Documente Academic
Documente Profesional
Documente Cultură
REPREZENTĂRI TIMP-FRECVENŢĂ
Editura "Politehnica"
Prefaţã
r ss ( t ) autocorelaţia semnalului s( t )
CGn codul Gray al numărului n
( )* conjugare complexă
∗ convoluţie
Ex energia semnalului x
V$ estimata lui V
Q factorul de calitate al unui filtru
s factorul de scară al unui semnal, scara unui semnal
ϕ funcţie de scară
0 ϕ funcţie de scară ortogonală
ψ funcţie "wavelet"
σ(t ) funcţia treaptă unitate
p T ( t) impuls dreptunghiular de durată 2T
A închiderea mulţimii A
normă
K( , ) nucleu
↑ operator de dublare a scării
~ operatorul dual operatorului F
F
H operatorul Hilbert
↓ operator de înjumătăţire a scării
E operator de mediere statistică
R operatorul rest
× produs cartezian
, produs scalar
⊗ produs tensorial
ω i ( t) pulsaţia instantanee
r regularitatea unui semnal, rezoluţia unui semnal
F r restricţia transformării Fourier la perioada principală
d
x a (t) semnalul analitic asociat semnalului x( t )
x v ( t) semnalul obţinut prin reflectarea semnalului x( t )
B2π spaţiul semnalelor de energie finită şi bandă limitată
supp{x( t)} suportul semnalului x(t)
F transformarea Fourier a semnalelor în timp continuu
F
d transformarea Fourier în timp discret
X (ω ) transformata Fourier a semnalului x(t)
X(Ω) transformata Fourier în timp discret a semnalului x[ n]
X(z) transformata z a semnalului x[ n]
CUPRINS
1. INTRODUCERE 17
1.1. Conceptul de reprezentare timp frecvenţă 17
1.1.1. Localizarea semnalelor în planul timp-frecvenţă 21
1.2. Proprietăţi cerute unei reprezentări timp-frecvenţă 22
6. GENERALIZĂRI 86
8 Cuprins
9. APLICAŢII 350
9.1. Aplicaţiile reprezentărilor timp-frecvenţă în Radar 350
9.2. Aplicaţiile reprezentărilor timp-frecvenţă în explorarea 352
seismică
9.3. Aplicaţiile reprezentărilor timp-frecvenţă la detecţia 352
defectelor mecanice
9.4. Aplicaţiile reprezentărilor timp-frecvenţă în medicină 353
9.5. Aplicaţiile reprezentărilor timp-frecvenţă în metrologie 356
9.5.1. Măsurarea frecvenţei instantanee 356
9.5.2. Măsurarea benzii instantanee 364
9.5.3. Compresia datelor în aparatura de măsurare 366
9.6. Aplicaţii în telecomunicaţii 379
9.6.1. Aplicaţii la prelucrarea semnalului vocal 379
9.6.2.Îmbunătăţirea raportului semnal pe zgomot 382
folosind funcţiile “wavelet”
9.6.3. Aplicaţii la prelucrarea imaginilor 388
9.6.4. Alte aplicaţii în telecomunicaţii 390
Bibliografie 391
Index 400
10 Cuprins
CONTENTS
1. Introduction 17
1.1. The Time Frequency representation Concept 17
1.1. Time Frequency Localisation 21
1.2. Properties Requested for a Time-Frequency 22
Representation
6. Generalisations 86
6.1. Linear Representations Case 86
6.2.The Class of Quadratic Representations. The Cohen's Class 91
6.2.1. The Time-Frequency Representations Case 92
6.2.2. The Time-Scale Factor Representations Case 95
6.3. The Relation Between the Quadratic Representations 99
Theory and the Random Signals Theory
Cuprins 11
9. Application 350
9.1. Time Frequency Analysis in Radar 350
9.2. Application of the Time Frequency Representations to 352
Seismic Data Processing
9.3. Time Frequency Analysis in Machine Fault Detection 352
9.4. Application of the Time Frequency Representations in 353
Medicine
9.5. Time Frequency Representations in Metrology 356
9.5.1. The Instantaneous Frequency Measurement 356
9.5.2. The Instantaneous Bandwidth Measurement 364
9.5.3. Data Compression 366
9.6. Application in Telecommunications 379
9.6.1. Application to Speech Processing 379
9.6.2. The Enhancement of the Signal to Noise Ratio 382
using Wavelets
9.6.3. Application to Image Processing 388
9.6.4. Other Application in Telecommunications 390
References 391
Index 400
Cuprins 13
TABLE DE MATIERES
1. Introduction 17
1.1. Le concept de représentation temps
fréquence
1.1.1 Localisation des signaux dans le plan temps 21
fréquence
1.2. Des propriétés demandées à une représentation temps 22
fréquence
6. Des généralisations 86
6.1. Le cas des représentations linéaires 86
14 Cuprins
9. Applications 350
9.1. Les applications des représentations temps fréquence en 350
Radar
9.2. Les applications des représentations temps fréquence en 352
exploration seismique
9.3. L’utilisation des représentations temps fréquence pour la 352
détection des défauts mécaniques
9.4. Les applications des représentations temps fréquence en 353
médicine
9.5. Les applications des représentations temps fréquence en 356
Métrologie
9.5.1. L’estimation de la fréquence instantanée 356
9.5.2. L’estimation de la bande de fréquences 364
Instantanée
9.5.3. La compréssion de données en métrologie 366
9.6. Quelques applications en télécommunications 379
9.6.1. L’utilisation des représentations temps 379
Fréquence pour le traitement de la parole
9.6.2. L'augmentation du rapport signal/bruit 382
en utilisant les ondelettes
9.6.3. L’utilisation des représentations temps 388
Fréquence pour le traitement des images
9.6.4. Autres applications en télécommunications 390
Bibliographie
391
Index 400
Capitolul 1
INTRODUCERE
Unul dintre semnalele cel mai des utilizate este semnalul sinusoidal. Acesta este descris
matematic de funcţia:
x o (t) = A o sin ω o t (1)
A o = cos 10 ω o t (3)
sau:
ωo = t (4)
semnalului de la ieşirea sa, iar variaţiile de temperatură pot produce modificări ale frecvenţei
de oscilaţie. De asemenea, relaţia (1) nu este adecvată pentru descrierea regimurilor de pornire
ale oscilatorului. Iată de ce, la o analiză mai atentă, semnalul de la ieşirea unui oscilator
trebuie considerat ca fiind nestaţionar.
Şi în cazul semnalelor aleatoare, folosite pentru modelarea unor fenomene reale
(vibraţiile unei maşini unelte, zgomotul unui motor electric, ş.a.), ipoteza de staţionaritate
trebuie evitată tot mai frecvent.
Fenomenele nestaţionare pot fi clasificate în doua categorii: adaptive şi evolutive
[85].
În cazul fenomenelor nestaţionare adaptive, nestaţionaritatea este suficient de lentă
pentru a se putea presupune, pentru intervale scurte de timp, că parametrii semnalelor sunt
constanţi.
Fenomenele nestaţionare evolutive necesită modalităţi de descriere globală a
variaţiilor parametrilor lor. De aceea, în acest caz, aceste variaţii pot fi rapide.
Rezultă că pentru analiza semnalelor nestaţionare adaptive este necesară o prelucrare
localizată în timp. De aceea în acest caz nu poate fi utilizată transformata Fourier. Această
afirmaţie este justificată de următorul fragment din articolul "Cables et Transmision" scris de
J.Ville în anul 1948:
"Dacă considerăm un fragment de muzică compus din mai multe măsuri şi dacă o
notă, "la", de exemplu, figurează o dată în acest fragment, analiza Fourier ne va prezenta
frecvenţa corespunzătoare cu o anumită amplitudine şi cu o anumită fază, fără a localiza "la"
- ul în timp. Ori, este evident că pe parcursul bucăţii există momente de timp când nu se aude
nota "la” ".
Deci a apărut necesitatea introducerii unor noi transformări. Reprezentările timp-
frecvenţă sunt uneltele necesare pentru analiza semnalelor nestaţionare. Această analiză
presupune identificarea parametrilor acestor semnale. Pe lista acestor parametri trebuie
incluşi: momentele de timp de începere şi terminare a semnalului, energia sau puterea
semnalului, amplitudinea instantanee, frecvenţa instantanee, banda de frecvenţă instantanee a
semnalului, etc.
Se reaminteşte definiţia frecvenţei instantanee a unui semnal, [37]. Se consideră în
acest scop semnalul real x(t).
1 1 +∞ x( τ )
H { x(t)} = VP ∗ x(t) = ∫ dτ
πt πt −∞ t − τ
ω i (t) =
d
dt
{ }
arg { x a (t)} = 2π f i (t)
În funcţie de aplicaţia avută în vedere este importantă estimarea unuia sau mai multor
parametri ai semnalului nestaţionar. Acum câţiva ani firma Hewlet Packard a început să
producă o gamă de aparate numite analizoare în domeniul modulaţiei. Primul produs din
această gamă a fost HP-5371A. Aceste aparate măsoară frecvenţa instantanee a semnalelor pe
care le analizează. În figura 1.1.1 este prezentată o reprezentare "timp-frecvenţă" ideală a
semnalului nestaţionar:
2π f 1 , t ∈ [ t 1 , t 2 ) ,
2π f 2 , t ∈ [ t 3 , t 4 ) ,
x(t) = A o cos (ω o (t) t ) ; cu ω o (t) =
2π f 3 , t ∈ [t 5 , t 6 ) ,
0 , in rest
Semnalul analitic asociat acestui semnal are forma:
xa (t) = A o ⋅ e j ω o (t) t
2π dt f3 , t ∈ [t , t ) ,
5 6
0, in rest
Se constată că linia îngroşată din figura 1.1.1 este tocmai graficul acestei funcţii.
Analizând reprezentarea tridimensională din figura 1.1.1, se constată faptul că semnalul x(t)
se declanşează la momentul t1, fiind o sinusoidă cu frecvenţa f1, până la momentul t2, când
semnalul încetează, pentru a se redeclanşa la momentul t3, fiind o sinusoidă cu frecvenţa f2
până la momentul t4 când încetează pentru a doua oară declanşându-se din nou la momentul
t5 fiind o sinusoidă cu frecvenţa f3 până la momentul t6 când se sfârşeşte definitiv. Se
constată că proiecţia "reprezentării timp- frecvenţă" din figura 1.1.1 pe planul
20 1.1 Conceptul de reprezentare timp frecvenţă
−∞ −∞
Conform principiului lui Heisenberg [99] este adevărată inegalitatea:
π
σ 2t ⋅ σ ω2 ≥
2
Cu cât durata efectivă a unui semnal este mai scurtă cu atât banda sa efectivă de frecvenţe este
mai largă. Deci nici un semnal nu poate fi localizat oricât de bine şi în domeniul timp şi în
domeniul frecvenţă. Semnalul cu cea mai bună localizare în planul timp-frecvenţă este acela
pentru care în ultima relaţie este valabil semnul egal. Acesta este semnalul Gaussian:
π 2
− t
x(t) = e 2
Tipul σ 2t σω
2
σ 2t σ ω
2
semnalului
Gaussian 1 π 2 π
2π 2
Chirp 1 2 π (α 2
+ β2 ) π β2
4α 1 +
α 2 α2
Impuls to ∞ ∞
Dreptunghiular 12
∞ ∞
P1. ∫ ∫ TFx (t, ω ) dt dω = 2 πE x (5)
− ∞− ∞
∫ x(t)
2
dt = E x (6)
−∞
∫ X( ω )
2
dω = 2 πE x (7)
− ∞
Comparând relaţiile (5) şi (6), respectiv (5) şi (7) rezultă utilitatea proprietăţilor
marginale descrise de relaţiile:
∞
∫ TFx (t, ω ) dω = 2π
2
P2. x(t) (8)
−∞
∞
∫ TFx (t, ω ) dt
2
= X( ω ) (9)
−∞
Aceste proprietăţi marginale arată necesitatea ca densităţile energetice de o singură
variabilă x(t) şi X (ω ) să se poată calcula pe baza reprezentării timp-frecvenţă
2 2
TFx ( t,ω) .
Relaţiile (8) şi (9) arată că densităţile energetice de o singură variabilă sunt funcţii
reale şi pozitive. Din necesitatea ca reprezentarea timp-frecvenţă să reprezinte o funcţie
reală pozitivă rezultă proprietatea:
(∀) x(t) ∈ L2 (R )
Tot din raţiuni de interpretare fizică ar fi util ca:
x k (t) = k x( k t ) , k >0
ω
TFxk (t, ω ) = TFx k t, (12)
k
Una dintre cele mai importante proprietăţi ale transformării Fourier este cea de
filtraj. Această operaţie este descrisă în domeniul timp prin convoluţie. Proprietatea
corespunzătoare a reprezentărilor timp-frecvenţă ar fi:
∞
TFy ( t , ω ) = ∫ TFh ( t − s, ω ) TFx (s, ω ) ds (13)
-∞
Legătura dorită dintre proprietăţile timp-frecvenţă ale semnalului x(t), m (t) şi y(t)
este:
∞
TFy (t, ω ) = ∫ TFm ( t, ω − ξ) TFx ( t, ξ) dξ (14)
-∞
În sfârşit, o altă posibilitate remarcabilă a transformării Fourier a semnalelor
de energie finită este că aceasta reprezintă o izometrie între spaţiile L2 (R ) şi L2 (R ) .
Este deci conservat produsul scalar:
1
(∀) x(t), y(t) ∈ L2 (R ) ; x(t), y(t) L2 (R )= X (ω), Y (ω) 2
L (R )
2π
Formula din relaţia (15) poartă numele lui Moyal [59]. Următorul grup de
proprietăţi ale reprezentărilor timp-frecvenţă ar fi utile pentru evidenţierea
26 1.2. Proprietăţile cerute de la o reprezentare timp-frecvenţă
P11.
x(t) = 0, t > T ⇒ TFx ( t , ω ) = 0, t > T (16)
X( ω ) = 0, ω > B ⇒ TFx ( t , ω ) = 0, ω > B (17)
Ar fi, de asemenea util, dacă pe baza reprezentării timp-frecvenţă s-ar putea decide
dacă semnalul de analizat este staţionar sau nu.
După cum s-a arătat în paragraful anterior un semnal staţionar determinist este
unul care are toţi parametrii constanţi. Deci un semnal staţionar determinist poate fi
privit ca şi o sumă de componente, fiecare având amplitudinea instantanee şi frecvenţa
instantanee constante.
Reprezentarea timp-frecvenţă a unui astfel de semnal ar trebui să fie
independentă de timp. De aceea proprietatea de staţionaritate a semnalului de analizat
în planul timp-frecvenţă ar putea avea următorul enunţ:
∂ TFx (t, ω )
=0 (∀) t ∈ R (18)
∂ t
TFxSTFT ( t , ω ) = ∫ x (τ ) w (τ − t ) e − j ωτ
dτ (20)
− ∞
Relaţia (20) poate fi rescrisă ca şi produs scalar dintre semnalul de analizat şi fiecare
element al acestei mulţimi. Într-adevăr:
TFxSTFT ( t , ω ) = x( τ ), w ω,t ( τ ) L2
(21)
wω 0 ,t 0 ( τ ) = e jω 0τ w( τ − t o )
Wω0,t 0 ( ω ) = F { e jω0τ w( τ − t o )} = F{ w( τ − t o )} (ω + ω o ) =
= e − j⋅t0 ( ω + ωo ) F{w(t)}(ω + ω o ) = e − j⋅t0( ω + ωo ) W(ω + ω o ) (22)
Dreptun-
1 to to to ∞
ghiulară σ t + − σ t −
t o 2 2 12
1 2π
Hamming
α wHg (t) = α + (1− α )cos t
generali - αt 0 to
zată t o2 ( π 2α + 6α − 6)
to α σ = ∞
2
to 12 α π 2
t
σ
t + − σ t −
2 2
Hann
0,5 wHg 0,5 σ 2t ∞
Hamming
0,54 wHg 0,54 σ 2t ∞
2π t 4π t
k 042
, + 05
,cos + 008
, cos
to to
Blackman
to to finit ∞
σ t + 2 − σ t − 2
(t, ω ) ∫ x( τ ) [e w( τ − t) ] dτ
STFT jωτ *
TF x =
−∞
Cu notaţia:
x( t )e − jωt = u( t)
ultima relaţie devine:
∞ ∞
TF STFT
x (t, ω ) = ∫ u(t) w( τ − t) dt = ∫ u(t) w ∨
(t − τ ) dt = u(t) ∗ w ∨ (t) (23)
−∞ −∞
Realţia (23) a dat titlul acestui paragraf. Importanţa sa rezidă în faptul că permite o
nouă interpretare fizică a reprezentării timp-frecvenţă de tipul tranformare Fourier
scurtă. Într-adevăr, pentru fiecare pulsaţie, ω , se poate afirma că reprezentarea timp-
frecvenţă de tipul Fourier scurtă reprezintă răspunsul sistemului liniar şi invariant în
timp cu răspunsul la impuls w ∨ (t) , la semnalul u(t) . Acest semnal se obţine prin
modularea semnalului x(t) , folosind semnalul purtător e − jωt .
În figura 1.2.1 este prezentată schema sistemului analogic care transformă
semnalul x(t) în reprezentarea sa timp-frecvenţă de tipul transformare Fourier scurtă.
w(-t)
x(t)
TFxSTFT ( t,ω)
e− jωt
TF STFT
x (t, ω) = e − jω t
∫ x( τ ) w( τ − t) e jω ( t ⋅τ )
dτ = e − jω t [ x(t) ∗ w∨ (t)e jω t ] (24)
−∞
cu implementarea prezentată în figura 2.2.1.
w(-t) e− jωt
x(t) TFxSTFT ( t,ω)
e− jω t
TFαSTFT
x1 + βx 2
(t, ω ) = α TFxSTFT
1
(t, ω ) + β TFxSTFT
2
(t, ω )
Demonstraţie:
∞
TF S T FT
αx1 + β x 2
(t, ω) = ∫ (α x ( τ )
1 + β x 2 ( τ )) w ( τ − t ) e − jωτ d τ
-∞
TF STFT
αx1+βx2
(t, ω) = α ∫ x1( τ ) w( τ − t ) e − jωτ
dτ + β ∫ x2( τ ) w( τ − t ) e− jωτ dτ =
-∞ -∞
= α TF STFT
x1 (t, ω) + β TF STFT
x2 (t, ω)
În consecinţă, pentru evaluarea reprezentării timp-frecvenţă de tip transformare
Fourier scurtă poate fi aplicat principiul superpoziţiei. Această observaţie permite
extinderea clasei semnalelor ce pot fi analizate cu reprezentarea timp-frecvenţă de
tipul transformare Fourier scurtă de la clasa semnalelor de energie finită la alte clase
de semnale, cum ar fi de exemplu semnalele periodice. În continuare se verifică dacă
reprezentarea timp-frecvenţă de tipul transformare Fourier scurtă are proprietăţile
specificate în paragraful 1.2. Se calculează integrala dublă:
∞ ∞
I = ∫ ∫ TF STFT
x (t, ω ) dt dω
−∞−∞
Se începe cu calculul integralei:
∞
I1 = ∫ TF STFT
x (t, ω ) dω
−∞
2.2 Proprietăţile RTFTFS 33
I1 = ∫ F { x( τ ) w( τ − t )} dω = ( 2π ) F −1 F { { x( τ ) w( τ − t )} ( ω )} ( τ) τ= 0
=
−∞
= 2π x(0) w ∨ (t)
∞ ∞
I = ∫ 2π x( 0) w
−∞
∨
(t )dt = 2π x( 0) ∫
−∞
w ∨ (t )dt
Până acum s-a presupus că fereastra temporală w(t) este de energie unitară.
Dacă facem ipoteza suplimentară că fereastra temporală este şi absolut integrabilă,
atunci putem afirma că integrala I este convergentă.
Dar valoarea sa este diferită de energia semnalului x(t). Deci proprietatea P1
nu este satisfăcută. Reprezentarea timp-frecvenţă de tipul transformare Fourier scurtă
nu este o densitate spectro-temporală de energie. Totuşi trebuie remarcat că ea
reprezintă o izometrie până la o constantă de proporţionalitate între spaţiile L2 (R ) şi
( )
L2 R 2 , [89].
∞ ∞
∫ ∫ TF (t, ω ) dt dω = 2π E x
STFT 2
R2. x (26)
−∞−∞
Demonstraţie:
TFxSTFT (t, ω) = F { x( τ ) w( τ − t )} ( ω)
∞ ∞
∫ TFxSTFT (t, ω ) d ω = ∫ { x( τ ) w ( τ − t )} (ω ) d ω
2 2
I = F
-∞ - ∞
∞ ∞
I = 2 π ∫ x( τ ) w( τ − t ) dτ = 2 π ∫ x( τ ) w( τ − t ) dτ
2 2 2
(27)
-∞ -∞
Cu notaţiile:
= f( τ ) şi w( τ − t ) = g( τ − t)
2
x( τ )
2
∞
I = 2π ∫ f( τ ) g( τ − t) dτ = 2π f(t) ∗ g ∨ (t) ( )
−∞
De aceea:
∞ ∞ ∞
F { f(t) } (0) = ∫
2
x(t) dt = E x
−∞
şi:
∞
F { g (t) } (0) =
∨
∫ w∨ (t) dt = w∨ (t) L2 = w(t) L2 = 1
2 2 2
−∞
În consecinţă:
∞ ∞
∫ ∫ TF (t, ω )
2
STFT
x dt dω = 2 π E x
−∞−∞
( )( )
*
= α ⋅ TFxSTFT
1
(t, ω ) + β ⋅ TFxSTFT
2
(t, ω ) α ⋅ TFxSTFT
1
(t, ω ) + β ⋅ TFxSTFT
2
(t, ω ) =
( )
*
= α 2 TFxS1 (t, ω ) + β TFxS2 (t, ω ) + αβ* TFxSTFT (t, ω ) TFxSTFT (t, ω )
2
1 2
+
( )
*
+ α* β TFxSTFT (t, ω ) TFxSTFT (t, ω ) = α 2 TFxS1 (t, ω ) + β TFxS2 (t, ω ) +
2
1 2
( )
*
+ 2Re αβ* TFxSTFT (t, ω ) TFxSTFT (t, ω )
1 2
( )
* (30)
= α 2 TFxS1 (t, ω) + β TFxS2 (t, ω) + 2Re αβ*TFxSTFT ( ) ( )
2
t, ω TFSTFT
x2 t, ω
1
Proprietatea exprimată de relaţia (30) se numeşte biliniaritate.
De fapt o transformare T este numită biliniară dacă satisface relaţia:
(30')
+ αβ* T { x1,x 2 } + α * β T {x 2 ,x1}
36 Reprezentarea timp frecvenţă de tip transformare Fourier scurtă
În cazul spectrogramei:
( )
*
T { x1,x 2 }(t, ω ) = TFxSTFT
1
(t, ω ) TFxSTFT
2
(t, ω )
adică:
T { x1,x1} ( t, ω ) = TFxS1 (t, ω )
I1 = ∫ TF STFT
x (t, ω ) dω ; I2 = ∫ TF STFT
x (t, ω ) dt ;
−∞ −∞
∞ ∞
I3 = ∫ TF (t, ω) dω
−∞
S
x ; I4 = ∫ TF (t, ω ) dt ;
−∞
S
x
2π x( 0) w ∨ (t) ≠ x(t)
2
(
2 π x(t) ∗ w ∨ (t)
2 2
) ≠ x(t)
2
∞ ∞
1
P5. x(t) = ∫ ∫ TF STFT
( τ , ω ) w (τ − t ) e jωτ dω dτ (31)
2π −∞ −∞
x
Nu acelaşi lucru se poate afirma însă şi despre spectrogramă. Într-adevăr, pot exista
două semnale x1(t)şi x2 (t)distincte pentru care:
TFxSTFT
1
(t , ω ) ≡ TFxSTFT
2
(t , ω )
adică:
TFxS1 (t , ω ) ≡ TFxS2 (t , ω )
TF STFT
x t ,ω
o o
(t, ω ) = ∫ x( τ − t ) e
−∞
o
j ωoτ
w( τ − t ) e − j ωτ dτ
38 Reprezentarea timp frecvenţă de tip transformare Fourier scurtă
TF STFT
x t ,ω
o o
(t, ω ) = e − j ( ω − ω o ) to
∫ x(u) w(u − (t − t )) e
−∞
o
− j ( ω −ω o ) u
du
TFxSTFT
t ,ω
o
(t, ω ) = e − j ( ω −ω o ) to TFxSTFT ( t − t o , ω − ω o )
o
(32)
Deci relaţia (11) (care descrie proprietatea P6 din paragraful (1.1) nu este satisfăcută
stricto-senso. Ea este totuşi verificată cu excepţia unui factor de proporţionalitate de
modul unitar. Luând modulul în cei doi membrii ai relaţiei (32) şi ridicând la pătrat se
obţine:
1P6. TFxSt (t, ω ) = TFxS (t − t o , ω − ω o ) (33)
o ,ω o
∞ ∞ ∞
( )
*
1P10. ∫ ∫ TFxSTFT (t, ω ) TFySTFT (t, ω)
− ∞− ∞
dt dω = 2π ∫ x(t) y* (t) dt
− ∞
(34)
[ )
Suportul său temporal este intervalul 0,t o . Transformata sa Fourier scurtă se
poate exprima, conform relaţiei (23), în forma:
2.3 EXEMPLU
π 2
− t
x1(t) = e 2 cos ω o t
∞ π 2 π
− τ − ( τ − t ) 2 − j ωτ
TFxSTFT
1
(t, ω ) = ∫e 2 cos ω o τ e 2 e dτ
−∞
∞ π 2
− ( τ + ( τ − t )2 )
TF STFT
x1 (t, ω ) = ∫e 2 cos ω o τ e − j ωτ dτ
−∞
respectiv în forma:
∞ π t 2
− 2 τ−
TFxSTFT (t, ω ) = e − π t ∫e 2 2
cos ω o τ e − j ωτ dτ
2
1
−∞
2.3 Exemplu 41
Pentru orice valoare a lui t, integrala din membrul drept reprezintă transformarea
Fourier a semnalului obţinut prin modularea în amplitudine a semnalului purtător
cos ωoτ cu un semnal modulator de tip Gaussian. Se poate deci scrie:
−
π t 2
2 τ−
TF STFT
x1 (t, ω ) = e − π t2
F e 2 2
cos ω o τ ( ω)
Aplicând proprietăţile transformării Fourier de întârziere în timp, scalare în timp şi
modulaţie se obţine:
− ( ω +ωo ) (ω + ωo ) t − ( ω−ωo ) (ω − ωo ) t
2 2
1
STFT
(t,ω) = e− π t e 4π cos +e 4π cos −
2
TF x1
2 2 2
(35)
1 − π t2 − ( ω+4ωπo ) (ω + ωo ) t − ( ω−ωo ) ( ω − ωo ) t
2 2
− j e e sin +e 4π sin
2 2 2
− ( ω+ ω o ) ( ω −ω o )
2 2
ω 2 +ω 2o
1 − −
(t,ω )
2
STFT
= e − π⋅ t e cos ωt
2
TF x1
2π + e 2π +2e 2π (36)
4
Analizând modulul reprezentării timp-frecvenţă de tipul transformare Fourier
scurtă se constată că aceasta este rădăcina pătrată a unei sume de trei distribuţii
Gaussiene. Fiecare este o distribuţie mixtă timp-frecvenţă. În cazul primilor doi
termeni variabilele timp şi frecvenţă sunt separate. În cazul celui de al treilea termen
variabilele nu sunt separate, datorită factorului cos ω t. Oricum, din punct de vedere
al distribuţiei în domeniul timp se constată că toţi cei trei termeni au maxime în
origine ( t = 0) .Ţinând seamă de faptul că:
− 1 ≤ cos ω t ≤ 1
rezultă :
− ( ω +ω o ) ( ω −ω o ) ( ω+ ω o ) ( ω −ω o )
2 2 2 2 2
ω 2+ ω 2o
−
e 4π − e 4π ≤ e − 2π + e − 2π + 2 e − 2π cos ω t ≤
(37)
− ( ω +ω o ) ( ω −ω o )
2 2 2
−
≤ e 4π + e 4π
42 Reprezentarea timp frecvenţă de tip transformare Fourier scurtă
Având în vedere că primul membru şi ultimul membru al relaţiei de mai sus nu depind
de timp şi că aceasta se poate pune în forma:
1 − π t 2 − ( ω +4ωπ o ) ( ω −ω o )
2 2
−
e e −e 4π ≤ TFxSTFT (t, ω ) ≤
4
1 − π2t
2
−
( ω +ω o ) 2 −
( ω −ω o )2
≤ e 4π +e 4π
2
π t2
−
rezultă comportamentul Gaussian (dat de factorul e ) al modului reprezentării 2
(ω + ωo )2 (ω − ωo )2
− −
A(ω ) = e 4π
− e 4π
şi superior de funcţia:
(ω + ω o )2 (ω − ω o ) 2
− −
B (ω ) = e 4π
+ e 4π
Cu notaţiile:
( ω + ω o )2 ( ω − ω o )2
− −
α( ω ) = e 4π şi β( ω ) = e 4π
A( ω ) = α( ω ) − β( ω )
şi
B( ω ) = α( ω ) + β( ω )
ω 2o
−
e 4π << 1
A( ω ) = B( ω ) ≅ α( ω ), ( ∀) ω ∈ B −
A( ω ) = B( ω ) ≅ β( ω ), ( ∀) ω ∈ B +
∞
t t
TF FI
(t, ω ) = ∫ x τ + x * τ − e j ω τ dτ
x
−∞
2 2
∞ t
j ω u−
TFxFI (t, ω ) = ∫ x (u) x * (u − t) e 2 du =
−∞
* (38)
t ∞ t *
−jω −jω
= e ∫
2 x * (u) x ∨ (t − u) e − j ω u du = e 2 TFSTFT
x * ( t, ω )
− ∞
t t
TFxFI (t, ω ) = F x τ + x * τ − ( − ω ) , ( ∀) t ∈ R
2 2
1 t * t
TFxFI (t, ω ) = F x τ + ( − ω ) ∗ F x τ − ( − ω ) (39)
2π 2 2
t
t −j ω
F x τ + (− ω ) = e 2 X (− ω )
2
şi:
t
t jω
F x * τ − ( − ω ) = e 2 X* ( ω )
2
1 − j ω 2t jω
t
TF (t, ω ) =
FI
e X( − ω ) ∗ e 2 X * ( ω ) =
x
2π
∞ t t
1 −j u j (ω−u)
= ∫
2π − ∞
e 2 X( − u) e 2 X * ( ω − u) du =
t
jω ∞
e 2
=
2π ∫
−∞
X( − u) X * ( ω − u) e - jut du
3. Reprezentarea timp frecvenţă de tipul funcţie de incertitudine 47
ω
ω−u = + v
2
se obţine:
t
jω ∞
e 2
ω ω j v − ω2 t
TF (t, ω ) =
FI
∫ X v− X * v + e dv
x
2π 2 2
−∞
sau:
∞
ω ω
X * v + e j v t dv
1
TFxFI (t, ω ) = ∫ X v − (40)
2π −∞
2 2
Aceasta este o formulă alternativă celei din relaţia (37) pentru calculul reprezentării
timp-frecvenţă de tipul funcţie de incertitudine.
Această reprezentare timp-frecvenţă a fost utilizată pentru prima dată în
radiolocaţie. În continuare se explică semnificaţia fizică a reprezentării timp-frecvenţă
de tipul funcţie de incertitudine, în legătură cu problema de bază a radiolocaţiei. Se
consideră că radiolocatorul emite unda electromagnetică s(t). În urma reflectării
acesteia pe suprafaţa avionului şi a întoarcerii sale se recepţionează unda sr(t).
Legătura între aceste semnale este:
S r ( ω ) = e − j ω t o S( ω − ∆ ω ) (42)
H a ( ω ) = k ⋅ e− j ω t i ⋅ S* ( ω )
unde ti reprezintă momentul la care are loc maximizarea raportului semnal pe zgomot
la ieşirea acestui sistem.
48 3.1 Exprimări alternative ale funcţiei de incertitudine
H o ( ω ) = k S *( ω )
∞
k
S* ( ω ) S ( ω − ∆ ω ) e j ω ( t − t o ) dω
2π −∫∞
y (t, t o , ∆ ω ) =
Cu notaţia:
t − to = τ
şi schimbarea de variabilă:
∆ω
ω − = u
2
ultima relaţie devine:
k ∞ ∆ ω ∆ ω j uτ j
∆ω
τ
y ( τ, ∆ ω ) = ∫ S* u + S u − e du e 2
2π − ∞ 2 2
∆ω
j τ
Făcând abstracţie de factorul de modul unitar e 2 şi considerând pentru constanta
k valoarea 1, ultima relaţie devine:
∞
1 ∆ ω ∆ ω j ωτ
y1 ( τ , ∆ ω ) =
2π ∫ S* ω +
2
S ω −
2
e dω
− ∞
Dar:
∞ ∆ω
∆ ω j ω + t'
S ω +
*
=
2 ∫
−∞
*
s (t') e 2
dt'
şi deci:
3 Reprezentarea timp frecvenţă de tipul funcţie de incertitudine 49
∞ ∞ ∆ω
1 j ω + t' ∆ ω jωτ
∫ ∫ s (t')
2
y 1 (τ , ∆ ω ) = *
e S ω − e dω
2π −∞−∞
2
Cu schimbarea de variabilă:
∆ω
ω − = ω'
2
şi cu observaţia:
∞
1 ( t' + τ )
2π ∫ S ( ω' ) e j ω' dω' = s ( τ + t' )
− ∞
∞ ∆ω
j τ + ∆ ω t'
y1 ( τ , ∆ ω ) = ∫s *
(t' ) s ( τ + t' ) e 2
dt'
− ∞
τ
t = t' +
2
∞ ∆ω ∆ω
τ
* τ j τ + ∆ωt - τ
y1 ( τ , ∆ ω ) = ∫ s t − s t + e 2 2
dt
2 2
− ∞
Aşadar:
∞
τ τ
y1 ( τ , ∆ ω ) = ∫ s* t − s t + e j ∆ ω t dt
2 2
(43)
− ∞
Deci modulul răspunsului filtrului adaptat la semnalul emis s(t), pentru semnalul
recepţionat sr(t), este egal cu modulul reprezentării timp-frecvenţă de tipul funcţie de
incertitudine a semnalului emis. Iată semnificaţia fizică a reprezentării timp-frecvenţă
de tipul funcţie de incertitudine. În continuare se arată cum poate fi utilizată
reprezentarea timp-frecvenţă de tipul funcţie de incertitudine la măsurarea mărimilor to
şi ∆ ω . În acest scop se stabileşte legătura dintre reprezentările timp-frecvenţă de tipul
funcţie de incertitudine ale semnalelor, emis s(t)şi recepţionat sr(t).
50 3.1 Exprimări alternative ale funcţiei de incertitudine
∞
t t
TFsFI (t, ω ) = ∫ sr τ + s*r τ − e jωτ dτ
r
− ∞
2 2
∞
t t
TFsFI (t, ω ) = e j∆ωt
∫ s τ − t o + s* τ − t o − e jωτ dτ
r
−∞
2 2
se poate scrie:
TFsFI
r
(t, ω ) = e j ( ∆ ω t + ω to )
TFsFI ( t, ω ) (44)
TFsFI
r
(t, 0) = e j ∆ ω t TFsFI (t, 0) (45)
∞
t t
TFsFI (t, 0) = ∫ s τ + s* τ − dτ = rs*s (t) (46)
− ∞
2 2
Deci proiecţia reprezentării timp-frecvenţă de tipul funcţie de incertitudine pe planul
( A ,t,0) reprezintă autocorelaţia semnalului analizat.
În consecinţă relaţia (45) se mai scrie:
3. Reprezentarea timp frecvenţă de tipul funcţie de incertitudine 51
FI
{ }
Re TFsr ( t, 0) = Re rs s (t) cos ∆ ωt − I m
*
{ r * (t)} sin ∆ ωt
ss
{ }
I TF FI ( t, 0) = Re r * (t) sin ∆ ωt + I
m sr ss m { r * (t)} cos ∆ ωt
ss
TFsFI ( 0, ω ) = e j ω to
TFsFI (0, ω ) (47)
r
Dar:
∞
TFsFI ( 0, ω ) = ∫ s( τ ) ej ωτ
2
dω (48)
− ∞
funcţie care poate fi determinată având în vedere că semnalul emis este cunoscut.
