RT F PDF

ALEXANDRU ISAR
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.
Capitolul al doilea se refer la reprezentarea timp-frecven de tipul

transformare Fourier scurt, folosind la nceput o fereastr rectangular care se
deplaseaz de-a lungul axei timpului, permind n acest fel explorarea ntregului
semnal i determinarea spectrului corespunztor poziiei ferestrei. Dei atrgtoare
prin simplitatea sa, aceast transformare are multe inconveniente, care au determinat
apariia altor tipuri de ferestre care au n vedere nu att trunchierea semnalului ct
modificarea sa, n sensul accenturii prii centrale i reducerii prilor laterale.
Se obin astfel proprieti mai avantajoase. Proprietile fiecrei ferestre sunt bine
evideniate n lucrare.
n capitolul trei se continu prezentarea transformrilor introducndu-se un
nou tip de fereastr, dependent de semnal i care este chiar semnalul de analizat.
ntr-un anumit sens este vorba despre o transformare adaptiv, care prezint
numeroase avantaje. Se subliniaz legtura acesteia cu transformarea Fourier scurt.
i transformarea Wigner-Ville, care formeaz obiectul capitolului patru poate
fi redus la transformri prezentate anterior. Se evideniaz continuitatea logic a
diferitelor capitole, fapt care va fi exploatat n capitolul ase n care autorii expun o
generalizare a transformrilor prezentate anterior renunnd i la condiia ca semnalele
de prelucrat s fie de energie finit.
Capitolele cinci, apte i opt se refer la reprezentrile timp-frecven de tip
wavelet. Ele reprezint partea cea mai dezvoltat din carte, de fapt motivaia ei. Sunt
prezentate bazele teoretice ale acestor transformri ortogonale, probleme legate de
discretizarea lor, precum i algoritmi i programe de calcul. Consider c acestea sunt
cele mai valoroase capitole ale lucrrii, umplnd un vid din literatura n limba romn.
Capitolul nou, dedicat aplicaiilor, este foarte scurt fcnd numeroase
trimiteri la bibliografie. Chiar i aa, prin succinta prezentare a domeniilor n care se
aplic: radar, medicin, metrologie, explorri seismice, telecomunicaii, prelucrarea
imaginilor, acest capitol reprezint un argument convingtor n aprecierea valorii pe
care o au reprezentrile timp-frecven i deci constituie un imbold pentru studierea i
aprofundarea lor.
n concluzie consider cartea Reprezentri timp frecven de un nalt nivel
tiinific, stimulativ pentru o gndire att analitic ct i sintetic.
Timioara, 20. 03. 1998
Profesor dr. ing. Eugen Pop
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
2. REPREZENTAREA TIMP-FRECVENTA DE TIPUL

TRANSFORMARE FOURIER SCURTA
2.1. Exprimarea reprezentrii timp-frecven de tipul
transformare Fourier scurt ca i produs de convoluie
2.2. Proprietile reprezentrii timp-frecven de tipul
transformare Fourier scurt
2.3. Exemplu
28
3. REPREZENTAREA TIMP-FRECVENTA DE TIPUL FUNCIE

DE INCERTITUDINE
3.1. Exprimri alternative ale funciei de incertitudine
3.2. Proprietile reprezentrii timp-frecven de tipul funcie
de incertitudine
3.3. Exemplu
45
4. REPREZENTAREA TIMP-FRECVEN DE TIPUL WIGNERVILLE

4.1. Exprimri alternative ale reprezentrii de tip Wigner-Ville
Wigner-Ville
4.3. Exemplu
28
32
40
45
52
60
64
64
66
78
5. REPREZENTAREA TIMP-FRECVEN DE TIPUL

WAVELET
5.1. Exprimri alternative ale reprezentrii de tip wavelet
wavelet
5.3. Exemplu
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
7. DISCRETIZAREA REPREZENTRILOR TIMP-FRECVEN

7.1. Discretizarea reprezentrilor liniare
7.1.1. Discretizarea reprezentrii timp-frecven de
tipul transformare Fourier scurt
7.1.2. Discretizarea reprezentrii de tip wavelet
7.1.2.1. Baze ortonormale de funcii
wavelet
7.1.2.2. Conceptul de analiz
multirezoluie
7.1.2.3. Conceptul de descompunere
orotogonal
7.1.2.4. Caracterizarea analizelor
multirezoluie cu ajutorul polinoamelor
7.1.2.5. Algoritmul lui Mallat
7.1.2.6. Derivarea i integrarea n
analizele multirezoluie
7.1.2.7. Variaiuni pe tema bazelor
ortonormale de funcii wavelet
7.1.2.8. Baze biortogonale de funcii
wavelet
7.1.2.9. Generalizarea conceptului de
analiz multirezoluie
7.1.2.10. Pachete de funcii wavelet
7.2. Analiza semnalelor nestaionare folosind un dicionar timpfrecven
7.3. Discretizarea reprezentrilor biliniare
7.4. Atomi timp-frecven i reprezentri biliniare
8. ALGORITMI I PROGRAME DE CALCUL A
REPREZENTRILOR TIMP-FRECVEN
8.1. Utilizarea algoritmului FFT la calculul reprezentrilor timpfrecven
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
8.2. Calculul reprezentrii timp-frecven de tipul transformare

wavelet continu folosind algoritmul lui Mallat
8.2.1. Iniializarea algoritmului lui Mallat
8.2.2. Implementarea algoritmului lui Mallat
8.2.3. Algoritmul lui Mallat n cazul semnalelor
bidimensionale
8.3. Algoritmi pentru analiza timp-frecven a semnalelor
nestaionare folosind pachete de funcii wavelet
8.4. Programe pentru analiza timp-frecven
8.4.1. Programul JTFA
8.4.2. Pachetul de programe Mega Wave 2
8.4.3. Despre WaveLab
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
2. The Short-Time Fourier Transform

2.1. The Short Time Fourier Transform Like a Convolution
2.2. Properties of the Short Time Fourier Transform
2.3. An Example
28
28
32
40
3. The Ambiguity Function

3.1. Alternative Formula for the Ambiguity Function
3.2. Properties
3.3. An Example
45
45
52
60
4. The Wigner-Ville Time Frequency Representation

4.1. Alternative Formula for the Wigner-Ville Representation
4.2. Properties
4.3. An Example
64
64
66
78
5. The Continuous Wavelet Transform

5.1. Alternative Formula for the Continuous Wavelet
Transform
5.2. Properties of the Continuous Wavelet Transform
5.3. An Example
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
2. La reprsentation temps frquence de type Fourier court terme

2.1. Fourier court terme comme produit de convolution
2.2. Les proprits de la reprsentation temps frquence de
type Fourier court terme
2.3. Un exemple
28
28
32
21
22
40
3. La reprsentation temps frquence de type fonction d'ambigut

3.1. Autres formules pour la fonction d'ambigut
3.2. Les proprits de la reprsentation temps frquence de type
fonction d'ambigut
3.3. Un exemple
45
45
52
4. La reprsentation temps frquence de type Wigner- Ville

4.1. Autres formules pour la reprsentation de Wigner-Ville
4.2. Les proprits de la reprsentation temps frquence de
type Wigner- Ville
4.3. Un exemple
64
64
66
5. La reprsentation temps frquence de type transforme en ondelettes

continue
5.1. Autres formules pour la reprsentation temps frquence de
type transforme en ondelettes continue
5.2.Les proprits de la reprsentation temps frquence de
type transforme en ondelettes continue
5.3. Un exemple
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
7. La discrtisation des reprsentations temps frquence

7.1. La discrtisation des reprsentations linaires
7.1.1. La discrtisation de la reprsentation temps
Frquence de type Fourier court terme
7.1.2. La discrtisation de la reprsentation temps
Frquence de type transforme en ondelettes continue
7.1.2.1. Bases orthonormes d'ondelettes
7.1.2.2. Les analyses multirsolution
7.1.2.3. Les dcompositions orthogonale
7.1.2.4. La caractrisation des analyses
multirsolution l'aide des polynmes
7.1.2.5. L'algorithme de Mallat
7.1.2.6. La drivation et l'intgration dans
les analyses multirsolution
7.1.2.7. Variations sur le thme des bases
orthonormes d'ondelettes
7.1.2.8. Bases biorthogonales d'ondelettes
7.1.2.9. La gnralisation de la notion
d'analyse multirsolution
7.1.2.10. Paquets dondelettes
7.2. Lanalyse des signaux nonstationnaires en utilisant un
dictionnaire temps frquence
7.3. La discrtisation des reprsentations bilinaires
7.4. Atomes temps frquence et reprsentations bilinaires
8. Algorithmes et logiciels pour le calcul des reprsentations temps
frquence
8.1. Lutilisation de lalgorithme FFT pour le calcul des
reprsentations temps frquence
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
8.2.1. Linitialisation de l'algorithme de Mallat

8.2.2. L'implmentation de l'algorithme de Mallat
8.2.3. Lalgorithme de Mallat pour les images
8.3. Algorithmes pour lanalyse temps frquence bass sur les
paquets dondelettes
8.4. Quelques logiciels pour lanalyse temps frquence
8.4.1. Le logiciel JTFA
8.4.2. Le logiciel Mega Wave 2
8.4.3. Sur WaveLab
310
315
320
324
9. Applications
9.1. Les applications des reprsentations temps frquence en
Radar
exploration seismique
9.3. Lutilisation des reprsentations temps frquence pour la
dtection des dfauts mcaniques
mdicine
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)
semnalul descris de relaia (1) va fi unul nestaionar.

n prim aproximaie semnalul din relaia (1) este util pentru descrierea funcionrii
unui oscilator, putnd fi folosit pentru proiectarea acestui circuit. Dar variaiile tensiunii de
alimentare a oscilatorului se reflect asupra amplitudinii
18
1.1. Conceptul de reprezentare timp frecven
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
Se numete transformat Hilbert a semnalului x(t), semnalul:
1 + x( )
1
H { x(t)} = VP x(t) =
d
t t
t
Definiia 2
Se numete semnal analitic asociat semnalului x(t), semnalul:
x a (t) = x(t) + j H { x(t)}
1 Introducere
Definiia 3
Se numete anvelop a semnalului x a (t) , semnalul:
x 2 (t) + H 2 { x(t)}
A(t) =
Definiia 4
19
Se numete pulsaie instantanee a semnalului x(t) , semnalul:
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
Semnalul analitic asociat acestui semnal are forma:
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
1.1 Conceptul de reprezentare timp frecven
Figura 1.1.1. O reprezentare timp frecven ideal.
( A, t )
reprezint oscilograma semnalului x(t) , c proiecia pe planul
spectrul "ideal" al semnalului
x(t) i c proiecia pe planul
( f, t )
( f, A)
reprezint
reprezint frecvena
instantanee a aceluiai semnal. Proiecia pe planul ( A, t ) permite analiza n domeniul timp a

semnalului considerat. Proiecia pe planul
( )
( A, f ) permite
analiza semnalului n domeniul
frecven iar proiecia pe planul f, t permite analiza n domeniul modulaiei [69].

Analizoarele n domeniul modulaiei afieaz legea de variaie temporal a frecvenei
instantanee a semnalului de analizat. Figura 1.1.1 este o reprezentare timp-frecven a
semnalului x(t). Se remarc faptul c aceast reprezentare face o localizare perfect n
domeniile timp i frecven ale semnalului considerat. ntr-adevr, momentele t1, t2, t3, t4, t5 i
t6 ca i frecvenele f1 f2 i f3 pot fi exact localizate cu ajutorul acestei reprezentri. De aceea
aceast reprezentare a fost numit ideal. O astfel de reprezentare nu poate fi obinut n
practic, dar poate fi utilizat ca model pentru optimizarea reprezentrilor timp-frecven care
se utilizeaz n practic.
n realitate exist o limitare a concentrrii unui semnal n planul timp-frecven, dat de
principiul lui Heisenberg [99].
1.1.1. LOCALIZAREA SEMNALELOR N PLANUL

TIMP-FRECVEN
ntr-adevr, pe baza dualitii transformatei Fourier semnalele de durat limitat
(perfect localizate n timp) sunt de band nelimitat, (deci nu sunt localizate
1. Introducere
21
n domeniul frecven). Reciproc, semnalele de band limitat au durata infinit. De aceea

pentru msurarea acestor cantiti se utilizeaz noiunile de "durat efectiv",t i de band
de frecvene efectiv, definite astfel:
2t = 2 x( ) d ;
2 = 2 X( ) d
2
Conform principiului lui Heisenberg [99] este adevrat inegalitatea:
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
Pentru toate celelalte semnale localizarea n planul timp-frecven se face n intervale

i mai lungi. Cteva exemple sunt prezentate n tabelul 1.1.1.
Se constat c exist
semnale, cum este de exemplu impulsul dreptunghiular, care nu pot fi localizate n planul
timp-frecven. Totui, i aceste semnale au o anumit "semntur" n planul timp-frecven.
Pe baza acesteia ele pot fi identificate n planul timp-frecven.
Revenind la exemplul din figura 1.1.1 se constat c semnalului x(t) i s-a asociat o
funcie de dou variabile, reprezentarea sa timp-frecven. n continuare se va nota
reprezentarea timp-frecven a semnalului x(t)cu TFx ( ,t) . Semnalul x(t)va fi considerat
de energie finit. Reprezentarea timp-frecven va fi privit ca i un operator care transform
2
spaiul L (R) ntr-un spaiu L2 ( A R ) . Cel mai adesea acesta va fi L2 R 2 .
Valoarea
( )
operatorului TF aplicat semnalului x este deci funcia de 2 variabile TFx ( ,t) . Valoarea
acestei funcii n punctul ( to ,o ) reprezint valoarea la momentul to, a componentei

spectrale de pulsaie o a semnalului considerat.
Deci funcia TFx ( ,t) are semnificaia de densitate spectro-temporal a semnalului
x(t). Funcia TFx ( ,to ) are semnificaia de spectru instantaneu al semnalului considerat.
Pentru a fi util n analiza semnalelor nestaionare, operatorul TF ar trebui s aibe

cteva proprieti. n continuare se face un inventar al acestor proprieti.
22
1.1.1 Localizarea semnalelor n planul timp-frecven
Tipul semnalului
Gaussian
Expr. analitic a semnalului
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
Tabelul 1.1.1. Localizarea n planul timp-frecven a ctorva semnale uzuale.
1.2. PROPRIETI CERUTE UNEI REPREZENTRI

TIMP-FRECVEN
Aceste proprieti trebuie s rspund unor deziderate legate de:
- interpretarea fizic a reprezentrii considerate,
- compabilitatea reprezentrii considerate cu celelalte reprezentri utilizate n
prelucrarea semnalelor
- evidenierea nestaionaritilor din structura semnalului analizat.
n continuare se prezint cteva proprieti ale reprezentrilor timp-frecven care le
fac capabile s corespund dezideratelor de mai sus. Dup cum s-a artat deja semnificaia
fizic a unei reprezentri timp-frecven este cea de densitate spectro-temporal de energie.
n acest sens, este necesar ca energia semnalului analizat s reprezinte integrala densitii
spectro-temporale de energie. E deci util ca s aibe loc proprietatea:
1. Introducere
P1.
23
TFx (t, ) dt d =
2 E x
(5)
Dar energia semnalului x(t)poate fi calculat pe baza relaiilor:
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
Aceste proprieti marginale arat necesitatea ca densitile energetice de o singur

2
2
variabil x(t) i X ( ) s se poat calcula pe baza reprezentrii timp-frecven
TFx ( t,) .
Relaiile (8) i (9) arat c densitile energetice de o singur variabil sunt funcii
reale i pozitive. Din necesitatea ca reprezentarea timp-frecven s reprezinte o funcie
real pozitiv rezult proprietatea:
P3.
()( , t ) R R ,
() x(t) L2 (R )
TFx (t, ) R +
(10)
Tot din raiuni de interpretare fizic ar fi util ca:

P4. Reprezentarea timp-frecven s fie o transformare cauzal;
i ca:
P5. Reprezentarea timp-frecven s fie o transformare inversabil.
Cea mai utilizat reprezentare n domeniul prelucrrii semnalelor rmne
24
1.2. Proprietile cerute de la o reprezentare timp-frecven
transformarea Fourier. De aceea este util ca reprezentrile timp-frecven s fie

compatibile cu acest transformare. Urmtoarele cinci proprieti ale reprezentrilor
timp-frecven sunt utile scopului de compatibiliazare cu transformarea Fourier. De
fapt ele sunt echivalente unor proprieti corespunztoare ale transformrii Fourier.
Prima dintre acestea corespunde proprietii de translaie n timp a
transformrii Fourier.
P6. Fie x t o , o (t) semnalul obinut prin translatarea n planul timpfrecven a semnalului x(t) :
x t o , o (t) = x( t t o ) e j o t
Legtura dorit ntre reprezentrile timp-frecven ale semnalelor x(t) i
x t o , o (t) este:
TFxt
o , o
(t, ) = TFx (t t o , o )
(11)
Urmtoarea proprietate dorit pentru reprezentrile timp-frecven corespunde

proprietii de dilatare a transformrii Fourier.
P7. Fie xk (t)semnalul obinut prin dilatarea semnalului x(t) :
x k (t) =
k x( k t ) ,
k >0
Legtura dorit ntre reprezentrile timp-frecven ale semnalelor
x(t) i x k (t) este :
TFxk (t, ) = TFx k t,

k
(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) :
y(t) = x(t) h(t)
1. Introducere
25
Legtura dorit dintre reprezentrile timp-frecven ale semnalelor x(t), h(t)

i y(t)este:
TFy ( t , ) =
TFh ( t s, ) TFx (s, ) ds
(13)
O alt proprietate important a transformrii Fourier este cea de modulaie.

Proprietatea corespunztoare pentru reprezentrile timp frecven ar fi:
P9. Fie y(t) semnalul obinut prin modularea de produs a
semnalului x(t)cu semnalul m (t):
y(t) = x(t) m(t)

Legtura dorit dintre proprietile timp-frecven ale semnalului x(t), m (t) i y(t)
este:
TFy (t, ) =
TFm ( t, ) TFx ( t, ) d
(14)
n sfrit, o alt posibilitate remarcabil a transformrii Fourier a semnalelor

de energie finit este c aceasta reprezint o izometrie ntre spaiile L2 (R ) i L2 (R ) .
Este deci conservat produsul scalar:
() x(t), y(t)
L2 (R ) ;
1
x(t), y(t) L2 (R )=
X (), Y () 2
L (R )
2
[99]. Conservarea produsului scalar n cazul reprezentrilor timp-frecven s-ar putea

exprima prin urmtoarea proprietate de unitaritate:
P10. Oricare ar fi semnalele x(t) i y(t) de energie finit, are loc
relaia:
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
1.2. Proprietile cerute de la o reprezentare timp-frecven
nestaionaritilor semnalului de analizat. Dup cum s-a artat deja n paragraful

anterior este de dorit ca reprezentarea timp-frecven analizat s localizeze bine
semnalul de analizat n planul timp-frecven. De aceea ar fi util ca reprezentarea
timp-frecven considerat s conserve suporturile temporal i/sau frecvenial ale
semnalului de analizat. Proprietatea de conservare a suporturilor are enunul urmtor:
P11.
x(t) = 0, t > T TFx ( t , ) = 0, t > T

X( ) = 0, > B TFx ( t , ) = 0, > B
(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.
Fie x s (t) un semnal staionar determinist. Atunci are loc
relaia:
TFx (t, )
=0
t
() t R
(18)
n sfrit, ar fi evident util dac reprezentarea timp-frecven a unui semnal s-ar

concentra ct mai mai mult n jurul curbei din planul timp-frecven care descrie
frecvena instantanee a acestui semnal (aa cum se vede n figura 1.1.1). n acest mod
ar fi uor de estimat legea de variaie a frecvenei instantanee a semnalului analizat pe
baza reprezentrii sale timp-frecven. Proprietatea care exprim aceast concentrare
are urmtorul enun:
P13.
Fie x a (t) semnalul analitic asociat semnalului x(t) cu
frecvena instantanee f i (t) . Atunci are loc relaia:
TFxa (t, ) = ( 2 f i (t))

n ultima relaie cu s-a notat distribuia Dirac.
(19)
1. Introducere
27
Alte proprieti utile pentru reprezentrile timp-frecven sunt prezentate n

[59].
Orice reprezentare timp-frecven ar trebui s aibe cele 13 proprieti enunate
mai sus. Din pcate nu exist nici o reprezentare timp-frecven care s aibe toate cele
13 proprieti.
De aceea pentru diferite clase de semnale de analizat este util folosirea unor
reprezentri timp-frecven diferite.
n continuare se prezint cteva reprezentri timp-frecven dintr-o
perspectiv istoric.
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)
unde w (t) reprezint fereastra de observare. De obicei se consider c fereastra de

observare este un semnal de energie unitar:
w (t)
2
L2
= 1
Pe baza relaiei (20) se constat faptul c la momentul t, funcia
TFxSTFT
(t , )
reprezint spectrul semnalului x( ) w( t) , obinut prin

localizarea n timp, n jurul momentului considerat, a semnalului de analizat, x( ) .
Modificnd t de la la + , fereastra temporal "mtur", forma de und a
ntregului semnal de analizat. Rezult c fereastra temporal folosit este responsabil
pentru localizarea temporal a semnalului de analizat. Dar, dup cum s-a artat deja,
cea mai bun localizare n planul "timp-frecven" o are semnalul Gaussian. De aceea,
o reprezentare timp-frecven de tipul transformare Fourier scurt cu proprieti bune
de localizare n planul timp-frecven ar trebui s fie aceea care folosete fereastra
temporal Gaussian. Acest tip de transformare Fourier scurt se numete transformare
Gabor. Pentru a putea analiza proprietile reprezentrii timp-frecven de tipul
transformare Fourier scurt este util prezentarea unor exprimri alternative ale acestor
reprezentri timp-frecven.
2.1 EXPRIMAREA REPREZENTRII TIMP-FRECVEN DE TIP
TRANSFORMARE FOURIER SCURT CA I PRODUS DE CONVOLUIE
Se consider familia de funcii:
{w
,t
( ) = e j w( t)} ( ,t ) R 2
2.1 Exprimarea RTFTFS ca i produs de convoluie
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)
Aceast exprimare are avantajul c transfer propietile produsului scalar asupra

reprezentrii timp-frecven de tipul transformare Fourier scurt. Valoarea
reprezentrii timp-frecven de tipul transformare Fourier scurt n punctul de
coordonate t o , o depinde de funcia:
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 ) =
= e jt0 ( + o ) F{w(t)}( + o ) = e jt0( + o ) W( + o )
(22)
n continuare aceast transformat Fourier va fi numit fereastr frecvenial. Se

constat c fereastra temporal w 0 ,t0 ( ) este centrat pe momentul to i c fereastra
frecvenial W 0 ,t0 ( ) este centrat pe pulsaia - o . Deci la momentul to, prin
modificarea lui o ntre i + , fereastra frecvenial W 0 ,t0 ( ) "mtur"
spectrul semnalului x(t). La momentul to i la pulsaia o , reprezentarea timpfrecven de tipul transformare Fourier scurt descrie semnalul x(t) ntr-o regiune din
planul timp-frecven limitat de suporturile ferestrelor temporal w 0 ,t0 ( ) i
frecvenial W 0 ,t0 ( ). Prin modificarea valorilor to i o , poate fi acoperit ntreg
planul timp-frecven.
Rezult c localizarea n planul timp-frecven a poriunii din semnalul x(t)
analizat la momentul to i la pulsaia o , depinde de localizarea n planul timpfrecven a ferestrei w 0 ,t 0 ( ) . De aceea se poate afirma c dintre toate
transformrile Fourier scurte cea care face cea mai bun localizare n planul timpfrecven a unui semnal este transformarea Gabor.
Pe lng fereastra Gaussian se mai folosesc i alte ferestre temporale n
prelucrarea semnalelor. Cteva dintre acestea, folosite n analiza spectral, sunt
prezentate n tabelul 1.2.1. Din analiza tabelului se constat c nici una dintre aceste
ferestre nu are o localizare n frecven satisfctoare.
30
Reprezentarea timp frecven de tip transformare Fourier scurt

Descrierea analitic
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
Tabelul 1.2.1 Exemple de ferestre temporale.
Revenind la relaia (21) i considernd c fereastra temporal este o funcie

real se poate scrie:
STFT
x
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
unde s-a folosit notaia:
u(t) w
w (t) = w( t)
(t ) dt = u(t) w (t)
(23)
2.1 Exprimarea RTFTFS ca i produs de convoluie
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
Figura 1.2.1 Sistem analogic de implementare a reprezentrii

timp-frecven de tipul transformare Fourier scurt.
O exprimare alternativ a relaiei (23) este:

STFT
x
TF
(t, ) = e
j t
x( ) w( t) e
j ( t )
d = e j t [ x(t) w (t)e j t ]
(24)
cu implementarea prezentat n figura 2.2.1.
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
2.2 PROPRIETILE REPREZENTRII TIMP-FRECVEN DE TIP

TRANSFORMARE FOURIER SCURT
La fel ca i n cazul transformrii Fourier i reprezentarea timp-frecven de
tipul transformare Fourier scurt poate fi calculat mai uor pe baza proprietilor sale.
De aceea este important studiul acestora.n primul rnd trebuie remarcat c aceast
reprezentare este descris de un operator liniar.
R1. ( ) x1(t), x 2 (t) L2 ( R) i () , C
(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
sau pe baza liniaritii operaiei de integrare:

STFT
x1+x2
TF
(t, )
= x1( ) w( t ) e
-
= TF
STFT
x1
(t, )
d + x2( ) w( t ) e j d =
+ TF
STFT
x2
(t, )
n consecin, pentru evaluarea reprezentrii timp-frecven de tip transformare

Fourier scurt poate fi aplicat principiul superpoziiei. Aceast observaie permite
extinderea clasei semnalelor ce pot fi analizate cu reprezentarea timp-frecven de
tipul transformare Fourier scurt de la clasa semnalelor de energie finit la alte clase
de semnale, cum ar fi de exemplu semnalele periodice. n continuare se verific dac
reprezentarea timp-frecven de tipul transformare Fourier scurt are proprietile
specificate n paragraful 1.2. Se calculeaz integrala dubl:
I =
TF
STFT
x
(t, ) dt d
Se ncepe cu calculul integralei:
I1 =
TF
STFT
x
(t, )
2.2 Proprietile RTFTFS
33
innd seama de definiia reprezentrii timp-frecven de tipul transformare Fourier

scurt, ultima integral devine:
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)
Valoarea integralei I este deci:
I =
2 x( 0) w
(t )dt = 2 x( 0)
w (t )dt
Pn acum s-a presupus c fereastra temporal w(t) este de energie unitar.

Dac facem ipoteza suplimentar c fereastra temporal este i absolut integrabil,
atunci putem afirma c integrala I este convergent.
Dar valoarea sa este diferit de energia semnalului x(t). Deci proprietatea P1
nu este satisfcut. Reprezentarea timp-frecven de tipul transformare Fourier scurt
nu este o densitate spectro-temporal de energie. Totui trebuie remarcat c ea
reprezint o izometrie pn la o constant de proporionalitate ntre spaiile L2 (R ) i
( )
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
Aplicnd relaia lui Parseval se obine:
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
d dt = 2 f(t) g (t) dt = 2 F{ f(t) g (t)} (0) =
= 2 F { f(t) } (0) F{ g ( t)}(0)
Dar:
{ f(t) } (0)
x(t) dt = E x
i:
F { g (t) } (0) =
n consecin:
w (t) dt = w (t) L2 = w(t) L2 = 1
TF
STFT
x
Relaia (26) este demonstrat.
(t, )
dt d = 2 E x
(28)
35
De fapt i funcia TFxSTFT (t, ) este o reprezentare timp-frecven. Ea poart

numele de spectrogram. Pe baza observaiei R2 se poate afirma c spectrograma are
proprietatea P1, adic se poate spune c aceast reprezentare timp-frecven este o
densitate spectro-temporal de energie.
n continuare vom utiliza pentru spectrogram urmtoarea notaie:
2
TFxS (t, ) = TFxSTFT (t, )
(29)
Trebuie remarcat c spectrograma nu mai are proprietatea de liniaritate (R1).

n schimb profitnd de liniaritatea reprezentrii timp-frecven de tipul transformare
Fourier scurt poate fi scris relaia:
() 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
)
*
S-a demonstrat n acest fel c:
TFSx1 + x2 (t, ) =
*
2
STFT
(
)
(
)
= 2 TFxS1 (t, ) + TFxS2 (t, ) + 2Re *TFxSTFT
t,
t,
TF
x2
1
(30)
Proprietatea exprimat de relaia (30) se numete biliniaritate.

De fapt o transformare T este numit biliniar dac satisface relaia:
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:
T { x1,x1} ( t, ) = TFxS1 (t, )
innd seama de aceast observaie se constat identitatea relaiilor (30) i (30').

Deci spectrograma este o reprezentare timp-frecven biliniar. Cel de-al
treilea termen din relaia (30) este numit termen de interferen. El exprim modul n
care se influeneaz reprezentrile timp-frecven ale componentelor x1(t) i x2 (t) n
structura reprezentrii timp-frecven a semnalului x1(t) + x 2 (t) . Evident el
deranjeaz "lizibilitatea" spectrogramei semnalului x1(t) + x 2 (t) .
n continuare se verific dac reprezentarea timp-frecven de tipul
transformare Fourier scurt sau spectrograma prezint proprieti "marginale" utile. Cu
alte cuvinte se verific dac proprietatea P2 din paragraful 1.2, este sau nu verificat
de ctre aceste reprezentri timp-frecven. n acest scop trebuie estimate integralele:
I1 =
TF
STFT
x
(t, ) d ;
I2 =
STFT
x
(t, ) dt ;
I3 =
TF
TF (t, ) d
S
x
I4 =
TF (t, ) dt ;
S
x
Integrala I1 a fost calculat n relaia (25). ntruct:
2 x( 0) w (t) x(t)
rezult c reprezentarea timp-frecven de tipul transformare Fourier scurt nu are

comportri "marginale" utile (nu verific proprietatea P2). La aceeai concluzie s-ar fi
ajuns i calculnd integrala I2. Integrala I3 a fost calculat n relaia (27). Deoarece:
2 x(t) w (t)
2
x(t)
se poate afirma c nici spectrograma nu verific proprietatea P2.

Analiznd proprietatea P3 din paragraful 1.2 se constat c nici aceasta nu este
verificat de reprezentarea timp-frecven de tipul transformare Fourier scurt
37
( TFxSTFT (t, ) C ). n schimb se poate afirma c aceast proprietate este verificat

de spectrogram. n continuare se verific cauzalitatea celor dou reprezentri timpfrecven care reprezint subiectul acestui paragraf. Prima dintre ele, reprezentarea
timp-frecven de tipul transformare Fourier scurt, se poate exprima pe baza
convoluiei dintre semnalele u(t) i w (t) (relaia (23)). Deci ea poate fi privit ca
rspuns al sistemului cu rspunsul la impuls w (t) la semnalul u(t). Dar acest sistem
nu este unul cazual. n consecin se poate afirma c reprezentarea timp-frecven de
tipul transformare Fourier scurt nu este cauzal. Din acest motiv rezult c nici
spectrograma nu este cauzal. n consecin nici una dintre reprezentrile timpfrecven descrise n acest paragraf nu are proprietatea P4 din paragraful 1.2. n
continuare se analizeaz inversabilitatea celor dou reprezentri timp-frecven
(proprietatea P5 din paragraful 1.2). Conform proprietii urmtoare reprezentarea
timp-frecven de tipul transformare Fourier scurt este inversabil:
P5.
x(t) =
1
2
TF
STFT
x
( , ) w ( t ) e j d d
(31)
Nu acelai lucru se poate afirma ns i despre spectrogram. ntr-adevr, pot exista

dou semnale x1(t)i x2 (t)distincte pentru care:
(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
Fcnd schimbarea de variabil:
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
Legtura cutat este deci:
(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)
Cu alte cuvinte spectrograma este invariant la translaii n planul timp-frecven.

Se analizeaz n continuare modul n care reacioneaz reprezentrile timpfrecven care constituie subiectul acestui paragraf la dilatare, convoluie i modulaie
n domeniul timp. Se constat c nici transformarea Fourier scurt, nici spectrograma
nu au proprietile P7 i P8 din paragraful 1.2, iar proprietatea P9 o are doar
spectrograma [59]. Referitor la proprietatea P10, se poate afirma c reprezentarea
timp-frecven de tipul transformare Fourier scurt nu verific formula lui Moyal. n
schimb poate fi demonstrat o formul de tipul:
1P10.
TFxSTFT (t, ) TFySTFT (t, )
dt d = 2 x(t) y* (t) dt
(34)
Se constat c n cazul particular cnd semnele x i y sunt identice relaia (34) se

transform n relaia (26). Relaia (34) poate fi pus i n forma:
TFxSTFT (t, ), TFySTFT (t, )
( ) = 2
L2 R2
( )
x, y L2 R2
(34)
( )
Deci izometria pn la constanta de proporionalitate 2 , dintre spaiile L2 R 2 i
L2 (R ) , introdus de transformarea Fourier scurt conserv produsul scalar.
39
Nici spectograma nu verific formula lui Moyal.

n continuare se verific proprietile utile pentru analiza nestaionaritilor
din semnalul de analizat, prezentate n paragraful 1.1.
Se consider n acest scop semnalul:
x(t) = (t) (t t o )
Suportul su temporal este intervalul 0,t o . Transformata sa Fourier scurt se

poate exprima, conform relaiei (23), n forma:
TFxSTFT (t, ) = x(t) e j t w (t)

Proprieti
Reprezentarea timp frecven

Fourier scurt
Spectogram
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
Tabelul 2.2.1 Proprietile reprezentrilor timp-frecven de tip transformare Fourier scurt i

spectogram.
Chiar dac suportul ferestrei temporale este limitat, suportul reprezentrii

timp-frecven de tipul transformare Fourier scurt va avea o lungime mai mare dect
lungimea intervalului 0,t o . n consecin se poate afirma c proprietatea P11, din
40
paragraful 1.1, nu este verificat de ctre reprezentrile timp-frecven care reprezint

subiectul acestui paragraf.
Nici proprietatea de identificare a semnalelor staionare, P12, nu este
verificat de ctre reprezentrile timp-frecven de tip transformare Fourier scurt,
respectiv spectrogram. De asemenea se poate afirma c aceste reprezentri timpfrecven nu se concentreaz "perfect" pe legea temporal a frecvenei instantanee a
semnalului de analizat, aa cum pretinde proprietatea P13 din paragraful 1.2.
Rezultatele obinute n acest paragraf sunt sintetizate n tabelul 2.2.1.
2.3 EXEMPLU
n continuare se vor calcula reprezentrile timp-frecven de tipul
transformare Fourier scurt, respectiv spectrogram, pentru un semnal nestaionar
determinist de energie finit. Pe acest exemplu vor fi evideniate proprietile
demonstrate n paragraful precedent.
Se consider semnalul modulat n amplitudine:
x1(t) = e
2
t
2
cos o t
Se va utiliza fereastra temporal:
w(t) = e
2
t
2
adic se va calcula transformarea Gabor:
(t, ) =
TFxSTFT
1
cos o e
( t ) 2 j
2
Ultima relaie poate fi pus n forma echivalent:

STFT
x1
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
Aplicnd proprietile transformrii Fourier de ntrziere n timp, scalare n timp i

modulaie se obine:
( +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)
De aceea spectrograma acestui semnal are expresia:

( o )
( + o )
2
1
2
2
= e t e
+ e
4
STFT
x1
TF
(t, )
+2e
2 + 2o
2
cos t
(36)
Analiznd modulul reprezentrii timp-frecven de tipul transformare Fourier

scurt se constat c aceasta este rdcina ptrat a unei sume de trei distribuii
Gaussiene. Fiecare este o distribuie mixt timp-frecven. n cazul primilor doi
termeni variabilele timp i frecven sunt separate. n cazul celui de al treilea termen
variabilele nu sunt separate, datorit factorului cos t. Oricum, din punct de vedere
al distribuiei n domeniul timp se constat c toi cei trei termeni au maxime n
origine ( t = 0) .innd seam de faptul c:
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
rezult comportamentul Gaussian (dat de factorul e

) al modului reprezentrii
timp-frecven a semnalului din acest exemplu, n domeniul timp. Acest
comportament descrie primul factor din expresia semnalului x1(t). Comportarea n
domeniul frecven a semnalului este descris de radicalul celui de al doilea membru
din relaia (37). Aceasta este mrginit inferior de funcia:
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
ultimele dou relaii devin:
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
Dac acest ipotez este satisfcut atunci pot fi fcute aproximaiile:
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
se va vedea majoritatea programelor concepute pentru calculul acestor reprezentri au

facilitatea de a calcula i reprezentarea de tipul transformare Fourier scurt.
Dei a fost una dintre primele reprezentri timp frecven introduse totui
exist numeroase aplicaii practice ale reprezentrii timp frecven de tipul
transformare Fourier scurt. Ultimul capitol al acestei cri va evidenia cteva dintre
aceste aplicaii. Explicaia rezid n asemnarea dintre transformarea Fourier scurt i
transformarea Fourier tradiional. De accea este uor de modificat un algoritm de
prelucrare a semnalelor staionare bazat pe utilizarea transformrii Fourier ntr-un
algoritm de prelucrare a semnalelor nestaionare bazat pe utilizarea transformrii
Fourier scurte.
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
Dac n integrala din membrul drept se face schimbarea de variabil:
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)
n consecin se poate afirma c reprezentarea timp-frecven de tipul funcie

de incertitudine este o reprezentare timp-frecven de tipul transformare Fourier
scurt, cu fereastra temporal:
w( ) = x( )
3.1. EXPRIMRI ALTERNATIVE ALE FUNCIEI DE INCERTITUDINE

n relaia (37), reprezentarea timp-frecven de tipul funcie de incertitudine
este exprimat ca i o integral a produsului dintre variantele avansat i ntrziat ale
46
3.1. Exprimri alternative ale funciei de incertitudine
semnalului de analizat. n continuare se prezint o exprimare alternativ a acestei

reprezentri timp-frecven bazat pe transformarea Fourier a semnalului x(t), X( ).
n acest scop se constat faptul c:
t
t

TFxFI (t, ) = F x + x * ( ) ,
2
2
( ) t R
Deci pentru fiecare numr real t, reprezentarea timp-frecven de tipul funcie

de incertitudine poate fi exprimat ca i o transformare Fourier. De aceea, folosind
proprietatea de nmulire n timp a transformrii Fourier, ultima relaie se mai poate
scrie sub forma:
TFxFI (t, ) =
1
t
F x +
2
2
*
( ) F x ( )
2
Folosind proprietatea de translaie n timp a semnalului x(t) se poate scrie:

t
t
j

F x + ( ) = e 2 X ( )
2

i:
t
t
j

F x * ( ) = e 2 X* ( )
2

De aceea relaia (39) devine:

t
1 j 2t
j
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)
3. Reprezentarea timp frecven de tipul funcie de incertitudine
47
Efectund n ultima integral schimbarea de variabil:
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)
Pe baza msurrii ntrzierii to se poate determina distana dintre int i radiolocator.

Pe baza msurrii deviaiei de frecven se poate msura valoarea vitezei
instantanee a intei. Spectrul semnalului sr(t)este:
S r ( ) = e j t o S( )
(42)
Filtrul adaptat la semnalul s(t)are rspunsul n frecven, [130]:
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
3.1 Exprimri alternative ale funciei de incertitudine

Pentru: ti = 0 ultima relaie devine:
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

Fcnd abstracie de factorul de modul unitar e

k valoarea 1, ultima relaie devine:
1
y1 ( , ) =
2
i considernd pentru constanta
S
e
S* +
d
2
2
Dar:
S +
=
2
*
i deci:
s (t') e
j +
t'
dt'
3 Reprezentarea timp frecven de tipul funcie de incertitudine

1
y 1 ( , ) =
2
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'
sau cu schimbarea de variabil:
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
3.1 Exprimri alternative ale funciei de incertitudine
Reprezentarea timp-frecven de tipul funcie de incertitudine

recepionat este:
TFsFI
r
a semnalului
(t, ) =
t
t
sr + s*r e j d
2
2
innd seama de relaia (41), ultima relaie devine:
TFsFI
r
(t, ) = e
t
t
s t o + s* t o e j d
2
2
jt
sau, cu schimbare de variabil:
to = u
se poate scrie:
(t, ) = e j ( t +
TFsFI
r
to )
TFsFI ( t, )
(44)
Avnd n vedere c semnalul emis s(t)este cunoscut, reprezentarea sa timp-frecven

de tipul funcie de incertitudine poate fi calculat. Ea se consider deci cunoscut. Prin
nregistrarea semnalului recepionat sr(t) i prin calculul reprezentrii sale timpfrecven poate fi determinat exponeniala complex e j ( t + t o ) . Particulariznd
relaia (44) la = 0 se obine:
(t, 0) = e j t TFsFI (t, 0)

TFsFI
r
(45)
Se determin semnificaia fizic a reprezentrii timp-frecven de tipul funcie de

incertitudine a semnalului emis la = 0:
TFsFI
(t, 0)
t
t
s + s* d = rs*s (t)
2
2
(46)
Deci proiecia reprezentrii timp-frecven de tipul funcie de incertitudine pe planul

( A ,t,0) reprezint autocorelaia semnalului analizat.
n consecin relaia (45) se mai scrie:
3. Reprezentarea timp frecven de tipul funcie de incertitudine
{ }
{ }
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
Prin rezolvarea acestui sistem de ecuaii pot fi determinate funciile cos t i

sin t i deci mrimea .Particulariznd relaia (44) la t = 0, se obine:
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
TFsFI( 0,) este o funcie real. Relaia (47) conduce la sistemul:
{
{
}
}
FI
FI
Re TFsr ( 0, ) = cos t o TFs (0, )
I m TFsFI ( 0, ) = sin t o TFsFI (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
sunt cauza impreciziilor de determinare ale mrimilor to i . Deci incertitudinea

asupra valorilor acestor reprezentri timp-frecven determin incertitudinea asupra
valorilor to i . Iat de ce aceste reprezentri timp-frecven sunt numite de tipul
funcie de incertitudine. n ncheierea acestui paragraf trebuie specificat c la fel ca i
n cazul reprezentrii timp-frecven de tipul transformare Fourier scurt i
reprezentarea timp-frecven de tipul funcie de incertitudine poate fi exprimat ca i
transformare Fourier a unui nucleu. n cazul reprezentrii timp-frecven de tipul
transformare Fourier scurt expresia nucleului era:
52
3.2 Proprietile funciei de incertitudine

K STFT ( , t ) = x( ) w( t)
(49)
n cazul reprezentrii timp-frecven de tipul funcie de incertitudine este

valabil relaia:
t
t

TFxFI (t, ) = F x + x*
2
2
(50)
i deci expresia nucleului este:
t
t
K FI ( , t ) = x + x*
2
2
(51)
3.2 PROPRIETILE REPREZENTRII TIMP-FRECVEN DE TIPUL

FUNCIE DE INCERTITUDINE
n continuare se investigheaz proprietile reprezentrii timp-frecven de
tipul funcie de incertitudine (RTFFI). Pentru nceput se verific dac aceast
reprezentare este liniar sau biliniar. n acest scop se consider semnalele de energie
finit x1(t) i x2 (t) cu reprezentrile timp-frecven TFxFI1 (t, ) i TFxFI2 (t, ) i
constantele complexe i . Se calculeaz reprezentarea timp-frecven de tipul

funcie de incertitudine a semnalului x1 + x 2 .
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
E clar c reprezentarea timp-frecven de tipul funcie de incertitudine nu este liniar.

Cu notaia:
3 Reprezentarea timp frecven de tip funcie de incertitudine

TFxFI1 x2 (t, ) =
x1 + x*2
t jt
e d
2
53
(52)
TFFIx1+ x2 (t, ) = 2 TFxFI1 (t, ) + TFxFI2 (t, ) + * TFxFI1 x2 (t, ) +

2
+ * TF FI
x2 x1 (t, )
(53)
Se contat identitatea relaiilor (30') i (53) dac:
T { x1 , x 2} (t, ) =
t
t
x1 + x*2 e jt d
2
2
Se poate deci afirma c:

2 R 1. Reprezentarea timp-frecven de tipul funcie de incertitudine este biliniar.
innd seama de simetria prezent n definiia reprezentrii timp-frecven de
tipul funcie de incertitudine poate fi formulat o alt proprietate a acestei reprezentri.
n acest scop se calculeaz:
TFxFI
( t,
) =
t *
t
x + e j d
2
2
Trecnd n ambii membrii la conjugata complex se obine:

*
TFxFI
( t,
) =
t
t
x + x* e j d = TFxFI (t, )
2
2
(54)
n acest mod s-a demonstrat c:

2
R 2. Reprezentarea timp-frecven de tipul funcie de incertitudine este o funcie
complex conjugat simetric.

n continuare se studiaz modul n care reacioneaz reprezentarea de tipul
funcie de incertitudine la translaii n planul timp-frecven. Pentru nceput se
studiaz reacia la translaii n timp.
54
n acest scop se consider semnalul x(t) cu reprezentarea timp-frecven de tipul
funcie de incertitudine TFxFI (t, ) . Fie:
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:
TFxFI1 (t, ) = e j t o TFxFI (t, )
(55)
Unei translaii n domeniul timp i corespunde nmulirea cu o exponenial complex

(comportare specific transformatei Fourier). Se constat c:
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:

TFxFI2
(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:
TFxFI2 (t, ) = e j o t TFxFI (t, )
(56)
Reprezentarea timp-frecven de tipul funcie de incertitudine este invariant la

nmulirea cu exponeniale complexe n domeniul timp. Deoarece:
TFxFI2 (t, ) TFxFI (t, o )

rezult c aceast reprezentare timp-frecven nu este invariant nici la translaii n
domeniul frecven. Reprezentarea timp-frecven de tipul funcie de incertitudine a
semnalului:
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
(t, ) = e j t e j t TFxFI (t, )

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
Se mai poate scrie:
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)
Deci proiecia reprezentrii timp-frecven de tipul funcie de incertitudine pe planul

amplitudine-timp reprezint autocorelaia semnalului de analizat. n consecin
valoarea n origine a reprezentrii timp-frecven de tipul funcie de incertitudine a
semnalului x(t) este tocmai energia acestui semnal:
TFxFI (0, 0) = E x
(59)
Pentru a vedea comportarea marginal a reprezentrii timp-frecven de tipul funcie

de incertitudine, n domeniul timp se calculeaz:
57
TFxFI (t, ) dt
It =
innd seama de formula din relaia (40), integrala It devine:
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
= u
2
TFxFI ( 0, ) =
1
1
X* (u + ) X (u) du =
r ( )
2
2 XX
(60)
58
Deci TFxFI (0, ) este proporional cu autocorelaia spectrului semnalului de

analizat.
Relaiile (58) i (60) ndreptesc afirmaia c funcia de incertitudine este o
reprezentare timp-frecven corelativ. Ea nu este o densitate spectrotemporal de
energie, deci proprietatea P1, din paragraful 1.2 nu este verificat de aceast
reprezentare timp-frecven.
Avnd n vedere c reprezentarea timp-frecven de tipul funcie de
incertitudine este o funcie complex rezult c nu este satisfcut nici proprietatea P3
din paragraful 1.2. Reprezentarea timp-frecven de tipul funcie de incertitudine nu
este cauzal. Aceast afirmaie rezult din interpretarea fizic a acestei reprezentri, ca
rspuns al unui filtru adaptat, deoarece filtrele adaptate nu sunt ntotdeauna i sisteme
cauzale. n consecin nici proprietatea P4 din paragraful 1.2 nu este verificat.
n schimb se poate demonstra c aceast reprezentare timp-frecven este
inversabil [123].
n continuare se stabilete legtura dintre reprezentrile timp-frecven de
tipul funcie de incertitudine ale semnalelor:
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

Deci reprezentarea timp-frecven de tipul funcie de incertitudine este invariant la

scalare (proprietatea P7 din paragraful 1.2 este satisfcut).
Reprezentarea timp-frecven de tipul funcie de incertitudine are i proprietatea de
filtrare (P8 din paragraful (1.2)), conform [68]:
TFyFI
(t, ) =
TFxFI ( , ) TFhFI (t
, ) d
59
unde:
y(t) = x(t) h(t)
(61)
Pe baza aceleai referine bibliografice se poate afirma c reprezentarea timp-frecven

de tipul funcie de incertitudine are i proprietatea de modulaie (P9 din paragraful
1.2). Cu alte cuvinte dac:
y(t) = m(t) x(t)

atunci:
TFyFI
(t, ) =
TFmFI (t, ) TFxFI (t , )
(62)
Formula lui Moyal se exprim n cazul reprezentrii timp-frecven de tipul funcie de

incertitudine n forma:
TFxFI1y1 (t, ) , TFxFI2y2 (t, )
= 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 2 iar semnalul x* va fi identic nul n

intervalului t1
2
2
2
t
t
exteriorul intervalului t 1 + t , t 2 + t . De aceea x + x * va fi
2
2
2
2
intervalul [ t1 ,t2 ] . n consecin semnalul x +
identic nul n exteriorul intervalului t1 t 2 , t 2 t1 . Deci suportul temporal al

reprezentrii timp-frecven de tipul funcie de incertitudine este intervalul
[t1 t 2 , t 2 t1] . Se poate afirma c proprietatea P11 din paragraful 1.2 nu este
verificat. Rezultatul aplicrii transformrii timp-frecven de tipul funcie de

incertitudine este dublarea limii suportului temporal al semnalului de analizat.
60
Consideraii similare pot fi fcute i n legtur cu suportul frecvenial. Se poate

demonstra n acelai mod c:
2R11
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
n finalul acestui paragraf trebuie menionat c prin ridicarea la ptrat a modulului

reprezentrii timp-frecven de tipul funcie de incertitudine se obine o nou
reprezentare timp-frecven:
TFxSI (t, ) = TFxFI (t, )
(65)
numit suprafa de incertitudine.

