semnalul de la intrarea n receptor.
Trebuie afirmat c i n cazul sistemelor pur numerice se
utilizeaz
noiunea de RSZ. n acest caz zgomotul este asociat cu distorsiunile
produse de sistemul de prelucrare considerat.
n cazul n care RSZ este mic este necesar creterea sa
pentru o bun separare a semnalului util de zgomot, condiie necesar
pentru extragerea din semnalul util a informaiei pe care o poart. Iat de
ce lucrarea de fa este dedicat studiului metodelor de cretere a
raportului semnal pe zgomot care se utilizeaz sau s-ar putea utiliza n
sistemele de telecomunicaii. Se ncearc o prezentare sistematic i
unitar a acestor tehnici. Metodele de mbuntire a raportului semnal pe
zgomot prezentate sunt exemplificate sugestiv. Nu se insist asupra
rezultatelor experimentale ce se pot obine folosind aceste tehnici i nici
asupra metodelor de construcie a sistemelor necesare implementrii
acestor tehnici, dar sunt citate de fiecare dat lucrri care prezint aceste
aspecte. Nici aplicaiile practice ale rezultatelor obinute nu fac obiectul
acestei teze. Scopul lucrrii de fa este doar analiza metodelor de
mbuntire a RSZ prin prisma teoriei prelucrrii semnalelor.
Sistemele responsabile pentru mbuntirea raportului
semnal pe zgomot trebuie s se comporte selectiv, nelsnd s treac
zgomotul i lsnd s treac semnalul util. Acesta este motivul pentru
care se folosesc de obicei filtre (sisteme cu comportare selectiv n
domeniul frecven). Aceste filtre pot fi sisteme liniare invariante n
timp, sisteme liniare variante n timp sau sisteme neliniare. Amestecul

dintre semnalul util i zgomot poate fi aditiv, multiplicativ sau de alt


natur. De obicei n studiul sistemelor de telecomunicaii se utilizeaz
modelul aditiv. Avnd n vedere facilitile de calcul ale modelului de
semnal de tip zgomot alb (de band limitat sau nu), se va folosi
pentru zgomot, preponderent, acest model. Un alt model utilizat, datorit
frecventei sale apariii n practic, este cel al zgomotului n impulsuri.
n capitolul 1 sunt trecute n revist, succint, principalele
tehnici de mbuntire a raportului semnal pe zgomot cunoscute.
n capitolul 2 sunt prezentate cteva considerente asupra
metodelor de mbuntire a raportului semnal pe zgomot prin filtrare
liniar. Se insist asupra noiunii de band echivalent de zgomot att
pentru filtre analogice ct i pentru filtre numerice. Se prezint o nou
clas de filtre numerice al cror rspuns n frecven este o funcie
periodic de perioad diferit de 2 i se studiaz calitile de
mbuntire a RSZ a acestor filtre. Se studiaz i cazul sistemelor liniare
cu parametrii variabili n timp din punctul de vedere al creterii RSZ.
n capitolul 3 se introduce n mod natural transformarea
undioar discret din perspectiva teoriei codrii n subbenzi. Se prezint
legtura dintre transformarea undioar discret i teoria seriilor de
undioare.
Capitolul 4 este dedicat metodelor de mbuntire a
raportului semnal pe zgomot bazate pe utilizarea transformrii undioar
discret.
Au fost alese metodele de mbuntire a raportului semnal
pe zgomot bazate pe folosirea funciior undioar deoarece acestea
reprezint cele mai spectaculoase aplicaii ale teoriei funciilor undioar
care se dezvolt n prezent. Exist numeroase laboratoare n lume ai cror
cercettori ncearc s utilizeze teoria funciilor undioar n domeniul
telecomunicaiilor. Se face compresie cu funcii undioar, codare cu
funcii undioar, transmisie multirezoluie i bineneles mbuntirea
raportului semnal pe zgomot. Poate c principalul avantaj al metodelor de
mbuntire a raportului semnal pe zgomot bazate pe funcii undioar
asupra altor metode de mbuntire a raportului semnal pe zgomot (cum
sunt de exemplu cele bazate pe filtrarea adaptiv) este viteza de calcul
sporit. Un alt avantaj este c metodele bazate pe utilizarea funciilor
undioar realizeaz n mod intrisec i o compresie, ceea ce este deosebit
de util, innd seama de caracterul foarte redundant al semnalelor de
telecomunicaii (vorbire, imagini).
n acest capitol este evideniat proprietatea de decorelare pe
care o
are transformarea undioar discret. Pe baza acestei proprieti,
zgomotul care perturb aditiv semnalul util devine n domeniul

transformatei undioar discret un zgomot alb. De aceea n domeniul


acestei transformate poate fi utilizat oricare dintre tehnicile de extragere
a semnalului util din zgomot alb.
Se introduce un nou filtru neliniar adaptiv utilizat n domeniul
transformatei undioar discret. Se analizeaz modul n care afecteaz
acest sistem caracteristicile statistice ale semnalelor de la intrarea sa.
n capitolul 5 se prezint rezultatele experimenale obinute
aplicnd metoda de cretere a raportului semnal pe zgomot care a fost
elaborat n capitolul anterior. Se verific i se dovedete eficiena
utilizrii metodei propuse n transmisii numerice i la Radar folosind
semnale sintetizate. Metoda a fost verificat i utiliznd semnale reale,
preluate de la un echipament de testare a calitii materialelor textile.
Aceste semnale au fost obinute de la Universitatea din Reims
Champagne-Ardenne. Rezultatele aplicrii metodei propuse n aceast
lucrare sunt comparate cu rezultatele obinute aplicnd alte metode
moderne de cretere a raportului semnal pe zgomot (separare de surse).
Att pentru sintetizarea semnalelor utile i a celor patru
tipuri de zgomote ct i pentru simularea metodei adaptive de mbuntire
a RSZ au fost elaborate cinci programe complexe de simulare n limbajul
C.
Ultimul capitol este dedicat prezentrii concluzilor i
contribuiilor
personale.
Evident chestiunea tratat va evolua n viitor dar au fost
depuse eforturi ca prezentarea fcut s evidenieze majoritatea
rezultatelor cunoscute la ora actual.
Lucrarea are 179 de pagini. Pe parcursul su sunt citate 242
referine bibliografice.

CAPITOLUL 1. INTRODUCERE
Unul dintre dezideratele fundamentale n telecomunicaii
este transmiterea la o distan ct mai mare a informaiei care s poat fi
recepionat corect. Dar informaia este transportat cu ajutorul
semnalelor. n procesul de transport al informaiei apar inerent semnale
nedorite suprapuse peste semnalul util, care afecteaz coninutul
informaional al semnalelor utile (cele care poart informaia). O alt
denumire pentru semnalele nedorite este aceea de zgomote. ntotdeauna la
intrarea unui receptor este prezent un amestec de semnal util i zgomot.
Pentru aprecierea prilor de semnal util i de zgomot din cadrul
semnalului de la intrarea receptorului se folosete aa-numitul raport
semnal pe zgomot, RSZ. Aceast mrime reprezint raportul dintre
puterea semnalului util i puterea zgomotului care compun semnalul de la
intrarea n receptor.
Raportul semnal pe zgomot este un indice global al calitii
semnalului de la intrarea receptorului. Este vorba de unul dintre primii
indici globali utilizai n telecomunicaii i este specific transmisiilor
analogice.
n prezent se folosesc tot mai mult sisteme de transmisie
mixte care nglobeaz att subsisteme analogice ct i subsisteme
numerice. n cazul transmisiilor numerice se realizeaz o protecie
suplimentar la perturbaii folosind tehnicile de codare. Eficiena acestei
protecii este apreciat cu ajutorul unui alt indice global, definit ca
raportul dintre numrul biilor eronai i numrul total de bii, BER. n
prezent se obinuiete ca un sistem de telecomunicaii s fie caracterizat
de dependena indicelui BER de la ieire de raportul RSZ de la intrare.
Iat de ce i n cazul acestor sisteme este important noiunea de raport
semnal pe zgomot. Trebuie afirmat c i n cazul sistemelor pur numerice
se utilizeaz noiunea de RSZ. n acest caz zgomotul este asociat cu
distorsiunile produse de sistemul de prelucrare considerat [Cla.,Mec.85],
[Duv.91], [End. Ver.92], [Naf.,Cam.,Isa.95], [Wec.89].
Astfel, RSZ are toate calitile unui indice global :
simplitate, universalitate, uurin de calcul,... dar i toate defectele unui
astfel de indice, dintre care cel mai mare este c nu caracterizeaz n nici
un fel coninutul informaional al semnalului util. Oricum, n cazul n care
RSZ este mic este necesar creterea sa pentru o bun separare a
semnalului util de zgomot, condiie necesar pentru extragerea din
semnalul util a informaiei pe care o poart.

Sistemele responsabile pentru mbuntirea raportului


semnal pe zgomot trebuie s se comporte selectiv, nelsnd s treac
zgomotul i lsnd s treac semnalul util. Acesta este motivul pentru
care se folosesc de obicei filtre (sisteme cu comportare selectiv n
domeniul frecven). Aceste filtre pot fi sisteme liniare invariante n
timp, sisteme liniare variante n timp sau sisteme neliniare. Amestecul
dintre semnalul util i zgomot poate fi aditiv, multiplicativ sau de alt
natur. De obicei n studiul sistemelor de telecomunicaii se utilizeaz
modelul aditiv. Avnd n vedere facilitile de calcul ale modelului de
semnal de tip zgomot alb (de band limitat sau nu), se va folosi
pentru zgomot, preponderent, acest model.
Tehnicile de mbuntire a raportului semnal pe zgomot
prezentate vor fi exemplificate sugestiv. Nu se va insista asupra
rezultatelor experimentale ce se pot obine folosind aceste tehnici i nici
asupra metodelor de construcie a sistemelor necesare implementrii
acestor tehnici, dar vor fi citate de fiecare dat lucrri (cu predilecie
personale) care prezint aceste aspecte. Nici aplicaiile practice ale
rezultatelor obinute nu fac obiectul acestei teze. Scopul lucrrii de fa
este doar analiza metodelor de mbuntire a RSZ prin prisma teoriei
prelucrrii semnalelor.
Orice sistem analogic de telecomunicaii conine cteva filtre
analogice. Aceste sisteme sunt indispensabile n construcia
modulatoarelor,
multiplexoarelor,
sistemelor
de
eantionare,
demodulatoarelor etc. Chiar i n cazul sistemelor mixte (analogice i
numerice) utilizarea unor filtre analogice este indispensabil, mai ales
pentru construcia interfeelor analogice (filtre antialiasing, filtre de
reconstrucie ).
Fie semnalul x(t), obinut prin perturbarea aditiv cu zgomot
alb de band limitat, nB(t), a semnalului util, s(t). Se consider c banda
zgomotului este B i c densitatea sa spectral de putere este N0.
RSZ pentru semnalul x(t) este definit cu relaia :
P
RSZ i = s
PnB
unde cu Ps am notat puterea semnalului util iar cu PnB puterea
zgomotului. Dup cum se vede definiia este valabil pentru semnale s(t)
de energie infinit dar de putere finit.
mbuntirea raportului semnal pe zgomot, poate fi realizat
prin filtrarea semnalului x(t). Astfel, la ieirea filtrului se obine semnalul
y(t) exprimat cu relaia :
y(t) = u(t) + n B0 (t)

unde u(t) reprezint rspunsul filtrului considerat la semnalul util s(t) iar
nB0(t) reprezint rspunsul aceluiai sistem dar la semnalul aleator nB(t).
RSZ la ieirea filtrului este :
Pu
RSZ 0 =
PnB0
mbuntirea raportului semnal pe zgomot se poate aprecia
prin valoarea parametrului definit astfel :
= RSZ 0
(1.1)
RSZ i
Admind c filtrul este ales n aa fel nct :
(1.2)
P u = Ps
valoarea mbuntirii raportului semnal pe zgomot este :
= Pu
P nB0
Densitatea spectral de putere a semnalului nB0 este legat de
densitatea spectral de putere a semnalului nB, conform relaiei [Sp.87] :
2

nB0 = H() nB

unde cu H() s-a notat rspunsul n frecven al filtrului considerat. Deci:


2

nB0 () = N 0 H()
Rezult valorile pentru puterea semnalului aleator de la intrare :
N0
N0 B
1
PnB =
(
)
d
d

nB
2 B
2 B
2
i puterea semnalului aleator de la ieire :
N
1
2
2
PnB0 =
B N 0 H() d = 0 B H() d
2
2
mbuntirea raportului semnal pe zgomot este deci :
B
=
2
B H( ) d

(1.3)

(1.4)

(1.5)

Deoarece este adimensional, rezult c numitorul membrului drept al


ultimei relaii are dimensiune de frecven. De aceea el poart numele de
band echivalent de zgomot a filtrului cu rspunsul n frecven H().
Deci filtrul cu rspunsul n frecven H() trebuie proiectat n aa fel
nct banda de trecere a filtrului s conin banda semnalului util s(t) (prin
urmare aceasta trebuie s fie cunoscut) i s aib o band echivalent de
zgomot ct mai mic.
Se observ astfel importana cunoaterii benzii echivalente
de zgomot a filtrelor analogice.

Se pune problema determinrii rspunsului la impuls h(t) al


acelui sistem care maximizeaz RSZ la ieirea sa la momentul T cnd la
intrarea sa este adus semnalul :
x(t) = s(t) + n(t)
unde n(t) este un zgomot staionar cu densitate spectral de putere n().
Avnd n vedere enunul problemei, RSZ trebuie redefinit n
aa fel nct el s devin o funcie de timp. Se va considera c semnalul
s(t) este de energie finit. Pentru semnalul y(t) :
y(t) = u(t) + n 0 (t)
de la ieirea filtrului cu rspunsul la impuls h(t), se definete cu formula:
|u(t)|2
RSZ 0 =
P n0
Pentru puterea semnalului aleator de la ieire vom avea :
1
|H( ) |2 n ( )d
P n0 =

2 -
Expresia semnalului util de la ieire fiind :

u(t) = s(t) h(t) =

s( ) h(t - )d

valoarea lui u(t) la momentul T este :

u(T) = s() h(T )d


-

sau, pe baza transformrii Fourier inverse :


1
u(T) =
H() S() e jT d
2 -
De aceea :
2

1
u(T) = H() S() e jT d
2 -
iar expresia RSZ la ieire devine :
2

1
jT
d
H() S() e
2 -
RSZ 0 =
1
| H() |2 n () d
2 -
Este binecunoscut inegalitatea lui Schwartz :

(1.6)

A( ) B

* ( )

2
d |A( ) | d |B( ) |2 d
-
-

Fie :

A( ) = H( ) [ n ( )]
* ()

B
Ultima inegalitate devine :

1
2
1

= S() e jT [ n () ] 2

|S( ) |2

|H(
)
|
(
)|
d
d


| n

-
- | n ( )|

-
Folosind aceast inegalitate, pentru relaia (1.6) avem :
1 |S( ) |2

d
RSZ0

(1.7)
2 - | n ( )|
S-a obinut n acest mod valoarea maxim a RSZ la ieirea
filtrului cu rspuns la impuls h(t), la momentul T, pentru semnalul de
intrare s(t). Dup cum se tie, semnul egal n inegalitatea lui Schwartz se
obine pentru :
A( ) = K B( )
unde K este o constant. Aceast relaie se mai scrie :
H( )S( ) e jT d

H() [ n () ]

1
2

= K S () e
*

jT

[[ ()] ]
n

1
* 2

Deci :

H() =

K S* () e jT

1
2 2
()

adic :
K S () e jT
| n () |
S-a obinut astfel rspunsul n frecven al filtrului care
maximizeaz RSZ al semnalului y(t) la momentul T, cu excepia unei
constante multiplicative.
Dup cum se vede, acest rspuns n frecven depinde de
spectrul semnalului determinist s(t) de la intrare i de densitatea spectral
de putere a zgomotului n(t) de la intrare. Cunoscnd deci aceste
caracteristici ale semnalului de intrare se poate determina rspunsul n
frecven H(). Sistemul cu acest rspuns n frecven se numete filtru
adaptat la semnalul x(t).
H() = K S () e jT | n () |-1 =

n continuare se determin rspunsul n frecven al unui


filtru adaptat la un semnal cu componenta aleatoare zgomot alb, avnd
densitatea spectral de putere N0 :
n () = N 0
Rezult :
K
H() =
S () e jT
N0
K
h(t) =
s(T t)
N0
Rspunsul acestui sistem la semnalul s(t) este :
K
K
u(t) = h(t) s(t) =
s() s(T t + ) d =
R s (t T)

N0 -
N0
i deci proporional cu autocorelaia semnalului s(t). Deci :
K
u(T) =
R s (0) u(t)
, () t R {T}
N0
Valoarea maxim a RSZ devine n acest caz :
1 1
E
RSZ 0 max =

| S() |2 d =
(1.8)
2 N 0 -
N0
unde cu E s-a notat energia semnalului s(t). Dependena de timp a RSZ
este n acest caz :
| K N 01 R s (t T) |2
| R s (t T) |2
RSZ 0 =
=
N0 E
1 2 2
K N 0 | S() |2 N 0 d
2 -
Dac pentru constanta K se alege valoarea N0, expresia rspunsului n
frecven al filtrului adaptat devine :
H() = S () e jT
iar rspunsul la impuls al acestui filtru este :
h(t) = s(t T)
Pentru ca filtrul adaptat s se poat construi este necesar ca
el s fie cauzal. Avem astfel :
h( t ) 0 , t < 0 u(t) = 0 , t < 0
(1.9)

Acceptnd c durata semnalului determinist de intrare este t0:


s(t) = 0
, t [0,t 0 ]
i innd seama c Rs(t) se obine ca i rezultat al convoluiei ntre s(t) i
s(-t), care au suporturile [ 0, t0 ] i [ -t0, 0 ], rezult c suportul lui Rs(t)
este [ -t0, t0]. De aceea suportul lui u(t) este: [ -t0+T, t0+T ]. Tinnd seama
de condiia (1.9) rezult c :

10

t0 + T > 0 t0 < T
Deci se pot construi filtre adaptate doar pentru semnale de durat limitat
iar momentul la care se maximizeaz RSZ nu poate apare dect dup
terminarea semnalului s(t). Aceast constatare exclude utilizarea filtrelor
adaptate n aplicaiile de timp real. Motivul expus mai sus implic de
obicei ca filtrele adaptate s nu poat fi construite exact, dar pot fi
construite filtre ale cror caracteristici s aproximeze caracteristicile
filtrelor adaptate. Filtrele adaptate se utilizeaz n construcia
detectoarelor optimale .
n continuare se va demonstra c filtrele adaptate pot fi
utilizate i n scopul separrii n domeniul timp a unor semnale diferite
deoarece mbuntesc rezoluia temporal a capacitii de separare a
dou impulsuri apropiate. Fr filtrare adaptat aceast rezoluie este
aproximativ egal cu durata t0 a primului impuls. Dup filtrarea adaptat,
avnd un semnal de tip impuls cu durata t0, rezoluia temporal este
determinat de durata autocorelaiei impulsului , care, conform
[Cou.84], este invers proporional cu banda efectiv a semnalului,
notat cu B. Este clar c pentru semnale de band larg este valabil
relaia:
1
< t0
B
Deci folosind filtrarea adaptat se poate mbunti rezoluia temporal
considerat, cu att mai mult cu ct semnalul considerat este de band
mai larg. Este de exemplu cazul semnalelor de tip "chirp" sau al celor
pseudoaleatoare. Semnalul de tip "chirp" st la baza aplicaiilor din
radiolocaie. Calculul valorii maxime a RSZ la ieirea unui filtru adaptat
la semnal "chirp" este prezentat n [Isa.95].
Un exemplu de semnal des ntlnit n telecomunicaii este
semnalul dreptunghiular. Pentru determinarea unui filtru adaptat la
impuls dreptunghiular considerm expresia analitic a impulsului
dreptunghiular avnd o durat t0 :

t
t
s(t) = A t + 0 t 0
2
2


Energia sa este :
E = A2 t0
Rspunsul la impuls al filtrului adaptat la acest semnal este pentru, K = 1:

t
t
h(t) = A T t + 0 T t 0
2
2

11

Dar acesta este rspunsul la impuls al unui integrator ideal care poate fi
aproximat printr-un filtru trece jos RC de ordinul I, cu rspunsul n
frecven :
1
H( ) =
1 + jRC
avnd rspunsul la impuls h(t) dat de relaia :
t

1
h(t) =
e RC (t)
RC
Rspunsul indicial al aceluiai sistem este :
t

(t)

RC
r(t) = 1 - e

De aceea rspunsul filtrului RC trece jos de ordinul I la semnalul s(t) este:

t
t
u(t) = A r t + 0 r t 0
2
2

Se observ c momentul la care |u(t)| este maxim este T=t0/2,


valoarea la acest moment fiind :
t

u(T) = A r(t 0 ) = A 1 e RC

De aceea :
2

0
2
u(T) = A 2 1 e RC

Calculm valoarea puterii zgomotului la ieirea integratorului RC :


1
1
1 du
N
0

N 0 d =

=
P n0 =
2 - 1 + 2 R 2 C2
2 RC - 1 + u 2

1
N
0
=

arctg u | = N 0
2 RC
2RC
-
Deci valoarea maxim a RSZ la ieirea integratorului RC rezult :

t
t

- 0
- 0
2
2 1 e RC
RC

2 RCA 1 e
A

=
RSZ 0 =
N0
N0
2RC
Valoarea maxim a RSZ la ieirea filtrului adaptat la dreptunghi este
conform relaiei (1.8) :

12

A2 t0
E
RSZ 0 max =
=
N0
N0
Deci, fcnd raportul ntre mbuntirea RSZ la ieirea integratorului i
mbuntirea RSZ la ieirea filtrului adaptat, avem :
2

RSZ 0
RSZ 0 max

0
2
2RCA 1 e RC

N0 =
=
N0
A2 t0
2

t
0
RC
1 e RC
= 2

t 0

Conform calculelor prezentate n [Isa.95], pentru valoarea :


t0
= 1,25
RC
se obine valoarea maxim a acestui raport :
2
RSZ 0
2
1 e 1, 25 = 0,816
=
RSZ 0 max 1,25
cu alte cuvinte, aproximarea filtrului adaptat la dreptunghi printr-un filtru
trece jos de ordinul I cu constanta de timp de 1,25 ori mai mic dect
durata dreptunghiului conduce la o scdere a valorii maxime a RSZ la
ieire de doar 0,88 dB.

OBSERVATII
O1. De obicei problema zgomotului colorat, care perturb semnalul de
intrare, poate fi redus la problema mai simpl a zgomotului alb prin
prefiltrarea semnalului de prelucrat x(t) cu un filtru de albire. Construcia
unor astfel de filtre este prezentat de exemplu n [Wha.71].
O2. Dei, n general, filtrele adaptate sunt nerealizabile, ele pot fi bine
aproximate cu filtre fizic realizabile.
O3. Principala aplicaie a filtrelor adaptate este n detecia optimal a
semnalelor de form cunoscut, perturbate aditiv. Acest lucru se
datoreaz faptului c la momentul T se poate lua relativ uor decizia
referitoare la prezena semnalului s(t) la intrare, deoarece RSZ la ieire
este maxim i rezoluia temporal la ieire este superioar celei de la
intrare (durata efectiv a semnalului u(t) este inferioar celei a semnalului
s(t)).
O4. Din pcate forma semnalului u(t) nu este de loc asemntoare formei
semnalului s(t). n aplicaiile n care se dorete s nu se afecteze forma
semnalului trebuiesc folosite altfel de filtre (Wiener, Kalman sau Bucy).

13

O5. Alte modaliti de mbuntire a RSZ se bazeaz pe calculul funciei


de corelaie sau a "cepstrului" semnalului x(t) [Sp.87] sau pe utilizarea
intercorelatoarelor sincrone (amplificatoare sincrone) [Cou.84].

Una dintre tendinele cele mai moderne n prelucrarea


semnalelor este nlocuirea sistemelor analogice cu sisteme digitale.
Sistemul analogic este nlocuit cu sistemul realizat prin conectarea n
cascad a unui convertor analog numeric cu un filtru digital i cu un
convertor numeric analogic. Semnalul de prelucrat este eantionat
obinndu-se secvena de la intrarea filtrului numeric. Prin creterea RSZ
(ca urmare a filtrrii digitale) a semnalului n timp discret se obine o
cretere a RSZ a semnalului de la ieirea convertorului numeric analogic.
Erorile specifice conversiei analog numerice (eroare de eantionare,
eroare de cuantizare) pot fi privite ca i zgomot suplimentar care
afecteaz aditiv semnalul util. Evident c i acestea pot fi diminuate prin
filtrare digital.
Considernd problema mbuntirii RSZ pentru semnalele n timp
discret prin filtrare numeric liniar, fie semnalul :
x[n] = s[n] + n B [n]
unde s[n] este un semnal determinist de putere finit iar nB[n] este un
zgomot alb de band limitat B i de densitate spectral de putere N0. Prin
filtrarea semnalului x[n] cu sistemul cu rspuns la impuls h[n] se obine
semnalul y[n] :
y[n] = u[n] + n B0 [n]
unde :
u[n] = s[n] h[n]
nB0 () = nB () | H() |2
[Bel.90], [Cou.84], [DeS.,Isa.93], [Naf.,Cm.,Isa.95]. La intrarea
filtrului avem RSZ dat de relaia :
RSZ i =
iar la ieire avem :

14

Ps
Pu

RSZ 0 =

Pu
P n B0

mbuntirea RSZ fiind :


=

RSZ 0 P u P u
=

RSZ i P s P nB0

Dac filtrul este proiectat astfel nct :


P u = Ps
atunci mbuntirea RSZ este :
= Pn
P nB0
Dar :
P nB =

1
N 0 d = N 0
2 -

1
N0
2
| H() |2 d
N 0 | H() | d =
P nB0 =
2 -
2 -
de aceea :

N0

N o | H() 2 d
|

2 -

| H() |

Numitorul membrului drept poart numele de band


echivalent de zgomot a sistemului cu rspunsul n frecven H().
Similar cu consideraiile prezentate pentru un filtru adaptat la un semnalul
analogic, n [Isa.95] este rezolvat problema rspunsului la impuls h[n]
al sistemului care maximizeaz RSZ de la ieirea sa, la momentul N, cnd
la intrare avem un zgomot staionar suprapus aditiv peste semnalul util.
Considernd pentru zgomot un semnal aleator cu densitatea spectral de

15

putere n(), valoarea maxim a RSZ la ieirea filtrului cu rspuns la


impuls h[n] este :
2

1 S()

RSZ 0
d
2 n ( )
Pentru rspunsul n frecven al filtrului care maximizeaz RSZ al
semnalului de la intrare la momentul N vom avea :
H () = K S* () e jN [ n ()]

Dac avem zgomot alb :


n ( ) = N 0
rspunsul n frecven al unui filtru adaptat la un semnal cu component
aleatoare de tip zgomot alb este :
H ( ) =

K *
S () e jN 0
N0

Alegnd pentru constanta K valoarea N0, expresia rspunsului n


frecven al filtrului adaptat devine :
H() = S () e jN
iar rspunsul la impuls al acestui filtru este :
h[n] = s[n N]
Se cunosc numeroase exemple de filtre adaptate la semnale n timp
discret. O parte din acestea sunt prezentate n [Kun.86], [Opp.,Sch.75]
sau [DeS.,Isa.92].

16

CAPITOLUL 2. MBUNTIREA RSZ PRIN

17

FILTRARE LINIAR

Din cele prezentate n primul capitol se deduce importana


cunoaterii benzii echivalente de zgomot a filtrelor.
2.1. O nou modalitate de estimare a benzii echivalente
de zgomot a unor filtre trece jos realizabile

n continuare se consider c semnalul sB(t) este de band


limitat i c spectrul su are o valoare nenul la = 0 (adic avem un
semnal de tip "trece jos"). n acest caz H() trebuie s caracterizeze un filtru
trece jos. Dup cum se tie cel mai frecvent se utilizeaz filtre trece jos de
tip Butterworth, Cebev sau Bessel.
Rspunsul n frecven al unui filtru de tip Butterworth, cu
pulsaia de tiere de 1 rad/s, de ordinul n, are proprietatea :

H() =

(2.1)

1 + 2 n

n continuare se va aprecia banda echivalent de zgomot a


unor filtre de tip Butterworth de diferite ordine.
Pentru n = 1 relaia (2.1) devine :
2

H1 () =

1
1 + 2

Banda echivalent de zgomot a filtrului cu acest rspuns n


frecven este :

d
2
= arctg | =
B z1 = H1 () d =
2
1
+

-
-
-
n aceast relaie s-a considerat c semnalul n(t) este un
zgomot alb de band nelimitat. n ipotezele capitolului anterior (semnalul
nB(t) zgomot alb de band limitat, B), s-ar fi obinut :

B z1 =

B
2
-

1 + 2

= arctg

B
2

B
2

18

B
2

= 2arctg

B
2

Pentru n = 2, relaia (2.1) devine :


H 2 () =

1
1 + 4

n aceast relaie membrul drept se poate scrie :


1
1+

2 2 2 + 1

2 2 2 + 2 + 1

1
1
2
+
2 2 + 1

1
1
2
2 + 2 + 1

Banda echivalent de zgomot a filtrului cu acest rspuns n


frecven este :
1

Bz2 =

B
2

2 2
1

2 2

2
B 2 + 1

1
2

B
2

B
2

+ 2 + 1

1
2

B
2

2
B 2 + 1

B
2

B
2

+ 2 + 1

Prima integral din membrul drept se poate calcula astfel :


B
2

B
2

2 + 1

1
2

B
2

B
2

( 2 2 ) d
2

2 + 1

2
2

B
2

B
2

d
2

2 + 1

n continuare, se calculeaz pe rnd :


B
2

(2 2 )d

2 + 1

= ln 2 + 1

19

B
2
B

= ln

B 2 2 2B + 4
B 2 + 2 2B + 4

i :
B
2

2
B 2 + 1

= 2arctg

1
2

2
2

B
2
B

B
2
B
2

2
2 arctg 2
== 2 arctg 2
1
1

2
2

Se deduce analog :

B
2
B
2
+

d
2
2 arctg 2 2
=
2
arctg

2 + 2 + 1
1
1

2
2
2
B
2

Ultima integral din relaia de calcul pentru Bz2 se descompune n modul


urmtor :
B
2

B
2

+ 2 + 1

1
2

B
2

B
2

( 2 + 2 )d
2 + 2 + 1

2
2

B
2

B
2

d
2

+ 2 + 1

pentru care avem :


B
2

(2 + 2 )d

2
B + 2 + 1

= ln + 2 + 1

B
2
B

= ln

B 2 + 2 2B + 4
B 2 2 2B + 4

nlocuind toate aceste rezultate n relaia de calcul a benzii echivalente de


zgomot, forma final pentru aceasta este :
Bz2 =

1
2 2

ln

B 2 2 2B 4

1
B
1
B

+
arctg

1
+
arctg
+ 1

2
2
B + 2 2B + 4 2
2

Dac se consider c n(t) este zgomot alb de band nelimitat,


atunci :

20

Bz2 =
+

- 1 +

arctg
2

1
B 2 2 2B + 4
ln 2
+
= lim
2
2
B
+
2
2
B
+
4

B
B
B

1
arctg
+ 1 =
1 +
2
2
2
2

Se observ astfel c dac se crete ordinul filtrului de la 1 la 2,


banda sa echivalent de zgomot scade de 2 ori.
Fr ndoial c n poate fi crescut n continuare dar integralele
care trebuiesc calculate conduc la calcule mult mai laborioase. De aceea n
continuare se prezint nite margini (superioar i inferioar) pentru benzile
echivalente de zgomot ale filtrelor Butterworth de diferite ordine. Pentru
valori exacte, obinute prin integrare, se poate consulta articolul [Naf.92].
n figura 2.1a) este prezentat caracteristica de modul a
rspunsului n frecven a unui filtru Butteworth de ordinul n.
2

n figura 2.1 b). este prezentat graficul funciei H( ) .


Curbele notate cu II din cele dou figuri reprezint caracte-risticile reale iar
curbele notate cu I sunt caracteristicile asimptotice. Curbele notate cu III au
fost obinute trasnd paralele la caracteristicile asimptotice prin punctul (0,3dB) n cazul figurii 2.1a) i prin punctul (0, -6dB) n cazul figurii 2.1b).
Observnd figura 2.1a) se poate scrie :
1
0,

20 log | H I () | =
20n log , > 1

(2.2)

20 log | H() | 20 log | H I () |


sau :
20 log | H() |2 20 log H I ()

Dar pe baza relaiei (2.2), se poate scrie:


0,
1

2
20 log H I () =
40n log , > 1
2

astfel c 20 log H I ( ) reprezint tocmai curba I din figura 2.1b).

20 log|H()|2

20 log|H()|
21

log

[dB]

[dB]

log

I
II

I
II

-3

III
III
-6
a).

b).

Figura 2.1 a). Caracteristica de modul a rspunsului n frecven a


unui filtru Butterworth de ordinul n;
b). caracteristica 20 log H() 2 pentru un filtru Butterworth de ordinul n.

Trecnd de la coordonatele logaritmice la coordonate liniare, constatm :


1
1,
2
H I () = - 2n
, > 1
2

H() H I ()

(2.3)
(2.4)

Graficele acestor funcii sunt prezentate n figura 2.2.


