Ministerul Educaţiei, Culturii şi Cercetării Republicii Moldova

Universitatea Tehnică a Moldovei

Facultatea Calculatoare Informatică și Microelectronica
Departamentul Ingineria Software şi Automatică

Referat
Disciplina: Prelucrarea semnalelor
Tema: Wavelet și Wavelet-transformator

A elaborat:
Pavlenco Ecaterina, st. gr. TI-171
A verificat:
Romanenco Alexandru

Chișinău 2020
Introducere
O undă este asemănătoare unei oscilații cu o amplitudine care începe de la zero, crește și apoi scade
înapoi la zero. De obicei poate fi vizualizată ca o „oscilație scurtă” precum cea înregistrată de un
seismograf sau monitor cardiac. În general, undele sunt concepute intenționat pentru a avea proprietăți
specifice care le fac utile pentru procesarea semnalului. Folosind convoluție, undele pot fi combinate cu
porțiuni cunoscute ale unui semnal deteriorat pentru a extrage informații din porțiuni necunoscute. De
exemplu, o undă ar putea fi creată pentru a avea o frecvență de mijloc C și o durată scurtă de aproximativ
o notă a 32-a. Dacă această undă ar fi convertită cu un semnal creat în urma înregistrării unei melodii,
atunci semnalul rezultat ar fi util pentru a determina când se cântă nota Middle C în cântec. Matematic,
unda se va corela cu semnalul dacă semnalul necunoscut conține informații de frecvență similară. Acest
concept de corelație se află în centrul multor aplicații practice ale teoriei undelor.
Ca instrument matematic, undele pot fi utilizate pentru a extrage informații din mai multe tipuri diferite
de date, inclusiv - dar fără a se limita la - semnale audio și imagini. Seturi de unde sunt, în general,
necesare pentru a analiza datele complet. Un set de undele „complementare” vor descompune datele fără
goluri sau suprapuneri, astfel încât procesul de descompunere să fie reversibil din punct de vedere
matematic. Astfel, seturile de unde complementare sunt utile în algoritmii de compresie / decompresie pe
bază de undă, unde este de dorit să se recupereze informațiile originale cu pierderi minime.
În termeni formali, această reprezentare este o reprezentare a seriei de unde a unei funcții integrabile
pătrate, fie pentru un set complet de funcții de bază, ortonormale, fie pentru un set sau cadru incomplet al
unui spațiu vectorial, pentru spațiul Hilbert al funcțiilor integrabile pătrate. Aceasta se realizează prin stări
coerente.
Cuvântul wavelet a fost folosit de zeci de ani în procesarea digitală a semnalelor și în explorarea
geofizicii. Cuvântul francez echivalent ondelette care înseamnă „val mic” a fost folosit de Morlet și
Grossmann la începutul anilor ’80.

Teoria Wavelet
Teoria Wavelet este aplicabilă mai multor subiecte. Toate transformările de undă pot fi considerate forme
de reprezentare a frecvenței timpului pentru semnale în timp continuu (analogice) și astfel sunt legate de
analiza armonică. Transformarea de undă discretă (continuă în timp) a unui semnal cu timp discret
(eșantionat), utilizând bancuri filtrante în timp discret, de configurație diadică (bandă de octavă) este o
aproximare a undelor la acel semnal. Coeficienții unei astfel de bănci de filtru se numesc coeficienți de
undă și de scalare în nomenclatura undelor. Aceste bancuri de filtru pot conține fie filtre cu răspuns fin de
impuls (FIR), fie filtre de răspuns infinit la impuls (IIR). Wavelet-urile care formează o transformare de
undă continuă (CWT) sunt supuse principiului incertitudinii teoriei de eșantionare a analizei Fourier:
Având în vedere un semnal cu un eveniment în el, nu se poate atribui simultan o scară exactă de răspuns
și frecvență acelui eveniment. Produsul incertitudinilor scării de răspuns a frecvenței timpului și
frecvenței are o legătură mai mică. Astfel, în scala grafică a unei transformări de undă continue a acestui
semnal, un astfel de eveniment marchează o întreagă regiune în planul scării timpului, în loc de un singur
punct. De asemenea, baze de undă discrete pot fi luate în considerare în contextul altor forme ale
principiului incertitudinii.

Transformările Wavelet
Transformările Wavelet sunt împărțite în trei clase: continuă, discretă și bazată pe multirresoluție.
Transformarea continua Wavelet :
În analiza numerică, wavelet-urile continue sunt funcții utilizate de transformatul de undă continuă.
Aceste funcții sunt definite ca expresii analitice, ca funcții de timp sau de frecvență.
În transformările de undă continue, un semnal dat de energie finită este proiectat pe o familie continuă de
benzi de frecvență . De exemplu, semnalul poate fi reprezentat pe fiecare bandă de frecvență a formei [f,
2f] pentru toate frecvențele pozitive f> 0. Apoi, semnalul original poate fi reconstruit printr-o integrare
adecvată pe toate componentele de frecvență rezultate.

Benzile de frecvență sau subspațiile (sub-benzi) sunt versiuni la scară a unui subspațiu la scara 1. Acest
subspațiu este, la rândul său, în majoritatea situațiilor generate de schimbările unei funcții generatoare ψ
în L2 (R), unda mamă. De exemplu, scala o bandă de frecvență [1,2] (cu funcția matematică sinc
(normalizată)) are funcția :

Majoritatea undelor continue sunt utilizate atât pentru descompunerea undelor cât și pentru transformările
compoziției. Adică sunt contrapartida continuă a undelor ortogonale.