3.3 EXEMPLU
Se consider semnalul "chirp":
x(t) = C e ( + j ) t , C R
2
Reprezentarea sa timp-frecven de tipul funcie de incertitudine este:
(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 )
sau innd seama de expresia transformrii Fourier a semnalului Gaussian, [99]:
TFxFI (t, ) =
t2
2 2
C e
e
2
( 2 t )2
8
n final se poate scrie:
TFxFI
(t, ) =
C2 e
2
1
2
t +
( 2 t )2
8
2
Semnalul de analizat este complex. Amplitudinea sa instantanee este:
C e t
iar faza sa instantanee este:
t2
62
3.3 Un exemplu
n consecin pulsaia sa instantanee este:
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
rezult c energia semnalului "chirp" (membrul drept al relaiei de mai sus) nu

depinde de constanta (cea care descrie modulaia de frecven a semnalului
considerat). Autocorelaia semnalului de tip "chirp" este:
TFxFI
(t, 0) = C 2
2
t2 +
2
e 2
t2
adic:
rxx (t) = C 2
e
2
2 2
t

+
2
2
Se observ caracterul Gaussian al acestei funcii de autocorelaie. Att suporturile

temporal i frecvenial ale semnalului de tip "chirp" ct i suporturile temporal i
frecvenial ale reprezentrii sale timp-frecven de tipul funcie de incertitudine sunt
de lungime infinit.
Proiecia reprezentrii timp-frecven considerat pe planul amplitudinepulsaie este:
TFxFI ( 0, ) = C 2
e
2
2
8
Aceast formul confirm caracterul Gaussian al comportrii semnalului "chirp" n

domeniul frecven. n sfrit, ntruct:
1
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)
Transformarea Fourier a acestei funcii, n raport cu variabila , poart numele de

reprezentare timp-frecven de tipul Wigner-Ville:
TFxW V
(t, )
x t + x* t e j d
2
2
(68)
4.1. EXPRIMRI ALTERNATIVE ALE REPREZENTRII DE TIP

WIGNER - VILLE
Comparnd nucleele reprezentrilor timp-frecven de tipul Wigner-Ville i
funcie de incertitudine se constat c:
K W V (t, ) = K FI ( , t )
(69)
Deci cele dou nuclee se pot obine unul pe baza celuilalt prin
schimbarea de variabil:
De aici rezult asemnarea remarcabil ntre reprezentrile timp-frecven de tipul

Wigner-Ville i funcie de incertitudine ale aceluiai semnal.
De aceea i reprezentarea timp-frecven de tipul Wigner-Ville poate fi privit
ca i o reprezentare adaptiv. n continuare se calculeaz transformata Fourier
bidimensional a reprezentrii timp-frecven de tipul Wigner-Ville.
TFxW V
(, )} (t, )
TFxW V ( , ) e j( + t ) d d
sau innd seama de expresia reprezentrii timp-frecven de tipul Wigner-Ville:
4 Reprezentarea timp frecven de tip Wigner-Ville
65
} (t, ) =
F TFxW V ( , )
x + x* e - j d e j( + t ) d d
2
2

Schimbnd n membrul drept ordinea de integrare, ultima relaie devine:
)} (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
Dar, transformata Fourier a reprezentrii timp-frecven de tipul funcie de

incertitudine TFxFI( , ) , n raport cu variabila este:
TFxFI
( , )} () =
TFxFI ( ,
) e j d
De aceea, expresia transformrii Fourier bidimensionale a reprezentrii timp-frecven

de tipul Wigner-Ville devine:
} (t, ) =
F TFxW V ( , )
F {TFxFI ( ,
) () e j t d
Deoarece membrul drept reprezint o transformare Fourier n raport cu variabila ,

} (t, )
F TFxW V ( , )
{ {
} }
= F F TFxFI ( , ) () (t )
sau pe baza teoremei simetriei:
F TFxW V ( , )
} (t, )
= 2 TFxFI ( t, )
66
4. 1 Exprimri alternative ale reprezentrii de tip Wigner-Ville
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)
n consecin se poate afirma c reprezentarea timp-frecven de tipul funcie de

incertitudine reprezint transformarea Fourier bidimensional a reprezentrii timpfrecven de tipul Wigner-Ville.
Aceast legtur este util pentru demonstrarea proprietilor reprezentrii timpfrecven de tipul Wigner-Ville pe baza proprietilor reprezentrii timp-frecven de
tipul funcie de incertitudine.
4.2 PROPRIETILE REPREZENTRII TIMP-FRECVEN DE

TIPUL WIGNER-VILLE
n primul rnd se verific dac aceast reprezentare timp-frecven este o
densitate spectrotemporal de energie. n acest scop se calculeaz integrala:
I =
TFxW V ( , ) d
Dar aceast integral reprezint valoarea n origine a transformrii Fourier

bidimensionale a reprezentrii timp-frecven de tipul Wigner-Ville.
n consecin:
} (0, 0)
I = F TFxW V ( , )
= 2 TFxFI (0, 0) = 2 E x
(71)
Deci proprietatea P1 din paragraful 1.2 este verificat, reprezentarea timp-frecven de

tipul Wigner-Ville este o densitate spectrotemporal de energie. n continuare se
studiaz proprietile marginale ale acestei reprezentri timp-frecven. n acest scop
se calculeaz pentru nceput integrala:
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
Deci reprezentarea timp-frecven de tipul Wigner-Ville reprezint o densitate

temporal de energie.
n continuare se calculeaz integrala:
I2 =
TFxW V (t, ) dt
Pe baza definiiei reprezentrii timp-frecven de tipul Wigner-Ville se poate scrie:
I2
= x t + x* t e - j d dt
2
2

sau schimbnd ordinea de integrare:
I2

= x t + x* t dt e - j d
2
2

68
4.2 Proprietile reprezentrii timp-frecven de tipul Wigner-Ville
Dar fcnd n integrala interioar schimbarea de variabil:
= u
2
t
aceasta devine:
x t + 2 x* t 2 dt =
x* (u) x (u + ) du
Membrul drept al ultimei relaii reprezint funcia de autocorelaie a semnalului
x* ( t ) , rx* x* ( ) . De aceea integrala I2 devine:
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
Deci reprezentarea timp-frecven de tipul Wigner-Ville este i o densitate spectral de

energie.
n consecin se poate afirma c reprezentarea timp-frecven de tipul WignerVille are proprietatea P2 din paragraful 1.2.
n continuare se calculeaz conjugata complex a reprezentrii timp-frecven
de tipul Wigner-Ville:
TFxW V
(t, )) =
*
x* t + x t e j d
2
2
u =
se obine:

*
TFxW V
69
u
u
x t + x* t e j u du
2
2
(t, ) =
adic tocmai expresia reprezentrii timp-frecven de tipul Wigner-Ville. S-a

demonstrat aadar relaia:
*
TFxW V (t, ) = TFxW V (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:
TFWx1 V+ x2 (t, ) = 2TFxW1 V (t, ) + TFxW2 V (t, ) + * TFxW1x2V (t, ) +

2
+ * TFxW2x1V (t, )
Se constat identitatea acestei relaii cu relaia (30') dac:
T{x l , x k } (t, ) = TFxWl xk V (t, ) ,
l k
respectiv:
T{x l , x l } (t, ) = TFxWl V (t, ) ,
l = 12
,
(73)
70
n consecin se poate afirma c:

Reprezentarea timp-frecven de tipul Wigner-Ville este biliniar. Membrul
3R1
drept al relaiei (73) poate fi pus chiar ntr-o form mai simpl. Se calculeaz n acest
scop conjugata complex a lui TFxW1x2V ( t,) .
*
TFxW1x2 V
(t, ) =
x1* t + x 2 t e j d
2
2
u =

*
TFxW1x2 V
u
u
x1* t x2 t + e j u du = TFxW2x1V (t, )

2
2
(t, ) =
De aceea relaia (73) mai poate fi scris n forma:
TFWx1+Vx2 (t,) = 2 TFxW1 V (t,) + TFxW2 V (t,) + 2 Re * TFxW1x2V ( t,) (74)

Revenind la demonstraia afirmaiei c reprezentarea timp-frecven de tipul WignerVille nu este pozitiv definit, se presupune c semnalele x1(t) i x2 (t) de mai sus au
suporturi compacte disjuncte, intervalele In1 i In2. Se face notaia:
x o (t) = x1(t) + x 2 (t)

Se face ipoteza c reprezentarea timp-frecven de tipul Wigner-Ville este pozitiv,
oricare ar fi semnalul cruia i se aplic. Rezult relaiile:
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:
TFxW2 V (t, ) = TFxW2 V (t, ) + 2Re *TFxW1x2V (t, )

2
n consecin:
() t I n1 ,
2Re *TFxW1x2V (t, ) = 0
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:
TFxW1 V (t, ) = TFxW1 V (t, ) + 2Re *TFxW1x2V (t, )

2
De aceea:
() t
I n 2 , 2Re *TFxW1x2V (t, ) = 0
ntruct intervalele I n1 i I n 2 sunt disjuncte rezult c:
() t R ,
2Re *TFxW1x2V (t, ) = 0

V
(t, ) = TFxW1 V (t, ) + TFxW2 V (t, )
TF W
xo
2
72
Integrnd n ambii membrii de la la , n raport cu variabila t, se obine:

X o ( )
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 ( )+ * X*1 ( ) X 2 ( ) =
X1( )
X 2( )
Ultima relaie se mai scrie:
2 Re * X1( ) X*2 ( ) = 0,
( ) R
(74)
Acest rezultat este n contradicie cu faptul c semnalele x1(t) i x2 (t)sunt de durat

limitat (deci de band nelimitat). Conform principiului reducerii la absurd rezult c
ipoteza de pozitivitate a reprezentrii timp-frecven de tipul Wigner-Ville este fals.
Deci reprezentarea timp-frecven de tipul Wigner-Ville nu are proprietatea P3 din
paragraful 1.2
Negativitatea local a reprezentrii timp-frecven de tipul Wigner-Ville
afecteaz interpretarea fizic a acestei reprezentri. Att densitatea temporal de
energie ct i densitatea spectral de energie ale unui semnal sunt pozitiv definite. De
aceea i densitatea spectrotemporal de energie ar trebui s fie pozitiv definit. De
aceea negativitatea local a reprezentrii timp-frecven de tipul Wigner-Ville este o
insuficien remarcabil a acestei reprezentrii.
Se poate demonstra c aceast reprezentare timp-frecven nu este cauzal.
Deci reprezentarea timp-frecven de tipul Wigner-Ville nu verific proprietatea P4
din paragraful 1.2. n schimb se poate demonstra c aceast reprezentare timpfrecven este inversabil.
4 Reprezentarea timp frecven de tipul Wigner-Ville
73
n continuare se determin modul n care reacioneaz reprezentarea timp-frecven de

tipul Wigner-Ville la translaii n planul timp-frecven. n acest scop se determin
legtura ntre reprezentrile timp-frecven de tipul Wigner-Ville ale semnalelor x(t)
i :
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:
TFxWt ,V (t, ) = TFxW V ( t t o , o )

o
(75)
Deci reprezentarea timp-frecven de tipul Wigner-Ville verific proprietatea P6 din

paragraful 1.2. n continuare se calculeaz reprezentarea timp-frecven de tipul
Wigner-Ville a semnalului:
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
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
TFxWk V (t, ) = TFxW V k t,
(76)
Deci reprezentarea Wigner-Ville verific proprietatea P7 din paragraful 1.2.

n continuare se prezint legtura dintre reprezentarea Wigner-Ville a
semnalului obinut prin convoluia a dou semnale i reprezentrile Wigner-Ville ale
acestora.
Conform [59] se poate afirma c reprezentarea timp-frecven de tipul
Wigner-Ville are proprietatea de filtrare (P8 n paragraful 1.2):
y(t) = x(t) h(t)
TFyW V
(t, ) = TFhW V (t s, ) TFxW V ( s, ) ds
(77)
Dar i reprezentarea de tipul funcie de incertitudine are aceast proprietate. innd

seama de dualitatea timp-frecven indus de transformarea Fourier precum i de
faptul c cele dou reprezentri timp-frecven sunt legate prin transformarea Fourier
bidimensional rezult c reprezentarea timp-frecven de tipul Wigner-Ville are i
proprietatea de modulaie (P9 n paragraful 1.2):
TFmWV (t, ) TFxWV (t, ) d
y(t) = m(t) x(t) TFyWV (t, ) =
(78)
n continuare se verific proprietile de suport ale reprezentrii timp-frecven de

tipul Wigner-Ville. Se consider c semnalul x(t) are suportul temporal intervalul
[ 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
Intersecia este nevid dac:
2t 2 2t > 2t 2t 2 t < t 2
sau dac:
2t1 2t < 2t 2t1
t > t1
n consecin suportul temporal al funciei TFxW V (t, ) este intervalul t1 , t 2 .

Deci reprezentarea timp-frecven de tipul Wigner-Ville conserv suportul temporal al
semnalului cruia i se aplic.
Reprezentarea timp-frecven de tipul Wigner-Ville a semnalului x(t) poate fi
pus n forma:

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
[2F{x ( + 2t )}( 2) 2F{x (

*
[e
j 4t
2t ) ( 2 )
X ( 2 ) e j 4 t X* ( 2 )
]
[
Considernd c suportul frecvenial al semnalului x(t) este intervalul 1 , 1
rezult c suportul funciei X( 2 ) este intervalul

,
2
1
i deci c suportul
2
frecvenial al funciei TFxW V (t, ) este intervalul 1 , 1 . S-a demonstrat c

reprezentarea timp-frecven de tipul Wigner-Ville conserv i suportul frecvenial al
semnalului cruia i se aplic. n consecin proprietatea P11 din paragraful 1.2 este
verificat de ctre reprezentarea timp-frecven de tipul Wigner-Ville. Aceast
reprezentarea verific i proprietatea de unitaritate (formula lui Moyal). ntr-adevr,
innd seama de legtura dintre reprezentrile timp-frecven de
76
tipul funcie de incertitudine i Wigner-Ville, relaia (63) din paragraful 3.1 devine
pentru:
x1(t) = y1(t) i x 2 (t) = y 2 (t)
} ( , ) , F* {TF
F * TFxW1 V (t, )
W V
x2
(t, ) ( , ) = x1, x2
sau pe baza relaiei lui Parseval, din cazul transformrii Fourier bidimensionale:
TFxW1 V (t, ) , TFxW2 V (t, )
( )
L R
x1 , x 2
Deci reprezentarea timp-frecven de tipul Wigner-Ville verific i proprietatea P10

din paragraful 1.2.
Nici reprezentarea timp-frecven de tipul Wigner-Ville nu se concentreaz
perfect pe legea de variaie a frecvenei instantanee (aa cum se va vedea din exemplul
prezentat n paragraful urmtor). Totui exist un semnal a crui reprezentare timpfrecven de tipul Wigner-Ville are proprietatea de concentrare perfect, dar aceasta
nu este un semnal de energie finit. Este vorba despre semnalul:
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
Reprezentarea sa timp-frecven de tipul Wigner-Ville este:
TFxWs V
(t, ) =
anam e
*
n m
j (n m ) t
+ m

j n
2
e
Deoarece integrala din membrul drept reprezint transformarea Fourier a semnalului

1 ( ) , ultima relaie se mai scrie:
n + m
TFxWs V (t, ) = 2 a n a*m e j ( n m ) t
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
TFFI( t,) este o

reprezentare timpfrecven corelativ
TFxW V (t, ) este o

reprezentare timpfrecven real
TFxFIt , (t, ) =
Invarian la translaii (P6)
NU
DA
Invarian la scalare (P7)

Convoluie (P8)
Modulaie (P9)
Unitaritate (P10)
Conservarea suporturilor
(P11)
Identificarea staionaritii
(P12)
Concentrare pe legea
frecvenei instantanee
DA
DA
DA
DA
NU
DA
DA
DA
DA
DA
NU
NU
NU
NU
o o
j ot
j t0
TFxFI (t,)
Tabelul 1.4.1 Proprietile reprezentrilor timp-frecven de tipul funcie de incertitudine i WignerVille.
De aceea se constat c nu este ndeplinit relaia:
TFxWs V ( t, )
t
= 0
() t R
n consecin se poate afirma c reprezentarea timp-frecven de tipul Wigner-Ville nu

verific proprietatea P12 din paragraful 1.2, neputnd fi utilizat pentru identificarea
semnalelor staionare.
78
n tabelul 1.4.1. sunt prezentate proprietile reprezentrilor timp-frecven de

tipul funcie de incertitudine respectiv Wigner-Ville.
Numrul mare de proprieti ale reprezentrii timp-frecven de tipul Wigner-Ville fac
din aceasta arhetipul reprezentrilor timp-frecven de tipul densitate spectrotemporal
de energie.
4.2 EXEMPLU
Fie semnalul:
x(t) = e t cos o t
2
Semnalul analitic asociat acestui semnal este:

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
innd seama de expresia transformrii Fourier a semnalului Gaussian se obine:
( 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
Se constat c n domeniul frecven aceast funcie are 3 maxime, la pulsaiile = 0

i = o . n consecin se poate afirma c reprezentarea timp-frecven de tipul
Wigner-Ville se concentreaz pe curba de variaie a frecvenei sale instantanee, dar c
aceast concentrare nu este perfect. Se remarc similitudinea dintre relaiile (36) i
(79). De aceea comentariile fcute la exemplul de spectrogram din paragraful 2.3 sunt
valabile i n exemplul de fa.
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( ) =
unde funcia w( ) se numete "wavelets mother" iar s este un parametru numit

factor de scar care ine seama de durata semnalului de analizat. O reprezentare
bidimensional a semnalului x(t), care folosete o astfel de fereastr este
transformarea wavelet:
CWTx (s, t) =
x( ) ( s (
t)) d
(80)
Aceasta este o reprezentare de tipul timp-factor de scar.
, 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 =
transformarea wavelet devine o reprezentare timp-frecven adaptiv:
TFxCWT ( ,
t) =
x( )
( t) d
o
(81)
5.1. EXPRIMRI ALTERNATIVE ALE REPREZENTRII DE TIP
WAVELET
Folosind notaia:
s( ) =
s (s )
se observ c transformarea "wavelet" poate fi exprimat cu ajutorul unui produs

scalar, pentru fiecare valoare a lui s:
5 Reprezentarea timp frecven de tipul wavelet
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:
CWTx (s, t) = x(t) s (t) ;
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:
F { s (t)}( ) = F { s (t)}( ) = F { s ( s t)} ( ) =
1

F { (t)}
s
s
Deci pentru localizarea n timp a semnalului x(t), n cazul transformrii wavelet,

este responsabil fereastra temporal s(t) iar pentru localizarea n frecven,
fereastra F (t)
. Durata ferestrei temporale este:

s
2t
1
= 2
s
2
t
2
u 2 2 (u) du =
unde cu t s-a notat durata ferestrei temporale ( ), care este o constant. n

consecin localizarea temporal a semnalului x(t) depinde de parametrul s. Banda
ferestrei frecveniale este:
} ( )
s (t)
d = s
2
u 2 F{(t)} (u) du
sau:
2
= s2 2
unde s-a notat cu banda ferestrei frecveniale F (t) ( ) .
82
5.2 Exprimri alternative ale reprezentrii de tip wavelet
n consecin i localizarea frecvenial a semnalului x(t), realizat de transformarea

wavelet depinde de parametrul s. Se constat c localizarea temporal se nrutete
cu creterea lui s i c localizarea frecvenial se nbuntete cu creterea lui s. Se
constat de asemenea c:
2
2t
= t 2 2
n consecin, indiferent de valoarea lui s, localizarea n planul timp-frecven

realizat de fereastra s ( ) este identic cu cea realizat de fereastra "generatoare"
( ) . De aici rezult superioritatea reprezentrii timp-frecven de tipul wavelet
asupra celorlalte reprezentri timp-frecven la prelucrarea semnalelor care pot fi
descompuse ntr-o succesiune de semnale de durat limitat, cu viteza de variaie tot
mai mare i cu durata tot mai scurt odat cu creterea timpului.
Dac frecvena central a filtrului trece band cu rspunsul la impuls (t)
este o , atunci, avnd n vedere legtura dintre rspunsurile n frecven ale celor
dou filtre,
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
Rezult c toate filtrele trece-band cu rspunsurile n frecven F s (t) ( ) au

acelai factor de calitate Q, indiferent de s.
5.2 PROPRIETILE REPREZENTRII TIMP-FRECVEN
DE TIP "WAVELET"
Avnd n vedere exprimarea acestei reprezentri timp-frecven ca i produs
de convoluie rezult c reprezentarea timp-frecven de tip "wavelet" este liniar. Ea
nu reprezint o densitate spectrotemporal de energie i nu are proprieti marginale
83
corecte. La fel ca i n cazul reprezentrii timp-frecven de tip transformare Fourier

scurt i n cazul reprezentrii timp-frecven de tip wavelet prin ridicarea
modulului la ptrat se obine o nou reprezentare timp-frecven:
TFxSc (t, ) = TFxCWT (t, )
numit scalogram. Aceast reprezentare timp-frecven este biliniar (la fel ca i

spectrograma). Scalograma este o densitate spectrotemporal de energie. De fapt, n
[40], este demonstrat relaia:
TFxCWT (t, ) [TFyCWT (t, )]
dt d = C x, y
(82)
unde constanta C se calculeaz cu relaia:
(u)
C =
du
(83)
De aceea este necesar ca funcia generatoare ( ) s ndeplineasc condiia:
(u)
du <
(83')
Dac semnalele x i y se consider identice atunci relaia (82) devine:
TFxCWT (t, )
dt d = C E x
(84)
Se poate deci afirma c TFxCWT (t, )
reprezint o densitate spectrotemporal de
energie. Nici scalograma nu are proprieti marginale corecte. n schimb se constat c

scalograma este real i pozitiv pentru orice punct din planul timp-frecven. Din
pcate reprezentarea timp-frecven de tip "wavelet" nu are aceeai proprietate.
Conform [42] reprezentarea timp-factor de scar de tip "wavelet" este inversabil fiind
valabil relaia:
84
5.2 Proprietile reprezentrii timp-frecven de tip wavelet
1
x( t ) =
C
CWTx (s, u) s (t
u) ds du
(85)
Scalograma, n schimb, nu este inversabil.

Fie:
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
Deci aceast reprezentare timp-frecven este invariant la translaii n timp. n

consecin i scalograma are aceast proprietate.
Din pcate cele dou reprezentri nu sunt invariante i n domeniul frecven.
Deci ele nu au proprietatea P6 din paragraful 1.2. n schimb se poate afirma, [68], c
acestea au proprietatea de invarian la dilatri (P7 n paragraful 1.2). Celelalte
proprieti utile pentru o reprezentare timp-frecven, propuse n paragraful 1.2, nu
sunt verificate nici de ctre reprezentarea timp-frecven de tip wavelet nici de ctre
scalogram. n schimb alte proprieti interesante ale acestor reprezentri sunt
prezentate n [42].
5.3 EXEMPLU
Fie semnalul de analizat:
x(t) = pT (t) e j 1t ;
pT (t) = (t + T ) (t T )
Vom considera, pentru comoditate, c o = 1.

n acest caz se obine:
TFxCWT (t,
) =
85
( ) ( ( - t)) e j 1 d
sau, cu schimbare de variabil:
( 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
domeniul timp este descris de exponeniala complex e j 1t . Comportarea n

domeniul frecven este descris de transformata Fourier
a produsului
(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 <
atunci se numete reprezentarea timp-frecven a semnalului de energie finit x( ),

funcia:
TFx :A R C, TFx (t, ) = x( ), K ( t, ) =
x( ) K* ( t, ) d
(86)
n funcie de expresia nucleului K x, y se obin expresiile unor reprezentri

timp-frecven liniare diferite.
Dac expresia nucleului este:
K 1 ( , a ) = w( ) e
ja
, cu
w( )
d = 1, A = R
(87)
6. Generalizri
87
funcie care verific ipotezele 1), 2) i 3) atunci se obine reprezentarea timpfrecven:
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
( ) d =1, A = R- {0} i F{ ()}(0) =0

2
(88)
funcie care verific ipotezele 1), 2) i 3) atunci se obine reprezentarea timp-factor de

scar CWTx (t, s), s =
TFx2 (t, ) =
x( )
1
, respectiv timp-frecven:
a
* ( ( t)) d = TFxCWT (t, ) , ( s = )
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
(TF ) (a, b) (TF ) (a, b) da db = c

*
x1
x2
x1 , x 2
L2
(89)
unde c este o constant, i :

P2.
Spaiul H K obinut aplicnd operatorul TF oricrui semnal de
energie finit:
H K = TF {L2 ( R)}
este un spaiu Hilbert cu nucleu reproductor, [66]. Cu alte cuvinte are loc o relaie de
tipul:
88
6.1 Cazul reprezentrilor liniare
TFf (a, b) =
1
c
A R
TFf ( a' , b' ) K ( a, b, a' , b' ) da' db'
(90)
unde:
K (a, b, a' , b' ) = K ( a, b ) , K ( a' , b' )
Proprietile obinute prin particularizrile proprietii P1 conform relaiilor

(87) i (88) au fost deja prezentate n capitolele 2 i 5. Proprietile obinute prin
particularizarea proprietii P2 conform relaiilor (87) i (88) sunt prezentate n [42].
Relaia (87) arat c nucleul K 1( x,a) se obine prin modularea de
amplitudine a purttoarei ejax cu fereastra temporal w(x). De aceea reprezentarea
timp-frecven de tipul transformare Fourier scurt este invariant la translaii n
frecven. Relaia (88) arat c nucleul K 2 ( x,a) se obine prin scalarea funciei
generatoare . De aceea reprezentarea timp-frecven de tip "wavelet" este
invariant la scalare. De fapt se spune c cele dou reprezentri timp-frecven sunt
cazuri particulare de reprezentri de grup de ptrat integral. Reprezentarea timpfrecven de tipul transformare Fourier scurt corespunde grupului Weyl-Heisenberg
(caracterizat de invariana la translaii) iar reprezentarea timp-frecven de tip
wavelet corespunde grupului ax + b [40]. O reprezentare timp-frecven liniar,
invariant att la translaii n planul timp-frecven ct i la scalare, ar putea fi aceea al
crei nucleu ar reuni proprietile nucleelor K 1( x,a) i K 2 ( x,b) . Nucleul unei astfel
de reprezentri ar putea fi:
K 3 ( x, a, b) = K 1 ( x, a ) K 2 ( x, b) =
a 1 (a 1 x ) e j b x
(91)
Se poate verifica c acest nucleu satisface ipotezele definiiei de la nceputul acestui

paragraf pentru alegerea A = R - { 0} . Reprezentarea timp-frecven corespunztoare a fost utilizat n [91]. Aceast nou reprezentare timp-frecven are expresia:
gen
f
TF
(t, ,s) =
f( ) ( s ( - t)) e
*
-j
(92)
i are proprietile P1 i P2 enunate n acest paragraf. Ea este invariant la translaii n

planul timp-frecven precum i la scalri n timp. n continuare se stabilete o formul
alternativ de calcul al reprezentrilor timp-frecven liniare bazat pe dezvoltarea n
serie a acestor funcii. Se consider n acest scop c mulimea de funcii
B = k (t)
k Z
este o baz ortonormal a spaiului Hilbert L2 ( R) .
6 Generalizri
89
Orice semnal de energie finit se poate exprima n forma:
x(t) =
c
k
k (t) ;
ck = x(t), k (t)
De aceea reprezentarea timp-frecven generalizat (definit la nceputul

acestui paragraf) a semnalului x(t) poate fi pus n forma:
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)
i pentru cunoaterea reprezentrii timp-frecven a semnalului x(t)este suficient

doar cunoaterea coeficienilor ck i a reprezentrii timp-frecven a semnalului (t).
Reprezentarea timp-frecven a semnalului x poate fi calculat i mai uor dac funcia
TF ( t,) are un suport compact n planul timp-frecven, I, i dac momentele de
timp tk sunt astfel alese nct intervalele Ik i Ik + 1, suporturile funciilor
TF ( t tk ,) i TF ( t tk1 ,) , s fie disjuncte. Aceast condiie este satisfcut

dac funciile k (t) au o bun localizare n planul timp-frecven. Astfel de funcii se
numesc atunci atomi timp-frecven [145].
Fie:
T T
H 1 = L2 ,
2 2
2
jk
t
1
e T . Orice element al
T
k Z
O baz ortonormal a acestui spaiu este B1 =
90
6.1 Cazul reprezentrilor liniare
lui H1 se poate descompune n serie Fourier [99] n forma:
x(t) =
ck e
jk
2
t
T
(95)
De aceea orice reprezentare timp-frecven liniar a acestui semnal poate fi scris n

forma:
TFx (t, ) =
c
k
TF
e
jk
2
t
T
pT ( )
(t, )
Aceast exprimare nu este ns cea mai avantajoas, deoarece dei exponenialele

complexe au o localizare perfect n frecven ele sunt complet nelocalizate n timp.
La fel ca i n cazul dezvoltrii n serie Fourier (n relaia (95) semnalul x(t) poate fi
prelungit prin periodicitate n exteriorul intervalului , , ieind din spaiul

2 2
H1) i funcia TFx (t, ) (nul n exteriorul intervalului , ) poate fi

2 2
prelungit prin periodicitate dup variabila t, cu perioada T. n acest mod se poate
vorbi despre reprezentri timp-frecven liniare ale semnalelor periodice. Acestea vor
fi funcii periodice de aceai perioad T dup variabila t.
Fie de exemplu semnalul periodic:
x(t) = cos
2
t
T
Revenind la relaia (86) se constat c:
TFx (t, ) = x(t) K* ( t, )
(96)
Deci aceast reprezentare timp-frecven liniar reprezint rspunsul sistemului liniar

i invariant n timp cu rspunsurile la impuls K* ( t, ) la semnalul x(t).
Dar dup cum se tie, [99], rspunsul sistemului cu rspunsul la impuls h(t) la
semnalul cos o t este semnalul:
y(t) =
F {h(t)} ( o ) cos o t + arg F {h(t)} ( o )
n consecin reprezentarea timp-frecven liniar generalizat a semnalului
6 Generalizri
91
cosinusoidal este:
TFx ( t, ) = F K* ( t, ) ( o ) cos o t + arg F K* ( t, ) ( o )
Se constat periodicitatea sa dup variabila t, cu perioada T.

n sfrit, innd seama de faptul c definiia reprezentrii timp-frecven
liniar generalizat se bazeaz pe operaia de convoluie n timp (conform relaiei
(96)) i c aceast operaie este definit i pentru distribuii, rezult c se pot calcula i
reprezentri timp-frecven liniare ale distribuiilor.
Astfel reprezentarea timp-frecven liniar generalizat a distribuiei Dirac
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, ) =
K(u, u', t, ) x (u) x* (u') du du'
(97)
unde reprezint o pulsaie ( ) sau un factor de scar ( s) , iar K reprezint nucleul

tranformrii.
n funcie de expresia i proprietile nucleului ales se obine o reprezentare
bidimensional cu anumite proprieti. Dac se impun constrngeri reprezentrii
bidimensionale rezult constrngeri asupra nucleului su. Printre aceste constrngeri
este firesc s figureze proprieti de invarian la diferite transformri ale reprezentrii
92
6.2 Cazul reprezentrilor biliniare. Clasa lui Cohen
bidimensionale. Dac este vorba despre o anumit transformare T efectuat asupra

semnalului de analizat x(t) L2 ( R) :
x(t) T { x(t)}
T
(98)
invariana la aceast transformare se exprim prin condiia:

c
TFT { x} (t, ) = T { cTFx (t, )}
(99)
Este firesc s se impun invariana reprezentrilor bidimensionale la grupul de

transformri asociate la cele dou tipuri de abordare: timp-frecven respectiv timpfactor de scar. Se va arta n continuare cum aceste condiii de invarian genereaz
clase de reprezentri bidimensionale biliniare de tipul Cohen.
6.2.1 CAZUL REPREZENTRILOR TIMP-FRECVEN
Se va impune invariana la translaii n planul timp-frecven:
ctf
TFx t
o , o
(t, ) = c t fTFx (t t o , o )
(100)
unde x t o , o este semnalul:
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:
K(u, u', t, ) = K(u t, u' t, 0, 0 ) e
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
Cu notaia: TFK ( t, ) = K t + , t , 0, 0 e j d relaia (103) devine:

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

c t f TFx
( t, )
1
=
2
TF
WV
x
( s, u ) TFK ( s t, u ) du
TFxW V (s, u ) TFK (s t, u ) du ds
(104)
sau explicitnd reprezentarea timp-frecven de tipul Wigner-Ville din integrand:

TFK ( s t,u ) x s + x * s e j dudsd

c t f TFx ( t, ) =
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
6.2.1 Cazul reprezentrilor timp frecven
Aceasta este expresia general a unei reprezentri timp-frecven de tip Cohen. Se

observ c prin specificarea funciei de parametrizare f(u, ), se obine un anumit
membru al acestei clase. n urmtorul tabel se prezint condiiile pe care trebuie s le
ndeplineasc funcia de parametrizare pentru ca reprezentarea timp-frecven
corespunztoare s ndeplineasc fiecare dintre proprietile din paragraful 1.2.
Proprietatea
P1
Condiia asupra funciei de parametrizare
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
Toate reprezentrile timp-frecven din clasa lui Cohen satisfac

aceast condiie.
P7
f (u, ) = f , k , ( ) k
k
P8
f (u, ) f (u, ') = f (u, + ')
P9
f (u, ) f (u', ) = f (u + u', )
P10
P11
f ( , ) = 1
s >
2
u
>
2
P12
P13
f (u, ) e
jus
du = 0
f ( u, ) e
d = 0
Nu exist nici o funcie de parametrizare care s fac posibil

verificarea acestei proprieti.
Nu exist nici o funcie de parametrizare care s fac posibil
verificarea acestei proprieti.
Tabelul 1.6.2.1 Proprieti utile ale funciilor de parametrizare.
n tabelul urmtor se prezint cteva funcii de parametrizare, expresiile

reprezentrilor timp-frecven din clasa lui Cohen asociate precum i proprietile pe
care le verific aceste reprezentri.
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
P1, P2, P5,

P6, P7, P8,
P9, P10, P11
P1, P2, P5,
P6, P7, P8,
P9, P10, P11
P1, P2, P4,
P5, P6, P7,
P11
P1, P2, P6,
P7, P11
P1, P2, P5,

P6, P7
e j ds d
Spectrogram
x(s) w (s t) e
*
j s
ds
P1, P3, P6,

P10
Tabelul 2.6.2.1 Exemple de reprezentri timp-frecven aparinnd clasei lui Cohen.
Se constat c numrul cel mai mare de proprieti utile le au reprezentrile

timp-frecven de tipul Wigner-Ville i Richaczek. Trebuie remarcat c reprezentarea
timp-frecven de tipul Wigner-Ville are n plus i calitatea de a fi real. De aceea ea
poate fi considerat prototipul clasei lui Cohen. Mai trebuie observat c singura
reprezentare timp-frecven cauzal este cea de tipul Page-Levin i c singura
reprezentare timp-frecven pozitiv din tabel este cea de tip spectrogram. Trebuie
remarcat diversitatea reprezentrilor timp-frecven din clasa lui Cohen. De
altfel aceste reprezentri timp-frecven sunt subiectul unui numr impresionant de
lucrri, dintre care se amintesc: [59], [68], [13], [27], [108], [8]. Ultimele dou
prezint alte generalizri ale noiunii de reprezentare timp-frecven biliniar.
6.2.2 CAZUL REPREZENTRILOR TIMP-FACTOR DE SCAR
Se va impune invariana la translaii i la dilatri n timp. Fie n acest scop
semnalul:
96
6.2.2 Cazul reprezentrilor timp-factor de scar
xt
o , ao
t to
1
x
a0 a o
(t) =
Invariana invocat mai sus revine la:

a t sTFx t
o ,a o
(t, a) =
t to
a
TF
,
ats x
ao
ao
(108)
Trebuie remarcat legtura dintre variabilele s i a (ambele introduse pentru a descrie

factorul de scar):
s =
1
a
innd seama de relaia (97), cu = a , condiia (108) impune urmtoarea condiie

asupra nucleelor:
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
unde s-a notat:
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)
Relaia (109) reprezint expresia general a unei reprezentri timp-factor de scar

afin. Cu notaia:
g(u, ) =
TS K (t, ) e j u t dt
(111)
relaia (109) poate fi rescris n forma:
1
atsTFx ( t, a ) =
a
u
u j u
1
1
a dud (112)
g(u, ) X X* + e
a
a
2
2
n care intervine funcia de parametrizare g( u,) . Aceasta clas se mai numete i

clasa afin.
O reprezentare remarcabil a acestei clase este reprezentarea timp-factor de
scar de tip scalogram. Alte exemple de reprezentri timp-factor de scar afine,
precum i constrngerile impuse funciilor lor de parametrizare de diferite proprieti
dorite sunt prezentate n [59].
Pn aici s-a considerat c semnalul de analizat este de energie finit. De fapt
i reprezentrile biliniare pot fi utilizate pentru analiza unor semnale care aparin i
altor clase de semnale. Acest lucru se datoreaz faptului c aceste reprezentri pot fi
privite ca i transformate Fourier. Att membrul drept al relaiei (105) ct i membrul
drept al relaiei (112) pot fi exprimate cu ajutorul transformatei Fourier. Dar dup cum
se tie, [99], transformarea Fourier este definit pe clase mai largi de semnale. De
aceea se poate vorbi despre reprezentri timp-frecven sau timp-factor de scar ale
semnalelor periodice sau ale distribuiilor.
De exemplu, se calculeaz n continuare reprezentarea timp-frecven de tipul
Wigner-Ville a semnalului periodic x(t), cu dezvoltarea n serie Fourier:
x(t) = ck e
k
Se obine:
jk
2
t
T
98
6.2.2 Cazul reprezentrilor timp-factor de scar

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
S-a demonstrat n acest mod c reprezentarea timp-frecven a semnalului periodic

x(t) este discret n domeniul fecven (distana ntre dou componente succesive
fiind
) i periodic de period T n domeniul timp.

T
6 Generalizri
99
Considerente similare pot fi fcute i pentru celelalte reprezentri biliniare

prezentate n acest capitol.
Trebuie remarcat c prelungirea prin periodicitate n domeniul timp a
semnalului analizat este o cale pentru discretizarea n domeniul frecven a
reprezentrilor timp-frecven biliniare.
Mai trebuie menionat c pot fi construite i alte clase de reprezentri biliniare
prin obinerea transformrii Fourier bidimensionale a elementelor clasei lui Cohen
respectiv elementelor clasei afine (a se vedea legtura dintre reprezentarea WignerVille i cea de tipul funcie de incertitudine).
6.3 LEGTURA DINTRE TEORIA REPREZENTRILOR
BIDIMENSIONALE I TEORIA SEMNALELOR ALEATOARE
Pentru nceput se justific aceast legtur. Fr ndoial c elementul comun cel mai
important pentru cele dou teorii este noiunea de nestaionaritate. Aceast observaie
las loc speranei ca s poat fi caracterizate semnalele nestaionare aleatoare cu
ajutorul reprezentrilot timp-frecven. S-a vzut deja c dei cadrul natural al
reprezentrilor timp-frecven este spaiul semnalelor de energie finit se poate vorbi
despre reprezentri timp-frecven ale unor semnale care aparin unor clase mai
generale dect L2 ( R ) . n cazul semnalelor deterministe semnificaia unei reprezentri
timp-frecven era aceea de densitate spectrotemporal de energie. Dup cum se tie
realizrile unui semnal aleator sunt semnale de energie infinit. De aceea se vor cuta
reprezentri timp-frecven care s poat fi interpretate fizic ca i densiti
spectrotemporale de putere.
nti de toate se vor identifica elementele din teoria semnalelor aleatoare care
au fost deja utilizate n aceast lucrare.
Cnd au fost definite noiunile de durat i band ale unui semnal, cu scopul
analizei localizrii acestuia n planul timp-frecven, au fost folosite formulele:
2t
x( )
d ,
2 X( )
Aceste formule reprezint momentele de ordinul II ale variabilelor aleatoare cu

densitile de probabilitate:
x( )
respectiv X( )
Se poate considera c i relaiile care descriu proprietile P1 i P2 au fost

mprumutate din teoria semnalelor aleatoare.
100
6.3 Legtura dintre reprezentrile timp frecven i semnalele aleatoare

ntr-adevr, reprezentarea timp-frecven:
TFx (t, )
poate fi privit ca i
2E x
densitate de probabilitate bidimensional deoarece conform proprietii P1, are loc

relaia:
TFx (t, )
dt d = 1
E
2
n aceast interpretare condiiile proprietii P2 sunt proprietile marginale

ale unei densiti de probabilitate bidimensional. n continuare se face o introducere
alternativ a reprezentrii timp-frecven de tipul funcie de incertitudine bazat pe
teoria semnalelor aleatoare inspirat din lucrarea [56]. S considerm problema clasic
a testului de ipoteze binare. Pe baza msurrii semnalului recepionat y(t) se face
ipoteza Ho c s-a transmis doar zgomotul z(t) sau ipoteza H1 c s-a transmis suma
dintre semnalul util xu (t)i zgomotul z(t). Se poate scrie:
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
(neperturbat) este maximal. Se poate demonstra c ntr-adevr este aa i c este

posibil s se estimeze V pe baza relaiei:
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)
unde msoar ntrzierea iar decalajul Doppler.

De aceea n acest caz:
( V) = x(t), y(t) =
x(t) x* ( t ) e j t dt
= TFxFI ( , )
Dar membrul drept este reprezentarea timp-frecven de tipul funcie de incertitudine.

Iat cum, pornind de la o problem bine cunoscut n teoria semnalelor aleatoare, s-a
ajuns la necesitatea utilizrii unei reprezentri timp-frecven.
n literatura dedicat radarului, integrala din ultima relaie este numit funcie
de incertitudine de band ngust, sau n translaie n sensul lui Woodward. Ea
msoar o corelaie timp-frecven, adic gradul de asemnare dintre un semnal i
variantele sale translatate n planul timp-frecven.
6.3.1 DISTRIBUII DE PUTERE
Fie x(t) un semnal aleator de medie nul care are momente de ordinul 4
nenule. Fie mulimea de funcii ortogonale
proprietatea:
{k t ( )} t R, R .
Acestea au
102
6.3.1 Distribuii de putere
ht (s) ht* (s')dt d
= (s s')
Fie n sfrit integrala:
L x ( t, ) =
x(s)
ht* (s) ds
unde reprezint frecvena sau factorul de scar.

Evident i acesta este un semnal aleator, fiecrei realizri a lui x
corespunzndu-i o realizare a lui L x ( t,) . Se calculeaz fluctuaiile acestei integrale:
E L x ( t, )
= E x(s) x * (s') ht* (s) ht (s') ds ds' =

E { x(s) x* (s')} ht* (s) ht (s') ds ds'
Cu E s-a notat operatorul de mediere statistic.