Pe baza relaiilor (2.3) i (2.4) se poate scrie :
Bz

B
2

B
2

B
2

H I () d = 2 H I () d
0

care pentru B > 2 devine :

1
2n
2 n +1
B z 2( d + d ) = 21 +
1 - 2n
0
1

B
2

22

B
2

2 n +1
2 n +1

B
B

2

2

1
4
n
2
=

+
= 2 1 +

1 - 2n
2 n 1 2 n 1
2n 1

S-a obinut astfel c marginea superioar a benzii echivalente


de zgomot a unui filtru trece jos Butterworth de ordinul n are expresia :
2 n +1

Bz sup

B
2
4n
2
=

2n 1
2n 1

|H()|2
I
II
III
-1

Figura 2.2. O majorant, I i o minorant, III, pentru


caracteristica H() 2 , notat cu II

Dac se consider cazul n care B (n(t) este zgomot alb de band


nelimitat), atunci :
Bz sup =

4n
2n 1

Revenind la figura 2.1a) notm cu HIII() caracteristica de


modul a rspunsului n frecven a unui filtru Butterworth de ordin n ideal
care minoreaz caracteristica de modul H() pentru filtrul real. Se observ
din figur c putem scrie att :

23

3,

20lo g | H III () |=
20n log 3,

1
>1

ct i :
20 log | H() | 20 log | H III () |
sau :
20 log | H() |2 20 log | H III () |2
n aceast ultim relaie, conform notaiei din relaia (2.2), avem :
6,

20 log | H III () |2 =
40n log 6,

1
>1

Se constat astfel c 20 log H III ( ) 2 reprezint tocmai curba


III din figura 2.1b). Trecnd de la coordonatele logaritmice la coordonate
liniare, pentru ultima relaie obinem :
1
,
2 2
| H III () | = - 2n
,
2

1
>1

Se mai observ c :
2

H III () =

1
2
H I ()
2

Membrul stng al acestei relaii reprezint curba III iar membrul drept curba I din figura 1.2. Deci :
2

H()

1
2
H III ()
2

i prin urmare :

24

Bz

B
2

1
2
H III () d = Bz sup
2
B

S-a obinut astfel i marginea inferioar a benzii echivalente de


zgomot a unui filtru trece jos Butterworth de ordinul n :

Bz inf

2 n +1

2
1 4n

2
=

2 2n 1
2n 1

Cnd B expresia marginii inferioare devine :


Bz inf =

2n
2n - 1

S-a demonstrat aadar c :


Bz inf Bz Bz sup
Trecnd la limit n aceast relaie pentru n , se obine :
1 Bz 2
Valoarea relativ mare a lui Bzinf arat c utilizarea filtrrii liniare nu conduce
la rezultate remercabile atunci cnd RSZ al semnalului de prelucrat este mic.
De aceea n aceste situaii se recomand utilizarea filtrelor neliniare
[Ana.,Ven.89], [Isa.,Isa. 92].
OBSERVAII
O1. Dac pulsaia de tiere a filtrului Butterworth ar fi fost 0 (0 diferit
de 1) atunci s-ar fi obinut :

H() =


1 +
0

25

2n

Bz1 = 2 0 arctg

B
2 0

2 + 2 + 1 2 0
2
ln 2
Bz 2 = 0
+ 0 arctg
2 2
2 + 1 B
1 2
2 2
2 0

2 0

B
2 0

Aceste relaii pot fi obinute i prin particularizrile n = 1 i respectiv n = 2


n relaia (8) din [Naf. 92].
B
B

0
2
2

1
Bz s = 2 d + 2 n d = 2 0 +
2 n +1
1 2n
0
0
0

1
Bz i = 0 +
2 n +1
1 2n
0

S()
N0
2
T

4 6
T T

H()
1
A

26


U()
n0()
2 4 6

T
T T
Figura 2.3. mbuntirea raportului semnal pe zgomot
pentru un semnal periodic, prin filtrare.
O2. Caracteristicile asimptotice depind doar de ordinul filtrului i nu de
tipul de aproximare utilizat. De aceea marginea Bzs este aceeai i pentru
filtrele de tip Bessel. Se poate determina i pentru acest tip de aproximaie o
margine inferioar pentru banda de zgomot, numai c expresia acestei va fi
diferit de Bzi deoarece intersecia caracteristicii reale (curba II din figura
2.1a)), n cazul aproximrii de tip Bessel nu mai are coordonatele (0, -3dB)
, ci depinde de ordinul filtrului. Metoda propus ar putea fi utilizat i n
cazul aproximrii de tip Cebev chiar dac, n acest caz, caracteristica real
(curba II din figura 2.1a)) oscileaz n jurul caracteristicii asimptotice (curba
I) n banda de trecere. Avnd n vedere ns c amplitudinea oscilaiilor este
mic, metoda propus conduce la rezultate bune.
O3. Metoda de estimare a benzii echivalente de zgomot poate fi generalizat
cu uurin i pentru cazul filtrelor de tip trece sus, trece band sau oprete
band, prin transformri de variabil.
O4. O categorie de semnale deterministe de putere finit este cea format
din semnale periodice. n figura 2.3 se prezint un exemplu de mbuntire
a raportului semnal pe zgomot al unui semnal periodic, prin filtrare.
Se observ c, n exemplul considerat, relaia (1.2) este
satisfcut. De asemenea avem determinat puterea semnalului aleator de la
intrare conform relaiei (1.3) :

N0 B
PnB =
2
i puterea semnalului aleator de la ieire corespunztor relaiei (1.4) :
Pn B0 =

N0
M
2

iar raportul semnal pe zgomot este :


27

N0
B
B
2

=
3 =
N0
M M
2
Exist o categorie de filtre analogice, filtrele transversale, prin
a cror utilizare raportul semnal pe zgomot poate fi mbuntit i mai mult.
Un exemplu este prezentat n figura 2.4.
Considernd c semnalul x(t) este acelai ca i n cazul
exemplului din figura 2.3, pentru tipul de filtru din figura 2.4, se obine :
N0
B
B

2
=
4 =
N0
C C
2

Figura 2.4. Un exemplu de utilizare a filtrelor transversale pentru


mbuntirea
raportului semnal pe zgomot n cazul semnalelor periodice. Deoarece aria
haurat n figura 2.4 (de valoare C) este inferioar ariei dreptunghiului de
baz B i nlime 1, se poate scrie C < B
i deci
4 > 3 ( pentru
M = B )
2.2. Utilizarea filtrelor transversale pentru prelucrarea semnalelor
periodice

Dup cum s-a vzut n ultima observaie din paragraful


precedent, n cazul semnalelor periodice filtrele transversale sunt
28

superioare filtrelor clasice, din punct de vedere al mbuntirii raportului


semnal pe zgomot.
n figura 2.5 se prezint schema bloc a unui filtru transversal analogic.
x(t)

a0
a0x(t)

a1

a2

an-1

a1x(t-)

an
anx(t-n)

+
y(t)
Figura 2.5. Schema bloc a unui filtru transversal.
Se cunoate legtura dintre semnalele de intrare i de ieire:
y(t) = a 0 x(t) + a 1x(t ) + a 2 x(t 2) + ... + a n x(t n)
Lund transformata Fourier n cei doi membrii ai acestei relaii, se obine:
Y( ) = a 0 X( ) + a 1 e j X( ) + ... + a n e j n X( )
Deci rspunsul n frecven al filtrului transversal analogic este :
n
2

Y()
2

= H T () = a k e - j + k = H T +


X()

k =0

i se observ c rspunsul n frecven al unui filtru analogic transversal


este o funcie periodic (ceea ce justific i graficele din figura 2.4). Dac
se impune condiia :
ak =

1
n +1

, k = 0, n

29

sistemul obinut se numete mediator analogic i are rspunsul n


frecven :
1 n j( k)
1 1 e j( n +1)
H T () =
=
e
n +1 k =0
n + 1 1 e j
sau :

H T () =

1
n +1

sin (n + 1)
2

sin
2

n
j
e 2

Fcnd notaia :
x =

se observ c :
1
2
HT k =

n + 1

sin [(n + 1)x ]


= 1
sin x
x0

lim

Astfel spectrul de amplitudini al semnalelor periodice, de perioad , este


neafectat de prelucrarea acestor semnale cu mediatorul analogic.
n cazul n care la intrarea unui astfel de sistem este adus un
zgomot alb nB(t), de band limitat B i care are media nul, la ieirea
acestui sistem se obine un semnal aleator staionar i ergodic, nB0(t).
Media acestuia se calculeaz innd seama c operatorul de mediere
statistic E{ } este liniar. Rezult :

1 n
1 n
E {n B0 (t)} = E
n
(t
k
)
=

E {n B (t - k}

B
n
+
1
n
+
1
k =0
k =0

i pentru c nB(t) este staionar avem n continuare :


E {n B0 (t)} =

1 n
0=0
n + 1 k =0

30

(2.5)

Dispersia semnalului nB0(t) este :

{n 2B0 (t)} =

1
E
n + 1

n B (t - k)
k =0

(n + 1) 2 k = 0

E { n 2B (t

- k)} +

n B ( t k)n B ( t l) =
l = 0,

lk

n
n 2
E
n
(
t
k
)
=

B
(n + 1) 2 k = 0
k =0

E { n B (t - k) n B (t - k)}

(n + 1) 2 k = 0

nB()
N0

B
2

B
2

Figura 2.6. Densitatea spectral de putere a unui zgomot alb de band


limitat.
Dar :
E {n 2B (t - k) } = 2n = R n B n B (0) = Pn B
n figura 2.6 se prezint densitatea spectral de putere, nB, a
semnalului nB(t). Autocorelaia acestui semnal aleator este :

31

(2.6)

R n B n B (t) = N 0
2

B
2

B
2

jt

d = N 0
2 jt

B
2

d(e

B
2

jt

) = N 0 e jt
2 jt

B
2

= N0
B 2 jt
2

B
j Bt
j t
e 2 e 2 =

Bt
B
t
sin
2
2 = N 0 sin Bt = N 0 B
Bt
2
2 jt
t
2
2

N 0 2j sin

Se constat c :
2
R n Bn B k = 0
B

( ) k Z {0}

(2.7)

n cazul n care banda zgomotului alb, B, este un multiplu


ntreg al pulsaiei 0 = 2, conform relaiei (2.3) se obine :

2
E{n B (t - k)n B (t - l)} = R n B n B ((l - k) ) = R n B n B (l - k) =

0
2

= R n B n B (l - k)p = 0

B
Deci, dac se respect condiia :
B = p 0 ,
p Z {0}
(2.8)
atunci relaia (2.6) devine :
Pn B0 = E n 2B0 ( t ) = P n
(2.9)
n +1
Prin urmare se poate afirma c, dac la intrarea unui mediator analogic se
aduce semnalul x(t) :
x(t) = s(t) + n(t)
unde s(t) este un semnal periodic de perioad si n(t) un zgomot alb de
band limitat, B, i se respect condiia (2.8), atunci la ieirea
mediatorului se obine un semnal y(t) :
y(t) = u(t) + n B0 (t)
cu Ps = Pu i o mbuntire a raportului semnal pe zgomot de :
PnB
=
P nB0
sau, folosind relaia (2.9) :

32

= n + 1
(2.10)
Se constat c mbuntirea raportului semnal pe zgomot
obinut astfel este egal cu numrul liniilor de ntrziere ale filtrului
transversal folosit.
OBSERVAII
O1. Avnd n vedere c p din condiia (2.8) poate fi orice numr ntreg
nenul, aceast condiie nu este prea restrictiv.
O2. Relaia (2.10) arat c mbuntirea raportului semnal pe zgomot
introdus cu metoda descris poate fi orict de mare, principala limitare
fiind impus de complexitatea sistemului de filtrare obinut.
O3. Caracteristica de faz a mediatorului analogic (relaia (2.5)) este
liniar pe poriuni. Deci o dat cu creterea ordinului filtrului transversal
va crete i ntrzierea introdus de acesta.
O4. Construcia unor sisteme de acest tip este dificil datorit dificultii
cu care se construiesc liniile de ntrziere analogice. De obicei filtrele
transversale analogice se construiesc cu ajutorul filtrelor transversale
numerice [Naf., Isa.91] sau cu ajutorul dispozitivelor de transfer de
sarcin [Eze.,Jen.92]. iniile de ntrziere pot fi realizate i cu ajutorul
filtrelor trece tot.
O5. Filtrul transversal este una din structurile de baz folosite n
construcia sistemelor cu parametrii variabili n timp, ca de exemplu a
filtrelor adaptive. Aceast observaie este important deoarece nici un
semnal ntlnit n telecomunicaii nu este pur periodic. Multe semnale
cvasistaionare (folosite frecvent n telecomunicaii) pot fi privite ns ca
o succesiune de semnale periodice pe poriuni. Raportul semnal pe
zgomot n aceste cazuri poate fi crescut prin utilizarea unor filtre
transversale cu parametrii variabili n timp.
O6. Performana specificat de relaia (2.10) este atins doar dac
zgomotul care trebuie nlturat este alb. De ndat ce aceast condiie nu
mai este ndeplinit performanele filtrului transversal devin mai slabe.
O7. Este evident c, pentru construcia filtrului transversal este necesar
cunoaterea perioadei semnalului s(t), . Din pcate aceast mrime nu
este ntotdeauna cunoscut. n aceste cazuri poate fi utilizat detecia
sincron.
2.3. Benzi echivalente de zgomot ale unor filtre numerice

n [Isa.95] s-au calculat benzile echivalente de zgomot


pentru cteva filtre numerice cu rspuns finit la impuls (RFI) de diferite
ordine. n aceeai referin bibliografic s-au propus i etape de proiectare
a filtrelor RFI i s-au fcut aprecieri asupra benzilor echivalente de
zgomot pentru un filtru numeric cu rspuns infinit la impuls (RII). n
33

continuare se prezint doar calculele pentru benzile echivalente de


zgomot pentru filtrele numerice RFI de ordinul N i pentru filtrul RII de
ordinul I.
2.3.1. Filtru RFI de ordinul N

Ecuaia cu diferene finite care descrie funcionarea unui


filtru RFI de ordinul N este cunoscut ca fiind :
y[n] = a 0 x[n] + a 1x[n 1] + ... + a N x[n N]
Rspunsul n frecven al acestui sistem va fi :
H() = a 0 + a1e j +...+ a N e jN
adic :
H() = a 0 + a 1 cos +...+ a N cos N j(a 1 sin +...+ a N sinN)
i avem n continuare :
2

H() = (a 0 + a 1 cos + +...+a N cos N ) 2 + (a 1 sin +...+a N sinN ) 2

ceea ce se mai poate scrie i sub forma :


H ( )

= a k cos( k) + a k sin( k)
k =0

k =0

Calculm separat cele dou sume :


2

N
N
N

2
2
=
+
a
cos
k

a
cos
k

( )
k
k ( )
k =0

k =1
k =0

N
N

2
2
a k sin( k) = a k sin ( k) +
k =0

k =1

34

a k a l cos( k) cos(l)

l=0,
lk
N

a k a l sin( k) sin(l)

k =1 l=1,
lk

(2.11)

i, revenind la relaia (2.11), avem :


H()

a 2k

k =0

( sin 2 k + cos2 k ) +

a k a l [cos( k) cos(l) + sin( k) sin(l)]

k =1 l=1,
lk

sau :
2

H() =

a 2k
k=0

a k a l cos(k - l)

(2.12)

k = 0 l = 0,
lk

Condiia de egalitate a puterilor semnalelor deterministe de


la intrarea i ieirea filtrului numeric se scrie :
1
1
2
2
2
H(
)
S(
)
d
S() d

2
2
sau, innd cont de (2.12) :

N
1 N 2
2
S(
)
d
+

2 k = 0 k -
= '0
k

a k a l cos(k - l) S() d = P s
l = 0,

lk

adic :

N 2 N
R ss [0] a k +
k =0 k =0

2
a k a l 2 cos[(k - l)]S() d = R ss[0]
l = 0,

lk

Dar :

35

1
2
S() cos[(k - l)]d =

1 1
1
2 j(k - l)
2
S(
)
d
+
S() e j(k - l) d =
=

2 2
2

1
= {R ss [k l] + R ss [l k ]} = R ss [k l]
2
De aceea :
N N
N 2
a k R ss [0] + a k a l R ss [k - l] = R ss [0]
k = 0 l = 0,
k =0
l k

sau :
N
N

a
R
[0]
=
1

k ss

k =0
k =0

a k a l R ss[k - l]

l = 0,
l k

Banda echivalent de zgomot a filtrului RFI de ordinul N


este :

H()

d = 2 a 2k
k=0

a k a l cos (k - l) d

k = 0 l = 0,
lk

Dar :

1
1

d[
(k
l)

]
=
k
l

cos
(k
l)
d
=
sin
sin
(
)
[
] = 0; k l

k
l
k
l

i revenind la relaia anterioar :

H() d = 2 a 2k
k =0

i deci mbuntirea RSZ este dat de :

36

(2.13)

N =

1
(2.14)

a 2k

k =0

Rezult c filtrul de ordinul N trebuie proiectat n aa fel


nct s se minimizeze suma ptratelor coeficienilor cu constrngerea
dat de relaia (2.13).
Un caz particular interesant este cel n care : a0 i aN sunt
diferii de 0 i ak = 0 pentru k = 1N-1. n aceast situaie :
H() = a o + a N cosN ja N sinN
H() = a 20 + a 2N + 2a 0a N cosN
i n acest caz, corespunztor relaiei (2.13) :
1 a 20 a 2N R ss [0] = 2a 0 a N R ss [N]

iar relaia (2.14) devine :


1
+ a 2N
Algoritmul de proiectare al filtrului este urmtorul :
1. Se calculeaz Rss[0], Rss[N] i RN = Rss[N]/Rss[0] .
2. Se alege valoarea lui N dorit, n intervalul :
1 < N < RN + 1
3. Valorile coeficienilor a 0 i aN vor fi :
N =

a 0, N =

a 20

RN + N 1

RN N

RN - N + 1
RN N

2
OBSERVAII
O1. Acest algoritm nu se poate aplica n cazul semnalelor s[n] la care
Rss[N] = 0.
O2. Problema optimizrii filtrului RFI de ordin N este una de extreme cu
legturi. ntr-adevr, trebuie minimizat funcionala :
F(a k ) =

a 2k

k =0

cu respectarea relaiei (2.13).


Condiia de minim a funcionalei fiind :
N
F(a k )
=0
=
2 ak = 0
a k
k =0
una dintre condiiile care merit s fie verificat n proiectarea filtrului
este :
37

ak =

(2.15)

k =0

O3. Banda echivalent de zgomot a unui filtru RIF de ordinul N cu


coeficieni ak, k = 0N este deci :

B ZN =

a 2k

k =0

2.3.2. Filtru RII

Un filtru RII de ordinul I este descris de ecuaia cu diferene


finite :
b 0 u[n] + b1u[n 1] = a 0s[n] + a 1s[n - 1]
Rspunsul su n frecven este :
a 0 + a 1e j
H() =
b 0 + b1e j
De aceea se poate scrie :
2

H() =

a 0 2 + a12 + 2a 0 a1 cos
b 02 + b12 + 2b 0 b1 cos

Se obine pentru banda echivalent de zgomot :

B zRII =

H()

a 0 2 + a12 + 2a 0 a1 cos

b 02 + b12 + 2b 0 b1 cos

d =

Fcnd substituia :
tg

= t
2

se obine:

38

a a1
B zRII = 2 0

b 0 b1

a + a1
t2 + 0

a 0 a1

dt
b + b1 t + 1
2
t + 0

b 0 b1

Cu notaiile :
a 0 a1
b 0 + b1
=
= si
b 0 b1
b 0 b1

a 0 + a1
=;
a 0 a1

expresia benzii echivalente de zgomot devine :


B zRII

t2 + 2
dt
= 2 2

2
1 + t2
t +
2

Pentru aceasta se face descompunerea :

(t

t2 + 2

)(

+ 2 1 + t 2

2 1
2 2
2 1
2 1
= 2
+ 2
t + 2
t +1

i deci :
2

B zRII = 2 2
1

dt
t 2 + 2

dt

2 1 t 2 + 1

2 1

adic :

B zRII

t
2
d
2

2 1
2
arctg( t )
= 2 2
+ 2

1
1
t

1+

+ 2 ( 1)
2 1
2
= 2
+ 2
= 2
2 1
1
2 1

2 2

39

Deci banda echivalent de zgomot a unui filtru RII de ordinul I este :


+ 2
2
B zRII = 2
( + 1)
Se pot calcula, n acelai fel, benzile echivalente de zgomot i pentru
filtre RII de ordin superior. Astfel de filtre se utilizeaz n construcia
modulatoarelor sau a demodulatoarelor numerice, a multiplexoarelor
numerice, a codoarelor n subbenzi, etc. Studiul acestor filtre se justific
i pentru c ele pot fi utilizate drept filtre prototip pentru filtrele digitale
adaptive.

2.4. Filtre numerice echivalente filtrelor


analogice transversale

n paragraful 2.1 s-a prezentat modul n care se poate


mbunti RSZ n cazul semnalelor periodice, analogice, perturbate
aditiv de zgomot alb. Au fost definite filtrele transversale analogice.
Principala proprietate a acestor sisteme este periodicitatea rspunsului lor
n frecven. Datorit acestei proprieti ele pot fi proiectate n aa fel
nct rspunsul lor n frecven s aib maxime la pulsaiile armonicelor
semnalului util s(t).
i spectrul semnalului periodic n timp discret este discret.
De aceea i n cazul semnalelor periodice n timp discret este util
folosirea unor filtre numerice cu rspuns n frecven periodic, de
perioad inferioar lui 2.
n continuare se prezint modul n care pot fi construite filtre
cu rspunsul n frecven periodic de perioad 2/2N. Fie sistemul din
figura 2.7.
x[n]

y[n]

Figura 2.7. Sistem de supraeantionare.


Legtura dintre semnalele x[n] i y[n] este :
n
x 2 , pentru nM2
y[n] =

in rest
0,
40

Se calculeaz legtura dintre transformatele Fourier n timp


discret ale semnalelor x[n] i y[n] :
Y() =

y[n]e

jn

n =

y[2p]e

p =

j2 p

y[2p + 1]e j( 2 p +1)

p =

sau :
Y() =

x[p]e j2 p = X(2)

p =

Trebuie menionat faptul c semnalul y[n] se obine prin


intercalarea a cte unui zero ntre eantioanele succesive ale semnalului
x[n]. Un exemplu pentru generarea semnalului y[n] pornind de la
semnalul x[n] este prezentat n figura 2.8. Deci intercalnd zerouri ntre
eantioanele rspunsului la impuls a unui filtru cu rspuns n frecven
H() se obine rspunsul la impuls al unui sistem cu rspunsul n
frecven H(2).

Figura 2.8. Exemplu de supraeantionare.


n continuare se analizeaz sistemul obinut prin conectarea n
cascad a dou sisteme de tipul celui din figura 2.7, sistem care este
prezentat n figura 2.9.

41

x[n]

y[n]
2

z[n]
2

Figura 2.9. Conectarea n cascad a sistemelor de supraeantionare.


Se constat c :
n
y , pentru n M 2
z[n] = 2

in rest
0,
Dar :
n
x 2 , pentru n M2
y[n] =

in rest
0,
De aceea :
n
x , pentru n M 4
z[n] = 4

in rest
0,
Legtura dintre transformatele Fourier n timp discret ale secvenelor x[n]
i z[n] este :
Z() =

n =

p =

z[n]e jn =

z[4p]e j4 p +

p =

z[4p + 2]e j( 4 p +1) +

z[4p + 1]e j( 4 p +1) +

p =

z[4p + 3]e j( 4 p +1) =

p =

p =

42

x[p]e j4 p = X(4)

Deci intercalnd cte trei zerouri ntre eantioanele succesive


ale rspunsului la impuls al unui filtru cu rspunsul n frecven H() se
obine rspunsul la impuls al unui filtru cu rspunsul n frecven H(4).
Dar funcia H(2) este periodic de perioad 2/2 iar funcia H(4) este
periodic de perioad 2/4. De aceea se poate afirma c intercalnd 2N-1
zerouri ntre eantioanele succesive ale rspunsului la impuls ale unui
filtru numeric cu rspunsul n frecven H() se obine rspunsul la
impuls al unui sistem cu rspunsul n frecven H(2N), care este o
funcie periodic de perioad 2/2N.
OBSERVAIE. Benzile echivalente de zgomot ale sistemelor cu
rspunsurile n frecven H(),H(2),...,H(2N) sunt identice. ntradevr :

Bz =

| H() |

d =

| H() |

du 1 0
2
2

=
+
|
H(u)
du
|
H(u)
du
|
H(
)
d
=
|
H(u)
|
|
|
|

2
2
2
0
-
- 2

1 2
= | H(-u)|2 du + | H(u) |2 du =
20
0

2
2
1 2 * 2
2
= | H (u) | du + | H(u) | du = | H(u) |2 du = B z
20
0
0

| H(2

) | d =

1
2N

2N

| H(u) | du =

2N

1
2N

2 N 1 1 (k +1)2

k = 2 N 1

| H(u) |2 du

k 2

Dar :
H(u) = H(u - 2k ) , () k Z
Fcnd n ultima integral schimbarea de variabil v = u 2k, se obine :

43

(k +1) 2

| H(u) | du =

k 2

| H(v)|

dv = B z

De aceea :

| H(2

) |2 d =

1
2

2 N Bz = Bz

S considerm n continuare c trebuie prelucrat, pentru a i


se mbunti RSZ, semnalul x[n] :
x[n] = s[n] + n[n]
n aceast ultim relaie s[n] este un semnal periodic n timp discret de
perioad M. Semnalul s[n] are un spectru discret, armonicele sale fiind
distanate cu 2/M ntre ele. S presupunem c semnalul s[n] este de
band limitat, pulsaia maxim n spectrul su fiind P(2/M). Se poate
construi un filtru numeric al crui rspuns n frecven s aib maxime la
pulsaiile k(2/M), kZ. Fie, n acest scop, filtrul numeric trece jos cu
rspunsul n frecven H(). Se construiete sistemul cu rspunsul n
frecven H(M). Se constat c la pulsaiile k(2/M) valoarea
rspunsului n frecven al acestui filtru este :
2

H Mk = H (k2 ) = H(0)

M
adic maxim. Fie aceast valoare egal cu 1. Se constat faptul c toate
armonicele semnalului s[n] trec nealterate prin filtrul cu rspuns n
frecven H(M). Notnd cu y[n] semnalul obinut prin prelucrarea
semnalului x[n] i acceptnd c acesta este de forma :
y[n] = u[n] + n 0 [n]
se constat c dac semnalul s[n], periodic de perioad M, este prelucrat
cu sistemul cu rspuns n frecven H(M) atunci :
Pu = Ps
iar dac semnalul s[n] este prelucrat cu sistemul cu rspuns n frecven
H() atunci :
44

(2.16)

Pu < Ps
deoarece anumite armonici ale semnalului s[n] sunt atenuate de acest
sistem. De aceea, n cazul sistemului cu rspuns n frecven H() avem:

RSZ 0
P P P

= u n = u
RSZ i 1 Pn 0 Ps Ps 1

<
2

H ( ) d

H ( )

n cazul sistemului cu rspuns n frecven H(M), utiliznd


relaia (2.16), avem :
RSZ 0
P

= u
RSZ i M Ps M

H ( M )

P
= u
Ps M

H ( )

=
2

H ( )

Deoarece :
RSZ 0
RSZ 0

>

RSZ i M RSZ i 1
se constat superioritatea sistemului cu rspuns n frecven H(M)
asupra celui cu rspunsul n frecven H(), la prelucrarea semnalelor
periodice de perioad M, din punct de vedere al mbuntirii raportului
semnal pe zgomot, RSZ.
S considerm n continuare ca exemplu semnalul :



s[n] = cos n + cos n + cos n
8
4
2
Transformata Fourier n timp discret a acestui semnal este :

jn
jn

+ cos n e
+ cos n e jn
S() = cos n e
8
4
2
n =
n =
n =
Pentru c avem urmtoarea pereche Fourier :
2

j n

jn 1 j M n
M

=
+ e
cos n cos n e
e

2 n =
M n = M
n =

rezult :

45

j + n
1 j M n
2
M


cos n
e
+ e

2 n =
M
n =

Se cunoate c dezvoltarea n serie Fourier a distribuiei 2(t) este :

1
(t)
=
2
e jkt

2 k =
2
ultima relaie devine :
nlocuind t cu
M
2

2
1 j M - n
2
=
e
M
2 n =

2
iar pentru t lund valoarea + se obine :

M
2
1 j 2 + n
=
2
e M
M
2 n = -
De aceea :
2
2

+ 2
+
cos n 2
M

M
iar transformata Fourier n timp discret a semnalului s(t) este :

S() = 2 + 2 + + 2 +

8
4


+ 2 + + 2 + 2 +
4
2

2

Puterea acestui semnal este :
1 1 1 3
Ps = + + =
2 2 2 2
Transformata Fourier a rspunsului sistemului cu rspunsul n frecven
H() la semnalul s[n] este :

U() = S() H() = H 2 + H 2 + +

8 8

8 8

+ H 2 + H 2 + +
4 4

4 4

+ H 2 + H 2 + =
2 2

2 2

46



= H
8


jarg H

jarg H

8
8 + +
e + e

2
2

jarg H

jarg H 4
4

2 + +
2 + e
+ H e

4
4
4

jarg H 2
jarg H 2

+ H e
2 + e
2 +
2
2

Expresia semnalului u[n], rezultat din filtrarea lui s[n], devine :





u[n] = H cos n + arg H + H cos n + arg H +
8
4
8
4
8
4



+ H cos n + arg H
2
2
2
Puterea semnalului de ieire este :
2
2
2
1


Pu = H + H + H
2 8
4
2

S considerm c sistemul cu rspuns n frecven H() este


un filtru de mediere cu rspunsul la impuls :
1
, n = 0 M 1
h[n] = M
0,
in rest

M
jM
sin
jM

M
1

2
1
1 1- e
1 e
2
=
H() =
e jk =

M k =0
M 1- e
M j
e 2 sin 2
Deci :

47

(2.17)

H() =

1
e
M

j(M -1)

Pentru M = 15 se obine :
H() =

1 j7
e
15

De aceea :
1
H =
8 15

7
j
e 8

1 j
H = e 4
4 15

1 j
H = e 2
2 15
Astfel :

M
2

sin
2

sin

15
2

sin
2

sin

15
16

sin
16
15
sin
8

sin
8
15
sin
4

sin
4
sin

H = 0,023 ; H = 0,066 ; H = 0.066


8
4
2
i prin urmare avem, conform relaiei (2.17), Pu = 4,62 10-3.
Transformata Fourier a rspunsului sistemului cu rspuns n
frecven H(16) la semnalul s[n] este :

U() = S()H(16) = H(2) 2 + H(2) 2 + +


8

+ H(4) 2 + H(4) 2 + +
4

+ H(8) 2 + H(8) 2 + =
2

= H(0) 2 + 2 + + 2 +

+ 2 + + 2 + 2 +
4

48

Expresia semnalului u[n] este :

u[n] = cos n + cos n + cos n


8
4
2
iar puterea sa este Pu = 3/2.
Banda echivalent de zgomot a filtrului cu rspuns n
frecven H() este, conform observaiei O3 din paragraful anterior,
egal cu :
2

M 1

1
1
Bz = =
M
k =0 M
innd cont c valoarea lui M s-a considerat de 15, rezult Bz = 1/15 .
Considernd densitatea spectral de putere a zgomotului
n[n] , N0 =1 se obine pentru raportul semnal pe zgomot, RSZ al
semnalului x[n] :
3
2 = 1,5
RSZ i =
1
La ieirea sistemului cu rspuns n frecven H() vom avea urmtorul
RSZ :
4,62 10 3
= 30 4,62 10 3 = 0,435
RSZ 0 =
1
30
Deci sistemul cu rspuns n frecven H() nu mbuntete raportul
semnal pe zgomot. Pentru ieirea sistemului cu rspuns n frecven
H(16), RSZ este :
3
RSZ 0 = 2 = 45 = 141,37
1
30
iar mbuntirea RSZ realizat cu acest filtru dat de raportul :
=

RSZ 0
RSZ i

141,37
= 94,247
1,5

Rspunsul la impuls al acestui filtru este prezentat n figura 2.10.

49

Figura 2.10. Rspunsul la impuls al unui filtru numeric


"echivalent" cu un mediator analogic alunector.
OBSERVAII
O1. Filtrele din acest paragraf au fost numite echivalente cu filtre
transversale analogice avnd n vedere c pot fi utilizate (la fel ca i
filtrele analogice amintite) la prelucrarea semnalelor numerice periodice.
Cele dou categorii de filtre se numesc echivalente deoarece ambele au
rspunsuri n frecven periodice (cele numerice cu perioad multiplu al
lui 2).
O2. Dei durata rspunsului n frecven H(2N) este de 2N ori mai mare
dect durata rspunsului la impuls a filtrului prototip H(), numrul
coeficienilor nenuli ai celor dou sisteme este acelai. De accea se poate
afirma c nu apar complicaii prea mari de calcul prin folosirea filtrelor
propuse.
O3. Procedeul de generare al sistemului cu rspunsul n frecven H(2N)
poart numele de supraeantionare deoarece rspunsul la impuls al
filtrului cu rspunsul n frecven H(2N) poate fi privit ca fiind obinut
prin eantionarea cu o frecven de 2N ori mai mare dect frecvena de
eantionare folosit pentru obinerea rspunsului la impuls al sistemului
cu rspunsul n frecven H().
O4. Inserarea de zerouri este utilizat i pentru construcia filtrelor
conjugate n oglind (Quadratur Mirror Filter) folosite n codarea
subband [Mal.94], [Kun.84], [Bas.,Chi.,Cho.95], [Blu.,Uns.98],
[Bol.,Hla.,Fei.96],
[Kla.,Hol.,Flo.97].
O5. Sistemul folosit ca exemplu la sfritul acestui paragraf se numete
mediator numeric alunector [DeS.,Isa.92], [Asz.93]. Exemple de
semnale numerice utilizate n telecomunicaii se gsesc n [Opp.76].
O6. Alte proprieti ale filtrelor prezentate n acest paragraf sunt
demonstrate n [Isa.95(1)].
2.5. Utilizarea sistemelor liniare,
variabile n timp, la mbuntirea RSZ
50

Toate metodele de mbuntire a raportului semnal pe


zgomot prezentate pn acum se bazau pe utilizarea unor sisteme liniare
i invariante n timp. De asemenea, semnalul util era de fiecare dat
considerat un semnal determinist staionar [Sp.87]. Orice semnal
determinist este caracterizat de o familie de parametri. De exemplu,
semnalele armonice care au forma x(t) = =A cos ( 0t + 0 ) se
caracterizeaz prin familia de parametri ( A, 0t , 0 ). Dac aceti
parametri sunt nite constante, semnalul determinist este staionar. Dac
unii dintre aceti parametri sunt variabili n timp, semnalul determinist
caracterizat astfel este unul nestaionar. Dac ei sunt lent variabili n timp
atunci acesta poate fi privit ca o succesiune de semnale staionare. Un
astfel de semnal se numete cvasistaionar. Pentru fiecare semnal din
succesiunea amintit mai sus exist un filtru adaptat, caracterizat de
anumii parametri.
Dac exist un filtru ai crui parametri s poat lua pe rnd
aceste valori el poate fi considerat drept un filtru adaptat la semnalul
nestaionar considerat. Un astfel de filtru poate fi construit prin comanda
parametrilor unui filtru comandat. n prezent se utilizeaz tot mai mult
filtrele comandate, fiind disponibil o gam larg de astfel de dispozitive.
n general este vorba despre sisteme analogice comandate numeric. O
alternativ de construcie a acestor sisteme este bazat pe tehnologia
capacitilor comutate [Mat.,er.87].
2.5.1. Filtre cu urmrire

n cazul n care se folosete un filtru comandat avnd un


singur parametru reglabil i anume frecvena central sau de tiere, se
obine un filtru comandat n frecven. Dac frecvena central a filtrului
este n permanen egal cu frecvena instantanee a semnalulului de la
intrare atunci filtrul comandat se numete filtru cu urmrire.
Pentru aceste filtre se demonstreaz unele proprieti n
[Isa.93]. Una dintre ele este urmtoarea : "n banda de urmrire modulul
rspunsului n frecven al unui filtru trece band cu urmrire de ordinul 2
este maxim."
Conform acestei proprieti caracteristica global de
frecven a unui filtru cu urmrire este identic cu caracteristica de modul
a filtrului adaptat la semnalul "chirp" dac este respectat condiia (2.15).
S-a demonstrat n acest mod c filtrul cu urmrire este un filtru adaptat la
semnalul "chirp". De aceea mbuntirea raportului semnal pe zgomot
realizat de un filtru cu urmrire care prelucreaz un semnal de tip "chirp"
perturbat aditiv de zgomot alb este cea prezentat n [Isa95].

