Documente Academic
Documente Profesional
Documente Cultură
IOAN NAFORNI
REPREZENTRI TIMP-FRECVEN
Editura "Politehnica"
Prefa
Autorii lucrrii sunt bine cunoscui ca specialiti n domeniul prelucrrii
semnalelor, att analogice ct i numerice, avnd preocupri de durat referitoare la
noile reprezentri timp-frecven de tip wavelet. De fapt, aceste reprezentri au
constituit i obiectul unor seminarii la care autorii au prezentat rezultate personale,
unele dintre acestea fiind comunicate la manifestri tiinifice internaionale. O carte
asemntoare nu a mai aprut la noi n ar i chiar n lume sunt doar cteva (3-4).
Fa de acestea se remarc prin nivel, prin viziune unitar i prin rigurozitate. Se poate
afirma c lucrarea de fa este o monografie ntocmit pe baza unei foarte vaste
bibliografii, format cu precdere din articole i c ea reprezint o sintez original de
valoare. Lucrarea este rezultatul unui efort ndelungat i susinut. Cartea se adreseaz
unui cerc de cititori cu o pregtire prealabil temeinic n teoria semnalelor, care au o
bun baz matematic. Lucrarea are nou capitole i conine peste patru sute de pagini.
Bibliografia citat numr o sut patruzeci i opt de titluri, printre care i articole ale
autorilor. O analiz mai atent a coninutului lucrrii scoate n eviden faptul c
problemele legate de transformri de tip wavelet ocup majoritatea volumului i
c de fapt cartea este destinat, n fond acestora, ncadrndu-le ns
ntr-un context mai general, firesc de altfel, al transformrilor timp-frecven.
Consider c aceast opiune a autorilor este corect, cel puin din dou motive. Primul
l constituie noutatea, faptul c transformarea wavelet este mai recent i sunt puine
cri care s o trateze n toat complexitatea sa. Cel de al doilea motiv este importana
aplicaiilor. Dac, probabil, transformarea de tip wavelet a aprut i s-a aplicat n
explorri seismice, pentru detectarea zcmintelor petrolifere, acum cercul aplicaiilor
acestei transformri se lrgete continuu. Sigur, se putea scrie o carte separat despre
aceste transformri, dar ideea autorilor de a trata unitar reprezentrile timp-frecven
mi se pare fericit. Mereu avem nevoie de sinteze i generalizri. Fr ele acumulrile
tiinei se pierd.
n capitolul introductiv autorii caut s explice ct mai simplu sensul noiunii
de reprezentare timp-frecven a unui semnal. Cititorul este obinuit cu reprezentrile
semnalelor, separat n domeniul timp i separat n domeniul frecven (transformrile
Fourier). n cazul semnalelor nestaionare spectrul se modific n timp. De aici apare
necesitatea reprezentrii timp-frecven. Un prim demers spre generalizare este fcut
de autori n chiar primul capitol, unde se prezint proprietile dorite pentru aceste
reprezentri, indiferent de tipul lor. n capitolele urmtoare se va reveni frecvent
asupra acestor proprieti, atunci cnd se vor prezenta diferitele transformri uzuale.
NOTAII UTILIZATE
r ss ( t )
CGn
( )*
Ex
$
V
Q
(t )
p T ( t)
A
K( , )
~
F
E
R
i ( t)
r
F r
d
x a (t)
x v ( t)
B2
supp{x( t)}
F
F
d
X ( )
X()
X(z)
autocorelaia semnalului s( t )
codul Gray al numrului n
conjugare complex
convoluie
energia semnalului x
estimata lui V
factorul de calitate al unui filtru
factorul de scar al unui semnal, scara unui semnal
funcie de scar
funcie de scar ortogonal
funcie "wavelet"
funcia treapt unitate
impuls dreptunghiular de durat 2T
nchiderea mulimii A
norm
nucleu
operator de dublare a scrii
operatorul dual operatorului F
operatorul Hilbert
operator de njumtire a scrii
operator de mediere statistic
operatorul rest
produs cartezian
produs scalar
produs tensorial
pulsaia instantanee
regularitatea unui semnal, rezoluia unui semnal
restricia transformrii Fourier la perioada principal
semnalul analitic asociat semnalului x( t )
semnalul obinut prin reflectarea semnalului x( t )
spaiul semnalelor de energie finit i band limitat
suportul semnalului x(t)
transformarea Fourier a semnalelor n timp continuu
transformarea Fourier n timp discret
transformata Fourier a semnalului x(t)
transformata Fourier n timp discret a semnalului x[ n]
transformata z a semnalului x[ n]
CUPRINS
1. INTRODUCERE
1.1. Conceptul de reprezentare timp frecven
1.1.1. Localizarea semnalelor n planul timp-frecven
1.2. Proprieti cerute unei reprezentri timp-frecven
17
17
21
22
28
45
28
32
40
45
52
60
64
64
66
78
80
80
82
6. GENERALIZRI
86
84
Cuprins
6.2. Clasa reprezentrilor biliniare. Clasa lui Cohen
6.2.1. Cazul reprezentrilor timp-frecven
6.2.2. Cazul reprezentrilor timp-factor de scar
6.3. Legtura dintre teoria reprezentrilor bidimensionale i
teoria semnalelor aleatoare
6.3.1. Distribuii de putere
91
92
95
99
102
106
106
109
123
134
144
158
176
192
198
200
228
255
272
294
298
302
308
308
Cuprins
310
9. APLICAII
9.1. Aplicaiile reprezentrilor timp-frecven n Radar
9.2. Aplicaiile reprezentrilor timp-frecven n explorarea
seismic
9.3. Aplicaiile reprezentrilor timp-frecven la detecia
defectelor mecanice
9.4. Aplicaiile reprezentrilor timp-frecven n medicin
9.5. Aplicaiile reprezentrilor timp-frecven n metrologie
9.5.1. Msurarea frecvenei instantanee
9.5.2. Msurarea benzii instantanee
9.5.3. Compresia datelor n aparatura de msurare
9.6. Aplicaii n telecomunicaii
9.6.1. Aplicaii la prelucrarea semnalului vocal
9.6.2.mbuntirea raportului semnal pe zgomot
folosind funciile wavelet
9.6.3. Aplicaii la prelucrarea imaginilor
9.6.4. Alte aplicaii n telecomunicaii
Bibliografie
Index
310
315
320
324
326
326
336
338
350
350
352
352
353
356
356
364
366
379
379
382
388
390
391
400
10
Cuprins
CONTENTS
1. Introduction
1.1. The Time Frequency representation Concept
1.1. Time Frequency Localisation
1.2. Properties Requested for a Time-Frequency
Representation
17
17
21
22
28
28
32
40
45
45
52
60
64
64
66
78
80
80
6. Generalisations
6.1. Linear Representations Case
6.2.The Class of Quadratic Representations. The Cohen's Class
6.2.1. The Time-Frequency Representations Case
6.2.2. The Time-Scale Factor Representations Case
6.3. The Relation Between the Quadratic Representations
Theory and the Random Signals Theory
86
86
91
92
95
99
82
84
Cuprins
6.3.1. Power Distributions
7. The Discretization of Time-Frequency Representations
7.1. The Discretization of the Linear Representations
7.1.1. The Discretization of the Short Time Fourier
Transform
7.1.2. The Discretization of the Continuous Wavelet
Transform
7.1.2.1. Orthonormal Bases of Wavelets
7.1.2.2. The Multiresolution Analysis Concept
7.1.2.3. The Orthogonal Decomposition Concept
7.1.2.4. The Description of the Multiresolution
Analyses with Polynomial Functions
7.1.2.5. The Mallat's Algorithm
7.1.2.6. Differentiating and Integrating in
Multiresolution Analyses
7.1.2.7. Orthonormal Bases of Wavelets. Variation
on the theme
7.1.2.8. Biorthogonal Bases of Wavelets
7.1.2.9. The Generalisation of the Multiresolution
Concept
7.1.2.10. Wavelet Packets
7.2. The Analysis of Non-Stationary Signals using a TimeFrequency Dictionary
7.3. The Discretization of Quadratic Representations
7.4. Time-Frequency Atoms and Quadratic Representations
8. Algorithms and Programs to Compute the Time Frequency
Representations
8.1. Using the FFT Algorithm to Compute the Time-Frequency
Representations
8.2. Computing the Continuous Wavelet Transform using the
Mallat's Algorithm
8.2.1. The Mallat's Algorithm Initialisation
8.2.2. The Mallat's Algorithm Implementation
8.2.3. The two-dimensional Case
8.3. Algorithms using Wavelet Packets
8.4. Soft for Time-Frequency Analysis
8.4.1. About JTFA
11
102
106
106
109
123
134
144
158
176
192
198
200
228
255
272
294
298
302
308
308
310
310
315
320
324
326
326
12
Cuprins
8.4.2. About MegaWave
8.4.3. About WaveLab
9. Application
9.1. Time Frequency Analysis in Radar
9.2. Application of the Time Frequency Representations to
Seismic Data Processing
9.3. Time Frequency Analysis in Machine Fault Detection
9.4. Application of the Time Frequency Representations in
Medicine
9.5. Time Frequency Representations in Metrology
9.5.1. The Instantaneous Frequency Measurement
9.5.2. The Instantaneous Bandwidth Measurement
9.5.3. Data Compression
9.6. Application in Telecommunications
9.6.1. Application to Speech Processing
9.6.2. The Enhancement of the Signal to Noise Ratio
using Wavelets
9.6.3. Application to Image Processing
9.6.4. Other Application in Telecommunications
References
Index
336
338
350
350
352
352
353
356
356
364
366
379
379
382
388
390
391
400
Cuprins
13
TABLE DE MATIERES
1. Introduction
1.1. Le concept de reprsentation temps
frquence
1.1.1 Localisation des signaux dans le plan temps
frquence
1.2. Des proprits demandes une reprsentation temps
frquence
17
28
28
32
21
22
40
45
45
52
64
64
66
80
6. Des gnralisations
6.1. Le cas des reprsentations linaires
86
86
60
78
80
82
84
14
Cuprins
6.2. Les reprsentations bilinaires. La classe de Cohen
6.2.1. Le cas des reprsentations temps frquence
6.2.2. Le cas des reprsentations temps chelle
6.3. La relation entre les reprsentations bidimenssionelles et
la thorie des signaux alatoires
6.3.1. Distributions de puissance
91
92
95
99
102
106
106
109
123
134
144
158
176
192
198
200
228
255
272
294
298
302
308
308
Cuprins
15
310
315
320
324
9. Applications
9.1. Les applications des reprsentations temps frquence en
Radar
9.2. Les applications des reprsentations temps frquence en
exploration seismique
9.3. Lutilisation des reprsentations temps frquence pour la
dtection des dfauts mcaniques
9.4. Les applications des reprsentations temps frquence en
mdicine
9.5. Les applications des reprsentations temps frquence en
Mtrologie
9.5.1. Lestimation de la frquence instantane
9.5.2. Lestimation de la bande de frquences
Instantane
9.5.3. La comprssion de donnes en mtrologie
9.6. Quelques applications en tlcommunications
9.6.1. Lutilisation des reprsentations temps
Frquence pour le traitement de la parole
9.6.2. L'augmentation du rapport signal/bruit
en utilisant les ondelettes
9.6.3. Lutilisation des reprsentations temps
Frquence pour le traitement des images
9.6.4. Autres applications en tlcommunications
Bibliographie
391
Index
326
326
336
338
350
350
352
352
353
356
356
364
366
379
379
382
388
390
400
Capitolul 1
INTRODUCERE
"Prelucrarea semnalelor" are ca scop modelarea matematic a fenomenelor utilizate n
tehnic. Garania evoluiei n acest domeniu de cercetare este permanenta mbuntire a
preciziei cu care modelele create descriu realitatea fenomenului modelat. De aceea e necesar
s se utilizeze metode matematice tot mai evoluate. Dei fenomenele staionare sunt mai
simplu de modelat, n prezent este tot mai cerut analiza fenomenelor nestaionare.
1.1. CONCEPTUL DE REPREZENTARE TIMP FRECVEN
Unul dintre semnalele cel mai des utilizate este semnalul sinusoidal. Acesta este descris
matematic de funcia:
(1)
x o (t) = A o sin o t
parametrizat dup constantele: A o - amplitudine i o - pulsaie. Pentru cunoaterea acestui
semnal este suficient cunoaterea legii sale de variaie n timp (relaia (1)) i a parametrilor
si A o i o . Este evident vorba de un semnal staionar. Un alt exemplu de semnal staionar
este impulsul descris n relaia :
(2)
x1(t) = A 1 ((t) (t ) )
Parametrii acestui semnal sunt: amplitudinea sa A1 , durata sa , precum i momentul
declanrii, to = 0.
Pe baza celor dou exemple se poate afirma c semnalele staionare au parametrii
constani. Aceast observaie este valabil i pentru semnalele aleatoare staionare, dac
considerm c n acest caz, parametrii semnalului sunt momentele sale statistice (media,
dispersia, ...).
De aceea se poate afirma c semnalele nestaionare (deterministe) au parametrii
variabili n timp. Astfel, dac :
sau:
A o = cos 10 o t
(3)
o = t
(4)
18
semnalului de la ieirea sa, iar variaiile de temperatur pot produce modificri ale frecvenei
de oscilaie. De asemenea, relaia (1) nu este adecvat pentru descrierea regimurilor de pornire
ale oscilatorului. Iat de ce, la o analiz mai atent, semnalul de la ieirea unui oscilator
trebuie considerat ca fiind nestaionar.
i n cazul semnalelor aleatoare, folosite pentru modelarea unor fenomene reale
(vibraiile unei maini unelte, zgomotul unui motor electric, .a.), ipoteza de staionaritate
trebuie evitat tot mai frecvent.
Fenomenele nestaionare pot fi clasificate n doua categorii: adaptive i evolutive
[85].
n cazul fenomenelor nestaionare adaptive, nestaionaritatea este suficient de lent
pentru a se putea presupune, pentru intervale scurte de timp, c parametrii semnalelor sunt
constani.
Fenomenele nestaionare evolutive necesit modaliti de descriere global a
variaiilor parametrilor lor. De aceea, n acest caz, aceste variaii pot fi rapide.
Rezult c pentru analiza semnalelor nestaionare adaptive este necesar o prelucrare
localizat n timp. De aceea n acest caz nu poate fi utilizat transformata Fourier. Aceast
afirmaie este justificat de urmtorul fragment din articolul "Cables et Transmision" scris de
J.Ville n anul 1948:
"Dac considerm un fragment de muzic compus din mai multe msuri i dac o
not, "la", de exemplu, figureaz o dat n acest fragment, analiza Fourier ne va prezenta
frecvena corespunztoare cu o anumit amplitudine i cu o anumit faz, fr a localiza "la"
- ul n timp. Ori, este evident c pe parcursul bucii exist momente de timp cnd nu se aude
nota "la ".
Deci a aprut necesitatea introducerii unor noi transformri. Reprezentrile timpfrecven sunt uneltele necesare pentru analiza semnalelor nestaionare. Aceast analiz
presupune identificarea parametrilor acestor semnale. Pe lista acestor parametri trebuie
inclui: momentele de timp de ncepere i terminare a semnalului, energia sau puterea
semnalului, amplitudinea instantanee, frecvena instantanee, banda de frecven instantanee a
semnalului, etc.
Se reamintete definiia frecvenei instantanee a unui semnal, [37]. Se consider n
acest scop semnalul real x(t).
Definiia 1
1 + x( )
1
H { x(t)} = VP x(t) =
d
t t
t
Definiia 2
1 Introducere
Definiia 3
x 2 (t) + H 2 { x(t)}
A(t) =
Definiia 4
19
i (t) =
d
arg { x a (t)} = 2 f i (t)
dt
n funcie de aplicaia avut n vedere este important estimarea unuia sau mai multor
parametri ai semnalului nestaionar. Acum civa ani firma Hewlet Packard a nceput s
produc o gam de aparate numite analizoare n domeniul modulaiei. Primul produs din
aceast gam a fost HP-5371A. Aceste aparate msoar frecvena instantanee a semnalelor pe
care le analizeaz. n figura 1.1.1 este prezentat o reprezentare "timp-frecven" ideal a
semnalului nestaionar:
2 f 1 , t [ t 1 , t 2 ) ,
2 f 2 , t [ t 3 , t 4 ) ,
x(t) = A o cos ( o (t) t ) ; cu o (t) =
t [t 5 , t 6 ) ,
2 f 3 ,
0 ,
in rest
xa (t) = A o e j o (t) t
Frecvena instantanee a semnalului x(t) este:
f1 ,
1 d
f2 ,
fi (t) =
o (t) t ) =
(
2 dt
f3 ,
0,
[
t [ t , t ),
t [t , t ) ,
t t 1 , t 2 ),
3
in rest
Se constat c linia ngroat din figura 1.1.1 este tocmai graficul acestei funcii.
Analiznd reprezentarea tridimensional din figura 1.1.1, se constat faptul c semnalul x(t)
se declaneaz la momentul t1, fiind o sinusoid cu frecvena f1, pn la momentul t2, cnd
semnalul nceteaz, pentru a se redeclana la momentul t3, fiind o sinusoid cu frecvena f2
pn la momentul t4 cnd nceteaz pentru a doua oar declanndu-se din nou la momentul
t5 fiind o sinusoid cu frecvena f3 pn la momentul t6 cnd se sfrete definitiv. Se
constat c proiecia "reprezentrii timp- frecven" din figura 1.1.1 pe planul
20
( A, t )
( f, t )
( f, A)
reprezint
reprezint frecvena
( )
( A, f ) permite
1. Introducere
21
2t = 2 x( ) d ;
2 = 2 X( ) d
2
2t 2
Cu ct durata efectiv a unui semnal este mai scurt cu att banda sa efectiv de frecvene este
mai larg. Deci nici un semnal nu poate fi localizat orict de bine i n domeniul timp i n
domeniul frecven. Semnalul cu cea mai bun localizare n planul timp-frecven este acela
pentru care n ultima relaie este valabil semnul egal. Acesta este semnalul Gaussian:
x(t) = e
2
t
2
( )
operatorului TF aplicat semnalului x este deci funcia de 2 variabile TFx ( ,t) . Valoarea
x(t). Funcia TFx ( ,to ) are semnificaia de spectru instantaneu al semnalului considerat.
22
Tipul semnalului
Gaussian
Chirp
Impuls
dreptunghiular
Tipul
semnalului
Gaussian
Chirp
Impuls
Dreptunghiular
Transformata Fourier
t2
e 2
1
to
2 (
e
2e
+ j ) t
2
e
+ j
to
to
t + 2 t 2
sinc
2t
1
2
1
4
to
12
2 (
2
2
2 ( j )
4 2 + 2
2
2t
1 +
2
+ 2
1. Introducere
P1.
23
TFx (t, ) dt d =
2 E x
(5)
x(t)
dt = E x
(6)
X( )
d = 2 E x
(7)
Comparnd relaiile (5) i (6), respectiv (5) i (7) rezult utilitatea proprietilor
marginale descrise de relaiile:
P2.
TFx (t, ) d = 2
x(t)
(8)
= X( )
(9)
TFx (t, ) dt
()( , t ) R R ,
() x(t) L2 (R )
TFx (t, ) R +
(10)
24
x t o , o (t) = x( t t o ) e j o t
x t o , o (t) este:
TFxt
o , o
(t, ) = TFx (t t o , o )
(11)
x k (t) =
k x( k t ) ,
k >0
(12)
Una dintre cele mai importante proprieti ale transformrii Fourier este cea de
filtraj. Aceast operaie este descris n domeniul timp prin convoluie. Proprietatea
corespunztoare a reprezentrilor timp-frecven ar fi:
P8. Fie y(t) semnalul obinut prin filtrarea semnalului x(t) cu un
filtru cu rspunsul la impuls h(t) :
1. Introducere
25
TFy ( t , ) =
(13)
TFy (t, ) =
TFm ( t, ) TFx ( t, ) d
(14)
() x(t), y(t)
L2 (R ) ;
1
x(t), y(t) L2 (R )=
X (), Y () 2
L (R )
2
TFx ( t , )
- -
TFy*
( t , ) dt d =
x(t) y (t) dt
*
(15)
Formula din relaia (15) poart numele lui Moyal [59]. Urmtorul grup de
proprieti ale reprezentrilor timp-frecven ar fi utile pentru evidenierea
26
(16)
(17)
Ar fi, de asemenea util, dac pe baza reprezentrii timp-frecven s-ar putea decide
dac semnalul de analizat este staionar sau nu.
Dup cum s-a artat n paragraful anterior un semnal staionar determinist este
unul care are toi parametrii constani. Deci un semnal staionar determinist poate fi
privit ca i o sum de componente, fiecare avnd amplitudinea instantanee i frecvena
instantanee constante.
Reprezentarea timp-frecven a unui astfel de semnal ar trebui s fie
independent de timp. De aceea proprietatea de staionaritate a semnalului de analizat
n planul timp-frecven ar putea avea urmtorul enun:
P12.
relaia:
TFx (t, )
=0
t
() t R
(18)
(19)
1. Introducere
27
Capitolul 2
REPREZENTAREA TIMP-FRECVEN DE TIP TRANSFORMARE
FOURIER SCURT
n anul 1890, n teza sa de doctorat, Sommerfeld a folosit pentru prima oar
noiunea de spectru instantaneu. Ideea sa era s nlocuiasc analiza Fourier "global",
care pierde noiunea de cronologie, printr-o succesiune de analize "locale" relative la o
fereastr de observare alunectoare. Aceast idee s-a materializat n anul 1945 prin
inventarea "sonografului". Prin construcie acest aparat lucreaz n domeniul
frecven. El msoar succesiv puterea de la ieirile unor filtre trece-band conectate
n derivaie. Rezultatul analizei fcute de sonograf se numete sonogram. Sonograma
reprezint ptratul modulului reprezentrii timp-frecven de tipul transformare
Fourier scurt (RTFTFS). Descrierea acestei reprezentri timp-frecven este:
TFxSTFT ( t , ) =
x ( ) w ( t ) e
(20)
w (t)
2
L2
= 1
TFxSTFT
(t , )
{w
,t
( ) = e j w( t)} ( ,t ) R 2
29
Relaia (20) poate fi rescris ca i produs scalar dintre semnalul de analizat i fiecare
element al acestei mulimi. ntr-adevr:
TFxSTFT ( t , ) = x( ), w ,t ( )
L2
(21)
w 0 ,t 0 ( ) = e j 0 w( t o )
Transformata Fourier a acestei ferestre temporale este:
W0,t 0 ( ) = F { e j0 w( t o )} = F{ w( t o )} ( + o ) =
(22)
30
2t
to
to
1
t
+
t
t o
2
2
to
12
Tipul
ferestrei
Dreptunghiular
Hamming
generali zat
wHg (t) =
1
t 0
2
+ (1 )cos t
to
t o2 ( 2 + 6 6)
to
to =
12 2
t
+
2
2
2
t
Hann
0,5
Hamming
Blackman
wHg
0,54
0,5
wHg
2t
2t
0,54
2 t
4 t
k 042
, + 05
,cos
+ 008
, cos
to
to
finit
to
to
t + 2 t 2
TF
(t, )
x( ) [e
w( t) ] d
*
Cu notaia:
x( t )e jt = u( t)
ultima relaie devine:
STFT
x
TF
(t, ) = u(t) w( t) dt
u(t) w
w (t) = w( t)
(t ) dt = u(t) w (t)
(23)
31
Realia (23) a dat titlul acestui paragraf. Importana sa rezid n faptul c permite o
nou interpretare fizic a reprezentrii timp-frecven de tipul tranformare Fourier
scurt. ntr-adevr, pentru fiecare pulsaie, , se poate afirma c reprezentarea timpfrecven de tipul Fourier scurt reprezint rspunsul sistemului liniar i invariant n
timp cu rspunsul la impuls w (t) , la semnalul u(t) . Acest semnal se obine prin
modularea semnalului x(t) , folosind semnalul purttor e jt .
n figura 1.2.1 este prezentat schema sistemului analogic care transform
semnalul x(t) n reprezentarea sa timp-frecven de tipul transformare Fourier scurt.
modulare
filtrare trece-jos
w(-t)
x(t)
TFxSTFT ( t,)
e jt
TF
(t, ) = e
j t
x( ) w( t) e
j ( t )
d = e j t [ x(t) w (t)e j t ]
(24)
w(-t) e jt
x(t)
e
Filtrare trece band
j t
TFxSTFT ( t,)
modulare
Fig. 2.2.1. O alt metod de implementare a reprezentrii timp-frecven de tipul transformare Fourier
scurt.
32
(t, ) = TFxSTFT
(t, ) + TFxSTFT
(t, )
TFSTFT
x1 + x 2
1
2
Demonstraie:
S T FT
x1 + x 2
TF
(t,
) =
( x ( )
1
+ x 2 ( )) w ( t ) e j d
TF
(t, )
= x1( ) w( t ) e
-
= TF
STFT
x1
(t, )
d + x2( ) w( t ) e j d =
+ TF
STFT
x2
(t, )
I =
TF
STFT
x
(t, ) dt d
I1 =
TF
STFT
x
(t, )
33
I1 =
F { x( ) w( t )}
{ { x( ) w( t )} ( )} ( )
d = ( 2 ) F 1 F
= 0
= 2 x(0) w (t)
S-a demonstrat c:
TFxSTFT (t, ) d =
2 x(0) w (t)
(25)
I =
2 x( 0) w
(t )dt = 2 x( 0)
w (t )dt
( )
L2 R 2 , [89].
R2.
TF
STFT
x
(t, ) dt d = 2 E x
2
Demonstraie:
TFxSTFT (t, ) = F { x( ) w( t )} ( )
Se calculeaz pentru nceput integrala:
(26)
34
I =
TFxSTFT (t, ) d =
{ x( ) w ( t )}
( ) d
I = 2 x( ) w( t ) d = 2 x( )
-
-
2
2
w( t ) d
(27)
Cu notaiile:
x( )
2
= f( ) i w( t ) = g( t)
I = 2
f( ) g( t) d = 2 f(t) g (t)
De aceea:
TF (t, )
STFT
x
Dar:
{ f(t) } (0)
x(t) dt = E x
i:
F { g (t) } (0) =
n consecin:
TF
STFT
x
(t, )
dt d = 2 E x
(28)
35
(29)
() x1 (t) L2 (R ) i x 2 (t) L2 (R ) i () , C
2
(t, ) = TFxSTFT
(t, ) + TFxSTFT
(t, )
TFSx1 + x 2 (t, ) = TFSTFT
x1 + x 2
1
2
)(
(t, ) + TFxSTFT
(t, ) TFxSTFT
(t, ) + TFxSTFT
(t, )
= TFxSTFT
1
2
1
2
(t, ) TFxSTFT
(t, )
= 2 TFxS1 (t, ) + TFxS2 (t, ) + * TFxSTFT
1
2
2
(t, ) TFxSTFT
(t, ) = 2 TFxS1 (t, ) + TFxS2 (t, ) +
+ * TFxSTFT
1
2
2
(t, ) TFxSTFT
(t, )
+ 2Re * TFxSTFT
1
2
)
*
TFSx1 + x2 (t, ) =
*
2
STFT
(
)
(
)
= 2 TFxS1 (t, ) + TFxS2 (t, ) + 2Re *TFxSTFT
t,
t,
TF
x2
1
(30)
T {x1 + x 2 , x1 + x 2 } = 2 T { x1,x1} + T { x 2 ,x 2 } +
2
+ * T { x1,x 2 } + * T {x 2 ,x1}
(30')
36
n cazul spectrogramei:
(t, ) TFxSTFT
(t, )
T { x1,x 2 }(t, ) = TFxSTFT
1
2
adic:
I1 =
TF
STFT
x
(t, ) d ;
I2 =
STFT
x
(t, ) dt ;
I3 =
TF
TF (t, ) d
S
x
I4 =
TF (t, ) dt ;
S
x
2 x( 0) w (t) x(t)
2 x(t) w (t)
2
x(t)
37
x(t) =
1
2
TF
STFT
x
( , ) w ( t ) e j d d
(31)
(t , ) TFxSTFT
(t , )
TFxSTFT
1
2
adic:
TFxS1 (t , ) TFxS2 (t , )
Dac spectrograma ar fi descris de un operator inversabil, atunci ultima
relaie ar implica identitatea semnalelor x1(t) i x2 (t). n concluzie spectrograma nu
are proprietatea P5 din paragraful 1.2.
Se analizeaz n continuare modul n care reacioneaz cele dou reprezentri
timp-frecven care constituie subiectul acestui paragraf la translaii n planul timpfrecven. Se consider n acest scop semnalul x t o , o (t) definit n enunul proprietii
P6 din paragraful 1.1. Se stabilete legtura ntre reprezentrile timp-frecven ale
semnalelor x t o , o (t) i x(t) .
STFT
x t ,
o o
TF
(t, ) =
x( t ) e
o
j o
w( t ) e j d
38
to = u
se obine:
STFT
x t ,
o o
TF
(t, ) = e
j ( o ) to
x(u) w(u (t t )) e
o
j ( o ) u
du
(t, ) = e j ( o ) to TFxSTFT ( t t o , o )
TFxSTFT
t ,
o
(32)
Deci relaia (11) (care descrie proprietatea P6 din paragraful (1.1) nu este satisfcut
stricto-senso. Ea este totui verificat cu excepia unui factor de proporionalitate de
modul unitar. Lund modulul n cei doi membrii ai relaiei (32) i ridicnd la ptrat se
obine:
1P6.
TFxSt
o , o
= TFxS (t t o , o )
(t, )
(33)
1P10.
dt d = 2 x(t) y* (t) dt
(34)
( ) = 2
L2 R2
( )
x, y L2 R2
(34)
( )
39
x(t) = (t) (t t o )
Liniaritate
Biliniaritate
Densitate spectrotemporal de energie
Marginale (P2)
Pozitivitate (P3)
Cauzalitate (P4)
Inversabilitate (P5)
Invarian la translaie (P6)
Invarian la scalare (P7)
Convoluie (P8)
Modulaie (P9)
Unitaritate (P10)
Conservarea suporturilor (P11)
Identif. staionar. (P12)
Concentrare pe legea frecvenei
instantanee (P13)
TF STFT
TFS
Da
Nu
Nu
Nu
Da
Da
Nu
Nu
Nu
Da
Nu
Nu
Nu
Nu
Nu
Nu
Nu
Nu
Nu
Da
Nu
Nu
Da
Nu
Nu
Da
Nu
Nu
Nu
Nu
Observaii
1R1
1R2
1 P5
1 P6
1P10
40
x1(t) = e
2
t
2
cos o t
w(t) = e
2
t
2
(t, ) =
TFxSTFT
1
cos o e
( t ) 2 j
2
TF
(t, ) =
2
( + ( t )2 )
2
cos o e j d
respectiv n forma:
(t, ) = e t
TFxSTFT
1
2
2
t 2
cos o e j d
2.3 Exemplu
41
Pentru orice valoare a lui t, integrala din membrul drept reprezint transformarea
Fourier a semnalului obinut prin modularea n amplitudine a semnalului purttor
cos o cu un semnal modulator de tip Gaussian. Se poate deci scrie:
STFT
x1
TF
(t, )
= e
t2
F e
cos o ( )
t 2
2
2
2
( +o )
( + o ) t ( o )
( o ) t
2
1
+e 4 cos
(t,) = e t e 4 cos
2
2
2
STFT
x1
TF
( + o ) t ( o )
( o ) t
1 t2 ( +4o )
+e 4 sin
j e e
sin
2
2
2
(35)
2
2
= e t e
+ e
4
STFT
x1
TF
(t, )
+2e
2 + 2o
2
cos t
(36)
1 cos t 1
rezult :
( o )
( + o )
4
4
e
e
( + o )
( o )
2+ 2o
e 2 + e 2 + 2 e 2 cos t
( o )
( + o )
e 4 + e 4
(37)
42
Avnd n vedere c primul membru i ultimul membru al relaiei de mai sus nu depind
de timp i c aceasta se poate pune n forma:
( o )
1 t 2 ( +4 o )
4
e
e
e
4
2
TFxSTFT (t, )
1 2t
e
2
( + o ) 2
+e
( o )2
4
t2
2
A( ) = e
( + o )2
4
( o )2
4
i superior de funcia:
B ( ) =
( + o )2
4
+ e
( o ) 2
4
Cu notaiile:
( ) = e
( + o )2
4
( ) = e
( o )2
4
A( ) = ( ) ( )
i
B( ) = ( ) + ( )
Se constat c funciile ( ) i ( ) sunt Gaussiene, centrate pe pulsaiile o i
o. n continuare se consider c valoarea pulsaiei o este suficient de mare, astfel
nct s aib loc relaia:
2.3 Exemplu
2o
4
43
<< 1
A( ) = B( ) ( ), ( ) B
unde B_ reprezint un interval de pulsaii centrat pe - o, respectiv:
A( ) = B( ) ( ), ( ) B +
n care B + reprezint un interval de pulsaii centrat pe o.
n consecin se poate afirma c modulul reprezentrii timp-frecven de tipul
transformare Fourier scurt are o comportare n domeniul frecven descris de funcia
( ) n intervalul de pulsaii B_ i de funcia ( ) n intervalul de pulsaii B+. Dar
aceste funcii au valori maxime la pulsaiile o i o. n consecin se poate afirma
c reprezentarea timp-frecven de tipul transformare Fourier scurt are maxime n
planul timp-frecven poziionate pe dreptele de ecuaie: = o i = o .
Acest comportament descrie faptul c semnalul x1(t) este un semnal modulat, pulsaia
purttoare fiind o. Este evideniat n acest mod factorul cos ot din expresia
semnalului x1(t).
Deoarece, pulsaia instantanee a semnalului x1(t) este o, se poate afirma c
reprezentarea timp-frecven de tipul transformare Gabor a acestui semnal se
concentreaz pe legea pulsaiei sale instantanee. Aceast concentrare este specific
unor funcii Gaussiene i nu satisface exigenele proprietii P13. Avnd n vedere
faptul c orice reprezentare timp-frecven, fiind o funcie de dou variabile, poate fi
considerat ca fiind o imagine, rezult c pentru creterea concentrrii sale pe legea de
variaie a frecvenei instantanee, pot fi folosite tehnicile de detecie de maxim din
prelucrarea imaginilor. Utiliznd aceste tehnici reprezentarea timp-frecven
considerat poate fi transformat ntr-o alt imagine care s descrie o nou
reprezentare timp-frecven. Aceasta va satisface exigenele proprietii P13. n acelai
mod poate fi prelucrat o reprezentare timp-frecven pentru a se obine o nou
reprezentare bidimensional care s satisfac oricare dintre proprietile enunate n
capitolul precedent. Practic este vorba despre o filtrare n planul timp-frecven.
Evident filtrul bidimensional folosit poate fi liniar sau nu. Aceste tehnici de filtrare n
planul timp-frecven sunt prezentate pe larg n [59]. Alte exemple de reprezentri
timp-frecven de tipul transformare Fourier scurt respectiv spectrogram vor fi
prezentate n capitolele urmtoare. Este vorba n special de capitolul 8 dedicat
programelor de calcul ale reprezentrilor timp frecven. Aa cum
44
Capitolul 3
REPREZENTAREA TIMP-FRECVEN DE TIPUL FUNCIE DE
INCERTITUDINE
Unul dintre dezavantajele reprezentrii timp-frecven de tipul transformare
Fourier scurt este numrul redus de proprieti utile ale acestei reprezentri.