Dar:
E {x(s) x * (s')} = rxx (s s')

reprezint autocorelaia semnalului aleator considerat.
De aceea ultima relaie devine:
E L x ( t, )
}=
rxx (s,s') ht* (s) ht (s') ds ds'
(113)
Aceast funcie de dou variabile poate fi privit ca i o reprezentare timp-factor de

scar a semnalului aleator x(t). Ea reprezint o distribuie de putere. ntr-adevr,
integrala sa dubl este o constant. S justificm aceast afirmaie. Avem:
6 Generalizri
E L x (t, )
dt d =
103
ds ds'
r
(s,s
'
)
h
(s)
h
(s
'
)dt
d
xx t t
Conform proprietii funciilor ortogonale se poate scrie:
E { L x (t, )
} dt d =
rx (s, s') (s - s') ds ds'
sau:
E { L x (t, )
} dt d =
rxx (s,s) ds
E { x(s)
}ds
Conferind constantei din membrul drept al ultimei relaii semnificaia de putere a
semnalului aleator x(t), rezult c ntr-adevr E L x ( t,)
} 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
ultima relaie se mai scrie:
( t s)
du = F
{ f (u, )} (t
s)
104
6.3.1 Distribuii de putere
E c t f TFx (t, ) =
F( s t, ) x s + x * s e j dsd
2
2
2
Considernd c semnalul x(t) este aleator rezult c i funcia c t f TFx ( t, ) este

aleatoare. Valoarea sa medie statistic, calculat pe ansamblul realizrilor este:

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
Se constat c s-a obinut n acest mod o nou clas de reprezentri timp-frecven

parametrizat prin intermediul funciei F ( s t, ) . Prin particularizarea acestei
funcii de parametrizare se obin diferite elemente ale clasei. Alegerea funciei de
parametrizare ar trebui fcut n aa fel nct n cazul n care semnalul x(t) ar fi
staionar reprezentarea timp-frecven s devin la fiecare moment de timp densitatea
spectral de putere a semnalului considerat. Ipoteza de staionaritate a semnalului
aleator se exprim prin:
rxx (t, t') = rxx (t t')
Notnd cu Px ( ) densitatea spectral de putere a semnalului x(t) ar trebui s fie

satisfcut relaia:
F ( s t, ) rxx ( ) e j ds d =
2 Px ( )
Avnd ns n vedere c autocorelaia unui semnal aleator staionar i densitatea sa

spectral de putere sunt perechi Fourier, pentru ca ultima relaie s aibe loc ar fi
necesar ca:
F( s t, ) ds
Ultima relaie se mai scrie:
= 2
6 Generalizri
105
F{ f (u, )} (t s) ds
= 2

se obine:
ts = w
F{ f (u, )} ( w) dw
= 2
Avnd n vedere c membrul stng reprezint o transformat Fourier calculat n

origine, ultima relaie devine:
{ { f (u, )} (w)}
F F
u= 0
= 2
sau aplicnd teorema simetriei:
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
eantionarea funciei TFx (t, ) . Se obin eantioanele TFx n t o , m o . Este

important s se cunoasc valorile minime ale pailor to i o pentru ca pe baza
eantioanelor TFx n t o , m o s se poat reconstrui exact TFx (t, ) . Conform

teoremei de eantionare [80], [114], ar fi necesar ca suportul n planul timp-frecven
al funciei TFx (t, ) s fie limitat. Pentru aceasta ar fi necesar ca att suportul
semnalului x(t) ct i suportul transformatei sale Fourier s fie limitate (proprietatea
P11 din paragraful 1.2). Dar acest lucru nu este posibil, orice semnal de durat limitat
fiind de band nelimitat i reciproc. n consecin funcia TFx (t, ) nu va putea fi
reconstruit perfect din eantioanele sale. E clar c reconstrucia va fi cu att mai bun
cu ct valorile to i o vor fi mai mici, dar ea nu va fi niciodat perfect. De aceea se
vor cuta alte strategii de eantionare cum ar fi, de exemplu, eantionarea neuniform.
n continuare se va analiza pentru nceput discretizarea reprezentrii timp-frecven
respectiv timp-factor de scar prin eantionare n raport doar cu cea de-a doua
variabil, pentru ca apoi s se analizeze cazul n care se eantioneaz n raport cu
ambele variabile. La nceput va fi analizat cazul reprezentrilor bidimensionale liniare
pentru ca apoi s se prezinte i cazul reprezentrilor biliniare.
7.1 DISCRETIZAREA REPREZENTRILOR LINIARE
Pentru nceput ne vom referi la discretizarea realizat prin eationarea n

raport cu cea de a doua variabil. Acest caz este important deoarece face legtura ntre
teoria reprezentrilor timp-frecven sau timp-factor de scar i teoria bncilor de
filtre.
Aceste sisteme, constituind ansambluri de filtre, se folosesc cu precdere n
construcia analizoarelor de spectru n timp real, aparate pentru analiza semnalelor
nestaionare [124].
Dup cum s-a artat n capitolul precedent orice reprezentare timp-frecven
sau timp-factor de scar liniar este de forma:
7 Discretizarea reprezentrilor timp frecven
107
TFx (t, ) = x(t) K* ( t, )

Eantionarea acestei funcii n raport cu cea de a doua variabil conduce la obinerea
urmtoarelor valori:
TFx ( t, k
= x(t) K* ( t,
Fiecare dintre acestea este o funcie de timp parametrizat de valorile k ,
reprezentnd rspunsul filtrului cu rspunsul la impuls K* t, k
) la semnalul de
analizat. Practic este vorba de prelucrarea semnalului x(t) cu o familie de filtre

parametrizat de valorile k . n cazul reprezentrii timp-frecven de tipul
transformare Fourier scurt expresiile rspunsurilor la impuls ale acestor filtre sunt:
K*1( t, k ) = w( t) e
j kt
= w (t) e j k t
(115)
Se observ c toate aceste filtre se obin dintr-un prototip (filtrul cu rspunsul la
impuls w (t) ) prin modulaie de amplitudine (nmulirea cu exponeniala complex
e j k t ). n consecin, toate aceste filtre au acelai gabarit. Diferena ntre rspunsurile

lor n frecven este dat doar de valoarea diferit a pulsaiilor centrale k .
Dac eantionarea n domeniul frecven este uniform atunci:
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
de ordine k se va obine funcia TFxSTFT t, k o . n cazul reprezentrii timp-factor

de scar de tipul "wavelet" expresia rspunsurilor la impuls ale filtrelor din structura
bncii este:
K*2 ( t, a k ) =
a k 1 * a k 1 t =
a k 1 * a k 1 t
(116)
108
7.1 Discretizarea reprezentrilor liniare
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
Conform afirmaiilor din capitolul 5, aceste filtre (pentru s k = k ) au factor de

calitate constant, i n consecin i banda lor de trecere variaz de la o valoare a
indicelui k la alta. Este tocmai cazul analizorului de spectru n timp real [125].
De aceea se poate afirma c rezoluia frecvenial este constant n cazul
reprezentrilor de tipul transformare Fourier scurt i c rezoluia frecvenial crete
odat cu creterea frecvenei n cazul reprezentrii de tip wavelet.
n continuare se trece la cazul eantionrii bidimensionale. n acest scop se
consider c la ieirea fiecrui filtru (cu rspunsul la impuls K* ( t, k ) ) din banca

de filtre amintit mai sus se conecteaz cte un circuit de eantionare ideal.
Considernd c eantioanele se preleveaz la momentele de timp tm, ele vor avea
valorile:
TFx ( t m , k ) = x(t) K* ( t, k )
(117)
t = tm
Problema este determinarea distribuiei momentelor de timp tm care permite, pe baza
valorilor TFx t m , k
construcia semnalului TFx t, k , sau mai general a
semnalului x(t) .
Legitimitatea acestei probleme provine din faptul c dei reconstrucia
perfect a funciei TFx (t, ) pe baza eantioanelor sale TFx m t o , k o (obinute

n urma eantionrii uniforme) nu este posibil, totui reprezentarea TFx (t, ) este
redundant. Aceast afirmaie este justificat de proprietatea P2 din paragraful 6.1:
TFx ( t, ) =
1
c
A R
TFx ( t ' , ') K ( t, , t ' , ') dt ' d '
Aceast redundan ndreptete sperana reconstruciei funciei de dou
variabile pe baza eantioanelor sale TFx t m , k . Dac totui aceast reconstrucie

nu este posibil, rmne sperana reconstruciei semnalului iniial x(t).
109
7.1.1 DISCRETIZAREA REPREZENTRII TIMP-FRECVEN DE TIPUL

TRANSFORMARE FOURIER SCURT
S-a demonstrat deja c localizarea n domeniul timp a reprezentrii depinde de
durata ferestrei temporale w(t), t i c localizarea n domeniul frecven a
reprezentrii depinde de banda ferestrei temporale, .
Se poate deci afirma c semnalul de analizat este descris prin intermediul
reprezentrii sale timp-frecven de tipul transformare Fourier scurt, la momentul t i
la pulsaia , ntr-o anumit zon din planul timp-frecven numit "celul de
rezoluie" i descris de produsul cartezian:

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.
Figura 1.7.1.1 Acoperirea planului timp-frecven n cazul reprezentrii de

tipul transformare Fourier scurt.
E clar c o densitate minim de eantionare poate fi obinut dac se preleveaz cte

un eantion din reprezentarea timp-frecven cu coordonatele n fiecare celul de
rezoluie. ntr-adevr, dac n mulimea
{TFxSTFT ( t m , k )} mZ, k Z
nici un eantion care s ndeplineasc condiia:
nu ar exista
110
to
7.1.1 Discretizarea RTFTFS
t
t
t m to +
; o
k o +
2
2
2
2
atunci nu s-ar putea spera ca pe baza eantioanelor achiziionate s se determine
valoarea reprezentrii timp-frecven n jurul punctului t o , o . Evident c ar putea

fi achiziionate i mai multe eantioane avnd coordonatele n interiorul fiecrei
celule de rezoluie. De aceea s-a vorbit mai sus de o densitate minim de eantionare.
n consecin se poate afirma c eantionarea reprezentrii timp-frecven de tipul
transformare Fourier scurt la densitatea minim de eantionare poate fi fcut alegnd
coordonatele eantioanelor n centrele celulelor de rezoluie.
n consecin paii de eantionare au valorile:
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
Relaia de mai sus definete o reprezentare timp-frecven discret. Aceast

reprezentare este descris de un operator definit pe L2 ( R ) cu valori n l 2 (Z). n [42]
se demonstreaz c acest operator este inversabil i c operatorul invers este mrginit
dac:
(118)
o t o 2
Expresia operatorului invers este:
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)
Aceast relaie are dou interpretri. Prima interpretare se refer la faptul c

semnalul x(t) poate fi reconstruit pe baza eantioanelor reprezentrii sale timpfrecven de tipul transformare Fourier scurt prelevate corespunztor unei densiti
111
minime. Cea de a doua interpretare este aceea c semnalul nestaionar, de energie

finit,
x(t) poate fi descompus cu ajutorul mulimii de funcii
{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
semnificative ale coeficienilor TFxSTFT nt o , m o . Acestea specific zonele din

planul timp-frecven n care semnalul x(t) are componente semnificative.
E clar c eantionarea cea mai eficient corespunde cazului:
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
s reprezinte o baz ortonormal a spaiului L2 ( R ) . n acest
mod reprezentarea (120) ar fi complet neredundant. De exemplu, dac se consider

fereastra temporal:
1
1
w(t) = 1 2 (t) = t + t
2
2
j m2
se poate construi mulimea: e

, care este o baz
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
Din pcate fereastra temporal dreptunghiular nu are o localizare suficient de bun n

planul timp-frecven:
t =
Deci aceast fereastr temporal nu ndeplinete condiiile pentru ca

reprezentrile timp-frecven de tip transformare Fourier scurt care o folosesc s
poate fi eantionate eficient (complet neredundant) n scopul reconstruciei semnalului
de analizat. De fapt exist o teorem care arat c cele trei condiii:
- o t o = 2 ,
- baz ortonormal a lui L2 ( R ) ,

- wm o , n t o (t)
m Z, n Z
- w(t) bine localizat n planul timp-frecven (n aa fel nct s se poat
alege t o = t i o = ),
sunt contradictorii.
Enunul acestei teoreme , conform [59], este:
Teorema Balian-Low Nu exist nici o fereastr temporal care s aib o localizare
,
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
Deci pentru reconstrucia semnalului x(t) este necesar eantionarea

redundant a reprezentrii timp-frecven de tipul transformare Fourier scurt. De
altfel nici n cazul eantionrilor redundante ( o t o < 2 ), condiia ca mulimea
{w
m o , nt o ( )
m Z, n Z
s fie o baz ortogonal a lui L2 ( R ) nu poate fi verificat
dect de ferestre temporale cu, [42] :
t =
Aceast obstrucie datorat teoremei Balian-Low poate fi evitat dac se
renun la constrngerea ca wm o , nt o = w(t n t o ) e j m o t i dac exponeniala

se nlocuiete cu o funcie trigonometric. Procednd n acest mod Coifman i Meyer
au construit bazele sinusoidale i cosinusoidale localizate ale spaiului L2 ( R ) , [96].
Elementele acestor baze sunt numite "funciile wavelet" ale lui Malvar, n onoarea lui
Malvar care a introdus aceste funcii ntr-un cadru diferit (compresia semnalelor) n
articolul su [93]. Ideea bazelor trigonometrice localizate au fost reluat i dezvoltat
de ctre Mladen Wickerhauser n cartea sa [145].
Dac se renun la pretenia c mulimea
{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
structur de cadru. n continuare se prezint cteva rezultate remarcabile ale teoriei

cadrelor.
Definiie
Mulimea de funcii
{g n ( )} n Z , elemente ale spaiului Hilbert H,
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
Constantele A i B se numesc marginile cadrului.

Dac: A = B atunci este vorba despre un cadru ngust ("tight frame" n limba
englez). O baz ortogonal este un cadru ngust cu: A = B = 1.
Reciproca nu este ns valabil. Nu orice cadru ngust cu marginile unitare este o baz
ortogonal.
114

Dac mulimea { g n ( )}
este un cadru i dac elementele sale sunt liniar
n Z
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
asigur independena informaiei coninute n elementele gj i gk dac j k.

Datorit acestui fapt descompunerea ntr-o baz ortogonal poate fi considerat
neredundant. Partea din informaia asociat lui f coninut n gj este descris doar de
coeficientul f,gj . n cazul descompunerii ntr-un cadru ngust partea din informaia
asociat lui f coninut n gj este descris de mai muli coeficieni ai descompunerii.
Oricrui cadru din H i se poate asocia un operator, numit operator al cadrului
i notat cu F. Acesta este un operator liniar care asociaz spaiul H spaiul l2 ( J) cu:
l 2 (J ) = c = c j
{ }
j J
; c
j J
cj
<
115
i care este definit prin:
(F f ) j =
f, g j
Acest operator este mrginit:
( ) f H ;
Ff
B f
Operatorul adjunct lui F se noteaz cu F* i se exprim pe baza relaiei:
cj g j
Fc* =
j J
Prin compunerea operatorilor F* i F se obine operatorul F*F care este inversabil.

Inversul operatorului F*F se va nota cu (F*F) - 1.
Fcnd notaia:
( ) 1 g j
~
g j = F* F
se obine mulimea:
{ ~g }
j
j J
i aceast mulime are structur de cadru cu constantele B 1 i A 1. Operatorul

~
acestui cadru se noteaz cu F . n [42] se demonstreaz c acest operator are
urmtoarele proprieti:
1
~
F = F ( F* F)
1
~ *~
F F = ( F* F)
~*
~
F F = F* F = Id
~ *
~
F F = F F*
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)
{ }
este numit cadru dual al cadrului ~

.
De aceea cadrul ~
gj
gj
j J
j J
n consecin pentru dezvoltarea semnalului f ntr-un cadru este necesar att
cunoaterea elementelor acestui cadru ct i cunoaterea cadrului dual. De aceea
relaia (124) nu este eficient din punct de vedere al volumului de calcul pe care l
implic. Ar fi mai util o relaie de descompunere de forma:
f, g j g j
j J
asemntoare cu cea din cazul cadrelor nguste (relaia (123)).

n [42] se demonstreaz c dac marginile cadrului A i B sunt suficient de
apropiate:
r =
B
1 << 1
A
atunci e valabil descompunerea:
2
A + B
f =
j J
f, g j g j + R f
(125)
unde operatorul rest R este definit prin:
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 .
n consecin poate fi utilizat pentru descompunere formula aproximativ:
2
A + B
j J
f, g j g j
(125')
n continuare se aplic rezultatele enunate anterior la studiul discretizrii

reprezentrii timp-frecven de tipul transformare Fourier scurt. ntrebrile care se
pun n acest caz sunt:
117
- Pentru ce alegeri ale lui w(t), o i to poate fi caracterizat o funcie pe

baza produselor
f, wm o , nt o
- Cnd este posibil s se descompun f , pe baza unui algoritm stabil, din

aceste produse scalare ?
Rspunsul la aceste ntrebri rezult din condiiile care trebuiesc impuse
pentru ca mulimea wm o , nt o ( )
m Z, n Z
s aib structur de cadru.
n continuare se va folosi notaia:
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)
Se poate demonstra c pentru ca mulimea wm , n ( )

s aib o
m Z, n Z
structur de cadru este necesar ca s fie satisfcut condiia:
2
w
o to
sau, innd seama de faptul c fereastra temporal este de energie unitar:
2
B
o to
Dac ar fi vorba despre un cadru ngust (A = B = 1) atunci ar fi necesar ca:

o t o = 2 .
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
ar conduce la reconstrucia lacunar a semnalului f(t).

Pentru
o t o < 2
} m Z, n Z poate fi un cadru, ba chiar un cadru ngust, generat
mulimea wm , n ( )
de ferestre temporale w(t) cu o bun localizare n planul timp-frecven. Exemplele de

ferestre temporale care satisfac aceste condiii sunt prezentate n [42]. Va fi reluat n
continuare doar exemplul ferestrei temporale Gaussiene avnd n vedere poziia
privilegiat a acestei ferestre (ea conduce la reprezentarea timp-frecven de tip
Gabor):
1
w( ) = 4 e
2
2
n urmtorul tabel sunt prezentate valorile marginilor cadrului generat pentru
.
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
Banc de filtre
modulatoare
trece band
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.
Principalul dezavantaj al sistemului prezentat n figura anterioar este c el

necesit un numr infinit de blocuri. Acest dezavantaj dispare dac se analizeaz un
semnal a crui energie se localizeaz aproape n totalitate ntr-un anumit interval timp-
] [
frecven To , To o , o . n acest caz numrul de circuite din figura

anterioar poate fi finit. Acest fapt poate fi reformulat n forma urmtoarei teoreme
prezentat n [42]:
Dac funciile w m , n ( ) = e j m o w( n t o ) sunt elementele unui
cadru de margini A i B i dac fereastra temporal w( )satisface condiiile:
w( )
C 1 + 2
F {w( )} ( ) C 1 + 2
120
cu > 1, atunci, oricare ar fi > 0 exist constantele pozitive t i , astfel nct

oricare ar fi semnalul x( ) din L2 ( R) i oricare ar fi constantele To i o s aib
loc relaiile:
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
E clar c dac semnalul x( ) se localizeaz, aproape n ntregime n intervalul
[ To , To ] [ o , o ] atunci valorile integralelor:

x( )
> 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
Figura 3.7.1.1 Mulimea punctelor de eantionare a reprezentrii timp-frecven de tipul transformare

Fourier scurt, necesare pentru reconstrucia semnalului x( t ) care este aproape perfect localizat n
domeniul
[ 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

Se pornete de la un ir cresctor a m de numere reale cu proprietile:
lim
Se noteaz:
a m = i
lim a m = +
lm = am + 1 am
i se definesc numerele pozitive m cu condiia:
m + m + 1 l m
Atunci, intervalele a m m , a m + m sunt disjuncte dou cte dou. Ferestrele

w m ( ) sunt construite astfel nct s furnizeze o variant netezit a funciilor
indicatoare ale intervalelor [ am ,am + 1] . Se impun condiiile:
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
Se definesc funciile "wavelet" ale lui Malvar prin:
um, n ( ) =
2
lm

1 a m
wm ( ) cos n +
lm
2
(129)
Se observ nlocuirea exponenialei complexe din produsul din membrul drept cu

funcia cosinusoidal. n referina bibliografic anterior citat este demonstrat
urmtoarea teorem : irul u m , n ( ) reprezint o baz ortonormal a
spaiului L2( R) .
Exemple de funcii w m ( ), modul lor de construcie precum i aplicaii ale funciilor
"wavelet" de tip Malvar sunt prezentate n [145].
123
7.1.2 DISCRETIZAREA REPREZENTRII DE TIP "WAVELET"

Localizarea n timp a acestei reprezentri depinde de durata funciei
generatoare ( ), t i de valoarea factorului de scar s iar localizarea n frecven
depinde de banda funciei generatoare i de valoarea factorului de scar s. De
aceea se poate afirma c n cazul acestei reprezentri celula de rezoluie este:

t
t
t 2 s , t + 2 s s 2 , + s 2 . Dac este vorba despre
reprezentarea timp-frecven de tipul "wavelet" atunci:
s =
unde o reprezint pulsaia central a rspunsului n frecven al filtrului cu

rspunsul la impuls ( ) . n continuare se va considera pentru comoditate c:
o = 1
n consecin se constat c aria celulei de rezoluie este egal cu:
t
s = t
adic, aria este independent de s (sau ).

Fie o' respectiv 1 centrele a dou celule de rezoluii nvecinate. Se
presupune c:
1 = a o o'
Limile de band ale celor dou celule de rezoluie sunt:
'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
7.1.2 Discretizarea reprezentrii timp-frecven de tip wavelet
'0
'
de unde rezult c:
a o '0
=
1
1 = a o '
(130)
Avnd n vedere invariana ariei celulei de rezoluie i notnd cu t o i t1 duratele

celor dou celule de rezoluie n discuie se poate scrie:
t o o = t1 1
de unde rezult c:
t1 =
t0
(131)
ao
Acoperirea planului timp-frecven cu astfel de celule de rezoluie (pentru ao = 2)

este prezentat n figura 1.7.1.2.
t1
1
0 '
0 '
t0
t
Figura 1.7.1.2. Acoperirea planului cu celulele de rezoluie n cazul reprezentrii

timp-frecven de tip "wavelet".
125
Trebuie remarcat c o astfel de acoperire impune o condiie suplimentar asupra

funciei "wavelet" generatoare.
ntr-adevr, avnd n vedere c distana dintre coordonatele centrelor a dou
celule vecine (pe vertical) este:
1 '0 =
'
1
2
i innd seama de relaiile de mai sus, se poate scrie:
'0 (a o 1) =
sau:
'
(ao + 1)
(ao + 1)
'0
=
'
2 (a o 1)
(132)
n consecin rezult c valoarea factorului de calitate al filtrului cu rspunsul n

frecven F (t) ( ) este fixat. La fel i n cazul reprezentrii timp-frecven de
tipul transformare Fourier scurt i n cazul reprezentrii timp-frecven de tip
wavelet se poate vorbi despre o densitate minim de eantionare.
Aceasta se obine i de aceast dat dac coordonatele punctelor n care se
eantioneaz sunt tocmai coordonatele centrelor celulelor de rezoluie (din figura
1.7.1.2).
Legea care descrie repartiia acestor puncte n domeniul frecven este:
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
n continuare urmnd aceeai cale ca i n cazul discretizrii reprezentrii

timp-frecven de tipul transformare Fourier scurt se va studia modul n care poate fi
reconstruit semnalul x( )din eantioanele reprezentrii sale de tip "wavelet". n acest
scop n [42] se studiaz cadrele de tip "wavelet". n continuare se prezint pe scurt
rezultatele obinute n aceast lucrare. Se face notaia:
m, n ( ) = ao
m
2
(a o m n t o )
(133)
Urmtoarea teorem arat condiiile pe care trebuie s le ndeplineasc funcia

"wavelets mother", ( ) pentru ca mulimea
structur de cadru.
{ m, n ( )} m Z, n Z
s aib o
constituie un cadru pentru L2 ( R ) cu

Dac m , n ( )
m Z, n Z
marginile A i B atunci:
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
Se observ similitudinea dintre condiia de admisibilitate a funciei "wavelets mother"

din relaia (83') din paragraful 5.1 i condiiile de admisibilitate din enunul teoremei
de mai sus. Diferena dintre cele dou forme ale condiiei de admisibilitate provine
din faptul c n cazul teoremei de mai sus sunt considerate doar dilatri pozitive ale
funciei ( ), deoarece:
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
(, ao , t o ) conduce la un cadru de funcii "wavelet", chiar dac funcia
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)
descrete cel puin la fel de repede ca i funcia:
(1 + s ) (1 + ) , > 0
} m Z, n Z
atunci exist o valoare M to astfel nct m , n ( )
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
n scopul reconstruciei semnalului x( ) pe baza unui cadru de funcii

"wavelet"
este
necesar
cunoaterea
cadrelor
{ m, n ( )} m Z, n Z
{~ m, n ( )} m Z, n Z . n continuare se prezint cteva exemple de cadre de funcii

"wavelet".
Exemplul 1. Plria mexican Este derivata de ordinul II al unei Gaussiene, normat
n aa fel nct s aib energie unitar:
128
2
3
( ) =
2
1
1 2 ) e
(
(136)
Dac se rotete graficul funciei ( ) n jurul axei sale de simetrie se obine

o suprafa care seamn cu o plrie mexican. n tabelul 1.7.1.2 sunt prezentate
pentru diferite valori ale lui to i

valorile marginilor cadrului m , n ( )
m Z, n Z
ao = 2.
to
0,25
0,5
0,75
1
1,25
A
13,091
6,546
4,364
3,223
2,001
B
14,183
7,092
4,728
3,596
3,454
Tabelul 1.7.1.2 Margini de cadre de tip "wavelet" generate de plria mexican.
Exemplul 2. Funcia Gaussian modulat

Aceast "wavelets mother" are expresia analitic:
1
( ) = 4
n practic se alege:
j o
2o
2
2
2
(137)
o = 5
Fiind vorba despre o funcie complex rezultatul aplicrii reprezentrii timp-frecven

de tipul "wavelet" bazat pe utilizarea acestei funcii semnalului x( )va fi de forma:
x, m , n
i
arg
Reprezentarea arg
{ x,
m, n
coninute n semnalul x( ).
{ x,
m, n
(138)
este foarte util pentru detectarea singularitilor
129
Evident c i n cazul reconstruciei unui semnal pe baza eantioanelor reprezentrii

sale timp-frecven de tip "wavelet" se poate vorbi despre implementarea bazat pe
utilizarea unui sistem compus dintr-un bloc de analiz i unul de sintez.
De fapt relaia:
x(t) =
x, m , n ~
m , n (t) =
m = n =
x, ~
m , n m , n (t) (138')
m = n =
poate fi implementat cu sistemul din figura 2.7.1.2.
Figura 2.7.1.2 Sistem de analiz i sintez a semnalelor de energie finit bazat pe utilizarea reprezentrii
timp-frecven de tipul wavelet.
La fel ca i n cazul reprezentrii timp-frecven de tipul transformare Fourier scurt

un astfel de sistem poate fi utilizat doar dac n structura sa intr un numr finit de
subsisteme. Aceast situaie poate aprea dac semnalul x(t) este localizat aproape n
ntregime ntr-un domeniu compact al planului timp-frecven. Acesta este motivul
pentru care n [42] este demonstrat o teorem referitoare la descompunerea n cadre a
unor astfel de semnale. Aceast teorem se refer la cadrele generate de funcii
130
{ }
"wavelets mother", (t) cu proprietatea c

localizate n planul timp-frecven.
Teorem
Fie
{ m, n ( )} m Z, n Z
i F
sunt funcii simetrice bine
o mulime cu structur de cadru cu
marginile A i B generat de o funcie ( )cu proprietile:
( ) C (1 + 2 )
F {( )} ( ) C
1 + 2
( + )
2
> 1, > 0, > 1
Oricare ar fi > 0 , exist o mulime B o , 1 , T R 2 , astfel nct pentru

orice semnal de energie finit x(t) s aib loc relaia:
( m, n )
B ( o , 1 ,T )
x, n , m
~ n , m
B
A
X ( )
< o
sau > 1
d +
(139)
(
)
x
d
+
x
>T
x( ) este localizat aproape total n domeniul

[ T, T] ( [ 1 , o ] [ o ,1] ) atunci primii doi termeni ai sumei din
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
B ( o , 1 , T) necesar pentru reconstrucia aproximativ a unui semnal

localizat n domeniul [ T , T] ([ 1 , o ] [ o , 1] pe baza
Figura 3.7.1.2 Mulimea
aproape complet
eantioanelor reprezentrii timp-frecven de tip "wavelet" a acestui semnal.
n practic se lucreaz cu valoarea 2 pentru ao . Aceast valoare conduce la

funcii"wavelet" de forma:
m
m , n ( ) = 2 2 2m n , m Z
132
Generarea numeric a acestor funcii este mult uurat de faptul c se lucreaz

cu puteri ale lui 2. Nu ntotdeauna ns aceast valoare a lui ao conduce la o structur
{ 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
de cadru convenabil pentru mulimea
se ajunge la o structur de cadru convenabil. Un cadru cu o astfel de structur este

unul ale crui margini satisfac condiia:
B
1 << 1
A
Aceast condiie este apropiat de condiia:
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
poate obine mulimea: m , n , m Z, n Z, = 1, K N} .

n [42] se demonstreaz c aceast mulime este un cadru cu structur favorabil.
Prin analogia dintre un astfel de cadru i o formaie coral, acesta se mai
numete i cadru pe mai multe voci. ntrebarea fireasc este: Cum se aleg funciile
( ) ? O posibilitate de a alege versiuni dilatate, cu factori fracionari, ale unei
singure "wavelets mother" este:
( )
( 1) ( 1)
2 N 2 N
(141)
Transformatele Fourier ale acestor funcii sunt:
{ ( )} ()
( 1)
= 2
( 1)

F { ( )} ( 1)
2 N
adic:
( 1)
F { ( )} ( ) = F { ( )} 2 N

Dac pulsaia la care funcia F
care funcia F
{ ( )} ( )
{ ( )} ( )
este maxim este c atunci pulsaia la
este maxim este:
ntr-adevr pulsaiile
{ ( )} ( )
133
( 1)
2 N
sunt diferite ntre ele. Selectivitatea funciilor
F { ( )} ( ) . Deci
relaia (141) poate conduce (prin alegerea judicioas a funciei ( ) ) la cunoaterea
F
este impus de selectivitatea funciei
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
7.1.2.1 Baze ortonormale de funcii wavelet

7.1.2.1 BAZE ORTONORMALE DE FUNCII "WAVELET"
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
Elementele bazei sale sunt funciile:

H m , n () = 2
m
2
(2
n m Z, n Z
Un an mai trziu, G. Faber a integrat elementele bazei Haar obinnd o baz

de tip Schauder a spaiului funciilor continue cu suportul [ 0,1] . Pornind de la funcia
H ( ), prin integrare se obine funcia:
1
2 , 0 2
1
F () = 2 2 ,
< <1
2
in rest
0,
Elementele bazei de tip Schauder sunt funciile:
F m, n ( ) = 2
m
2
135
(2 m n)
Dezavantajul bazei de tip Schauder este c nu pot fi dezvoltate cu ajutorul su funciile

discontinue. n anul 1927 profesorul Ph. Franklin de la M.I.T. a avut ideea s
ortogonalizeze baza lui Faber, folosind procedeul Gram-Schimdt. n acest fel el a
obinut o baz care combin avantajele bazelor de tip Haar respectiv de tip Faber [95].
Dezavantajul bazei lui Franklin este c elementele sale nu au form explicit. S. Jafard
a demonstrat n anul 1987 c elementele bazei lui Franklin sunt "aproape" funcii
"wavelet". Conform aceleiai referine bibliografice o funcie de tip "wavelet" are
urmtoarea definiie.
Definiia 1.7.1.2.1.
Funcia de variabil real este o funcie wavelet de
regularitate r, r R , dac sunt satisfcute urmtoarele dou condiii:
1)
(1 + 2 )m ( )
aparine spaiului Sobolev
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 <
Pentru ca aceast condiie s fie ndeplinit este necesar ca:
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
numit "wavelets mother". Dup cum se va vedea n continuare exist i o funcie

"wavelets father", care se va nota cu . Ea mai poart i numele de funcie de scar.
Ea trebuie s verifice condiia 1) din definiia anterioar i n plus mulimea
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
L2 ( R) . n continuare se vor prezenta cteva astfel de funcii n ordine istoric.
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 =
n continuare se stabilesc condiii echivalente condiiilor (108) i (109) n domeniul

frecven. Pe baza relaiei lui Parseval se poate scrie:
m , n ( ), m', n' ( ) =
1
F m , n ( ) ( ), F m', n' ( ) ( )
2
(145)
Dar:
F m , n ( ) ( ) = 2
m
2
e j 2
Relaia (145) devine:
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
Se calculeaz membrul drept al ultimei relaii. Se face schimbarea de variabil:
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
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
Funcia fo ( )este constant i egal cu 1.

ntr-adevr, pentru l = 0 i n = n pe baza relaiilor (143) i (148) se poate
scrie:
1
f ( ) d = 1
2 o
Deci componenta continu a funciei periodice fo ( )este egal cu 1.
138

Pentru l = 0 i n n'pe baza relaiilor (143) i (148) se poate scrie:
1
2
fo ( ) e j
( n n')
d = 0
Deci toi coeficienii Fourier ai funciei fo ( ), cu excepia componentei sale

continue sunt identic nuli. n consecin:
fo( ) = 1
( ) R
Aceast relaie este echivalent cu:
2
F { } ( + 2 k )
= 1
(149)
k =
Cazul II
m m'
n acest caz l 0 . Funcia f(

l )este constant i egal cu 0.
ntr-adevr, pe baza relaiilor (143) i (148) se poate scrie:
1
j n 2l
fl ( ) e (
n'
d = 0
Oricare ar fi ntregii l i n' fixai, poate fi ales n astfel nct:
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,
Ultima relaie se mai scrie n forma:
F{} ( + 2 k )
k =
F * {} 2l ( + 2 k ) = 0, () R, l Z { 0}
(150)
Relaiile (149) i (150) sunt echivalentele condiiei de ortonormalitate n domeniul

frecven.
Conform [82], echivalentul n domeniul frecven al condiiei de
completitudine (144), este sistemul de ecuaii:

2

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)
{ m, n } m Z, n Z este baz ortonormal dac funcia
satisface condiiile: (149), (150), (151) i (152).

Pentru a gsi o astfel de funcie , n vara anului 1985, Yves Meyer a fcut o
ipotez "ad-hoc" i anume:
supp
{ F{ M }}
2
8
2 8
, ,

3
3
3
3
(153)
Dac aceast ipotez este respectat atunci devin valabile relaiile:
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
{ F{ M }()} supp { F{ M }(2l )}
= , pentru l 2
140
De aceea este adevrat relaia (154).

De asemenea, suportul funciei
F { M }( + 2 k )
se obine prin
translatarea la dreapta cu 2k a suportului funciei F M ( ) . Pentru k=3 marginea
stng a suportului funciei F M ( ) se deplaseaz n punctul

pentru k 3 are loc relaia:
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 )} =
n consecin i relaia (145) este adevrat.

De aceea, relaia (149) se scrie:
F{ M}( ) + F{ M}( 2) = 1= F{ M}( 2) + F{ M}( 2 4)

2
(156)
Relaia (150) conduce la:
F{ M }( ) F{ M } ( 2) + F{ M }( 2) F{ M } ( 2 4) = 0
*
(157)
Relaiile (151) i (152) conduc tot la relaiile (156) i (157).

Soluiile sistemului de ecuaii (156), (157) sunt:
F { M }( 2 4 ) = F { M }( )
F { M }( 2 ) = F { M }( 2 ) =
1 F { M }( )
(158)
2
(159)
arg F { M }( ) + arg F { M }( 2 4) arg F { M }( 2 )
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( ) =
nul. Construcia se ncheie punnd:
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
unde ( ) este o funcie indefinit derivabil care satisface condiiile:
(161)
142
0, daca < 0
( ) =
1, daca 1
(162)
( ) + ( 1 ) = 1
(163)
i:
Un exemplu de funcie care satisface aceste condiii este:
0, daca < 0
( ) = 4 (35 84 80 2 20 3 ), daca 0 1
1, daca 1
(164)
Comportarea n domeniul timp a funciei M ( ) descris mai sus este prezentat n

figura 1.7.1.2.1, iar comportarea sa n domeniul frecven n figura 2.7.1.2.1.
Se constat buna localizare n frecven i regularitatea funciei lui Meyer. Din
pcate viteza sa de scdere cnd nu este foarte mare i de aceea localizarea sa
n timp nu este foarte bun.
Pentru determinarea, pe baza condiiilor (149), (150), (151) i (152) a unor noi
funcii de tipul "wavelets mother" o alt ipotez "ad-hoc" a fost fcut de ctre P.G.
Lemari n anul 1986.
Avnd n vedere faptul c n relaiile (149) (152) operaiile de dilatare cu 2
i de translaie cu 2 au un rol important, Lemari a ncercat s disocieze aceste dou
operaii, cutnd soluii de forma:
F { L }( ) = ( ) ( )
unde funcia ( )s fie omogen iar funcia ( )s fie periodic de perioad 4 .
Pentru alegerea:
( ) = p 1
relaiile (149) (152) se reduc la:
( ) 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)
Figura 1.7.1.2.1 Graficul funciei M ( )

pentru alegerea funciei din relaia (164).
4 l( p+1) (2l )
143
Figura 2.7.1.2.1 Graficul modulului

transformatei Fourier a funciei M ( ).
= - ( ) * ( + 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 ) = ( )
O astfel de soluie verific i relaiile (165c) i (165d).Funcia L verific relaia:
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
ele continue). Restricia funciei L la intervale de forma ,

2
2
polinom de grad mai mic sau egal cu p. Mai mult, dac se face alegerea:
arg {( )} =
atunci att funcia L ct i primele sale p derivate sunt cu descretere exponenial.
144
7.1.2.2 Conceptul de analiz multirezoluie

7.1.2.2 CONCEPTUL DE ANALIZ MULTIREZOLUIE
Metodele de construcie a funciilor "wavelets mother" prezentate pn aici se

bazau pe ipoteze "ad-hoc". La sfritul anului 1986 Stephan Mallat i Yves Meyer au
fondat conceptul de "multirezoluie". Pe baza acestui concept pot fi construite
sistematic funcii "wavelets mother" generatoare de baze ortonormale ale spaiului
L2 ( R) .
Mulimea de spaii Hilbert nchise (subspaii ale lui L2 ( R ) ),
Definiia 1.7.1.2.2
{Vm } m Z se numete analiz multirezoluie a spaiului L2 (R) dac elementele sale
satisfac urmtoarele condiii:

1.
2.
3.
K V 2 V1 Vo V1 V2K
Vm = L2 ( R)
m Z
Vm = { 0}
m Z
f (2m ) Vm
4.
( ) f Vo
5.
Exist o funcie n Vo astfel nct mulimea
{( n)} n Z
reprezinte o baz ortonormal a spaiului Vo.

Funcia , dup cum s-a spus deja, poart numele de funcie de scar. n
continuare se prezint un prim exemplu de analiz multirezoluie a spaiului L2 ( R ) .
Exemplul 1. Analiza multirezoluie de tip Haar:
1, 0 < 1,
H( ) =
0, in rest
}n Z
Dac se analizeaz mulimea H ( n)
se constat c aceasta este
ortonormal. Pentru a demonstra aceast afirmaie se calculeaz:
145
H ( n) , H ( n') =
H ( n)
*H ( n') d
innd seama de faptul c:

1.
supp { H ( n)} = [n, n + 1)
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:
f este constat pe intervalul [ n, n + 1), ( ) n Z .
Deci condiia 5. este verificat.

Fie f] un element al lui H V o . Se constat c funcia f1(2 ) este constant pe
orice interval de forma ,

2
n + 1
, adic este un element al spaiului H V1.
2
Deci condiia 4 este verificat.
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
Cnd m tinde la - , limea intervalului m ,

2
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
este o analiz multirezoluie a lui L2 ( R ) . Se remarc buna
localizare n timp i slaba localizare n frecven a funciei H ( ).

n continuare se demonstreaz urmtoarea teorem, care permite construcia
de noi baze ortonormale ale spaiului L2 ( R ) pornind de la diferite analize
multirezoluie.
m
Teorema 1.7.1.2.2
Mulimea m , n ( ) = 2 2 2m n
este o baz
n Z
ortonormal a spaiului Vm.
Demonstraie:
ortonormat.
Se demonstreaz pentru nceput c mulimea considerat este
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
sau fcnd schimbarea de variabil:
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
Dar funciile ( n) i ( n') sunt elemente ale mulimii ( n)

este baza ortonormal a spaiului Vo. De aceea :
n Z
care
147
1, n = n'
m,n ( ) , m,n'( ) = [ n n'] =
0, n n'
Deci mulimea
{ m, n } n Z
este ortonormat.
Fie semnalul xo ( )element al spaiului Vo. Se poate scrie:
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
este i complet. Enunul este demonstrat.
n continuare se exploateaz dualitatea indus de transformarea Fourier pe

spaiul L2 ( R ) demonstrndu-se urmtoarea teorem.
148
Teorema 2.7.1.2.2.
Dac mulimea
{ 0, n ( )} n Z
este o baz ortonormal a
este o baz ortonormal

F { (t n)} ( )
2
n Z
spaiului Vo atunci mulimea

a spaiului F Vo.
Demonstraie: Se noteaz cu F Vo mulimea format din transformatele Fourier ale

elementelor lui Vo.
F { (t n)} ( )
.
2
n Z
Pentru nceput se verific ortonormalitatea mulimii

Avem:
1
F { ( n)} ,
2
1
2
F { ( n')} =
( n), ( n') = [ n n']
2
2
este ortonormal.
F {( n)}
2
n Z
Deci mulimea
Fie x( )un element al spaiului Vo. Se poate scrie:
x( ) =
x( ), ( n) ( n)
n=
Lund n ambii membrii transformata Fourier se obine:
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
este i complet i enunul

F { ( n)} ( )
2
n Z
teoremei este demonstrat.
149
Aplicnd teorema de mai sus n cazul spaiilor Vm rezult c n spaiile F Vm

avem bazele ortonormale
{ F{ }}
m, n
n Z
. De fapt dac
{Vm } m Z
este o
{ { }} m Z este o analiz
analiz multirezoluie a lui L2 ( R ) atunci i mulimea F Vm
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
pe baza ultimei propoziii demonstrate i pe baza exemplului E1, rezult cel de al

doilea exemplu de analiz multirezoluie din acest paragraf.
Exemplul 2. Analiza multirezoluie de tip Palley - Wiener
P W ( ) = sinc ( )
Vo =
{ f L2 ( R)
F { f }( ) = 0, () cu >
Se remarc identitatea spaiilor Hilbert Vo i B2 (spaiul semnalelor de energie finit

i band limitat, ). Condiia 5. din definiia analizei multirezoluie reprezint pentru
acest exemplu tocmai cunoscuta teorem de eantionare WKS [100].
Trebuie de asemenea remarcat c funcia P W ( ) are o bun localizare n
frecven dar c localizarea sa n timp este slab. Teorema 2.7.1.2.2 poate fi
reformulat chiar i ntr-o form mai general.
Teorema 3.7.1.2.2
Fiind dat funcia real, ( ), continu pe poriuni i
ortonormal a subspaiului Hilbert nchis F Vm :
F m , o ( n)
2
n Z
i mulimea:
baza
150
(
e j ) F m , o ( n) ( )
2
n Z
este o baz ortonormal a unui spaiu Hilbert.

O demonstraie a acestei teoreme este prezentat n [75]. Pentru ca mulimea
s reprezinte baza ortonormal a unui

e j () F m , o ( n) ( )
2
n Z
subspaiu F Vo, element al unei analize multirezoluie este necesar ca funcia ( ) s
satisfac condiia:
( ) = ( 2m )
( ) m Z
(166)
Aceast condiie este satisfcut de exemplu de funcia:

( ) = ( sgn )
2
n acest caz se obine:
( )
ej
= j sgn
devine de forma:
e j () F m , o ( n) ( )
2
n Z
De aceea mulimea
{ {
}}
. Cu H s-a notat transformarea Hilbert.

F H m , o ( n) ( )
2
n Z
De aceea se poate formula urmtoarea teorem.
{ m, o ( n)} n Z este o baz

ortonormal a unui spaiu V , atunci mulimea { H { m , o ( n)}}
este o baz
n Z
Teorema 4.7.1.2.1
Dac mulimea
m
ortonormal a spaiului H Vm.

De fapt, deoarece:
H f (2m u) (t ) = H { f (u)} (2m t )
rezult c dac
{Vm } m Z este o analiz multirezoluie a lui L2 (R) atunci i
H Vm
este o analiz multirezoluie a lui L2 ( R ) .

n consecin se poate trage concluzia c dac genereaz o analiz multirezoluie a
spaiului L2 ( R ) atunci i funcia H {} genereaz o astfel de analiz.
n continuare se prezint cteva comentarii referitoare la conceptul de analiz
multirezoluie.
151
n primul rnd trebuie observat c acest concept se pstreaz chiar dac

condiia 5. este puin mai general, impunnd ca mulimea
baz Riesz a spaiului Vo.
Fcnd notaia:
2
m( ) =
F {} ( + 2 k)
{( n)} n Z
s fie o
se constat c pentru ca mulimea considerat s fie o baz Riesz este necesar ca s

existe constantele pozitive A i B astfel nct:
2
A m( ) B
2
Dar m ( ) reprezint transformata Fourier n timp discret a semnalului obinut prin

eantionarea ideal, cu pas unitar a autocorelaiei semnalului (t), r [ n] . n
continuare se demonstreaz cteva propoziii ajuttoare, [88].
Propoziia 1.7.1.2.2.
Oricare ar fi funcia de scar generatoare a unei baze Riesz a
lui Vo, ( n)
exist o funcie m o ( ), indefinit derivabil, astfel nct:
}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
Trecnd ultima relaie n domeniul frecven, se obine:
F { } ( 2 ) = mo [ n] e j n F { } ( )
n
Deci funcia
m o [ n] .
m o ( ) reprezint transformata Fourier n timp discret a secvenei
152
n continuare se consider mulimea o ( n)

, cu:
n Z
F { ( )} ( )
, m( ) 0 , ( ) R
m( )
F { o ( )}( ) =
(167)
}n Z .
Se descompune funcia generatoare a acestei mulimi n baza ( n)

Se obine:
o ( )
n Z
o ( ),
( n) ( n)
sau trecnd n domeniul frecven:
F { o ( )}( ) =
n Z
o ( ),
( n) e j n F { } ( )
adic, pe baza relaiei (167):
n Z
o ( ),
( n) e j n =
se caut condiiile pentru ca mulimea
1
m( )
{ o ( n)} n Z
(168)
s fie ortonormat. Se poate
demonstra imediat c:
o ( n), o ( n')
{ F{ ( )}() } (n' n)
= F 1
sau innd seama de relaia Wiener-Hincin:

o ( n), o ( n')
= r 0 0 (n' n)
(168')
Deci pentru ca mulimea considerat s fie ortonormat este necesar ca:
r 0 0 ( k ) = [ k ]
(168'')
Trecnd, n domeniul frecven, cu ajutorul transformatei Fourier n timp discret se

obine:
r
adic:
0 0
(k ) e j k = 1
F {} ( + 2 k )
k
= 1
(169)

Propoziia 2.7.1.2.2
153
este o baz ortonormal a lui Vo.

Mulimea o ( n)
n Z
Demonstraie: Pentru nceput se verific ortonormalitatea.
{ o } ( + 2 k )
F {} ( + 2 k )
m ( + 2 k )
innd seama de periodicitatea cu 2 a funciei m( ) , rezult:
{ 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
n consecin mulimea este ortonormat. n continuare se demonstreaz c aceast

mulime este i complet. Fie x( ) un semnal din Vo. Se poate scrie:
x( ) =
x( ), ( k) ( k)
k Z
sau trecnd n domeniul frecven:
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
innd seama de periodicitatea cu 2 a produsului mx ( ) m( ) rezult

c p( )trebuie s fie de forma:
pk (
p( ) =
k)
n consecin expresia lui x( )devine:
x( ) =
pk
k
( k)
Deci mulimea considerat este complet.

Cu alte cuvinte oricrei baze ortonormale
baza Riesz a lui Vo,
relaia:
i corespunde
{( n)} n Z , legtura ntre aceste mulimi fcndu-se cu
F { ( )} ( )
m ()
F { o ( )} ( ) =
{ o ( n)} n Z
cu
m ()
= F { } ( + 2 k )
k
De aceea condiia 5. din definiia analizei multirezoluie poate fi generalizat.

Se continu seria exemplelor de analiz multirezoluie.
Exemplul 3.
Vo =
Analiza multirezoluie cu funcii spline.
{x( )
L2 ( R) x( ) este o funcie de gradul I pe [ k, k + 1), k Z }
1 + ,
1 S ( ) = 1 ,
0,
Mulimea
{ 1 S ( n)} n Z
1 0
0 < 1
in rest
este o baz Riesz a lui Vo.
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 ( ) .
n continuare se calculeaz r1S 1S [ n] .
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
r1S 1S [ k ] = 0 dac k > 1

Deci:
2
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
determina i funcia 1 S0( ) trebuie identificat funcia m S ( ).

Se va presupune c aceasta este de forma:
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
Soluiile acestui sistem sunt:
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
Aplicnd transformata Fourier invers se determin funcia generatoare a bazei

ortonormale de translatate a spaiului Vo.
Se remarc faptul c:
1 S ( )
= H( ) H( )
Convoluionnd n continuare cu H ( )se obin noi funcii de scar (spline de ordin
superior):
2S ( )
= 1 S ( ) H ( )
(i aa mai departe) care genereaz noi analize multirezoluie ale spaiului L2 ( R ) .

Acestea se numesc analizele multirezoluie de tip Battle-Lmari.
Formula general de calcul este:
m S ( )
m 1 S ( )
Aceast formul poate fi rescris n forma:
H( )

m S ( )
m 1
= 2
C km
m ( 2
157
k)
k= 0
sau n forma [76]:
F{ m S }
1 e j
( ) =
Funcia 1S ( ) este bine localizat n timp dar localizarea sa n frecven

este mai slab. Convoluionnd de mai multe ori cu H ( ) se mbuntete
localizarea frecvenial, dar localizarea temporal se nrutete.
n continuare se interpreteaz noiunea de analiz multirezoluie precum i
cerinele care intervin n definiia sa. S ncepem cu semnificaia spaiilor Vm. Fie
x( )un semnal de energie finit i xm ( ) proiecia sa pe spaiul Vm, element al unei
analize multirezoluie, indus de funcia de scar . Pe baza teoremei proieciei, [99],
se poate scrie:
( ) 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=
sau innd seama de relaia (172):
xm ( ) =
x( ), m , o ( n) m , o ( n)
(173)
n=
Eroarea medie ptratic cu care aproximeaz semnalul xm ( )semnalul x( )este:
em
= x( )
x m ( )
Se zice c semnalul xm ( ) este aproximarea de rezoluie m a semnalului x( ).