51

Remarcabil pentru un astfel de filtru este faptul c el


conserv la ieire forma semnalului determinist de la intrare dac acesta
este unul modulat n frecven cu purttor sinusoidal. Astfel de filtre sunt
descrise n [Isa.95]. O aplicaie a unor astfel de filtre este prezentat n
[Isa.,Isa.,Asz.'94].
O alt modalitate de construcie a filtrelor cu urmrire este
bazat pe simularea unui filtru analogic printr-un filtru numeric, prin
intercalarea acestuia ntre un CAN i un CNA. Urmrirea frecvenei
instantanee a componentei deterministe a semnalului de filtrat este
realizat prin eantionarea adaptiv a semnalului de intrare. Procedeul
este descris n [Naf.,Isa.91]. O realizare practic a unui astfel de filtru
este prezentat n [Naf.,Isa.91]. Sistemele descrise n acest paragraf ar
putea fi utilizate n comunicaiile cu spectru distribuit deoarece benzile
lor de trecere pot fi poziionate n diferite zone, la diferite momente de
timp.
2.5.2. Filtre adaptive

n 1959 Widrow i Hoff la Universitatea din Stanford au


inventat algoritmul LMS [Wid.75], [Wid.,Ste.85]. Apoi Rosenblatt a
construit Perceptronul su la Laboratorul Aeronautic Cornell. Aizermann
i colegii si de la Laboratorul de Automatic i Telemecanic din
Moscova au construit o main de cutare a valorii minime a gradientului.
n Marea Britanie, Gabor a dezvoltat primele filtre adaptive. n deceniul
apte munca la sistemele adaptive s-a intensificat. O aplicaie comercial
important a filtrrii adaptive n comunicaiile numerice este datorat lui
Lucky de la Laboratoarele Bell. n anul 1965 un sistem de anulare
adaptiv a zgomotului a fost realizat la Universitatea Stanford.
2.5.2.1. Conceptul de anulare adaptiv a zgomotului

Pentru sistemul din figura 2.11, se consider c zgomotul n1


este necorelat cu semnalul s dar corelat cu zgomotul n0. Prin filtrarea
zgomotului n1

52

Figura 2.11. O metod de anulare adaptiv a zgomotului.


se obine semnalul y care este asemntor zgomotului s + n0 - y. Se
consider c filtrul adaptiv folosit n sistemul din figura 2.11 este realizat
cu algoritmul LMS. Ca i semnal de eroare se folosete semnalul s + n0 y.
Se presupune c semnalele s, n0, n1 i y sunt staionare i de
valoare medie nul. De asemenea se presupune c s nu este corelat cu n0
sau n1 i c n0 i n1 sunt corelate.
Ridicnd la ptrat relaia :
= s + n0 y

(2.18)

se obine :
2
2
2 = s + (n 0 y ) + 2s(n 0 y)

Lund media statistic n ambii membrii ai ultimei relaii, se obine :


E { 2 } = E {s 2 } + E {( n 0 y ) 2} + 2E {s(n 0 y)}
Deoarece intercorelaia semnalelor s i n1 este nul se poate afirma
acelai lucru i despre semnalele s i y i deci :
E { 2 } = E {s 2 } + E {(n 0 y ) 2}
Prin minimizarea erorii medii ptratice de la ieire (adic
termenul E{2}), termenul E{s2} nu este afectat. De aceea :

53

(2.19)

E min { 2 } = E {s 2 } + E min {(n 0 y ) 2}


Deoarece semnalul y de la ieirea filtrului adaptiv este
generat astfel nct mrimea E{(n0 - y)2} s fie minimizat, se poate
afirma c acest semnal reprezint o aproximare de eroare medie ptratic
minim a semnalului n0. Dar, conform relaiei (2.18):
n0 y = s
De aceea se poate afirma c semnalul reprezint aproximarea de eroare
medie ptratic minim a semnalului s. n general semnalul va fi suma
dintre semnalul s i un anumit zgomot (n0 - y). Minimiznd 2 se
minimizeaz E{(n0 - y )2} adic puterea zgomotului de la ieirea
sistemului global, n timp ce semnalul s de la ieire i conserv puterea.
De aceea se poate afirma c raportul semnal pe zgomot este minimizat la
ieirea sistemului global.
Pe baza relaiei (2.19) se constat c valoarea minim a
puterii de la ieire Emin(2) este E{s2}. Aceast valoare este atins atunci
cnd E{(n0 - y )2} = 0. Aceast condiie este ndeplinit cnd :
=s

a.p.t. si y = n 0

a.p.t.

n acest caz minimizarea puterii semnalului de la ieire face


ca semnalul de la ieire s nu mai conin deloc zgomot.
Dac intercorelaia semnalelor s + n0 i n1 este zero,
semnalele y i s + n0 vor fi necorelate i va avea loc relaia :
E { 2 } = E {[(s + n 0 ) y ]2} = E {(s + n 0 ) 2} +
+ E {y 2} 2E {[( s n 0 )y ]} = E {(s + n 0 ) 2} + E {y 2}
sau :
E min { 2 } = E min {y 2} + E{(s + n 0 ) 2}
ns :
E min {y 2} = 0

54

Aceast condiie este ndeplinit dac ieirea iltrului adaptiv


din structura sistemului din figura 2.11 se anuleaz. Aceasta se poate
realiza prin anularea tuturor ponderilor acestui filtru adaptiv.
Deci, nici n cazul n care zgomotul n1 nu este corelat cu
semnalul s + n0, supresorul de zgomot nu nrutete raportul semnal pe
zgomot al semnalului s + n0 (dar nici nu-l mbuntete).
Aceste considerente pot fi extinse i pentru cazul cnd
semnalele de intrare i de referin conin pe lng zgomotele n0 i n1 i
alte zgomote, suprapuse aditiv i necorelate ntre ele i nici cu semnalele
s, n0 sau n1. La fel se analizeaz i cazul cnd n0 i n1 sunt deterministe i
nu aleatoare.
Pn acum nu s-a specificat nimic despre tipul filtrului
adaptiv folosit. n continuare se va considera c este vorba despre un
filtru adaptiv bazat pe un prototip de tip filtru transversal. Schema acestui
filtru adaptiv este prezentat i n figura 2.12.

Figura 2.12. Schema bloc a filtrului adaptiv


din structura supresorului de ecou.
n funcionarea filtrului adaptiv se deosebesc dou etape.
Prima este etapa de nvare n care coeficienii filtrului caracterizat de
W(z) se modific pentru a minimiza mrimea E{2}. Cea de-a doua etap
este caracterizat de valori constante ale coeficienilor filtrului. Acum
acesta este un sistem liniar invariant n timp (un filtru transversal) cu
funcia de transfer W*(z). n aceast situaie :
E { 2k } 0
i deci :
yk = dk

a.p.t.

De aceea se poate scrie :


xd (z) = xx (z)W (z)

55

Prin urmare funcia de transfer a filtrului adaptiv este (pentru a doua etap
de funcionare) :
(z)
W (z) = xd
(2.20)
xx (z)
n figura 2.13. se prezint o form puin mai detaliat a
schemei din figura 2.11. Se constat c :
n 0 k = n k + m 0 k ; n1k = n k h k + m1k
sau folosind notaia :
uk = nk hk

Figura 2.13. Supresor de zgomot cu filtru transversal adaptiv.


avem :
n1k = u k + m1k
Se constat c m0k i m1k nu sunt corelate ntre ele i nici cu nk sau sk. De
asemenea se pstreaz celelalte ipoteze referitoare la necorelarea
semnalelor sk, n0k i n1k.
Conform figurii 2.13 se poate scrie :
d k = s k + n k + m 0k
x k = u k + m1k
n acelai timp :
xx [k] = E {x[n] x[n + k] } = E { (u[n] + m1[n] ) ( u[n + k] + m1[n + k] ) } =
= E{u n u n + k } + E{u n m1n + k } + E{m1n u n + k } + E{m1n m1n + k } =

56

= uuk + m1m1k
Revenind, putem scrie :
xx (z) = uu (z) + m1m1 (z)
unde vom folosi relaia :
uu (z) = nn (z) H(z)

i avem relaia pentru transformata Z a autocorelaiei semnalului x[n] :


(2.21)

xx (z) = nn (z) | H(z) |2 + m1m1 (z)


iar pentru transformata Z a intercorelaiei dintre x[n] i d[n] avem:
xd (z) = Z{ xd [n]}
Analog relaiei pentru funcia de autocorelaie scriem i cea pentru
funcia de intercorelaie ntre semnalele x[n] i d[n] :
xd [k] = E {x n d n + k } = E { (u n + m1n ) (s n + k + n n + k + m 0 n + k ) } =

} {

= E{u n s n + k } + E{u n n n + k } + E u n m 0 n + k + E m1n s n + k +

} {

+ E m1n n n + k + E m1n m 0 n + k = un [k ]
Ultima egalitate a rezultat observnd c termenii :

E {u n s n + k }, E {u n m 0 n + k }, E m1n s n + k

E {m1n n n + k }, E {m1n m 0 n + k }
sunt nuli. ns :

un [k ] = u kv n k

unde cu uv s-a notat semnalul obinut prin reflectarea semnalului u[n] :


u v [n] = u[ n]
57

Conform acestei notaii rezult :


u kv = (n k h k ) v = n kv h kv
i revenind la relaia care definete pe un[k] avem :
un [k] = (n kv h kv ) n kv = n kv n k h kv = nn [k] h v [k]
Aplicnd transformata Z pentru xd[k] rezult :
xd (z) = nn (z) Z{h v [k] }
relaie n care nlocuim transformata Z a lui hv[k] :
h v [k] - - - -- h v [p]z p = h[ p]z p = h[l]z l = H(z 1 )
p

unde am fcut substituia p = - l, obinnd astfel forma final a transformatei


Z a funciei de intercorelaie ntre x[n] i d[n] :
xd (z) = nn (z) H(z 1 )

(2.22)

Pe baza relaiilor (2.20), (2.21) i (2.22) se poate scrie :

W (z) =

nn (z) H(z 1 )

(2.23)

nn (z) H(z) + m1m1 (z)

Aceasta este expresia funciei de transfer a filtrului adaptiv din structura


supresorului de zgomot. n cazul n care zgomotul m1 este identic nul
expresia (2.23) devine :

W (z) =

nn (z) H(z 1 )
nn (z) H(z)

H(z 1 )
H(z) H(z 1 )

1
H(z)

Deci filtrul adaptiv poate fi utilizat i pentru caracterizarea canalului prin


care se propag zgomotul nk spre intrarea de referin a supresorului de
zgomot. Definind raportul semnal pe zgomot ca fiind raport al densitilor
spectrale de putere ale semnalului util i zgomotului se obine :
58

ss (z)
ss (z)
=
dd (z) nn (z) + m 0 m 0 (z)
ss (z)
RSZ 0 (z) =
n 0 n 0 (z)

RSZ i (z) =

unde cu n0 s-a notat zgomotul de la ieire.


mbuntirea raportului semnal pe zgomot este deci :
=

RSZ 0 (z)
ss (z) nn (z) + m 0 m 0 (z)
=
=
RSZ i (z) n 0 n 0 (z)
ss (z)
=

nn (z) + m 0 m 0 (z)
n 0 n 0 (z)

(2.24)

Zgomotul n0 este alctuit din trei componente : prima datorat


lui m0 care se suprapune direct la ieire, a doua datorat lui m1 care se
suprapune la ieire prin intermediul sistemului cu funcia de transfer -W*(z)
i a treia datorat lui n care se propag spre ieire prin intermediul
sistemului "echivalent" cu funcia de transfer 1-H(z)W*(z). Din acest motiv
se poate scrie :
2

n 0n 0 (z) = m0m0 (z) + m1m1 (z) W (z) + nn (z) 1 H(z) W (z)

(2.25)

Fcnd notaiile :
A(z) =

B(z) =

m 0 m 0 (z)

(2.26)

nn (z)
m 0 m 0 (z)

nn (z) H(z)

relaia (2.22) va fi :

59

(2.27)

m1 m1 ( z )
2

( )

H z 1

B(z) H(z)
W (z) =
m1 m1 ( z )
2
H ( z ) + m1 m1 ( z )
2
B(z) H(z)
adic :
m1 m1 ( z )
W (z) =

H 1 (z)

1
B(z)
=
m1m1 (z) B 1 (z) + 1 H(z)[B(z) + 1]

(2.28)

Cu aceleai notaii se poate scrie i :


2

m1m1 (z)

1
n 0n 0 ( z ) = m0m0 ( z ) +
+ nn (z) 1
=
2
2
1 + B(z)
H(z) B(z) + 1
2

B(z)
= A(z) nn (z) +

=
(
z
)
(
z
)
nn
nn
2
B
(
z
)
1
+
B(z) + 1
B(z)

= A(z) nn (z) +

B(z) nn (z) 1 B (z)

(1 + B(z) )(1 + B (z) )

Deci :
n 0 n 0 (z) = A(z) nn (z) +

B(z) nn (z)
1 + B(z)

(2.29)

De aceea expresia mbuntirii raportului semnal pe zgomot este :


( z) =

nn ( z)[A ( z) + 1]
B( z)

nn ( z) A ( z) +
1 + B( z)

[A ( z) + 1][1 + B( z)]
A ( z) B( z) + A ( z) + B( z)

Exist trei cazuri particulare semnificative :


Cazul I. A(z) este neglijabil.
n acest caz se obine :

60

(2.30)

( z) =

1 + B( z)
B( z)

i deci modulul lui (z) este supraunitar.


Cazul II. B(z) este neglijabil.
Vom avea :
( z) =

1 + A ( z)
A ( z)

i n acest caz avnd loc o mbuntire a raportului semnal pe zgomot.


Cazul III. A(z) i B(z) sunt neglijabile.
De data aceasta :
( z) =

1
A ( z) + B( z)

mbuntirea RSZ fiind i n acest caz evident.


Dac zgomotele cuplate pe cele dou intrri, m0 i m1 sunt
identic nule, atunci A(z) = B(z) = 0 i mbuntirea raportului semnal pe
zgomot este infinit, deci la ieire s-ar obine chiar semnalul util s[n].
Performanele sistemului sunt ns limitate i n acest caz deoarece n
calculele prezentate nu s-a inut seama de lungimea finit a rspunsului la
impuls a unui filtru realizabil i nici de zgomotul produs de estimarea
gradientului, specific algoritmului adaptiv folosit.
Pn aici nu s-a inut cont de faptul c i o parte din
semnalul s[n] s-ar putea regsi la intrarea de referin a supresorului de
zgomot. Acest caz este analizat n [Wid.,Ste.85]. n aceeai referin
bibliografic sunt prezentate cteva aplicaii n telecomunicaii, cum ar fi
: suprimarea ecourilor n telefonia la mare distan sau anularea
interferenelor lobilor laterali ai antenelor.
n continuare se pune problema anulrii interferenelor
periodice. Exist numeroase situaii cnd un semnal util de band larg
este perturbat de interferene periodice i nu exist un semnal de referin,
separat de semnalul util disponibil. Diminuarea efectului acestor
interferene poate fi realizat cu ajutorul sistemului din figura 2.14.
ntrzierea aleas, s, trebuie s fie suficient de mare pentru
ca fraciunea semnalului de band larg de la intrarea de referin s fie
decorelat de fraciunea semnalului de band larg de la intrare. De
asemenea valoarea lui s trebuie s fie superioar ntrzierii totale
introdus de supresorul de ecou.

61

Performanele unui astfel de supresor adaptiv de zgomot sunt


prezentate n [Wid.,85].

Figura 2.14. Supresor de zgomot periodic.


Sistemul din figura 2.14 poate fi folosit i pentru cazul n
care semnalul util este periodic i interferena este de band larg. Un
exemplu n acest sens este prezentat n aceeeai referin bibliografic
precum i n [Wid.75]. Cteva aplicaii ale filtrelor adaptive n
telecomunicaii :
- detectarea unei sinusoide de frecven necunoscut necat n
zgomot,
- receptor de cod multifrecven,
- codare MIC diferenial,
- multiplexare n frecven
- modemuri,
- supresoare de ecou,
sunt prezentate n [Bel.90]. De asemenea mbuntirea raportului
semnal pe zgomot pentru semnalele utile modulate n frecven, de tip
chirp, utiliznd filtrarea adaptiv (folosind algoritmi LMS sau RLS)
este analizat n [Mac.89], [Mar.,Mac.87].
Filtrele digitale prezentate n acest paragraf sunt de tipul cu
rspuns finit la impuls. O preocupare modern n teoria prelucrrii
adaptive a semnalelor este nlocuirea filtrelor adaptive cu rspuns finit la
impuls cu filtre adaptive cu rspuns infinit la impuls. Aceasta ofer
avantaje de calcul n implementarea filtrelor adaptive. Descrierea acestor
filtre adaptive este fcut n [Mac.89].
n [Bel.89] i [Gim.,Mat.97] sunt prezentate i alte aplicaii
ale filtrrii adaptive n telecomunicaii :
- atenuarea sau amplificarea anumitor componente spectrale,
- codarea diferenial adaptiv,
- egalizarea i identificare canalelor de telecomunicaii,
62

- deconvoluie adaptiv,
- prelucrarea adaptiv a semnalelor RADAR,
- antene adaptive.
O alt preocupare de actualitate n cadrul teoriei prelucrrii
adaptive a semnalelor este utilizarea sistemelor adaptive la prelucrarea
semnalelor bidimensionale. Majoritatea rezultatelor obinute pentru
semnale monodimensionale pot fi generalizate i pentru semnale
bidimensionale. Aceste generalizri sunt prezentate ntr-un mod unitar n
lucrarea [Mal.94]. Bineneles c semnalele de prelucrat sunt de aceast
dat imagini. n aceast referin bibliografic se trateaz problema
mbuntirii RSZ n cazul prelucrrii imaginilor.
Prelucrarea semnalelor bazat pe algoritmi adaptivi are ns
un mare dezavantaj i anume faptul c necesit un volum foarte mare de
calcul [Buc.75]. Acesta este motivul pentru care se au n vedere i alte
metode de prelucrare. Una dintre ele este utilizarea diferitelor
transformri ortogonale asociate cu metode de filtrare n domeniul
transformatei. n acest scop, n capitolele urmtoare se prezint
transformarea undioar discret (discrete wavelet transform sau
transforme en ondelettes discretes) i metode (dintre care una
original) de filtrare neliniar n domeniul transformatei.

CAPITOLUL
DISCRET

3.

TRANSFORMAREA

UNDIOAR

n acest capitol se introduce transformarea undioar discret


n mod natural, din perspectiva teoriei prelucrrii semnalelor. n acest
scop se trec n revist tehnicile de codare subband i teoria seriilor de

63

undioare. Se prezint att transformarea undioar discret clasic ct i


variante mai moderne ale acesteia, din punctul de vedere al teoriei
reprezentrilor timp-frecven [Bar.,Ols.96], [Boa.,OSh.,Arn.90],
[Boa.91], [Boa.,Rei.92], [Boa., OSh.94], [Che., Don.,Sau.95],
[Cou.95], [Fla.93], [For.92], [Hla.,Bou.92], [Qia.,Che.96].
n transmiterea informaiei se utilizeaz tehnicile de codare
subband, fcndu-se numeroase cercetri n domeniul teoriei bancurilor
de filtre numerice. Rezultate remarcabile sunt prezentate n [Vai.93],
[Opp.,Lim 88], [Bel.90]. n continuare se prezint construcia bancurilor
de filtre cu structur arborescent.
3.1. Codare subband cu structur arborescent

Se consider sistemul din figura 3.1.b).

Figura 3.1. a) Simbol pentru un decimator; b) schema


unui codor cu dou subbenzi.

Rspunsurile n frecven ale filtrelor numerice cu rspunsurile la impuls h[n] i g[n] sunt prezentate n figura 3.2.

Figura 3.2. Rspunsurile n frecven ale filtrelor din figura 3.1.

64

Se calculeaz transformatele Z ale semnalelor s[n] i d[n]. n


acest scop se constat c :
U(z) = X(z) H(z) ;

V(z) = X(z) G(z)

Conform definiiei transformatei Z :


S(z) = s[n]z n = u[2n]z n
n

U(z) = u[n]z n = u[2n]z 2 n + u[2n + 1]z ( 2 n 1)


n

U( z) = u[2n]z 2 n u[2n + 1]z ( 2 n + 1)


n

i se observ c putem scrie :


1
U(z) + U( z)] = u[2n]z 2 n = u[2n]( z 2 ) n = S(z 2 )
[
2
n
n
Revenind la expresia lui S(z) :
1
1
1 2
S(z) = U z + U z 2

(3.1)

1
1
1 1
1 2 2
S(z) = X z H z + X z 2 H z 2

(3.2)

sau :

n mod analog se demonstreaz c :


1
1
1 1
1 2 2
D(z) = X z G z + X z 2 G z 2

Pentru a calcula spectrele semnalelor s[n] i d[n] se folosete notaia


simplificat:

65

(3.3)

( )

X( z) = X e j
n relaiile (3.2) i (3.3), obinndu-se :
S() =

X H + X
+ H
+

2
2

2 2 2

D() =

X G + X
+ G
+

2
2

2 2 2

Fie, de exemplu, spectrul X() cel trasat n figura 3.3.

Figura 3.3. Un exemplu de spectru de semnal de intrare.

Spectrele semnalelor s[n] i d[n] sunt prezentate n figurile


3.4 i 3.5.

Figura 3.4. Spectrul semnalului s[n].

66

Figura 3.5. Spectrul semnalului d[n].

Se constat c spectrul S() este asemenea cu spectrul X()


n banda [ - /2 , /2 ].
Se constat c poriunea din spectrul D() n banda [ -2
, - ] [ , 2 ] este asemenea cu spectrul X() n banda [ - , ] - [ /2 , /2 ].

Figura 3.6. Structura arborescent de codare


n subbenzi.

Se poate deci afirma c semnalul x[n] a fost codat n dou


subbenzi, componentele sale de joas frecven regsindu-se n semnalul
s[n] iar componentele sale de nalt frecven, n semnalul d[n]. Pentru a
crete numrul de subbenzi se poate utiliza o structur arborescent aa
cum se vede n figura 3.6.
Se calculeaz transformatele Z ale semnalelor sk[n] i dk[n],
k = =1M. Se observ ( conform figurii 3.1) c :
s1[n] = s[n] ;
i astfel se poate scrie :

67

d 1[n] = d[n]

1
1
1 1
1 2 2
S2 (z) = S1 z H z + S1 z 2 H z 2

1
1
1 1
1 2 2
D 2 (z) = S1 z G z + S1 z 2 G z 2

Figura 3.7. Spectrul semnalului s2[n].

Figura 3.8. Spectrul semnalului d2[n].

Continund exemplul considerat anterior, spectrele


semnalelor s2[n] i d2[n] iau forma din figura 3.7 i 3.8.
Se constat c spectrul S2() este asemenea cu spectrul
X() din banda [ -/4 , /4 ] i c spectrul D2() este asemenea cu
spectrul X() din banda [- /2 , /2 ] - [ -/4 , /4 ].

68

Figura 3.9. Corespondena dintre spectrul X() i


spectrele Sk(), Dk(), k = 12.

Procednd similar se constat c spectrul SM() este


asemenea cu spectrul X() din banda [ -/2M , /2M ] i c spectrul
DM() este asemenea cu spectrul X() din banda [ - /(2M-1) , /(2M-1) ] [ -/2M , /2M ].
Cu alte cuvinte fii din banda spectrului X() au fost puse
n coresponden cu semnalele sk[n] i dk[n]. Aceast coresponden este
evideniat n figura 3.9.
Se constat c folosind sistemul din figura 3.6, banda
spectrului semnalului x[n] este divizat n octave. Se poate deci afirma c
sistemul cu structur arborescent din figura 3.6 este ntr-adevr un codor
n subbenzi. n continuare se analizeaz operaia de decodare.
3.2. Decodarea n urma codrii subband

Se pune problema refacerii semnalului x[n] pornind de la


semnalele s[n] i d[n]. Se consider n acest scop sistemul din figura 3.10
b).

Figura 3.10. a) Interpolator i definiia semnalului de

69

la ieirea sa; b) sistem de decodare corespunztor celui


din figura 3.1.

Se calculeaz transformata Z a semnalului b[n] (figura 3.10


a).) pe baza transformatei Z a semnalului a[n] :
(z) =

[n]z n

(z) =

[n]z n =

[2n]z 2 n +

[n]z 2 n = z 2

[2n + 1]z ( 2 n + 1) =

( )

astfel nct se pot scrie transformatele Z pentru celelalte semnale ce apar


n sistemul de codare :
U1 (z) = S(z 2 )

U 2 (z) = D(z 2 );

sau, innd seama de relaiile (3.2) i (3.3) :


Y(z) = H(z)
+ G(z)

1
[ X(z)H(z) + X( z)H( z)] +
2

(3.4)

1
[ X(z)G(z) + X( z)G( z)]
2

Pe baza acestei relaii se determin spectrul semnalului y[n] :


Y() = H()
+ G()

1
[ X() H() + X( + ) H( + )] +
2

1
[ X() G() + X( + ) G( + )]
2

Dac se folosesc filtrele cu rspunsurile n frecven cu


caracteristicile de modul din figura 3.2 atunci sunt valabile relaiile :
H()H( + ) = G()G( + ) = 0
H 2 ( ) + G 2 ( ) = 1
Pe baza acestor relaii, (3.5) devine :
70

(3.5)

1
1
Y() = X()H 2 () + X()G 2 () =
2
2
1
1
= X() H 2 () + G 2 () = X()
2
2

Figura 3.11. Schema unui decodor pentru


semnale codate n subbenzi.

Deci, cu excepia unei constante (egal cu 1/2), semnalele


x[n] i y[n] sunt identice. Se spune c sistemul de decodare din figura
3.11 este cu reconstrucie perfect. De aceea sistemul din figura 3.11
poate fi utilizat pentru reconstrucia perfect a semnalului prelucrat de
sistemul din figura 3.6, n ipoteza c se folosesc filtrele ideale cu
rspunsurile n frecven din figura 3.2.
OBSERVAII
O1. O analiz similar poate fi fcut i pentru cazul n care interpolarea
i decimarea nu se fac folosind constanta 2 ci o alta, de exemplu, P, PN.
In acest caz nu se va mai obine o descompunere n octave a benzii B a
semnalului u[n] ci n subbenzi a cror lime va descrete cu puteri ale lui
P.
O2. Pentru structurile care utilizeaz arbori simetrici se poate face o
analiz similar.
O3. Principala limitare a sistemelor de codare i decodare n subbenzi cu
structur arborescent prezentate pn acum este c filtrele cu
rspunsurile n frecven din figura 3.2 nu sunt realizabile.

In continuare se vor determina clase de filtre realizabile care


permit codarea n subbenzi, cu structur arborescent i cu reconstrucie
perfect.

71

(3.6)

3.3. Codarea subband cu reconstrucie perfect


folosind sisteme cu structur arborescent cu filtre realizabile

Se consider n continuare c h[n] i g[n] sunt filtre


realizabile. Un sistem, echivalent celui din figura 3.10, destinat
reconstruciei perfecte, este prezentat n figura 3.12.

Figura 3.12. Sistemul de reconstrucie corespunztor


unui codor n dou subbenzi.

Conform acestei figuri rezult c semnalul de la ieirea


decodorului este o variant ntrziat cu d a semnalului de la intrare.
Trebuiesc determinate rspunsurile la impuls hr[n] i gr[n]
precum i condiiile pe care trebuie s le ndeplineasc rspunsurile la
impuls h[n] i g[n] pentru ca la ieirea sistemului din figura 3.12 s se
poat obine semnalul x[n-d]. n acest scop se rescrie relaia (3.4) :
z d X(z) = H r (z)
+ G r (z)

1
[X(z)H(z) + X(z)H(z) ] +
2

1
[X(z)G(z) + X(z)G(z)]
2

sau, regrupnd n membrul drept :


z d X(z) = X(z)

1
[ H r (z)H(z) + G(z)G r (z) ] +
2

1
[ H r (z)H( z) + G( z)G r (z) ]
2
Aceast ecuaie este satisfcut i de soluiile sistemului de ecuaii :
+ X( z)

H r (z)H(z) + G(z)G r (z) = 2z d


H( z)H r (z) + G( z)G r (z) = 0
72

(3.7)

n continuare se rezolv acest sistem, considerndu-se cunoscute


transformatele z notate cu H(z) i G(z). Determinantul sistemului este :
=

H(z)

G(z)

H(z)

G( z)

= H(z)G( z) H( z)G(z)

Determinanii corespunztori celor dou necunoscute sunt de forma:


H r =

2z d

G(z)

G( z)

= 2z d G( z)

Deci soluiile sunt date de relaiile urmtoare :


2z d G( z)
H r (z) =
H(z)G( z) H( z)G(z)

(3.8)

2z d H( z)
H(z)G( z) H( z)G(z)

(3.9)

G r (z) =

Evident, o condiie care trebuie impus filtrelor din structura codorului


este ca ecuaia :
H(z)G( z) H( z)G(z) = 0

(3.10)

s nu aib nici o rdcin diferit de rdcinile ecuaiei :


z d = 0
De aceea o condiie potrivit pentru filtrele cu rspunsurile la impuls h[n]
i g[n] ar fi :
H(z)G( z) H( z)G(z) = 2z d

(3.11)

n acest caz relaiile (3.8) i (3.9) devin :


H r (z) = G(z)

(3.12)

G r (z) = H( z)

(3.13)

73

Deci rspunsurile n frecven ale filtrelor de reconstrucie depind de


rspunsurile n frecven ale filtrelor din structura codorului conform
relaiilor :
H r () = G( + )

(3.14)

G r () = H( + )

(3.15)

iar rspunsurile n frecven ale filtrelor din structura codorului satisfac :


H()G( + ) H( + )G() = 2e jd
Hr(z) i Gr(z) sunt funciile de transfer ale filtrelor introduse de Esteban i
Galand [Smi.,Bar.86] sub numele de "Quadrature Mirror Filters", QMF.
OBSERVAIE : Relaia corespunztoare lui (3.11) n domeniul timp
este :

h[k]g[n k][(1) n k (1) k ] = 2[n d]


k

ntr-adevr :
G( z) = g[n](1) n z -n
n

H( z) = h[n](1) n z -n
n

Fie :
g '[n] = (1) n g[n]
h '[n] = (1) n g[n]
atunci :
H(z)G( z) h[n] g '[n]
H( z)G(z) h'[n] g[n]
z d [ n d ]

74

(3.16)

i privitor la relaia (3.11) vom putea scrie :


h[n] g'[n] h '[n] g[n] = 2[n d]
adic :

(h[k]g'[n k] h '[k]g[n k]) = 2[n d]


k

sau, revenind la notaiile iniiale :

(h[k](1) n k g[n k] (1) k h[k]g[n k]) = 2[n d]


k

Ultima relaie poate fi restrns sub forma urmtoare :

h[k]g[n k]{(1) n k (1) k} = 2[n d]

(3.17)

Pentru valori pare a lui n aceast relaie devine :


[n d] = 0
rezultnd astfel necesitatea ca d s fie un numr natural impar.
S-a demonstrat aadar c n urma folosirii filtrelor QMF se
poate realiza o reconstrucie perfect utiliznd o codare n dou subbenzi,
dac filtrele de reconstrucie ndeplinesc condiiile (3.12) i (3.13) iar
filtrele de sintez (cele cu rspunsurile la impuls h[n] i g[n]) ndeplinesc
condiia (3.11) n care valoarea lui d trebuie s fie impar. Relaia (3.16)
este general. Ea nu furnizeaz informaii despre modul n care se
proiecteaz filtrele de sintez. Smith i Barnwell au determinat o clas de
filtre de sintez [Smi.,Bar.86]. Este vorba despre clasa filtrelor
"conjugate quadratur filters", CQF. Ei au propus urmtoarea legtur ntre
rspunsurile n frecven ale filtrelor de sintez, presupuse ca fiind cu
rspunsuri la impuls reale :
G() = e jd H ( + )
Folosind aceast condiie membrul drept al relaiei (3.16) devine :
75

(3.18)

H()G( + ) H( + )G() =

= H() [e j( + )d H () ] + H( + )[e jd H ( + ) ] =

{( )

= e j( + )d 1d H() + H( + )
2

}= 2 e

- j d

Astfel relaia (3.16) devine, pentru d impar :


2

H() + H( + ) = 2

(3.19)

n acest caz rspunsurile n frecven ale filtrelor de reconstrucie devin :


H r ( ) = e j d H ( )

(3.20)

G r () = H( + )

(3.21)

COMENTARII
1. Fie :

h '[n] = (1) n h[n]


Se constat c :
h'[n] H( + )
Relaia corespunzroare relaiei (3.19) n domeniul timp este, conform
relaiei Wiener - Hincin :
R hh [n] + R h h [n] = 2[n]
De aceea se poate afirma c, din punctul de vedere al proiectrii filtrelor
din structura codorului, respectiv a decodorului, relaia (3.19) este mai
avantajoas dect relaia (3.16).
2. Cunoscndu-se avantajele de implementare ale filtrelor RFI n
comparaie cu filtrele RII, n continuare se vor presupune ca fiind de tip
RFI att filtrele de sintez ct i cele de analiz. Dac filtrul cu rspuns la
impuls h[n] este cauzal atunci transformata sa Fourier n timp discret este
:

76

(3.22)

H() =

L 1

h[n]e jn

n =0

iar transformata sa Z este :


H(z) =

L 1

h[n]z n

n=0

unde L reprezint lungimea rspunsului la impuls pentru filtrul


considerat.
De aceea, admind c h[n] sunt numere reale :

H () =

L 1

h[n]e jn

n =0

i :
H ( + ) =

L 1

(1) n h[n]e jn

n =0

Conform relaiei (3.18) rezult c rspunsul n frecven al


celuilalt filtru de sintez va fi :
G() = e

jd

L 1

( 1 )

h[n]e

jn

n =0

L 1

= (1) n h[n]e j( n d )
n =0

Pentru ca acest rspuns n frecven s corespund unui filtru cauzal este


necesar ca pentru orice n cuprins ntre 0 i L-1 (inclusiv capetele) s
fie ndeplinit condiia :
nd<0
i deci ntrzierea d trebuie s satisfac condiia :
d > L 1

(3.22)

Dac se respect aceast condiie atunci cele dou filtre de sintez sunt
ambele cauzale. Rezult c valoarea minim a lui d este :
d min = L

77

(3.23)

Pentru a putea reconstrui cu ntrziere minim este deci necesar ca s se


foloseasc filtre de sintez de lungime impar.
Pe baza relaiilor (3.20) i (3.21) se constat c dac este
respectat condiia (3.23) atunci i filtrele de reconstrucie sunt cauzale.
3. Toate cele patru filtre (cu rspunsurile n frecven H(), G(), Hr()
i Gr()) au aceeai lungime. Cu modificri minore schema poate
funciona cu filtre de analiz de o anumit lungime i cu filtre de sintez
de alt lungime [Coh.92], [Rio.93].
3.4. Metode de proiectare a filtrelor CQF

Se face notaia :
F(z) = H(z)H(z 1 )
sau :
F() = H()H () = H()

(3.25)

Condiia (3.20) devine :


F() + F( + ) = 2
Se proiecteaz sistemul cu rspuns n frecven F() pe baza relaiei
(3.26). Apoi se deduce H() pe baza relaiei (3.25) i n final se deduc
G(), Hr() i Gr().
n [Smi.,Bar.86] sunt prezentate mai multe exemple de
rspunsuri n frecven H() obinute pa baza metodei de proiectare
descrise. Clasa acestor filtre poate fi restrns dac se impun condiii
suplimentare. De exemplu se poate impune :
- condiia de faz liniar (simetria rspunsului la impuls),
- condiia de lungime minim a rspunsului la impuls,
- condiia ca expresiile eantioanelor rspunsului la impuls s fie
ct mai simple.
Toate aceste condiii sunt foarte importante atunci cnd se
pune problema codrii n mai multe subbenzi deoarece favorizeaz
stabilitatea numeric a algoritmilor care implementeaz sistemele din
figurile 3.11 i 3.16. Aceast stabilitate este asigurat dac filtrele
ndeplinesc o anumit condiie de regularitate [Rio.93], [Dau.88],
[Dau.92]. Condiia de regularitate este partea care leag teoria sistemelor
de codare subband de teoria undioarelor.