2
Deoarece s(τ ) este o funcţie reală şi pară, rezultă (pe baza relaţiei (48)) că funcţia
TFsFI( 0,ω) este o funcţie reală. Relaţia (47) conduce la sistemul:
{ }
Re TFsr ( 0, ω ) = cos ω t o TFs (0, ω )
FI FI
{ }
I m TFsFI ( 0, ω ) = sin ω t o TFsFI (0, ω )
r
Rezolvând acest sistem pentru orice valoare a pulsaţiei ω se obţin funcţiile sin ω t o
şi cos ω t o şi cu ajutorul lor valoarea întârzierii to. Se constată că impreciziile de
calcul respectiv măsurare a reprezentărilor timp-frecvenţă TFsFI (t, ω ) , TFsFI
r
(t, ω )
sunt cauza impreciziilor de determinare ale mărimilor to şi ∆ ω . Deci incertitudinea
asupra valorilor acestor reprezentări timp-frecvenţă determină incertitudinea asupra
valorilor to şi ∆ ω . Iată de ce aceste reprezentări timp-frecvenţă sunt numite de tipul
funcţie de incertitudine. În încheierea acestui paragraf trebuie specificat că la fel ca şi
în cazul reprezentării timp-frecvenţă de tipul transformare Fourier scurtă şi
reprezentarea timp-frecvenţă de tipul funcţie de incertitudine poate fi exprimată ca şi
transformare Fourier a unui nucleu. În cazul reprezentării timp-frecvenţă de tipul
transformare Fourier scurtă expresia nucleului era:
52 3.2 Proprietăţile funcţiei de incertitudine
K STFT ( τ , t ) = x( τ ) w( τ − t) (49)
t t
TFxFI (t, − ω ) = F x τ + x* τ − (50)
2 2
t t
K FI ( τ , t ) = x τ + x* τ − (51)
2 2
∞
t t t t * jωτ
TFαFIx1+ βx2 (t, ω) = ∫ 1 2 2 2 1 2 2 2 e dτ
αx τ + + βx τ + αx τ − + βx τ −
−∞
∞ ∞
t t t t
∫ x1 τ + x1* τ − e jωτ dτ + β ∫ x2 τ + x*2 τ − e jωτ dτ +
2
= α2
2 2 2 2
−∞ −∞
∞ ∞
t t t t
+ α β* ∫ x1 τ + x*2 τ − e jωτ dτ + α * β ∫ x1* τ − x2 τ + e jωτ dτ
2 2 2 2
−∞ −∞
∞
t t jωt
x1 τ + x*2 τ −
TFxFI1 x2 (t, ω ) = ∫ e dτ (52)
2 2
−∞
x2 x1 (t, ω)
+ α*β TF FI (53)
∞
t t
T { x1 , x 2} (t, ω ) = ∫ x1 τ + x*2 τ − e jωt dτ
2 2
− ∞
∞
t * t
TFxFI (− t, − ω) = ∫ x τ − x τ + e − jωτ dτ
− ∞
2 2
∞
* t t
TFxFI (− t, − ω) = ∫ x τ + x* τ − e jωτ dτ = TFxFI (t, ω ) (54)
− ∞
2 2
x1(t) = x(t − t o )
τ − t0 = u
se obţine:
∞
t t
x u + x* u − e jω ( u + t o ) du
TFxFI1 ( t, ω ) = ∫ 2 2
− ∞
În consecinţă:
TFxFI1 ( t, ω ) ≠ TFxFI ( t − t o , ω )
x 2 (t) = x(t) e j ω o t
Deci:
x t o ,ω o (t) = x ( t − t o ) e j ω o t
TFxFI
t o ,ω o
(t, ω ) = e j ω t e − j ωt TFxFI (t, ω )
o o
(57)
∞
Iω = ∫ TF FI (t, ω) dω
x
−∞
Se mai poate scrie:
∞ ∞
t t
Iω = ∫ x τ + x* τ − ∫ e − j ωτ dω dτ
2 2
−∞ − ∞
56 3.2 Proprietăţile funcţiei de incertitudine
Dar:
∫ e − j ωτ dτ = F {1(ω )} ( τ) = 2π δ ( τ)
− ∞
În consecinţă:
t t
I ω = 2π x x* − ≠ x(t)
2
2 2
Deci nici proprietatea P2 din paragraful 1.2 nu este satisfăcută. Totuşi reprezentarea
timp-frecvenţă de tipul funcţie de incertitudine are o proprietate marginală interesantă
în domeniul frecvenţă. Pentru a evidenţia această proprietate se calculează:
∞
t t
TFxFI (t, 0) = ∫ x τ + x* τ − dτ
−∞
2 2
t
u = τ −
2
∞
TFxFI (t, 0) = ∫ x* (u) x (u + *
t) du = rxx (t) (58)
−∞
∞
It = ∫ TFxFI (t, ω) dt
−∞
∞ ∞
1 ω * ω
It = ∫
2π − ∞
X v − X
2 v +
2 ∫ e j v t dt dv
−∞
Dar:
∞
1
∫ejvt dt = F − 1{1( t )} ( ν) = δ (v)
2π − ∞
În consecinţă:
ω ω
I t = X − X *
2 2
∞
ω * ω
X v + dv
1
TFxFI (0, ω ) = ∫ X v −
2π − ∞
2 2
Cu schimbarea de variabilă:
ω
v − = u
2
∞
1 1
TFxFI ( 0, ω ) = ∫ X* (u + ω ) X (u) du = r (ω ) (60)
2π − ∞ 2π XX
58 3.2 Proprietăţile funcţiei de incertitudine
∞
TFyFI (t, ω ) = ∫ TFxFI ( τ , ω ) TFhFI (t − τ , ω ) dτ
− ∞
3 Reprezentarea timp frecvenţă de tip funcţie de incertitudine 59
unde:
atunci:
∞
TFyFI (t, ω ) = ∫ TFmFI (t, ω − ξ) TFxFI (t , ξ) dξ (62)
− ∞
*
TFxFI1y1 (t, ω) , TFxFI2y2 (t, ω) = x1, x2 y1, y2 (63)
2
( )
L R 2 2
( )
L R 2
( )
L2 R2
relaţie care este verificată pentru orice semnale x1(t), x2 (t), y1(t) şi y2 (t) de energie
finită [68]. În continuare se investighează în ce măsură reprezentarea timp-frecvenţă
de tipul funcţie de incertitudine conservă suporturile temporal sau frecvenţial ale
semnalului de analizat. Se consideră, în acest scop că semnalul analizat are suportul
t
intervalul [ t1 ,t2 ] . În consecinţă semnalul x τ + va fi identic nul în exteriorul
2
t t t
intervalului t1 − , t 2 − iar semnalul x* τ − va fi identic nul în
2 2 2
t t
exteriorul intervalului t 1 + t , t 2 + t . De aceea x τ + x * τ − va fi
2 2 2 2
[ ]
identic nul în exteriorul intervalului t1 − t 2 , t 2 − t1 . Deci suportul temporal al
reprezentării timp-frecvenţă de tipul funcţie de incertitudine este intervalul
[t1 − t 2 , t 2 − t1] . Se poate afirma că proprietatea P11 din paragraful 1.2 nu este
verificată. Rezultatul aplicării transformării timp-frecvenţă de tipul funcţie de
incertitudine este dublarea lăţimii suportului temporal al semnalului de analizat.
60 3.2 Proprietăţile funcţiei de incertitudine
2R11
X( ω ) = 0, [
ω ∉ ω 1, ω 2 ] ⇒ TFxFI (t, ω ) = 0, [
ω ∉ ω1 − ω 2 , ω 2 − ω1 ]
În sfârşit, se poate demonstra că nici proprietăţile P12 şi P13 din paragraful 1.2 nu
sunt verificate de către reprezentarea timp-frecvenţă de tipul funcţie de incertitudine.
Mai trebuie remarcat că reprezentarea timp-frecvenţă de tipul funcţie de incertitudine
poate fi folosită pentru calculul frecvenţei instantanee a semnalului x(t), fiind valabilă
formula [68]:
∞
∂
∫ TFxFI ( τ , ω ) τ = e j ω t dω
1 − ∞
∂τ 0
f i (t) = ∞ (64)
2πj
∫ TFxFI (0, ω ) e j ω τ dω
− ∞
3.3 EXEMPLU
x(t) = C e − ( α + j β ) t , C ∈ R
2
(66)
*
∞
− (α + j β) τ +
t 2 t 2
TFx ( t, ω ) = ∫ C e
FI
2 C e − (α + j β ) τ −
2 e j ω τ dτ
− ∞
Aducând integrandul din membrul drept la o formă mai compactă relaţia de mai sus
devine:
∞ − α 2 τ 2 + t
2
TFxFI (t, ω ) = C 2
∫e 2
e j (ω - 2 β t) τ
dτ
−∞
adică:
− α 2 τ2 + t2
TFx (t, ω ) = C F e (2 β t − ω )
FI 2 2
t2 ( 2 β t − ω )2
2 −α 2 π −
TFxFI (t, ω ) = C e e 8α
2α
α 2
( 2 β t − ω )2
1
π −
2
t +
TFxFI (t, ω ) = C2 e 8α
2α
C e− α t
2
β t2
62 3.3 Un exemplu
ω i (t) = 2 β t
π
TFxFI (0, 0) = C 2
2α
α β2
π − t2 + t2
TFxFI (t, 0) = C 2 e 2 2α
2α
adică:
α β2 2
π − + t
2 2α
rxx (t) = C 2 e
2α
ω2
π −
TFxFI ( 0, ω ) = C 2 e 8α
2α
α
( 2 β t − ω )2
1
− t2 +
e 2 8 α ≤ 1
3 Reprezentarea timp frecvenţă de tipul funcţie de incertitudine 63
ω − 2β t = 0
(
δ ω − ω i (t) )
Capitolul 4
τ τ
K W − V (t, τ) = x t + x* t − (67)
2 2
∞
τ τ
TFxW − V (t, ω ) = ∫ x t + x* t − e − j ω τ dτ (68)
− ∞
2 2
K W − V (t, τ) = K FI ( τ , t ) (69)
Deci cele două nuclee se pot obţine unul pe baza celuilalt prin
schimbarea de variabilă:
t ↔ τ
∞ ∞
F {TFxW − V (α, β)} (t, ω ) = ∫ ∫ TFxW − V (α , β) e − j(α ω + β t ) dα dβ
− ∞− ∞
{
F TFxW − V ( α , β) } (t, ω) =
∞ ∞ ∞
τ τ
= ∫ ∫ ∫ x α + x* α − e - j β τ dτ e − j( α ω + β t ) dα dβ
− ∞− ∞ − ∞ 2 2
{
F TFxW − V (α , β )} (t, ω ) =
∞ ∞ ∞
τ τ
= ∫ ∫ ∫ x α + x* α − e - j α ω dα e − j β τ dτ e − j β t dβ
− ∞− ∞ − ∞ 2 2
sau:
∞ ∞
F { TFxW − V α , β( )} (t, ω ) = ∫ ∫ TFxFI ( τ , − ω ) e − j β τ dτ e − j β t dβ
− ∞− ∞
∞
F { TFxFI ( τ , − ω )} (β) = ∫ TFxFI ( τ , − ω ) e − j β τ dτ
−∞
De aceea, expresia transformării Fourier bidimensionale a reprezentării timp-frecvenţă
de tipul Wigner-Ville devine:
∞
{
F TFxW − V (α , β) } (t, ω) = ∫ F {TFxFI (τ , }
− ω ) (β) e − j β t dβ
− ∞
{
F TFxW − V ( α , β) } (t, ω) = 2 π TFxFI ( − t, − ω )
66 4. 1 Exprimări alternative ale reprezentării de tip Wigner-Ville
{
F TFxW − V (α , β) } (t, ω )
*
= 2 π TFxFI ( t, ω ) (70)
∞ ∞
I = ∫ ∫ TFxW − V (α , β) dα dβ
− ∞− ∞
În consecinţă:
{
I = F TFxW − V ( α , β) } (0, 0)
*
= 2 π TFxFI (0, 0) = 2 π E x (71)
∞
I1 = ∫ TFxW − V (t, ω ) dω
−∞
4 Reprezentarea timp frecvenţă de tip Wigner-Ville 67
Se constată că:
∞
∞
τ τ
I 1 = ∫ ∫ x t + x* t − e - j ωτ dτ dω
− ∞
− ∞ 2 2
∞ ∞
τ * τ
I 1 = ∫ x t + x t − ∫ e - j ωτ dω dτ
− ∞
2 2 − ∞
Dar:
∞
∫ e - j ωτ dω = F {1 ( ω )} dτ = 2 π δ( τ )
−∞
De aceea:
∞
τ τ
∫ x t + x* t − δ( τ ) dτ = 2 π x(t)
2
I1 = 2 π
2 2
− ∞
∞
I2 = ∫ TFxW − V (t, ω) dt
−∞
∞
∞
τ τ
I2 = ∫ ∫ x t + x* t − e - j ωτ dτ dt
2 2
− ∞
− ∞
sau schimbând ordinea de integrare:
∞
∞ τ τ
I2 = ∫ ∫ x t + x* t − dt e - j ωτ dτ
2 2
− ∞
− ∞
68 4.2 Proprietăţile reprezentării timp-frecvenţă de tipul Wigner-Ville
τ
t − = u
2
aceasta devine:
∞ ∞
τ τ
∫ x t + 2 x* t − 2 dt = ∫ x* (u) x (u + τ ) du
−∞ −∞
Este vorba despre transformata Fourier a autocorelaţiei semnalului x* (t), care după
cum se ştie reprezintă densitatea spectrală de energie a acestui semnal:
F { x * (u)} (ω )
2
= X* ( − ω ) = X ( − ω ) 2
2
I2 =
∞
τ τ
( TFxW − V (t, ω )) =
*
∫
x* t + x t − e j ωτ dτ
2 2
−∞
u = − τ
se obţine:
4 Reprezentarea timp frecvenţă de tip Wigner-Ville 69
∞
* u u
TFxW − V (t, ω ) = ∫x t + x* t − e j ω u du
−∞
2 2
*
TFxW − V (t, ω ) = TFxW − V (t, ω ) (72)
∞
τ τ
TFxW1x−2 V (t, ω ) = ∫ x1 t + x*2 t − e − j ωτ dτ
− ∞
2 2
∞
τ τ
TFxW2x−1V (t, ω ) = ∫ x 2 t + x1* t − e − j ωτ dτ
−∞
2 2
se obţine:
(73)
+ βα* TFxW2x−1V (t, ω)
∞
* τ τ
TFxW1x−2 V (t, ω ) = ∫ x1* t + x 2 t − e j ω τ dτ
−∞
2 2
∞
* u u
TFxW1x−2 V (t, ω ) = ∫ x1* t − x2 t + e − j ω u du = TFxW2x−1V (t, ω )
−∞
2 2
2
{ }
TFαWx1−+Vβx2 (t,ω) = α 2 TFxW1 −V (t,ω) + β TFxW2 −V (t,ω) + 2 Re α β* TFxW1x−2V ( t,ω) (74)
TFxWk − V ( t, ω ) ≥ 0 , k = 0, 1, 2
Prin aplicarea proprietăţii marginale din domeniul timp se pot scrie relaţiile:
∫ TFx
W −V
k
(t, ω) dω = 2 π x k (t) , k = 0, 1, 2
−∞
În consecinţă:
4 Reprezentarea timp frecvenţă de tip Wigner-Ville 71
I n o = I n1 U I n 2
xo (t, ω) = α TFx1
TFW −V 2
W−V 2
{
(t, ω) + β TFxW2 −V (t, ω) + 2Re α β*TFxW1x−2V (t, ω) } (74)
În exteriorul intervalului In1, funcţia de două variabile TFxW1 −V (t, ω) este nulă iar
semnalul x o (t) este identic cu semnalul βx 2 (t) . De aceea relaţia (74) devine:
{
β TFxW2 −V (t, ω) = β TFxW2 −V (t, ω) + 2Re α β*TFxW1x−2V (t, ω)
2 2
}
În consecinţă:
(∀) t ∉ I n1 , { }
2Re α β*TFxW1x−2V (t, ω) = 0
În exteriorul intervalului I n 2 , TFxW1 − V (t, ω) este nulă iar semnalul x o (t) este identic
cu semnalul αx 1 (t) . De aceea relaţia (74) devine:
{
α TFxW1 −V (t, ω) = α TFxW1 −V (t, ω) + 2Re α β*TFxW1x−2V (t, ω)
2 2
}
De aceea:
(∀) t ∉ {
I n 2 , 2Re α β*TFxW1x−2V (t, ω) = 0 }
Întrucât intervalele I n1 şi I n 2 sunt disjuncte rezultă că:
(∀) t ∈ R , { }
2Re α β*TFxW1x−2V (t, ω) = 0
TF W
xo
−V
(t, ω) = α TFxW1 −V (t, ω) + β TFxW2 −V (t, ω)
2 2
72 4.2 Proprietăţile reprezentării timp-frecvenţă de tipul Wigner-Ville
2 2 2 2 2
X o ( −ω) =α X1 (−ω) +β X 2 (−ω)
sau:
2 2 2 2
Xo ( ω ) = α 2
X1( ω ) + β X 2( ω )
adică:
(αX1( ω ) + βX 2( ω )) (α X 1( ω ) + β X 2( ω ))* = α 2
X1( ω )
2
+β
2
X 2( ω )
2
respectiv:
{
2 Re α β* X1( ω ) X*2 ( ω ) = 0, } ( ∀) ω ∈ R (74)
x t o ,ω o (t) = x(t − t o ) e j ω o t
Aceasta este:
∞
k τ * k τ - j ωτ
TFxWk − V (t, ω ) = k ∫ x k t +
x k t −
e dτ
−∞
2 2
Cu schimbarea de variabilă:
kτ = u
se obţine:
∞ ω
u u -j du
(t, ω ) = k ∫ x k t + x* k t − e
u
TFxW − V k
k
−∞
2 2 k
adică:
74 4.2 Proprietăţile reprezentării timp-frecvenţă de tipul Wigner-Ville
ω
TFxWk − V (t, ω ) = TFxW − V k t, (76)
k
∞
y(t) = x(t) ∗ h(t) ⇒ TFyW − V (t, ω ) = ∫ TFhW − V (t − s,ω ) TFxW − V ( s,ω ) ds (77)
−∞
∞
y(t) = m(t) x(t) ⇒ TFyW−V (t, ω) = ∫ TFmW−V (t, ω − ξ) TFxW−V (t, ξ) dξ (78)
−∞
τ
t1 ≤ t + ≤ t2 ⇔ 2 t1 − 2 t ≤ τ ≤ 2 t 2 − 2 t
2
şi
τ
t1 ≤ t − ≤ t 2 ⇔ 2 t1 − 2t ≤ − τ ≤ 2t 2 − 2t ⇔
2
⇔ 2 t − 2t 2 ≤ τ ≤ 2t − 2t1
adică dacă:
[ ] [
τ ∈ 2t1 − 2t , 2t 2 − 2t ∩ 2t − 2t 2 , 2t − 2t1 ]
4 Reprezentarea timp frecvenţă de tipul Wigner-Ville 75
2t 2 − 2t > 2t − 2t 2 ⇔ t < t 2
sau dacă:
τ τ
TFxW − V (t, ω ) = F x t + x * t - ( ω ) =
2 2
1 τ τ
= F x t + ∗ F x * t - ( ω ) =
2π 2 2
1 τ + 2t τ − 2t
= F x ( ω ) ∗ F x * − ( ω ) =
2π 2 2
=
1
2π [2F{x ( τ + 2t )}( 2ω) ∗ 2F{x ( *
}
τ − 2t ) ( − 2ω ) ] =
=
1
π
[e j 4ωt
X ( 2ω ) ∗ e j 4 ω t X* ( 2ω ) ]
Considerând că suportul frecvenţial al semnalului x(t) este intervalul − ω 1 , ω 1 [ ]
ω1 ω1
rezultă că suportul funcţiei X( 2ω ) este intervalul − , şi deci că suportul
2 2
[ ]
frecvenţial al funcţiei TFxW − V (t, ω ) este intervalul − ω 1 , ω 1 . S-a demonstrat că
reprezentarea timp-frecvenţă de tipul Wigner-Ville conservă şi suportul frecvenţial al
semnalului căruia i se aplică. În consecinţă proprietatea P11 din paragraful 1.2 este
verificată de către reprezentarea timp-frecvenţă de tipul Wigner-Ville. Această
reprezentarea verifică şi proprietatea de unitaritate (formula lui Moyal). Într-adevăr,
ţinând seama de legătura dintre reprezentările timp-frecvenţă de
76 4.2 Proprietăţile reprezentării timp-frecvenţă de tipul Wigner-Ville
tipul funcţie de incertitudine şi Wigner-Ville, relaţia (63) din paragraful 3.1 devine
pentru:
{
F * TFxW1 − V (t, ω ) } (α , β) , F* {TF W− V
x2 }
(t, ω ) (α , β) = x1, x2
2
sau pe baza relaţiei lui Parseval, din cazul transformării Fourier bidimensionale:
x(t) = A cos 2π t 2
Şi asupra acestei proprietăţi a reprezentării sale de tipul Wigner-Ville se va reveni mai
târziu.
Deci reprezentarea timp-frecvenţă de tipul Wigner-Ville nu verifică
proprietatea P13 din paragraful 1.2.
Un semnal determinist staţionar de energie finită poate fi scris în forma:
x s (t) = ∑ an e j ω n t
n
Reprezentarea sa timp-frecvenţă de tipul Wigner-Ville este:
∞ ω + ωm
j (ωn − ωm ) t − j ω − n τ
TFxWs − V (t, ω ) = ∑ ∑ anam e *
∫ e 2
dτ
n m −∞
Deoarece integrala din membrul drept reprezintă transformarea Fourier a semnalului
1 ( τ ) , ultima relaţie se mai scrie:
ωn + ωm
TFxWs − V (t, ω ) = 2π ∑ ∑ a n a*m e j ( ω n − ω m ) t δ ω −
2
n m
77 4 Reprezentarea timp frecvenţă de tipul Wigner-Ville
Reprezentarea timp-frecvenţă
Proprietăţi Funcţie de Wigner-Ville Observaţii
incertitudine
TF FI TF W − V
Liniaritate NU NU
Biliniaritate DA DA
.
Densitate spectrotemporală
de energie (P1) NU DA TFFI( t,ω) este o
reprezentare timp-
frecvenţă corelativă
TFxW − V (t, ω ) este o
Pozitivitate (P3) NU NU
reprezentare timp-
frecvenţă reală
Cauzalitate (P4) NU NU
Inversabilitate (P5) DA DA
.
TFxFIt ,ω (t, ω) =
o o
Invarianţă la translaţii (P6) NU DA
TFxFI (t,ω)
j ωot − j ω t0
e ⋅e
Invarianţă la scalare (P7) DA DA
Convoluţie (P8) DA DA
Modulaţie (P9) DA DA
Unitaritate (P10) DA DA
Conservarea suporturilor NU DA
(P11)
Identificarea staţionarităţii NU NU
(P12)
Concentrare pe legea NU NU
frecvenţei instantanee
4.2 EXEMPLU
Fie semnalul:
x(t) = e − α t cos ω o t
2
ω i (t) = ω o
În continuare se calculează reprezentarea Wigner-Ville a semnalului considerat:
∞ τ2 τ2
− α t + τ − α t −
TFxW − V (t, ω ) = ∫ e 2 cos ω
o t + e 2 ⋅
−∞
2
τ
⋅ cos ω o t − e − j ωτ dτ
2
sau:
− α τ 2 α τ2
− 2α t 2 −
TFxW−V (t, ω) = e −2 α t 2
cos 2ω o t F e 2 ( )
ω +e F e 2 cos ω
o τ
ω2 ( ω− ωo )2 ( ω+ ωo )2
2 π 2 − 1 − 1 −
TFxW−V (t, ω) = e − 2 α t cos 2 ωo t e 2α + e 2α + e 2α
(79)
α 2 2
4 Reprezentarea timp frecvenţă de tipul Wigner-Ville 79
w( τ ) = s ψ ( s ( τ - t))
unde funcţia w(τ ) se numeşte "wavelets mother" iar s este un parametru numit
factor de scară care ţine seama de durata semnalului de analizat. O reprezentare
bidimensională a semnalului x(t), care foloseşte o astfel de fereastră este
transformarea “wavelet”:
∞
CWTx (s, t) = s ∫ x( τ ) ψ ( s ( τ − t)) dτ (80)
− ∞
∞
ω ω
TFxCWT ( ω , t) =
ωo ∫ x( τ ) ψ
ωo
( τ − t) dτ
(81)
− ∞
Folosind notaţia:
ψ s( τ ) = s ψ (s τ )
CWTx (s, t) = x( τ ), ψ s ( τ − t)
Deci pentru fiecare valoare pozitivă a lui s, transformarea "wavelet" a semnalului x(t)
este răspunsul sistemului liniar şi invariant în timp, cu răspunsul la impuls ψ ∨s (t) , la
semnalul x(t). Acest sistem are răspunsul în frecvenţă:
ω
F {ψ s∨ (t)}( ω ) = F {ψ s (t)}( − ω ) = F { s ψ ( − s t)} ( ω ) = F { ψ(t)} −
1
s s
unde cu tσ s-a notat durata ferestrei temporale ψ(τ ), care este o constantă. În
consecinţă localizarea temporală a semnalului x(t) depinde de parametrul s. Banda
ferestrei frecvenţiale este:
∞ ∞
{ } (ω ) ∫ u 2 F{ψ(t)} (u) du
2
∫ω ψ s∨ (t)
2
σω
2
= 2
F dω = s 2
− ∞ −∞
sau:
σω
2
= s2 ω σ 2
(ω o s )
F {ψ s ( τ )}(ω o s ) = F { ψ ( τ )}
1
s s
rezultă că:
ωo s = s ωo
σω ωσ
= = Q
ωo s ωo
{ }
Rezultă că toate filtrele trece-bandă cu răspunsurile în frecvenţă F ψ s (t) ( ω ) au
acelaşi factor de calitate Q, indiferent de s.
∞ 2
ψ(u)
Cψ = ∫ u
du (83)
−∞
∞ 2
ψ(u)
∫ u
du < ∞ (83')
−∞
∞ ∞
∫ ∫ TFxCWT (t, ω)
2
dt dω = C ψ ⋅ E x (84)
− ∞− ∞
∞ ∞
1
x( t ) =
Cψ ∫ ∫ CWTx (s, u) ψ s (t − u) ds du (85)
− ∞− ∞
x t o (t) = x(t − t o )
TFxCWT
t
(t, ω ) = TFxCWT (t − t o , ω )
o
5.3 EXEMPLU
∞
TFxCWT (t, ω) = ω ∫p T ( τ ) ψ (ω ( τ - t)) e j ω1τ dτ
− ∞
ω( τ − t) = u
rezultă:
∞ u
u j ω1 + t
TFxCWT (t, ω) = ( ω)
− 1
∫ pT + t ψ ( u) e ω du =
ω
− ∞
ωT - ωt u
e j ω1t j ω1 e j ω1t u ω
=
ω ∫ ψ( u) e ω du =
ω
F * ψ( u) pT + t 1
ω ω
− ωT - ωt
Prin particularizarea funcţiei ψ(u), analiza din acest exemplu poate fi încheiată.
Se poate totuşi constata că variabilele au fost separate. Comportarea în
domeniul timp este descrisă de exponenţiala complexă e j ω1t . Comportarea în
domeniul frecvenţă este descrisă de transformata Fourier a produsului
u
ψ (u) pT + t .
ω
Capitolul 6
GENERALIZĂRI
{ }
3) ( ∀) ω ∈ R, a → F K(τ , a) (ω ) este măsurabilă şi ∫ F{K(τ, a)}(ω)
2
da= C < ∞
A
atunci se numeşte reprezentarea timp-frecvenţă a semnalului de energie finită x(τ ),
funcţia:
∞
( )
În funcţie de expresia nucleului K x, y se obţin expresiile unor reprezentări
timp-frecvenţă liniare diferite.
Dacă expresia nucleului este:
∞
K 1 ( τ , a ) = w( τ ) e ∫ w( τ )
jaτ 2
, cu dτ = 1, A = R (87)
−∞
6. Generalizări 87
∫ x( τ ) w* ( τ − t) e − j ω
( τ − t)
TFx1 (t, ω ) = dτ = e j ω t ⋅ TFxSTFT (t, ω )
− ∞
Pentru stabilirea ultimei egalităţi s-a folosit relaţia (81) în care s-a considerat că ωo
are valoarea 1.
Deoarece, alegând nucleele pe baza relaţiilor (87) şi (88), se obţin două
reprezentări timp-frecvenţă remarcabile, se poate afirma că definiţia de la începutul
acestui paragraf este consistentă. O reprezentare timp-frecvenţă definită astfel are două
proprietăţi remarcabile:
P1. Pentru orice cuplu de semnale de energie finită x1(t)şi x2 (t), se poate
scrie:
(TF ) (a, b) (TF ) (a, b) da db = c
*
∫
A×R x1 x2 x1 , x 2 L2
(89)
H K = TF {L2 ( R)}
este un spaţiu Hilbert cu nucleu reproducător, [66]. Cu alte cuvinte are loc o relaţie de
tipul:
88 6.1 Cazul reprezentărilor liniare
1
TFf (a, b) = ∫ TFf ( a' , b' ) K ( a, b, a' , b' ) da' db' (90)
c A× R
unde:
K (a, b, a' , b' ) = K ( a, b ) , K ( a' , b' ) .
K 3 ( x, a, b) = K 1 ( x, a ) K 2 ( x, b) = a −1 ψ (a −1 x ) e j b x (91)
∞ ω
-j τ
(t, ω,s) = ∫ f( τ ) ψ ( s ( τ - t)) e
* ωo
TF f
gen
s dτ (92)
−∞
x(t) = ∑c
k
k α k (t) ; ck = x(t), α k (t)
TFx (t, ω ) = x( τ ), K( τ − t, ω ) = ∑c k
k α k ( τ ) , K( τ − t, ω ) =
(93)
= ∑ ck α k ( τ ) , K( τ − t, ω ) = ∑ ck TFα (t, ω )
k k k
Deci reprezentările timp-frecvenţă liniare ale unui semnal de energie finită pot fi
calculate pe baza reprezentărilor timp-frecvenţă ale elementelor bazei B. Dacă
funcţiile α k (t)se obţin prin translatarea unei funcţii generatoare:
α k (t) = α (t − t k )
TFx (t, ω ) = ∑c k (
TFα t − t k , ω ) (94)
k
2π
∑ ck e
jk t
x(t) = T (95)
k
Această exprimare nu este însă cea mai avantajoasă, deoarece deşi exponenţialele
complexe au o localizare perfectă în frecvenţă ele sunt complet nelocalizate în timp.
La fel ca şi în cazul dezvoltării în serie Fourier (în relaţia (95) semnalul x(t) poate fi
T T
prelungit prin periodicitate în exteriorul intervalului − , , ieşind din spaţiul
2 2
T T
H1) şi funcţia TFx (t, ω ) (nulă în exteriorul intervalului − , ) poate fi
2 2
prelungită prin periodicitate după variabila t, cu perioada T. În acest mod se poate
vorbi despre reprezentări timp-frecvenţă liniare ale semnalelor periodice. Acestea vor
fi funcţii periodice de aceaşi perioadă T după variabila t.
Fie de exemplu semnalul periodic:
2π
x(t) = cos t
T
y(t) = (
F {h(t)} (ω o ) cos ω o t + arg F {h(t)} (ω o ) )
În consecinţă reprezentarea timp-frecvenţă liniară generalizată a semnalului
6 Generalizări 91
cosinusoidal este:
{ } ( { }
TFx ( t, ω ) = F K* ( − t, ω ) (ω o ) cos ω o t + arg F K* ( − t,ω ) (ω o ) )
Se constată periodicitatea sa după variabila t, cu perioada T.
În sfârşit, ţinând seama de faptul că definiţia reprezentării timp-frecvenţă
liniară generalizată se bazează pe operaţia de convoluţie în timp (conform relaţiei
(96)) şi că această operaţie este definită şi pentru distribuţii, rezultă că se pot calcula şi
reprezentări timp-frecvenţă liniare ale distribuţiilor.
Astfel reprezentarea timp-frecvenţă liniară generalizată a distribuţiei Dirac
este:
K(u + t, u+t,
' t, ω ) e j ω = K(u, u', 0, 0)
( u − u')
adică:
− j ω ( u − u')
K(u, u', t, ω ) = K(u − t, u'− t, 0, 0 ) e (101)
De aceea se poate scrie:
∞ ∞
τ τ τ τ
TFx (t, ω) = ∫ ∫ K s − t + , s − t − , 0, 0 x s+ x* s − e− j ωτ dτ ds (102)
ctf 2 2 2 2
−∞−∞
sau:
6 Generalizări 93
∞
τ τ τ τ
ctf TFx (t, ω ) = ∫ F K s − t + 2 , s − t − 2 , 0, 0 x s + 2 x* s − 2 (ω ) ds
−∞
Dar:
τ τ τ τ
F K s − t + , s − t − , 0, 0 x s + x* s − ( ω )
2 2 2 2
1 τ τ τ τ
= F K s − t + , s − t − , 0, 0 ( ω ) ∗ F x s + x* s − ( ω)
2π 2 2 2 2
Trebuie observat că:
τ τ
F x s + x * s − ( ω ) = TFxW − V ( s, ω )
2 2
∞
τ τ
Cu notaţia: TFK ( t, ω ) = ∫ K t + , t − , 0, 0 e j ωτ dτ relaţia (103) devine:
2 2
−∞
τ τ τ τ
F K s − t + , s − t − , 0 , 0 x s + x * s − (ω ) =
2 2 2 2
∞
1 τ τ
= ∫ TFxW − V ( s, u ) F K s − t + , s − t − , 0 , 0 (ω − u ) du =
2 π −∞ 2 2
∞
1
= ∫ TF W−V
( s, u ) TFK ( s − t, u − ω ) du
2π −∞
x
f (u, τ) = ∫ ∫ TF (t, ω ) e
K
− j ( ωτ + u t )
dt dω (106)
−∞ −∞
şi:
∞ ∞ ∞
1 τ τ
c t f TFx ( t, ω ) = ∫ ∫ ∫ x s + x * s − e − j( ωτ − u s + u t ) f ( u, τ )dudsdτ
(107)
2 π −∞−∞−∞ 2 2
94 6.2.1 Cazul reprezentărilor timp frecvenţă
P5 f (u, τ) ≠ 0
P6 Toate reprezentările timp-frecvenţă din clasa lui Cohen satisfac
această condiţie. .
P7
u
f (u, τ) = f , k τ , ( ∀) k
k
f (u, τ ) f (u, τ') = f (u, τ + τ')
.
P8
P9
.
P10
f ( ξ, τ ) = 1
P11 ∞
τ
s >
2
⇒ ∫ f (u, τ) e
−∞
jus
du = 0
∞
u
ω >
2
⇒ ∫ f (− u, τ) e
−∞
−j ωτ
dτ = 0
f (u, τ) Denumire
ctf TFx (t, ω ) Proprietăţi
verificate
1 Wigner- ∞ P1, P2, P5,
τ * τ
Ville ∫ x t + x t − e j ωτ dτ P6, P7, P8,
−∞
2 2 P9, P10, P11
.
gramă ∫ x(s) w (s − t) e
−∞
* −j ωs
ds P10
1 t − to
xt (t) = x
o , ao a0 a o
t − to a
a t sTFx t (t, a) = TF
ats x , (108)
o ,a o ao ao
t − to a
a o K (a o u + t o , a o u' + t o , t, a ) = K u, u', ,
ao ao
Fixând variabilele:
t = t o şi a = a o
ultima relaţie devine:
u − t u'− t
K (u, u', t, a ) = a −1 K , , 0, 1
a a
∞ ∞
s − t
ats TFx (t, a ) = ∫ ∫ TS K
W− V
a , a u TFx
( s, u) ds du (109)
−∞−∞
∞
τ τ j ωτ
TS K (t,ω ) = ∫ K t + , t − ,01
, e dτ (110)
−∞
2 2
∞
g(u, ω ) = ∫ TS K (t, ω) e − j u t dt (111)
− ∞
∞ ∞ t
1 1 u 1 u − j u
atsTFx ( t, a ) = ∫ ∫ g(u, ω) X ω − X* ω + e a dudω (112)
a a 2 a 2
− ∞− ∞
2π
jk t
x(t) = ∑ ck e T
k
Se obţine:
98 6.2.2 Cazul reprezentărilor timp-factor de scară
τ τ
TFxW − V (t, ω ) = F x t + x * t − ( ω ) =
2 2
1 τ τ
= F x t + ( ω )∗ F x * t − ( ω )
2π 2 2
Dar:
2π τ
τ jk t+
F x t + (ω ) = F ∑ ck e T 2 =
2 k
jk 2π t + τ jk
2π
t
π
jkT τ
= ∑ ck F e T 2
= ∑ ck e T F e (ω ) =
k k
2π
jk t π
= ∑ ck e T 2π δ ω − k
T
k
şi:
2π τ
* τ − jk t −
F x t − ( ω ) = F ∑ c k e * T 2 =
2 k
2π π 2π
jk τ T 2πδ
π
ω − k
− jk t − jk t
= ∑ c*k e T F e T (ω ) = ∑ c*k e
T
k k
În consecinţă:
2π 2π
jk t π * − jl T t π
TFxW − V (t, ω ) = (2π)∑ ck e T δ ω − k ∗ ∑ cl e
δ ω − l =
k T l T
2π
j( k − l )
T δ
t π
= (2π )∑ ∑ ck cl* e ω − (k + l)
T
k l
Pentru început se justifică această legătură. Fără îndoială că elementul comun cel mai
important pentru cele două teorii este noţiunea de nestaţionaritate. Această observaţie
lasă loc speranţei ca să poată fi caracterizate semnalele nestaţionare aleatoare cu
ajutorul reprezentărilot timp-frecvenţă. S-a văzut deja că deşi cadrul natural al
reprezentărilor timp-frecvenţă este spaţiul semnalelor de energie finită se poate vorbi
despre reprezentări timp-frecvenţă ale unor semnale care aparţin unor clase mai
generale decât L2 ( R ) . În cazul semnalelor deterministe semnificaţia unei reprezentări
timp-frecvenţă era aceea de densitate spectrotemporală de energie. După cum se ştie
realizările unui semnal aleator sunt semnale de energie infinită. De aceea se vor căuta
reprezentări timp-frecvenţă care să poată fi interpretate fizic ca şi densităţi
spectrotemporale de putere.
Întâi de toate se vor identifica elementele din teoria semnalelor aleatoare care
au fost deja utilizate în această lucrare.
Când au fost definite noţiunile de durată şi bandă ale unui semnal, cu scopul
analizei localizării acestuia în planul timp-frecvenţă, au fost folosite formulele:
∞ ∞
∫τ ∫ ω 2 X( ω )
2 2
σ 2t = 2
x( τ ) dτ , σω
2
= dω
−∞ − ∞
2 2
x( τ ) respectiv X( ω )
TFx (t, ω )
Într-adevăr, reprezentarea timp-frecvenţă: poate fi privită ca şi
2πE x
densitate de probabilitate bidimensională deoarece conform proprietăţii P1, are loc
relaţia:
∞ ∞
TFx (t, ω )
∫ ∫ 2 π E x
dt dω = 1
− ∞− ∞
În această interpretare condiţiile proprietăţii P2 sunt proprietăţile marginale
ale unei densităţi de probabilitate bidimensională. În continuare se face o introducere
alternativă a reprezentării timp-frecvenţă de tipul funcţie de incertitudine bazată pe
teoria semnalelor aleatoare inspirată din lucrarea [56]. Să considerăm problema clasică
a testului de ipoteze binare. Pe baza măsurării semnalului recepţionat y(t) se face
ipoteza Ho că s-a transmis doar zgomotul z(t) sau ipoteza H1 că s-a transmis suma
dintre semnalul util xu (t)şi zgomotul z(t). Se poate scrie:
H o , y(t) = z(t)
H , y(t) = x u (t)+ z(t)
1
Semnalul xu (t) este de forma unui semnal generator x(t), dar este caracterizat de un
anumit set de parametrii care îl diferenţiază de semnalul generator. Se doreşte
determinarea parametrilor semnalului xu (t) pentru ca aceasta să fie perfect cunoscut.