O cauz este aceea c fereastra temporal folosit este o funcie care descrie un semnal
staionar. n consecin fereastra temporal nu se poate adapta la nestaionaritile
semnalului de analizat. Pentru a putea face aceast adaptare ar fi necesar ca fereastra
temporal s depind de semnalul de analizat. n acest mod se pot obine noi
reprezentri timp-frecven, care se difereniaz prin legea care exprim legtura
dintre fereastra temporal i semnalul de analizat. Una dintre acestea este i
reprezentarea timp-frecven de tipul funcie de incertitudine. Aceast reprezentare
este definit de relaia:
FI
x
TF
(t, ) =
t
t
x + x * e j d
2
2
t
= u
2
se obine:
TFxFI
(t, ) =
x (u) x * (u
t) e
j u
du =
= e
t
2 x * (u) x (t
u) e j u
*
j
2
TFSTFT
(
)
du = e
t,
*
x
(38)
w( ) = x( )
46
t
t
TFxFI (t, ) = F x + x * ( ) ,
2
2
( ) t R
TFxFI (t, ) =
1
t
F x +
2
2
*
( ) F x ( )
2
i:
t
t
j
F x * ( ) = e 2 X* ( )
2
2
e
X( ) e
X * ( ) =
t
t
1
j u
j (u)
2 X * ( u) du =
=
e 2 X( u) e
TF (t, ) =
FI
x
t
2
e
2
X( u) X * ( u) e - jut du
(39)
47
u =
+ v
2
se obine:
j
t
2
e
TF (t, ) =
2
FI
x
j v 2 t
X * v +
e
X v
dv
2
2
sau:
TFxFI (t, ) =
1
2
X * v + e j v t dv
X v
2
2
(40)
Aceasta este o formul alternativ celei din relaia (37) pentru calculul reprezentrii
timp-frecven de tipul funcie de incertitudine.
Aceast reprezentare timp-frecven a fost utilizat pentru prima dat n
radiolocaie. n continuare se explic semnificaia fizic a reprezentrii timp-frecven
de tipul funcie de incertitudine, n legtur cu problema de baz a radiolocaiei. Se
consider c radiolocatorul emite unda electromagnetic s(t). n urma reflectrii
acesteia pe suprafaa avionului i a ntoarcerii sale se recepioneaz unda sr(t).
Legtura ntre aceste semnale este:
sr (t) = s(t t o ) e j ( t t o )
(41)
S r ( ) = e j t o S( )
(42)
H a ( ) = k e j t i S* ( )
unde ti reprezint momentul la care are loc maximizarea raportului semnal pe zgomot
la ieirea acestui sistem.
48
H o ( ) = k S *( )
Rspunsul acestui filtru la semnalul recepionat, sr(t)este:
k
y (t, t o , ) =
S* ( ) S ( ) e j ( t t o ) d
2
Cu notaia:
t to =
i schimbarea de variabil:
= u
2
k
y ( , ) =
2
j u j
S* u +
S u
e
du e
2
2
1
y1 ( , ) =
2
S
e
S* +
d
2
2
Dar:
S +
=
2
*
i deci:
s (t') e
j +
t'
dt'
s (t')
*
Cu schimbarea de variabil:
i cu observaia:
1
2
j +
t'
S ( ' )
e j '
49
S
d
e
= '
2
( t' + )
d' = s ( + t' )
y1 ( , ) =
(t' ) s ( + t' )
j
+ t'
e 2
dt'
t = t' +
2
+ t
2
2
j
y1 ( , ) = s t s t + e
2
2
*
dt
Aadar:
y1 ( , ) =
s* t s t + e j t dt
2
2
(43)
Deci modulul rspunsului filtrului adaptat la semnalul emis s(t), pentru semnalul
recepionat sr(t), este egal cu modulul reprezentrii timp-frecven de tipul funcie de
incertitudine a semnalului emis. Iat semnificaia fizic a reprezentrii timp-frecven
de tipul funcie de incertitudine. n continuare se arat cum poate fi utilizat
reprezentarea timp-frecven de tipul funcie de incertitudine la msurarea mrimilor to
i . n acest scop se stabilete legtura dintre reprezentrile timp-frecven de tipul
funcie de incertitudine ale semnalelor, emis s(t)i recepionat sr(t).
50
TFsFI
r
a semnalului
(t, ) =
t
t
sr + s*r e j d
2
2
TFsFI
r
(t, ) = e
t
t
s t o + s* t o e j d
2
2
jt
to = u
se poate scrie:
(t, ) = e j ( t +
TFsFI
r
to )
TFsFI ( t, )
(44)
(45)
TFsFI
(t, 0)
t
t
s + s* d = rs*s (t)
2
2
(46)
{ }
{ }
51
{ r * (t)} sin t
{ r * (t)} cos t
FI
*
Re TFsr ( t, 0) = Re rs s (t) cos t I m
I TF FI ( t, 0) = Re r * (t) sin t + I
ss
m
m sr
ss
ss
TFsFI ( 0, ) = e j
to
Dar:
TFsFI ( 0, ) =
TFsFI (0, )
s( )
ej
(47)
(48)
funcie care poate fi determinat avnd n vedere c semnalul emis este cunoscut.
2
Deoarece s( ) este o funcie real i par, rezult (pe baza relaiei (48)) c funcia
{
{
}
}
FI
FI
Re TFsr ( 0, ) = cos t o TFs (0, )
r
Rezolvnd acest sistem pentru orice valoare a pulsaiei se obin funciile sin t o
i cos t o i cu ajutorul lor valoarea ntrzierii to. Se constat c impreciziile de
(t, )
calcul respectiv msurare a reprezentrilor timp-frecven TFsFI (t, ) , TFsFI
r
52
(49)
t
t
TFxFI (t, ) = F x + x*
2
2
(50)
t
t
K FI ( , t ) = x + x*
2
2
(51)
TFFIx1+ x2
(t, ) =
= 2
+ *
t
t
t
t * j
+
+
1 2 2 2 1 2 2 2 e d
t
t
2
x1 + x1* e j d +
2 2
t
t
x1 + x*2 e j d + *
2 2
t
t
x2 + x*2 e j d +
2 2
t
t
x1* x2 + e j d
2 2
x1 + x*2
t jt
e d
2
53
(52)
+ * TF FI
x2 x1 (t, )
(53)
T { x1 , x 2} (t, ) =
t
t
x1 + x*2 e jt d
2
2
TFxFI
( t,
) =
t *
t
x + e j d
2
2
( t,
) =
t
t
x + x* e j d = TFxFI (t, )
2
2
(54)
54
x1(t) = x(t t o )
Se calculeaz reprezentarea timp-frecven de tipul funcie de incertitudine a
semnalului x1(t):
TFxFI1
(t, ) =
x1 +
t *
t
x1 e j d
2
2
t0 = u
se obine:
TFxFI1 ( t, ) =
t
t
x u + x* u e j ( u + t o ) du
2
2
n consecin:
(55)
TFxFI1 ( t, ) TFxFI ( t t o , )
Deci reprezentarea timp-frecven de tipul funcie de incertitudine nu are proprietatea
P5 din paragraful 1.2.
n continuare se studiaz modul n care aceast reprezentare timp-frecven
reacioneaz la translaii n domeniul frecven. Fie n acest scop semnalul:
x 2 (t) = x(t) e j o t
Reprezentarea timp-frecven de tipul funcie de incertitudine a acestui semnal este:
(t, ) =
t
t
x2 + x*2 e j d =
2 2
55
t
t
x + x* e jo t e j d
2 2
Deci:
(56)
x t o , o (t) = x ( t t o ) e j o t
este legat de reprezentarea timp-frecven de acelai tip a semnalului x(t), pe baza
proprietilor de mai sus (relaiile (55) i (56)) prin formula:
TFxFI
t o , o
(57)
Dei nu este invariant la translaii n planul timp-frecven, totui reprezentarea timpfrecven de tipul funcie de incertitudine pune bine n eviden valorile constantelor
o i to. Aceast proprietate o face foarte util.
n continuare se studiaz proprietile marginale ale reprezentrii timp-frecven
de tipul funcie de incertitudine. n acest scop se calculeaz:
I =
TF FI (t, ) d
t
t
= x + x*
2
2
e j d d
56
Dar:
e j d
= F {1( )} ( ) = 2 ( )
n consecin:
2
t t
I = 2 x x* x(t)
2
2
Deci nici proprietatea P2 din paragraful 1.2 nu este satisfcut. Totui reprezentarea
timp-frecven de tipul funcie de incertitudine are o proprietate marginal interesant
n domeniul frecven. Pentru a evidenia aceast proprietate se calculeaz:
TFxFI
(t, 0) =
t
t
x + x* d
2
2
u =
t
2
TFxFI
(t, 0)
x* (u) x (u +
*
t) du = rxx
(t)
(58)
TFxFI (0, 0) = E x
(59)
57
TFxFI (t, ) dt
It =
1
*
X
It =
X v
2
2
v
+
e j v t dt dv
Dar:
1
2
ejvt
dt = F 1{1( t )} ( ) = (v)
n consecin:
I t = X
X
*
2
2
Se poate afirma c It nu reprezint o densitate spectral de energie. Proiecia
reprezentrii timp frecven de tipul funcie de incertitudine pe planul amplitudine frecvena are expresia:
TFxFI
(0, ) =
1
2
X v + dv
X v
2
2
Cu schimbarea de variabil:
= u
2
TFxFI ( 0, ) =
1
1
X* (u + ) X (u) du =
r ( )
2
2 XX
(60)
58
x k (t) =
k x(k t) ,
k> 0
i x(t). Avem:
TFxFI ( t, ) =
k
t
t
x k + x*k e j d
2
2
u = k
TFxFI
k
k t *
k t j k
x u
e
(t, ) = x u +
du = TFxFI k t,
2
2
k
TFyFI
(t, ) =
TFxFI ( , ) TFhFI (t
, ) d
59
unde:
(61)
TFyFI
(t, ) =
(62)
= x1, x2
( )
L R
( )
L R
y1, y2
( )
L2 R2
(63)
relaie care este verificat pentru orice semnale x1(t), x2 (t), y1(t) i y2 (t) de energie
finit [68]. n continuare se investigheaz n ce msur reprezentarea timp-frecven
de tipul funcie de incertitudine conserv suporturile temporal sau frecvenial ale
semnalului de analizat. Se consider, n acest scop c semnalul analizat are suportul
t
va fi identic nul n exteriorul
2
t
t
t
t
t
2
2
2
2
[t1 t 2 , t 2 t1] . Se poate afirma c proprietatea P11 din paragraful 1.2 nu este
60
X( ) = 0,
1, 2
TFxFI (t, ) = 0,
1 2 , 2 1
n sfrit, se poate demonstra c nici proprietile P12 i P13 din paragraful 1.2 nu
sunt verificate de ctre reprezentarea timp-frecven de tipul funcie de incertitudine.
Mai trebuie remarcat c reprezentarea timp-frecven de tipul funcie de incertitudine
poate fi folosit pentru calculul frecvenei instantanee a semnalului x(t), fiind valabil
formula [68]:
f i (t) =
1
2j
TFxFI ( , ) =
e j t d
(64)
TFxFI (0, ) e j d
(65)
x(t) = C e ( + j ) t , C R
2
(66)
( + j ) +
FI
TFx ( t, ) = C e
t 2
C e ( + j )
t 2
61
e j d
Aducnd integrandul din membrul drept la o form mai compact relaia de mai sus
devine:
TFxFI (t, ) = C
2
2 2 + t
2
2
e j ( -
2 t)
adic:
2 2 +
FI
2
TFx (t, ) = C F e
t2
(2 t )
TFxFI (t, ) =
t2
2 2
C e
e
2
( 2 t )2
8
TFxFI
(t, ) =
C2 e
2
1
2
t +
( 2 t )2
8
2
C e t
iar faza sa instantanee este:
t2
62
3.3 Un exemplu
i (t) = 2 t
Analiznd relaia (67) se constat c reprezentarea timp-frecven de tipul funcie de
incertitudine a semnalului "chirp" este o funcie real pozitiv. Deoarece:
TFxFI (0, 0) = C 2
TFxFI
(t, 0) = C 2
2
t2 +
2
e 2
t2
adic:
rxx (t) = C 2
e
2
2 2
t
+
2
2
TFxFI ( 0, ) = C 2
e
2
2
8
t2 +
( 2 t )2
2
8
63
rezult c pentru o valoare a lui t impus, valoarea maxim a reprezentrii timpfrecven de tipul funcie de incertitudine se obine pentru acea valoare a pulsaiei care
este soluia ecuaiei:
2 t = 0
Aceast observaie justific afirmaia c reprezentarea timp-frecven de tipul funcie
de incertitudine se concentreaz n jurul legii de variaie a frecvenei instantanee a
semnalului de analizat. De fapt se constat c la fel ca i n cazul exemplului din
paragraful 2.3, proiecia curbei care unete maximele reprezentrii timp-frecven de
tipul funcie de incertitudine pe planul ( t,) este tocmai legea de variaie a frecvenei
instantanee a semnalului de analizat. Aceast observaie justific concentrarea
reprezentrii timp-frecven pe legea frecvenei instantanee. Din pcate nici n cazul
reprezentrii timp-frecven de tipul transformare Fourier scurt nici n cazul
reprezentrii timp-frecven de tipul funcie de incertitudine aceast concentrare nu
este perfect, nefiind descris de o lege de forma:
i (t)
Capitolul 4
REPREZENTAREA TIMP-FRECVEN DE TIPUL
WIGNER-VILLE
Considernd semnalul de energie finit x(t), i se asociaz nucleul:
K W V (t, ) = x t + x* t
2
2
(67)
TFxW V
(t, )
x t + x* t e j d
2
2
(68)
K W V (t, ) = K FI ( , t )
(69)
Deci cele dou nuclee se pot obine unul pe baza celuilalt prin
schimbarea de variabil:
TFxW V
(, )} (t, )
TFxW V ( , ) e j( + t ) d d
65
} (t, ) =
F TFxW V ( , )
x + x* e - j d e j( + t ) d d
2
2
)} (t, )
F TFxW V ( ,
x + x* e - j d e j d e j t d
2
2
sau:
TFxW V ,
)} (t, )
TFxFI ( ,
) e j d e j t d
TFxFI
( , )} () =
TFxFI ( ,
) e j d
} (t, ) =
F TFxW V ( , )
F {TFxFI ( ,
) () e j t d
} (t, )
F TFxW V ( , )
{ {
} }
= F F TFxFI ( , ) () (t )
F TFxW V ( , )
} (t, )
= 2 TFxFI ( t, )
66
n sfrit, innd seama de proprietatea de conjugare simetric a reprezentrii timpfrecven de tipul funcie de incertitudine, se obine:
} (t, )
F TFxW V ( , )
= 2 TFxFI
( t, )
(70)
I =
TFxW V ( , ) d
} (0, 0)
I = F TFxW V ( , )
= 2 TFxFI (0, 0) = 2 E x
(71)
I1 =
TFxW V (t, ) d
67
Se constat c:
I 1 = x t + x* t e - j d d
2
2
Inversnd ordinea de integrare rezult:
I 1 = x t + x t e - j d d
2
2
Dar:
e - j d = F {1 ( )} d = 2 ( )
De aceea:
x t + x* t ( ) d = 2 x(t)
2
2
I1 = 2
I2 =
TFxW V (t, ) dt
I2
= x t + x* t e - j d dt
2
2
I2
= x t + x* t dt e - j d
2
2
68
= u
2
t
aceasta devine:
x t + 2 x* t 2 dt =
x* (u) x (u + ) du
rx x
I2 =
* *
( ) e - j d
Este vorba despre transformata Fourier a autocorelaiei semnalului x* (t), care dup
cum se tie reprezint densitatea spectral de energie a acestui semnal:
I2 =
F { x * (u)} ( )
= X* ( ) = X ( ) 2
TFxW V
(t, )) =
*
x* t + x t e j d
2
2
u =
se obine:
69
u
u
x t + x* t e j u du
2
2
(t, ) =
(72)
n consecin se poate afirma c reprezentarea timp-frecven de tipul WignerVille este real. Din pcate ea nu este i pozitiv definit. n continuare se va demonstra
afirmaia aceasta. n acest scop se va demonstra pentru nceput c reprezentarea timpfrecven de tipul Wigner-Ville este biliniar. Se consider n acest scop semnalele
x1(t) i x2(t). Se calculeaz reprezentarea timp-frecven de tipul Wigner-Ville a
semnalului x1(t) + x 2 (t) unde i sunt constante complexe.
Folosind relaiile:
TFxW1x2 V
TFxW2x1V
(t, ) =
(t, ) =
x1 t + x*2 t e j d
2
2
x 2 t + x1* t e j d
2
2
se obine:
+ * TFxW2x1V (t, )
Se constat identitatea acestei relaii cu relaia (30') dac:
l k
respectiv:
l = 12
,
(73)
70
(t, ) =
x1* t + x 2 t e j d
2
2
u =
u
u
(t, ) =
TFxWk V ( t, ) 0 ,
k = 0, 1, 2
Prin aplicarea proprietii marginale din domeniul timp se pot scrie relaiile:
W V
TFx
n consecin:
(t, ) d = 2 x k (t)
k = 0, 1, 2
71
TFxWk V (t, ) = 0 , () t In k , k = 0, 1, 2
n ultima relaie s-a folosit notaia:
I n o = I n1 U I n 2
Dar pe baza proprietii de biliniaritate:
WV
V
(t, ) + TFxW2 V (t, ) + 2Re *TFxW1x2V (t, )
TFW
xo (t, ) = TFx1
2
(74)
n exteriorul intervalului In1, funcia de dou variabile TFxW1 V (t, ) este nul iar
semnalul x o (t) este identic cu semnalul x 2 (t) . De aceea relaia (74) devine:
n consecin:
() t I n1 ,
n exteriorul intervalului I n 2 , TFxW1 V (t, ) este nul iar semnalul x o (t) este identic
cu semnalul x 1 (t) . De aceea relaia (74) devine:
De aceea:
() t
() t R ,
72
X1 ()
X1( )
X 2 ()
sau:
Xo ( )
X 2( )
adic:
(X1( ) + X 2( )) ( X 1( ) + X 2( ))* =
X1( )
X 2( )
respectiv:
X1( )
X 2( )
X1( )
X 2( )
2 Re * X1( ) X*2 ( ) = 0,
( ) R
(74)
73
x t o , o (t) = x(t t o ) e j o t
Pentru aceasta se folosete faptul c reprezentarea timp-frecven de tipul
funcie de incertitudine este transformata Fourier bidimensional a reprezentrii timpfrecven de tipul Wigner-Ville, se folosete legtura dintre reprezentrile de tipul
funcie de incertitudine ale semnalelor x(t) i x t o , o (t) precum i proprietile de
translaie n timp i n frecven ale transformrii Fourier bidimensionale. Se obine:
(75)
x k (t) =
k x(k t)
Aceasta este:
TFxWk V
(t, ) = k
k *
k - j
x k t
e
x k t +
d
2
2
Cu schimbarea de variabil:
k = u
se obine:
TFxW V
k
adic:
u
u -j
(t, ) = k x k t + x* k t e
2
2
u
k
du
k
74
(76)
TFyW V
(77)
(78)
[ t1 ,t2 ] . Produsul
t1 t +
i
t1 t
adic dac:
x t + x* t va fi nenul dac:
2
2
t2
2
2 t1 2 t 2 t 2 2 t
t 2 2 t1 2t 2t 2 2t
2
2 t 2t 2 2t 2t1
2t1 2t , 2t 2 2t 2t 2t 2 , 2t 2t1
75
2t 2 2t > 2t 2t 2 t < t 2
sau dac:
t > t1
TFxW V (t, ) = F x t + x * t - ( ) =
2
2
1
F x t + F x * t - ( ) =
=
2
2
2
=
1 + 2t
2t
( ) F x *
( ) =
F x
2
2
2
1
2
[e
j 4t
2t ) ( 2 )
X ( 2 ) e j 4 t X* ( 2 )
]
[
1
i deci c suportul
2
76
tipul funcie de incertitudine i Wigner-Ville, relaia (63) din paragraful 3.1 devine
pentru:
} ( , ) , F* {TF
F * TFxW1 V (t, )
W V
x2
(t, ) ( , ) = x1, x2
sau pe baza relaiei lui Parseval, din cazul transformrii Fourier bidimensionale:
( )
L R
x1 , x 2
x(t) = A cos 2 t 2
i asupra acestei proprieti a reprezentrii sale de tipul Wigner-Ville se va reveni mai
trziu.
Deci reprezentarea timp-frecven de tipul Wigner-Ville nu verific
proprietatea P13 din paragraful 1.2.
Un semnal determinist staionar de energie finit poate fi scris n forma:
x s (t) =
an e j
TFxWs V
(t, ) =
anam e
*
n m
j (n m ) t
+ m
j n
2
e
n + m
2
n m
77
Proprieti
Liniaritate
Biliniaritate
Densitate spectrotemporal
de energie (P1)
Reprezentarea timp-frecven
Funcie de
Wigner-Ville
incertitudine
TF FI
TF W V
NU
NU
DA
DA
Observaii
NU
DA
Pozitivitate (P3)
NU
NU
Cauzalitate (P4)
Inversabilitate (P5)
NU
DA
NU
DA
TFxFIt , (t, ) =
Invarian la translaii (P6)
NU
DA
DA
DA
DA
DA
NU
DA
DA
DA
DA
DA
NU
NU
NU
NU
o o
j ot
j t0
TFxFI (t,)
TFxWs V ( t, )
t
= 0
() t R
78
4.2 EXEMPLU
Fie semnalul:
x(t) = e t cos o t
2
x o (t) = e t e j o t
Pulsaia instantanee a acestui semnal este:
i (t) = o
n continuare se calculeaz reprezentarea Wigner-Ville a semnalului considerat:
TFxW V (t, ) =
t +
e 2 cos
t
+
o
2
cos o t e j d
sau:
TFxWV
(t, ) = e
2 t 2
2 t 2
2
(
)
F e
cos 2 o t F e
+e
2
2 cos
( o )2
( + o )2
2
2
1
1
2
2
TFxWV (t, ) =
e 2 t cos 2 o t e 2 + e
+ e
(79)
2
2
79
Capitolul 5
REPREZENTAREA TIMP-FRECVEN DE TIPUL "WAVELET"
Admind c semnalul nestaionar x(t) este descris printr-o succesiune de
semnale de durat limitat, dintre care primele sunt de durat mare i cu vitez de
variaie redus iar ultimele sunt scurte i cu variaie rapid, ar fi util ca acest semnal s
fie prelucrat cu ajutorul unei reprezentri timp-frecven care s foloseasc o fereastr
temporal lung la nceputul analizei i scurt la sfrit. O fereastr temporal de acest
fel este:
s ( s ( - t))
w( ) =
CWTx (s, t) =
x( ) ( s (
t)) d
(80)
, o
o
fiind pulsaia central a filtrului trece band cu rspunsul la impuls ( ) atunci
Dac se consider c parametrul s este un raport de pulsaii: s =
TFxCWT ( ,
t) =
x( )
( t) d
o
(81)
WAVELET
Folosind notaia:
s( ) =
s (s )
81
CWTx (s, t) = x( ), s ( t)
De obicei funcia ( ) reprezint rspunsul la impuls al unui filtru trece-band. Dac
funcia ( )este real, ultima relaie devine:
s (t) = s ( t)
Deci pentru fiecare valoare pozitiv a lui s, transformarea "wavelet" a semnalului x(t)
este rspunsul sistemului liniar i invariant n timp, cu rspunsul la impuls s (t) , la
semnalul x(t). Acest sistem are rspunsul n frecven:
1
F { (t)}
s
s
fereastra F (t)
2t
1
= 2
s
2
t
2
u 2 2 (u) du =
} ( )
s (t)
d = s
2
u 2 F{(t)} (u) du
sau:
2
= s2 2
82
F { s ( )}( o s ) =
( o s )
1
F { ( )}
s
s
rezult c:
o s = s o
De aceea se poate scrie:
=
= Q
o s
o
83
dt d = C x, y
(82)
(u)
C =
du
(83)
(u)
du <
(83')
TFxCWT (t, )
dt d = C E x
(84)
84
1
x( t ) =
C
CWTx (s, u) s (t
u) ds du
(85)
x t o (t) = x(t t o )
Se determin legtura dintre reprezentrile timp-frecven de tip wavelet ale
semnalelor x(t) i x t o (t) . Avnd n vedere c reprezentarea timp-frecven de tip
wavelet se poate exprima printr-o operaie de convoluie care este invariant la
translaii rezult c se poate scrie:
TFxCWT
(t, ) = TFxCWT (t t o , )
t
o
5.3 EXEMPLU
Fie semnalul de analizat:
x(t) = pT (t) e j 1t ;
pT (t) = (t + T ) (t T )
TFxCWT (t,
) =
85
( ) ( ( - t)) e j 1 d
( t) = u
rezult:
TFxCWT (t,
) =
e j 1t
T - t
( u) e
T - t
j 1 + t
u
pT + t ( u) e du =
j 1
du =
e j 1t
u
F * ( u) pT + t 1
Prin particularizarea funciei (u), analiza din acest exemplu poate fi ncheiat.
Se poate totui constata c variabilele au fost separate. Comportarea n
(u) pT
+ t .
Capitolul 6
GENERALIZRI
n capitolele anterioare au fost introduse cteva reprezentri timp-frecven.
Fiecare dintre acestea este de fapt un exemplu pentru cte o clas de reprezentri
timp-frecven. Rolul acestui capitol este de a prezenta aceste clase, prin generalizarea
exemplelor din capitolele anterioare.
Toate reprezentrile timp-frecven prezentate pn acum se aplic semnalelor
de energie finit, fiind funcionale definite pe L2 ( R) . Dac acest spaiu se nlocuiete
cu un spaiu mai cuprinztor atunci se obin reprezentri timp-frecven generalizate.
n sfrit, pot fi introduse conexiuni ntre teoria reprezentrilor timp-frecven
i teoria semnalelor aleatoare.
Dup cum s-a constatat exist dou tipuri de reprezentri timp-frecven, cele
liniare, ca de exemplu reprezentarea timp-frecven de tip wavelet i cele biliniare,
ca de exemplu reprezentarea timp-frecven de tipul Wigner-Ville. Pentru nceput vor
fi prezentate generalizri ale reprezentrilor timp-frecven liniare.
6.1 CAZUL REPREZENTRILOR LINIARE
n continuare se va utiliza urmtoarea definiie pentru o reprezentare timpfrecven liniar.
Definiie
Dac sunt satisfcute ipotezele:
n
1) A R , K :R A C ;
2) ( ) a A , K( , a ) este msurabil i
K( , a )
3) ( ) R, a F K( , a) ( ) este msurabil i
d = 1, a A
F{K(, a)}()
A
da= C <
x( ) K* ( t, ) d
(86)
K 1 ( , a ) = w( ) e
ja
, cu
w( )
d = 1, A = R
(87)
6. Generalizri
87
TFx1
(t, ) =
x( ) w* ( t) e j
( t)
d = e j t TFxSTFT (t, )
Cu alte cuvinte, pentru aceast alegere a nucleului se obine reprezentarea timpfrecven de tipul transformare Fourier scurt.
Dac expresia nucleului este:
K2( ,a) =
a (a ) , cu
(88)
TFx2 (t, ) =
x( )
1
, respectiv timp-frecven:
a
Pentru stabilirea ultimei egaliti s-a folosit relaia (81) n care s-a considerat c o
are valoarea 1.
Deoarece, alegnd nucleele pe baza relaiilor (87) i (88), se obin dou
reprezentri timp-frecven remarcabile, se poate afirma c definiia de la nceputul
acestui paragraf este consistent. O reprezentare timp-frecven definit astfel are dou
proprieti remarcabile:
P1.
Pentru orice cuplu de semnale de energie finit x1(t)i x2 (t), se poate
scrie:
AR
x1
x2
x1 , x 2
L2
(89)
H K = TF {L2 ( R)}
este un spaiu Hilbert cu nucleu reproductor, [66]. Cu alte cuvinte are loc o relaie de
tipul:
88
TFf (a, b) =
1
c
A R
(90)
unde:
K 3 ( x, a, b) = K 1 ( x, a ) K 2 ( x, b) =
a 1 (a 1 x ) e j b x
(91)
TF
(t, ,s) =
f( ) ( s ( - t)) e
*
-j
(92)
B = k (t)
k Z
6 Generalizri
89
x(t) =
c
k
k (t) ;
ck = x(t), k (t)
TFx (t, ) = x( ), K( t, ) =
c
k
k ( ) , K( t, ) =
= ck k ( ) , K( t, ) = ck TF
k
(93)
(t, )
Deci reprezentrile timp-frecven liniare ale unui semnal de energie finit pot fi
calculate pe baza reprezentrilor timp-frecven ale elementelor bazei B. Dac
funciile k (t)se obin prin translatarea unei funcii generatoare:
k (t) = (t t k )
atunci relaia (93) se mai scrie:
TFx (t, ) =
c
k
TF t t k ,
(94)
T T
H 1 = L2 ,
2 2
2
jk
t
1
e T . Orice element al
T
k Z
90
x(t) =
ck e
jk
2
t
T
(95)
TFx (t, ) =
c
k
TF
e
jk
2
t
T
pT ( )
(t, )
x(t) = cos
2
t
T
(96)
y(t) =
6 Generalizri
91
cosinusoidal este:
TF (t, ) = (t) K* ( t, ) = K* ( 0, )
n consecin se poate vorbi despre reprezentri timp-frecven sau timp-factor
de scar definite pe spaiul distribuiilor temperate.
Problema reprezentrilor timp-frecven liniare este ns interpretabilitatea lor
fizic. n capitolele anterioare au fost prezentate i reprezentri timp-frecven
biliniare cum ar fi reprezentarea timp-frecven de tipul funcie de incertitudine.
Reprezentarea timp-frecven de tipul Wigner-Ville este o pseudodensitate de energie.
Ea nu este o densitate spectral de energie deoarece nu este pozitiv definit. De fapt
reprezentarea timp-frecven de tipul Wigner-Ville este prototipul unei ntregi clase de
reprezentri timp-frecven, aa numita clas a lui Cohen.
6.2 CAZUL REPREZENTRILOR BILINIARE. CLASA LUI COHEN
Se studiaz reprezentrile timp-frecven sau timp-factor de scar care pot fi
puse n forma unei funcionale biliniare.
c
TFx (t, ) =
(97)
92
x(t) T { x(t)}
T
(98)
(99)
TFx t
o , o
(t, ) = c t fTFx (t t o , o )
(100)
x t o , o (t) = x(t t o ) e j o t
innd seama de relaia (97), condiia (100) impune urmtoarea condiie asupra
nucleelor:
K( u + t o , u+t
' o , t, ) e j o ( u u') = K( u, u', t t o , o
sau, fixnd:
t = t o i = o
K(u + t, u+t,
' t, ) e j
( u u')
= K(u, u', 0, 0)
adic:
j ( u u')
(101)
ctf
TFx (t, ) = K s t + , s t , 0, 0 x s+ x* s e j d ds
2 2
2
2
sau:
(102)
6 Generalizri
ctf
TFx (t, ) =
93
F K s t + 2 , s t 2 , 0, 0 x s + 2 x* s 2 ( ) ds
Dar:
F K s t + , s t , 0, 0 x s + x* s ( )
2
2
2
2
F K s t + , s t , 0, 0 ( ) F x s + x* s ( )
=
2
2
2
2
2
Trebuie observat c:
F x s + x * s ( ) = TFxW V ( s, )
2
2
F K s t + , s t , 0 , 0 x s + x * s ( ) =
2
2
2
2
TFxW V ( s, u ) F K s t + , s t , 0 , 0 ( u ) du =
=
2
2
2
1
2
( t, )
1
=
2
TF
WV
x
( s, u ) TFK ( s t, u ) du
(104)
2
2
2
(105)
Se face notaia:
f (u, ) =
TF (t, ) e
K
j ( + u t )
dt d
(106)
i:
x s + x * s e j( u s + u t ) f ( u, )dudsd
c t f TFx ( t, ) =
2
2
2
(107)
94
f (0, 0) = 1
P2
f (0, ) = f (u, 0) = 1
P3
Aceast proprietate este satisfcut doar de reprezentrile timpfrecven de tipul modul la ptrat
P4
f (u, ) = e
u( )
2
P5
f (u, ) 0
P6
P7
f (u, ) = f , k , ( ) k
k
P8
P9
P10
P11
f ( , ) = 1
s >
2
u
>
2
P12
P13
f (u, ) e
jus
du = 0
f ( u, ) e
d = 0
6 Generalizri
f (u, )
Denumire
WignerVille
ctf
x t +
95
TFx (t, )
Proprieti
verificate
x t e j d
2
2
Richaczek
PageLevin
e
e
sin
BornJordan
x(t) X* ( ) e j t
TFwFI *(u, )
ChoiWilliams
x(s) (
(t s)) e
2
j s
ds
t+
*
j
x s + x s ds e
d
2
2
2
e
2(
s t ) 2
2
x s + x * s
2
2
e j ds d
Spectrogram
x(s) w (s t) e
*
j s
ds
96
xt
o , ao
t to
1
x
a0 a o
(t) =
o ,a o
(t, a) =
t to
a
TF
,
ats x
ao
ao
(108)
s =
1
a
t to a
a o K (a o u + t o , a o u' + t o , t, a ) = K u, u',
,
ao
ao
Fixnd variabilele:
t = t o i a = a o
u t u' t
K (u, u', t, a ) = a 1 K
,
, 0, 1
a
a
De aceea expresia reprezentrii timp-factor de scar biliniar generalizat este:
ats
TFx (t, a ) =
TS
s t
W V
( s, u) ds du
a , a u TFx
(109)
6 Generalizri
TS K (t, ) =
97
K t + , t ,01
, e
d
2
2
(110)
g(u, ) =
TS K (t, ) e j u t dt
(111)
1
atsTFx ( t, a ) =
a
u
u j u
1
1
a dud (112)
g(u, ) X X* + e
a
a
2
2
x(t) = ck e
k
Se obine:
jk
2
t
T
98
TFxW V (t, ) = F x t + x * t ( ) =
2
2
=
F x t + ( ) F x * t ( )
2
2
2
Dar:
jk
F x t + ( ) = F ck e
2
k
2
t+
T 2
jk 2 t +
jk
t
jkT
2
T
T
F e
= ck F e
= ck e
= ck e
k
jk
2
t
T
( ) =
2 k
i:
2
t
jk
*
*
T 2 =
F x t ( ) = F c k e
2
k
2
2
jk
jk
t
t
jk
T
T 2
k
= c*k e
F e T ( ) = c*k e
k
k
n consecin:
TFxW V
2
2
jk
t
* jl T t
T
(t, ) = (2) ck e
k cl e
l =
T l
T
k
= (2 ) ck cl* e
k
j( k l )
2
t
T
(k + l)
T
6 Generalizri
99
2t
x( )
d ,
2 X( )
x( )
respectiv X( )
100
TFx (t, )
poate fi privit ca i
2E x
TFx (t, )
dt d = 1
E
2
H o ,
H ,
1
y(t) = z(t)
y(t) = x u (t)+ z(t)
Semnalul xu (t) este de forma unui semnal generator x(t), dar este caracterizat de un
anumit set de parametrii care l difereniaz de semnalul generator. Se dorete
determinarea parametrilor semnalului xu (t) pentru ca aceasta s fie perfect cunoscut.