78

(3.26)

3.5. Legtura dintre sistemele de codare n subbenzi


i teoria seriilor de undioare

Teoria seriilor de undioare dezvoltat n [Mey.90],


[Dau.88], [Dau.92], [Mal.94] are ca scop construcia unor noi baze
Riesz ale spaiului L2(R). Se pornete de la definiia analizei
multirezoluie.
DEFINITIA 1. se numete analiz multirezoluie a spaiului
L (R), mulimea de subspaii Hilbert nchise {Vm}mZ care satisfac
proprietile :
2

79

i). . . . Vm+1 Vm Vm-1 . . . mZ


__

ii).

U Vm = L2 ( R ), I Vm = {0}

m Z

m Z

iii). f ( x) Vm , f (2 x) Vm 1
iv). V0, astfel nct mulimea { m,n(x) } = { 2-m/2 ( 2-mx - n ) }nZ
s formeze o baz Riesz a lui Vm pentru orice m.
Sunt prezentate numeroase exemple de analiz multirezoluie
n [Mey.90], [Aka.,Had.92], [Dau.88], [Mal.89], [Mal.94]. Funcia
(x) se numete funcie de scalare. Numeroase exemple de funcii de
scalare se gsesc n lucrrile deja citate. Conform [Mey.90], [Mal.94]
orice baz Riesz poate fi transformat ntr-o baz ortonormal.
Se va considera n continuare c mulimea {(x-k) }kZ este
o baz ortonormal a spaiului V0.
TEOREMA 1. n ipoteza c {(x-k)}kZ este o baz ortonormal a
spaiului V0, mulimea {m,k(x)}kZ este o baz ortonormal a spaiului
Vm.
DEMONSTRATIE. n primul rnd se demonstreaz c funciile m,k(x),
kZ sunt ortonormale. n acest scop se calculeaz produsul scalar :
m, k (x), m, l (x) =

m
2 2 ( - m x

- k )2

m
2 ( - m x

l)dx =

= 2 m (2 - m x k ) (2 - m x l)dx

Fcnd schimbarea de variabil :


2m x = u

se obine :
m, k (x), m, l (x) = 2

rezult c :

(u k)

(u l) 2

m du

(u k)

(u l)du

Tinnd seama de ortogonalitatea mulimii {(x-k)}kZ


m, k (x), m, l (x) = [k l]

i prin urmare mulimea {m,k(x)}kZ este ortonormal.

80

Se demonstreaz completitudinea mulimii {m,k(x)}kZ . n


acest scop se consider o funcie oarecare f(x) din V0. Descompunerea
acesteia n baza {(x-k)}kZ este :
f(x) = f(x), (x k) (x k)

(3.27)

Dar funcia f(2-mx)Vm conform proprietii iii) a analizei


multirezoluie. De aceea fcnd n (3.26) schimbarea de variabil :
x = 2m u

se obine :

f(2 m u) = f(2 m u), (2 m u k) (2 m u k)

(3.28)

Aceast relaie arat c orice element din Vm (fiind de forma f(2-mx) unde
f(x) este n V0) se poate exprima ca o combinaie liniar de elemente ale
mulimii {m,k(x)}kZ. Deci aceast mulime este complet. Rezult c ea
este o baz ortonormal a spaiului Vm. Descompunerea funciei 1,m(x) n
baza {(x-k)}kZ este :
1, n (x) = 1, n (x), (x k) (x k)

(3.29)

ns :
1, n (x), (x k) =

1
2 2 (2 1 x

n ) (x k) dx

Cu schimbarea de variabil 2-1x-n = 2-1 se obine :


1, n (x), (x - k) =

1
2 2 (2 1 ) (

+ 2n k) du

Se face notaia :
1, n (x), (x k) = h [2n k]
i revenind la relaia (3.29) avem :

81

(3.30)

1,n (x) = h *[2n - k][x - k]

(3.31)

n continuare se determin proieciile unei funcii f0(x) din


V0 pe spaiile V1, ..., VM, adic funciile f1(x), ..., fM(x) :
f1 (x) = f(x), 1, n (x) 1, n (x)

(3.32)

Coeficienii acestei dezvoltri se noteaz cu s1[n] i sunt dai de :


s1[n] = f(x), 1, n (x) = f(x), h *[2n k][x k] =
k

= h[2n k] f(x), [x k]
k

Folosind notaia :
f(x), (x k) = s 0 [k]

(3.33)

s1[n] = s 0 [k] h[2n k]

(3.34)

se obine :
k

Coeficienii acestei dezvoltri se noteaz cu s2[n] i sunt dai de :


s 2 [n] = f(x), 2, n (x) =

f(x)2, n (x)dx

(3.35)

Dar, revenind la definiia 1, pentru m = 2, avem :


2, n (x) = 2

2
2 ( 2 2 x

n)=2

=2

1
1

22 2

1
2 ( 2 1 x
1, n

(2 1 (2 1 x ) n ) =
(3.36)
)

Fcnd n relaia (3.31) schimbarea de variabil :


x = 2 1 u

82

se obine :
2

1
2

1, n (2 u) = 2

1
2

h [2n k](2 1 u k)
k

sau, pe baza relaiei (3.36) :


2, n (u) = h *[2n k]1, k (u)

(3.37)

Procednd analog se poate demonstra c pentru orice m pozitiv este


valabil relaia :
m, n (x) = h *[2n k] m 1, k (x)

(3.38)

nlocuind relaia (3.37) n relaia (3.35) se obine :

s 2 [n ] = f ( x ) h *[2n k]1, k (x) dx =


k

= h[2n k] f ( x ), 1, k (x)

(3.39)

i astfel se poate scrie :


s 2 [n] = s1[k]h[2n k]

(3.40)

Se poate demonstra prin recuren c :


s m [n] = s m 1[k]h[2n k]

(3.41)

pentru orice m pozitiv.


Analiznd membrul drept al relaiei (3.41) se constat c :
s m [n] = s m 1[ p] h[p] p = 2 n

Cu alte cuvinte coeficienii dezvoltrilor proieciilor semnalului f0(t) pe


dou subspaii succesive Vm-1 i Vm, adic sm-1[n] i sm[n] se pot

83

(3.42)

determina prin filtrare cu filtrul cu rspuns la impuls h[n] i prin


decimare.
Fcnd notaia :
s0 [n] = x[n]
rezult c secvenele sm[n] , m=1M pot fi obinute folosind sistemul din
figura 3.11. Aceasta este legtura dintre sistemele de codare n subbenzi
i teoria seriilor de undioare care reprezint subiectul acestui paragraf.
OBSERVATII.
O1. Se calculeaz transformata Fourier n cei doi membrii ai relaiei
(3.31) :
1
1

{1, n ( x )} = 1, n () = 2 2 2 x n () = 2 2 2 1 x n e jx dx

Fcnd schimbarea de variabil 2-1x - n = u se obine :


{1, n ( x )} = 2
=

1
2

(u )e

j 2 ( u + n )

2du

2 jn
2
2 e

2 ju
du
(u )e

1
=2 2

2 ju 2 jn
e
du =
(u )e

1
= 2 2 e 2 jn

(2)

Deci :

1, n () = 2e 2 jn (2)

i relaia (3.31) devine :

2 (2) = (h [2n k]e - j(k - 2n ) ()


k

adic :

(2) =
(h v [k 2n]e - j(k - 2n ) ()
2 k

84

(3.43)

unde am fcut notaia :


h v [m] = h[ m]
Se face schimbarea de variabil k-2n=p :

1
1
h v [k 2n ]e j(k 2n ) = h v [p]e jp
2 p
2 k

(3.44)

n continuare, dac facem notaia :


1
v
h
[p]e jp = m 0 ()
2 p

(3.45)

relaia (3.43) devine :


(2) = m 0 () ()

(3.46)

Se observ c m0() are semnificaia de transformat Fourier n timp


discret a secvenei hv*[p], de variabil .
n relaia (3.46) se face schimbarea de variabil 2 = u i
avem :
u u
(u) = m 0
2 2
Folosind relaiile (3.46) i (3.47) se obine :

(2) = m 0 ()m 0
2 2

(3.47)

(3.48)

Procednd iterativ se poate demonstra c :

() = m 0 p (0)
2
p =1

Dar funcia de scalare reprezint de obicei rspunsul la impuls al unui


filtru trece jos. De aceea :

85

(3.49)

(0) = 1, m 0 (0) = 1,

h *[p] = 1
p

i relaia (3.49) devine :

() = m 0 p
2
p =1

n consecin, n ipoteza c produsul din membrul drept converge, rezult


c ultima relaie poate fi folosit pentru construcia unei funcii de
scalare. Convergena produsului din membrul drept este asigurat de
satisfacerea condiiei de regularitate amintit anterior (paragraful 3.1.4.).
Deci mecanismul de construcie al unei funcii de scalare
este urmtorul :
a). Se alege un rspuns la impuls de filtru trece jos h[n].
b). Se construiete secvena hv*[n].
c). Se calculeaz m0() pe baza relaiei (3.45).
d). Se calculeaz () pe baza relaiei (3.50).
[Bel.,Wan.97],[Chu.98],[Chu.92(1)],
[Gop.,Bur.92],
[Ram.,Vet.,Her.96].
O2. n [Dau.88] se prezint o modalitate grafic de construcie a funciei
de scalare bazat pe utilizarea sistemului din figura 3.11. Pe baza acestui
grafic se poate aprecia cu uurin regularitatea funciei de scalare
putndu-se decide rapid dac rspunsul la impuls h[n] a fost bine ales.
O3. n [Rio.93] se prezint conceptul de analiz multirezoluie pentru
spaiul Hilbert al semnalelor n timp discret de energie finit, l2(Z). Alte
generalizri sunt prezentate n [Cha.96], [Com.,Pes.96], [Han.96],
[Hla.,Koz.91], [Isa.,Isa.93], [Isa.93], [Isa.,Isa.97], [Jaw.,Swe.95],
[Kri.,Bro.96], [Leb.,Vet.97], [Lem.,Mal.93], [Mal.91], [Mal.92].
n legtur cu analiza multirezoluie introdus prin definiia
1 se poate defini complementul ortogonal al lui Vm n Vm-1 , Wm :
Vm 1 = Vm Wm
irul de subspaii {Wm}mZ astfel definite reprezint o descompunere
ortogonal a spaiului Hilbert al semnalelor de energie finit L2(R),
[Dau.89].
DEFINITIA 2 : irul de subspaii Hilbert nchise {Wm}mZ este o
descompunere ortogonal a lui L2(R) dac sunt ndeplinite condiiile :

86

(3.50)

i). mp => WmWp


ii). U Vm = L2 ( R )
m Z

[Cri.65].

n legtur cu descompunerile ortogonale ale lui L2(R) se


poate demonstra urmtoarea teorem :
TEOREMA 2. n W 0 exist o funcie (x) astfel nct :
i) mulimea {(x-n)}nZ s fie o baz ortonormal a lui W0;
ii) mulimea {m,n(x)= 2-m/2 (2-mx-n)}nZ s fie o baz ortonormal a lui Wm pentru orice m din Z.
DEMONSTRATIE :
V 1 = V0 W0
O baz ortonormal a lui V-1 este mulimea {-1,n(x)}nZ, conform
teoremei 1. Aceasta trebuie s se poat obine prin concatenarea
bazei ortonormale {(x-n)}nZ a lui V0 cu o baz ortonormal din W0.
Oricare ar fi semnalul f-1(x) din V-1 el se poate exprima n
forma :
f 1 (x) = f 0 (x) + e 0 (x)
unde f0(x) reprezint proiecia ortogonal a lui f-1(x) pe V0 iar e0(x)
proiecia lui f-1(x) pe W0 (eroarea de aproximare a lui f-1(x) prin f0(x)).
n continuare se construiete funcia (x). Pentru m=0
relaia (3.42) devine :
0, n (x) = h [2n k] 1, k (x)

(3.51)

Deoarece funcia (x) este n W0 (W0 V-1), i ea trebuie s se poat


exprima ca i o combinaie liniar a elementelor mulimii {-1,n(x)}nZ.
Prin analogie cu (3.51) s considerm c :
0, n (u) = g [2n k] 1, k (u)
k

unde g[n] reprezint rspunsul la impuls al filtrului cu rspunsul n


frecven dat de relaia (3.18). Se calculelaz produsul scalar :

87

(3.52)

0, n (x), 0, m (x) = g [2n k] 1, k (x), g [2n l] 1, l (x) =


k

= g [2n k] g[2n l] 1, k (x), 1, l (x) =


k

(3.53)

= g [2n k]g[2n k]
k

Lund transformata Fourier n timp discret invers n relaia (3.18) se


obine :
g[n] = (1) d n h[d n]

(3.54)

i prin urmare relaia (3.51) devine :


0, n , 0, n ( x ) = h [d 2n + k]h[d 2m + k]

(3.55)

Se cunoate c :
0, n ( x ), 0, m ( x ) = [n m]

(3.56)

i calculnd membrul stng al acestei relaii, pe baza lui (3.51), se obine :


0, n ( x ), 0, m ( x ) = h [2n k]h[2m k]

(3.57)

sau, fcnd schimbarea de variabil p = - k - d , se poate scrie :

h [p 2n + d]h[p 2m + d] = [m n]

(3.58)

Folosind relaiile (3.55) i (3.58) rezult c :


0, n ( x), 0, m ( x) = [ m n]
S-a demonstrat aadar c mulimea {0,n(x) }nZ este ortonormal.
OBSERVATII :
O1. S-au demonstrat n acelai timp relaiile :

88

(3.59)

g [2 n k ]g[2 m k ] = [ m n]

(3.60)

h [2 n k ]h[2 m k ] = [ m n]

(3.61)

care sunt utile pentru descrierea comportrii n domeniul timp a filtrelor


cu rspunsurile n frecven H() i G(). n continuare se verific faptul
c funciile 0,n(x) construite astfel nu aparin lui V0. Pentru aceasta se
calculeaz produsul scalar :
0, n ( x ), 0, m ( x ) = g [2n k] 1, k ( x ) , h [2m l] 1.l ( x ) =
k

= g [2n k] h[2m l] 1, k ( x ) , 1.l ( x ) =


k

= g [2n k] h[2m l] = g[2n k] h [2m l]


k
k

l
l

unde am folosit relaiile (3.51) i (3.52). Se calculeaz suma din membrul


drept pentru schimbarea de variabil 2m-k=p i avem :

g[2n k]h [2m k] = h [p]g[2(n m) + p] = R h g [2(n m)]


k

unde cu Rh*g [q] s-a notat intercorelaia secvenelor h* i g. Dar pentru


Rhg[q] putem scrie :
R hg [q] H()G ()
R hg [2q]


H G + H + G +

2
2
2 2 2

sau, innd seama de relaia (3.18) :


R h * g [2q] 0
i astfel va rezulta :
0, n (x), 0, m (x) = 0

89

m, n Z

Deci funciile 0,n(x) sunt ortogonale pe V0. S-a demonstrat c mulimea


{0,n(x) } nZ este ortonormal n spaiul W0.
O2. Se determin legtura n domeniul frecven corespunztoare relaiei
(3.52). n acest scop se calculeaz transformatele Fourier ale celor doi
membri ai relaiei (3.52) :

1
2
{ (x n) } = g [2n k]2 (2 x k)
k

sau :
e

jn

() = g [2n

1
k]2 2

{(2x k)}

unde, fcnd schimbarea de variabil 2x-k=u, se obine :


{ (2x k) } =
=

(2x k)e jx dx =

-
+
u
k

j
2 du
(u)e

1 j k
= e 2
2 2
2

i revenind la relaia anterioar :

() = 1 g [2n k] e - j 2 k
e jn

2
k 2

de unde rezult relaia pentru transformata Fourier a lui (x) :

() = 1 g [2n k] e j 2 ( k 2 n )

2
k 2

Cu notaia :

1 v*

m1 =
g [p] e j 2 p
2 k 2

ultima relaie devine :

90

(3.62)

() = m1

2 2

(3.63)

care este o relaie analog celei notate (3.47).


Funcia (x) poart numele de undioar mam iar funciile
m,k(x) se numesc undioare. Tinnd seama de relaia (3.49), (3.63)
devine :

() = m1 m 0

2 p = 2 2 p

(3.64)

Aceast relaie permite construcia unei undioare mam pornind de la un


anumit rspuns de tipul h[n].
O2. Se observ similitudinea dintre relaiile (3.45) i (3.62). Funcia de
scalare se construiete cu ajutorul filtrului cu rspunsul la impuls h[n] iar
undioara mam cu ajutorul filtrului cu rspunsul la impuls g[n].
Completitudinea mulimii {0,n(x)}nZ este demonstrat n
[Mey.90]. Se poate deci afirma c mulimea {0,n(x)}nZ este o baz
ortonormal a spaiului W0. Afirmaia i) a teoremei 2 este deci verificat.
Demonstraia pentru verificarea afirmaiei ii) este practic
identic cu demonstraia teoremei 1.
n continuare se stabilete legtura ntre proieciile unui
semnal f(x) din V0 pe subspaii succesive Vm-1, Wm. n acest scop se
calculeaz produsul scalar :
1, n ( x ), (x l)
Conform relaiei (3.52) se poate scrie :

1, n (x) = g [2n k] 0, k (x)

i astfel relaia (3.65) va fi :


1, n ( x), (x - l) = g [2 n k ] 0, k ( x), 0, l ( x) = g [2 n l]
k

Vom putea scrie astfel :


1, n (x) = g [2n l] (x l)
l

91

(3.65)

i :
e1 (x) = e1 (x), 1, n (x) 1, n (x)
n

Aplicnd teorema proieciei (Riesz), obinem :


e1 (x), 1, n (x) = f(x), 1, n (x) = s0 [ k ]( x k ), 1, n (x) =
k

= s0 (k) 1, n (x), ( x k ) = s0 [ k ]g[2 n k ]


k

Deci coeficienii dezvoltrii semnalului e1(x) n baza {1,n(x)}nZ sunt :

s0 [ k ]g[2 n k ]
k

ns pentru aceti coeficieni am fcut notaia d1[n] n figura 3.11, deci :


d 1[ n] = s0 [ k ]g[2 n k ]
k

Procednd prin recuren se poate demonstra c :


d m [ n] = s m 1[ k ]g[2 n k ] = f ( x), m, n ( x)
k

Cu alte cuvinte coeficienii dezvoltrilor proieciilor semnalului f(x) din


V0 pe dou subspaii succesive Vm-1 i Wm, sm-1[n] i dm[n] se pot
determina prin filtrare cu un filtru cu rspunsul la impuls g[n] i prin
decimare. Se constat c pentru m=1,M, secvenele dm[n] pot fi obinute
folosind sistemul din figura 3.11.
OBSERVATII :
O1. n lucrarea sa [Dau.88] Ingrid Daubechies determin toate
rspunsurile la impuls de filtre RIF, h[n] i g[n] care satisfac o anumit
condiie de regularitate. Alte condiii de regularitate sunt prezentate n
[Rio.93(1)], [Don.,Joh.92], [Fro.90], [Kov.,Vet.93], [Mal.90].
Aceste rspunsuri la impuls sunt tabelate i sunt clasificate dup
lungimea lor. De exemplu filtrul DAU2 este unul cu lungimea
rspunsului la impuls egal cu 4.
Dezavantajul major al acestor filtre este c nu au caracteristici de
faz liniare. Cu ct lungimea filtrelor crete, cu att erorile de rotunjire
ale coeficienilor sunt mai nsemnate.
92

(3.66)

O2. Dac se abandoneaz ipoteza de ortonormalitate a mulimii {(x-n)


}nZ, considerndu-se c aceasta este doar o baz Riesz, atunci teoria
prezentat n acest paragraf poate fi generalizat. Aceast generalizare a
fost fcut n lucrrile [Coh.,Dau.,Fea.92] respectiv [Coh.92] obinnduse clasa undioarelor biortogonale cu suport compact. Filtrele
corespunztoare sunt tot de tip FIR dar de aceast dat filtrele de
reconstrucie au lungime diferit de filtrele de sintez. Ele pot fi filtre cu
faz liniar. Numeroase exemple de rspunsuri la impuls de filtre din
acest clas sunt prezentate n lucrrile citate.
O3. Avantajul abordrii bazate pe utilizarea undioarelor ortonormale
asupra celei bazate pe undioare biortogonale este prezentat n continuare.
Folosind notaiile utilizate pn aici, putem scrie :

f 0 (x) = f M (x) +

e m (x)

m =1

Astfel :
2

f 0 (x) = f M ( x ) +
= f M ( x ), f M (x) +
= f M ( x ), f M (x) + f M ( x ),

m =1
M

m =1

m =1

e m (x), f M (x) + e m (x) =


M

e m (x) + e m (x), f M (x) +


m =1

e m (x) + f M ( x ), e m (x)

m =1

m =1

= f M ( x ) + 2Re f M ( x ), e m (x) +

m =1

n aceast relaie, deoarece avem :


f M (x) e m (x) , m = 1 M
va rezulta i :
M

f M (x) e m (x) , m = 1 M
m =1

iar n ceea ce privete norma lui f0(x) putem scrie:

93

e m (x) =

m =1
M

+ e k (x),
k =1

e m (x)

m =1

e m (x) =

m =1

f 0 ( x)

= f M ( x)

e k (x)

k =1

apoi, folosind proprieti ale produsului scalar :


M

e k (x)

k =1

k =1

l =1

= e k (x), e l (x) =
=

M M

e l ( x), e k ( x) =

k = 1l = 1

k =1

l =1

e k (x), e l (x) =

e k ( x)

k =1

Revenind, se poate spune c am demonstrat c :


f 0 ( x)

= f M ( x)

e k ( x)

k =1

(3.67)

Pe baza relaiei lui Parseval se poate scrie relaia n timp


discret echivalent relaiei (3.67). Aceasta este :
2

s0 [ n ] = s M [ n ] +

d k [ n]

k =1

Relaiile (3.67) i (3.68) nu sunt valabile n cazul


undioarelor biortogonale. De aceea se poate afirma c este de preferat s
se utilizeze undioarele ortogonale atunci cnd sunt necesare aproximri
de eroare medie ptratic minim.
O4. Teoria expus poate fi generalizat i pentru codoare n subbenzi cu
structur arborescent simetric. Aceast generalizare este fcut n
[Coi.,Wic.93].
O5. Teoria expus poate fi generalizat i pentru codoare n subbenzi care
utilizeaz decimatoare i interpolatoare cu constante M diferite de 2
[Coh.92] [DeS.,Iun.,Aub.94].
O6. O alt direcie de dezvoltare a codoarelor n subbenzi este cea bazat
pe utilizarea filtrelor de analiz i sintez RII, [Vet.92], sau a celor
variabile n timp [Bar.,Sod.,Nay.94].
O7. Relaia (3.32) reprezint o teorem de eantionare generalizat
[Duf.,Sch.52], [Jer.87], [Lim.,Opp.88], [Mal.89(1)], [Naf.,Isa.,Isa.93].
3.6. Transformarea undioar discret TUD

94

(3.68)

n paragraful anterior s-a stabilit legtura dintre seriile de


undioare i tehnica codrii n subbenzi. Cu ajutorul sistemului din figura
3.11 poate fi introdus noiunea de transformare undioar discret. Acest
sistem transform secvena x[n] n secvenele sM[n] i d1[n] d2[n],...,dM[n].
Fie y[n] secvena obinut prin concatenarea acestor secvene :
y[n] = {s M [n],d 1[n], ... ,d M [n] }
Operaia :
x[n] y[n]
poart numele de transformare undioar discret ( TUD ). Operaia :
y[n] x[n]
care poate fi implementat de sistemul din figura 3.16 poart numele de
transformare undioar discret invers (TUDI).
Se poate demonstra c TUD este liniar i ortogonal. n
continuare se prezint pe un exemplu algoritmul de calcul al TUD
[Mat.,Rad.,Sta.96],
[Nay.,Bar.,Smi.91(1)],
[Pap.,Hla.,Bou.93],
[Rio,Duh.92], [She.92], [Sim.,Rie.,Sch.,Nas.97] [Sad.,Nay,Bar.94],
[Sri.,Jam.95], [Swe.,Pie.93], [Swe.94] [Swe.94(1)] [Swe.96]. Fie X
vectorul secvenei de intrare :
s0 [8]
s [7]
X = S0 = 0
M

s0 [1]
Se consider c lungimea filtrelor h[n] i g[n]
algoritmului este descris de relaia :
Y1 = M 0 X
unde matricea M0 este dat de relaia :
h[2] h[3]
0
h[0] h[1]

0
h[3] h[2] h[1] h[0]

0
0
h[0] h[1]
h[2]

0
0 h[3] h[2] h[1]

M0 =
0
0
0
0
h[0]

0
0
0
0 h[3]

0
0
0
h[2] h[3]

0
0
0
h[1] h[0]
Se constat c se obine :
95

este 4. Primul pas al

h[3]

h[0]

h[1]

h[2]

h[2] h[1]
0

h[0]

0 h[3]

h[3]

h[0]

h[1]

h[2]

Y1T = [s1[4] d1[4] s1[3] d1[3] s1[2] d1[2] s1[1] d1[1] ]


Prin permutri rezult :

(Y )

1 T
1

= [s1[4] s1[ 3] s1[2] s1[1] d 1[4] d 1[3] d 1[2] d 1[1]]

care este un vector obinut prin concatenarea secvenelor s1[n] i


d1[n]. Separnd aceste secvene se obin vectorii :

( X ) = [s [4] s [3] s [2] s [1]]


( X ) = [d [4] d [3] d [2] d [1]]
1 T
1

2 T
1

Fie M1 matricea obinut prin restrngerea matricii M0 la sfertul


su din stnga sus :
h[2] h[3]
h[0] h[1]

h[3]
h[2]

h[1]
h[0]

M1 =

0
0
h[0]
h[1]

0
0 h[3] h[2]

Cel de-al doilea pas al algoritmului este descris de relaia :


Y2 = M1X11
i rezultatul este :
Y2T = [s2 [2] d 2 [2] s2 [1] d 2 [1]]
n mod analog rezult prin permutri :

(Y )

1 T
2

= [s2 [2] s2 [1] d 2 [2]d 2 [1]]

unde dac separm secvenele s2[n] i d2[n] obinem :

(X )

1 T
2

= [s2 [2] s2 [1]] i

(X )

2 T
2

= [d 2 [2]d 2 [1]]

Acum, cu ajutorul vectorilor X21, X22 i X12 se construiete vectorul Y :


T
T
T
Y T = X12 X 22 X12

Aceast relaie reprezint rezultatul aplicrii transformrii undioar


discrete vectorului X [Pre.,Teu.,Vet.,Fla.95]. Analiznd numrul de
operaii efectuate se constat c pentru primul pas al algoritmului au fost
necesare 32 de nmuliri i c pentru al doilea pas al algoritmului au fost
necesare 16 nmuliri, n total 68. Dac vectorul X ar fi avut N elemente
atunci s-ar fi efectuat un numr de nmuliri de ordinul 4N [Rio.,Vet.91].
Dac s-ar fi folosit filtre de lungime L atunci acest numr ar fi fost LN.
Pentru N suficient de mare se constat c numrul de nmuliri necesare
este inferior lui N log2N, adic transformarea undioar discret poate fi
efectuat mai rapid dect FFT a aceleiai secvene. Acesta este motivul

( )( )( )

96

pentru care aceast transformare se mai numete i transformarea


undioar rapid. Pentru calculul transformrii inverse trebuie aplicate
operaiile descrise anterior n ordine invers. Bineneles n locul
matricilor M0, M1, ... trebuiesc folosite matricile M0T, M1T, etc. Ca orice
transformare, care se aplic unei secvene de durat finit, i acest
transformare prezint erori la limitele intervalului de timp considerat.
Pentru primele eantioane ale secvenei x[n], filtrele h[n] i g[n] nc nu
sunt n regim permanent iar, la terminarea secvenei x[n], filtrele folosite
nu sunt nc relaxate [Ben.,Teo.93], [Bor.96], [Cod.94], [Dau93].
Pentru diminuarea acestor erori, sunt prezentate diferite metode n
[Rio.93], [Coh.92], [Abr.,Fla.94]. Dac se dorete realizarea unei TUD
pe blocuri atunci, pentru diminuarea erorilor provocate de problemele de
la marginile blocurilor, se poate aplica una din metodele denumite
"overlap and add" sau "overlap and save" [Opp.,Sch.86]. Transformarea
TUD este caracterizat de civa parametri. Unul dintre acetia este
expresia rspunsului la impuls h[n]. Conform [Asz.,Isa.94] acesta trebuie
corelat cu forma semnalului x[n]. n cazul n care semnalul x[n] variaz
rapid este preferabil s se utilizeze un filtru cu rspuns la impuls mai
scurt. Exist aplicaii n care este necesar ca rspunsul la impuls h[n] s se
modifice pe parcursul calculului transformatei TUD [Coi.,Wic.93],
[Dau.91], [Don.,Joh.92], [Gop.,Bur.95], [Her.,Kov.,Vet.95], [Isa.94],
[Kov.,Vet.95], [Lem.90], [Nag.,Ike.96], [Pho.,Kim.,Vai.,Ans.95],
[Tol.,Hol.,Kal.95],
[Vai.93(1)],
[Wic.96],
[Yao.,Cha.94],
[Zha.,Des.,Pen.96]. Un alt parametru al transformrii este constanta M
(numit rezoluie). n exemplul dat pentru descrierea algoritmului de
calcul al transformrii s-a folosit pentru M valoarea sa maxim posibil.
Nu este ns necesar ca lungimea secvenei sM[n] din structura vectorului
Y s fie minim (adic 2). Exist aplicaii n care lungimea secvenei
sM[n] din structura vectorului Y este mai mare [Coi., Wic.'93]. n sfrit,
un ultim parametru al TUD este lungimea secvenei de intrare, N. Aceasta
trebuie s fie de obicei o putere a lui 2. Pentru o alegere convenabil este
posibil s avem nevoie de o transformare pe blocuri [Asz.96]. Pe lng
utilizarea sa la mbuntirea RSZ, transformarea undioar discret mai
are i alte aplicaii. Cteva dintre acestea sunt prezentate n: [Asz.97],
[Cal., Dau.,Swe., Yeo.96], [Che., Don.94], [Cho., Wil.89], [Coh.,
Dau.93], [Don.92 (1)], [Don.93(2)], [Don., Joh.93], [Don.93 (3)],
[Don.94], [Don., Joh.94 (1)] i [Don.95].
CAPITOLUL 4. MBUNTIREA RAPORTULUI SEMNAL PE
ZGOMOT PRIN UTILIZAREA TRANSFORMRII UNDIOAR
DISCRET

