Analiza Si Sinteza Semnalelor Nestationare-Indrumator de Laborator

Reiz Romulus Gordan Cornelia
Analiza și sinteza semnalelor

nestaționare
Îndrumător de laborator
2019
Referenți:
- Prof.dr.ing. Trip Nistor Daniel
- Conf.dr. Moldovan Liviu
ISBN 978-606-10-2078-2
Figurile din lucrare aparțin autorilor și au fost realizate prin programul

Matlab/Octave
CUPRINS
Cuprins 3
Lucrarea nr. 1 SEMNALE NESTAŢIONARE. GENERALITĂŢI 4

Lucrarea nr. 2 TRANSFORMATA FOURIER SCURTĂ 13
REPREZENTAREA TIMP-FRECVENŢĂ DE
Lucrarea nr. 3 22
TIPUL WIGNER-VILLE
Lucrarea nr. 4 31
TIPUL CHOI-WILLIAMS
Lucrarea nr. 5 REPREZENTĂRI TIMP-FRECVENŢĂ PĂTRATICE 39
Lucrarea nr. 6 METODA REALOCĂRII 48
ANALIZA MULTIREZOLUȚIE A SEMNALELOR
Lucrarea nr. 7 58
FOLOSIND FUNCȚII WAVELET
BIBLIOGRAFIE 68
3
LUCRAREA NR.1
SEMNALE NESTAŢIONARE. GENERALITĂŢI
1.1. Scopul lucrării:
Lucrarea are ca scop familiarizarea studentului cu noţiunea de semnal nestaţionar şi cu

proprietăţile mai importante ale acestor semnale.
1.2. Generalităţi:
Un semnal este suportul fizic al unei informaţii [1]. Ca urmare, el poate fi de origine foarte
variată (acustică, radioelectrică, optică, mecanică, ... ), dar în ciuda acestei diversităţi el reprezintă
în general evoluţia temporală a unei mărimi necesară unuia sau mai multor utilizatori, care
analizează semnalul primit căutând să extragă acea informaţie pe care o consideră utilă.
Luând în considerare natura nestaţionară a majorităţii semnalelor practice analizate,
caracterizate prin cel puțin un parametru (amplitudine, frecvență, fază etc.) variabil în timp, este
obligatorie introducerea variabilei timp ca parametru necesar al descrierii [2].
Având în vedere natura aleatoare a semnalelor nestaţionare ele nu vor putea fi caracterizate
în domeniul frecvenţă cu ajutorul unor analizoare de spectru tradiţionale (bazate pe utilizarea
transformării Fourier), fiind necesară utilizarea unor aparate de măsură adaptive. În acest context,
un rol important îl au reprezentările timp-frecvenţă care caracterizează semnalul în planul timp-
frecvenţă [3][4]. Ele combină astfel informaţiile furnizate de oscilogramă şi de spectrul de frecvenţă
şi furnizează o prezentare mult mai complexă şi edificatoare cu privire la localizarea temporală a
componentelor spectrale ale semnalului. Ele stau de asemenea la baza sintezei semnalului, codării şi
prelucrării acestuia.
Deoarece în multe aplicaţii din domenii legate de radar, sonar, seismologie, biomedicină,
comunicaţii, oceanografie, prelucrarea vorbirii, analiza fenomenelor impune prelucrarea unor
semnale ale căror caracteristici spectrale (în special frecvenţele maximelor din spectru) sunt
variabile în timp, apare necesitatea introducerii conceptului de frecvenţă instantanee [3].
Pentru această categorie de semnale frecvenţa instantanee este o caracteristică importantă, ea
fiind un parametru variabil în timp, care defineşte localizarea temporală a maximelor spectrale ale
semnalului analizat. În domeniul analizei timp-frecvență a semnalelor nestaționare, curba
corespunzătoare frecvenței instantanee este cunoscută și sub numele de "semnătură a semnalului"
sau curba de-a lungul căreia se regăsește informația pe care o conține semnalul luat în considerare.
Una dintre posibilităţile de obținere a semnăturii semnalelor nestaționare constă în folosirea
reprezentărilor timp-frecvenţă TF, care sunt tridimensionale. Ştiind că transformările TF de tip
Fourier-scurtă, Gabor, Funcție de incertitudine, Wigner-Ville, Choi-Williams, undişoară şi altele,
ale unui semnal, conţin informaţii deosebit de importante cu privire la caracteristicile lui, s-a
constatat că "crestele" sau "curbele" corespunzătoare modulelor acestor transformări determină, în
planul timp-frecvenţă, anumite regiuni cu o concentraţie ridicată de energie, localizată în jurul
frecvenţei instantanee a semnalului[4].
Pornind de la considerentele menționate mai sus, s-a constatat faptul că transformatele timp-
frecvenţă pot fi utilizate pentru caracterizarea şi reconstrucţia semnalului original. Din acest motiv,
de-a lungul timpului s-au conceput multe metode de detecţie a maximelor acestor transformate,
respectiv de estimare a legii de variaţie a frecvenţei instantanee sau semnăturii semnalului
considerat.
4
În continuare, reprezentarea timp-frecvenţă a semnalului x(t) se va nota cu TFX(t,). Dacă
se analizează semnale de energie finită x(t)L2(R), atunci reprezentarea TF va fi privită ca şi un
operator care transformă spaţiul L2(R) cel mai adesea în spaţiul L2(R2).
Operatorul TF aplicat semnalului x(t) este deci funcţia de două variabile TFX(t, ), iar
valoarea acestei funcţii în punctul (t0, 0) reprezintă valoarea la momentul t0 a componentei
spectrale de pulsaţie 0 a semnalului considerat. În concluzie, funcţia TFX(t, ) are semnificaţia de
densitate spectro-temporală a semnalului x(t), iar funcţia TFX(t0, ) are semnificaţia de spectru
instantaneu al semnalului considerat.
Pentru a fi util în caracterizarea semnalelor nestaţionare este necesar ca operatorul TF să
conserve energia semnalului x(t), fiind satisfăcută relaţia [3]:
  
2 2
  TFx ( t , ) dtd   x( t ) dt (1)
  
În multe aplicaţii ale prelucrărilor de semnale este interesant să se cunoască lungimea

suportului temporal al unui semnal sau lungimea suportului transformatei sale Fourier. În acest mod
pot fi apreciate durata semnalului sau banda sa de frecvenţă. În acelaşi timp este firesc să se
considere că semnalele întâlnite în practică sunt atât de bandă limitată, cât şi de durată limitată. În
continuare vom aprecia durata unui semnal pe baza mărimii t cunoscută sub numele de dispersie
temporală[3][4]:
1  2
2t   t  x(t) 2 dt (2)
E x 
şi banda acestuia pe baza mărimii , definită ca dispersie în frecvență a semnalului analizat:
1  2
2     X() 2 d (3)
E x 
În relaţiile de mai sus, semnalul x(t) se consideră de energie finită, adică:

Ex   x(t) dt  
2
(4)

Se observă că cu cât t, respectiv  au valori mai mici, cu atât semnalul x(t), respectiv
transformata sa Fourier X(), sunt mai concentrate în jurul originii, cu alte cuvinte cu atât semnalul
x(t) este mai bine localizat în timp şi în frecvenţă. În acest context se pune foarte des următoarea
întrebare: “cât de bine poate fi localizat un semnal în timp şi în frecvenţă “. Răspunsul este dat de
inegalitatea lui Heisenberg-Gabor, care este cunoscută şi sub denumirea de principiu de
incertitudine și are forma de mai jos:
1
 t    (5)
4
Analizând relaţia (5) se observă că nu se poate realiza o localizare timp-frecvenţă oricât de
bună a unui semnal, produsul său durată-bandă fiind limitat inferior. Semnalele cu cea mai bună
localizare posibilă în planul timp-frecvenţă sunt cele descrise de clasa funcţiilor gaussiene.
1.3. Mersul lucrării:
În cadrul acestui îndrumător de laborator se va folosi toolbox-ul Matlab/Octave[5][6] TFTB

destinat analizei timp-frecvență a semnalelor nestaționare [7]. Acest toolbox conține o serie de
programe Matlab care pot fi folosite pentru a se obține formele de undă ale unor semnale
nestaționare uzuale. După cum se știe, un semnal nestaționar are cel puțin un parametru
(amplitudine, frecvență, fază etc.) variabil în timp. Toolbox-ul TFTB [7] conține programe simple
de generare şi vizualizare a unor semnale nestaționare cu amplitudine variabilă în timp, modulate în
5
frecvență sau se pot genera anumite semnale nestaționare particulare. În mediul Matlab aceste
semnale se reprezintă ca vectori linie sau coloană, având elemente reale sau complexe. Evident o
limitare a unei astfel de reprezentări este reprezentat de faptul că acești vectori sunt de lungime
finită.
Un prim exemplu de semnal nestaționar este cel exponențial. Un semnal exponențial
unilateral poate fi generat cu expresia:
x = amexpo1s(N,T0,T)
care va genera un semnal având N eșantioane a cărui amplitudine va crește sau va scădea
exponențial de la momentul de timp T0, constanta de timp sau viteza de variație a exponențialei
fiind proporțională cu variabila T. Valoarea amplitudinii semnalului la momentul de timp T0 este
egală cu x(T0)=1.
Folosind secvența de program Matlab de mai jos se obțin două semnale exponențiale având
constante de timp diferite.
x1=amexpo1s(256,40,128);
plot(x1,'linewidth',2);grid on
ylabel('Amplitudine');
xlabel('n');
hold on
x2=amexpo1s(256,20,20);
plot(x2,'r','linewidth',2);
legend('Semnalul x1, T0= 40, T = 128','Semnalul x2, T0=20, T = 20')
Formele de undă ale celor două semnale x1 şi x2 sunt prezentate în figura 1.1.
Funcția amexpols2 permite obținerea unor semnale exponențiale bilaterale, sintaxa funcției
fiind similară cu cea a funcției amexpo1s.
1
Semnalul x1, T0= 40, T = 128
0.9 Semnalul x2, T0=20, T = 20
0.8
0.7
0.6
Amplitudine
0.5
0.4
0.3
0.2
0.1
0
0 50 100 150 200 250 300
Esantioane
Figura 1.1: Semnale exponențiale
6
Cu liniile de program de mai jos se obțin cele trei semnale exponențiale din figura 1.2.
figure (2)
x3=amexpo2s(256);plot(x3,'linewidth',2);
hold on
x4=amexpo2s(256,10,140);plot(x4,'r','linewidth',2);
x5=amexpo2s(256,80,80);plot(x5,'g','linewidth',2);grid on
xlabel('Esantioane');
legend('Semnalul x3, T0= 128, T = 32',
'Semnalul x4, T0=10, T = 140','Semnalul x5, T0=80, T = 80')
1
Semnalul x3, T0= 128, T = 32
0.9 Semnalul x4, T0=10, T = 140
Semnalul x5, T0=80, T = 80
0.8
0.7
0.6
Amplitudine
0.5
0.4
0.3
0.2
0.1
0
0 50 100 150 200 250 300
Esantioane
Figura 1.2: Semnale exponențiale bilaterale
Funcția amgauss din cadrul toolbox-ului timp-frecvență permite obținerea unor semnale
modulate în amplitudine cu semnal modulator gaussian. Sintaxa funcției este următoarea:
x=amgauss(N,T0,T)
Folosind această funcție se obțin semnale modulate gaussian în amplitudine având N
eșantioane, semnalele fiind centrate pe momentul de timp precizat de variabila T0, cu dispersia
proporțională cu valoarea T. Semnalul generat are valoarea egală cu 1 la momentul de timp T0 și
aproximativ valoarea egală cu 0.5 la momentele T0+T/2 și T0-T/2.
Folosind secvența de program de mai jos se obțin formele de undă ale semnalelor gaussiene
din figura 1.3.
gauss1=amgauss(256,90,100); plot(gauss1,'linewidth',2);hold on;grid on
gauss2=amgauss(256,180,50); plot(gauss2,'r','linewidth',2);
legend('Semnalul gauss1','Semnalul gauss2')
7
O altă categorie de semnale nestaționare este cea a semnalelor modulate în frecvență.
Semnalul care va fi generat în continuare este un semnal modulat liniar în frecvenţă („chirp”
liniar). Se vor folosi următoarele linii de program:
xfm1=fmlin(128,0.05,0.3,50);
plot(real(xfm1),'Linewidth',2);
unde comanda fmlin are următoarea sintaxă:
[x,fi]=fmlin(N,FNORMI,FNORMF,T0)
unde N reprezintă numărul de eșantioane pe care este reprezentat semnalul, FNORMI
frecvenţa normată iniţială , FNORMF - frecvenţa normată finală, T0 moment de timp de referinţă al
fazei. Frecvența normată reprezintă frecvența semnalului raportată la frecvența de eșantionare, și
poate lua valori între 0 și 0.5, adică poate fi maxim egală cu jumătate din frecvența de eșantionare
conform teoremei eșantionării.
1
Semnalul gauss1
0.9 Semnalul gauss2
0.8
0.7
0.6
Amplitudine
0.5
0.4
0.3
0.2
0.1
0
0 50 100 150 200 250 300
Esantioane
Figura 1.3: Semnale gaussiene
Variabilele de ieșire x și fi conțin semnalul reprezentat sub formă vectorială respectiv legea
de variaţie a frecvenţei instantanee a semnalului obținut. Folosind liniile de program de mai sus se
obţine reprezentarea semnalului modulat liniar în frecvență din figura 1.4.
Un semnal modulat parabolic în frecvenţă se obţine utilizând comanda fmpar, care are
următoarea sintaxă:
[x,fi]=fmpar(N,P1,P2,P3)
N - numărul de puncte al reprezentării semnalului;
P1 - vector conţinând cei trei coeficienţi [A0 A1 A2] ai fazei instantanee polinomiale.
Dacă numărul variabilelor de intrare este egal cu 4, P1 P2 şi P3 sunt coordonatele a trei
puncte [Ti Fi] din planul timp-frecvenţă. Coeficienţii [A0 A1 A2] sunt apoi astfel calculaţi încât
legea de modulaţie în frecvenţă să treacă prin aceste puncte.
8
1
0.8
0.6
0.4
0.2
Amplitudine
0
-0.2
-0.4
-0.6
-0.8
-1
0 20 40 60 80 100 120 140
Esantioane
Figura 1.4: Semnal modulat liniar în frecvenţă