Prima sarcină este una de detecţie şi constă în a decide dacă la momentul t este corectă
ipoteza Ho sau H1. Cea de a doua este una de estimare a parametrilor semnalului şi este
condiţionată de faptul că ipoteza H1 a fost reţinută. Se notează cu V vectorul
parametrilor semnalului care trebuie estimaţi. Se poate scrie:
x u (t) = x Vo (t)
Conform teoriei detecţiei optimale, [56], trebuie reţinută ipoteza H1, dacă
cantitatea:
{
max λ( V) = x v , y
V
}
depăşeşte un anumit prag. Cu alte cuvinte trebuie corelată observaţia făcută, y(t), cu
un set de replici ale semnalului x(t) care se diferenţiază între ele prin valorile diferite
ale elementelor vectorului V. Se declară că semnalul căutat este prezent în semnalul
recepţionat dacă cea mai mare valoare a funcţiei de corelaţie astfel obţinută este
superioară unui anumit prag. Intuitiv, această valoare maximă ar trebui să se obţină la
coincidenţa dintre vectorul testat şi valoarea sa adevărată, deoarece atunci corelaţia
6 Generalizări 101
{ }
∧
V = max λ( V) H 1
V
Două exemple simple ale acestei strategii sunt furnizate de radar şi de sonar. În cele
două cazuri, există emisia unui semnal şi recepţia unui ecou. În primă aproximare,
făcând abstracţie de zgomotul aditiv, se poate considera că diferenţa de structură dintre
semnalul emis şi semnalul recepţionat este datorată unei întârzieri de propagare (legată
de distanţa dintre emiţător şi ţintă) şi de efectul Doppler (datorat mişcării relative
dintre emiţător şi ţintă). Astfel, vectorul Vo care parametrizează modificările
semnalului emis x(t) este un vector cu două componente, una care codează
întărzierea şi una care codează efectul Doppler. Dacă se presupune că semnalul emis
este de bandă îngustă şi /sau că viteza relativă este mică (aşa cum este de obicei cazul
în radar), efectul Doppler se traduce printr-o alunecare globală a spectrului semnalului,
decalajul Doppler. Deci transformarea semnalului emis este descrisă de relaţia:
x(t) → x( t − τ ) e j ω t = y(t)
unde τ măsoară întârzierea iar ω decalajul Doppler.
De aceea în acest caz:
∞
λ( V) = x(t), y(t) = ∫ x(t) x* ( t − τ ) e − j ω t dt = TFxFI ( τ , ω )
− ∞
Fie x(t) un semnal aleator de medie nulă care are momente de ordinul 4
nenule. Fie mulţimea de funcţii ortogonale {k t λ ( τ )} t ∈R, λ ∈R . Acestea au
proprietatea:
102 6.3.1 Distribuţii de putere
∞ ∞
∞
L x ( t, λ ) = ∫ x(s) ht* λ (s) ds
−∞
∞ ∞
{
E L x ( t, λ )
2
} = E ∫ ∫ x(s) x * (s') ht* λ (s) ht λ (s') ds ds' =
− ∞ − ∞
∞ ∞
= ∫ ∫ E { x(s) x* (s')} ht* λ (s) ht λ (s') ds ds'
− ∞− ∞
Cu E s-a notat operatorul de mediere statistică.
Dar:
∞ ∞
{
E L x ( t, λ )
2
}= ∫ ∫ rxx (s,s') ht* λ (s) ht λ (s') ds ds'
− ∞− ∞
(113)
∞ ∞ ∞ ∞ ∞ ∞
∫
− ∞− ∞
{
∫ E L x (t, λ )
2
} dt dλ = ∫ ∫ xx ∫ ∫ t λ t λ
− ∞− ∞
r (s,s')
− ∞ − ∞
h *
(s) h (s')dt dλ ds ds'
∞ ∞ ∞ ∞
− ∞− ∞ − ∞− ∞
sau:
∞ ∞ ∞ ∞
În acest mod se poate generaliza de exemplu clasa lui Cohen. Conform relaţiei
(107), forma generală a unei reprezentări timp-frecvenţă din clasa lui Cohen este:
∞ ∞ ∞
1 τ τ ( )
c t f TFx ( t, ω ) = ∫ ∫ ∫ x s + x * s − e − j ωτ − u s+ u t f (u, τ)du ds dτ
2π − ∞− ∞− ∞
2 2
Folosind relaţia:
∞
F ( s − t, τ) = ∫ f (u, τ) e − j u
( t − s)
du = F { f (u, τ)} (t − s)
−∞
ultima relaţie se mai scrie:
104 6.3.1 Distribuţii de putere
∞ ∞
1 τ τ
{ }
E c t f TFx (t, ω ) = ∫ ∫
2 π − ∞− ∞
F( s − t, τ) x s + x * s − e − jωτ dsdτ
2 2
∞ ∞
1 τ τ
c t f TFx (t, ω ) = ∫ ∫ F( s − t, τ) E x s + x * s − e − j ωτ ds dτ
2π − ∞− ∞ 2 2
adică:
∞ ∞
τ τ
{
E c t f TFx (t, ω ) = }1
∫ ∫
2π − ∞− ∞
F ( s − t, τ) rxx s + ,s − e − j ωτ ds dτ
2 2
∞ ∞
∫ ∫ F ( s − t, τ) rxx ( τ) e − j ωτ ds dτ = 2π Px ( ω )
− ∞− ∞
∫ F( s − t, τ) ds = 2π
− ∞
∫ F{ f (u, τ)} (t − s) ds = 2π
− ∞
sau cu schimbarea de variabilă:
t−s = w
se obţine:
∞
∫ F{ f (u, τ)} ( w) dw = 2π
− ∞
2π f (0, τ) = 2π
f (0, τ) = 1
TFx ( t, λ k ) = x(t) ∗ K* ( − t, λ k )
Fiecare dintre acestea este o funcţie de timp parametrizată de valorile λ k ,
K*1( − t, ω k ) = w( −t) e
j ωkt
= w ∨ (t) e j ω k t (115)
ωk = k ωo , k ∈ Z
În consecinţă distanţa dintre frecvenţele centrale a două filtre consecutive este egală cu
ωo. Întrucât toate aceste filtre au aceeaşi bandă la - 3 dB rezultă că factorul lor de
calitate este crescător cu k. În consecinţă selectivitatea acestor filtre creşte odată cu
creşterea frecvenţei lor centrale.
Aducând la intrarea unei astfel de bănci de filtre semnalul de analizat, x(t) , la
ieşirea fiecărui filtru se va obţine câte o secţiune verticală prin reprezentarea timp-
frecvenţă de tipul transformare Fourier scurtă a lui x(t) . La ieşirea filtrului cu numărul
( )
de ordine k se va obţine funcţia TFxSTFT t, k ω o . În cazul reprezentării timp-factor
de scară de tipul "wavelet" expresia răspunsurilor la impuls ale filtrelor din structura
băncii este:
K*2 ( − t, a k ) = (
a k− 1 ψ * − a k− 1 t =) (
a k− 1 ψ ∨* a k− 1 t ) (116)
108 7.1 Discretizarea reprezentărilor liniare
Toate aceste filtre se obţin prin dilatări ale răspunsului la impuls ψ ∨* (t) al filtrului
prototip. Ultima relaţie mai poate fi pusă şi în forma:
K*2 ( − t, sk ) = sk ψ ∨* ( sk t ) ;
1
sk =
ak
TFx ( t m , λ k ) = x(t) ∗ K* ( − t, λ k ) t = tm
(117)
1
TFx ( t, λ ) = ∫ TFx ( t ' , λ ') K ( t, λ , t ' , λ ') dt ' dλ '
c A× R
σt σt σω σω
to − ≤ t m ≤ to + ; ωo − ≤ ω k ≤ ωo +
2 2 2 2
to = σ t ; ω o = σ ω
∞ ∞
TFxSTFT (n to , m ω o ) = ∫ x( τ ) w( τ − n to ) e − j m ωo τ
dτ = ∫ x( τ ) w*n t , m ω
o o
( τ ) dτ
−∞ −∞
Relaţia de mai sus defineşte o reprezentare timp-frecvenţă discretă. Această
reprezentare este descrisă de un operator definit pe L2 ( R ) cu valori în l 2 (Z). În [42]
se demonstrează că acest operator este inversabil şi că operatorul invers este mărginit
dacă:
ω o t o ≤ 2π (118)
∞ ∞
x(t) = ∑ ∑ x( τ ), wm ω o , n t o ( τ ) wm ω o , n t o (t) (119)
m = −∞ n = −∞
adică:
∞ ∞
x(t) = ∑ ∑ TFxSTFT (nt o , mω o ) wmω o , nt o
(t) (120)
m = −∞ n = −∞
Se observă că toate aceste funcţii pot fi generate pe baza funcţiei w(t), prin translatare
şi înmulţire cu exponenţiale complexe. Condiţia (118) care se poate rescrie în forma:
σ t σ ω ≤ 2π
exprimă necesitatea ca fereastra temporală folosită, w(t), să aibă o bună localizare în
planul timp-frecvenţă. De aceea se poate afirma că funcţiile wmω o , nt o (t) reprezintă
atomi timp-frecvenţă.
Relaţia (120) descrie o posibilitate simplă de analiză timp-frecvenţă a
semnalului x(t). Pentru a face această analiză este suficient să se identifice valorile
( )
semnificative ale coeficienţilor TFxSTFT nt o , mω o . Acestea specifică zonele din
planul timp-frecvenţă în care semnalul x(t) are componente semnificative.
E clar că eşantionarea cea mai eficientă corespunde cazului:
ω o t o = 2π
t o = 1, ω o = 2π
112 7.1.1 Discretizarea RTFTFS
{ }
- wm ω o , n t o (t)
m ∈Z, n ∈Z
- bază ortonormală a lui L2 ( R ) ,
- w(t) bine localizată în planul timp-frecvenţă (în aşa fel încât să se poată
alege t o = σ t şi ω o = σ ω ),
sunt contradictorii.
Enunţul acestei teoreme , conform [59], este:
ω o t o = 2π
De fapt acele funcţii w(τ ) care pot genera baze ortonormale ale lui L2 ( R ) au
produsul σtσω infinit.
În sfârşit, paşii de eşantionare ar trebui aleşi astfel încât să fie îndeplinită
condiţia:
ω o t o < 2π
t o = σ t ; ωo = σω ,
π
≤ ω o t o < 2π
2
7 Discretizarea reprezentărilor timp frecvenţă 113
{w }
mω o , nt o ( τ )
m ∈Z, n ∈Z
să fie o bază ortogonală a lui L2 ( R ) nu poate fi verificată
decât de ferestre temporale cu, [42] :
σ t σω = ∞
Această obstrucţie datorată teoremei Balian-Low poate fi evitată dacă se
renunţă la constrângerea ca wmω o , nt o = w(t − n t o ) e − j m ω o t şi dacă exponenţiala
se înlocuieşte cu o funcţie trigonometrică. Procedând în acest mod Coifman şi Meyer
au construit bazele sinusoidale şi cosinusoidale localizate ale spaţiului L2 ( R ) , [96].
Elementele acestor baze sunt numite "funcţiile wavelet" ale lui Malvar, în onoarea lui
Malvar care a introdus aceste funcţii într-un cadru diferit (compresia semnalelor) în
articolul său [93]. Ideea bazelor trigonometrice localizate au fost reluată şi dezvoltată
de către Mladen Wickerhauser în cartea sa [145].
Dacă se renunţă la pretenţia că mulţimea {w }
mω o , nt o ( τ )
m ∈Z, n ∈Z
să
reprezinte o bază ortonormală atunci se poate lucra într-un cadru mai general dat de
teoria cadrelor (frame în limba engleză). Această teorie, elaborată de R.J. Duffin şi
A.C. Schaeffer, [54], este folosită de Ingrid Daubechies în cartea sa [42] pentru a
studia discretizarea reprezentării timp-frecvenţă de tipul transformare Fourier scurtă.
În această lucrare se lucrează în ipoteza că mulţimea {w m ωo , n to ( τ )} m ∈Z, n ∈Z
are
structură de cadru. În continuare se prezintă câteva rezultate remarcabile ale teoriei
cadrelor.
Definiţie Mulţimea de funcţii {g n ( τ )} n ∈Z , elemente ale spaţiului Hilbert H,
se numeşte cadru, dacă există două constante A şi B cu 0 < A ≤ B < ∞ , astfel încât
pentru fiecare f din H să fie îndeplinită condiţia:
∞
∑
2 2 2
A f ≤ f, g n ≤B f
n = −∞
2
∑
2
f, g j = A f (122)
j ∈J
Mai mult, orice element din H poate fi exprimat ca şi combinaţie liniară de elemente
ale cadrului îngust, în forma:
f = A − 1 ∑ f, g j g j (123)
j
Această formulă este foarte asemănătoare cu cea de descompunere a semnalului f într-
o bază ortogonală a spaţiului H. Totuşi trebuie remarcat că din punct de vedere al
transmiterii informaţiei există o deosebire fundamentală între descompunerea într-o
bază ortogonală şi descompunerea într-un cadru îngust. Şi anume, în comparaţie cu
descompunerea într-o bază orotgonală descompunerea într-un cadru îngust este
redundantă. Această comportare se datoreşte faptului că elementele unui cadru îngust
nu sunt ortogonale între ele. Condiţia de ortogonalitate:
1, j = k
g j , gk =
0, in rest
asigură independenţa informaţiei conţinute în elementele gj şi gk dacă j ≠ k.
Datorită acestui fapt descompunerea într-o bază ortogonală poate fi considerată
neredundantă. Partea din informaţia asociată lui f conţinută în gj este descrisă doar de
coeficientul f,gj . În cazul descompunerii într-un cadru îngust partea din informaţia
asociată lui f conţinută în gj este descrisă de mai mulţi coeficienţi ai descompunerii.
Oricărui cadru din H i se poate asocia un operator, numit operator al cadrului
şi notat cu F. Acesta este un operator liniar care asociază spaţiul H spaţiul l2 ( J) cu:
{ }
l 2 (J ) = c = c j
j ∈J
; c 2
= ∑ cj
2
< ∞
j ∈J
7 Discretizarea reprezentărilor timp frecvenţă 115
(F f ) j = f, g j
( ∀) f ∈ H ;
2 2
Ff ≤ B f
Fc* = ∑cj g j
j ∈J
( ) −1 g j
g j = F* F
~
se obţine mulţimea:
{ ~g }
j
j ∈J
∑ f, g j ~
gj = f = ∑ f, ~
gj gj (124)
j ∈J j ∈J
De aceea cadrul ~ { }
gj
j ∈J
este numit cadru dual al cadrului ~
gj { }
j ∈J
.
∑ f, g j g j
j ∈J
∑
2
f = f, g j g j + R f (125)
A + B j ∈J
2
R = Id − F* F
A+ B
Dacă constanta r este de valoare mică atunci eroarea medie pătratică de aproximare a
lui f obţinută prin înlăturarea termenului R f din membrul drept al relaţiei (125) este
r
de valoare f .
2+ r
În consecinţă poate fi utilizată pentru descompunere formula aproximativă:
∑
2
f ≅ f, g j g j (125')
A + B j ∈J
wm , n ( τ ) = wmω o , nt o ( τ )
{
Mulţimea wm , n ( τ ) }
m ∈ Z, n ∈ Z
constituie un cadru , dacă există constantele strict
pozitive A şi B astfel încât:
∞ ∞
∑
2
∫ ∫
2 2
A f(t) dt ≤ f, wm , n ≤ B f(t) dt
− ∞ m, n − ∞
Dacă această condiţie este îndeplinită, atunci orice semnal de energie finită,
f(t), poate fi descompus în forma:
f = ∑ ~
f, wm , n w m, n = ∑ ~
f, w m , n wm , n (126)
m, n m, n
2π
A≤ w 2
≤ B
ωo to
Dar conform teoremei Balian-Low (extinsă la cadre) ferestrele temporale care conduc
la cadre înguste la care se respectă această condiţie nu sunt bine localizate în planul
timp-frecvenţă.
Condiţia:
ω o t o > 2π
{
mulţimea wm , n ( τ ) } m ∈ Z, n ∈ Z poate fi un cadru, ba chiar un cadru îngust, generat
de ferestre temporale w(t) cu o bună localizare în planul timp-frecvenţă. Exemplele de
ferestre temporale care satisfac aceste condiţii sunt prezentate în [42]. Va fi reluat în
continuare doar exemplul ferestrei temporale Gaussiene având în vedere poziţia
privilegiată a acestei ferestre (ea conduce la reprezentarea timp-frecvenţă de tip
Gabor):
τ2
1 −
w( τ ) = 4 e 2
π
Deci, semnalul x(t) poate fi analizat pe baza eşantioanelor reprezentării sale timp-
frecvenţă de tip transformare Fourier scurtă. Pornind de la aceste eşantioane semnalul
poate fi reconstruit. În figura 2.7.1.1 este prezentat un sistem de analiză şi
reconstrucţie al semnalului x(t) bazat pe utilizarea reprezentării sale timp-frecvenţă de
tipul transformare Fourier scurtă.
7 Discretizarea reprezentărilor timp frecvenţă 119
w(-t) w(t) e − jω 0 t
e − jω 0 t δ t0 ( t )
x(t) y(t)
w(-t) w(t)
1 δ t0 ( t )
w(-t) w(t) e jω 0 t
e jω 0 t δ t0 ( t )
Figura 2.7.1.1 Sistem de analiză şi sinteză a semnalelor de energie finită bazat pe utilizarea
reprezentării timp-frecvenţă de tipul transformare Fourier scurtă.
α α
w( τ ) ≤ C 1 + τ2( ) −
2 , F {w( τ )} (ω ) ≤ C 1 + ω 2 ( ) −
2
120 7.1.1 Discretizarea RTFTFS
12
B 2
x( τ ) − ∑ ~
x, wn , m w n, m ≤
A ∫ x( τ ) dτ +
m ω o ≤ Ω0 + ω ε τ > To
(128)
n t o ≤ To + t ε
12
+ ∫ F { x( τ )} ω dω + ε f
2
( )
ω > Ωo
sunt foarte mici. Cum şi ε poate fi oricât de mic rezultă că semnalul x(τ ) poate fi
aproximat oricât de bine în medie pătratică de suma:
∑ ~
x, w m,n w m, n
m ω o ≤ Ωo + ω ε
n t o ≤ To + t ε
Această teoremă este foarte utilă deoarece asigură aproximarea cu o calitate foarte
bună a oricărui semnal de energie finită localizat aproape în întregime într-un domeniu
din planul timp-frecvenţă printr-o sumă (nu serie) de atomi timp-frecvenţă.
Interpretarea grafică a teoremei enunţate mai sus este prezentată în figura 3.7.1.1.
În finalul acestui paragraf , se revine pe scurt la cazul bazelor ortogonale. S-a
afirmat mai devreme că dacă se renunţă la constrângerea ca:
7 Discretizarea reprezentărilor timp frecvenţă 121
wm , n ( t ) = w( t − n t o ) e − j m ω o t
lim a m = − ∞ şi lim a m = + ∞
m→ −∞ m→∞
Se notează:
lm = am + 1 − am
ηm + ηm + 1 ≤ l m
[ ]
Atunci, intervalele a m − η m , a m + η m sunt disjuncte două câte două. Ferestrele
w m (τ ) sunt construite astfel încât să furnizeze o variantă netezită a funcţiilor
indicatoare ale intervalelor [ am ,am + 1] . Se impun condiţiile:
1. 0 ≤ wm ( τ ) ≤ 1
2. wm ( τ ) = 1, dacă a m + η m ≤ τ ≤ a m + 1 − η m + 1
3. wm ( τ ) = 0 , dacă a m − η m ≥ τ sau dacă τ ≥ a m + 1 + η m + 1 .
4. wm ( a m + τ ) = wm − 1( a m − τ ) , dacă τ ≤ η m
2
5. wm ( a m − t) + wm
2
( a m + t) = 1, dacă τ ≤ ηm
2 1 τ − a m
um, n ( τ ) = wm ( τ ) cos π n + (129)
lm 2 lm
ω
s =
ωo
ωo = 1
tσ
sω σ = t σ ω σ
s
Lăţimile de bandă ale celor două celule de rezoluţie sunt: σ şi σ ω1 . Ţinând seama
ω'0
de faptul că acestea reprezintă benzile de trecere a două filtre care au acelaşi factor de
calitate se poate scrie:
ω'0 ω1
=
σ ω' σ ω1
0
adică:
124 7.1.2 Discretizarea reprezentării timp-frecvenţă de tip “wavelet”
ω'0 a o ω'0
=
σ ω' σ ω1
0
de unde rezultă că:
σ ω1 = a o σ ω' (130)
0
Având în vedere invarianţa ariei celulei de rezoluţie şi notând cu σ t o şi σ t1 duratele
celor două celule de rezoluţie în discuţie se poate scrie:
σ t o σ ω o = σ t1 σ ω 1
de unde rezultă că:
σ t0
σ t1 = (131)
ao
Acoperirea planului timp-frecvenţă cu astfel de celule de rezoluţie (pentru ao = 2)
este prezentată în figura 1.7.1.2.
σ t1
σ ω1
ω1
ω0 ' σ ω0 '
σ t0
σ ω' σ ω1
ω 1 − ω'0 = +
0
2 2
σ ω'
ω'0 (a o − 1) = (ao + 1)
0
2
sau:
ω'0 (ao + 1)
= (132)
σ ω' 2 (a o − 1)
0
În consecinţă rezultă că valoarea factorului de calitate al filtrului cu răspunsul în
{ }
frecvenţă F ψ (t) ( ω ) este fixată. La fel şi în cazul reprezentării timp-frecvenţă de
tipul transformare Fourier scurtă şi în cazul reprezentării timp-frecvenţă de tip
“wavelet” se poate vorbi despre o densitate minimă de eşantionare.
Aceasta se obţine şi de această dată dacă coordonatele punctelor în care se
eşantionează sunt tocmai coordonatele centrelor celulelor de rezoluţie (din figura
1.7.1.2).
Legea care descrie repartiţia acestor puncte în domeniul frecvenţă este:
ω m = a o ω m −1 = a om ω'0
t n = na o− m t o
m
−
ψ m, n ( τ ) = ao 2
ψ (a o− m τ − n t o ) (133)
F {ψ( τ )} (ω )
∞ 2
t o ln a o t o ln a o
2π
A ≤ ∫ ω
dω ≤
2π
B
0
şi: (134)
F {ψ( τ )} (ω )
0 2
t o ln a o t o ln a o
2π
A ≤ ∫ ω
dω ≤
2π
B
−∞
Din acest motiv sunt disociate în formula (134) domeniile frecvenţelor pozitive şi
negative. Dacă s-ar fi considerat şi dilatări negative, atunci cele două condiţii de
admisibilitate ((83') şi (134)) ar fi fost identice. În continuarea acestui paragraf se va
presupune că se lucrează cu funcţii ψ(τ ) admisibile. Nu orice alegere a tripletului
(ψ, ao , t o ) conduce la un cadru de funcţii "wavelet", chiar dacă funcţia ψ(τ ) este
admisibilă.
7 Discretizarea reprezentărilor timp frecvenţă 127
Chiar dacă se face o alegere corectă mai rămâne problema determinării marginilor
cadrului.
Următoarea propoziţie este utilă în elucidarea chestiunilor menţionate mai sus.
Propoziţie Dacă ψ şi ao sunt astfel încât:
∞
∑ (
F {ψ} a om ω )
2
inf >0
1 ≤ ω ≤ ao m = − ∞
(135)
∞
∑ (
F {ψ} a om ω )
2
sup <∞
1 ≤ ω ≤ ao m = − ∞
şi dacă:
β(s) = sup ∑ F { ψ} (a om ω ) F { ψ} (a om ω + s)
ω m
descreşte cel puţin la fel de repede ca şi funcţia:
(1 + s ) −(1 + ε ) , ε > 0
{
atunci există o valoare M to astfel încât ψ m , n ( τ ) } m ∈ Z, n ∈ Z să reprezinte un cadru
pentru orice alegere a lui to cu t o < M t o . Pentru to astfel ales marginile cadrului
sunt:
2π ∞ 2
∞
2π 2π
A = inf ∑
t o 1 ≤ ω ≤ ao m = −
F { ψ} ( )
a om ω −
∑ β k β −
to to
k
∞ k= − ∞
k ≠ 0
2π ∞ 2
∞
2π 2π
B = sup ∑ F { ψ} (a o ω ) + ∑
m
β k β − k
t o 1 ≤ ω ≤ ao m = − ∞ k = − ∞ to to
k ≠ 0
2 1
(1− τ 2 ) e − τ
2
ψ( τ ) = 2
(136)
3 4 π
Dacă se roteşte graficul funcţiei ψ(τ ) în jurul axei sale de simetrie se obţine
o suprafaţă care seamănă cu o pălărie mexicană. În tabelul 1.7.1.2 sunt prezentate
{
valorile marginilor cadrului ψ m , n ( τ ) }
m ∈ Z, n ∈ Z
pentru diferite valori ale lui to şi
ao = 2.
to A B
0,25 13,091 14,183
0,5 6,546 7,092
0,75 4,364 4,728
1 3,223 3,596
1,25 2,001 3,454
−
ω 2o
−
τ2
ψ( τ ) = 4
1 e− j ωoτ
−e 2 e 2 (137)
π
În practică se alege:
ωo = 5
Fiind vorba despre o funcţie complexă rezultatul aplicării reprezentării timp-frecvenţă
de tipul "wavelet" bazată pe utilizarea acestei funcţii semnalului x(τ )va fi de forma:
x, ψ m , n
şi
arg { x, ψ m, n } (138)
Figura 2.7.1.2 Sistem de analiză şi sinteză a semnalelor de energie finită bazat pe utilizarea reprezentării
timp-frecvenţă de tipul wavelet.
(
Oricare ar fi ε > 0 , există o mulţime B ε Ω o , Ω1 , T ⊂ R 2 , astfel încât pentru)
orice semnal de energie finită x(t) să aibă loc relaţia:
B
∑ ψ~ n , m ∫ X (ω )
2
x − x, ψ n , m ≤ dω +
( m, n ) ∈ Bε ( Ω o , Ω1 ,T ) A ω < Ωo
sau ω > Ω1 (139)
∫ ( )
2
+ x τ dτ + ε x
τ >T
x ≅ ∑ x, ψ m , n ~
ψ m, n (140)
( m , n ) ∈ Bε ( Ωo , Ω1,T)
Deci în cazul în care sunt satisfăcute condiţiile din teorema enunţată mai sus sistemul
din figura 2.7.1.2 are un număr finit de blocuri constitutive. În acest caz el ar putea fi
utilizat pentru eşantionarea cu reconstrucţie perfectă a semnalului x(t) (care este
localizat aproape total într-un domeniu compact din planul timp-frecvenţă). În acest
sens ar putea fi generalizată teorema de eşantionare a lui Papoulis.
7 Discretizarea reprezentărilor timp frecvenţă 131
De altfel sistemul din figura 2.7.1.2 este foarte sugestiv pentru legătura care există
între teoria eşantionării şi teoria funcţiilor "wavelet". Printre articolele scrise pe
această temă pot fi amintite [28], [29], [3], [111], [11], [70], [71], [72], [73], [74].
Interpretarea grafică a ultimei teoreme enunţate este prezentată în figura
3.7.1.2
( )
m
ψ m , n ( τ ) = 2 2 ψ 2m τ − n , m ∈ Z
132 7.1.2 Discretizarea reprezentării timp-frecvenţă de tip “wavelet”
υ ψ( τ ) = 2 N ψ 2 N τ (141)
Transformatele Fourier ale acestor funcţii sunt:
( υ − 1)
ω
F { υ ψ( τ )} (ω) = 2 N
1
( υ − 1) F {ψ ( τ )} ( υ − 1)
2 N 2 N
adică:
− ( υ −1)
F { υ ψ ( τ)} (ω ) = F {ψ ( τ)} 2 N ω
7 Discretizarea reprezentărilor timp frecvenţă 133
υ ωc = 2 N ω c
Într-adevăr pulsaţiile υ ωc sunt diferite între ele. Selectivitatea funcţiilor
F { υ ψ( τ )} ( ω) este impusă de selectivitatea funcţiei F { ψ( τ )} ( ω ) . Deci
relaţia (141) poate conduce (prin alegerea judicioasă a funcţiei ψ ( τ ) ) la cunoaşterea
unui cadru pe mai multe voci. În figura 4.7.1.2 este prezentată distribuţia punctelor în
care trebuie eşantionată reprezentarea timp-frecvenţă de tip "wavelet" pentru ca
semnalul de analizat să poată fi reconstruit folosind un cadru pe mai multe voci.
Trebuie remarcat faptul că figurile 1.7.1.2, 3.7.1.2 şi 4.7.1.2 pot fi interpretate
şi altfel. Folosind distribuţiile punctelor de eşantionare din aceste figuri pot fi
imaginate procedee de reconstrucţie aproximativă prin interpolarea bidimensională a
reprezentării timp-frecvenţă de tip “wavelet”. În acest context, calitatea reconstrucţiei
se înbunătăţeşte cu cât creşte numărul punctelor de eşantionare utilizate. Acesta este
un argument suplimentar pentru utilizarea cadrelor pe mai multe voci.
Figura 4.7.1.2 Distribuţia punctelor de eşantionare ale reprezentării timp-frecvenţă de tip "wavelet" care
permite reconstrucţia semnalului de analizat cu ajutorul unui cadru pe 4 voci (pe decadă).
134 7.1.2.1 Baze ortonormale de funcţii “wavelet”
După cum s-a arătat deja, analiza cea mai puţin redundantă a unui semnal de
energie finită cu ajutorul atomilor timp-frecvenţă sau timp-factor de scară are loc dacă
aceştia reprezintă elementele unei baze ortonormale a spaţiului L2 ( R ) . În acest
paragraf se prezintă câteva exemple de baze ortonormale de funcţii "wavelet" precum
şi metodele de construcţie ale unor astfel de mulţimi. Bazele ortonormale de funcţii
"wavelet" sunt rezultatul unei lungi evoluţii care a început la sfârşitul secolului al
XIX-lea. În anul 1873, Dubois-Raymond a dat un exemplu de funcţie continuă şi
periodică cu perioada 2π a cărei serie Fourier era divergentă într-un punct dat.
Această observaţie l-a condus pe A. Haar la construcţia, în anul 1909, a unei baze
ortonormale foarte simplă a spaţiului L2[ 0, 1] . El a pornit de la funcţia:
1
1, 0 ≤ τ ≤
2
1
− 1, <τ < 1
ψH(τ) = 2
0, in rest
1
2 τ, 0 ≤ τ ≤ 2
1
ψ F (τ) = 2 − 2 τ, < τ <1
2
0, in rest
m
ψ F m, n ( τ ) = 2
−
2ψ
F (2− m τ − n)
Dezavantajul bazei de tip Schauder este că nu pot fi dezvoltate cu ajutorul său funcţiile
discontinue. În anul 1927 profesorul Ph. Franklin de la M.I.T. a avut ideea să
ortogonalizeze baza lui Faber, folosind procedeul Gram-Schimdt. În acest fel el a
obţinut o bază care combină avantajele bazelor de tip Haar respectiv de tip Faber [95].
Dezavantajul bazei lui Franklin este că elementele sale nu au formă explicită. S. Jafard
a demonstrat în anul 1987 că elementele bazei lui Franklin sunt "aproape" funcţii
"wavelet". Conform aceleiaşi referinţe bibliografice o funcţie de tip "wavelet" are
următoarea definiţie.
∞
F { ψ ( τ )} ( ω )
∫ ω
dω < ∞
−∞
F { ψ( τ )} (0) = 0
ψ m , n ( τ ), ψ m', n' ( τ ) =
1
2π
{ } {
F ψ m , n ( τ ) (ω ), F ψ m', n' ( τ ) (ω ) } (145)
Dar:
m
{ } −
F {ψ} 2− m ω( )
−m
F ψ m , n ( τ ) (ω ) = 2 2 e− j ω 2 n
(
F {ψ} ( v) F * {ψ} 2m − m'v dv )
Cu schimbarea de variabilă:
ω = v − 2kπ
şi cu notaţia:
m − m '= l
se obţine în final:
l π
∞
ψ m , n ( τ ), ψ m', n' ( τ ) = 2 2
1
2π ∫ ∑ F {ψ}(ω + 2 k π ) F {ψ} 2 (ω + 2 k π )
k = − ∞
* l
( )
− π
e (
− j ω n − 2 n' l
) dω
Se face notaţia:
∞
fl (ω ) = ∑ F { ψ} ( ω + 2 k π ) (
F * { ψ} 2l ( ω + 2 k π ) ) (147)
k = −∞
şi se obţine:
l π
1 (
− j ω n − 2l n') dω
ψ m , n ( τ ), ψ m', n' ( τ ) = 2 2
2π ∫ fl (ω ) e (148)
− π
l ω )este o funcţie periodică de perioadă 2π .
unde f(
Se pune condiţia de ortonormalitate (143). Se vor analiza două cazuri.
Cazul I.
m = m'
În acest caz:
l = 0
Funcţia fo (ω )este constantă şi egală cu 1.
Într-adevăr, pentru l = 0 şi n = n pe baza relaţiilor (143) şi (148) se poate
scrie:
π
1
2π −∫π o
f ( ω ) dω = 1
fo(ω ) = 1 ( ∀) ω ∈ R
Cazul II
m ≠ m'
π
fl (ω ) e ( )
1 − j n − 2l n'ω
∫
2π − π
dω = 0
ω
2
∑ F{ψ} l = 1 (151)
l ∈ Z 2
l
( * l
) ( )
∑ F{ψ} 2 (ω + 2 po π) F {ψ} 2 ω = 0, (∀) po nr.intreg impar (152)
l ∈ Z
l ≥ 0
Deci mulţimea {ψ m, n } m ∈ Z, n ∈ Z este bază ortonormală dacă funcţia ψ
satisface condiţiile: (149), (150), (151) şi (152).
Pentru a găsi o astfel de funcţie ψ, în vara anului 1985, Yves Meyer a făcut o
ipoteză "ad-hoc" şi anume:
8π 2π 2π 8π
supp { F{ψ M }} ⊂ −
3
, − ∪ ,
3 3 3
(153)
( )
F {ψ M } ( ω ) F {ψ M } 2l ω = 0 ptr. l ≥ 2 (154)
F {ψ M } ( ω ) F {ψ M } ( ω + 2 k π) = 0 ptr. k ≥ 3 (155)
Într-adevăr:
23− l π 21− l π 21− l π 23− l π
supp { F{ ψ }(2 ω)}
M
l
∈ −
3
, −
3
∪
3
,
3
Dacă:
l ≥ 2
atunci:
23− l π 2π 21− l π
< şi > 0
3 3 3
şi încă:
23− l π 2π 21− l π
− > − şi − < 0
3 3 3
adică:
supp { F{ ψ M }(ω)} ∩ supp { F{ ψ M }(2l ω)} = ∅ , pentru l ≥ 2
140 7.1.2.1 Baze ortonormale de funcţii “wavelet”
{ } {
supp F { ψ M } (ω ) ∩ supp F { ψ M } (ω + 2kπ ) = ∅ }
În acelaşi fel se poate demonstra că pentru k ≤ −3 are loc relaţia:
F{ψ M}( ω) + F{ψ M}( ω − 2π) = 1= F{ψ M}( 2ω) + F{ψ M}( 2ω − 4π)
2 2 2 2
(156)
F {ψ M }( 2ω − 4π ) = F {ψ M }( ω ) (158)
F {ψ M }( ω − 2π ) = F {ψ M }( 2ω ) = 1 − F {ψ M }( ω )
2
(159)
{ } { } {
arg F {ψ M }( ω ) + arg F {ψ M }( 2ω − 4π) − arg F {ψ M }( 2ω ) − }
(160)
{
− arg F {ψ M }( ω − 2π) = π }
Dacă:
7 Discretizarea reprezentărilor timp frecvenţă 141
η
{
arg F { ψ M } ( η) = } 2
atunci condiţia (160) este verificată. Aceasta a fost ideea care a stat la baza soluţiei
date de Yves Meyer în anul 1985. El a considerat o funcţie continuă şi indefinit
2π 4π
derivabilă pe intervalul , , o( ω ) , cu proprietăţile:
3 3
( ) 2π ( ) 4π
1. ( ∀) k ≥ 1 o k = o k = 0
3 3
2π 4π
2. 0 ≤ o( ω ) ≤ 1 ; o = 0 ; o = 1
3 3
2π 4π
F {ψ M }( ω )
2
3. o( ω ) = ; ( ∀) ω ∈ ,
3 3
Folosind relaţiile (187) şi (188) se prelungeşte funcţia o( ω ) la intervalul
8π 2π 2π 8π
− 3 , − 3 ∪ 3 , 3 . În exteriorul acestui interval funcţia se va considera
nulă. Construcţia se încheie punând:
ω
F {ψ M } ( ω ) = e
j
2 o( ω )
Această funcţie nu aparţine doar lui L2 ( R) ci chiar şi clasei lui Schwartz. În [42] este
dat un exemplu de construcţie al funcţiei o(ω ). Transformata Fourier a funcţiei
"wavelets mother", la care se ajunge în această lucrare este:
ω
1 j π 3 2π 4π
e 2 sin υ ω − 1 , ≤ω ≤ ,
2π 2 2π 3 3
ω
F{ψ M } (ω ) = 1 j π 3 4π 8π
e 2 cos υ ω − 1 , ≤ω ≤ ,
2π 2 4π 3 3 (161)
0 , in rest
∑ 4− l( p+1) β (2l ω)
2
= - β( ω ) β* ( ω + 2π ) (165d)
l≥1
Primele două relaţii ((165a) şi (165b)) sunt suficiente pentru determinarea funcţiei
β(ω )(modulo un factor arbitrar de modul unitar, periodic de perioadă 2π ):
ω
j
β( ω ) = β( ω ) e 2 γ ( ω ) cu γ ( ω ) = 1 şi γ ( ω + 2π ) = γ ( ω )
ω p +1 F {ψ L }( ω ) = β( ω )
De aceea se poate afirma că "funcţia" ψ (Lp +1) este o combinaţie liniară de distribuţii
Dirac centrate în multiplii întregi de 1/2. De aceea este clar că funcţia ψ L este o
funcţie "spline". Deci ea este continuă şi derivabilă de p-1 ori (aceste derivate sunt şi
k k + 1
ele continue). Restricţia funcţiei ψ L la intervale de forma , este un
2 2
polinom de grad mai mic sau egal cu p. Mai mult, dacă se face alegerea:
ω
arg {β( ω )} =
2
atunci atât funcţia ψ L cât şi primele sale p derivate sunt cu descreştere exponenţială.