97

Folosirea TUD n mbuntirea RSZ este o tehnic foarte


modern. n ultimii ani s-au imaginat diverse aplicaii n aceast direcie.
Principalele referine bibliografice pentru utilizarea acestei tehnici sunt
[Coi.,Wic.93],
[Mou.94],
[Cam.,Mas.94],
[Don.,Joh.91],
[Don.,Joh.92(1)], [Don.93(1)], [Joh.93]. n continuare se presupune c
x(t) = x u (t) + n(t) , unde xu(t) este componenta util a semnalului de
prelucrat iar n(t) este componenta sa perturbatoare. O prim problem
este efectul aplicrii TUD semnalului x(t). Pentru nceput acesta va fi
considerat un semnal aleator i ergodic.
4.1. Analiza statistic a coeficienilor TUD ai unui semnal aleator,
staionar i ergodic

Prin proiecie ortogonal a semnalului n(t) pe spaiile Wm , m =


1M se obin semnale de energie finit. Coeficienii dm[n] sunt, conform
relaiei (3.66) :
d m [n] = n(t), m, n (t)
Produsele scalare au sens pentru undioare cu suport compact. Se poate
observa c aceti coeficieni reprezint un semnal aleator n timp discret.
Se calculeaz autocorelaia statistic a acestui semnal :
R d m [k l] = E{d m [k] d m [l] } = E{ n(t), m, k (t) n(t), m, l (t) } =

= E n(t) m , k (t)dt n(u) m , l (u)du = E n(t ) n ( u) m , k (t) m, l (u)dtdu




R 2

Conform teoremei lui Fubini operatorul de mediere comut


cu cel de integrare i obinem :
R d m [ k l] =

R2

E n( t ) n ( u) m , k (t) m, l (u)dtdu

n integrant se recunoate ca factor autocorelaia statistic a semnalului


aleator n(t). Se poate deci scrie :
R d m [ k l] =

R n [ t u]m, k (t) m, l (u)dtdu

R2

98

unde, avnd n vedere c :

R n [ t u]m, l (u)du = R n ( t ) m, l (u)

rezult :
R d m [ k l] =

( R n ( t ) m, l (t))m, k (t)dt

Aplicnd relaia lui Parseval se obine :


R d m [ k l] =

1
m,1 ()
m , k ()d
R n ()

2 R

ns :
m

m,1 () = 2 2 e j2 l
(2 m )

i astfel ultima relaie devine :


R d m [ k l] =

2 j 2 m ( l k )
1
m
m
(
)
R

(
2

)
e
d
n
2 R

Vom face schimbarea de variabil 2m = u i revenim :

1 ^ m ^
R d m [ k l] =
R n 2 u ( u) e ju ( l k ) du

2 R
sau :

( 2 p +1)

1
n 2 m u
(u ) 2 e ju (l k ) du
R d m [ k l] =
R

2 p ( 2 p 1)
O nou schimbare de variabil : = u - 2p ne conduce la :
R d m [ k l] =

1
( + 2p) 2 e j( + 2 p)(l k ) d
R n 2 m ( + 2p)

2 p

99

sau :
R d m [ k l] =

1
R n 2 m ( + 2 p )

2 p

) ( + 2p)

2 j( + 2 p )( l k )

Avnd n vedere c membrul drept reprezint o transformare Fourier n


timp discret invers se poate scrie :

( + 2p) 2
R d m [k l] R n 2 m ( + 2p)
p

(4.2)

Deci densitatea spectral de putere a semnalului aleator dm[k] depinde de


densitatea spectral de putere a semnalului n(t) prin relaia (4.2).
Deoarece, conform acestei relaii, autocorelaia secvenei dm[k] depinde
doar de diferena momentelor (k-l) putem afirma c i semnalul dm[k] este
staionar.
OBSERVATII :
O1. Dac semnalul n(t) este un zgomot alb atunci Rn()=1, R i
relaia (4.2) devine :

( + 2p) 2
R d m [ k l]
p

n continuare se calculeaz suma din membrul drept al


acestei relaii. n acest scop se pornete de la proprietatea de
ortogonalitate a mulimii {(x-k) }kZ :
(x), (x k) = [k]
Pe baza relaiei lui Parseval se obine :
1
() = [k]
(), e - jk
2
adic :

() 2 e jk d = 2[k]

100

(4.3)

sau :

( 2 p +1)

() 2 e jk d = 2[k]

( 2 p 1)

Dac se face schimbarea de variabil -2p=u se obine :


1
(u + 2p) 2 e juk du = [k]

2 p

(4.4)

Membrul stng al ultimei relaii reprezint cel de-al k-lea coeficient al


descompunerii n serie Fourier a unei funcii periodice de perioad 2.
Relaia (4.4.) arat c aceast funcie are doar un singur coeficient Fourier
nenul i anume acela cu indicele 0 (adic componenta continu). Rezult
c funcia considerat este constant. Avnd n vedere c pentru k=0
relaia (4.4) devine :

(u + 2p) 2 du = 2

rezult c valoarea acestei constante este 1 . S-a demonstrat n acest mod


c :

(u + 2p) 2 = 1

n consecin relaia (4.3) devine :


R d m [ k l] 1
Astfel dac semnalul n(t) este un zgomot alb atunci i semnalul dm[n] este
un zgomot alb n timp discret. Deci la fiecare iteraie a TUD (indiferent
de m) se obine tot un zgomot alb. Rezult c TUD nu coloreaz
eantioanele semnalului x[n] (de la intrarea sa) dei sunt fcute
numeroase filtrri ale acestuia.
O2. O formul analoag relaiei (4.2) poate fi demonstrat i n cazul
semnalelor sm[n], m=1M. Aceasta este :

101

(4.5)

2
R s m [k l] = R n 2 m ( + 2p) ( + 2p)
p

Demonstraia este identic cu cea pentru relaia (4.2). Acest rezultat,


pentru m=1, este prezentat i n [Coh.92].
O3. Dac n relaiile (4.2) i (4.6) se trece la limit pentru m, atunci
se constat c autocorelaia semnalului n timp discret (s[m] respectiv
d[m]) tinde la :
L = R n (0 ) ( + 2p)

unde poate fi sau . Avnd n vedere c i pentru se poate


demonstra o relaie identic cu (4.5), putem scrie :
L = R n (0 )
Cu alte cuvinte, indiferent de tipul zgomotului n(t), coeficienii sm[n] i
dm[n] tind asimptotic spre zgomot alb n timp discret. Aceast proprietate
este fundamental deoarece rezult c sistemul de implementare al TUD
poate fi privit ca un filtru de albire.
De aceea se poate utiliza oricare dintre metodele de cretere
a RSZ n cazul perturbaiilor de tip zgomot alb, dac se lucreaz n
domeniul transformatei.
O4. S-a demonstrat c :

lim E d m [k ]d m [l] = [k l]

Dar dac se noteaz cu c[n] coeficienii transformrii Karhunen - Loeve a


semnalului n(t), atunci:
E{c[k]c[l]} = [k l]
Astfel se poate afirma c indiferent de undioara cu suport compact
folosit, TUD tinde asimptotic la transformarea Karhunen - Loeve. Acest
rezultat justific utilizarea TUD n compresii de date, [Dau.,Swe.95],
[Den.,Jaw.,Pet.,Swe.93], [Don.91], [Gre.96], [Dum.96], [Fro.95],
[Gag.,Lin.94], [Isa.95].

102

(4.6)

n continuare se calculeaz mediile i dispersiile semnalelor


aleatoare sm[m] i dm[n], m=1M. Astfel pentru semnalul dm[n] :

E{d m [n]} = E{ n(t), m, k (t) } = E{ n(t) m,k


(t)dt}
-

sau, aplicnd din nou teorema lui Fubini :

E{d m [k]} =

E{n(t)}m , k (t)dt

M n m, k (t)dt

unde cu Mn s-a notat media semnalului aleator n(t).


Ultima relaie se mai poate scrie :
m , k (0)
E{d m [k]} = M n
Dar :
m

m, k () = 2 2 e j2

(2 m )

i, revenind :
E{d m [k]} = M n

m
(0)
22

(4.7)

Aplicnd ns relaia (3.63) din capitolul precedent :


(0) = m1 (0) (0) = m1 (0)

o form echivalent a relaiei (3.19) este :


2

H() + G() = 2

unde :
h n H() si g n G()
Utiliznd i relaiile (3.45) i (3.62) :

103

(4.8)

h v [n] 2m 0 ()

si g v [n] 2 m1 ()

vom putea scrie :


2m0 () = H ()
2m1 () = G ()
Relaia (4.8) se va scrie, pentru =0 :
2

m0 (0) + m1 (0) = 1

(4.9)

Punnd =0 n relaia (3.46) :


m0 (0) = 1
i pe baza relaiei (4.9) vom obine :
m1 (0) = 0 ;

g [p] = 0

(4.10)

i deci :
(0) = 0

n final, relaia (4.7) se scrie :


E{d m [k]} = 0 , m = 1 M
S-a demonstrat c toate semnalele aleatoare dm[n] sunt de
medie nul indiferent de m. Acest lucru era de ateptat avnd n vedere c
aceti coeficieni sunt obinui prin folosirea filtrelor cu rspunsurile
la impuls g[n] (care sunt filtre trece sus).
n continuare se calculeaz dispersiile acestor semnale.
Avnd n vedere c media lor este nul, se obine :
E{d 2m [k]} = R d m [0]
sau, pe baza relaiei (4.1) :
104

(4.11)

E{d 2m [k]} =

2
1 m
R
(
2
u)

(
u
)
du

2 R

(4.12)

Aceasta este relaia care exprim dispersiile semnalelor dm[n] pe baza


densitii spectrale de putere a semnalului aleator n(t).
OBSERVATII :
O1. Dispersiile semnalelor aleatoare dm[n] pot fi minimizate prin alegerea
judicioas a undioarei mam (t) (n acord cu densitatea spectral de
putere Rn()).
O2. Dac n(t) este un zgomot alb de medie nul i dispersie 2 atunci :

R n () = 2
i :
E{d 2m [k]} =

(2p +1)

2
2
2

(u + 2p) 2 du = 2

(
u
)
du
=

2 p (2p -1)
2 p

Deci n cazul n care n(t) este un zgomot alb de medie nul i dispersie 2
atunci semnalele aleatoare dm[n] sunt tot de tip zgomot alb n timp discret
de medie nul i dispersie 2. La aceeai concluzie se ajunge i n
[Ama.,Vuz.94], [Ama.,Vuz.97], [Ama.,Vuz.97(1)], [Ama.,Vuz.97(2)],
[Ama.,Vuz.97(3)].
O3. Pentru m relaia (4.12) devine :
E{d 2m [k]} = R n (0)
Aceast relaie descrie comportarea asimptotic a dispersiilor semnalelor
aleatoare dm[n].
n continuare se determin momentele de ordinul I i II ale
semnalelor aleatoare sm[n] :

E{s m [n]} = E{ n(t), m, k (t) } = E n(t) m, k (t)dt


-

adic :
105

(4.13)

E{s m [k]} =

E{n(t)} m, k (t)dt

M n m, k (t)dt

unde cu Mn s-a notat media semnalului aleator n(t).


Ultima relaie se mai poate pune sub forma :
E{s m [k]} = M n m, k (0)
Deoarece se poate scrie :
m, k () =

m
m
2 2 e j 2 k (2 m )

vom avea :
E{s m [k]} = M n

m
2 2 (0) =

Mn

m
22

(4.14)

Deci media semnalelor sm[k] crete cu creterea lui m.


Dispersiile acestor semnale sunt :
E{s 2m [k]} = R s m [0] E 2 {s m [k]}
Pentru autocorelaie avem :
R s m [0] =

1
2
R n (2 m u) (u ) du

2 R

i obinem :
E{s 2m [k]} =

1
2
R n (2 m u) (u ) du 2 m M n

2 R

(4.15)

Dac semnalul este de medie nul atunci :


E{s 2m [k]} =

1
2
R n (2 m u) (u ) du

2 R

106

(4.16)

OBSERVATII :
O1. Dispersiile semnalelor aleatoare sm[n] pot fi minimizate prin alegerea
judicioas a funciei de scalare (t) (n acord cu densitatea spectral de
putere Rn()).
O2. Dac n(t) este un zgomot alb de medie nul i dispersie 2 atunci

R n () = 2
i :
E{s 2m [k]} =

(2p +1)


2
2
(u ) du =
(u + 2p) du = 2

2 p (2p -1)
2 p

Deci n cazul n care n(t) este un zgomot alb de medie nul i dispersie 2
atunci semnalele aleatoare sm[n] sunt tot de tip zgomot alb n timp discret
de medie nul i dispersie 2.
O3. Pentru m relaia (4.16) devine :

E{s 2m [k]} = R n (0)


Aceast relaie descrie comportarea asimptotic a dispersiilor semnalelor
aleatoare sm[n].
O4. Condiia :

E{n(t)} = 0
previne divergena irurilor E{sm[k]} i E{sm2[k]} cnd m.
O5. Dac n(t) este un semnal aleator i staionar de medie nul atunci
secvenele sm[n] i dm[n] converg asimptotic (pentru m) la semnale
aleatoare de tip zgomot alb de medie nul i dispersie Rn(0). Aceast
observaie justific ideea de extrapolare a tehnicilor de mbuntire a
RSZ n domeniul TUD, pentru semnale perturbate aditiv cu zgomot alb,
prezentate n [Isa.95(1)]. O analiz asemntoare este prezentat n
[Pas.,Gay.95]

107

4.2. Filtrarea adaptiv neliniar n domeniul transformatei

Una dintre tehnicile de filtrare adaptiv neliniar n


domeniul transformatei a fost introdus de Donoho [Don.92], [Don.93]
sub numele de "wavelet shrinkage". La baza acestei metode st
transformarea neliniar :
d m [i] sgn{d m [i]} (| dm [i] | s )
unde s reprezint un prag proporional cu dispersia zgomotului n(t). Se
observ c este vorba despre o filtrare adaptiv, parametrul s depinznd
de semnalul n(t), prin intermediul dispersiei acestuia. Se constat c
operatorul definit de relaia (4.17) este unul neliniar. Avnd n vedere c:
x[k] = x u [k] + n[k]
i c TUD este liniar, rezult c :
d m x [k] = d m u [k] + d m n [k]

Figura 4.1. Transformarea funcional descris de relaia (4.17).

108

(4.17)

Aplicarea relaiei (4.16) coeficienilor d mn[k] are ca efect


scderea valorii acestora. De aici vine i denumirea metodei "wavelet
shrinkage". Din nefericire sunt afectai i coeficienii dmxu[k]. Conform
referinelor bibliografice deja citate, metoda propus este eficient
eliminnd aproape complet zgomotul dar distorsionnd i semnalul util.
De aceea aceast metod se aplic doar n cazul semnalelor x(t) cu raport
semnal pe zgomot mare (atunci cnd s este neglijabil n comparaie cu
dmxu[n]).
n continuare se analizeaz metoda propus. Relaia (4.17)
descrie schimbarea de variabil aleatoare:
y = sgnx (| x | -s)
Aceast transformare funcional este reprezentat grafic n figura 4.1.
Notm cu X variabila aleatoare care descrie comportarea
statistic a semnalului dm[i] la momentul fixat i. Considernd c
semnalele dm[i] sunt de tip zgomot alb (presupunere justificat n
paragraful anterior) rezult c variabila aleatoare X este distribuit
gaussian (avnd media 0 i dispersia 2).

-s

Figura 4.2. Densitile de probabilitate ale variabilelor aleatoare X i Y.

Aplicnd variabilei aleatoare X transformarea funcional


descris n figura 4.1 se obine variabila aleatoare Y. Se determin pY(y)
n funcie de densitatea de probabilitate a variabilei aleatoare X, pX(x).
Conform figurii 4.1 rezult :
109

p Y (y) =

unde :

p X ( x1)
p (x )
+ X 2
dy
dy
dx1
dx 2

x1 (,0 ); y = x1 + s x1 = y s ;
dy
= 1 , y (-, s )
dx1

i :

x 2 (0, ); y = x 2 s x 2 = y + s;
dy
= 1 ,y ( s, ,)
dx 2

De aceea se poate scrie :


p Y (y) = p X (y s) (s y) + p X (y + s) (y + s)
n figura 4.2 sunt prezentate cele dou densiti de
probabilitate pX(x) i pY(y).
Se constat faptul c funcia pY(y) este par. Media acestei
variabile aleatoare este :

mY =

y p Y (y) dy = 0

fiind integrala pe un interval simetric a unei funcii impare .


n continuare se determin valoarea dispersiei variabilei
aleatoare Y, 2Y pe baza dispersiei variabilei aleatoare X, 2.
2Y
=

y 2 p Y (y) dy =

y 2 [p X ( y s)(s y) + p X ( y + s)( y + s)]dy =


=

y 2 p X (y s) dy +

y 2 p X (y + s) dy

110

(4.18)

Se calculeaz cele dou integrale :


s

I1 =

y 2 p X (y s) dy

Se face schimbarea de variabil y-s = u i avem :


0

I1 =

(u + s ) p X (u) du =

-
0

+ 2s

u p X (u) du +

u 2 p X (u) du +
(4.19)
s2 p X (u) du

Dar :
0

u p X (u) du = 2 si
-
2

p X (u) du = FX (0) =

1
2

unde cu FX(x) s-a notat funcia de repartiie a variabilei aleatoare X. Deci


relaia (4.19) devine :
2

+ 2s
I1 =
2

s2
u p X (u) du +
2

Urmeaz calculul lui :

I2 =

p X (y + s) dy

Se face schimbarea de variabil y + s = u i avem :

I 2 = (u s ) p X (u) du = u 2 p X (u) du
0

2s

u p X (u) du + s2

2
= 2s
2

p X (u) du =

s2
u p X (u) du +
2

111

(4.20)

Deoarece funcia pX(x) este par, cu schimbarea de variabil u = - v va


rezulta :

u p X (u) du =

v p X ( v) dv =

v p X (v) dv

i astfel I2 devine :
2

I2 =
+ 2s
2

s2
u p X (u) du +
2

(4.21)

Pe baza relaiilor (4.20 ) i (4.21 ) pentru relaia (4.18) avem :


2Y

= I1 + I 2 = + 4s

up X (u) du + s 2

(4.22)

n continuare se calculeaz integrala din membrul drept al


relaiei (4.22) :
0

I3 =

u p X (u) du =

1
ue
2 -

u2
2 2

u2
u2
2

2
2

e 2
=
d e 2 =

2 -
2

De aceea se obine :

2Y = 2 4s
+ s2
2
2

du =

(4.23)

Trebuie determinat mulimea valorilor lui s pentru care are


loc relaia :
(4.24)

2Y < 2
Y2 2
2
2
4
2

2 2

s 2 4s / 2
112

Figura 4.3. Mulimea valorilor lui s pentru care


metoda "wavelet shrinkage" este eficient.

Pentru aceste valori, prin aplicarea transformrii (4.17) se obine un nou


semnal aleator (descris de variabila aleatoare Y la momentul i) a crui
putere este inferioar puterii semnalului dm[n] i deci metoda propus este
eficient.
Condiiile (4.23) i (4.24) conduc la relaia :
s2 4s

< 0
2

Soluiile acestei inegaliti sunt localizate ca n figura 4.3.


S-a demonstrat n acest fel c valoarea minim a deviaiei
standard a variabilei aleatoare Y este :
Ymin =

2
= 0,6

i c aceast valoare este obinut pentru un prag s de valoare 0,797.


n consecin, aplicnd transformarea din relaia (4.17)
semnalelor aleatoare dm[i] se obin noi semnale aleatoare de putere
(dispersie) inferioar celor iniiale. De aceea se poate afirma c metoda
propus nltur o parte din zgomotul coninut n semnalele dm[i]. De
aceea n referinele bibliografice deja citate este utilizat termenul "denoising".
Conform relaiei (4.25), cea mai mare reducere posibil a
puterii de zgomot, obtenabil aplicnd metoda propus este de :
2 2
2Y min ( 0,6 )
=
= 0,36
2
2

De aceea, n cel mai fericit caz, se poate vorbi de o mbuntire a RSZ de


2,77 ori. Astfel, metoda propus nu poate conduce la rezultate
remarcabile dect n cazul unor semnale care au deja RSZ destul de mare.
Referitor la distorsionarea semnalului dm[n] se poate afirma
c acele eantioane care au valori mari (mult mai mari dect s) nu sunt
afectate de metoda propus dar c acele eantioane care au valori
apropiate de s sunt puternic afectate de metoda propus.

113

(4.25)

Avnd n vedere c alegerea pragului s depinde de dispersia


zgomotului n(t), 2, rezult c "wavelet shrinkage" este o metod de
filtrare neliniar adaptiv n domeniul TUD. Este clar c aplicarea relaiei
(4.17) presupune un volum de calcul mult inferior celui solicitat de
algoritmul LMS [Isa.94(1)], [Isa.94(2)] sau de filtrarea Wiener
multicanal [Naf.95], [Bov.,Mar.,Qua.94], [Che.,Lin.94], [Shy.92].
O alt metod de filtrare neliniar n domeniul TUD este
propus de Moulin n [Mou.94]. Aceast metod se bazeaz pe o detecie
de prag. Transformarea care st la baza acestei metode este:
d m [i], d m [i] > s
d m [i]
(4.26)
0,
in rest
Raionnd ca mai sus se consider variabila aleatoare X distribuit
gaussian cu media nul i dispersia 2. Aceasta este transformat cu
ajutorul relaiei :
x,
y =
0,

x >s
x s

(4.27)

n variabila aleatoare Y. Se face caracterizarea statistic a acestei


variabile aleatoare. Transformarea (4.27) este reprezentat grafic n figura
4.4.
Se observ c y este o funcie strict monoton de x pe
intervalele (-, -s) i (s, ). Din pcate aceast funcie nu este
inversabil, de aceea neputndu-se determina pY(y) pe baza lui pX(x),
folosind relaia :
p Y (y) =

p X (x k )
dy
dx k

n continuare se determin pY(y) pe baza funciei de


repartiie a variabilei aleatoare Y, FY(y):
FY (y) = P( Y y)
y

s
-s

114
s

Figura 4.4. Reprezentarea grafic a transformrii descrise de relaia (4.27).

Pe intervalul (- , -s) variabilele X i Y sunt identice. De aceea :


F Y (y) = P( Y y) = F X (y) , y ( , s)
Pe intervalul [- s, 0) variabila aleatoare Y este identic nul i deci
F Y (y) = P{ Y s } = F X ( s) , y [ s,0)
Pe intervalul [0, s) variabila aleatoare Y este identic nul i se poate deci
scrie :
F Y (y) = P( Y s) = F X (s) , y [0,s)
Pe intervalul [s, ) variabilele X i Y sunt identice. De aceea :
F Y (y) = P( X y) = F X (y) , y [s, )
n consecin, funcia de repartiie a variabilei aleatoare Y
are graficul din figura 4.5.
FY ( y )

Fx ( y )

F x (s )
1/2

Fx( s)

-s

115

Figura 4.5. Graficul funciei de repartiie a variabilei aleatoare Y.

ntruct densitatea de probabilitate se poate obine pe baza


derivrii funciei de repartiie, opernd n sensul distribuiilor, pentru
pY(y) se obine graficul din figura 4.6.

pY (y)
Fx ( y )

[Fx (s ) Fx ( s )]( y )
y
-s

0 s

Figura 4.6. Densitatea de probabilitate a variabilei aleatoare Y.

Deci :
p Y (y) = p X (y) ( y s) + ( F x (s) - F x ( s) ) (y) +
+ p X (y) (y s)
Se determin media mY a variabilei aleatoare Y :

mY =

ypY dy

Deoarece :

116

(4.28)

y P Y (y) = yp X (y) ( y s) + y p X (y)(y s)


vom avea :
mY =

yp Y dy = yp X ( y)dy

+ yp X ( y)dy

(4.29)

relaia (4.29) devenind :


mY = - y p X (y) dy s s y p X (y) dy = 0
deoarece cele dou integrale sunt nule fiind integrale de funcii impare pe
intervale simetrice.
n continuare se calculeaz dispersia variabilei aleatoare Y.
2Y

p Y ( y) dy =

p Y ( y) dy + y p Y (y) dy + y 2 p Y (y) dy =
2

p Y ( y) dy + y p Y (y) dy =
s

p Y ( y) dy y 2 p Y (y) dy
s

sau :
=

2Y

2 y 2 p X (y) dy
0

Calculm ultima integral :


s

y
0

p X (y) dy =

y
0

y2


2 2
=
ye
2

1
e
2

y2
2 2

y2
1
2

dy =
2 yd e 2 =
2 0

y2
s2

2
2
2

e 2 dy =
se 2 e 2 dy =

2
0
0

y2

117

s2
2 2
=
se
2

y2
s2

2
2
+ 2
e 2 dy =
se 2 + 2 (FX (s) FX (0) ) =

2
0 2

s2


2 2 + 2 F ( s) 1
=

se

2
2

Revenind avem :

s2

2
1
2

se 2 2 2 FX (s)

2
2
n figura 4.7 se prezint dependena de s a diferenei 2Y 2 dat de
relaia :
2Y = 2 +

2Y 2 =

2
se
2

s2
2 2

2 2 FX (s)

2
Y2 2

(4.30)

Figura 4.7. Dependena de s a diferenei Y .

Analiznd figura 4.7 i relaia (4.30) se constat faptul c,


oricare ar fi s pozitiv, 2Y 2 < 0, ceea ce dovedete c metoda propus
realizeaz o mbuntire a RSZ, indiferent de pragul folosit.
Se observ de asemenea c :
2Y 2
=0
s= 0

relaie care confirm justeea calculului fcut, conform figurilor 4.4, 4.5 i
4.6. Se mai constat c :
2Y 2
= 2
s=

Cu alte cuvinte,

2Y

descrete cu creterea lui s ntre 2 (pentru s=0) i 0

(pentru s). Deci pe baza acestei metode zgomotul dmn[i] ar putea fi


redus orict de mult.
Din pcate o dat cu creterea lui s sunt eliminate i
eantioanele utile din semnalele dm [i], metoda producnd distorsiuni ale
118

prii utile a semnalului de prelucrat. Pentru valori mici ale lui s aceste
distorsiuni sunt nesemnificative, cea mai bun dovad fiind aceea c
aceast metod este una dintre cele care se folosesc pentru compresia
semnalelor n domeniul TUD [Isa.,Asz.94], [Asz., Isa.94],
[Nar.,Lou.,Les.,Dar.96],
[Nas.,Sap.,Saw.97],
[Nay.,Bar.,Smi.91],
[Ode.,Bur.96]. Este util de determinat pragul s n scopul maximizrii
RSZ de la ieirile celor dou filtre propuse. Notnd cu x[i] eantioanele
de semnal util de la intrarea filtrului neliniar i cu y[i] eantioanele de
semnal util de la ieire se constat c :
N 1
N 1
2
2
E
E
E i = x i ; E e = y i ; RSZ i = 2i ; RSZ e = 2e

Y
i=0
i=0
Dar, pentru metoda "wavelet shrinkage" :
Ee =

N 1

i=0

x i 2s

N 1

xi

+ s2

i=0

sau, cu notaia :
N 1

i=0

xi

= S N 1

vom avea :
E e = E i 2s S N 1 + s 2
De aceea, n cazul acestei metode :
E i 2s S N 1 + s2
RSZ e =
4
2
s + s2
2
Se constat c pentru maximizarea acestei funcionale dup
parametrul s este necesar cunoaterea valorilor Ei i SN-1, adic este
necesar cunoaterea expresiei analitice a lui x[n]. Rezult c pentru cazul
general valoarea optim a pragului s poate fi fixat adaptiv, avnd ca i
criteriu de adaptare maximizarea lui RSZ. Concluzia este valabil i
pentru cea de-a doua metod de filtrare neliniar propus.
n consecin este de dorit ca eantioanele dm[i] s fie tratate
diferit n funcie de valoarea lor. Cele mici ar fi util s fie prelucrate cu
metoda bazat pe detecia de prag iar cele mari s fie prelucrate pe baza
metodei "wavelet shrinkage". De aceea n [Isa.,Asz.,Isa.95] se propune
transformarea :

0,
pentru d m [i] < s

(4.31)
d m[i]
sgn{d m [i]}( d m [i] s), pentru d m [i] s

119

n aceeai lucrare se prezint rezultate experimentale


obinute pe baza aplicrii metodei de mbuntire a RSZ prin filtrare
neliniar n domeniul TUD, descris de relaia (4.31).
Se constat c metoda este valabil pentru o mare diversitate
de semnale utile, c zgomotul este aproape complet nlturat i c
semnalele utile nu sunt prea distorsionate. Prezentarea detaliat a
rezultatelor experimentale privind aplicarea metodei descris de relaia
(4.31) la diverse semnale este subiectul capitolului urmtor.

0,
pentru d m [i] < s

(4.31)
d m[i]
sgn{d m [i]}( d m [i] s), pentru d m [i] s

4.3. Analiza noii metode de filtrare n domeniul transformatei

Fie X variabila aleatoare de la intrare. Folosind estimatorul


propus se obine variabila aleatoare Y. Aceast transformare este
prezentat n figura 4.8.
y

-s

Figura 4.8. Transformarea propus.

Legtura dintre funciile de repartiie ale celor dou variabile


aleatoare este, aa cum se arat n [Isa.,Asz.,Isa.95] :
FY (y ) = FX (y s )( y ) + FX ( y + s )(y )
Derivnd aceast relaie se obine legtura dintre densitile de
probabilitate corespunztoare :
p Y (y ) = p X (y s )( y ) + (FX (s ) FX ( s ))(y ) + p X (y + s )(y )
Din acest motiv valoarea medie a variabilei aleatoare Y are valoarea:
120

mY =

yp Y (y )dy = 0

n continuare se calculeaz dispersia acestei variabile aleatoare.


0

Y =

p X (y s )dy + y 2 p X (y + s )dy
0

Dar:
0

y p X ( y s )dy =

(u + s )

p X (u ) =

u 2 p X (u )du + 2s up X (u )du + s 2 FX ( s )

i:

2
2
2
y p X (y + s )dy = u p X (u )du 2s up X (u )du + s 1 FX (s )

Deci:

Y 2 = 2 u 2 p X (u )du 4s up X (u )du + s 2 1 FX (s ) + FX ( s )

Presupunnd c X este o variabil aleatoare gaussian, avnd densitatea


de probabilitate pX(x), primul termen al membrului drept al ultimei relaii
are valoarea :

2
u p X (u )du =
s

se

s 2
22
X +

i:

up X (u )du = X
s

n acest caz expresia dispersiei devine :

121

X 2 1 FX (s )
p X (s )

Y 2 = 2s 2 1 FX (s ) 2s X 2 p X (s ) + 2 X 2 1 FX (s )

n figura 4.9 este prezentat funcia de repartiie a variabilei aleatoare Y


iar n figura 4.10 densitatea de probabilitate a acestei variabile aleatoare.
n figura 4.11 este prezentat dependena dispersiei variabilei aleatoare Y
de valoarea pragului s.

Figura 4.9. Funcia de repartiie a variabilei aleatoare Y.

Figura 4.10. Densitatea de probabilitate a variabilei aleatoare Y.

122

Figura 4.11. Dependena dispersiei variabilei aleatoare Y de valoarea pragului s.