Folosind o analiz multirezoluie pot fi deci obinute aproximrile de diferite rezoluii
ale semnalului analizat. Dup cum se tie n diferite aplicaii ale prelucrrii semnalelor
sunt necesare aproximri de diferite rezoluii ale semnalului de interes.
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
irul de subspaii Hilbert nchise
{Wm } m Z
descompunere ortogonal a lui L2 ( R ) , dac sunt ndeplinite condiiile:

1.
2.
m p
Wm = L2 ( R )
m Z
este o
159
n continuare se vor construi descompuneri ortogonale ale lui L2 ( R )

corespunztoare unor analize multirezoluie. Aceste descompuneri ortogonale vor fi
generate de funcii "wavelets mother".
n paragraful anterior s-a demonstrat c oricare ar fi funcia o ( ) exist o
funcie m o ( )astfel nct:
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=
Fcnd n ultima relaie schimbarea de variabil:
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)
i innd seama de periodicitatea cu 2 a funciei

rspunsul n frecven al unui filtru numeric):
= 1
mo ( ) (acesta reprezint
160
7.1.2.3 Conceptul de descompunere ortogonal
mo ( )
F{ o }( + 2 p)
p=
+ mo ( + )
innd seama de ortonormalitatea mulimii
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 } ( )
Fie W spaiul vectorial generat de mulimea
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
este o baz ortonormat a spaiului

k
2
k Z
Mulimea
3.
Vo = V1 W1
Demonstraie.
L2 ( R) ,
W 1 definit mai sus. Sunt valabile urmtoarele
2.
W1,
a lui
Pentru a demonstra consecina 1., se arat pentru nceput c:
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=
S-a presupus c m o ( ) este rspunsul n frecven al unui filtru numeric cu

rspunsul la impuls funcie real.
Deci:
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=
Se remarc relaia dintre coeficienii filtrelor numerice cu rspunsurile n frecven

m o ( )i m 1( ):
m1[ n] = ( 1) n 1 mo [1 n] = ( 1) n 1 mo [ n 1]
{ }
Dar F ( 2 ) este transformata Fourier a funciei
(177)
1
.
2 2
De aceea pe baza relaiei (176) se poate scrie c:
1
= ( 1) n 1 mo [1 n] o ( n)
2 2 n =
(177')
2 k sunt elemente ale
Pe baza ultimei relaii se poate afirma c toate funciile
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
nainte de a demonstra consecina 1. a propoziiei de care ne ocupm, se

demonstreaz consecina 2.
n acest scop se calculeaz n primul rnd suma:
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
sau pe baza periodicitii cu 2 a funciei m 1( ) :
S = m1( )
F { o } ( + 2p)
p Z
+ m1( + )
F { o } ( + (2p + 1))
p Z
{ o ( k)} k Z se obine:
innd seama de ortonormalitatea mulimii

2
S = m1( ) + m1( + )
Dar:
m1( ) = e j mo* ( + )
2
= mo ( + )
i:
m1( + ) = e j
2
( + )
m*o ( )
= mo ( )
Deci, pe baza relaiei (175), se poate scrie:
S = 1 = F{}( 2( + k )) = m1( ) + m1( + ) , () R (178)

2
Se remarc c i filtrul cu rspunsul n frecven m 1( ) ndeplinete o condiie de

tipul (175).
Capitolul 7
163
Dac n relaia (178) variabila se nlocuiete cu
F { } 2 + k
se poate scrie:
2
= 1
adic:
F { } ( + 2 k )
k
S-a demonstrat n acest mod c mulimea
= 1
{ ( n)} n Z
(179)
este ortonormat:
( k), ( l) = [ k l ]
(180)
n continuare se calculeaz produsele scalare:
1
2
( 2
1
2 ( 2 1
k), 2
l)
= 2
( 2 1 k) * ( 2 1 l) d
Dup schimbarea de variabil:
u = 2 1
1, k , 1, l
= ( k), ( l) = [ k l ]
este ortonormat.
k
2
2
k Z
n consecin mulimea
Fie xo ( )un element al lui Vo:
xo ( ) =
ao , k o ( k)
k
n domeniul frecven aceast relaie devine:
X o ( ) = mx ( ) F { o } ( )
(181)
164
Fie semnalul x 1( ) obinut prin filtrarea semnalului xo ( )cu filtrul cu rspunsul

n frecven m 1( ). Se obine:
X 1( ) = m1( ) X o ( ) = m1( ) mx ( ) F { o } ( ) = mx ( ) F {}(2 )

n consecin semnalul x 1( ) se exprim ca i o combinaie liniar de elemente ale
. De aceea se poate afirma c aceast mulime este

k
2
2
k Z
complet n W1 . n consecin ea este o baz ortonormal a acestui spaiu.
mulimii
Consecina 2. a teoremei pe care o analizm este deci demonstrat. Se revine la

consecina 1. Se calculeaz suma seriei:
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 )
m1( + (2p + 1)) m*o ( + (2p + 1)) F { o } ( + (2p + 1))
sau innd seama de periodicitatea cu perioada 2 a funciilor m 1( ) i m *o ( ):
F * { o } ( 2( + k )) =
F {}( 2( + k ))
k
m1( ) mo* ( ) F { o } ( + 2 p) +
2
+ m1( + ) m*o ( + ) F { o } + (2 p + 1)
p
n sfrit, innd seama de ortonormalitatea mulimii
{ o ( n)} n Z :
F{}( 2( + k ))
165
F * { o } ( 2( + k )) =
m1( ) mo* ( )+ m1( + ) mo* ( + )

Dar pe baza legturii dintre funciile m 1( ) i m o ( ):
m1( ) mo* ( ) + m1( + ) mo* ( + ) = e j mo* ( + ) mo* ( ) +

+ e j e j mo* ( ) mo* ( + ) = e j (1 1) mo* ( ) mo* ( + ) = 0
S-a demonstrat c:
m1( ) mo* ( ) + m1( + ) m*o ( + ) = 0
( ) R
(182)
Se poate deci scrie:
F {}( 2( + k ))
F * { o } ( 2( + k )) = 0
nlocuind n aceast relaie variabila cu variabila
F{}( + 2 k )
k
( ) R
se obine:
2
F * { o } ( + 2 k ) = 0
Integrnd pe intervalul [-,] aceast relaie rezult:
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
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,
Conform relaiei lui Parseval, ultima relaie este echivalent cu:
( p) , o ( q ) = 0 ,
( ) ( p, q ) Z Z
(184)
Dar:
p , o q = ( p) , o ( q )
2
2
2
(185)
Se poate deci scrie:
1
1
p ,
q = 0
o
2
2
2
2
1

2 2
De aceea rezult c mulimile
( ) ( p, q ) Z Z
p Z
sunt
q
o
2
2
q Z
ortogonale. Avnd n vedere c aceste mulimi reprezint baze ortonormale ale

spaiilor W-1 i V-1 rezult c aceste dou spaii sunt ortogonale. Deci consecina 1. a
propoziiei 1.7.1.2.3 este demonstrat. Mai rmne justificarea consecinei 3.
Fie x1( )proiecia semnalului xo ( )din Vo pe spaiul V-1. Se poate scrie:
ao , k o ( k)
xo ( ) =
i:
167
x o ( ) = x 1( ) + d 1( )
Conform teoremei proieciei semnalul eroare d 1( ) este ortogonal pe spaiul V-1.

Deci conform consecinei 1, d 1( ) aparine spaiului W-1.
Se poate scrie:
x 1( ) =
x o ( ), o k
2 k
2
2 k
(186)
d 1( ) =
1
2
x o ( ), k k
2
2
(187)
i:
Ultima relaie este valabil deoarece:
xo ( ), k = x 1( ) + d 1( ), k =
2
2
x 1( ), k + d 1( ), k = d 1( ), k
2
2
2
innd seama de descompunerea lui xo ( )n baza
(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)
relaiile (189) i (190) devin:
k
2
x 1( ) =
1
2
a 1,k
d 1( ) =
1
2
d 1,k 2 k
i:
(193)
(194)
Iat cum se exprim componentele semnalului xo ( ) ca descompuneri n bazele

ortonormale ale spaiilor V-1 i W-1. Deci oricare ar fi semnalul xo ( ) din Vo exist
semnalul x1( ) (din V-1 inclus n Vo) i d1( )(din W-1 inclus n Vo) astfel nct:
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)
innd seama de definiiile funciilor m o ( )i m 1( ).

Aceste relaii stau la baza unui algoritm modern (introdus de Mallat) de calcul
al coeficienilor proieciilor semnalului xo ( ) pe spaiile V- m i W- m (m > 0) care
stabilete legtura dintre teoria funciilor "wavelet" i filtrele piramidale. De asemenea
cu ajutorul acestor relaii se pune n eviden legtura dintre teoria funciilor "wavelet"
i metoda de codare n subbenzi a semnalelor. Aceste legturi vor fi evideniate n
cadrul unor paragrafe urmtoare din lucrarea de fa .
C)
Semnalul a0,n poate fi reconstruit perfect dac se cunosc semnalele
a -1 ,n i d -1,n . ntr-adevr:
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
x 1( )+ d 1( ) =
= a 1[ n] mo [ l 2n] o ( l ) + d 1[ n] m1[ l 2n] o ( l )
n
l
l
=
a 1[ n] mo [ l 2n]
n
+ d 1 [ n]m1[ l 2n] o ( l )
2 =
170
Identificnd membrul drept al ultimei relaii cu descompunerea semnalului xo ( ) n

baza
{ o ( n)} n Z , se obine:
a o,l =
(a 1[ n] mo [l 2n] +
n
d 1[ n] m1[l 2n])
(197)
S-au folosit notaiile:
a -1[ n] = a -1,n i d -1[ n] = d -1,n

Deci semnalul xo ( ) poate fi reconstruit pornind de la semnalele n timp discret
a -1 [ n] i d -1 [ n] , folosind filtrele numerice cu rspunsurile n frecven m o ( ) i
m 1( ), care respect condiiile:
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)
D) n continuare se consider c spaiul Wm este complementul ortogonal al

spaiului Vm n raport cu spaiul Vm+1.
Se constat c:
o ( )
Vo i
o ( 2 )
V1
Se pune ntrebarea: n ce spaiu se gsete funcia ( )?

Se tie c funcia
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
( ) este ortogonal pe mulimea
{ o ( k )} k Z .
171
Dar aceast mulime genereaz spaiul Vo. n consecin:
V1 i Vo
Dar funcia aparine complementului ortogonal al lui Vo n V1, Wo:
V1 = Vo Wo
Se constat c mulimea
{ ( k )} k Z
este inclus n Wo. Aceast mulime este
complet n W0. Se va demonstra aceast afirmaie prin reducere la absurd. S-a

presupus c semnalul w o ( ) este un element din Wo, ortogonal pe toate elementele
mulimii
{ ( 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
Deci semnalul w o ( ) aparine spaiului Vo. Aceast afirmaie

fcut. Deci mulimea
{ ( k )} k Z
contrazice ipoteza
este complet n Wo. Pe baza relaiei (181)
se poate afirma c aceast mulime este i ortonormat. n consecin ea este o baz

ortonormal a spaiului Wo.
La fel se poate demonstra c mulimea
{ m,n ( )} n Z
este o baz
ortonormal a spaiului Wm.

E) Iternd de mai multe ori relaiile ntre mulimi, deja demonstrate, se poate
scrie:
VM = VM 1 WM 1 = VM 2 WM 2 WM 1 =...= V0 ( Wp ) (200)
0 p J
Dar pentru c
scrie:
{Vm } m Z
reprezint o analiz multirezoluie a lui L2( R) se poate
172
U Vm = L2 ( R)
mZ
sau :
Wm = L2 ( R)
mZ
adic:
U Wm = L2 ( R)
mZ
innd seama de faptul c:
W
i c:
m 1
Vm
Wm Vm
rezult c:
Wm 1 Wm
n consecin se poate afirma c
{Wm }m Z reprezint o descompunere ortogonal
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
este o baz ortonormal a lui L2 ( R ) . n continuare se
prezint dou exemple de descompuneri ortogonale ale lui L2 ( R ) .

Exemplul 1. Expresia funciei de scar corespunztoare este:
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
De aceea folosind relaia (177') se obine:
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
expresia binecunoscutei baze
ortonormale de tip Haar a lui L2 ( R ) .

Din pcate localizarea n frecven a funciei H ( ) nu este prea bun. n
plus aceast funcie nu este nici regulat.
Exemplul 2. Descompunerea ortogonal de tip Palley -Wiener.
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 ( )
Din pcate aceast funcie nu este foarte bine localizat n timp.

m o P W [2 k ] =
[k ]
i
2
mo P W [ 2k + 1] =
( 1) k
,
(2k + 1)
k Z
Exemplul 3. Descompunerea ortogonal de tip Battle Lemari.

Cnd s-a studiat exemplul E3 de analiz multirezoluie s-a determinat
transformata Fourier a funciei de scar de tip Battle Lemari de ordinul 2:
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
se determin expresia rspunsului n frecven:
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
Deci, transformata Fourier a funciei "wavelets mother" de tip Battle Lemari de

ordinul 2 este:
F { BL2} ( ) =
3 j
e
2
1 + 2 cos2
2
1 + 2 sin 2
4 sin 4
1 + 2 cos2
4
4
Din pcate funciile oBL2 ( )i BL2 ( ) nu au reprezentri compacte. Graficele lor

sunt prezentate n figura 1.7.1.2.3.
a) Funcia de scar.
b) Funcia wavelets mother corespunztoare.

Figura 1.7.1.2.3 Funciile generatoare de tip Batle-Lemari de ordinul II.
Funciile B-L de ordin superior sunt prezentate n [42].
176
7.1.2.4 Caracterizarea analizelor multirezoluie cu ajutorul polinoamelor
7.1.2.4 CARACTERIZAREA ANALIZELOR MULTIREZOLUIE CU

AJUTORUL POLINOAMELOR. BAZELE ORTONORMALE DE FUNCII
"WAVELET" CU SUPORT COMPACT
n paragraful anterior a fost subliniat rolul central al filtrelor cu rspunsurile n
frecven m o ( ) i m 1( ), la construcia analizelor multirezoluie respectiv la
construcia descompunerilor ortogonale ale spaiului L2 ( R ) .
S-a artat c pentru generarea spaiului V-1, pornind de la spaiul Vo se
utilizeaz filtrul cu rspunsul n frecven m o ( ), fiind valabil relaia:
F { o } ( 2 ) = mo ( ) F { o } ( )
(205)
S-a demonstrat c filtrele cu rspunsul n frecven m o ( ), trebuie s satisfac

condiia:
2
mo ( ) + mo ( + ) = 1, ( ) R
(206)
Lund n relaia (205) pentru valoarea 0, se obine:
mo ( 0) = 1
(207)
De aceea, pe baza relaiei (206) se poate scrie:
mo ( ) = 0
(208)
Pentru generarea spaiului W-1 pornind de la spaiul Vo, se utilizeaz filtrul cu

rspunsul n frecven m 1( ), fiind valabil relaia:
F { } ( 2 ) = m1( ) F { o } ( )
(209)
m1( ) = e j mo* ( + )
(210)
m1( 0) = mo* ( ) = 0
(211)
unde:
Rezult:

i:
177
m1( ) = 1
(212)
Filtrele cu rspunsurile n frecven m o ( ) i m 1( ), care ndeplinesc

condiiile de mai sus, au fost introduse n [129], n contextul teoriei codrii n subbenzi
i se numesc filtre conjugate n cuadratur (Conjugate Quadratur Filters).
n paragraful de fa se va stabili o legtur ntre modalitile de construcie a
acestor filtre i teoria polinoamelor.
n acest scop se formuleaz urmtoarea propoziie, [88].
Propoziia 1.7.1.2.4
1.
F { o } ( )
2.
F { o } ( )
3.
F { o } ( )
Demonstraie.
Dac m o ( ) este strict pozitiv pentru 0, , atunci:

2
=
> 0;
= 2 k
= 0
= 0;
( ) k Z - { 0} ;
= 1;
Iternd relaia (195) se obine:
F { o } ( ) =
N
n=1
mo n F { o }
2

N
2
Lund n ultima relaie pentru valoarea se obine:
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
7.1.2.4. Caracterizarea analizelor multirezoluie cu ajutorul polinoamelor
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)
Se tie c orice funcie de tipul "wavelets mother" reprezint rspunsul la impuls al

unui filtru de tip trece band. De aceea ca o consecin direct a condiiei de
admisibilitate (83'):
F { } (0) = 0

F {} ( ) = m1 F { o }
2
2
179
Derivnd n cei doi membri ai ultimei relaii se obine:
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
adic pe baza relaiilor (211) i (214):
m 1'( 0) = 0
Procednd prin recuren se poate demonstra c:
( )
m1k (0) = 0 , k = 0, 1, ..., r
(215)
Derivnd relaia (210) se obine:
m1' ( ) = j e j mo* ( + ) + e -j mo* ' ( + )

sau pentru:
= 0
m1' ( 0) = j mo* ( ) + mo* ' ( )
m'o ( ) = 0
Procednd prin recuren se poate demonstra c:
( )
mo ( ) = m'o ( ) = ... = mor ( ) = 0

(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
Substituind relaia (219) n relaia (218) i considernd: = 0
(219)

se obine:
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
sau, pe baza relaiei (207), se poate scrie:
F { o } (0) = 1
2
Deci i consecina 3. este verificat.

n legtur cu teorema demonstrat pot fi fcute urmtoarele comentarii:
F { o }
A.
(k)
(2 p ) =
0,
k = 1, 2, ..., r , p = 1, 2, ...
Demonstraie. Derivnd relaia (205), se obine:
2 F ' { o } (2 ) = m'o ( ) F { o } ( ) + mo ( ) F ' { o } ( )

Pentru:
=
F ' { o } ( 2 ) = 0
181
182
Pentru:
= 2
F ' { o } ( 4 ) = 0
Se poate demonstra prin recuren c:
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)

Pentru:
183
= 0
n k o (t n)
F { k o (t )} ( 2 p )
(222)
Membrul drept al acestei relaii este un polinom de gradul k, n variabila t. Deoarece,

membrul stng este o combinaie liniar de elemente ale mulimii
{ 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)
Primul factor descrie regularitatea funciei de scar (respectiv a funciei "wavelets
mother") iar cel de al doilea este un polinom n variabila e j .

ntradevr o astfel de alegere satisface att condiiile impuse de relaia (198),
ct i propoziia 1.7.1.2.4. Bineneles relaia (223) nu este singura alegere posibil.
Avantajul su este c aceast alegere conduce la construcia de funcii "wavelets
mother" cu suport compact. ntr-adevr, conform relaiei (223) filtrul cu rspunsul n
frecven m o ( ) nu are poli. Avnd n vedere c este vorba despre un filtru numeric
rezult c este un filtru cu rspuns finit la impuls. De aceea i filtrul cu rspunsul n
frecven m 1( ) este tot cu rspuns finit la impuls. n consecin membrul drept al
expresiei (177'):
( ) = 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
lungimea suporturilor funciilor o i depinde de alegerea lui N. Cu ct N este

mai mare, cu att suporturile sunt mai lungi.
Se poate scrie:
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( )
=
Dup cum s-a vzut deja, filtrul cu rspunsul n frecven m o ( ) trebuie s

satisfac condiiile:
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
Aceste polinoame verific i condiia:

2
mo ( ) + mo ( + )
= 1

Cu notaia:
185
1 + cos
2
X =
membrul drept al relaiei (225) devine:
Q( X) = X (1+ 1(1 X) (2X 1) + 2 (1 X) 2 (2X 1) X +...

+ N X N 1(1 X) N (2X 1))
(226)
n [41] coeficienii k , k = 1, N sunt presupui reali. Cea mai simpl

alegere pentru coeficienii k , k = 1, N este valoarea 0.
n acest caz:
Q( X) = X ;
mo H ( ) =
1 + e j
2
Este cazul filtrului folosit n legtur cu funcia de scar de tip Haar.

Dac se face alegerea:
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 ( )
Se determin funcia m ( ) cu proprietatea c:
m( )
Fie:
= 2 cos
m( ) = + e j
innd seama de identitatea:

2
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
Cu excepia unui factor de tip exponenial complex, acestui rspuns n frecven i

corespunde rspunsul la impuls:
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
Q( X) = X ( X(3 2X) + 2 (1 X) 2 (2X 1) X) =

= X 2 (3 2X + 2 (1 X) 2 (2X 1))
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
Figura 1.7.1.2.4. Funciile wavelets mother

( psi(x)) i funciile de scar corespunztoare
189
cu suport compact introduse de Ingrid Daubechies
(phi(x)).
190
Figura 1.7.1.2.4. (continuare) Funciile wavelets mother cu suport compact introduse de

Ingrid Daubechies ( psi(x)) i funciile de scar corespunztoare (phi(x)).
191
Trecnd la limit pentru N tinznd la infinit ultima relaie devine:
F { o } ( ) =
n= 1
mo n F { o } (0)
2
sau innd seama de faptul c valoarea transformatei Fourier a oricrei funcii o ( ),

n origine este 1 rezult:
F { o } ( ) =
n= 1
mo n
2
(231)
n consecin, pe baza relaiei (231) poate fi calculat transformata Fourier a oricrei

funcii de scar corespunztoare uneia dintre funciile "wavelets mother" introduse de
Daubechies. Inversnd aceast transformare Fourier poate fi obinut expresia funciei
de scar corespunztoare.
Mai mult, pornind de la relaia (199):

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
Folosind aceast relaie poate fi determinat direct expresia funciei "wavelets

mother". Convergena produselor infinite din relaiile (221) i (222) trebuie
considerat n sensul distribuiilor. In [41] se prezint o metod grafic, care se poate
implementa cu uurin pe calculatoare numerice pentru calculul produselor infinite
din relaiile (221) i (222). Principalul dezavantaj al funciilor "wavelets mother"
propuse de I. Daubechies, descrise n acest paragraf este lipsa lor de simetrie. De fapt
pentru nici una dintre aceste funcii nu exist vreo ax de simetrie. n consecin,
filtrele lor generatoare, cu rspunsurile n frecven m oD k ( ), m 1D k ( ) nu sunt
filtre cu caracteristica de faz liniar.
Acesta este un dezavantaj n unele aplicaii mai ales atunci cnd este vorba de
prelucrarea imaginilor.
192
7.1.2.5 Algoritmul lui Mallat

7.1.2.5 ALGORITMUL LUI MALLAT
Acest algoritm permite calculul rapid al proiecilor semnalelor de energie

finit pe diferite subspaii, elemente ale unei analize multirezoluie sau ale unei
descompuneri ortogonale. El stabilete o legtur interesant ntre metodele de
prelucrare ale semnalelor analogice i metodele de prelucrare ale semnalelor discrete.
S-a demonstrat deja n relaiile (193) i (194) c proieciile semnalului xo ( ) din Vo
pe spaiile V-1 i W-1 se pot calcula cu relaiile:
x 1( ) =
a 1,k
0 1, k ( )
(233)
d 1( ) =
d 1,k 1, k ( )
(234)
i:
Coeficienii acestor descompuneri pot fi exprimai pa baza coeficienilor

descompunerii semnalului xo ( ) n baza lui Vo,
{ o ( k )} k Z ,
a 0 ,k cu
relaiile (195) i (196):
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:
Aceste relaii permit calculul coeficienilor proieciilor x1( )i d1( )cu

ajutorul coeficienilor a 0 ,l . Fie x m ( ) i d m ( ) proieciile semnalului xo ( ) pe
spaiile V-m i W- m. Aceste proiecii se pot descompune n bazele
} k Z ale acestor spaii:
{ 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
Fie x m +1( )proiecia semnalului xo ( )pe spaiul V- m +1:
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 =
n consecin, pornind de la coeficienii a0,l i iternd de un numr

corespunztor de ori, pe baza relaiilor (240) i (241), pot fi determinai coeficienii
a m ,k i d m ,k. Avnd n vedere c structura bazelor spaiilor V-m i W-m este
cunoscut rezult c apoi pot fi determinate proieciile semnalului xo ( ) pe spaiile
V-m i W-m. Relaiile (240) i (241) descriu algoritmul de calcul al proieciilor
semnalului xo ( ) pe spaiile V-m i W-m. n acelai timp, aceste relaii descriu o
modalitate de prelucrare numeric a semnalului a m + 1, k [ l ] cu ajutorul filtrelor cu
rspunsurile la impuls m *o [ l] i m 1* [ l] , n scopul obinerii semnalelor a m [ k] i
d m [ k] . Aceast prelucrare presupune o filtrare i o decimare.
De exemplu semnalul a m [ k] poate fi generat cu ajutorul sistemului din
figura 1.7.1.2.5.
Figura 1.7.1.2.5 Prelucrarea numeric sugerat de relaia (240).
ntr-adevr:
u[ n] = a m+1[ n]
2 m0v* [ n] = a m + 1[l ] mo* [l n]

l
Blocul de decimare cu 2 rspunde la semnalul u[ n] cu semnalul u[ 2n] . Deci:
194
a m [ n] = u[ 2n] = a m + 1[l ] mo* [l 2n] 2

l
S-a regsit relaia (240). De aceea sistemul care transform semnalul ao [ n] n

semnalele a m [ n] i d m [ n] are structura din figura 2.7.1.2.5. De fapt sistemul din
figur genereaz i semnalele d k [ n] , k = 1, m . Se constat c acest sistem are o

intrare i m + 1 ieiri.
Figura 2.7.1.2.5. Sistemul numeric de proiecie al semnalului pe spaiile V- m i W- k, k=1m.
Dac se consider c semnalul ao [ n] are 2m +1 eantioane nenule atunci se

constat c semnalele a1[ n] i d1[ n] au 2m eantioane nenule (datorit operaiilor
de decimare cu factor 2) c semnalele a2 [ n] i d2 [ n] au 2m 1 eantioane nenule i
aa mai departe. Semnalele a m [ n] i d m [ n] vor avea doar cte 2 eantioane nenule.
Fie semnalul yo [ n] obinut prin concatenarea semnalelor a m [ n] , d1[ n] , d2 [ n] , ...,
d m [ n] . Se spune c semnalul yo [ n] a fost obinut prin aplicarea transformrii
195
"wavelet" discret semnalului ao [ n] . Se constat c aceast transformare este liniar

(deoarece sistemul din figura 2.7.1.2.5 este liniar). Din pcate transformarea "wavelet"
discret nu este invariant la translaii (dect dac translaiile se fac cu multiplii de
2m +1), deoarece sistemul considerat este variant n timp.
S calculm numrul eantioanelor secvenei yo [ n] . Acesta este:
2 + 2 + 22 + ... + 2m = 1 +
2k = 1 +
k= 0
2m+1 1
= 2m+1
21
Deci prin transformarea "wavelet" discret numrul de eantioane ale semnalului de

prelucrat nu se modific (dac el este o putere corespunztoare a lui 2).
Trebuie remarcat faptul c transformarea "wavelet" discret este inversabil.
n continuare se justific aceast afirmaie. Procednd la fel ca i la demonstraia
relaiei (197) se poate arta c:
a m + 1, l = 2 a m , n mo [l 2n] + d m , n m1[l 2n]
(242)
Deci pe baza semnalelor a m [ n] i d m [ n] se poate determina semnalul a m +1[ n] . Pe

baza semnalelor a m +1[ n] i d m +1[ n] se poate determina semnalul a m + 2 [ n] .
n consecin pornind de la semnalele a m [ n] , d m [ n] , d m +1[ n] , ... , d1[ n]
poate fi reconstruit semnalul ao [ n] . Relaia (242) poate fi implementat cu ajutorul
sistemului din figura 3.7.1.2.5.
Dac la intrarea unui interpolator cu factorul 2 este adus semnalul x[ n] atunci la
ieirea sa se obine semnalul y[ n] , dat de relaia:
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
Figura 3.7.1.2.5. Sistem de sintez care implementeaz relaia (242).
Se constat c ntr-adevr sistemul din figura 3.7.1.2.5 implementaz relaia (242).

De aceea se poate afirma c transformarea "wavelet" invers este implementat de
ctre sistemul din figura 4.7.1.2.5. i transformarea "wavelet" invers este o
transformare liniar.
Algoritmul lui Mallat este un algoritm piramidal deoarece la fiecare iteraie a sa
(proiecie pe spaiile V- k , W- k din spaiul V- k +1) numrul de eantioane al secvenelor
obinute este jumtate din numrul de eantioane ale secvenei iniiale
Dac se consider o singur iteraie din transformatele "wavelet" direct i invers se
poate obine sistemul de analiz - sintez din figura 5.7.1.2.5.
Blocul de analiz face codarea semnalului ao [ n] n dou subbenzi. Aceasta este
legtura dintre teoria funciilor "wavelet" i sistemele de codare n subbenzi. Astfel de
sisteme sunt descrise n [79].
Sistemul din figura 2.7.1.2.5, codeaz semnalul ao [ n] n m + 1 subbenzi.
Modul n care se face acest codare este descris n [76]. Cteva aplicaii interesante ale
sistemelor de decimare i interpolare sunt prezentate n [75].
Utilizarea unor astfel de sisteme face legtura dintre teoria funciilor "wavelet"
i teoria sistemelor "multirating" [142]. Algoritmul lui Mallat i-a gsit deja
numeroase aplicaii. O parte dintre acestea vor fi prezentate n capitolele urmtoare.
Figura 4.7.1.2.5 Sistemul numeric care implementaz transformarea "wavelet" invers.
Figura 5.7.1.2.5 Sistem de analiz i sintez cu funcii "wavelet"
197
198
7.1.2.6 Derivarea i integrarea n analizele multirezoluie
7.1.2.6 DERIVAREA I INTEGRAREA N ANALIZELE MULTIREZOLUIE

n paragraful 7.1.2.2 au fost prezentate cteva propoziii al cror scop era
construcia unor noi analize multirezoluie pornind de la o anumit analiz
multirezoluie, deja cunoscut. Acestea sunt: teorema 2.7.1.2.2, teorema 3.7.1.2.2 i
teorema 4.7.1.2.2. n acest paragraf se arat c i operatorii de derivare i integrare pot
fi folosii n acelai scop. Fie funcia de scar ( ). Transformata sa Fourier poate fi
calculat folosind o relaie de forma:
F {} ( ) =
n= 1
mo n
2
De aceea transformata Fourier a derivatei '( ) poate fi pus n forma:
F { '} ( ) = j
n= 1
mo n
2
innd ns seama de forma general a rspunsului m o ( ):

N
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
sau pe baza relaiei (245):
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
Fie 1( ) funcia de scar corespunztoare filtrului cu rspunsul n frecven

1 m o ( ). Ultima relaie devine:
j
F { '} ( ) = e
F { 1} ( )
sau:
'( ) = 1
1
1
1 +
2
2
Avnd n vedere c 1( )este o funcie de scar rezult c i '( ) este o funcie de

scar. Mai multe despre legtura dintre operatorii de derivare i conceptul de analiz
multirezoluie pot fi gsite n [135] i n [97].
200
7.1.2.7 Variaiuni pe tema bazelor ortonormate de funcii wavelet
7.1.2.7 VARIAIUNI PE TEMA BAZELOR ORTONORMALE DE FUNCII

"WAVELET" CU SUPORT COMPACT
n articolul su [43], Ingrid Daubechies revine asupra subiectului bazelor
ortonormale de funcii "wavelets" cu suport compact. n acest articol autoarea studiaz
urmtoarele probleme:
1. Creterea simetriei funciilor i ,
2. Creterea localizrii n frecven,
3. Creterea numrului de momente nule ale funciilor i .
1. Nu pot fi determinate funcii de tipul "wavelets mother" cu suport compact,
nafara funciei H , simetrice, deoarece filtrele m o ( ) corespunztoare nu pot avea
caracteristica de faz liniar. Totui avnd n vedere c pentru fiecare filtru m oD k ( ),
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)
Dar elementele acestei mulimi pot fi grupate n perechi de rdcini complex

conjugate. Fiecare element al mulimii rdcinilor ecuaiei (247) aparine unei perechi
de elemente (complex conjugate) din mulimea rdcinilor ecuaiei (248). Bineneles
c o alt alegere posibil a filtrului mo D k ( ) poate fi fcut alegnd ca rdcini ale
ecuaiei (247) celelalte elemente ale perechilor din mulimea rdcinilor ecuaiei
(248).
n acest mod se obine ns un rspuns n frecven complex conjugat.
Caracteristica de faz a acestuia este la fel de neliniar ca i caracteristica de faz a
filtrului de la care s-a pornit. n consecin numrul de alegeri posibile ale rspunsului
N
1
n frecven mo D k ( ) este de 2 2
. De aceea pentru N = 2 i N = 3 exist o
singur alegere posibil (pentru N = 2 este cea corespunztoare relaiei (230)).

n tabelul urmtor sunt listai coeficienii filtrelor cu rspunsurile n frecven
mo D k ( ) care au caracteristica de faz cea mai apropiat de una liniar, pentru k
cuprins ntre 4 i 10.
7 Discretizarea reprezentrilor liniare

n
N=4
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
7.1.2.7 Variaiuni pe tema bazelor ortonormale de funcii wavelet
n figura 1.7.1.2.7 sunt date cteva exemple de funcii de scar respectiv de

funcii de tipul "wavelets mother" generate folosind tabelul de mai sus.
Figura 1.7.1.2.7. Funciile de scar i wavelets mother de tip Symmlet pentru N cuprins ntre 2 i 10.
203
Rezultatele obinute sunt valabile n ipoteza c la o valoare a lui N impus, funcia

N ( ) are N momente nule i lungimea suportului funciei N ( ) este 2N - 1. Dac
se accept o lungime mai mare pentru suportul funciei N ( ), atunci aceasta poate fi
fcut s fie i mai simetric [43].
n paragraful 7.1.2.4 au fost utilizate doar filtre (cu rspunsurile n frecven
m o k ( ) , m1k ( ) ) cu rspunsuri la impuls funcii reale. n [64] se afirm c dac
rspunsurile la impuls sunt funcii complexe, atunci se pot construi funcii N i

perfect simetrice.
Rspunsul la impuls m o [ n] este simetric dac este ndeplinit condiia:
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)
n cazul construciei funciilor "wavelets mother", cu suport compact, generatoare de

baze ortonormale ale lui L2 ( R) propuse de Ingrid Daubechies, descris mai
devreme, se folosea descompunerea:
mo ( )
= mo ( ) m*o ( ) = mo ( ) mo ( )
deoarece funcia m0 [ n] era considerat real.

Dac se renun la aceast ipotez atunci:
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
De aceea pentru determinarea zerourilor funciei m o ( ), zerourile polinomului

Q ( ) (definit n relaia (226)) trebuiesc realocate n acord cu relaia:
mo ( ) mo* ( ) = Q( )
(251)
Realocarea trebuie fcut n aa fel nct s fie satisfcut relaia (249).

2. Problema mbuntirii localizrii n domeniul frecven a funciilor "wavelet",
elemente ale unor baze ortonormale ale spaiului L2 ( R) este analizat n [32].
Transformatele Fourier a funciilor "wavelets mother" , generatoare de baze
ortonormale ale spaiului L2 ( R) se concentreaz ntr-o anumit band de frecvene .
De exemplu pentru funcia lui Meyer, M ( ), (definit prin relaia (161)), banda de
.
,
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)} n Z iar spaiul V1 de baza o n .

2
2
n Z
innd seama de faptul c Vo este inclus n V1 rezult c se pot scrie relaiile:
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) =
Dar, chiar dac Q( v) este un polinom, P( v) nu mai este o funcie polinomial. n

consecin ipoteza fcut (c secvenele c1,n i c2,n sunt de durat limitat) este fals.
Deci funcia o ( ) nu poate avea suport compact. La fel se ntmpl pentru orice
valoare nentreag a factorului de dilatare, ao. Deci nu poate fi vorba ca o singur
funcie o cu suport compact s genereze o analiz multirezoluie a lui L2 ( R) cu ao
de valoare fracionar. S-ar putea construi o astfel de analiz multirezoluie pornind de
la mai multe funcii o , aa cum sugereaz modelul cadrului pe mai multe voci.
A doua metod de cretere a localizrii frecveniale a funciei "wavelets
mother" cu suport compact generatoare de baze ortonormale a lui L2 ( R) este bazat
pe folosirea unor factori de dilatare ntregi, de valoare superioar lui 2. Pentru
construcia unei analize multirezoluie folosind un factor de dilatare N (N > 2) este
necesar o funcie de scalare i N - 1 funcii "wavelets mother" diferite l,
l = 1,N 1. Funcia de scar trebuie s satisfac o condiie de forma:
o
( ) =
a
n
n o
( N n)
Trecnd n domeniul frecven se obine:
F { o } ( ) =
1
N
Folosind notaia:
mo ( ) =
n
N
1
N
a
n

F { o }
N
ej n
(256)

F { o }( ) = mo F { o }
N
207
(257)
Funciile l( ), l = 1,N 1 se exprim ca i combinaii liniare ale elementelor

mulimii
( N n)} n Z .
i l, l = 1,N 1 au suporturi compacte

rezult c exist polinoame trigonometrice l m( ),l = 1, N-1 care s satisfac relaii
Presupunnd c funciile
de forma:
Mulimea

F { l } ( ) = l m F { o }
N
( N n) , 1 ( n) , ... , N 1 ( n)} n Z genereaz spaiul iVo al
analizei multirezoluie iniiale. Mulimea
spaiului Vo, iar mulimea l ( n)
n Z
( N n)} n Z genereaz spaiul nVoo al
genereaz subspaiul nWol al spaiului Vo.
n continuare se prezint modul n care se face trecerea de la o analiz

multirezoluie obinuit la o analiz multirezoluie cu N = 4. Analiza multirezoluie
iniial este generat cu ajutorul filtrului numeric cu rspunsul n frecven m o ( ).
Pe baza sa se construiesc 4 noi filtre:
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( ) ,
l = 1,3 se genereaz subspaiile nWo, l.

Condiia ca toate aceste subspaii s fie ortogonale ntre ele este ca matricea
M ( ), al crei elemente sunt:
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
prin calcul. (Se folosete relaia: m o ( ) + m o ( + ) = 1).

Funcia de scar a noii analize multizeroluie se determin cu formula:
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 ( )
Prin scalare cu 4 i translaie cu ntregi se obin mulimile
(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 .
Se constat c este valabil relaia:

iV2 m
= nVm,o
(261)
Funciile "wavelets mother" ale noii analize multirezoluie au transformatele Fourier

date de expresiile:

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)
Dar n cazul analizei multirezoluie iniial era valabil relaia:

F { o } ( ) = mo F { o }
2
n consecin relaia (262) poate fi rescris n forma:

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
i W2 m
= nWm, 1
Pentru l = 2 se poate scrie:
F { 2 } ( ) =

m F { o }
4

F { 2 } ( ) = m1 m1 F { o }
4
2
adic:

F { 2 } ( ) = m1 F {}
2

4
(264)
210
n sfrit, pentru l = 3 se poate scrie:

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
genereaz spaiul nW2 m, 3.
Funciile 1 i 2 nu aveau nici o semnificaie n analiza multirezoluie

iniial. Ele sunt ns elementele din noua analiz multirezoluie iniial care au
localizarea frecvenial mbuntit. n cadrul noii analize multirezoluie se poate
scrie:
n
Vm , o = nVm1, o nWm1, 1 nWm1, 2 nWm1, 3
innd seama de legtura dintre elementele analizei multirezoluie iniial i

elementele noii analize multirezoluie ultima relaie devine:
i 2m
= iV 2 m 2 iW 2 m 2 nW
m 1,2
nW
m 1,3
sau innd seama de legtura dintre elementele analizei multirezoluie iniial i

elementele descompunerii ortogonale asociate, ultima relaie devine:
i 2m
= iV 2 m 1 nW
m 1,2
nW
m 1,3
n consecin spaiile nW m-1, 2 i nW m-1, 3 trebuie s satisfac relaia:
i 2 m 1
= nW
m 1,2
nW
m 1,3
(266)
211
n figura 2.7.1.2.7 se face o prezentare schematic a celor dou analize multirezoluie

studiate,
{V }
m
m Z
V m } m Z , n scopul comparrii lor.
Figura 2.7.1.2.7 O comparaie a celor dou analize multirezoluie prezentate.
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
spaiile iW2 m -1 sunt generate de baza ortonormal 2 m 1, k ( )

2
i nW
{ (4
3
m -1, 3
m 1
sunt generate de bazele ortonormale
k)
k Z
{ (4
2
m 1
k Z
, spaiile nW m -1,
k)
k Z
respectiv
. Pe baza relaiilor (264) i (265) se constat c semnalele
2 ( ) i 3( ) se obin prin filtrarea semnalului
folosind filtrele cu

rspunsurile n frecven m 1 i m o .Despre funcia ( ) s-a presupus mai
2
devreme c transformata sa Fourier se concentreaz n banda de frecven [ ,2] . n

consecin spectrul semnalului se concentreaz n banda [ 2 ,4] .
212
Sistemele cu rspunsurile n frecven m o ( )i m 1( ) sunt filtre numerice de tip
Figura 3.7.1.2.7 O reprezentare echivalent a celor dou analize multirezoluie.

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 )
trece jos respectiv trece sus. De aceea funciile mo
bazate pe utilizarea unor funcii "wavelet" cu localizarea frecvenial mbuntit.

Subspaiile Wm de indice par, corespunztoare analizei multirezoluie iniial,
W
,
sunt
identice cu subspaiile nW m -1 corespunztoare noii analize multirezoluie.
i 2n
213
n continuare se arat cum poate fi mbuntit construcia anterioar,

descompunnd fiecarea spaiu iWm, corespunztor analizei multirezoluie iniial, n
cte dou subspaii corespunztoare noii analize multirezoluie. n acest scop se vor
demonstra pentru nceput cteva rezultate ajuttoare. Relaia:
m [ n] m [ n + 2k ] =
o
reprezint primul dintre aceste rezultate.

Demonstraia acestei relaii
1
[k]
2
se
bazeaz
(267)
pe
faptul
mulimea
( n)} n Z este o baz ortonormal a spaiului Vo i pe faptul c funcia

2
generatoare a spaiului V- 1, o se poate exprima n forma:
1
=
2 2
m [ n] ( n)
(268)
este o baz ortonormal a spaiului V- 1. De aceea se

n
2
2
n Z
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
{ 1( 2n) ,2( 2n)} n Z
Se poate afirma c mulimea
este o alt baz
ortonormal a spaiului Wo.

n continuare se demonstreaz aceast afirmaie. Pentru nceput se verific
ortonormalitatea mulimii considerate.
Cazul I
1
m [ p] ( 2n p), m [q] ( 2m q)
( 2n), 1( 2m) = 2
= 2 mo [ p]m*o [ q] ( 2n p), ( 2m q) =
p
= 2 mo [ p]m*o [2n 2m+ p] = 2 mo [ p]mo [ p+ 2(n m)] = 2

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
sau fcnd transformarea de indice:
l = 1 p
( 2n), 2 ( 2m) = 2 mo [l ] mo [l + 2(m n)] = 2

l
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:
( 2n) ,2 ( 2m) = 2mo[ p] m1[q] ( 2n p) , ( 2m q) =
= 2 mo[ p] m1[ p+ 2n 2m]
(270)
Dar:
m [ p] m [ p + 2n 2m] =
p
rmo , m1 [2 (n m)]
unde cu rmo , m1 s-a notat intercorelaia secvenelor reale m o [ n] i m 1[ n] .

ntruct:
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)
( 2n) , 2 ( 2n)} n Z este ortonormat. Mai rmne s se
demonstreze c aceast mulime este complet n Wo.

Pentru aceasta ar trebui s dovedim c orice funcie de forma:
xo ( ) =
n
( 2n) + 2 cn 2 ( 2n)
1 n 1
este un element al lui Wo.

Pe baza relaiei (269) relaia (271) devine:
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
este o combinaie liniar a elementelor mulimii:
. Dar aceasta este baz ortonormal n Wo. n consecin orice semnal
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
este o baz ortonormal a spaiului L2 ( R) .

Atfel s-a demonstrat c spaiul iWm poate fi descompus n subspaiile
ortogonale nWm, 1 i nWm, 2 generate de bazele ortonormale:
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.
Figura 4.7.1.2.7 O nou descompunere ortogonal a spaiului
L2 ( R) .
218
n continuare se d un exemplu de construcie a funciilor 1 i 2. S

considerm c funcia ar fi funcia wavelet de tip Haar:
( ) = H ( )
i s considerm c filtrele m o ( ) i
Daubechies:
1 +
8
3 +
8
mo D 2 [ n] =
3
8
1
8
0
m 1( ) ar fi cele introduse de Ingrid
, 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
cu graficele din figura 5.7.1.2.7:
Figura 5.7.1.2.7 Un exemplu de construcie a unor funcii wavelets mai bine

localizate n frecven dect funcia lui Haar.
219
220
Se compar spectrele semnalelor H ( ),

F { H ( )} ( ) =
=
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
Pentru a compara localizrile n frecven ale funciilor H ( ) i D 21 H ( ) se

reprezint graficele modulelor spectrelor lor folosind acelai sistem de coordonate, n
figura 6.7.1.2.7.
H()
localizrii funciei H ( ).
Figura 6.7.1.2.7 Localizarea n domeniul frecven a funciei
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
( ) sunt cazuri particulare de funcii de tipul

2. Funciile D 21 H ( ) i
"wavelet packets" introduse de Coifman i Meyer. Acest tip de funcii va fi descris
ntr-un paragraf ulterior.
3. n paragraful 7.1.2.4. a fost formulat condiia ca o funcie de tipul "wavelets
mother" s aib o regularitate impus pe baza anulrii momentelor de ordinul m ale
acestei funcii, (233):
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)
dup cum se poate vedea din exemplul urmtor.

Fie semnalul xo ( ) din Vo. Descompunerea sa n baza Riesz a spaiului Vo
{( k)}
k Z
este :
xo ( ) =
xo ( ),( k) ( k)
(280)
Coeficienii acestei descompuneri sunt:
x o ( ), ( k) =
( ) ( k) d
(281)
Funcia ( ) s-a presupus real.