În urma folosirii secvenţei de instrucţiuni:
[xfm2,IF2]=fmpar(128,[0.4 -0.0112 8.6806e-05]);
subplot(211);plot(real(xfm2),'Linewidth',2);
subplot(212);plot(IF2,'Linewidth',2);
ylabel('Frecv. instantanee');
se obţine reprezentarea din figura 1.5, în care este prezentată atât forma de variație în timp a
semnalului cât și frecvența sa instantanee.
1
0.5
Amplitudine
-0.5
-1
0 20 40 60 80 100 120 140
Esantioane
0.4
Frecv. instantanee
0.3
0.2
0.1
0
0 20 40 60 80 100 120 140
Esantioane
Figura 1.5: Semnal modulat parabolic în frecvenţă
9
Studenții vor testa și alte funcții din componența toolbox-ului destinate generării de semnale
modulate în frecvență. Se pot folosi funcțiile fmconst pentru a genera un semnal cu o frecvență
constantă, fmhyp pentru un semnal modulat în frecvență după o lege hiperbolică, fmodany pentru a
se obține un semnal a cărui frecvență instantanee poate lua valori arbitrare, fmpower și fmsin când
semnalul modulator este de tip sinusoidal.
Toate aceste funții produc semnale complexe, fiind generate de fapt semnale analitice. De
asemenea se pot obține și semnale cu o formă de variație mai complicată prin combinarea funcțiilor
prezentate anterior. De exemplu, liniile de program de mai jos permit obținerea semnalului
sinusoidal din figura 1.6, a cărui amplitudine variază gaussian.
x=fmconst(256,0.10).*amgauss(256,80,50);
plot(real(x),'Linewidth',2);grid on
Toolbox-ul permite și obținerea de semnale nestaționare speciale, unele din domeniul

telecomunicațiilor. De exemplu cu funcția anaask se obțin semnale ASK (Amplitude Shift Keyed),
cu funcția anabpsk semnale BPSK (Binary Phase Shift Keyed), cu anaqpsk semnale QPSK
(Quadrature Phase Shift Keyed) iar cu instrucțiunea anafsk semnale FSK (Frequency Shift Keyed).
Studenții vor verifica modul de utilizare a acestor funcții prin tastarea comenzii help urmată
de numele funcției.
0.8
0.6
0.4
0.2
Amplitudine
-0.2
-0.4
-0.6
-0.8
-1
0 50 100 150 200 250 300
Esantioane
Figura 1.6: Semnal sinusoidal a cărui amplitudine variază gaussian
Un semnal de tip FSK se obţine în urma utilizării următoarelor linii de program:

[xfsk,iffsk]=anafsk(512,54,4);
subplot(211); plot(real(xfsk));
Semnalul FSK este format dintr-o succesiune de sinusoide complexe, fiecare având o
frecvenţă aleasă între anumite limite. Un asemenea semnal, care prezintă modificări bruşte ale
frecvenţei este numit „semi-analitic”.
Forma de undă și variația în timp a frecvenței instantanee a unui semnal FSK este
reprezentată în figura 1.7.
10
1
0.5
Amplitudine 0
-0.5
-1
0 100 200 300 400 500 600
Esantioane
0.35
Frecv. instantanee
0.3
0.25
0.2
0 100 200 300 400 500 600

Esantioane
Figura 1.7 Semnalul FSK
Un alt exemplu de semnale nestaţionare este reprezentat de clasa funcţiilor „undişoară”

(wavelet). Pentru exemplificare, în figura 1.8 este prezentată forma de undă a semnalului undişoară
de tip „pălărie mexicană”, reprezentare care se obţine cu instrucţiunea:
plot(mexhat);
0.05
0.04
0.03
Amplitudine
0.02
0.01
-0.01
-0.02
0 10 20 30 40 50 60 70
Esantioane
Figura 1.8: Semnalul undişoară de tip „pălărie mexicană”

11
Tot în clasa semnalelor nestaţionare se încadrează semnalele aleatoare de tip „zgomot”.
Pentru generarea acestor semnale se pot folosi funcțiile noisecg, noisecu rand și randn. De
asemenea, în cadrul toolbox-ului există și o funcție numită sigmerge care permite însumarea a două
semnale având un raport al amplitudinilor precizat. Folosind această funcție, se pot obține semnale
având un anumit raport semnal-zgomot.
12
LUCRAREA NR.2
TRANSFORMATA FOURIER SCURTĂ
Lucrarea are ca scop familiarizarea studentului cu transformata Fourier-scurtă, cu

proprietăţile sale mai importante şi cu modul de obţinere al acestei reprezentări timp-frecvenţă.
Ideea care stă la baza definirii transformatei timp-frecvență de tip Fourier-scurtă (STFT)
constă în înlocuirea analizei Fourier “globală”, care pierde noţiunea de cronologie, adică nu prezintă
localizarea în timp a componentelor spectrale ale semnalului analizat, printr-o succesiune de analize
“locale” obţinute prin “ferestruirea” transformatei Fourier (relația 1)[1][2].

 jt
X()   x ( t )e dt (1)

Această operaţie se realizează folosind o fereastră alunecătoare, aşa cum se arată în figura
2.1. și se notează simbolic sub forma TFxSTFT(t,).
Figura 2.1: Interpretarea lui TFxSTFT(t,) ca un spectru local.
Definiţia matematică a transformării Fourier-scurtă TFxSTFT(t,) este dată de relaţia

următoare[3][4]:

TFxSTFT ( t , )   x( )  w(  - t)  e-jd (2)

unde semnalul analizat x(t)L2(R) are energie finită, iar funcția w(t), numită “fereastră temporală”,
este un semnal de energie unitară.

2 2
w( t ) L2
  w ( t ) dt  1 (3)

La momentul t, TFxSTFT este transformata Fourier a semnalului x() multiplicată cu fereastra
alunecătoare w(-t). Deoarece fereastra elimină toate caracteristicile semnalului care se află în afara
unei vecinătăţi a lui t, TFxSTFT va reprezenta un “spectru local” în jurul momentului de analiză t.
Modificând acest moment de la - la +, fereastra temporală baleiază pe orizontală forma de undă
13
a întregului semnal x(t). Dacă se alege o fereastră temporală de tip “Gaussian” atunci transformarea
Fourier-scurtă poartă numele de transformare Gabor.
Fereastra alunecătoare w(-t) poate fi aleasă, în funcție de aplicație, dintre următoarele:
Hamming, Hanning, Dreptunghiulară, Hann, Blackman, Gaussiană, Impuls Dirac, etc. După ce se
alege fereastra, ea va rămâne nemodificată pe toata durata analizei semnalului considerat.
O proprietate remarcabilă a distribuţiilor timp-frecvenţă de tipul transformare Fourier-scurtă
este că ele definesc operatori inversabili. Formula de transformare TFxSTFT inversă este [3]:
1   STFT
x(t )    TF ( , u)  w (  t )  e jut dud (4)
2   x
Transformata TFxSTFT are multiple aplicaţii. Pătratul modulului lui TFxSTFT se numeşte
spectrogramă, aceasta fiind aplicată în prelucrarea semnalelor din diferite domenii. Aplicaţii de
importanţă majoră includ: analiza semnalelor nestaţionare, identificarea sistemelor, estimarea
spectrală, detecţia semnalelor şi estimarea parametrilor, determinarea vitezei de grup, analiza
vorbirii, identificarea vorbitorilor, estimarea întârzierii de grup şi a frecvenţei instantanee ale unui
semnal, demodularea complexă, filtrarea neliniară în scopul creşterii raportului semnal-zgomot,
compresia semnalelor acustice, etc.
Se vor studia reprezentările timp-frecvenţă de tip Fourier-scurtă (STFT) ale unor semnale
nestaţionare utilizând funcţiile Matlab din componenţa „toolbox”-ului timp-frecvenţă [7]. Sintaxa
comenzii pentru obţinerea acestei reprezentări este:
[TFR,T,F]=tfrstft(x, t, n, h, trace) .
unde x reprezintă semnalul, t momentele de timp la care se realizează calculul, n numărul de
eşantioane ale variabilei frecvenţă reprezentată discret iar h funcţia „fereastră” utilizată. Dacă
variabila trace nu este egală cu zero, se afişează, în procente, progresia algoritmului de calcul al
reprezentării.
Un prim semnal care se va analiza folosind această reprezentare timp-frecvență va fi unul
modulat liniar în frecvență, obținut cu următoarele linii de program Matlab:
x1=fmlin(256,0.05,0.45);
tfrstft(x1);
În momentul execuției instrucțiunii tfrstft se va afișa această reprezentare obținându-se
imaginea planului timp-frecvență din figura 2.2. De asemenea se va deschide un meniu aferent
acestei reprezentări prezentat în figura 2.3, din care studenții vor putea modifica anumiți parametrii
ai reprezentării, cum ar fi paleta de culori folosită, frecvența de eșantionare utilizată la generarea
reprezentării, limitele de frecvență între care se afișează reprezentarea etc. Se poate opta și pentru
afișarea sau nu a formei de undă în timp a semnalului analizat, respectiv a spectrului de frecvență a
acestuia, sau pentru obținerea transformatei timp-frecvență de tip Fourier-scurtă sub forma unei
reprezentări în trei dimensiuni, care poate fi rotită astfel încât studenții să obțină un unghi de vedere
optim pentru a evalua proprietățile semnalului analizat.
Utilitatea reprezentării timp-frecvență de tip Fourier-scurtă iese în evidență în momentul în
care se compară spectrul semnalului modulat liniar în frecvență cu reprezentarea timp-frecvență.
Din spectrul de amplitudine prezentat în partea stângă a imaginii din figura 2.2 nu se poate ști la ce
momente de timp apar anumite componente spectrale, acest lucru fiind posibil doar din analiza
reprezentării timp-frecvență.
În cazul în care semnalul supus analizei este acoperit de un zgomot perturbator, utilizarea
unei reprezentări timp-frecvență este deosebit de utilă de asemenea. Folosind liniile de program de
mai jos studenții vor suprapune peste semnalul modulat liniar de mai sus un zgomot Gaussian
complex.
14
zgomot = noisecg(256);
x1_zg = sigmerge (x1,zgomot,0);
tfrstft(x1_zg);
Se va obține o reprezentare de forma celei din figura 2.4.