144 7.1.2.2 Conceptul de analiză multirezoluţie
1. K V− 2 ⊂ V−1 ⊂ Vo ⊂ V1 ⊂ V2K
2. ∪ Vm = L2 ( R)
m∈ Z
3. ∩ Vm = { 0}
m∈ Z
4. ( ∀) f ∈ Vo ⇔ f (2m τ ) ∈ Vm
Funcţia ϕ , după cum s-a spus deja, poartă numele de funcţie de scară. În
continuare se prezintă un prim exemplu de analiză multirezoluţie a spaţiului L2 ( R ) .
Exemplul 1. Analiza multirezoluţie de tip Haar:
1, 0 ≤ τ < 1,
ϕH(τ ) =
0, in rest
{
Dacă se analizează mulţimea ϕ H ( τ − n) }n ∈ Z se constată că aceasta este
ortonormală. Pentru a demonstra această afirmaţie se calculează:
7 Discretizarea reprezentărilor timp frecvenţă 145
∞
ϕ H ( τ − n) , ϕ H ( τ − n') = ∫ ϕ H ( τ − n) ϕ*H ( τ − n') dτ
− ∞
rezultă că:
ϕ H ( τ − n) , ϕ H ( τ − n') = 0 dacă n ≠ n
De asemenea:
1
ϕ H ( τ − n) , ϕ H ( τ − n') = ∫ dτ = 1
0
1, n = n'
ϕ m,n ( τ) , ϕ m,n'( τ) = δ[ n − n'] =
0, n ≠ n'
Deci mulţimea {ϕ m, n } n ∈ Z este ortonormată.
Fie semnalul xo (τ )element al spaţiului Vo. Se poate scrie:
xo ( τ ) = ∑ x o ( τ ) , ϕ( τ − n ) ϕ ( τ − n )
n ∈Z
Semnalul:
x m ( τ ) = x o ( 2m τ )
va putea fi scris în forma:
xm ( τ ) = ∑ x o ( τ ), ϕ( τ − n) ϕ(2m τ − n) =
n ∈Z
m
−
= ∑ 2 2 x o ( τ ), ϕ( τ − n) ϕ m , n ( τ )
n ∈Z
Se calculează:
∞
x m ( τ ), ϕ m , n ( τ ) = ∫ x m ( τ ) ϕ*m, n (τ) dτ =
−∞
∞
( ) ( )
m
= ∫ xo 2m τ 2 2 ϕ* 2m τ − n dτ
−∞
Făcând schimbarea de variabilă:
u = 2m τ
se obţine:
∞ m m
− −
x m ( τ ), ϕ m , n ( τ ) = ∫ xo (u) ϕ *
(u − n) 2 2 du = 2 2 x o ( τ ),ϕ ( τ − n)
−∞
De aceea se poate scrie:
xm ( τ ) = ∑ x m ( τ ), ϕ m , n ( τ ) ϕ m , n ( τ )
n ∈Z
1
spaţiului Vo atunci mulţimea F { ϕ(t − n)} ( ω ) este o bază ortonormală
2π n ∈ Z
a spaţiului F Vo.
1
Deci mulţimea F {ϕ( τ − n)} este ortonormală.
2π n ∈ Z
Fie x(τ )un element al spaţiului Vo. Se poate scrie:
∞
x( τ ) = ∑ x( τ ), ϕ( τ − n) ϕ( τ − n)
n= − ∞
Luând în ambii membrii transformata Fourier se obţine:
∞
X( ω ) = ∑ x( τ ), ϕ( τ − n) F { ϕ( τ − n)}
n= − ∞
Dar:
F { x( τ )} , F { ϕ( τ − n)}
1
x( τ ), ϕ( τ − n) =
2π
Deci:
∞
1 1
X( ω ) = ∑ F { x( τ )}( ω ) , F { ϕ( τ − n)} ( ω ) F { ϕ( τ − n)} ( ω )
n= − ∞ 2π 2π
1
Rezultă că mulţimea F { ϕ( τ − n)} ( ω ) este şi completă şi enunţul
2π n ∈ Z
teoremei este demonstrat.
7 Discretizarea reprezentărilor timp frecvenţă 149
π 2
p (ω)
F
sinc τ ←→
2 π π
2
şi că:
1
ψ H ( τ ) = p 1 τ −
2
2
pe baza ultimei propoziţii demonstrate şi pe baza exemplului E1, rezultă cel de al
doilea exemplu de analiză multirezoluţie din acest paragraf.
ϕ P − W ( τ) = sinc ( πτ)
Teorema 3.7.1.2.2 Fiind dată funcţia reală, µ(ω ), continuă pe porţiuni şi baza
ortonormală a subspaţiului Hilbert închis F Vm :
1
2π
{
F ϕ m , o ( τ − n) }
n ∈ Z
şi mulţimea:
150 7.1.2.2 Conceptul de analiză multirezoluţie
1
2π
(
{ }
e j µ ω ) F ϕ m , o ( τ − n) (ω )
n ∈ Z
este o bază ortonormală a unui spaţiu Hilbert.
O demonstraţie a acestei teoreme este prezentată în [75]. Pentru ca mulţimea
1
2π
{
e j µ(ω) F ϕ m , o ( τ − n) (ω ) }
n ∈ Z
să reprezinte baza ortonormală a unui
subspaţiu F Vo, element al unei analize multirezoluţie este necesar ca funcţia µ(ω ) să
satisfacă condiţia:
µ( ω ) = µ( 2m ω ) ( ∀) m ∈ Z (166)
Această condiţie este satisfăcută de exemplu de funcţia:
π
µ( ω ) = ( sgn ω ) −
2
În acest caz se obţine:
(ω )
ejµ = − j sgn ω
De aceea mulţimea
1
2π
{ }
e j µ(ω) F ϕ m , o ( τ − n) (ω )
n ∈ Z
devine de forma:
1
2π
{ {
F H ϕ m , o ( τ − n) (ω ) }}
n ∈ Z
. Cu H s-a notat transformarea Hilbert.
F { ϕ} ( 2ω ) = mo ( ω ) F { ϕ} ( ω )
τ
Demonstraţie. Deoarece spaţiul V- 1 este inclus în Vo, funcţia ϕ , element al lui
2
V- 1 poate fi descompusă în baza lui Vo, în forma:
1 τ 1 τ
ϕ =
2 2
∑ ϕ , ϕ ( τ − n) ϕ ( τ − n)
2 2
n
Se face notaţia:
1 τ 1 1 τ
mo [ n] = ϕ , ϕ ( τ − n) = ϕ , ϕ ( τ − n)
2 2 2 2 2
Trecând ultima relaţie în domeniul frecvenţă, se obţine:
F { ϕ} ( 2ω ) = ∑ mo [ n] e − j ω n F { ϕ} ( ω )
n
F { o ϕ( τ )}( ω ) = ∑ o ϕ( τ ), ϕ( τ − n) e − j ω n F { ϕ} ( ω )
n ∈Z
adică, pe baza relaţiei (167):
∑
1
o ϕ( τ ), ϕ( τ − n) e − j ω n = (168)
n ∈Z m( ω )
se caută condiţiile pentru ca mulţimea { o ϕ( τ − n)} n ∈ Z să fie ortonormată. Se poate
demonstra imediat că:
r 0ϕ 0ϕ ( k ) = δ [ k ] (168'')
Trecând, în domeniul frecvenţă, cu ajutorul transformatei Fourier în timp discret se
obţine:
∑r 0 ϕ 0ϕ
(k ) e − j ω k = 1
k
adică:
∑ F {ϕ} ( ω + 2 k π)
2
= 1 (169)
k
7 Discretizarea reprezentărilor timp frecvenţă 153
Propoziţia 2.7.1.2.2
{
Mulţimea o ϕ( τ − n)
n ∈Z
}
este o bază ortonormală a lui Vo.
F {ϕ} (ω + 2 k π )
2
∑ { o ϕ} (ω + 2 k π) ∑
2
F =
k k m (ω + 2 k π )
2
Ţinând seama de periodicitatea cu 2π a funcţiei m( ω ) , rezultă:
∑ { o ϕ} (ω + 2 k π) 1
2 ∑ F {ϕ} ω + 2 k π
2 2
F = ( )
k m (ω ) k
2
sau ţinând seama de definiţia funcţiei m (ω ) , se obţine:
∑ { o ϕ} (ω + 2 k π)
2
F = 1
k
x( τ ) = ∑ x( τ ), ϕ( τ − k) ϕ( τ − k)
k ∈Z
sau trecând în domeniul frecvenţă:
X( ω ) = ∑ x( τ ), ϕ( τ − k) e − j ω k F { ϕ} ( ω ) = mx ( ω ) F { ϕ} ( ω )
n ∈Z
adică:
X( ω ) = mx ( ω ) m( ω ) F { o ϕ( τ )}( ω )
Revenind în domeniul timp:
x( τ ) = p( τ ) ∗ o ϕ( τ )
unde: p( τ ) ↔ mx ( ω ) m( ω )
154 7.1.2.2 Conceptul de analiză multirezoluţie
p( τ ) = ∑ pk δ ( τ − k)
k
În consecinţă expresia lui x(τ )devine:
x( τ ) = ∑ pk o
ϕ (τ − k)
k
Deci mulţimea considerată este completă.
Cu alte cuvinte oricărei baze ortonormale { o ϕ( τ − n)} n ∈ Z îi corespunde
baza Riesz a lui Vo, {ϕ( τ − n)} n ∈ Z , legătura între aceste mulţimi făcându-se cu
relaţia:
F { ϕ( τ )} ( ω )
F { o ϕ( τ )} ( ω ) = = ∑ F { ϕ} ( ω + 2 k π )
2
m (ω)
2
cu
m (ω) k
De aceea condiţia 5. din definiţia analizei multirezoluţie poate fi generalizată.
Se continuă seria exemplelor de analiză multirezoluţie.
1 + τ , −1 ≤ τ ≤ 0
1ϕ S ( τ ) = 1 − τ , 0 < τ ≤ 1
0, in rest
Mulţimea { 1ϕ S ( τ − n)} n ∈ Z este o bază Riesz a lui Vo.
Într-adevăr:
ω 2
sin 2
1ϕ S ( τ ) ↔ ω
2
7 Discretizarea reprezentărilor timp frecvenţă 155
De aceea:
ω
4
sin + k π
2
∑ F{ϕ S } (ω + 2 k π ) = ∑
2 2
mS (ω ) = (170)
ω
k k + kπ
2
2
Dar m (ω ) este transformata Fourier în timp discret a semnalului
r1ϕS 1ϕS ( τ ) obţinut prin eşantionarea ideală cu pas unitar a autocorelaţie semnalului
1ϕ s ( τ ) . În continuare se calculează r1ϕS 1ϕS [ n] .
∞ 1 0
2
r1ϕS 1ϕS [ 0] = ∫1ϕ S ( τ )
2
dτ = ∫ (1 − τ )2 dτ + ∫ (1+ τ) 2 dτ =
3
−∞ 0 −1
∞ 0
1
r1ϕS 1ϕS [ ± 1] = ∫ 1ϕ S ( τ ) 1ϕ S ( τ + 1)dτ = ∫ (1+ τ) ( − τ) dτ =
6
− ∞ −1
Deci:
mS ( ω ) =
2 2
3
+
6
e(
1 −jω −jω
+e =
2
3
+
1
3
)
cos ω (171)
În consecinţă:
1 2
≤ mS ( ω ) ≤ 1
3
Aşadar mulţimea { 1ϕ S ( τ − n)} n ∈ Z este bază Riesz a spaţiului Vo. Pentru a
determina şi funcţia 1ϕ S0( τ ) trebuie identificată funcţia m S (ω ).
Se va presupune că aceasta este de forma:
mS ( ω ) = a + b e j ω
2
3
+
1
3
cos ω = mS ( ω ) m*S ( ω ) = a + b e j ω ( ) (a + b e − j ω )
adică:
2 2 2
a + b = 3
ab = 1
6
Soluţiile acestui sistem sunt:
1 1 1 1
a= 1 + ; b= 1 −
2 3 2 3
Deci:
1 1 1 1 jω
mS ( ω ) = 1 + + 1 − e
2 3 2 3
În consecinţă:
ω 2
sinc 2
F { 1ϕ S ( τ )} =
1 1 1 1 jω
1 + + 1 − e
2 3 2 3
1ϕ S ( τ )
= ϕH( τ ) ∗ ϕH(τ )
Convoluţionând în continuare cu ϕ H (τ )se obţin noi funcţii de scară (spline de ordin
superior):
2ϕS ( τ ) = 1ϕ S ( τ ) ∗ ϕ H ( τ )
(şi aşa mai departe) care generează noi analize multirezoluţie ale spaţiului L2 ( R ) .
Acestea se numesc analizele multirezoluţie de tip Battle-Lémarié.
Formula generală de calcul este:
m ϕS ( τ ) = m − 1ϕ S ( τ ) ∗ ϕH( τ )
Această formulă poate fi rescrisă în forma:
7 Discretizarea reprezentărilor timp frecvenţă 157
m
m ϕS ( τ ) = 2 m −1
∑ C km m ϕ( 2τ − k)
k= 0
sau în forma [76]:
m
1 − e− j ω
F{ m ϕS } (ω ) =
jω
Funcţia 1ϕS (τ ) este bine localizată în timp dar localizarea sa în frecvenţă
este mai slabă. Convoluţionând de mai multe ori cu ϕ H (τ ) se îmbunătăţeşte
localizarea frecvenţială, dar localizarea temporală se înrăutăţeşte.
În continuare se interpretează noţiunea de analiză multirezoluţie precum şi
cerinţele care intervin în definiţia sa. Să începem cu semnificaţia spaţiilor Vm. Fie
x(τ )un semnal de energie finită şi xm (τ ) proiecţia sa pe spaţiul Vm, element al unei
analize multirezoluţie, indusă de funcţia de scară ϕ . Pe baza teoremei proiecţiei, [99],
se poate scrie:
x − x m , ϕ m ,0 ( τ − n) = 0 ( ∀) n ∈ Z
adică:
x( τ) , ϕ m , 0( τ − n) = x m ( τ ), ϕ m ,0( τ − n) ( ∀) n ∈ Z (172)
2 2
= x( τ) − x m ( τ)
2
em
Dacă este vorba de exemplu de deplasarea unui robot pe urmele unei ţinte în mişcare
atunci din întreaga imagine achiziţionată de robot, acesta are nevoie doar de o anumită
porţiune (cea care conţine imaginea ţintă). Aceasta va putea fi extrasă din imaginea
achiziţionată prin scăderea rezoluţiei acesteia până la nivelul corespunzător
posibilităţii de identificare a unor obiecte cu dimensiuni comparabile cu cele ale ţintei.
Realizarea acordului dintre semnalul de analizat şi rezoluţia necesară aplicaţiei
este foarte importantă pentru aplicaţia avută în vedere deoarece conduce la suprimarea
detaliilor inutile (pentru aplicaţia considerată) din semnalul de analizat. Iată de ce o
primă aplicaţie a analizei multirezoluţie este în compresia semnalelor.
Pe baza relaţiei (173) se constată că semnalul xm (τ ) se obţine prin analiza
semnalului x(τ )bazată pe funcţiile ϕ m ,n (τ ).
Dacă funcţia ϕ(τ )are suport compact (aşa cum este de exemplu cazul funcţiei
ϕ H (τ ) sau al funcţiilor k ϕ S ( τ ), k ∈ Z ) atunci suportul funcţiilor ϕ m ,n (τ ) va fi
de m ori mai scurt. De aceea analiza în spaţiul Vm a semnalului x(τ ) va fi mai
localizată (mai detailată) decât analiza aceluiaşi semnal în spaţiul Vo (pentru
m > 0).Se observă caracterul de "microscop matematic" al analizei multirezoluţie.
În continuare se prezintă modul în care poate fi utilizat conceptul de analiză
multirezoluţie la construcţia bazelor ortonormale de funcţii "wavelet" ale spaţiului
L2 ( R) . În acest scop se detaliază pentru început conceptul de descompunere
ortogonală a acestui spaţiu.
1. m ≠ p ⇒ W m ⊥W p
2. ∪ Wm = L2 ( R )
m ∈Z
7 Discretizarea reprezentărilor timp frecvenţă 159
F { o ϕ}( 2ω ) = mo ( ω ) F { o ϕ( ω )}
ω → 2ω
se poate scrie:
∞
∑ F { o ϕ} ( 2( ω + k π) )
2
= 1
k= − ∞
sau:
∞
∑ F { o ϕ} (ω +
2
k π) mo (ω + k π)
2
= 1
k= − ∞
sau:
∞
∑ F{ o ϕ} (ω + 2 p π) mo (ω + 2 p π)
2 2
+
p= − ∞
∞
∑ F { o ϕ} (ω + (2 p + 1) π) (
mo ω + (2 p + 1) π )
2 2
+ = 1
p= − ∞
∞ ∞
∑ F{ o ϕ}(ω + 2 pπ) ∑ F{ o ϕ}(ω + (2 p + 1)π)
2 2 2 2
mo ( ω ) + mo ( ω + π) =1
p= − ∞ p= − ∞
2 2
mo ( ω ) + mo ( ω + π ) = 1 (175)
Deci răspunsul în frecvenţă al filtrului numeric care face legătura între generatoarele
bazelor ortonormale ale spaţiilor Vo şi V- 1 are proprietatea exprimată de relaţia (175).
În continuare se consideră funcţia:
m1( ω ) = e − j ω mo* ( ω + π ) = 1
F {ψ}(2ω ) = m1( ω ) F { o ϕ} (ω )
τ
Fie W spaţiul vectorial generat de mulţimea ψ − k şi fie:
2 k ∈ Z
W− 1 = W ∩ L2 ( R )
W −1 ⊂ Vo
Pornind de la relaţia:
∞
mo ( ω ) = ∑ mo [ n] e − j ω n
n= −∞
se obţine:
∞
m1( ω ) = e −jω
mo (ω + π ) = e − j ω
*
∑ mo [ n] e j n( ω + π)
n= − ∞
1 τ
{ }
Dar F ψ ( 2ω ) este transformata Fourier a funcţiei ψ .
2 2
De aceea pe baza relaţiei (176) se poate scrie că:
∞
1 τ
ψ = ∑ ( − 1) n − 1 mo [1− n] o ϕ ( τ − n) (177')
2 2 n = − ∞
τ
Pe baza ultimei relaţii se poate afirma că toate funcţiile ψ
2 − k sunt elemente ale
lui Vo. Deci şi combinaţiile lor liniare vor fi elemente ale lui Vo. Dar aceste combinaţii
liniare sunt şi elemente ale lui W-1. Deci:
162 7.1.2.3 Conceptul de descompunere ortogonală
W −1 ⊂ Vo
∑ F{ ψ} ( 2( ω + k π) )
2
S =
k ∈Z
Se poate scrie:
(
m1 ω + (2 p + 1) π ) F{ o ϕ} (ω + (2p + 1) π)
2
∑
2
+
p ∈Z
2
sau pe baza periodicităţii cu 2π a funcţiei m 1(ω ) :
Dar:
m1( ω ) = e − j ω mo* ( ω + π )
2 2 2
= mo ( ω + π )
şi:
(ω + π ) 2
m1( ω + π ) = e − j
2 2
m*o ( ω ) = mo ( ω )
ω
Dacă în relaţia (178) variabila ω se înlocuieşte cu se poate scrie:
2
2
ω
∑ F { ψ } 2 + k π = 1
k
2
adică:
∑ F {ψ } (ω + 2 k π )
2
= 1 (179)
k
S-a demonstrat în acest mod că mulţimea { ψ( τ − n)} n ∈ Z este ortonormată:
ψ( τ − k), ψ ( τ − l) = δ [ k − l ] (180)
u = 2− 1 τ
ultima relaţie devine:
1 τ
În consecinţă mulţimea ψ − k este ortonormată.
2 2 k ∈ Z
Fie xo (τ )un element al lui Vo:
xo ( τ ) = ∑ ao , k o ϕ( τ − k)
k
X o ( ω ) = mx ( ω ) F { o ϕ} (ω )
164 7.1.2.3 Conceptul de descompunere ortogonală
Fie semnalul x −1( τ ) obţinut prin filtrarea semnalului xo (τ )cu filtrul cu răspunsul
în frecvenţă m 1(ω ). Se obţine:
(
+ m1( ω + π ) m*o ( ω + π )∑ F { o ϕ} ω + (2 p + 1)π )
2
∑ F{ψ}(ω + 2 k π) F * { o ϕ} (ω + 2 k π ) = 0
k
π
∑ F {ψ}(ω + 2 k π) F * { o ϕ} (ω + 2 k π) ⋅ e − j( p − q ) ω dω = 0,
1
2π −∫π k
(∀) ( p, q ) ∈ Z × Z
sau:
π
∑ ∫ F {ψ}(ω + 2 k π) F * { o ϕ} (ω + 2 k π ) ⋅ e − j( p − q ) ω dω = 0,
1
2π k −π
(∀) ( p, q ) ∈ Z × Z
Făcând schimbarea de variabilă:
166 7.1.2.3 Conceptul de descompunere ortogonală
u = ω + 2kπ
( 2k +1) π
∑ ∫ F {ψ}(u) F * { o ϕ} (u) ⋅ e − j( p − q ) u du = 0,
1
2π k ( 2k − 1) π
(∀) ( p, q ) ∈ Z × Z
adică:
∞
F {ψ}(u) F * { o ϕ} (u) ⋅ e − j( p − q ) u du = 0
1
2π −∫∞
sau pe baza definiţiei produsului scalar pe L2 ( R ) :
1
2π
[
F {ψ} e − j p u , F { o ϕ} e − j q u ]*
=0, (∀) ( p, q ) ∈ Z × Z
ψ ( τ − p) , o ϕ ( τ − q ) = 0 , ( ∀) ( p, q ) ∈ Z × Z (184)
Dar:
τ τ
ψ − p , o ϕ − q = ψ ( τ − p) , o ϕ ( τ − q )
1
(185)
2 2 2
1 τ 1 τ
ψ − p , oϕ − q = 0 ( ∀) ( p, q ) ∈ Z × Z
2 2 2 2
1 τ 1 τ
De aceea rezultă că mulţimile ψ − p şi o ϕ − q sunt
2 2 p ∈Z 2 2 q ∈Z
ortogonale. Având în vedere că aceste mulţimi reprezintă baze ortonormale ale
spaţiilor W-1 şi V-1 rezultă că aceste două spaţii sunt ortogonale. Deci consecinţa 1. a
propoziţiei 1.7.1.2.3 este demonstrată. Mai rămâne justificarea consecinţei 3.
Fie x−1(τ )proiecţia semnalului xo (τ )din Vo pe spaţiul V-1. Se poate scrie:
7 Discretizarea reprezentărilor timp frecvenţă 167
xo ( τ ) = ∑ ao , k o ϕ( τ − k)
k
şi:
x o ( τ ) = x −1( τ ) + d −1( τ )
Conform teoremei proiecţiei semnalul eroare d −1( τ ) este ortogonal pe spaţiul V-1.
Deci conform consecinţei 1°, d −1( τ ) aparţine spaţiului W-1.
Se poate scrie:
τ τ
∑
1
x − 1( τ ) = x o ( τ ), o ϕ − k oϕ 2 − k (186)
2 k 2
şi:
τ τ
∑
1
d − 1( τ ) = x o ( τ ), ψ − k ψ − k (187)
2 k 2 2
τ τ
xo ( τ ), ψ − k = x − 1( τ ) + d −1( τ ), ψ − k =
2 2
(188)
τ τ τ
= x −1( τ ), ψ − k + d − 1( τ ), ψ − k = d − 1( τ ), ψ − k
2 2 2
τ τ
∑ ∑ ao , l ( τ − l ), o ϕ − k
1
x − 1( τ ) = oϕ oϕ − k (189)
2 2 2
k l
şi:
τ τ
∑ ∑ ao , l ( τ − l ), ψ − k ψ − k
1
d − 1( τ ) = oϕ (190)
2 2 2
k l
Cu notaţiile:
168 7.1.2.3 Conceptul de descompunere ortogonală
τ
∑ ao ,l ( τ − l ), o ϕ − k
1
a − 1,k = oϕ 2
(191)
2 l
şi:
τ
∑ ao ,l ( τ − l ), ψ − k
1
d −1,k = oϕ 2
(192)
2 l
relaţiile (189) şi (190) devin:
τ
∑ a −1,k
1
x − 1( τ ) = oϕ − k (193)
2 2
k
şi:
τ
∑ d −1,k ψ 2 − k
1
d − 1( τ ) = (194)
2 k
x o ( τ ) = x − 1( τ ) + d − 1( τ )
V− 1 ∪ W− 1 = Vo
m (ω ) 2 + m (ω + π ) 2 = 1
o o
2 2
m1( ω ) + m1( ω + π ) = 1 (198)
* *
mo ( ω ) m1 ( ω )+ mo ( ω + π ) m1 ( ω + π ) = 0
unde:
F { o ϕ} ( 2ω ) = mo ( ω ) F { o ϕ} ( ω )
(199)
F { ψ} ( 2ω ) = m1( ω ) F { o ϕ} ( ω )
o ϕ( τ ) ∈ Vo şi o ϕ( 2τ ) ∈ V1
ψ ∈ V1 şi ψ ⊥ Vo
⊥
V1 = Vo ⊕ Wo
w0 ( τ),ψ ( τ − k ) = 0, ∀ k ∈ Z
w0 ( τ) = ∑ c l o ϕ( τ − l)
l
Deci semnalul w o (τ ) aparţine spaţiului Vo. Această afirmaţie contrazice ipoteza
făcută. Deci mulţimea { ψ ( τ − k )} k ∈ Z este completă în Wo. Pe baza relaţiei (181)
se poate afirma că această mulţime este şi ortonormată. În consecinţă ea este o bază
ortonormală a spaţiului Wo.
La fel se poate demonstra că mulţimea {ψ m,n ( τ)} n ∈Z este o bază
ortonormală a spaţiului Wm.
E) Iterând de mai multe ori relaţiile între mulţimi, deja demonstrate, se poate
scrie:
⊥ ⊥ ⊥ ⊥ ⊥
VM = VM − 1 ⊕ WM − 1 = VM − 2 ⊕ WM − 2 ⊕ WM − 1 =...= V0 ⊕ ( ⊕ Wp ) (200)
0≤ p ≤ J
U Vm = L2 ( R)
m∈Z
sau :
⊥
⊕ Wm = L2 ( R)
m∈Z
adică:
U Wm = L2 ( R)
m∈Z
Ţinând seama de faptul că:
W m −1 ⊂ Vm
şi că:
Wm ⊥ Vm
rezultă că:
Wm − 1⊥ Wm
1, 0 ≤ τ < 1,
ϕH(τ ) =
0, in rest
De aceea:
1
1 τ , 0 ≤ τ < 2,
ϕ H = 2
2 2 0, in rest
Se constată că:
7 Discretizarea reprezentărilor timp frecvenţă 173
1 τ 1 1
ϕ H = ϕH(τ) + ϕ ( τ − 1)
2 2 2 2 H
În consecinţă:
1 1
mo H [ n] = δ [ n] + δ [ n − 1]
2 2
respectiv:
1+ e − j ω
mo H ( ω ) =
2
1 τ 1 1
ψ = − ϕ H ( τ ) + ϕ ( τ − 1)
2 2 2 2 H
adică:
1 τ 1 1
ψ = − ϕ H ( τ ) + ϕ ( τ − 1)
2 2 2 2 H
Dar având în vedere că dacă funcţia ψα (τ ) este o funcţie de tip "wavelets mother"
atunci şi funcţia − ψα (τ ) este o funcţie de tip "wavelets mother" rezultă expresia
funcţiei generatoare a descompunerii ortogonale de tip Haar:
1
1, τ ∈ 0, 2 ,
ψH(τ) =
− 1, τ ∈ 1 , 1
2
Se recunoaşte în mulţimea {ψ }
Hm,n ( τ )
n ∈ Z, m ∈ Z
expresia binecunoscutei baze
sin ( 2 π τ ) − sin ( π τ )
ψP W(τ ) =
πτ
δ [k ] ( − 1) k
m o P W [2 k ] = şi mo P W [ 2k + 1] = , k ∈Z
2 (2k + 1) π
ω
4 sin 2
F { o ϕ BL2 }( ω ) =
3 2
2π ω
ω 2 1 + 2 cos 2
2
Pe baza relaţiei:
ω ω
F { o ϕ BL2} (ω ) = m0
2 { o BL2}
F ϕ
0BL 2 2
ω
ω 1 + 2 cos2
mo ( ω ) = cos2 2
oBL 2 2 1 + 2 cos ω
2
de unde:
ω
ω 1 + 2 sin 2
m1 (ω ) = e j ω sin 2 2
oBL 2 2 1 + 2 cos ω
2
7 Discretizarea reprezentărilor timp frecvenţă 175
Din păcate funcţiile ϕ oBL2 (τ )şi ψ BL2 (τ ) nu au reprezentări compacte. Graficele lor
sunt prezentate în figura 1.7.1.2.3.
a) Funcţia de scară.
F { o ϕ} ( 2ω ) = mo ( ω ) F { o ϕ} ( ω ) (205)
2 2
mo ( ω ) + mo ( ω + π ) = 1, ( ∀) ω ∈ R (206)
mo ( 0) = 1 (207)
mo ( π ) = 0 (208)
F { ψ} ( 2ω ) = m1( ω ) F { o ϕ} ( ω ) (209)
unde:
Rezultă:
m1( 0) = mo* ( π ) = 0 (211)
7 Discretizarea reprezentărilor timp frecvenţă 177
şi:
m1( π ) = 1 (212)
F { o ϕ} ( ω )
2
2. ω = 2 kπ = 0; ( ∀) k ∈ Z - { 0} ;
F { o ϕ} (ω )
2
3. ω= 0 = 1;
N
ω ω
F { o ϕ} (ω ) = mo n F { o ϕ} N
2 2
n=1
N
π π
F { o ϕ} ( π ) = mo n F { o ϕ} N
2 2
n=1
π
mo n ≠ 0 , ( ∀) n ∈ N - { 0}
2
F { o ϕ} (0) ≠ 0
π
F { o ϕ} N ≠ 0
2
F { o ϕ}( π ) ≠ 0
∫ τ m ψ( τ ) dτ = 0 , ( ∀) m, m = 0, 1, ..., r (213)
−∞
adică:
F {τ m ψ( τ )} ( ω ) ω= 0 =0
sau:
dm
F {ψ( τ )} ω= 0 = 0 , m = 0, 1, 2, ... , r (214)
d ωm
F { ψ} (0) = 0
ω ω
F {ψ} (ω ) = m1 F { o ϕ}
2 2
7 Discretizarea reprezentărilor timp frecvenţă 179
d ω ω ω d
2
d
dω
{
F { ψ} ( ω ) =}dω
m1 F {ϕ o } + m1
2 2 2 dω
{ F{ϕ o } ω2 }
sau, pentru:
ω = 0
rezultă:
d ω ω
2
d
dω
{{ } }
F ψ ( ω) ω= 0
= m
d ω 1 2 ω= 0
F {ϕ o } (0) + m1(0)
d
dω
F {ϕ o }
2 ω= 0
m 1'( 0) = 0
( )
m1k (0) = 0 , k = 0, 1, ..., r (215)
sau pentru:
ω = 0
m'o ( π ) = 0
( )
mo ( π ) = m'o ( π ) = ... = mor ( π ) = 0 (216)
ω ω
F { o ϕ} ( ω ) = mo F { o ϕ} 2 (217)
2
Pentru:
ω = 2π
se obţine:
F { o ϕ} ( 2π ) = mo ( π ) F { o ϕ} ( π ) = 0
Pentru:
ω = 4π
se obţine:
F { o ϕ} ( 6π ) = mo ( 3π ) F { o ϕ} ( 3π ) = mo ( π) F { o ϕ} ( 3π ) = 0
F { o ϕ} ( 2 k π ) = 0 , ( ∀) k ∈ Z - { 0}
∞
∑ F { o ϕ} ( ω + 2 k π)
2
= 1 (218)
k= − ∞
ω ω
F { o ϕ} ( ω + 2 k π ) = mo + k π F { o ϕ} 2 + k π (219)
2
se obţine:
∞
∑ F { o ϕ} ( k π) = 1
2
mo ( k π )
2
k= − ∞
sau:
∞
∑ F { o ϕ} (2 k π ) +
2
mo (2 k π)
2
k= − ∞
∞
∑ mo ((2 k + 1) π ) F { o ϕ} ((2 k + 1) π) = 1
2 2
+
k= − ∞
Dar:
mo ( (2 k + 1) π) = mo ( π ) = 0
F { o ϕ} (0)
2 2
mo (0) = 1
F { o ϕ} (0) = 1
2
(k)
A. F { o ϕ} (2 p π ) = 0, k = 1, 2, ..., r , p = 1, 2, ...
Pentru:
ω = π
ultima relaţie devine:
F ' { o ϕ} ( 2π ) = 0
182 7.1.2.4. Caracterizarea analizelor multirezoluţie cu ajutorul polinoamelor
Pentru:
ω = 2π
F ' { o ϕ} (2 p π) = 0 , (∀) p ∈ Z - { 0}
dk
{ }
F τ o ϕ(t − τ ) (ω ) = j k
k
d ωk
[ ]
F { o ϕ(t − τ )} (ω ) =
d k −1 d
= j k −1
dω k −1 j d ω e
[
−jωt
]
F { o ϕ} ( − ω )
Dar:
j
d
dω
[ ]
e − j ω t F { o ϕ} ( − ω ) = t e − j ω t F { o ϕ} ( − ω ) − j e − j ω t F ' { o ϕ} ( − ω )
Deci:
d k −1
{ }
F τ k o ϕ(t − τ ) (ω) = j k −1
d ωk −1
[
t e− j ω t F{ o ϕ} (− ω) − j e− j ω t F' { o ϕ} (− ω) (220)]
Eşantionând cu pas unitar semnalul x(t,τ ) după variabila τ se obţine
semnalul: x(t, n) = n k o ϕ(t − n) . Ţinând seama de legătura dintre spectrul unui
semnal în timp discret şi spectrul semnalului analogic prin a cărui eşantionare s-a
obţinut semnalul în timp discret [114], se poate scrie:
∑ n k o ϕ(t − n) e − j n Ω = ∑ F {τ k o ϕ(t − τ )} (ω − 2 p π) ω= Ω
(221)
n p
7 Discretizarea reprezentărilor timp frecvenţă 183
Pentru:
Ω = 0
ultima relaţie devine:
N
1 + e− j ω
mo ( ω ) = P( ω ) (223)
2
∞
ψ( τ ) = 2 ∑ m1[ n] o ϕ ( 2τ − n)
n= − ∞
va conţine un număr finit de termeni nenuli. Deci dacă funcţia o ϕ(τ ) are un suport
compact atunci şi funcţia ψ(τ )are suport compact. Mai mult, se poate afirma că
184 7.1.2.4. Caracterizarea analizelor multirezoluţie cu ajutorul polinoamelor
Dar:
ω
ω
2
−j
−jω e 2 cos
1+ e 2 ω
= = cos
2 2 2
De aceea:
2
1 + e− j ω 1 + cos ω
=
2 2
N
2 1 + cos ω
mo ( ω ) P( ω )
2
=
2
mo ( 0) = 1 ; mo ( π ) = 0
2 2
mo ( ω ) + mo ( ω + π ) = 1
7 Discretizarea reprezentărilor timp frecvenţă 185
Cu notaţia:
1 + cos ω
X =
2
membrul drept al relaţiei (225) devine:
1+ 3 1− 3
α = ; β =
2 2
1 + e− j ω
4 2
* 1+ 3 1 − 3 jω
moD2 ( ω ) moD2 ( ω ) = + e (229)
2 2 2
Există mai multe soluţii pentru această ecuaţie. Una dintre ele este:
1 + e− j ω 1 + 3
2
1 − 3 −jω
moD2 ( ω ) = + e
2 2 2
1 + 3
8 , n = 0
3 + 3
8 , n = 1
3 − 3
moD2[ n] = , n = 2 (230)
8
1 − 3
8 , n = 3
0 , in rest
Deoarece acest filtru a fost proiectat pentru prima dată în [41] şi deoarece el
corespunde cazului N = 2, funcţia "wavelets mother" pe care o generează este notată în
majoritatea lucrărilor DAU2.