Prima sarcin este una de detecie i const n a decide dac la momentul t este corect
ipoteza Ho sau H1. Cea de a doua este una de estimare a parametrilor semnalului i este
condiionat de faptul c ipoteza H1 a fost reinut. Se noteaz cu V vectorul
parametrilor semnalului care trebuie estimai. Se poate scrie:
x u (t) = x Vo (t)
Conform teoriei deteciei optimale, [56], trebuie reinut ipoteza H1, dac
cantitatea:
max ( V) = x v , y
V
depete un anumit prag. Cu alte cuvinte trebuie corelat observaia fcut, y(t), cu
un set de replici ale semnalului x(t) care se difereniaz ntre ele prin valorile diferite
ale elementelor vectorului V. Se declar c semnalul cutat este prezent n semnalul
recepionat dac cea mai mare valoare a funciei de corelaie astfel obinut este
superioar unui anumit prag. Intuitiv, aceast valoare maxim ar trebui s se obin la
coincidena dintre vectorul testat i valoarea sa adevrat, deoarece atunci corelaia
6 Generalizri
101
V = max ( V) H 1
V
Dou exemple simple ale acestei strategii sunt furnizate de radar i de sonar. n cele
dou cazuri, exist emisia unui semnal i recepia unui ecou. n prim aproximare,
fcnd abstracie de zgomotul aditiv, se poate considera c diferena de structur dintre
semnalul emis i semnalul recepionat este datorat unei ntrzieri de propagare (legat
de distana dintre emitor i int) i de efectul Doppler (datorat micrii relative
dintre emitor i int). Astfel, vectorul Vo care parametrizeaz modificrile
semnalului emis x(t) este un vector cu dou componente, una care codeaz
ntrzierea i una care codeaz efectul Doppler. Dac se presupune c semnalul emis
este de band ngust i /sau c viteza relativ este mic (aa cum este de obicei cazul
n radar), efectul Doppler se traduce printr-o alunecare global a spectrului semnalului,
decalajul Doppler. Deci transformarea semnalului emis este descris de relaia:
x(t) x( t ) e j t = y(t)
( V) = x(t), y(t) =
x(t) x* ( t ) e j t dt
= TFxFI ( , )
{k t ( )} t R, R .
Acestea au
102
= (s s')
L x ( t, ) =
x(s)
ht* (s) ds
E L x ( t, )
E L x ( t, )
}=
(113)
6 Generalizri
E L x (t, )
dt d =
103
ds ds'
r
(s,s
'
)
h
(s)
h
(s
'
)dt
d
xx t t
E { L x (t, )
} dt d =
sau:
E { L x (t, )
} dt d =
rxx (s,s) ds
E { x(s)
}ds
} este o distribuie de
putere.
O alt posibilitate de a introduce o reprezentare timp-frecven a unui semnal
aleator este de a considera media statistic a unei reprezentri timp-frecven definit
pentru semnale deterministe, calculat pe ansamblul realizrilor semnalului aleator
considerat:
E {TFx ( t, )}
n acest mod se poate generaliza de exemplu clasa lui Cohen. Conform relaiei
(107), forma general a unei reprezentri timp-frecven din clasa lui Cohen este:
1
c t f TFx ( t, ) =
2
Folosind relaia:
F ( s t, ) =
(
)
x s + x * s e j u s+ u t f (u, )du ds d
2
2
f (u, ) e j u
( t s)
du = F
{ f (u, )} (t
s)
104
E c t f TFx (t, ) =
F( s t, ) x s + x * s e j dsd
2
2
2
F( s t, ) E x s + x * s e j ds d
c t f TFx (t, ) =
2
2
2
adic:
E c t f TFx (t, ) =
F ( s t, ) rxx s + ,s e j ds d
2
2
2
F ( s t, ) rxx ( ) e j ds d =
2 Px ( )
F( s t, ) ds
= 2
6 Generalizri
105
F{ f (u, )} (t s) ds
= 2
ts = w
F{ f (u, )} ( w) dw
= 2
{ { f (u, )} (w)}
F F
u= 0
= 2
2 f (0, ) = 2
Deci condiia pe care trebuie s o satisfac funcia de parametrizare pentru ca
reprezentarea timp-frecven definit de relaia (114) s se particularizeze la fiecare
moment de timp, n cazul semnalelor de analizat staionare, la o densitate spectral de
putere este:
f (0, ) = 1
Aceasta este tocmai condiia ca reprezentarea timp-frecven corespunztoare din
cazul semnalelor deterministe s aibe o distribuie marginal corect n domeniul
frecven (a se vedea tabelul 1.6.2.1).
Alte clase de reprezentri timp-frecven, respectiv timp-factor de scar ale
semnalelor aleatoare nestaionare sunt prezentate n [59], [108], [15], [67].
Capitolul 7
DISCRETIZAREA REPREZENTRILOR TIMP-FRECVEN
Toate reprezentrile timp-frecven i timp-factor de scar prezentate sunt
funcii continue de dou variabile continue. Utilizarea lor presupune construcia unor
aparate care pe baza semnalului x(t) s reprezinte grafic TFx (t, ) . Fiind vorba
despre o reprezentare n trei dimensiuni, este util afiarea sa pe monitorul unui
calculator. Din pcate sistemele de calcul numeric nu pot dect s aproximeze funciile
continue de variabile continue prin funcii discrete de variabile discrete. De aceea este
interesant discretizarea reprezentrilor timp-frecven. Aceasta se realizeaz prin
107
TFx ( t, k
= x(t) K* ( t,
) la semnalul de
K*1( t, k ) = w( t) e
j kt
= w (t) e j k t
(115)
k = k o , k Z
n consecin distana dintre frecvenele centrale a dou filtre consecutive este egal cu
o. ntruct toate aceste filtre au aceeai band la - 3 dB rezult c factorul lor de
calitate este cresctor cu k. n consecin selectivitatea acestor filtre crete odat cu
creterea frecvenei lor centrale.
Aducnd la intrarea unei astfel de bnci de filtre semnalul de analizat, x(t) , la
ieirea fiecrui filtru se va obine cte o seciune vertical prin reprezentarea timpfrecven de tipul transformare Fourier scurt a lui x(t) . La ieirea filtrului cu numrul
K*2 ( t, a k ) =
a k 1 * a k 1 t =
a k 1 * a k 1 t
(116)
108
Toate aceste filtre se obin prin dilatri ale rspunsului la impuls * (t) al filtrului
prototip. Ultima relaie mai poate fi pus i n forma:
K*2 ( t, sk ) = sk * ( sk t ) ;
sk =
1
ak
TFx ( t m , k ) = x(t) K* ( t, k )
(117)
t = tm
valorilor TFx t m , k
semnalului x(t) .
Legitimitatea acestei probleme provine din faptul c dei reconstrucia
TFx ( t, ) =
1
c
A R
109
t
t
,
t
+
2
2
2
2
Cu alte cuvinte nu are rost s se caute informaii despre acest semnal pentru
momentul t i pulsaia n alte zone ale planului timp-frecven. n figura 1.7.1.1 se
prezint acoperirea planului timp-frecven cu celulele de rezoluie n cazul
reprezentrii de tipul transformare Fourier scurt.
{TFxSTFT ( t m , k )} mZ, k Z
nu ar exista
110
to
t
t
t m to +
; o
k o +
2
2
2
2
to = t ; o =
Eantionnd n acest mod se obine:
TFxSTFT
(n to , m o ) = x( ) w( n to ) e
j m o
d =
x( ) w*n t , m
o
( ) d
x(t) =
x( ), wm o , n t o ( ) wm o , n t o (t)
(119)
m = n =
adic:
x(t) =
TFxSTFT (nt o , m o ) wm
m = n =
o , nt o
(t)
(120)
111
{w
m o , nt o (t)
Dar:
m Z, n Z
wm o , nt o (t) = w(t nt o ) e j m o t
Se observ c toate aceste funcii pot fi generate pe baza funciei w(t), prin translatare
i nmulire cu exponeniale complexe. Condiia (118) care se poate rescrie n forma:
t 2
exprim necesitatea ca fereastra temporal folosit, w(t), s aib o bun localizare n
planul timp-frecven. De aceea se poate afirma c funciile wm o , nt o (t) reprezint
atomi timp-frecven.
Relaia (120) descrie o posibilitate simpl de analiz timp-frecven a
semnalului x(t). Pentru a face aceast analiz este suficient s se identifice valorile
o t o = 2
Ar fi foarte bine ca s se poat ndeplini aceast condiie i ca n acelai timp mulimea
{w
m o , nt o (t)
m Z, n Z
1
1
w(t) = 1 2 (t) = t + t
2
2
j m2
1
1 ( )
n 2 , n + 2
m Z, n Z
ortonormal a spaiului L2 ( R ) , [42].
Se observ c n acest caz:
t o = 1, o = 2
112
t =
,
bun n timp i n frecven i care s genereze o mulime wm o , nt o ( )
m Z, n Z
baz ortonormal a lui L2 ( R ) , dac:
o t o = 2
De fapt acele funcii w( ) care pot genera baze ortonormale ale lui L2 ( R ) au
produsul t infinit.
n sfrit, paii de eantionare ar trebui alei astfel nct s fie ndeplinit
condiia:
o t o < 2
innd seama de condiiile:
t o = t ; o = ,
i de principiul incertitudinii rezult condiia:
o t o < 2
2
113
{w
m o , nt o ( )
m Z, n Z
t =
Aceast obstrucie datorat teoremei Balian-Low poate fi evitat dac se
{w
m o , nt o ( )
m Z, n Z
reprezinte o baz ortonormal atunci se poate lucra ntr-un cadru mai general dat de
teoria cadrelor (frame n limba englez). Aceast teorie, elaborat de R.J. Duffin i
A.C. Schaeffer, [54], este folosit de Ingrid Daubechies n cartea sa [42] pentru a
studia discretizarea reprezentrii timp-frecven de tipul transformare Fourier scurt.
n aceast lucrare se lucreaz n ipoteza c mulimea
{w
m o , n to ( )
m Z, n Z
are
Mulimea de funcii
se numete cadru, dac exist dou constante A i B cu 0 < A B < , astfel nct
pentru fiecare f din H s fie ndeplinit condiia:
A f
n =
f, g n
B f
114
independente atunci aceast mulime se numete baz Riesz. Orice cadru este o
mulime complet.
Orice baz Riesz poate fi transformat ntr-o baz ortogonal prin procedeul
de ortogonalizare Gram-Schmidt [39].
n cazul unui cadru ngust, oricare ar fi elementul f din H, se poate scrie:
j J
f, g j
= A f
(122)
Mai mult, orice element din H poate fi exprimat ca i combinaie liniar de elemente
ale cadrului ngust, n forma:
f = A 1 f, g j g j
(123)
Aceast formul este foarte asemntoare cu cea de descompunere a semnalului f ntro baz ortogonal a spaiului H. Totui trebuie remarcat c din punct de vedere al
transmiterii informaiei exist o deosebire fundamental ntre descompunerea ntr-o
baz ortogonal i descompunerea ntr-un cadru ngust. i anume, n comparaie cu
descompunerea ntr-o baz orotgonal descompunerea ntr-un cadru ngust este
redundant. Aceast comportare se datorete faptului c elementele unui cadru ngust
nu sunt ortogonale ntre ele. Condiia de ortogonalitate:
g j , gk
1, j = k
=
0, in rest
l 2 (J ) = c = c j
{ }
j J
; c
j J
cj
<
115
(F f ) j =
f, g j
( ) f H ;
Ff
B f
cj g j
Fc* =
j J
( ) 1 g j
~
g j = F* F
se obine mulimea:
{ ~g }
j
j J
1
2
3
4
unde cu Id s-a notat operatorul identitate.
Propietatea 3 permite exprimarea oricrui element f al lui H i cu ajutorul cadrului
{ ~g }
j
j J
116
j J
f, g j ~
gj = f =
j J
{ }
f, ~
gj gj
(124)
{ }
f, g j g j
j J
r =
B
1 << 1
A
2
A + B
f =
j J
f, g j g j + R f
(125)
R = Id
2
F* F
A+ B
Dac constanta r este de valoare mic atunci eroarea medie ptratic de aproximare a
lui f obinut prin nlturarea termenului R f din membrul drept al relaiei (125) este
de valoare
r
2+ r
f .
2
A + B
j J
f, g j g j
(125')
117
f, wm o , nt o
pentru ca mulimea wm o , nt o ( )
m Z, n Z
wm , n ( ) = wm o , nt o ( )
Mulimea wm , n ( )
constituie un cadru , dac exist constantele strict
m Z, n Z
pozitive A i B astfel nct:
f(t) dt
f, wm , n
m, n
f(t) dt
Dac aceast condiie este ndeplinit, atunci orice semnal de energie finit,
f(t), poate fi descompus n forma:
f =
m, n
~
f, wm , n w
m, n =
m, n
~
f, w
m , n wm , n
(126)
2
w
o to
2
B
o to
118
Dar conform teoremei Balian-Low (extins la cadre) ferestrele temporale care conduc
la cadre nguste la care se respect aceast condiie nu sunt bine localizate n planul
timp-frecven.
Condiia:
o t o > 2
o t o < 2
mulimea wm , n ( )
1
w( ) = 4 e
2
2
.
diferite valori ale pasului to, n cazul o t o =
2
to
A
B
0,5
1,221
7,091
1
3,854
4,147
1,5
3,899
4,101
2,0
3,322
4,679
2,5
2,365
5,664
3,0
1,427
6,772
Deci, semnalul x(t) poate fi analizat pe baza eantioanelor reprezentrii sale timpfrecven de tip transformare Fourier scurt. Pornind de la aceste eantioane semnalul
poate fi reconstruit. n figura 2.7.1.1 este prezentat un sistem de analiz i
reconstrucie al semnalului x(t) bazat pe utilizarea reprezentrii sale timp-frecven de
tipul transformare Fourier scurt.
Banc de
circuite
de eantionare
w(-t)
119
Banc de filtre
trece band
w(t) e j 0 t
t0 ( t )
e j 0 t
x(t)
y(t)
w(t)
w(-t)
t0 ( t )
w(t) e j 0 t
w(-t)
t0 ( t )
e j 0 t
Sistem de analiz
Sistem de sintez
Figura 2.7.1.1 Sistem de analiz i sintez a semnalelor de energie finit bazat pe utilizarea
reprezentrii timp-frecven de tipul transformare Fourier scurt.
] [
w( )
C 1 + 2
F {w( )} ( ) C 1 + 2
120
x( )
m o 0 +
~
x, wn , m w
n, m
B
A
2
x( ) d
> To
n t o To + t
2
(
)
F { x( )} d
> o
12
12
+
(128)
+ f
> To
X ( ) d
2
>o
sunt foarte mici. Cum i poate fi orict de mic rezult c semnalul x( ) poate fi
aproximat orict de bine n medie ptratic de suma:
~
x, w m,n w
m, n
m o o +
n t o To + t
Aceast teorem este foarte util deoarece asigur aproximarea cu o calitate foarte
bun a oricrui semnal de energie finit localizat aproape n ntregime ntr-un domeniu
din planul timp-frecven printr-o sum (nu serie) de atomi timp-frecven.
Interpretarea grafic a teoremei enunate mai sus este prezentat n figura 3.7.1.1.
n finalul acestui paragraf , se revine pe scurt la cazul bazelor ortogonale. S-a
afirmat mai devreme c dac se renun la constrngerea ca:
121
[ To ,To ]
[ o ,o ] .
wm , n ( t ) = w( t n t o ) e j m o t
i c dac exponeniala se nlocuiete cu o funcie cosinusoidal sau sinusoidal atunci
funciile w m , n ( ) devin elementele unei baze ortonormale i au o bun localizare
n planul timp-frecven chiar i n cazul: o t o = 2
n continuare se prezint definiia funciilor "wavelet" ale lui Malvar aa cum se
gsete aceasta n [96].
122
lim
Se noteaz:
a m = i
lim a m = +
lm = am + 1 am
m + m + 1 l m
1. 0 wm ( ) 1
2. wm ( ) = 1, dac a m + m a m + 1 m + 1
3. wm ( ) = 0 , dac a m m sau dac a m + 1 + m + 1 .
4. wm ( a m + ) = wm 1( a m ) , dac m
2
2
5. wm
( a m t) + wm
( a m + t) = 1, dac
um, n ( ) =
2
lm
1 a m
wm ( ) cos n +
lm
2
(129)
123
t
t
t 2 s , t + 2 s s 2 , + s 2 . Dac este vorba despre
s =
o = 1
n consecin se constat c aria celulei de rezoluie este egal cu:
t
s = t
1 = a o o'
'0
i 1 . innd seama
de faptul c acestea reprezint benzile de trecere a dou filtre care au acelai factor de
calitate se poate scrie:
'0
1
=
'
1
0
adic:
124
'0
'
de unde rezult c:
a o '0
=
1
1 = a o '
(130)
t o o = t1 1
de unde rezult c:
t1 =
t0
(131)
ao
t1
1
0 '
0 '
t0
t
125
1 '0 =
'
1
2
'0 (a o 1) =
sau:
'
(ao + 1)
(ao + 1)
'0
=
'
2 (a o 1)
(132)
m = a o m 1 = a om '0
Legea care descrie repartiia acestor puncte n domeniul timp este:
t n = na o m t o
Se constat c este vorba despre o eantionare neuniform.
De aceea, ntrebrile:
Este
eantioanelor
TFxCWT
posibil
reconstrucia
( m , t n ) ?
n ce condiii ?"
sunt foarte interesante i actuale.
funciei
TFxCWT (t, )
pe
baza
126
m, n ( ) = ao
m
2
(a o m n t o )
(133)
{ m, n ( )} m Z, n Z
s aib o
Teorem
t o ln a o
A
2
i:
t o ln a o
A
2
F {( )} ( )
F {( )} ( )
t o ln a o
B
2
(134)
t o ln a o
B
2
a om > 0,
( ) m Z
Din acest motiv sunt disociate n formula (134) domeniile frecvenelor pozitive i
negative. Dac s-ar fi considerat i dilatri negative, atunci cele dou condiii de
admisibilitate ((83') i (134)) ar fi fost identice. n continuarea acestui paragraf se va
presupune c se lucreaz cu funcii ( ) admisibile. Nu orice alegere a tripletului
admisibil.
( ) este
127
Chiar dac se face o alegere corect mai rmne problema determinrii marginilor
cadrului.
Urmtoarea propoziie este util n elucidarea chestiunilor menionate mai sus.
Propoziie
Dac i ao sunt astfel nct:
inf
1 ao m =
sup
1 ao m =
i dac:
(s) = sup
F {} a om
>0
(135)
F {} a om
<
F { } (a om ) F { } (a om + s)
(1 + s ) (1 + ) , > 0
} m Z, n Z
s reprezinte un cadru
pentru orice alegere a lui to cu t o < M t o . Pentru to astfel ales marginile cadrului
sunt:
2
A =
inf
t o 1 ao m =
F { }
a om
k=
k 0
2
2
m
B =
sup F { } (a o ) +
t o 1 ao m =
k =
k 0
2 2
k
k
to to
2 2
k
k
to to
este
necesar
cunoaterea
cadrelor
{ m, n ( )} m Z, n Z
128
2
3
( ) =
2
1
1 2 ) e
(
(136)
A
13,091
6,546
4,364
3,223
2,001
B
14,183
7,092
4,728
3,596
3,454
1
( ) = 4
n practic se alege:
j o
2o
2
2
2
(137)
o = 5
x, m , n
i
arg
Reprezentarea arg
{ x,
m, n
coninute n semnalul x( ).
{ x,
m, n
(138)
129
x(t) =
x, m , n ~
m , n (t) =
m = n =
x, ~
m , n m , n (t) (138')
m = n =
Figura 2.7.1.2 Sistem de analiz i sintez a semnalelor de energie finit bazat pe utilizarea reprezentrii
timp-frecven de tipul wavelet.
130
{ }
Fie
{ m, n ( )} m Z, n Z
i F
( ) C (1 + 2 )
F {( )} ( ) C
1 + 2
( + )
2
( m, n )
B ( o , 1 ,T )
x, n , m
~ n , m
B
A
X ( )
< o
sau > 1
d +
(139)
(
)
x
d
+
x
>T
Dac
semnalul
membrul drept al relaiei (139) au valori foarte mici. Cum i poate fi orict de mic
rezult c semnalul x( ) poate fi aproximat n medie ptratic orict de bine prin
relaia:
( m , n ) B ( o , 1,T)
x, m , n ~
m, n
(140)
Deci n cazul n care sunt satisfcute condiiile din teorema enunat mai sus sistemul
din figura 2.7.1.2 are un numr finit de blocuri constitutive. n acest caz el ar putea fi
utilizat pentru eantionarea cu reconstrucie perfect a semnalului x(t) (care este
localizat aproape total ntr-un domeniu compact din planul timp-frecven). n acest
sens ar putea fi generalizat teorema de eantionare a lui Papoulis.
131
De altfel sistemul din figura 2.7.1.2 este foarte sugestiv pentru legtura care exist
ntre teoria eantionrii i teoria funciilor "wavelet". Printre articolele scrise pe
aceast tem pot fi amintite [28], [29], [3], [111], [11], [70], [71], [72], [73], [74].
Interpretarea grafic a ultimei teoreme enunate este prezentat n figura
3.7.1.2
aproape complet
eantioanelor reprezentrii timp-frecven de tip "wavelet" a acestui semnal.
m , n ( ) = 2 2 2m n , m Z
132
{ m, n ( )} m Z, n Z . De aceea se prezint
n continuare o modalitate de completare a mulimii { m , n ( )}
pentru a
m Z, n Z
B
1 << 1
A
A =B = 1
care face cadrul s devin o baz ortonormal. Dup cum s-a artat structura de baz
ortonormal este cea mai puin redundant. De aceea un cadru cu structura apropiat
de cea a unei baze ortonormale merit s fie utilizat.
n construcia acestor tipuri de cadre nu se mai pornete de la o singur
"wavelets mother" ci de la mai multe. Fie acestea funciile 1 , 2 , K , N . Aceste
funcii se aleg n aa fel nct pulsaiile la care transformatele lor Fourier au maxime s
fie diferite. Ele vor trebui s fie bine localizate n frecven. Procednd n acest mod se
( 1) ( 1)
2 N 2 N
(141)
{ ( )} ()
( 1)
= 2
( 1)
F { ( )} ( 1)
2 N
adic:
( 1)
F { ( )} ( ) = F { ( )} 2 N
{ ( )} ( )
{ ( )} ( )
ntr-adevr pulsaiile
{ ( )} ( )
133
( 1)
2 N
F { ( )} ( ) . Deci
relaia (141) poate conduce (prin alegerea judicioas a funciei ( ) ) la cunoaterea
F
unui cadru pe mai multe voci. n figura 4.7.1.2 este prezentat distribuia punctelor n
care trebuie eantionat reprezentarea timp-frecven de tip "wavelet" pentru ca
semnalul de analizat s poat fi reconstruit folosind un cadru pe mai multe voci.
Trebuie remarcat faptul c figurile 1.7.1.2, 3.7.1.2 i 4.7.1.2 pot fi interpretate
i altfel. Folosind distribuiile punctelor de eantionare din aceste figuri pot fi
imaginate procedee de reconstrucie aproximativ prin interpolarea bidimensional a
reprezentrii timp-frecven de tip wavelet. n acest context, calitatea reconstruciei
se nbuntete cu ct crete numrul punctelor de eantionare utilizate. Acesta este
un argument suplimentar pentru utilizarea cadrelor pe mai multe voci.
Figura 4.7.1.2 Distribuia punctelor de eantionare ale reprezentrii timp-frecven de tip "wavelet" care
permite reconstrucia semnalului de analizat cu ajutorul unui cadru pe 4 voci (pe decad).
134
Dup cum s-a artat deja, analiza cea mai puin redundant a unui semnal de
energie finit cu ajutorul atomilor timp-frecven sau timp-factor de scar are loc dac
acetia reprezint elementele unei baze ortonormale a spaiului L2 ( R ) . n acest
paragraf se prezint cteva exemple de baze ortonormale de funcii "wavelet" precum
i metodele de construcie ale unor astfel de mulimi. Bazele ortonormale de funcii
"wavelet" sunt rezultatul unei lungi evoluii care a nceput la sfritul secolului al
XIX-lea. n anul 1873, Dubois-Raymond a dat un exemplu de funcie continu i
periodic cu perioada 2 a crei serie Fourier era divergent ntr-un punct dat.
Aceast observaie l-a condus pe A. Haar la construcia, n anul 1909, a unei baze
ortonormale foarte simpl a spaiului L2[ 0, 1] . El a pornit de la funcia:
1,
1,
H() =
0,
1
0
2
1
< < 1
2
in rest
m
2
(2
n m Z, n Z
2 , 0 2
1
F () = 2 2 ,
< <1
2
in rest
0,
F m, n ( ) = 2
m
2
135
(2 m n)
(1 + 2 )m ( )
H r ( R) pentru orice
numr natural m.
2)
m
m
2 2 2 n
m Z, n Z
este
baz
ortonormal
lui L2 ( R) .
De fapt funcia este numit "wavelets mother" iar funciile m ,n ( ) sunt
funcii "wavelet".
Funcia ndeplinete condiia de admisibilitate:
F { ( )} ( )
d <
F { ( )} (0) = 0
Funcia trebuie s reprezinte rspunsul la impuls al unui filtru de tip trece
band. Dar orice astfel de funcie are un caracter oscilant. Deoarece oscilaiile descriu
propagarea undelor (wave n limba englez) funcia a fost numit "wavelet".
Denumirea acestei funcii n limba francez este "ondelette". Traducerea n limba
romn ar putea fi "undioar". Avnd n vedere rolul generator al funciei ea fost
136
m
trebuie s fie o baz ortonormal a lui L2 ( R) .
2 2 (2 n)
m Z, n Z
Problema care reprezint subiectul acestui paragraf este construcia unor funcii ( )
care s conduc la funciile:
m
22
m, n ( ) =
cu proprietatea c mulimea
(2m n)
{ m, n ( )} m Z, n Z
(142)
este o baz ortonormal a lui
Elementele mulimii m , n ( )
trebuie s fie ortonormale:
m Z, n Z
(m, n)
= (m', n')
in rest
1,
m , n , m', n' =
0,
iar mulimea trebuie s fie complet:
( ) x( ) L2 ( R ) , x( ) =
(143)
x, m , n m , n ( )
(144)
m = n =
m , n ( ), m', n' ( ) =
1
F m , n ( ) ( ), F m', n' ( ) ( )
2
(145)
Dar:
F m , n ( ) ( ) = 2
m
2
e j 2
m, n
1
( ), m', n' ( ) =
2
2
F {} 2 m
m + m'
m
n 2 m' n'
-j
2
e 2
F {} 2 m F * {} 2 m' d
)
(146)
137
2m = v
Se obine:
m, n
m - m'
2
1
( ), m', n' ( ) =
2
2
( 2k + 1)
e j v n e
j 2m m'n'
k = ( 2k 1)
F {} ( v) F * {} 2m m'v dv
Cu schimbarea de variabil:
i cu notaia:
= v 2k
m m '= l
se obine n final:
m , n ( ), m', n' ( ) =
l
2
2
e
Se face notaia:
fl ( ) =
1
2
l
*
F {}( + 2 k ) F {} 2 ( + 2 k )
k =
F { } ( + 2 k )
i se obine:
l
2
2
1
2
(147)
) d
(148)
F * { } 2l ( + 2 k )
k =
m , n ( ), m', n' ( ) =
) d
j n 2 n'
fl ( ) e
j n 2l n'
unde f(
l )este o funcie periodic de perioad 2 .
Se pune condiia de ortonormalitate (143). Se vor analiza dou cazuri.
Cazul I.
n acest caz:
m = m'
l = 0
1
f ( ) d = 1
2 o
138
1
2
fo ( ) e j
( n n')
d = 0
fo( ) = 1
( ) R
2
F { } ( + 2 k )
= 1
(149)
k =
Cazul II
m m'
1
j n 2l
fl ( ) e (
n'
d = 0
n 2l n' = p
unde p este un numr ntreg.
De aceea, ultima relaie arat c toi coeficienii Fourier ai funciei f(
l ) sunt
identic nuli. n consecin:
( ) R, l Z { 0}
f l ( ) = 0,
F{} ( + 2 k )
k =
F * {} 2l ( + 2 k ) = 0, () R, l Z { 0}
(150)
F{} l = 1
2
l Z
l
l
*
F{} 2 ( + 2 po ) F {} 2 = 0, () po nr.intreg impar
l Z
l 0
Deci mulimea
( )
139
(151)
(152)
supp
{ F{ M }}
2
8
2 8
, ,
3
3
3
3
(153)
F { M } ( ) F { M } 2l = 0 ptr. l 2
(154)
F { M } ( ) F { M } ( + 2 k ) = 0 ptr. k 3
(155)
ntr-adevr:
supp
{ F{ }(2 )}
l
Dac:
21 l 23 l
23 l
21 l
,
,
3
3
3
3
l 2
atunci:
23 l
2
21 l
<
> 0
i
3
3
3
i nc:
adic:
supp
23 l
2
21 l
i
>
< 0
3
3
3
= , pentru l 2
140
F { M }( + 2 k )
se obine prin
10
. De aceea,
3
supp F { M } ( ) supp F { M } ( + 2k ) =
n acelai fel se poate demonstra c pentru k 3 are loc relaia:
supp
{ F{ M }()} supp { F{ M }( + 2 k )} =
(156)
F{ M }( ) F{ M } ( 2) + F{ M }( 2) F{ M } ( 2 4) = 0
*
(157)
F { M }( 2 4 ) = F { M }( )
F { M }( 2 ) = F { M }( 2 ) =
1 F { M }( )
(158)
2
(159)
Dac:
arg F { M }( 2) =
(160)
arg F { M } ( ) =
141
atunci condiia (160) este verificat. Aceasta a fost ideea care a stat la baza soluiei
date de Yves Meyer n anul 1985. El a considerat o funcie continu i indefinit
,
derivabil pe intervalul
3
1.
2.
( ) k 1
4
, o( ) , cu proprietile:
3
( ) 2
( ) 4
o k = o k = 0
3
3
0 o( ) 1 ;
2
4
o = 0 ; o = 1
3
3
2 4
; ( ) ,
3
3
Folosind relaiile (187) i (188) se prelungete funcia o( ) la intervalul
2
8
2 8
3 , 3 3 , 3 . n exteriorul acestui interval funcia se va considera
3.
F { M }( )
o( ) =
F { M } ( ) = e
o( )
Aceast funcie nu aparine doar lui L2 ( R) ci chiar i clasei lui Schwartz. n [42] este
dat un exemplu de construcie al funciei o( ). Transformata Fourier a funciei
"wavelets mother", la care se ajunge n aceast lucrare este:
F{ M }
( ) =
j
1
e
2
j
1
e
2
4
3
2
sin
,
1 ,
3
3
2 2
8
3
4
,
1 ,
cos
4
3
3
2
, in rest
(161)
142
0, daca < 0
( ) =
1, daca 1
(162)
( ) + ( 1 ) = 1
(163)
i:
0, daca < 0
( ) = 4 (35 84 80 2 20 3 ), daca 0 1
1, daca 1
(164)
F { L }( ) = ( ) ( )
unde funcia ( )s fie omogen iar funcia ( )s fie periodic de perioad 4 .
Pentru alegerea:
( ) = p 1
( ) 2
( 4 k ) 2p2 +
( + 2 )
k Z
( )
( + 2 4 k ) 2p2 = 1
k Z
( 4 k ) 2p2 + ( + 2 ) ( + 2 4 k ) 2p2
k Z
4m( p+1)
m Z
(165a)
= 0
(165b)
k Z
2
m
2
= 2p + 2
(165c)
4 l( p+1) (2l )
143
= - ( ) * ( + 2 )
(165d)
l1
Primele dou relaii ((165a) i (165b)) sunt suficiente pentru determinarea funciei
( )(modulo un factor arbitrar de modul unitar, periodic de perioad 2 ):
( ) = ( ) e
( ) cu ( ) = 1 i ( + 2 ) = ( )
p +1 F { L }( ) = ( )
De aceea se poate afirma c "funcia" (Lp +1) este o combinaie liniar de distribuii
Dirac centrate n multiplii ntregi de 1/2. De aceea este clar c funcia L este o
funcie "spline". Deci ea este continu i derivabil de p-1 ori (aceste derivate sunt i
k + 1
este un
arg {( )} =
144
Definiia 1.7.1.2.2
K V 2 V1 Vo V1 V2K
Vm = L2 ( R)
m Z
Vm = { 0}
m Z
f (2m ) Vm
4.
( ) f Vo
5.
{( n)} n Z
1, 0 < 1,
H( ) =
0, in rest
}n Z
145
H ( n) , H ( n') =
H ( n)
*H ( n') d
rezult c:
H ( n) , H ( n') = 0 dac n n
De asemenea:
1
H ( n) , H ( n') =
d = 1
Mulimea
H Vo
{ H ( n)} n Z
{ f L2(R)
este
baz
ortonormal
spaiului:
n + 1
, adic este un element al spaiului H V1.
2
n + 1
, din
Se constat c odat cu creterea lui m intervalul m ,
2m
2
definiia spaiului H V m se ngusteaz. Atunci cnd m tinde la , limea acestui
interval tinde la 0. De aceea se poate afirma c i condiia 2. este verificat.
n
n + 1
tinde la . Dar
2m
singura funcie din L2 ( R ) , constant, este funcia identic nul. Dei i condiia 3. este
verificat. Deoarece verificarea condiiei 1. este trivial rezult c ntr-adevr,
146
mulimea
{ H Vm } m Z
Teorema 1.7.1.2.2
Mulimea m , n ( ) = 2 2 2m n
este o baz
n Z
ortonormal a spaiului Vm.
Demonstraie:
ortonormat.
m ,n , m , n' =
=
1
2
1
=
2
2
m
2
j 2 m n
( m + m)
2
F {} 2 m , 2
j 2 m ( n n')
} {
1
F m , n , F m , n'
2
m
2
j 2 m n'
F {} 2 m
F {} 2 m F * {} 2 m d
2m = v
se obine:
m , n , m , n'
1
=
2
1
2
(
)
=
F {} ( v) e j v n n' dv =
F {} ( v) e j v n ( F {} ( v) e j v n')
dv =
1
=
F {} (v ) e j v n ,F {} e j v n' =
2
1
=
F {( n)} ( v), F {( n')} ( v) = ( n), ( n')
2
n Z
care
147
1, n = n'
m,n ( ) , m,n'( ) = [ n n'] =
0, n n'
Deci mulimea
{ m, n } n Z
este ortonormat.
xo ( ) =
n Z
x o ( ) , ( n ) ( n )
Semnalul:
x m ( ) = x o ( 2m )
va putea fi scris n forma:
x o ( ), ( n) (2m n) =
xm ( ) =
n Z
m
2
x o ( ), ( n) m , n ( )
n Z
Se calculeaz:
x m ( ), m , n ( ) =
x m ( ) *m, n () d
xo 2m 2 2 * 2m n d
u = 2m
se obine:
x m ( ), m , n ( ) =
xo (u)
(u n) 2
m
2 du
= 2
m
2
x o ( ), ( n)
xm ( ) =
n concluzie mulimea
n Z
x m ( ), m , n ( ) m , n ( )
{ m, n ( )} n Z
148
Teorema 2.7.1.2.2.
Dac mulimea
{ 0, n ( )} n Z
F { (t n)} ( )
.
2
n Z
1
F { ( n)} ,
2
1
2
F { ( n')} =
( n), ( n') = [ n n']
2
2
este ortonormal.