Signal in time
1
0.5
Real part
0
-0.5
-1
Linear scale |STFT|, Lh=32, Nf=128, lin. scale, imagesc, Thld=5%
0.5
0.45
0.4
Energy spectral density
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
1000800600400200 50 100 150 200 250
Time [s]
Figura 2.2: Reprezentare de tip Fourier scurtă a unui semnal modulat liniar în frecvență
Figura 2.3: Meniul aferent reprezentării timp-frecvență
15
Signal in time
Real part
0
-2
|STFT|, Lh=32, Nf=128, lin. scale, imagesc, Thld=5%

0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
50 100 150 200 250
Time [s]
Figura 2.4: Reprezentare de tip Fourier-scurtă a unui semnal modulat

liniar în frecvență acoperit de un zgomot Gaussian
Pentru amestecul aditiv al semnalului modulat în frecvență și a zgomotului gaussian se va

folosi instrucțiunea sigmerge care permite alegerea raportului amplitudinilor celor două semnale
exprimat în decibeli. În cazul semnalului din figura 2.4 acest raport este de zero decibeli, adică cele
două semnale au amplitudini egale între ele. Datorită nivelului ridicat al zgomotului, analizând
forma de undă în timp a semnalului, este dificil de observat faptul că avem de-a face cu un semnal
sinusoidal modulat în frecvență, pe când acest lucru este evident în cazul reprezentării timp-
frecvență. Prezența semnalului util modulat în frecvență este și mai evidentă în figura 2.5 unde este
prezentată transformata timp-frecvență sub forma unei reprezentări în trei dimensiuni.
Figura 2.5: Reprezentare tridimensională a transformatei de tip Fourier-scurtă

a unui semnal modulat liniar în frecvență acoperit de un zgomot Gaussian
16
Unul dintre cei mai importanți parametrii ai reprezentării timp-frecvență de tip Fourier
Scurtă este funcția fereastră utilizată la obținerea transformatei. Pentru a ilustra acest aspect
studenții vor genera un semnal de test având o modulație în amplitudine după o lege gaussiană și o
modulație liniară în frecvență. Pentru a genera acest semnal se va folosi următoarea instrucțiune
Matlab:
semnal=amgauss(128).*fmlin(128);
Acest semnal reprezentat sub forma unui vector cu 128 de eșantioane are atât o durată în
timp cât și un spectru de frecvențe finit, după cum se vede în figura 2.6, unde se reprezintă
transformata Fourier Scurtă a sa, obținută folosind o funcție fereastră de tip Hamming având o
lungime de 32 de eșantioane.
Signal in time
1
Real part
0.5
0
-0.5

0.5
0.4
Frequency [Hz]
0.3
0.2
0.1
0
25020015010050 20 40 60 80 100 120
Time [s]
Figura 2.6: Semnal cu o durată în timp cât și un spectru de frecvențe finit
Pentru a testa modul în care lungimea ferestrei afectează reprezentarea timp-frecvență de tip
Fourier Scurtă se vor lua în considerare două cazuri. În primul caz, se va considera o fereastră de tip
impuls Dirac, având lungimea minimă de 1 eșantion. Transformata STFT în acest caz se va obține
cu următoarele linii de program:
h=1; % functie fereastra de tip impuls Dirac
tfrstft(semnal,1:128,128,h);
Se va obține o reprezentare de tipul celei din figura 2.7.
Se constată că în acest caz s-a obținut o rezoluție în domeniul timp perfectă, semnalul fiind
localizat perfect în domeniul timp, dar rezoluție în frecvență este nulă.
Se va testa și cazul în care se obține o rezoluție optimă în frecvență, folosind o funcție
fereastră de valoare constantă în timp. Se vor folosi următoarele linii de program:
h=ones(127,1);
tfrstft(semnal,1:128,128,h);
Se va obține reprezentarea din figura 2.8, în care transformata STFT este redusă la
transformata Fourier, oferind o localizare perfectă a semnalului în domeniul frecvență, dar rezoluția
în domeniul timp este zero.
17
Signal in time
1
0.5
Real part
0
-0.5

0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
250200150100 50 20 40 60 80 100 120
Time [s]
Figura 2.7: Reprezentare timp-frecvență de tip Fourier Scurtă

obținută cu o funcție fereastră de tip impuls Dirac
Signal in time
1
Real part
0.5
0
-0.5

0.5
0.4
Frequency [Hz]
0.3
0.2
0.1
0
25020015010050 20 40 60 80 100 120
Time [s]
Figura 2.8: Reprezentare timp-frecvență de tip Fourier Scurtă
obținută cu o funcție fereastră având o valoare constantă în timp
18
Studenții vor testa și alte funcții fereastră pentru a obține reprezentarea STFT. În acest scop,
se poate folosi funcția tftb_window din cadrul toolbox-ului destinat analizei timp-frecvență, care
permite obținerea unui număr mare de astfel de funcții. Se va urmări felul în care modificarea
tipului funcției fereastră cât și variația dimensiunii acesteia influențează reprezentarea STFT. De
asemenea se poate modifica pasul cu care funcția fereastră este deplasată de-a lungul semnalului în
timpul algoritmului de calcul al transformatei.
Studenții vor folosi și alte semnale nestaționare pentru a testa aspectele menționate mai sus.
De exemplu se poate folosi un semnal care prezintă un salt de frecvență, compus din două semnale
sinusoidale, primul având frecventa de 400 Hz, iar al doilea de 800 Hz. În figura 2.9 s-au
reprezentat forma de undă a semnalului, spectrul său şi reprezentarea de tip STFT. Pentru a obţine
această figură s-au utilizat următoarele instrucţiuni:
semnal_salt=[fmconst(128,0.2);fmconst(128,0.4)];
tfrstft(semnal_salt);
Signal in time
1
Real part
0.5
0
-0.5

0.5
0.4
Frequency [Hz]
0.3
0.2
0.1
0
1.5 1 0.5 50 100 150 200 250
4 Time [s]
x 10
Figura 2.9: Forma de undă a semnalului cu salt de frecvență,
spectrul său şi reprezentarea de tip STFT
Se vor folosi drept semnale de test și semnale reale. De exemplu, se poate utiliza
înregistrarea unui semnal vocal obţinut prin rostirea cuvântului „GABOR”, disponibilă în cadrul
toolbox-ului sub forma unui fișier cu extensia .mat. Acest semnal este reprezentat sub forma a 338
de eşantioane, la o frecvenţă de eşantionare de 1 KHz.
Utilizând următoarele linii de program se obţine o reprezentare în domeniul timp a
semnalului, precum şi a spectrului său (figura 2.10):
load gabor;
time=0:337;
subplot(2,1,1);
plot (time,gabor);
dsp=fftshift(abs(fft(gabor)).^2);
freq=(-169:168)/338*1000;
subplot(2,1,2);
plot(freq(170:338),dsp(170:338));
19
100
Amplitudine
50
-50
0 50 100 150 200 250 300 350
Timp
6
x 10
2.5
2
Amplitudine
1.5
1
0.5
0
0 100 200 300 400 500
Frecventa
Figura 2.10: Forma de undă şi spectrul semnalului vocal
Reprezentarea spectrului semnalului ne oferă informaţii referitoare la conţinutul în frecvenţă

al semnalului vocal, dar nu se pot preciza momentele de timp când apar diferitele componente
spectrale. De exemplu nu se poate şti cărei porţiuni a semnalului îi corespunde acel vârf de 140Hz
prezent în spectrul semnalului. Mult mai multe informaţii obţinem din reprezentarea Fourier Scurtă
a semnalului, din figura 2.11, obţinută cu instrucţiunea:
tfrstft(gabor);
Signal in time
80
Real part
60
40
20
0
-20
-40
0.5
0.45
0.4
0.35
Frequency [kHz]
0.3
0.25
0.2
0.15
0.1
0.05
0
2.5 2 1.5 1 0.5 50 100 150 200 250 300
6 Time [ms]
x 10
Figura 2.11: Reprezentarea Fourier-scurtă a semnalului vocal.
20
Din reprezentarea în planul timp-frecvenţă se observă că semnalul are o primă porţiune între
30 ms şi 60 ms, centrată în jurul frecvenţei de 150Hz, corespunzătoare rostirii silabei „GA”, şi o a
doua porţiune, localizată între 150 ms şi 250 ms, corespunzând rostirii silabei „BOR”. Frecvenţa
medie a acestei porţiuni din semnal descreşte în timp de la 140 Hz la 100Hz. Sunt prezente
armonici superioare ale acestor componente, dar care au amplitudini mai mici.
21
LUCRAREA NR.3
TIPUL WIGNER-VILLE
Lucrarea are ca scop familiarizarea studenților cu reprezentarea timp-frecvență de tip

Wigner-Ville și cu proprietăţile sale mai importante.
O nouă modalitate de abordare a problemei timp-frecvenţă corespunde distribuţiilor

energetice care, spre deosebire de descompunerile liniare ale unui semnal în elemente componente,
au o structură pătratică.
Se ştie că energia Ex a unui semnal x(t) L2(R) poate fi calculată cu oricare dintre
 
2 2
formulele[1]: E x   x( t ) dt   X() d (1)
 
ceea ce conferă cantităţilor |x(t)|2 şi |X()|2 statutul de densităţi de energie temporală şi spectrală. În
acest context devine necesară determinarea unei mărimi mixte x(t, ) care să ofere un punct de
vedere intermediar, sub forma unei densităţi “conjugate”, astfel încât:
 
E x     x ( t ,  )dtd (2)
 
Relaţia de mai sus permite definirea densităţilor de energie ca distribuţii marginale sub forma:
 
2 2
  x ( t , )dt  X() ;   x ( t , )d  x( t ) (3)
 
Deoarece spectrul instantaneu x(t, ) distribuie energia semnalului în funcţie de două
variabile, temporală şi frecvenţială, prima condiţie de mai sus arată faptul că integrarea lui x(t, )
pe toată axa timpului va lua în considerare întreaga evoluţie “istorică” a semnalului analizat,
furnizând astfel o informaţie spectrală globală. A doua condiţie este duală celeilalte.
În acest context, pentru definirea “spectrului instantaneu” al unui semnal s-a introdus
următoarea formulă, care satisface şi condiţiile impuse de distribuţiile marginale[3]:

   
TFxW V ( t , )   x t   x   t    e  j d (4)

 2  2
semnalul x(t) fiind presupus de energie finită.
Relația (4) este cunoscută sub numele de reprezentare Wigner-Ville [4] TFxW-V, ea fiind
transformata Fourier-scurtă a unei funcţii ce caracterizează repartiţia de energie. Totodată, TFxW-V
poate fi privită ca o transformare Fourier-scurtă adaptivă, având în vedere faptul că fereastra de
temporală de analiza w(-t) a semnalului din relația (4), notată cu x(-t/2), este dependentă de
semnalul analizat x(t).
În concluzie, deoarece lăţimea ferestrei depinde de semnalul analizat rezultă că semnalele
scurte sunt analizate cu ferestre temporale scurte, iar cele lungi cu ferestre temporale lungi. În
consecinţă, semnalele scurte vor fi bine localizate în timp, iar cele lungi vor avea o localizare bună
în frecvenţă.
22
Cea mai importantă caracteristică a reprezentării timp-frecvenţă de tip Wigner-Ville constă
în posibilitatea îmbunătăţirii rezoluţiei în planul timp-frecvenţă. Pentru semnale cu o singură
componentă timp-frecvenţă (cum ar fi semnalul chirp), reprezentarea Wigner-Ville determină o
regiune clară şi bine conturată în care este concentrată energia semnalului în planul timp-frecvenţă.
Analizând relaţia (4) și pornind de la faptul că fereastra temporală de analiză este
dependentă de semnalul analizat x(t) se constată apariţia unor termeni de interacţiune numiţi de
interferenţă în cadrul reprezentării TFxW-V, care în general micşorează lizibilitatea unei reprezentări
timp-frecvenţă pentru semnale cu mai multe componente armonice.
O posibilitate de generalizare a reprezentării timp-frecvenţă de tip Wigner-Ville este in-
spirată de utilizarea în practică a acestei reprezentări. Este vorba despre utilizarea unor ferestre
bidimensionale în planul timp-frecvenţă. Se obţin în acest mod reprezentările timp-frecvenţă care
aparţin clasei lui Cohen [4]:
  
j (  t )
TFxC ( t, )     (, )  K WV (, )  e  e  j ddd (5)
  
Funcţia (,) reprezintă fereastra bidimensională amintită mai sus.
În ciuda complexităţii lor şi a multitudinii de proprietăţi care le caracterizează, reprezentările
timp-frecvenţă care aparţin clasei lui Cohen nu realizează o localizare foarte bună în planul timp-
frecvenţă a componentelor semnalului analizat datorită apariţiei termenilor de interferenţă. În timp
s-au propus o mulţime de variante pentru îmbunătăţirea lizibilităţii reprezentării timp-frecvenţă a
unui semnal.
Reprezentarea timp-frecvenţă de tip Wigner-Ville are o multitudine de aplicaţii, în domenii
diverse: mecanică cuantică, optică, acustică, bioinginerie, prelucrarea imaginilor, analiza sistemelor
variabile în timp, analiza defectelor sistemelor, analiza vorbirii, analiza vibraţiilor mecanice,
detecţia semnalelor, estimare spectrală, recunoaşterea formelor.
Se vor studia reprezentările timp-frecvenţă de tip Wigner-Ville (WV) ale unor semnale
[TFR,T,F]=tfrwv(X,T,N,TRACE)
unde X reprezintă semnalul de prelucrat, T momentele de timp la care se realizează calculul,
N numărul de eşantioane ale variabilei frecvenţă reprezentată discret. Dacă variabila trace nu este
egală cu zero, se afişează, în procente, progresia algoritmului de calcul al reprezentării. În cazul în
care se dorește obținerea distribuției Wigner-Ville „încrucişată” între un semnal de referinţă şi
semnalul analizat vectorul X trebuie furnizat sub forma unei matrice cu două linii care conțin
eșantioanele celor două semnale.
Reprezentarea Wigner-Ville are o serie de proprietăți care o fac deosebit de utilă pentru
analiza unor anumite tipuri de semnale. În special în cazul semnalelor liniare, această distribuție
permite obținerea unei localizări aproape perfecte a semnalului în planul timp-frecvență. Pentru a
ilustra acest fapt studenții vor genera un semnal modulat liniar în frecvență căruia i se va calcula
reprezentarea WV cu următoarele linii de program Matlab:
semnal1=fmlin(128,0.05,0.35);
tfrwv(semnal1);
În momentul execuției instrucțiunii tfrwv se va afișa această reprezentare obținându-se

imaginea din figura 3.1. Comparând imaginea din figura 3.1 cu cea care s-a obținut la lucrarea de
laborator precedentă unde s-a utilizat reprezentarea de tip Fourier Scurtă se poate observa
localizarea mult mai bună a semnalului în planul timp-frecvență în cazul reprezentării Wigner-Ville.
23
WV, lin. scale, imagesc, Threshold=5%
0.5
0.45
0.4
Frequency [Hz] 0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 3.1: Reprezentare Wigner-Ville a semnalului modulat liniar în frecvență
În cazul unei vizualizări în trei dimensiuni a transformatei, cum este cea din figura 3.2,
localizarea aproape perfectă a semnalului este și mai evidentă. De asemenea se poate observa faptul
că transformata Wigner-Ville poate lua și valori negative.
Figura 3.2: Vizualizare tridimensională a reprezentării Wigner-Ville din figura 3.1
În cazul în care semnalul precedent este acoperit de un zgomot perturbator, reprezentarea