Construcţia filtrelor cu răspunsul în frecvenţă m o (ω ) poate fi continuată prin
recurenţă. Dacă se consideră că şi coeficientul α 2 este nenul
( α k = 0 , k = 3,N ), atunci expresia polinomului Q(X) devine:
7 Discretizarea reprezentărilor timp frecvenţă 187
Funcţia de scară asociată va avea regularitatea maximă dacă factorul comun din
membrul drept va fi X3. Deci valoarea lui α 2 ar trebui determinată astfel încât
termenul liber al polinomului:
3 − 2X + α 2 (1− X) 2 (2X − 1)
α2 = 3
Q( X) = X 3(10 − 15X + 6X 2 )
adică:
Coeficienţii acestor filtre, amplificaţi cu 2 , pentru valori ale lui N cuprinse între 2
şi 10, sunt prezentaţi în tabelul 1.7.1.2.4.
Câteva exemple de funcţii de scalare respectiv de funcţii de tipul "wavelets
mother" sunt prezentate în figura 1.7.1.2.4.
Funcţiile "wavelets mother" obţinute astfel au un suport compact (deci
localizare bună în timp) au regularitatea prescrisă de valoarea lui N şi o localizare în
frecvenţă destul de bună. Ele pot fi considerate atomi timp-frecvenţă. Dezavantajul
acestor funcţii este că nu au expresii explicite. Totuşi expresiile lor pot fi determinate
numeric.
În cadrul demonstraţiei propoziţiei 1.7.1.2.4 s-a demonstrat şi relaţia:
N
ω ω
F { o ϕ} ( ω ) = mo n F { o ϕ} N
2 2
n=1
188 7.1.2.4. Caracterizarea analizelor multirezoluţie cu ajutorul polinoamelor
Tabelul 1.7.1.2.4. Coeficienţii filtrelor care generează funcţiile “wavelets mother” propuse de
I. Daubechies
7 Discretizarea reprezentărilor timp frecvenţă 189
Figura 1.7.1.2.4. Funcţiile “wavelets mother” cu suport compact introduse de Ingrid Daubechies
( psi(x)) şi funcţiile de scară corespunzătoare (phi(x)).
190 7.1.2.4. Caracterizarea analizelor multirezoluţie cu ajutorul polinoamelor
∞
ω
F { o ϕ} (ω ) = mo n F { o ϕ} (0)
2
n= 1
sau ţinând seama de faptul că valoarea transformatei Fourier a oricărei funcţii o ϕ(τ ),
în origine este 1 rezultă:
∞
ω
F { o ϕ} ( ω ) = mo n (231)
2
n= 1
ω ω
F {ψ} (ω ) = m1 F { o ϕ}
2 2
∞ ∞
ω ω ω ω
F {ψ} (ω ) = m1 mo n +1 = m1 mo n
2 2 2 2
n= 1 n= 2
Aceste relaţii permit calculul coeficienţilor proiecţiilor x−1(τ )şi d−1(τ )cu
ajutorul coeficienţilor a 0 ,l . Fie x− m (τ ) şi d− m (τ ) proiecţiile semnalului xo (τ ) pe
x− m ( τ ) = ∑ a − m, k ϕ o −m, k
(τ) (237)
k
şi:
d− m( τ ) = ∑ d − m, k ψ − m, k ( τ ) (238)
k
7 Discretizarea reprezentărilor timp frecvenţă 193
a− m ,k = 2 ∑a − m +1,l m *o [ l− 2 k] (240)
l
şi:
d− m ,k = 2 ∑ a− m +1,l m 1* [ l− 2 k] (241)
l
Într-adevăr:
u[ n] = a − m+1[ n] ∗ 2 m0v* [ n] = ∑ a − m + 1[l ] mo* [l − n]
l
Blocul de decimare cu 2 răspunde la semnalul u[ n] cu semnalul u[ 2n] . Deci:
194 7.1.2.5 Algoritmul lui Mallat
m
2m+1 − 1
2 + 2 + 22 + ... + 2m = 1 + ∑ 2k = 1 +
2−1
= 2m+1
k= 0
n
x , nM 2
y[ n] = 2 (243)
0 , in rest
De aceea semnalele u1[ n] şi v1[ n] din figura 3.7.1.2.5 pot fi descrise cu relaţiile:
u1[ n] = 2 ∑ u[ l ] m o [ n − l ] = 2 ∑ u[2 p] m o [n − 2 p] +
l p
+ 2 ∑ u[2 p + 1] m o [n − 2 p − 1] = ∑ a − m [ p] m o [n − 2 p] 2
p p
196 7.1.2.5 Algoritmul lui Mallat
v1[ n] = ∑ d − m [l ] m1[n − 2l ] 2
l
∞
ω
F { ϕ'} ( ω ) = − j ω mo n
2
n= 1
Ţinând însă seama de forma generală a răspunsului m o (ω ):
N
1 + ej ω
mo ( ω ) = P( ω )
2
ultima relaţie devine:
ω N
∞ j ∞
1 + e 2n ω
F {ϕ'} (ω ) = − j ω P n (244)
2 2
n= 1
n= 1
Dar:
ω N
∞ j
1 + e 2n ω N
= sinc (245)
2
2
n= 1
Deci:
∞
ω N ω
F { ϕ'} ( ω ) = − j ω sinc P n (246)
2 2
n= 1
Dar:
7 Discretizarea reprezentărilor timp frecvenţă 199
ω ω
ω − j
N −1
ω N
ω ω N −1
2
sinc
j
− j ω sinc = − j ω sinc sinc = e 2 −e
2 2 2 2
−j ω ω ∞
ω N −1 ω
F {ϕ'} (ω ) = e
j
2 −e 2 sinc P n
2 2
n= 1
ω N −1
∞ j
−j ω ω
j 1 + e 2n ω
F {ϕ'} (ω ) = e 2 −e 2 P n
2 2
n= 1
Folosind notaţia:
N −1
1 + ej ω
1mo ( ω ) = P( ω )
2
se obţine:
−j ω ω ∞
ω
F {ϕ'} (ω ) = e
j
−e 2 n
1mo
2
2
n= 1
−j ω ω
F { ϕ'} ( ω ) = e F { 1ϕ} ( ω )
j
2 −e 2
sau:
1
− 1ϕ τ +
1
ϕ'( τ ) = 1ϕ τ −
2 2
Având în vedere că 1ϕ(τ )este o funcţie de scară rezultă că şi ϕ'(τ ) este o funcţie de
scară. Mai multe despre legătura dintre operatorii de derivare şi conceptul de analiză
multirezoluţie pot fi găsite în [135] şi în [97].
200 7.1.2.7 Variaţiuni pe tema bazelor ortonormate de funcţii “wavelet”
Figura 1.7.1.2.7. Funcţiile de scară şi wavelets mother de tip Symmlet pentru N cuprins între 2 şi 10.
7 Discretizarea reprezentărilor timp frecvenţă 203
mo [ n] = mo [ N − 1 − n]
( N −1)
mo ( ω ) = e − j ω mo ( −ω ) (249)
2
mo ( ω ) = mo ( ω ) m*o ( ω ) = mo ( ω ) mo ( −ω )
N −1
mo* ( ω ) = ∑
n= 0
m*o [ n] e j n ω
Cu notaţia:
N −1
mo* ( ω ) = ∑
n= 0
m*o [ n] e − j n ω
ultima relaţie devine:
mo ( ω ) mo* ( −ω ) = Q( ω ) (251)
Realocarea trebuie făcută în aşa fel încât să fie satisfăcută relaţia (249).
π ≤ ω ≤ 2π
3
o ϕ( τ ) = ∑
n
c1 , n o ϕ 2
τ − n
(252)
ϕ( τ − 1 ) = ∑ c 3
2 , n o ϕ τ − n
o
n 2
Dacă funcţia o ϕ(τ ) ar avea suport compact, atunci secvenţele c1,n şi c2,n ar trebui să
fie de durate finite.
Trecând în domeniul frecvenţă, relaţia (252) devine:
2
2 2 − j ω 3 n
F { o ϕ} ω = ∑ c1, n F { o ϕ} 3 ω 3 e
( )
n
2
(253)
e − j ω F { ϕ} (ω ) = 2 2 − j ω 3 n
o c F { }
∑n 2 , n o 3 3
ϕ ω e
2
u = ω
3
se poate scrie:
3 3
2 F { o ϕ} 2 u = ∑ c1, n e F { o ϕ} (u)
−j u n
n
3
(254)
3 e − j 2 u F { ϕ} 3 u = ∑ c e − j u n F { ϕ} (u)
2 o 2 n
2, n o
Rezultă:
3
∑ c1, n e − j u n F { o ϕ}(u) = e ∑c
j u
2
2, n e−j u n (255)
n n
Dacă secvenţele c1,n şi c2,n ar fi de durată finită, atunci transformatele lor Fourier în
timp discret ar trebui să fie polinoame de variabilă e− ju . Notând polinomul asociat
secvenţei c1,n cu P ( e− ju ) relaţia (255) se scrie:
206 7.1.2.7 Variaţiuni pe tema bazelor ortonormale de funcţii “wavelet”
3
P (e − j u ) Q (e − j u )
j u
= e 2
Q( v)
P( v) =
v3 2
o ϕ( τ ) = ∑a
n
n o ϕ( Nτ − n) (256)
ω
ω
1
F { o ϕ} (ω ) = ∑a F { o ϕ}
−j n
e N
N n
n N
Folosind notaţia:
1
mo ( ω ) =
N
∑a n
n e−j ω n
ω ω
F { o ϕ}( ω ) = mo F { o ϕ} N (257)
N
o m( ω ) = mo ( ω ) mo ( 2ω )
m( ω ) = mo ( ω ) m1 ( 2ω )
1
m( ω ) = m1 ( ω ) m1 ( 2ω )
(258)
2
3 m( ω ) = m1 ( ω ) mo ( 2ω )
unde:
m1 ( ω ) = e j ω m*o ( ω + π ) (259)
2π
M l ,k ( ω ) = m ω + ( k − 1) , l = 1, 4 ; k = 1, 4
l −1
4
să fie unitară pentru orice valoare a lui ω , [32]. Această condiţie poate fi verificată
2 2
prin calcul. (Se foloseşte relaţia: m o (ω ) + m o (ω + π ) = 1).
Funcţia de scară a noii analize multizeroluţie se determină cu formula:
F { n o ϕ} (ω ) = o m (4 − p ω )
p=1
Dar:
o m (4 − p ω ) = m o (2 −2 p ω ) m 2 − ( 2 p −1) ω
o
( )
De aceea:
∞ ∞
F { n o ϕ} (ω ) = m o (2 −2 p
ω) m 2
o
( − ( 2 p −1)
)
ω = m o ( 2 − p ω ) = F { o ϕ n } (ω )
p= 1 p=1
În consecinţă:
no ϕ( τ ) = o ϕ n ( τ ) (260)
{ o ϕ ( 2 p τ − k )} k ∈ Z .
Se constată că este valabilă relaţia:
ω ω
{ }
F ψ l ( ω ) = l m F { o ϕ}
4 4 , l = 1, 3
Pentru l = 1 se obţine:
7 Discretizarea reprezentărilor timp frecvenţă 209
ω ω
F {ψ 1 } ( ω ) = 1 m F { o ϕ} 4
4
ω ω ω
F {ψ 1 } ( ω ) = m1 mo F { o ϕ} 4 (262)
2 4
ω ω
F { o ϕ} ( ω ) = mo F { o ϕ} 2
2
În consecinţă relaţia (262) poate fi rescrisă în forma:
ω ω
F {ψ 1 } ( ω ) = m1 F { o ϕ} 2 (263)
2
Dar acestea sunt tocmai relaţia de definiţie a funcţiei "wavelets mother" asociată
analizei multirezoluţie iniţiale, ψ. În consecinţă:
ψ 1 ( τ ) = ψ ( τ ), ( ∀) τ ∈ R
ω ω
F {ψ 2 } ( ω ) = 2 m F { o ϕ} 4
4
ω ω ω
F {ψ 2 } ( ω ) = m1 m1 F { o ϕ} 4
4 2
adică:
ω ω
F { ψ 2 } (ω ) = m1 F {ψ} (264)
2 2
210 7.1.2.7 Variaţiuni pe tema bazelor ortonormale de funcţii “wavelet”
ω ω
F {ψ 3 } ( ω ) = 3 m F { o ϕ} 4
4
sau:
ω ω ω
F {ψ 3 } ( ω ) = m1 mo F { o ϕ} 4
4 2
adică:
ω ω
F { ψ 3 } (ω ) = mo F {ψ} (265)
2 2
Mulţimile {ψ (4
2
m
τ − k )} k ∈Z generează spaţiul nW2 m, 2 iar mulţimile
{ψ (4
3
m
τ − k) } k ∈Z
generează spaţiul nW2 m, 3.
Funcţiile ψ1 şi ψ2 nu aveau nici o semnificaţie în analiza multirezoluţie
iniţială. Ele sunt însă elementele din noua analiză multirezoluţie iniţială care au
localizarea frecvenţială îmbunătăţită. În cadrul noii analize multirezoluţie se poate
scrie:
V
i 2m = iV 2 m − 2 ⊕ iW 2 m − 2 ⊕ nW m −1,2 ⊕ nW m −1,3
V
i 2m = iV 2 m −1 ⊕ nW m −1,2 ⊕ nW m −1,3
V
i 2 m −1 = nW m −1,2 ⊕ nW m −1,3 (266)
7 Discretizarea reprezentărilor timp frecvenţă 211
Pe baza relaţiei (266) cele două scheme din figura 2.7.1.2.7 pot fi echivalate cu
schema din figura 3.7.1.2.7. Se constată faptul că toate subspaţiile Wm de indice impar
corespunzătoare analizei multirezoluţie iniţială, iW2 m -1, se descompun în câte două
subspaţii corespunzătoare noii analize multirezoluţie nW m -1, 2 şi nW m -1, 3. În timp ce
spaţiile iW2 m -1 sunt generate de baza ortonormală ψ 2 m −1, k ( τ ) { } k ∈Z
, spaţiile nW m -1,
{ψ (43
m −1
τ − k) } k ∈Z
. Pe baza relaţiilor (264) şi (265) se constată că semnalele
τ
ψ2 (τ ) şi ψ3(τ ) se obţin prin filtrarea semnalului ψ folosind filtrele cu
2
ω ω
răspunsurile în frecvenţă m 1 şi m o .Despre funcţia ψ(τ ) s-a presupus mai
2 2
devreme că transformata sa Fourier se concentrează în banda de frecvenţă [ π ,2π] . În
τ
consecinţă spectrul semnalului ψ se concentrează în banda [ 2π ,4π] .
2
212 7.1.2.7 Variaţiuni pe tema bazelor ortonormale de funcţii “wavelet”
ω ω
trece jos respectiv trece sus. De aceea funcţiile mo
2 şi m 1 2 se concentrează în
intervale de forma [ 2 k π , (2 k + 1) π ] respectiv [(2 k + 1) π , (2 k + 2) π ] ,
k ∈ Z . În consecinţă spectrele semnalelor ψ2 (τ ) şi ψ3(τ ) se concentrează în
intervalele: [ 2π , 3π ] respectiv [ 3π , 4π ] . Se constată că lungimea acestor intervale
este egală cu jumătate din lungimea intervalului [ 2π , 4π ] . De aceea se spune că
localizarea frecvenţială a funcţiilor ψ2 (τ )şi ψ3(τ )este de ordinul unei semioctave.
Iată cum pot fi construite noi descompuneri ortogonale ale spaţiului L2 ( R )
bazate pe utilizarea unor funcţii "wavelet" cu localizarea frecvenţială îmbunătăţită.
Subspaţiile Wm de indice par, corespunzătoare analizei multirezoluţie iniţială,
W
i 2n , sunt identice cu subspaţiile nW m -1 corespunzătoare noii analize multirezoluţie.
7 Discretizarea reprezentărilor timp frecvenţă 213
∑ m [ n] m [ n + 2k ] =
1
o o δ [k] (267)
n 2
1 τ
ϕ =
2 2
∑ m [ n] ϕ( τ − n)
n
o (268)
1 τ
Mulţimea ϕ − n este o bază ortonormală a spaţiului V- 1. De aceea se
2 2 n ∈Z
poate scrie:
1 τ 1 τ
ϕ , ϕ − k = δ [k]
2 2 2 2
2 ∑ mo [ n] ϕ( τ − n) , 2 ∑ mo [ p] ϕ( τ − 2k − p) = δ [k]
n p
adică:
∑ m [ n] ∑ m* [ p] ϕ( τ − n) ϕ( τ − 2k − p) =
1
o o δ [k]
n p 2
sau:
∑ m [ n] m* [ n − 2k ] =
1
o o δ [k] (269)
n 2
214 7.1.2.7 Variaţiuni pe tema bazelor ortonormale de funcţii “wavelet”
Dacă se consideră că funcţia m o [ n] este reală atunci se poate afirma că relaţia (267) a
fost demonstrată.
Cel de-al doilea rezultat ajutător se referă la funcţiile:
1 ψ ( τ) = 2 ∑ mo [ n] ψ ( τ − n)
n
2 ψ ( τ) = 2 ∑ ( − 1) n mo [1− n] ψ ( τ − n)
n
Se poate afirma că mulţimea { 1ψ( τ − 2n) ,2ψ( τ − 2n)} n ∈Z este o altă bază
ortonormală a spaţiului Wo.
În continuare se demonstrează această afirmaţie. Pentru început se verifică
ortonormalitatea mulţimii considerate.
Cazul I
= 2 ∑ ∑ mo [ p]m*o [ q] ψ( τ − 2n − p), ψ( τ − 2m − q) =
p q
Cazul II
l = 1− p
ultima relaţie devine:
Deci:
2 ψ ( τ − 2n) , 2 ψ ( τ − 2m) = δ [ m − n]
Cazul III
De fapt:
2 ψ( τ ) = 2 ∑ m1[ n] ψ( τ − n)
n
deoarece:
m1[ n] = ( − 1) n mo [1− n]
De aceea:
Dar:
∑ m [ p] m [ p + 2n − 2m] =
p
o 1 rmo , m1 [2 (n − m)]
rmo , m1 [ 2k ] ↔
1
(m (Ω) m1* (Ω) + mo ( Ω + π) m1* ( Ω + π))
2 o
Dar conform relaţiei (198), membrul drept al ultimei relaţii este identic nul. În
consecinţă:
( ∀) n ∈ Z şi ( ∀) m ∈ Z rmo , m1 [2 (n − m)] = 0
xo ( τ ) = ∑
n
[ c
1 n 1 ψ ( τ − 2n) + 2 cn 2 ψ ( τ − 2n) ]
este un element al lui Wo.
Pe baza relaţiei (269) relaţia (271) devine:
x o ( τ ) = 2∑ 1 c n
n
∑ m [ p] ψ( τ − 2n − p)
p
o +
(272)
+ 2∑ 2 c n
n
∑ (− 1) q mo [1− q] ψ( τ − 2n − q )
q
m2 m
2 1 ψ (2 τ − 2n) , 2 2 2 ψ (2 τ − 2n)
m m
m∈Z, n∈Z
7 Discretizarea reprezentărilor timp frecvenţă 217
m2 m2
2 1 ψ (2 τ − 2n) şi 2 2 ψ ( 2m τ − 2n)
m
n∈Z n∈Z
ψ( τ ) = ψ H ( τ )
1 + 3
, n = 0
8
3 + 3
, n = 1
8
mo D 2 [ n] =
3 − 3
, n = 2
8
1 − 3
, n = 3
8
0 , in rest
Se obţin funcţiile:
1 + 3 1+ 3
D2
ψH(τ) = 2 ψH(τ) + 3 ψ H ( τ − 1) +
1
8 8
3−1 1− 3
+ 3 ψ H ( τ − 2) + ψ H ( τ − 3)
8 8
1 − 3 3−1
D2
ψH(τ) = 2 ψ H ( τ + 2) − 3 ψ H ( τ + 1) +
2
8 8
3+ 1 1+ 3
+ 3 ψH(τ) − ψ H ( τ − 1)
8 8
F { ψ H ( τ )} (ω ) = ∫ d (e − j ω τ ) + d (e − j ω τ ) =
1 1
∫ e − j ω τ dτ − ∫ e − j ω τ dτ = −
0 1/2
jω 0
j ω 1∫/2
1 −j ωτ 1/2 1 1 − j ω2 ω
−j
= − e −e − j ω τ = − e − 1 − e −jω
+ e 2
=
j ω 0 1/2
jω
ω ω
−j −j
1 ω
−j e 2 ω 2e 2 ω
= 1 + e −jω
− 2 e 2
= 2 cos − 2 = cos − 1 =
jω j ω
2
j ω 2
ω ω ω
−j −j ω sin
2e 2 2 ω ω − 4 e 2 ω − j 4 sin ω
= cos − sin 2 − 1 = sin 2 = je 2
jω 4 4 jω 4 ω 4
4
Deci:
ω
ω ω
F { ψ H ( τ )} (ω ) = j e
−j
2 sinc sin (274)
4 4
Pe baza relaţiei (273) se poate scrie:
1− 3 − 1+ 3
2 2
ω ω
F{ D21ψH}( ω) = (1+ 3) 1+
2
cos ω + sin ω sinc sin =
2 1+ 3 1+ 3 4 4 (277)
4− 2 3 1− 3 ω ω
(1+ 3) 1+
2
= +2 cos ω sinc sin
2 4+ 2 3 1+ 3 4 4
7 Discretizarea reprezentărilor timp frecvenţă 221
OBSERVAŢII
1. În cazul în care se doreşte o localizare în frecvenţă şi mai bună, atunci procedura de
descompunere a elementelor descompunerii ortogonale se poate repeta. Spaţiul Wo
poate fi descompus în 2M subspaţii fiecare dintre acestea având baza ortonormală
{ ψ( τ − 2
l
M
n) , l = 1, 2M } n ∈Z
.
2. Funcţiile D 21ψ H (τ ) şi ψ (τ ) sunt cazuri particulare de funcţii de tipul
D 2
2 H
"wavelet packets" introduse de Coifman şi Meyer. Acest tip de funcţii va fi descris
într-un paragraf ulterior.
3. În paragraful 7.1.2.4. a fost formulată condiţia ca o funcţie de tipul "wavelets
mother" să aibă o regularitate impusă pe baza anulării momentelor de ordinul m ale
acestei funcţii, (233):
222 7.1.2.7 Variaţiuni pe tema bazelor ortonormale de funcţii “wavelet”
∫τ
−∞
m
ψ ( τ ) dτ = 0 , m = 1, r (278)
Uneori este important ca şi funcţia de scară ϕ care generează funcţia ψ din relaţia de
mai sus să aibă câteva momente nule.
În acest scop este utilă condiţia:
−∞
∫τ m
ϕ( τ ) dτ = 0 , m = 1, r (279)
x o ( τ ), ϕ( τ − k) = ∫x
−∞
o ( τ ) ϕ( τ − k) dτ (281)
x o ( τ ), ϕ( τ − k) = x o (k) + x (k) ∫ ( τ − k) ϕ( τ − k) dτ + K +
'
o
−∞
( ) ∞
x or (k)
+
r! ∫ ( τ − k)r ϕ( τ − k) dτ + ...
− ∞
7 Discretizarea reprezentărilor timp frecvenţă 223
( ) ∞
x or (k)
x o ( τ ), ϕ( τ − k) = x o (k) +
r! ∫ ( τ − k)
−∞
r
ϕ( τ − k) dτ + ... ≅ x o (k)
xo ( τ ) ≅ ∑x
k
o (k) ϕ( τ − k) (282)
∞
∫ ϕ( τ ) dτ = 1
− ∞
∞
∫ τ ϕ( τ ) dτ = 0, l = 1, L − 1
l
(283)
− ∞
∞
∫ τ l ψ( τ ) dτ = 0, l = 0, L − 1
− ∞
224 7.1.2.7 Variaţiuni pe tema bazelor ortonormale de funcţii “wavelet”
F { ϕ} (0) = 1
l
d
{ }
F { ϕ} ( ω ) = 0, l = 1, L − 1 (284)
d ω
l
dl
{ }
d ω l F { ψ} ( ω ) = 0, l = 0, L − 1
m ( l ) (ω + π ) = 0, l = 0, L − 1
o
mo (0) = 1 (285)
(l)
mo (0) = 0, l = 0, L − 1
Ultima relaţie este identică cu relaţia (223). De aceea vor fi satisfăcute condiţiile
(198). Datorită ultimelor condiţii din relaţia (285), m o (ω ) trebuie să fie în acelaşi
timp de forma:
mo ( ω ) = 1 + (1 − e j ω ) S( ω )
L
(287)
1 + ejω
Q( ω ) = 1 + (1 − e j ) S( ω )
ω L
(288)
2
în care necunoscuta este polinomul S( ω) . Coeficienţii acestui polinom pot fi obţinuţi
pe baza relaţiei (288) prin identificare. În acest mod se obţine un sistem de ecuaţii.
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 ecuaţii.
Aceste sisteme de ecuaţii au fost rezolvate în [43] pentru L cu valori între 2 şi 10.
Rezultatele sunt prezentate în tabelul 2.7.1.2.7 pentru L cuprins între 2 şi 6.
L n m o [ n] L n m o [ n]
2 -2 - 0,51429484095 4 -9 -0.00268241867100
-1 0,238929728471 -8 0.00550312670900
0 0,602859456942 -7 0.01658356047900
1 0,272140543058 -6 -0.04650776447900
2 - 0,051429972847 -5 -0.04322076356000
3 - 0,011070271529 -4 0.28650333527400
3 -5 0.01158759673894 -3 0.56128525687000
-4 -0.02932013797985 -2 0.30298357177300
-3 -0.04763959030976 -1 -0.05077014075500
-2 0.27302104653363 0 -0.05819625076200
-1 0.57468239385412 1 0.02443409432100
0 0.29486719369452 2 0.01122924096200
1 -0.05408560709173 3 -0.00636960101100
2 -0.04202648046079 4 -0.00182045891600
3 0.01674441016291 5 0.00079020510100
4 0.00396788361298 6 0.00032966517400
5 -0.00128920335599 7 -0.00005019277500
6 -0.00050950539899 8 -0.00002446573400
5 -11 0.00063096104600 6 -1 0.02919587949708
-10 -0.00115222485200 0 0.02311077699769
-9 -0.00519452402600 1 -0.01397368789860
-8 0.01136245924400 2 -0.00648008999935
-7 0.01886723537800 3 0.00478300139952
-6 -0.05746423442900 4 0.00172065469983
-5 -0.03965264851700 5 -0.00117582219988
-4 0.29366739089500 6 -0.00045122699996
-3 0.55312645256200 7 0.00021372979998
-2 0.30715732619800 8 0.00009937759999
Tabelul 2.7.1.2.7 Coeficienţii filtrelor generatoare ale funcţiilor de scară respectiv “wavelets
mother” de tip Coiflet
7.1.2.7 Variaţiuni pe tema bazelor ortonormale de funcţii “wavelet”
226
-1 -0.04711273886500 9 -0.00002923210000
0 -0.06803812705100 10 -0.00001507200000
1 0.02781364015300 11 0.00000264080000
2 0.01773583743800 12 0.00000145930000
3 -0.01075631851700 13 -0.00000011840000
4 -0.00400101288600 14 -0.00000006730000
5 0.00089559452900
6 -0.00041650057100
7 -0.00018382976900
8 0.00004408035400
9 0.00002208285700
10 -0.00000230494200
11 -0.00000126217500
6 -15 -0.00014996379998
-14 0.00025356119998
-13 0.00154024569985
-12 -0.00294111079971
-11 -0.00716378189928
-10 0.01655206639835
-9 0.01991780429801
-8 -0.06499726279350
-7 -0.03680007359632
-6 0.29809232347019
-5 0.54750542934525
-4 0.30970684896903
-3 -0.04386605079561
-2 -0.07465223889254
Tabelul 2.7.1.2.7 (continuare) Coeficienţii filtrelor generatoare ale funcţiilor de scară respectiv
“wavelets mother” de tip Coiflet.
Într-un paragraf anterior s-a vorbit despre cadrul dual unui cadru dat. La fel se
poate vorbi şi despre baza Riesz duală unei baze Riesz date. Baza Riesz
{ d ϕ( τ − n)} n ∈ Z se zice că este duală bazei Riesz {ϕ( τ − n)} n ∈ Z , dacă:
ϕ( τ − l), d ϕ( τ − k) = δ [l, k ] , ( ∀) (l, k) ∈ Z × Z
Fie:
F {ϕ(τ )} ( ω)
F { d ϕ(τ )} ( ω) = 2 (289)
m (ω )
{ ϕ (τ − l)} l ∈Z
, în Vo.
∞
F * {ϕ}(ω )
∫ F {ϕ}(ω)
1
ϕ( τ − l), d ϕ( τ − k) = e − j ω ( l − k ) dω
2π − ∞ m( ω )
2
(2n + 1) π
F {ϕ}
2
∞
∑
1
ϕ( τ − l), d ϕ( τ − k) = ∫ e − j ω ( l − k ) dω
2π n = − ∞ (2n − 1) π m( ω )
2
u = ω − 2nπ
π
F {ϕ}(u + 2nπ )
2
∞
∑
1
e − j ( u+ 2nπ ) ( l − k ) du
2π −∫π
ϕ( τ − l), d ϕ( τ − k) =
m(u + 2nπ )
2
n= −∞
2
Ţinând seama de periodicitatea cu perioadă 2π a funcţiei m (u) şi a exponenţialei
complexe, ultima relaţie devine:
∞
∑ F {ϕ}(u + 2nπ)
2
π
1 n= − ∞
e − j u ( l − k ) du
2π −∫π
ϕ( τ − l), d ϕ( τ − k) = 2
m(u)
2
În sfârşit, ţinând seama de definiţia funcţiei m (u) , ultima relaţie devine:
π
1 ( l − k)
ϕ( τ − l), d ϕ( τ − k) =
2π ∫ eju du
− π
ϕ(τ − l),dϕ(τ − k) = δ [ k − l]
a−1[ n] = ( ao [ n] ∗ m o [ n] )
n→ 2n
= ∑ a [ l]
o m o [ 2n − l]
l
(290)
d [ n] = ( a [ n] ∗ m [ n] )
−1 o 1 n→ 2n
= ∑ a [ l]
o m 1[ 2n − l]
l
ao [ n] = 1a−1[ n] ∗ m
~ [ n] + d [ n] ∗ m
o 1 −1
~ [ n] =
1
= ∑ 1 −1a [ k] m
~ [ n − k] + d [ k] m
o 1 −1
~ [ n − k] =
1 (291)
k
= ∑ a [ p] m~ [ n − 2p]
−1 o + d−1[ p] m
~ [ n − 2 p]
1
p
sau ţinând seama de relaţia (290), ultima relaţie se mai poate scrie:
ao [ n] = ∑ m~ [ n − 2p] ∑ a [ l] m [ 2p − l]
o o o
~ [ n − 2 p]
+ m 1 ∑ a [ l] m [ 2p − l]
o 1
p l l
sau:
ao [ n] = ∑ a [ l] ∑ m~ [ n − 2p] m [ 2p − l]
o o o
~ [ n − 2 p] m [ 2 p − l]
+ m 1 1
l p
Folosind notaţia:
m [ n − l] = ∑ m~ [ n − 2p] m [ 2p − l]
o o
~ [ n − 2 p] m [ 2 p − l]
+ m 1 1
p
ao [ n] = ao [ n] ∗ m [ n]
m [ n] = δ [ n]
adică:
∑ m~ [ n − 2p] m [ 2p − l]
o o
~ [ n − 2 p] m [ 2 p − l] = δ [ n − l]
+ m 1 1 (291')
p
sau:
∑ m~ [ 2p − n] m [ 2p − l]
∨
o o
~ ∨ [ 2 p − n] m [ 2 p − l] = δ [ n − l]
+ m 1 1 (292)
p
232 7.1.2.8 Baze biortogonale de funcţii “wavelet”
A −1( z2 ) = ∑a −1
[ n] z−2n = ∑ ( a [ n] ∗ m
o o
[ n] )
n→ 2n
z−2n
n n
Fie:
ao [ n] ∗ m o [ n] n→2n
= a[ 2n]
a [ n] + ( −1) n a [ n] − n
∑ a [ 2n] z ∑ ( A (z) + A (− z)) =
1
A −1( z ) =
2 −2n
= z =
n n 2 2
La fel se poate calcula şi D −1(z2 ). Condiţia (289) este deci echivalentă cu:
( A o (z)M o (z) + A o (− z)M o (− z))
2 1
A −1(z ) =
2
(293)
( A o (z)M 1(z) + A o (− z)M 1(− z))
2 1
D −1(z ) = 2
A o (z) = ∑ ∑ a [ p] m~ [ n − 2p]
−1 o + d−1[ p] m
~ [ n − 2 p] z− n =
1
n p
= ∑ a [ p] ∑
−1
~ [ n − 2 p] z− n + d [ p]
m o −1 ∑ m~ [ n − 2p]
1 z− n =
p n n
= ∑ a [ p] z
−1
−2p
M o (z)+ d−1[ p] z−2p M 1(z) = A −1(z2 )M o (z)+ D −1(z2 )M 1(z)
~ ~ ~ ~
p
~ ~
A o (z) = A −1(z2 )M o (z)+ D −1(z2 )M 1(z) (294)
∑z −2p
M o (z)m o [ 2 p − l] + z−2p M 1(z)m 1[ 2 p − l] = z− l
~ ~
p
sau:
M o (z)∑ m o [ 2 p − l] z−2p + M 1(z) ∑ m 1[ 2 p − l] z−2p = z− l
~ ~
p p
adică:
M o (z)∑ m o [ 2 p − l] z−( 2p− l) + M 1(z) ∑ m 1[ 2 p − l] z− ( 2p− l) = 1
~ ~
p p
sau:
~ ~
M o (z)M o (z2 ) + M 1(z) M 1(z2 )= 1 (295)
respectiv:
[
1 ~
2
~
(
M o (z) ( M o (z)+ M o ( − z) ) + M1(z) M1(z)+ M1( − z) = 1 )] (296)
ultima relaţie este satisfăcută şi dacă se respectă condiţiile:
M o (z)M
~ ~
o (z) + M 1(z)M 1(z) = 2
(297)
M (− z)M ~ ~
o o (z) + M 1(− z)M 1(z) = 0
m o (ω )m~ (ω ) + m (ω )m~ (ω ) = 2
o 1 1
(298)
m o (ω + π )m
~ (ω ) + m (ω + π )m
o 1
~ (ω ) = 0
1
− m o (ω + π )m o (ω )m~ (ω ) − m (ω + π )m (ω )m
~ (ω ) = − 2m (ω + π )
o o 1 1 o
m o (ω + π )m o (ω )m
~ (ω ) + m (ω )m (ω + π )m
o o 1
~ (ω ) = 0
1
~ (ω )( m (ω )m (ω + π )− m (ω + π )m (ω )) = − 2m (ω + π )
m 1 o 1 o 1 o
sau:
~ (ω ) = − 2 m o (ω + π )
m 1
m o (ω )m 1(ω + π )− m o (ω + π )m 1(ω )
−m 1(ω + π )m o (ω )m ~ (ω ) − m (ω + π )m (ω )m
~ (ω ) = − 2m (ω + π )
o 1 1 1 1
m o (ω + π )m 1(ω )m
~ (ω ) + m (ω + π )m (ω )m
o 1 1
~ (ω ) = 0
1
~ (ω ) = − 2 m 1(ω + π )
m o
m o (ω + π )m 1(ω ) − m 1(ω + π )m o (ω )
m 1(ω ) = e− jω m o* (ω + π )
atunci:
m o (ω + π )m 1(ω ) − m 1(ω + π )m o (ω ) =
2 ( )
= e− jω m o (ω + π ) − e− j ω+ π m *o (ω )m o (ω ) =
(
= e− jω m o (ω + π ) + m o (ω )
2 2
)
Soluţiile sistemului devin în acest caz:
7 Discretizarea reprezentărilor timp frecvenţă 235
~ (ω ) = 2 ejω m o (ω + π )
m 1 2 2
m 1(ω ) + m o (ω + π )
~ (ω ) = - 2 e j ω m1( ω + π )
mo 2 2
mo ( ω ) + m1( ω + π )
~ ( ω ) = 2 e j ω m ( ω + π ) = 2 m* ( ω )
m1 o 1
În acest caz sistemul din figura 1.7.1.2.8 se reduce la cel din figura 5.7.1.2.5.
Pentru obţinerea funcţiilor "wavelets mother" cu suport compact sunt
interesante sistemele (cu răspuns în frecvenţă m o (ω ), m 1(ω ), m ~ (ω ) şi m
o
~ (ω ))cu
1
răspuns finit la impuls. De aceea în continuare funcţiile m o (ω ), m 1(ω ), m ~ (ω ) şi
o
~ (ω )vor fi considerate polinoame în variabila ejω .
m 1
În relaţiile (297) şi (298) au fost obţinute sistemele de două ecuaţii cu patru
necunoscute. Pentru rezolvarea acestora trebuie impuse încă două condiţii. În
continuare se fac câteva observaţii asupra sistemelor de ecuaţii obţinute. Pe baza
primei ecuaţii din sistemul descris de (297) se constată că polinoamele M o (z) şi
M 1(z) nu pot avea rădăcini comune. Pe baza celei de a doua ecuaţii se constată că
~ ~
perechile M o (− z) şi M 1(z) respectiv M 1(− z) şi M o (z) trebuie să aibă rădăcini
~ ~
comune. De aceea polinoamele M o (z)şi M 1(z)ar putea avea forma:
M~
(z) = M 1(− z)R (z)
o
(299)
M~
1(z) = M o (− z)R (z)
Cu această alegere prima ecuaţie din relaţia (297) devine:
236 7.1.2.8 Baze biortogonale de funcţii “wavelet”
sau:
M o (z)M 1(− z) + M 1(z)M o (− z) = 2 R −1(z) (301)
Dar membrul stâng (fiind un polinom în z) nu poate avea poli diferiţi de 0. De aceea
polinomul R(z) nu poate fi decât de forma:
R (z) = α zk
M~
(z) = α zk M 1(− z)
o
(303)
M~
1(z) = α z M o (− z)
k
M (z)M (− z) + M (z)M (− z) = 2 α −1 z− k
o 1 1 o
~
M o (z) = α zk M 1(− z) (304)
~
M 1(z) = α z M o (− z)
k
∑m o
[ n] zn = − ∑ m 1[ n] ( −1) z− n
n n
De aceea rezultă:
(306)
m
~ [ n] = ( −1) n+1 m [ n]
1 o
adică:
Dar:
m o [ n] ∗ ( −1) n m 1[ n] = ∑m o
[ k] ( −1) n− k m 1[ n − k]
k
n− k = p
m o [ n] ∗ ( −1) n m 1[ n] = ∑ m [ n − p] ( −1)
o
p
m 1[ p]
p
iar:
m 1[ n] ∗ ( −1) n m o [ n] = ∑ m [ p] ( −1)
1
n− p
m o [ n − p]
p
∑[( −1) p
+ ( −1) n− p ] m o [ n − p] m 1[ p] = − 2 δ [ n] (309)
p
m 1[ p] = ( −1) p+1 m
~ [ p]
o
n = 2q
ultima relaţie ia forma:
∑ m [ 2q − p] m~ [ p]
o o = δ [ q]
p
n = p− 2 q
obţinem :
∑m o
~ [ n+ 2q] = δ [ q]
[ −n] m o (311)
n
N2
M o (z) = ∑m o [ n] z− n = z− N 2 p(z)
n= N 1
(312)
~
N2
~
∑ m~
~
M o (z) = o
[ n] z− n = z− N 2 q(z)
~
n= N 1
~ ~
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)
adică:
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)
− N2 = N1
( )
~ ~
z N1 − N2 p(z) q(z) + ( − 1) N2 − N2 p( − z) q( − z) = 2 (315)
~ ~
Se poate demonstra că diferenţele N 2 − N 1 şi N 2 − N 1 trebuie să fie numere
impare, [31].