F {( n)}
2
n Z
Deci mulimea
x( ) =
x( ), ( n) ( n)
n=
X( ) =
x( ), ( n) F { ( n)}
n=
Dar:
x( ), ( n) =
Deci:
X( ) =
n=
F { x( )}( ) ,
Rezult c mulimea
1
F { x( )} , F { ( n)}
2
1
F { ( n)} ( )
2
1
F { ( n)} ( )
2
2
n Z
149
{ F{ }}
m, n
n Z
. De fapt dac
{Vm } m Z
este o
{ { }} m Z este o analiz
multirezoluie a lui L2 ( R ) .
Aceste modaliti de construcie a noi analize multirezoluie, pornind de la
analize multirezoluie deja cunoscute au fost prezentate n [71].
Se continu seria exemplelor de analiz multirezoluie. Avnd n vedere c:
sinc
F
p ()
2
2
i c:
H ( ) = p 1
2
2
P W ( ) = sinc ( )
Vo =
{ f L2 ( R)
F { f }( ) = 0, () cu >
F m , o ( n)
2
n Z
i mulimea:
baza
150
(
e j ) F m , o ( n) ( )
2
n Z
2
n Z
subspaiu F Vo, element al unei analize multirezoluie este necesar ca funcia ( ) s
satisfac condiia:
( ) = ( 2m )
( ) m Z
(166)
( ) = ( sgn )
2
( )
ej
= j sgn
devine de forma:
e j () F m , o ( n) ( )
2
n Z
De aceea mulimea
{ {
}}
2
n Z
De aceea se poate formula urmtoarea teorem.
Dac mulimea
m
rezult c dac
H Vm
151
m( ) =
F {} ( + 2 k)
{( n)} n Z
s fie o
A m( ) B
2
lui Vo, ( n)
}n Z
F { } ( 2 ) = mo ( ) F { } ( )
Demonstraie. Deoarece spaiul V- 1 este inclus n Vo, funcia , element al lui
V- 1 poate fi descompus n baza lui Vo, n forma:
1
=
2 2
1
, ( n) ( n)
2 2
Se face notaia:
mo [ n] =
1
, ( n)
2 2
1
2
1
, ( n)
2
2
F { } ( 2 ) = mo [ n] e j n F { } ( )
n
Deci funcia
m o [ n] .
152
F { ( )} ( )
, m( ) 0 , ( ) R
m( )
F { o ( )}( ) =
(167)
}n Z .
n Z
o ( ),
( n) ( n)
F { o ( )}( ) =
n Z
o ( ),
( n) e j n F { } ( )
n Z
o ( ),
( n) e j n =
1
m( )
{ o ( n)} n Z
(168)
demonstra imediat c:
o ( n), o ( n')
{ F{ ( )}() } (n' n)
= F 1
= r 0 0 (n' n)
(168')
r 0 0 ( k ) = [ k ]
(168'')
r
adic:
0 0
(k ) e j k = 1
F {} ( + 2 k )
k
= 1
(169)
153
{ o } ( + 2 k )
F {} ( + 2 k )
m ( + 2 k )
{ o } ( + 2 k )
1
2
(
)
2 F {} + 2 k
m ( )
k
k
2
sau innd seama de definiia funciei m ( ) , se obine:
{ o } ( + 2 k )
= 1
x( ) =
x( ), ( k) ( k)
k Z
X( ) = x( ), ( k) e j k F { } ( ) = mx ( ) F { } ( )
n Z
adic:
X( ) = mx ( ) m( ) F { o ( )}( )
Revenind n domeniul timp:
x( ) = p( ) o ( )
unde:
p( ) mx ( ) m( )
154
pk (
p( ) =
k)
x( ) =
pk
k
( k)
i corespunde
F { ( )} ( )
m ()
F { o ( )} ( ) =
{ o ( n)} n Z
cu
m ()
= F { } ( + 2 k )
k
Vo =
{x( )
1 + ,
1 S ( ) = 1 ,
0,
Mulimea
{ 1 S ( n)} n Z
1 0
0 < 1
in rest
ntr-adevr:
sin 2
1 S ( )
155
De aceea:
2
mS ( ) =
F{ S }
k
sin
+ k
2
2
( + 2 k ) =
k
+ k
2
(170)
Dar m ( )
este transformata Fourier n timp discret a semnalului
r1S 1S ( ) obinut prin eantionarea ideal cu pas unitar a autocorelaie semnalului
1 s ( ) .
r1S 1S [ 0] =
2
1 S ( )
d =
(1
)2
2
3
(1+ ) ( ) d
1
6
r1S 1S [ 1] =
(1+ ) 2 d
d +
1 S ( ) 1 S ( + 1)d
mS ( ) =
2
1 j j
2
1
cos
+
e
+e
=
+
3
6
3
3
(171)
n consecin:
Aadar mulimea
1
2
mS ( ) 1
3
{ 1 S ( n)} n Z este baz Riesz a spaiului Vo. Pentru a
mS ( ) = a + b e j
Pe baza relaiei (171) se poate scrie:
156
) (a + b e j )
2
1
cos = mS ( ) m*S ( ) = a + b e j
+
3
3
adic:
2
2
2
a + b = 3
ab = 1
6
a=
1
1 +
2
1
1
; b=
1
3
2
Deci:
1
1 +
2
mS ( ) =
1
1
+
1
3
2
1 j
e
3
n consecin:
F { 1 S ( )} =
1
1 +
2
sinc 2
1
1
+
1
3
2
1 j
e
3
= H( ) H( )
Convoluionnd n continuare cu H ( )se obin noi funcii de scar (spline de ordin
superior):
2S ( )
= 1 S ( ) H ( )
m 1 S ( )
H( )
m 1
= 2
C km
m ( 2
157
k)
k= 0
F{ m S }
1 e j
( ) =
( ) n Z
x x m , m ,0 ( n) = 0
adic:
x( ) , m , 0( n) = x m ( ), m ,0( n)
Aparinnd
lui
Vm,
{ m, o ( n)} n Z
xm ( ) =
semnalul
xm ( ) se
( ) n Z
poate
descompune
(172)
n
baza
n forma:
x m ( ), m , o ( n) m , o ( n)
n=
xm ( ) =
x( ), m , o ( n) m , o ( n)
(173)
n=
em
= x( )
x m ( )
158
Dac este vorba de exemplu de deplasarea unui robot pe urmele unei inte n micare
atunci din ntreaga imagine achiziionat de robot, acesta are nevoie doar de o anumit
poriune (cea care conine imaginea int). Aceasta va putea fi extras din imaginea
achiziionat prin scderea rezoluiei acesteia pn la nivelul corespunztor
posibilitii de identificare a unor obiecte cu dimensiuni comparabile cu cele ale intei.
Realizarea acordului dintre semnalul de analizat i rezoluia necesar aplicaiei
este foarte important pentru aplicaia avut n vedere deoarece conduce la suprimarea
detaliilor inutile (pentru aplicaia considerat) din semnalul de analizat. Iat de ce o
prim aplicaie a analizei multirezoluie este n compresia semnalelor.
Pe baza relaiei (173) se constat c semnalul xm ( ) se obine prin analiza
semnalului x( )bazat pe funciile m ,n ( ).
Dac funcia ( )are suport compact (aa cum este de exemplu cazul funciei
H ( ) sau al funciilor k S ( ), k Z ) atunci suportul funciilor m ,n ( ) va fi
de m ori mai scurt. De aceea analiza n spaiul Vm a semnalului x( ) va fi mai
localizat (mai detailat) dect analiza aceluiai semnal n spaiul Vo (pentru
m > 0).Se observ caracterul de "microscop matematic" al analizei multirezoluie.
n continuare se prezint modul n care poate fi utilizat conceptul de analiz
multirezoluie la construcia bazelor ortonormale de funcii "wavelet" ale spaiului
L2 ( R) . n acest scop se detaliaz pentru nceput conceptul de descompunere
ortogonal a acestui spaiu.
7.1.2.3 CONCEPTUL DE DESCOMPUNERE ORTOGONAL
Acesta este bine cunoscut n analiza funcional, [39], i reprezint o
modalitate de construcie a unei baze ortonormale a unui spaiu Hilbert pornind de la
bazele ortonormale ale unor subspaii ortogonale.
Definiia 1.7.1.2.3
{Wm } m Z
m p
Wm = L2 ( R )
m Z
este o
159
F { o }( 2 ) = mo ( ) F { o ( )}
n continuare se demonstreaz o proprietate a funciilor
o ( )genereaz o baz ortonormal de translatate pe Vo.
De aceea:
F { o }( + 2 k )
m o ( ). Funcia
( ) R
= 1,
(174)
k=
2
se poate scrie:
F { o } ( 2( +
k ) )
= 1
k=
sau:
F { o } ( +
k=
sau:
k ) mo ( + k )
F{ o } ( + 2 p )
p=
F { o } ( + (2 p + 1) )
p=
mo ( + 2 p )
= 1
mo + (2 p + 1)
= 1
mo ( ) (acesta reprezint
160
mo ( )
F{ o }( + 2 p)
p=
+ mo ( + )
mo ( )
F{ o }( + (2 p + 1))
=1
p=
{ o ( n)} n Z
+ mo ( + )
rezult:
= 1
(175)
Deci rspunsul n frecven al filtrului numeric care face legtura ntre generatoarele
bazelor ortonormale ale spaiilor Vo i V- 1 are proprietatea exprimat de relaia (175).
n continuare se consider funcia:
m1( ) = e j mo* ( + ) = 1
Cu ajutorul acesteia se construiete funcia ( )cu transformata Fourier:
F {}(2 ) = m1( ) F { o } ( )
i fie:
k
2
k Z
W 1 = W L2 ( R )
n [88] este demonstrat urmtoarea afirmaie.
Propoziia 1.7.1.2.3
Se consider analiza multirezoluie
{Vm } m Z
i spaiul vectorial
proprieti:
1.
W 1 V 1
Mulimea
3.
Vo = V1 W1
Demonstraie.
L2 ( R) ,
2.
W1,
a lui
161
W 1 Vo
Pornind de la relaia:
mo ( ) =
mo [ n] e j n
n=
se obine:
m1( ) = e
mo ( + ) = e j
*
mo [ n] e j n( + )
n=
m1( ) = e j
sau cu schimbarea de indice:
m1( ) =
mo [ n] e j n
n=
k = n 1
( 1) k 1 mo [1 k ] e j k
(176)
n=
m1[ n] = ( 1) n 1 mo [1 n] = ( 1) n 1 mo [ n 1]
{ }
(177)
1
.
2 2
1
= ( 1) n 1 mo [1 n] o ( n)
2 2 n =
(177')
lui Vo. Deci i combinaiile lor liniare vor fi elemente ale lui Vo. Dar aceste combinaii
liniare sunt i elemente ale lui W-1. Deci:
162
Vo
S =
F{ } ( 2( + k ) )
k Z
Se poate scrie:
S=
k Z
m1( + k) F { o } ( + k ) =
+
p Z
p Z
m1 + (2 p + 1)
m1( + 2 p ) F { o } ( + 2 p )
2
) F{ o } ( + (2p + 1) )
2
S = m1( )
F { o } ( + 2p)
p Z
+ m1( + )
F { o } ( + (2p + 1))
p Z
{ o ( k)} k Z se obine:
S = m1( ) + m1( + )
Dar:
m1( ) = e j mo* ( + )
2
= mo ( + )
i:
m1( + ) = e j
2
( + )
m*o ( )
= mo ( )
Capitolul 7
163
F { } 2 + k
se poate scrie:
2
= 1
adic:
F { } ( + 2 k )
k
= 1
{ ( n)} n Z
(179)
este ortonormat:
( k), ( l) = [ k l ]
(180)
1
2
( 2
1
2 ( 2 1
k), 2
l)
= 2
( 2 1 k) * ( 2 1 l) d
u = 2 1
ultima relaie devine:
1, k , 1, l
= ( k), ( l) = [ k l ]
este ortonormat.
k
2
2
k Z
n consecin mulimea
xo ( ) =
ao , k o ( k)
k
X o ( ) = mx ( ) F { o } ( )
(181)
164
F{}( 2( + k ))
F * { o } ( 2( + k )) =
m1( + k) m*o ( + k) F { o } ( + k)
= m1( + 2 p) mo* ( + 2 p ) F { o } ( + 2 p )
F * { o } ( 2( + k )) =
F {}( 2( + k ))
k
m1( ) mo* ( ) F { o } ( + 2 p) +
2
+ m1( + ) m*o ( + ) F { o } + (2 p + 1)
p
{ o ( n)} n Z :
F{}( 2( + k ))
165
F * { o } ( 2( + k )) =
( ) R
(182)
F {}( 2( + k ))
F * { o } ( 2( + k )) = 0
F{}( + 2 k )
k
( ) R
se obine:
2
F * { o } ( + 2 k ) = 0
1
F {}( + 2 k ) F * { o } ( + 2 k ) e j( p q ) d = 0,
2 k
() ( p, q ) Z Z
sau:
1
2
F {}( + 2 k )
k
F * { o } ( + 2 k ) e j( p q ) d = 0,
() ( p, q ) Z Z
(183)
166
u = + 2k
ultima relaie devine:
1
2
adic:
( 2k +1)
F {}(u)
k ( 2k 1)
F * { o } (u) e j( p q ) u du = 0,
() ( p, q ) Z Z
1
F {}(u) F * { o } (u) e j( p q ) u du = 0
2
sau pe baza definiiei produsului scalar pe L2 ( R ) :
1
F {} e j p u , F { o } e j q u
2
() ( p, q ) Z Z
=0,
( p) , o ( q ) = 0 ,
( ) ( p, q ) Z Z
(184)
Dar:
p , o q = ( p) , o ( q )
2
2
2
(185)
1
1
p ,
q = 0
o
2
2
2
2
1
2 2
( ) ( p, q ) Z Z
p Z
sunt
q
o
2
2
q Z
ao , k o ( k)
xo ( ) =
i:
167
x o ( ) = x 1( ) + d 1( )
x 1( ) =
x o ( ), o k
2 k
2
2 k
(186)
d 1( ) =
1
2
x o ( ), k k
2
2
(187)
i:
xo ( ), k = x 1( ) + d 1( ), k =
2
2
x 1( ), k + d 1( ), k = d 1( ), k
2
2
2
(188)
{ o ( k )} k Z relaiile (186)
i (187) devin:
x 1( ) =
1
2
ao , l
k
( l ), o k
2
k
2
(189)
i:
d 1( ) =
Cu notaiile:
1
2
ao , l
k
( l ), k k
2
(190)
168
a 1,k =
1
2
ao ,l
( l ), o k
2
d 1,k =
1
2
ao ,l
( l ), k
2
(191)
i:
l
(192)
k
2
x 1( ) =
1
2
a 1,k
d 1( ) =
1
2
d 1,k 2 k
i:
(193)
(194)
x o ( ) = x 1( ) + d 1( )
De aceea se poate afirma c:
V 1 W 1 = Vo
Conform consecinei 2. a teoremei de care ne ocupm rezult c spaiul W-1 este
complementul ortogonal al spaiului V-1 n raport cu spaiul Vo.
Consecina 3. i teorema propriu-zis sunt astfel demonstrate. n continuare se
fac cteva comentarii inspirate de propoziia demonstrat.
A)
Relaiile (191) i (192) permit calculul coeficienilor proieciilor
semnalului xo ( ) pe spaiile V-1 i W-1, a -1 ,k , d -1 ,k cu ajutorul coeficienilor
dezvoltrii acestui semnal n baza lui Vo, a o ,k .
B)
Relaiile (191) i (192) se mai pot pune n forma:
a 1,k =
2 a o ,l mo* [l 2k ]
l
(195)
Capitolul 7
d 1,k =
169
2 a o ,l m1* [l 2k ]
(196)
x 1( ) + d 1( ) =
Dar:
i:
1
2
a 1[ n] o 2 n
n
1
2
d 1[ n] 2 n
n
o
2 k =
2
2 mo [ p] o ( 2 k p)
k =
2
2
2 m1[ p] o ( 2 k p)
Deci:
x 1( )+ d 1( ) =
= a 1[ n] mo [ p] o ( 2n p) + d 1[ n] m1[ p]o ( 2n p) 2
n
p
p
Fcnd schimbarea de indice:
l = 2n + p
ultima relaie devine:
x 1( )+ d 1( ) =
n
l
l
=
a 1[ n] mo [ l 2n]
n
+ d 1 [ n]m1[ l 2n] o ( l )
2 =
170
{ o ( n)} n Z , se obine:
a o,l =
(a 1[ n] mo [l 2n] +
n
d 1[ n] m1[l 2n])
(197)
unde:
m ( ) 2 + m ( + ) 2 = 1
o
o
2
2
m1( ) + m1( + ) = 1
*
*
mo ( ) m1 ( )+ mo ( + ) m1 ( + ) = 0
(198)
F { o } ( 2 ) = mo ( ) F { o } ( )
F { } ( 2 ) = m1( ) F { o } ( )
(199)
Vo i
o ( 2 )
V1
1
1
genereaz mulimea
k
2
2
2
2
k Z
baza ortonormal a spaiului W-1, inclus n Vo. Pe baza ipotezei 4. din definiia analizei
multirezoluie rezult c ( ) V1 . Dar pe baza relaiei (180) rezult c funcia
{ o ( k )} k Z .
171
V1 i Vo
Dar funcia aparine complementului ortogonal al lui Vo n V1, Wo:
V1 = Vo Wo
Se constat c mulimea
{ ( k )} k Z
{ ( k )} k Z .
Se poate scrie:
w0 ( ), ( k ) = 0, k Z
Conform relaiei (180) rezult c semnalul w o ( )este de forma :
w0 ( ) = c l o ( l)
l
{ ( k )} k Z
contrazice ipoteza
{ m,n ( )} n Z
este o baz
VM = VM 1 WM 1 = VM 2 WM 2 WM 1 =...= V0 ( Wp ) (200)
0 p J
Dar pentru c
scrie:
{Vm } m Z
172
U Vm = L2 ( R)
mZ
sau :
Wm = L2 ( R)
mZ
adic:
U Wm = L2 ( R)
mZ
W
i c:
m 1
Vm
Wm Vm
rezult c:
Wm 1 Wm
n consecin se poate afirma c
a lui L2 ( R ) . Pa baza unei teoreme celebre de analiz funcional care afirm c prin
concatenarea bazelor ortogonale ale unei descompuneri ortogonale a lui L2 ( R ) se
obine
baz
ortonormal
{ m, n ( )} n Z, m Z
lui
L2 ( R)
rezult
mulimea
1,
H( ) =
0,
0 < 1,
in rest
De aceea:
1
1
,
H = 2
2
2
0,
Se constat c:
0 < 2,
in rest
173
1
1
1
H =
H() +
( 1)
2
2
2
2 H
n consecin:
mo H [ n] =
1
1
[ n] +
[ n 1]
2
2
respectiv:
mo H ( ) =
1+ e j
2
1
1
1
= H ( ) +
( 1)
2
2
2
2 H
adic:
1
1
1
= H ( ) +
( 1)
2
2
2
2 H
Dar avnd n vedere c dac funcia ( ) este o funcie de tip "wavelets mother"
atunci i funcia ( ) este o funcie de tip "wavelets mother" rezult expresia
funciei generatoare a descompunerii ortogonale de tip Haar:
1
1, 0, 2 ,
H() =
1, 1 , 1
2
Se recunoate n mulimea
Hm,n ( )
n Z, m Z
174
n [75] se demonstreaz c pe baza analizei multirezoluie de tip Palley Wiener poate fi construit o descompunere ortogonal a lui L2 ( R ) , generat de
funcia:
P W( ) =
sin ( 2 ) sin ( )
[k ]
i
2
mo P W [ 2k + 1] =
( 1) k
,
(2k + 1)
k Z
F { o BL2 }( ) =
3
2
4 sin 2
2 1 + 2 cos 2
F
2 { o BL2}
Pe baza relaiei:
F { o BL2} ( ) = m0
0BL 2
mo
oBL 2
( ) = cos2
2
2
1 + 2 cos
1 + 2 cos2
de unde:
m1
oBL 2
( ) = e j
sin 2
2
2
2
1 + 2 cos
1 + 2 sin 2
175
F { BL2} ( ) =
3 j
e
2
1 + 2 cos2
2
1 + 2 sin 2
4 sin 4
1 + 2 cos2
4
4
a) Funcia de scar.
176
F { o } ( 2 ) = mo ( ) F { o } ( )
(205)
mo ( ) + mo ( + ) = 1, ( ) R
(206)
mo ( 0) = 1
(207)
mo ( ) = 0
(208)
F { } ( 2 ) = m1( ) F { o } ( )
(209)
m1( ) = e j mo* ( + )
(210)
m1( 0) = mo* ( ) = 0
(211)
unde:
Rezult:
177
m1( ) = 1
(212)
F { o } ( )
2.
F { o } ( )
3.
F { o } ( )
Demonstraie.
> 0;
= 2 k
= 0
= 0;
( ) k Z - { 0} ;
= 1;
F { o } ( ) =
N
n=1
mo n F { o }
2
N
2
F { o } ( ) =
N
n=1
mo n F { o }
2
N
2
Avnd n vedere c:
mo n 0 , ( ) n N - { 0}
2
i c ( )este rspunsul la impuls al unui filtru trece jos:
178
F { o } (0) 0
rezult c, pentru N suficient de mare:
F { o } N 0
2
deoarece funcia F { o }( ) este considerat continu. n consecin:
F { o }( ) 0
Consecina 1. a fost demonstrat.
Pentru ca funcia s fie de tipul "wavelets mother" este necesar, conform
definiiei 1.7.1.2.1 s fie regulat de regularitatea r. Aceast condiie se poate exprima
n forma:
m ( ) d
= 0 , ( ) m, m = 0, 1, ..., r
(213)
adic:
F { m ( )} ( )
= 0
=0
sau:
dm
F {( )}
d m
= 0
= 0 , m = 0, 1, 2, ... , r
(214)
F { } (0) = 0
Pe baza relaiei (209) se poate scrie:
F {} ( ) = m1 F { o }
2
2
179
d
d
d
F { } ( ) =
m1 F { o } + m1
2
2
2 d
d
d
sau, pentru:
{ F{ o } 2 }
= 0
rezult:
d
2
F ( )
d
{{ } }
= 0
d
m
d 1 2
= 0
F { o } (0) + m1(0)
d
F { o }
2
d
= 0
m 1'( 0) = 0
Procednd prin recuren se poate demonstra c:
( )
m1k (0) = 0 , k = 0, 1, ..., r
(215)
= 0
m1' ( 0) = j mo* ( ) + mo* ' ( )
m'o ( ) = 0
Procednd prin recuren se poate demonstra c:
( )
(216)
180
F { o } ( ) = mo F { o }
2
Pentru:
(217)
= 2
se obine:
F { o } ( 2 ) = mo ( ) F { o } ( ) = 0
Pentru:
= 4
se obine:
F { o } ( 4) = mo (0) F { o } ( 2) = 0
Pentru:
= 6
se obine:
F { o } ( 6 ) = mo ( 3 ) F { o } ( 3 ) = mo ( ) F { o } ( 3 ) = 0
Continund n acest mod se poate demonstra c:
F { o } ( 2 k ) = 0 , ( ) k Z - { 0}
Deci i consecina 2. este demonstrat.
Pentru a gsi valoarea lui F { o } ( 0) , se utilizeaz relaia:
F { o } ( + 2 k )
= 1
(218)
k=
F { o } ( + 2 k ) = mo + k F { o }
2
2 + k
(219)
mo ( k )
k=
sau:
mo (2 k )
mo ((2 k + 1) )
k=
F { o } (2 k ) +
k=
F { o } ( k ) = 1
F { o } ((2 k + 1) ) = 1
2
Dar:
mo ( (2 k + 1) ) = mo ( ) = 0
Folosind i consecina 2., ultima relaie devine:
mo (0)
F { o } (0)
= 1
F { o } (0) = 1
2
F { o }
A.
(k)
(2 p ) =
0,
k = 1, 2, ..., r , p = 1, 2, ...
=
F ' { o } ( 2 ) = 0
181
182
Pentru:
= 2
F ' { o } ( 4 ) = 0
F ' { o } (2 p ) = 0 , () p Z - { 0}
Pentru celelalte valori ale lui k se poate proceda la fel.
B. Polinoamele de grad inferior lui r sunt elemente ale spaiului Vo.
Demonstraie. Transformata Fourier a semnalului
raport cu variabila poate fi pus n forma:
F o (t ) ( ) = j k
= j
Dar:
k 1
x(t, ) = k o (t ) , n
dk
F { o (t )} ( ) =
d k
d k 1 d
jt
F { o } ( )
k 1 j d e
d
e j t F { o } ( ) = t e j t F { o } ( ) j e j t F ' { o } ( )
d
Deci:
d k 1
t e j t F{ o } ( ) j e j t F' { o } ( ) (220)
d k 1
Eantionnd cu pas unitar semnalul x(t, ) dup variabila se obine
semnalul: x(t, n) = n k o (t n) . innd seama de legtura dintre spectrul unui
F k o (t ) () = j k 1
semnal n timp discret i spectrul semnalului analogic prin a crui eantionare s-a
obinut semnalul n timp discret [114], se poate scrie:
n k o (t n) e j n
n
F { k o (t )} ( 2 p )
p
(221)
183
= 0
n k o (t n)
F { k o (t )} ( 2 p )
(222)
{ o (t n)} n Z ,
baz n Vo, rezult c polinomul n t obinut este element al lui Vo. Astfel enunul este
justificat.
Remarca fcut stabilete prima legtur dintre noiunea de analiz
multirezoluie i teoria polinoamelor. O alt legtur a fost sesizat i exploatat de
Ingrid Daubechies n lucrarea [41].
Avnd n vedere rezultatele acestui paragraf, se constat c se poate presupune
c rspunsul n frecven m o ( )este de forma:
N
1 + e j
P( )
mo ( ) =
2
(223)
( ) = 2
m1[ n] o ( 2 n)
n=
va conine un numr finit de termeni nenuli. Deci dac funcia o ( ) are un suport
compact atunci i funcia ( )are suport compact. Mai mult, se poate afirma c
184
mo ( )
1 + e j
=
2
N 2
P( ) 2
(224)
Dar:
1+ e
2
2
2 cos
= cos
De aceea:
1 + e j
2
1 + cos
2
mo ( )
N
1 + cos
2
P( )
=
mo ( 0) = 1 ; mo ( ) = 0
Se poate demonstra, prin verificare, c aceste condiii sunt satisfcute de polinoame de
forma:
mo ( )
1 + cos
1 + cos 1 cos
+ 1
cos + ... +
2
2
2
(225)
N
N
1 + cos 1 cos
+ N
cos
2
2
mo ( ) + mo ( + )
= 1
185
1 + cos
2
X =
(226)
Q( X) = X ;
mo H ( ) =
1 + e j
2
1 = 1 ; k = 0 , k = 2,N
relaia (216) devine:
Q( X) = X 2 (3 2X)
(227)
Deci:
2
1 + e j
1 + cos (
)
(2 cos )
2 cos =
=
2
2
4
mo ( )
m( )
Fie:
= 2 cos
m( ) = + e j
m( ) = m( ) m* ( )
rezult sistemul:
2 + 2 = 2
1
=
2
cu soluiile:
(228)
186
1+ 3
1 3
; =
2
2
moD2 ( ) moD2 ( ) =
1 + e j
2
1+ 3
1 3 j
+
e
2
2
(229)
Exist mai multe soluii pentru aceast ecuaie. Una dintre ele este:
1 + e j 1 + 3
1 3 j
moD2 ( ) =
+
e
2
2
2
1 +
8
3 +
8
3
moD2[ n] =
8
1
8
, n = 0
, n = 1
, n = 2
, n = 3
(230)
, in rest
Deoarece acest filtru a fost proiectat pentru prima dat n [41] i deoarece el
corespunde cazului N = 2, funcia "wavelets mother" pe care o genereaz este notat n
majoritatea lucrrilor DAU2.
Construcia filtrelor cu rspunsul n frecven m o ( ) poate fi continuat prin
recuren. Dac se consider c i coeficientul 2 este nenul
( k = 0 , k = 3,N ), atunci expresia polinomului Q(X) devine:
187
Funcia de scar asociat va avea regularitatea maxim dac factorul comun din
membrul drept va fi X3. Deci valoarea lui 2 ar trebui determinat astfel nct
termenul liber al polinomului:
3 2X + 2 (1 X) 2 (2X 1)
s se anuleze. De aceea se obine:
2 = 3
Cu aceast alegere rezult:
Q( X) = X 3(10 15X + 6X 2 )
adic:
moD3( )
3
2
1 + cos
1 + cos
1 + cos
=
+
10
15
6
2
2
2
Coeficienii acestor filtre, amplificai cu 2 , pentru valori ale lui N cuprinse ntre 2
i 10, sunt prezentai n tabelul 1.7.1.2.4.
Cteva exemple de funcii de scalare respectiv de funcii de tipul "wavelets
mother" sunt prezentate n figura 1.7.1.2.4.
Funciile "wavelets mother" obinute astfel au un suport compact (deci
localizare bun n timp) au regularitatea prescris de valoarea lui N i o localizare n
frecven destul de bun. Ele pot fi considerate atomi timp-frecven. Dezavantajul
acestor funcii este c nu au expresii explicite. Totui expresiile lor pot fi determinate
numeric.
n cadrul demonstraiei propoziiei 1.7.1.2.4 s-a demonstrat i relaia:
F { o } ( ) =
N
n=1
mo n F { o }
2
N
2
188
N=2:
N=6:
N=8:
N = 10 :
0.4829629131445341
0.8365163037378079
0.2241438680420134
-0.1294095225512604
0.111540743350
0.494623890398
0.751133908021
0.315250351709
-0.226264693965
-0.129766867567
0.097501605587
0.027522865530
-0.031582039318
0.000553842201
0.004777257511
-0.001077301085
0.054415842243
0.312871590914
0.675630736297
0.585354683654
-0.015829105256
-0.284015542962
0.000472484574
0.128747426620
-0.017369301002
-0.044088253931
0.013981027917
0.008746094047
-0.004870352993
-0.000391740373
0.000675449406
-0.000117476784
0.026670057901
0.188176800078
0.527201188932
0.688459039454
0.281172343661
-0.249846424327
-0.195946274377
0.127369340336
0.093057364604
-0.071394147166
-0.029457536822
0.033212674059
0.003606553567
-0.010733175483
0.001395351747
0.001992405295
-0.000685856695
-0.000116466855
0.000093588670
-0.000013264203
N=3:
0.332670552950
0.806891509311
0.459877502118
-0.135011020010
-0.085441273882
0.035226291882
N=7:
N=4:
0.230377813309
0.714846570553
0.630880767930
-0.027983769417
-0.187034811719
0.030841381836
0.032883011667
-0.010597401785
N=5:
0.160102397974
0.603829269797
0.724308528438
0.138428145901
-0.242294887066
-0.032244869585
0.077571493840
-0.006241490213
-0.012580751999
0.003335725285
0.077852054085
0.396539319482
0.729132090846
0.469782287405
-0.143906003929
-0.224036184994
0.071309219267
0.080612609151
-0.038029936935
-0.016574541631
0.012550998556
0.000429577973
-0.001801640704
0.000353713800
N=9:
0.038077947364
0.243834674613
0.604823123690
0.657288078051
0.133197385825
-0.293273783279
-0.096840783223
0.148540749338
0.030725681479
-0.067632829061
0.000250947115
0.022361662124
-0.004723204758
-0.004281503682
0.001847646883
0.000230385764
-0.000251963189
0.000039347320
Tabelul 1.7.1.2.4. Coeficienii filtrelor care genereaz funciile wavelets mother propuse de
I. Daubechies
189
(phi(x)).
190
191
F { o } ( ) =
n= 1
mo n F { o } (0)
2
F { o } ( ) =
n= 1
mo n
2
(231)
F {} ( ) = m1 F { o }
2
2
pe baza relaiei (221) se poate scrie:
F {} ( ) = m1
2
mo n +1 = m1
2
2
n= 1
n= 2
mo n
2
192
x 1( ) =
a 1,k
0 1, k ( )
(233)
d 1( ) =
d 1,k 1, k ( )
(234)
i:
{ o ( k )} k Z ,
a 0 ,k cu
a 1,k =
2 a 0,l mo* [l 2 k ]
(235)
d 1, k =
2 a 0, l m1* [l 2 k ]
(236)
i:
{ o m, k ( )} k Z
i m , k ( )
x m ( ) =
a m, k o
()
(237)
d m, k m, k ( )
(238)
i:
d m( ) =
m, k
193
x m +1( ) =
a
2 a
m +1,k o
m +1,k ( )
(239)
a m ,k =
m *o [ l 2 k]
(240)
2 a m +1,l m 1* [ l 2 k]
(241)
m +1,l
i:
d m ,k =
ntr-adevr:
u[ n] = a m+1[ n]
194
195
2 + 2 + 22 + ... + 2m = 1 +
2k = 1 +
k= 0
2m+1 1
= 2m+1
21
(242)
n
, nM 2
x
y[ n] = 2
0 , in rest
(243)
De aceea semnalele u1[ n] i v1[ n] din figura 3.7.1.2.5 pot fi descrise cu relaiile:
u1[ n] =
2 u[ l ] m o [ n l ] = 2 u[2 p] m o [n 2 p] +
l
2 u[2 p + 1] m o [n 2 p 1] = a m [ p] m o [n 2 p] 2
p
196
v1[ n] = d m [l ] m1[n 2l ] 2
l
197
198
F {} ( ) =
n= 1
mo n
2
F { '} ( ) = j
n= 1
mo n
2
1 + ej
P( )
mo ( ) =
2
F {'} ( ) = j
n= 1
j
1 + e
2n
n= 1
P n
2
(244)
Dar:
n= 1
j
1 + e
2n
= sinc
Deci:
F { '} ( ) = j sinc
2
Dar:
n= 1
P n
2
(245)
(246)
j sinc
2
N 1
= j sinc
2
j
sinc = e
2
199
N 1
2
sinc
j
F {'} ( ) = e
N 1
sinc
2
n= 1
P n
2
j
e 2
F {'} ( ) =
j
1 + e
j
e 2
n= 1
Folosind notaia:
1 + ej
1mo ( ) =
2
2n
N 1
P n
2
N 1
P( )
se obine:
j
F {'} ( ) = e
1mo
n= 1
n
2
j
F { '} ( ) = e
F { 1} ( )
sau:
'( ) = 1
1
1
1 +
2
2
200
k = 2,10 exist mai multe alegeri posibile (pentru k = 2, ecuaia (229) are mai
multe soluii posibile) se poate pune problema care dintre acestea conduce la un filtru
a crui caracteristic de faz este cel mai apropiat de una liniar. De fapt numrul de
N
alegeri posibile este 2 2 .Fiecare dintre aceste alegeri presupune fixarea unei mulimi
de rdcini ale ecuaiei:
mo D k ( ) = 0
(247)
Acestea reprezint o submulime a mulimii soluiilor ecuaiei:
mo D k ( )
= 0
(248)
n frecven mo D k ( ) este de 2 2
N=5
N=6
N=7
N=8
cN ,n
201
cN ,n
0
- 0.075765714789
N=8
5
- 0,027219029916
1
- 0,029635527645
6
- 0,051194583810
2
0,497618667632
7
0,364441894836
3
0,803738751805
8
0,777185751699
4
0,297857795605
9
0,481359651259
5
0,099219543576
10
- 0,061273359167
6
0,012603967262
11
- 0,143294238351
7
0,032223100604
12
0,007607487325
0
0,027333068345
13
0,031695087810
1
0,029519490926
14
- 5,4213233163560 e5
2
- 0,039134249302
15
0,003382415951
3
0,199397533977
N=9
0
0,001069490032
4
0,723407690040
1
- 4,731544985873 e5
5
0,633978963456
2
0,010264064027
6
0,016602105764
3
0,008859267493
7
- 0,175328089908
4
0,062077789302
8
- 0,021101834024
5
- 0,018233770779
9
0,019538882735
6
- 0,191550831296
0
0,015404109327
7
0,035272488035
1
0,003490712084
8
0,617338449140
2
- 0,117990186193
9
0,717897082763
3
- 0,048311742373
10
0,238760914607
4
0,491055941927
11
- 0,054568958430
5
0,787641141028
12
5,834627463305 e4
6
0,337929421728
13
0,030224878857
7
- 0,072637522786
14
- 0,011528210207
8
- 0,021060292512
15
- 0,013271967781
9
0,044724901770
16
6,197808890541 e4
10
0,001767711864
17
0,001400915225
11
- 0,007800708324
N = 10
0
7,701598089417 e4
0
0,002681814568
1
9,563267176371 e5
1
- 0,001047384888
2
- 0,008641299274
2
- 0,012638303403
3
- 0,001465382583
3
0,030515513165
4
0,045927239214
4
0,067892693501
5
0,011609893910
5
- 0,049552834937
6
- 0,159494278824
6
0,017441255087
7
- 0,070880535796
7
0,536101917090
8
0,471690666743
8
0,767764317004
9
1,769510036853
9
0,288629631751
10
0,383826761145
10
- 0,140047240442
11
- 0,035536740298
11
- 0,107808237703
12
- 0,031990056821
12
0,004010244871
13
0,049994972068
13
0,010268176708
14
0,005764912044
0
0,001889950332
15
- 0,020354939799
1
- 3,0292051455170 e4
16
- 8,043589343686 e4
2
- 0,014952258336
17
0,004593173582
3
0,003808752014
18
5,703608432707 e5
4
0,261269214029
19
4,593294204519 e4
Tabelul 1.7.1.2.7. Coeficienii filtrelor Daubechies cu faza cea mai apropiat de una liniar.