Descompunerea n serie Taylor a semnalului xo ( )n jurul punctului k este:
( 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)
n consecin coeficienii descompunerii semnalului xo ( ) n baza lui Vo (relaia

(280)) pot fi aproximai cu ajutorul eantioanelor semnalului considerat, xo (k).
Aceast proprietate este foarte important deoarece conduce la posibilitatea
analizei semnalului xo ( ) (care este un semnal n timp continuu) cu ajutorul
calculatorului numeric.
ntr-adevr, relaia (280) devine:
xo ( )
x
k
(k) ( k)
(282)
Este deci suficient s fie cunoscut varianta discretizat xo (k) a semnalului xo ( )

pentru ca aceasta din urm s poat fi reconstruit.
Mai mult, algoritmul lui Mallat poate fi iniializat cu semnalul n timp discret
[
]
xo k i transformarea "wavelet" discret a acestuia poate fi utilizat pentru calculul
transformrii "wavelet" continu a semnalului xo ( ).
Iat cum poate fi utilizat un algoritm rapid (este vorba despre algoritmul lui
Mallat), pentru calculul reprezentrii timp-frecven sau timp-factor de scar de tip
"wavelet" a semnalului xo ( ). Evident aproximarea din relaia (282) este cu att mai
bun cu ct valoarea lui r este mai mare. Ar fi de dorit aadar ca funcia de scar ( )
s aib ct mai multe momente nule.
Principala limitare a metodei de calcul numeric a reprezentrii bidimensionale
de tip "wavelet" descris mai sus este c aceasta presupune ca semnalul xo ( )s fie
derivabil i s aib cel puin r derivate.
n continuare se studiaz cum pot fi construite funciile i astfel nct s
aib suport compact i s fie ndeplinite condiiile:
( ) d = 1

l
( ) d = 0, l = 1, L 1

l ( ) d = 0, l = 0, L 1

(283)
224
Trebuie observat c prin creterea numrului de momente nule ale funciei

(relaia 279), crete i simetria acestei funcii.
n onoarea profesorului Ronald Coifman, cel care a fost primul care a observat
utilitatea acestui tip de funcii "wavelet" cu acelai numr de momente nule ca i
funciile de scar din care provin, aceste funcii "wavelet" au fost numite "coiflet" de
ordinul L [43]. Condiiile din relaia (283) se scriu n domeniul frecven, n forma:
F { } (0) = 1
l
d
F { } ( ) = 0, l = 1, L 1
l
d
dl
d l F { } ( ) = 0, l = 0, L 1
(284)
Pe baza acestor condiii pot fi formulate condiiile corespunztoare pentru rspunsurile

n frecven m o ( )i m 1( ).
Acestea sunt:
m ( l ) ( + ) = 0, l = 0, L 1
o
mo (0) = 1
(l)
mo (0) = 0, l = 0, L 1
(285)
Se caut rspunsuri n frecven de forma:

L
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)
unde S( ) este un polinom n e j . Modul n care se construiete polinomul Q ( )

a fost deja prezentat n paragraful 7.1.2.4. Trebuie rezolvat ecuaia:
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

226
-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.
Nici coeficienii lui Q ( ) , descris n paragraful 7.1.2.4, nu pot fi determinai dect

numeric pentru valori mai mari ale lui N. Cteva tehnici numerice utile n acest scop
sunt prezentate n raportul de cercetare [139]. In figura urmtoare sunt prezentate
funciile de scar respectiv funciile wavelets mother de tip Coiflet
corespunztoare valorilor lui L cuprinse ntre 2 i 5.
Figura 7.7.1.2.7 Cateva exemple de funcii de scar respectiv wavelets mother

de tip Coiflet.
227
228
7.1.2.8 Baze biortogonale de funcii "wavelet"

7.1.2.8 BAZE BIORTOGONALE DE FUNCII "WAVELET"
Aceste baze sunt o generalizare a bazelor ortogonale prezentate n paragrafele

anterioare. Construcia lor este inspirat de legtura dintre mulimile de tip cadru
{ m, n ( )} m Z, n Z i {~ m, n ( )} m Z, n Z
introduse n paragraful 7.1.2.
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
Figura 1.7.1.2.8 O schem de analiz-sintez cu funcii "wavelet" generalizat.
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
se zice c este dual bazei Riesz
{( n)} n Z , dac:
( l), d ( k) = [l, k ] , ( ) (l, k) Z Z

Fie:
F { d ( )} ( ) =
Propoziie
{ ( l)}
Mulimea
l Z
Demonstraie
F {( )} ( )
(289)
m ( )
{ d ( k)} k Z
este baza Riesz dual a bazei Riesz
, n Vo.
Se verific prima condiie.
( 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
sau innd seama de relaia (289):
1
( l), d ( k) =
2
F {}()
F * {}( )
m( )
e j ( l k ) d
Descompunnd integrala ntr-o sum de integrale, care se calculeaz pe intervale

disjuncte de lungime 2, se obine:
1
( l), d ( k) =
2
sau, cu schimbarea de variabil:
(2n + 1)
n = (2n 1)
F {}
m( )
e j ( l k ) d
230
7.1.2.8 Baze biortogonale de funcii wavelet
u = 2n
F {}(u + 2n )
n=
m(u + 2n )
1
( l), d ( k) =
2
e j ( u+ 2n ) ( l k ) du
innd seama de periodicitatea cu perioad 2 a funciei m (u) i a exponenialei

complexe, ultima relaie devine:
( l), d ( k) =
1
2
F {}(u + 2n)
e j u ( l k ) du
n=
m(u)
n sfrit, innd seama de definiia funciei m (u) , ultima relaie devine:
( l), d ( k) =
1
2
eju
( l k)
du
Deoarece membrul drept al ultimei relaii reprezint o transformare Fourier n timp

discret invers, se obine n final:
( 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]
De aceea ieirea sistemului de sintez trebuie s aib expresia:
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
n continuare se stabilesc condiiile corespunztoare n domeniul transformrii

z. Pentru nceput se calculeaz:
A 1( z2 ) =
[ n] z2n =
( a [ n] m
o
[ n] )
n 2n
z2n
Fie:
ao [ n] m o [ n]
n2n
= a[ 2n]
Ultima relaie devine:
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
Lund n cei doi membri ai relaiei (290) transformata z se obine:
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)
Deci condiia (290) este echivalent cu:
233
~
~
A o (z) = A 1(z2 )M o (z)+ D 1(z2 )M 1(z)
(294)
Lund n relaia (292) transformate z se obine:
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)
ultima relaie este satisfcut i dac se respect condiiile:
~
~
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)
Particulariznd transformata z la transformata Fourier n timp discret relaia (297)

devine:
~ ( ) + m ( )m
~ ( ) = 2
m o ( )m
o
1
1
~ ( ) + m ( + )m
~ ( ) = 0
m o ( + )m
o
1
1
(298)
Acest sistem poate fi rezolvat considernd c se cunosc funciile m o ( ) i m 1( ).

nmulind prima ecuaie cu m o ( + ) i cea de a doua ecuaie cu m o ( )
se obine:
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( )
nmulind prima ecuaie cu m 1( + )i cea de a doua cu m 1( ) se obine:
~ ( ) 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( + )
Dac se face i ipoteza suplimentar:

2
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:
M o (z)M 1( z)R (z) + M 1(z)M o ( z)R (z) = 2
(300)
M o (z)M 1( z) + M 1(z)M o ( z) = 2 R 1(z)
(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)
iar relaia (299) devine:
~
M
(z) = zk M 1( z)
o
~
k
M
1(z) = z M o ( z)
(303)
Sistemul descris de relaia (297) este deci echivalent cu sistemul:
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)
Se constat c nc este necesar o condiie suplimentar.

Mai pot fi fcute cteva observaii utile. Pentru k = 0 i = 1, relaia (303)
devine:
~
M
(z) = M 1( z)
o
~
M
1(z) = M o ( z)
Se stabilete semnificaia ultimei relaii n domeniul timp.
(305)
237
Prima ecuaie se mai poate scrie:
[ 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)
n acest caz prima ecuaie din relaia (304) devine:
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]
Dar conform relaiei (306):
(309)
238
~ [ p]
m 1[ p] = ( 1) p+1 m
o
[( 1)
~ [ p] = 2 [ n]
+ ( 1) n1] m o [ n p] m
o
2p+1
(310)
Dup schimbarea de variabil:
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)
Fiind vorba de filtru cu rspuns finit la impuls se poate scrie:
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)
unde p(z) i q(z) sunt dou polinoame.

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)
n consecin relaia (313) devine:

~
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)
Avnd n vedere c p(z),q(z), p( z) i q( z) sunt polinoame n z rezult c este

necesar ca:
~
(316)
N1 N2 < 0
O demonstraie asemntoare conduce la concluzia c:
~
N1 N2 < 0
~
(317)
Se poate demonstra c diferenele N 2 N 1 i N 2 N 1 trebuie s fie numere

impare, [31].
n consecin, exist filtre cu rspuns finit la impuls funcie real, simetrice care pot fi
folosite n schema din figura 1.7.1.2.8. Pentru construcia lor pot fi utilizate relaiile
deduse n introducerea n acest capitol.
240
n continuare se stabilete legtura dintre teoria codrii n subbenzi i teoria

bazelor biortogonale de funcii "wavelet". Aceast teorie se bazeaz tot pe noiunea de
analiz multirezoluie. Aceast legtur a fost evideniat pentru prima dat n [58].
{ }
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
ca i complemente (neortogonale) ale spaiilor V m i V m :
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)
O consecin imediat a relaiei (319) este:
~
W m W m' pentru m m
(320)
ntr-adevr pentru m '< m
~
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'
n continuare se lucreaz n ipoteza c se respect condiia de dualitate.

Condiia (318) se mai exprim i n forma:
~
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) ,
Cu ~ s-au marcat funciile duale.

Mai mult, funciile duale trebuie s satisfac i condiiile:
~
( ),( l) = [ l] i
~
( ),( l) = [ l]
(322)
Se poate demonstra prin calcul c ultima relaie este echivalent cu:
~
m , l ( ), m , l' ( ) = [ l l '] ;
l, l ', m Z
(323)
Condiia (322) i relaia (320) conduc la condiia:
~
m , l ( ), m' , l' ( ) = [ m m '] [ l l '] ;
l, l ', m, m ' Z
(324)
Condiiile de biortogonalitate de mai sus se exprim n domeniul frecven n forma:
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
Avnd n vedere condiiile impuse spaiilor

condiie de aceeai form:
~
V m , funcia ~
trebuie s satisfac o
~
~ [k] ~
( ) = 2 m
( 2 k )
1
(327)
Considernd c analiza multirezoluie Vm este generat de filtrul cu rspunsul la

impuls m o [ n] i c spaiile Wm sunt generate de filtrul cu rspunsul la impuls m 1[ n] ,
condiiile (325) se exprim n forma echivalent:
~ ( )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( )
~ ( + )
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)
unde cu ( )s-a notat determinantul matricii M ( ) .
Relaia (333) arat cum se genereaz spaiile V m i W m pornind de la spaiile

Vm i Wm. Proieciile semnalului x( ), de energie finit, pe spaiile Vm i Wm se
calculeaz cu relaiile [76]:
x ( ) =
m
d ( ) =
m
m ,l( ) m ,l( )
x( ),~
(334)
x( ),~
m ,l( ) m ,l( )
Mai mult, n [31] este demonstrat urmtoarea propoziie:

Teorema 1.7.1.2.8.
Dac sunt ndeplinite condiiile:
Exist constantele pozitive i C astfel nct:
F {}( ) C ( 1 + )
F {~
}( ) C ( 1 + )
(335)
atunci orice funcie x din L2 ( R ) poate fi descompus n forma:
x( ) =
x,~
m ,k m ,k ( ) =
m ,k
n aceeai lucrare se demonstreaz i

Teorema 2.7.1.2.8
Dac:
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 .
reprezint un cadru n L2 ( R ) . Cadrul dual

Mai mult, mulimile
{ m, k } k Z
constituie dou baze Riesz ale cror elemente ndeplinesc condiia
(324), dac i numai dac este ndeplinit condiia (322).

Se poate afirma c algoritmul lui Mallat poate fi aplicat i n cazul bazelor
biortogonale. Transformarea "wavelet" discret direct poate fi calculat cu ajutorul
sistemului din figura 2.7.1.2.5. Pentru calculul transformrii inverse se poate folosi
sistemul din figura 4.7.1.2.5, dar sistemele cu rspunsurile la impuls m o [ n] i m 1[ n]
~ [ n] i m
~ [ n] .
trebuiesc nlocuite cu sistemele cu rspuns la impuls m
o
1
n continuare se prezint cteva exemple de baze biortogonale. n [31] se
alege pentru funcia ( )expresia:
( ) = e j
(338)
~ ( ) = e j m * ( + ) m ( ) = e j m
~ * ( + )
m
1
1
o
o
j
*
~
m
1( ) = e m o ( + )
(339)
Relaia (338) se poate generaliza pe baza urmtoarei propoziii enunate de C. Chui,

[21].
Teorema 3.7.1.2.8
Fiind date filtrele cu rspuns finit la impuls cu rspunsurile n
~ ( ) atunci filtrele cu rspuns finit la impuls cu rspunsurile n
frecven m o ( )i m
o
~ ( ) conduc la construcia de baze biortogonale dac i numai
frecven m 1( ) i m
1
dac sunt de forma:
~ ( )= e j m * ( + )k(2 ); m ( ) = e j [ m
~ ( + )k1(2 )] *
m
1
1
o
o
245
unde k( ) 0, ( ) R i rspunsul la impuls al filtrului cu rspunsul n

frecven k( )este de clas l '.
Primul exemplu se refer la cazul funciilor spline. Se va nota cu N ( )
funcia "B-spline" de ordinul N translatat astfel nct nodurile sale s apar la abscise
ntregi. Expresiile primelor 3 astfel de funcii sunt:
1
( ) = 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
Fiecreia dintre funciile
( ) i se pot asocia mai multe funcii
(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

3
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
123 2 j 81 j 175 81 j 123 2 j

e +
e +
+
e +
e
1024
256
256 256
1024
+
8
39 3j 17 4 j
5 5j
5
e
e6 j
512
512
512
1024
215( 35 e8 j 70 e7 j 300 e6 j + 670 e5j +

+ 1228 e4 j 3126 e3j 3796 e2 j + 10718 ej +
+ 22050+ 10718 e j 3796e2 j 3126e3j + 1228
e4 j + 670 e5j + 300 e6 j 70 e7 j + 35 e8 j )

Tabelul 1.7.1.2.8 (continuare)

3
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
214 ( 35 e7 j 105 e6 j 195 e5j + 865 e4 j +

+ 336 e3j 3489 e2 j 307 ej + 11025 +
+ 11025 e j 307 e2 j 3489 e3j + 336 e4 j +
+ 865 e5j 195 e6 j 105 e7 j + 35 e8 j )
Tabelul 1.7.1.2.8 (sfrit)
~ ( ) se construiesc folosind relaiile:

Polinoamele m 1( ) i m
1
m 1[ n] =
~ [ n] =
m
1
( 1) 1 n m o [1 n]
(341)
~ [1 n]
( 1) 1 n m
o
sau pe baza relaiei (339). Trebuie remarcat faptul c funciile N ,
~
N ,N
~
,
~
N ,N
sunt reale, au suport compact i sunt simetrice. De asemenea se observ c filtrele

~ ( ), m ( ), ~ m
~ ( ), au caracteristic de faz liniar i c toi
m
o
N m o ( ), ~
N
1
1
N ,N
N ,N
coeficienii lor sunt raionali, numitoarele acestor numere fiind puteri ale lui 2.
Aceast din urm calitate conduce la implementri numerice mai rapide ale
transformrilor "wavelet" discrete (direct i invers) n cazul n care se utilizeaz
aceste baze biortogonale de funcii wavelet. Dezavantajul funciilor duale de acest tip
) este c regularitatea lor este redus, n special pentru valori mici ale lui
( ~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
Alte exemple sunt prezentate n [112]. Performanele filtrelor cu rspunsurile

~ ( ), m ( ) i m
~ ( ) introduse n acest articol sunt
n frecven m o ( ) i m
o
1
1
superioare celor prezentate anterior.
n [141] se prezint o modalitate de construcie a bazelor biortogonale de
funcii "wavelet" bazat pe algoritmul lui Euclid.
Trebuie remarcat c la fel ca i n cazul bazelor ortonormale de funcii
"wavelet" i n cazul bazelor biortogonale de funcii "wavelet" se poate pune problema
creterii localizrii n domeniul frecven a funciilor "wavelets mother" obinute. i n
acest caz se poate pune problema unor valori ale factorului de dilatare ao superioare lui
2. n paragraful 7.1.2.7 s-a artat c n cazul bazelor ortonormale pot fi generate noi
analize multirezoluie, pornind de la o analiz multirezoluie dat, generat de funcia
de scar o , prin utilizarea funciei de scar o ( N ) i a N - 1 funcii de tip
"wavelet" l( ),l = 1,N 1. Unele dintre aceste funcii "wavelet's mother"
generatoarea descompunerii ortogonale corespunztoare analizei multirezoluie
considerat. i n cazul bazelor biortogonale poate fi folosit o astfel de metod de
generare a noi iruri de subspaii
{ nWm } m Z
asociate unei analize multirezoluie
impus. O astfel de construcie este prezentat n [9].

Pornind de la funcia ( ) i ~
( ) care genereaz analizele multirezoluie
{ i Vm } m Z
{ i~Vm } m Z
care satisfac condiiile pentru construcia unor baze
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
translatare spaiile nV m , nV m , nW m ,l, nW m ,l.

De fapt aceste spaii sunt generate de funciile:
m
)
=
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)
Cu ajutorul fiecrui ir de astfel de spaii poate fi realizat o descompunere a

lui L R ) :
.. W m 1,N 1 ,
nV m = nV m 1 W m 1,1 .
2(
~
~
~
~
V m = nV m 1 W m 1,1K ... W m 1,N 1 ,

N 1
l = 1 m Z
nWm , l
N 1
l = 1 m Z
nWm , l
= L2 ( R )
249
(343)
De aceea orice semnal de energie finit x( ) poate fi exprimat n forma:

N 1
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
Transformarea "wavelet" invers se calculeaz cu sistemul prezentat n figura

3.7.1.2.8. La sistemele prezentate n ultimele dou figuri se poate ajunge i urmnd o
cale care nu iese din contextul prelucrrii semnalelor n timp discret. Astfel se poate
porni de la noiunea de analiz multirezoluie a semnalelor n timp discret. Aceast
noiune a fost definit de Oliver Rioul n [121].
Figura 3.7.1.2.8 Sistem de calcul al transformrii "wavelet" discret invers, corespunztoare

transformrii implementate n sistemul din figura 2.7.1.2.8.
Legtura dintre teoria funciilor "wavelet" i teoria bncilor de filtre numerice

este prezentat n [29]. n [126] este fcut legtura dintre conceptul de analiz
multirezoluie a semnalelor n timp discret i teoria bncilor de filtre numerice.
Rezult scheme identice cu cele din figurile 2.7.1.2.8 i 3.7.1.2.8.
~ ( ), m ( ) i
Exemple de filtre cu rspunsurile n frecven m o ( ), m
o
1,l
~ ( ) , l = 1,N 1 i cu rspuns finit la impuls sunt prezentate n [8]. Exemple

m
1, l
de filtre cu rspuns infinit la impuls care au acelai scop sunt prezentate n [9]. Noile
{ n Vm } m Z i { n~Vm } m Z pot avea performane

~
i { i Vm }
.
superioare analizelor multirezoluie iniiale { i Vm }
m Z
m Z
analize multirezoluie obinute
251
Se poate pune, de exemplu, problema alegerii acelei analize multirezoluie

care s realizeze cea mai bun aproximare, de rezoluie m ,din punct de vedere al erorii
medii ptratice a unui semnal dat. Aceast problem este rezolvat cu ajutorul
analizelor multirezoluie
{ n Vm } m Z , { n~Vm } m Z
. O modalitate modern de
construcie a bazelor biortogonale de funcii "wavelet" este bazat pe metoda numit

"lifting scheme" (schema de nfrumuseare prin operaie estetic). Aceast metod este
prezentat n [133]. Ea pornete de la observaia urmtoare:
Lema 1.7.1.2.8 (Vetterli-Herley)
Se fixeaz o funcie de scar cu suport
compact i fie m o [ n] filtrul cu rspuns finit la impuls asociat acesteia:
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
care conduc la construcia funciilor ~

i ~
o cu ajutorul crora pornind de la funcia
pot fi construite dou perechi de baze biortogonale de funcii "wavelet". Atunci,
~ ( )i m
~ o ( ) sunt legate prin relaia:
rspunsurile n frecven m
o
o
~ ( ) = m
~ o ( ) + e j [ m ( + )s(2 )] *
m
o
o
o
unde s( ) este un polinom trigonometric.

Lema Vetterly-Herley are urmtorul corolar:
~ o ,m o ,m
~
Corolar 1.7.1.2.8
Fiind dat mulimea {m o ,m
o
1
1
(345)
~ ,m ,m
~
biortogonale cu rspuns finit la impuls, noua mulime {m o ,m
o
1
1
de
filtre
de filtre
biortogonale cu rspuns finit la impuls poate fi construit pe baza relaiilor:
~ ( ) = m
~ o ( ) + m
~ ( )s* (2 )
m
o
o
1
(346)
~ o ( ) m ( )s(2 )
m 1( ) = m
1
o
(347)
unde s( ) este un polinom trigonometric.
252
Procedeul de construcie al noii mulimi de filtre biortogonale cu rspuns finit

la impuls se numete "lifting scheme". Acest procedeu conduce la construcia unor noi
baze biortogonale ale lui L2 ( R ) . Modul n care se face aceast construcie este
descris prin urmtoarea propoziie.
Teorema 4.7.1.2.8. (lifting scheme)
Fiind dat mulimea iniial de funcie de
scar i funcii "wavelet" biortogonale {,~
o ,o ,~
o } , poate fi construit o nou
mulime de funcii "formal" biortogonale {,~

,,~
} pe baza relaiilor:
s[ k] ( k)
~ o[k] ~
2 m
( 2 k ) + s[ k ] ~
( k)
o
( ) = o ( )
(348)
~
( ) =
(349)
~
~ [ k] ~
( ) = 2 m
( 2 k)
1
(350)
unde coeficienii s[ k] pot fi alei oricum.

Trebuie remarcat c funciile obinute sunt formal biortogonale. Teorema
este n L2 ( R) sau c funciile "wavelets"
4.7.1.2.8 nu garanteaz c funcia ~
obinute genereaz o baz Riesz.
n consecin, pentru fiecare alegere a semnalului n timp discret s[ k] trebuie
verificate calitile noilor funcii , i ~
obinute.
Dac lungimea secvenei s[ k] este finit i dac filtrele iniiale sunt cu
rspuns finit la impuls atunci toate cele 4 funcii , ~
, i ~
au suport compact.
Este interesant s se determine condiii asupra semnalului n timp discret s[ k]
astfel nct funciile , ~
i ~
s aib proprieti utile (s conduc la baze
biortogonale, s aib ct mai multe momente nule, etc.).
n continuare se d un exemplu de aplicare a metodei descrise. Pornind de la
funcia H ( ) se ncearc, pe baza metodei descrise anterior, s se creasc numrul
de momente nule ale funciei "wavelet" de la 1 la 2. ntruct este vorba despre a
descompunere ortogonal a lui L2 ( R ) n acest caz avem:
~ 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
Aplicnd relaia (347) se obine:
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)
Prima condiie este echivalent cu:
s2 (0) = 0
(353)
Cea de a doua condiie este echivalent cu:

'
0 = m 1o '(0) m oH' (0)s(0) 2 m oH (0)s(
0)
sau cu:
0=
j j
'
+ + ( 0) 2 s(
0)
2
2
adic cu:
'
s(
0)=
j
4
Pentru a obine funcii de scar duale i funcii "wavelet" simetrice se alege:
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
Pe baza relaiei (345) se obine:

*
~ ( ) = 1 + 1 e j + e j 1 1 e j j sin 2 =
m
o
2
4
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
)(
exemplu. S-a pornit de la o funcie de scar generatoare a unei baze ortonormale de

funcii "wavelet" i s-a ajuns la o baz biortogonal cunoscut. E clar c metoda este
~ i pstrnd nemodificate filtrele m
~ i m , se poate
dual. Modificnd filtrele m o i m
1
o
1
~ ,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
7.1.2.9 GENERALIZAREA CONCEPTULUI DE ANALIZ

MULTIREZOLUIE
Paragrafele anterioare au evideniat importana conceptului de analiz
multirezoluie. Se observ chiar c exist posibilitatea de a face o clasificare a
analizelor multirezoluie, ca n tabelul 1.7.1.2.9.
Tipul de analiz
multirezoluie
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
baz ortogonal a lui

Vo
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
Tabelul 1.7.1.2.9 O clasificare a analizelor multirezoluie
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
( )
bazat pe nlocuirea spaiului L2 ( R) cu spaiul L2 R n . Este interesant cazul n = 2

pentru care se obin aplicaii la prelucrarea imaginilor. Proprietile 1- 4 rmn
neschimbate. Proprietatea 5 devine n acest caz:
5. Exist o funcie n ( ) n Vo astfel nct mulimea
{ 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
7.1.2.9. Generalizarea conceptului de analiz multirezoluie
Funcia de scar ortogonal n o 1 , 2 , ... , n este generat de filtrul cu
rspunsul n frecven mo 1 , 2 , ... , n
1 2 ... n
) [0, 1]
n mo
care are proprietatea:
( 1 + 1 , ... n + n )
= 1
Un caz particular de astfel de analiz multirezoluie poate fi construit cu

ajutorul produsului tensorial.
Pornind de la analiza multirezoluie
{Vm }mZ
a lui L2 ( R) i funciile
( )
corespunztoare ,,m o ,m 1, se poate defini o analiz multirezoluie a lui L2 R n

prin:
nVm
n
= Vm
n = 1
(355)
Funcia de scar i rspunsul n frecven al filtrului care o genereaz devin:
(1, ... , n ) = (1) ... ( n )

n mo ( 1 , ... , n ) = mo ( 1) ... mo ( n )
n
(356)
(357)
Aceste funcii genereaz 2n 1 funcii de tip "wavelet" i acelai numr de

filtre corespunztoare. Expresiile rspunsurilor n frecven ale acestor filtre sunt:
n m
, ,...,0)
(1,...,n ) = m (1) ...m (n );(1,2,...,n ) {01, } n (00
1
(358)
Funciile "wavelet" n ( ) corespunztoare se deduc i sunt produse ale funciilor

i .
B.
Dup cum s-a artat deja, Oliver Rioul a definit conceptul de analiz
multirezoluie a spaiului l 2 ( Z ) , n [122]. Se pornete de la sistemul de reconstrucie
perfect n urma codrii n subbenzi din figura 1.7.1.2.9. innd seama de expresia
produsului scalar definit pe l 2 ( Z ) relaia (290) poate fi rescris n forma:
a 1[ n] = a o [ k ] , mo* [ k 2n]
*
d 1[ n] = a o [ k ] , m1 [ k 2n]
(359)
257
n teoria bncilor de filtre numerice sistemul cu rspunsul la impuls:

p c mo [ n]
= mo* [ n] = m*o [ n]
se numete sistem paraconjugat sistemului la impuls m o [ n] . Relaia (359) se mai scrie:
a [ n] = a [ k ] ,
o
1
d 1[ n] = a o [ k ] ,
p c mo [ k
2n]
(360)
p c m1[ k 2n]
De aceea relaia de sintez (288) poate fi scris n forma:
~ [ 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
Ultima relaie reprezint descompunerea semnalului ao [ n] n baza:
~ [n 2k ], m
~ [n 2k ]}
Bs = { m
1
o
k Z
(362)
a spaiului l 2 ( Z ) . Baza dual este mulimea:
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):
[( 1)n 1 + ( 1)2n 2 p 1] m~1[n p] m1[ p]

p
Pentru:
n = 2q
~ [ 2q p] m [ p] = 2 [ q ]
2 m
1
1
p
Cu notaia:
q = k l
= 2 [ n]
258
7.1.2.9 Generalizarea conceptului de analiz multirezoluie
rezult:
m~1[ 2k 2 l
p] m1[ p] = [ k l ]
sau cu schimbare de variabil: r = 2 l + p se obine:
m~1[ 2k r ] m1[ r 2 l ]
= [ k l ]
Dac se consider c funciile m o [ n] i m 1[ n] sunt reale, ultima relaie se poate scrie

sub forma:
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 ]
Deci funciile de baz a celor dou familii de analiz
p c m1[n 2k ]
k Z
{m1[n 2k ]} k Z
(364)
i de sintez
sunt mutual ortogonale, cu excepia cazului cnd argumentele
celor dou funcii coincid.

Se poate verifica condiia de biortogonalitate i n cazul general. Bazele Ba i
Bs sunt biortogonale [122].
Cazul analizei multirezoluie ortogonal rezult pentru:
m1[ n] =
p c m1[ n]
mo [ n] =
p c mo [ n]
(365)
atunci cnd funciile de analiz i sintez coincid.

n continuare se introduc noiunile de scar i de rezoluie n timp discret.
Versiunea de scar superioar a unui semnal dat este un semnal similar dar obinut
prin eantionare cu o frecven mai mare. Versiunea de scar inferioar a unui semnal
n timp discret dat este un semnal similar dar obinut prin folosirea unei frecvene de
eantionare inferioar.
259
Operatorul de dublare a scrii este operatorul care descrie sistemul compus

prin conectarea n serie a unui filtru cu rspunsul n frecven ( ) i un circuit de
interpolare cu 2. Acest operator se noteaz cu .
Operatorul de njumtire a scrii este operatorul care descrie sistemul
compus prin conectarea n serie a unui filtru cu rspunsul n frecven ( ) i un
circuit de decimare cu 2. Acest operator se noteaz cu .
Semnalele a1[ n] i d1[ n] din figura 1.7.1.2.9 se obin prin aplicarea
~ i
operatorilor m o i m 1. Reconstrucia se face cu ajutorul operatorilor m
o
~
m 1.
Fie s(y) scara unui semnal y[ n] . Considernd c semnalul original ao [ n]
are scara s(ao ) = 1, pot fi aplicai succesiv operatorii de modificare a scrii pentru
a se ajunge la semnalul y[ n] de scar s(y).
De exemplu dac:
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
Sunt valabile relaiile:
r ( x ) = r(x)
r(y)
, daca r(y) = s(y)
r ( y ) = 2
r(y) , daca r(y) < s(y)
Oricare ar fi semnalul y e valabil relaia:
(366)
260

r(y) s(y)
(367)
n [122] este demonstrat urmtoarea propoziie:

Fiind dat o scar s i o rezoluie r ( r s), exist o singur versiune x a semnalului ao
la aceast scar i cu aceast rezoluie, dac i numai dac:
~ = Id ;
mo m
o
~ = Id
m1 m
1
(368)
unde cu Id s-a notat operatorul identitate.

Dar condiia (368) este identic cu condiia (364) de biortogonalitate. O
versiune a semnalului original ao [ n] de rezoluie r ( r < 1 ) conine toat informaia
necesar pentru a obine orice alt variant a semnalului original, de rezoluie r'
inferioar lui r.
Se definete semnalul reziduu al unui semnal dat x, la scara s i de rezoluie r,
ca fiind semnalul care trebuie adugat versiunii lui x la scara s de rezoluie r , x s, r ,
pentru a i se dubla rezoluia. Se poate scrie:
d s, r = x s, 2r x s, r
Trebuie observat c:
(369)
s2r
E uor de observat c reziduul d s, r se supune acelorai reguli de modificare a scrii i

a rezoluiei ca urmare a aciunii operatorilor de modificare a scrii ca i semnalul x s, r .
Singura excepie este c dac s = 2 r , atunci:
m1 d s , r = 0
(370)
Descompunerea multirezoluie n timp discret const n iterarea relaiei (369) astfel

nct s se reconstruiasc semnalul original ao [ n] ca o sum a reziduurilor de la toate
nivelele de rezoluie r = 2 m , m = 1, M care apar:
a o [n ] =
d s = 1, r = 2
m =1
+ a o s = 1, r = 2 M
(371)
Spaiul Vo al spaiului multirezoluie este identic cu l 2 (Z) .

Proiecia semnalului ao [ n] din Vo pe spaiul V-1 se realizeaz cu ajutorul
operatorului m o , obinndu-se semnalul a 1 [n ] . Proiecia semnalului ao [ n] pe
261
)
}
spaiul V- m este semnalul a m [n ] i este obinut prin aplicarea operatorului m o .

O baz a spaiului Vo este p c mo [n 2k], p c m1[n 2k] kZ . Mulimea p c mo [n 2k] kZ
reprezint o baz a spaiului V 1 iar mulimea

spaiului W 1 .
Succesiunea de spaii
p c m1
{Vm } m = 0, M
[n 2k ]}kZ
reprezint o baz a
este un exemplu de analiz
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
Baza ortonormal a spaiului Vo este mulimea

elementelor acestei mulimi operatorul
( m )
{[ n k ]} k Z .
Aplicnd
se obine baza spaiului V-m,
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)
Transformarea "wavelet" discret invers poate fi descris cu relaia:
ao
~ ) m1m
~ d + (m
~ ) M a
= (m
o
m
o
m
1
m = 1
n [122] sunt demonstrate formulele de analiz:
(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
formeaz bazele spaiilor W- m i se numesc funcii "wavelet" de
analiz n timp discret.

Transformarea "wavelet" discret invers se exprim prin:
m
ao [ n] =
m = 1
~ m [ n 2m k] +
[ k] m
1
~ M [ n 2M k]
[ k] m
o
(379)
~ m [ n 2m k] formeaz bazele spaiilor ~

~ m [ n 2m k]
m
V m . Funciile m
o
1
~
formeaz bazele spaiilor W m i se numesc funcii "wavelet" de sintez n timp
Funciile
discret.
Se poate demonstra c bazele acestor spaii sunt biortogonale pentru orice

valoare a lui m cuprins ntre 1 i M.
n cazul analizei multirezoluie ortogonal:
m
p c m1
~m ,
= m
1
M
p c mo
~M
= m
o
263
{ m~1m [n 2m k ], m~oM [n 2 M k ]}m = 1, M , k Z
Atunci mulimea
este o
baz ortonormal a lui l 2 ( Z ) . n [30] rezultatele prezentate anterior sunt extinse la
( )
spaiul l 2 Z 4 , n N .
C.
n numeroase aplicaii semnalul de analizat x( )are durat limitat
{ ( ) } [ , ]
supp x
n consecin spaiul care trebuie descompus este L2 [ ,] i nu L2 ( R) .

Este de interes construcia unei analize multirezoluie a acestui spaiu. Cu
ajutorul unei astfel de analiz multirezoluie poate fi construit un nou tip de funcii
"wavelet" numite funcii "wavelet" pe interval.
n continuare pentru comoditate, se va considera cazul:
= 0;
= 1
2(
E clar c x( ) L R ) . n consecin pentru aproximarea lui x( ) poate fi

utilizat o analiz multirezoluie a lui L2 ( R) . n acest scop se poate considera c:
x( ) = 0 , [0, 1]
Aceast ipotez poate ns s introduc discontinuiti n punctele 0 i 1, care s

afecteze calitatea aproximrii semnalului x( ) prin analiza multirezoluie. O alt
ipotez care se poate face asupra lui x( ) este c el reprezint restricia la perioada
principal a unui semnal periodic de perioad 1. Aceast ipotez conduce la
construcia analizelor multirezoluie periodice [76] i aceast ipotez poate s
introduc discontinuiti n punctele 0 i 1. O alt ipotez care se poate face asupra lui
x( ) este c acest semnal reprezint restricia semnalului xp ( ) la intervalul [0, 1].
Semnalul xp ( ) se construiete pe baza semnalului x( ). De fapt el reprezint
pentru > 1 simetricul semnalului x( ), fa de axa de simetrie constituit de
verticala dus prin 1 i pentru < 1 , simetricul semnalului x( ), fa de axa de
simetrie constituit de verticala dus prin 0. Aceast ipotez conserv continuitatea n
punctele 0 i 1 pentru semnalul x( ), dar nu i pentru semnalul x'( ). Ceea ce se
caut de fapt n cazul semnalelor de durat limitat, din L2 [ 0,1] sunt funcii de scar
i funcii "wavelet" intrisec definite pe intervalul [0, 1]. n continuare se prezint o
modalitate de construcie a unor astfel de funcii. Se pornete de la funcia de scar
introdus de I. Daubechies.
N ( )corespunztoare funciei "wavelet" N ( )
Mulimea
{ N m, k ( )} k Z este o baz ortonormal a spaiului
NVm.
264
Orice monom , N 1 poate fi descompus n aceast baz n forma:
( )
, m, k m, k ( )
Restricia acestui monom la intervalul [0, 1] poate fi exprimat cu relaia:

0
[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]

m
22
(2 )
m
[ 0, 1] =
m, L
1 2m 2 N
m +
k=1
, m, k ( ) m , k ( ) [ 0, 1] + m, R
Indicele m nu trebuie ales superior valorii mo pentru care:
1 m , L [0, 1]
o
0 m , S [0, 1]
o
Se consider spaiile rVm, m m o:

rVm
= 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
i toate elementele lor sunt liniar independente. Nu mai rmne dect s se
ortogonalizeze funciile
m, L i m, R .
Mulimea
{ rV m } m m
este o analiz multirezoluie a lui L2 [ 0,1] . Complementele
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.
n toate tipurile de analiz multirezoluie descrise pn n prezent au fost
( )
folosite produsele scalare definite pe L2 R n
( )
sau 12 Z n . Pot fi folosite ns i
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 )
Definiia analizei multirezoluie ponderat este, conform [132], urmtoarea:

Mulimea
{Vm }m Z
este o analiz multirezoluie ponderat a lui L2 ( R)
dac elementele sale au urmtoarele proprieti:

1. Vm Vm +1 , ( ) m Z
266
7.1.2.9 Generalizarea conceptului de analiz multirezuluie
Vm = L2 ( R)
2.
m Z
Vm = { 0}
3.
m Z
Exist funcii de scar m ,k astfel nct mulimea
4.
{ m, k } k Z s
fie o baz Riesz a spaiului Vm.

Ultima proprietate implic faptul c pentru fiecare funcie de scar m ,k ( )
exist un set de coeficieni
{m
o m, k , l
} astfel nct s fie satisfcut o relaie de
forma:
m, k ( ) =
mo m, k , l m+1, 2k +l ( )
(382)
Spre deosebire de cazul analizelor multirezoluie neponderate, funciile de scar

m ,k ( ) nu se mai obin prin translatarea i scalarea unei funcii unice. Pentru fiecare
funcie m ,k ( ) exist o mulime specific de coeficieni
{m
o m, k , l
} . Se poate
~
construi i analiza multirezoluie ponderat dual. Ea este compus din spaiile V m

generate de funciile de scar duale ~
m ,k care sunt biortogonale n raport cu funciile
m ,k:
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
Spaiile Wm vor fi complementele spaiilor Vm n spaiile Vm+1 i vor fi generate de
.
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
vor fi complementele spaiilor V m n spaiile V m +1 i vor fi generate de
. Elementele acestor baze se pot exprima n forma:

bazele Riesz ~
m, k
kZ
~
m, k =
m~1m, k , l ~ m+1, 2k +l
(385)
Funciile "wavelet" duale vor fi biortogonale n raport cu funciile "wavelet":
m, k , ~
m', k' = [ k k' ] [ m m' ]
(386)
Exemple de astfel de analize multirezoluie sunt prezentate n [132].

E.
Analizele multirezoluie discutate pn aici aproximau semnalul x( ) prin
proiecia sa pe un anumit subspaiu, Vm:
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 ( )
Deci, pentru a cunoate efectul aplicrii operatorului L semnalului xm ( ) este

suficient s se cunoasc efectul aplicrii operatorului L funciilor m ,k ( ).
n consecin se poate afirma c analizele multirezoluie prezentate sunt utile
la studiul operatorilor liniari. Din pcate acest tip de analiz nu este la fel de util
pentru studiul operatorilor neliniari. De aceea s-a ncercat generalizarea noiunii de
analiz multirezoluie n scopul obinerii unei noiuni noi, mai util la studiul
operatorilor neliniari. Aceast noiune nou a fost numit analiz multirezoluie
neliniar. Exemple de astfel de analize multirezoluie sunt prezentate n [24]. O alt
abordare a analizelor multirezoluie neliniare este prezentat n [36]. n aceast lucrare
ideea este s se nlocuiasc operatorii de proiecie, care n cazul analizelor
multirezoluie tradiionale sunt liniari cu operatori neliniari.
268
Este vorba despre operatori de "retracie" pe mulimi convexe.

Definiie. Operatorul continuu Rm : H Cm ( H este un spaiu Hilbert
nchis iar Cm este o mulime convex) este numit "retracie" pe Cm dac Cm este
mulimea punctelor fixe ale operatorului Rm :
Cm =
{y H
Rm ( y ) = y
(387)
Cu ajutorul acestor operatori poate fi definit noiunea de analiz multirezoluie

convex.
Definiie: O analiz multirezoluie convex a lui H este o secven de
retracii pe mulimi convexe nchise
{Cm }mZ , submulimi ale lui H , {Rm }mZ
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
este o aproximaie a semnalului x de rezoluie m. n acelai timp semnalul xm poate fi

privit ca i proiecia semnalului xm+1:
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
Semnificaia fizic a pierderii de informaie de la rezoluia m + 1 la rezoluia

m, depinde de alegerea operatorului de retracie Rm.
Un exemplu de operator de retracie este cel definit recurent n relaia
urmtoare:
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
este o baz Riesz a
spaiului Hilbert S. Atunci funciile:
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)
constituie de asemenea o baz Riesz a spaiului S:
{ 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
Figura 1.7.1.2.9. Schem pentru generarea pachetelor de funcii "wavelet".
cu:
eL1 , ...eL
}() =
L
l=1
mel 2-l F {} 2 L
(393)
Astfel, dup L mpriri, se obin 2L funcii de baz i translatatele lor cu ntregi
multipli de 2L m ca i elemente ale bazei Riesz a spaiului Vm. Legtura dintre

pachetele de funcii "wavelet" i funciile de scar respectiv funciile "wavelet"
corespunztoare este:
( ) = oL, ..., o ( ) i ( ) = 1L, o, ..., o ( )
De fapt nu este necesar s se mpart fiecare subspaiu pentru fiecare valoare a lui m.
n figura 1.7.1.2.9 se prezint o modalitate de mprire a spaiului V3 corespunztoare
schemei care genereaz pachete de funcii "wavelet". n figur sunt notate cu * spaiile
care aparin unei analize multirezoluie:
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:
{ 11(4 k ) , 12,o (2 k ) , o3, 1, o ( k ) , o3, 1, 1( k )} k Z
Pentru funciile duale trebuie aplicat o procedura similar. Transformrile "wavelet"
271
discrete direct i invers, corespunztoare primului exemplu de pachet de funcii

"wavelet" dat mai sus sunt prezentate n figura 2.7.1.2.9.
Figura 2.7.1.2.9. Transformrile "wavelet" discrete, direct i invers corespunztoare primului

exemplu de pachet de funcii "wavelet".
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
7.1.2.10 Pachete de funcii "wavelet"

7.1.2.10 PACHETE DE FUNCII "WAVELET"
n continuare se dezvolt conceptul introdus la sfritul paragrafului anterior

prezentndu-se diferite modaliti de construcie a unor baze ale lui L2 ( R) . n primul
rnd se observ c irul de simboluri din relaia (392) e1...eL reprezint exprimarea n
binar a unui anumit numr. Dac acest numr se noteaz cu n atunci relaia (392)
devine:
( m L )
n , m ,k ( ) = 2
n 2m L k , n = n[ L]
(394)
E clar c numrul n depinde de L.

Modul de generare al acestor funcii este prezentat n figura 1.7.1.2.10.
Figura 1.7.1.2.10 Schema de generare a unui pachet de funcii "wavelet" (m = 0)
Se observ c pentru o valoare fixat a lui L (de exemplu L = 2) elementele cu indici

pari ( 2o ,22 ) sunt generate cu ajutorul filtrului mo iar elementele cu indici impari
( 12 ,23 ) sunt generate cu ajutorul filtrului m1.

De aceea sunt valabile relaiile:
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 ( ) =
Relaii identice pot fi scrise i pentru funciile duale:
~
~ ) ~
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
Schema de generare a pachetului de funcii "wavelet" duale este prezentat n

partea dreapt a figurii 1.7.1.2.10.
Folosind notaiile:
n , m, k ( ) = n , m ( 2 k)
~
~
n , m, k ( ) = n , m ( 2 k)
(399)
se poate demonstra biortogonalitatea acestor funcii:
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)
este o baz Riesz a spaiului
Dac filtrele cu rspuns la impuls m o [ n] i m 1[ n] sunt filtre n cuadratur

ortogonale (cele care genereaz baze ortogonale de funcii de scar i de funcii
"wavelet") atunci mulimea
n,m .
Teorema 1.7.1.2.10
{ n , m ( k)} k Z este o baz ortonormal a spaiului
Prin concatenarea bazelor spaiilor n,m , n 0 se obine o
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)
Fie xn,m ( ) un element al spaiului n,m . El se poate descompune n baza
{ n , m ( k)} k Z
a acestui spaiu, n forma:
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
O form echivalent pentru ultima relaie este:
xn , m ( ) =
1
y
2 2n , m

2 +
1
z
2 2n +1, m
(405)
unde y 2n , m 2n , m i z 2n +1, m 2n +1, m

Fie:
( x )( ) =
i spaiul ( ) n, m definit prin:
1

x
2
2
( ) n , m = x , x n , m
(406)
(407)
Pe baza ecuaiei (405) se poate scrie:
n, m = ( mo ) n, m + ( m1 ) n, m = () 2n, m + () 2n+1, m
(408)
Ultima relaie poate fi pus, prin recuren n forma:
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)
La fel, pentru k negativ avem:
( ) k n , m =
2 k n ,m
+ ... +
2 k ( n + 1) 1 ,m
n 0, k 0
(411)
Spaiile, elemente ale descompunerilor (410), (411) acoper spaiul L2 ( R) atunci

cnd se parcurge mulimea Z iar n parcurge mulimea Z + . Elementele mulimii
{ n, m ( k ) , k Z , n 0} sunt ortonormale. Combinaiile lor liniare acoper
276
spaiul o, m + 1, m + ... . Dar acest spaiu conine spaiul ( ) k o , m pentru

fiecare valoare a lui k. Avem:
( ) k o , m = ( ) k Vo = V k
{ }mZ ):
Cum (pe baza unei proprieti a analizei multirezoluie Vm
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
fi considerat ca fiind un pachet de funcii "wavelet". Elementul s f p ( ) are

indicele de scar s, indicele de frecven f i indicele de poziie p.
Aceast construcie generalizeaz mulimea
{ n , m ( k )} k Z , n Z, n 0
prin aceea c apare un nou grad de libertate, datorat variabilei s.

Remarc:
Factorul 2 s are o semnificaie opus semnificaiei factorului 2m din formula
folosit pn aici:
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
} este, conform rezultatelor precedente, o baz a
spaiului ( ) s f . Indicele de scar d o estimare relativ a duratei semnalului
s f p():
2t s f p ( ) =
2 2 s /2 f 2 s p
(2 s /2 )
d =
f 2 s p
Folosind schimbarea de variabil:
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)
Banda efectiv a semnalului sfp ( ) se obine din:
({
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)
Deci atomul timp-frecven are o localizare n planul timp-frecven descris

de valorile indicilor s, f i p. Celula de rezoluie corespunztoare acestui atom este un
al crui centru (numit centru de

dreptunghi de laturi t s f p i s f p
energie al semnalului s fp ) are o poziie specificat prin intermediul valorilor
indicilor s, f i p.
n continuare se consider exemplul pachetelor de funcii "wavelet" de tip
Haar-Walsh. n acest caz:
1
1
[ ]
m0 n = 2 [ n] + 2 [ n 1]
1
1
[ n]
[ n 1]
m1[ n] =
2
2
0( ) = ( ) (t 1)
(415)
Funciile n ( ) , n 0 au suportul inclus n intervalul [0, 1]. Fie n un numr cu

exprimarea binar:
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
Transformarea invers poate fi calculat i recursiv:
CG2n1 =
1
CG2n =
2 CGn1 ,
1
2 CGn + 1 ,
2 CGn1 + 1 ,
1
2 CGn ,
daca CGn1 este par

daca CGn1 este impar
daca CGn1 este par
(416)
daca CGn1 este impar
Conform relaiilor (395), (396) i (415) elementele pachetului de funcii "wavelet"

ortogonale sunt:
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)
Graficele acestor funcii sunt prezentate n figura 2.7.1.2.10.
Figura 2.7.1.2.10 Graficele primelor 6 funcii din pachetul de funcii

"wavelet" ortogonale din acest exemplu
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
[2k p, 2k( p+1)] , a crui lungime este
are
ca
suport
temporal
intervalul
2k .
Aceast observaie finalizeaz primul exemplu de pachet de funcii "wavelet"

ortogonale.
n continuare se definete pachetul de funcii "wavelet", ~
s f r ( ) . n acest
scop se definete intervalul diadic de numere reale:
n n + 1
Ik n = k , k
2
2
(420)
Exist o coresponden natural ntre intervalele diadice i subspaiile lui L2 ( R) :
I s f ( ) s f
(421)
282
7.1.2.10 Pachete de funcii wavelet
n legtur cu aceast coresponden se poate demonstra urmtorul rezultat.

Lema 1.7.1.2.10. Dac intervalele diadice Is'f' i Isf sunt disjuncte sau dac
Is'f' = Isf dar p' p atunci:
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
2 s /2 f (2 s p) 2 s'/2 ~ *f '(2 s' p') d
f (2 s p) ~ *f (2 s p') d
2 s = u
s f p
,~
s'f 'p' =
f (u p)~ *f (u p')du = f (u p),~ f (u p')
s f p ,~
s'f 'p' = [ f f '] [ p p'] = [ p p'] = 0, p p'
(422)
Dac s = s' i f f ' atunci:
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)
Dac s'< s fie:
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
( ) 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)
s' I , f ' I , p' I

s
p
f
sunt
284

n continuare se "rafineaz" descompunerea:
L2 = n
n
admind c i indicele s variaz.

Fie I o acoperire diadic realizat cu intervale Is k ,disjuncte, a mulimii R+. Se
poate formula acum urmtoarea teorem.
Teorema 2.7.1.2.10
a lui R
Dac I este o acoperire diadic realizat cu intervale disjuncte
atunci exist un pachet de funcii "wavelet" s f p , I s f I , p Z care
formeaz o baz a spaiului L2 ( R) .
Demonstraie. Mulimea
sfp,
p Z
este o baz pentru spaiul ( ) s f .
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
Se consider pentru nceput cazul s 0 pentru toate intervalele Is, f din I.

n acest caz fiecare spaiu Is. f corespunde spaiului:
( ) s f =
2 s ( f + 1) 1
n = 2 s f
i indicii acestor subspaii sunt tocmai ntregii din intervalul Is, f.

Deoarece:
Is f = R+
s
avem:
( ) s f =
s
n= 0
2(
a crui nchidere s-a demonstrat deja c este L R) .