Wigner-Ville a acestuia permite identificarea componentei modulate liniar în frecvență chiar dacă
nivelul zgomotului este ridicat. Folosind liniile de program de mai jos studenții vor suprapune peste
semnalul modulat liniar de mai sus un zgomot gaussian complex.
semnal2=sigmerge(semnal1,noisecg(128),0);
tfrwv(semnal2);
24
Pentru amestecul aditiv al semnalului modulat în frecvență și a zgomotului gaussian s-a
folosit instrucțiunea sigmerge, iar raportul semnal-zgomot a fost de zero decibeli, adică cele două
semnale au amplitudini egale între ele. Datorită nivelului ridicat al zgomotului, analizând forma de
undă în timp a semnalului din partea superioară a figurii 3.3, este dificil de observat faptul că avem
de-a face cu un semnal sinusoidal modulat în frecvență, pe când acest lucru este evident în cazul
reprezentării timp-frecvență. Prezența semnalului util modulat în frecvență este și mai evidentă dacă
transformata timp-frecvență este analizată sub forma unei reprezentări în trei dimensiuni.
Signal in time
2
Real part
1
0
-1
-2

0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 3.3: Reprezentare Wigner-Ville a semnalului modulat liniar în frecvență

perturbat de un semnal zgomot de tip gaussian
După cum se cunoaște, reprezentarea timp-frecvenţă de tipul Wigner-Ville este biliniară.

În relația sa de definiție apar termeni care corespund unor termen de interferenţă, care exprimă
modul în care se influenţează reciproc reprezentările timp-frecvenţă ale componentelor unui semnal
în structura reprezentării Wigner-Ville a semnalului. Acești termeni de interferență sunt un
dezavantaj al acestei reprezentări deoarece deranjează lizibilitatea în planul timp-frecvență al
semnalului. Pentru a ilustra modul în care sunt produși acești termeni studenții vor folosi mai multe
semnale multicomponentă. Un prim semnal compus din două componente cu frecvențe diferite
semnale modulate și în amplitudine cu un semnal modulator gaussian poate fi generat prin folosirea
următoarei linii de program Matlab:
25
semnal3=atoms(256,[50,0.146,64,1;179,0.351,64,1],0);
tfrwv(semnal3);
Pentru generarea semnalului multicomponentă a fost folosită funcția atoms. Reprezentarea

timp-frecvență de tip Wigner-Ville a acestui semnal este prezentată în figura 3.4, unde este
prezentată și forma de undă în timp a semnalului. Se constată că în planul timp-frecvență sunt
prezente trei semnale, în timp ce semnalul analizat a avut doar două. Cea de-a treia componentă din
planul timp-frecvență este de fapt reprezentată de termenii de interferență care apar între cele două
componente „reale” ale semnalului analizat. În general acești termeni de interferență complică mult
interpretarea datelor obținute pentru ca de cele mai multe ori, în cazul unui semnal cu o structură
spectrală complicată este dificil să se precizeze care sunt termenii de interferență și care sunt
termenii reali din planul timp-frecvență.
Signal in time
1
Real part
0.5
0
-0.5

0.5
0.4
Frequency [Hz]
0.3
0.2
0.1
0
50 100 150 200 250
Time [s]
Figura 3.4: Reprezentare Wigner-Ville a unui semnal format din două
componente de tip gaussian. Sunt vizibili termenii de interferență ai reprezentării
Termenii de interferență pot fi produși și în cazul în care semnalul analizat are doar o
singură componentă spectrală. Un exemplu în acest sens este un semnal modulat parabolic în
frecvență, generat cu linia de program de mai jos, a cărui reprezentare Wigner-Ville este prezentată
în figura 3.5.
semnal_parab=fmpar(128,[1 0.4],[64 0.05],[128 0.4]);
26
Signal in time
0.5
Real part
0
-0.5

0.5
0.4
Frequency [Hz]
0.3
0.2
0.1
0
20 40 60 80 100 120
Time [s]
Figura 3.5: Reprezentare Wigner-Ville a unui semnal modulat parabolic în frecvență
Studenții vor genera un semnal și un semnal format din două componente. Prima
componentă este reprezentată de semnalul modulat liniar în frecvență de mai sus, iar a doua
componentă un semnal sinusoidal cu o frecvență constantă în timp având valoarea normată egală cu
0,4. Se vor folosi următoarele instrucțiuni Matlab:
semnal_a=fmconst(128,0.4);
semnal_b=fmlin(128,0.05,0.35);
semnal=semnal_a+semnal_b;
tfrwv(semnal);
Se va obține reprezentarea Wigner-Ville din figura 3.6, unde termenii de interferență produși
între cele două semnale pot fi cu ușurință observați.
După cum s-a menționat, comanda tfrwv poate fi utilizată pentru a se obține transformarea
Wigner-Ville încrucișată între două semnale. În cazul semnalelor de mai sus, pentru a se obține
această transformare se vor modifica ultimele două linii din secvența de program Matlab de mai sus,
astfel:
semnal_ab=[semnal_a, semnal_b];
tfrwv(semnal_ab);
În urma rulării acestor instrucțiuni va rezulta o imagine similară cu cea din figura 3.7 unde
se poate observa faptul că transformarea Wigner-Ville încrucișată a celor două semnale este în acest
caz o reprezentare a termenilor de interferență din figura 3.6.
27
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 3.6: Reprezentare Wigner-Ville a unui semnal cu două componente

0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 3.7: Reprezentare Wigner-Ville încrucișată a
componentelor semnalului din figura 3.6
28
Se va determina reprezentarea Wigner-Ville semnalului vocal obţinut prin rostirea
cuvântului „GABOR”, disponibilă în cadrul toolbox-ului timp-frecvență. Acest semnal este
reprezentat sub forma a 338 de eşantioane de valoare reală, la o frecvenţă de eşantionare de 1 kHz.
Utilizând următoarele linii de program se obţine o reprezentare Wigner-Ville a semnalului
vocal care poate fi observată în figura 3.8:
load gabor;
tfrwv(gabor);
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
50 100 150 200 250 300
Time [s]
Figura 3.7: Reprezentare Wigner-Ville a semnalului vocal
Din reprezentarea de mai sus se observă că există un număr foarte mare de componente în
planul timp-frecvență, fiind practic imposibil de determinat cu exactitate conținutul spectral al
semnalului. Numărul foarte mare de termeni de interferență este datorat și faptului că, în acest caz,
semnalul analizat este unul real, neavând asociat un semnal analitic. Pentru a se obține semnalul
analitic asociat semnalului vocal se poate folosi comanda Matlab hilbert care permite calculul
acestui semnal utilizând transformata Hilbert în timp discret. Se vor folosi următoarea comandă
Matlab pentru a se obține reprezentarea Wigner-Ville a semnalului analitic asociat semnalului
vocal:
tfrwv(hilbert(gabor));
Se va obține o reprezentare similară cu cea din figura 3.8 unde se constată o reducere a
numărului termenilor de interferență, imaginea din planul timp-frecvență fiind mai ușor de
interpretat în acest caz.
29
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
50 100 150 200 250 300
Time [s]
Figura 3.8: Reprezentare Wigner-Ville a semnalului analitic asociat semnalului vocal
30
LUCRAREA NR.4
TIPUL CHOI-WILLIAMS
Lucrarea are ca scop familiarizarea studenților cu reprezentarea timp-frecvență de tip Choi-

Williams și cu proprietăţile sale mai importante.
Reprezentările timp-frecvenţă care aparţin clasei lui Cohen se definesc pornind de la
definiția generală de mai jos:
  
j (  t )
TFxC ( t, )     (, )  K WV (, )  e  e  j ddd (1)
  
unde funcţia (,) reprezintă fereastra bidimensională amintită mai sus.
În funcţie de expresia şi proprietăţile nucleului ales se obţine o reprezentare bidimensională
cu anumite proprietăţi. Dacă se impun constrângeri reprezentării bidimensionale rezultă
constrângeri asupra nucleului său. Printre aceste constrângeri este firesc să figureze proprietăţi de
invarianţă la diferite transformări ale reprezentării bidimensionale.
Pornind de la aceste considerente se pot defini mai multe tipuri de transformate
bidimensionale sau cuadratice, dintre care în această lucrare vom aborda reprezentarea Choi-
Williams (CW), descrisă de expresia următoare [4]:
(2)
În relația (2) σ este factorul de scală și are valori pozitive. Dacă σ, transformarea Choi-
Williams devine de tip Wigner-Ville.
Reprezentarea CW are câteva proprietăți remarcabile, dintre care trebuie menționate
următoarele:
- oferă informații complete despre semnal;
- are valori reale;
- amplitudinea termenilor de interferență în cazul acestei reprezentări este semnificativ mai
redusă decât în cazul altor reprezentări biliniare;
- este o densitate spectro-temporală de energie;
- este invariantă la translație și scalare;
- este inversabilă.
Se vor studia reprezentările timp-frecvenţă de tip Choi-Williams (CW) ale unor semnale
[TFR,T,F]=tfrcw(X,T,N,G,H,SIGMA,TRACE)
unde X reprezintă semnalul de prelucrat, T momentele de timp la care se realizează calculul,
N numărul de eşantioane ale variabilei frecvenţă reprezentată discret, G reprezintă o funcție
fereastră în domeniul timp, H este o funcție fereastră corespunzătoare domeniului frecvență, iar
SIGMA este dimensiunea nucleului reprezentării. Dacă variabila TRACE nu este egală cu zero, se
31
afişează, în procente, progresia algoritmului de calcul al reprezentării. În cazul în care se dorește
obținerea distribuției Choi-Williams „încrucişată” între un semnal de referinţă şi semnalul
analizat vectorul X trebuie furnizat sub forma unei matrice cu două linii care conțin eșantioanele
celor două semnale.
Reprezentarea Choi-Williams are o serie de proprietăți care o fac deosebit de utilă pentru
analiza unor anumite tipuri de semnale. În general, amplitudinea termenilor de interferență în cazul
acestei reprezentări este semnificativ mai redusă, mai ales dacă sunt comparați cu cei produși de
reprezentarea Wigner-Ville. Pentru a ilustra acest fapt studenții vor genera aceleași semnale de test
ca și în lucrarea de laborator precedentă. Astfel primul semnal analizat va fi un semnal modulat
liniar în frecvență căruia i se va calcula reprezentarea Choi-Williams cu următoarele linii de
program Matlab:
semnal1=fmlin(128,0.05,0.35);
tfrcw(semnal1);
CW, Lg=6, Lh=16 sigma=1, Nf=128, lin. scale, imagesc, Threshold=5%

0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 4.1: Reprezentare Choi-Williams a semnalului modulat liniar în frecvență
În momentul execuției instrucțiunii tfrcw se va afișa această reprezentare obținându-se
imaginea din figura 4.1. Comparând imaginea aceasta cu cea care s-a obținut la lucrarea de
laborator precedentă unde s-a utilizat reprezentarea de tip Wigner-Ville se poate observa o
localizare mult mai bună a semnalului în planul timp-frecvență în cazul reprezentării Wigner-Ville.
Și transformarea Choi-Williams poate lua valori negative, după cum se poate remarca în
reprezentarea tridimensională din figura 4.2.
Folosind liniile de program de mai jos studenții vor suprapune peste semnalul modulat liniar
de mai sus un zgomot gaussian complex.
semnal2=sigmerge(semnal1,noisecg(128),0);
tfrcw(semnal2);
32
Și în cazul acestei transformări timp-frecvență determinarea prezenței componentei
modulate liniar în frecvență este facilă, în ciuda nivelului ridicat al zgomotului perturbator. Prezența
semnalului util modulat în frecvență este și mai evidentă dacă transformata timp-frecvență este
analizată sub forma unei reprezentări în trei dimensiuni.
Figura 4.2: Vizualizare tridimensională a reprezentării Choi-Williams din figura 4.1