202
Figura 1.7.1.2.7. Funciile de scar i wavelets mother de tip Symmlet pentru N cuprins ntre 2 i 10.
203
mo [ n] = mo [ N 1 n]
Cu N s-a notat numrul de coeficieni nenuli ai rspunsului la impuls, m o [ n] . Ultima
relaie se scrie n domeniul frecven n forma:
mo ( ) = e j
( N 1)
mo ( )
(249)
mo ( )
= mo ( ) m*o ( ) = mo ( ) mo ( )
mo* ( ) =
N 1
n= 0
m*o [ n] e j n
Cu notaia:
N 1
mo* ( ) =
n= 0
m*o [ n] e j n
m*o ( ) = mo* ( )
(250)
204
mo ( ) mo* ( ) = Q( )
(251)
.
,
frecvene este cuprins n intervalul
3 3
n cazul funciilor "wavelets mother" introduse de Ingrid Daubechies suportul
frecvenial nu este finit, deoarece acestea au suport temporal compact. Totui
transformatele lor Fourier au vitez mare de scdere n interiorul intervalului:
2
De aceea se poate afirma c lungimea efectiv a benzilor de frecvene ale
acestor funcii este de ordinul de mrime al unei octave. Aceast localizare
frecvenial este datorat alegerii valorii 2 pentru factorul de dilatare ao (definit n
paragraful 7.1.2).
Uneori se dorete o localizare frecvenial mai bun. n continuare se prezint
dou metode pentru creterea localizrii frecveniale a funciilor generatoare de baze
ortonormale de funcii "wavelet", inspirate din teoria cadrelor pe mai multe voci
(descris la sfritul paragrafului 7.1.2).
Deoarece valoarea limii de band de o octav este impus de valoarea 2 a
factorului de dilatare, rezult c o cale natural de a obine o lime de band mai
ngust este s se utilizeze un factor de dilatare de valoare mai mic, de exemplu 3 2.
Din nefericire, folosind factori de dilatare nentregi nu pot fi construite analize
multirezoluie descrise de funcii de scar cu suport compact, care s genereze funcii
"wavelets mother" cu suport compact.
Pentru ao = 3 2, spaiul Vo ar trebui s fie generat de baza
3 3
n
(
)
=
c
o
1
,
n
o
2
n
( 1 ) = c
n
o
2 , n o
2
n
205
(252)
Dac funcia o ( ) ar avea suport compact, atunci secvenele c1,n i c2,n ar trebui s
fie de durate finite.
Trecnd n domeniul frecven, relaia (252) devine:
2
2 2 j 3 n
(
)
F { o } = c1, n F { o } 3 3 e
2
2 2 j 3 n
e j F { } ( ) =
c
e
F
{
}
n 2 , n o 3 3
o
(253)
u =
se poate scrie:
3
3
j u n
F { o } (u)
2 F { o } 2 u = c1, n e
n
3
3 e j 2 u F { } 3 u = c e j u n F { } (u)
o
2, n
o
2
2
n
(254)
Rezult:
c1, n e j u n F { o }(u) = e
n
3
u
2
c
n
2, n
ej u n
(255)
Dac secvenele c1,n i c2,n ar fi de durat finit, atunci transformatele lor Fourier n
timp discret ar trebui s fie polinoame de variabil e ju . Notnd polinomul asociat
secvenei c1,n cu P ( e ju ) relaia (255) se scrie:
206
P (e j u
= e
3
u
2
Q (e j u
e j u = v
Q( v)
v3 2
P( v) =
( ) =
a
n
n o
( N n)
F { o } ( ) =
1
N
Folosind notaia:
mo ( ) =
ultima relaie devine:
n
N
1
N
a
n
F { o }
N
ej n
(256)
F { o }( ) = mo F { o }
N
207
(257)
( N n)} n Z .
de forma:
Mulimea
F { l } ( ) = l m F { o }
N
n Z
o m( )
m( )
1
m( )
2
3 m( )
=
=
=
=
mo ( ) mo ( 2 )
mo ( ) m1 ( 2 )
m1 ( ) m1 ( 2 )
m1 ( ) mo ( 2 )
(258)
unde:
m1 ( ) = e j m*o ( + )
Cu ajutorul filtrului
m ( ) se genereaz
nVoo
(259)
. Cu ajutorul filtrelor
m( ) ,
208
M l ,k ( ) =
l 1
( k 1) , l = 1, 4 ; k = 1, 4
m +
s fie unitar pentru orice valoare a lui , [32]. Aceast condiie poate fi verificat
2
F { n o } ( ) =
m (4 p )
p=1
Dar:
o
De aceea:
F { n o } ( ) =
m (4 p ) = m o (2 2 p ) m 2 ( 2 p 1)
m o (2
2 p
p= 1
n consecin:
no
) m 2
( 2 p 1)
m o ( 2 p ) = F { o n } ( )
p=1
( ) = o n ( )
(260)
n o
(4 m k )
k Z
Acestea sunt baze ortonormale n spaiile nVm,o ale noii analize multirezoluie. Spaiile
iVp ale analizei multirezoluie iniiale erau generate de bazele ortonormale
( 2 p k )} k Z .
= nVm,o
(261)
F l ( ) = l m F { o }
4
{ }
Pentru l = 1 se obine:
4 , l = 1, 3
F { 1 } ( ) = 1 m F { o }
4
209
F { 1 } ( ) = m1 mo F { o }
2
4
(262)
F { o } ( ) = mo F { o }
2
F { 1 } ( ) = m1 F { o }
2
(263)
Dar acestea sunt tocmai relaia de definiie a funciei "wavelets mother" asociat
analizei multirezoluie iniiale, . n consecin:
1 ( ) = ( ), ( ) R
De aceea se poate scrie:
i W2 m
= nWm, 1
F { 2 } ( ) =
m F { o }
4
F { 2 } ( ) = m1 m1 F { o }
4
2
adic:
F { 2 } ( ) = m1 F {}
2
4
(264)
210
F { 3 } ( ) = 3 m F { o }
4
sau:
F { 3 } ( ) = m1 mo F { o }
4
2
adic:
F { 3 } ( ) = mo F {}
2
2
{ (4
Mulimile
{ (4
k)
k Z
(265)
k )} k Z genereaz spaiul
nW2 m, 2
iar mulimile
i 2m
= iV 2 m 2 iW 2 m 2 nW
m 1,2
nW
m 1,3
i 2m
= iV 2 m 1 nW
m 1,2
nW
m 1,3
i 2 m 1
= nW
m 1,2
nW
m 1,3
(266)
211
{V }
m
m Z
Pe baza relaiei (266) cele dou scheme din figura 2.7.1.2.7 pot fi echivalate cu
schema din figura 3.7.1.2.7. Se constat faptul c toate subspaiile Wm de indice impar
corespunztoare analizei multirezoluie iniial, iW2 m -1, se descompun n cte dou
subspaii corespunztoare noii analize multirezoluie nW m -1, 2 i nW m -1, 3. n timp ce
i nW
{ (4
3
m -1, 3
m 1
k)
k Z
{ (4
2
m 1
k Z
, spaiile nW m -1,
k)
k Z
respectiv
folosind filtrele cu
rspunsurile n frecven m 1 i m o .Despre funcia ( ) s-a presupus mai
2
consecin spectrul semnalului se concentreaz n banda [ 2 ,4] .
212
2 i m 1 2 se concentreaz n
intervale de forma [ 2 k , (2 k + 1) ] respectiv [(2 k + 1) , (2 k + 2) ] ,
k Z . n consecin spectrele semnalelor 2 ( ) i 3( ) se concentreaz n
intervalele: [ 2 , 3 ] respectiv [ 3 , 4 ] . Se constat c lungimea acestor intervale
este egal cu jumtate din lungimea intervalului [ 2 , 4 ] . De aceea se spune c
localizarea frecvenial a funciilor 2 ( )i 3( )este de ordinul unei semioctave.
Iat cum pot fi construite noi descompuneri ortogonale ale spaiului L2 ( R )
213
m [ n] m [ n + 2k ] =
o
1
[k]
2
se
bazeaz
(267)
pe
faptul
mulimea
1
=
2 2
m [ n] ( n)
(268)
Mulimea
poate scrie:
1
1
,
k
2
2
2
2
= [k]
2 mo [ n] ( n) ,
n
2 mo [ p] ( 2k p)
= [k]
adic:
m [ n] m* [ p]
n
( n) ( 2k p) =
1
[k]
2
sau:
m [ n] m* [ n 2k ] =
n
1
[k]
2
(269)
214
Dac se consider c funcia m o [ n] este real atunci se poate afirma c relaia (267) a
fost demonstrat.
Cel de-al doilea rezultat ajuttor se refer la funciile:
1 ( ) =
2 ( ) =
2 mo [ n] ( n)
n
2 ( 1) n mo [1 n] ( n)
n
m [ p] ( 2n p), m [q] ( 2m q)
( 2n), 1( 2m) = 2
= 2 mo [ p]m*o [ q] ( 2n p), ( 2m q) =
p
1
[ n m]
2
Deci:
1
( 2n) , 1 ( 2m) = [ n m]
Cazul II
2
( 2n) , 2( 2m) = 2 ( 1) p mo [1 p] ( 1) q mo [1 q] ( 2n p) ,
p
( 2m q ) = 2 ( 1) mo [1 p] ( 1) p + 2( n m) mo [1 p 2(n m)] =
p
= 2 mo [1 p] mo [1 p 2(n m)]
p
215
l = 1 p
ultima relaie devine:
1
[ m n]
2
Deci:
2
( 2n) , 2 ( 2m) = [ m n]
Cazul III
De fapt:
2
( ) = 2 m1[ n] ( n)
n
deoarece:
m1[ n] = ( 1) n mo [1 n]
De aceea:
(270)
Dar:
m [ p] m [ p + 2n 2m] =
p
rmo , m1 [2 (n m)]
r[ 2k ]
1
[ R () + R ( + ) ]
2
innd seama de
expresia transformatei Fourier discrete a unei funcii de
intercorelaie, se poate scrie:
216
1
(m () m1* () + mo ( + ) m1* ( + ))
2 o
rmo , m1 [ 2k ]
Dar conform relaiei (198), membrul drept al ultimei relaii este identic nul. n
consecin:
( ) n Z i ( ) m Z rmo , m1 [2 (n m)] = 0
Pe baza relaiei (270) rezult c:
1
Deci mulimea
( 2n) , 2 ( 2m) = 0
(271)
xo ( ) =
n
( 2n) + 2 cn 2 ( 2n)
1 n 1
x o ( ) = 2 1 c n
n
2 2 c n
n
Deci semnalul
{ ( k )}
k Z
xo ( )
m [ p] ( 2n p)
p
+
(272)
( 1) q mo [1 q] ( 2n q )
q
din Wo poate fi pus n forma (272). Deci mulimea considerat este complet. n
consecin ea este o baz ortonormal a lui Wo. Pe baza faptului c
descompunere ortogonal a lui L ( R) rezult c mulimea:
2
m
m2
m
m
2 1 (2 2n) , 2 2 2 (2 2n)
mZ, nZ
{W }
m
k Z
este o
217
m2
m2
m
i 2 2 ( 2m 2n)
2 1 (2 2n)
nZ
nZ
Mai rmne s se studieze localizarea n frecven a funciilor 1 ( ) i
Trecnd n domeniul frecven relaia (269) devine:
( ).
F {1}( ) = 2 mo ( ) F {}( )
(273)
F { 2 }( ) = 2 m1( ) F {}( )
Avnd n vedere c funcia m o ( ) descrie un filtru trece jos i c funcia m 1( )
descrie un filtru trece sus, rezult c funcia F { 1 }( ) se localizeaz n partea stng
a zonei de localizare a funciei F {}( ) i c funcia F { 2 }( ) se localizeaz n
partea dreapt a zonei de localizare a funciei F {}( ) . De aceea se poate afirma c
funciile 1 i 2 sunt mai bine localizate dect funcia . O descompunere a spaiului
L2 ( R ) care folosete tehnica prezentat mai sus este schematizat n figura 4.7.1.2.7.
L2 ( R) .
218
( ) = H ( )
i s considerm c filtrele m o ( ) i
Daubechies:
1 +
8
3 +
8
mo D 2 [ n] =
3
8
1
8
0
, n = 0
, n = 1
, n = 2
, n = 3
,
in rest
Se obin funciile:
D2
1
H() =
+
D2
2
H() =
+
1 + 3
1+ 3
2
H() + 3
H ( 1) +
8
8
31
1 3
H ( 2) +
H ( 3)
8
8
1 3
2
H ( + 2) 3
8
31
H ( + 1) +
8
3+ 1
1+ 3
H()
H ( 1)
8
8
219
220
1/2
1/2
H ( )i
D 2
1
e j d e j d =
1 j
e
j
1/2
0
e j
1
j
D 2
2
H ( ).
1/2
d (e j ) +
0
1
d (e j ) =
j 1/2
1 j 2
j
j
2
1
=
e
e
+
e
=
1/2
j
1
2e 2
e 2
j
2
cos
=
1
2
2
2
+
e
e
=
cos
=
1 =
j
2
2
j
j
j
j
sin
2
2e 2 2
4
e
4 sin
cos
sin 2
=
= je 2
sin 2
1 =
4
4
4
4
j
j
4
Deci:
F { H ( )} ( ) = j e
sinc
sin
4
4
(274)
F{ D 21 H } () = 2 moD2 ( ) F{ H } () =
1 + e j 1 + 3 1 3 j j 2
+
e j e sinc sin
=
2
2 2
2
4
4
=
=
(275)
2 j
1 3 j j 2
e 4 cos2 (1 + 3) 1 +
e j e sinc sin
=
8
2
1+ 3
4
4
=j
2 j 32
e
2
1 3 j
e sinc sin (1 + 3)
1 +
1+ 3
4
4
S-a obinut:
F { H }( ) = sinc
F{ D21H}( ) =
=
sin
4
4
(276)
1 3
1+ 3
(1+ 3) 1+
cos +
sin sinc
sin =
2
4
4
1+ 3
1+ 3
4 2 3
2
1 3
(1+ 3) 1+
cos sinc
sin
+2
2
1+ 3
4
4
4+ 2 3
(277)
221
H()
localizrii funciei H ( ).
D2
1
este superioar
OBSERVAII
1. n cazul n care se dorete o localizare n frecven i mai bun, atunci procedura de
descompunere a elementelor descompunerii ortogonale se poate repeta. Spaiul Wo
poate fi descompus n 2M subspaii fiecare dintre acestea avnd baza ortonormal
{ ( 2
n) , l = 1, 2M
n Z
D 2
2 H
222
( ) d = 0 , m = 1, r
(278)
Uneori este important ca i funcia de scar care genereaz funcia din relaia de
mai sus s aib cteva momente nule.
n acest scop este util condiia:
( ) d = 0 , m = 1, r
(279)
{( k)}
k Z
este :
xo ( ) =
xo ( ),( k) ( k)
(280)
x o ( ), ( k) =
( ) ( k) d
(281)
( k ) 2 ''
k '
x o ( ) = x o (k) +
xo ( ) = k +
xo ( ) = k + K +
1!
2!
( k ) r (r)
+
xo ( ) = k + K
r!
Avnd n vedere c funcia ( ) se localizeaz n timp n jurul momentului 0,
funcia ( k ) se va localiza n jurul momentului k , i relaia (281) devine:
x o ( ), ( k) = x o (k) + x (k) ( k) ( k) d + K +
'
o
( )
x or (k)
r!
( k)r
( k) d + ...
223
x or (k)
x o ( ), ( k) = x o (k) +
r!
( k)
( k) d + ... x o (k)
xo ( )
x
k
(k) ( k)
(282)
( ) d = 1
l
( ) d = 0, l = 1, L 1
l ( ) d = 0, l = 0, L 1
(283)
224
F { } (0) = 1
l
d
F { } ( ) = 0, l = 1, L 1
l
d
dl
d l F { } ( ) = 0, l = 0, L 1
(284)
m ( l ) ( + ) = 0, l = 0, L 1
o
mo (0) = 1
(l)
mo (0) = 0, l = 0, L 1
(285)
1 + ej
mo ( ) =
Q( )
(286)
Ultima relaie este identic cu relaia (223). De aceea vor fi satisfcute condiiile
(198). Datorit ultimelor condiii din relaia (285), m o ( ) trebuie s fie n acelai
timp de forma:
mo ( ) = 1 + (1 e j ) S( )
L
(287)
225
1 + ej
L
(288)
Q( ) = 1 + (1 e j ) S( )
2
n care necunoscuta este polinomul S( ) . Coeficienii acestui polinom pot fi obinui
pe baza relaiei (288) prin identificare. n acest mod se obine un sistem de ecuaii.
Acest sistem poate fi rezolvat direct pentru valori ale lui L inferioare lui 6. Pentru
valori mai mari trebuie folosite metode numerice de rezolvare a sistemelor de ecuaii.
Aceste sisteme de ecuaii au fost rezolvate n [43] pentru L cu valori ntre 2 i 10.
Rezultatele sunt prezentate n tabelul 2.7.1.2.7 pentru L cuprins ntre 2 i 6.
L n
L
n
m o [ n]
m o [ n]
2
-2
-1
0
1
2
3
-5
-4
-3
-2
-1
0
1
2
3
4
5
6
-11
-10
-9
-8
-7
-6
-5
-4
-3
-2
- 0,51429484095
0,238929728471
0,602859456942
0,272140543058
- 0,051429972847
- 0,011070271529
0.01158759673894
-0.02932013797985
-0.04763959030976
0.27302104653363
0.57468239385412
0.29486719369452
-0.05408560709173
-0.04202648046079
0.01674441016291
0.00396788361298
-0.00128920335599
-0.00050950539899
0.00063096104600
-0.00115222485200
-0.00519452402600
0.01136245924400
0.01886723537800
-0.05746423442900
-0.03965264851700
0.29366739089500
0.55312645256200
0.30715732619800
-9
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
3
4
5
6
7
8
-1
0
1
2
3
4
5
6
7
8
-0.00268241867100
0.00550312670900
0.01658356047900
-0.04650776447900
-0.04322076356000
0.28650333527400
0.56128525687000
0.30298357177300
-0.05077014075500
-0.05819625076200
0.02443409432100
0.01122924096200
-0.00636960101100
-0.00182045891600
0.00079020510100
0.00032966517400
-0.00005019277500
-0.00002446573400
0.02919587949708
0.02311077699769
-0.01397368789860
-0.00648008999935
0.00478300139952
0.00172065469983
-0.00117582219988
-0.00045122699996
0.00021372979998
0.00009937759999
Tabelul 2.7.1.2.7 Coeficienii filtrelor generatoare ale funciilor de scar respectiv wavelets
mother de tip Coiflet
-1
0
1
2
3
4
5
6
7
8
9
10
11
-15
-14
-13
-12
-11
-10
-9
-8
-7
-6
-5
-4
-3
-2
-0.04711273886500
-0.06803812705100
0.02781364015300
0.01773583743800
-0.01075631851700
-0.00400101288600
0.00089559452900
-0.00041650057100
-0.00018382976900
0.00004408035400
0.00002208285700
-0.00000230494200
-0.00000126217500
-0.00014996379998
0.00025356119998
0.00154024569985
-0.00294111079971
-0.00716378189928
0.01655206639835
0.01991780429801
-0.06499726279350
-0.03680007359632
0.29809232347019
0.54750542934525
0.30970684896903
-0.04386605079561
-0.07465223889254
9
10
11
12
13
14
-0.00002923210000
-0.00001507200000
0.00000264080000
0.00000145930000
-0.00000011840000
-0.00000006730000
Tabelul 2.7.1.2.7 (continuare) Coeficienii filtrelor generatoare ale funciilor de scar respectiv
wavelets mother de tip Coiflet.
227
228
{ m, n ( )} m Z, n Z i {~ m, n ( )} m Z, n Z
Utilitatea lor rezult din proprietile suplimentare (fa de cele ale bazelor
ortonormale) date de structura generalizat.
Astfel:
- aceste mulimi pot fi generate de funcii simetrice,
- lungimea suporturilor funciilor de analiz, respectiv de sintez poate fi
diferit.
n paragraful 7.1.2.5 s-a evideniat legtura dintre bazele ortonormale de
funcii "wavelet" i tehnica codrii n subbenzi.
n figura 5.7.1.2.5 a fost prezentat un sistem de reconstrucie perfect, n urma
codrii n subbenzi, bazat pe funcii wavelet. Se observ c n ambele seciuni ale
acestui sistem (de analiz i de sintez) se folosesc practic dou tipuri de filtre,
descrise de rspunsurile la impuls m o [ n] i m 1[ n] . ntrebarea fireasc este dac nu
~ [ n] , m
~ [ n] i m [ n] )
exist sisteme cu rspuns finit la impuls (fie acestea: m o [ n] , m
1
o
1
care s poat fi utilizate ntr-o schem de analiz sintez mai general, cum este de
exemplu cea din figura 1.7.1.2.8
229
ntr-un paragraf anterior s-a vorbit despre cadrul dual unui cadru dat. La fel se
poate vorbi i despre baza Riesz dual unei baze Riesz date. Baza Riesz
{ d ( n)} n Z
{( n)} n Z , dac:
F { d ( )} ( ) =
Propoziie
{ ( l)}
Mulimea
l Z
Demonstraie
F {( )} ( )
(289)
m ( )
{ d ( k)} k Z
, n Vo.
( l), d ( k) =
1
2
F {( l)}( ), F { d ( k)}( ) =
1 j l
1
e
F {}( ),e j l F { d }( ) =
F {}( ) F * { d }( ) e j ( l k ) d
2
2
1
( l), d ( k) =
2
F {}()
F * {}( )
m( )
e j ( l k ) d
1
( l), d ( k) =
2
sau, cu schimbarea de variabil:
(2n + 1)
n = (2n 1)
F {}
m( )
e j ( l k ) d
230
u = 2n
F {}(u + 2n )
n=
m(u + 2n )
1
( l), d ( k) =
2
e j ( u+ 2n ) ( l k ) du
( l), d ( k) =
1
2
F {}(u + 2n)
e j u ( l k ) du
n=
m(u)
( l), d ( k) =
1
2
eju
( l k)
du
( l),d( k) = [ k l]
n consecin propoziia este demonstrat.
n continuare se determin condiiile pe care trebuie s le ndeplineasc cele
patru rspunsuri la impuls pentru ca sistemul din figur s fie unul de identitate.
Ieirile sistemului de analiz pot fi exprimate n forma:
a1[ n] = ( ao [ n] m o [ n] )
=
n 2n
d [ n] = ( a [ n] m [ n] )
=
o
1
1
n 2n
a [ l]
o
m o [ 2n l]
a [ l]
o
(290)
m 1[ 2n l]
231
~ [ n] + d [ n] m
~ [ n] =
ao [ n] = 1a1[ n] m
o
1 1
1
=
~ [ n k] + d [ k] m
~ [ n k] =
a [ k] m
o
1 1
1
(291)
1 1
a [ p] m~ [ n 2p]
1
~ [ n 2 p]
+ d1[ p] m
1
sau innd seama de relaia (290), ultima relaie se mai poate scrie:
ao [ n] =
m~ [ n 2p] a [ l] m [ 2p l]
o
~ [ n 2 p]
+ m
1
a [ l] m [ 2p l]
o
sau:
ao [ n] =
a [ l] m~ [ n 2p] m [ 2p l]
o
~ [ n 2 p] m [ 2 p l]
+ m
1
1
Folosind notaia:
m [ n l] =
m~ [ n 2p] m [ 2p l]
o
~ [ n 2 p] m [ 2 p l]
+ m
1
1
ao [ n] = ao [ n] m [ n]
E deci necesar ca:
m [ n] = [ n]
adic:
m~ [ n 2p] m [ 2p l]
o
~ [ n 2 p] m [ 2 p l] = [ n l]
+ m
1
1
(291')
~ [ 2 p n] m [ 2 p l] = [ n l]
+ m
1
1
(292)
sau:
m~ [ 2p n] m [ 2p l]
232
A 1( z2 ) =
[ n] z2n =
( a [ n] m
o
[ n] )
n 2n
z2n
Fie:
ao [ n] m o [ n]
n2n
= a[ 2n]
A 1( z ) =
2
a [ 2n] z
2n
a [ n] + ( 1) n a [ n] n
1
( A (z) + A ( z)) =
z =
2
2
1
( A o (z)M o (z) + A o ( z)M o ( z))
2
La fel se poate calcula i D 1(z2 ). Condiia (289) este deci echivalent cu:
2
A 1(z ) =
2
D 1(z ) =
1
( A o (z)M o (z) + A o ( z)M o ( z))
2
(293)
1
( A o (z)M 1(z) + A o ( z)M 1( z))
2
A o (z) =
a [ p] m~ [ n 2p]
1
a [ p]
1
a [ p] z
1
2p
~ [ n 2 p] z n =
+ d1[ p] m
1
~ [ n 2 p] z n + d [ p]
m
1
o
m~ [ n 2p]
1
z n =
~
~
~
~
M o (z)+ d1[ p] z2p M 1(z) = A 1(z2 )M o (z)+ D 1(z2 )M 1(z)
233
~
~
A o (z) = A 1(z2 )M o (z)+ D 1(z2 )M 1(z)
(294)
2p
~
~
M o (z)m o [ 2 p l] + z2p M 1(z)m 1[ 2 p l] = z l
sau:
~
~
M o (z) m o [ 2 p l] z2p + M 1(z) m 1[ 2 p l] z2p = z l
p
adic:
~
~
M o (z) m o [ 2 p l] z( 2p l) + M 1(z) m 1[ 2 p l] z ( 2p l) = 1
p
sau:
~
~
M o (z)M o (z2 ) + M 1(z) M 1(z2 )= 1
(295)
respectiv:
)]
1 ~
~
M o (z) ( M o (z)+ M o ( z) ) + M1(z) M1(z)+ M1( z) = 1
2
(296)
~
~
M o (z)M
o (z) + M 1(z)M 1(z) = 2
~
~
M ( z)M
o (z) + M 1( z)M 1(z) = 0
o
(297)
~ ( ) + m ( )m
~ ( ) = 2
m o ( )m
o
1
1
~ ( ) + m ( + )m
~ ( ) = 0
m o ( + )m
o
1
1
(298)
234
~ ( ) m ( + )m ( )m
~ ( ) = 2m ( + )
m o ( + )m o ( )m
o
o
1
1
o
~ ( ) + m ( )m ( + )m
~ ( ) = 0
m o ( + )m o ( )m
o
o
1
1
Adunnd cele dou ecuaii rezult:
~ ( )( m ( )m ( + ) m ( + )m ( )) = 2m ( + )
m
1
o
1
o
1
o
sau:
~ ( ) =
m
1
2 m o ( + )
m o ( )m 1( + ) m o ( + )m 1( )
~ ( ) m ( + )m ( )m
~ ( ) = 2m ( + )
m 1( + )m o ( )m
o
1
1
1
1
~ ( ) + m ( + )m ( )m
~ ( ) = 0
m o ( + )m 1( )m
o
1
1
1
Adunnd cele dou ecuaii rezult:
~ ( ) =
m
o
2 m 1( + )
m o ( + )m 1( ) m 1( + )m o ( )
Dac se consider c:
m 1( ) = e j m o* ( + )
atunci:
m o ( + )m 1( ) m 1( + )m o ( ) =
2
= e j m o ( + ) e j + m *o ( )m o ( ) =
= e j m o ( + ) + m o ( )
Soluiile sistemului devin n acest caz:
~ ( ) =
m
1
~ ( ) =
m
o
235
2 ej m o ( + )
2
m 1( ) + m o ( + )
- 2 e j m1( + )
2
mo ( ) + m1( + )
m o ( ) + m 1( + ) = 1
atunci soluiile sistemului devin:
~ ( ) = 2 e j m ( + ) = 2 m* ( )
m
o
1
1
~ ( ) = 2 ej m ( + ) = 2 ej ( 1) e j m * ( ) = 2 m * ( )
m
o
1
o
o
n acest caz sistemul din figura 1.7.1.2.8 se reduce la cel din figura 5.7.1.2.5.
Pentru obinerea funciilor "wavelets mother" cu suport compact sunt
~ ( ) i m
~ ( ))cu
interesante sistemele (cu rspuns n frecven m o ( ), m 1( ), m
o
1
~ ( ) i
rspuns finit la impuls. De aceea n continuare funciile m o ( ), m 1( ), m
o
~ ( )vor fi considerate polinoame n variabila ej .
m
1
n relaiile (297) i (298) au fost obinute sistemele de dou ecuaii cu patru
necunoscute. Pentru rezolvarea acestora trebuie impuse nc dou condiii. n
continuare se fac cteva observaii asupra sistemelor de ecuaii obinute. Pe baza
primei ecuaii din sistemul descris de (297) se constat c polinoamele M o (z) i
M 1(z) nu pot avea rdcini comune. Pe baza celei de a doua ecuaii se constat c
~
~
M o ( z) i M 1(z) respectiv M 1( z) i M o (z) trebuie s aib rdcini
~
~
comune. De aceea polinoamele M o (z)i M 1(z)ar putea avea forma:
perechile
~
M
(z) = M 1( z)R (z)
o
~
M
1(z) = M o ( z)R (z)
Cu aceast alegere prima ecuaie din relaia (297) devine:
(299)
236
sau:
(300)
(301)
Dar membrul stng (fiind un polinom n z) nu poate avea poli diferii de 0. De aceea
polinomul R(z) nu poate fi dect de forma:
R (z) = zk
Deci relaia (301) devine:
M o (z)M 1( z) + M 1(z)M o ( z) = 2 1z k
(302)
~
M
(z) = zk M 1( z)
o
~
k
M
1(z) = z M o ( z)
(303)
M (z)M ( z) + M (z)M ( z) = 2 1 z k
o
1
1
o
~
M o (z) = zk M 1( z)
~
k
M 1(z) = z M o ( z)
(304)
~
M
(z) = M 1( z)
o
~
M
1(z) = M o ( z)
(305)
237
[ n] zn = m 1[ n] ( 1) z n
De aceea rezult:
~ [ n] = ( 1) n+1 m [ n]
m
1
o
~ [ n] = ( 1) n+1 m [ n]
m
1
o
(306)
M o (z)M 1( z) + M 1(z)M o ( z) = 2
(307)
m o [ n] ( 1) n m 1[ n] + m 1[ n] ( 1) n m o [ n] = 2 [ n]
(308)
adic:
Dar:
m o [ n] ( 1) n m 1[ n] =
[ k] ( 1) n k m 1[ n k]
n k = p
m o [ n] ( 1) n m 1[ n] =
m [ n p] ( 1)
o
m 1[ p]
iar:
m 1[ n] ( 1) n m o [ n] =
m [ p] ( 1)
1
n p
m o [ n p]
[( 1)
+ ( 1) n p ] m o [ n p] m 1[ p] = 2 [ n]
(309)
238
~ [ p]
m 1[ p] = ( 1) p+1 m
o
De aceea relaia (309) devine:
[( 1)
~ [ p] = 2 [ n]
+ ( 1) n1] m o [ n p] m
o
2p+1
(310)
n = 2q
ultima relaie ia forma:
m [ 2q p] m~ [ p]
o
= [ q]
n = p 2 q
obinem :
~ [ n+ 2q] = [ q]
[ n] m
o
(311)
M o (z) =
~
M
o (z) =
N2
[ n] z n = z N 2 p(z)
n= N 1
(312)
~
N2
m~
~
n= N 1
[ n] z n = z N 2 q(z)
z N 2 p(z)M 1( z) + M 1(z)( 1) N 2 z N 2 p( z) = 2
Dar folosind relaia (305) se poate scrie:
(313)
239
~
~
M 1( z) = M o (z) = z N 2 q(z)
~
~
~
M 1(z) = M o ( z) = ( 1) N 2 z N 2 q( z)
z N2 p(z) z N2 q(z) ( 1) N2 (- 1) - N2 z N2 q( z) z N2 p( z) = 2
adic:
z( N 2 + N 2 ) p(z)q(z) + ( 1) ( N 2 + N 2 ) z( N 2 + N 2 ) q( z)p( z) = 2
~
sau:
z( N 2 + N 2 ) p(z)q(z) + ( 1) ( N 2 + N 2 ) q( z)p( z) = 2
~
(314)
Dac se presupune c
este o funcie simetric, cu axa de simetrie identic cu
ordonata sistemului de axe n care se reprezint graficul funciei atunci:
N2 = N1
n acest caz relaia (414) devine:
~
z N1 N2 p(z) q(z) + ( 1) N2 N2 p( z) q( z) = 2
(315)
~
N1 N2 < 0
~
(317)
240
{ }
i
Se consider dou analize multirezoluie ale spaiului L2 ( R ) . V j
j Z
~
~
{W
m } m Z , generate de funciile de scar i . Fie spaiile W
i W
constituite
V m = V m 1 W m 1
~
~
~
V m = V m 1 W m 1
(318)
Cele dou analize multirezoluie se numesc duale dac sunt ndeplinite condiiile:
~
~
V m W m i W m V m
(319)
~
W m W m' pentru m m
(320)
~
W m' V m W m
Deci:
~
W m' W m
Pentru m '> m
~
~
W m V m W m'
Deci:
~
W m W m'
~
m ,k ,m ,l = 0 i
~
m ,k , m ,l = 0
(321)
241
unde:
m
m ,k ( ) = 2 2 ( 2m k)
~
m ,k ( ) = 2 2 ~
( 2m k)
m ,k ( ) = 2 2 ( 2m k) ,
~
m ,k ( ) = 2 2 ~
( 2m k) ,
~
( ),( l) = [ l] i
~
( ),( l) = [ l]
(322)
~
m , l ( ), m , l' ( ) = [ l l '] ;
l, l ', m Z
(323)
~
m , l ( ), m' , l' ( ) = [ m m '] [ l l '] ;
l, l ', m, m ' Z
(324)
F{~} ( + 2 k )
F * {} ( + 2 k ) = 1
F{~} ( + 2 k )
F * {} ( + 2 k ) = 1
F{~} ( + 2 k ) F * {} ( + 2 k ) = 0
( ) R
(325)
F{~} ( + 2 k )
F * {} ( + 2 k ) = 0
Deoarece funcia ~
( ) definete o analiz multirezoluie, ea trebuie s satisfac o
condiie de forma:
~
~ [k] ~
(326)
() = 2 m
( 2 k )
o
242
~
V m , funcia ~
trebuie s satisfac o
~
~ [k] ~
( ) = 2 m
( 2 k )
1
(327)
~ ( )m * ( ) + m ( + )m * ( + ) = 1
m
o
o
o
o
~ ( )m * ( ) + m
~ ( + )m * ( + ) = 1
m
1
1
1
1
( ) R
(328)
~ ( )m ( ) + m
~ ( + )m ( + ) = 0
m
o
o
1
1
*
~ ( )m * ( ) + m ( + )m * ( + ) = 0
m
o
o
1
1
Sistemul de ecuaii de mai sus poate fi exprimat n forma matricial:
~ ( )
m
o
m
~ ( )
1
~ ( + ) m * ( )
m
1 0
m 1* ( )
o
o
=
0 1
~ ( + ) m * ( + ) m * ( + )
m
o
1
(329)
Folosind notaiile:
~ ( )
m
o
~
M ( ) = ~
m 1( )
relaia (329) devine:
~ ( + )
m
m o ( ) m o ( + )
o
; M ( ) =
~
m 1( + )
m 1( ) m 1( + )
~
M ( ) M
(330)
( ) = U
(331)
unde U este matricea unitate de ordinul 2. Ultima relaie se poate scrie i n forma:
*
~
M T ( ) M ( ) = U
Aceasta conduce la sistemul de ecuaii:
T*
~ ( ) + m * ( )m
~ ( ) = 1
m *o ( )m
o
1
1
~ ( + ) + m * ( )m
~ ( + ) = 0
m * ( )m
o
1
1
o
(332)
Sistemul (332) este similar cu sistemul (197). Aceast similitudine face legtura dintre
teoria codrii subband i teoria bazelor biortogonale de funcii wavelet.