Analiznd ultima figur se constat c pentru orice valoare a


pragului s dispersia semnalului de la ieire este inferioar dispersiei
semnalului de la intrare. Cu alte cuvinte, oricare ar fi puterea zgomotului
care perturb aditiv semnalul util, de prelucrat, la ieire se obine un
semnal util perturbat aditiv cu un zgomot cu o putere mai mic. Evident
reducerea puterii zgomotului este cu att mai important cu ct se
folosete un prag de valoare mai mare. Pentru o valoare suficient de mare
a pragului zgomotul perturbator poate fi practic rejectat. Se constat c nu
exist o valoare optim a pragului (care s conduc la minimizarea puterii
zgomotului de la ieire) aa ca n cazul filtrului de tip wavelet
shrinkage (prezentat la nceputul acestui paragraf). Mai degrab, acest al
treilea filtru neliniar (care se mai numete i filtru de tipul soft
thresholding) are o comportare mai apropiat de cea a filtrului propus de
Moulin (care mai poart i numele de filtru de tipul hard thresholding),
permind prelucrarea unor semnale cu raport semnal pe zgomot mult mai
mic dect n cazul filtrului de tip wavelet shrinkage. Din nefericire
odat cu creterea valorii pragului i n cazul acestui al treilea filtru cresc
i distorsiunile semnalului util de la ieire. De aceea, n continuare, pentru
aprecierea ultimului estimator propus se analizeaz mbuntirea
raportului semnal pe zgomot pe care o poate realiza acest filtru neliniar.
Aceast analiz este realizat n conformitate cu [Isa.97].
Semnalul de la intrarea filtrului de tipul soft thresholding
este de forma:
x[n ] = x u [n ] + z x [n ]
unde zx[n] este un zgomot staionar cu puterea 2x . Dac semnalele x u [ n] i
z x [ n] sunt necorelate atunci se poate scrie :
Px = Px u + Pn x
Raportul semnal pe zgomot la intrare este egal cu :

123

RSZ i =

Px u
X2

Semnalul de la ieirea filtrului este de forma :


y[n ] = y u [n ] + z y [n ]
iar RSZ la ieire va fi :
RSZ e =

Py u
Y2

mbuntirea raportului semnal pe zgomot realizat de filtrul de tip soft


thresholding este :
Py u X 2
RSZ e
=
=
RSZ i 2 Px u
Y

Fcnd ipoteza c i semnalul util i zgomotul


decorelate, ultima relaie devine :
Py Y 2 X 2
=
Px X 2 Y 2

de la ieire sunt

Puterile semnalelor de la intrare i de la ieire, Px i Py, pot fi calculate


deoarece aceste semnale sunt accesibile msurrii. Puterea zgomotului de
la intrare poate fi msurat n absena semnalului util de intrare iar
puterea zgomotului de la ieire poate fi calculat folosind formula dedus
mai sus pentru orice valoare a pragului s.
Deci mbuntirea raportului semnal pe zgomot este o funcional de
valoarea pragului s. Exist posibilitatea ca aceast funcional s aib o
valoare minim pentru o anumit valoare a pragului s. Relaia intrareieire pentru filtrul de tip soft-thresholding poate fi pus n forma :
x[k ] s, x[k ] > s,

y [k ] = x[k ] + s, x[k ] < s,


0,
x[k ] < s

Puterea semnalului de la ieirea acestui filtru este :


N

P Y = ( y[k ]) =
k =1

N1

(x[k ] s )

k1=1

N2

(x[k ] + s )

k 2 =1

S-a notat cu N1 numrul de eantioane a cror valoare este superioar lui


s i cu N 2 numrul de eantioane din semnalul de ieire a cror valoare
este mai mic dect -s. Expresia puterii de la ieire devine :

124

Py =

N1

N2

x [k 1 ] + x 2 [k 2 ] +
2

k1 =1

k 2 =1

N1

N2

+ 2s x[k 2 ] x[k 1 ] + (N1 + N 2 )s 2

k =1
k1 =1

2
Dac valoarea pragului s este suficient de mic se pot face aproximrile :
N1

k 1 =1

x [k1 ] +
2

N2

x 2 [k 2 ] Px Px u

k 2 =1

+ 2X

i :
N2

N1

k 2 =1

k 1 =1

k =1

x [k 2 ] x [k 1 ]

x [k ]

notnd aceast ultim expresie cu . Se poate scrie, de asemenea :


N1 + N 2 N
cu 0 < < 1
Iat de ce puterea semnalului de la ieire poate fi calculat cu formula :
Py = Px + 2s + Ns 2
Incluznd i distorsiunea semnalului util de la ieire n categoria
perturbaiilor, raportul semnal pe zgomot la ieire poate fi calculat cu
formula :
Px u
Px u
RSZ e =
=
Py Px u
Ns 2 + 2s + X 2
Valoarea maxim a acestui raport se obine atunci cnd numitorul su este
minim. Aceast situaie apare atunci cnd pragul ia valoarea optim s0
dat de relaia :
s0 =

Dac sunt satisfcute ipotezele fcute, atunci exist o valoare optim a


pragului pentru maximizarea raportului semnal pe zgomot la ieire, n
cazul filtrului de tip soft-thresholding.
Din nefericire aceast valoare optim este dificil de calculat naintea
efecturii filtrrii deoarece constantele , , i N au valori care depind de
forma de und a semnalului util de la intrare precum i de tipul de zgomot
de la intrare.
De aceea a fost conceput un algoritm adaptiv pentru alegerea pragului
care maximizeaz raportul semnal pe zgomot de la ieirea filtrului de tip
soft-thresholding.
Acest algoritm reprezint subiectul articolului [Isa.97].
125

Etapele sale sunt urmtoarele:


1. Se calculeaz transformata undioar discret a semnalului
achiziionat.
2. Se presupune cunoscut puterea semnalului util de la intrarea filtrului
de tip soft thresholding. Aceast ipotez este n acord cu formularea
problemei mbuntirii raportului semnal pe zgomot n telecomunicaii
(se cunoate puterea emitorului dar nu se cunoate puterea zgomotului
care se suprapune peste semnalul util n canalul de telecomunicaii).
3. Se calculeaz raportul semnal pe zgomot la intrare.
4. Se efectueaz filtrarea cu filtrul de tip soft-thresholding utiliznd o
valoare mic pentru prag.
5. Se calculeaz raportul semnal pe zgomot la ieire. Se determin
mbuntirea raportului semnal pe zgomot realizat. Se memoreaz
semnalul de ieire obinut precum i valoarea mbuntirii raportului
semnal pe zgomot.
6. Se repet etapa anterioar folosind aceeai valoare (mic) pentru prag.
La intrarea filtrului este conectat de aceast dat semnalul obinut la ieire
n iteraia anterioar. Se memoreaz noul semnal de ieire precum i noua
valoare obinut pentru mbuntirea raportului semnal pe zgomot.
Aceasta se calculeaz pe baza valorii raportului semnal pe zgomot de la
intrare calculat n etapa 2.
7. Se repet etapa anterioar att timp ct valoarea raportului semnal pe
zgomot crete de la iteraie la iteraie. Algoritmul se ncheie de ndat ce
valoarea raportului semnal pe zgomot obinut n etapa curent este mai
mic dect valoarea aceluiai parametru obinut n etapa anterioar.
Semnalul de ieire va fi cel memorat la sfritul etapei anterioare.
Valoarea raportului semnal pe zgomot va fi de asemenea cea nregistrat
la sfritul etapei anterioare.
8. Se calculeaz transformata undioar invers a semnalului obinut la
sfritul etapei anterioare. n acest mod se obine semnalul rezultat al
prelucrrii dedicate mbuntirii raportului semnal pe zgomot.
Metoda propus poate fi nc optimizat, prin selectarea acelei
transformri undioar discret care se potrivete cel mai bine cu
semnalul util de prelucrat. Unele considerente pe care se poate baza o
astfel de optimizare sunt prezentate n [Isa.97] i n [Bor.,Isa.97]. Alte
lucrri pe aceast tem care merit s fie amintite sunt:
[Ant.,Gre.,Nas.95], [Buc.,Don.95], [Buc.,Don.96], [Chi., Kol.,Cul.96],
[Coh.,dAl.95], [Coh.,Kov.96], [Coi.,Sai.96], [Gao.97], [Gao.97(1)],
[Gao.97(2)], [Hil., Ogd.97], [Kol.96], [Lan.,Guo.,Ode.,Bur., Wel.95],
[Nas.94] i [Pes., Ade., Pes., Hel.96]. Alte filtre neliniare interesante
pentru prelucrarea n domeniul TUD sunt prezentate n [Pit.,Ven.86(1)]
i n [Pit.,Ven.86(2)].

126

CAPITOLUL 5. REZULTATE EXPERIMENTALE


Acest capitol este dedicat simulrilor metodei adaptive de
mbuntire a raportului semnal pe zgomot propus la sfritul capitolului
anterior. Aceste simulri au fost realizate cu ajutorul unor programe scrise n C
dedicate acestui scop.
5.1. Programe de simulare coninnd metoda adaptiv
pentru mbuntirea raportului semnal pe zgomot
Funciile acestor programe sunt:
1. Generarea unor semnale deterministe, care sunt semnalele utile de la intrarea
sistemului de mbuntire a raportului semnal pe zgomot.
2. Generarea unor semnale aleatoare, adic a zgomotelor care perturb aditiv
semnalele utile la intrarea n sistem.
3. nsumarea celor dou tipuri de semnale generate anterior.
4. Aplicarea algoritmului adaptiv descris la sfritul capitolului anterior. Se
afieaz raportul semnal pe zgomot la intrare, raportul semnal pe zgomot la
ieire obinut dup ultima iteraie i mbuntirea raportului semnal pe zgomot
obinut. Pentru funcionarea corect a acestui program este necesar
specificarea undioarei mam pe baza creia se dorete calculul transformrilor
undioar discret direct i invers. Exist i posibilitatea evidenierii
distorsiunilor pe care le-a suferit semnalul util n procesul de prelucrare.
5. Identificarea deviaiilor diferiilor parametri ai semnalului util aprute n
procesul de prelucrare.
n continuare se va prezenta fiecare dintre aceste funcii.
1. Semnalele utile care pot fi generate cu programele care constituie subiectul
acestui capitol sunt prezentate n figurile 5.1, 5.2, 5.3, 5.4 i 5.5.

128

Figura 5.1. Semnal sinusoidal.

Figura 5.2. Semnal modulat n frecven.

Figura 5.3. Tren de impulsuri dreptunghiulare.

Figura 5.4. Tren de impulsuri gaussiene.

Figura 5.5. Tren de impulsuri de tip sinus cardinal.

Parametrii tuturor acestor semnale pot fi modificai prin program


conform tabelului 1.
Tipul semnalului
sinusoidal
modulat n
frecven
Dreptunghiular
gaussian
sinus cardinal

Parametrii care pot fi modificai


amplitudine, frecven
amplitudine, frecven purttoare, frecven modulatoare.
Modulaia de frecven este liniar.
amplitudine, frecven, factor de umplere, polaritate
poziie, amplitudine, form
poziie, amplitudine, form

Tabelul 1. Parametrii semnalelor utile care pot fi modificai folosind


programul de generare propus.
129

Fiecare dintre aceste semnale este caracteristic pentru o anumit


aplicaie din domeniul telecomunicaiilor. De exemplu semnalul sinusoidal poate
fi asociat cu modulaia de faz, semnalul modulat n frecven apare frecvent n
radiolocaie, semnalul de tip tren de impulsuri dreptunghiulare apare n
comunicaiile de date n banda de baz, semnalul de tip tren de impulsuri
gaussiene apare n comunicaiile de date fr interferen intersimbol iar
semnalul de tip tren de impulsuri de tip sinus cardinal apare n comunicaiile de
date cu interferen intersimbol. Se poate afirma de asemenea c fiecare din
semnalele din tabelul 1 descrie cte o clas de semnale destul de larg. Aceste
clase se difereniaz ntre ele prin regularitatea elementelor lor, prin numrul lor
de parametrii, etc.
2. Cte o realizare a semnalelor aleatoare care pot fi generate cu ajutorul acestui
program este prezentat n figurile 5.6, 5.7, 5.8 i 5.9.

Figura 5.6. Semnal aleator de tip


zgomot alb gaussian.

Figura 5.7. Semnal aleator de tip zgomot


uniform.

Figura 5.8. Semnal aleator de tip impuls.

Figura 5.9. Semnal aleator de tip


salve de impulsuri.

130

Parametrii tuturor acestor semnale pot fi modificai prin program conform


tabelului 2.
Tipul
semnalului
Zgomot alb
Zgomot uniform
Tren de
impulsuri
Salve de
impulsuri

Parametrii care pot fi modificai


Dispersia. Valoarea medie este nul.
Dispersia
Dispersia. Numrul de impulsuri.
Dispersia. Numrul de salve. Lungimea unei salve.

Tabelul 2. Parametrii semnalelor aleatoare perturbatoare care pot


fi modificai folosind programul de generare propus.

Aceste semnale aleatoare modeleaz majoritatea tipurilor de zgomot care pot


aprea ntr-un canal de telecomunicaii. Modelul de tip zgomot alb este cel mai
des utilizat. Prezena zgomotului alb este inerent funcionrii oricrui dispozitiv
electronic. Zgomotele de tip tren de impulsuri respectiv salve de impulsuri apar
de asemenea frecvent n practic [Tsi.,Nik.97]. Este vorba mai ales de situaiile
n care semnalul util este perturbat nc de la surs (de exemplu o convorbire
telefonic este perturbat de zgomotul de fond datorat trecerii unui camion prin
vecintatea cabinei telefonice).
3. n figurile 5.10, 5.11, 5.12 i 5.13 sunt prezentate exemple de perturbare
aditiv a semnalelor utile din figurile 5.1, 5.2, 5.3 i 5.4 cu semnalele
perturbatoare din figurile 5.6, 5.7, 5.8 i 5.9.

Figura 5.10. Semnal sinusoidal perturbat aditiv de zgomot alb.


131

Figura 5.11. Semnal modulat n frecven perturbat aditiv cu zgomot uniform.

Figura 5.12. Tren de impulsuri dreptunghiulare perturbat aditiv cu zgomot de tip tren de
impulsuri.

132

Figura 5.13. Tren de impulsuri gaussiene perturbat aditiv de zgomot n salve de impulsuri.

4. n figurile 5.14, 5.15, 5.16 i 5.17 se prezint rezulatele aplicrii metodei


adaptive de mbuntire a raportului semnal pe zgomot, propus n aceast
lucrare, pentru semnalele din figurile 5.10, 5.11, 5.12 i 5.13.

Figura 5.14. Rezultatul aplicrii metodei asupra semnalului din figura 5.10.

133

Figura 5.15. Rezultatul aplicrii metodei adaptive de mbuntire a raportului semnal pe


zgomot semnalului din figura 5.11.

Figura 5.16. Semnalul obinut n urma aplicrii metodei adaptive de mbuntire a raportului
semnal pe zgomot semnalului din figura 5.12.

134

Figura 5.17. Semnalul obinut n urma aplicrii metodei adaptive de mbuntire a raportului
semnal pe zgomot semnalului din figura 5.13.

Analiznd ultimele patru figuri se constat c dei semnalele de


prelucrat (prezentate n figurile 5.10, 5.11, 5.12, 5.13) aveau rapoarte semnal pe
zgomot destul de mici (n special semnalele din figurile 5.12 i 5.13) totui
zgomotul a fost complet eliminat. De aceea metoda de mbuntire a raportului
semnal pe zgomot bazat pe transformarea undioar discret direct, filtrare cu
filtru de tipul soft-thresholding i transformare undioar discret invers este
ntlnit n literatura sub denumirea de-noising.
Pe baza figurii 5.14 se poate afirma c semnalul sinusoidal a fost
recuperat din zgomot aproape perfect.
Analiznd figura 5.15 se constat c i semnalul modulat n
frecven a fost bine curat de zgomot dar c metoda folosit a introdus o
distorsiune de tipul modulaie parazit de amplitudine. Totui trebuie remarcat
c poziia trecerilor prin zero ale semnalului util nu a fost afectat aproape de loc
de prelucrarea efectuat.
Pe baza figurii 5.16 se poate afirma c metoda de de-noising
utilizat nu afecteaz prea mult fronturile semnalului dreptunghiular. Aceast
comportare este remarcabil pentru o metod de cretere a raportului semnal pe
zgomot care d rezultate bune i n cazul semnalelor netede (cum este de
exemplu semnalul sinusoidal prezentat anterior). Se poate remarca i n acest caz
distorsiunea de amplitudine de tipul modulaie de amplitudine parazit care
afecteaz palierele semnalului dreptunghiular. Aceast modulaie parazit de
amplitudine poate fi mult diminuat dac se folosete o transformare undioar
discret direct invariant la translaii [Coi.,Don.95].
135

Analiznd figura 5.17 se constat c metoda propus funcioneaz


i n cazul unor semnale perturbate intens de zgomot. Dei (aa cum se vede n
figura 5.13) cel de-al doilea impuls gaussian este practic complet acoperit de
zgomot totui acesta este corect recuperat. De asemenea trebuie remarcat
distorsiunea a nivelului de zero care se manifest n partea din stnga a figurii
5.17.
Pentru o apreciere obiectiv a distorsiunilor de amplitudine
introduse de metoda adaptiv de de-noising care constituie subiectul central al
acestei lucrri se prezint n continuare n figurile 5.18, 5.19 i 5.20 erorile de
reconstrucie (diferenele de amplitudine dintre semnalele utile din structura
semnalelor de la intrare i semnalele obinute la ieire) corespunztoare
simulrilor cu rezultatele din figurile 5.14, 5.15 i 5.16. Se constat valabilitatea
concluziilor prezentate mai sus.
Pentru semnalul de intrare din figura 5.10, avnd semnalul
reconstituit din figura 5.14, se constat c valoarea maxim a distorsiunii apare
la trecerea prin zero a semnalului sinusoidal i c ea reprezint 15% din
amplitudinea semnalului util de la intrare (figura 5.18).

Figura 5.18. Distorsiunea de amplitudine a semnalului sinusoidal n urma extragerii sale din
zgomot alb.

136

Figura 5.19. Distorsiunea de amplitudine a semnalului modulat n frecven n urma extragerii


sale din zgomot uniform.

Pentru eroarea de amplitudine prezentat n figura 5.19, dei


valoarea maxim a distorsiunii reprezint 40% din amplitudinea semnalului util
de la intrare totui i n acest caz mbuntirea raportului semnal pe zgomot este
acceptabil.

Figura 5.20. Distorsiunea de amplitudine a semnalului dreptunghiular n urma extragerii sale


din zgomot n impulsuri.
137

Pe baza graficului din figura 5.20 se constat prezena distorsiunii de tipul


modulaie parazit de amplitudine pe palierele semnalului dreptunghiular. De
asemenea se remarc buna localizare a fronturilor semnalului prelucrat n
structura semnalului rezultat.
5. Au fost concepute cteva programe pentru a se putea aprecia msura n care
diferii parametrii ai semnalelor utile de la intrare au fost afectai de metoda de
mbuntire a raportului semnal pe zgomot propus.
Chiar dac la semnalele reconstituite sunt prezente erori (inerente la
orice reconstrucie), n unele aplicaii nu este necesar cunoaterea cu precizie a
nivelului semnalului . Consider c metoda este eficace pentru :
- interpretarea corect a nivelelor logice pentru semnalele ntlnite n transmisii
de date,
- determinarea trecerilor prin zero ale semnalului util de tip sinusoidal sau
modulat n frecven.
A. Astfel s-a avut n vedere faptul c la o transmisie numeric va
conta interpretarea corect a biilor de informaie util. Simulnd un transfer de
date numerice, avem de fapt o succesiune de nivele de tensiune corespunztoare
nivelelor logice. O alternan de 0 logic i 1 logic este prezentat n figura 5.21.
Perturbaiile care pot apare pe un canal de comunicaie sunt de obicei de tip
aditiv, semnalul nedorit putnd fi de tip zgomot alb (figura 5.6), semnal aleator
cu distribuie uniform (figura 5.7), semnal aleator de tip impuls (figura 5.8) sau
chiar semnal aleator de tip salve de impulsuri (figura 5.9) [Tsi.,Nik.98]

Figura 5.21. Semnalul util folosit n simulare.

Aceste perturbaii, dac nu sunt nlturate sau cel puin diminuate,


pot da natere la interpretri eronate ale nivelelor logice care poart informaia
util. Metoda propus este eficient pentru diminuarea considerabil a
perturbaiilor de orice tip. Exemple cu realizri ale semnalelor aleatoare
138

perturbatoare suprapuse aditiv peste semnalul util precum i semnalele rezultate


n urma prelucrrii sunt prezentate n figura 5.22, semnalul util rmnnd cel din
figura 5.21.

a). Semnal util cu zgomot cu distributie normal cu un RSZi = 2


i semnalul reconstituit.

b). Semnal util cu zgomot alb (distribuie gaussian) cu un RSZi = 2


i semnalul reconstituit.
139

c). Semnal util cu zgomot n impuls i semnalul reconstituit.

d). Semnal util cu zgomot n salve de impulsuri i semnalul reconstituit.


Figura 5.22. a). - d). Diferite perturbaii cu semnale aleatoare ale semnalului util
prezentat n figura 5.21 precum i semnalele rezultate n urma prelucrrii.

140

Pentru o transmisie de date interpretarea nivelelor de tensiune, la


recepie, se face eantionnd linia de date. n practic semnalul recepionat se
eantioneaz n funcie de poziia bitului de start, fiind permis o abatere de
20 % fa de aceast poziie.
n continuare se analizeaz efectul utilizrii metodei de de-noising la transmisia de date. Se presupune c sistemul de de-noising este
conectat la intrarea blocului de decizie din structura receptorului.
Am realizat un program scris n limbaj C care determin punctele
de eantionare astfel :
- se determin mijlocul primei semiperioade a semnalului util,
- se determin perioada semnalului util,
- pornind de la punctul corespunztor mijlocului semiperioadei semnalului util,
cu o frevven rezultat din valoarea perioadei semnalului util, se determina
punctele de eantionare,
- n punctele astfel determinate se verific valoarea semnalului reconstituit,
- se compar aceste valori ale semnalului reconstituit cu valorile pe care le are
semnalul util n punctele respective,
- se stabilete un prag de decizie, pentru 0 logic i unul pentru 1 logic,
- dac valoarea semnalului reconstituit, ntr-un punct de eantionare, este
incorect, se nregistreaz ntr-un fiier de tip text att valoarea eronat ct i
cumularea erorilor rezultate pentru 1.000.000 de verificri. S-au generat 25.000
de realizri independente suprapuse aditiv peste acelai semnal util prezentat n
figura 5.21, pe fiecare realizare fcndu-se 40 de determinri.
Observnd realizrile prezentate n figura 5.22, a), b), c) i d) se
poate observa c metoda propus nltur perturbaiile, rezultatul fiind un
semnal determinist. Acesta este o reconstrucie a semnalului util, la care ns
fronturile au fost afectate. Pentru interpretarea nivelelor logice nu sunt ns
probleme. Considernd ca scop interpretarea corect a lui 0 logic i 1 logic, se
observ c erorile cele mai frecvente care pot apare datorit modulaiei parazite
n amplitudine sunt n cazul perturbaiilor de tip zgomot alb (figura 5.22 b)). Din
acest motiv verificrile care s-au fcut au fost pentru acest tip de perturbaie.
Parametrul care a fost luat n considerare a fost RSZ. Astfel s-au
obinut rezultate experimentale care pun n eviden erorile pentru 1.000.000 de
verificri, genernd semnale de intrare cu RSZ = 2, RSZ=3 i RSZ= 4. Erorile
care au rezultat sunt nregistrate n fiiere, concluziile fiind urmtoarele :
- la RSZ i = 2 avem 379 erori/1.000.000 verificri, adic o valoare a ratei erorilor
sub 4 10-3 ;
- la RSZ i =3 avem 43 erori/1.000.000 verificri, adic o valoare a ratei erorilor
sub 5 10-4;
- la RSZ i =4 avem 3 erori/1.000.000 verificri, adic o valoare a ratei erorilor de
3 10-5.
La aplicarea metodei pentru un RSZ i = 5, dup 1.000.000 verificri, nu s-a mai
nregistrat nici o eroare.
141

Comparaia cu erorile determinate n [Lin.,Sim.73], pentru diverse


metode clasice de transmitere a datelor, este prezentat n tabelul 3:
RSZ
RSZ =2
RSZ =3
RSZ =4

Eroare maxim, prezentat n literatur


2,2 10-2
7 10-3
1,8 10-3

Eroarea metodei
Propuse
-3
4 10
5 10-4
3 10-5

Tabelul 3. Comparaie ntre erorile obinute prin aplicarea metodei propuse cu cele prezentate
n literatur.

n cazul n care nu s-ar prelucra semnalul perturbat, pentru un RSZ


=2, rezult o medie a ratei erorilor avnd valoarea de 25 10-1.
B. n cazul semnalelor modulate n frecven am consirerat drept
semnal util un cirp prezentat n figura 5.23. Am luat n considerare cele 4 tipuri
de zgomote enumerate n tabelul 2, iar figura 5.24 prezint semnalul util afectat
de perturbaii, n fiecare caz aprnd i forma semnalului reconstituit rezultat din
aplicarea metodei propuse.

Figura 5.23. Semnal modulat n frecven utilizat drept semnal util.

n continuare se prezint modul n care poate fi estimat frecvena


instantanee a semnalului util pe baza valorilor eantioanelor semnalului
perturbat aditiv de zgomot. Frecvena instantanee se estimeaz cu ajutorul
metodei trecerilor prin zero [Boa.,Rei.92]. Dup cum se observ din figura 5.24
trecerile prin zero ale semnalului util sunt puternic afectate de zgomotul
perturbator. De aceea estimarea frecvenei instantanee a semnalului modulat n
frecven, pe baza metodei amintite, pentru semnalele prezentate n figura 5.24,
conduce la erori inacceptabil de mari.
142

a). Semnal cirp cu zgomot gaussian avnd RSZi =2,7.

b). Semnal cirp cu zgomot uniform, avnd RSZi =2,37.

143

c). Semnal cirp cu suprapuneri de tip impuls.

d). Cirp cu salve de impulsuri.


Figura 5.24. a). - d). . Diferite perturbaii cu semnale aleatoare ale semnalului util
prezentat n figura 5.23 precum i semnalele rezultate n urma prelucrrii.
144

Dup prelucrarea semnalelor afectate de zgomot cu metoda de denoising propus n aceast lucrare, am determinat erorile care apar la
determinarea perioadei instantanee a fiecrui semnal n parte. Un program
dedicat acestui scop determin :
- perioada instantanee (figura 5.25) a semnalului util, neafectat de perturbaii,
din figura 5.23;
- calculeaz perioada instantanee a semnalului prelucrat cu metoda propus,
pentru fiecare realizare, numrul total de realizri fiind de 16; perioada
instantanee pentru o realizare este prezentat n figura 5.26;
- calculeaz variaia n timp a erorii relative de estimare a perioadei instantanee
pentru fiecare caz din cele 16 realizri; un exemplu pentru o realizare este
prezentat n figura 5.27;
- calculeaz variaia n timp a mediei aritmetice a erorilor relative de estimare a
perioadei instantanee (figura 5.28).

Figura 5.25. Variaia temporal a perioadei instantanee a semnalului de test


prezentat n figura 5.23.

5.26. Una dintre estimatele variaiei n timp a perioadei corespunztoare semnalului


reconstituit cu ajutorul metodei de de-noising propus.
145

Figura 5.27. Variaia n timp a erorii intermediare de estimare pentru semnalul


reconstituit cu ajutorul metodei de de-noising propus.

Figura 5.28. Variaia n timp a erorii medii de estimare a perioadei instantanee


bazat pe metoda de de-noising propus. Media a fost efectuat pe
16 realizri ale semnalului reconstituit.

Aceast eroare medie s-a calculat ca i medie aritmetic a erorilor


intermediare de determinare a perioadei instantanee a 16 realizri ale semnalului
reconstituit. Eroarea maxim rezultat este de 14 %. Aceast valoare este
inferioar valorii erorii de estimare a perioadei instantanee obinut n cazul
aceluiai semnal util perturbat la fel, raportat n [Isa.93(1)]. Calitile acestei
metode de estimare a perioadei instantanee se recomand n aplicaii de genul
celor de prelucrare a semnalului de tip Radar.

146

5.2. O comparaie a programului prezentat cu alte


programe de de-noising
Wave Lab este o bibliotec de subrutine MATLAB pentru analiza
cu funcii undioar, pachete de funcii undioar i cu algoritmul "matching
pursuit". Manualul de utilizare "About Wave Lab" poate fi transferat prin ftp de
la adresa: ftp://playfair.stanford.edu/pub/wavelab.
Aceast bibliotec este utilizat n activitatea didactic la
universitile Berkeley i Stanford. Instalarea bibliotecii i modul de pornire al
coleciei de subrutine sunt descrise n manualul de utilizare citat mai devreme.
Un
alt
document
care
nsoete
programul
WaveLab
este
[Buc.,Che.,Dar.,Joh.,Sca.95]. n acest material sunt prezentate structurile de
date n care sunt organizate semnalele de analizat i rezultatele obinute n cadrul
produsului soft WaveLab. Poate c cel mai util document pentru caracterizarea
programului WaveLab este [Buc.,Don.95]. n acest raport este prezentat o list
cu principalele funcii ale bibliotecii WaveLab. n continuare se vor prezenta
cteva dintre aceste funcii, mai interesante pentru lucrarea de fa.
1. Transformarea undioar continu
CWT
calculeaz reprezentarea de tipul transformare undioar
continu,
Image CWT
afieaz imaginea rezultatului obinut n subrutina
anterioar,
WTMM
identific mrimile reprezentrii anterioare,
Image WTMM
Afieaz imaginea care conine rezultatul anterior,
Build Skel Map
Reprezint rezultatul aplicrii operatorului
morfologic "schelet" imaginii Image CWT.
2. Structuri de date
A. Citirea datelor
Browse Image
- caut fiierul Image Datasets,
Image Fig
- fiierul de imagini obinut aplicnd Browse Image,
Read Image
- ncarc un fiier din directorul Image Datasets,
Read Signal
- ncarc un fiier din directorul Signal Datasets
B. Generarea datelor
Make Brownian - genereaz un semnal care descrie micarea Brownian a
unei particule,
Make Fractal
- genereaz semnale fractale,
Make Signal
- genereaz un semnal,
Make 2d Signal - genereaz o imagine,
Makediag
- genereaz o imagine descris printr-o matrice diagonal,
Exist liste de semnale i imagini, deja sintetizate care pot fi direct apelate.
3. mbuntirea raportului semnal/zgomot (RSZ) dac semnalul perturbator este
zgomot alb :
147

WaveShrink
WPDe Noise

CPDe Noise -

- mbuntirea RSZ prin detecie de prag n domeniul


transformrii undioar discret ortogonal sau
biortogonal,
- mbuntirea RSZ prin detecie de prag n domeniul
transformrii undioar discret bazat pe pachete de
funcii undioar. Pachetul se alege prin cutarea
celei mai bune baze,
mbuntirea RSZ prin detecie de prag n domeniul
transformrii undioar discret bazat pe pachete de
funcii undioar cosinusoidale. Pachetul se alege
prin cutarea celei mai bune baze.

n figura 5.29 este prezentat un semnal (Blocks) care poate fi generat cu ajutorul
programului WaveLab.

Figura 5.29. Semnalul Blocks.

n figura 5.30 este prezentat o variant perturbat aditiv cu zgomot alb a


aceluiai semnal.

Figura 5.30. Semnalul Blocks perturbat aditiv de zgomot alb.

148

Figura 5.31. Transformatele undioar discrete ale semnalelor de dinaintea i de dup


aplicarea procedurii de de-noising.

Figura 5.32. Efectul aplicrii procedurii de de-noising.

n figura 5.31 sunt prezentate transformrile undioar discrete


directe ale semnalelor iniial (din figura 5.30) i a semnalului obinut dup
149

aplicarea procedurii de mbuntire a raportului semnal/zgomot (de-noising).


S-au folosit funciile undioar de tip Haar. n figura 5.32 sunt prezentate pe
lng semnalele din figurile 5.29 i 5.30 semnalul obinut n urma aplicrii
procedurii " de-noising" precum i eroarea de reconstrucie. n sfrit n figura
5.33 sunt prezentate densitile spectrale de energie ale semnalelor din figura
5.30 respectiv a semnalului reconstruit.
Densitatea spectral de putere : semnal cu zgomot
(negru), dup de-noising (gri)

Figura 5.33. Densitile spectrale de energie ale semnalelor de dinainte i de dup


aplicarea procedurii de-noising.

4. Transformri undioar ortogonale


Transformri :
FWT_PO
- Transformare undioar discret ortogonal. Problemele la margini sunt rezolvate prin periodizare,
IWT_PO
- Transformare undioar discret ortogonal invers.
Problemele la margini sunt rezolvate prin periodizare,
ITWT2_PO
- Transformare undioar discret ortogonal invers
pentru semnale bidimensionale.
Filtre de generare a funciilor undioar :
Make ON Filter - genereaz filtrele de construcie a funciilor undioar de tip Daubechies, Coiflets, ...
.
.
.
Din aceast prezentare succint se constat limitrile tool-box-ului WaveLab n
comparaie cu programul prezentat n paragraful anterior.
Acestea sunt:
150

1. Fiind un program universal tool-box-ul nu se preteaz foarte bine la utilizare


n mbuntirea raportului semnal pe zgomot n telecomunicaii.
Metoda de de-noising prezentat nu este adaptiv.
2. Aceast metod poate fi aplicat doar dac semnalul perturbator este de tip
zgomot alb gaussian. Pentru a se putea aplica aceast metod de de-noising
este necesar cunoaterea puterii zgomotului care perturb aditiv semnalul de
prelucrat (pragul trebuie ales proporional cu valoarea puterii zgomotului).
3. Tool-box-ul nu funcioneaz dect n prezena programului MATLAB.
4. mbuntirea raportului semnal pe zgomot realizat prin utilizarea tool-boxului nu este mai mare dect cea care se obine cnd se utilizeaz metoda adaptiv
propus n aceast lucrare.
5. Timpul de calcul necesar programului care implementeaz metoda adaptiv
(program prezentat n paragraful anterior este inferior timpului de calcul al
oricrei funcii de de-noising din cadrul tool-box-ului.
5.3. Comparaie a metodei propuse cu alte metode de mbuntire a
raportului semnal pe zgomot
n acest paragraf se face o comparaie ntre metoda de de-noising
adaptiv introdus n aceast lucrare i o metod de mbuntire a raportului
semnal pe zgomot bazat pe filtrarea liniar adaptiv. Problema este prezentat
n [Hue.,Nuz.,Bil.97]. Este vorba despre reducerea zgomotului care afecteaz
semnalele recepionate de dou fotodetectoare. Acestea reprezint amestecuri
instantanee a dou semnale deterministe numite surse i ale unor semnale
perturbatoare de tip zgomot alb gaussian. Semnalele deterministe sunt compuse
din cte un semnal sinusoidal cu frecvena de 10 Hz i din cte un semnal
perturbator cu frecvena de 100 Hz. Primul captor (capt 1) recepioneaz n
principal influena sursei i mai puin zgomotul. Cel de al doilea fotodetector
(capt 2) recepioneaz cu preponderen zgomotul. Se vor analiza dou situaii:
atunci cnd zgomotul alb este intens respectiv atunci cnd zgomotul alb care
perturb semnalul surs este mai puin intens. Prima situaie este prezentat n
figura 5.34 iar cea de a doua n figura 5.35. Aceste grafice au fost desenate pe
baza unor fiiere de date obinute n urma unei colaborri cu Universitatea din
Reims Champagne-Ardene.

151

Am plitudine (V)

Capt11

Prim ul captor

0.01
0.005
0
-0.005
-0.01
0

600

400

200

1000

800

Cel de al doilea captor Capt12

Am plitudine (V)

1200
Tim p (m s)

0.01
0.005
0
-0.005
-0.01
0

600

400

200

1000

800

1200
Tim p (m s)

Figura 5.34. Semnalele achiziionate de cele dou captoare n primul caz.

A m p lit u d in e ( V )
0 .1

C a p to r n 1

Capt21

0 .0 5
0
-0 .0 5
-0 .1
7850
7800
A m p lit u d in e ( V )
0 .0 4

7900

8100
8050
8000
7950
C a p to r n 2
Capt22

8200
8150
T im p ( m s )

7900

7950

8100

8200
8150
T im p ( m s )

0 .0 2
0
-0 .0 2
-0 .0 4
7800

7850

8000

8050

Figura 5.35. Semnalele captate de cele dou captoare n cel de al doilea caz.

Semnalele de la cele dou captoare sunt prelucrate cu un algoritm de separare de


surse care furnizeaz dou semnale de ieire: sursa refcut (sursa estimat n 1)
i zgomotul (sursa estimat n2). S-au folosit fiierele de date care descriu
desenele din figurile 5.36 i 5.37. n continuare se prezint rezultatele obinute
folosind aceast metod de cretere a raportului semnal pe zgomot n cele dou
situaii prezentate mai sus.
152

Figura 5.36. Rezultatul prelucrrii semnalelor din figura 5.34 cu metoda de


separare a surselor.
A m p litu d in e re la tiv
2

S u r s a e s tim a t n 1

1
0
-1
-2
7850
7800
A m p litu d in e re la tiv
10

7900

7950

8000

8050

8100

8200
8150
T im p (m s )

8100

8200
8150
T im p (m s )

S u r s a e s tim a t n 2

5
0
-5
-1 0
7800

7850

7900

7950

8000

8050

Figura 5.37. Rezultatele aplicrii metodei de separare a surselor


n cazul semnalelor din figura 5.35.

n figura 5.38 se prezint rezultatul prelucrrii semnalului capt 11 din figura


5.34 cu metoda de de-noising adaptiv propus n lucrarea de fa.
153

Figura 5.38. Rezultatul prelucrrii unei pri a semnalului capt11 (reprezentat n partea de
sus a imaginii) cu metoda de de-noising adaptiv propus n lucrarea de fa.