Dac s k, pentru toate intervalele Is, f din I, atunci:
( 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
formeaz o baz a spaiului Vo.
n practic este important calculul coeficienilor descompunerii unui semnal n

bazele generate de pachetele de funcii "wavelet".
Fie:
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~
( 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)
{ }
Se va mai folosi notaia {} pentru o , produsele scalare ale lui x cu elementele

bazei spaiului ( ) o o = Vo . n continuare se vor calcula produsele scalare ale lui x
cu fiecare dintre elementele bazelor spaiilor ( ) s f pentru s > 0 i 0 f < 2s,
) (m1 ) de s ori.
prin aplicarea operatorilor mo i
286

Aceste calcule sunt o consecin a urmtorului rezultat.
Lema 2.7.1.2.10
Secvenele de coeficieni
{ } satisfac relaiile de
sf
recuren:
s + 1 2 f (p) = (mo ) s f (p)
(429)
s + 1 2 f + 1(p) = (m1 ) s f (p)
(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
Demonstraia relaiei (430) este identic dac se nlocuiete mo cu m1. Pachetul de
funcii "wavelet" sfp cuprinde o bibliotec de funcii, care se pot organiza pe

baza lemei 2.7.1.2.10. Aceste funcii formeaz un "arbore binar" ale crui noduri sunt
spaiile ( ) s f . "Rdcina" acestui arbore este spaiul V o = o . Acest arbore
precum i cel corespunztor coeficienilor sf(p) sunt prezentai n figura
3.7.1.2.10. De fapt, citii invers (de jos n sus), arborii prezentai pot fi considerai i ca
fiind arbori de sintez. Fiecare nod reprezint "suma" celor dou noduri imediat
descendente (copiii nodului).
287
Figura 3.7.1.2.10 Arbori de analiz cu pachete de funcii "wavelet".
Pentru a obine analiza cu un pachet de funcii "wavelet" a unei funcii se

parcurg urmtoarele etape:
1. Se determin coeficienii funciei n subspaiul rdcin,
2. Se urmresc ramurile arborelui din figura 3.7.1.2.10 pentru descompunerile
funciei date n subspaiile descendente.
Ramurile arborelui corespund indicilor s i f i deci unei secvene de operatori
(mo ) i (m1 ) . Corespondena ntre elementele pachetului de funcii "wavelet" i
ramurile arborelui poate fi gsit pe baza reprezentrii binare a ntregului
f 0, 2 k 1 , f =
Teorema 3.7.1.2.10.
( f k 1... f 1 f o ) 2 , folosind urmtoarea teorem.
Oricare ar fi s 0 i 0 f < 2s , e valabil relaia:
s f = ( Fo ... Fs 1) (p)
unde:
(432)
288
mo daca f i = 0
Fi =
m1 daca f i = 1
(433)
Practic, teorema a fost deja demonstrat.

n continuare se estimeaz complexitatea algoritmului sugerat de teorema
3.7.1.2.10. Dac secvena rdcin, (p) , are durata 2 N = D atunci fiecare aplicare
a operatorilor m0 , m1 consum un numr de nmuliri-adunri de ordinul de
mrime a lui D (O(D)). Numrul maxim de iteraii ale algoritmului depinde de
valoarea lui D. Avnd n vedere c dup fiecare iteraie a algoritmului durata secvenei
obinut este de dou ori mai mic dect durata secvenei de dinainte de iteraie,
rezult c numrul maxim de iteraii este:
N = log 2 D
(434)
De aceea numrul total de operaii de nmulire-adunare efectuate de
algoritmul propus este de ordinul: O D log2 D . n figura 4.7.1.2.10 se prezint o

particularizare a arborelui de coeficieni din figura 3.7.1.2.10 pentru pachetul de
funcii "wavelet" Haar-Walsh.
Figura 4.7.1.2.10 Ordonarea natural a pachetului de funcii "wavelet" Haar-Walsh

pentru "rangul" 8 (23, s = 3).
289
Secvena de analizat are 8 eantioane. Numrul de ordine al liniei reprezint

valoarea lui s. Linia 0 corespunde rdcinii.
Numrul de ordine al coloanei este o combinaie ntre indicele de frecven f
i indicele de poziie p: indicii din fiecare bloc specific poziia iar CG 1 f
specific frecvena.
Dac fiecare din cele 4 dreptunghiuri mari din figura 4.7.1.2.10 se suprapune
peste intervalul [0, 1) atunci blocurile de coeficieni ocup subintervale diadice.
Secvena de coeficieni s f este coninut ntr-un bloc care se suprapune peste
( )
intervalul Is f . n figura 5.7.1.2.10 sunt prezentate graficele elementelor s f p ( ) ,

din cadrul pachetului de funcii "wavelet" de tip Haar-Walsh corespunztoare
diferitelor blocuri din figura 4.7.1.2.10.
Figura 5.7.1.2.10 Pachetul de funcii "wavelet" de tip Haar-Walsh de rang 8.
Figura conine 3 coloane principale, fiecare alctuit din dou coloane

secundare. n coloanele secundare din stnga sunt prezentate graficele, s f p ( ) iar
n coloanele secundare din dreapta este prezentat poziia coeficientului corespunztor
s f [ p] . Se constat c graficele funciilor 3, f ( ) sunt identice cu graficele din
figura 2.7.1.2.10, pentru f = n i f = 0, 5 .
290
Se observ c exist 24 de funcii s f p ( ) pentru un numr util de 8

coeficieni. Cele 24 de funcii compun o mulime mai redundant dect o baz. Poate
fi aleas n consecin o submulime cu caracteristici de baz, adaptat la un semnal
particular sau la o problem particular. Cnd exist posibilitatea alegerii unei baze
pentru reprezentarea unui anumit semnal atunci poate fi cutat cea mai bun baz din
punctul de vedere al unui anumit criteriu. n acest mod se obine baza adaptat la
semnalul considerat. Fie B o mulime numrabil de baze ale spaiului Hilbert
separabil X. Se prezint o list de proprieti utile pentru mulimea B .
- Calculul rapid al produselor scalare cu elementele bazelor din B ,
- Localizarea temporal bun a elementelor bazelor din B ,
- Localizarea frecvenial bun a elementelor bazelor din B ,
- Independen, astfel nct s nu existe multe elemente ale unei baze care s
se potriveasc cu o anumit poriune din semnalul de analizat.
Pentru a alege cea mai bun baz este necesar s se aprecieze n ce msur
fiecare baz din B are properietile enunate mai sus.
nainte de a putea defini o reprezentare optim, este necesar s se poat
aprecia care este costul memorrii unei anumite reprezentri. Vom numi acest cost,
cost de informaie. Fiind dat secvena u[ k ] se poate defini o funcional de cost de
informaie corespunztoare secvenei u[ k ] prin:
M (u) =
( u[ k ] ) ,
(0) = 0
(435)
k Z
unde este o funcie real definit pe [0, ).

Pentru orice element x X se definete:
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
definit n acest mod funcionala Mx pe B :
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
( bk , x ) are valoarea minim. n continuare se prezint cteva exemple de
funcionale de cost de informaie.

Exemplul 1. Numrul de eantioane peste un anumit prag
291
Se fixeaz un prag i se numr elementele din secvena u[ n] a cror valoare

obinut depete pragul.
w ,
(w) =
0 ,
<
Exemplul 2. Concentrarea n spaiul l p , 0 < p < 2:
(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
este o funcional de cost de informaie.

Exemplul 4. Logaritmul energiei
M (u) =
log u[ k ] 2
k=1
(439)
292
Mulimea B poate fi numit "bibliotec" de baze. Dac biblioteca de baze este un

arbore de "nlime" finit L (exist L nivele de descompunere), atunci cea mai bun
baz pentru un semnal x poate fi determinat prin calculul costului de informaie n
fiecare "nod" al arborelui i prin compararea nodului "copil" cu nodul "printe",
ncepnd de jos.
n acest mod fiecare nod este examinat de dou ori, odat considerndu-se c este un
nod "copil" i a doua oar considerndu-se c este nod "printe". Acest algoritm de
cutare este exemplificat n figurile urmtoare. n figura 6.7.1.2.10 au fost plasate
numere n interiorul nodurilor arborelui pentru a specifica costurile de informaie. Se
marcheaz cu asterisc toate nodurile de pe nivelul de jos. Costul lor total de informaie
este egal cu 28. Se ncearc reducere acestei valori. Ori de cte ori un nod "printe" are
un cost de informaie inferior costului total de informaie al nodurilor
Figura 6.7.1.2.10 Iniializarea algoritmului de cutare a celei mai bune baze.
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.
Figura 8.7.1.2.10. Rezultatul algoritmului de cutare a celei mai bune baze.
294
7.2 Analiza semnalelor nestaionare folosind un dicionar timp-frecven

7.2 ANALIZA SEMNALELOR NESTAIONARE FOLOSIND UN
DICIONAR TIMP-FRECVEN
Dac se construiete un pachet de funcii "wavelet" aplicnd de L ori artificiul

de mprire, atunci se pot obine mai mult de 2L baze ortonormale ale spaiului Vo,
dintre care doar L sunt baze ortonormale de funcii "wavelet". Toate aceste L baze
formeaz o bibliotec de pachete de funcii "wavelet". Fiecare element al uneia dintre
aceste baze este un atom timp-frecven. Atomii obinui n urma aplicrii metodei de
selectare a celei mai bune baze sunt adaptai la semnalul de analizat din punctul de
vedere al localizrii n planul timp-frecven.
Dup cum s-a vzut n exemplul dat n paragraful anterior n cazul pachetului
de funcii "wavelet" de tipul Haar-Walsh, localizarea n domeniul frecven nu este
foarte bun. Mai mult, nici indexarea atomilor n domeniul frecven nu este simpl. O
clas de atomi timp-frecven cu proprieti superioare a fost introdus de S. Mallat n
anul 1992 [91].
El a pornit de la o funcie temporal w( )i a construit atomii timp-frecven
prin scalare, translatare i modulaie. Un atom din aceast clas se exprim cu relaia:
1
t o j o
e
w
s
s
ws , wo , to ( ) =
(440)
Se observ c n acest mod indicii de scar, s, i de frecven, o, sunt cu

variaie independent. n continuare se determin durata efectiv i banda efectiv ale
atomului definit n relaia (476). Avem:
2t
ws , o , to
2
to
s w s
Pentru t0 = 0, ultima relaie devine:
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)
n consecin localizarea n frecven a atomului considerat se face ntr-un

interval centrat pe o, de lungime
1
(w) . Deci aria celulei de rezoluie din
s
planul timp-frecven, corespunztoare atomului considerat este:
Ac r = t (w) (w)
egal cu aria celulei de rezoluie a ferestrei temporale w( ).

Fie:
= (s, o , t o )
296
7.2 Analiza semnalelor nestaionare folosind un dicionar timp-frecven
Mulimea
{w
()
reprezint un "dicionar timp-frecven".
Aceast mulime este redundant. Pentru a reprezenta un semnal de energie

finit x( ) cu ajutorul atomilor timp-frecven din acest dicionar se selecteaz o
mulime numrabil de atomi
{w
x ( ) =
( )
astfel nct:
n Z
anw
Alegerea atomilor timp-frecven w
( )
(443)
( ) poate fi fcut cu un algoritm adaptiv
numit "matching pursuit". Acest algoritm are urmtoarele etape:

- Se alege primul atom, w
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 .
-Se alege cel de al doilea atom, w 1 ( ) astfel nct :
R 0x ,w 1
= su p R 0x ,w
i se face descompunerea:
Rx =
Rx , w 1
w 1 + R 1x
Algoritmul se continu pn cnd eroarea de aproximare scade sub o valoare impus.
Dac nchiderea mulimii w
lim
i expresia lui x( )devine:
este chiar L2 ( R) atunci:

( )
nI
Rxn = 0
297
x( ) =
n = 0
Rn
x, w n
w n
(444)
n acest caz este valabil i relaia:
x 2 =
Rn
x, w n
Algoritmul descris este inspirat din tehnicile de estimare statistic a parametrilor.

Acest algoritm se utilizeaz i n cazul reprezentrilor timp-frecven de tipul
transformare Fourier scurt adaptiv, definit n paragraful 8.1 din [117].
Principalul su dezavantaj este volumul mare de calcul pe care l implic.
n paragraful 7.1 a fost prezentat o metod asemntoare de aproximare a
semnalelor de energie finit folosind cadre. n [42] este prezentat un algoritm de gsire
a cadrului adaptat la un semnal dat, x( ). Acest algoritm conduce la minimizarea
erorii de aproximare din relaia (155'). n cazul acestui algoritm, dicionarul timpfrecven corespunztor are ca i atomi elementele cadrelor. De aceea acest algoritm
de cutare a fost numit metoda "frame".
Pe lng metodele "matching pursuit", cea mai bun baz i "frame" mai
exist i o a patra metod de gsire a elementelor unui dicionar timp-frecven care s
se adapteze cel mai bine la dezvoltarea unui anumit semnal impus. Aceast metod
este propus de D.Donoho n [25]. Numele metodei este "basis pursuit". Ideea acestei
metode este gsirea mulimii
{ n }nZ
ntr-un dicionar timp-frecven prin
minimizarea normei l1 a coeficienilor an din formula:
x( )
n ( )
(445)
la o eroare de aproximare impus. Aplicaii ale acestei metode sunt prezentate n [19].
298
7.3 Discretizarea reprezentrilor biliniare

7.3 DISCRETIZAREA REPREZENTRILOR BILINIARE
Calea tradiional de analiz a unui semnal n timp continuu, cu ajutorul

calculatorului numeric, este bazat pe utilizarea variantei eantionate a acelui semnal.
Aceast cale este folosit, spre exemplu, la construcia analizoarelor de spectru bazate
pe utilizarea algoritmului FFT [124]. Fie x(t) semnalul de analizat i xe (t), varianta sa
eantionat. Este vorba despre eantionarea uniform (ideal, cu pasul T):
x e (t) = x(t) T (t) =
x( kT ) (t kT )
k= -
Reprezentarea timp-frecven de tipul transformare Fourier scurt a semnalului xe (t)

este:
TFxSTFT (t,) =
e
= x( kT )
k
xe ( )w( t ) e j d =
x( kT )( kT ) w( t )e j d
k
w(kT t) ( kT ) e j k T d = x(kT ) w(kT t) e j k T

k
TFxSTFT (nT,) =
e
Dar:
x(kT ) w ((k n)T ) e j k T

k
x e[ n] = x[ n]
Pentru T = 1, se obine reprezentarea timp-frecven de tipul transformare Fourier

scurt a semnalului n timp discret x[n]:
TFxSTFT (n,) =
x[ k ]w[ k n]e jk
(446)
k =-
De aceea se poate afirma c reprezentarea timp-frecven de tipul spectogram are

expresia:
TFxS (n, ) =
x[ k ] w[ k n] e j k
k=
(447)
299
Din cauza continuitii acestei reprezentri cu variabila , ea nu poate fi

calculat numeric. De aceea se recurge i la eantionarea variabilei . Avnd n
vedere periodicitatea cu 2 dup variabila a funciilor TFxSTFT ( n,) i
TFxS ( n,) , pe baza formulelor (346) i (347) pot fi stabilite definiiile reprezentrilor
discrete de tip transformare Fourier scurt respectiv, spectogram:
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=
Proprietile acestei reprezentri timp-frecven sunt prezentate n [94]. Avnd

n vedere faptul c reprezentarea timp-frecven de tipul funciei de incertitudine a
semnalului x(t) este identic cu transformarea Fourier scurt a aceluiai semnal
folosind fereastra temporal:
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
Aplicnd reprezentarea timp-frecven de tipul transformare "wavelet"

continu semnalului xe (t)se obine:
300
TFxCWT
(t, ) =
e
x( kT )(t kT )(( t ) )d =
x( kT )( ( kT t ))
De aceea reprezentarea timp-frecven de tipul "wavelet" discret a semnalului

x[n] este:
TFxCWT [n, k ] = k
2
N
2 (
x[ m] k
m n) ,
N
m=
k = 1, N
(452)
n consecin reprezentarea timp-frecven de tipul scalogram discret, are expresia:
TFxSC
2
[n, k ] = k
N
2
x[ m] k N (m n)
m=
k = 1, N
(453)
Avnd n vedere modul n care au fost deduse expresiile principalelor reprezentri

timp-frecven biliniare discrete, n acest paragraf, rezult c acestea aproximeaz cu
att mai bine reprezentrile continue corespunztoare cu ct valoarea folosit pentru T
este mai mic respectiv cu ct valoarea folosit pentru N este mai mare. La fel ca i n
cazul transformrii Fourier discrete, [57],i n cazul transformrilor din acest paragraf
se poate vorbi despre erori de aliere n timp i n frecven respectiv despre erori de
trunchiere. Toate reprezentrile timp-frecven discrete prezentate au proprieti
specifice, care ar merita s fie studiate. Acest studiu nu va fi prezentat n aceast carte
avnd n vedere c aici reprezentrile discrete sunt privite doar ca i un mijloc de
calcul numeric al reprezentrilor continue. n consecin nu ne intereseaz
reprezentrile discrete ca obiect n sine. Avnd n vedere convergena reprezentrilor
discrete la reprezentrile continue corespunztoare, n fiecare punct al planului timpfrecven, putem considera c i reprezentrile discrete se bucur de proprietile
reprezentrilor continue deja demonstrate. Acest punct de vedere nu este nou, el st la
baza construciei unor programe de calcul numeric cum este de exemplu programul
MATHCAD sau programul MATLAB. Formule similare pot fi deduse pentru toate
reprezentrile biliniare generalizate prezentate n aceast lucrare. Mai sus au fost
prezentate att reprezentri timp-frecven discrete liniare (relaiile (448), (452)) ct i
reprezentri timp-frecven discrete biliniare (relaiile (449),(450), (451) i (453)).
Toate aceste reprezentri discrete au fost construite prin eantionarea n domeniul
frecven a unor reprezentri n timp discret corespunztoare (de exemplu
TFxSTFT ( n,) ). Aceste reprezentri n timp discret s-au obinut prin aplicarea
reprezentrii continue corespunztoare semnalului xe (t). E clar c reprezentrile n
timp discret aproximeaz reprezentrile continue n msura n care semnalul xe (t)
aproximeaz semnalul x(t).
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)
Valoarea maxim a pasului T care poate fi utilizat pentru construcia reprezentrii

timp-frecven de tipul transformare Fourier scurt n timp discret este deci:
T=
(455)
n cazul reprezentrii timp-frecven de tipul Winger-Ville:
TFxWe V
(t, ) = 2 xe (t + ) xe* (t ) e j 2 d

nu se mai eantioneaz semnalul x(t) ci semnalul x( t+ ) x* ( t ) . E clar c banda

de frecvene a acestuia este de lime 2B. Deci n acest caz este necesar s se
eantioneze cu un pas de valoare maxim 2B . Deci n cazul reprezentrilor biliniare

eroarea de aproximare a reprezentrii continue prin reprezentarea discret este mai
mare dect n cazul reprezentrilor liniare. n cazul reprezentrii de tip Wigner-Ville
se prefer uneori calculul reprezentrii semnalului analitic asociat n locul
reprezentrii semnalului. Spectrul semnalului analitic asociat unui semnal al crui
suport frecvenial este simetric fa de frecvena nul este localizat ntr-un interval de
frecvene pozitive a crui lungime este egal cu jumtate din lungimea intervalului n
care este localizat spectrul semnalului iniial. De aceea pentru discretizarea
reprezentrii Wigner-Ville a semnalului analitic asociat unui semnal se poate utiliza
aceeai valoare a pasului de eantionare ca i n cazul discretizrii reprezentrii de
tipul transformare Fourier scurt a aceluiai semnal. Dei se obine aceeai eroare de
aliere totui reprezentarea Wigner-Ville discret a semnalului analitic asociat
semnalului de analizat are un dezavantaj. Deoarece semnalul analitic asociat este
complex, numrul de operaii care trebuiesc efectuate este de dou ori mai mare n
cazul calculului reprezentrii discrete de tip Wigner-Ville a semnalului analitic asociat
dect n cazul reprezentrii discrete de tip
302
transformare Fourier scurt a semnalului iniial (aceleai operaii se efectueaz att

pentru partea real a semnalului analitic ct i pentru partea sa imaginar).
Metoda descris este avantajoas n cazul prelucrrilor de semnal bazate pe
utilizarea semnalului analitic. Formulele din acest paragraf au fost stabilite n ipoteza
c semnalul de analizat x(t) era continuu i aperiodic.
Pot fi definite reprezentri biliniare discrete i pentru semnale x(t) discrete i
aperiodice sau continue i periodice sau discrete i periodice. Astfel de reprezentri
discrete sunt prezentate n [105].
Reprezentrile biliniare din clasa lui Cohen respectiv din clasa afin
reprezint practic generalizri ale noiunii de densitate spectrotemporal de energie. O
astfel de noiune se poate defini i pe spaiul l 2 ( Z ) . Pornind de la o astfel de definiie
n [101] se introduc noi tipuri de reprezentri timp-frecven biliniare discrete,
folosind un punct de vedere pur discret.
i n cazul reprezentrilor timp-frecven biliniare s-au ncercat discretizri
bazate pe teoria cadrelor. Un astfel de exemplu de discretizare este prezentat n [109].
Avnd n vedere c descompunerile n cadre sunt operaii liniare, pentru a putea fi
utilizate aceste mulimi la studiul reprezentrilor biliniare este necesar intoducerea
unui context liniar-biliniar. Acest context este creat n ultima lucrare citat prin
utilizarea mixt a unei reprezentri liniare i a unei reprezentri biliniare.
Tot un context liniar-biliniar este creat i n lucrarea [67], sau n paragraful 7.2
din [117]. Avnd n vedere noutatea referinelor bibliografice citate rezult actualitatea
problemei discretizrii reprezentrilor timp-frecven biliniare.
7.4 ATOMI TIMP-FRECVEN I REPREZENTRI BILINIARE
La studiul discretizrii reprezentrilor timp-frecven liniare s-a artat c
semnalul de analizat, x(t), poate fi reconstruit cu formule de tipul:
x(t) =
l TFx (n t o , m o ) am, n ( )
m= n=
unde cu
l TFx
(n t o , m o )
s-au notat eantioanele reprezentrii liniare (de tip
transformare Fourier scurt sau transformare "wavelet" continu) iar cu a m , n ( )

atomii timp-frecven. Membrul drept al ultimei relaii reprezint o serie de atomi
timp-frecven. Descompunerea atomic a semnalului x(t) este o consecin direct a
liniaritii reprezentrii timp-frecven utilizat. n acest paragraf se vor prezenta
7 Discretizarea reprezntrilor timp frecven
303
modaliti de utilizare a reprezentrilor timp-frecven biliniare la descompunerea

atomic a semnalelor nestaionare. Mai mult, vor fi prezentate descompuneri atomice
ale reprezentrilor biliniare. Cea mai simpl cale de descompunere liniar a unei
reprezentri timp-frecven biliniar este bazat pe utilizarea unei formule de tipul
celei prezentate n ultima relaie (dar pentru funcii de dou variabile):
bTFx
(t, )
Cm, n, p, q am, n, p, q (t, )

m
unde:
Cm, n, p, q = lTF TFx ( m, n, p, q )

b
Cu b TFx
s-a notat reprezentarea biliniar iar cu l TF TFx s-a notat reprezentarea

b
liniar a reprezentrii biliniare.
Dac se consider cazul particular n care reprezentarea biliniar este de tip
Winger-Ville iar reprezentarea liniar este de tip Gabor, atunci:
STFT
Cm, n, p, q = TFTF
W V ( m, n, p, q )
x
iar:
am, n, p, q (t, ) = wm, n, p, q (t, ) = w(t n to , m o ) e j ( p to+q ot k o p to )
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
7.4 Atomi timp-frecven i reprezentri biliniare
am, n ( ) =
( mt o ) 2 + j m o
2
Generaliznd relaia (73), se poate demonstra c reprezentarea Wingner-Ville a

semnalului x(t) este:
TFxWV (t, ) =
TFxSTFT (n to , m o ) TFxSTFT ( p to , q o )TFaWV, a (t, )

m, n
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, ) =
TF xSTFT (n t o , m o ) TF xSTFT ( p t o , q o )TFaW ,Va (t, )

m, n
d = 0
p, q
unde cu d s-a notat distana:
mq + n p = d
Se obine aproximarea de ordinul D a reprezentrii Wigner-Ville:
TFxW V
(t, )
TFxSTFT (n to , m o ) TFxSTFT ( p to , q o ) TFaW ,Va (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
valori mici ale ordinului n reprezentarea D TFS x (t, ) nu apar termeni de

interferen.
Descompunerea semnalului de analizat n atomi timp-frecven de tip
transformare Fourier scurt:
x( ) =
TFxSTFT (n t o , m o ) wm, n ( )
m
poate fi exploatat pentru construcia unor algoritmi rapizi de calcul al unor

reprezentrii timp-frecven i n forma sa discret. n cazul algoritmului prezentat mai
sus era exploatat reprezentarea timp-frecven de tip Wigner-Ville a acestei
descompuneri. Pentru a putea folosi ultima relaie la construcia unor algoritmi rapizi,
este necesar alegerea unui numr finit de atomi timp-frecven din mulimea
{wm, n ( )} mZ, n Z . n acest scop poate fi folosit algoritmul "matching pursuit"
prezentat n paragraful 7.2. Evident, n cazul de fa dicionarul timp-frecven va fi

mulimea
{wm, n ( )} mZ, n Z . n urma aplicrii algoritmului "matching pursuit"
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, ) =
B 2p TFwW V (t, ) + B p Bq* TFwW ,wV (t, )

p
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
7.4 Atomi timp-frecven i reprezentri biliniare

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
Bp Bq* TFwW,wV (t, ) dt d ] =

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:
TFxAS ( t, ) = B p TFwWp V (t, )

2
unde:
Bp =
x, w p
Aceasta poart numele de spectrogram adaptiv (Adaptive Spectrogram). Atributul

adaptiv vine de la utilizarea algoritmului "matching pursuit", iar denumirea de
spectrogram vine de la folosirea ferestrelor wp.
i pentru reprezentarea timp-frecven de tip Gabor exist o variant adaptiv.
n acest caz:
am, n (t) =
(t n to )2
2
e j om t
307
Parametrul 1reprezint dispersia funciei Gaussiene din ultima relaie. Atomii

am ,n (t) ar putea fi adaptai la semnalul de analizat prin alegerea dispersiei funciei
(n t o , o m)
Gaussiene i a centrelor lor

obine:
a p (t) =
n funcie de acesta. n acest mod se
p
t tp
2
e j p t
Transformarea Wigner-Ville a unui astfel de atom este:
TFaWp V (t, ) = 2 e
p t tp
)
)+(
Folosind aceti atomi, dup aplicarea algoritmului "matching pursuit" se

obine reprezentarea Gabor adaptiv a semnalului x( ):
x( ) =
Bp a p ( )
p= 0
respectiv reprezentarea timp-frecven de tip Gabor adaptiv:
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] } ;
- Se calculeaz transformarea invers: FFT 1 FFT {ak [ n] } FFT {b[ n] } ;

n cazul relaiilor (449), (451) i (453) sunt necesare cteva operaii
suplimentare. Dac durata secvenei x[n] este egal cu M atunci pentru calculul unei
8 Algoritmi i programe de calcul
309
transformri de tipul FFT sunt necesare M log2M operaii de nmulire. De aceea

numrul de nmuliri necesare pentru calculul unei reprezentri timp-frecven este de
ordinul (N+2) M log2M. n tabelul 1.8.1 sunt prezentate exprimari ale principalelor
reprezentri timp-frecventa favorabile pentru calculul acestor reprezentari cu ajutorul
algoritmului FFT.
Transformarea
Fourier scurta
Spectrograma
Functia de
incertitudine
Wigner-Ville
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
Tabelul 1.8.1 Exprimri alternative ale reprezentrilor timp-frecven discrete.
n unele cazuri se poate profita de structura particular a unei reprezentri

timp-frecven pentru ca reprezentarea s poate fi calculat efectund un numr mai
mic de operaii. De exemplu TFxSTFT [ n,k] poate fi privit ca i transformata Fourier
discret a semnalului x[ k] w [ k n] pentru fiecare valoare a lui n. Ali algoritmi
pentru calculul reprezentrilor timp-frecven n timp discret sunt prezentai n [13]. n
[14], se prezint metode de utilizare a algoritmului FFT la calculul reprezentrilor
timp-frecven biliniare. Toi aceti algoritmi au condus, la elaborarea unei biblioteci
de programe, intitulat TFSA, [14]. Pentru calculul reprezentrii timp-frecven de tip
"wavelet" poate fi utilizat algoritmul lui Mallat. Acesta este mai rapid dect algoritmul
FFT.
310
8.2 Calculul transformrii "wavelet" continu cu algoritmul lui Mallat

8.2 CALCULUL REPREZENTRII TIMP-FRECVEN DE TIPUL
TRANSFORMARE "WAVELET" CONTINU
FOLOSIND ALGORITMUL LUI MALLAT
Folosind notaia:
C m ,n = TFxCW T [ m ,n] =
x( ),*m ,n ( )
(457)
reprezentarea TFxCW T ( t,) poate fi aproximat prin interpolarea bidimensional:
TFxCW T ( t,)
C
m
m ,n
n,m ( t,)
(458)
unde n,m ( t,) sunt funciile de interpolare. Dar, se poate scrie:
dm ,k =
x( ), m ,k ( )
(459)
Deci pentru funcii "wavelet" reale este valabil relaia:
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,) .
8.2.1 INIIALIZAREA ALGORITMULUI LUI MALLAT

Problema care apare este una de iniializare. ntr-adevr, algoritmul lui Mallat
pornete de la coeficienii descompunerii semnalului xo ( ) (proiecia lui x( ) pe
spaiul Vo), ao,n , n baza spaiului Vo. n consecin, pentru determinarea
coeficienilor C m ,n , este necesar cunoaterea coeficienilor ao,n . Dup cum s-a artat
n paragraful 7.1.2.7, dac funcia "wavelets mother" are primele p momente nule
atunci pentru calculul coeficienilor ao,n se poate folosi formula:
(461)
xo ( ),( n) xo [ n]
Dac semnalul de analizat, x( ), este element al lui Vo, atunci pentru iniializarea
ao,n =
algoritmului lui Mallat se poate folosi relaia:
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( ).
Figura 1.8.2.1 Sistem de iniializare pentru algolritmul lui Mallat.
ntr-adevr, expresia semnalului u(t)este:
u(t) = x(t)
* (
t) =
x( )
(t ) d
Prin eantionarea semnalului u(t)se obine semnalul:
y(t) =
u[ k] (t k)
k
Semnalul n timp discret corespunztor este:
y[ n] = u[ n] =
x( ) * ( n)d
Se constat identitatea:
y[ n] = ao,n
x( ),( n)
312
8.2.1 Iniializarea algoritmului lui Mallat

*
n continuare se echivaleaz sistemul cu rspunsul la impuls (t) cu un sistem n

timp discret, cu rspunsul la impuls h[ n] . Metoda de echivalare este prezentat n
figura 2.8.2.1.
Figura 2.8.2.1 Echivalarea sistemului cu rspunsul la impuls
(t) cu sistemul
cu rspunsul la impul h[ n] .
Condiia de echivalare este:
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:
Fd { x[ n] } Fd {h[ n] } = Fd x(t) (t)t= n

*
(463)
n consecin:
Fd x(t) (t)t= n
h[ n] = Fd1
Fd { x[ n] }
(464)
313
La acest rezultat se ajunge i n [128]. Deci dac se cunoate expresia analitic a

semnalului de analizat, x( ), i expresia funciei de scar corespunztoare funciei
"wavelet" care se folosete la calculul reprezentrii timp-frecven de tip transformare
"wavelet" continu atunci se poate deduce expresia lui h[ n] folsind relaia (464).
Folosind funcia h[ n] se calculeaz (prin convoluie cu x[ n] ) secvena ao,n . Apoi pe
baza algoritmului lui Mallat se calculeaz coeficienii Cm , n , m = 1, M . Cu
ajutorul acestora (prin interpolare bidimensional) se determin o poriune din
TFxCW T ( t,) . Aceast procedur are urmtoarele dezavantaje:
- nu se poate aplica dac se cunosc doar eantionale x[ n] ale semnalului de analizat
(fr a se cunoate expresia x( ));
*
- convoluia x(t) (t)nu poate fi calculat numeric exact;

- exist situaii n care nu se cunoate expresia analitic a funciei de scar (de
exemplu n cazul funciilor "wavelet" cu suport compact introduse de Ingrid
Daubechies).
n continuare se prezint dou particularizri care conduc la simplificri ale
relaiei (464) ce pot fi folosite n practic cu bune rezultate.
1) Semnalul x( )este de band limitat:
x( ) B 2
n acest caz:
Fdr{ x[ n] } = F { x( )}
(465)
Indicele r este folosit pentru a specifica restricia la perioada principal a

transformatei Fourier n timp discret. Cu F s-a notat operatorul care descrie
transformarea Fourier a semnalelor n timp continuu. Semnalul x(t) (t) este i el
de band limitat. De aceea se poate scrie:
{(
Fdr x(t) (t)t= n
)} =
F { x(t)} F (t) p ( )
*
(466)
innd seama de relaiile (465) i (466) relaia (464) devine:
F { x(t)} F (t) p ( )
*
1
= Fd1 F (t) p ( )
h[ n] = Fd
F { x(t)}
{{
(467)
2.) Daca se face si ipoteza suplimentara ca functia de scara este de banda

limitata:
314
8.2.1 Iniializarea algoritmului lui Mallat
(t) B 2
(este normal s se analizeze semnale de band limitat folosind funcii de scar de
band limitat), atunci:
Fdr [ t] = F (t)
{(
Fdr x(t) (t)t= n
)} =
Fdr{ x[ n] } Fdr [ n]
*
iar relaia (467) se mai scrie:
{ {
h[ n] = Fd1 Fdr [ n]
}} =
[ n]
(468)
n acest caz sistemul n timp discret cu rspunsul la impuls h[ n] a fost obinut prin
*
echivalarea sistemului cu rspuns la impuls (t) pe baza metodei de echivalare

care presupune invariana rspunsului la impuls [114].
n cazul 1) sistemul n timp discret obinut este echivalent cu sistemul n timp
continuu cu rspunsul n frecven F (t) p ( ) pe baza aceleiai metode de

echivalare.
Relaia (467) este propus ca soluie a problemei iniializrii algoritmului lui
Mallat n [146].
Relaia (468) este propus ca soluie a problemei iniializrii algoritmului lui
Mallat n [120], (relaia (15) pentru x(t) = (t)) i n [1].
Orice funcie de scar cu suport compact este de band nelimitat. De aceea
relaia (468) reprezint doar o soluie aproximativ pentru iniializarea algoritmului lui
Mallat.
Multe semnale nestaionare, de analizat, x( ) sunt de band nelimitat. De
aceea i relaia (467) reprezint doar o soluie aproximativ pentru problema
iniializrii.
n [146] se propune utilizarea filtrrii adaptive pentru rezolvarea problemei
iniializrii algoritmului lui Mallat.
315
8.2.2 IMPLEMENTAREA ALGORITMULUI LUI MALLAT

n continuare se prezint o modalitate de implementare a algoritmului lui
Mallat cu ajutorul unui exemplu. Dac secvena de intrare ao,n este de durat limitat
atunci algoritmul lui Mallat poate fi descris cu ajutorul algebrei matricilor. Fie de
exemplu secvena de intrare descris de vectorul:
ao = [ a0,8 ,a0,7 ,K ,a01, ]

Dac se folosesc filtre cu rspunsurile la impuls m o [ n] i m 1[ n] de durat egal cu 4
(de exemplu filtrele DAU2), atunci, [4], primul pas al algoritmului lui Mallat poate fi
descris cu ajutorul ecuaiei matriciale:
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
m'o[ 2] m'o[1] m'o[ 0]

0
(469)
0
m'o[ 0] m'o[1]
m'o[ 3]
0 m'o[ 3] m'o[ 2] m'o[1] m'o[ 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:
Y 1T = [ a1,4 d1,4 a1,3 d1,3 a1,2 d1,2 a1,1 d1,1]
(470)
nmulirea primei linii din matricea Mo cu vectorul Xo, descrie convoluia:
ao,n m o' [ n]
nmulirea celei de a doua linii din matricea Mo cu vectorul Xo, descrie convoluia:
316
8.2.2 Implementarea algoritmului lui Mallat
ao,n m 1'[ n]
S-a folosit relaia:
m 1'[ n] = ( 1) n+1 m o [ L 1 n]
unde L reprezint durata secvenei m o [ n] . Permutnd elementele acestui vector se

obine:
Y 1T = [ a1,4 a1,3 a1,2 a1,1 d1,4 d1,3 d1,2 d1,1]
(471)
Decimarea cu 2 este descris prin alternarea elementelor n vectorul pY 1T . Elementele

vectorului pY1 reprezint secvenele a1,n i d1,n .
Separndu-le se obin vectorii:
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:
m o' [ 0] m o' [1] m o' [ 2] m o' [ 3]

'[ ]
m o 3 m o' [ 2] m o' [1] m o' [ 0]
=
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:
Y 2T = [ a2,2 d2,2 a2,1 d2,1
Prin permutri rezult:

p
Y 2T = [ a2,2 a2,1 d2,2 d2,1
(474)
(475)
(476)
Separnd elementele secvenelor a2,n i d2,n se obin vectorii:
X T = [a
2,2 a2,1]
21
X T = d
22 [ 2,2 d2,1]
317
(477)
Folosind vectorii pY 1T i pY 2T se obin vectorul rezultat:
Y T = [ a2,2 a2,1 d2,2 d2,1 d1,4 d1,3 d1,2 d1,1]
(478)
Acesta reprezint rezultatul aplicrii transformrii "wavelet" discret semnalului

descris de vectorul Xo.
Algoritmul de calcul al transformrii "wavelet" discret invers const n
aplicarea n ordine invers a operaiilor prezentate mai sus. Bineneles n acest caz n
~
~
locul matricilor Mo, M1, ... trebuiesc folosite matricile M To , M 1T , ... .
Aceast metod de implementare a algoritmului lui Mallat este descris i n
[115]. Revenind la relaia (469) se constat c matricea Mo a fost construit dup
urmtoarele reguli:
- Linia I conine coeficienii filtrului cu rspunsul la impuls m o' [ n] , completai
cu zerouri pn cnd dimensiunea liniei devine egal cu durata secvenei ao,n (s
spunem c aceast durat este N).
- Linia a II-a conine coeficienii filtrului cu rspunsul la impuls m 1'[ n] , la care
se adaug zerouri dup regula de la linia I. Att m o' [ n] ct i m 1'[ n] descriu sisteme
cauzale. Aceast ipotez nu afecteaz calculul transformrii "wavelet" discrete dac se
folosesc funcii "wavelet" ortogonale sau biortogonale (datorit faptului c elementele
bazelor de funcii "wavelet" se construiesc prin translatare cu ntregi).
- Restul liniilor pare se construiesc prin recircularea elementelor liniei pare
anterioare folosind un pas de deplasare de valoare 2.
- La fel pentru liniile impare.
Pe baza relaiilor (469) i (470) se constat c:
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)
Pe baza relaiilor care stau la baza construciei algoritmului lui Mallat se

poate scrie, pentru m = 1 i k = 1:
318
8.2.2 Implementarea algoritmului lui Mallat
a11, = m o' [ 2] a0,4 + m o' [ 3] a0,5 + m o' [ 0] a0,2 + m o' [1] a0,3
d11, = m 1[ 2] a0,4 + m 1[ 3] a0,5 + m 1[ 0] a0,2 + m 1[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
7.1.2.6. Prin aplicarea transformrii inverse (bazat pe folosirea matricilor M To , M 1T ,

...) semnalului o y[ n] se obine exact semnalul ao,n . Aceste erori pot fi diminuate
dac se consider c matricea Mo este diagonal (deci dac se nlocuiesc cu 0 primele
dou elemente de pe ultimile 2 linii). Se spune c metoda de implementare matricial a
algoritmului lui Mallat "are probleme" la margini. Aceste probleme apar datorit
faptului c relaia (469) descrie de fapt convoluii circulare pe cnd n structura
sistemului din figura 2.7.1.2.5 (care prezint o implementare perfect a algoritmului
lui Mallat) apar filtre numerice obinuite (a cror funcionare este descris de
convoluia obinuit). Se poate afirma c metoda matricial propus descrie corect
funcionarea sistemului din figura 2.7.1.2.5 n regim permanent i c problemele la
margini apar datorit descrierii neadecvate a regimului tranzitoriu al sistemului
considerat. O alt interpretare a problemelor la margini este urmtoarea. n cazul
metodei matriciale descrise, la fiecare iteraie numrul eantioanelor se njumtete
(vectorul Y1 are 8 elemente iar vectorul Y2 are 4 elemente), dar nu depinde de durata
rspunsului la impuls m o [ n] , L. n cazul sistemului din figura 2.7.1.2.5, semnalele
d1[ n] i a1[ n] au durate egale cu (N+L)/2, pe cnd n cazul metodei matriciale
duratele acestor semnale sunt egale cu N/2. Aceast observaie sugereaz necesitatea
prelungirii secvenei ao,n n cazul aplicrii metodei matriciale. Dac secvenei ao,n i
se concateneaz dou secvene 1 ao,n i 2 ao,n de lungime L/2, una nainte ( 1 ao,n ) i
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
ntr-adevr, n cazul semnalului din figura 2.7.1.2.5, semnalele d2 [ n] i a2 [ n] au

durate egale cu: N + L + L 2 = N + L + L iar semnalele d M [ n] i a M [ n]
au durate egale cu:

N
L
L
L
+
+
+ ... +
2M
2
22
2M
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
putea realiza compatibilizarea dintre metoda matricial i algoritmul lui Mallat.
Aceast alegere presupune rezolvarea unui sistem de 1-2-M L necunoscute. La

valori mari ale lui L rezolvarea unui astfel de sistem presupune consumul unui timp de
calcul nsemnat. Se observ similitudinea cu subparagraful C) din paragraful 7.1.2.9.
n acest subparagraf au fost sugerate metode elementare pentru scderea erorilor la
margini: 1) periodizarea semnalului ao,n cu perioada N, 2) simetrizarea semnalului
ao,n , fa de momentele n = 0 i n = N. Aceste metode sunt descrise n [5]. n aceeai
lucrare este descris i o modalitate de calcul pe blocuri a transformrii "wavelet"
discret a unui semnal n timp discret. Dac valoarea lui N este foarte mare atunci
metoda matricial de implementare a algoritmului lui Mallat este laborioas. De aceea
n astfel de situaii se prefer mprirea n blocuri de lungime rezonabil (de exemplu
256) a secvenei ao,n . Evident la capetele fiecrui bloc vor aprea probleme la
margini. Acestea se pot mpri n dou tipuri: interne (care apar la capetele unor
blocuri vecine), externe (care apar la stnga primului bloc i la dreapta ultimului bloc).
Problemele la margini interne pot fi rezolvate cu metoda "overlap and save" descris
n [106]. Efectele la marginile externe pot fi diminuate prin periodizare sau prin
simetrizare. Trebuie remarcat c metoda matricial de implementare a algoritmului lui
Mallat este foarte rapid. Ea necesit pentru M iteraii ale algoritmului lui Mallat un
numr de:
NL +
N
N
N L 2M +1 1
2M +1 1
L + ... + M L = M
= NL
2N L
2
2
2
2 1
2M
nmuliri. Se constat c pentru filtre scurte (L mic), transformarea "wavelet" discret

este mai rapid dect FFT. Totui algoritmul lui Mallat poate fi implementat i
folosind alte metode mai rapide. Acestea sunt prezentate n capitolul 6 din [122].
320

8.2.3 ALGORITMUL LUI MALLAT N CAZUL SEMNALELOR
BIDIMENSIONALE
n [90] Stephane Mallat extinde reprezentarea ortogonal bazat pe funcii

"wavelet" la cazul imaginilor. Acesta este un caz particular al subparagrafului A) din
( )
paragraful 7.1.2.9. O analiz multirezoluie a spaiului L2 R 2
este generat cu
ajutorul funciei de scar:
( 1 , 2 ) = ( 1 )( 2 )
(481)
Funciile "wavelet" ataate au expresiile:
( , ) = ( )( )
1
1
2
1
2
2 ( 1 , 2 ) = ( 1 )( 2 )
3( 1 , 2 ) = ( 1 )( 2 )
(482)
unde funciile ( ) i ( ) genereaz o analiz multirezoluie ortogonal i

descompunerea corespunztoare ei.
Mulimea :
{2 m 1(1 2 m p, 2 2 m n), 2 m 2(1 2 m p, 2 2 m n),

2 m 3( 1 2 m p, 2 2 m n)}
( m, n , p) Z
3
( )
formeaz o baz ortonormal a spaiului L2 R 2 .
{Vm } mZ .
) genereaz analiza multirezoluie { 2Vm } mZ a spaiului L2( R2 ) :
Funcia ( ) genereaz analiza multirezoluie a lui L2 ( R ) ,

Funcia ( 1 , 2
Vm = Vm Vm
Cu s-a notat produsul tensorial. Notnd cu:
m ( 1, 2 ) = 22 m 2m 1, 2m 2
(483)
8.2.3 Algoritmului lui Mallat n cazul semnalelor bidimensionale
321
)} (m, p) Z
se poate afirma ca familia de funcii 2m m 1 2m n, 2 2m p
formeaz o baz ortonormal a lui 2Vm. Aproximarea semnalului x( 1 , 2 ) de

rezoluie m este caracterizat de produsele scalare:
(484)
A m x = x( 1 , 2 ) , m ( 1 2 m n) m ( 2 2 m n)
Diferena dintre aproximrile A m +1x i A m x reprezint proieciile semnalului
x( 1 , 2 ) pe spaiile generate de bazele ortonormale:
{2m 1(1 2m p, 2 2m n)}( n, p) Z ,

{2 m 2(1 2 m p, 2 2 m n)}( n, p) Z i
{2m 1(1 2m p, 2 2m n)}( n, p) Z .
2
Aceast diferen este dat de urmtoarele 3 imagini de detaliu:
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
Relaia (482) arat c pentru generarea funciilor

folosesc filtrele cu rspunsurile n frecven:
) } ( 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
Pentru orice M > 0, imaginea A o x este complet descris de 3M+1 imagini

discrete:
{A M x,D 1m x,D 2m x,D 3m x } M m 1

Descompunerea secvenei A m +1x cu ajutorul secvenelor A m x, D 1m x i D 2m x este
realizat cu ajutorul sistemului din figura 1.8.2.3.
Figura 1.8.2.3 Sistem pentru implementarea unei iteraii n algoritmul lui Mallat n cazul bidimensional.
Transformarea invers transformrii prezentate n figura 1.8.2.3 este

prezentat n figura 2.8.2.3.
8.2.3 Algoritmului lui Mallat n cazul semnalelor bidimensionale
323
Sistemele din figurile 1.8.2.3 i 2.8.2.3 pot fi folosite la descompunerea unei

imagini pe baza algoritmului lui Mallat respectiv la reconstrucia perfect a acelei
imagini.
Transformrile din figurile 1.8.2.3 i 2.8.2.3 pot fi implementate cu metoda
matricial descris n paragraful anterior.
Figura 2.8.2.3 Sistem pentru calculul transformrii "wavelet" discret invers, n cazul bidimensional
(cazul unei singure iteraii).
324
8.3 Algoritmi care folosesc pachete de funcii "wavelet"

8.3 ALGORITMI PENTRU ANALIZA TIMP-FRECVEN A
SEMNALELOR NESTAIONARE FOLOSIND
PACHETE DE FUNCII "WAVELET"
Algoritmul lui Mallat n forma sa modificat, descris n exemplul din figura