Trebuie remarcat c n cazul bazelor ortonormale matricea M ( ) este unitar.
243
Rezolvnd sistemul din relaia (332), pe baza regulii lui Cramer, se obine:
m 1* ( + )
~
m o ( ) =
* ( )
m *o ( + )
~
m 1( ) =
* ( )
(333)
x ( ) =
m
d ( ) =
m
m ,l( ) m ,l( )
x( ),~
(334)
x( ),~
m ,l( ) m ,l( )
F {}( ) C ( 1 + )
F {~
}( ) C ( 1 + )
(335)
x( ) =
x,~
m ,k m ,k ( ) =
m ,k
m ,k
x, m ,k ~
m ,k ( )
(336)
244
~ [1 n] ( 2 + n)
( ) = 2 ( 1) n m
o
n
(337)
~
( ) = 2 ( 1) n mo [1 n] ~
( 2 + n)
n
atunci mulimea
este mulimea
{~ m, k } k Z
{ m, k ( )} m, k Z
{~ m, k } m Z, k Z .
{ m, k } k Z
( ) = e j
(338)
~ ( ) = e j m * ( + ) m ( ) = e j m
~ * ( + )
m
1
1
o
o
j
*
~
m
1( ) = e m o ( + )
(339)
~ ( )= e j m * ( + )k(2 ); m ( ) = e j [ m
~ ( + )k1(2 )] *
m
1
1
o
o
245
( ) = N ( )
1+ ,
2 ( ) = 1 ,
0,
1 0
0 1
in rest
(1+ ) 2
,
1 0
1 2 3
0 1
+ ,
2
4
3 ( ) =
(
)2
2 ,
1 2
2
0,
in rest
(340)
~
N ,N
( ).
Diferena dintre aceste funcii este dat de lungimea suportului fiecreia, care depinde
~
de numrul nteg N . n tabelul urmtor sunt prezentate expresiile polinoamelor
~ ( )asociate acestor funcii.
m
o
N m o ( )i ~
N ,N
Tabelul 1.7.1.2.8 Cteva rspunsuri n frecven de filtre biortogonale
N
1
m o ( )
1
( 1 + e j )
2
~
N
1
~
N ,N
~ ( )
m
o
1
( 1 + e j ) - conduce la baza Haar
2
246
e2 j
ej 1 e j
e2 j e3j
+
+ +
+
16
16 2
2
16
16
3 4 j
3 3j 11 2 j 11 j 1
e
e
e
e + +
256
256
128
128
2
e j 11 2 j 11 3j
3 4 j
3 5j
+
e
e
+
e
2
128
128
256
256
2
1 j
( e + 2+ e j ) 2
4
1 2 j 1 j 3 1 j 1 2 j
e + e + + e + e
8
4
4 4
8
3 4 j 3 3j 1 2 j 19 j 45 j
e
e e +
e +
e +
128
64
8
64
64
+
45 19 j 1 2 j 3 3j
3 4 j
+
e e
e
e
64 64
8
64
128
5
5 5j 17 4 j 39 3j
e6 j +
e +
e
e
1024
512
512
512
39 3j 17 4 j
5 5j
5
e
e6 j
512
512
512
1024
247
5 5j 15 4 j 19 3j 97 2 j
e +
e
e
e +
512
512
512
512
13 j 175 175 j 13 2 j
e +
+
e
e
256
256 256
256
97 3j 19 4 j 15 5j
5 6 j
e
+
e
+
e
+
e
512
512
512
512
~ [ n] =
m
1
( 1) 1 n m o [1 n]
(341)
~ [1 n]
( 1) 1 n m
o
~
N ,N
~
,
~
N ,N
~
N i N . n [30] baza biortogonal de funcii "wavelet". Este fcut legtura dintre
aceast teorie i metoda de prelucrare multirezoluie a imaginilor bazat pe folosirea
filtrului lui Burt.
248
{ nWm } m Z
{ i Vm } m Z
{ i~Vm } m Z
biortogonale de funcii "wavelet" ((318), (319), (320), etc.), pot fi construite funciile
~
~
n ( ), n ( ), l( ) i l( ), l = 1,N 1, care genereaz prin scalare cu N i
)
=
N
n m ,k
l,m ,k ( ) = N 2
m
~
l,m ,k ( ) = N 2
( N m k) , n~
m ,k ( ) = N
m
2
~
( N m k)
l( N m k)
(342)
l = 1,N 1
~
l( N m k)
~
~
~
~
V m = nV m 1 W m 1,1K ... W m 1,N 1 ,
l = 1 m Z
nWm , l
N 1
l = 1 m Z
nWm , l
= L2 ( R )
249
(343)
x( ) =
l = 1 m Z k Z
N 1
l = 1 m Z k Z
l, m , k l, m , k ( ) =
x, ~
x, l, m , k
(344)
~
l, m , k ( )
( ), l( )i ~
l( ), l = 1,N 1 este descris n
Construcia funciilor n ( ), n ~
[9]. Este demonstrat i proprietatea de biortogonalitate. n acest caz transformarea
"wavelet" discret poate fi calculat folosind sistemul din figura 2.7.1.2.8.
Figura 2.7.1.2.8 Sistem de calcul (dou iteraii) al transformrii "wavelet" discret, n cazul
funciilor "wavelet" biortogonale cnd factorul de scalare ao este egal cu N.
250
251
{ n Vm } m Z , { n~Vm } m Z
. O modalitate modern de
m o n
2
n= 1
~ [ n] i m
~ o [ n] , duale n raport cu
Se consider dou filtre cu rspuns finit la impuls m
o
o
m o [ n] , ambele biortogonale n raport cu m o [ n] :
F {}( ) =
~ ( ) + m * ( + )m
~ ( + ) = 1
m *o ( )m
o
o
o
~ o ( ) + m * ( + )m
~ o ( + ) = 1
m *o ( )m
o
o
o
cu:
~ (0) = m
~ o (0) = 1
m o (0) = m
o
o
~ ( ) = m
~ o ( ) + e j [ m ( + )s(2 )] *
m
o
o
o
(345)
~ ,m ,m
~
biortogonale cu rspuns finit la impuls, noua mulime {m o ,m
o
1
1
de
filtre
de filtre
~ ( ) = m
~ o ( ) + m
~ ( )s* (2 )
m
o
o
1
(346)
~ o ( ) m ( )s(2 )
m 1( ) = m
1
o
(347)
252
s[ k] ( k)
~ o[k] ~
2 m
( 2 k ) + s[ k ] ~
( k)
o
( ) = o ( )
(348)
~
( ) =
(349)
~
~ [ k] ~
( ) = 2 m
( 2 k)
1
(350)
~ o ( ) = m ( ) = 1 + 1 e j
m
o
oH
2
2
i
~ ( ) = m o ( ) = m ( ) =
m
1
1
1H
1
1 j
+
e
2
2
(351)
253
m 1( ) = m 1o ( ) m oH ( )s(2 )
Pentru ca noua funcie "wavelet" s aib dou momente nule este necesar ca:
m 1(0) = 0
m 1'(0) = 0
(352)
s2 (0) = 0
(353)
sau cu:
0=
j j
'
+ + ( 0) 2 s(
0)
2
2
adic cu:
'
s(
0)=
j
4
s( )=
j
sin
4
n consecin:
m1( ) =
1
1 j 1
1 j j
sin 2 =
+
e
+
e
2
4
2
2
2
1
1 j
j 1
1 j e 2j e 2j
=
+
+
e
+
e
2
2
4 2
2
2j
1 2j
1 j 1
1 j 1 2j
1 3j
=
e
+
e +
e
e
16
16
2
2
16
16
(354)
254
2
2
1
1 j
1 j j
1
=
+
e
+ e j
e sin 2 =
2
2
2
2
4
1
1 j 1 j 1 e j 2 e j 2
=
=
+
e
+ e
2
2
2
2
8
1
1 j 1 j
=
+
e
+
e
1 e j 2 e j 2 =
2
2
16
1
1 j 1
=
+
e
+
e j e 3 j e 2j + e 2j =
2
2
16
1 3j
1 2j
1 j 1
1 j 1 2j
=
e
+
e
+ +
e
+
e
e
16
16
16
16
2
2
~ ( ) sunt identice cu funciile m ( ) i
Se constat c funciile m o H ( ) i m
o
1 o
~ ( ) din tabelul 1.7.1.2.8. Deci metoda "lifting scheme" a funcionat n acest
m
3,1 o
)(
~ ,m ,m
~ } . Polinomul trigonometric utilizat pentru
ajunge la mulimea {m o ,m
o
1
1
s . n acest mod funcia de scar dual rmne neschimbat
transformare se noteaz cu ~
n timp ce funcia de scar i cele dou funcii "wavelet" duale se modific. Metodele
de construcie direct i dual pot fi iterate. Astfel dup ce a fost crescut, de exemplu
numrul de momente nule ale funciei "wavelet", se poate utiliza metoda de
construcie dual pentru a se crete numrul de momente nule ale funciei "wavelet"
dual. Alternnd cele dou metode de construcie, direct i dual, poate fi obinut o
analiz multirezoluie cu proprieti dorite. Metodele de construcie ale bazelor
biortogonale bazate pe "lifting scheme" au unele avantaje. Ecuaia (348) permite
accesul direct la expresia funciei "wavelet" care va fi construit permind alegerea
semnalului s[ k] astfel nct funcia ( ) s satisfac anumite proprieti impuse,
economisindu-se n acest mod mult timp de proiectare. Folosirea metodei descrise
conduce la o cretere a vitezei de calcul a transformrilor "wavelet". Metoda de
construcie prezentat este util la construcia funciilor "wavelet" de generaia a 2-a,
care nu reprezint translatate i dilatate ale unei funcii unice.Alte modaliti de
construcie ale bazelor biortogonale de funcii "wavelet" sunt prezentate n capitolele
urmtoare.
255
Prin ce se
caracterizeaz
ortogonal
{ o ( k )} k Z
Tipul descompunerii
corespunztoare a
spaiului L2 ( R)
ortogonal
Tipul bazei de
funcii wavelet al
lui L2 ( R)
ortogonal
semiortogonal
{( k )} k Z baz
ortogonal
ortogonal
corespunz. la
funcii wavelet
semiortogonale
biortogonal
Riesz a lui Vo
ortogonal
Riesz
neortogonal
{ ( k)} k Z baz
{( k )} k Z
baz
Riesz a lui Vo
Riesz a lui Wo
{ ~( k)} k Z baz
{~( k )} k Z baz
~
Riesz a lui V o
Riesz a lui W0
Toate aceste tipuri de analiz multirezoluie au n comun proprieti de tipul 15 din definiia 1.7.1.2.2 i reprezint descompuneri ale spaiului L2 ( R) .
A.
O prim posibilitate de a generaliza conceptul de analiz multirezoluie este
( )
{ n ( k )} k Z n
s fie o
baz Riesz n Vo. Acest funcie de scar corespunde unei funcii de scar ortogonal,
.., n ) care verific relaia:
n o ( ), = ( 1 , 2 ,.
l Zn
F { n o } ( 1 + 2 l1 , 2 + 2 l2 , ... n + 2 l n ) = 1
2
256
1 2 ... n
) [0, 1]
n mo
( 1 + 1 , ... n + n )
= 1
{Vm }mZ
a lui L2 ( R) i funciile
( )
n
= Vm
n = 1
(355)
(356)
(357)
, ,...,0)
(1,...,n ) = m (1) ...m (n );(1,2,...,n ) {01, } n (00
1
(358)
a 1[ n] = a o [ k ] , mo* [ k 2n]
*
d 1[ n] = a o [ k ] , m1 [ k 2n]
(359)
257
= mo* [ n] = m*o [ n]
a [ n] = a [ k ] ,
o
1
d 1[ n] = a o [ k ] ,
p c mo [ k
2n]
(360)
p c m1[ k 2n]
~ [ n 2k ] + a [ k ] , m [ k 2n] m
~ [ n 2k ] (361)
ao [ n] = ao [ k ] , p c mo [ k 2n] m
o
o
pc 1
1
k
~ [n 2k ], m
~ [n 2k ]}
Bs = { m
1
o
k Z
(362)
Ba =
p c mo [n 2k ], p c m1[n 2k ]
k Z
(363)
Relaia de reconstrucie perfect (309), devine pe baza celei de a doua ecuaii din
relaia (306):
Pentru:
n = 2q
~ [ 2q p] m [ p] = 2 [ q ]
2 m
1
1
p
Cu notaia:
q = k l
= 2 [ n]
258
rezult:
m~1[ 2k 2 l
p] m1[ p] = [ k l ]
m~1[ 2k r ] m1[ r 2 l ]
= [ k l ]
m~1[ 2k r ] p c m1[ 2 l r ]
= [ k l ]
sau:
p c m1[r
2k ] m1* [r 2 l ] = [ k l ]
adic:
p c m1[ n 2k ]
, m1[ n 2 l ] = [ k l ]
p c m1[n 2k ]
k Z
{m1[n 2k ]} k Z
(364)
i de sintez
m1[ n] =
p c m1[ n]
mo [ n] =
p c mo [ n]
(365)
259
y = ( ) ( ) a o
5
atunci:
s(y) = 258 =
1
8
Exist mai multe posibiliti de a ajunge la scara 1/8 pornind de la scara 1. E deci
necesar un alt parametru pentru a caracteriza dou versiuni diferite, de aceeai scar,
ale uni semnal impus. Acest parametru se numete rezoluie i descrie cantitatea de
informaie prezent n semnal. Semnalul iniial, ao , are rezoluia 1. Semnalul ( ) ao
are un numr de eantioane egal cu jumtate din numrul de eantioane al semnalului
ao [ n] . Se zice c noul semnal are rezoluia 1/2. Notnd cu r rezoluia avem:
r ( a o ) =
r (a o )
1
=
2
2
r ( x ) = r(x)
r(y)
r ( y ) = 2
r(y) , daca r(y) < s(y)
(366)
260
(367)
~ = Id
m1 m
1
(368)
(369)
s2r
(370)
d s = 1, r = 2
m =1
+ a o s = 1, r = 2 M
(371)
261
)
}
p c m1
{Vm } m = 0, M
[n 2k ]}kZ
reprezint o baz a
multirezoluie a spaiului l 2 ( Z ) .
Se poate demonstra c elementele analizei multirezoluie ortogonal au
proprietile:
(372)
Vm1 V m , m = 0, M
V m = { 0}
(373)
m N
M
U V m =
l 2(Z)
(374)
m=0
( m )
{[ n k ]} k Z .
Aplicnd
m = 1,M .
Noinea de analiz multirezoluie pentru semnalele n timp discret este strns
legat de transformarea "wavelet" discret.
De fapt, secvenele obinute prin aplicarea acestei transformri sunt:
d = m ( m ) m1a ,
o
o
1
m
m
a m = ( mo ) a o
m = 1, M
(375)
ao
~ ) m1m
~ d + (m
~ ) M a
= (m
o
m
o
m
1
m = 1
(376)
262
(
a [ n] , (
d m [ k ] =
a [ k ] =
m
a o [ n] ,
1
p c mo
p c mo
)
)
m1
m1
n 2m k
p c m1
p c mo n 2 k
]
(377)
Folosind notaiile:
p c mo
m1
p c m1
m
p c m1
p c mo
m1
p c mo
m
p c mo
d [ k ] = a [ n] ,
o
m
a m [ k ] = a o [ n] ,
Funciile
m
p c m1
m
p c mo
[n 2m k ]
[n 2m k ]
[n 2m k ]
M
m
p c m1 [ n 2 k ]
m
p c m1
formeaz
bazele
(378)
spaiilor
V-m.
Funciile
ao [ n] =
m = 1
~ m [ n 2m k] +
[ k] m
1
~ M [ n 2M k]
[ k] m
o
(379)
Funciile
discret.
~m ,
= m
1
M
p c mo
~M
= m
o
263
Atunci mulimea
este o
( )
spaiul l 2 Z 4 , n N .
C.
{ ( ) } [ , ]
supp x
= 0;
= 1
2(
x( ) = 0 , [0, 1]
NVm.
264
( )
, m, k m, k ( )
[0, 1] =
k = 2 N+2
( )
, m, k
+
m, k ( ) [01
,]
2m 1
k = 2 2 N+1
2m 2N
k=1
( )
+
, m, k m, k ( ) [01
,]
(380)
, m, k ( ) m, k ( ) [0, 1]
Cu notaiile:
m, L
m +
2
= 2
, m, k ( ) m, k ( ) [ 0, 1]
k = 2 N +2
1
2m 1
m +
2
m, R = 2
k = 2m 2 N +1
, m, k ( ) m, k ( ) [ 0, 1]
(2 )
m
[ 0, 1] =
m, L
1 2m 2 N
m +
k=1
, m, k ( ) m , k ( ) [ 0, 1] + m, R
1 m , L [0, 1]
o
0 m , S [0, 1]
o
Se consider spaiile rVm, m m o:
= m, L
265
} N 1 { m, k } k = 1, 2m 2N { m, R } N 1
Fiecare element al unui astfel de spaiu este o combinaie liniar de funcii din
.
mulimile:
m , L N 1 , m , R N 1 , m , k [ 0, 1]
k = 1, 2m 2 N
Nu este greu s se gseasc o baz ortonormal a spaiului rVm. Mulimile
{ m, L } N 1 , { m, R } N 1 i
mutual ortogonale
m, k [ 0, 1]
k = 1, 2m 2N
ortogonalizeze funciile
m, L i m, R .
Mulimea
{ rV m } m m
ortogonale ale spaiilor rVm n spaiile rVm - 1 sunt spaiile rWm, generate de funciile
"wavelet" pe interval corespunztoare.
Amnunte despre funciile "wavelet" pe interval pot fi gsite n [86], [87],
[83].
D.
( )
( )
produse scalare ponderate. Dac w( ) este o funcie local integrabil pozitiv atunci
produsul scalar ponderat de aceast funcie este:
f, g
w( ) f( ) g* ( ) d
(381)
Trebuie remarcat asemnarea unui astfel de produs scalar cu reprezentarea timpfrecven de tipul transformare Fourier scurt:
TFxSTFT (t, ) = x( ), e j
w (., t )
{Vm }m Z
266
Vm = L2 ( R)
2.
m Z
Vm = { 0}
3.
m Z
4.
{ m, k } k Z s
{m
o m, k , l
forma:
m, k ( ) =
mo m, k , l m+1, 2k +l ( )
(382)
{m
o m, k , l
} . Se poate
~
m, k , ~
m, k'
= [ k k' ]
(383)
Funciile de scar duale satisfac relaii de tipul (382), n care ns intervin coeficieni
~
de forma m
o m ,k ,l. Este valabil relaia:
mo m, k , l = m, k , ~
m+1, 2k + l
.
bazele Riesz m , k
k Z
Elementele acestor baze se pot exprima n forma:
m, k =
~
Spaiile W
m1m, k , l m+1, 2k +l
(384)
267
~
m, k =
m~1m, k , l ~ m+1, 2k +l
(385)
m, k , ~
m', k' = [ k k' ] [ m m' ]
(386)
xm ( ) =
x( ), m, k ( ) m, k ( )
Aceast descompunere este foarte util n studiul operatorilor liniari, definii pe Vm.
Fie L un astfel de operator. Se constat c:
L { x m }( ) =
x( ), m, k ( ) L m , k ( )
268
Cm =
{y H
Rm ( y ) = y
(387)
cu
proprietile:
1.
2.
( ) m Z, Cm Cm + 1
lim Cm = H
lim Cm
3.
C =
4.
( ) (m,x ) Z H
x Rm + 1x x Rm x
5.
() ( x,m) H Z
Rm x = Rm o Rm + 1x
Semnalul:
(388)
x m = Rm x
x m = Rm ( x m+1)
De aceea analiza multirezoluie convex poate fi implementat ca i o banc de filtre
neliniare. Filtrnd semnalul xm+1 cu filtrul descris de operatorul Rm se obine semnalul
xm. Filtrnd acest semnal cu filtrul descris de operatorul Rm - 1 se obine semnalul xm - 1
i aa mai departe. Semnalul xm este o aproximare a lui x de rezoluie inferioar n
comparaie cu aproximarea sa prin semnalul xm+1 deoarece conine mai puin
informaie despre semnalul x dect semnalul xm+1.
269
Rm ( x + (1 ) xm ) = xm
(389)
F.
O generalizare simpl dar foarte util a noiunilor de funcie "wavelet"
respectiv de analiz multirezoluie apare n cazul pachetelor de funcii "wavelet".
Pentru a introduce aceast noiune este util folosirea urmtoarei notaii:
me ( ) = moe ( ) m11 e ( ) , e = 01
,
Observaia fundamental care st la baza construciei pachetelor de funcii "wavelet"
este aa numitul artificiu de mprire.
Se presupune c mulimea de funcii
{ f ( k )} k Z
f ko ( ) =
1 o
f k i
2
2
unde:
f k1( ) =
1 1
f k , k Z
2 2
me F { f }
2
2
{ e }() =
F f
(390)
(391)
{ f ko ( ), f k1( ) } k Z
O analiz multirezoluie clasic este obinut mprind spaiile Vm, folosind artificiul
descris mai sus n spaiile Vm - 1 i Wm - 1 i apoi fcnd la fel, ntr-un mod recursiv,
pentru spaiul Vm - 1.
Pachetele de funcii "wavelet" sunt funciile elemente ale bazelor Riesz care se
obin dac se folosete artificiul de mprire i pentru spaiile Wm. Pornind de la
spaiul Vm ,se obin, dup aplicarea de L ori a artificiului de mprire, funciile
(elemente ale unor baze Riesz):
eL1 , ...e L ; m, k
( m L)
() = 2
eL1 , ...e L 2m L k
(392)
270
cu:
eL1 , ...eL
}() =
L
l=1
mel 2-l F {} 2 L
(393)
V3 = Vo W 2 W 1 W o
Cu s-au notat spaiile care pot participa la construcia unui pachet de funcii
"wavelet". Baza Riesz a lui Vo corespunztoare pachetului de funcii "wavelet" ales n
2 (
3
acest exemplu este 1o ( 4 k ) , 11
, 2 k ) , 1, o, o ( k ) , 1, o, 1( k ) k Z .
Un alt pachet de funcii "wavelet" poate fi construit dac se aleg funciile notate cu +
n figura 1.7.1.2.9. Acestui nou pachet de funcii "wavelet" i corespunde urmtoarea
baz Riesz a lui V3:
271
Principalul avantaj al pachetelor de funcii "wavelet" este c avem mult mai mult
liberate n alegerea bazei n care s descompunem semnalul pe care dorim s-l
analizm. Exist criterii de alegere a bazei n acord cu semnalul de analizat.
M. Wikerhauser a propus un astfel de criteriu. Procedura introdus de el se numete
"alegerea celei mai bune baze".O prezentare exhaustiv a acestui concept este fcut n
[149].
272
n , m ,k ( ) = 2
n 2m L k , n = n[ L]
(394)
2n , m ( ) = (mo ) n , m ( ) =
273
2 mo [ k ] n , m ( 2 k)
(395)
2 m1[ l ] n , m ( 2 l)
(396)
2n + 1, m ( ) = (m1 ) n , m ( ) =
~
~ ) ~
2n , m ( ) = (m
n, m ( ) =
o
2 mo [ k ] ~
n , m ( 2 l)
(397)
2 m1[l ] ~
n , m ( 2 l)
(398)
~
~ ) ~
2n + 1, m ( ) = ( m
n, m ( ) =
1
n , m, k ( ) = n , m ( 2 k)
~
~
n , m, k ( ) = n , m ( 2 k)
(399)
n , m ( k) , ~
n', m ( l) = [ n n'] [ k l ]
(400)
:
Fie n,m spaiul Hilbert generat de mulimea n , m ( k)
k Z
n , m = x nL, m ( ) = c [ k ] nL, m ( k) L2 ( R )
k
Se observ c:
oo , o = Vo
Datorit ecuaiilor (395) i (396) se poate scrie:
(401)
274
2n , m = (mo ) n , m ;
Se poate demonstra c mulimea
n,m .
2n +1, m = (m1 ) n , m
{ n , m ( k)} k Z
(402)
n,m .
Teorema 1.7.1.2.10
2(
baz a spaiului L R) .
n continuare se demonstreaz aceast afirmaie.
Pe baza proprietii de reconstrucie perfect a bazelor biortogonale ale
spaiului n,m se poate scrie:
n , m ( + k) =
1
2
1
2
m~ o* [2l k ] 2n , m 2 + l
l Z
m~1* [2l k ] 2n + 1, m 2 + l
l Z
+
(403)
{ n , m ( k)} k Z
xn , m ( ) =
*n [ k ] n , m ( + k )
k Z
xn, m ( )=
~*
1
mo [2l k]*n [ k] 2n,m +l +
2
2 l k
~*
1
(404)
m1 [2l k] *n [ k] 2n+1, m +l =
2
2 l k
~ * [l] 1 +l + m
~ * [ l] 1
m
,
m
o
n
n
n
2n, m
1
2
+1
2 +l
2 l
2
2
+
=
l
(( ) )
(( ) )
275
xn , m ( ) =
1
y
2 2n , m
2 +
1
z
2 2n +1, m
(405)
( x )( ) =
i spaiul ( ) n, m definit prin:
1
x
2
2
( ) n , m = x , x n , m
(406)
(407)
n, m = ( mo ) n, m + ( m1 ) n, m = () 2n, m + () 2n+1, m
(408)
o, m = ( ) o, m + ( ) 1, m = ...= ( ) k o, m + ( ) k 1, m+...+ ( ) k 2k 1, m
(409)
n general:
n , m = ( ) k
2k n , m
+ ... + ( ) k
2k ( n + 1) 1 ,m
n 0, k 0
(410)
( ) k n , m =
2 k n ,m
+ ... +
2 k ( n + 1) 1 ,m
n 0, k 0
(411)
276
( ) k o , m = ( ) k Vo = V k
{ }mZ ):
V k
L2 ( R)
k
rezult c mulimea considerat este complet. De aceea se poate afirma c aceast
mulime reprezint o baz Riesz a lui L2 ( R) . Dac m o [ n] i m 1[ n] sunt rspunsuri la
impuls de filtre ortogonale atunci mulimea considerat este o baz ortonormal a lui
L2 ( R) . Indicele m specific faptul c descompunerea a nceput de la spaiul Vm.
Avnd n vedere c descompunerea de spaii prezentat corespunde unei
descompuneri n subbenzi se poate afirma c indicele n descrie localizarea n domeniul
frecven a funciei n, m ( ) (aceast observaie este n acord cu afirmaiile din
paragrafele 7.1.2.7 i 7.1.2.8 referitoare la localizarea n frecven a funciilor
"wavelet"). n continuare elemetele pachetelor de funcii "wavelet" vor fi privite ca i
atomi timp-frecven.
1
va
n acest scop mulimea s f p = 2 2 f 2 s p
s I , f I , p I
s
p
f
{ n , m ( k )} k Z , n Z, n 0
n, m =
m
22
(2m n)
Indicele m avea semnificaia de rezoluie iar indicele s are semnificaia de scar. ntru
ct n continuare ne referim la atomi timp-frecven este mai potrivit s folosim
noiunea de scar n locul noiunii de rezoluie.
Mulimea s f p ( ), p Z
277
s f p():
2t s f p ( ) =
2 2 s /2 f 2 s p
(2 s /2 )
d =
f 2 s p
2 s p = u
2t
)=
2 s /2 2s (u + p)
s f p()
= 22 s
f (u) du =
2
(u + p)
f (u) du
sau:
t s f o ( ) = 2 s t f ( )
Dac:
(412)
supp f ( ) = [0, R]
atunci:
} [
supp s f o ( ) = 0, 2s R
sau innd seama c p este indice de poziie rezult:
} [
supp s f p ( ) = 0, 2s ( R + p)
(413)
({
2 F f ( )
2 s
s
F s f p ( ) = F 2 2 f (2 s p) d =
})
(2 )d = 2 2 F{ f }(2s )
s
278
Cu substituia:
2s = u
rezult:
2
({
})
F s f p()
adic:
= 2
{ }
({
}) = 2
F s f p ( )
Aadar, dac:
atunci:
22 s u 2 F f (u) 2 s du
( { })
F f
{{ } }
supp F f ( ) = [2 f, 2 f + B ]
{{
} } [
supp F s f p ( ) = 2 s 2 f, 2
( 2 f + B ) ]
(414)
1
1
[ ]
m0 n = 2 [ n] + 2 [ n 1]
1
1
[ n]
[ n 1]
m1[ n] =
2
2
0( ) = ( ) (t 1)
(415)
no n1 ... n p n p + 1 ... n P
i:
279
CGn [ p] = n p n p +1
unde reprezint adunarea modulo 2. CG n se numete codul Gray al numrului n.
[114].
De exemplu numrul 5 are exprimarea binar:
101
Codul Gray al numrului 5 este:
111
Deci:
CG 5 = 7
Transformarea care descrie codul Gray este inversabil. Inversa este dat de:
CGn1[ p] = n p n p +1 n p + 2 ...
Suma din membrul drept al ultimei relaii este finit, deoarece:
np = 0 dac n < 2p
Relund exemplul considerat:
CG 71[ 0] = 1 1 1 = 1
CG 71[1] = 1 1 = 0
CG 71[ 2] = 1
ntr-adevr:
CG 71 = 5
CG2n1 =
1
CG2n =
2 CGn1 ,
1
2 CGn + 1 ,
2 CGn1 + 1 ,
1
2 CGn ,
(416)
280
1
1
2n ( ) = 2
n ( 2 )+
n ( 2 1) = n ( 2 )+ n ( 2 1) (417)
2
2
1
1
2n +1( ) = 2
n ( 2 )
n ( 2 1) = n ( 2 ) n ( 2 1) (418)
2
2
Pentru n = 0 se obin:
o() = H ()
1( ) = H ( )
Pentru n = 1 se obin:
2 ( ) = H ( 2 ) + H ( 2 1)
3( ) = H ( 2 ) H ( 2 1)
iar pentru n = 2:
4 ( ) = 2 ( 2 ) + 2 ( 2 1)
5( ) = 2 ( 2 ) 2 ( 2 1)
281
Se observ c s-au obinut funciile Walsh pe intervalul [0, 1], [114]. De aceea
pachetul de funcii "wavelet" ortogonale din acest exemplu se numete de tip HaarWalsh.
Analiznd figura 2.7.1.2.10 se constat c numrul de treceri prin 0 ale
funciei n ( ) este egal cu CG 1
n .
De fapt aceast afirmaie este adevrat pentru orice numr natural n. ntradevr, fie n' numrul de treceri prin 0 ale funciei n ( ) n intervalul (0, 1). Se
presupune c este adevrat egalitatea:
n' = CG 1
n
(419)
Dac n' este impar n (0) i n (1) au semne contrare. Funcia 2n ( ) are
2n'+1 treceri prin 0 n intervalul (0, 1). Funcia 2n+1( ) are 2n' treceri prin 0 n
intervalul (0, 1). Relaia (416) arat c i CG 1
n are aceste proprieti. Dac n' este
impar atunci n (0)i n (1) au acelai semn. Funcia 2n ( )are 2n'treceri prin 0
n intervalul (0, 1). Funcia 2n+1( )are 2n'+1 treceri prin 0 n intervalul (0, 1). i
n acest caz ipoteza (419) este n acord cu relaia (416). Dar frecvena unui semnal
cosinusoidal este egal cu jumtate din numrul de treceri prin 0 al acestui semnal n
intervalul [0, 2]. De aceea putem afirma c frecvena nominal a funciei n ( )din
n'
. Deci funcia n ( ) din pachetul de funcii "wavelet"
2
1
ortogonale de tip Haar-Walsh are frecvena nominal
CG n1. Elementul
2
exemplul nostru este
n k p( )= 2
k
2
n 2 k p
are
ca
suport
temporal
intervalul
2k .
n n + 1
Ik n = k , k
2
2
(420)
I s f ( ) s f
(421)
282
sfp , ~
s' f ' p' = 0
Demonstraie. Dac s = s' i f = f ' atunci:
I s'f ' = I s f
n acest caz:
sfp
,~
s'f 'p' =
= 2 s
f (2 s p) ~ *f (2 s p') d
Cu schimbarea de variabil:
ultima relaie devine:
2 s = u
s f p
,~
s'f 'p' =
s f p ,~
s'f 'p' = [ f f '] [ p p'] = [ p p'] = 0, p p'
(422)
sfp
,~
s'f 'p' =
f (u p) ~ f '(u p') du
f ( u p) , ~
f '( u p')
283
sfp ,~
s'f'p' = [ f f'] [ p p'] = 0, f f'
(423)
r = s s' > 0
Atunci:
~
~
s f p ( ) s f ; ~
s'f 'p' = ( ) s' f ' = ( ) s ( ) r f '
Dar:
)s (
~
) r
2r ( f '+ 1) 1
f' =
n = 2 f'
~
( ) s n
(424)
Dac intervalele diadice Is'f' i Isf sunt disjuncte, atunci fiecare termen al reuniunii
din membrul drept al ultimei relaii este un spaiu ortogonal pe spaiul f :
~
2r f ' n 2r ( f '+1) , n f
De aceea se poate scrie:
( ) s ( ) r ~
f ' ( ) s f
adic:
s f p ,~
s'f 'p' = 0
Lema 1.7.1.2.10 este aadar demonstrat.