0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 4.3: Reprezentare Choi-Williams a semnalului modulat liniar în frecvență perturbat de un

semnal zgomot de tip gaussian
33
Reprezentarea timp-frecvenţă de tipul Choi-Williams este biliniară. În mod similar cu
reprezentarea Wigner-Ville, la calculul acestei reprezentări apar componente spectrale în planul
timp-frecvență care corespund unor termen de interferenţă. Acești termeni de interferență în cazul
reprezentării Choi-Williams depind foarte mult de natura semnalului care se analizează. Pentru a
ilustra acest aspect, studenții vor folosi mai multe semnale multicomponentă. Un prim semnal
compus din două componente cu frecvențe diferite semnale modulate și în amplitudine cu un
semnal modulator gaussian poate fi generat prin folosirea următoarei secvențe de program Matlab:
semnal3=atoms(256,[50,0.146,64,1;179,0.351,64,1],0);
tfrcw(semnal3);
Pentru generarea semnalului multicomponentă a fost folosită funcția atoms. Reprezentarea

timp-frecvență de tip Choi-Williams a acestui semnal este prezentată în figura 4.4, unde este
prezentată și forma de undă în timp a semnalului. Se constată că în cazul acestui semnal termenii de
interferență lipsesc, sau au amplitudine prea mică pentru a putea fi observați. Reprezentarea de tip
Choi-Williams produce termeni de interferență doar dacă semnalul analizat este compus din
componente care sunt sincronizate în domeniul timp sau în domeniul frecvență.
Signal in time
1
Real part
0.5
0
-0.5

0.5
0.4
Frequency [Hz]
0.3
0.2
0.1
0
50 100 150 200 250
Time [s]
Figura 4.4: Reprezentare Choi-Williams a unui semnal format din două
componente de tip gaussian
Acești termeni de interferență pot fi observați de exemplu în cazul semnalului din figura 4.5,
unde semnalul analizat este compus din patru componente gaussiene așezate în cele patru colțuri ale
unui patrulater din planul timp-frecvență. Un astfel de semnal și reprezentarea sa timp-frecvență de
tipul Choi-Williams se poate obține folosind secvența de program Matlab de mai jos:
semnal3=atoms(256,[80,0.35,32,2;150,0.35,32,2;75,0.15,32,2;150,0.15,32,2],0);
tfrcw(semnal3);
34
Figura 4.5: Reprezentare Choi-Williams a unui semnal format din patru
componente de tip gaussian. Sunt vizibili termenii de interferență ai reprezentării
În cazul acestui semnal, termenii de interferență se produc atât între componentele aflate la
aceeași frecvență cât și între cele care apar la aceleași momente de timp. Ei pot fi vizualizați și în
reprezentarea în trei dimensiuni din figura 4.6.
Figura 4.6: Reprezentare în trei dimensiuni a transformării Choi-Williams

corespunzătoare unui semnal format din patru componente de tip gaussian.
Dacă semnalul analizat este un semnal modulat parabolic în frecvență, generat cu linia de
program de mai jos, reprezentarea Choi-Williams este prezentată în figura 4.7.
semnal_parab=fmpar(128,[1 0.4],[64 0.05],[128 0.4]);
35
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 4.7: Reprezentare Choi-Williams a unui semnal modulat parabolic în frecvență
Studenții vor obține reprezentarea Choi-Williams a unui semnal format din două
componente, una reprezentată de un semnal modulat liniar în frecvență, iar a doua componentă fiind
un semnal sinusoidal cu o frecvență constantă în timp având valoarea normată egală cu 0,4. Se vor
folosi următoarele instrucțiuni Matlab:
semnal_a=fmconst(128,0.4);
semnal_b=fmlin(128,0.05,0.35);
semnal=semnal_a+semnal_b;
tfrcw(semnal);
Se va obține reprezentarea Choi-Williams din figura 4.8, unde termenii de interferență
produși între cele două semnale pot fi cu ușurință observați.
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 4.8: Reprezentare Choi-Williams a unui semnal cu două componente

36
Și în cazul acestei reprezentări timp-frecvență comanda tfrcw se poate folosi pentru a calcula
o transformare „încrucișată” între două semnale. În cazul semnalelor de mai sus, pentru a se obține
această transformare se vor modifica ultimele două linii din secvența de program Matlab de mai sus,
astfel:
semnal_ab=[semnal_a, semnal_b];
tfrcw(semnal_ab);
Se va obține o imagine similară cu cea din figura 4.9 unde se poate observa faptul că
transformarea Choi-Williams încrucișată a celor două semnale este în acest caz o reprezentare a
termenilor de interferență din figura 4.8.

0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 4.9: Reprezentare Choi-Williams încrucișată a

componentelor semnalului din figura 4.8
Se va determina reprezentarea Choi-Williams a semnalului vocal obţinut prin rostirea

cuvântului „GABOR”, disponibilă în cadrul toolbox-ului timp-frecvență. Utilizând următoarele
linii de program se obţine o reprezentare Choi-Williams a semnalului vocal care poate fi observată
în figura 4.10:
load gabor;
tfrcw(gabor);
37
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
50 100 150 200 250 300
Time [s]
Figura 4.10: Reprezentare Choi-Williams a semnalului vocal
Și în cazul reprezentării Choi-Williams calculul semnalului analitic asociat celui real

provenit din înregistrarea semnalului vocal are ca efect reducerea numărului termenilor de
interferență din planul timp-frecvență. Pentru a se obține semnalul analitic asociat semnalului vocal
se poate folosi comanda Matlab hilbert care permite calculul transformatei Hilbert în timp discret.
Se vor folosi următoarea comandă Matlab pentru a se obține reprezentarea Choi-Williams a
semnalului analitic asociat semnalului vocal:
tfrcw(hilbert(gabor));
Se va obține o reprezentare similară cu cea din figura 4.11 unde se constată o reducere a
numărului termenilor de interferență, imaginea din planul timp-frecvență fiind mai ușor de
interpretat în acest caz.
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
50 100 150 200 250 300
Time [s]
Figura 4.11: Reprezentare Choi-Williams a semnalului analitic asociat semnalului vocal
38
LUCRAREA NR.5
REPREZENTĂRI TIMP-FRECVENŢĂ PĂTRATICE
Lucrarea are ca scop familiarizarea studenților cu reprezentările timp-frecvență pătratice de

tip spectrogramă și scalogramă.
Deşi liniaritatea unei reprezentări timp-frecvenţă este o proprietate utilă, uneori este de
preferat să se utilizeze pătratul modulului acesteia ca reprezentare timp-frecvenţă. Acest procedeu
se utilizează în cazurile când se vorbeşte despre distribuţii de energie în planul timp-frecvenţă.
Se numeşte reprezentare timp-frecvenţă de tip spectrogramă funcţia |TFxSTFT(t,)|2 şi
reprezentare timp-frecvenţă de tip scalogramă funcţia |TFxCWT(t,)|2 [3][4].
Pentru un semnal de tipul:
x(t) = c1 ∙ x1(t) + c2 ∙ x2(t) (1)
reprezentarea sa de tip spectrogramă se poate calcula, obţinându-se o relaţie asemănătoare cu

formula de definiție a transformatei Wigner-Ville [3]:
TFxSTFT ( t, ) = c1 2  TFxSTFT ( t, )

2
+ c2 2  TFxSTFT ( t, ) +
1 2
+ 2Re c 
1  c 2  TFxSTFT ( t, )  TFxSTFT ( t,)
1 2
 (2)
O formulă analogă poate fi stabilită şi pentru scalograma semnalului x(t). Aceste formule
poartă numele de principiu de suprapunere pătratică a efectelor. Principiul poate fi generalizat şi
pentru un semnal x(t) cu N componente :
N
x(t )   c k  x k (t ) (3)
k 1
Reprezentarea pătratică a semnalului x(t) cu N componente va conţine:

a) fiecărei componente ck xk(t) din semnalul x(t) îi corespunde câte un termen de forma
c k TFx k t, 
2
b) fiecărei perechi de componente ale semnalului x(t), de tipul ck ∙ xk(t), cl ∙ xl(t), kl, îi
corespunde termenul de interferenţă c k c1*TFx k x1 t,   c k c1*TFx1x k t,  unde s-a făcut notaţia:
TFx k x1 t,   TFx k t,   TFx*1 t, 
Se observă că oricare reprezentare pătratică a lui x(t) va conţine N termeni de tipul lui a) şi
N(N-1)/2 termeni de tipul b).
Se constată că numărul termenilor de interferenţă creşte aproape pătratic cu creşterea lui N,
aceasta făcând dificilă interpretarea vizuală a reprezentărilor timp-frecvenţă pătratice.
În literatura de specialitate se prezintă o relaţie de legătură interesantă între transformatele
de tip Wigner-Ville şi undişoară continuă (respectiv, clasa funcţiilor “afine”). În acest context
39
scalograma este privită ca şi o corelaţie “afină” bidimensională între semnalul analizat şi
transformata Wigner-Ville a funcţiei undişoară de bază [4]:
 

CWT ( ,s ) 2
=   TFxW  V ( t, )  TFW  V  s ( t -  ) ,  dtd (4)
 
s
Această formulă remarcabilă subliniază faptul că între transformatele undişoară şi Wigner-
Ville există legături puternice. Totodată, relaţia de mai sus poate fi generalizată pentru a defini
întreaga clasă de distribuţii energetice de tip timp-scală.
Se vor studia reprezentările timp-frecvenţă pătratice de tip spectrogramă și scalogramă.

Pătratul modulului reprezentării Fourier-scurtă este și ea o reprezentare timp-frecvență care se
numește spectrogramă. Pentru a calcula această reprezentare timp-frecvență se folosește funcția
Matlab tfrsp din cadrul toolbox-ului pentru reprezentări timp-frecvenţă (Time-Frequency
Toolbox - TFTB)[7]. Sintaxa acestei funcții este:
[TFR,T,F]=tfrsp(X,T,N,H,TRACE)
unde X reprezintă semnalul de prelucrat, T momentele de timp la care se realizează calculul, N

numărul de eşantioane ale variabilei frecvenţă reprezentată discret iar H este funcția fereastră
utilizată pentru calculul reprezentării. Dacă variabila TRACE nu este egală cu zero, se afişează, în
procente, progresia algoritmului de calcul al reprezentării.
Spectrograma este o reprezentare timp-frecvenţă care nu respectă proprietatea de liniaritate,
spectrograma sumei a două semnale nefiind egală cu suma spectrogramelor celor două semnale.
Spectrograma este o reprezentare timp-frecvenţă biliniară. Pentru a verifica acest aspect studenții
vor genera două semnale modulate liniar în frecvență, unul având o frecvență crescătoare în raport
cu variabila timp iar celălalt descrescătoare. Se vor calcula și însuma spectrogramele celor două
semnale și se va compara rezultatul cu spectrograma sumei semnalelor. Se va folosi următoarea
secvență de program Matlab:
semnal1=fmlin(256,0.1,0.4);
semnal2=fmlin(256,0.45,0.1);
h=window(@gausswin,25);
[TFR1,T1,F1]=tfrsp(semnal1,1:256,256,h);
[TFR2,T2,F2]=tfrsp(semnal2,1:256,256,h);
TFR=TFR1+TFR2;
tfrqview(TFR,[],T1,'tfrsp');
figure(2)
semnal_suma=semnal1+semnal2;
[TFR_suma,T,F]=tfrsp(semnal_suma,1:256,256,h);
tfrqview(TFR_suma,[],T,'tfrsp');
În secvența de program Matlab de mai sus, s-a folosit pentru calculul spectrogramelor o
funcție fereastră temporală de tip gaussian având o lungime de 25 de eșantioane, care permite
obținerea celei mai bune localizări a semnalului în planul timp-frecvență. În figura 5.1 este
prezentată suma spectrogramelor celor două semnale calculate separat iar în figura 5.2 este
reprezentată spectrograma semnalului care rezultă prin însumarea prealabilă a celor două semnale
modulate. În figura 5.3 este prezentată versiunea 3D a spectrogramei din figura 5.2.
40
SP, lin. scale, imagesc, Threshold=5%
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
50 100 150 200 250
Time [s]
Figura 5.1: Suma spectrogramelor celor două semnale modulate liniar în frecvență
SP, lin. scale, imagesc, Threshold=5%
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
50 100 150 200 250
Time [s]
Figura 5.2: Spectrograma sumei celor două semnale modulate liniar în frecvență
Comparând cele două reprezentări din figurile de mai sus studenții vor putea constata că ele
sunt diferite între ele. Cea mai importantă diferență este reprezentată de prezența termenilor de
interferență în figura 5.2, în timp ce în prima figură aceștia lipsesc. Acest fapt se datorează faptului
că spectrograma produce termeni de interferență doar în acele regiuni ale planului timp-frecvență
unde componentele semnalului însumat se intersectează. În cazul imaginii din figura 5.1
spectrogramele sunt calculate separat, iar termenii de interferență lipsesc.
Astfel dacă semnalele componente care intră în alcătuirea unui semnal sunt distanțate
suficient în frecvență astfel încât spectrogramele acestora să nu se suprapună termenii de
interferență vor fi aproape nuli. Acest fapt e o consecință a rezoluției destul de redusă în timp-
frecvență a spectrogramei, fiind similară din acest punct de vedere cu transformarea Fourier scurtă.
41
Figura 5.3: Vizualizare tridimensională a spectrogramei sumei
celor două semnale modulate FM liniar
Pentru a ilustra modul în care rezoluția în domeniul timp și cea în domeniul frecvență sunt
interdependente, precum și pentru a verifica capacitatea spectrogramei de a separa două semnale
foarte apropiate în frecvență se va considera un semnal compus din două componente de tip „chirp”
având frecvențele paralele între ele în planul timp-frecvență. Studenții vor folosi următoarea
secvență de program Matlab.
sig_a=fmlin(128,0.05,0.35)+fmlin(128,0.15,0.45);
h1=window(@gausswin,23);
figure(3); tfrsp(sig_a,1:128,128,h1);
h2=window(@gausswin,63);
figure(4); tfrsp(sig_a,1:128,128,h2);
Se vor obține reprezentările din figurile 5.4 și 5.5, corespunzând folosirii unei funcții
fereastră de tip gaussian cu o dimensiune în timp de 23 respectiv 63 eșantioane. În acest caz, cele
două componente modulate în frecvență ale semnalului sunt mult prea apropiate pentru a avea
spectrograme distincte, indiferent de lungimea funcției fereastră utilizate. În consecință, termenii de
interferență sunt prezenți și perturbă lizibilitatea reprezentării timp-frecvență.
Dacă se iau în considerare două componente mai îndepărtate în frecvență, acestea vor
prezenta semnături distincte în planul timp-frecvență iar termenii de interferență vor lipsi. Pentru a
verifica acest caz, se vor folosi următoarele instrucțiuni:
sig_b=fmlin(128,0.05,0.3)+fmlin(128,0.25,0.5);
figure(5); tfrsp(sig_b,1:128,128,h1);
figure(6); tfrsp(sig_b,1:128,128,h2);
S-au utilizat funcțiile fereastră de tip gaussian h1 și h2 de mai sus. În figura 5.6 este
prezentată spectrograma obținută cu o funcție fereastră de 23 eșantioane lungime, iar în figura 5.7
cea care rezultă când funcția fereastră are 63 eșantioane. Se constată că în ambele cazuri semnalele
sunt separate în mod clar în planul timp-frecvență, neexistând termeni de interferență.
Studenții vor verifica modul în care aspectul spectrogramelor se modifică în cazul în care se
folosesc și alte funcții fereastră, având diferite durate în timp.
42
SP, Lh=11, Nf=64, lin. scale, imagesc, Threshold=15%
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 5.4: Reprezentare de tip spectrogramă a unui semnal cu două componente FM apropiate în
frecvență obținută cu o funcție fereastră de tip gaussian cu o lungime de 23 eșantioane