2.7.1.2.9 poate fi utilizat pentru a se efectua o astfel de analiz.
n general analiza cu pachete de funcii "wavelet" este perfect recursiv.
Fiecare secven de coeficieni nou calculat devine rdcina propriului su arbore de
analiz. Cantitatea de informaie stocat n fiecare nod al structurii de date poate fi
specificat de contorul programului de analiz cu pachete de funcii "wavelet".
La sfrit trebuie stocat lista coeficienilor obinui prin analiza efectuat.
Orice alt informaie poate fi memorat n tabele sau poate fi calculat cu ajutorul
ctorva parametri de baz cum ar fi durata semnalului de analizat sau numrul de
iteraii ales pentru analiza respectiv (adncimea analizei). Este indicat s se utilizeze
structuri de date pentru spaiile de coeficieni sf care s conin informaii despre
durata secvenei de prelucrat, lista coeficienilor deja calculai i informaii despre cele
dou subspaii imediat descendente.
Ordinograma unei poriuni dintr-un algoritm de analiz cu pachete de funcii
"wavelet" este prezentat n figura 1.8.3.
Figura 1.8.3 Ordinograma unei poriuni dintr-un algoritm de analiz cu pachete de funcii "wavelet"
325
Pentru ca analiza descris n figura 1.8.3 s fie complet ar trebui s se construiasc

toi descendenii nodurilor de pe un anumit nivel (corespunztor unei valori a lui L
nenule). Pentru aceasta ar fi necesar s se introduc n bucl o nou variabil care s
indexeze aceste noduri. Decrementarea lui L ar trebui s aib loc abia dup ce aceast
nou variabil i-ar fi atins, prin incrementri repetate, valoarea maxim (care este o
funcie de valoare curent a lui L).
Coeficienii pachetului de funcii "wavelet" reprezint rezultatul analizei
prezentate n figura 1.8.3. Ei reprezint valori de eantioane cu semnificaia de
amplitudini indexate dup scar, frecven i poziie. Aceti coeficieni trebuie
memorai ntr-o anumit zon de memorie, fiecrui coeficient corespunzndu-i o
locaie care trebuie s conin pe lng valoarea sa i alte informaii cum ar fi nodul
printe i nivelul de iteraie atins.
Subprograme de analiz cu pachete de funcii "wavelet" sunt prezentate n
[145]. Pentru a reconstrui semnalul (descompus n cea mai bun baz) sunt necesare
dou categorii de informaie :
- descrierea bazei;
- valorile coeficienilor descompunerii semnalului n aceea baz.
Folosind tehnica descris se obin librrii de atomi timp-frecven. Cea mai
bun baz poate fi gsit reunind clase de astfel de atomi. Pentru a gsi cea mai bun
baz, aa cum s-a prezentat n paragraful 7.1.2.10, trebuie minimizat una dintre
funciile de cost.
Funcia de cost trebuie s fie aleas la nceputul procedurii. Algoritmul de
cutare are o structur recursiv. La fiecare iteraie se compar costul de informaie al
nodului printe cu suma costurilor de informaie ale nodurilor copii.
Dac costul de informaie al structurii de date printe este inferior costului de
informaie al oricrei structuri de date descendent, atunci nivelul acelui nod este
adugat la descrierea prin nivele a celei mai bune baze, coninutul acelui nod este
adugat la zona de nregistrare a nodurilor i descrierea anterioar a celei mai bune
baze de dedesubtul acelui nod este tears. Apoi se trece la nivelul inferior. Un
program de implementare a unei astfel de subrutina este prezentat n [145].
n aceeai carte, n capitolul 10 se prezint generalizri ale noiunii de pachete
de funcii "wavelet" n cazul semnalelor multidimensionale.
Dup cum s-a vzut n paragraful 7.1.2.10, folosind tehnici de cutare a celei
mai bune baze prin minimizarea unei funcionale de cost, poate fi gsit baza optim
pentru descompunerea unui semnal dat. Toate funcionalele de cost prezentate n
paragraful 7.1.2.10 erau aditive. Dac se folosesc funcionale neaditive atunci pot fi
gsite baze suboptimale folosind algoritmi mai rapizi [135]. Carl Taswell a construit
astfel de algoritmi i i-a comparat cu algoritmii care conduc la cea mai bun baz. O
astfel de comparaie este prezentat n [136].
326
8.4 Programe pentru analiza timp-frecven

8.4 PROGRAME PENTRU ANALIZA TIMP-FRECVEN
Exist mai multe "produse soft" destinate analizei timp-frecven. n

continuare se prezint pe scurt cteva dintre aceste programe.
8.4.1 PROGRAMUL JTFA
Programul JTFA (Joint Time-Frequency Analyzer) este un instrument "soft",
dezvoltat de firma National-Instruments, n acord cu gama de sisteme de achiziii de
date pe care o produce aceast firm. De fapt acest analizor este unul dintre
instrumentele virtuale pe care le-au conceput specialitii de la aceast firm, [103].
Acest program a fost utilizat pentru ilustrarea lucrrii [117]. El este special conceput
pentru calculatoare de tip PC.
Semnalul de analizat poate fi achiziionat printr-un sistem de achiziii de date
sau generat numeric. n cel de al doilea caz, nainte de analiz, semnalul x( ) trebuie
depus n directorul DATA din "current file". n figura 1.8.4.1 este prezentat panoul
frontal al analizorului.
Se constata ca pe panoul frontal exista trei ferestre de tip ecran si butoane de
comanda si control. Pe ecranul principal (cel cu dimensiunile cele mai mari) se
afiseaza reprezentarea timp-frecventa, pe ecranul de sub ecranul principal se afiseaza
forma de unda a semnalului de analizat iar pe ecranul din dreapta ecranului principal
se afiseaza densitatea spectrala de putere (sau spectrul instantaneu) a semnalului de
analizat. n cazul reprezentrii timp-frecven pentru specificarea valorii ntr-un
anumit punct se folosete un cod al culorilor prezentat n stnga ecranului principal.
Valorii 0 i corespunde albul. O cunoatere mai precis a valorii reprezentrii timpfrecven ntr-un anumit punct poate fi obinut cu ajutorul unui cursor care poate fi
deplasat manual n planul timp-frecven, cu ajutorul "joy-stick"-ului virtual din partea
de jos dreapta a panoului frontal, "cursor central". Coordonata curent (x, y) a
cursorului i valoarea reprezentrii timp-frecven (z) corespunztoare sunt de
asemenea afiate pe panoul frontal.
Deasupra ferestrei ecran din dreapta exist o fereastr cu ajutorul creia poate
fi specificat tipul reprezentrii frecveniale (densitate spectral de putere sau spectru
instantaneu) care se doreste.
Cu ajutorul ferestrei din partea dreapt jos a panoului frontal, "JFTA selector"
se specifica tipul de reprezentare timp-frecven precum i parametrii acesteia.
Poate fi utilizat una dintre urmtoarele reprezentri timp-frecven biliniar:
- spectrograma, STFT ( TFxSTFT ( t,) ) ,
- reprezentarea Wigner-Ville: WVD,( TFxW V ( t,) ) ,
327
Figura 1.8.4.1. Panoul frontal al analizorului timp-frecven JTFA.
-reprezentarea Choi-Williams de tip serie: CWD, ( TFSCx W ( t,) ) ,
( TFxA SG ( t,) ) ,
- spectrograma adaptiv: Adaptive, ( TFxA S ( t,) ) ,
- spectrograma Gabor adaptiv: Gabor,
n cazul reprezentrilor Wigner-Ville i Choi-Williams poate fi fcut i reprezentarea

timp-frecven a semnalului analitic asociat semnalului de analizat, dac se apas
naintea efecturii analizei tasta: "analytic"-ON.
n cazul spectrogramei pot fi alese cteva tipuri de fereastr: Hanning,
dreptunghiular, Blackman, Hamming. n cazul reprezentrilor CWD de tip serie se
folosete metoda adaptiv descris n paragraful 7.3.1. Parametrul D poate fi ales cu
ajutorul ferestrei "parameter" cu valori cuprinse ntre 0 i 100. n cazul reprezentrii
328
8.4.1 Programul JTFA
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
"start freq" iar f max = f min + n +1

2
sampling freq.
Dac se alege obiunea "pre-emph" atunci poate fi realizat o prefiltrare a

semnalului de analizat x[ n] . Acesta este descris de ecuaia cu diferene finite:
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.
Figura 2.8.4.1. Forma de unda a semnalului de analizat.
Figura 3.8.4.1. Densitatea spectrala de putere a semnalului de analizat.
Figura 4.8.4.1. Spectrograma cu fereastra Hanning.
Figura 5.8.4.1. Spectrograma cu fereastra Hamming.
329
330
Figura 6.8.4.1. Spectrograma cu fereastra Blackmann.
Figura 7.8.4.1. Spectrograma cu fereastra dreptunghiulara.
Figura 8.8.4.1. Spectrograma cu fereastra Gaussiana.
n fiecare caz a fost folosit o fereastr de aceeai lungime (64 de eantioane). Se

observ c cea mai bun localizare timp-frecven o are fereastra Gaussian i c cea
mai proast localizare timp-frecven o are fereastra dreptunghiular. n figura 9.8.4.1
este prezentat spectrograma Gabor folosind baza cu elemente de band larg i
ordinul 3. Indicatorul de adaptare are valoarea 1,46 (relativ mic). Se observ
superioritatea acestei reprezentri asupra tuturor reprezentrilor anterioare.
Figura 9.8.4.1. Spectrograma de tip Gabor adaptat.
331
n figura 10.8.4.1 este reprezentat transformarea Wigner-Ville a semnalului de

analizat.
Figura 10.8.4.1. Reprezentarea de tip Wigner-Ville.
n figura 11.8.4.1 este reprezentat transformarea Wigner-Ville a semnalului analitic al

semnalului de analizat. Se constat dispariia termenilor de interferen din figura
anterioar. Preul este o slab nrutire a localizrii n planul timp-frecven.
Figura 11.8.4.1. Reprezentarea de tip Wigner-Ville a semnalului analitic al semnalului de analizat.
Pentru a analiza capacitatea de separare a semnalelor n domeniul timp se consider n

urmtorul exemplu cazul sumei a dou semnale de tipul celui considerat n exemplul
anterior. Cel de la doilea termen al sumei este ntrziat i factorul su sinusoidal are o
frecven superioar factorului sinusoidal din expresia primului termen. Forma de
und este prezentat n figura 12.8.4.1 iar densitatea sa spectral de energie n figura
13.8.4.1.
Figura 12.8.4.1. Forma de und a semnalului din cel de al doilea exemplu.
332
Figura 13.8.4.1. Densitatea spectrala de energie a semnalului din cel de al doilea exemplu.
n figura 14.8.4.1 se prezint spectrograma acestui semnal. S-a folosit o

fereastr temporal de tip Gaussian cu lungimea de 64 de eantioane.
Figura 14.8.4.1. Spectrograma cu fereastra Gaussiana a semnalului de analizat.
n figura 15.8.4.1 se prezint spectrograma Gabor adaptiv a semnalului din exemplul

al doilea. S-a lucrat cu baza cu elementele de band de frecven medie si cu ordinul 5.
Se constata o imbunatatire a localizarii frecventiale fata de figura 14.8.4.1.
Figura 15.8.4.1. Spectrograma Gabor adaptiva a semnalului din al doilea exemplu.
n figura 16.8.4.1 este prezentata reprezentarea Wigner-Ville a aceluiai semnal. Se

observ efectul perturbator al termenilor de interferena, att n partea de jos a figurii
ct i n zona sa central.
333
Figura 16.8.4.1. Reprezentarea Wigner-Ville a semnalului din exemplul 2.
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.
Figura 17.8.4.1. Reprezentarea Wigner-Ville a semnalului analatic corespunztor.
n exemplul urmtor se pune n eviden proprietatea de concentrare a

reprezentrilor timp-frecven n jurul curbei care descrie n planul timp-frecven,
legea de variaie a frecvenei instantanee a semnalului de analizat. n acest scop se
analizeaz un semnal modulat n frecven. Acesta este descris printr-o relaie de
forma:
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
Figura 18.8.4.1. Forma de und a semnalului din exemplul al treilea.
Figura 19.8.4.1. Densitatea spectral de putere a semnalului din al treilea exemplu.
n figura 20.8.4.1 se prezint reprezentarea timp-frecven de tip spectrogram Gabor

adaptiv a semnalului modulat n frecven. S-a lucrat cu baza cu elemente de band
larg i cu ordinul 3. Indicatorul de adaptare are valoarea 2,34. Se constat
concentrarea reprezentrii timp-frecven pe parabola de ecuaie:
i ( ) = 3 2 + 2 +
Figura 20.8.4.1. Reprezentarea timp-frecventa de tip spectrograma Gabor adaptiva a

semnalului din exemplul al treilea.
335
n figura 21.8.4.1 este prezentat reprezentarea de tip Wigner-Ville a semnalului

analitic asociat semnalului modulat n frecven. Se constat faptul c prezena
termenilor de interferen scade mult "lizibilitatea" legii de variaie a frecvenei
instantanee a semnalului de analizat.
Figura 21.8.4.1. Reprezentarea Wigner-Ville a semnalului analitic asociat semnalului din exemplul al
treilea.
Problema reducerii termenilor de interferen este deosebit de actual. Ea va fi reluat

n capitolul destinat aplicaiilor reprezentrilor timp-frecven.
Una dintre deficienele programului JTFA este c nu poate fi utilizat pentru
calculul reprezentrilor timp-frecven liniare. Acest program nu calculeaz nici
reprezentarea timp-frecven de tip scalogram.
Exist ns alte programe care calculeaz reprezentri timp-frecven bazate
pe funcii "wavelet". Cteva dintre acestea vor fi prezentate n continuare.
336
8.4.2 Pachetul de programe Mega Wave 2

8.4.2 PACHETUL DE PROGRAME MEGA WAVE 2
Mega Wave 2 este un produs "soft" destinat s ajute operatorul s conceap

algoritmi de prelucrare a semnalelor i de analiz a imaginilor. Se presupune c
operatorul cunoate limbajul C. Algoritmii sunt considerai cutii negre, fiind descrii
n limbajul C, fr s se fac vreo ipotez asupra contextului n care vor fi folosite
aceste cutii negre. Armonizarea cu contextul este sarcina compilatorului Mega Wave
2. De fapt acesta transform algoritmul scris n C ntr-o comand, o funcie a unei
librrii sau o funcie care s fie executat la comanda unui interpretor.
Acest produs "soft" a fost creat la Universitatea Paris-Dauphine, n cadrul
grupului de cercetare CEREMADE. El este disponibil gratuit putnd fi transferat prin
INTERNET, prin anonymus ftpde la adresa mu.ceremade.dauphine.fr. Pachetul de
programe poate fi utilizat numai pe calculatoare care au instalat sistemul de operare
UNIX. Instruciunile de nregistrare a produsului "soft" precum i cele de instalare se
gsesc n [62]. Un algoritm este implementat ca o funcie sau ca un set de funcii n
limbajul C. O astfel de funcie sau set de funcii reprezint un MODUL. Compilatorul
transform modulul n COMANDA MODULULUI. n acest mod modulul ajunge s
fie o comand UNIX.
Orice modul aparine unui GRUP. Un grup recunoate toate modulele care se
refer la acelai subiect. n [62] sunt prezentate toate modulele deja create n Mega
Wave 2.
Printre acestea se gsesc i module destinate utilizrii funciilor "wavelet". n
continuare se prezint o list a acestora:
1.
Grupul PDE (Partial Diferential Equations),
2.
Grupul common / char_image (descrie operaii uzuale cu imagini),
3.
Grupul common / char_movie (descrie operaii uzuale cu secvene de
imagini),
4.
Grupul common / color_char_image (descrie operaii cu imagini color),
5.
Grupul common / float_image (descrie operaii de prelucrare a imaginilor),
6.
Grupul common / signal (descrie operaii cu semnale),
7.
Grupul demo (ilustreaz algoritmii din structura celorlalte grupuri),
8.
Grupul owave / image (descrie tehnici de prelucrare a imaginilor folosind
funciile "wavelet"),
9.
Grupul owave / signal (descrie tehnici de prelucrare a semnalelor folosind
funciile "wavelet"),
10.
Grupul snakes (descrie tehnici de interpolare a imaginilor).
n continuare se prezint elementele grupurilor 9 i 8.
Grupul 9 este compus din urmtorii algoritmi:
- biowave 1:
calculeaz transformata "wavelet" biortogonal,
- ibiowave 1: reconstruiete semnalul din transformata sa "wavelet" biortogonal,
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.
Pornind de la analiza multirezoluie
generat de funcia de scar

corespunztoare
{Wm } mZ
{Vm } mZ
lui L2 ( R ) ,
( ) se construiete descompunerea ortogonal
descris de funcia "wavelets mother" ( ).Semnalul
x( )este descompus n forma:

x( ) =
M ,k o
M ,k ( ) +
m ,k
m = 1
m ,k ( )
Algoritmul owave 1 calculeaz coeficienii a M ,k i d m ,k. Pentru acest calcul se

folosesc filtrele m o [ n] i m 1[ n] corespunztoare ale cror coeficieni sunt memorai n
fiierul Impulse Response. Poate fi utilizat oricare dintre soluiile problemelor la
margini deja prezentate. De asemenea M poate fi ales de orice valoare (pentru care
descompunerea este posibil). Transformarea "wavelet" continu a semnalului x( )
poate fi obinut prin interpolarea bidimensional a
coeficienilor
{a M , k , d m, k } m=1, M ,
k Z
. Aceasta poate fi realizat de exemplu cu modulul
"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
8.4.3 Despre Wave Lab

8.4.3 DESPRE WAVE LAB
Wave Lab este o librrie de rutine MATLAB pentru analiza cu funcii

"wavelet", pachete de funcii "wavelet" i cu algoritmul "matching pursuit". Manualul
de utilizare "About Wave Lab" [20] poate fi transferat print ftp de la adresa:
ftp://playfair.stanford.edu/pub/wavelab.
Aceast librrie este utilizat n activitatea didactic la universitile Berkeley
i Stanford. Instalarea librriei i modul de pornire al coleciei de subrutine sunt
descrise n manualul de utilizare citat mai devreme. Un alt document care nsoete
programul WaveLab este [21]. n acest material sunt prezentate structurile de date n
care sunt organizate semnalele de analizat i rezultatele obinute n cadrul produsului
soft WaveLab. Poate c cel mai util document pentru caracterizarea programului
WaveLab este [22]. n acest raport este prezentat o list cu principalele funcii ale
bibliotecii WaveLab. n continuare se vor prezenta cteva dintre aceste funcii, mai
interesante pentru lucrarea de fa.
1. Transformarea "wavelet" continu
CWT
calculeaz reprezentarea de tipul transformare "wavelet" continu,
Image CWT
afieaz imaginea rezultatului obinut n subrutina anterioar ,
WTMM
identific mrimile reprezentrii anterioare,
Image WTMM Afieaz imaginea care conine rezultatul anterior,
Build Skel Map Reprezint rezultatul aplicrii aperatorului morfologic "schelet"
(vezi [116]) imaginii Image CWT.
n figura 1.8.4.3 este reluat exemplul semnalului modulat n frecven
prezentat i n figura 18.8.4.1.
Figura 1.8.4.3. Un exemplu de semnal generat cu ajutorul tool-box-ului WaveLab.
339
Folosind funciile: CWT, WTMM i Image WTMM se calculeaz i se reprezint

grafic locul geometric al maximelor reprezentrii timp-frecven de tip "wavelet" a
semnalului din figura 1.8.4.3. Rezultatul este prezentat n figura 2.8.4.3. A fost
utilizat funcia "wavelet" de tip plrie mexican.
Figura 2.8.4.3. Locul geometric al maximelor reprezentrii timp-frecven de tip wavelet a

semnalului din figura anterioar. S-a utilizat funcia wavelet de tip plrie mexican.
2.Structuri de date
Citirea datelor
Browse Image
Image Fig
Read Image
Read Signal
Generarea datelor
caut fiierul Image Datasets,

fiierul de imagini obinut aplicnd Browse Image,
ncarc un fiier din directorul Image Datasets,
ncarc un fiier din directorul Signal Datasets
340

Make Brownian-genereaz un semnal care descrie micarea
Brownian a unei particule,
Make Fractal genereaz semnale fractale,
Make Signal genereaz un semnal,
Make 2d Signal genereaz o imagine,
Makediag
genereaz o imagine descris printr-o matrice
diagonal,
Exist liste de semnale i imagini, deja sintetizate care pot fi direct apelate.
3.mbuntirea raportului semnal / zgomot (RSZ) dac semnalul perturbator

este zgomot alb
WaveShrink - mbuntirea RSZ prin detecie de prag n domeniul transformrii "wavelet" discret ortogonal sau biortogonal,
WPDe Noise - mbuntirea RSZ prin detecie de prag n domeniul transformrii "wavelet" discret bazat pe pachete de funcii
"wavelet". Pachetul se alege prin cutarea celei mai bune
baze,
CPDe Noise - mbuntirea RSZ prin detecie de prag n domeniul transformrii "wavelet" discret bazat pe pachete de funcii
"wavelet cosinusoidale. Pachetul se alege prin cutarea
celei mai bune baze.
n figura 3.8.4.3 este prezentat un alt semnal (Blocks) care poate fi generat cu ajutorul
programului WaveLab.
Figura 3.8.4.3. Semnalul Blocks.
341
n figura 4.8.4.3 este prezentat o variant perturbat aditiv cu zgomot alb a aceluiai
semnal.
Figura 4.8.4.3. Semnalul Blocks perturbat aditiv de zgomot alb.
n figura 5.8.4.3 sunt prezentate transformrile "wavelet" discrete ale semnalelor
Figura 5.8.4.3. Transformatele wavelet discrete ale semnalelor de dinaintea i de dup

aplicarea procedurii de denoising.
342
iniial (din figura 4.8.4.3) i a semnalului obinut dup aplicarea procedurii de

mbuntire a raportului semnal / zgomot (denoising). S-au folosit funciile "wavelet"
de tip Haar. n figura 6.8.4.3 sunt prezentate pe lng semnalele din figurile 3.8.4.3 i
4.8.4.3 semnalul obinut n urma aplicrii procedurii " denoising" precum i eroarea de
reconstrucie.
Figura 6.8.4.3. Efectul aplicrii procedurii de denoising.
n sfrit n figura 7.8.4.3 sunt prezentate densitile spectrale de energie ale

semnalelor din figura 4.8.4.3 respectiv a semnalului reconstruit.
Algoritmi i programe de calcul
343
Figura 7.8.4.3. Densitile spectrale de energie ale semnalelor de dinainte i de dup aplicarea procedurii
denoising.
4.
Transformri "wavelet" ortogonale
Transformri:
FWT_PO -
Transformare "wavelet" discret ortogonal. Problemele la

margini sunt rezolvate prin periodizare,
IWT_PO Transformare "wavelet" discret ortogonal invers.
Problemele la margini sunt rezolvate prin periodizare,
ITWT2_PO - Transformare "wavelet" discret ortogonal invers pentru
semnale bidimensionale,
Filtre de generare a funciilor "wavelet"
Make ON Filter: genereaz filtrele de construcie a funciilor "wavelet" de tip
Daubechies, Coiflets, ...
.
.
.
5. Pachete de funcii "wavelet" unidimensionale
Pachete de funcii "wavelet" Analiz / Sintez
344
WP Analysis Se reprezint un tabel "diadic" al tuturor coeficienilor pachetului

de funcii "wavelet" corespunztor semnalului de analizat,
WP Synthesis Sintetizeaz semnalul cu ajutorul coeficienilor de mai sus,
WP Tour
Face descompunerea cu pachete de funcii "wavelet" n cea mai
bun baz,
Cutarea celei mai bune baze
Best Basis:
Algoritmul descris n paragraful 8.3
CalcStat Tree: Construiete un arbore ale crui noduri sunt etichetate cu valorile de
entropie (vezi paragraful 7.1.2.10).
.
.
.
n figura 8.8.4.3 se prezint transformarea "wavelet" discret folosind pachete
de funcii "wavelets" a semnalului din figura 3.8.4.3. n figura 9.8.4.3 este prezentat
"arborele" care a condus la selectarea celei mai bune baze de tip Haar, n care s-a fcut
transformarea semnalului "Blocks" din figura 8.8.4.3.
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.
Figura 10.8.4.3. Descompunerea atomic n planul timp-frecven a semnalului Blocks.
n acest mod pot fi reproduse oriunde n lume experienele efectuate n laboratorul de

cercetare de la Universitatea Stanford.
n capitolul urmtor, dedicat aplicaiilor reprezentrilor timp-frecven, se vor
mai face referiri la WaveLab. n continuare se prezint succint cteva produse soft
care mai pot fi utilizate la analiza timp-frecven a semnalelor. n acest scop a fost
consultat arhiva revistei electronice "Wavelet Digest" pe ultimii doi ani. n tabelul
1.8.4.3 sunt date informaii despre data lansrii fiecrui astfel de produs "soft", despre
laboratorul n care a fost creat, despre tipul de main pe care poate fi utilizat, despre
scopul n care poate fi utilizat, precum i despre modul n care poate fi procurat. n
cazul produselor gratuite este specificat adresa de la care poate fi transferat prin
INTERNET programul respectiv. n cazul produselor care pot fi cumprate sunt date
adrese de curier electronic de unde pot fi obinute informaii referitoare la achiziie.
Tabelul 1.8.4.3.
Nr.
crt.
1.
Denumirea programului
MacWavelets v.100
2.
Uvi_Wave 2.0
3.
Xripple
4.
Math Works'Wavelet Toolbox
Tipul
calculatorului
MacIntoch
PC sub Windows
Pc sub Lynux
PC sub Windows
sau staie SUN
Adresa electronic de unde

poate fi procurat
http://www.intergalact.com/macwavelets/
macwavelets. html
http://www.tsc.uvigv.es/~wavelets/uvi_wave.
html
ftp144.16.100.24,user:anonymus,passwd:your
_email_adress, cd pub, hash, bin, get Xripple.
tar.gz,bye
se cumpr,
http://www.mathworks.com/macwavelet.html
5.
Wavelet Cascade Applet
PC sub Windows
http://com.bell-labs.com/wavelet.html
6.
Wavelet Explorer from

Wolfram Research
Liftpack
PC sub Windows
http://www.wolfram.com/mathematica/aplicati
ons
7.
sau staie SUN
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
informaii la: fermande@cs.sc.edu
G. Fernandez
"anonymus ftp" la picard.ifp.uiuc.edu/pub/zn/

software
Zixiang Xing
MacIntoch
8.
E2DCT - codor de imagine ba-
9.
Filtre biortogonale
zat pe transf. cosinus discret
"hard"
informaii la mrt@wavelet.com
---
10.
Programe C++ pentru

compresia de imagini cu
funcii "wavelet"
11.
12.
13.
14.
Generator de funcii wavelet
Wavelet and Filter Bancks

Design Toolkit
Analizor timp-frecven
15.
Multi-Scale
Image Pyramids
Wavelet MMX
16.
Wavelet with Integer Lifting
17.
transformri "wavelet" n timp

real
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.
Este un "tool-box" pentru Matlab
Este o interfa grafic cu utilizatorul
4.
"Tool-box" Matlab
5.
"Applets" Java; permite reprezentarea grafic a unor

funcii "wavelet" cu ajutorul reelei INTERNET
6.
7.
Unde a fost creat
Data la care a fost anunat n
La firma Intergalact SUA
Wavelets Digest
Martie, 1996
Universitatea din Vigo, Spania

Institutul indian de tehnologie,
Bombay, India
Universitatea Paris-Sud, Orsay,
Martie, 1996
Mai, 1996
Laboratoarele Bell SUA
Iunie, 1996
"Tool-box" pentru "Mathematica"
Laboratoarele Wolfram, SUA

Laboratoarele Bell, SUA
August, 1996
Septembrie, 1996
8.
"Software" pentru codarea imaginilor folosind
Universitatea Princeton, SUA
Octombrie, 1996
9.
10.
Librrie de programe C++
Decembrie, 1996
Ianuarie, 1997
11.
Aplicaie bazat pe Tcl/Tk care poate rula la fel ca

i o aplicaie Java pe reeaua INTERNET
Compania Fastman, SUA

Darthmouth College,
Marea Britanie
---
Program n C pentru construcia funciilor "wavelet"

folosind schema de "nfrumuseare prin operaie
cosmetic" (lifting scheme)
transformarea cosinus discret
Sunt filtre numerice de tipul FPGA
Frana
Iunie, 1996
Februarie, 1997
12.
13.
14.
15.
Proiectarea asistat de calculator a bancurilor de Compania National Instruments

filtre
"Tool-box" pentru MATLAB
Librrie MATLAB
Algoritmi rapizi de calcul a transformrilor

"wavelet" discrete
16.
Librrie n C++ de transformri de tip "wavelet"
17.
Librrie de programe pentru procesoare de semnal
18.
WavePak, reprezentri timp-frecven de tip

"wavelet"
Aprilie, 1997
Compania National Instruments

Universitatea din New-York,
SUA
Compania Fastman, SUA
Aprilie, 1997
Aprilie, 1997
Universitatea Catolic din
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
3. Ecourile datorate condiiilor meteorologice (ploaie, nori....), 4.Ecourile mobile

datorate altor inte (avion, vapor, vehicul de sol). n [61] este prezentat o metod de
eliminare a acestor perturbaii folosind transformarea "wavelet" discret ortonormal.
Aceast metod se bazeaz pe efectul de decorelare al acestei transformri. Acest efect
va fi evideniat ntr-un alt paragraf din acest capitol. Metoda const n urmtoarele
etape: 1. Se realizeaz descompunerea semnalului recepionat prin proiecie pe
spaiile Vm, Wm, m = 1, 2,... M , obinndu-se semnalele n timp discret
am [ n] i dm [ n] . Pentru fiecare valoare a indicelui m se efectueaz un test pe baza
cruia dac n mulimea {dm [ n] }
exist un singur minim sau un singur maxim
nZ
atunci semnalul dm [ n] va fi utilizat la reconstrucia semnalului RADAR. Folosind

semnalul a M [ n] i semnalele dm [ n] pstrate n urma producerii descrise mai sus, se
reconstruiete semnalul radar. Raportul semnal pe zgomot al semnalului reconstruit
este mai mare dect raportul semnal pe zgomot al semnalului recepionat. Semnalului
reconstruit i se aplic procedura de detecie standard. Instalaiile RADAR moderne nu
se rezum doar la urmrirea intei. Ele produc i o imagine a acesteia. Acest lucru este
posibil deoarece inta nu mai este modelat ca i punct material (aa cum s-a presupus
n capitolul 3). Pentru producerea imaginii este necesar ca simultan s fie emise i
recepionate mai multe unde electromagnetice (cte una pentru fiecare punct al
imaginii). Fiecruia dintre acestea i corespunde cte un punct de reflexie de pe
suprafaa intei. De aceea nsumnd toate undele reflectate se poate obine imaginea
intei. Descrierea unei astfel de instalaii RADAR este fcut n capitolul 10 al lucrrii
[117]. Pentru generarea imaginii se folosete transformarea Fourier deoarece se
presupune c semnalele recepionate sunt staionare. Pentru generarea unui cadru de
imagine de calitate este necesar un anumit timp. Acest interval de timp nu poate fi
orict de scurt avnd n vedere complexitatea operaiilor care trebuiesc efectuate
(achiziia tuturor semnalelor recepionate corespunztoare semnalelor emise la un
anumit moment, extragerea informaiilor necesare pentru stabilirea coeficientului de
reflexie corespunztor fiecrui punct de reflexie, operaie n care se utilizeaz i
transformarea Fourier, sinteza imaginii ...). Dar inta se afl n micare. n intervalul de
timp necesar generrii unui cadru de imagine a intei corespunztoare unui anumit
moment de timp, inta i modific poziia. Pentru ca s se obin o imagine de calitate
a intei, pe ntreaga durat a observrii sale este necesar s se utilizeze tehnici de
compensare a micrii. Scopul lor este de a conferi caracter staionar semnalelor
recepionate specifice fiecrui cadru de imagine. Exist situaii n care chiar i dup
aplicarea acestor tehnici, calitatea imaginii obinute nu este satisfctoare deoarece nu
se realizeaz staionarizarea semnalelor recepionate. De aceea este util nlocuirea
transformrii Fourier ca o reprezentare timp-frecven n procesul de generare al
fiecrui cadru de imagine, aa cum se presupune n ultima referin bibliografic
citat.
352
9.2 Aplicaiile reprezentrilor timp-frecven n explorarea seismic

EXPLORAREA SEISMIC
La fel ca i n cazul RADAR-ului, metodele moderne de explorare seismic se

bazeaz pe folosirea unor semnale cu modulaie liniar de frecven. Aceste semnale
se transform n unde acustice cu ajutorul unor plci vibrante aflate n contact cu
suprafaa pmntului. Reprezentarea Wigner-Ville a semnalului recepionat este dat
de convoluia bidimensional a reprezentrii Wigner-Ville a semnalului emis i
reprezentarea Wigner-Ville a unui semnal care caracterizeaz structura subsolului din
zona testat. Cunoscnd transformrile Wigner-Ville a semnalelor emis i recepionat
dup aplicarea transformrii Wigner-Ville inverse se pot obine informaii despre
straturile subiri din subsol sau despre absorbia i dispersia acestuia. Aceste tehnici
sunt prezentate n detaliu n [16]. Ele tind s nlocuiasc tehnicile tradiionale bazate
pe intercorelaie deoarece subsolul terestru are o comportare de filtru trece jos variant
n timp. Aceast comportare poate fi compensat prin filtrare trece sus n planul timpfrecven.
9.3 APLICAIILE REPREZENTRILOR TIMP-FRECVEN LA
DETECIA DEFECTELOR MECANICE
Una dintre tehnicile de baz pentru identificarea defectelor mecanice ale unor
instalaii n stare de funcionare se bazeaz pe studiul vibraiilor dezvoltate n aceste
echipamente. Exist dou categorii de astfel de vibraii: sincrone cu micarea unor
subansamble, asincrone.
Chiar n cazul vibraiilor sincrone apar componente de intermodulaie ca
urmare a variaiilor de vitez ale subansamblelor corespunztoare. n [60] se face o
trecere n revist a tehnicilor tradiionale de analiz a vibraiilor: analiza spectral,
medierea semnalului sincron cu micarea sursei vibraiilor, analiza prii nestaionare
a vibraiilor, demodularea n domeniul timp. O modalitate simpl de identificare a
defectului este analiza vibraiilor obiectului studiat n planul timp-frecven. Practic se
poate obine o semntur n planul timp-frecven a vibraiilor subansamblului
considerat. Aceasta se poate compara cu semntura n planul timp-frecven a
subansamblului nregistrat cnd acesta a funcionat corect. Dac cele dou semnturi
sunt diferite atunci se trage concluzia c subansamblul considerat este defect. De
exemplu, aa cum s-a artat n [13], folosind reprezentarea timp-frecven de tipul
Wigner-Ville poate fi obinut semntura n planul timp-frecven a fiecrui cilindru
al unui motor Diesel. n acest mod comparnd semnturile obinute pot fi identificate
defectele la cilindrii motorului. i sistemele de injecie ale motoarelor Diesel pot fi
caracterizate n planul timp-frecven. n acest scop pe lng reprezentarea timpfrecven de tipul Wigner-Ville poate fi utilizat i reprezentarea timp-frecven de tip
scalogram, aa cum se arat n [38].
9 Aplicaii
353

MEDICIN
Este binecunoscut faptul c pentru diagnosticarea maladiilor cardiovasculare
se utilizeaz electrocardiogramele. Acestea sunt nregistrri ale formei de und a
semnalului ECG. Acest semnal descrie ciclul de funcionare al inimii corespunztoare
fiecrei bti a acesteia. Semnalul ECG nu este un semnal staionar. De aceea este
util analiza sa n planul timp-frecven. De fapt se poate afirma c cu ct maladia
cardiovascular este mai sever cu att semnalul ECG este mai nestaionar.
n [13] sunt prezentate reprezentri timp-frecven de tipul transformare
Fourier scurt respectiv Wigner-Ville ale unui semnal ECG. n acest caz prezena
termenilor de interferen n reprezentarea timp-frecven de tipul Wigner-Ville este
util, imaginea acestor termeni de interferen fiind util la stabilirea diagnosticului.
De fapt au fost elaborate modele matematice pentru semnalul ECG al unui pacient
sntos i se cunosc semnturile corespunztoare n planul timp-frecven.
nregistrnd semntura n planul timp-frecven a semnalului ECG al pacientului
testat, acesta poate fi comparat cu semntura standard. Dac se remarc diferene
atunci se poate presupune c pacientul testat este bolnav. Analiznd localizarea n
planul timp-frecven a acestor diferene se poate formula i diagnosticul. n prezent
exist modele matematice pentru semnalele ECG specifice pentru fiecare tip de
maladie a inimii. Evident se cunosc i semnturile timp-frecven corespunztoare. i
acestea sunt foarte utile pentru elaborarea diagnosticului.
Reprezentrile timp-frecven pot fi utilizate i n studiul funcionrii
sistemului nervos [127]. Supravegherea electric a sistemului nervos poate fi realizat
n mai multe moduri. Rezultatele obinute sunt:
- encefalograme (nregistrri ale formei de und a semnalului EEG),
- poteniale evocate,
- semnale acustice.
Semnalele EEG au amplitudini cuprinse ntre 10 i 100 V iar banda lor de
frecvene este cuprins n intervalul [0,5 Hz, 40 Hz]. Ele se utilizeaz de obicei la
studiul somnului pacientului. Potenialele evocate sunt semnale electrice care descriu
rspunsul creierului la diferii stimuli externi. Aceste semnale pot fi de natur:
- vizual,
- auditiv,
- somatosenzorial.
Se utilizeaz de obicei pentru monitorizarea activitii cerebrale n timpul
operaiilor sau a procesului de reanimare. Amplitudinea acestor semnale este cuprins
ntre 0,1 V i 10 V. Avnd n vedere nivelul lor sczut, de obicei, dup achiziia
acestor semnale li se mbuntete raportul semnal / zgomot prin mediere
alunectoare sincron.
354
9.4 Aplicaiile reprezentrilor timp-frecven n medicin
Semnalele acustice produse de sistemul vascular cerebral pot fi folosite la

detectarea anevrismelor arteriale (deformri ale unor artere). Detecia anevrismelor
intracraniene, nainte de ruperea arterei n cauz este foarte dificil datorit lipsei de
semne de avertizare. De obicei apar doar simptome vagi i nespecifice. O tehnic
ieftin i neinvaziv de diagnosticare a anevrismelor intracraniene, bazat pe utilizarea
semnalelor acustice a fost elaborat recent. Aceast tehnic folosete dispozitive de
nregistrare acustic cum ar fi: microfoane, hidrofoane sau dispozitive Doppler de
msurare a vitezei de curgere a sngelui pentru a detecta neregulariti n procesul de
curgere a sngelui. Aceste neregulariti sunt specifice prezenei unui anevrism.
Semnalul electric care descrie curgerea sngelui n vecintatea anevrismului este
profund nestaionar.
Toate cele trei categorii de semnale descrise mai sus (EEG, potenial evocat,
acustic) sunt nestaionare pretndu-se la analiza timp-frecven. n continuare se trec
n revist cteva tehnici de analiz a acestor semnale.
O metod tradiional de analiz a acestor semnale este bazat pe folosirea
transformrii Fourier discrete. Cu ajutorul ei pot fi obinute: spectrul, interspectrul sau
funcia de corelaie a semnalelor biologice descrise mai sus.
O alt metod de analiz a semnalelor care descriu activitatea cerebral este
aa-numita demodulare complex a acestora. Ea const n filtrarea trece-band a
semnalului bioelectric. n acest mod se poate studia comportarea unei armonici a
acestui semnal n cursul timpului.
Dac se consider c semnalul bioelectric este un semnal modulat n
frecven, cvasistaionar, atunci n faza semnalului de la ieirea filtrului trece-band se
gsesc informaii despre variaiile frecvenei instantanee a armonicii selectate din
semnalul bioelectric. Demodularea complex poate fi realizat i n timp discret
folosindu-se transformarea Fourier discret. La nceput, semnalul n timp discret
x[ n] (obinut prin eantionarea semnalului biologic) este deplasat n frecven prin
nmulire cu o exponenial complex:
~
x [ n] = x[ n] e jon
Discretiznd i frecvena o :
o =
m
2
N
i lund n cei 2 membrii ai ultimei relaii transformata Fourier discret se obine:
~[ ]
X k = X [ k+ m ]
9 Aplicaii
355
Semnalul demodulat d[ n] , poate fi obinut cu ajutorul transformatei Fourier discrete

inverse, dac aceasta este aplicat doar ntr-o anumit band de frecvene, (se
~
consider doar K eantioane din X [ k] , n jurul frecvenei o ):
1
d [ n] =
N
K
2
k=
j2 n
~
N
X [k ] e
K
2
Faza acestui semnal este semnalul n timp discret:

[ n] = arg { d[ n] }
i reprezentarea Wigner-Ville discret poate fi utilizat la analiza semnalelor
bioelectrice. Se prefer ns folosirea reprezentrii pseudo Wigner-Ville discret:
W z(n, k ) = 2
N 1
f n (l)
j2 k
l
N
l = N +1
unde z[ n] este semnalul analitic asociat semnalului x[ n] , iar:

fu (l) = z[ n+ l] z* [ n l] w [ l] w [ l]
Semnalul w [ n] reprezint o funcie fereastr, real, de lungime 2N 1 cu w [ 0] = 1.
Reprezentarea pseudo Wigner-Ville discret poate fi rescris n forma:
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)}
Aceast expresie poate fi uor calculat cu ajutorul transformrii Fourier discret.

Avnd n vedere c de obicei semnalele bioelectrice sunt semnale modulate n
frecven uneori este util cunoaterea dependenei de timp a frecvenei lor
instantanee. Dar reprezentrile timp-frecven se concentreaz n planul timpfrecven pe frecvena instantanee (aceasta este una dintre condiiile impuse unei
reprezentri timp-frecven, aa cum s-a artat n capitolul 2). De aceea ele pot fi
folosite la estimarea legii de variaie n timp a frecvenei instantanee a semnalului de
analizat. Diferite tehnici de estimare a frecvenei instantanee bazate pe utilizarea unor
reprezentri timp-frecven vor fi prezentate ntr-un paragraf urmtor.
i funciile "wavelet" pot fi utilizate n analiza semnalelor bioelectrice care
descriu funcionarea sistemului nervos central. Aceast afirmaie este dezvoltat n
[119].
356
9.5 Aplicaiile reprezentrilor timp-frecven n metrologie

METROLOGIE
Dup cum s-a artat n capitolul 1 reprezentrile timp-frecven au aprut din

necesitatea de a msura diferii parametri ai unor semnale nestaionare. Utilizarea
metodelor timp-frecven a condus la construcia unor noi tipuri de aparate de
msurare. n acest paragraf vor fi prezentate cteva metode de msurare bazate pe
reprezentri timp-frecven precum i unele aparate de msurare care folosesc aceste
metode.
9.5.1 MSURAREA FRECVENEI INSTANTANEE
Fie semnalul modulat n frecven cu modulator liniar:
x( ) = cos 2 2
(487)
Transformata sa Hilbert este:
H{x( ) } = sin 2 2
Semnalul analitic asociat lui x() este :
x a ( ) = x( ) + j H { x( ) } = e j 2
Argumentul acestui semnal este:
arg { xa ( )} = 2 2
iar frecvena sa instantanee:
f(
i )= 2
(488)
n continuare se determin reprezentarea timp-frecven de tipul Wigner-Ville

a semnalului xa ( ). Nucleul acestei reprezentri este:
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)
Se constat c reprezentarea Wigner-Ville a semnalului xa ( )se concentreaz perfect

pe curba:
(490)
= 4 t = 2 f i (t)
Deci n cazul semnalului x() din relaia (487), reprezentarea timp-frecven de tip
Wigner-Ville a semnalului analitic asociat se concentreaz perfect pe curba frecvenei
instantanee. n continuare se consider semnalul:
x( ) = cos y()
(491)
Semnalul analitic asociat este:
x a ( ) = e j y ( )
Nucleul Wigner-Ville corespunztor este:

V
KW
xa
(t, ) = e

j y t + y t
2
2

Frecvena instantanee a semnalului x() este:
fi ( ) =
1
y'( )
2
(492)
Un estimator al acestei funcii se obine nlocuind derivata cu diferena finit centrat:
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
9.5.1 Msurarea frecvenei instantanee
Reprezentarea timp-frecven de tipul Wigner-Ville a semnalului xa ( )este:
TFxWa V (t, ) = F e
j 2 fi ( t , )
}= 2 ( 2 f (t, ))
(495)
Deci aceast reprezentare timp-frecven se concentreaz perfect pe

estimatorul frecvenei instantanee cu diferen finit centrat.
n consecin se poate afirma c frecvena instantanee a unui semnal de tipul
celui din relaia (491) poate fi estimat pe baza reprezentrii timp-frecven de tipul
Wigner-Ville a semnalului analitic asociat.
n continuare se face ipoteza suplimentar c faza instantanee a semnalului
x( )are o variaie polinomial:
y() = Q 2 m ( )
(496)
unde Q 2 m ( )este un polinom de gradul 2 m.
n acest caz:
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
Frecvena instantanee a semnalului x( )este:
fi( ) =
1
Q 2 m ( ) + Q' 2 m ( )
2
Reprezentarea Wigner-Ville generalizat a semnalului xa ( )este:
WV
(t, )
g T Fx a
= F e
k = m
k 0
bk y t + c k t
( )
9 Aplicaii
359
Printr-o bun alegere a constantelor bk i ck, se poate obine:

W V
g K xa
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.
n figurile 3.9.5.1 i 4.9.5.1 sunt prezentate imaginile obinute prin dilatarea

imaginilor din figurile 1.9.5.1. i 2.9.5.1. n sfrit n figurile 5.9.5.1. i 6.9.5.1 sunt
prezentate imaginile obinute prin filtrarea median a imaginilor din figurile 3.9.5.1. i
6.9.5.1. Se constat c ultimile dou imagini prezint curba de variaie a frecvenei
instantanee a semnalului analizat. De asemenea se constat dispariia termenilor de
interferen din reprezentarea de tip Wigner-Ville. Iat cum poate fi obinut aceast
curb pornind de la imaginea unei reprezentri timp-frecven prin aplicarea a trei
operaii uzuale n prelucrarea imaginilor: binarizarea, dilatarea i filtrarea median. O
curb asemntoare poate fi obinut prin interpolare folosind punctele din figura
2.8.4.3. Deci i prin prelucrarea imaginii transformrii "wavelet" continu a
semnalului de analizat poate fi msurat frecvena instantanee a acestuia.
Metodele de estimare a frecvenei instantanee cu ajutorul reprezentrilor timpfrecven prezentate pn acum pot fi considerate ca i tehnici de prelucrare a
semnalelor n timp continuu. n continuare se prezint metode de estimare a frecvenei
instantanee folosind tehnici de prelucrare a semnalelor n timp discret. Astfel de
metode sunt prezentate n [15].
Prin eantionarea uniform a semnalului x( ) se obine semnalul n timp
discret x[ n] . Cu ajutorul transformrii Hilbert n timp discret a semnalului x[ n] , [10]
se construiete semnalul analitic asociat semnalului x[ n] , xa [ n] . Se noteaz cu [ n]
argumentul acestui semnal. nlocuind derivata din relaia de definiie a frecvenei
instantanee cu o diferen finit nainte poate fi obinut urmtorul estimator n timp
discret al frecvenei instantanee:
f i [ n] =
1
[[ n + 1] [ n]]
2
Dezavantajele acestui estimator sunt:

- este polarizat,
- are dispersie mare.
(497)
362
O metod de scdere a dispersiei este filtrarea semnalului fi[ n] . n acest mod

se obine un estimator:
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)
Calculnd suma din membrul drept se obine:
f$i[ m ] =
1
( [ m + 1] [ m K [ m ] + 1] )
2 K [ m ]
(499)
Dar [ m + 1] i [ m K [ m ] + 1] reprezint valorile argumentului semnalului xa [ n] la

momentele la care semnalul x(t) trece prin 0. De aceea aceast diferen de argumente
este egal cu . n consecin relaia (499) devine:
f$i[ m ] =
1
2 K [m]
(500)
Iat un estimator foarte simplu pentru frecvena instantanee. Pentru a aplica

metoda de estimare a frecvenei instantanee descris mai sus este suficient s se
detecteze trecerile prin zero ale semnalului x( ), i s se msoare pentru fiecare
9 Aplicaii
363
cuplu de treceri prin zero succesive, distana temporal corespunztoare. De aceea

aceast tehnic se numete tehnic de msurare continu a frecvenei instantanee.
Metoda descris st la baza construciei analizorului n domeniul modulaiei HP
5371A [143]. Aceeai metod este utilizat i la construcia unor analizoare de spectru,
la firma Tektronix [138]. Metoda descris poate fi implementat i folosind un
numrtor universal programabil i un calculator de uz general [140]. Un astfel de
echipament a fost construit i funcioneaz i n facultatea noastr. El se bazeaz pe
utilizarea sistemului de achiziii de date A DA 3100, [2]. Descrierea sa poate fi gsit
n [75]. n figurile 7.9.5.1. i 8.9.5.1 sunt prezentate rezultatele utilizrii acestui ultim
aparat.
Figura 7.9.5.1 Estimarea frecvenei instantanee a unui semnal FSK.
Figura 8.9.5.1 Estimarea frecvenei instantanee a unui semnal vobulat.
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
Semnalul de prelucrat, x( ), se eantioneaz, folosind valoarea maxim a

frecvenei de eantionare care poate fi realizat tehnologic (1 GHz n cazul aparatului
HP 5183) obinndu-se semnalul n timp discret x[ n] . Cu ajutorul sistemului din
figura 9.9.5.1 se calculeaz transformarea Fourier discret scurt a semnalului x[ n] .
Pe baza relaiei lui Parseval, se poate calcula energia instantanee a semnalului x[ n] :
K
E[ m ] =
X ( p,m )
p= 0
Notnd cu f[ m ] valoarea benzii instantanee a semnalului x[ n] , valoarea energiei

instantanee cuprins n aceast band este:
f[ m ]
E 1[ m ] =
X ( p,m )
p= 0
Fie:
f[ m ]
X ( p,m )
P[ m ] =
p= 0
E[ m ]
pragul energetic la momentul m. Dup cum se constat valoarea lui P[ m ] indic

cantitatea din energia instantanee concentrat n banda instantanee. Condiia:
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
$[ n] s-ar fi obinut prin eantionarea semnalului x( )

aib calitatea dorit. Semnalul x
cu o frecven de eantionare (corespunztoare lui f[ m ] ) de valoare mai mic dect
valoarea frecvenei de eantionare folosit pentru obinerea semnalului x[ n] . De
aceea se poate afirma c pentru fiecare valoare a lui m exist o valoare
corespunztoare a frecvenei de eantionare a semnalului x( ). Pentru valori diferite
ale lui m se obin valori diferite ale frecvenei de eantionare. Iat de ce se poate
$[ n] se
afirma c este vorba despre o eantionare adaptiv. n consecin, semnalul x
obine prin eliminarea unora dintre eantioanele semnalului x[ n] . Privit din acest
unghi metoda de eantionare descris poate fi considerat ca i o metod de compresie
de date. n cazul n care semnalul x( ) este un fenomen tranzitoriu, pentru
nregistrarea formei sale de und compresia datelor este foarte important. ntr-adevr
memoria oricrui aparat de msurare numeric are o capacitate finit. De aceea
366
9.5.2 Msurarea benzii instantanee
cu ct se folosete o frecven de eantionare mai mare cu att durata din semnalul

tranzitoriu de nregistrat care poate fi stocat n memorie este mai scurt. Dac se
folosete compresia de date atunci o durat mai lung din semnalul de nregistrat
poate fi stocat n memorie. n continuare vor fi prezentate i alte metode de
compresie de date bazate pe utilizarea reprezentrilor timp-frecven.
9.5.3 COMPRESIA DATELOR N APARATURA DE MSURARE
Exist mai multe metode de compresie a datelor:
- prin codare cu pas variabil,
- prin modulare diferenial n impulsuri i codare,
- prin codare n subbenzi (un exemplu a fost expus anterior),
- prin transformri ortonormale.
n continuare se studiaz ultima metod. Este vorba despre o compresie de
date cu pierdere de informaie controlat. Rolul transformrii ortogonale este de a
decorela semnalul care trebuie compresat. Prin decorelare, fiecare eantion din
semnalul obinut va purta doar informaia propice, nu i informaii specifice
eantioanelor vecine. n acest mod prin eliminarea unor eantioane nu se pierde dect
informaia purtat de acestea (nefiind deloc afectat informaia purtat de eantioanele
rmase).
Transformarea ortogonal care realizeaz decorelarea maxim este
transformarea Karhunen-Loeve. n continuare se prezint aceast transformare. n
acest scop se consider semnalul aleator x( ), de durat D i se urmrete
descompunerea sa n serie conform formulei:
N
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
Se dorete construcia acestei aproximri n aa fel nct semnalul n timp discret ak s

nu aib elemente corelate.
Relaia (501) poate fi pus n forma:
lim E ( xN ( ) x( ))
N
}=
(502)
9 Aplicaii
367
unde cu E s-a notat operatorul de mediere statistic. Coeficienii ak se calculeaz cu

relaia:
D
ak =
x( )* ( )d
(503)
Dac valoarea medie statistic a semnalului x( )este nul atunci:
E{a k } =
E{ x( )} *k ( ) d =
0 ,
( ) k Z
(503')
Dac coeficienii ak sunt necorelai atunci:
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) E { x( )x* (u)} *k ( )d du = k [ k l]

0
Dar, E { x( )x* (u)} reprezint autocorelaia semnalului aleator x( ), rxx ( , u) .

D
l (u) rxx ( , u) *k ( ) d du = k [ k l ]
(504')
innd seama de ortogonalitatea funciilor k ( ) rezult c ultima relaie este

satisfcut i dac:
D
rxx ( , u) *k ( ) d
0
= k *k (u)
368
9.5.3 Compresia datelor n aparatura de msurare numeric
sau, deoarece funcia de autocorelaie este real:

D
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)
Cu alte cuvinte, nu exist o alt transformare (descompunere) descris printr-o

sum cu N termeni care s conduc la o eroare medie ptratic de aproximare a lui
x( )dect transformare Karhunen-Loeve.
n continuare se prezint dou exemple. Pentru nceput se consider c
semnalul x( )este un zgomot alb. n acest caz:
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
Avnd n vedere relaiile (503') i (507) se poate scrie:
E{ak a*l } = E{ak } E{a*l } = 0 , k l
(507)
9 Aplicaii
369
Rezult c eantioanele semnalului ak nu sunt numai decorelate ci sunt i

independente. Aceasta explic ideea utilizrii transformrii Karhunen-Loeve la
compresia de date. O clas larg de semnale aleatoare staionare cu funcia de
autocorelaie de forma:
rxx ( , u) = e u = rx ( u) = rx (v )
(508)
n acest caz ecuaia Fredholm asociat (relaia 505') devine:

D
e u k (u) du = k k ( )
(509)
Soluiile acestei ecuaii sunt:
k ( ) = e j k
k =
2
1 + k 2 o2
(510)
Iat sursa interesului pentru dezvoltrile n serie Fourier.