Dac:
s = s,
' f = f' i p = p'
atunci:
s f p ,~
s'f 'p' =
n consecin
biortogonale.
{ }
sfp
f ( u p) , ~
f ( u p') = 1
s I , f I , p I
s
p
f
{ ~
s'f 'p'
(425)
sunt
284
L2 = n
n
Demonstraie. Mulimea
sfp,
p Z
Dou astfel de spaii sunt disjuncte dac intervalele diadice care le corespund sunt
disjuncte. De aceea este suficient s se demonstreze c mulimea
( ) s f , I s f I este dens n L2 ( R) .
s
( ) s f =
2 s ( f + 1) 1
n = 2 s f
Is f = R+
s
avem:
( ) s f =
s
n= 0
2(
( f =
s
)s
)k
n= 0
285
nchiderea membrului stng este spaiul ( ) k L2 care este identic cu spaiul L2.
Observaii
1.Dac mo i m1 sunt filtre ortogonale atunci mulimea din teorema anterioar
este o baz ortonormal a lui L2 ( R) .
2. Dac I este o acoperire diadic a intervalului [0, 1) atunci pachetul de
funcii "wavelet"
s f p , Is f
I , p Z
s f (p) =
x, s f p ;
Dac:
x L2 ( R), s Z, p Z, f 0
x( ) = ~
s f p'( )
atunci:
s f
(426)
(p) = ~
sf p'( ), ~
sf p ( ) =
s
2~
Cu schimbarea de variabil:
( p'2 )2
s
s
2 *
f
( p 2 s )d
u = p' 2 s
s f
(p) = f (u) ~
*f (u + p p') du
= ( p' p)
(427)
Similar :
~
(p) = x, ~
s f p
sf
~
~
x( ) = s f (p) s f p ( )
p
(428)
{ }
) (m1 ) de s ori.
286
Lema 2.7.1.2.10
Secvenele de coeficieni
{ } satisfac relaiile de
sf
recuren:
(429)
(430)
Demonstraie.
s+12f (p) = x,
s+12f p
x( ) 2f ( 2
( s+1)
+ p 2
( s+1)
(431)
s + 1 2 f (p) =
x( ) 2
( s + 1)
s
*
2 mo [ k ] f 2 p 2 k
s
= mo [ k ] x( ) 2 2 f 2 p k 2 s
k
=
mo [ k ]
k
x, s , f , 2 p k
) d =
d =
mo [ k ] s f [2p k ] = ( mo ) s f (p)
k
287
f 0, 2 k 1 , f =
Teorema 3.7.1.2.10.
s f = ( Fo ... Fs 1) (p)
unde:
(432)
288
mo daca f i = 0
Fi =
m1 daca f i = 1
(433)
289
( )
290
M (u) =
( u[ k ] ) ,
(0) = 0
(435)
k Z
u[ k ] = bk , x
unde bk este cel de al doilea element al bazei B din B .
Costul de informaie al reprezentrii lui x n baza B este M
( bk , x ) . S-a
M a: B R ,
BM
( bk , x )
(436)
S-a obinut n acest mod costul de informaie M al lui x n baza B. Cea mai bun baz
din B pentru semnalul x n raport cu costul de informaie M este acea baz B pentru
care M
291
w ,
(w) =
0 ,
<
(w) = w
M(u) = u
P
P
Exemplul 3. Entropia
Entropia secvenei u[n] este definit cu relaia:
E(u) =
p(k) log
k
1
p(k)
(437)
unde:
p(k) =
u[ k ] 2
;
u[ k ] 2
p log
1
= 0 dac p = 0
p
(438)
Funcionala:
l(u) =
u[ k ] 2 log
k
1
u[ k ] 2
M (u) =
log u[ k ] 2
k=1
(439)
292
sale "copii", acest nod "printe" se marcheaz cu un asterisc. Dac nodul "printe" are
un cost de informaie superior celui al nodurilor "copii" care-i corespund, atunci acest
nod "printe" nu se marcheaz cu asterisc ci i se aloc costul total de informaie al
nodurilor "copii" care i corespund. n figura 7.7.1.2.10 aceste costuri de informaie
transferate sunt prezentate ntre paranteze. Rezultatul cutrii celei mai bune baze este
prezentat n figura 8.7.1.2.10. Se constat c a avut loc o reducere a costului de
informaie de la valoarea 50 la valoarea 32.
Algoritmi
i
programe
de
implementare a pachetelor de funcii "wavelet" precum i a metodei de cutare a celei
mai bune baze ca i aplicaii ale acestor metode vor fi prezentate n capitolele
urmtoare.
293
Figura 7.7.1.2.10 Primul pas al algoritmului de cutare a celei mai bune baze.
294
1
t o j o
e
w
s
s
ws , wo , to ( ) =
(440)
2t
ws , o , to
2
to
s w s
2t
(w
)=
s, o , 0
s u2
w (u) s du , u =
adic:
t ws, o , 0 = s t w1, o , 0 = s t ( w)
(441)
295
Deci atomul ws, , to ( ) este localizat n timp ntr-un interval centrat pe momentul
o
to, de lungime s t( w ) .
Banda de frecven efectiv a acestui atom este:
2t
(w
s , o , to
Dar:
)=
F w s , o , to =
2 F
1
w (u) e j ( o )( su + to ) s du =
s
{w
s , o , to
}=
2 s
{w
s , 0, to
ws , 0, to =
s , o , to
s e j ( o ) to F { w} s ( o )
F { w} s ( o )
Pentru o = 0, rezult:
{w
1
t o j ( o )
w
e
d =
s
s
Deci:
sau:
u2
=
s
2
F { w} (u)
du
s
1
(w)
s
(442)
1
(w) . Deci aria celulei de rezoluie din
s
Ac r = t (w) (w)
= (s, o , t o )
296
Mulimea
{w
()
{w
x ( ) =
( )
astfel nct:
n Z
anw
( )
(443)
x, w o
( ) astfel nct:
su p
x, w
i se face descompunerea:
x = x,w 0 w 0 + Rx0
unde R 0
x reprezint eroarea de aproximare a lui x prin
x ,w 0 w 0 .
R 0x ,w 1
= su p R 0x ,w
i se face descompunerea:
Rx =
Rx , w 1
w 1 + R 1x
lim
Rxn = 0
297
x( ) =
n = 0
Rn
x, w n
w n
(444)
x 2 =
Rn
x, w n
{ n }nZ
x( )
n ( )
(445)
la o eroare de aproximare impus. Aplicaii ale acestei metode sunt prezentate n [19].
298
x( kT ) (t kT )
k= -
TFxSTFT (t,) =
e
= x( kT )
k
xe ( )w( t ) e j d =
x( kT )( kT ) w( t )e j d
k
TFxSTFT (nT,) =
e
Dar:
x e[ n] = x[ n]
TFxSTFT (n,) =
x[ k ]w[ k n]e jk
(446)
k =-
TFxS (n, ) =
x[ k ] w[ k n] e j k
k=
(447)
299
TFxSTFT
TFxS
x[l ] w[l n] e
[n, k ] =
2
l
N
k = 0, N 1
(448)
2 2
l
N
k = 0, N 1
(449)
jk
l=
x[l ] w[l n] e
[n, k ] =
jk
l=
x(t) = w(t)
se poate defini reprezentarea discret de tipul funcie de incertitudine a semnalului n
timp discret x[n] cu relaia:
TFxFI
x[ m] x[ m n] e
[n, k ] =
jk
2
m
N
k = 0, N 1
(450)
m=
innd seama de relaia (69), care reprezint legtura dintre nucleele reprezentrilor
timp-frecven de tipul funcie de incertitudine respectiv Wigner-Ville se poate defini
i reprezentarea discret de tipul Wigner-Ville:
TFxW V
[n, k ] = x[ n + m] x [ n m] e
*
2j k
2
m
N
k = 0, N 1
(451)
m= 0
300
TFxCWT
(t, ) =
e
x( kT )(t kT )(( t ) )d =
x( kT )( ( kT t ))
TFxCWT [n, k ] = k
2
N
2 (
x[ m] k
m n) ,
N
m=
k = 1, N
(452)
TFxSC
2
[n, k ] = k
N
2
x[ m] k N (m n)
m=
k = 1, N
(453)
301
Aproximarea este afectat de eroarea de aliere. Aceast eroare este cu att mai mic
cu ct se eantioneaz mai des (adic cu ct valoarea pasului T este mai mic). La
aceeai valoare a lui T valoarea erorii de aliere depinde de limea benzii efective de
frecven a semnalului care se eantioneaz. Cu ct aceast lime este mai mic cu
att i valoarea maxim a erorii de aliere este mai mic, la o valoare fixat a lui T. Aici
se manifest diferena dintre transformrile liniare i cele biliniare. Aceast diferen
se va analiza lund ca exemplu cuplul de reprezentri: de tip transformare Fourier
scurt (din categoria reprezentrilor liniare) i de tip Wigner-Ville (din categoria
reprezentrilor biliniare). Admind c semnalul x(t) are banda de frecvene B este
necesar ca el s fie eantionat cu un pas T care satisface condiia:
2
2B
T
(454)
T=
(455)
TFxWe V
(t, ) = 2 xe (t + ) xe* (t ) e j 2 d
302
x(t) =
l TFx (n t o , m o ) am, n ( )
m= n=
unde cu
l TFx
(n t o , m o )
303
(t, )
unde:
Cu b TFx
iar:
n care:
w( , ) = e
1 2
Dei atomii definii mai sus au o localizare bun n planul timp-frecven totui
descompunerea atomic propus se aplic cu dificultate n practic deoarece calculul
coeficienilor C m ,n,p,q este dificil. n continuare se prezint o descompunere atomic
alternativ. Ideea este s se fac la nceput o descompunere liniar a semnalului de
analizat i reprezentarea biliniar s se aplice rezultatului. De exemplu, folosind atomii
timp-frecven de tip Gabor, se poate scrie:
x( ) =
TFxSTFT (n t o , m o ) a m, n ( )
m
cu:
304
am, n ( ) =
( mt o ) 2 + j m o
2
TFxWV (t, ) =
m= n = p = q =
p, q
Se poate demonstra c:
TFaW V, a
m, n p , q
(t, ) =
2
n+ p 2 1
m+ q
n+ p
to
o j
t
o ( m q ) to
2
2
2
2e
e
e j [( m q ) to + ( n p ) o t ]
Aceast relaie poate fi calculat numeric folosind algoritmi rapizi. Un astfel de
algoritm este prezentat n paragraful 7.2 din [117]. Ultima relaie reprezint un
exemplu de reprezentare timp-frecven de tip serie de atomi timp-frecven. Ea poate
fi rescris n forma:
TF xW V ( t, ) =
d = 0
p, q
mq + n p = d
Se obine aproximarea de ordinul D a reprezentrii Wigner-Ville:
TFxW V
(t, )
d= 0
m, n
p, q
= DTFS x (t, )
Prin alegerea ordinului D poate fi obinut o aproximare a reprezentrii Wingner-Ville
prin reprezentarea de tip D TFS x (t, ) de eroare impus. Trebuie remarcat c pentru
305
x( ) =
TFxSTFT (n t o , m o ) wm, n ( )
m
x( ) B p w p ( ) ;
x( )
p= 0
cu:
x( )
p= 0
B p w p (t )
Bp
p=0
De aceea:
TFxW V ( t, ) =
q p
Termenii primei serii din membrul drept reprezint elemente utile pentru analiza timpfrecven a semnalului x(t), n timp ce termenii celei de a dou serii sunt termenii de
interferene.
Deoarece:
1
2
i:
TFwW V (t, ) dt d
= wp
= 1
306
1
1
W V
(t,)dt d =
x( ) =
TFx
B p2TFwWp V (t,)dt d +
2
2 p
1
2
* W V
(
)
t,
dt
d
B
B
TF
B p TFwWp V (t,)dtd +
p q wp ,wq
2 p
q
q p
pq
= Bp
p
rezult c:
1
+
B B* TF W V (t, ) dt d
2 q p q wp , wq
pq
1
B B* TF W V (t, ) dt d = 0
2 q p q wp , wq
pq
Deci cel de al doilea termen din membrul drept al expresiei TFxW V (t, ) are
energia nul. De aceea poate fi definit o nou reprezentare timp-frecven:
unde:
Bp =
x, w p
am, n (t) =
(t n to )2
2
e j om t
307
(n t o , o m)
a p (t) =
p
t tp
2
e j p t
TFaWp V (t, ) = 2 e
p t tp
)
)+(
x( ) =
Bp a p ( )
p= 0
TFxASG ( t, ) = 2
cu:
Bp
p= 0
Bp =
x, a p
(t t ) + 1 ( )
2
Capitolul 8
ALGORITMI I PROGRAME DE CALCUL A REPREZENTRILOR
TIMP-FRECVEN
O modalitate de calcul numeric a reprezentrilor timp-frecven continue se
bazeaz pe calculul numeric al integralelor din definiia acestor reprezentri. n acest
scop, pot fi folosite metode numerice, cum este de exemplu metoda coardei sau
metoda tangentei sau metode mai evoluate, ca de exemplu metoda Gauss sau metoda
Runge-Kuta [18]. Dezavantajul acestor metode este volumul mare de calcul care este
necesar pentru aplicarea lor. Totui aceast soluie este cea mai comod avnd n
vedere c exist programe de matematic de uz general, cum este de exemplu
programul MATHCAD sau programul MATLAB care efectueaz calculul numeric al
integralelor. Cu ajutorul acestor programe pot fi i vizualizate reprezentrile timpfrecven obinute. Trebuie menionat c programul MATLAB are chiar un TOOLBOX specializat pentru reprezentrile timp-frecven, (Time-Frequency Toolbox)
realizat n urma colaborrii dintre CNRS din Frana i Universitatea Rice din Statele
Unite. Autorii acestei colecii de subrutine MATLAB sunt Franois Auger, Patrick
Flandrin, Paulo Gonalvs i Olivier Lemoine. E clar c o modalitate de calcul
superioar trebuie s se bazeze pe utilizarea unui algoritm rapid. Cel mai cunoscut
algoritm rapid de calcul este algoritmul "FFT", [114].
8.1 UTILIZAREA ALGORITMULUI FFT LA CALCULUL
REPREZENTRILOR TIMP-FRECVEN
Toate reprezentrilor timp-frecven discretizate, prezentate n paragraful 7.3,
pot fi calculate folosind algoritmul FFT. ntr-adevr, relaiile (448)-(453) pot fi
rescrise conform tabelului 1.8.1. Se constat c toate reprezentrile timp-frecven
discrete pot fi exprimate n forma:
(456)
a k [ n] b[ n], k = 1, N
Deci calculul unei reprezentri timp-frecven revine la calculul a N produse de
convoluie. Acestea pot fi calculate cu ajutorul algoritmului FFT urmnd procedura
urmtoare:
- Se calculeaz: FFT {ak [ n] } ;
- Se calculeaz: FFT {b[ n] } ;
- Se face produsul: FFT {ak [ n] } FFT {b[ n] } ;
309
2
n
N
jk
2
n
N
x[ n] e
x[ n] e
jk
2j k
wavelet
k
Scalograma
jk
x[ n] e
2
n
N
w [ n] , k = 0,N 1
2
w [ n]
, k = 0,N 1
x [ n] , k = 0,N 1
n
j4 k
N x*[ 2n] , k = 0,N 1
x[ 2n] e
2
n
N
2
2
x[ n] k
n , k = 1,N
N
N
2
2
n , k = 1,N
k
x[ n] k
N
N
310
C m ,n = TFxCW T [ m ,n] =
x( ),*m ,n ( )
(457)
TFxCW T ( t,)
C
m
m ,n
n,m ( t,)
(458)
dm ,k =
x( ), m ,k ( )
(459)
C m ,n = dm ,n
(460)
Dar coeficienii dm ,n pot fi obinui cu ajutorul algoritmului lui Mallat. De aceea acest
algoritm poate fi folosit la calculul reprezentrii TFxCW T ( t,) .
ao,n =
ao,n x[ n]
(462)
311
Aproximarea este cu att mai bun cu ct valoarea lui p este mai mare, i cu ct
semnalul de analizat este mai "neted".
Nu ntotdeauna se face analiza timp-frecven a unor semnale netede. Alteori
nu se poate utiliza pentru analiz o funcie de tipul "wavelets mother" cu destule
momente nule. n sfrit exist situaia n care semnalul x( )nu aparine spaiului Vo.
n continuare se caut soluii pentru iniializarea algoritmului lui Mallat pentru aceste
cazuri. n acest scop se caut rspunsul la impuls, h[n], al unui sistem liniar i
invariant n timp care s rspund la excitaia x[n] cu semnalul ao,n .
Folosind sistemul din figura 1.8.2.1 se obine semnalul ao,n pornind de la
semnalul x( ).
u(t) = x(t)
* (
t) =
x( )
(t ) d
y(t) =
u[ k] (t k)
k
y[ n] = u[ n] =
x( ) * ( n)d
Se constat identitatea:
y[ n] = ao,n
x( ),( n)
312
(t) cu sistemul
cu rspunsul la impul h[ n] .
e[ n] = 0, ( ) n Z
Notnd cu Fd operatorul pentru transformarea Fourier n timp discret, ultima condiie
este echivalent cu:
Fd {e[ n] }( ) = 0, ( ) [ ,]
sau:
(463)
n consecin:
Fd x(t) (t)t= n
h[ n] = Fd1
Fd { x[ n] }
(464)
313
x( ) B 2
n acest caz:
Fdr{ x[ n] } = F { x( )}
(465)
{(
)} =
F { x(t)} F (t) p ( )
*
(466)
F { x(t)} F (t) p ( )
*
1
= Fd1 F (t) p ( )
h[ n] = Fd
F { x(t)}
{{
(467)
314
(t) B 2
(este normal s se analizeze semnale de band limitat folosind funcii de scar de
band limitat), atunci:
Fdr [ t] = F (t)
Relaia (466) devine:
{(
)} =
Fdr{ x[ n] } Fdr [ n]
*
{ {
h[ n] = Fd1 Fdr [ n]
}} =
[ n]
(468)
n acest caz sistemul n timp discret cu rspunsul la impuls h[ n] a fost obinut prin
*
315
Y 1 = M o X o cu X o = ao i
m'o[ 0]
'
mo[ 3]
0
0
Mo =
0
0
'[ ]
mo 2
m'o[1]
cu:
m o' [ n] =
m'o[1] m'o[ 2]
m'o[ 2] m'o[1]
0
m'o[ 0]
0 m'o[ 3]
0
0
0
0
0
m'o[ 3]
'[ ]
0
mo 0
m'o[ 3]
m'o[ 0]
m'o[1]
0
0
0
0
0
m'o[ 0] m'o[1]
0
0
0 m'o[ 3] m'o[ 2]
0
0
m'o[ 2]
0
0
m'o[ 3]
0
0
0
0
m'o[ 2]
2 m o [ n] .
ntr-adevr, se constat c:
(470)
ao,n m o' [ n]
nmulirea celei de a doua linii din matricea Mo cu vectorul Xo, descrie convoluia:
316
ao,n m 1'[ n]
S-a folosit relaia:
m 1'[ n] = ( 1) n+1 m o [ L 1 n]
(471)
X T = [a
1,4 a1,3 a1,2 a1,1 ]
11
X T = d
12 [ 1,4 d1,3 d1,2 d1,1]
(472)
Fie M1 matricea care reprezint colul din stnga sus al matricii Mo:
=
0
m o' [ 0] m o' [1]
0
0
0
m o' [ 3] m o' [ 2]
(473)
Cel de-al doilea pas al algoritmului lui Mallat este descris de relaia:
Y 2 = M 1 X 11
Rezultatul este:
(474)
(475)
(476)
X T = [a
2,2 a2,1]
21
X T = d
22 [ 2,2 d2,1]
317
(477)
(478)
a11, = m o' [ 2] a0,8 + m o' [ 3] a0,7 + m o' [ 0] a0,2 + m o' [1] a0,1
d11, = m o' [1] a0,8 + m o' [ 0] a0,7 m o' [ 3] a0,2 + m o' [ 2] a0,1
(479)
318
a11, = m o' [ 2] a0,4 + m o' [ 3] a0,5 + m o' [ 0] a0,2 + m o' [1] a0,3
(480)
Pe baza relaiilor (479) i (480) se constat c ultimele dou elemente ale vectorului
Y 1T sunt eronate deoarece la nceputul ultimelor dou linii ale matricii Mo apar
elemente nenule. n consecin se poate afirma c metoda propus pentru
implementarea algoritmului lui Mallat are erori. De fapt aplicnd semnalului
ao,n transformarea descris, bazat pe folosirea matricilor Mo, M1, ... se obine un
semnal o y[ n] (corespunztor vectorului Y T ) diferit de semnalul yo [ n] din paragraful
una dup ( 2 ao,n ) atunci se obine o nou secven nou ao,n = 1 ao,n ,ao,n ,2ao,n
de lungime N+L. Dac acestei secvene i se aplic o iteraie conform metodei
matriciale, atunci se obin semnalele d1[ n] i a1[ n] de durate (N+L)/2.
Prin alegerea corespunztoare a eantioanelor 1 ao,n i 2 ao,n s-ar putea realiza
compatibilizarea dintre metoda matricial i algoritmul lui Mallat. Dac sunt necesare
mai multe iteraii n algoritmul lui Mallat (de exemplu M) atunci lungimea secvenelor
1 ao,n i 2 ao,n trebuie s fie mai mare.
319
N
2M
L
2M
( 1+ 2 +
...+ 2 M 1 ) =
2M 1
N
L 2M 1
N
N
+
=
+
+ L
L
M
M
M
M
2
2
2 1
2
2
2M
Deci dac se fac M iteraii atunci lungimea secvenelor 1 ao,n i 2 ao,n trebuie s fie
=
2M 1
L . n acest caz noua secven
nou ao,n ar avea lungimea
2 M +1
M
2 1
N +
L . Prin alegerea corespunztoare a eantioanelor acestei secvene s-ar
2M
egal cu
NL +
N
N
N L 2M +1 1
2M +1 1
L + ... + M L = M
= NL
2N L
2
2
2
2 1
2M
320
( )
este generat cu
( 1 , 2 ) = ( 1 )( 2 )
(481)
( , ) = ( )( )
1
1
2
1
2
2 ( 1 , 2 ) = ( 1 )( 2 )
3( 1 , 2 ) = ( 1 )( 2 )
(482)
( )
{Vm } mZ .
) genereaz analiza multirezoluie { 2Vm } mZ a spaiului L2( R2 ) :
Vm = Vm Vm
m ( 1, 2 ) = 22 m 2m 1, 2m 2
(483)
321
)} (m, p) Z
D1m x =
{ x( , ) , (
D 2m x =
{ x( , ) , (
2 2 m p
) } ( n , p) Z
D 3m x =
{ x( , ) , (
2 2 m p
) } ( n , p) Z
m
n,
12
m
n,
12
m
n,
12
2 2 m p
) } ( n , p) Z
(485)
k ( 1, 2 ) k = 1, 2, 3 , se
m 01( 1 ,2 ) = m 0 (1 )m 1(2 )
m 10 ( 1 ,2 ) = m 1(1 )m 0 (2 )
m 11( 1 ,2 ) = m 1(1 )m 1(2 )
(486)
322
Figura 1.8.2.3 Sistem pentru implementarea unei iteraii n algoritmul lui Mallat n cazul bidimensional.
323
Figura 2.8.2.3 Sistem pentru calculul transformrii "wavelet" discret invers, n cazul bidimensional
(cazul unei singure iteraii).
324
Figura 1.8.3 Ordinograma unei poriuni dintr-un algoritm de analiz cu pachete de funcii "wavelet"
325
326
327
( TFxA SG ( t,) ) ,
- spectrograma adaptiv: Adaptive, ( TFxA S ( t,) ) ,
- spectrograma Gabor adaptiv: Gabor,
328
de tip spectrogram Gabor adaptiv factorul care fixeaz durata efectiv a ferestrei
temporale poate fi ales cu ajutorul ferestrei "Gabor basis" de valoare mic, medie sau
mare. i spectrograma Gabor este o reprezentare adaptiv, valoarea parametrului p din
paragraful 7.3.1 putnd fi aleas cu ajutorul tastei "order".
Calitatea reprezentrii timp-frecven obinut se apreciaz cu ajutorul
ferestrei "matching indicator".
Pot fi obinute i reprezentri mai detaliate putndu-se efectua operaia
"zoom". n domeniul frecven pot fi fcute reprezentri n banda [ fm in ,fm ax ]
folosind opiunea "subband". Valoarea lui fmax poate fi modificat dup cum urmeaz.
Dac n fereastra "bandwidth" se alege "full band", atunci fmax va fi egal cu jumtatea
valorii afiate n fereastra "sampling freq". Dac n fereastra "bandwidth" se alege
"1 2n band", n = 1,7, atunci valoarea lui fmin poate fi impus cu ajutorul ferestrei
sampling freq.
y[ n] = x[ n] factor x[ n]
Valoarea "factor" poate fi aleas cu ajutorul ferestrei "factor" dintre valorile 0 i 1.
Alegerea valorii 0 nu afecteaz analiza. Dac se alege valoarea 1 atunci semnalul de
analizat este n prealabil filtrat trece-sus.
n partea de sus-dreapta a ecranului se gsesc ferestrele: "block lenght" i
"start at" cu ajutorul carora se poate fixa durata semnalului de analizat i momentul de
la care s nceap analiza. Deasupra ecranului destinat reprezentrii timp-frecven
este afiat durata semnalului de analizat. Aceast valoare depinde de valoarea
"sampling freq". Dac valoarea sa este inferioar valorii "block lenght" atunci este
analizat n ntregime semnalul de intrare. n caz contrar poate fi fcut un "zoom" n
domeniul timp, analiza ncepnd de la momentul "start at".
n continuare se exemplific cteva dintre afirmaiile fcute n capitolele 2, 4,
6, 7. n acest caz se reia analiza semnalului folosit n exemplele din aceste capitole.
Este vorba despre produsul dintre o funcie Gaussian i o funcie cosinusoidal.
Forma de und a semnalului analizat este prezentat n figura 2.8.4.1 iar
densitatea sa spectral de putere n figura 3.8.4.1. n figurile urmtoare sunt prezentate
diferitele sale reprezentri timp-frecven. n figurile 4.8.4.1, 5.8.4.1, 6.8.4.1, 7.8.4.1
i 8.8.4.1 sunt prezentate spectrogramele cu fereastr de tip: Hanning, Hamming,
Blackmann, dreptunghiular i Gaussian.
329
330
331
332
Figura 13.8.4.1. Densitatea spectrala de energie a semnalului din cel de al doilea exemplu.
333
Acest efect devine mai puin suprtor dac se calculeaz reprezentarea Wigner-Ville
a semnalului analitic asociat semnalului de analizat aa cum se vede n figura 17.8.4.1.
Termenii de interferen din zona central a imaginii afecteaz att localizarea
temporal ct i localizarea frecvenial a reprezentrii. Se poate afirma c prin
utilizarea reprezentrii Wigner-Ville a semnalului analitic asociat semnalului de
analizat se elimin o parte din termenii de interferen din reprezentarea Wigner-Ville
a semnalului original.
x( ) = A o cos 3 + 2 +
Se constat c analiznd aceste figuri este greu s se afle ceva despre frecvena
instantanee a semnalului x( ). Forma de und a semnalului din al treilea exemplu
este prezentat n figura 18.8.4.1, iar densitatea sa spectral de energie n figura
19.8.4.1.
334
i ( ) = 3 2 + 2 +
335
Figura 21.8.4.1. Reprezentarea Wigner-Ville a semnalului analitic asociat semnalului din exemplul al
treilea.
336
337
- iowave 1:
reconstruiete semnalul din transformata sa "wavelet" ortogonal,
- owave 1:
calculeaz transformata "wavelet" ortogonal a unui semnal,
- precond 1d: precondiioneaz un semnal,
- sconvolve:
filtreaz un semnal.
Grupul 8 este compus din urmtorii algoritmi:
- biowave 2:
calculeaz transformata "wavelet" biortogonal a unei
imagini,
- ibiowave 2:
reconstruiete o imagine din transformata sa "wavelet"
biortogonal,
- iowave 2:
reconstruiete o imagine din transformata sa "wavelet"
ortogonal,
- owave 2:
calculeaz transformata "wavelet" ortogonal a unei imagini,
- owtrans_fimage:
genereaz o imagine pentru vizualizarea unei descompuneri
"wavelet" ortogonale,
- precond 1d:
precondiioneaz o imagine,
n continuare se descriu pe scurt doi dintre aceti algoritmi:
OWAVE 1.
{Wm } mZ
{Vm } mZ
lui L2 ( R ) ,
M ,k o
M ,k ( ) +
m ,k
m = 1
m ,k ( )
{a M , k , d m, k } m=1, M ,
k Z
"make".
BIOWAVE 1. Acest algoritm este foarte asemntor cu algoritmul OWAVE 1.
Diferena const n filtrele folosite. Fiierul Impulse Reponse conine de data aceasta
~ [ n] i m
~ [ n] .
rspunsurile la impuls de filtre de tipul m o [ n] , m 1[ n] , m
o
1
Exist la ora actual programe de calcul a reprezentrii timp-frecven de tip
"wavelet" care funcioneaz sub sistemul de operare WINDOWS. Majoritatea lor sunt
concepute ca i subrutine ale unor programe de matematic specializate cum ar fi
programele: MATHCAD, MATLAB sau MATHEMATICA.
338
339
2.Structuri de date
Citirea datelor
Browse Image
Image Fig
Read Image
Read Signal
Generarea datelor
340
341
n figura 4.8.4.3 este prezentat o variant perturbat aditiv cu zgomot alb a aceluiai
semnal.
342
343
Figura 7.8.4.3. Densitile spectrale de energie ale semnalelor de dinainte i de dup aplicarea procedurii
denoising.
4.
Transformri:
FWT_PO -
344
Figura 8.8.4.3. Transformarea "wavelet" discret folosind pachete de funcii "wavelets" de tip Haar a
semnalului din figura 3.8.4.3.
Dup cum se vede, criteriul de cutare a celei mai bune baze a fost minimizarea
entropiei. n figura 10.8.4.3 se prezint descompunerea atomic, n planul timpfrecven a semnalului "Blocks", astfel obinut. n continuare se prezint cteva
concluzii referitoare la "tool-box"-ul WaveLab.
- Aceast bibliotec este exhaustiv, coninnd peste 800 de fiiere MatLab.
De altfel ea este actualizat n permanen.
- WaveLab reuete s fie o unealt de cercetare reproductibil, deoarece d
accesul oricrui cercettor la uneltele pe care le-au folosit autorii si n articolele pe
care le-au publicat.
345
Figura 9.8.4.3. Arborele de selecie a celei mai bune baze pentru transformarea din figura anterioar.
Tabelul 1.8.4.3.
Nr.
crt.
1.
Denumirea programului
MacWavelets v.100
2.
Uvi_Wave 2.0
3.
Xripple
4.
Tipul
calculatorului
MacIntoch
PC sub Windows
Pc sub Lynux
PC sub Windows
se cumpr,
http://www.mathworks.com/macwavelet.html
5.
PC sub Windows
http://com.bell-labs.com/wavelet.html
6.
PC sub Windows
http://www.wolfram.com/mathematica/aplicati
ons
7.
PC sub Windows,
platform UNIX,
Autorul
Sky Coyote
Nuria Gonzales
Prelic
K.Sunil Kumar
M. Misiti,
Y.Misiti,
G. Oppenheim,
J.M. Poggi
Wim Sweldens
Julie Porter
G. Fernandez
Zixiang Xing
MacIntoch
8.
9.
Filtre biortogonale
"hard"
informaii la mrt@wavelet.com
---
10.
funcii "wavelet"
11.
12.
13.
14.
Analizor timp-frecven
15.
Multi-Scale
Image Pyramids
Wavelet MMX
16.
17.
18.
Analizor timp-frecven
PC sub Windows,
http://www.cs.dartmouth.edn/~gdavis/wavele/
wavelet.html
Geoff Davis
PC sub Windows,
http://www.dfw.net/~mcody
Mac A. Cody
MacIntoch
PC sub Windows
ftp://ftp.natinst.com/WaveTool.zip
Shie Qian
ftp://ftp.natinst.com/TFmatlab.zip
http://www.cis.upenn.edu/~eero
Shie Qian
Eero Simoncelli
http://www.fastman.com/MMX/FASTMAN_
MMX.html
http://www.cs.kuleuven.ac.be/~wavelets/
Mike Tucker
platform UNIX,
MacIntoch
platform UNIX,
PC sub Windows
Platforme SUN
sau MacIntosh
PC sub Windows
PC sub Windows,
platforme UNIX
PC sub Windows,
procesoare de
semnal
PC sub Windows
informaii la
Geert
Uylterhoeven
R. Nagesh
cranes@giaskg01.vsnl.net.im
informaii la:
100665.351@compuserve.com
Paul Soninger
Nr.
crt.
1.
Observaii
Folosind extensiv interfaa cu utilizatorul standard
MacIntosh folosirea programului nu necesit al soft
2.
3.
4.
"Tool-box" Matlab
5.
6.
7.
Wavelets Digest
Martie, 1996
Martie, 1996
Mai, 1996
Iunie, 1996
August, 1996
Septembrie, 1996
8.
Octombrie, 1996
9.
10.
Decembrie, 1996
Ianuarie, 1997
11.
Frana
Iunie, 1996
Februarie, 1997
12.
13.
14.
15.
Librrie MATLAB
16.
17.
18.
Aprilie, 1997
Aprilie, 1997
Aprilie, 1997
Mai, 1997
Leuven, Belgia
Compania Crane Software,
India
----
Mai, 1997
Iulie, 1997
August, 1997
Capitolul 9
APLICAII
Se poate afirma c nu exist nici un domeniu de aplicare a teoriei semnalelor
n care s nu existe aplicaii ale reprezentrilor timp-frecven. De fapt, fiecare tip de
reprezentare timp-frecven a aprut din nevoia rezolvrii unei probleme practice.
Marea diversitate a aplicaiilor reprezentrilor timp-frecven face ca ncercarea de a
clasifica aceste aplicaii s fie foarte dificil. De aceea n acest capitol va fi fcut o
trecere n revist a aplicaiilor reprezentrilor timp-frecven, insistndu-se asupra
acelora care au fost dezvoltate n echipa de cercetare din care fac parte autorii. Pentru
celelalte vor fi indicate surse bibliografice i se va ncerca evidenierea performanelor
obinute dar i a factorilor care limiteaz utilizarea lor. Aceast expunere se va baza pe
rezultatele teoretice prezentate n primele apte capitole ale acestei lucrri. Acolo unde
vor fi necesare i cunotine teoretice suplimentare, acestea se vor prezenta pe scurt. n
construcia exemplelor care vor fi prezentate vor fi utilizate cunotinele expuse n
capitolul 8. Clasificarea aplicaiilor este fcut dup domeniile acestora.