0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 5.5: Reprezentare de tip spectrogramă a unui semnal cu două componente FM apropiate în
43
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 5.6: Reprezentare de tip spectrogramă a unui semnal cu două componente FM distanțate în

0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 5.7: Reprezentare de tip spectrogramă a unui semnal cu două componente FM distanțate în
O altă reprezentare timp-frecvență pătratică este scalograma, care se obține ridicând la pătrat
modului reprezentării de tip „wavelet”. Pentru obținerea acestei reprezentări este disponibilă
44
funcția tfrscalo din cadrul toolbox-ului pentru reprezentări timp-frecvenţă. Sintaxa acestei funcții
este:
[TFR,T,F,WT]=tfrscalo(X,T,WAVE,FMIN,FMAX,N,TRACE)
unde X reprezintă un vector linie conținând eșantioanele semnalului de prelucrat, T sunt
momentele de timp unde se face calculul reprezentării, WAVE precizează tipul funcției undișoară
(wavelet) care se va folosi, FMIN și FMAX reprezintă frecvențele minimă și maximă ale semnalului
de analizat iar N numărul de cadre folosite la analiză. Această funcţie permite calculul scalogramei
pentru două funcţii-mamă wavelet, de tipul Morlet şi pălărie mexicană.
Analiza folosind scalograma permite utilizarea unor ferestre de analiză lungi la frecvențe
joase sau mai scurte în regiunile cu frecvență înaltă. Și în acest caz, rezoluția în domeniul timp și
cea în domeniul frecvență sunt legate prin intermediul principiului Heisenberg-Gabor. Astfel
rezoluția în planul timp-frecvență depinde de frecvența semnalului considerat. Pentru a ilustra acest
aspect se va lua în considerare un semnal analitic de test de tip impuls Dirac, generat cu ajutorul
funcției anapulse. Se vor calcula și compara reprezentările de tip spectrogramă și scalograma ale
unui astfel de semnal folosind secvența de program de mai jos:
sig1=anapulse(128);
tfrsp(sig1);
tfrscalo(sig1,1:128,7,0.04,0.46,128,1);
Se constată că spectrograma acestui semnal, prezentată în figura 5.8, are o rezoluție
constantă în timp, indiferent de frecvența de analiză, pe când rezoluția scalogramei din figura 5.9
este în mod evident dependentă de frecvență.
Signal in time
1
Real part
0.5
0
0.5
0.4
Frequency [Hz]
0.3
0.2
0.1
0
20 40 60 80 100 120
Time [s]
Figura 5.8: Spectrograma unui semnal de tip impuls Dirac
45
Figura 5.9: Scalograma semnalului de tip impuls Dirac
Reprezentarea din figura 5.9 demonstrează că scalograma este foarte bine localizată în
planul timp-factor de scală la valori mici ale factorului de scală, corespunzând unei frecvențe de
valoare mare, și mai puțin localizată pe măsură ce frecvența scade (factorul de scală crește).
Un al doilea semnal de test pentru care se va calcula scalograma este reprezentat de suma a
două semnale sinusoidale, unul având o frecvență joasă iar celălalt o frecvență mare. Se vor folosi
următoarele instrucțiuni Matlab:
sig2=fmconst(128,.15)+fmconst(128,.35);
tfrscalo(sig2,1:128,6,0.05,0.45,128,1);
Se va obține o reprezentare similară cu cea care este prezentată în figura 5.10. Și în acest caz
se poate constata că rezoluţia frecvenţială depinde de frecvenţă în cazul reprezentării de tip
scalogramă. Termenii de interferență ai scalogramei, ca și în cazul spectrogramei, sunt limitată la
acele regiuni ale planului timp-frecvență în care frecvențele componentelor unui semnal se
suprapun. Acest lucru se poate observa în figura 5.11 unde este prezentată reprezentarea de tip
scalogramă a semnalului compus din două semnale modulate liniar în frecvență de la începutul
acestei lucrări de laborator. Prin urmare, dacă cele două componente ale semnalului sunt suficient
de îndepărtate în planul timp-frecvență, termenii de interferență vor fi aproximativ nuli.
46
Figura 5.10: Reprezentare de tip scalogramă a unui semnal cu două
componente sinusoidale de frecvențe diferite
Figura 5.11: Scalograma sumei celor două semnale modulate liniar în frecvență. Termenii de
interferență se apar doar la intersecția celor două semnale.
47
LUCRAREA NR.6
METODA REALOCĂRII
Lucrarea are ca scop familiarizarea studenților cu metode de îmbunătățire a reprezentărilor

timp-frecvență prin filtrare și folosind metoda realocării.
Concentrația de energie a componentelor unui semnalul nestaționar în domeniul timp-

frecvență poate fi abordată dintr-o altă perspectivă, în vederea îmbunătățirii lizibilității lor, printr-o
așa-numită metodă de realocare. Metoda de realocare creează o versiune modificată a unei
reprezentări prin îndepărtarea valorilor sale de locul în care sunt calculate, pentru a produce o
localizare mai bună a componentelor semnalului. Pentru a efectua o astfel de operație, pentru
fiecare punct din planul timp-frecvență, se calculează centrul de greutate temporal și frecvențial
pentru energia semnalului, cu coordonate determinate cu relații similare celor de mai jos[4][8]:

2
 t x ( t ) dt
t c   (6.1)

2
 x ( t ) dt


2
  X() d
c    (6.2)

2
 X() d

Punctul de coordonate (tc, c) poartă numele de "centru de greutate" energetic al semnalului
nestaționar analizat x(t).
Pornind de la informațiile de mai sus, transformata timp-frecvență realocată TFR se poate
obține cu expresia de calcul următoare[8]:
(6.3)
unde (t) este o funcție Dirac, TFX (t,) este reprezentarea timp-frecvență inițială, iar RTFx(t, )
este tranformata TFX realocată. Astfel, metoda realocării prezintă avantajul de a permite obținerea
unei concentrări semnificative a energiei, ceea ce permite extragerea mult mai ușoară a crestei
semnalului analizat, respectiv detecția simplă a semnăturii lui. Însă, se observă că tehnica este
extrem de sensibilă la zgomot și este, de asemenea, costisitoare din punct de vedere al calculului.
Metoda realocării se poate particulariza cu bune rezultate pentru mai multe familii de
reprezentări timp-frecvență TFX (t,), astfel: Transformata Fourier Scurtă STFT, Transformata
Undișoară CWT, Distribuțiile Wigner-Ville WV de tip pseudo W-V și pseudo W-V netezită,
48
Distribuția Choi-Williams CHW, alte reprezentări timp frecvență TFX (t,) din familia Cohen,
Spectrograma, etc.

Distribuțiile timp-frecvență prezentate în lucrările de laborator precedente oferă o gamă
largă de metode de prelucrare și analiză a semnalelor nestaționare. Cu toate acestea, un punct critic
al acestor metode este lizibilitatea lor, care presupune atât o bună concentrare a componentelor
semnalului în planul timp-frecvență, cât și un număr cât mai mic de termeni de interferență. În
cadrul acestei lucrări de laborator se vor studia reprezentări timp-frecvenţă ameliorate prin metode
de filtrare sau prin metoda realocării. În cadrul toolbox-ului pentru reprezentări timp-frecvență sunt
disponibile mai multe asemenea distribuții. O primă funcție de acest gen este funcția tfrrsp, care
permite obținerea unei spectrograme modificate prin metoda realocării. Sintaxa funcției este
identică cu cea a spectrogramei, studiată în lucrarea de laborator precedentă. Studenții vor testa
această funcție folosind un semnal compus din două componente, una având o frecvență constantă
iar cealaltă având o frecvență descrescătoare liniar. Se vor folosi liniile de program Matlab:
semnal_1=fmconst(256,0.1) + fmlin(256,0.45,0.15);
tfrrsp(semnal_1);
În momentul execuției instrucțiunii tfrrsp se va deschide un meniu similar cu cel prezentat în
figura 6.1. oferind posibilitatea alegerii între spectrograma sau spectrograma îmbunătățită a
semnalului.
Figura 6.1: Meniu pentru selectarea reprezentării timp-frecvență [7]
În figura 6.2 este prezentată spectrograma semnalului, iar în figura 6.3 spectrograma
ameliorată prin metoda realocării. Analizând cele două imagini se constată că în urma prelucrării
spectrogramei prin metoda realocării aceasta oferă o localizare aproape perfectă a celor două
componente ale semnalului. Una dintre cele mai importante proprietăți ale principiului realocării
este aceea că aplicarea acestui proces asupra oricărei distribuții din clasa Cohen produce distribuții
perfect localizate pentru semnalele de tip chirp sau impulsuri. În cazul în care se prelucrează
semnale cu mai multe componente, realocarea îmbunătățește lizibilitatea reprezentării reușind să
treacă peste compromisul uzual dintre numărul termenilor de interferență și localizarea în planul
timp-frecvență.
49
0.5
0.45
0.4
Frequency [Hz] 0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
50 100 150 200 250
Time [s]
Figura 6.2: Spectrograma inițială a semnalului cu două componente
RSP, Lh=32, Nf=128, lin. scale, imagesc, Threshold=5%
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
50 100 150 200 250
Time [s]
Figura 6.3: Spectrograma rectificată prin metoda realocării
În cazul în care semnalul analizat este modulat în frecvență parabolic rezultatele realocării
produc din nou o curbă în planul timp-frecvență aproape perfect localizată pe legea de variație în
timp a frecvenței instantanee. De exemplu, reprezentările din figurile 6.4 și 6.5 ale spectrogramei
unui semnal parabolic se pot obține folosind următoarea secvență de program Matlab:
semnal_2=fmpar(128,[1 0.4],[64 0.05],[128 0.4]);
tfrrsp(semnal_2);
Metoda realocării poate produce rezultate utile chiar și când semnalul util este modificat de
un semnal de tip zgomot. Folosind instrucțiunea noisecg din cadrul toolbox-ului pentru reprezentări
timp-frecvență studenții vor suprapune un semnal de tip zgomot gaussian, raportul semnal zgomot
fiind de 5 dB.
50
0.5
0.45
0.4
Frequency [Hz] 0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 6.4: Spectrograma inițială a semnalului modulat parabolic în frecvență

0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 6.5: Spectrograma semnalului modulat parabolic în frecvență
ameliorată prin metoda realocării
Se vor folosi instrucțiunile de mai jos:

semnal_2_zg=sigmerge(semnal_2,noisecg(128),5);
tfrrsp(semnal_2_zg);
Se vor obține reprezentări similare cu cele prezentate în figurile 6.6 și 6.7. Analizând
imaginea din figura 6.7 se constată că, în ciuda prezenței semnalului de tip zgomot, curba
parabolică de variație în timp a frecvenței instantanee este ușor de identificat.
51
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 6.6: Spectrograma inițială a semnalului modulat parabolic
în frecvență acoperit de un zgomot gaussian