Figura 5.39. O poriune din semnalul capt 12 din figura 5.34 (sus) i rezultatul prelucrrii sale
cu metoda de de-noising adaptiv propus n lucrarea de fa.

n figura 5.39 este prezentat rezultatul prelucrrii semnalului capt 12 cu metoda


de de-noising adaptiv propus n lucrarea de fa.
154

Analiznd figurile 5.35 i 5.36 se constat c metoda de separare a


surselor funcioneaz cu att mai nesatisfctor cu ct zgomotul alb care
perturb funcionarea captoarelor este mai intens. De aceea metoda de de-noising adaptiv a fost aplicat doar semnalelor capt 11 i capt 12 (din figura
5.34).
Comparnd graficul de sus din figura 5.36 i graficul de jos din
figura 5.38 se constat superioritatea metodei propuse n lucrarea de fa asupra
metodei de separare a surselor. Metoda noastr suprim complet zgomotul alb n
timp ce metoda de separare a surselor nu are aceast calitate. Superioritatea
metodei propuse n aceast lucrare iese i mai bine n eviden pe baza figurii
5.39. Semnalul capt 12 are cel mai mic raport semnal pe zgomot dintre toate cele
patru semnale: capt 11, capt 12, capt 21 i capt 22. Cu toate acestea, aplicnd
metoda de de-noising adaptiv propus n aceast lucrare i partea util a
semnalului capt 12 este complet extras din zgomot. n consecin se poate
afirma c indiferent de poziia captorului, metoda propus n lucrarea de fa are
rezultate superioare metodei de separare a surselor chiar dac se utilizeaz un
singur captor (caz n care metoda de separare a surselor nici nu ar putea s
funcioneze). De asemenea trebuie remarcat c i din punct de vedere al
volumului de calcul necesar metoda de de-noising adaptiv este superioar
metodei de separare de surse.

5.4. Posibiliti de mbuntire a metodei de de-noising adaptiv


Metoda prezentat determin adaptiv valoarea pragului filtrului de
tip soft-thresholding utilizat. Ea nu face nici o precizare referitor la undioara
mam care s fie folosit n cadrul transformrilor undioar discret direct i
invers utilizate. n toat lucrarea de fa au fost utilizate doar undioarele mam
introduse de I. Daubechies DAU 2-DAU 10. Calitatea extragerii din zgomot a
fiecrui semnal util depinde i de undioara mam utilizat. Se poate face o
armonizare ntre semnalul de prelucrat i undioara mam folosit. n continuare
se studiaz dependena distorsiunilor de undioara mama folosit n cazul
ctorva semnale mai des ntlnite n practic. Folosind aceai valoare pentru
prag dar lucrnd cu undioare mam diferite se obin numere diferite de
coeficieni utilizai la reconstrucie, de la experiment la experiment. n cazul

155

semnalului modulat n frecven, pe care l poate genera programul amintit la


nceputul acestui capitol, se obine urmtorul tabel:
N
2
3
4
5
6
7
8
9
10

nr. coeficienilor folosii la reconstrucie


28
25
27
27
29
32
37
35
64

Tabelul 1. Dependena numrului de coeficieni care se pot folosi la reconstrucie de tipul


undioarei mam.

S-au reprezentat grafic cazurile extreme (corespunztoare lui N=3 i N=10) n


figurile 5.40 i 5.41. N reprezint numrul de ordine al undioarei mam de tip
Daubechies utilizat (DAU N).

Semnalul de intrare

Semnalul reconstituit din 25 eantioane

Figura 5.40. Reconstrucia cu numr minim de coeficieni.

156

Semnalul de intrare

Semnalul reconstituit din 64 eantioane

Figura 5.41. Reconstrucia cu numr maxim de coeficieni.

Se constat c distorsiunile sunt mult mai mici n cazul din figura 5.41. n cazul
semnalului de tip tren de impulsuri dreptunghiulare (perturbat aditiv de zgomot
uniform) se obine tabelul 2.

N
2
3
4
5
6
7
8
9
10

nr.coeficieni neanulai
15
16
13
11
18
19
32
32
65
Tabelul 2. Dependena de undioara mam folosit a numrului de coeficieni
folosii pentru reconstrucie.

n figurile 5.42 i 5.43 se prezint cazurile extreme.

157

Semnalul de intrare

Semnalul reconstituit din 11 eantioane

Figura 5.42. Funcionarea metodei de de-noising cnd se utilizeaz


undioara mam DAU 5.

Semnalul de intrare

Semnalul reconstituit din 65 eantioane

Figura 5.43. Funcionarea metodei de de-noising cnd se utilizeaz


undioara mam DAU 10.

158

Se constat c n cel de al doilea caz distorsiunile fronturilor sunt


mult mai mici. Aceast concluzie este identic cu cea obinut n cazul
semnalului modulat n frecven prezentat mai sus. Deci s-ar putea concepe un
algoritm adaptiv care s minimizeze distorsiunile prin maximizarea numrului
de coeficieni folosii la reconstrucie. Deoarece acest numr este cu att mai
mare cu ct ordinul undioarei mam folosit este mai mare rezult avantajul
utilizrii undioarelor mam de ordin superior n aplicaiile de de-noising.
Acestea asigur i viteza maxim de convergen a zgomotului din domeniul
transformatei undioar spre un zgomot alb aa cum s-a demonstrat n [Bor.,
Isa.97]. Dup cum s-a artat n capitolul n care a fost introdus transformarea
undioar discret, aceasta are mai muli parametrii printre care i tipul
undioarei mam. Ceilali sunt numrul de iteraii i tipul de transformare. n
aceast lucrare s-a utilizat transformarea inspirat de algoritmul lui Mallat.
Aceasta nu este invariant la translaii. Exist i transformri undioar discrete
invariante la translaii [Coi.,Don.95] a cror utilizare conduce la diminuarea
distorsiunilor de tip modulaie de amplitudine parazit. Utilizarea unei astfel de
transformri ar putea mbunti calitatea metodei de de-noising adaptiv
propus n lucrarea de fa. S-a utilizat de fiecare dat transformarea undioar
discret cu numrul maxim de iteraii posibil. Aceast opiune a fost impus de
necesitatea ca zgomotul care perturb aditiv semnalul util s aproximeze ct mai
bine un zgomot alb n domeniul transformatei undioar.

159

CAPITOLUL 6. CONCLUZII
Aceast lucrare urmrete introducerea tehnicilor moderne de
mbuntire a raportului semnal pe zgomot bazate pe utilizarea funciilor
undioar n aplicaiile din telecomunicaii. Majoritatea acestor tehnici au fost
elaborate de matematicieni i nc nu au fost utilizate n domeniul
telecomunicaiilor. Avnd n vedere puternica dezvoltare a acestui domeniu
prima ntrebare care se poate pune este dac mai este de interes s se studieze
metodele de mbuntire a raportului semnal pe zgomot, n ziua de azi, cnd
comunicaiile sunt att de performante. Rspunsul este afirmativ din dou
motive :
1. Orice sistem de telecomunicaii funcioneaz corect n parametrii
n care a fost proiectat (la o anumit distan, cu surse de informaie care
ndeplinesc anumite condiii de calitate a semnalului emis). De ndat ce aceti
parametrii nu sunt respectai (se dorete transmisia la o distan mai mare sau
sursa este perturbat mai puternic dect s-a estimat) funcionarea ntregului
sistem este afectat. O soluie este implementarea unei metode mai generale care
s cuprind o arie mai larg de cazuri posibile, permind adaptabilitatea
metodei de prelucrare la diverse rapoarte semnal pe zgomot pentru semnalul
recepionat.
2. Ori de cte ori se fac cercetri pentru introducerea unei noi
tehnologii n domeniul telecomunicaiilor exist o mulime de parametrii ale
cror valori nu sunt nc specificate. Un exemplu este cazul n care este nevoie
s se cunoasc puterea semnalului perturbator. Pentru a avea o prelucrare
eficient este necesar utilizarea unor metode mai robuste dect cele care s
cuprind ct mai puini parametri necunoscui.
Lucrarea de fa trateaz problema mbuntirii raportului semnal
pe zgomot din punctul de vedere al celui care lucreaz n domeniul prelucrrii
semnalelor. Avantajele metodei sunt : adaptabilitatea la o gam larg de
tipuri de semnale perturbate i faptul c nu sunt necesare cunotine
apriori asupra perturbaiilor, de tipul celor menionate n prezenta lucrare
(zgomot alb, zgomot uniform, semnal aleator de tip impuls sau salve de
impulsuri). Astfel, se prezint metode de prelucrare, se analizeaz calitatea lor,
dar nu se fac recomandri tehnologice, nespecificndu-se echipamentul, sau
locul n structura acestuia, n care s-ar putea utiliza o anumit tehnic de
mbuntire a raportului semnal pe zgomot. Aceste sarcini sunt de competena
unor cercettori care lucreaz n laboratoare industriale afiliate unor companii de
telecomunicaii. Autoarea este gata s colaboreze n viitor cu astfel de
specialiti.
Au fost alese metodele de mbuntire a raportului semnal pe
zgomot bazate pe folosirea funciior undioar deoarece acestea reprezint cele
mai spectaculoase aplicaii ale teoriei funciilor undioar care se dezvolt n
160

prezent. Exist numeroase laboratoare, la ora actual, ai cror cercettori


ncearc s utilizeze teoria funciilor undioar n domeniul telecomunicaiilor.
Se face compresie cu funcii undioar, codare cu funcii undioar, transmisie
multirezoluie i bineneles mbuntirea raportului semnal pe zgomot. Poate c
principalul avantaj al metodelor de mbuntire a raportului semnal pe zgomot
bazate pe funcii undioar asupra altor metode de mbuntire a raportului
semnal pe zgomot (cum sunt de exemplu cele bazate pe filtrarea adaptiv) este
viteza de calcul sporit. Un alt avantaj este c metodele bazate pe utilizarea
funciilor undioar realizeaz n mod intrisec i o compresie, ceea ce este
deosebit de util innd seama de caracterul foarte redundant al semnalelor de
telecomunicaii (vorbire, imagini).
n aceast tez este evideniat proprietatea de decorelare pe care o
are transformarea undioar discret. Pe baza acestei proprieti, zgomotul care
perturb aditiv semnalul util (perturbarea aditiv este tipul de perturbare care
este acceptat n modelul oricrui canal de telecomunicaii) devine n domeniul
transformatei undioar discret un zgomot alb. De aceea n domeniul acestei
transformate poate fi utilizat oricare dintre tehnicile de extragere a semnalului
util din zgomot alb. Totui utilizarea filtrului de tip soft-thresholding pare
soluia cea mai bun avnd n vedere performanele remarcabile ale acestui filtru
(conservarea: fronturilor, poziiei trecerilor prin zero, precum i distorsiunile
mici pe care le introduce). Problema major a acestui filtru este alegerea valorii
pragului care s se foloseasc. n scenariul propus de David Donoho (cel care a
introdus acest filtru) valoarea pragului trebuie aleas proporional cu dispersia
zgomotului alb care perturb semnalul n domeniul transformatei undioar
discret. Aceasta presupune necesitatea estimrii acestei dispersii (adic
separarea semnalului util de zgomot n domeniul transformatei, adic
cunoaterea soluiei problemei mbuntirii raportului semnal pe zgomot). Este
deci necesar permanenta supraveghere a canalului de telecomunicaii (care este
un sistem neliniar i variabil n timp). Rezult c sarcina estimrii dispersiei
zgomotului este foarte dificil. Iat de ce n teza de fa a fost elaborat metoda
de de-noising adaptiv care ine seama de valoarea puterii semnalului emis
(care este cunoscut deoarece puterea emitorului este cunoscut) i nu necesit
estimarea dispersiei zgomotului din canal pentru alegerea valorii pragului
filtrului de tip soft-thresholding utilizat.
n continuare se prezint contribuiile originale prezentate n
aceast lucrare.
n capitolul 2 se analizeaz metodele de mbuntire a raportului
semnal pe zgomot bazate pe filtrarea liniar. Este relevat importana cunoaterii
benzii echivalente de zgomot a filtrului liniar. Se calculeaz benzile echivalente
de zgomot ale unor filtre Butterworth de ordinele I i II. Deoarece calculul
benzilor echivalente de zgomot ale unor filtre de ordin superior este laborios,
este util estimarea unor margini superioare respectiv inferioare ale acestor benzi
echivalente. Formulele care reprezint aceste estimate reprezint principala
161

contribuie original din capitolul 2. O alt contribuie original prezentat n


acest capitol este studiul filtrelor transversale analogice. Trebuie remarcat n
acest sens formula pentru calculul mbuntirii raportului semnal pe
zgomot realizat de mediatorul analogic.
Paragraful 2.3 este dedicat calculului benzilor echivalente de
zgomot ale unor filtre numerice. Formula (2.14) de calcul a mbuntirii
raportului semnal pe zgomot realizat de un filtru cu rspuns finit la
impuls de ordinul N este de asemenea original, inclusiv algoritmul de
proiectare a filtrului cu rspuns finit la impuls cu maximizarea raportului
semnal pe zgomot prezentat n paragraful 2.3.1. este original. Formula de
calcul a benzii echivalente de zgomot a unui filtru cu rspuns finit la impuls
de ordinul I este original. n paragraful 2.4 se prezint modul de construcie a
unor filtre numerice cu rspunsul n frecven periodic de perioad diferit de 2
folosind metode multirating. Utiliznd aceast tehnic pot fi construite filtre cu
rspunsuri n frecven avnd zerouri la orice frecven. n acest mod pot fi
rejectate i perturbaii de tip semnal determinist. Este prezentat un exemplu n
care se obine o mbuntire a raportului semnal pe zgomot de 94,247.
Originalitatea rezultatelor prezentate n acest paragraf a fost probat prin
publicarea lor n Buletinul tiinific al UPT [Isa.95 (2)]. n paragraful 2.5
sunt prezentate soluii de cretere a raportului semnal pe zgomot folosind filtre
cu parametrii variabili n timp. Cele mai interesante astfel de sisteme sunt filtrele
cu urmrire. O modalitate de construcie a unui astfel de filtru se bazeaz pe
intercalarea unui filtru numeric ntre un convertor analog numeric i un
convertor numeric analogic. Urmrirea frecvenei instantanee a componentei
deterministe a semnalului de prelucrat este realizat prin eantionarea adaptiv a
semnalului de intrare. Rezultatele obinute utiliznd aceast metod au fost
de asemenea publicate [Naf.,Isa. 91(1)], [Naf.,Isa. 91(2)]. Astfel de filtre pot fi
utilizate n comunicaiile cu spectru distribuit. n capitolul 3 este introdus
transformarea undioar discret (TUD) din perspectiva tehnicilor de codare n
subbenzi. Majoritatea demonstraiilor teoremelor prezentate n acest capitol
sunt originale. n capitolul 4 se prezint tehnicile de mbuntire a raportului
semnal pe zgomot care utilizeaz TUD. Paragraful 4.1 este destinat analizei
statistice a coeficienilor TUD a unui semnal aleator, staionar i ergodic. Acest
paragraf este n ntregime original. Rezultatele obinute n acest paragraf au
fost publicate n [Bor.,Isa.97]. Practic orice semnal aleator ergodic i staionar
devine prin TUD un zgomot alb. Acest efect de decorelare al TUD o face foarte
atractiv, pentru aplicaiile de mbuntire a raportului semnal pe zgomot,
deoarece n domeniul acestei transformate pot fi utilizate tehnicile de filtrare
specifice pentru perturbaia de tip zgomot alb. Paragraful 4.2 prezint cteva
filtre adaptive neliniare care se recomand s fie utilizate n domeniul TUD.
Este fcut analiza statistic a fiecrui astfel de filtru i se estimeaz
posibilitile lor de cretere a raportului semnal pe zgomot. Se evideniaz
superioritatea filtrului de tipul soft-thresholding asupra celorlalte tipuri de
162

filtre prezentate. Toate aceste analize statistice sunt originale. Analiza


filtrului de tip soft-thresholding a fost publicat n [Isa.95 (3)]. Aceast
analiz sugereaz o metod adaptiv de cutare a pragului (utilizat de acest
filtru) optim pentru maximizarea raportului semnal pe zgomot. Algoritmul
inspirat de aceast metod a fost publicat ,[Isa.97]. Convergena acestui
algoritm este demonstrat n [Isa.97]. Aceast metod de mbuntire a
raportului semnal pe zgomot, numit de-noising adaptiv, reprezint
rezultatul central al acestei teze.
Capitolul 5 este dedicat investigrii performanelor metodei de
de-noising adaptiv. Se prezint cteva programe elaborate pentru a face
posibil aprecierea calitilor acestei metode: mbuntirea raportului semnal pe
zgomot realizat, distorsiunile introduse, gradul de degradare a unor parametri ai
semnalului de prelucrat. S-a considerat cazul unei transmisii numerice de date.
S-a testat metoda propus efectundu-se 1000000 de ncercri. Au fost obinute
erori de transmisie (n aceleai condiii de perturbare) cu cel puin un ordin de
mrime mai mici dect cele care se obin folosind metodele care se utilizeaz n
prezent. Rezult utilitatea folosirii metodei de cretere a raportului semnal pe
zgomot n diferite aplicaii din telecomunicaii. Se compar pe un caz inspirat
din practic efectul utilizrii metodei de de-noising adaptiv cu efectul
utilizrii separrii de surse din punct de vedere al mbuntirii raportului
semnal pe zgomot. Se justific superioritatea metodei de de-noising
adaptiv. n finalul acestui capitol se prezint cteva modaliti de optimizare a
rezultatelor obinute. Coninutul ntregului capitol este original. Toate
programele surs care au fost utilizate pentru:
- simularea semnalelor perturbate,
- simularea diferitelor perturbaii,
- simularea metodei de de-noising adaptiv,
- calculul erorilor,
sunt originale.
BIBLIOGRAFIE
[Abr.,Fla.94] P. Abry, P. Flandrin. On the Initialization of the Discrete Wavelet
Transform Algorithms. IEEE Signal Processing Letters, vol.1, No.2,
pp32-34, February 1994.
[Aka.,Had.92] A. N. Akansu, R. A. Hadad. Multiresolution Signal
Decomposition. Academic Press, New York, 1992.
[Ama.,Vuz.94] U. Amato, D. Vuza. Wavelet Regularization for Smoothing
Data, Preprint Instituto per Applicazioni della Matematica CNR 1994.
[Ama.,Vuz.97] U. Amato, D. Vuza. Besov Regularization, Thresholding and
Wavelets for Smoothing Data, Preprint Instituto per Applicazioni della
Matematica CNR, 1997.
163

[Ama.,Vuz.97(1)] U. Amato, D. Vuza. An Alternate Proof of a Result of


Johnstone and Silverman Concerning Wavelet Threshold Estimators for
Data with Correlated Noise, Preprint Instituto per Applicazioni della
Matematica CNR, 1997.
[Ama.,Vuz.97(2)] U. Amato, D. Vuza. Wavelet Approximation of a Function
from Samples Affected by Noise, propus la Revista Academiei Romne.
[Ama.,Vuz.97(3)] U. Amato, D. Vuza. A Collection of Routines for the
Wavelet Transform of Daubechies Type, Preprint Instituto per
Applicazioni della Matematica CNR, 1997.
[Ana.,Ven.89] Anastasios, Venetsanopoulos. Current
Developments
in
Signal Processing with Applications to Sonar and Radar. Part II,
University of Toronto, Toronto 1989.
[Ant.,Gre.,Nas.95] A. Antoniadis, G. Gregoire, G. Nason. Density and Hazard
Rate Estimation for Right Censored Data Using Wavelet Methods,
Preprint laboratoire LMC-IMAG Grenoble, 1995
[Asz.93] T. Asztalos. Using Digital Transversal Filters for Analog Signal
Processing. Proceedings of the International Symposium on Signals,
Circuits and Systems, SCS93, Iai, Romania, 1993.
[Asz., Isa.94] T. Asztalos, A. Isar. An Adaptive Data Compression Method
Based on the Fast Wavelet Transform. Proceedings of the International
Symposium Etc94, Timisoara, vol III, pp 37-42, Sept. 1994.
[Asz.96] T. Asztalos. An Algorithm for the DWT on Block Computation.
Proceedings of the International Symposium Etc96, Timioara, vol II,
pp.128-133, Sept. 1996.
[Asz.97] T. Asztalos. Tomography Imaging. Radon Transform Inversion
Procedures. Raport de stagiu, Universitatea Paris-Sud, Iulie 1997.
[Aus.92] P. Auscher. Wavelets with Boundary Conditions on the Interval. n
Wavelets-A Tutorial in Theory and Applications. C. K. Chui (editor),
pp.217-236, 1992.
[Bar.Ols.96] R. G. Baraniuk, L. Fridtjof Wisur-Olssen. Optimal Phase Kernels
for Time-Frequency Analysis. Propusa spre publicare n IEEE
Transactions on Signal Processing, Ianuarie 1996.
[Bar.,Sod.,Nay.94] T.P.Barnwell III, I.Sodagar, K.Nayebi "Time-varying filter
banks and wavelets", IEEE Transactions on signal processing, vol.42, no.
11, november 1994.
[Bas.,Chi.,Cho.95] S. Basu, C. H. Chiang, H. M. Choi. Wavelets and Perfect
Reconstruction Subband Coding with Causal Stable IIR Filters. IEEE
Trans. On Circuits and Systems II, vol. 42, No.1, January 1995.
[Bel.,Wan.97] E. Belagoy, Y. Wang. Arbitrarly Smooth Orthogonal
Nonseparable Wavelets in R2, Preprint at Cornell University, 1997
[Bel.90] M. Belanger. Traitement numrique du signal. Masson 1990.

164

[Ben.,Teo.93] J. Benedetto, A. Teolis. A Wavelet Auditory Model and Data


Compression. n Applied and Computational Harmonic Analysis. No.1,
pp.3-28, February 1993.
[Ber.,Mac.90] N. Bershad, O. Macchi. Comparison of LMS and RLS
Algorithms for the Prediction of a Drifting Line. Proceedings of
EUSIPCO, Barcelona, 1990.
[Blu.,Uns.98] T. Blu, M. Unser. Approximation Error for Quasi-Interpolators
and (Multi-) Wavelet Expansions, Preprint France Telecom, 1998.
[Boa.,OSh.,Arn.90]
B. Boashash, P. O. Shea, M. J. Arnold. Algorithms for
Instantaneous Frequency Estimation: A Comparative Study. Proceedings
of SPIE California, July 1990.
[Boa.91] B. Boashash. Time-Frequency Signal Analysis. n Advances in
Spectrum Analysis and Array Processing. S. Haykin (editor), pp.418-519,
Prentice Hall 1991.
[Boa.,Rei.92] B. Boashash, A. Reilly. Algorithms for Time-Frequency Signal
Analysis. n Time Frequency Signal Analysis. B. Boashash (editor),
pp.141-163, John Wiley 1992.
[Boa.,OSh.94] B. Boashash, P. O. Shea. Polynomial Wigner-Ville
Distributions and Their Relationship to Time-Varying Higher Order
Spectra. IEEE Transactions on Signal Processing, January 1994.
[Bol.,Hla.,Fei.96] H. Bolcskei, F. Hlawatsch, H.G. Feitinger. Frame-Theoretic
Analysis and Design of Oversampled Filter Banks, Proceedings of ISCAS96, Atlanta 1996.
[Bol.,Hla.,Fei.96(1)] H. Bolcskei, F. Hlawatsch, H.G. Feitinger. Oversampled
FIR and IIR DFT Filter Banks and Weyl-Heisenberg Frames, Proceedings
of ISCAS-96, Atlanta 1996.
[Bol.,Boa.92] P. J. Boles, B. Boashash. Applications of the Cross-Wigner-Ville
Distribution to Seismic Data Processing. n Time-Frequency Signal
Analysis. B. Boashash (editor), pp.141-163, John Wiley 1992.
[Bor.,Isa.97] M. Borda, D. Isar. Whitening with Wavelets. Proceedings of
ECCTD. 97 Conference, Budapest, August 1997.
[Bor.96] B. La Borde. New Fast Discrete Wavelet, Proceedings of TFTS96,
pp. 41-44, Paris 1996.
[Bov.,Mar.,Qua.'94] A.C.Bovik, P.Maragos,T.F.Quatieri "AM&FM energy
detection and separation in noise using multiband energy operators", IEEE
Transactions on signal processing, vol.41,no.12,december 1993.
[Buc.73] C. M. Bucur, Metode numerice, Ed. Facla Timioara 1973.
[Buc.,Don.95] J. Buckheit, D. Donoho. Improved Linear Discrimination Using
Time-Frequency Dictionaries. Technical Report, Stanford University, July
1995.
[Buc.,Che.,Don.,Joh.,Sca.95] J. Buckheit, S. Chen, D. Donoho, I. M. Johnstone,
J. Scargle. About WaveLab. Preprint, Stanford University, November
1995.
165

[Buc.,Don.95] J. Buckheit, D. Donoho. WaveLab Architecture. Preprint,


Stanford University, November 1995.
[Buc.,Che.,Don.,Joh.,Sca.95] J. Buckheit, S. Chen, D. Donoho, I. M. Johnstone,
J. Scargle. WaveLab Reference Manual. Preprint, Stanford University,
December 1995.
[Buc.,Don.96] J. B. Buckheit, D. Donoho, Time-Frequency Tillings which Best
Expose the Non-Gaussian Behaviour of a Stochastic Process. Proceedings
of the IEEE Conference TFTS96, pp.1-4, Paris, July 1996.
[Cal.,Dau.,Swe.,Yeo.96] A.R.Calderbank, I. Daubechies, W. Sweldens, B.-L.
Yeo. Wavelet Transforms that Map Integers to Integers, Preprint Stanford
University, 1996.
[Cam.,Mas.'94] S.Cambanis, E.Masry. Wavelet Approximation of Deterministic
and Random Signals: Convergence Properties and Rates, IEEE
Transactions on information theory , vol.40,no.4, july 1994.
[Cha.96] F. Chaplais. Algebras and Nonlinear Multiresolution Analysis that are
Consistent with the Strang and Fix Conditions. Proceedings of the IEEE
Conference TFTS96, Paris, July 1996.
[Che.,Don.94] S. Chen, D. Donoho. Basis Pursuit, preprint Stanford University,
1994.
[Che.,Don.,Sau.95] S. S. Chen, D. L. Donoho, M. A. Saunders. Atomic
Decomposition by basis Pursuit. Technical Report 479, Stanford
University, May 1995.
[Che.,Lin94] B. S. Chen, C. W. Lin. Multiscale Wiener Filter for the
Restoration of Fractal Signals: Wavelets Filter Bank Approach. IEEE
Transactions on Signal Processing, vol. 42, No. 11, pp.2972-2982,
November 1994.
[Chi.,Kol.,Cul.96] H. A. Chipman, E.D. Kolaczyk, R.E. Mc Culloch. Signal
Denoising Using Adaptive Bayesian Wavelet Shrinkage, Proceedings of
TFTS96, pp. 225-228, Paris 1996.
[Cho.,Wil.89] H. I. Choi, W. J. Williams. Improved Time-Frequency
Representation of Multicomponent Signals Using Exponentials Kernels.
IEEE Trans. on ASSP, vol. 37, no. 6, pp.862-871, 1989.
[Chu.92] C. K. Chui (editor). An Introduction to Wavelets. Academic Press,
New York 1992.
[Chu.92] C. K. Chui (editor). Wavelets. A Tutorial in Theory and Applications.
Academic Press, New York 1992.
[Cla.,Mec.85] T.A.C.M. Claasen, W.F.G. Mecklenbrauker. Adaptive
Techniques for Signal Processing in Communications. IEEE
Communications Magazine, vol. 23, no. 11, November 1985.
[Cod.94] M.A. Cody. The Wavelet Packet Transform Extending the Wavelet
Transform, Dr. Dobbs Journal, April 1994.

166

[Coh.,Dau.,Fea.'92] A. Cohen, I.Daubechies, J.C.Feauveau, Bi-orthogonal bases


of compactly supported wavelets, Comm. in Pure and Applied
Math.,vol.XLV, pp485-560, 1992.
[Coh.92] A. Cohen. Ondelettes et traitement numrique du signal. Masson,
1992.
[Coh.,Dau.,Fea.92] A. Cohen, I. Daubechies, J. C. Feauveau. Biorthogonal
Bases of Compactly Supported Wavelets, Communcations on Pure and
Applied Mathematics, vol. XLV, pp.485-560, 1992.
[Coh.,Dau.93] A. Cohen, I. Daubechies. Orthonormal Bases of Compactly
Supported Wavelets III. Better Frequency Resolution. SIAM Journal
Math. Anal., vol. 24, No.2, pp. 520-527, March 1993.
[Coh.,dAl.95] A. Cohen, J. P. dAles. Nonlinear Approximation of Stochastic
Processes. n Wavelets and Statistics. A. Antoniadis si G. Oppenheim
(editori), Springer Verlag, pp.129-132, 1995.
[Coh.,Kov.96] A. Cohen, J. Kovacevic. Wavelets: The Mathematical
Background, Proceedings of the IEEE, vol.84, no. 4, April 1996, pp.514521.
[Coif.,Sai.96] R. R. Coifman, N. Saito. The Local Karhunen-Loeve Bases.
Proceedings of the IEEE Conference TFTS 96", pp.129-132, Paris, July
1996.
[Coif.,Don.95] R. R. Coifman, D. L. Donoho. Translation Invariant DeNoising. n Wavelets and Statistics. A. Antoniadis si G. Oppenheim
(editori), pp.125-150, Springer Verlag 1995.
[Coi.,Wic.'93] R.R.Coifman, M.V.Wickerhauser "Wavelets and adapted
waveform analysis" in Proceedings of symposia in applied
mathematics,SIAM vol. 47, 1993, editor Ingrid Daubechies.
[Com.,Pes.96] P. L. Combettes. J. C. Pesquet. Convex Multiresolution
Analysis. Proceedings of IEEE Conference TFTS96, Paris, July 1996.
[Cou.84] F. de Coulon. Thorie et traitement des signaux. Presses
polytechniques romandes. Lausanne 1984.
[Cou.95] G. Courbebaisse. Caractrisation dun systeme dinjection par analyse
temps-frquence. Traitement du signal, vol.12, No.5, pp.509-518, 1995.
[Cri.65] R. Cristescu. Analiz funcional, Editura Didactic i Pedagogic,
Bucureti 1965.
[Dau.88] I. Daubechies. Orthonormal Bases of Compactly Supported Wavelets.
Comm. Pure Appl. Math., No. 41, pp.909-996, 1988.
[Dau.91] I. Daubechies. The Wavelet Transform: A Method for TimeFrequency Localization, n Advances in Spectrum Analysis and Array
Processing. S. Haykin (editor), Prentice-Hall, New-Jersey 1991.
[Dau.92] I. Daubechies. Ten Lectures on Wavelets. SIAM, Philadelphia 1992.
[Dau.93] I. Daubechies. Orthonormal Bases of Compactly Supported Wavelets
II. Variations on a Theme. SIAM J. Math. Anal., vol. 24, No. 2, pp. 499519, March 1993.
167

[Dau.,Swe.96] I. Daubechies, W. Sweldens. Factoring Wavelet Transforms into


Lifting Steps, Preprint Stanford University, 1996.
[Den.,Jaw.,Pet.,Swe.93] B. Deng, B. Jawerth, G. Peters, W. Swelden. Wavelet
Probing for Compression Based Segmentation. Proceedings of SPIE, San
Diego, July 1993.
[DeS.,Isa.93] A. De Sabata, A. Isar. Semnale Circuite i Sisteme. Indrumator
de laborator, Litografia UPT, 1993.
[DeS.,Iun.,Aub.94] A. De Sabata, C. Iung, J. F. Aubry. A Variabile Scale
DWT. Proceedings of the International Symposium ETc94, vol. III,
pp.43-48, Timioara Sept. 1994.
[Don.,Joh.91] D. Donoho, I. M. Johnstone. Minimax Estimation via Wavelet
Shrinkage Annual Meeting of the Institute of Mathematical Statistics,
Atlanta, Georgia, August 1991.
[Don.,Joh.92] D. L. Donoho, I. M. Johnstone. Ideal Spatial Adaptation via
Wavelet Shrinkage. Technical Report 400, Stanford University, July 1992.
[Don.,Joh.92(1)] D. L. Donoho, I. M. Johnstone. Minimax Estimation via
Wavelet Shrinkage. Technical Report 402, Stanford University, July 1992.
[Don.91] D. Donoho. Nonlinear Solution of Linear Inverse Problems by
Wavelet-Vaguellete Decomposition, Preprint Stanford University, 1991.
[Don.92] D. L. Donoho. De-Noising via Soft Thresholding. Technical Report
409, Stanford University, November 1992.
[Don.92(1)] D. Donoho. Interpolating Wavelet Transforms, Preprint Stanford
University, 1992.
[Don.,Joh.92] D. L. Donoho, I. M. Johnstone. Unconditional Bases are Optimal
Bases for Data Compression and for Statistical Estimation. Technical
Report 410, Stanford University, November 1992.
[Don.93] D. L. Donoho. Wavelet Shrinkage and W.V.D.-A Ten Minute Tour.
Technical Report 416, Stanford University, January 1993.
[Don.93(1)] D. L. Donoho. Nonlinear Wavelet Methods for Recovery of
Signals, Densities and Spectra from Indirect and Noisy Data, Proccedings
of Symposia in Applied Mathematics, vol. 47, ed. I. Daubechies, pp.173205, 1991.
[Don.93(2)] D. Donoho. Smooth Wavelet Decomposition with Blocky
Coefficient Kernels, in Recent Advances in Wavelet Analysis, L.
Schumaker and G. Webb (editors), pp. 1-43, 1993.
[Don.,Joh.93] D. L. Donoho, I. M. Johnstone. Adapting the Unknown
Smoothness via Wavelet Shrinkage. Technical Report 425, Stanford
University, June 1993.
[Don.93(3)] D. L. Donoho. Nonlinear Wavelet Methods for Recovering
Signals, Images and Densities from Indirect and Noisy Data. Technical
Report 426, Stanford University, July 1993.
[Don.94] D. L. Donoho. On Minimum Entropy Segmentation. Technical Report
450, Stanford University, April, 1994.
168