În consecinţă, există filtre cu răspuns finit la impuls funcţie reală, simetrice care pot fi
folosite în schema din figura 1.7.1.2.8. Pentru construcţia lor pot fi utilizate relaţiile
deduse în introducerea în acest capitol.
240 7.1.2.8 Baze biortogonale de funcţii “wavelet”
{W
~
m } m ∈ Z , generate de funcţiile de scară ϕ şi ϕ . Fie spaţiile W
~
m
~
şi W m constituite
~
ca şi complemente (neortogonale) ale spaţiilor V m şi V m :
V m = V m −1 ⊕ W m −1
(318)
~ ~ ~
V m = V m −1 ⊕ W m −1
Cele două analize multirezoluţie se numesc duale dacă sunt îndeplinite condiţiile:
~ ~
V m ⊥ W m şi W m ⊥ V m (319)
Pentru m '> m
~ ~
W m ⊂ V m ⊥ W m'
Deci:
~
W m ⊥ W m'
În continuare se lucrează în ipoteza că se respectă condiţia de dualitate.
Condiţia (318) se mai exprimă şi în forma:
ϕm ,k ,ψm ,l = 0 şi
~ ~
ψ m ,k ,ϕ m ,l = 0 (321)
7 Discretizarea reprezentărilor timp frecvenţă 241
unde:
m m
ϕ m ,k (τ ) = 2 2 ϕ ( 2m τ − k) , ψ m ,k (τ ) = 2 2 ψ ( 2m τ − k)
m m
ϕ ( 2m τ − k) ,
ϕm ,k (τ ) = 2 2 ~
~ ~ ψ ( 2m τ − k)
ψ m ,k (τ ) = 2 2 ~
ϕ(τ ),ϕ(τ − l) = δ [ l] şi
~ ψ(τ ),ψ(τ − l) = δ [ l]
~ (322)
ϕ m , l ( τ ), ϕ m , l' ( τ ) = δ [ l − l '] ;
~ l, l ', m ∈ Z (323)
∑ F{~ϕ} ( ω + 2 k π) F * {ϕ} ( ω + 2 k π) = 1
k
∑ F{~ψ} ( ω + 2 k π) F * {ψ} ( ω + 2 k π) = 1
k
( ∀) ω ∈ R (325)
∑ F{~ψ} ( ω + 2 k π) F * {ϕ} ( ω + 2 k π) = 0
k
∑ F{~ϕ} ( ω + 2 k π) F * {ψ} ( ω + 2 k π ) = 0
k
~
Având în vedere condiţiile impuse spaţiilor V m , funcţia ~
ψ trebuie să satisfacă o
condiţie de aceeaşi formă:
ψ ( τ ) = 2∑ m
~
1 ψ ( 2τ − k )
~ [k] ~ (327)
k
Considerând că analiza multirezoluţie Vm este generată de filtrul cu răspunsul la
impuls m o [ n] şi că spaţiile Wm sunt generate de filtrul cu răspunsul la impuls m 1[ n] ,
condiţiile (325) se exprimă în forma echivalentă:
~ (ω )m * (ω ) + m (ω + π )m * (ω + π ) = 1
m o o o o
~ (ω )m * (ω ) + m
m ~ (ω + π )m * (ω + π ) = 1
1 1 1 1
( ∀) ω ∈ R (328)
~ (ω )m (ω ) + m
m * ~ (ω + π )m (ω + π ) = 0
*
1 o 1 o
~ (ω )m * (ω ) + m (ω + π )m * (ω + π ) = 0
m o 1 o 1
Sistemul de ecuaţii de mai sus poate fi exprimat în forma matricială:
~ (ω )
m ~ (ω + π ) m * (ω )
m m 1* (ω ) 1 0
o o o
m
~ (ω )
~ (ω + π ) m * (ω + π ) m * (ω + π ) = 0 1 (329)
1 m 1 o 1
Folosind notaţiile:
~ m~ (ω )
o
~ (ω + π )
m o m o (ω ) m o (ω + π )
M (ω ) = ~ ; M (ω ) = (330)
m 1(ω ) m 1(ω + π )
~ m 1(ω ) m 1(ω + π )
relaţia (329) devine:
~
M ( ω) ⋅ M ( ω) = U
T*
(331)
unde U este matricea unitate de ordinul 2. Ultima relaţie se poate scrie şi în forma:
~
M T ( ω) ⋅ M ( ω) = U
*
m *o (ω )m
~ (ω ) + m * (ω )m~ (ω ) = 1
o 1 1
(332)
m * (ω )m~ (ω + π ) + m * (ω )m
~ (ω + π ) = 0
o o 1 1
Sistemul (332) este similar cu sistemul (197). Această similitudine face legătura dintre
teoria codării subbandă şi teoria bazelor biortogonale de funcţii wavelet.
Trebuie remarcat că în cazul bazelor ortonormale matricea M ( ω) este unitară.
7 Discretizarea reprezentărilor timp frecvenţă 243
Rezolvând sistemul din relaţia (332), pe baza regulii lui Cramer, se obţine:
m 1* (ω + π )
m o (ω ) =
~
∆* (ω )
(333)
m *o (ω + π )
m 1(ω ) = −
~
∆* (ω )
x (τ ) =
m ∑ x(τ ),~
ϕm ,l(τ ) ϕ m ,l(τ )
l
(334)
d (τ ) =
m ∑ x(τ ),~
ψ m ,l(τ ) ψ m ,l(τ )
l
(335)
1
ε
F {~
ϕ}( ω) ≤ C ( 1 + ω )
− −
2
x(τ ) = ∑ x,~
ψ m ,k ψ m ,k (τ ) = ∑ x,ψ m ,k ~
ψ m ,k (τ ) (336)
m ,k m ,k
ψ( τ ) = 2∑ ( − 1) n m
~ [1− n] ϕ( 2τ + n)
o
n
(337)
ψ( τ ) = 2∑ ( − 1) n mo [1− n] ~
~ ϕ( 2τ + n)
n
{~ψ m, k } k ∈ Z constituie două baze Riesz ale căror elemente îndeplinesc condiţia
(324), dacă şi numai dacă este îndeplinită condiţia (322).
Se poate afirma că algoritmul lui Mallat poate fi aplicat şi în cazul bazelor
biortogonale. Transformarea "wavelet" discretă directă poate fi calculată cu ajutorul
sistemului din figura 2.7.1.2.5. Pentru calculul transformării inverse se poate folosi
sistemul din figura 4.7.1.2.5, dar sistemele cu răspunsurile la impuls m o [ n] şi m 1[ n]
trebuiesc înlocuite cu sistemele cu răspuns la impuls m~ [ n] şi m
~ [ n] .
o 1
În continuare se prezintă câteva exemple de baze biortogonale. În [31] se
alege pentru funcţia ∆(ω )expresia:
∆(ω ) = e− jω (338)
m~ (ω ) = e− jω m * (ω + π ) ⇔ m (ω ) = − e− jω m
~ * (ω + π )
o 1 1 o
(339)
m − jω
1(ω ) = − e m o (ω + π )
~ *
1 ϕ (τ ) = N ϕ (τ )
1+ τ , − 1≤ τ ≤ 0
2 ϕ ( τ ) = 1 − τ , 0≤ τ ≤ 1
0, in rest
(1+ τ ) 2
, − 1≤ τ ≤ 0
2
1 2 3 (340)
− τ − + , 0≤ τ ≤1
3ϕ ( τ ) =
2 4
( )2
2− τ , 1≤ τ ≤ 2
2
0, in rest
N N m o (ω ) ~
N ~
N ,N
~ (ω )
m o
1 1 1 1
( 1 + e− jω ) ( 1 + e− jω ) - conduce la baza Haar
2 2
246 7.1.2.8 Baze biortogonale de funcţii “wavelet”
3 4 jω 3 3jω 11 2 jω 11 jω 1
5 e − e − e − e + +
256 256 128 128 2
e− jω 11 −2 jω 11 −3jω 3 −4 jω 3 −5jω
+ e − e − e + e
2 128 128 256 256
2
( e + 2+ e− jω ) 2
1 jω 1 2 jω 1 jω 3 1 − jω 1 −2 jω
− e + e + + e + e
4 8 4 4 4 8
3 4 jω 3 3jω 1 2 jω 19 jω 45 jω
e − e − e + e + e +
128 64 8 64 64
4
45 19 − jω 1 −2 jω 3 −3jω 3 −4 jω
+ + e − e − e − e
64 64 8 64 128
6 5 5 5jω 17 4 jω 39 3jω
− e6 jω + e + e − e −
1024 512 512 512
39 −3jω 17 −4 jω 5 −5jω 5
+ e − e − e − e−6 jω
512 512 512 1024
8
2−15( 35 e8 jω − 70 e7 jω − 300 e6 jω + 670 e5jω +
3 5 5 5jω 15 4 jω 19 3jω 97 2 jω
− e + e − e − e +
512 512 512 512
13 jω 175 175 − jω 13 −2 jω
+ e + + e − e
256 256 256 256
97 −3jω 19 −4 jω 15 −5jω 5 −6 jω
− e + e + e + e
512 512 512 512
Polinoamele m 1(ω ) şi m
~ (ω ) se construiesc folosind relaţiile:
1
m 1[ n] = ( −1) 1− n m o [1− n]
(341)
m
~ [ n] =
1
( −1) 1− n m
~ [1− n]
o
coeficienţii lor sunt raţionali, numitoarele acestor numere fiind puteri ale lui 2.
Această din urmă calitate conduce la implementări numerice mai rapide ale
transformărilor "wavelet" discrete (directă şi inversă) în cazul în care se utilizează
aceste baze biortogonale de funcţii wavelet. Dezavantajul funcţiilor duale de acest tip
ϕ , ~N ,N ~
( ~N ,N ~ ψ) este că regularitatea lor este redusă, în special pentru valori mici ale lui
~
N şi N . În [30] baza biortogonală de funcţii "wavelet". Este făcută legătura dintre
această teorie şi metoda de prelucrare multirezoluţie a imaginilor bazată pe folosirea
filtrului lui Burt.
248 7.1.2.8 Baze biortogonale de funcþii “wavelet”
m m
ϕ
n m ,k (τ ) = N 2 ϕ ( N m τ − k) , n~
ϕm ,k (τ ) = N 2 ϕ ( N m τ − k)
~
m
ψl,m ,k (τ ) = N 2 ψl( N m τ − k) (342)
l = 1,N − 1
~
m
ψl,m ,k (τ ) = N 2 ψl( N m τ − k)
~
nV m = nV m −1 ⊕ W m −1,1 ⊕ . .. ⊕ W m −1,N −1 ,
~ ~ ~ ~
nV m = nV m −1 ⊕ W m −1,1⊕K ... ⊕ W m −1,N −1 ,
7 Discretizarea reprezentărilor timp frecvenţă 249
N −1 N −1 ~
∪ ∪ nWm , l = ∪ ∪ nWm , l = L2 ( R ) (343)
l = 1 m ∈Z l = 1 m ∈Z
De aceea orice semnal de energie finită x(τ ) poate fi exprimat în forma:
N −1
x( τ ) = ∑ ∑ ∑ x, ~
ψ l, m , k ψ l, m , k ( τ ) =
l = 1 m ∈Z k ∈Z
N −1
(344)
= ∑ ∑ ∑ x, ψ l, m , k ~
ψ l, m , k ( τ )
l = 1 m ∈Z k ∈Z
ϕ(τ ), ψl(τ )şi ~
Construcţia funcţiilor n ϕ(τ ), n ~ ψl(τ ), l = 1,N − 1 este descrisă în
[9]. Este demonstrată şi proprietatea de biortogonalitate. În acest caz transformarea
"wavelet" discretă poate fi calculată folosind sistemul din figura 2.7.1.2.8.
Figura 2.7.1.2.8 Sistem de calcul (două iteraţii) al transformării "wavelet" discretă, în cazul
funcţiilor "wavelet" biortogonale când factorul de scalare ao este egal cu N.
250 7.1.2.8 Baze biortogonale de funcţii “wavelet”
m *o (ω )m
~ (ω ) + m * (ω + π )m
o o
~ (ω + π ) = 1
o
m *o (ω )m
~ o (ω ) + m * (ω + π )m
o o
~ o (ω + π ) = 1
o
cu:
~ (0) = m
m o (0) = m ~ o (0) = 1
o o
ϕ şi ~
care conduc la construcţia funcţiilor ~ ϕo cu ajutorul cărora pornind de la funcţia ϕ
pot fi construite două perechi de baze biortogonale de funcţii "wavelet". Atunci,
~ (ω )şi m
răspunsurile în frecvenţă m ~ o (ω ) sunt legate prin relaţia:
o o
m ~ o (ω ) + e− jω [ m (ω + π )s(2ω )] *
~ (ω ) = m (345)
o o o
unde s(ω ) este un polinom trigonometric.
Lema Vetterly-Herley are următorul corolar:
Corolar 1.7.1.2.8 Fiind dată mulţimea {m o ,m ~ o ,m o ,m
o 1
~
1 } de filtre
biortogonale cu răspuns finit la impuls, noua mulţime {m o ,m
~ ,m ,m
o 1
~
1 } de filtre
biortogonale cu răspuns finit la impuls poate fi construită pe baza relaţiilor:
~ (ω ) = m
m ~ o (ω ) + m
~ (ω )s* (2ω ) (346)
o o 1
m 1(ω ) = m
~ o (ω ) − m (ω )s(2ω )
1 o (347)
unde s(ω ) este un polinom trigonometric.
252 7.1.2.8 Baze biortogonale de funcţii “wavelet”
ψ(τ ) = ψo (τ ) − ∑ s[ k] ϕ ( τ − k) (348)
k
~
ϕ( τ ) = 2∑ mo ϕ ( 2τ − k ) + ∑ s[ − k ] ~
~ o[k] ~ ψ (τ − k) (349)
k k
ψ(τ ) = 2∑ m
~
1 ϕ ( 2τ − k)
~ [ k] ~ (350)
k
~ o ( ω ) = m ( ω ) = 1 + 1 e− j ω
mo oH
2 2
şi
~ (ω ) = m o (ω ) = m (ω ) = 1 1 − jω
m 1 1 1H − + e (351)
2 2
7 Discretizarea reprezentărilor timp frecvenţă 253
Pentru ca noua funcţie "wavelet" să aibă două momente nule este necesar ca:
m 1(0) = 0
(352)
m 1'(0) = 0
Prima condiţie este echivalentă cu:
s2 (0) = 0 (353)
Cea de a doua condiţie este echivalentă cu:
sau cu:
j j
0= − + + ( 0) − 2 s(
'
0)
2 2
adică cu:
j
'
s( 0)= − (354)
4
j
s(ω )= − sin ω
4
În consecinţă:
1 − j ω 1 1 − jω j
− sin 2ω =
1
m1( ω ) = − + e − + e
2 2 2 2 4
1 1 −jω j 1 1 − j ω e 2j ω − e − 2j ω
= − + e + + e =
2 2 4 2 2 2j
1 2j ω 1 jω 1 1 − j ω 1 − 2j ω 1 − 3j ω
= e + e − + e − e − e
16 16 2 2 16 16
254 7.1.2.8 Baze biortogonale de func•ii “wavelet”
=
1
2
+
1 −jω 1 −jω
2
e +
16
(e )( )
−1 e j 2 ω − e− j 2 ω =
=
1
2
+
1 −jω 1
2
e +
16
( )
e j ω − e − 3 j ω − e 2j ω + e − 2j ω =
1 2j ω 1 jω 1 1 − j ω 1 − 2j ω 1 − 3j ω
=− e + e + + e + e - e
16 16 2 2 16 16
Se constată că funcţiile m o H (ω ) şi m~ (ω ) sunt identice cu funcţiile m (ω ) şi
o 1 o
~ (ω ) din tabelul 1.7.1.2.8. Deci metoda "lifting scheme" a funcţionat în acest
m
3,1 o
exemplu. S-a pornit de la o funcţie de scară generatoare a unei baze ortonormale de
funcţii "wavelet" şi s-a ajuns la o bază biortogonală cunoscută. E clar că metoda este
~ şi păstrând nemodificate filtrele m
duală. Modificând filtrele m o şi m ~ şi m , se poate
1 o 1
ajunge la mulţimea {m o ,m ~ ,m ,m
o 1
~ } . Polinomul trigonometric utilizat pentru
1
transformare se notează cu ~s . În acest mod funcţia de scară duală rămâne neschimbată
în timp ce funcţia de scară şi cele două funcţii "wavelet" duale se modifică. Metodele
de construcţie directă şi duală pot fi iterate. Astfel după ce a fost crescut, de exemplu
numărul de momente nule ale funcţiei "wavelet", se poate utiliza metoda de
construcţie duală pentru a se creşte numărul de momente nule ale funcţiei "wavelet"
duală. Alternând cele două metode de construcţie, directă şi duală, poate fi obţinută o
analiză multirezoluţie cu proprietăţi dorite. Metodele de construcţie ale bazelor
biortogonale bazate pe "lifting scheme" au unele avantaje. Ecuaţia (348) permite
accesul direct la expresia funcţiei "wavelet" care va fi construită permiţând alegerea
semnalului s[ k] astfel încât funcţia ψ(τ ) să satisfacă anumite proprietăţi impuse,
economisindu-se în acest mod mult timp de proiectare. Folosirea metodei descrise
conduce la o creştere a vitezei de calcul a transformărilor "wavelet". Metoda de
construcţie prezentată este utilă la construcţia funcţiilor "wavelet" de generaţia a 2-a,
care nu reprezintă translatate şi dilatate ale unei funcţii unice.Alte modalităţi de
construcţie ale bazelor biortogonale de funcţii "wavelet" sunt prezentate în capitolele
următoare.
7 Discretizarea reprezentărilor timp frecvenţă 255
l ∈Zn
256 7.1.2.9. Generalizarea conceptului de analiză multirezoluţie
( )
Funcţia de scară ortogonală n o ϕ τ 1 , τ 2 , ... , τ n este generată de filtrul cu
(
răspunsul în frecvenţă mo ω 1 , ω 2 , ... , ω n ) care are proprietatea:
∑ (ω 1 + ε 1 π , ...ω n + ε n π)
2
n mo = 1
(ε ε
1 2 ...ε n ) ∈ [0, 1]
n
p c mo [ n] = mo∨* [ n] = m*o [ − n]
a [ n] = a [ k ] ,
−1 o p c mo [ k − 2n]
(360)
d −1[ n] = a o [ k ] , p c m1[ k − 2n]
ao [ n] = ∑ ao [ k ] , p c mo [ k − 2n] m
~ [ n − 2k ] + a [ k ] , m [ k − 2n] m
o o pc 1
~ [ n − 2k ] (361)
1
k
Ultima relaţie reprezintă descompunerea semnalului ao [ n] în baza:
Bs = { mo
~ [n − 2k ]}
~ [n − 2k ], m
1 k ∈Z
(362)
Ba = { p c mo [n − 2k ], p c m1[n − 2k ] } k ∈Z
(363)
Relaţia de reconstrucţie perfectă (309), devine pe baza celei de a doua ecuaţii din
relaţia (306):
rezult•:
∑ m~1[ 2k − 2 l − p] m1[ p] = δ[ k − l ]
p
p c m1[ n − 2k ] , m1[ n − 2 l ] = δ[ k − l ]
~ (364)
{ ~ }
p c m1[n − 2k ]
k ∈Z
sunt mutual ortogonale, cu excepţia cazului când argumentele
celor două funcţii coincid.
Se poate verifica condiţia de biortogonalitate şi în cazul general. Bazele Ba şi
Bs sunt biortogonale [122].
Cazul analizei multirezoluţie ortogonală rezultă pentru:
m1[ n] = p c m1[ n]
~ ; mo [ n] = p c mo [ n]
~ (365)
atunci:
1
s(y) = 25−8 =
8
Există mai multe posibilităţi de a ajunge la scara 1/8 pornind de la scara 1. E deci
necesar un alt parametru pentru a caracteriza două versiuni diferite, de aceeaşi scară,
ale uni semnal impus. Acest parametru se numeşte rezoluţie şi descrie cantitatea de
informaţie prezentă în semnal. Semnalul iniţial, ao , are rezoluţia 1. Semnalul ( ↓α) ao
are un număr de eşantioane egal cu jumătate din numărul de eşantioane al semnalului
ao [ n] . Se zice că noul semnal are rezoluţia 1/2. Notând cu r rezolu•ia avem:
r (a o )
r (↓ α a o ) =
1
=
2 2
r ( α ↑ x ) = r(x)
r(y)
, daca r(y) = s(y) (366)
r ( ↓ β y ) = 2
r(y) , daca r(y) < s(y)
Oricare ar fi semnalul y e valabilă relaţia:
260 7.1.2.9 Generalizarea conceptului de analiză multirezoluţie
~ ↑ = Id ;
↓ mo m ~ ↑ = Id
↓ m1 m (368)
o 1
d s, r = x s, 2r − x s, r (369)
Trebuie observat că:
s≥2r
↓ m1 d s , r = 0 (370)
M
a o [n ] = ∑ d s = 1, r = 2 −m + a o s = 1, r = 2− M (371)
m =1
{ } {
O bază a spaţiului Vo este p c mo [n − 2k], p c m1[n − 2k] k∈Z . Mulţimea p c mo [n − 2k] k∈Z }
reprezintă o bază a spaţiului V −1 iar mulţimea {
p c m1 [n − 2k ]}k∈Z reprezintă o bază a
spaţiului W −1 .
Succesiunea de spaţii {V−m } m = 0, M este un exemplu de analiză
multirezoluţie a spaţiului l 2 ( Z ) .
Se poate demonstra că elementele analizei multirezoluţie ortogonală au
proprietăţile:
V−m−1 ⊂ V− m , m = 0, M (372)
∩ V− m = { 0} (373)
m ∈N
M
U V− m = l 2(Z) (374)
m=0
d = ↓ m (↓ m ) m−1a , m = 1, M
m 1 o o
(375)
a m = (↓ mo ) a o
m
M
ao = ∑ (m ~ ↑) m−1m
o
~ ↑ d + (m
1 m
~ ↑) M a
o m (376)
m = 1
În [122] sunt demonstrate formulele de analiză:
262 7.1.2.9 Generalizarea conceptului de analiză multirezoluţie
d m [ k ] = (
a o [ n] , p c mo )
↑
m−1
p c m1
[
n − 2m k
]
(377)
a [ n] , ( ↑) [ ]
m−1
a [ k ] = m
m 1 p c mo p c mo n − 2 k
Folosind notaţiile:
( p c mo ↑ ) m−1
p c m1 = m
p c m1 ; ( p c mo ↑ ) m−1
p c mo = m
p c mo
d [ k ] = a [ n] ,
m o
m
p c m1 [n − 2m k ]
(378)
p c m1 [ n − 2 k ]
M m
a m [ k ] = a o [ n] ,
Funcţiile m
p c mo [n − 2m k ] formează bazele spaţiilor V-m. Funcţiile
m
p c m1 [n − 2m k ] formează bazele spaţiilor W- m şi se numesc funcţii "wavelet" de
analiză în timp discret.
Transformarea "wavelet" discretă inversă se exprimă prin:
m
ao [ n] = ∑ ∑d m
~ m [ n − 2m k] +
[ k] m 1 ∑a M
~ M [ n − 2M k]
[ k] m o (379)
m = 1 k k
m ~m , M ~M
p c m1 = m1 p c mo = mo
7 Discretizarea reprezentărilor timp frecvenţă 263
{ ( ) } ≠ [α , β ]
supp x τ
În consecinţă spaţiul care trebuie descompus este L2 [ α ,β] şi nu L2 ( R) .
Este de interes construcţia unei analize multirezoluţie a acestui spaţiu. Cu
ajutorul unei astfel de analiză multirezoluţie poate fi construit un nou tip de funcţii
"wavelet" numite funcţii "wavelet" pe interval.
În continuare pentru comoditate, se va considera cazul:
α = 0; β = 1
E clar că x( τ ) ∈ L R ) . În consecinţă pentru aproximarea lui x(τ ) poate fi
2(
0 2m −2N
α
τ [0, 1] = ∑ τ α ( )
,ϕ mτ, k ϕ m, k ( τ ) [01
,]
+ ∑ ( )
τ α ,ϕ mτ, k ϕ m, k ( τ ) [01
,]
+
k = 2 N+2 k=1
(380)
2m −1
+ ∑
m
τ α ,ϕ m, k ( τ ) ϕ m, k ( τ ) [0, 1]
k = 2 −2 N+1
Cu notaţiile:
1 0
m α +
τ αm, L = 2 2
∑ τ α ,ϕ m, k ( τ ) ϕ m, k ( τ ) [ 0, 1]
k = − 2 N +2
1 2m − 1
m α +
τ αm, R = 2 2
∑ τ α ,ϕ m, k ( τ ) ϕ m, k ( τ ) [ 0, 1]
k = 2m − 2 N +1
m 1 2m − 2 N
m α +
22 (2 τ )
m α
[ 0, 1] = τ αm, L 2 2
∑ α
τ , ϕ m, k ( τ ) ϕ m , k ( τ ) [ 0, 1] + τ αm, R
k=1
1 ∉ τ αm , L ∩ [0, 1]
o
0 ∉ τ αm , S ∩ [0, 1]
o
rVm {
= τ αm, L } α ≤ N −1 ∪ {ϕ m, k } k = 1, 2m − 2N ∪ {τ αm, R } α ≤ N −1
Fiecare element al unui astfel de spaţiu este o combinaţie liniară de funcţii din
{
mulţimile: τ α } α
{ } {
m , L α ≤ N − 1 , τ m , R α ≤ N − 1 , ϕ m , k [ 0, 1] }
k = 1, 2m − 2 N
.
{τ αm, L } α ≤ N −1 , {τ αm, R } α ≤ N −1 şi
ϕ m, k [ 0, 1]
k = 1, 2m − 2N
mutual ortogonale
∞
f, g w
= ∫ w( τ ) f( τ ) g* ( τ ) dτ (381)
−∞
Trebuie remarcat asemănarea unui astfel de produs scalar cu reprezentarea timp-
frecvenţă de tipul transformare Fourier scurtă:
TFxSTFT (t, ω ) = x( τ ), e j ω τ
w∨ (.,− t )
1. Vm ⊂ Vm +1 , ( ∀) m ∈ Z
266 7.1.2.9 Generalizarea conceptului de analiză multirezuluţie
2. ∪ Vm = L2 ( R)
m ∈Z
3. ∩ Vm = { 0}
m ∈Z
ϕ m, k ( τ ) = ∑ mo m, k , l ϕ m+1, 2k +l ( τ ) (382)
l
ϕ m, k , ~
ϕ m, k' = δ [ k − k' ] (383)
w
Funcţiile de scară duale satisfac relaţii de tipul (382), în care însă intervin coeficienţi
de forma m ~
o m ,k ,l. Este valabilă relaţia:
mo m, k , l = ϕ m, k , ~
ϕ m+1, 2k + l
w
~ ~ ~
Spaţiile W m vor fi complementele spaţiilor V m în spaţiile V m +1 şi vor fi generate de
bazele Riesz ~ {
ψm, k
k∈Z
}
. Elementele acestor baze se pot exprima în forma:
~
ψ m, k = ∑ m~1m, k , l ~ϕ m+1, 2k +l (385)
l
xm ( τ ) = ∑ x( τ ), ϕ m, k ( τ ) ϕ m, k ( τ )
k
Această descompunere este foarte utilă în studiul operatorilor liniari, definiţi pe Vm.
Fie L un astfel de operator. Se constată că:
L { x m }( τ ) = ∑ { }
x( τ ), ϕ m, k ( τ ) L ϕ m , k ( τ )
k
1. ( ∀) m ∈ Z, Cm ⊂ Cm + 1
2. lim Cm = H
m→ ∞
3. C = lim Cm ≠ ∅ (388)
m→ ∞
4. ( ∀) (m,x ) ∈ Z × H x − Rm + 1x ≤ x − Rm x
5. (∀) ( x,m) ∈ H × Z Rm x = Rm o Rm + 1x
Semnalul:
x m = Rm x
x m = Rm ( x m+1)
me ( ω ) = moe ( ω ) m11− e ( ω ) , e = 01
,
1 o τ 1 1 τ
f ko ( τ ) = f − k şi f k1( τ ) = f − k , k ∈ Z (390)
2 2 2 2
unde:
ω ω
F f{ e }(ω) = me F { f }
2 2
(391)
{ f ko ( τ ), f k1( τ ) } k ∈ Z
O analiză multirezoluţie clasică este obţinută împărţind spaţiile Vm, folosind artificiul
descris mai sus în spaţiile Vm - 1 şi Wm - 1 şi apoi făcând la fel, într-un mod recursiv,
pentru spaţiul Vm - 1.
Pachetele de funcţii "wavelet" sunt funcţiile elemente ale bazelor Riesz care se
obţin dacă se foloseşte artificiul de împărţire şi pentru spaţiile Wm. Pornind de la
spaţiul Vm ,se obţin, după aplicarea de L ori a artificiului de împărţire, funcţiile
(elemente ale unor baze Riesz):
( m− L)
ψ eL1 , ...e L ; m, k (τ) = 2 2 (
ψ eL1 , ...e L 2m − L τ − k ) (392)
270 7.1.2.9 Generalizarea conceptului de analiză multirezoluţie
Un alt pachet de funcţii "wavelet" poate fi construit dacă se aleg funcţiile notate cu +
în figura 1.7.1.2.9. Acestui nou pachet de funcţii "wavelet" îi corespunde următoarea
bază Riesz a lui V3:
{ψ 11(4τ − k ) , ψ 12,o (2τ − k ) , ψ o3, 1, o (τ − k ) , ψ o3, 1, 1(τ − k )} k ∈Z
Pentru funcţiile duale trebuie aplicată o procedura similară. Transformările "wavelet"
7 Discretizarea reprezentărilor timp frecvenţă 271
Principalul avantaj al pachetelor de funcţii "wavelet" este că avem mult mai multă
liberate în alegerea bazei în care să descompunem semnalul pe care dorim să-l
analizăm. Există criterii de alegere a bazei în acord cu semnalul de analizat.
M. Wikerhauser a propus un astfel de criteriu. Procedura introdusă de el se numeşte
"alegerea celei mai bune baze".O prezentare exhaustivă a acestui concept este făcută în
[149].
272 7.1.2.10 Pachete de funcţii "wavelet"
ψ 2n , m ( τ ) = (mo ↓) ψ n , m ( τ ) = 2 ∑ mo [ k ] ψ n , m ( 2τ − k) (395)
k
ψ 2n , m ( τ ) = (m
~ ~ ↓) ~
o ψ n, m ( τ ) = 2 ∑ mo [ k ] ~
ψ n , m ( 2τ − l) (397)
l
ψ 2n + 1, m ( τ ) = ( m
~ ~ ↓) ~
1 ψ n, m ( τ ) = 2 ∑ m1[l ] ~
ψ n , m ( 2τ − l) (398)
l
ψ n , m, k ( τ ) = ψ n , m ( 2τ − k)
~ ~ (399)
ψ n , m, k ( τ ) = ψ n , m ( 2τ − k)
ψ n', m ( τ − l) = δ[ n − n'] δ[ k − l ]
ψ n , m ( τ − k) , ~ (400)
{
Fie Λ n,m spaţiul Hilbert generat de mulţimea ψ n , m ( τ − k)
k ∈Z
}
:
Λ n , m = x nL, m ( τ ) = ∑ c [ k ] ψ nL, m ( τ − k) ⊂ L2 ( R ) (401)
k
Se observă că:
Λoo , o = Vo
xn , m ( τ ) = ∑ λ*n [ k ] ψ n , m ( τ + k )
k ∈Z
sau pe baza relaţiei (403):
~* τ
∑ ∑mo [2l − k]λ*n [ k] ψ 2n,m +l +
1
xn, m ( τ )=
2 l k 2
~* τ
∑ ∑m1 [2l − k] λ*n [ k] ψ2n+1, m +l =
1
+ (404)
2 l k 2
=∑ ~ ↓ λ * [l] 1 ψ τ +l + ∑ m
(( ) )
m (( ) )
~ ↓ λ * [ l] 1 ψ τ
l
o n
2 2n, m
2 l 1 n
2 2n +1,m 2 +l
7 Discretizarea reprezentărilor timp frecvenţă 275
1 τ 1 τ
xn , m ( τ ) = y 2 + z 2 (405)
2 2n , m 2 2n +1, m
{
( σ ) Λ n , m = σx , x ∈ Λ n , m } (407)
( ) ( )
Λ n, m = σ ( mo ↓) Λ n, m + σ ( m1 ↓) Λ n, m = (σ) Λ 2n, m + (σ) Λ 2n+1, m (408)
Λo, m = ( σ ) Λo, m + ( σ ) Λ1, m = ...= ( σ) k Λo, m + ( σ) k Λ1, m+...+ ( σ) k Λ2k −1, m (409)
În general:
Λ n , m = ( σ) k Λ + ... + ( σ ) k Λ , n ≥ 0, k ≥ 0 (410)
2k n , m 2k ( n + 1) − 1 ,m
(σ ) k Λ n , m = Λ + ... + Λ , n ≥ 0, k ≤ 0 (411)
2− k n ,m 2− k ( n + 1) − 1 ,m
( σ ) − k Λ o , m = ( σ ) − k Vo = V− k
Cum (pe baza unei proprietăţi a analizei multirezoluţie Vm { }m∈Z ):
V− k → L2 ( R)
k→ − ∞
rezultă că mulţimea considerată este completă. De aceea se poate afirma că această
mulţime reprezintă o bază Riesz a lui L2 ( R) . Dacă m o [ n] şi m 1[ n] sunt răspunsuri la
impuls de filtre ortogonale atunci mulţimea considerată este o bază ortonormală a lui
L2 ( R) . Indicele m specifică faptul că descompunerea a început de la spaţiul Vm.
Având în vedere că descompunerea de spaţii prezentată corespunde unei
descompuneri în subbenzi se poate afirma că indicele n descrie localizarea în domeniul
frecvenţă a funcţiei ψ n, m ( τ ) (această observaţie este în acord cu afirmaţiile din
paragrafele 7.1.2.7 şi 7.1.2.8 referitoare la localizarea în frecvenţă a funcţiilor
"wavelet"). În continuare elemetele pachetelor de funcţii "wavelet" vor fi privite ca şi
atomi timp-frecvenţă.
1
( )
−
În acest scop mulţimea ψ s f p = 2 2 ψ f 2− s τ − p va
s ∈ I , f ∈ I , p ∈ I
s f p
Indicele m avea semnificaţia de rezoluţie iar indicele s are semnificaţia de scară. Întru
cât în continuare ne referim la atomi timp-frecvenţă este mai potrivit să folosim
noţiunea de scară în locul noţiunii de rezoluţie.
7 Discretizarea reprezentărilor timp frecvenţă 277
{
Mulţimea ψ s f p ( τ ), p ∈ Z } este, conform rezultatelor precedente, o bază a
spaţiului ( σ ) s Λ f . Indicele de scară dă o estimare relativă a duratei semnalului
ψs f p(τ):
∞ ∞
( ) ( ) ∫ (2− s /2 τ) ( )
2 2
∫ τ 2 2− s /2 ψ f 2− s τ − p ψ f 2− s τ − p
2
σ 2t ψ s f p ( τ ) = dτ = dτ
−∞ −∞
−∞
∞
∫ (u + p)
2
= 22 s ψ f (u) du
2
−∞
sau:
( )
σ t ψ s f o ( τ ) = 2 s σ t ψ f ( τ) ( ) (412)
Dacă:
{
supp ψ f ( τ) = [0, R] }
atunci:
{
supp ψ s f o ( τ) = 0, 2s R } [ ]
sau ţinând seama că p este indice de poziţie rezultă:
{ } [
supp ψ s f p ( τ) = 0, 2s ( R + p) ] (413)
Banda efectivă a semnalului ψsfp ( τ ) se ob•ine din:
({ })
∞ 2
−s
σω
2
F ψ s f p ( τ ) = ∫ ω F 2 2 ψ f (2− s τ − p) dω =
2
−∞
∞ ∞
{ } (2 ω)dω = 2 ∫ ω 2 F{ψ f }(2s ω)
2 2
= ∫ ω 2 F ψ f ( τ)
2 s s s
dω
− ∞ − ∞
278 7.1.2.10 Pachete de funcţii "wavelet"
Cu substituţia:
2sω = u
rezult•:
∞
({ }) { }
2
σω
2
F ψs f p(τ) = 2 s
∫ 2−2 s u 2 F ψ f (u) 2− s du
−∞
adică:
({
σω F ψ s f p ( τ ) }) = 2 − s
( { })
σω F ψ f
Aşadar, dacă:
{{ } }
supp F ψ f (ω ) = [2 π f, 2 π f + Bω ]
atunci:
{{ } } [
supp F ψ s f p (ω ) = 2− s ⋅ 2 π f, 2− s
( 2 π f + Bω ) ] (414)
[ ] 1 1
m0 n = 2 δ[ n] + 2 δ[ n − 1]
1 1
m1[ n] = δ[ n] − δ[ n − 1] (415)
2 2
ψ 0( τ) = σ( τ) − σ(t − 1)
no n1 ... n p n p + 1 ... n P
şi:
7 Discretizarea reprezentărilor timp frecvenţă 279
CGn [ p] = n p ⊕ n p +1
101
Codul Gray al numărului 5 este:
111
Deci:
CG 5 = 7
Transformarea care descrie codul Gray este inversabilă. Inversa este dată de:
CGn−1[ p] = n p ⊕ n p +1 ⊕ n p + 2 ⊕ ...