0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 6.7: Spectrograma semnalului modulat parabolic în frecvență
acoperit de un zgomot gaussian ameliorată prin metoda realocării
O funcție similară cu cea care permite aplicarea metodei realocării asupra reprezentării de
tip spectrogramă este tfrrgab care oferă posibilitatea calculării spectrogramelor de tip Gabor, atât în
sens convențional cât și prin metoda realocării. Sintaxa acestei funcții este:
[TFR,RTFR,HAT] = tfrrgab(X,T,N,NH,TRACE,K)
unde X reprezintă semnalul, T momentele de timp la care se realizează calculul, N numărul
de eşantioane ale variabilei frecvenţă reprezentată discret iar NH lungimea funcţiei „fereastră” de
52
tip gaussian. În figurile 6.8 și 6.9 sunt prezentate spectrogramele inițială și realocată de tip Gabor
ale unui semnal modulat în frecvență după o lege de putere generate cu liniile de program:
semnal_3=fmpower(128,0.5,[10 0.5],[90 0.15]);
tfrrgab(semnal_3);
GABOR, Lh=20, Nf=64, N=128, Q=128, lin. scale, imagesc, Thld=5%
0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 6.8: Spectrograma inițială a semnalului modulat

în frecvență după o lege de putere
RGAB, Nh=41, Nf=64, lin. scale, imagesc, Threshold=5%

0.5
0.45
0.4
0.35
Frequency [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
20 40 60 80 100 120
Time [s]
Figura 6.9: Spectrograma realocată a semnalului modulat

în frecvență după o lege de putere
Și în cazul acestui semnale metoda realocării produce rezultate remarcabile, reprezentarea

din figura 6.9 fiind o estimare destul de exactă a legii de variație a frecvenței instantanee a
semnalului. În exemplul de mai sus s-a folosit funcția Matlab fmpower pentru a genera semnalul de
53
test. Această funcție permite precizarea coordonatelor a două puncte în planul timp-frecvență,
urmând ca programul să găsească o lege de putere astfel încât graficul frecvenței instantanee a
semnalului să treacă prin aceste puncte.
Toolbox-ul pentru reprezentări timp-frecvență conține funcții destinate aplicării metodei
realocării și în cazul reprezentărilor timp-frecvență de tip Wigner-Ville, însă nu folosind
reprezentarea Wigner-Ville propriu-zisă ci reprezentarea pseudo Wigner-Ville respectiv versiunea
netezită a transformatei pseudo Wigner-Ville.
Studenții vor folosi ca semnal de test un semnal modulat în frecvență după o lege
sinusoidală generat cu instrucțiunea fmsin. Folosind liniile de program de mai jos se va obține inițial
reprezentarea Wigner-Ville a acestui semnal prezentată în figura 6.10.
semnal_4=fmsin(256,0.10,0.4,200,1);
tfrwv(semnal_4);
Figura 6.10: Reprezentare Wigner-Ville a semnalului modulat

în frecvență după o lege sinusoidală
După cum era de așteptat, reprezentarea Wigner-Ville conține un număr mare de termeni de
interferență. O versiune îmbunătățită a acesteia este reprezentarea pseudo Wigner-Ville din figura
6.11. Se poate observa o reducere a numărului termenilor de interferență, în detrimentul unei
localizări mai slabe a semnalului. Pentru a se obține această studenții vor folosi funcția tfrrpwv care
permite obținerea atât a reprezentării din figura 6.11 cât și a unei versiuni îmbunătățite a acesteia
prin metoda realocării prezentată în figura 6.12.
54
Figura 6.11: Reprezentare pseudo Wigner-Ville a semnalului modulat
în frecvență după o lege sinusoidală
Figura 6.12: Reprezentare pseudo Wigner-Ville a semnalului modulat

în frecvență după o lege sinusoidală îmbunătățită prin metoda realocării
După cum se poate observa, în figura 6.12 termenii de interferență au fost eliminați aproape
în totalitate, iar reprezentarea este foarte localizată pe legea de variație în timp a frecvenței
instantanee a semnalului.
În cadrul toolbox-ului pentru reprezentări timp-frecvență există și funcția tfrrspwv care
permite calculul versiunii netezite a transformatei pseudo Wigner-Ville, și a celei care rezultă prin
aplicarea metodei realocării asupra acesteia. Pentru a testa și această funcție se va folosi un semnal
de test de tip Doppler care poate fi generat cu ajutorul funcției doppler din cadrul bibliotecii TFTB
55
pentru mediul Matlab. Forma de undă în timp a unui asemenea semnal este prezentată în figura
6.13, obținută cu ajutorul secvenței de program de mai jos:
[fm,am,iflaw]=doppler(256,150,45,10,150);
semnal_5=am.*fm;
plot(real(semnal_5))
Figura 6.13: Semnal de tip Doppler

Reprezentarea Wigner-Ville a acestui semnal, din figura 6.14 conține de asemenea mulți
termeni de interferență, dar în cazul versiunii netezite pseudo Wigner-Ville din figura 6.15 aceștia
sunt în mare măsură eliminați. Folosind această reprezentare, prin aplicarea algoritmului de
realocare se va obține reprezentarea din figura 6.16 unde localizarea semnalului în planul timp-
frecvență este foarte apropiată de cea oferită de o reprezentare timp-frecvență ideală.
Figura 6.14: Reprezentare Wigner-Ville a semnalului Doppler
56
Figura 6.15: Reprezentare pseudo Wigner-Ville netezită a semnalului Doppler
Figura 6.16: Reprezentare pseudo-Wigner-Ville netezită a semnalului

Doppler ameliorată prin metoda realocării
57
LUCRAREA NR.7
ANALIZA MULTIREZOLUȚIE A SEMNALELOR FOLOSIND

FUNCȚII WAVELET
Lucrarea are ca scop familiarizarea studentului cu metodele de analiză multirezoluție a

semnalelor nestaționare, folosind algoritmi de descompunere a semnalelor în componentele
acestuia, bazați pe funcții wavelet.
Există cazuri când semnalul nestaţionar x(t) este descris printr-o succesiune de semnale,
dintre care primele sunt de durată mare şi frecvenţă mică, iar ultimele sunt scurte şi de frecvenţă
înaltă. În această situaţie, pentru ca toate secvenţele de semnal să poată fi analizate cu aceeaşi
precizie este necesară utilizarea unei celule de rezoluţie variabilă. De exemplu, ar fi de preferat ca
pentru caracterizarea componentelor de durată lungă şi frecvenţă joasă LF, să se folosească o
rezoluţie temporală mică şi o rezoluţie frecvenţială mai mare, iar componentele de durată scurtă şi
frecvenţă înaltă HF să fie caracterizate de o rezoluţie mare în timp şi mai mică în frecvenţă.
Analiză spectrală variabilă de acest tip se poate realiza folosind o fereastră temporală de
lungime variabilă de forma[3][4]:
w( )  s  (s(  t )) (7.1)
unde () este undişoara mamă și este o fereastră de analiză timp-frecvență, iar s este un parametru
care ţine seama de durata semnalului de analizat. Valoarea s se utilizează pentru normalizarea
energiei. În general parametrul s se numeşte factor de scală, iar reprezentările în a căror definire
intervine acest parametru se numesc reprezentări de tip timp-scală sau simplu de tip scală.
Undişoara este o funcţie reală sau complexă de tip trece-bandă, centrată în domeniul timp în
jurul lui t=0, de medie nulă, oscilantă cu oscilaţii care se amortizează la infinit, de unde şi numele
de undişoară.
O transformare tridimensională a semnalului nestaționar x(t) care foloseşte o astfel de
fereastră este transformarea undişoară continuă CWTx [3]:

CWTx (s, t )  s  x ()  (s(  t ))d (7.2)

Analiza multirezoluţie este o metodă de descompunere a semnalelor de bandă nelimitată în
sub-benzi. Ea constă în descompunerea semnalelor pe bază de aproximări succesive, conform căreia
un semnal oarecare se va reprezenta printr-o aproximare "brută" a lui, la care se vor adăuga nişte
detalii. Subspaţiile de aproximare şi de detaliu sunt ortogonale, iar detaliul este diferenţa dintre o
versiune de aproximare şi una de detaliu. Aplicând aproximările succesive în mod recursiv, se
observă faptul că spaţiul semnalelor de intrare L2(R) poate fi descompus într-o mulţime de spaţii de
detalii succesive pentru rezoluţii diferite. În concluzie, pe măsură ce rezoluţia detaliilor tinde la
infinit, eroarea de aproximare scade la zero.
Prin definiție se numeşte analiză multirezoluţie a spaţiului L2(R), mulţimea de subspaţii
Hilbert închise ale lui L2(R) care au proprietăţile:
(a) VmVm+1 respectiv ..... V2  V1 V0V-1V-2... (7.3)

(b)  Vm  0 (7.4)

m  
58
(c)  Vm  L ()
2
(7.5)
m Z
(d) x(t)Vm  x(2t)Vm+1 (7.6)
(e) x(t)V0  x(t-n)V0 () nZ (7.7)
(f) Există o funcţie (t) în V0 astfel încât mulţimea (t-n)nZ să fie o bază ortonormală
pentru V0 (7.8)
2
Descompunerea ortogonală a lui L ( ) de tipul {Wm}m , asociată analizei multirezoluţie
|

{Vm}m , se construieşte pe baza relaţiei: Wm  Vm  Vm1 (7.9)
Cu alte cuvinte subspaţiul Wm este complementul ortogonal al subspaţiului Vm în raport cu
spaţiul Vm+1. În figura 7.1. se reprezintă grafic legătura dintre o analiză multirezoluţie şi
descompunerea ortogonală corespunzătoare.
a. Simbolizarea unei analize multirezoluţie b. Descompunerea ortogonală corespunzătoare

Figura 7.1. Legătura dintre analiza multirezoluţie şi descompunerea ortogonală corespunzătoare
Fiecare spaţiu Vm este asociat unei rezoluţii 2m, iar aproximarea unui semnal x(t) la această
rezoluţie se obţine prin proiectarea lui pe spaţiul corespondent. În concluzie, Vm este spaţiul tuturor
semnalelor aproximate la rezoluţia 2m (scala 2-m), iar diferenţa de informaţie dintre aproximarea
unei funcţii la rezoluţia 2m+1 şi aproximarea de la rezoluţia 2m se numeşte semnal de detaliu. Cu Wm
se notează spaţiul tuturor detaliilor pentru rezoluţia 2m.
Importanţa conceptului de analiză multirezoluţie este subliniată de următoarea teoremă.
Teoremă: Oricare ar fi secvenţa de spaţii care satisfac relaţiile (7.3)(7.9), există o bază
ortonormală pe L2(R)
m
m,n (t )  2  (2 m t  n)
2
m,n Z (7.10)
astfel încât mulţimile {m,n (t)}m,n să formeze baze ortonormale ale spaţiilor Wm, pentru orice
mZ, unde Wm este complementul ortogonal al lui Vm în Vm-1.
Funcţia (t) se numeşte undişoară mamă (mother of wavelets), iar funcţiile m,n (t) se
numesc undişoare, ele obţinându-se prin operaţii de dilatare şi translatare a undişoarei mamă.
Metodele de analiza a semnalelor nestaționare bazate pe funcții de tip wavelet sunt