[Don.,Joh.94(1)] D. L. Donoho, I. M. Johnstone. Ideal De-Noising in an


Orthonormal Basis Chosen from a Library of Bases. Technical Report
461, Stanford University, September 1994.
[Don.95] D. Donoho. CART and Best-Ortho-Basis: A Conection, Preprint
Stanford University, 1995.
[Duf.,Sch.52] R. J. Duffin, A. C. Schaeffer. A Class of Nonharmonic Fourier
Series. Trans. Amer. Math. Soc., No. 72, pp.341-366, 1952.
[Dum.96] G. Dumitra. Aplicaii ale transformatei wavelet. Realizarea
compresiei imaginilor utiliznd transformarea wavelet. lucrare de
dizertaie, Departamentul de Comunicaii, Facultatea de Electronic i
Telecomunicaii, Timioara, Iulie 1996.
[Duv.91] P. Duvaut. Traitement du signal-concepts et applications. Hermes,
Paris 1991.
[End.,Ver.92] A. W. M. van den Enden, N. A. M. Verhoekx. Traitement
numrique du signal. Masson, Paris 1992.
[Eze.,Jen.92] J.E. Ezell, W. K. Jenkins .a. Adaptive Analog Signal Processing
with Acoustics Charge Transport Filters. Proceedings of the IEEE
International Symposium on Circuits and Systems, San Diego, CA., May,
1992.
[Fea.92] J. C. Feauveau. Nonorthogonal Multiresolution Analysis using
Wavelets. n Wavelets-A Tutorial in Theory and Applications. C. K. Chui
(editor), Academic Press, pp.153-178, 1992.
[Flan.93] P. Flandrin. Representation temps-frquence. Hermes, 1993.
[For.92] D. Forester. Time-Frequency Analysis in Machine Fault Detection. n
Time-Frequency Signal Analysis. B. Boashash (editor), pp. 406-423,
J.Willey, 1992.
[Fro.90] J. Froment. Traitement dimages et applications de la transforme en
ondelettes. Teza de doctorat, Universitatea Paris IX, 1990.
[Fro.,Par.94] J. Froment, S. Parrino. MegaWave 2 Users Modules Library. vol.
I, vol. III, Preprint CEREMADE, Univ. Paris Dauphine, Novemeber
1994.
[Fro.95] J. Froment. Introduction a la thorie des ondelettes. curs de vara,
Timioara, Iunie 1995.
[Gag.,Lin.94] L. Gagnon, J. M. Lina, B. Goulard. Application of Complex
Daubechies Wavelets to Numerical Simulation of a Nonlinear Signal
Propagation Model. Preprint of the Labo. de Phys. Nucl. Univ. de
Montreal, 1994.
[Gao.97] H. Y. Gao. Wavelets Shrinkage Estimate for Heteroscedatic
Regression Models. Preprint MathSoft, 1997.
[Gao.97(1)] H.-Y. Gao. Threshold Selection in WaveShrink, Preprint MathSoft,
1997.
[Gao.97(2)] H.-Y. Gao. Wavelet Shrinkage Denoising Using the Non-negative
Garrote, Preprint MathSoft, 1997.
169

[Gav.,Isa.94] P. Gvru, A. Isar. Time-Frequency Representations. A Unitary


Presentation. Proceedings of International Symposium Etc94, vol. 3, pp.
25-30, Timioara Septembrie 1994.
[Gim.,Mat.97] C. Gimns, A Mateescu (coordonatori). Electronique, phisique
et signal pour les tlcommunications, Editura Tehnic, Bucureti, 1997.
[Gop.,Bur.92] R.A.Gopinath, C.S.Burrus. Wavelet Transform and Filter Banks,
in Wavelets - A Tutorial in Theory and Aplications, C.K. Chui (editor),
pp. 603-654, Academic Press, 1992.
[Gop.,Bur.95] R. A. Gopinath, C.S. Burrus. Factorization Approach to Unitary
Time-Varying Filter Bank Trees and Wavelets, IEEE Trans. on S.P. vol.
43, no. 3, March 1995, pp. 666-680.
[Gre.96] T. Greiner. Otrthogonal and Biorthogonal Texture-matched Wavelet
Filterbanks for Hierarchical Texture Analysis, Signal Processing 54
(1996) p. 1-23, Elsevier Science Publishers, The Netherlands.
[Han.96] B. Han. On Dual Wavelet Tight Frames, Preprint University of
Alberta, 1996.
[Her.,Kov.,Vet.95] C. Herley, J. Kovacevic, M.Vetterli. Wavelets, Filter Banks,
and Arbitrary Tilings of the Time-Frequency Plane, Preprint AT&T Bell
Laboratories, 1995.
[Hil.,Ogd.97] M. L. Hilton, R. J. Ogden. Data Analytic Wavelet Threshold
Selection in 2-D Signal Denoising, IEEE Trans. on S.P. vol. 45, no.2,
February 1997, pp. 496-500.
[Hla.,Koz.91] F. Hlawatsch, W. Kozek. Time-Frequency Analysis of Linear
Signal Spaces. IEEE Conference ICASSP-91, pp.2045-2048, Toronto,
May 1991.
[Hla.,Bou.92] F. Hlawatsch, G. F. Boudreaux-Bartels. Linear and Quadratic
Time-Frequency Signal Reprsentations. IEEE S.P.Magazine, pp.21-65,
April 1992.
[Hue.,Nuz.,Bil.97] R. Huez, D. Nuzillard, A. Billot. Vers la determination dun
profil dhumidit dans des matriaux byopolymeres en utilisant une
mthode de sparation de sources. Seizieme Colloque GRETSI, Tome 1,
pp.223-226, Grenoble, 1997.
[Isa.,Naf.91] D. Isar, M. Naforni. The Implementation of a Numerical
Tracking Filter, The International Conference "ICATE'91" Craiova,
Romnia,1991.
[Isa.,Isa.92] D.Isar, A. Isar : Adaptive Median Filter,International Conference "
Signals, Circuits and Systems " Iai, Romnia, 1992.
[Isa.,Isa.93] A. Isar, D. Isar. A Generalization of the W.K.S. Theorem Using
Orthogonal Decomposition of L2(R). Applications in Signal Processing
Theory. Revista ATM, anul III, pp.91-97, Bucureti, 1993.
[Isa.93] A. Isar. Nouvelles modalits de dcomposition multirsolution.
Quatorzieme Colloque GRETSI, Juan-Les Pins, pp.363-366, 13-16
Septembre 1993.
170

[Isa.93(1)] A. Isar. Tehnici de msurare adaptiv cu aplicaii n aparatura de


msurare numeric. Teza de doctorat, Universitatea Politehnica
Timioara 1993.
[Isa.94] A. Isar. Lestimation de la transforme en ondelettes avec bancs de
filtres a temps continu. Colloque TOM94, pp. 34.1-34.4, Lyon, 9-11 Mars
1994.
[Isa.94(1)] D. Isar. LMS Adaptive Filter for Frequency Modulated Signal
Processing, Proceedings of the Symposium on electronics and
telecommunications , vol.III, Timioara, sept.29-30, 1994.
[Isa.94(2)] D.Isar. The study of a LMS adaptive filter, Proceedings of the
symposium on electronics and telecommunications, vol.III, Timioara,
sept. 29-30, 1994.
[Isa.,Asz.94] A.Isar, T.Asztalos. Using the fast wavelet transform for data
compression, Proceedings of the symposium on electronics and telecom.,
vol.III, Timioara, sept. 29-30, 1994.
[Isa.95] D.Isar. Metode convenionale de cretere a raportului semnal pe
zgomot, Referat nr. 1 n cadrul pregtirii pentru doctorat, conductor
tiinific Prof. dr. ing. Ioan Naforni.
[Isa.95(1)] D.Isar. Metode moderne de cretere a raportului semnal pe zgomot,
Referat nr. 2 n cadrul pregtirii pentru doctorat, conductor tiinific
Prof. dr. ing. Ioan Naforni.
[Isa.,Asz.,Isa.95] D.Isar, T.Asztalos, A.Isar : De-noising with wavelets,
International Symposium SCS95, Iai, Romnia, 1995.
[Isa.95(2)] D.Isar. The enhancement of the signal to noise ratio using digital
comb filters, Buletinul tiinific al Universitii Politehnica
Timioara, Romnia, 1995.
[Isa.95(3)] D. Isar, T. Asztalos, A. Isar, The Enhancement of the Signal to
noise Ratio by Adaptive Filtering in the Discrete Wavelet Transform
Domain, Simpozionul Academiei Tehnice Militare, 1995.
[Isa.96] D. Isar. Imbuntirea raportului semnal pe zgomot prin filtrare
neliniar n domeniul transformatei, Scientific Communications Meeting
of Aurel Vlaicu University, Arad, Romnia, 1996.
[Isa.97] D. Isar. De-noising adaptatif. Seizieme Colloque GRETSI, pp.12491252, Grenoble, 15-19 Septembre 1997.
[Isa.,Isa.97] D. Isar, A. Isar. A New Class of Identity Systems. International
Workshop on Sampling Theory and Applications, Universidad de Aveiro,
June 16-19 1997.
[Jaw.,Swe.95] B. Jawerth, W. Swelden. An Overwiev of Wavelet Based
Multiresolution Analysis. Preprint, Katolike Universiteit Leuven, Belgium
1995.
[Jer.87] A. J. Jerry. The Shanon Sampling Theorem-its Extensions and
Applications. A Tutorial. Proc. IEEE, 65, 11, pp.1565-1596, November
1987.
171

[Joh.93] I. M. Johnstone. Minimax Bayes, Asymptotic Minimax and Sparse


Wavelets Priors, Preprint Stanford University, 1993.
[Kla.,Hol.,Flo.97] A. Kla., M. Holschneider, K. Flornes. Two-channel Perfect
Reconstruction Filter Banks over Comutative Rings, propus pentru
publicare la IEEE Transactions on Signal Processing.
[Kol.96] E.D. Kolaczyk. A Method for Wavelet Shrinkage Estimation of
Certain Signals Using Corrected Thresholds, articol propus la revista
Statistica Sinica.
[Kol.97] E.D. Kolaczyk. Non-parametric Estimation of Gamma-ray Burst
Intensities using Wavelets, n curs de publicare n revista The
Astrophysical Journal.
[Kov.,Vet.93] J. Kovacevic, M. Vetterli. Nonseparable Two-and ThreeDimensional Wavelets, Proceedings of ISCAS93, Chicago,1993.
[Kov.,Vet.95] J. Kovacevic, M. Vetterli. Perfect Reconstruction Filter Banks
with Rational Sampling Factors, Preprint at AT&T Bell Laboratories,
1995.
[Kri.,Bro.96] H. Krim, D. H. Brooks. Feature-Based Segmentation of ECG
Signals. Proceedings of IEEE Conference, TFTS96, pp. 97-100, Paris,
July 1996.
[Kun.,Boi.87] M. Kunt, R. Boite. Traitement de la parole. Presses
Polytechniques Romandes, 1987.
[Kun.84] M. Kunt. Traitement numrique des signaux. Trait dElectricit de
lEPFL, vol. XX, 3-eme dition, Presses Polytechniques Romandes, 1984.
[Lan.,Guo.,Ode.,Bur,Wel.95] M. Lang, H. Guo, J. E. Odegard, C. S. Burrus, R.
O. Wells. Nonlinear Processing of a Shift Invariant DWT for Noise
Reduction. Proceedings of SPIE Symposium on Aerospace Sensing and
Dual Photonics, Orlando, SUA. April 1995.
[Leb.,Vet.97] J. Lebrun, M. Vetterli. Balanced Multiwavelets. Theory and
Design, trimis spre publicare la IEEE Transactions on Signal Processing,
februarie 1997.
[Lem.90] P. G. Lemari-Rieusset. Analyses multi-echelles et ondelettes a
support compact. n Les ondelettes en 1989. P. G. Lemari (editor),
Springer Verlag, 1990.
[Lem.,Mal.93] P. G. Lemari-Rieusset, G. Malgouyres. Support des fonctions
de base dans une analyse multirsolution. C. R. Acad. Sci. Paris, tome
313, serie 5, pp.377-380, 1993.
[Lim.,Opp.88] J. S. Lim, A. V. Oppenheim (editori). Advanced Topics in
Signal Processing. Prentice Hall, New Jersey 1988.
[Lim.,Sim.73] W.C. Lindsey, M. K. Simon. Telecommunication Systems
Engineering, Prentice-Hall, New Jersey, 1973.
[Mac.89] O. Macchi. Adaptatif et non stationnaire. Traitement du signal, vol. 6,
No.5 pp.325-387, 1989.
172

[Mal.91] G. Malgouyres. Analyse multirsolution sur lintervalle. Algorithme


rapide. Preprint, Universit Paris-Sud, 1991.
[Mal.92] G. Malgouyres. Ondelettes a support compact et analyse
multirsolution sur lintervalle. Preprint, Universit Paris-Sud, 1992.
[Mal.94] G. Malgouyres. Introduction a la thorie des ondelettes. Curs de var,
Timioara 1994.
[Mal.89] S. Mallat. Multifrequency Channel Decomposition. IEEE Trans. on
ASSP, vol. 37, No.12, pp. 2091-2110, Octobre 1989.
[Mal.89(1)] S. Mallat. A Theory for Multiresolution Signal Decomposition: the
Wavelet Representation. IEEE Transactions on Pattern Analysis and
Machine Inteligence, vol. II, No.7, pp.674-693, July 1989.
[Mal.,Zha.93] S. Mallat, Z. Zhang. Matching Pursuits with Time-Frequency
Dictionary. IEEE Transactions on Signal Processing, vol. 41, No.12,
pp.3397-3415, December 1993.
[Mal.97] S. Mallat, F. Falzon. Understanding Image Transform Codes.
Proceedings of the SPIE Aerospace Conference, Orlando, April 1997.
[Mal.90] H. S. Malvar. Lapped Transforms for Efficient Transform/Subband
Coding. IEEE Trans. on ASSP, vol. 38, pp.969-978, June 1990.
[Mar.,Mac.87] S. Marcos, O. Macchi. Traking Capability of the Least Mean
Square Algorithm: Applications to a Asynchronous Echo-Canceler, IEEE
Transactions on ASSP, vol. 35, no.11, November 1987.
[Mat.,er.87] A. Mateescu, A. erbnescu. Circuite cu capaciti comutate, Ed.
Militar, Bucureti, 1987.
[Mat.,Rad.,Sta.96] A. Mateescu, M. Rducanu, L. Stanciu. Best Basis with
Wavelet Packets for a Signal. Proceedings of International Symposium
Etc96, Timioara, vol. II, pp.106-111, September 1996.
[Mey.90] Y. Meyer. Ondelettes, filtres miroirs en quadrature et traitement
numrique de limage. n Les ondelettes en 1989. P. G. Lemari (editor),
Springer-Verlag, 1990.
[Mey.93] Y. Meyer. Ondelettes et algorithmes concurents. Herman, Paris 1993.
[Mey.93(1)] Y. Meyer. Wavelets and Operators. n Proceedings of Symposia in
Applied Mathematics. I. Daubechies (editor), vol. 47, AMS,1993.
[Mou.94] P.Moulin. Wavelet Thresholding Techniques for Power Spectrum
Estimation. IEEE Trans. on S.P., vol. 42, No.11, pp. 3126-3136,
November 1994.
[Naf.,Isa.91] M.Naforni , D.Isar. Numerical Traking Filter, The International
Conference "ICATE '91", Craiova , Romnia, 1991.
[Naf.,Isa.,Isa.92] M. Naforni, A. Isar, D. Isar. A Generalization of the
Sampling Theorem. Rev. Roum. Sci. Tehn.-Electrotehn. et Energ., 37, pp.
177-183, Bucarest 1992.
[Naf.92] I. Naforni. Banda echivalent de zgomot a unor filtre, Conferina
naional de la Oradea, Mai, 1992.
173

[Naf.,Cm.,Isa.93] M.Naforni, A.Cmpeanu, D.Isar, Tehnici experimentale


de analiz statistic a semnalelor aleatoare ergodice i staionare,
Conferina Naional Oradea, Romnia, 1993 .
[Naf.95] I. Nafornita, Prelucrarea adaptiva a semnalelor de telecomunicaii",
1995, note de curs.
[Naf.,Cm.,Isa.95] I. Naforni, A. Cmpeanu, A. Isar. Semnale circuite i
sisteme. vol. I, Editura UPT, 1995.
[Nag.,Ike.96] T. Nagai, M. Ikehara. Design of Oversampled Perfect
Reconstruction FIR Filterbanks, Preprint Keio University Japan, 1996.
[Nar.,Lou.,Les.,Dar.96] S. B. Narayanan, J. Mc. Loughlin, Les Atlas, J. Darapo.
An Operator Theory Approach to Discrete Time-Frequency Distribution.
Proceedings of the IEEE Conference TFTS96, pp. 521-524, Paris
1996.
[Nas.94] G. P. Nasson. Wavelet Regression by Cross-Validation. Preprint
University of Bristol, March 1994.
[Nas.,Sap.,Saw.97] G. P. Nason, T. Sapantias, A. Sawezenko. Statistical
Modeling of Time Series using Non-decimated Wavelet Representations,
Preprint University of Bristol, 1997.
[Nay.,Bar.,Smi.91] K. Nayebi, T. P. Barnwell III, M.J.T. Smith. Nonuniform
Filter Banks: A Reconstruction and Design Theory, Preprint Georgia
Institute of Technology, June 1991.
[Nay.,Bar.,Smi.91(1)] K. Nayebi, T. P. Barnwell III, M.J.T. Smith. Time
Domain Filter Bank Analysis: A New Design Theory, Preprint Georgia
Institute of Technology, June 1991.
[Nea.82] V. E. Neagoe. Using Legendre Polynomials to Introduce a New
Orthogonal Transform for Significant Feature Selection. Proceedings of
Pattern Recognition and Image Processing Conference, pp.177-182, Las
Vegas, June 1982.
[Nea.,Sta.92] V. Neagoe, O Stnil. Teoria recunoaterii formelor, Editura
Academiei Romne, Bucureti, 1992.
[Ode.,Bur.96] J. Odegard, C. S. Burrus. New Class of Wavelets for Signal
Approximation, Proceedings of ISCAS96.
[ON.,Wil.96] J. C. ONeill, W. J. Williams. New Properties for Discrete
Bilinear Time-Frequency Distributions. Proceedings of the IEEE
Conference TFTS96", pp. 505-508, Paris 1996.
[Opp.76] A. Oppenheim. Applications of Digital Signal Pocessing, PrenticeHall, 1976.
[Opp.,Sch.86] A. Oppenheim, R. W. Schaefer. Digital Signal Processing.
Prentice Hall, 1986.
[Opp.,Lim'88] A.V.Oppenheim, J.S.Lim. Advanced topics in signal
processing",Prentice Hall,1988.

174

[Pag.,Nel.88] R. W. Page, N. W. Nelson. Adaptive Sample Rate: A First


Generation Automatic Time Base. Hewlett Packard Journal, February
1988.
[Pap.,Hla.,Bou.93] A. Papandreu, F. Hlavatsch, G. F. Boudreaux-Bartels. The
Hyperbolic Class of Quadratic Time-Frequency Representations. Part I:
Constant-Q Warping, the Hyperbolic Paradigm, Properties and Members.
IEEE Trans. on SP, vol. 41, No.12, December 1993.
[Pas.,Gon.,Bar.96] M. Pasquier, P. Gonalves, R. Baraniuk. Hybrid
Linear/Bilinear Time-Scale Analysis. Proceedings of IEEE Conference
TFTS96, pp.513-516, Paris, July 1996.
[Pas.,Gay.95] D. Pastor, R. Gay. Dcomposition dun processus stationnaire du
seconde ordre. Proprits statistiques dordre 2 des coefficients
dondelettes et localisation frquentielle des paquets dondelettes.
Traitement du signal, vol. 12, no. 5, pp. 393-420, 1995.
[Pen.94] A. P. Pentland. Interpolation using Wavelet Bases. IEEE Trans. on
PAMI, vol.16, no.4, April 1994.
[Pes.,Ade.,Pes.,Hel.96] L. Pesu, E. Ademovic, J.-C. Pesquet, P. Helisto.
Wavelet Packet Based Respiratory Sound Classification, Proceedings of
TFTS96, Paris, 1996, pp. 377-380.
[Pho.,Kim,Vai.,Ans.95] S. M. Phoong, C. W. Kim, P. P. Vaidyanathan, R.
Anseri. A New Class of Two-Channel Biorthogonal Filter Banks and
Wavelet Bases. IEEE Transactions on SP, vol. 43, no.3, pp. 649-665,
March 1995.
[Pit.,Ven.86(1)] I. Pitas, A. N. Venetsanopoulos. Nonlinear Mean Filters in
Image Processing, IEEE Transactions on ASSP, vol. 14, no. 3, June 1986.
[Pit.,Ven.86(2)] I. Pitas, A. N. Venetsanopoulos. Edge Detectors on Nonlinear
Filters, IEEE Transactions on PAMI, vol.8, no.4, July 1986.
[Pit.,Wan.,Jua.96] J. W. Pitton, K. Wang, B. H. Juang. Time-Frequency
Analysis and Auditory Modeling for Automatic Recognition of Speech.
Proceedings of the IEEE, vol. 84, no.9, pp.1199-1214, Sept. 1996.
[Plo.,Str.98] G. Plonka, V. Strela. From Wavelets to Multiwavelets, n
Mathematical Methods for Curves and Surfaces II. pp. 1-25, Vanderbilt
University Press, 1998.
[Pop.,Naf.,Tip.,Tom.,Mih.86,89] E. Pop, I. Naforni, V. Tiponu, L.Toma, A.
Mihescu. Metode n prelucrarea numeric a semnalelor. vol I i vol II,
Ed. Facla, Timioara 1986 i 1989.
[Pre.,Teu.,Vet.,Fla.95] W. H. Press, S. A. Teukolsky, W. T. Vetterling, B. P.
Flannery. Numerical Recipes in C. Cambridge University Press, 1995.
[Pre.87] F. Preteux. Description et intrprtation des images par la morphologie
mathmatique. Application a limage mdicale. These de doctorat dEtat,
Universit Paris VI, 1987.
[Qia.,Che.96] S. Qian, D. Chen. Joint Time-Frequency Analysis. Prentice Hall,
1996.
175

[Ram.,Sir.88] G. Ramponi, G. Siracuza. Quadratic Digital Filters for Image


Processing, IEEE Transactions on ASSP, vol. 36, no.6, June 1988.
[Ram.,Vet.,Her.96] K. Ramchandran, M. Vetterli, C. Herley. Wavelets,
Subband Coding and Best Bases. Proceedings of the IEEE vol. 84, No. 4,
pp.541-558, April 1996.
[Raz.,Dic.,Tur.97] J. Raz, L. Dickerson, B. Turetsky. A Wavelet Packet Model
of Evoked Potentials. Preprint of School of Public Health, Ann Arbor,
Michigan, 1997.
[Rio.,Duh.92] O. Rioul, P. Duhamel. Fast Algorithms for Discrete and
Continuous Wavelet Transforms. IEEE Transactions on Information
Theory, vol. 28, No. 2, pp.569-586, March 1992.
[Rio.,Vet.91] O.Rioul, M.Vetterli. Wavelets and signal processing, IEEE SP
Magazine, 8 (4) pp.14-38, october 1991.
[Rio.93] O. Rioul. A Discrete Time Multiresolution Theory. IEEE Trans. on
SP, vol. 41, no. 8, pp. 2591-2606, August 1993.
[Rio.93(1)] O. Rioul. Ondelettes rgulieres: Applications a la compression
dimages fixes. these de doctorat, ENST Paris, Mars 1993.
[Rul.80] G. Rulea. Prelucrarea optim a semnalului radio. Ed. Tehnic,
Bucureti 1980.
[Ran.87] R. B. Randall. Applications of B&K Equipment to Frequency
Analysis. B&K, 1987.
[Scl.,Sun,Kri.,Jas.,Sch.92] R. J. Sclabassi, M. Sun, D. N. Krieger, P. J.
Jasukitias, M.S.Scher. Time-Frequency Domain Problems in the
Neurosciencies. n Time-Frequency Signal Analysis. B. Boashash
(editor), pp.498-519, John Wiley, 1992.
[She.92] M.J.Shensa. The Discrete Wavelet Transform: Weding the A Trous
and Mallat Algorithms. IEEE Trans. on S.P. vol 40, No. 10, pp. 24642482, October 1992.
[Shy.'92] J.J.Shynk. Frequency-domain and multirate adaptive filtering, Signal
Processing Magazine, january 1992.
[Sim.,Rie.,Sch.,Nos.97] S. Simon, P. Riecher, C. Schimpfle, J.A. Nossek,
Cordic Based Architectures for the Efficient Implementation of Discrete
Wavelet Transforms, Preprint, T.U. Munchen, 1997.
[Smi.,Bar86] M. J. T. Smith, T. P. Barnwell III. Exact Reconstruction
Techniques for Tree-Structured Subband Coders. IEEE Trans. on ASSP,
vol. 34, pp.434-441, 1986.
[Sod.,Nay.,Bar.94] I. Sodagar, K. Nayebi, T.P. Barnwell III. Time-Varying
Filter Banks and Wavelets, IEEE Trans. On S.P., vol. 42, no.11,
November 1994, pp. 2983-2996.
[Sp.87] A. Sptaru. Fondements de la thorie de la transmission de
linformation. Presses Polytechniques Romandes, Lausanne, 1987.

176

[Sri.,Jam.96] P. Srinivasan, L. M. Jamieson. Techniques for Variable Rate


Speech Coding using Wavelet Representations. Proceedings of the IEEE
Conference TFTS96, pp.109-112, Paris, July 1996.
[Str.91] V. Strela. A Note on Construction of Biorthogonal Multi-scaling
Functions, Contemporary Mathematics, 1991.
[Swe.,Pie.93] W. Sweldens. Wavelet Sampling Techniques, Proceedings of the
Joint Statistical Meetings, San Francisco, 1993.
[Swe.94] W. Sweldens. Compactly Supported Wavelets which are Biorthogonal
with Respect to a Weighted Inner Product. Preprint University of South
Carolina, 1994.
[Swe.94(1)] W. Sweldens. The Lifting Scheme: A Custom-Design Construction
of Biorthogonal Wavelets. Preprint University of South Carolina, 1994.
[Swe.96] W. Sweldens. Wavelets and the Lifting Scheme: A 5 Minute Tour,
Preprint Bell Laboratories, 1996.
[Tas.95] C. Taswell. Speech Compression with Cosine and Wavelet Packet
Near-Best Bases. Preprint, Stanford University, 1995.
[Tas.96] C. Taswell. Image Compression by Parametrized-Model Coding of
Wavelet Packet Near-Best Bases. Preprint, Stanford University, 1996.
[Tas.98] C. Taswell. Statisficing Search Algorithms for Selecting Near-Best
Bases in Adaptive Tree-Structured Wavelet Transforms. n curs de
publicare n IEEE Transactions on Signal Processing.
[Tch.93] P. Tchamitchian. Wavelets and Differential Operators. n Proceedings
of Symposia in Applied Mathematics. I. Daubechies (editor), vol. 47,
A.M.S., 1993.
[Tem.96] N. N. Temme. Asymtotics and Numerics of Zeros of Polynomials that
are Related to Daubechies Wavelets. Technical report AM-R9613,
National Research Institute for Mathematics and Computer Science,
Amsterdam, 1996.
[Tol.,Hol.,Kal.95] L. Tolhuizen, N. Hollmann, T.A.C.M. Kalker. On the
Realizability of Biorthogonal, m-Dimensional Two-Band Filter Banks.
IEEE Transactions on Signal Processing, vol. 43, No.3, March 1995.
[Tsa.,Gia.95] M.K. Tsanakis, G. B. Giannakis. Principal Component Filter
Banks for Optimal Multiresolution Analysis, IEEE Trans. on S. P. , vol.
43, no.8 August 1995, pp. 1766-1777.
[Tsi.,Nik.98] G.A. Tsihrintzis, G. L. Nikias. Modeling, Parameter Estimation
and Signal Detection in Radar Clutter with Alpha-Stable Distributions,
Preprint Univ. of Virginia, 1998.
[Vai.93] P. P. Vaidyanathan. Multirate Systems and Signal Processing. Prentice
Hall, Englewood Cliffs, 1993.
[Vai.93(1)] P.P.Vaidyanathan , Multiscale digital filters, filterbanks, polyphase
networks and applications: A tutorial, Proc. IEEE, vol.78, no.1 pp59-63,
july 1993.
177

[Vet.92] M.Vetterli, C.Herley, Wavelets and filter banks: Theory and design,
IEEE Transactions on signal processing 40 (9) pp.2207-2232, september
1992.
[Wha.71] A.O.Whalen. Detection of Signal in Noise, Academic Press, New
York, 1971.
[Wec.89] M. Wechsler. Caracterization of Time Varying Frequency Behaviour
using Continuous Measurement Technology. Hewlett Packard Journal,
February 1989.
[Wes.,Wic.93] E. Wesfreid, M. V. Wickerhauser. Etudes des signaux vocaux
par ondelettes de Malvar. Quatorzieme Colloque GRETSI, Juan-Les-Pins,
Septembre 1993.
[Wic.94] M. Wickerhauser. Adapted Wavelet Analysis from Theory to
Software. A. K. Peters Wesley ,1994.
[Wic.96] M.V. Wickerhauser. Custom Wavelet Paket Image Compression
Design, Preprint Washington University, 1996.
[Wid.75] B. Widrow, .a. Adaptive Noise Canceling: Principles and
Applications, Proceedings of the International Symposium on Signals and
Systems, vol.63, no.12, December 1977.
[Wid.,Ste.85] B. Widrow, S.D. Stearns. Adaptive Signal Processing, Prentice
Hall, 1985.
[Wij.,Arm.96] W. Wijmans, P. Armbruster. Data Compression Techniques for
Space Applications. Review of Current ESA/ESTEC Development,
Proceedings of DASIA96, Rome, May, 1996.
[Xia.,Kuo.,Zha.94] X. G. Xia, C. C. J. Kuo, Z. Zhang. Wavelet Coefficient
Computation with Optimal Prefiltering. IEEE Transactions on Signal
Processing, vol. 42, no.8, pp. 2191-2197, August 1994.
[Yao.,Cha.94] M. H. Yaou, W. T. Chang. M-Ary Wavelet transform and
Formulation for Perfect Reconstruction in M-Band Filter Bank. IEEE
Transactions on Signal Processing, pp.3508-3512, vol. 42, No.12,
December 1994.
[Zha.,Des.,Pen.96] X.-P. Zhang, M. D. Dessai, Y.-N. Peng. Orthogonal
Complex Filter Banks and Wavelets: Some Properties and Design.
Preprint University of Texas at San-Antonio, 1996.
[Zho.,Cai,Zha.95] D. Zhou, W. Cai, W. Zhang. An Adaptive Wavelet Method
for Nonlinear Circuit Simulation, preprint University of North Carolina,
1995.
[Zho.,Cai.95] D. Zhou, W. Cai. A Fast Wavelet Collocation Method for Highspeed Circuits Simulation, preprint University of North Carolina, 1995.

178

CUPRINS
PREFA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

STRUCTURA I CONINUTUL LUCRRII . . . . . . . . . . . . . . .

CAPITOLUL 1
INTRODUCERE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

CAPITOLUL 2
MBUNTIREA RSZ PRIN FILTRARE LINIAR . . . . . . .
2.1. O nou modalitate de estimare a benzii echivalente
de zgomot a unor filtre trece jos realizabile . . . . . . . . . . . . . . .
2.2. Utilizarea filtrelor transversale pentru prelucrarea
semnalelor periodice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Benzi echivalente de zgomot ale unor filtre numerice . . . .
2.3.1. Filtru RFI de ordinul N . . . . . . . . . . . . . . . . . . . . .
2.3.2. Filtru RII . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4. Filtre numerice echivalente filtrelor analogice transversale
2.5. Utilizarea sistemelor liniare, variabile n timp,
la mbuntirea RSZ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5.1. Filtre cu urmrire . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5.2. Filtre adaptive . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5.2.1. Conceptul de anulare adaptiv a
zgomotului . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
CAPITOLUL 3
TRANSFORMAREA UNDIOAR DISCRET . . . . . . . . . . . . .
3.1. Codare subband cu structur arborescent . . . . . . . . . . . .
3.2. Decodarea n urma codrii subband . . . . . . . . . . . . . . . . .
3.3. Codarea subband cu reconstrucie perfect folosind
sisteme cu structur arborescent cu filtre realizabile . . . . . . . .
3.4. Meode de proiectare a filtrelor CQF . . . . . . . . . . . . . . . . . .
3.5. Legtura dintre sistemele de codare n subbenzi i
179

18
18
29
34
34
38
40
51
52
52
53
64
64
69
72
78

teoria seriilor de undioare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79


3.6.Transformarea undioar discret TUD . . . . . . . . . . . . . . . . 93
CAPITOLUL 4
MBUNTIREA RAPORTULUI SEMNAL PE ZGOMOT
PRIN UTILIZAREA TRANSFORMRII UNDIOAR
DISCRET . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1. Analiza statistic a coeficienilor TUD ai unui semnal
aleator, staionar i ergodic . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2. Filtrarea adaptiv neliniar n domeniul transformatei . . .
4.3. Analiza noii metode de filtrare n domeniul transformatei
CAPITOLUL 5
REZULTATE EXPERIMENTALE . . . . . . . . . . . . . . . . . . . . . . .
5.1. Programe de simulare coninnd metoda adaptiv
pentru mbuntirea raportului semnal pe zgomot . . . . . . . . .
5.2. O comparaie a programului prezentat cu alte
programe de de-noising . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3. O comparaie a metodei propuse cu alte metode
de mbuntire a raportului semnal pe zgomot . . . . . . . . . . . .
5.4. Posibiliti de mbuntire a metodei de de-noising
adaptiv . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
CAPITOLUL 6
CONCLUZII . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

98
98
108
120
128
128
147
151
155
160

BIBLIOGRAFIE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164

180

S-ar putea să vă placă și