Suma din membrul drept al ultimei relaţii este finită, deoarece:
np = 0 dacă n < 2p
Reluând exemplul considerat:
CG −71[ 0] = 1⊕ 1⊕ 1 = 1
CG −71[1] = 1⊕ 1 = 0
CG −71[ 2] = 1
Într-adevăr:
CG −71 = 5
Transformarea inversă poate fi calculată şi recursiv:
1 1
ψ 2n ( τ ) = 2 ψ n ( 2τ )+ ψ n ( 2τ − 1) = ψ n ( 2τ )+ ψ n ( 2τ − 1) (417)
2 2
1 1
ψ 2n +1( τ ) = 2 ψ n ( 2τ ) − ψ n ( 2τ − 1) = ψ n ( 2τ ) − ψ n ( 2τ − 1) (418)
2 2
Pentru n = 0 se obţin:
ψo(τ) = ϕH (τ)
ψ 1( τ ) = ψ H ( τ )
Pentru n = 1 se obţin:
ψ 2 ( τ ) = ψ H ( 2τ ) + ψ H ( 2τ − 1)
ψ 3( τ ) = ψ H ( 2τ ) − ψ H ( 2τ − 1)
iar pentru n = 2:
ψ 4 ( τ ) = ψ 2 ( 2τ ) + ψ 2 ( 2τ − 1)
ψ 5( τ ) = ψ 2 ( 2τ ) − ψ 2 ( 2τ − 1)
Graficele acestor funcţii sunt prezentate în figura 2.7.1.2.10.
Se observă că s-au obţinut funcţiile Walsh pe intervalul [0, 1], [114]. De aceea
pachetul de funcţii "wavelet" ortogonale din acest exemplu se numeşte de tip Haar-
Walsh.
Analizând figura 2.7.1.2.10 se constată că numărul de treceri prin 0 ale
funcţiei ψ n (τ ) este egal cu CG −1
n .
De fapt această afirmaţie este adevărată pentru orice număr natural n. Într-
adevăr, fie n' numărul de treceri prin 0 ale funcţiei ψ n (τ ) în intervalul (0, 1). Se
presupune că este adevărată egalitatea:
n' = CG −1
n (419)
Dacă n' este impar ψ n (0) şi ψ n (1) au semne contrare. Funcţia ψ2n (τ ) are
2n'+1 treceri prin 0 în intervalul (0, 1). Funcţia ψ2n+1(τ ) are 2n' treceri prin 0 în
intervalul (0, 1). Relaţia (416) arată că şi CG −1
n are aceste proprietăţi. Dacă n' este
impar atunci ψ n (0)şi ψ n (1) au acelaşi semn. Funcţia ψ2n (τ )are 2n'treceri prin 0
în intervalul (0, 1). Funcţia ψ2n+1(τ )are 2n'+1 treceri prin 0 în intervalul (0, 1). Şi
în acest caz ipoteza (419) este în acord cu relaţia (416). Dar frecvenţa unui semnal
cosinusoidal este egală cu jumătate din numărul de treceri prin 0 al acestui semnal în
intervalul [0, 2π]. De aceea putem afirma că frecvenţa nominală a funcţiei ψ n (τ )din
n'
exemplul nostru este . Deci funcţia ψ n (τ ) din pachetul de funcţii "wavelet"
2
1
ortogonale de tip Haar-Walsh are frecvenţa nominală CG −n1. Elementul
2
k
ψn k p(τ )= 2
−
2 (
ψ n 2− k τ − p ) are ca şi suport temporal intervalul
n n + 1
Ik n = k , k (420)
2 2
ψsfp , ~
ψ s' f ' p' = 0
I s'f ' = I s f
În acest caz:
∞
ψsfp ,~
ψ s'f 'p' = ∫ 2− s /2 ψ f (2− s τ − p) 2− s'/2 ~ψ *f '(2− s'τ − p') dτ =
−∞
∞
= 2− s ∫ ψ f (2− s τ − p) ~ψ *f (2− s τ − p') dτ
−∞
Cu schimbarea de variabilă:
2− sτ = u
ultima relaţie devine:
∞
ψs f p ,~
ψ s'f 'p' = ∫ ψ f (u − p)~ψ *f (u − p')du = ψ f (u − p),~ψ f (u − p')
−∞
∞
ψsfp ,~
ψ s'f 'p' = ∫ ψ f (u − p) ~ψ f '(u − p') du = ψ f ( u − p) , ~
ψ f '( u − p')
−∞
Atunci:
~ ~
ψ s'f 'p' = ( σ ) s'Λ f ' = ( σ ) s ( σ ) − r Λ f '
ψ s f p ∈ ( σ) s Λ f ; ~
Dar:
2r ( f '+ 1) − 1
(σ )s ( σ )− r
~
Λ f' = ∪r ~
(σ ) s Λ n (424)
n = 2 f'
Dacă intervalele diadice Is'f' şi Isf sunt disjuncte, atunci fiecare termen al reuniunii
din membrul drept al ultimei relaţii este un spaţiu ortogonal pe spaţiul Λ f :
2r f ' ≤ n 2r ( f '+1) , Λ n ⊥ Λ f
~
( σ) s ( σ) − r ~
Λ f ' ⊥ ( σ) s Λ f
adică:
ψ s f p ,~
ψ s'f 'p' = 0
În consecinţă {ψ }
sfp
s ∈I , f ∈I , p ∈I
s f p
şi { ~ψ }
s'f 'p'
s' ∈ I , f ' ∈ I , p' ∈ I
s f p
sunt
biortogonale.
284 7.1.2.10 Pachete de funcţii "wavelet"
L2 = ∪ Λ n
n
admiţând că şi indicele s variază.
Fie I o acoperire diadică realizată cu intervale Is k ,disjuncte, a mulţimii R+. Se
poate formula acum următoarea teoremă.
2− s ( f + 1) − 1
( σ) s Λ f = ∪ Λn
n = 2− s f
Închiderea membrului stâng este spaţiul ( σ) k L2 care este identic cu spaţiul L2.
Observaţii
1.Dacă mo şi m1 sunt filtre ortogonale atunci mulţimea din teorema anterioară
este o bază ortonormală a lui L2 ( R) .
2. Dacă I este o acoperire diadică a intervalului [0, 1) atunci pachetul de
funcţii "wavelet" {ψ s f p , Is f ∈ I , p ∈Z } formează o bază a spaţiului Vo.
În practică este important calculul coeficienţilor descompunerii unui semnal în
bazele generate de pachetele de funcţii "wavelet".
Fie:
λ s f (p) = x, ψ ∨s f p ; x ∈ L2 ( R), s ∈ Z, p ∈ Z, f ≥ 0 (426)
Dacă:
ψ ∨s f p'( τ )
x( τ ) = ~
atunci:
∞ s s
λs f ψ s∨f p'( τ ), ~
(p) = ~ ψ s∨f p ( τ ) = ∫2
−
2~ψ f ( p'−2 τ)2
−s −
2 ψ*
f ( p − 2− s τ)dτ
− ∞
Cu schimbarea de variabilă:
u = p' − 2− s τ
ultima relaţie devine:
*
∞
λs f ψ *f (u + p − p') du
(p) = ∫ ψ f (u) ~ = δ( p' − p) (427)
− ∞
Similar :
~λ (p) = x, ~ ψ ∨s f p
sf
(428)
x( τ ) = ∑ λ s f (p) ψ s f p ( τ )
~ ~∨
p
{ }
Se va mai folosi notaţia {λ} pentru λ o , produsele scalare ale lui x cu elementele
bazei spaţiului ( σ ) o Λ o = Vo . În continuare se vor calcula produsele scalare ale lui x
cu fiecare dintre elementele bazelor spaţiilor ( σ ) s Λ f pentru s > 0 şi 0 ≤ f < 2s,
Demonstraţie.
∞ ( s+1)
∫ x( τ ) ψ2f ( − 2 )
−( s+1) −
λ s+12f (p) = x, ψ∨s+12f p = *
τ+ p 2 2 dτ (431)
−∞
∞ ( s + 1)
( ) dτ =
−
∫ 2 ∑ mo [ k ] ψ f 2 p − 2 τ − k
* −s
λ s + 1 2 f (p) = x( τ ) 2 2
− ∞ k
∞ *
−s
= ∑ mo [ k ] ∫ x( τ ) 2 2 ψ f 2 p − k − 2− s τ ( ) dτ =
k − ∞
= ∑ mo [ k ] x, ψ s , f , 2 p − k = ∑ mo [ k ] λ s f [2p − k ] = ( mo ↓) λ s f (p)
k k
mo ↓ daca f i = 0
Fi = (433)
m1 ↓ daca f i = 1
Practic, teorema a fost deja demonstrată.
În continuare se estimează complexitatea algoritmului sugerat de teorema
3.7.1.2.10. Dacă secvenţa rădăcină, λ(p) , are durata 2 N = D atunci fiecare aplicare
a operatorilor m0 ↓ , m1 ↓ consumă un număr de înmulţiri-adunări de ordinul de
mărime a lui D (O(D)). Numărul maxim de iteraţii ale algoritmului depinde de
valoarea lui D. Având în vedere că după fiecare iteraţie a algoritmului durata secvenţei
obţinută este de două ori mai mică decât durata secvenţei de dinainte de iteraţie,
rezultă că numărul maxim de iteraţii este:
N = log 2 D (434)
De aceea numărul total de opera•ii de înmulţire-adunare efectuate de
( )
algoritmul propus este de ordinul: O D log2 D . În figura 4.7.1.2.10 se prezintă o
particularizare a arborelui de coeficienţi din figura 3.7.1.2.10 pentru pachetul de
funcţii "wavelet" Haar-Walsh.
u[ k ] = bk , x
unde bk este cel de al doilea element al bazei B din B .
Costul de informaţie al reprezentării lui x în baza B este M ( bk , x ) . S-a
definit în acest mod funcţionala Mx pe B :
M a: B → R , B→M ( bk , x ) (436)
S-a obţinut în acest mod costul de informaţie M al lui x în baza B. Cea mai bună bază
din B pentru semnalul x în raport cu costul de informaţie M este acea bază B pentru
care M ( bk , x ) are valoarea minimă. În continuare se prezintă câteva exemple de
funcţionale de cost de informaţie.
Exemplul 1. Numărul de eşantioane peste un anumit prag
7 Discretizarea reprezentărilor timp frecvenţă 291
w , w ≥ ε
µ(w) =
0 , w < ε
P
µ(w) = w
P
M(u) = u P
Exemplul 3. Entropia
∑ p(k) log
1
E(u) = (437)
k p(k)
unde:
u[ k ] 2 1
p(k) = ; p log = 0 dacă p = 0 (438)
u[ k ] 2 p
Funcţionala:
∑ u[ k ] 2 log
1
l(u) = (439)
k u[ k ] 2
sale "copii", acest nod "părinte" se marchează cu un asterisc. Dacă nodul "părinte" are
un cost de informaţie superior celui al nodurilor "copii" care-i corespund, atunci acest
nod "părinte" nu se marchează cu asterisc ci i se alocă costul total de informaţie al
nodurilor "copii" care îi corespund. În figura 7.7.1.2.10 aceste costuri de informaţie
transferate sunt prezentate între paranteze. Rezultatul căutării celei mai bune baze este
prezentat în figura 8.7.1.2.10. Se constată că a avut loc o reducere a costului de
informaţie de la valoarea 50 la valoarea 32. Algoritmi şi programe de
implementare a pachetelor de funcţii "wavelet" precum şi a metodei de căutare a celei
mai bune baze ca şi aplicaţii ale acestor metode vor fi prezentate în capitolele
următoare.
7 Discretizarea reprezentărilor timp frecvenţă 293
Figura 7.7.1.2.10 Primul pas al algoritmului de căutare a celei mai bune baze.
* *
* * * *
1 τ − t o j ωoτ
ws , wo , to ( τ ) = w e (440)
s s
∞
( ) τ2 τ − to
2
σ 2t ws , ω o , to = ∫ s w s dτ
−∞
∞
σ 2t (w s, ω o , 0 )= ∫ s u2
2
w (u) s du , u =
τ
s
− ∞
adică:
( ) (
σ t ws, ω o , 0 = s σ t w1, ω o , 0 = s σ t ( w) ) (441)
7 Discretizarea reprezentărilor timp frecvenţă 295
Deci atomul ws, ω , to ( τ ) este localizat în timp într-un interval centrat pe momentul
o
to, de lungime s σt( w ) .
Banda de frecvenţă efectivă a acestui atom este:
∞
(w )= {w }
2
σ 2t s , ω o , to ∫ ω2 F s , ω o , to dω
−∞
Dar:
∞
{
F w s , ω o , to = } ∫
1
s
τ − t o − j ( ω − ω o ) τ
w
s
e dτ =
−∞
∞
= ∫
1
s
w (u) e − j ( ω − ω o )( su + to ) s du = (
s e − j ( ω − ω o ) to F { w} s (ω − ω o ) )
−∞
Deci:
∞
σω
2
{w s , ω o , to }= ∫ ω2 s (
F { w} s (ω − ω o ) )
2
dω
−∞
Pentru ω o = 0, rezultă:
∞
σω
2
{w s , 0, to } = ∫
u2
s
F { w} (u)
2 du
s
− ∞
sau:
{
σ ω ws , 0, to = } 1
σ (w)
s ω
(442)
Ac r = σ t (w) σ ω (w)
egală cu aria celulei de rezoluţie a ferestrei temporale w(τ ).
Fie:
γ = (s, ω o , t o )
296 7.2 Analiza semnalelor nestaţionare folosind un dicţionar timp-frecvenţă
Mulţimea {w γ }
(τ)
γ
reprezintă un "dicţionar timp-frecvenţă".
x (τ ) = ∑ anw γ
n
(τ ) (443)
n
Alegerea atomilor timp-frecvenţă w γ ( τ ) poate fi făcută cu un algoritm adaptiv
n
numit "matching pursuit". Acest algoritm are următoarele etape:
x, w γ o = su p x, w γ
γ
şi se face descompunerea:
x = x,wγ 0 wγ 0 + Rx0
unde R 0
x reprezintă eroarea de aproximare a lui x prin x ,w γ 0 w γ 0 .
R 0x ,w γ 1 = su p R 0x ,w γ
γ
şi se face descompunerea:
Rx = Rx , wγ 1 w γ 1 + R 1x
Algoritmul se continuă până când eroarea de aproximare scade sub o valoare impusă.
este chiar L2 ( R) atunci:
Dacă închiderea mulţimii w γ ( τ )
n n∈I
lim Rxn = 0
n→ ∞
∞
x( τ ) = ∑ Rn
x, wγ n wγ n (444)
n = 0
2
x 2 = ∑ Rn
x, wγ n
n
x(τ ) ≅ ∑a n ψ n (τ ) (445)
n
la o eroare de aproximare impusă. Aplicaţii ale acestei metode sunt prezentate în [19].
298 7.3 Discretizarea reprezentărilor biliniare
∞
x e (t) = x(t) δ T (t) = ∑ x( kT ) δ(t − kT )
k= -∞
TFxSTFT (nT,ω) =
e
∑ x(kT ) w ((k − n)T ) e − j ω k T
k
Dar:
x e[ n] = x[ n]
∞
TFxSTFT (n,Ω) = ∑ x[ k ]w[ k − n]e − jΩk (446)
k =-∞
De aceea se poate afirma că reprezentarea timp-frecvenţă de tipul spectogramă are
expresia:
∞ 2
TFxS (n, Ω) = ∑ x[ k ] w[ k − n] e − j Ω k (447)
k= − ∞
7 Discretizarea reprezentărilor timp frecvenţă 299
∞ 2π
−jk l
TFxSTFT [n, k ] = ∑ x[l ] w[l − n] e N , k = 0, N − 1 (448)
l= − ∞
∞ 2π 2
−jk l
TFxS [n, k ] = ∑ x[l ] w[l − n] e N , k = 0, N − 1 (449)
l= − ∞
x(t) = w(t)
∞ 2π
jk m
TFxFI [n, k ] = ∑ x[ m] x[ m − n] e N , k = 0, N − 1 (450)
m= − ∞
Ţinând seama de relaţia (69), care reprezintă legătura dintre nucleele reprezentărilor
timp-frecvenţă de tipul funcţie de incertitudine respectiv Wigner-Ville se poate defini
şi reprezentarea discretă de tipul Wigner-Ville:
∞ 2π
−2j k m
TFxW −V [n, k ] = ∑ x[ n + m] x [ n − m] e
* N , k = 0, N − 1 (451)
m= 0
∞
TFxCWT
e
(t,ω ) = ω ∫ ∑ x( kT )δ(t − kT )ψ(ω( τ − t ) )dτ = ω ∑ x( kT )ψ( ω( kT − t ))
−∞ k k
Aproximarea este afectată de eroarea de aliere. Această eroare este cu atât mai mică
cu cât se eşantionează mai des (adică cu cât valoarea pasului T este mai mică). La
aceeaşi valoare a lui T valoarea erorii de aliere depinde de lăţimea benzii efective de
frecvenţă a semnalului care se eşantionează. Cu cât această lăţime este mai mică cu
atât şi valoarea maximă a erorii de aliere este mai mică, la o valoare fixată a lui T. Aici
se manifestă diferenţa dintre transformările liniare şi cele biliniare. Această diferenţă
se va analiza luând ca exemplu cuplul de reprezentări: de tip transformare Fourier
scurt• (din categoria reprezent•rilor liniare) şi de tip Wigner-Ville (din categoria
reprezentărilor biliniare). Admiţând că semnalul x(t) are banda de frecvenţe B este
necesar ca el să fie eşantionat cu un pas T care satisface condiţia:
2π π
≥ 2B ⇔ T≤ (454)
T B
Valoarea maximă a pasului T care poate fi utilizat pentru construcţia reprezentării
timp-frecvenţă de tipul transformare Fourier scurtă în timp discret este deci:
π
T= (455)
B
În cazul reprezentării timp-frecvenţă de tipul Winger-Ville:
∞
TFxWe −V (t, ω ) = 2 ∫ xe (t + τ) xe* (t − τ) e − j 2 ωτ dτ
− ∞
nu se mai eşantionează semnalul x(t) ci semnalul x( t+ τ ) x* ( t− τ ) . E clar că banda
de frecvenţe a acestuia este de lăţime 2B. Deci în acest caz este necesar să se
eşantioneze cu un pas de valoare maximă π 2B . Deci în cazul reprezentărilor biliniare
eroarea de aproximare a reprezentării continue prin reprezentarea discretă este mai
mare decât în cazul reprezentărilor liniare. În cazul reprezentării de tip Wigner-Ville
se preferă uneori calculul reprezentării semnalului analitic asociat în locul
reprezentării semnalului. Spectrul semnalului analitic asociat unui semnal al cărui
suport frecvenţial este simetric faţă de frecvenţa nulă este localizat într-un interval de
frecvenţe pozitive a cărui lungime este egală cu jumătate din lungimea intervalului în
care este localizat spectrul semnalului iniţial. De aceea pentru discretizarea
reprezentării Wigner-Ville a semnalului analitic asociat unui semnal se poate utiliza
aceeaşi valoare a pasului de eşantionare ca şi în cazul discretizării reprezentării de
tipul transformare Fourier scurtă a aceluiaşi semnal. Deşi se obţine aceeaşi eroare de
aliere totuşi reprezentarea Wigner-Ville discretă a semnalului analitic asociat
semnalului de analizat are un dezavantaj. Deoarece semnalul analitic asociat este
complex, numărul de operaţii care trebuiesc efectuate este de două ori mai mare în
cazul calculului reprezentării discrete de tip Wigner-Ville a semnalului analitic asociat
decât în cazul reprezentării discrete de tip
302 7.3 Discretizarea reprezentărilor biliniare
∞ ∞
x(t) = ∑ ∑ l TFx (n t o , m ω o ) am, n ( τ)
m= − ∞ n= − ∞
Cu b TFx s-a notat reprezentarea biliniară iar cu l TF TFx s-a notat reprezentarea
b
W −V ( m, n, p, q )
STFT
Cm, n, p, q = TFTF
x
iar:
am, n, p, q (t, ω) = wm, n, p, q (t, ω) = w(t − n to , ω − m ωo ) e j ( p toω+q ωot −k ωo p to )
în care:
1 2
− α τ2− ω
w( τ , ω ) = e α
Deşi atomii definiţi mai sus au o localizare bună în planul timp-frecvenţă totuşi
descompunerea atomică propusă se aplică cu dificultate în practică deoarece calculul
coeficienţilor C m ,n,p,q este dificil. În continuare se prezintă o descompunere atomică
alternativ•. Ideea este să se facă la început o descompunere liniară a semnalului de
analizat şi reprezentarea biliniară să se aplice rezultatului. De exemplu, folosind atomii
timp-frecvenţă de tip Gabor, se poate scrie:
x( τ ) = ∑ ∑ TFxSTFT (n t o , m ω o ) a m, n ( τ)
m n
cu:
304 7.4 Atomi timp-frecvenţă şi reprezentări biliniare
α
α − ( τ − mt o ) 2 + j m ω o τ
am, n ( τ) = 4 e 2
π
e j [( m − q ) toω + ( n − p ) ω o t ]
∞
TF xW − V ( t, ω ) = ∑ TF xSTFT (n t o , m ω o ) TF xSTFT ( p t o , q ω o )TFaW −,Va (t, ω )
m, n p, q
d = 0
m−q + n− p = d
D
TFxW −V (t, ω) ≅ ∑ TFxSTFT (n to , m ω o ) TFxSTFT ( p to , q ω o ) TFaW −,Va (t, ω)
m, n p, q
=
d= 0
= DTFS x (t, ω)
x( τ ) = ∑ ∑ TFxSTFT (n t o , m ω o ) wm, n ( τ)
m n
∞ P
x( τ ) ≅ ∑ B p w p ( τ) ; x( τ ) ≅ ∑ B p w p (t )
p= 0 p= 0
cu:
∞
∑ Bp
2 2
x( τ ) =
p=0
De aceea:
TFxW −V ( t, ω ) = ∑ B 2p TFwW −V (t, ω) + ∑ B p Bq* TFwW ,−wV (t, ω )
p p q
p q
q≠ p
Termenii primei serii din membrul drept reprezintă elemente utile pentru analiza timp-
frecvenţă a semnalului x(t), în timp ce termenii celei de a două serii sunt termenii de
interferenţe.
Deoarece:
∞ ∞
1 2
2π ∫ ∫ TFwW −V (t, ω) dt dω
p
= wp = 1
− ∞− ∞
şi:
306 7.4 Atomi timp-frecvenţă şi reprezentări biliniare
1
∞ ∞ ∞ ∞
∑
1
2
x( τ ) = ∫ ∫ W −V
TFx (t,ω)dt dω = ∫ ∫ B p2TFwWp −V (t,ω)dt dω +
2π − ∞ − ∞ 2π − ∞ − ∞ p
∞ ∞ 1 ∞ ∞
∫ ∫ ∑ p q wp ,wq ∑ [
2
B B * W −V
TF ( t, ω) dt dω = ∫ ∫ B p TFwWp −V (t,ω)dtdω +
− ∞− ∞q 2π − ∞ − ∞ p
q≠ p
∞ ∞
+ ∫ ∫ ∑ Bp Bq* TFwW,−wV (t, ω) dt dω ] =
p q
− ∞− ∞ q
p≠q
∞ ∞
= ∑ Bp ∑ B B* TF W −V (t, ω) dt dω
2 1
2π −∫∞ −∫∞ q p q wp , wq
+
p
p≠q
rezultă că:
∞ ∞
∑ B B* TF W −V (t, ω ) dt dω = 0
1
2π −∫∞ −∫∞ q p q wp , wq
p≠q
Deci cel de al doilea termen din membrul drept al expresiei TFxW −V (t, ω ) are
energia nul•. De aceea poate fi definită o nouă reprezentare timp-frecvenţă:
p
unde:
Bp = x, w p
α
α − (t −n to )2
am, n (t) = 4 e 2 ⋅ e j ω om t
π
7 Discretizarea reprezentărilor timp frecvenţă 307
)+(
ω −ω )
2
( p
2
− α p t − tp
αp
TFaWp −V (t, ω ) = 2 e
Folosind aceşti atomi, după aplicarea algoritmului "matching pursuit" se
obţine reprezentarea Gabor adaptivă a semnalului x(τ ):
∞
x( τ ) = ∑ Bp a p ( τ )
p= 0
respectiv reprezentarea timp-frecvenţă de tip Gabor adaptivă:
(t − t ) + α1 (ω − ω )
2 2
P − α p p p
∑ Bp
2
TFxASG ( t, ω ) = 2 e p
p= 0
cu: Bp = x, a p
Capitolul 8
Transformarea
2π
Fourier scurta − jk
x[ n] e ∗ w ∨ [ n] , k = 0,N − 1
n
N
Spectrograma − jk
2π 2
x[ n] e ∗ w [ n]
∨
n
N , k = 0,N − 1
Functia de
2π
incertitudine
x[ n] e ∗ x∨ [ n] , k = 0,N − 1
jk n
N
Wigner-Ville 2π
− j4 k
2π
x[ 2n] e N ∗ x*[ 2n] , k = 0,N − 1
2j k n n
e N
“wavelet” 2π 2π
k x[ n] ∗ ψ∨ k n , k = 1,N
N N
Scalograma 2π ∨ 2π
2
k x[ n] ∗ ψ k n , k = 1,N
N N
Folosind notaţia:
C m ,n = TFxCW T [ m ,n] = x(τ ),ψ*m ,n (τ ) (457)
C m ,n = dm ,n (460)
Dar coeficienţii dm ,n pot fi obţinuţi cu ajutorul algoritmului lui Mallat. De aceea acest
algoritm poate fi folosit la calculul reprezentării TFxCW T ( t,ω) .
Problema care apare este una de iniţializare. Într-adevăr, algoritmul lui Mallat
porneşte de la coeficienţii descompunerii semnalului xo (τ ) (proiecţia lui x(τ ) pe
spaţiul Vo), ao,n , în baza spaţiului Vo. În consecinţă, pentru determinarea
coeficienţilor C m ,n , este necesară cunoaşterea coeficienţilor ao,n . După cum s-a arătat
în paragraful 7.1.2.7, dacă funcţia "wavelets mother" are primele p momente nule
atunci pentru calculul coeficienţilor ao,n se poate folosi formula:
ao,n ≅ x[ n] (462)
8 Algoritmi şi programe de calcul 311
Aproximarea este cu atât mai bună cu cât valoarea lui p este mai mare, şi cu cât
semnalul de analizat este mai "neted".
Nu întotdeauna se face analiza timp-frecvenţă a unor semnale netede. Alteori
nu se poate utiliza pentru analiză o funcţie de tipul "wavelets mother" cu destule
momente nule. În sfârşit există situaţia în care semnalul x(τ )nu aparţine spaţiului Vo.
În continuare se caută soluţii pentru iniţializarea algoritmului lui Mallat pentru aceste
cazuri. În acest scop se caută răspunsul la impuls, h[n], al unui sistem liniar şi
invariant în timp care să răspundă la excitaţia x[n] cu semnalul ao,n .
Folosind sistemul din figura 1.8.2.1 se obţine semnalul ao,n pornind de la
semnalul x(τ ).
y(t) = ∑ u[ k] ϕ(t− k)
k
Se constată identitatea:
y[ n] = ao,n
312 8.2.1 Iniţializarea algoritmului lui Mallat
*
În continuare se echivalează sistemul cu răspunsul la impuls ϕ ∨ (t) cu un sistem în
timp discret, cu răspunsul la impuls h[ n] . Metoda de echivalare este prezentată în
figura 2.8.2.1.
∨*
Figura 2.8.2.1 Echivalarea sistemului cu răspunsul la impuls ϕ (t) cu sistemul
cu răspunsul la impul h[ n] .
e[ n] = 0, ( ∀) n ∈ Z
h[ n] = Fd−1
{ *
Fd x(t)∗ ϕ ∨ (t)t= n } (464)
Fd { x[ n] }
8 Algoritmi şi programe de calcul 313
x(τ ) ∈ B 2π
În acest caz:
Fdr{ x[ n] } = F { x(τ )} (465)
{( *
Fdr x(t)∗ ϕ ∨ (t)t= n )} = { }
F { x(t)} F ϕ ∨ (t) pπ (ω )
*
(466)
h[ n] = Fd
−1
F { x(t)}
*
{{
= Fd−1 F ϕ ∨ (t) pπ (ω )
} } (467)
*
ϕ ∨ (t) ∈ B 2π
{ *
}
Fdr ϕ ∨ [ t] = F ϕ ∨ (t) { *
}
Relaţia (466) devine:
{( *
Fdr x(t)∗ ϕ ∨ (t)t= n )} = {
Fdr{ x[ n] } Fdr ϕ ∨ [ n]
*
}
iar relaţia (467) se mai scrie:
{ {
h[ n] = Fd−1 Fdr ϕ ∨ [ n]
*
}} = ϕ ∨*
[ n] (468)
În acest caz sistemul în timp discret cu răspunsul la impuls h[ n] a fost obţinut prin
*
echivalarea sistemului cu răspuns la impuls ϕ ∨ (t) pe baza metodei de echivalare
care presupune invarianţa răspunsului la impuls [114].
În cazul 1) sistemul în timp discret obţinut este echivalent cu sistemul în timp
{ *
}
continuu cu răspunsul în frecvenţă F ϕ ∨ (t) pπ (ω ) pe baza aceleiaşi metode de
echivalare.
Relaţia (467) este propusă ca soluţie a problemei iniţializării algoritmului lui
Mallat în [146].
Relaţia (468) este propusă ca soluţie a problemei iniţializării algoritmului lui
Mallat în [120], (relaţia (15) pentru x(t) = δ(t)) şi în [1].
Orice funcţie de scară cu suport compact este de bandă nelimitată. De aceea
relaţia (468) reprezintă doar o soluţie aproximativă pentru iniţializarea algoritmului lui
Mallat.
Multe semnale nestaţionare, de analizat, x(τ ) sunt de bandă nelimitată. De
aceea şi relaţia (467) reprezintă doar o soluţie aproximativă pentru problema
iniţializării.
În [146] se propune utilizarea filtrării adaptive pentru rezolvarea problemei
iniţializării algoritmului lui Mallat.
8 Algoritmi şi programe de calcul 315
Y 1 = M o ⋅ X o cu X o = ao şi
cu: m o' [ n] = 2 m o [ n] .
Într-adevăr, se constată că:
ao,n ∗ m o' [ n]
Înmulţirea celei de a doua linii din matricea Mo cu vectorul Xo, descrie convoluţia:
316 8.2.2 Implementarea algoritmului lui Mallat
ao,n ∗ m 1'[ n]
S-a folosit relaţia:
m 1'[ n] = ( −1) n+1 m o [ L − 1− n]
X T = [a
−1,4 a−1,3 a−1,2 a−1,1 ]
11
(472)
12 [ −1,4 d−1,3 d−1,2 d−1,1]
X T = d
Fie M1 matricea care reprezintă colţul din stânga sus al matricii Mo:
Cel de-al doilea pas al algoritmului lui Mallat este descris de relaţia:
Y 2 = M 1 ⋅ X 11 (474)
Rezultatul este:
Y 2T = [ a−2,2 d−2,2 a−2,1 d−2,1 ] (475)
X T = [a
−2,2 a−2,1]
21
(477)
22 [ −2,2 d−2,1]
X T = d
a−11, = m o' [ 2] a0,8 + m o' [ 3] a0,7 + m o' [ 0] a0,2 + m o' [1] a0,1
(479)
d−11, = − m o' [1] a0,8 + m o' [ 0] a0,7 − m o' [ 3] a0,2 + m o' [ 2] a0,1
a−11, = m o' [ 2] a0,4 + m o' [ 3] a0,5 + m o' [ 0] a0,2 + m o' [1] a0,3
(480)
d−11, = m 1[ 2] a0,4 + m 1[ 3] a0,5 + m 1[ 0] a0,2 + m 1[1] a0,3
Pe baza relaţiilor (479) şi (480) se constată că ultimele două elemente ale vectorului
Y 1T sunt eronate deoarece la începutul ultimelor două linii ale matricii Mo apar
elemente nenule. În consecinţă se poate afirma că metoda propusă pentru
implementarea algoritmului lui Mallat are erori. De fapt aplicând semnalului
ao,n transformarea descrisă, bazată pe folosirea matricilor Mo, M1, ... se obţine un
semnal o y[ n] (corespunzător vectorului Y T ) diferit de semnalul yo [ n] din paragraful
~ ~
7.1.2.6. Prin aplicarea transformării inverse (bazată pe folosirea matricilor M To , M 1T ,
...) semnalului o y[ n] se obţine exact semnalul ao,n . Aceste erori pot fi diminuate
dacă se consideră că matricea Mo este diagonală (deci dacă se înlocuiesc cu 0 primele
două elemente de pe ultimile 2 linii). Se spune că metoda de implementare matricială a
algoritmului lui Mallat "are probleme" la margini. Aceste probleme apar datorită
faptului că relaţia (469) descrie de fapt convoluţii circulare pe când în structura
sistemului din figura 2.7.1.2.5 (care prezintă o implementare perfectă a algoritmului
lui Mallat) apar filtre numerice obişnuite (a căror funcţionare este descrisă de
convoluţia obişnuită). Se poate afirma că metoda matricială propusă descrie corect
funcţionarea sistemului din figura 2.7.1.2.5 în regim permanent şi că problemele la
margini apar datorită descrierii neadecvate a regimului tranzitoriu al sistemului
considerat. O altă interpretare a problemelor la margini este următoarea. În cazul
metodei matriciale descrise, la fiecare iteraţie numărul eşantioanelor se înjumătăţeşte
(vectorul Y1 are 8 elemente iar vectorul Y2 are 4 elemente), dar nu depinde de durata
răspunsului la impuls m o [ n] , L. În cazul sistemului din figura 2.7.1.2.5, semnalele
d−1[ n] şi a−1[ n] au durate egale cu (N+L)/2, pe când în cazul metodei matriciale
duratele acestor semnale sunt egale cu N/2. Această observaţie sugerează necesitatea
prelungirii secvenţei ao,n în cazul aplicării metodei matriciale. Dacă secvenţei ao,n i
se concatenează două secvenţe 1 ao,n şi 2 ao,n de lungime L/2, una înainte ( 1 ao,n ) şi
{
una după ( 2 ao,n ) atunci se obţine o nouă secvenţă nou ao,n = 1 ao,n ,ao,n ,2ao,n }
de lungime N+L. Dacă acestei secvenţe i se aplică o iteraţie conform metodei
matriciale, atunci se obţin semnalele d−1[ n] şi a−1[ n] de durate (N+L)/2.
Prin alegerea corespunzătoare a eşantioanelor 1 ao,n şi 2 ao,n s-ar putea realiza
compatibilizarea dintre metoda matricială şi algoritmul lui Mallat. Dacă sunt necesare
mai multe iteraţii în algoritmul lui Mallat (de exemplu M) atunci lungimea secvenţelor
1 ao,n şi 2 ao,n trebuie să fie mai mare.
8 Algoritmi şi programe de calcul 319
N L 2M − 1 N 2M − 1 N
= + = + L ≅ + L
2 M
2 M
2− 1 2 M
2 M
2M
Deci dacă se fac M iteraţii atunci lungimea secvenţelor 1 ao,n şi 2 ao,n trebuie să fie
2M − 1
egală cu L . În acest caz noua secvenţă nou ao,n ar avea lungimea
2 M +1
2 −1
M
N N N L 2M +1 − 1 2M +1 − 1
NL + L + ... + M L = M = NL ≅ 2N L
2 2 2 2− 1 2M
ψ ( τ ,τ ) = ϕ(τ )ψ(τ )
1 1 2 1 2
ψ2 ( τ 1 ,τ 2 ) = ψ(τ 1 )ϕ(τ 2 ) (482)
ψ3( τ 1 ,τ 2 ) = ψ(τ 1 )ψ(τ 2 )
(
ϕ m ( τ 1, τ 2 ) = 22 m ϕ 2m τ 1, 2m τ 2 ) (483)
8.2.3 Algoritmului lui Mallat în cazul semnalelor bidimensionale 321
{ (
se poate afirma ca familia de funcţii 2−m ϕ m τ1 − 2−m n, τ2 − 2−m p )} (m, p) ∈Z 2
D1m x = { x( τ , τ ) , ψ ( τ
1 2 1 1−2
−m
n, τ 2 − 2− m p ) } ( n , p) ∈ Z 2
D 2m x = { x( τ , τ ) , ψ ( τ
1 2 2 1−2
−m
n, τ 2 − 2− m p ) } ( n , p) ∈ Z 2
(485)
D 3m x = { x( τ , τ ) , ψ ( τ
1 2 3 1−2
−m
n, τ 2 − 2− m p ) } ( n , p) ∈ Z 2
Figura 1.8.2.3 Sistem pentru implementarea unei iteraţii în algoritmul lui Mallat în cazul bidimensional.