Transformarea continua wavelet

Exemple de utilizări a transformărilor wavelet continui:

 Wavelet Poisson - Într-un context, termenul „Wavelet Poisson” este folosit pentru a indica o familie
de
wavelete etichetate de setul de numere întregi pozitive, ale căror membri sunt asociate distribuției de
probabilitate Poisson.

 Wavelet Morlet - (sau unda Gabor) este o undă compusă dintr-un exponential complex (purtător)
înmulțit de o fereastră gaussiană (plic). Această undă este strâns legată de percepția umană, atât auzul ,
cât și vederea.

 Wavelet Mexican hat - Este un caz special din familia de wavelets continue (wavelets utilizate
într-o transformare ondulată continuă) cunoscute sub numele de wavelets ermitiene. În practică, această
undă este uneori aproximată de diferența funcției gaussiene, deoarece DoG-ul este separabil și, prin
urmare, poate economisi un timp de calcul considerabil în două sau mai multe dimensiuni.

 Wavelet Meyer - Wavelet Meyer este o undă ortogonală propusă de Yves Meyer. [1] Ca un tip de
undă
continuă, a fost aplicat într-o serie de cazuri, cum ar fi în filtrele adaptive, câmpuri aleatoare fractale, și
clasificarea cu mai multe erori.

Transformarea discretă wavelet :

Este imposibil din punct de vedere calculal să analizeze un semnal folosind toți coeficienții de undă, așa
că se poate întreba dacă este suficient să alegeți un subset discret din jumătatea superioară pentru a putea
reconstrui un semnal din coeficienții de undă corespunzători. Un astfel de sistem este sistemul afin pentru
unii parametri reali a> 1, b> 0. Subsetul discret corespunzător al semiplanului este format din toate
punctele (am, namb) cu m, n în Z. Waveletele copilului corespunzătoare sunt acum date la fel de

O condiție suficientă pentru reconstrucția oricărui semnal x de energie finită prin formula

este că funcțiile formează o bază ortonormală a L2 (R).

 Tranformarea discretă wavelet
Exemple de transformarea discretă wavelet :

 Wavelets Haar - Primul DWT a fost inventat de matematicianul maghiar Alfréd Haar. Pentru o intrare
reprezentată de o listă de 2 ^ n numere, transformarea de undă Haar poate fi considerată a împlini valorile
de intrare, stocând diferența și trecând suma. Acest proces este repetat recursiv, împerecherea sumelor
pentru a dovedi următoarea scală, ceea ce duce la diferențe 2 ^ (n-1) și o sumă finală.

 Waubeets Daubechies - Cel mai utilizat set de transformări de undă discrete a fost formulat de
matematicianul belgian Ingrid Daubechies în 1988. Această formulare se bazează pe utilizarea relațiilor
de recurență pentru a genera probe discrete progresive mai fine ale unei funcții implicite de undă; fiecare
rezoluție este de două ori mai mare decât cea a scării anterioare. În lucrarea ei semnalată, Daubechies
derivă o familie de wavelets, prima dintre ele fiind valul Haar. Interesul pentru acest domeniu a explodat
de atunci și au fost dezvoltate numeroase variante de wavelets originale ale lui Daubechies.

Transformarea multiresoluție wavelet :

Transformarea multirresoluție este bazată pe transformarea undelor discrete (continue în timp) .
În orice transformare de undă discretă, există doar un număr finit de coeficienți de undă pentru fiecare
regiune dreptunghiulară delimitată în jumătatea superioară. Totuși, fiecare coeficient necesită evaluarea
unei integrale. În situații speciale, această complexitate numerică poate fi evitată dacă undele scalate și
deplasate formează o analiză multirresoluție. Aceasta înseamnă că trebuie să existe o funcție auxiliară,
valul tată φ în L2 (R) și că a este un număr întreg. O alegere tipică este a = 2 și b = 1. Cea mai faimoasă
pereche de wavelets tată și mamă este unda Daubechies 4.
Din waveletele mamei și tatălui se construiesc subspațiile

Wavelet-ul tată Vi păstrează proprietățile domeniului timp, în timp ce wavelets-mamă Wi păstrează

proprietățile domeniului de frecvență.
A doua identitate a primei perechi este o ecuație de rafinament pentru valul tată φ. Ambele perechi de
identități stau la baza algoritmului transformării de undă rapidă.

Din analiza multirresoluției rezultă descompunerea ortogonală a spațiului L2 ca

Transforamea multiresoluție wavelet

Rețineți că nu toate bazele de undă discrete ortonormale pot fi asociate unei analize multirresoluție; de
exemplu, wavelet-ul Journe nu admite nicio analiză multirresoluție.

Concluzie:
Astfel însușind tema s-a făcut cunoștință cu diverse noi lucruri cum ar fi noțiunea de wavelet (unde mici) ,
teoria acesteea , precum și tranformările wavelet, adică tipurile acestor tranformări. S-au însușit formulele
tranformărilor continui , dicrete și multiresoluționare . Precum și exemple unde au fost implimentate
aceste trasformări ( de ex. tranformare continua de către Mayer sau Morlet , sau tranformarea cea discretă
fiind la baza Wavelet Haar) .

Bibliografie :
1. https://en.wikipedia.org/wiki/Wavelet#Name
2. https://en.wikipedia.org/wiki/Continuous_wavelet
3. https://en.wikipedia.org/wiki/Poisson_wavelet
4. https://en.wikipedia.org/wiki/Morlet_wavelet
5. https://en.wikipedia.org/wiki/Mexican_hat_wavelet
6. https://en.wikipedia.org/wiki/Meyer_wavelet
7. https://en.wikipedia.org/wiki/Discrete_wavelet_transform#Examples
8. https://towardsdatascience.com/what-is-wavelet-and-how-we-use-it-for-data-science-d19427699cef