9.1 APLICAIILE REPREZENTRILOR TIMP-FRECVEN N
RADAR
n cazul Radarului se emit unde electromagnetice descrise prin semnale cu
modulaie liniar de frecven. Aceste unde se reflect de pe int (care este un obiect
n micare) i sunt recepionate n punctul din care au fost emise. Reprezentarea timpfrecven de tipul Wigner-Ville a semnalului recepionat este egal cu convoluia
bidimensional a reprezentrii Wigner-Ville a semnalului emis cu reprezentarea
Wigner-Ville a unui semnal care poart informaii despre int, [13]. Inversnd
reprezentarea timp-frecven de tipul Wigner-Ville a semnalului care poart informaii
despre int, poate fi determinat acest semnal. Dup cum s-a artat n capitolul 3,
rezolvarea natural a problemei radiolocaiei se bazeaz pe utilizarea reprezentrii
timp-frecven de tipul funcie de incertitudine. De fapt funcia de incertitudine a
semnalului recepionat este legat de funcia de incertitudine a semnalului emis prin
relaia (44). Dar n capitolul 4, s-a artat c reprezentarea timp-frecven de tipul
Wigner-Ville a unui semnal reprezint transformata Fourier bidimensional a
reprezentrii timp-frecven de tipul funcie de incertitudine a aceluiai semnal. De
aceea lund transformata Fourier bidimensional n cei doi membri ai relaiei (44) se
obine o relaie foarte simpl ntre reprezentrile Wigner-Ville ale semnalelor s( ) i
sr( ). Pe baza acestei relaii pot fi determinate uor valorile to i . Metoda de
detecie a intei descris mai sus nu ine seama de zgomotul care poate perturba
semnalul recepionat. De fapt n aplicaiile RADAR exist 4 surse de semnale
perturbatoare: 1. Ecourile fixe datorate mediului nconjurtor (muni, cldiri, ...), 2.
Zgomotul propriu al sistemului RADAR,
9 Aplicaii
351
352
9 Aplicaii
353
354
~
x [ n] = x[ n] e jon
Discretiznd i frecvena o :
o =
m
2
N
~[ ]
X k = X [ k+ m ]
9 Aplicaii
355
1
d [ n] =
N
K
2
k=
j2 n
~
N
X [k ] e
K
2
W z(n, k ) = 2
N 1
f n (l)
j2 k
l
N
l = N +1
N 1
l= 0
l= 0
2 l k
2 l k
+ 4 v[ l ] sin
2 z[ n] 2
W z(n, k ) = 4 u[ l ] cos
N
N
unde:
u[ l] = Re { fn (l)} ;
v[ l] = Im
{ fn (l)}
356
x( ) = cos 2 2
(487)
H{x( ) } = sin 2 2
x a ( ) = x( ) + j H { x( ) } = e j 2
arg { xa ( )} = 2 2
f(
i )= 2
(488)
K W V x (t, ) = x a t + x a* t
a
2
= e j 2 ( 2 t )
2
9 Aplicaii
357
Deci:
TF W V (t, ) = F K W Vx (t, ) () = F e j (4 t ) () =
xa
= 2 ( 4 t )
(489)
x a ( ) = e j y ( )
(t, ) = e
j y t + y t
2
2
fi ( ) =
1
y'( )
2
(492)
1
f$i (t, ) =
2
y t + y t
2
2
(493)
Se constat c:
V
(t, ) = e j fi ( t , ) 2
KW
xa
$
(494)
358
TFxWa V (t, ) = F e
j 2 fi ( t , )
}= 2 ( 2 f (t, ))
(495)
x a () = e
j Q 2 m ()
Se demonstreaz c i pentru astfel de semnale exist o reprezentare timpfrecven care se concentreaz perfect pe curba de variaie temporal a frecvenei
instantanee a semnalelor x( ) corespunztoare. Aceasta este reprezentarea WignerVille generalizat. Ea este transformata Fourier scurt a nucleului:
W V
g Kx
(t, ) =
[ x ( t + c k ) ] b k [ x ( t + c k ) ] b -k
*
k= 1
fi( ) =
1
Q 2 m ( ) + Q' 2 m ( )
2
WV
(t, )
g T Fx a
= F e
k = m
k 0
bk y t + c k t
( )
9 Aplicaii
359
adic:
W V
g TFx a
(t, ) = e j ( 2 fi ( t ) )
(t, ) = 2 ( 2 f i (t))
Din pcate nu toate semnalele nestaionare au expresia din relaia (491). n schimb
toate reprezentrile timp-frecven prezentate n aceast lucrare au calitatea de a se
concentra pe curba de variaie n timp a frecvenei instantanee a semnalului cruia i se
aplic. De asemenea, orice reprezentare timp-frecven poate fi privit ca i o imagine
timp-frecven. De aceea este fireasc ideea utilizrii metodelor de prelucrare a
imaginilor pentru a extrage curba frecvenei instantanee din imaginea reprezentrii
timp-frecven. n figurile 20.8.4.1 i 21.8.4.1 au fost prezentate reprezentrile timpfrecven de tipul spectrogram Gabor adaptiv respectiv Wigner-Ville ale unui
semnal a crui frecven instantanee este o funcie de gradul II de timp. n figurile
1.9.5.1 i 2.9.5.1 sunt prezentate imaginile obinute prin binarizarea imaginilor din
figurile 20.8.4.1 i 21.8.4.1.
Figura 1.9.5.1. Rezultatul binarizrii reprezentrii Wigner-Ville a unui semnal modulat n frecven.
Figura 2.9.5.1. Rezultatul binarizrii reprezentrii de tip spectrogram Gabor adaptiv a semnalului
modulat n frecven.
360
Figura 3.9.5.1. Imaginea obinut prin dilatarea imaginii din figura 1.9.5.1.
Figura 4.9.5.1. Imaginea obinut prin dilatarea imaginii din figura 2.9.5.1.
Figura 5.9.5.1. Imaginea obinut prin filtrarea median a imaginii din figura 3.9.5.1.
9 Aplicaii
361
Figura 6.9.5.1. Imaginea obinut prin filtrarea median a imaginii din figura 4.9.5.1.
f i [ n] =
1
[[ n + 1] [ n]]
2
(497)
362
f$i[ n] = fi[ n] h[ n]
unde h[ n] este rspunsul la impuls al filtrului folosit. O alegere potrivit pentru filtrul
descris de h[ n] este mediatorul numeric alunector [125].
Performane superioare pot fi obinute dac se utilizeaz un filtru adaptiv. n
continuare se prezint o metod adaptiv de estimare numeric a frecvenei
instantanee.
Pasul 1. Eantionarea adaptiv a semnalului x( ).
Se determin trecerile prin zero ale semnalului x( ). Se determin valoarea distanei
ntre dou treceri succesive prin zero. Se alege n aa fel pasul de eantionare nct
raportul dintre valoarea duratei dintre ultimele dou treceri succesive prin zero ale
semnalului x( ) i durata pasului de eantionare folosit n acel interval de timp s fie
un numr ntreg.
Pasul 2. Fie K [ m ] numrul eantioanelor secvenei xa [ n] achiziionate n
intervalul de timp dintre ultimele dou treceri prin zero consecutive ale semnalului
x( ) (a m-a trecere prin zero i a m+1 -a trecere prin zero). n K [ m ] sunt incluse i
eantioanele la momentele la care se produc cele dou treceri prin zero.
Se estimeaz frecvena instantanee obinndu-se estimata fim [ n] . Se filtreaz
adaptiv acest semnal, folosind un mediator numeric alunector adaptiv, cu relaia
intrare-ieire:
f$i [ m] =
K[ m] 1
1
([ m+ 1] [m k ])
2 K[ m] k = 0
(498)
f$i[ m ] =
1
( [ m + 1] [ m K [ m ] + 1] )
2 K [ m ]
(499)
f$i[ m ] =
1
2 K [m]
(500)
9 Aplicaii
363
364
n prima dintre aceste figuri este prezentat estimarea frecvenei instantanee a unui
semnal FSK, iar n cea de a doua figur se prezint estimarea frecvenei instantanee a
unui semnal generat de un generator de semnal vobulat. Estimrile frecvenelor
instantanee cuprinse n banda [100 Hz, 20 KHz] realizate cu ajutorul acestui aparat au
o precizie satisfctoare, erorile relative comise nedepind valoarea de 1%.
Ali estimatori ai frecvenei instantanee bazai pe reprezentrile timp-frecven
discrete sunt prezentai n [13].
9.5.2 MSURAREA BENZII INSTANTANEE
Aceast noiune nu are nc o definiie unanim recunoscut. n continuare prin
banda instantanee a unui semnal se va nelege acea band de frecven n care se
concentreaz majoritatea energiei acelui semnal, msurat ntr-un interval scurt de
timp. Cunoaterea benzii instantanee a unui semnal este util pentru eantionarea
adaptiv a acestuia. ntr-adevr, frecvena de eantionare poate fi aleas astfel nct la
fiecare moment de timp ea s reprezinte un anumit multiplu al benzii instantanee a
semnalului care trebuie discretizat. Acesta este modul de lucru al circuitului de
eantionare adaptiv A.S.R (Adaptive Sampling Rate) din structura nregistratorului
de forme de und HP 5183 A [107]. Funcionarea acestui circuit se bazeaz pe
utilizarea reprezentrii timp-frecven de tipul transformare Fourier scurt discret. Un
sistem numeric de implementare a acestei reprezentri timp-frecven este prezentat n
figura 9.9.5.1.
Figura 9.9.5.1 Sistem pentru calculul reprezentrii timp-frecven de tipul transformare scurt discret.
9 Aplicaii
365
E[ m ] =
X ( p,m )
p= 0
E 1[ m ] =
X ( p,m )
p= 0
Fie:
f[ m ]
X ( p,m )
P[ m ] =
p= 0
E[ m ]
P[ m ] Po
asigur printr-o bun alegere a lui Po o valoare suficient pentru f[ m ] n aa fel nct
$[ n] obinut prin aplicarea transformatei
aproximarea semnalului x[ n] prin semnalul x
Fourier scurt discret invers semnalului X ( 0,m ) ,X ( 1,m ) ,...X ( f[ m ] ,m ) s
366
x( ) = l.i.m.
N
ak k ( )
0 D
(501)
k=1
unde limita este n medie ptratic, iar funciile k ( ) sunt ortogonale. Este
interesant aproximarea semnalului x( )prin semnalul xN ( )cu:
N
xN ( ) =
k ( ) ,
0 D
(501')
k= 1
lim E ( xN ( ) x( ))
N
}=
(502)
9 Aplicaii
367
ak =
x( )* ( )d
(503)
E{a k } =
E{ x( )} *k ( ) d =
0 ,
( ) k Z
(503')
E{ak a*l } = k [ k l]
(504)
adic:
D
E x( )*k ( )d
0
sau:
D
x* (u) (u)du =
l
k [ k l]
l (u) rxx ( , u) *k ( ) d du = k [ k l ]
(504')
rxx ( , u) *k ( ) d
0
= k *k (u)
368
rxx ( , u) k ( ) d
= k k (u)
(505)
S-a obinut n acest mod o ecuaie integral de tip Fredholm. R x ( ,u) reprezint
nucleul ecuaiei, k ( )sunt funciile proprii iar k valorile proprii.
Cunoscnd autocorelaia semnalului de descompus x( ), R x ( ,u) se poate
rezolva ecuaia (505), determinndu-se funciile k ( ) i constantele k . Se poate
demonstra c transformarea Karhunen-Loeve, definit n relaia (501') minimizeaz
eroarea medie ptratic de aproximare:
E( e2 ) = E
{( x( ) x ( )) }
2
(506)
rxx ( , u) = ( , u)
nlocuind n relaia (504') se obine:
D
adic:
l (u) ( , u) *k ( ) d du = k [ k l ]
0
l( 0) *k ( 0) = k [ k l]
Deci:
{ }
l = l( 0) = E al
2
= 2l
(507)
9 Aplicaii
369
rxx ( , u) = e u = rx ( u) = rx (v )
(508)
e u k (u) du = k k ( )
(509)
k ( ) = e j k
k =
2
1 + k 2 o2
(510)
x[ n] se obine:
unde:
X = Tx
X T = [ X [ 0] X [1] ...X [ N 1] ]
T T = [ o 1 ...N 1]
unde k ,k = 0,N 1 sunt vectori ortogonali:
Tk l = [ k l]
Transformarea invers T 1 este descris matricial cu ajutorul transpusei matricei T,
T T . Se poate scrie:
370
x = T X = [ o 1 ...N 1] X =
T
N 1
X [ k]
(511)
k= 0
X [ k]
xM =
(512)
k= 0
X [ k]
x = x xM =
(513)
k= M
= E { x
N 1
= E
k = M
N 1
X[ k ] X[ l ]
l=M
Tk l
E {X
[ k] }
(514)
k= M
C x = E{ x xT }
X [ k] = Tk x
De aceea relaia (514) devine:
N 1
E {
k= M
T
k
x ( x)
T
k
N 1
} = E { x x }
T
k
k= M
(515)
9 Aplicaii
adic:
371
N 1
T
k
C x k
(516)
k= M
m in =
(518)
k= M
rx ( , u ) , k ( )
Cu notaia:
L2
= k k (u)
(519)
rx (m, n) = C x [m, n]
C x [m,n], k [ n]
l2
= k k [ m] ,
m = 0, N 1
(520)
sau matricial:
C x [ 0,0]
k [ 0]
C x [ 0,1]
L
C x [ 0,N 1] k [ 0]
[1]
C x [1,1]
L
C x [1,N 1] k [1]
C x [1,0]
= k
k
M
M
M
M
M
C [ N 10
[ N 1]
,] C x [ N 11
,] L C x [ N 1,N 1] k [ N 1]
k
x
(521)
adic:
C x k = k k
(522)
372
Cx
o
0
=
M
0
0 K
0
0
1 K
M
M
0 K N 1
(523)
X [ k] , k = 0,M 1
X c[ k] =
in rest
0 ,
Numrul N-M de eantioane X [ k] care pot fi neglijate corespunde la numrul de
coeficieni k ai matricei de covarian C x care pot fi neglijai.
Din pcate nu exist algoritmi rapizi pentru calculul transformrii KarhunenLoeve a unui semnal. De aceea este dificil determinarea vectorilor proprii ai matricei
de covarian. n practic se utilizeaz transformri ortogonale suboptimale. Acestea
ating doar asimptotic performanele transformrii Karhunen-Loeve dar beneficiaz de
implementri bazate pe algoritmi rapizi. Printre aceste transformri suboptimale
figureaz:
- transformarea Walsh-Hadamard (prezentat n [130]),
- transformarea cosinus discret DCT,
- transformarea wavelet discret.
Convergena asimptotic a transformrii DCT spre transformarea KarhunenLoeve este demonstrat n [104]. n continuare se demonstreaz convergena
transformrii "wavelet" discret spre transformarea Karhunen-Loeve.
Fie semnalul aleator x( ). Proieciile acestui semnal pe descompunerea
ortogonal a lui L2 ( R ) ,
dm [ n] :
dm [ n] =
x( ), m ,n ( )
{ m, n ( )} n Z
au coeficienii
9 Aplicaii
373
*
[l ] = E
rd m [ k, l ] = E d m [ k ], d m
{ x( ),
m, k ( )
, x( ), m , l ( )
{ x( ) ( ) d x (u) ( u ) du} =
= E { x( ) x (u)
( ) ( u ) du d } =
*
= E
m, k
R2
m, k
m, l
*
*
R E{ x( ) x (u) } m, k ( ) m, l ( u )
}=
m, l
du d
E x( ) x* (u) = rxx ( u)
n consecin:
rd m [ k, l ] =
rxx ( u) *m , k ( ) m , l ( u ) du d =
R *m, k ( ) R m, l ( u ) rxx ( u)
du = rxx ( ) m , l ( ) *m , k ( ) d
R
rd m [ k, l ] =
1
2
R F {rxx ( ) m, l ( )} ( )
F * *m , k ( ) ( ) d
rd m [ k, l ] =
1
2
R F {rx x( ) } ( )
F m , l ( ) ( ) F * m , k ( ) ( ) d
Dar:
F m , l ( ) ( ) = 2
Deci:
m
2
e j 2
F {} 2 m
374
R F { rxx ( )} ( ) 2
1
rd m [ k, l ] =
2
F {} 2
m
2
ej2
m
2
e j 2
F * {} 2 m d
adic:
rd m [ k, l ] =
m
1
F { rxx ( )} ( ) 2 m e j 2
2 R
F {} 2 m
(l k )
Integrala din membrul drept se poate descompune ntr-o serie de integrale calculate pe
intervale de lungime 2:
1
r d m [ k, l ] =
2
(2p +1)
p = (2p 1)
F { r xx ( )} ( ) 2 m e j 2
Cu schimbarea de variabil:
ultima relaie devine:
1
rd m [ k, l ] =
2 p =
(l k )
F { } 2 m
v = 2 m
(2p +1)
F { rxx ( )} (2m v ) e j
(l k )
(2p 1)
F {} (v ) dv
2
Cu schimbarea de variabil:
w = v 2 p
rezult:
rd m [ k, l ] =
sau:
2 p =
(l k )
F {}( w + 2p ) dw
1
2
rdm [ k, l] =
F{ rxx ( )} 2m ( w+ 2p) e j w ( l k) F{}( w+ 2p) dw
2 p=
(524)
Dac semnalul aleator x( ) este un zgomot alb de valoare medie nul i dispersie
unitar atunci:
F {rxx ( )} 2m ( w + 2p ) = 1,
( ) w R
9 Aplicaii
1
rd [ k,l ] =
m
2
375
F {}( w + 2p)
e j w ( l k ) dw
(525)
p =
Dar n paragraful 7.1.2.1 s-a demonstrat, relaia (178) conform creia n cazul
funciilor "wavelet" ortogonale:
F{}( w + 2p)
= 1
p=
1
rd m [ k, l ] =
2
n consecin:
e j w ( l k ) dw
rd m [ k, l ] = [ k l ]
Cu alte cuvinte, dac x( ) este un zgomot alb atunci toate semnalele dm [ n] sunt
zgomote albe n timp discret. Deci prin aplicarea transformatei wavelet discret unui
semnal n timp discret de tip zgomot alb se obin tot semnale n timp discret de tip
zgomot alb. Evident eantioanele acestor semnale sunt necorelate. Deci transformarea
wavelet discret ortogonal se comport la fel ca i transformarea Karhunen-Loeve la
prelucrarea semnalelor n timp discret de tip zgomot alb, indiferent de tipul funiei
"wavelet" utilizat. Se trece la lmit pentru m tinznd la , n cei doi membri ai
relaiei (524). Se obine:
rd [ k, l ] =
sau:
1
2
F { rxx ( )} (0) e j w ( l k )
2
F {}( w + 2p) dw
p =
1
rd [ k, l] =
F{ rxx ( )} (0) e j w ( l k) dw = F{ rxx ( )} (0) [ k l ] (526)
2
Deci semnalul d [ n] este un zgomot alb n timp discret. Eantioanele sale sunt n
consecin necorelate. Se poate aadar afirma c transformarea "wavelet" discret
converge asimptotic la transformarea Karhunen-Loeve. Demonstraia de mai sus a fost
reprodus din [78]. O analiz asemntoare pentru pachete de funcii "wavelet" este
prezentat n [10]. Iat de ce este recomandat utilizarea transformrii "wavelet"
376
N 1
E x = x [ k] =
y [ k]
k= 0
(527)
y$ 2[ k ]
(528)
k= 0
M 1
E x$ =
x$ 2[ k ] =
k= 0
M 1
k= 0
$[ n] =
y
0 , in rest
$ 2 [ k]
y
k= M
9 Aplicaii
max =
MZ
377
Ex
100
Figura 1.9.5.3. Compresia unui semnal sinusoidal. Factorul de compresie este 10,66.
378
Figura 2.9.5.3. Compresia unui semnal dreptunghiular. Factorul de compresie este 8,53.
Figura 3.9.5.3. Compresia unui semnal modulat n frecven. Factorul de compresie este 8,53.
9 Aplicaii
379
[ 0,T] = k Ik
cu:
Ik = [ ak ,ak+1]
380
x( ) =
m ,k
m ,k ( )
(529)
m ,k
unde:
m ,k ( ) = w m ( )gm ,k ( )
(530)
i:
gm ,k ( ) =
cos
Im
cu:
1
k + ( am )
2
Im
(531)
b ( ), [ a r,a + r]
m
m
m
w m ( ) = 1 , [ am + r,am +1 r]
bm +1( 2 am +1 ) , [ am +1 r,am +1 + r]
(532)
( am )
bm ( ) = sin 1 + sin
r
4
2
(533)
unde:
bm ( ) x( )+ bm ( 2 a m ) x( 2 a m ) , ( a m , a m + r ]
(534)
U m { x( )} =
bm ( 2 a m ) x( ) bm ( ) x( 2 a m ) , [a m r, a m ]
Se poate scrie:
U m { x( )} =
m ,k ( )
(535)
m, k ( ) = Im ( ) g m, k ( )
(536)
m ,k
unde:
9 Aplicaii
381
I oo = [0, T]
I 1o = [0, T /2] ; I 11 = [T / 2, T]
12
I 11
o = [0, T /4] ; I 0 = [T / 4, T /2]
(537)
12
I 11
1 = [T / 2, 3T /4] ; I 1 = [3T / 4, T]
382
x,
y =
0,
x
R+
(538)
y = ( sgn x ) ( x ) , R +
(539)
x <
9 Aplicaii
( sgn x ) ( x ) , x
y =
0 ,
x <
y=
2
x
383
(540)
, x
(541)
, x>
0
, x 1
2 ( x 1 )
y = sgn x
, 1 < x 2
2 1
x
, x > 2
(542)
Analiza statistic a filtrelor din relaiile (538) (540) este prezentat n [77]. Pentru
celelalte filtre poate fi consultat lucrarea [65]. Majoritatea filtrelor prezentate mai sus
pot fi transformate n filtre adaptive dac valoarea parametrului din descrierea lor (de
exemplu n relaiile (538), (540)) este fcut s depind de unul dintre parametrii
semnalului care trebuie prelucrat. Acest parametru poate fi de exemplu puterea
zgomotului perturbator. Dac, de exemplu, semnalul perturbator este de tipul zgomot
alb de valoare medie nul i de dispersie i dac n etapa 1 se folosete o
transformare "wavelet" discret ortogonal, atunci puterea zgomotului perturbator n
domeniul transformat (care va fi tot zgomot alb Gaussian), va fi 2. Dac se folosete
filtrul descris de relaia (540) atunci, (conform regulii celor 3) alegnd > 3,
practic zgomotul este n ntregime suprimat. Evident, raportul semnal pe zgomot al
semnalului de prelucrat trebuie s fie relativ mare, n aa fel nct nlturarea
eantioanelor semnalului util din domeniul transformat, mai mici n modul dect 3,
s nu produc distorsiuni prea mari ale acestui semnal. Prelucrarea descris mai sus
este exemplificat n paragraful 8.4.3. Semnalul "Blocks" din figura 3.8.4.3 este
perturbat aditiv cu zgomot alb, obinndu-se semnalul din figura 4.8.4.3. Aplicndu-se
procedura descris mai sus se obine semnalul reconstruit din figura 6.8.4.3. Se
remarc faptul c fronturile semnalelor din figurile 3.8.4.3. i 6.8.4.3 apar la aceleai
momente de timp i c zgomotul a fost aproape complet eliminat. De asemenea se
remarc faptul c distorsiunile introduse de metoda descris nu sunt prea mari. Aceste
caracteristici ale metodei descrise fac din ea una din cele mai performante metode de
mbuntire a raportului semnal pe zgomot.
384
N log2 N
unde este dispersia zgomotului alb cu care se presupune c este perturbat semnalul
util iar N reprezint lungimea semnalului de prelucrat.
n [17] se demonstreaz c de fapt aceeai metod poate fi utilizat i dac
semnalul perturbator este de alt natur dect zgomotul alb. Se prezint cteva
exemple de mbuntire a raportului semnal pe zgomot n prezena unor semnale
perturbatoare de diferite tipuri. n figura 1.9.6.2 este prezentat semnalul util. n figurile
2.9.6.2, 3.9.6.2 i 4.9.6.2 sunt prezentate semnale perturbatoare de tip zgomot uniform,
de tip impulsuri i de tip tren de impulsuri. n figurile 5.9.6.2, 6.9.6.2 i 7.9.6.2 sunt
prezentate n partea de sus semnalul din figura 1.9.6.2 perturbat aditiv cu zgomotele
din figurile 2.9.6.2, 3.9.6.2 i 4.9.6.2 iar n partea de jos semnalele corespunztoare
obinute n urma aplicrii metodei de cretere a raportului semnal pe zgomot descris
n acest paragraf.
9 Aplicaii
385
386
9 Aplicaii
387
388
n figura 10.9.6.2 este prezentat rezultatul aplicrii algoritmului amintit mai sus. Se
constat calitile metodei de cretere a raportului semnal/zgomot. Valoarea raportului
semnal/zgomot la ieire este de 10,5. S-a realizat o mbuntire a raportului
semnal/zgomot de 5,83.
9 Aplicaii
389
390
Una dintre cele mai importante aplicaii n telecomunicaii ale teoriei funciilor
"wavelet" este la transmisia datelor pe linie telefonic, pe canal radio sau pe reele
ATM sau INTERNET. Majoritatea schemelor de transmisie se bazeaz pe tehnici
separate de codare a sursei i de codare a canalului. Aceast tradiie de a separa
sarcinile de codare a sursei de sarcinile de codare a datelor care se transmit prin canal
izvorte din celebrul "principiu de separare" al lui Shannon. Acest principiu afirm c
separarea sarcinilor de codare a sursei de codarea datelor care se transmit prin canal
este un procedeu optimal. De exemplu, ntr-o transmisie punct la punct folosind un
canal invariant n timp, cum ar fi de exemplu o linie telefonic, se poate proiecta cea
mai bun metod de codare a canalului pentru a exploata capacitatea acestuia (adic s
se obin o rat de R bii/sec, astfel nct R C, unde C este capacitatea canalului
msurat n bii / sec). n acest caz sarcina codorului sursei este de a ncerca s
realizeze o compresie n aa fel nct s se poat obine rata R. Exist cteva motive
pentru a nu respecta "orbete" principiul separrii. n primul rnd principiul lui
Shannon este teoretic. Acesta presupune utilizarea unor coduri de lungime i
complexitate infinit. Exist i alte motive, chiar i de natur teoretic pentru a avea n
vedere tehnici de codare mixte, surs-canal. Dac canalul este variant n timp sau dac
transmisia are utilizatori multipli atunci i teoretic este mai bine s se fac o proiectare
mixt a codoarelor sursei i canalului. O astfel de codare mixt surs-canal poate fi
realizat i folosind ideea de multirezoluie. Transmisia multirezoluie se bazeaz pe
faptul c un sistem de transmisie poate lucra cu diferite viteze de transmisie, n funcie
de condiiile din canal. n cazul unor canale puternic perturbate se poate pune
problema ca anumii bii ai mesajului de transmis s fie codai n aa fel nct s li se
asigure o imunitate la zgomot superioar fa de imunitatea care li se asigur altor bii.
Un astfel de sistem de transmisie poate fi realizat folosind diferite tehnici n funcie de
tipul canalului. De exemplu pot fi utilizate coduri de lungime diferit pentru diferite
categorii de bii din mesajul de transmis, protejnd mai mult de perturbaii biii mai
importani. O astfel de schem de transmisie poate fi combinat cu un codor
multirezoluie al sursei. Un astfel de codor segmenteaz informaia sursei ntr-o parte
"important" prin reconstrucia creia se obine o prim aproximare a semnalului de
transmis i o parte "de detaliu". Informaia "important" poate fi transmis n urma
codrii cu ajutorul unor cuvinte de cod mai lungi i va avea o probabilitate mai mare
de a fi recepionat fr erori n timp ce informaia "de detaliu" este transmis n urma
codrii cu ajutorul unor cuvinte de cod mai scurte i va fi recepionat fr erori doar
dac la momentul transmisiei canalul va fi slab perturbat. n acelai fel schema poate fi
generalizat pentru mai multe nivele de importan ale biilor din mesajul de transmis.
Aceast adaptare intuitiv a aproximaiilor succesive ale semnalului surs la diferite
viteze de transmisie, n funcie de calitatea canalului este numit codare mixt canalsurs multirezoluie.
Reprezentri timp-frecven
391
BIBLIOGRAFIE
[1] 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.
[2] *** ADA 3100/ADA 3100A, Users Manual, Real Time Devices Inc., USA,
1991.
[3] A. N. Akansu, R. A. Hadad. Multiresolution Signal Decomposition. Academic
Press, New York, 1992.
[4] T. Asztalos, A. Isar. An Adaptive Data Compression Method Based on the
Fast Wavelet Transform. Proceedings of the International Symposium Etc94,
Timioara, vol III, pp 37-42, Sept. 1994.
[5] T. Asztalos. An Algorithm for the DWT on Block Computation. Proceedings
of the International Symposium Etc96, Timioara, vol II, pp.128-133, Sept.
1996.
[6] T. Asztalos. Tomography Imaging. Radon Transform Inversion Procedures.
Raport de stagiu, Universitatea Paris-Sud, Iulie 1997.
[7] P. Auscher. Wavelets with Boundary Conditions on the Interval. n WaveletsA Tutorial in Theory and Applications. C. K. Chui (editor), pp.217-236, 1992.
[8] R. G. Baraniuk, L. Fridtjof Wisur-Olssen. Optimal Phase Kernels for TimeFrequency Analysis. Propusa spre publicare n IEEE Transactions on Signal
Processing, Ianuarie 1996.
[9] 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.
[10] M. Belanger. Traitement numrique du signal. Masson 1990.
[11] J. Benedetto, A. Teolis. A Wavelet Auditory Model and Data Compression. n
Applied and Computational Harmonic Analysis. No.1, pp.3-28, February
1993.
[12] B. Boashash, P. O. Shea, M. J. Arnold. Algorithms for Instantaneous
Frequency Estimation: A Comparative Study. Proceedings of SPIE California,
July 1990.
[13] B. Boashash. Time-Frequency Signal Analysis. n Advances in Spectrum
Analysis and Array Processing. S. Haykin (editor), pp.418-519, Prentice Hall
1991.
[14] B. Boashash, A. Reilly. Algorithms for Time-Frequency Signal Analysis. n
Time Frequency Signal Analysis. B. Boashash (editor), pp.141-163, John
Wiley 1992.
392
Bibliografie
[32]
[33]
[34]
[35]
[36]
[37]
[38]
[39]
[40]
[41]
[42]
[43]
[44]
[45]
[46]
[47]
[48]
[49]
Reprezentri timp-frecven
393
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.
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.
R. R. Coifman, N. Saito. The Local Karhunen-Loeve Bases. Proceedings of
the IEEE Conference TFTS 96", pp.129-132, Paris, July 1996.
R. R. Coifman, D. L. Donoho. Translation Invariant De-Noising. n Wavelets
and Statistics. A. Antoniadis si G. Oppenheim (editori), pp.125-150, Springer
Verlag 1995.
P. L. Combettes, J. C. Pesquet. Convex Multiresolution Analysis. Proceedings
of IEEE Conference TFTS96, Paris, July 1996.
F. de Coulon. Thorie et traitement des signaux. Presses polytechniques
romandes. Lausanne 1984.
G. Courbebaisse. Caractrisation dun systeme dinjection par analyse tempsfrquence. Traitement du signal, vol.12, No.5, pp.509-518, 1995.
R. Cristescu. Analiza functionala. Editura Didactica si Pedagogic, Bucuresti
1965.
I. Daubechies. The Wavelet Transform: A Method for Time-Frequency
Localization. n Advances in Spectrum Analysis and Array Processing.
S. Haykin (editor), Prentice-Hall, New-Jersey 1991.
I. Daubechies. Orthonormal Bases of Compactly Supported Wavelets. Comm.
Pure Appl. Math., No. 41, pp.909-996, 1988.
I. Daubechies. Ten Lectures on Wavelets. SIAM, Philadelphia 1992.
I. Daubechies. Orthonormal Bases of Compactly Supported Wavelets II.
Variations on a Theme. SIAM J. Math. Anal., vol. 24, No. 2, pp. 499-519,
March 1993.
B. Deng, B. Jawerth, G. Peters, W. Swelden. Wavelet Probing for
Compression Based Segmentation. Proceedings of SPIE, San Diego, July
1993.
D. L. Donoho, I. M. Johnstone. Ideal Spatial Adaptation via Wavelet
Shrinkage. Technical Report 400, Stanford University, July 1992.
D. L. Donoho, I. M. Johnstone. Minimax Estimation via Wavelet Shrinkage.
Technical Report 402, Stanford University, July 1992.
D. L. Donoho. De-Noising via Soft Thresholding. Technical Report 409,
Stanford University, November 1992.
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.
D. L. Donoho. Wavelet Shrinkage and W.V.D.-A Ten Minute Tour. Technical
Report 416, Stanford University, January 1993.
394
Bibliografie
Reprezentri timp-frecven
395
396
Bibliografie
Reprezentri timp-frecven
[104]
[105]
[106]
[107]
[108]
[109]
[110]
[111]
[112
[113]
[114]
[115]
[116]
[117]
[118]
397
398
[119]
[120]
[121]
[122]
[123]
[124]
[125]
[126]
[127]
[128]
[129]
[130]
[131]
[132]
[133]
[134]
[135]
[136]
Bibliografie
J. Raz, L. Dickerson, B. Turetsky. A Wavelet Packet Model of Evoked
Potentials. Preprint of School of Public Health, Ann Arbor, Michigan, 1997.
O. Rioul, P. Duhamel. Fast Algorithms for Discrete and ContinuousWavelet
Transforms. IEEE Transactions on Information Theory, vol. 28, No. 2,
pp.569-586, March 1992.
O. Rioul. A Discrete Time Multiresolution Theory. IEEE Trans. on SP, vol.
41, no. 8, pp. 2591-2606, August 1993.
O. Rioul. Ondelettes rgulieres: Applications a la compression dimages fixes.
these de doctorat, ENST Paris, Mars 1993.
G. Rulea. Prelucrarea optima a semnalului radio. Ed. Tehnica, Bucuresti 1980.
R. B. Randall. Applications of B&K Equipment to Frequency Analysis. B&K,
1987.
A. De Sabata, A. Isar. Semnale Circuite si Sisteme. Indrumator de laborator,
Litografia UPT, 1993.
A. De Sabata, C. Iung, J. F. Aubry. A Variabile Scale DWT. Proceedings of
the International Symposium Etc94, vol. III, pp.43-48, Timisoara Sept. 1994.
R. J. Sclabassi, M. Sun, D. N. Krieger, P. J. Jasukitias, M.S.Scher. TimeFrequency Domain Problems in the Neurosciencies. n Time-Frequency
Signal Analysis. B. Boashash (editor), pp.498-519, John Wiley, 1992.
M.J.Shensa. The Discrete Wavelet Transform: Weding the A Trous and
Mallat Algorithms. IEEE Trans. on S.P. vol 40, No. 10, pp.2464-2482,
October 1992.
M. J. T. Smith, T. P. Barnwell III. Exact Reconstruction Techniques for TreeStructured Subband Coders. IEEE Trans. on ASSP, vol. 34, pp.434-441, 1986.
A. Spataru. Fondements de la thorie de la transmission de linformation.
Presses Polytechniques Romandes, Lausanne, 1987.
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.
W. Sweldens. Compactly Supported Wavelets which are Biorthogonal with
Respect to a Weighted Inner Product. Preprint University of South Carolina,
1994.
W. Sweldens. The Lifting Scheme: A Custom-Design Construction of
Biorthogonal Wavelets. Preprint University of South Carolina, 1994.
C. Taswell. Speech Compression with Cosine and Wavelet Packet Near-Best
Bases. Preprint, Stanford University, 1995.
C. Taswell. Image Compression by Parametrized-Model Coding of Wavelet
Packet Near-Best Bases. Preprint, Stanford University, 1996.
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.
Reprezentri timp-frecven
[137]
[138]
[139]
[140]
[141]
[142]
[143]
[144]
[145]
[146]
[147]
[148]
399