Figura 2.8.2.3 Sistem pentru calculul transformării "wavelet" discretă inversă, în cazul bidimensional
(cazul unei singure iteraţii).
324 8.3 Algoritmi care folosesc pachete de funcţii "wavelet"
Figura 1.8.3 Ordinograma unei porţiuni dintr-un algoritm de analiză cu pachete de funcţii "wavelet"
8 Algoritmi şi programe de calcul 325
de tip spectrogramă Gabor adaptivă factorul α care fixează durata efectivă a ferestrei
temporale poate fi ales cu ajutorul ferestrei "Gabor basis" de valoare mică, medie sau
mare. Şi spectrograma Gabor este o reprezentare adaptivă, valoarea parametrului p din
paragraful 7.3.1 putând fi aleasă cu ajutorul tastei "order".
Calitatea reprezentării timp-frecvenţă obţinută se apreciază cu ajutorul
ferestrei "matching indicator".
Pot fi obţinute şi reprezentări mai detaliate putându-se efectua operaţia
"zoom". În domeniul frecvenţă pot fi făcute reprezentări în banda [ fm in ,fm ax ]
folosind opţiunea "subband". Valoarea lui fmax poate fi modificată după cum urmează.
Dacă în fereastra "bandwidth" se alege "full band", atunci fmax va fi egal cu jumătatea
valorii afişate în fereastra "sampling freq". Dacă în fereastra "bandwidth" se alege
"1 2n band", n = 1,7, atunci valoarea lui fmin poate fi impusă cu ajutorul ferestrei
1
"start freq" iar f max = f min + n +1 × sampling freq.
2
Dacă se alege obţiunea "pre-emph" atunci poate fi realizată o prefiltrare a
semnalului de analizat x[ n] . Acesta este descrisă de ecuaţia cu diferenţe finite:
y[ n] = x[ n] − factor ⋅ x[ n]
Figura 13.8.4.1. Densitatea spectrala de energie a semnalului din cel de al doilea exemplu.
Acest efect devine mai puţin supărător dacă se calculează reprezentarea Wigner-Ville
a semnalului analitic asociat semnalului de analizat aşa cum se vede în figura 17.8.4.1.
Termenii de interferenţă din zona centrală a imaginii afectează atât localizarea
temporală cât şi localizarea frecvenţială a reprezentării. Se poate afirma că prin
utilizarea reprezentării Wigner-Ville a semnalului analitic asociat semnalului de
analizat se elimină o parte din termenii de interferenţă din reprezentarea Wigner-Ville
a semnalului original.
ω i ( τ ) = 3 α τ 2 + 2 βτ + γ
Figura 21.8.4.1. Reprezentarea Wigner-Ville a semnalului analitic asociat semnalului din exemplul al
treilea.
x(τ ) = ∑a − M ,k o ϕ − M ,k (τ ) + ∑ ∑d − m ,k ψ− m ,k (τ )
k m = 1 k
Algoritmul owave 1 calculează coeficienţii a− M ,k şi d− m ,k. Pentru acest calcul se
folosesc filtrele m o [ n] şi m 1[ n] corespunzătoare ale căror coeficienţi sunt memoraţi în
fişierul Impulse Response. Poate fi utilizată oricare dintre soluţiile problemelor la
margini deja prezentate. De asemenea M poate fi ales de orice valoare (pentru care
descompunerea este posibilă). Transformarea "wavelet" continuă a semnalului x(τ )
poate fi obţinută prin interpolarea bidimensională a coeficienţilor
{a − M , k , d − m, k } m=1, M , k ∈Z
. Aceasta poate fi realizată de exemplu cu modulul
"make".
BIOWAVE 1. Acest algoritm este foarte asemănător cu algoritmul OWAVE 1.
Diferenţa constă în filtrele folosite. Fişierul Impulse Reponse conţine de data aceasta
răspunsurile la impuls de filtre de tipul m o [ n] , m 1[ n] , m
~ [ n] şi m
o
~ [ n] .
1
Există la ora actuală programe de calcul a reprezentării timp-frecvenţă de tip
"wavelet" care funcţionează sub sistemul de operare WINDOWS. Majoritatea lor sunt
concepute ca şi subrutine ale unor programe de matematică specializate cum ar fi
programele: MATHCAD, MATLAB sau MATHEMATICA.
338 8.4.3 Despre Wave Lab
2.Structuri de date
Citirea datelor
Browse Image - caută fişierul Image Datasets,
Image Fig - fişierul de imagini obţinut aplicând Browse Image,
Read Image - încarcă un fişier din directorul Image Datasets,
Read Signal - încarcă un fişier din directorul Signal Datasets
Generarea datelor
340 8.4.3 Despre Wave Lab
În figura 4.8.4.3 este prezentată o variantă perturbată aditiv cu zgomot alb a aceluiaşi
semnal.
Figura 7.8.4.3. Densităţile spectrale de energie ale semnalelor de dinainte şi de după aplicarea procedurii
“denoising”.
Transformări:
Figura 8.8.4.3. Transformarea "wavelet" discretă folosind pachete de funcţii "wavelets" de tip Haar a
semnalului din figura 3.8.4.3.
După cum se vede, criteriul de căutare a celei mai bune baze a fost minimizarea
entropiei. În figura 10.8.4.3 se prezintă descompunerea atomică, în planul timp-
frecvenţă a semnalului "Blocks", astfel obţinută. În continuare se prezintă câteva
concluzii referitoare la "tool-box"-ul WaveLab.
- Această bibliotecă este exhaustivă, conţinând peste 800 de fişiere MatLab.
De altfel ea este actualizată în permanenţă.
- WaveLab reuşeşte să fie o unealtă de cercetare reproductibilă, deoarece dă
accesul oricărui cercetător la uneltele pe care le-au folosit autorii săi în articolele pe
care le-au publicat.
8 Algoritmi şi programe de calcul 345
Figura 9.8.4.3. Arborele de selecţie a celei mai bune baze pentru transformarea din figura anterioară.
APLICAŢII
Se poate afirma că nu există nici un domeniu de aplicare a teoriei semnalelor
în care să nu existe aplicaţii ale reprezentărilor timp-frecvenţă. De fapt, fiecare tip de
reprezentare timp-frecvenţă a apărut din nevoia rezolvării unei probleme practice.
Marea diversitate a aplicaţiilor reprezentărilor timp-frecvenţă face ca încercarea de a
clasifica aceste aplicaţii să fie foarte dificilă. De aceea în acest capitol va fi făcută o
trecere în revistă a aplicaţiilor reprezentărilor timp-frecvenţă, insistându-se asupra
acelora care au fost dezvoltate în echipa de cercetare din care fac parte autorii. Pentru
celelalte vor fi indicate surse bibliografice şi se va încerca evidenţierea performanţelor
obţinute dar şi a factorilor care limitează utilizarea lor. Această expunere se va baza pe
rezultatele teoretice prezentate în primele şapte capitole ale acestei lucrări. Acolo unde
vor fi necesare şi cunoştinţe teoretice suplimentare, acestea se vor prezenta pe scurt. În
construcţia exemplelor care vor fi prezentate vor fi utilizate cunoştinţele expuse în
capitolul 8. Clasificarea aplicaţiilor este făcută după domeniile acestora.
Una dintre tehnicile de bază pentru identificarea defectelor mecanice ale unor
instalaţii în stare de funcţionare se bazează pe studiul vibraţiilor dezvoltate în aceste
echipamente. Există două categorii de astfel de vibraţii: sincrone cu mişcarea unor
subansamble, asincrone.
Chiar în cazul vibraţiilor sincrone apar componente de intermodulaţie ca
urmare a variaţiilor de viteză ale subansamblelor corespunzătoare. În [60] se face o
trecere în revistă a tehnicilor tradiţionale de analiză a vibraţiilor: analiza spectrală,
medierea semnalului sincronă cu mişcarea sursei vibraţiilor, analiza părţii nestaţionare
a vibraţiilor, demodularea în domeniul timp. O modalitate simplă de identificare a
defectului este analiza vibraţiilor obiectului studiat în planul timp-frecvenţă. Practic se
poate obţine o semnătură în planul timp-frecvenţă a vibraţiilor subansamblului
considerat. Aceasta se poate compara cu semnătura în planul timp-frecvenţă a
subansamblului înregistrată când acesta a funcţionat corect. Dacă cele două semnături
sunt diferite atunci se trage concluzia că subansamblul considerat este defect. De
exemplu, aşa cum s-a arătat în [13], folosind reprezentarea timp-frecvenţă de tipul
Wigner-Ville poate fi obţinută semnătura în planul timp-frecvenţă a fiecărui cilindru
al unui motor Diesel. În acest mod comparând semnăturile obţinute pot fi identificate
defectele la cilindrii motorului. Şi sistemele de injecţie ale motoarelor Diesel pot fi
caracterizate în planul timp-frecvenţă. În acest scop pe lângă reprezentarea timp-
frecvenţă de tipul Wigner-Ville poate fi utilizată şi reprezentarea timp-frecvenţă de tip
scalogramă, aşa cum se arată în [38].
9 Aplicaţii 353
x [ n] = x[ n] e − jΩon
~
Discretizând şi frecvenţa Ωo :
m
Ωo = 2π
N
N −1 − j2π k
l
W z(n, k ) = 2 ∑ f n (l) e 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] reprezintă o funcţie fereastră, reală, de lungime 2N − 1 cu w [ 0] = 1.
Reprezentarea pseudo Wigner-Ville discretă poate fi rescrisă în forma:
N −1 N −1
2π l k 2π l k
W z(n, k ) = 4 ∑ u[ l ] cos + 4 ∑ v[ l ] sin − 2 z[ n] 2
N N
l= 0 l= 0
unde:
u[ l] = Re { fn (l)} ; v[ l] = Im { fn (l)}
Această expresie poate fi uşor calculată cu ajutorul transformării Fourier discretă.
Având în vedere că de obicei semnalele bioelectrice sunt semnale modulate în
frecvenţă uneori este utilă cunoaşterea dependenţei de timp a frecvenţei lor
instantanee. Dar reprezentările timp-frecvenţă se concentrează în planul timp-
frecvenţă pe frecvenţa instantanee (aceasta este una dintre condiţiile impuse unei
reprezentări timp-frecvenţă, aşa cum s-a arătat în capitolul 2). De aceea ele pot fi
folosite la estimarea legii de variaţie în timp a frecvenţei instantanee a semnalului de
analizat. Diferite tehnici de estimare a frecvenţei instantanee bazate pe utilizarea unor
reprezentări timp-frecvenţă vor fi prezentate într-un paragraf următor.
Şi funcţiile "wavelet" pot fi utilizate în analiza semnalelor bioelectrice care
descriu funcţionarea sistemului nervos central. Această afirmaţie este dezvoltată în
[119].
356 9.5 Aplicaţiile reprezentărilor timp-frecvenţă în metrologie
(
x( τ) = cos 2π τ 2 ) (487)
(
H{x( τ) } = sin 2π τ 2 )
Semnalul analitic asociat lui x(τ) este :
x a ( τ ) = x( τ ) + j H { x( τ ) } = e − j 2 π τ
2
τ τ
K W − V x (t, τ) = x a t + x a* t − = e j 2 π ( 2 t τ)
a 2 2
9 Aplicaţii 357
Deci:
{ } {
TF W −V (t, ω) = F K W −Vx (t, τ ) (ω) = F e j (4 π t ) τ (ω) =
xa a
} (489)
= 2 π δ(ω − 4 π t )
Deci în cazul semnalului x(τ) din relaţia (487), reprezentarea timp-frecvenţă de tip
Wigner-Ville a semnalului analitic asociat se concentrează perfect pe curba frecvenţei
instantanee. În continuare se consideră semnalul:
x( τ) = cos y(τ) (491)
τ τ
j y t + −y t −
KW
xa
−V
(t, τ) = e 2 2
1
fi ( τ ) = y'( τ ) (492)
2π
τ τ
y t + − y t −
1
f$i (t, τ) =
2 2
(493)
2π τ
Se constată că:
(t, τ) = e j fi ( t , τ ) ⋅2 π τ
−V $
KW
xa (494)
358 9.5.1 Măsurarea frecvenţei instantanee
P
W− V
g Kx (t, τ) = [ x ( t + c k τ ) ] b k [ x ( t + c− k τ ) ] − b -k
*
k= 1
fi( τ ) =
1
2π
[
Q 2 m ( τ ) + τ Q' 2 m ( τ ) ]
Reprezentarea Wigner-Ville generalizată a semnalului xa (τ )este:
j
m
∑ (
bk y t + c k t )
k = −m
W−V
g T Fx a (t, ω ) = F e k ≠0
(ω )
9 Aplicaţii 359
Figura 1.9.5.1. Rezultatul binarizării reprezentării Wigner-Ville a unui semnal modulat în frecvenţă.
Figura 2.9.5.1. Rezultatul binarizării reprezentării de tip spectrogramă Gabor adaptivă a semnalului
modulat în frecvenţă.
360 9.5.1 Măsurarea frecvenţei instantanee
Figura 3.9.5.1. Imaginea obţinută prin dilatarea imaginii din figura 1.9.5.1.
Figura 4.9.5.1. Imaginea obţinută prin dilatarea imaginii din figura 2.9.5.1.
Figura 5.9.5.1. Imaginea obţinută prin filtrarea mediană a imaginii din figura 3.9.5.1.
9 Aplicaţii 361
Figura 6.9.5.1. Imaginea obţinută prin filtrarea mediană a imaginii din figura 4.9.5.1.
În prima dintre aceste figuri este prezentată estimarea frecvenţei instantanee a unui
semnal FSK, iar în cea de a doua figură se prezintă estimarea frecvenţei instantanee a
unui semnal generat de un generator de semnal vobulat. Estimările frecvenţelor
instantanee cuprinse în banda [100 Hz, 20 KHz] realizate cu ajutorul acestui aparat au
o precizie satisfăcătoare, erorile relative comise nedepăşind valoarea de 1%.
Alţi estimatori ai frecvenţei instantanee bazaţi pe reprezentările timp-frecvenţă
discrete sunt prezentaţi în [13].
Figura 9.9.5.1 Sistem pentru calculul reprezentării timp-frecvenţă de tipul transformare scurtă discretă.
9 Aplicaţii 365
∑ X ( p,m )
2
E[ m ] =
p= 0
Notând cu f[ m ] valoarea benzii instantanee a semnalului x[ n] , valoarea energiei
instantanee cuprinsă în această bandă este:
f[ m ]
∑ X ( p,m )
2
E 1[ m ] =
p= 0
Fie:
f[ m ]
∑ X ( p,m )
2
P[ m ] =
p= 0
E[ m ]
pragul energetic la momentul m. După cum se constată valoarea lui P[ m ] indică
cantitatea din energia instantanee concentrată în banda instantanee. Condiţia:
P[ m ] ≥ Po
asigură printr-o bună alegere a lui Po o valoare suficientă pentru f[ m ] în aşa fel încât
aproximarea semnalului x[ n] prin semnalul x $[ n] obţinut prin aplicarea transformatei
{ }
Fourier scurtă discretă inversă semnalului X ( 0,m ) ,X ( 1,m ) ,...X ( f[ m ] ,m ) să
$[ n] s-ar fi obţinut prin eşantionarea semnalului x(τ )
aibă calitatea dorită. Semnalul x
cu o frecvenţă de eşantionare (corespunzătoare lui f[ m ] ) de valoare mai mică decât
valoarea frecvenţei de eşantionare folosită pentru obţinerea semnalului x[ n] . De
aceea se poate afirma că pentru fiecare valoare a lui m există o valoare
corespunzătoare a frecvenţei de eşantionare a semnalului x(τ ). Pentru valori diferite
ale lui m se obţin valori diferite ale frecvenţei de eşantionare. Iată de ce se poate
afirma că este vorba despre o eşantionare adaptivă. În consecinţă, semnalul x $[ n] se
obţine prin eliminarea unora dintre eşantioanele semnalului x[ n] . Privită din acest
unghi metoda de eşantionare descrisă poate fi considerată ca şi o metodă de compresie
de date. În cazul în care semnalul x(τ ) este un fenomen tranzitoriu, pentru
înregistrarea formei sale de undă compresia datelor este foarte importantă. Într-adevăr
memoria oricărui aparat de măsurare numeric are o capacitate finită. De aceea
366 9.5.2 Măsurarea benzii instantanee
cu cât se foloseşte o frecvenţă de eşantionare mai mare cu atât durata din semnalul
tranzitoriu de înregistrat care poate fi stocată în memorie este mai scurtă. Dacă se
foloseşte compresia de date atunci o durată mai lungă din semnalul de înregistrat
poate fi stocată în memorie. În continuare vor fi prezentate şi alte metode de
compresie de date bazate pe utilizarea reprezentărilor timp-frecvenţă.
N
x( τ ) = l.i.m.
N→∞
∑ ak ηk ( τ ) , 0≤ τ ≤ D (501)
k=1
unde limita este în medie pătratică, iar funcţiile ηk (τ ) sunt ortogonale. Este
interesantă aproximarea semnalului x(τ )prin semnalul xN (τ )cu:
N
xN (τ ) = ∑a k ηk (τ ) , 0≤ τ ≤ D (501')
k= 1
Se doreşte construcţia acestei aproximări în aşa fel încât semnalul în timp discret ak să
nu aibă elemente corelate.
Relaţia (501) poate fi pusă în forma:
N →∞
{
lim E ( xN (τ )− x(τ ))
2
}= 0 (502)
9 Aplicaţii 367
adică:
D D
E ∫ x(τ )η*k (τ )dτ ⋅ ∫ x* (u)η (u)du = λ k δ [ k − l]
0 0
l
sau:
D
D
∫ ηl(u) ∫ E { x(τ )x* (u)} η*k (τ )dτ du = λ k δ [ k − l]
0 0
Dar, E { x(τ )x* (u)} reprezintă autocorelaţia semnalului aleator x(τ ), rxx ( τ, u) .
Ultima relaţie devine:
D D
∫ ηl (u) ∫ rxx ( τ , u) η*k ( τ ) dτ du = λ k δ [ k − l ] (504')
0 0
S-a obţinut în acest mod o ecuaţie integrală de tip Fredholm. R x ( τ,u) reprezintă
nucleul ecuaţiei, ηk (τ )sunt funcţiile proprii iar λ k valorile proprii.
Cunoscând autocorelaţia semnalului de descompus x(τ ), R x ( τ,u) se poate
rezolva ecuaţia (505), determinându-se funcţiile ηk (τ ) şi constantele λ k . Se poate
demonstra că transformarea Karhunen-Loeve, definită în relaţia (501') minimizează
eroarea medie pătratică de aproximare:
E( e2 ) = E {( x(τ )− x (τ )) }
N
2
(506)
rxx ( τ , u) = δ( τ , u)
D D
∫ ηl (u) ∫ δ( τ , u) η*k ( τ ) dτ du = λ k δ [ k − l ]
0 0
adică:
ηl( 0) η*k ( 0) = λ k δ [ k − l] (507)
Deci:
λ l = ηl( 0) = E al
2
{ }2
= σ2l
∫ e − τ − u η k (u) du = λ k η k ( τ ) (509)
0
Soluţiile acestei ecuaţii sunt:
ωoτ 2
ηk ( τ ) = e j k ; λk = (510)
1 + k 2ω o2
T T = [ ηo η1 ...ηN −1]
ηTk ⋅ ηl = δ[ k − l]
x = T X = [ ηo η1 ...ηN −1] X =
T
∑ X [ k] ηk (511)
k= 0
xM = ∑ X [ k] ηk (512)
k= 0
∆x = x − xM = ∑ X [ k] ηk (513)
k= M
Eroarea medie pătratică de aproximare este:
N −1 N −1
ε = E { ∆x 2
} = E ∑ ∑ X[ k ] X[ l ] ηTk ηl
k = M l=M
N −1
ε = ∑ E {X 2
[ k] } (514)
k= M
X [ k] = ϕ Tk ⋅ x
∑ E {ϕ ⋅ x ( ϕ ⋅ x) } = ∑ϕ E { x x } ϕ
T
ε = T
k
T
k
T
k
T
k (515)
k= M k= M
9 Aplicaţii 371
adică:
N −1
ε = ∑ϕ T
k C x ϕk (516)
k= M
ε m in = ∑λ k (518)
k= M
Transformarea definită de relaţia (517) se numeşte transformarea Karhunen-Loeve a
semnalului în timp discret x[ n] .
În continuare se prezintă o legătură între transformările Karhunen-Loeve în
timp continuu şi în timp discret.
Relaţia (505) poate fi rescrisă în forma:
rx ( τ , u ) , η k ( τ ) = λ k η k (u) (519)
L2
Cu notaţia:
rx (m, n) = C x [m, n]
C x [m,n], η k [ n] = λ k η k [ m] , m = 0, N − 1 (520)
l2
sau matricial:
C x [ 0,0] C x [ 0,1] L C x [ 0,N − 1] ηk [ 0] ηk [ 0]
η [1]
C x [1,0] C x [1,1] L C x [1,N − 1] ηk [1]
= λ k
M M M M
k
M
C [ N − 10
,] L C x [ N − 1,N − 1] ηk [ N − 1]
,] C x [ N − 11 η [ N − 1]
x k
(521)
adică:
C x ηk = λ k ηk (522)
372 9.5.3 Compresia datelor în aparatura de măsurare numerică
λ o 0 K 0
0 λ1 K 0
Cx = (523)
M M M
0 0 K λ N −1
X [ k] , k = 0,M − 1
X c[ k] =
0 , in rest
Numărul N-M de eşantioane X [ k] care pot fi neglijate corespunde la numărul de
coeficienţi λ k ai matricei de covarianţă C x care pot fi neglijaţi.
Din păcate nu există algoritmi rapizi pentru calculul transformării Karhunen-
Loeve a unui semnal. De aceea este dificilă determinarea vectorilor proprii ai matricei
de covarianţă. În practică se utilizează transformări ortogonale suboptimale. Acestea
ating doar asimptotic performanţele transformării Karhunen-Loeve dar beneficiază de
implementări bazate pe algoritmi rapizi. Printre aceste transformări suboptimale
figurează:
- transformarea Walsh-Hadamard (prezentată în [130]),
- transformarea cosinus discretă DCT,
- transformarea wavelet discretă.
Convergenţa asimptotică a transformării DCT spre transformarea Karhunen-
Loeve este demonstrată în [104]. În continuare se demonstrează convergenţa
transformării "wavelet" discretă spre transformarea Karhunen-Loeve.
Fie semnalul aleator x(τ ). Proiecţiile acestui semnal pe descompunerea
ortogonală a lui L2 ( R ) , {Wm } m∈Z , generată de funcţia "wavelets mother" ψ(τ )
sunt semnale ale căror descompuneri în bazele {ψ m, n ( τ )} n ∈Z au coeficienţii
dm [ n] :
dm [ n] = x(τ ),ψ m ,n (τ )
9 Aplicaţii 373
{
rd m [ k, l ] = E d m [ k ], d m
*
[l ] = E } { x( τ ), ψ m, k ( τ ) , x( τ ), ψ m , l ( τ )
*
}=
= E {∫ x( τ ) ψ ( τ ) dτ ∫ x (u) ψ ( u ) du} =
R
*
m, k R
*
m, l
= E {∫ x( τ ) x (u) ψ ( τ ) ψ ( u ) du dτ } =
* *
m, k m, l
R2
∫R E{ x( τ ) x (u) }ψ m, k ( τ ) ψ m, l ( u )
* *
= 2 du dτ
{ }
E x( τ ) x* (u) = rxx ( τ − u)
În consecinţă:
rd m [ k, l ] = ∫R 2 rxx ( τ − u) ψ *m , k ( τ ) ψ m , l ( u ) du dτ =
∫R ψ *m, k ( τ ) ∫R ψ m, l ( u ) rxx ( τ − u) (
du = ∫ rxx ( τ ) ∗ ψ m , l ( τ ) ψ *m , k ( τ ) dτ
R
)
sau pe baza relaţiei lui Parseval:
∫R F {rxx ( τ ) ∗ ψ m, l ( τ )} ( ω ) { }
1
rd m [ k, l ] = F * ψ *m , k ( τ ) ( ω ) dω
2π
rd m [ k, l ] =
1
2π ∫R F {rx x( τ ) } ( ω) { } {
F ψ m , l ( τ ) ( ω ) F * ψ m , k ( τ ) ( ω ) dω }
Dar:
m
{ } −
(
F {ψ} 2− m ω )
−m
F ψ m , l ( τ ) (ω ) = 2 2 e− j ω 2 l
Deci:
374 9.5.3 Compresia datelor în aparatura de măsurare numerică
m
−
∫R F { rxx ( τ )} (ω ) 2
1 −m
rd m [ k, l ] = 2 e− j ω 2 l
⋅
2π
m
( ) ( )
−
F {ψ} 2 F * {ψ} 2− m ω dω
−m
−m
ω 2 2 ejω2 k
adică:
F { rxx ( τ )} (ω ) 2− m e − j ω 2 F {ψ} 2− m ω ( )
1 −m
(l − k )
rd m [ k, l ] = ∫
2
dω
2π R
Integrala din membrul drept se poate descompune într-o serie de integrale calculate pe
intervale de lungime 2π:
∞ (2p +1) π
F { r xx ( τ )} (ω ) 2 − m e − j ω 2 (
F {ψ } 2 − m ω )
−m
∑
1 (l − k )
r d m [ k, l ] =
2
2π ∫ dω
p = − ∞ (2p −1) π
Cu schimbarea de variabilă:
v = 2− m ω
ultima relaţie devine:
∞ (2p +1) π
∑ ∫ F { rxx ( τ )} (2m v ) e − j F {ψ} (v ) dv
1 (l − k )
rd m [ k, l ] =
2
2π p = − ∞ (2p −1) π
Cu schimbarea de variabilă:
w = v− 2 p π
rezultă:
∞ π
∑ ∫ F{ rxx ( τ )}(2m ( w + 2pπ)) e − j w F {ψ}( w + 2pπ ) dw
1 (l − k )
rd m [ k, l ] =
2
2π p = − ∞− π
sau:
π ∞
rdm [ k, l] =
1
∫ ∑
2π −π p=−∞
( )
F{ rxx ( τ )} 2m ( w+ 2pπ) e − j w ( l −k) F{ψ}( w+ 2pπ) dw
2
(524)
Dacă semnalul aleator x(τ ) este un zgomot alb de valoare medie nulă şi dispersie
unitară atunci:
(
F {rxx ( τ )} 2m ( w + 2pπ ) = 1, ) ( ∀) w ∈ R
π ∞
∫ ∑ F {ψ}( w + 2pπ)
1
rd [ k,l ] = e − j w ( l − k ) dw
2
(525)
m 2π − π p = −∞
Dar în paragraful 7.1.2.1 s-a demonstrat, relaţia (178) conform căreia în cazul
funcţiilor "wavelet" ortogonale:
∞
∑ F{ψ}( w + 2pπ)
2
= 1
p= −∞
În consecinţă:
rd m [ k, l ] = δ [ k − l ]
Cu alte cuvinte, dacă x(τ ) este un zgomot alb atunci toate semnalele dm [ n] sunt
zgomote albe în timp discret. Deci prin aplicarea transformatei wavelet discretă unui
semnal în timp discret de tip zgomot alb se obţin tot semnale în timp discret de tip
zgomot alb. Evident eşantioanele acestor semnale sunt necorelate. Deci transformarea
wavelet discretă ortogonală se comportă la fel ca şi transformarea Karhunen-Loeve la
prelucrarea semnalelor în timp discret de tip zgomot alb, indiferent de tipul funţiei
"wavelet" utilizată. Se trece la lmită pentru m tinzând la −∞, în cei doi membri ai
relaţiei (524). Se obţine:
π ∞
F { rxx ( τ )} (0) e − j w ( l − k ) ∑ F {ψ}( w + 2pπ) dw
1
rd −∞ [ k, l ] = ∫
2
2π −π p = −∞
sau:
π
F{ rxx ( τ )} (0) ∫ e − j w ( l −k) dw = F{ rxx ( τ )} (0) δ [ k − l ] (526)
1
rd−∞ [ k, l] =
2π −π
Deci semnalul d− ∞ [ n] este un zgomot alb în timp discret. Eşantioanele sale sunt în
consecinţă necorelate. Se poate aşadar afirma că transformarea "wavelet" discretă
converge asimptotic la transformarea Karhunen-Loeve. Demonstraţia de mai sus a fost
reprodusă din [78]. O analiză asemănătoare pentru pachete de funcţii "wavelet" este
prezentată în [10]. Iată de ce este recomandată utilizarea transformării "wavelet"
376 9.5.3 Compresia datelor în aparatura de măsurare numerică
E x = ∑ x [ k] =
2
∑ y [ k]
2
(527)
k= 0 k= 0
M −1 M −1
E x$ = ∑ x$ 2[ k ] = ∑ y$ 2[ k ] (528)
k= 0 k= 0
ε = ∑ o $ 2 [ k]
y
k= M
Ex
max ε =
M∈Z 100
Figura 1.9.5.3. Compresia unui semnal sinusoidal. Factorul de compresie este 10,66.
Figura 2.9.5.3. Compresia unui semnal dreptunghiular. Factorul de compresie este 8,53.
Figura 3.9.5.3. Compresia unui semnal modulat în frecvenţă. Factorul de compresie este 8,53.
9 Aplicaţii 379
cu:
Ik = [ ak ,ak+1]
380 9.6.1 Aplicaţiile reprezentărilor timp-frecvenţă la prelucrarea vocii
unde:
ψ m ,k (τ ) = w m (τ )gm ,k (τ ) (530)
şi:
π
k + ( τ − am )
2 1
gm ,k (τ ) = cos (531)
Im Im 2
cu:
b (τ ), τ ∈ [ a − r,a + r]
m m m
w m (τ ) = 1 , τ ∈ [ am + r,am +1 − r] (532)
bm +1( 2 am +1 − τ ) , τ ∈ [ am +1 − r,am +1 + r]
unde:
π π ( τ − am )
bm (τ ) = sin 1 + sin (533)
4 2 r
bm ( τ ) x( τ )+ bm ( 2 a m − τ) x( 2 a m − τ) , τ ∈( a m , a m + r ]
U m { x( τ )} = (534)
bm ( 2 a m − τ) x( τ ) − bm ( τ ) x( 2 a m − τ) , τ ∈[a m − r, a m ]
Se poate scrie:
U m { x(τ )} = ∑d m ,k ϕ m ,k (τ ) (535)
k
unde:
ϕ m, k ( τ ) = χ Im ( τ ) g m, k ( τ ) (536)
9 Aplicaţii 381
I oo = [0, T]
I 1o = [0, T /2] ; I 11 = [T / 2, T]
(537)
o = [0, T /4] ; I 0 = [T / 4, T /2]
I 11 12
1 = [T / 2, 3T /4] ; I 1 = [3T / 4, T]
I 11 12
x, x ≥ λ
y = λ ∈ R+ (538)
0, x < λ
y = ( sgn x ) ( x − λ ) , λ ∈ R + (539)
9 Aplicaţii 383
( sgn x ) ( x − λ ) , x ≥ λ
y = (540)
0 , x <λ
0 , x≤λ
y= (541)
x− λ
2
, x>λ
x
0 , x ≤ λ1
λ 2 ( x − λ1 )
y = sgn x , λ1 < x ≤ λ 2 (542)
λ 2 − λ1
x , x > λ2
Analiza statistică a filtrelor din relaţiile (538) ÷ (540) este prezentată în [77]. Pentru
celelalte filtre poate fi consultată lucrarea [65]. Majoritatea filtrelor prezentate mai sus
pot fi transformate în filtre adaptive dacă valoarea parametrului din descrierea lor (de
exemplu λ în relaţiile (538), (540)) este făcută să depindă de unul dintre parametrii
semnalului care trebuie prelucrat. Acest parametru poate fi de exemplu puterea
zgomotului perturbator. Dacă, de exemplu, semnalul perturbator este de tipul zgomot
alb de valoare medie nulă şi de dispersie σ şi dacă în etapa 1 se foloseşte o
transformare "wavelet" discretă ortogonală, atunci puterea zgomotului perturbator în
domeniul transformat (care va fi tot zgomot alb Gaussian), va fi σ 2. Dacă se foloseşte
filtrul descris de relaţia (540) atunci, (conform regulii celor 3σ) alegând λ > 3σ,
practic zgomotul este în întregime suprimat. Evident, raportul semnal pe zgomot al
semnalului de prelucrat trebuie să fie relativ mare, în aşa fel încât înlăturarea
eşantioanelor semnalului util din domeniul transformat, mai mici în modul decât 3σ,
să nu producă distorsiuni prea mari ale acestui semnal. Prelucrarea descrisă mai sus
este exemplificată în paragraful 8.4.3. Semnalul "Blocks" din figura 3.8.4.3 este
perturbat aditiv cu zgomot alb, obţinându-se semnalul din figura 4.8.4.3. Aplicându-se
procedura descrisă mai sus se obţine semnalul reconstruit din figura 6.8.4.3. Se
remarcă faptul că fronturile semnalelor din figurile 3.8.4.3. şi 6.8.4.3 apar la aceleaşi
momente de timp şi că zgomotul a fost aproape complet eliminat. De asemenea se
remarcă faptul că distorsiunile introduse de metoda descrisă nu sunt prea mari. Aceste
caracteristici ale metodei descrise fac din ea una din cele mai performante metode de
îmbunătăţire a raportului semnal pe zgomot.
384 9.6.2 Îmbunătăţirea raportului semnal zgomot folosind funcţiile "wavelet"
În figura 10.9.6.2 este prezentat rezultatul aplicării algoritmului amintit mai sus. Se
constată calităţile metodei de creştere a raportului semnal/zgomot. Valoarea raportului
semnal/zgomot la ieşire este de 10,5. S-a realizat o îmbunătăţire a raportului
semnal/zgomot de 5,83.
Unul dintre domeniile cele mai interesante ale telecomunicaţiilor este legat de
prelucrarea şi transmiterea imaginilor. După cum s-a văzut în paragraful 8.2.3 există
algoritmi rapizi pentru calculul transformării "wavelet" discretă a unei imagini. În
paragraful 8.4.3 s-a prezentat un exemplu de aplicare a acestui algoritm.
Tehnica de compresie descrisă în paragraful 9.5.3 poate fi utilizată şi în cazul
imaginilor. Rezultate ale aplicării acestei tehnici de compresie la imagini sunt
raportate în [61] şi în [30].
De obicei în urma aplicării transformării "wavelet" discretă directă, compresia
propriuzisă este realizată prin cuantizare. În sursele bibliografice citate mai sus se
utilizează cuantizarea scalară, uniformă respectiv neuniformă.
9 Aplicaţii 389
Una dintre cele mai importante aplicaţii în telecomunicaţii ale teoriei funcţiilor
"wavelet" este la transmisia datelor pe linie telefonică, pe canal radio sau pe reţele
ATM sau INTERNET. Majoritatea schemelor de transmisie se bazează pe tehnici
separate de codare a sursei şi de codare a canalului. Această tradiţie de a separa
sarcinile de codare a sursei de sarcinile de codare a datelor care se transmit prin canal
izvorăşte din celebrul "principiu de separare" al lui Shannon. Acest principiu afirmă că
separarea sarcinilor de codare a sursei de codarea datelor care se transmit prin canal
este un procedeu optimal. De exemplu, într-o transmisie punct la punct folosind un
canal invariant în timp, cum ar fi de exemplu o linie telefonică, se poate proiecta cea
mai bună metodă de codare a canalului pentru a exploata capacitatea acestuia (adică să
se obţină o rată de R biţi/sec, astfel încât R ≤ C, unde C este capacitatea canalului
măsurată în biţi / sec). În acest caz sarcina codorului sursei este de a încerca să
realizeze o compresie în aşa fel încât să se poată obţine rata R. Există câteva motive
pentru a nu respecta "orbeşte" principiul separării. În primul rând principiul lui
Shannon este teoretic. Acesta presupune utilizarea unor coduri de lungime şi
complexitate infinită. Există şi alte motive, chiar şi de natură teoretică pentru a avea în
vedere tehnici de codare mixte, sursă-canal. Dacă canalul este variant în timp sau dacă
transmisia are utilizatori multipli atunci şi teoretic este mai bine să se facă o proiectare
mixtă a codoarelor sursei şi canalului. O astfel de codare mixtă sursă-canal poate fi
realizată şi folosind ideea de multirezoluţie. Transmisia multirezoluţie se bazează pe
faptul că un sistem de transmisie poate lucra cu diferite viteze de transmisie, în funcţie
de condiţiile din canal. În cazul unor canale puternic perturbate se poate pune
problema ca anumiţi biţi ai mesajului de transmis să fie codaţi în aşa fel încât să li se
asigure o imunitate la zgomot superioară faţă de imunitatea care li se asigură altor biţi.
Un astfel de sistem de transmisie poate fi realizat folosind diferite tehnici în funcţie de
tipul canalului. De exemplu pot fi utilizate coduri de lungime diferită pentru diferite
categorii de biţi din mesajul de transmis, protejând mai mult de perturbaţii biţii mai
importanţi. O astfel de schemă de transmisie poate fi combinată cu un codor
multirezoluţie al sursei. Un astfel de codor segmentează informaţia sursei într-o parte
"importantă" prin reconstrucţia căreia se obţine o primă aproximare a semnalului de
transmis şi o parte "de detaliu". Informaţia "importantă" poate fi transmisă în urma
codării cu ajutorul unor cuvinte de cod mai lungi şi va avea o probabilitate mai mare
de a fi recepţionată fără erori în timp ce informaţia "de detaliu" este transmisă în urma
codării cu ajutorul unor cuvinte de cod mai scurte şi va fi recepţionată fără erori doar
dacă la momentul transmisiei canalul va fi slab perturbat. În acelaşi fel schema poate fi
generalizată pentru mai multe nivele de importanţă ale biţilor din mesajul de transmis.
Această adaptare intuitivă a aproximaţiilor succesive ale semnalului sursă la diferite
viteze de transmisie, în funcţie de calitatea canalului este numită codare mixtă canal-
sursă multirezoluţie.
Reprezentări timp-frecvenţă 391
BIBLIOGRAFIE