Fiind vorba despre date este interesant transformarea Karhunen-Loeve a
semnalelor n timp discret. Semnalul de transformat, x[ n] de durat N poate fi
exprimat n forma:
xT = [ x[ 0] x[1] ...x[ N 1] ]
Fie T o transformare ortogonal. Aplicnd aceast transformare semnalului
x[ n] se obine:
unde:
X = Tx
X T = [ X [ 0] X [1] ...X [ N 1] ]
Transformarea T poate fi descris matricial cu ajutorul matricei T, definit prin:
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
O compresie de date poate fi obinut dac se reduce dimensiunea spaiului

transformat de la N la M (M<N). Expresia semnalului compresat este:
M 1
X [ k]
xM =
(512)
k= 0
Eroarea de aproximare a lui x prin xM este:

N 1
X [ k]
x = x xM =
(513)
k= M
Eroarea medie ptratic de aproximare este:
= E { x
N 1
= E
k = M
N 1
X[ k ] X[ l ]
l=M
Tk l
innd seama de ortogonalitatea vectorilor k ultima relaie devine:

N 1
E {X
[ k] }
(514)
k= M
Deoarece semnalul aleator de la intrare x[ n] este caracterizat statistic prin intermediul

matricei sale de covarian, este util exprimarea erorii medii ptratice cu ajutorul
acestei matrice:
C x = E{ x xT }
innd seama de relaia (513) i ortogonalitatea vectorilor k se poate scrie:
X [ k] = Tk x
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
Fiind cunoscut matricea Cx trebuie determinai vectorii ortogonali k i

transformarea T care minimizeaz eroarea medie ptratic, .
Aceast problem se rezolv n [130] folosind metoda multiplicatorilor lui
Langrange. Se ajunge la sistemul de ecuaii matriciale:
(517)
C x k = k k
Deci vectorii k sunt vectori proprii ai matricei de covarian a semnalului x.
Valoarea minim a erorii medii ptratice este:
N 1
m in =
(518)
k= M
Transformarea definit de relaia (517) se numete transformarea Karhunen-Loeve a

semnalului n timp discret x[ n] .
n continuare se prezint o legtur ntre transformrile Karhunen-Loeve n
timp continuu i n timp discret.
Relaia (505) poate fi rescris n forma:
rx ( , u ) , k ( )
Cu notaia:
L2
= k k (u)
(519)
rx (m, n) = C x [m, n]
relaia (519) poate fi rescris n forma:
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
Ultima relaie este identic cu relaia (517).

Dar coeficienii ak sunr necorelai. Rezult pe baza observaiei de mai sus c i
coeficienii X [ k] sunt necorelai. De aceea se poate afirma c matricea C x este
diagonal. Conform relaiei (522) rezult c:
Cx
o
0
=
M
0
0 K
0
0
1 K
M
M
0 K N 1
(523)
Compresia semnalului X [ k] , k = 0,M 1 se poate realiza reinnd primele M

valori din acest semnal. Se obine semnalul comprimat:
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 ) ,
{Wm } mZ , generat de funcia "wavelets mother" ( )
sunt semnale ale cror descompuneri n bazele
dm [ n] :
dm [ n] =
x( ), m ,n ( )
{ m, n ( )} n Z
au coeficienii
9 Aplicaii
373
Se calculeaz corelaiile semnalelor dm [ n] :
*
[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
Dac semnalul x( )este staionar atunci:
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
sau pe baza relaiei lui Parseval:
rd m [ k, l ] =
1
2
R F {rxx ( ) m, l ( )} ( )
F * *m , k ( ) ( ) d
Admind c se lucreaz cu funcii "wavelet" reale, ultima relaie devine:
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
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
w = v 2 p
rezult:
rd m [ k, l ] =
sau:
2 p =
F{ rxx ( )}(2m ( w + 2p)) e j w
(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,
n acest caz, relaia (524) devine:
( ) 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
discret la compresia datelor. n [33] se demonstreaz c oricare ar fi semnalul care

trebuie compresat exist o anumit funcie "wavelet" care poate conduce la realizarea
unei compresii superioare celei care s-ar putea obine folosind transformarea cosinus
discret. Este vorba de obinerea unui factor de compresie superior la erori de
aproximare egale. n [4] este prezentat o metod de compresie cu pierdere de
informaie controlat. Aceast metod are urmtorii pai:
1. Se calculeaz transformarea "wavelet" discret direct a semnalului care trebuie
prelucrat, x[ n] , y[ n] .
2. Se realizeaz compresia propriuzis prin nlturarea acelor eantioane ale
semnalului obinut la pasul anterior care sunt mai mici dect un prag impus.
$[ n] .
3. Se calculeaz transformarea "wavelet" discret invers obinndu-se semnalul x
Pragul de la pasul 2 se impune ntr-un mod adaptiv. El se alege n aa fel nct eroarea
$[ n] s nu depeasc
medie ptratic de aproximare a semnalului x[ n] prin semnalul x
un procent din energia semnalului x[ n] .
Sunt valabile relaiile:
N 1
N 1
E x = x [ k] =
y [ k]
k= 0
(527)
y$ 2[ k ]
(528)
k= 0
M 1
E x$ =
x$ 2[ k ] =
k= 0
M 1
k= 0
deoarece orice transformare ortogonal conserv energia [130].

De asemenea se poate scrie:
y[ n] , daca y[ n] > P
$[ n] =
y
0 , in rest
$[ n] secvena obinut prin ordonarea descresctoare a eantioanelor semnalului

Fie o y
$[ n] . Eroarea medie ptratic de aproximare a semnalului x[ n] prin semnalul x$[ n]
y
este proporional cu:
N 1
$ 2 [ k]
y
k= M
Valoarea lui M se obine prin rezolvarea ecuaiei:
9 Aplicaii
max =
MZ
377
Ex
100
n continuare se prezint cteva exemple de aplicare a acestei metode. n figurile

1.9.5.3, 2.9.5.3 i 3.9.5.3 sunt prezentate trei exemple de semnale de compresat, x[ n]
(n partea de sus a figurilor) i corespunztoare x[n ] (n partea de jos a figurii). n
cazul fiecrui semnal compresat este indicat numrul de eantioane din care a fost
$[ n] . Se constat c s-au obinut valori mari ale factorilor de
reconstruit semnalele x
compresie. Toate semnalele x[n ] din aceste exemple au 512 eantioane.
Figura 1.9.5.3. Compresia unui semnal sinusoidal. Factorul de compresie este 10,66.
Recent a fost construit un nou dicionar timp-frecven de baze ortonormale

asemntor dicionarelor de pachete de funcii "wavelet". Elementele acestui dicionar
se genereaz cu ajutorul unor transformri Karhunen-Loeve localizate. i n acest
dicionar elementele necesare pentru descompunerea unui anumit semnal pot fi gsite
folosind algoritmul de cutare al celei mai bune baze prezentat n paragraful 8.3, [34].
n [23] se demonstreaz superioritatea transformrii "wavelet" discret asupra
transformrii Karhunen-Loeve la compresia semnalelor care pot fi modelate prin
procese aleatoare ne-Gaussiene.
Evident, compresia de date este un procedeu utilizat nu numai n metrologie ci
i n alte domenii tehnice, ca de exemplu n telecomunicaii. n continuare se vor trece
n revist cteva aplicaii ale reprezentrilor timp-frecven n telecomunicaii.
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
9.6 APLICAII N TELECOMUNICAII

Pe lng aplicaiile n RADAR ale reprezentrilor timp-frecven exist i alte
aplicaii ale acestora n domeniul telecomunicaiilor. De exemplu i n telefonia
numeric este util procedeul de compresie a datelor. De aceast dat este ns vorba
despre prelucrarea semnalului vocal.
9.6.1 APLICAIILE REPREZENTRILOR TIMP-FRECVEN LA
PRELUCRAREA SEMNALULUI VOCAL
Exist dou scopuri majore n prelucrarea semnalului de vorbire:
- analiza semnalului pentru recunoaterea vorbirii,
- sinteza numeric a semnalului de vorbire.
Practic toate aspectele comunicrii prin vorbire pot beneficia de rezultatele analizei
timp-frecven. Orice sistem de analiz, codare sau sintez de vorbire prelucreaz
succesiv segmente de vorbire avnd durate de ordinul a 64 de milisecunde, n ipoteza
c fiecare segment de semnal este staionar.
O prezentare a ultimilor realizri ale reprezentrilor timp-frecven n
prelucrarea vorbirii este fcut n [113]. Una dintre dificultile ntlnite la compresia
semnalului vocal este presegmentarea acestuia. ntr-adevr, avnd n vedere
redundana acestui semnal, chiar i cuvintele cele mai simple sunt descrise numeric cu
ajutorul unui numr mare de eantioane. De aceea trebuiesc folosite metode de codare
care s lucreze pe blocuri. Semnalul de prelucrat este mprit n blocuri. Succesiv,
fiecrui bloc i se aplic metoda de compresie. Bineneles c ar fi de dorit ca fiecare
bloc s reprezinte un semnal cvasistaionar. O astfel de segmentare a semnalului de
analizat poate fi realizat cu ajutorul unui pachet de funcii "wavelet" de tip Malvar.
Aceast metod de segmentare este prezentat n [144].
Metoda presupune descompunerea semnalului de analizat n cea mai bun
baz a unui pachet de funcii "wavelet" de tip Malvar. Gsirea celei mai bune baze se
realizeaz prin minimizarea entropiei. Aceast descompunere realizeaz o segmentare
implicit a semnalului de analizat.
O descompunere n forme de und Malvar a semnalului x( )asociat partiiei
intervalului [ 0,T] :
[ 0,T] = k Ik
cu:
Ik = [ ak ,ak+1]
380
9.6.1 Aplicaiile reprezentrilor timp-frecven la prelucrarea vocii
este descris de relaia:
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:
Fie Um un ir de operatori definii pe L2 [ am r,am + r] , care transform

semnalul x( )n irul de funcii:
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
Cu Im ( ) s-a notat funcia caracteristic a intervalului Im. iar U m { x( )}

reprezint produsul segmentrii semnalului x( ) corespunztor intervalului Im. n
continuare se consider c semnalul x( ) este definit pe [ 0,T] . Acest interval sufer
urmtoarea mprire:
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]
Se consider funciile "wavelet" de tip Malvar (obinute prin particularizarea relaiei

(531) corespunztoare partiiei (537)) i acestea se constituie ntr-un pachet de funcii
"wavelet". Cutnd cea mai bun baz n acest pachet, folosind criteriul de minimizare
a entropiei, se obine mulimea U m { x( )}

. Fiecare element al acestei mulimi
m I
reprezint un segment ,corespunztor unui anumit interval al partiiei descris de
relaia (537) al semnalului x( ). Fiecare astfel de segment reprezint un semnal
cvasistaionar. Oricare dintre aceste semnale poate fi ulterior compresat. Tehnica
descris anterior este dezvoltat n [44]. O alt extindere a metodei de segmentare i
compresie descris mai sus este prezentat n [134]. Au fost construite chiar i analize
multirezoluie segmentate respectiv baze de funcii "wavelet" segmentate [52]. Metoda
de segmentare descris mai sus poate fi utilizat i n cazul semnalelor ECG [78]. O
trecere n revist a pricipalelor tehnici de segmentare i compresie a semnalelor bazate
pe funcii "wavelet" utilizate n telecomunicaii este prezentat n [118]. Teoria
funciilor "wavelet" are un puternic impact asupra tehnicilor de compresie. Aceste
tehnici au fcut deja posibil includerea teoriei funciilor "wavelet" n standarde. Un
exemplu este standardul MUSICAM pentru "CD"-urile audio de calitate. Un
parametru atractiv al acestei tehnici de compresie este posibilitatea decompresiei
pariale. Dac nu se efectueaz toate iteraiile algoritmului de transformare "wavelet"
invers, necesar la decompresie, atunci rezultatul este o aproximare de rezoluie
inferioar a semnalului care a fost compresat. Aceast posibilitate este interesant n
aplicaiile care asociaz operaiile de compresie i de transmisie. Att transformarea
ortogonal direct (folosit la compresie) ct i transformarea ortogonal invers
(folosit la decompresie) pot fi implementate cu bnci de filtre. n cazul compresiei
semnalului de vorbire trebuie s se in seama de fiziologia urechii. De aceea sunt utile
transformri ortogonale mixte: de tip transformare Fourier scurt n banda [20, 500]
Hz i de tip "wavelet" la frecvene peste 500 Hz.
382
9.6.1 Aplicaiile reprezentrilor timp-frecven la prelucrarea vocii
Teoria funciilor "wavelet" poate fi utilizat i pentru codarea semnalului

vocal. O astfel de aplicaie este descris n [131]. Avantajul utilizrii funciilor
"wavelet" const n acea c pe lng codarea propriu zis se realizeaz i o
mbuntire a raportului semnal / zgomot al semnalului care trebuie codat.
n continuare se prezint modul n care pot fi folosite funciile "wavelet" la
nbuntirea raportului semnal / zgomot.
9.6.2 MBUNTIREA RAPORTULUI SEMNAL / ZGOMOT FOLOSIND
FUNCIILE "WAVELET"
Operaia de mbuntire a raportului semnal/zgomot este o operaie de baz n
domeniul telecomunicaiilor. n [76] se face o trecere n revist a tehnicilor clasice de
mbuntire a raportului semnal / zgomot.
Transformarea "wavelet" discret poate fi folosit la mbuntirea raportului
semnal pe zgomot n cazul semnalelor perturbate aditiv. n acest scop se folosete o
metod propus de David Donoho, care are trei etape:
1. se calculeaz transformarea "wavelet" discret a semnalului perturbat,
2. se filtreaz rezultatul,
3. se calculeaz transformarea "wavelet" invers.
Succesul acestei metode este datorat proprietii de decorelare a transformrii
"wavelet" discret care a fost descris n paragraful 9.5.3. Datorit acestei proprieti,
oricare ar fi natura zgomotului care perturb semnalul util, n domeniul transformatei
semnalul perturbator tinde s fie un zgomot alb, [17]. Se cunosc numeroase metode de
filtrare pentru diminuarea efectului perturbator al zgomotului alb. De asemenea,
datorit naturii statistice diferite a semnalului util i semnalului perturbator apare o
separare bun a acestora n domeniul transformat.
Etapa 2 poate fi implementat n mai multe moduri. Pot fi, de exemplu,
utilizate filtre adaptive de tip LMS sau RLS, [85]. Se recomand ns utilizarea
filtrelor adaptive neliniare. Sunt deja cunoscute numeroase filtre neliniare care
corespund acestei necesiti. n continuare se prezint relaia intrare-ieire specific
pentru cteva dintre acestea.
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
9.6.2 mbuntirea raportului semnal zgomot folosind funciile "wavelet"
Justificarea teoretic a afirmaiilor fcute poate fi gsit n urmtoarele rapoarte

tehnice: [35], [45], [46], [47], [48], [49], [50], [51], [53].
n majoritatea acestor lucrri se recomand utilizarea transformrii "wavelet"
discret ortogonal, a filtrului descris de relaia (540) iar parametrul se alege de
valoare:
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.
Figura 1.9.6.2. Semnalul util.
Figura 2.9.6.2. Semnal perturbator de tip zgomot uniform.
9 Aplicaii
385
Figura 3.9.6.2. Semnal perturbator de tip impulsuri.
Figura 4.9.6.2. Semnal perturbator de tip tren de impulsuri.
Figura 5.9.6.2. Imbuntirea raportului semnal/zgomot n cazul perturbrii cu zgomot uniform.
386
Figura 6.9.6.2. Imbuntirea raportului semnal/zgomot n cazul perturbrii cu zgomot n

impulsuri.
Figura 7.9.6.2. Imbuntirea raportului semnal pe zgomot n cazul perturbrii cu zgomot de

tip tren de impulsuri.
9 Aplicaii
387
Se remarc calitatea bun a procedeului de mbuntire a raportului semnal pe

zgomot. De asemenea se constat c metoda poate fi utilizat i pentru realizarea unei
compresii simultan cu procesul de mbuntire a raportului semnal pe zgomot.
n sistemele de telecomunicaii se cunoate, de obicei, la recepie, puterea
semnalului emis dar nu se cunoate exact puterea zgomotului care se suprapune, n
canal, peste semnal. De aceea n cazul acestor sisteme este mai util ca parametrul s
fie ales n funcie de P i nu de . n [72] se prezint un algoritm adaptiv de alegere a
pragului pornind de la cunoaterea valorii lui P. n continuare se d un exemplu de
utilizare a acestui algoritm.
n figura 8.9.6.2 este prezentat semnalul util, n figura 9.9.6.2 este prezentat
semnalul perturbat aditiv de zgomot alb. Valoarea raportului semnal/zgomot este de
1,8.
Figura 8.9.6.2. Semnalul util.
Figura 9.9.6.2. Semnalul perturbat aditiv de zgomot alb.
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.
Figura 10.9.6.2. Semnalul reconstruit n urma aplicrii algoritmului descris.
O deficien a transformrii "wavelet" discret ortogonal, care se remarc

dac aceast transformare este folosit n cadrul metodei de mbuntire a raportului
semnal / zgomot prezentat n acest paragraf, este neinvariana sa la translaii. n
scopul eliminrii acestei deficiene au fost concepute noi transformri "wavelet"
discrete invariante la translaii. Acestea sunt prezentate n: [35], [63] i [81]. Alte
metode de mbuntire a raportului semnal/zgomot bazate pe utilizarea funciilor
"wavelet" sunt prezentate n [26], [98] i [102].
9.6.3 APLICAIILE REPREZENTRILOR TIMP-FRECVEN LA
PRELUCRAREA IMAGINILOR
Unul dintre domeniile cele mai interesante ale telecomunicaiilor este legat de
prelucrarea i transmiterea imaginilor. Dup cum s-a vzut n paragraful 8.2.3 exist
algoritmi rapizi pentru calculul transformrii "wavelet" discret a unei imagini. n
paragraful 8.4.3 s-a prezentat un exemplu de aplicare a acestui algoritm.
Tehnica de compresie descris n paragraful 9.5.3 poate fi utilizat i n cazul
imaginilor. Rezultate ale aplicrii acestei tehnici de compresie la imagini sunt
raportate n [61] i n [30].
De obicei n urma aplicrii transformrii "wavelet" discret direct, compresia
propriuzis este realizat prin cuantizare. n sursele bibliografice citate mai sus se
utilizeaz cuantizarea scalar, uniform respectiv neuniform.
9 Aplicaii
389
Michel Barlaud a fost primul care a utilizat cuantizarea vectorial n domeniul

transformrii "wavelet" discret. n acest mod el a obinut factori de compresie
superiori valorii 100, [96]. Tehnici mai moderne de compresie bazate pe utilizarea
funciilor "wavelet" sunt prezentate n [118]. O problem dificil este aprecierea
calitii compresiei realizate. Cu alte cuvinte este greu de tiut care este calitatea
aproximrii unei imagini obinut prin decompresia variantei compresate (cu un
anumit factor de compresie) a imaginii considerate. Aceast problem este studiat n
[92].
n continuare se prezint un exemplu de compresie de imagini. n figura
1.9.6.3 este prezentat imaginea original. n figura 2.9.6.3 este prezentat imaginea
obinut dup aplicarea procedurilor de compresie i de reconstrucie. Compresia a
fost realizat prin:
- aplicarea transformrii "wavelet" discret direct, folosind funcia "wavelets mother"
Daubechies 4,
- cuatizarea scalar exponenial.
S-a obinut un factor de compresie de 10. Eroarea medie ptratic de
aproximare a imaginii din figura 1.9.6.9 prin imaginea din figura 2.9.6.9 este de
0,0239, [55].
Figura 1.9.6.3. Imaginea original.
Figura 2.9.6.3. Imaginea comprimat.
Exist i alte domenii ale prelucrrii imaginilor n care se utilizeaz funciile

"wavelet". De exemplu n cazul imaginilor de tomografie, datorit sistemului de
achiziie folosit medicul nu are acces la imaginea biologic ci doar la transformata
Radon a acesteia. Se pune deci problema calcului transformatei Radon invers a
imaginii achiziionate. n acest scop poate fi utilizat teoria funciilor "wavelet" aa
cum s-a artat n [6].
390
9.6.4 Alte aplicaii n telecomunicaii

9.6.4 ALTE APLICAII N TELECOMUNICAII
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
[15] B. Boashash, P. O. Shea. Polynomial Wigner-Ville Distributions and Their

Relationship to Time-Varying Higher Order Spectra. IEEE Transactions on
Signal Processing, January 1994.
[16] P. J. Boles, B. Boashash. Applications of the Cross-Wigner-Ville Distribution
to Seismic Data Processing. n Time-Frequency Signal Analysis. B. Boashash
(editor), pp.141-163, John Wiley 1992.
[17] M. Borda, D. Isar. Whitening with Wavelets. Proceedings of ECCTD. 97
Conference, Budapest, August 1997.
[18] C. M. Bucur. Metode numerice. Ed. Facla Timisoara 1973.
[19] J. Bukheit, D. Donoho. Improved Linear Discrimination Using TimeFrequency Dictionaries. Technical Report, Stanford University, July 1995.
[20] J. Bukheit, S. Chen, D. Donoho, I. M. Johnstone, J. Scargle. About WaveLab.
Preprint, Stanford University, November 1995.
[21] J. Bukheit, D. Donoho. WaveLab Architecture. Preprint, Stanford University,
November 1995.
[22] J. Bukheit, S. Chen, D. Donoho, I. M. Johnstone, J. S. Cargle. WaveLab
Reference Manual. Preprint, Stanford University, December 1995.
[23] J. B. Bukheit, D. Donoho. Time-Frequency Tillings which Best Expose the
Non-Gaussian Behaviour of a Stochastic Process. Proceedings of the IEEE
Conference TFTS96, pp.1-4, Paris, July 1996.
[24] F. Chaplais. Algebras and Nonlinear Multiresolution Analysis that are
Consistent with the Strang and Fix Conditions. Proceedings of the IEEE
Conference TFTS96, Paris, July 1996.
[25] S. S. Chen, D. L. Donoho, M. A. Saunders. Atomic Decomposition by basis
Pursuit. Technical Report 479, Stanford University, May 1995.
[26] B. S. Chen, C. W. Lin. Multiscale Wiener Filter Bank Approach. IEEE
Transactions on Signal Processing, vol. 42, No. 11, pp.2972-2982, November
1994.
[27] H. I. Choi, W. J. Williams. Improved Time-Frequency Representation of
Multicomponent Signals Using Exponentials Kernels. IEEE Trans. on ASSP,
vol. 37, no. 6, pp.862-871, 1989.
[28] C. K. Chui (editor). An Introduction to Wavelets. Academic Press, New York
1992.
[29] C. K. Chui (editor). Wavelets. A Tutorial in Theory and Applications.
Academic Press, New York 1992.
[30] A. Cohen. Ondelettes et traitement numrique du signal. Masson, 1992.
[31] A. Cohen, I. Daubechies, J. C. Feauveau. Biorthogonal Bases of Compactly
Supported Wavelets. Communcations on Pure and Applied Mathematics, vol.
XLV, pp.485-560, 1992.
[32]
[33]
[34]
[35]
[36]
[37]
[38]
[39]
[40]
[41]
[42]
[43]
[44]
[45]
[46]
[47]
[48]
[49]
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
[50] D. L. Donoho, I. M. Johnstone. Adapting the Unknown Smoothness via

Wavelet Shrinkage. Technical Report 425, Stanford University, June 1993.
[51] D. L. Donoho. Nonlinear Wavelet Methods for Recovering Signals, Images
and Densities from Indirect and Noisy Data. Technical Report 426, Stanford
University, July 1993.
[52] D. L. Donoho. On Minimum Entropy Segmentation. Technical Report 450,
Stanford University, April, 1994.
[53] D. L. Donoho, I. M. Johnstone. Ideal De-Noising in an Orthonormal Basis
Chosen from a Library of Bases. Technical Report 461, Stanford University,
September 1994.
[54] R. J. Duffin, A. C. Schaeffer. A Class of Nonharmonic Fourier Series. Trans.
Amer. Math. Soc., No. 72, pp.341-366, 1952.
[55] G. Dumitras. Aplicatii ale transformatei wavelet. Realizarea compresiei
imaginilor utiliznd transformarea wavelet. lucrare de dizertatie,
Departamentul de Comunicatii, Facultatea de Electronica si Telecomunicatii,
Timisoara, Iulie 1996.
[56] P. Duvaut. Traitement du signal-concepts et applications. Hermes, Paris 1991.
[57] A. W. M. van den Enden, N. A. M. Verhoekx. Traitement numrique du
signal. Masson, Paris 1992.
[58] J. C. Feauveau. Nonorthogonal Multiresolution Analysis using Wavelets. n
Wavelets-A Tutorial in Theory and Applications. C. K. Chui (editor),
Academic Press, pp.153-178, 1992.
[59] P. Flandrin. Representation temps-frquence. Hermes, 1993.
[60] D. Forester. Time-Frequency Analysis in Machine Fault Detection. n TimeFrequency Signal Analysis. B. Boashash (editor), pp. 406-423, J.Willey, 1992.
[61] J. Froment. Traitement dimages et applications de la transforme en
ondelettes. Teza de doctorat, Universitatea Paris IX, 1990.
[62] J. Froment, S. Parrino. MegaWave 2 Users Modules Library. vol. I, vol. III,
Preprint CEREMADE, Univ. Paris Dauphine, Novemeber 1994.
[63] J. Froment. Introduction a la thorie des ondelettes. curs de vara, Timisoara,
Iunie 1995.
[64] L. Gagnon, J. M. Lina, B. Goulard. Application of Complex Daubechies
Wavelets to Numerical Simulation of a Nonlinear Signal Propagation Model.
Preprint of the Labo. de Phys. Nucl. Univ. de Montreal, 1994.
[65] H. Y. Gao. Wavelets Shrinkage Estimate for Heteroscedatic Regression
Models. Preprint MathSoft, 1997.
[66] P. Gavruta, A. Isar. Time-Frequency Representations. A Unitary Presentation.
Proceedings of International Symposium Etc94, vol. 3, pp. 25-30, Timisoara
Septembrie 1994.
[67] F. Hlawatsch, W. Kozek. Time-Frequency Analysis of Linear Signal Spaces.
IEEE Conference ICASSP-91, pp.2045-2048, Toronto, May 1991.
395
[68] F. Hlawatsch, G. F. Boudreaux-Bartels. Linear and Quadratic Time-Frequency

Signal Reprsentations. IEEE S.P.Magazine, pp.21-65, April 1992.
[69] ***. Catalog HP
[70] A. Isar, D. Isar. A Generalization of the W.K.S. Theorem Using Orthogonal
Decomposition of L2( R ). Applications in Signal Processing Theory. Revista
ATM, anul III, pp.91-97, Bucuresti, 1993.
[71] A. Isar. Nouvelles modalits de dcomposition multirsolution. Quatorzieme
Colloque GRETSI, Juan-Les Pins, pp.363-366, 13-16 Septembre 1993.
[72] A. Isar. Lestimation de la transforme en ondelettes avec bancs de filtres a
temps continu. Colloque TOM94, pp. 34.1-34.4, Lyon, 9-11 Mars 1994.
[73] D. Isar. De-noising adaptatif. Seizieme Colloque GRETSI, pp.1249-1252,
Grenoble, 15-19 Septembre 1997.
[74] D. Isar, A. Isar. A New Class of Identity Systems. International Workshop on
Sampling Theory and Applications, Universidad de Aveiro, June 16-19 1997.
[75] A. Isar. Tehnici de masurare adaptiva cu aplicatii n aparatura de masurare
numerica. Teza de doctorat, Universitatea Politehnica Timisoara 1993.
[76] B. Jawerth, W. Swelden. An Overwiev of Wavelet Based Multiresolution
Analysis. Preprint, Katolike Universiteit Leuven, Belgium 1995.
[77] A. J. Jerry. The Shanon Sampling Theorem-its Extensions and Applications. A
Tutorial. Proc. IEEE, 65, 11, pp.1565-1596, November 1987.
[78] H. Krim, D. H. Brooks. Feature-Based Segmentation of ECG Signals.
Proceedings of IEEE Conference, TFTS96, pp. 97-100, Paris, July 1996.
[79] M. Kunt, R. Boite. Traitement de la parole. Presses Polytechniques
Romandes, 1987.
[80] M. Kunt. Traitement numrique des signaux. Trait dElectricit de lEPFL,
vol. XX, 3-eme dition, Presses Polytechniques Romandes, 1984.
[81] M. Lang, H. Guo, J. E. Odegard, C. S. Burrus, R. O. Wells. Nonlinear
Processing of a Shift Invariant DWT for Noise Reduction. Proceedings of
SPIE Symposium on OE/Aerospace Sensing and Dual Photonics, Orlando,
SUA. April 1995.
[82] P. G. Lemari-Rieusset. Analyses multi-echelles et ondelettes a support
compact. n Les ondelettes en 1989. P. G. Lemari (editor), Springer Verlag,
1990.
[83] P. G. Lemari-Rieusset, G. Malgouyres. Support des fonctions de base dans
une analyse multirsolution. C. R. Acad. Sci. Paris, tome 313, serie 5, pp.377380, 1993.
[84] J. S. Lim, A. V. Oppenheim (editori). Advanced Topics in Signal Processing.
Prentice Hall, New Jersey 1988.
[85] O. Macchi. Adaptatif et non stationnaire. Traitement du signal, vol. 6, No.5
pp.325-387, 1989.
396
Bibliografie
[86] G. Malgouyres. Analyse multirsolution sur lintervalle. Algorithme rapide.

Preprint, Universit Paris-Sud, 1991.
[87] G. Malgouyres. Ondelettes a support compact et analyse multirsolution sur
lintervalle. Preprint, Universit Paris-Sud, 1992.
[88] G. Malgouyres. Introduction a la thorie des ondelettes. Curs de vara,
Timisoara 1994.
[89] S. Mallat. Multifrequency Channel Decomposition. IEEE Trans. on ASSP,
vol. 37, No.12, pp. 2091-2110, Octobre 1989.
[90] S. Mallat. A Theory for Multiresolution Signal Decomposition: the Wavelet
Representation. IEEE Transactions on Pattern Analysis and Machine
Inteligence, vol. II, No.7, pp.674-693, July 1989.
[91] S. Mallat, Z. Zhang. Matching Pursuits with Time-Frequency Dictionary.
IEEE Transactions on Signal Processing, vol. 41, No.12, pp.3397-3415,
December 1993.
[92] S. Mallat, F. Falzon. Understanding Image Transform Codes. Proceedings of
the SPIE Aerospace Conference, Orlando, April 1997.
[93] H. S. Malvar. Lapped Transforms for Efficient Transform/Subband Coding.
IEEE Trans. on ASSP, vol. 38, pp.969-978, June 1990.
[94] A. Mateescu, M. Raducanu, L. Stanciu. Best Basis with Wavelet Packets for a
Signal. Proceedings of International Symposium Etc96 Timisoara, vol. II,
pp.106-111, September 1996.
[95] Y. Meyer. Ondelettes, filtres miroirs en quadrature et traitement numrique de
limage. n Les ondelettes en 1989. P. G. Lemari (editor), Springer-Verlag,
1990.
[96] Y. Meyer. Ondelettes et algorithmes concurents. Herman, Paris 1993.
[97] Y. Meyer. Wavelets and Operators. n Proceedings of Symposia in Applied
Mathematics. I. Daubechies (editor), vol. 47, AMS,1993.
[98] P. Moulin. Wavelet Thresholding Techniques for Power Spectrum Estimation.
IEEE Trans. on S.P., vol. 42, No.11, pp. 3126-3136, November 1994.
[99] I. Nafornita, A. Cmpeanu, A. Isar. Semnale circuite si sisteme. vol. I, Editura
UPT, 1995.
[100] M. Nafornita, A. Isar, D. Isar. A Generalization of the Sampling Theorem.
Rev. Roum. Sci. Tehn.-Electrotehn. Et Energ., 37, pp. 177-183, Bucarest 1992.
[101] S. B. Narayanan, J. Mc. Loughlin, Les Atlas, J. Darapo. An Operator Theory
Approach to Discrete Time-Frequency Distribution. Proceedings of the IEEE
Conference TFTS96, pp. 521-524, Paris 1996.
[102] G. P. Nasson. Wavelet Regression by Cross-Validation. Preprint University of
Bristol, March 1994.
[103] *** Catalog National Instruments
[104]
[105]
[106]
[107]
[108]
[109]
[110]
[111]
[112
[113]
[114]
[115]
[116]
[117]
[118]
397
V. E. Neagoe. Using Legendre Polynomials to Introduce a New Orthogonal

Transform for Significant Feature Selection. Proceedings of Pattern
Recognition and Image Processing Conference, pp.177-182, Las Vegas, June
1982.
J. C. ONeill, W. J. Williams. New Properties for Discrete Bilinear TimeFrequency Distributions. Proceedings of the IEEE Conference TFTS96", pp.
505-508, Paris 1996.
A. Oppenheim, R. W. Schaefer. Digital Signal Processing. Prentice Hall,
1986.
R. W. Page, N. W. Nelson. Adaptive Sample Rate: A First Generation
Automatic Time Base. Hewlett Packard Journal, February 1988.
A. Papandreu, F. Hlavatsch, G. F. Boudreaux-Bartels. The HyperbolicClass of
Quadratic Time-Frequency Representations. Part I: Constant-Q Warping, the
Hyperbolic Paradigm, Properties and Members. IEEE Trans. on SP, vol. 41,
No.12, December 1993.
M. Pasquier, P. Gonalves, R. Baraniuk. Hybrid Linear/Bilinear Time-Scale
Analysis. Proceedings of IEEE Conference TFTS96, pp.513-516, Paris,
July 1996.
D. Pastor, R. Gay. Dcomposition dun processus stationnaire du seconde
ordre. Proprits statistiques dordre 2 des coefficients dondelettes et
localisation frquentielle des paquets dondelettes. Traitement du signal, vol.
12, no. 5, pp. 393-420, 1995.
A. P. Pentland. Interpolation using Wavelet Bases. IEEE Trans. on PAMI,
vol.16, no.4, April 1994.
S. M. Phoong, C. W. Kim, P. P. Vaidyanathan, R. Anseri. A New Class of
Two-Channel Biorthogonal Filter Banks and Wavelet Bases. IEEE
Transactions on SP, vol. 43, no.3, pp. 649-665, March 1995.
J. W. Pitton, K. Wang, B. H. Juang. Time-Frequency Analysis and Auditory
Modeling for Automatic Recognition of Speech. Proceedings of the IEEE,
vol. 84, no.9, pp.1199-1214, Sept. 1996.
E. Pop, I. Nafornita, V. Tiponut, L.Toma, A. Mihaescu. Metode n prelucrarea
numerica a semnalelor. vol I si vol II, Ed. Facla, Timisoara 1986 si 1989.
W. H. Press, S. A. Teukolsky, W. T. Vetterling, B. P. Flannery. Numerical
Recipes in C. Cambridge University Press, 1995.
F. Preteux. Description et intrprtation des images par la morphologie
mathmatique. Application a limage mdicale. These de doctorat dEtat,
Universit Paris VI, 1987.
S. Qian, D. Chen. Joint Time-Frequency Analysis. Prentice Hall, 1996.
K. Ramchandran, M. Vetterli, C. Healey. Wavelets, Subband Coding and Best
Bases. Proceedings of the IEEE vol. 84, No. 4, pp.541-558, April 1996.
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.
[137]
[138]
[139]
[140]
[141]
[142]
[143]
[144]
[145]
[146]
[147]
[148]
399
P. Tchamitchian. Wavelets and Differential Operators. n Proceedings of

Symposia in Applied Mathematics. I. Daubechies (editor), vol. 47, A.M.S.,
1993.
***. Technology 1991. IEEE Spectrum, January 1991.
N. N. Temme. Asymtotics and Numerics of Zeros of Polynomials that are
Related to Daubechies Wavelets. Technical report AM-R9613, National
Research Institute for Mathematics and Computer Science, Amsterdam, 1996.
***. Timeview PM 9629. Application Note. Flucke and Philips Sweden,
1992.
L. Tolhuizen, N. Hollmann, T.A.C.M. Kalker. On the Realizability of
Biorthogonal, m-Dimensional Two-Band Filter Banks. IEEE Transactions on
Signal Processing, vol. 43, No.3, March 1995.
P. P. Vaidyanathan. Multirate Systems and Signal Processing. Prentice Hall,
Englewood Cliffs, 1993.
M. Wechsler. Caracterization of Time Varying Frequency Behaviour using
Continuous Measurement Technology. Hewlett Packard Journal, February
1989.
E. Wesfreid, M. V. Wickerhauser. Etudes des signaux vocaux par ondelettes
de Malvar. Quatorzieme Colloque GRETSI, Juan-Les-Pins, Septembre 1993.
M. Wickerhauser. Adapted Wavelet Analysis from Theory to Software.
A. K. Peters Wesley ,1994.
X. G. Xia, C. C. J. Kuo, Z. Zhang. Wavelet Coefficient Computation with
Optimal Prefiltering. IEEE Transactions on Signal Processing, vol. 42, no.8,
pp. 2191-2197, August 1994.
M. H. Yaou, W. T. Chang. M-Ary Wavelet transform and Formulation for
Perfect Reconstruction in M-Band Filter Bank. IEEE Transactions on Signal
Processing, pp.3508-3512, vol. 42, No.12, December 1994.
X.-P. Zhang, M. D. Dessai, Y.-N. Peng. Orthonormal Complex Filter Banks
and Wavelets: Some Properties and Design. Preprint University of Texas at
San-Antonio, 1996.

RT F PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

RT F PDF

Încărcat de

Drepturi de autor:

Formate disponibile

ALEXANDRU ISAR

Capitolul al doilea se refer la reprezentarea timp-frecven de tipul

Profesor dr. ing. Eugen Pop

2. REPREZENTAREA TIMP-FRECVENTA DE TIPUL

3. REPREZENTAREA TIMP-FRECVENTA DE TIPUL FUNCIE

4. REPREZENTAREA TIMP-FRECVEN DE TIPUL WIGNERVILLE

5. REPREZENTAREA TIMP-FRECVEN DE TIPUL

7. DISCRETIZAREA REPREZENTRILOR TIMP-FRECVEN

8.2. Calculul reprezentrii timp-frecven de tipul transformare

2. The Short-Time Fourier Transform

3. The Ambiguity Function

4. The Wigner-Ville Time Frequency Representation

5. The Continuous Wavelet Transform

2. La reprsentation temps frquence de type Fourier court terme

3. La reprsentation temps frquence de type fonction d'ambigut

4. La reprsentation temps frquence de type Wigner- Ville

5. La reprsentation temps frquence de type transforme en ondelettes

7. La discrtisation des reprsentations temps frquence

8.2.1. Linitialisation de l'algorithme de Mallat

semnalul descris de relaia (1) va fi unul nestaionar.

1.1. Conceptul de reprezentare timp frecven

Se numete transformat Hilbert a semnalului x(t), semnalul:

Se numete semnal analitic asociat semnalului x(t), semnalul:

x a (t) = x(t) + j H { x(t)}

Se numete anvelop a semnalului x a (t) , semnalul:

Se numete pulsaie instantanee a semnalului x(t) , semnalul:

Semnalul analitic asociat acestui semnal are forma:

1.1 Conceptul de reprezentare timp frecven

Figura 1.1.1. O reprezentare timp frecven ideal.

reprezint oscilograma semnalului x(t) , c proiecia pe planul

spectrul "ideal" al semnalului

x(t) i c proiecia pe planul

instantanee a aceluiai semnal. Proiecia pe planul ( A, t ) permite analiza n domeniul timp a

analiza semnalului n domeniul

frecven iar proiecia pe planul f, t permite analiza n domeniul modulaiei [69].

1.1.1. LOCALIZAREA SEMNALELOR N PLANUL

n domeniul frecven). Reciproc, semnalele de band limitat au durata infinit. De aceea

Conform principiului lui Heisenberg [99] este adevrat inegalitatea:

Pentru toate celelalte semnale localizarea n planul timp-frecven se face n intervale

acestei funcii n punctul ( to ,o ) reprezint valoarea la momentul to, a componentei

Pentru a fi util n analiza semnalelor nestaionare, operatorul TF ar trebui s aibe

1.1.1 Localizarea semnalelor n planul timp-frecven

Expr. analitic a semnalului

Tabelul 1.1.1. Localizarea n planul timp-frecven a ctorva semnale uzuale.

1.2. PROPRIETI CERUTE UNEI REPREZENTRI

Dar energia semnalului x(t)poate fi calculat pe baza relaiilor:

Aceste proprieti marginale arat necesitatea ca densitile energetice de o singur

Tot din raiuni de interpretare fizic ar fi util ca:

1.2. Proprietile cerute de la o reprezentare timp-frecven

transformarea Fourier. De aceea este util ca reprezentrile timp-frecven s fie

Legtura dorit ntre reprezentrile timp-frecven ale semnalelor x(t) i

Urmtoarea proprietate dorit pentru reprezentrile timp-frecven corespunde

Legtura dorit ntre reprezentrile timp-frecven ale semnalelor

x(t) i x k (t) este :

TFxk (t, ) = TFx k t,

y(t) = x(t) h(t)

Legtura dorit dintre reprezentrile timp-frecven ale semnalelor x(t), h(t)

TFh ( t s, ) TFx (s, ) ds

O alt proprietate important a transformrii Fourier este cea de modulaie.

y(t) = x(t) m(t)

n sfrit, o alt posibilitate remarcabil a transformrii Fourier a semnalelor

[99]. Conservarea produsului scalar n cazul reprezentrilor timp-frecven s-ar putea

1.2. Proprietile cerute de la o reprezentare timp-frecven