disponibile în cadrul mediului Matlab atât sub forma unor funcții dedicate din cadrul toolbox-ului
wavelet sau prin intermediul unei interfețe grafice interactive care permite accesul facil la cele mai
multe funcții de acest tip, fără a fi necesare cunoștințe avansate de programare în limbajul Matlab.
Acest meniu interactiv poate fi lansat în execuție prin tastarea comenzii wavemenu în linia de
comandă a programului Matlab, fiind prezentat în figura 7.2.
59
Figura 7.2: Interfața meniului destinat analizei semnalelor cu funcții de tip wavelet
Studenții vor genera mai multe semnale de test care vor fi prelucrate folosind metode bazate
pe analiza multirezoluție. Un prim semnal de test este reprezentat de un semnal sinusoidal având o
frecvență de 3 Hz care conține două puncte de discontinuitate reprezentate de două impulsuri
perturbatoare suprapuse peste amplitudinea semnalului. Pentru a generat acest semnal, a cărui formă
de undă este prezentată în figura 7.3, se vor folosi următoarele linii de program Matlab:
fe=1000;
t=0:1/fe:1;
x=3*sin(2*pi*3*t);%+2*cos(2*pi*7*t);
semnal_1=x;
semnal_1(200:201)=3;
semnal_1(479)=-2;
plot(t,semnal_1,'linewidth',2);
xlabel('Timp');
grid on
60
3
1
Amplitudine
-1
-2
-3
0 0.2 0.4 0.6 0.8 1
Timp
Figura 7.3: Semnal sinusoidal cu două puncte de discontinuitate
Folosind butonul „Continuous Wavelet 1-D” studenții vor deschide interfața care permite
calculul transformatei wavelet in timp continuu. Această interfața este prezentată în figura 7.4.
Folosind meniul „File - Import Signal from workspace” semnalul generat la pasul anterior poate fi
încărcat în interfața din figura 7.4. Studenții vor calcula transformata wavelet a semnalului, folosind
diferite funcții wavelet folosind opțiunile oferite de interfața menționată. Se vor testa și diferitele
forme de vizualizare a datelor obținute, cum ar fi diferitele palete de culori utilizabile, care pot
ajuta la o interpretare mai bună a rezultatului. În figura 7.4 s-a folosit funcția wavelet Symlet „sym”
de ordinul 5, iar în graficul care reprezintă coeficienții transformatei wavelet se poate observa cu
ușurință prezența punctelor de discontinuitate din cadrul semnalului.
Studenții vor calcula transformata wavelet în timp discret folosind interfața din figura 7.5
care se poate deschide prin apăsarea butonului „Wavelet 1-D” din figura 7.2. După cum se știe,
calculul transformatei wavelet în timp discret folosește un algoritm de calcul rapid care presupune
descompunerea semnalului inițial într-o secvență de coeficienți de aproximație și de detalii folosind
o bază ortogonală de funcții finite numite undișoare sau wavelets. Această descompunere este
realizată în practică folosind o serie de filtre având caracteristici astfel alese încât să ofere
posibilitatea analizei semnalului la diferite scări de decompoziţie.
61
Figura 7.4: Interfața pentru calculul transformatei wavelet în timp continuu
Figura 7.5: Interfața pentru calculul transformatei wavelet în timp discret
62
Practic semnalul este descompus într-o aproximare a sa, corespunzând frecvențelor joase din
spectrul său și niște semnale-detalii asociate frecvențelor înalte. Algoritmul de descompunere este
iterativ, la fiecare pas semnalul de aproximație este descompus din nou într-un semnal de
aproximare și detalii de nivel superior, așa cum se poate observa în figura 7.5. În interfața din
figura menționată se pot observa aceste semnale succesive într-o reprezentare de tip arbore de
descompunere wavelet. După cum se poate observa, în cazul semnalului cu perturbații de tip
impuls, semnalul de aproximare corespunde unui semnal în care aceste puncte de discontinuitate au
fost eliminate. Studenții vor testa și alte moduri de vizualizare a datelor oferite de interfața „Wavelet
1-D”. De exemplu, alegând opțiunea „Full decomposition” se pot vizualiza semnalele de detalii și
cel de aproximație ca în figura 7.6, unde algoritmul de analiză multirezoluție a fost parcurs până la
nivelul 5. De asemenea, se va verifica modul în care tipul funcției wavelet influențează forma de
undă a semnalelor obținute.
Figura 7.6: Semnalul de aproximație și semnalele corespunzătoare detaliilor semnalului cu

discontinuități de tip impuls
Folosind aceeași interfață se vor testa metodele de eliminare a zgomotului folosind analiza
multirezoluție bazata pe funcții wavelet. Se va folosi un semnal de test compus din două semnale
sinusoidale acoperit de un zgomot perturbator de tip gaussian, generat cu următoarele linii de
program Matlab:
fe=1000;
t=0:1/fe:1;
x=3*sin(2*pi*3*t)+2*cos(2*pi*7*t);
zgomot=randn(1,length(x));
semnal_zg=x+0.8*zgomot;%white gaussian noise
plot(t,semnal_zg);
xlabel('Timp');
Forma de undă a acestui semnal, și descompunerea sa folosind funcția wavelet Daubechies
„db” de ordinul 5 este prezentată în figura 7.7.
63
Figura 7.7: Analiză multirezoluție a unui semnal acoperit de zgomot gaussian
Algoritmul de eliminare a zgomotelor presupune parcurgerea mai mltor pași:

- la primul pas se alege funcția wavelet care se va utiliza, precum și nivelul până la care se
va calcula descompunerea semnalului analizat;
- la pasul al doilea prin apăsarea butonului „Analyze” se calculează coeficienţii
transformatei wavelet corespunzători;
- prin apăsarea butonului „De-noise” din interfață se va deschide o altă figură în care este
posibil să se compare modulul coeficienților calculați anterior cu o valoare de prag aleasă
convenabil. Această interfață este prezentată în figura 7.8. Prin anularea sau reducerea valorilor
tuturor coeficienţilor situaţi sub acest prag are loc reducerea nivelului zgomotului. De regulă, se
aleg valori de prag individuale pe fiecare nivel în parte. În cazul interfeței din figura 7.8 există
două posibilități de reducere a acestor coeficienți: soft și hard. În cazul hard coeficienții sunt anulați
complet, iar în cazul soft ei suferă o transformare neliniară, care produce o reducere a nivelului
acestora. De asemenea există posibilitatea utilizării unor algoritmi de alegere automată a pragurilor,
bazați pe modalități inspirate din teoria transmisiei informaţiei.
- la ultimul pas al algoritmului se calculează transformata wavelet inversă pentru a se obține
semnalul filtrat.
Formele de undă a semnalului inițial, perturbat de zgomot și a celui filtrat sunt prezentate în
cazul semnalului de test în figura 7.9.
Studenții vor parcurge algoritmul descris mai sus folosind mai multe tipuri de funcții
wavelet. De asemenea se vor verifica metodele de alegere automată a pragurilor pentru reducerea
coeficienților transformatei corespunzători zgomotului.
64
Figura 7.8: Interfață pentru reducerea nivelului de zgomot
Figura 7.9: Semnalul inițial și semnalul filtrat
În cazul algoritmului prezentat mai sus, la fiecare pas, doar semnalul de aproximație este
folosit pentru a se calcula coeficienții de aproximație și de detalii de ordin superior. Dacă se
folosește același procedeu de descompunere și în cazul detaliilor se pot extrage mai multe informații
privind componentele semnalului supus analizei. Pentru a se realiza o astfel de analiză se folosește
65
butonul „Wavelet Packet 1-D” din figura 7.2, iar interfața corespunzătoare este prezentată în figura
7.10.
Figura 7.10: Analiză multirezoluție de tip „Wavelet Packet 1-D”
Pașii folosiți pentru reducerea zgomotului perturbator sunt similari în acest caz, iar interfața
corespunzătoare filtrării zgomotului este prezentată în figura 7.11.
Figura 7.11: Filtrarea zgomotului perturbator folosind o analiză de tip „Wavelet Packet 1-D”
66
Studenții vor compara rezultatele obținute folosind acest procedeu cu cel descris anterior.
Pentru a se realiza o analiză multirezoluție unui semnal folosind funcții wavelet nu este necesară
utilizare interfețelor grafice prezentate în cadrul acestei lucrări de laborator, analiza putând fi
executată și folosind funcții Matlab din toolboxul wavelet în cadrul unui fișier de tip script. Pentru a
accesa informații despre aceste funții studenții vor tasta în fereastra de comandă a mediului Matlab
comanda help wavelet.
67
BIBLIOGRAFIE
[1] C.Gordan, R.Reiz, Analiza și sinteza semnalelor, Editura Universității din Oradea, 2008
[2] A.Isar, C.Gordan, I.Naforniţă, Semnale şi sisteme, Editura Orizonturi Studenţeşti Timişoara
2006
[3] C.Gordan, Studiul reprezentărilor timp-frecvenţă şi aplicarea lor la estimarea frecvenţei
instantanee, Editura Universităţii din Oradea 1999
[4] A.Isar, I.Naforniţă, Reprezentări timp-frecvenţă, Editura "Politehnica", Timişoara, 1998
[5] MATLAB – Mathworks, https://www.mathworks.com/products/matlab.html, accesat la
15.05.19.
[6] J. W. Eaton, D. Bateman, S. Hauberg, R. Wehbring, GNU Octave version 5.1.0 manual: a high-
level interactive language for numerical computations, https://www.gnu.org/software/octave/,
accesat la 23.08.19.
[7] The Time-Frequency Toolbox (TFTB), http:// http://tftb.nongnu.org, accesat la 9.03.19.
[8] E. Sejdic, I. Djurovic, J. Jiang, Time-Frequency Feature Representation Using Energy
Concentration: An Overview of Recent Advances, Digital Signal Processing Journal, 19(1):153-183,
2009
68

Analiza Si Sinteza Semnalelor Nestationare-Indrumator de Laborator

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Analiza Si Sinteza Semnalelor Nestationare-Indrumator de Laborator

Încărcat de

Drepturi de autor:

Formate disponibile

Reiz Romulus Gordan Cornelia

Analiza și sinteza semnalelor

- Prof.dr.ing. Trip Nistor Daniel

- Conf.dr. Moldovan Liviu

Figurile din lucrare aparțin autorilor și au fost realizate prin programul

Lucrarea nr. 1 SEMNALE NESTAŢIONARE. GENERALITĂŢI 4

SEMNALE NESTAŢIONARE. GENERALITĂŢI

1.1. Scopul lucrării:

Lucrarea are ca scop familiarizarea studentului cu noţiunea de semnal nestaţionar şi cu

În multe aplicaţii ale prelucrărilor de semnale este interesant să se cunoască lungimea

1.3. Mersul lucrării:

În cadrul acestui îndrumător de laborator se va folosi toolbox-ul Matlab/Octave[5][6] TFTB

Figura 1.2: Semnale exponențiale bilaterale

Figura 1.3: Semnale gaussiene

Figura 1.4: Semnal modulat liniar în frecvenţă

Figura 1.5: Semnal modulat parabolic în frecvenţă

Toolbox-ul permite și obținerea de semnale nestaționare speciale, unele din domeniul

Figura 1.6: Semnal sinusoidal a cărui amplitudine variază gaussian

Un semnal de tip FSK se obţine în urma utilizării următoarelor linii de program:

0 100 200 300 400 500 600

Figura 1.7 Semnalul FSK

Un alt exemplu de semnale nestaţionare este reprezentat de clasa funcţiilor „undişoară”

Figura 1.8: Semnalul undişoară de tip „pălărie mexicană”

TRANSFORMATA FOURIER SCURTĂ

2.1. Scopul lucrării:

Lucrarea are ca scop familiarizarea studentului cu transformata Fourier-scurtă, cu

Figura 2.1: Interpretarea lui TFxSTFT(t,) ca un spectru local.

Definiţia matematică a transformării Fourier-scurtă TFxSTFT(t,) este dată de relaţia

2.3. Mersul lucrării:

Se va obține o reprezentare de forma celei din figura 2.4.

Figura 2.3: Meniul aferent reprezentării timp-frecvență

|STFT|, Lh=32, Nf=128, lin. scale, imagesc, Thld=5%

Figura 2.4: Reprezentare de tip Fourier-scurtă a unui semnal modulat

Pentru amestecul aditiv al semnalului modulat în frecvență și a zgomotului gaussian se va

Figura 2.5: Reprezentare tridimensională a transformatei de tip Fourier-scurtă

Linear scale |STFT|, Lh=16, Nf=64, lin. scale, imagesc, Thld=5%

Linear scale |STFT|, Lh=0, Nf=64, lin. scale, imagesc, Thld=5%

Figura 2.7: Reprezentare timp-frecvență de tip Fourier Scurtă

Linear scale |STFT|, Lh=63, Nf=64, lin. scale, imagesc, Thld=5%

Linear scale |STFT|, Lh=32, Nf=128, lin. scale, imagesc, Thld=5%

Figura 2.10: Forma de undă şi spectrul semnalului vocal

Reprezentarea spectrului semnalului ne oferă informaţii referitoare la conţinutul în frecvenţă

3.1. Scopul lucrării:

Lucrarea are ca scop familiarizarea studenților cu reprezentarea timp-frecvență de tip

O nouă modalitate de abordare a problemei timp-frecvenţă corespunde distribuţiilor

3.3. Mersul lucrării:

În momentul execuției instrucțiunii tfrwv se va afișa această reprezentare obținându-se

Frequency [Hz] 0.35

Figura 3.2: Vizualizare tridimensională a reprezentării Wigner-Ville din figura 3.1

În cazul în care semnalul precedent este acoperit de un zgomot perturbator, reprezentarea

WV, lin. scale, imagesc, Threshold=5%

Figura 3.3: Reprezentare Wigner-Ville a semnalului modulat liniar în frecvență

După cum se cunoaște, reprezentarea timp-frecvenţă de tipul Wigner-Ville este biliniară.

Pentru generarea semnalului multicomponentă a fost folosită funcția atoms. Reprezentarea

WV, lin. scale, imagesc, Threshold=5%

semnal_parab=fmpar(128,[1 0.4],[64 0.05],[128 0.4]);

WV, lin. scale, imagesc, Threshold=5%

Figura 3.5: Reprezentare Wigner-Ville a unui semnal modulat parabolic în frecvență

Figura 3.6: Reprezentare Wigner-Ville a unui semnal cu două componente

WV, lin. scale, imagesc, Threshold=5%

4.1. Scopul lucrării:

Lucrarea are ca scop familiarizarea studenților cu reprezentarea timp-frecvență de tip Choi-

4.3. Mersul lucrării: