I.Introducere…………………………………………………………………….

2
1.1 Definitia produsul e convolutie……………………………………………………...………
2
1.2 Istoria si dezvoltarea
conceptului…………………………………………………………...5

II.Matematica produsului de
convolutie……………………………………….7
2.1 Definitii si proprietati……………………………………………………………………….7
2.2 Exemple si aplicatii…………………………………………………………………………9
2.3 Operatii si metode de
calcul………………………………………………………………..13

III. aplicatii ale produsului de

convolutie…………………………………….17
3.1 Procesarea de semnale……………………………………………………………..………
17
3.2 Procesarea Imaginilor…………………………………………………………………..
….21
3.3 Analiza de date si statistici…………………………………………………………….…..24

IV.concluzii…………………………………………………………………….29
4.1 Importanta produsului de convolutie…………………………………………...
………….29
4.2Directii viitoare de cercetare……………………………………………………..…………
30
I.Introducere
1.1 Definitia produsul e convolutie

Produsul de convoluție este o operație fundamentală în matematică și în domenii

conexe, cum ar fi procesarea semnalelor, teoria probabilităților și procesarea imaginilor.
Această lucrare se concentrează pe definiția și proprietățile produsului de convoluție și pe
aplicațiile sale în diverse domenii. Vom explora modul în care produsul de convoluție
combină două funcții pentru a obține o a treia funcție care surprinde interacțiunile și efectele
reciproce ale acestora.
Pentru a înțelege definiția produsului de convoluție, să analizăm mai întâi
componentele sale: Există două funcții, f și g, care sunt combinate pentru a obține produsul de
convoluție. Produsul de convoluție al acestor două funcții se numește f * g sau (f * g), unde
variabila de convoluție este o nouă funcție definită de valorile celor două funcții în fiecare
punct t.
Definiția produsului de convoluție este următoarea:
(f * g)(t) = ∫ [-∞,∞] f(τ)g(t - τ) dτ.
Conform acestei definiții, produsul valorilor funcțiilor f și g se integrează pe toată
linia reală, iar τ este variabila integrală. În fiecare punct t al variabilei de convoluție, produsul
de convoluție însumează produsul dintre valoarea funcției f în punctul τ și valoarea lui g în
punctul (t - τ) și îl ponderează prin integrarea cu valorile din diferite puncte τ.
Produsul de convoluție are o proprietate importantă. Și anume, f * g = g * f. Aceasta
înseamnă că, în cazul înmulțirii prin convoluție, rezultatul va fi același indiferent de ordinea în
care sunt luate cele două funcții.
De asemenea, înmulțirea prin convoluție este o operație combinatorie, (f * g) * h = f *
(g * h). Prin urmare, în cazul înmulțirii prin convoluție, mai multe funcții pot fi combinate în
orice ordine pentru a obține același rezultat.
Înmulțirea convoluțională are aplicații în multe domenii diferite. Unul dintre acestea
este prelucrarea semnalelor, unde multiplicarea prin convoluție este utilizată pentru a descrie

2
modul în care un semnal este modificat în timp de un alt semnal. În domeniul audio, de
exemplu, multiplicarea prin convoluție este utilizată pentru a aplica efecte de reverberație sau
ecou la înregistrări.
Înmulțirea prin convoluție este o operație matematică fundamentală cu numeroase
aplicații practice. Acest articol se va concentra pe utilizarea produselor de convoluție în
MATLAB, va explora modul în care MATLAB facilitează implementarea și aplicarea
produselor de convoluție și va oferi exemple concrete pentru a ilustra această operație.
Secțiunea 1: Definiția înmulțirii prin convoluție în MATLAB
În MATLAB, produsele de convoluție se realizează cu ajutorul funcției conv. Sintaxa
generală este y = conv(x, h), unde x și h sunt vectorii de intrare, iar y este vectorul rezultat al
produsului de convoluție. În acest capitol, se analizează definiția matematică a înmulțirii prin
convoluție și modul în care aceasta este transpusă în implementarea MATLAB.
Secțiunea 2: Exemple de produse de convoluție în MATLAB
Sunt prezentate câteva exemple practice pentru a ilustra utilizarea produselor de
convoluție în MATLAB.
Exemplul 1: Filtrarea unui semnal audio
Unul dintre cele mai frecvente scenarii de utilizare a produselor de convoluție în
MATLAB este filtrarea semnalelor audio. De exemplu, să presupunem că aveți un semnal
audio și doriți să aplicați un filtru pentru a elimina frecvențele nedorite. Puteți reprezenta
semnalul audio ca vector x și filtrul ca vector h și puteți aplica produsul de convoluție pentru a
obține semnalul filtrat y.
Exemplul 2: Convoluția în domeniul imaginii
Un alt exemplu important este convoluția în spațiul imaginii. Să presupunem că aveți
o imagine și doriți să aplicați un filtru spațial pentru a evidenția anumite caracteristici, cum ar
fi marginile sau texturile. În acest caz, imaginea poate fi reprezentată ca o matrice
bidimensională, iar filtrul spațial ca o altă matrice bidimensională. Imaginea rezultată se obține
apoi prin aplicarea unui produs de convoluție bidimensională, iar MATLAB oferă o funcție
conv2 pentru a efectua această operațiune în mod eficient.
Exemplul 3: Convoluția în domeniul semnalelor în timp continuu
MATLAB permite convoluția în domeniul semnalelor în timp continuu, precum și al
semnalelor discrete. Funcțiile de intrare și de filtrare pot fi definite utilizând expresii
simbolice, iar rezultatele convoluției pot fi obținute cu ajutorul funcției conv. Acest lucru este
util în domenii precum teoria semnalelor și teoria sistemelor.
În MATLAB, înmulțirea prin convoluție este realizată de funcția conv. Această
funcție primește două argumente, și anume un vector de intrare și un vector de filtrare.

3
 Sintaxa generală este: y = conv(x, h), unde x este vectorul de intrare și h este vectorul
de filtrare. Rezultatul produsului de convoluție este stocat în vectorul y. Este important de
reținut că dimensiunea vectorului rezultat y este mai mare decât dimensiunea vectorului de
intrare x și a vectorului de filtrare h.
Să analizăm acum câteva exemple practice de utilizare a produselor de convoluție în
MATLAB:
Exemplul 1: Filtrarea cu un filtru trece-jos
Să presupunem că aveți un semnal audio x și doriți să aplicați un filtru trece-jos
pentru a elimina frecvențele care depășesc o anumită frecvență de tăiere. Pentru a face acest
lucru, definiți un vector de filtrare h care descrie răspunsul filtrului trece-jos și utilizați funcția
conv pentru a calcula produsul de convoluție.

% Definirea semnalului audio

x = [0.2, 0.3, 0.5, 0.8, 1, 0.9, 0.7, 0.4, 0.1];
% Definirea filtrului trece-jos
h = [0.1, 0.2, 0.4, 0.2, 0.1];
% Aplicarea produsului de convoluție
y = conv(x, h);
% Afișarea semnalului filtrat
disp(y);

Exemplul 2: Convoluția în domeniul imaginii

În domeniul imaginii, convoluția este adesea utilizată pentru a aplica filtre spațiale și
a extrage caracteristici. De exemplu, să presupunem că doriți să aplicați un filtru de
îmbunătățire a marginilor la o imagine în tonuri de gri: Funcția conv2 poate fi utilizată pentru
a genera un produs de convoluție bidimensional.

% Citirea și afișarea imaginii

img = imread('image.jpg');
imshow(img);
% Definirea filtrului pentru evidențierea marginilor
h = [1, 1, 1; 1, -8, 1; 1, 1, 1];

4
 % Aplicarea produsului de convoluție bidimensională
result = conv2(double(img), h, 'same');
% Afișarea imaginii rezultat
figure;
imshow(uint8(result));
Exemplul 3: Convoluția în domeniul semnalelor continue

MATLAB permite, de asemenea, convoluția în domeniul semnalelor continue,

utilizând o combinație de funcții de conv și funcții simbolice. De exemplu, să presupunem că
aveți două funcții continue, f(t) și g(t), și doriți să calculați produsul de convoluție.

syms t;
f = exp(-t^2); % Funcția f(t)
g = sin(t); % Funcția g(t)
% Calculul produsului de convoluție
y = conv(f, g, 'same');
% Afișarea rezultatului
ezplot(y);
syms t;
f = exp(-t^2); % Funcția f(t)
g = sin(t); % Funcția g(t)
% Calculul produsului de convoluție
y = conv(f, g, 'same');
% Afișarea rezultatului
ezplot(y);
Acestea sunt doar câteva exemple de utilizare a produsului de convoluție în
MATLAB. MATLAB oferă o gamă largă de funcționalități pentru lucrul cu convoluția și
posibilități extinse de personalizare și analiză a rezultatelor. Prin intermediul acestei puternice
platforme, produsul de convoluție devine accesibil și ușor de utilizat într-o varietate de
aplicații practice.

5
1.2 Istoria si dezvoltarea conceptului
Istoria și dezvoltarea conceptului de convoluție reprezintă o călătorie fascinantă prin
evoluția matematicii și a științei aplicate. Conceptul a apărut și a evoluat de-a lungul timpului,
jucând un rol important în multe domenii, de la matematică și fizică până la inginerie și
prelucrarea semnalelor.
Istoria convoluției datează din antichitate, când grecii antici au început să exploreze
idei legate de sumele și integralele infinite. În scrierile sale, Aristotel a descris procesul de
adunare a unui număr infinit de termeni, în timp ce matematicianul Eudoxus a dezvoltat
metode de calcul al ariilor și volumelor folosind conceptul de limite.

Conceptul de convoluție a apărut în secolul al XVIII-lea, odată cu dezvoltarea

calculului integral de către matematicieni precum Isaac Newton și Gottfried Wilhelm Leibniz.
Această dezvoltare a dus la o tratare mai riguroasă a sumelor și integralelor infinite și a
deschis calea pentru o înțelegere mai profundă a convoluției.
În secolul al XIX-lea, matematicianul francez Augustin-Louis Cauchy a adus o
contribuție importantă la conceptul de convoluție prin definirea produsului de convoluție al
funcțiilor continue cu ajutorul integralei Cauchy. Această definiție a pus bazele matematice
pentru studiul și utilizarea convoluției în analiza matematică.
Convoluția a fost, de asemenea, aplicată în domenii practice, cum ar fi ingineria
electrică și prelucrarea semnalelor. În ingineria electrică, convoluția a fost utilizată pentru a
descrie răspunsul sistemelor electrice la semnalele de intrare. Acest lucru a avut un impact
semnificativ asupra dezvoltării teoriei circuitelor și asupra proiectării sistemelor de
comunicații.
Odată cu progresul tehnologic și apariția calculatoarelor, conceptul de convoluție a
fost aplicat și utilizat în moduri mai eficiente și mai accesibile, cu programe software precum
MATLAB care oferă funcții specializate pentru calculul convoluțiilor și aplicații în diverse
domenii, cum ar fi procesarea imaginilor și a sunetului. procesarea imaginilor și a sunetului.
În prezent, conceptul de convoluție este indispensabil în domenii precum prelucrarea
semnalelor, teoria probabilităților, ingineria electrică și prelucrarea imaginilor. Aplicațiile sale
variază de la filtrarea semnalelor de imagine și extragerea caracteristicilor până la analiza și
simularea sistemelor complexe.
Astfel, istoria și dezvoltarea conceptului de convoluție reflectă evoluția matematicii și
a științelor aplicate de-a lungul secolelor. De la originile sale străvechi până la aplicațiile sale
moderne în software specializat, convoluția a devenit un instrument puternic și versatil, jucând
un rol important în rezolvarea problemelor practice și în înțelegerea fenomenelor din lumea
din jurul nostru.

6
 Istoria și dezvoltarea conceptului de convoluție a condus la mari inovații în
matematică și în științele aplicate, iar implementarea și utilizarea conceptului de convoluție în
MATLAB a facilitat explorarea și aplicarea acestuia într-un mod practic și eficient.
Acest capitol trece în revistă pe scurt istoria evoluției conceptului de convoluție și
modul în care MATLAB a adus noi perspective.
Conceptul de convoluție datează din secolul al XVIII-lea, odată cu dezvoltarea
calculului integral de către matematicieni precum Isaac Newton și Gottfried Wilhelm Leibniz.
La acea vreme, convoluția a fost utilizată pentru a rezolva probleme matematice și fizice
complexe, dar era dificil și necesita mult timp pentru a fi realizată.
Odată cu apariția computerelor și dezvoltarea unor programe informatice precum
MATLAB, conceptul de convoluție a devenit mai accesibil și mai ușor de utilizat; MATLAB a
oferit funcții specializate, precum conv, care au permis implementarea rapidă și eficientă a
produselor de convoluție.
Ulterior, MATLAB a evoluat și a introdus mai multe funcții legate de convoluție,
cum ar fi conv2 pentru convoluția bidimensională și convn pentru convoluția
multidimensională. Aceste funcții au deschis noi posibilități și aplicații în domenii precum
procesarea imaginilor, procesarea semnalelor și analiza datelor.
Utilizarea MATLAB pentru convoluție a oferit numeroase beneficii practice.
Programul oferă un mediu interactiv și flexibil pentru definirea și manipularea datelor. De
exemplu, dacă definiți semnalul de intrare ca un vector și filtrul ca un alt vector, MATLAB
utilizează funcția conv pentru a calcula produsul de convoluție. Rezultatele pot fi apoi
vizualizate, analizate și interpretate cu ușurință.
MATLAB oferă, de asemenea, funcții avansate pentru convoluție în domenii
multidimensionale, cum ar fi prelucrarea imaginilor. Filtrele spațiale pot fi aplicate pentru a
îmbunătăți calitatea imaginii și pentru a extrage caracteristicile de interes. De exemplu, funcția
conv2 poate fi utilizată pentru a aplica un filtru de detectare a marginilor pentru a evidenția
contururile obiectelor dintr-o imagine.
Implementarea conceptului de convoluție în MATLAB deschide noi perspective
pentru analiza și soluționarea problemelor complexe. MATLAB a devenit un instrument
indispensabil pentru oricine lucrează cu convoluția, de la procesarea semnalelor și a imaginilor
la simulare și analiză statistică.

II Matematica produsului de convolutie

2.1Definitii si proprietati

7
 Conceptul de convoluție reprezintă o operație matematică fundamentală utilizată într-
o varietate de domenii, de la matematică și fizică până la inginerie și prelucrarea semnalelor.
Convolutia este o operație care combină două funcții pentru a produce o a treia funcție care
reprezintă măsura de suprapunere a celor două funcții de intrare. Acest eseu se va concentra
asupra definițiilor și proprietăților convoluției, explorând aplicațiile sale și importanța în
diferite domenii.
Convolutia a două funcții continue f și g este definită ca integrala funcției produs
f(tau) * g(t - tau) în raport cu variabila tau, unde t reprezintă variabila de convoluție. Aceasta
poate fi exprimată matematic ca:
(f * g)(t) = ∫f(tau) * g(t - tau) dtau
Aceasta reprezintă o mediere sau combinație a informațiilor din cele două funcții, în
funcție de variabila de convoluție t. Produsul de convoluție este o funcție nouă, care poate fi
utilizată pentru a analiza și modela fenomene complexe.
Proprietăți ale convoluției
1. Comutativitate: Produsul de convoluție este comutativ, adică f * g = g * f.
Ordinea în care sunt luate funcțiile în produs nu influențează rezultatul final.
2. Asociativitate: Convolutia este asociativă, adică (f * g) * h = f * (g * h).
Aceasta înseamnă că ordinea în care sunt efectuate operațiile de convoluție pentru mai multe
funcții nu afectează rezultatul final.
3. Distributivitate: Convolutia este distributivă față de adunare, adică f * (g + h) =
(f * g) + (f * h). Aceasta înseamnă că convoluția funcției f cu suma a două funcții g și h este
egală cu suma convoluției lui f cu g și convoluției lui f cu h.
4. Convolutia cu funcția impuls: Convolutia funcției f cu funcția impuls δ(t - τ),
notată f * δ(t - τ), este egală cu f(t - τ). Aceasta este o proprietate importantă în teoria
semnalelor și permite exprimarea semnalului de convoluție într-o formă simplificată.
5. Convolutia cu funcția treapta: Convolutia unei funcții f cu funcția treapta u(t)
este egală cu integrala de la minus infinit la infinit a produsului funcției f cu derivata funcției
treapta, notată f * u(t) = ∫f(τ) * δ'(t - τ) dτ.
Convoluția este utilizată într-o multitudine de domenii, fiind un instrument puternic
pentru analiza și modelarea sistemelor. Iată câteva aplicații ale convoluției:
1. Procesarea semnalelor: Convolutia este folosită pentru filtrarea semnalelor și
extragerea caracteristicilor relevante. De exemplu, în domeniul audio, convoluția este utilizată
pentru a adăuga efecte de reverb sau pentru a implementa filtre pentru eliminarea zgomotului.
2. Procesarea imaginilor: Convolutia este aplicată pe imagini pentru a efectua
diverse operații, cum ar fi detectarea marginilor, estomparea, accentuarea detaliilor etc.
Aceasta permite transformarea imaginilor și extragerea informațiilor relevante.

8
 3. Teoria probabilităților: Convolutia este utilizată în calculul distribuțiilor
convoluționale, care reprezintă suma a două sau mai multe variabile aleatoare independente.
Aceasta este importantă în analiza probabilităților și statisticii.
4. Inginerie și telecomunicații: Convolutia este utilizată în proiectarea și analiza
sistemelor de comunicații, cum ar fi filtrele digitale, pentru a modula și demodula semnalele,
precum și în analiza răspunsului la impuls al sistemelor.

Definiția și proprietățile convoluției au jucat un rol esențial în dezvoltarea

matematicii și a științelor aplicate. Convolutia oferă o modalitate de combinare și analiză a
informațiilor din două funcții, permițând înțelegerea și modelarea fenomenelor complexe. Cu
ajutorul instrumentelor precum MATLAB, convoluția devine mai accesibilă și mai ușor de
implementat într-o varietate de domenii, oferind soluții eficiente și precise în analiza și
prelucrarea semnalelor.

2.2 Exemple si aplicatii

Filtrarea semnalelor audio: convoluția este utilizată pentru a aplica un filtru digital
unui semnal audio. Prin convoluția semnalului audio cu răspunsul la impuls al filtrului, se
poate obține o versiune filtrată a semnalului. Se utilizează pentru a elimina zgomotul, a reduce
distorsiunea și a îmbunătăți calitatea sunetului.
Prelucrarea imaginilor: convoluția este utilizată în prelucrarea imaginilor pentru a
efectua diverse operațiuni, cum ar fi detectarea marginilor, estomparea, accentuarea și
aplicarea de filtre de imagine. Imaginile pot fi convolute cu filtre specifice pentru a îmbunătăți
caracteristicile sau pentru a reduce artefactele și zgomotul.
Prelucrarea semnalelor biologice: convoluția este utilizată pentru a analiza semnalele
biologice, cum ar fi electrocardiograma (ECG) și electromiograma (EMG), iar prin convoluția
semnalului cu filtre specifice, se pot detecta anumite evenimente, cum ar fi bătăile inimii în
cazul ECG sau activitatea musculară în cazul EMG.
Prelucrarea semnalelor video: în prelucrarea semnalelor video se utilizează convoluția
pentru a aplica filtre spațiale și temporale. Acest lucru poate îmbunătăți calitatea imaginii,
reduce zgomotul și accentuează detaliile importante.
Rețele neuronale convoluționale (CNN): convoluția joacă un rol fundamental în
rețelele neuronale convoluționale utilizate în învățarea mecanică și în prelucrarea
imaginilor.CNN utilizează straturi convoluționale pentru a extrage caracteristici relevante din
imagini, care pot fi utilizate pentru recunoașterea obiectelor, clasificarea și segmentarea
semantică. eficacitate.

9
 Prelucrarea semnalelor în telecomunicații: convoluția este utilizată în proiectarea și
analiza sistemelor de comunicații digitale. Prin convoluția semnalului de intrare cu răspunsul
la impulsuri al canalului de comunicație, pot fi modelate efectele de distorsiune, cum ar fi
atenuarea și interferența, și se poate obține un semnal corectat la receptor.
Prelucrarea semnalelor radar: convoluția este utilizată pentru a analiza semnalele
radar în vederea detectării obiectelor și estimării distanței, vitezei și direcției acestora. Prin
convoluția semnalelor radar cu filtre adecvate, se pot extrage informații și caracteristici
importante necesare pentru identificarea obiectelor.
Acestea sunt doar câteva exemple și aplicații ale convoluției în diverse domenii.
Această manipulare matematică oferă un cadru puternic pentru analiza și prelucrarea datelor și
joacă un rol important în rezolvarea problemelor practice și în înțelegerea fenomenelor din
lumea reală.
Există o multitudine de aplicații ale convoluției în MATLAB, care pot fi
implementate și testate în mod practic. Iată câteva exemple de aplicații de convoluție în
MATLAB:

% Definirea semnalului audio de intrare

fs = 44100; % Frecvență de eșantionare
t = 0:1/fs:1; % Timpul de la 0 la 1 secundă
f = 1000; % Frecvența semnalului
x = sin(2*pi*f*t); % Semnalul audio de intrare
% Definirea filtrului
f_cutoff = 500; % Frecvența de tăiere a filtrului
h = fir1(100, f_cutoff/(fs/2)); % Răspunsul impulsiv al filtrului
% Aplicarea convoluției
y = conv(x, h, 'same'); % Semnalul audio filtrat
% Vizualizarea semnalului de intrare și a rezultatului filtrării
subplot(2, 1, 1);
plot(t, x);
title('Semnal audio de intrare');
xlabel('Timp (secunde)');
ylabel('Amplitudine');

10
 subplot(2, 1, 2);
plot(t, y);
title('Semnal audio filtrat');
xlabel('Timp (secunde)');
ylabel('Amplitudine');
În acest exemplu, se utilizează funcția fir1 pentru a genera un filtru trece-bandă cu
frecvența de tăiere de 500 Hz. Apoi, convoluția semnalului audio x cu răspunsul impulsiv al
filtrului h este aplicată utilizând funcția conv. Rezultatul convoluției, semnalul audio filtrat y,
este apoi vizualizat.

% Citirea și afișarea imaginii de intrare

img = imread('imagine.jpg');
subplot(2, 2, 1);
imshow(img);
title('Imaginea de intrare');
% Definirea unui filtru de estompare
h = fspecial('gaussian', [5 5], 2);
% Aplicarea convoluției
output = imfilter(img, h, 'conv', 'replicate');
% Afișarea rezultatului convoluției
subplot(2, 2, 2);
imshow(output);
title('Imaginea estompată');
% Definirea unui filtru de detectare a marginilor
h = fspecial('laplacian');
% Aplicarea convoluției
output = imfilter(img, h, 'conv', 'replicate');
% Afișarea rezultatului convoluției
subplot(2, 2, 3);

11
 imshow(output);
title('Margini detectate');
% Definirea unui filtru de înăsprire
h = fspecial('unsharp');

% Aplicarea convoluției
output = imfilter(img, h, 'conv', 'replicate');
% Afișarea rezultatului convoluției
subplot(2, 2, 4);
imshow(output);
title('Imagine îmbunătățită');

În acest exemplu, funcția imfilter este utilizată pentru a aplica o convoluție între
imaginea de intrare img și un filtru predefinit, cum ar fi un filtru gaussian pentru neclaritate,
un filtru laplacian pentru detectarea marginilor sau un filtru pentru claritate. Rezultatele
convoluției sunt apoi afișate într-o diagramă subplot.
Filtrarea spațială a imaginilor
Convoluția este utilizată în procesarea imaginilor pentru a aplica filtre spațiale care
îmbunătățesc calitatea imaginii sau evidențiază anumite caracteristici Utilizați funcția conv2
pentru a aplica un filtru spațial unei imagini în Matlab. De exemplu, pentru a aplica un filtru
mediu unei imagini, utilizați următorul cod:
I = imread('image.jpg'); % încarcă imaginea
f = ones(3,3)/9; % definește filtrul medie
J = conv2(double(I), f, 'same'); % aplică filtrul
imshow(uint8(J)); % afișează imaginea filtrate
Acest script încarcă imaginea "image.jpg", setează un filtru mediu de mărimea 3x3 și
aplică filtrul la imaginea încărcată. Rezultatul este afișat de funcția imshow.

Convoluție în domeniul timpului

Convoluția este utilizată în analiza semnalelor pentru a evalua relația dintre două
semnale; în Matlab, funcția conv poate fi utilizată pentru a calcula convoluția a două semnale

12
în domeniul timpului. De exemplu, utilizați următorul cod pentru a calcula convoluția a două
semnale x și y
x = randn(1, 100); % semnalul x
y = randn(1, 50); % semnalul y
z = conv(x, y); % calculează convoluția dintre x și y
plot(z); % afișează rezultatul convoluției
Codul generează două semnale aleatoare x și y și calculează convoluția dintre ele cu
ajutorul funcției conv. Rezultatul este afișat cu ajutorul funcției plot.

Filtrarea semnalelor audio

Convoluția poate fi utilizată pentru a procesa semnale audio și a aplica filtre digitale
pentru a elimina zgomotul sau pentru a îmbunătăți calitatea sunetului Utilizați funcția filter
pentru a aplica filtre digitale semnalelor audio în Matlab. De exemplu, pentru a aplica un filtru
FIR la semnalul audio x, utilizați următorul cod:
load handel.mat; % încarcă semnalul audio
b = fir1(50, 0.5); % definește filtrul FIR
y = filter(b, 1, y); % aplică filtrul
sound(y); % redă semnalul audio filtrate
Acestea sunt doar câteva exemple de aplicații de convoluție în MATLAB, dar există
multe alte aplicații, cum ar fi procesarea semnalelor biomedicale, analiza datelor financiare,
procesarea semnalelor radar etc. MATLAB oferă o gamă largă de funcții și instrumente pentru
a gestiona convoluția în mod eficient și practic. MATLAB oferă o gamă largă de funcții și
instrumente pentru a gestiona convoluția în mod eficient și practic.

2.3Operatii si metode de calcul

Operarea și calculul convoluției implică mai multe metode și tehnici, în funcție de

natura datelor și instrumentele disponibile. Iată câteva operații și metode comune utilizate
în calculul convoluției:
1. Convoluție liniară
Convoluția liniară este cea mai comună formă de convoluție și este utilizată în
prelucrarea semnalelor și imaginilor. Aceasta implică înmulțirea element cu element a

13
două secvențe și suma produselor rezultate. Pentru calculul convoluției liniare între două
secvențe discrete, se poate utiliza următoarea formulă:

Aceasta înseamnă că fiecare element al primei secvențe (f) este înmulțit cu fiecare
element corespunzător al celei de-a doua secvențe (g), deplasându-se cu un anumit indice.
Suma tuturor produselor rezultate va produce secvența rezultată (f * g).
2. Convoluția circulară
Convoluția circulară este o formă specială de convoluție în care secvențele sunt
considerate ciclice. Acest lucru înseamnă că, în loc să se extindă la infinit, secvențele se
repetă ciclic. Convoluția circulară este utilă în domeniul procesării semnalelor periodice
sau când se dorește aplicarea unei convoluții ciclice între două secvențe.
Pentru calculul convoluției circulare între două secvențe, se poate utiliza
următoarea formulă:

Aici, N reprezintă lungimea secvențelor și \mod reprezintă operația de modulo

(restul împărțirii).
3. Convoluție în domeniul frecvenței
Convoluția în domeniul frecvenței este o tehnică de calcul eficientă a convoluției
prin transformarea semnalelor în domeniul frecvenței. Aceasta implică transformarea
secvențelor în spectrul lor de frecvență utilizând transformata Fourier, efectuarea înmulțirii
în domeniul frecvenței și apoi revenirea la domeniul timpului prin inversa transformatei
Fourier.
Transformarea Fourier rapidă (FFT) este o tehnică eficientă pentru calculul
transformatei Fourier și inversa sa. Prin aplicarea FFT asupra secvențelor, convoluția în
domeniul frecvenței devine o înmulțire simplă a spectrelor de frecvență și apoi se revine la
domeniul timpului utilizând inversa FFT.
Pentru a demonstra calculul de convoluție liniară în Matlab, considerați două
secvențe discrete și convolați-le folosind funcția conv. Mai jos este prezentat un exemplu
de convoluție liniară în Matlab:
% Definirea secvențelor de intrare
x = [1, 2, 3, 4]; % prima secvență

14
 h = [1, 0, -1]; % a doua secvență
% Calculul convoluției liniare
y = conv(x, h);
% Afișarea rezultatului
disp(y);
În acest exemplu, există două secvențe disjuncte x și h. Prima matrice x este [1, 2,
3, 4], iar a doua matrice h este [1, 0, -1]. Funcția conv(x, h) este utilizată pentru a calcula o
convoluție liniară între aceste două secvențe.
Rezultatul convoluției este stocat în variabila y, iar funcția disp(y) este utilizată
pentru a afișa rezultatul.
Atunci când acest script este executat, rezultatul convoluției liniare este afișat pe
linia de comandă. În acest exemplu, rezultatul este [1, 2, 2, 2, -1, -4] și reprezintă
coloanele obținute din convoluția coloanelor x și h.
Acesta este doar un exemplu simplu de convoluție liniară în Matlab. Convoluția
liniară este o operație versatilă și poate fi aplicată într-o mare varietate de aplicații și
contexte de procesare a semnalelor și datelor.
Pentru a demonstra calculul de convoluție circulară în Matlab, luăm două
secvențe discrete și le convolăm folosind funcția cconv. Mai jos este prezentat un exemplu
de convoluție circulară în Matlab:
% Definirea secvențelor de intrare
x = [1, 2, 3, 4]; % prima secvență
h = [1, 0, -1]; % a doua secvență
% Calculul convoluției circulare
y = cconv(x, h, length(x));
% Afișarea rezultatului
disp(y);
În acest exemplu, avem două secvențe discrete: x și h. Prima secvență x este [1, 2, 3,
4], iar a doua secvență h este [1, 0, -1]. Pentru a calcula convoluția circulară între aceste două
secvențe, utilizăm funcția cconv(x, h, length(x)).
Funcția cconv primește trei argumente: cele două secvențe de intrare și lungimea
secvenței de intrare (length(x) în acest caz). Aceasta va asigura că se realizează o convoluție
circulară între cele două secvențe.

15
 Rezultatul convoluției este stocat în variabila y. Pentru a afișa rezultatul, utilizăm
funcția disp(y).
În urma rulării acestui cod, rezultatul convoluției circulare va fi afișat în linia de
comandă. În exemplul nostru, rezultatul va fi [2, 2, 2, 1], reprezentând secvența rezultată din
convoluția circulară a secvențelor x și h.
Acesta este doar un exemplu simplu de convoluție circulară în Matlab. Convoluția
circulară este utilă în domeniul semnalelor periodice și în alte aplicații specifice unde se
dorește o convoluție ciclică între secvențe.
Pentru a demonstra calculele de convoluție în domeniul frecvenței în Matlab, vom
utiliza transformata Fourier și transformarea inversă pentru a efectua convoluția. Un exemplu
de convoluție în domeniul frecvenței în Matlab este prezentat mai jos:
% Definirea secvențelor de intrare
x = [1, 2, 3, 4]; % prima secvență
h = [1, 0, -1]; % a doua secvență
% Calculul transformatei Fourier
X = fft(x);
H = fft(h);
% Calculul convoluției în domeniul frecvenței
Y = X .* H;
% Calculul invers al transformatei Fourier
y = ifft(Y);
% Afișarea rezultatului
disp(real(y));
În acest exemplu, există două secvențe disjuncte x și h. Prima secvență x este [1, 2, 3,
4], iar a doua secvență h este [1, 0, -1]. Pentru a calcula convoluția în domeniul frecvenței
între aceste două secvențe, efectuați următorii pași:
Calculați transformata Fourier a secvenței x folosind funcția ft(x) și stocați rezultatul
în variabila X.
Calculați transformata Fourier a secvenței h utilizând funcția ft(h). Rezultatul se
stochează în variabila h.
Efectuați înmulțirea în funcție de elemente a celor două spectre de frecvență, adică o
convoluție în domeniul de frecvență X . * H pentru a obține spectrul de convoluție în
domeniul de frecvență. Rezultatul se stochează în variabila Y.

16
 Funcția ifft(Y) este utilizată pentru a calcula inversa transformării Fourier a spectrului
de convoluție Y. Rezultatul se stochează în variabila Y.
Rezultatul se afișează cu ajutorul funcției disp(real(y)). Deoarece calculul conține o
mică eroare numerică, se utilizează funcția real pentru a obține partea reală a rezultatului.
Când acest script este executat, rezultatul convoluției în domeniul de frecvență este
afișat pe linia de comandă. În acest exemplu, rezultatul este [2, 2, 2, 2, 2, 2, 1], reprezentând
secvența obținută din convoluția secvențelor x și h.
Acesta este un exemplu simplu de convoluție în domeniul de frecvență în Matlab.
Convoluția în domeniul frecvenței poate fi utilizată pentru a accelera calculele de convoluție
în anumite situații și poate fi aplicată în diverse aplicații în procesarea semnalelor și a
imaginilor.

III. aplicatii ale produsului de convolutie

3.1 .Procesarea de semnale

Procesarea de semnale și convoluția sunt concepte strâns legate și pot fi realizate

folosind platforma Matlab. Matlab oferă funcții și instrumente puternice pentru a efectua
operații de convoluție asupra semnalelor. Iată câteva exemple despre cum puteți utiliza Matlab
pentru a realiza convoluția în procesarea semnalelor:
Definirea semnalelor: Înainte de a efectua convoluția, trebuie să definiți semnalele de
intrare. Puteți utiliza vectori Matlab pentru a reprezenta semnalele. De exemplu, să
presupunem că avem două semnale de intrare x și h definite astfel:
x = [1, 2, 3, 4]; % Semnalul x
h = [1, 0, -1]; % Semnalul h
Convolutia liniară: Pentru a efectua convoluția liniară între cele două semnale, puteți
utiliza funcția conv din Matlab. Această funcție primește ca argumente semnalele de intrare și
returnează semnalul rezultat al convoluției. Exemplu de cod:
y = conv(x, h); % Convolutia liniară
Convolutia circulară: Dacă doriți să efectuați convoluția circulară între cele două
semnale, puteți utiliza funcția cconv din Matlab. Această funcție primește ca argumente
semnalele de intrare și returnează semnalul rezultat al convoluției circulare. Exemplu de cod:
y = cconv(x, h, length(x)); % Convolutia circular
Vizualizarea rezultatului: Pentru a vizualiza rezultatul convoluției, puteți utiliza
funcția plot din Matlab pentru a trasa semnalul rezultat. Exemplu de cod:

17
 figure;
stem(y); % Afisare semnal rezultat
xlabel('Timp');
ylabel('Amplitudine');
title('Rezultatul convolutiei');
Ca exemplu practic de filtrare convoluțională a semnalelor, această secțiune se
concentrează pe filtrarea unui semnal audio cu ajutorul unui filtru trece-banda.
Definiția semnalului de intrare: să presupunem că un semnal audio este înregistrat și
stocat într-un vector numit x. Acesta este semnalul pe care dorim să îl filtrăm.
load handel.mat; % Încărcarea unui semnal audio predefinit în Matlab
x = y; % Salvarea semnalului audio într-un vector numit x
Definirea unui filtru trece-banda: acest exemplu utilizează un filtru trece-banda cu o
frecvență de tăiere și o lățime de bandă specificate. Răspunsul la impuls al filtrului trece-banda
poate fi definit printr-un vector h.
fs = 8192; % Frecvența de eșantionare
fc = 1000; % Frecvența de tăiere a filtrului trece-bandă
bw = 200; % Lățimea de bandă a filtrului trece-bandă
t = -0.2:1/fs:0.2; % Intervalul de timp
h = (abs(t) <= bw/2) .* (2*fc/bw) .* sinc(2*fc*t); % Răspunsul la impuls al filtrului
trece-bandă
Aplicarea convoluției: Pentru a filtra semnalul audio x cu filtrul trece-bandă h, vom
utiliza funcția conv din Matlab.
y = conv(x, h); % Aplicarea convoluției între semnalul x și filtrul h
Vizualizarea semnalului filtrat: Pentru a vizualiza semnalul audio filtrat, putem trasa
semnalul în timp utilizând funcția plot din Matlab.
t = (0:length(y)-1) / fs; % Vectorul de timp pentru semnalul filtrat
figure;
subplot(2,1,1);
plot(t, x); % Semnalul audio original
title('Semnal audio original');
xlabel('Timp (secunde)');

18
 ylabel('Amplitudine');
subplot(2,1,2);
plot(t, y); % Semnalul audio filtrat
title('Semnal audio filtrat');
xlabel('Timp (secunde)');
ylabel('Amplitudine');
Acestea sunt pașii de bază pentru a filtra un semnal audio prin convoluție cu un filtru
trece-bandă în Matlab. Filtrarea semnalelor prin convoluție poate fi aplicată într-o gamă largă
de aplicații, de la procesarea semnalelor audio până la analiza de imagini și multe altele.

Exemple de semnale din aplicatia noastra:

% operatii cu semnalul 1
elseif strcmp(hb,'sg1<>')
x1=x1(N:-1:1); st1=-st1; k1=-k1; afisg(1); drawsga(1);
if k1<N/4; set(ba(4),'Visible','on'); end
if k1>-N/4; set(ba(5),'Visible','on'); end
if k1==N/4; set(ba(4),'Visible','off'); end
if k1==-N/4; set(ba(5),'Visible','off'); end
elseif strcmp(hb,'sg1->')
k1=k1+1; x1=[0 x1(1:N-1)]; afisg(1); drawsga(1); pause(.1);
if k1==N/4; set(ba(4),'Visible','off'); end
if k1>-N/4; set(ba(5),'Visible','on'); end
elseif strcmp(hb,'<-sg1')
k1=k1-1; x1=[x1(2:N) 0]; afisg(1); drawsga(1);
if k1==-N/4; set(ba(5),'Visible','off'); end
if k1<N/4; set(ba(4),'Visible','on'); end
elseif strcmp(hb,'sg1=x')
x1=x0; k1=0; st1=1; afisg(1); drawsga(1); pause(.1); set(ba(4:5),'Visible','on');

Codul MATLAB prezentat pare să facă referire la operații și manipulări cu semnalul

1 într-o aplicație de procesare a semnalelor. Voi explica câteva porțiuni relevante ale codului:
1. elseif strcmp(hb,'sg1<>'): Acest bloc de cod este activat atunci când se
verifică dacă hb este egal cu stringul 'sg1<>'. Această condiție poate fi folosită pentru a
gestiona diferite acțiuni sau opțiuni în funcție de acestă verificare.
2. x1=x1(N:-1:1); st1=-st1; k1=-k1; afisg(1); drawsga(1);: Aici se inversează
ordinea elementelor vectorului x1 și se negativizează valorile st1 și k1. Apoi, sunt apelate
funcțiile afisg și drawsga pentru a afișa și a desena semnalul 1 actualizat.

19
 3. if k1<N/4; set(ba(4),'Visible','on'); end: Această linie de cod verifică dacă k1
este mai mic decât N/4 și, în caz afirmativ, face vizibilă o anumită componentă grafică
identificată de ba(4).
4. k1=k1+1; x1=[0 x1(1:N-1)]; afisg(1); drawsga(1); pause(.1);: Aici se
incrementează k1 cu 1 și se modifică vectorul x1 prin adăugarea unei valori de 0 la începutul
acestuia și eliminarea ultimului element. Apoi, se apelează funcțiile afisg și drawsga pentru a
actualiza afișarea și desenarea semnalului 1, urmate de o pauză de 0.1 secunde.
5. k1=k1-1; x1=[x1(2:N) 0]; afisg(1); drawsga(1);: Aici se decrementează k1 cu
1 și se modifică vectorul x1 prin eliminarea primului element și adăugarea unei valori de 0 la
finalul acestuia. Apoi, se apelează funcțiile afisg și drawsga pentru a actualiza afișarea și
desenarea semnalului 1.
6. x1=x0; k1=0; st1=1; afisg(1); drawsga(1); pause(.1);
set(ba(4:5),'Visible','on');: Aici se atribuie valorile semnalului inițial x0 vectorului x1, k1 se
resetează la 0, st1 devine 1, iar funcțiile afisg și drawsga sunt apelate pentru a actualiza
afișarea și desenarea semnalului 1. Este apoi realizată o pauză de 0.1 secunde și se face
vizibilă o anumită componentă grafică identificată de ba(4:5).

% Selecteaza problema 1
elseif strcmp(hb,'Alegpro1')
set(rb(2),'Value',0); set(fd(1:3),'Color','g');
set(ba(16),'Visible','off'); % set(txp(3),'Visible','off');
set(rb(3:30),'visible','off'); set(txx(3),'Visible','off');
set(txp(6),'Fontsize',14,'BackgroundColor','g','String',['Calculeaza y(' num2str(t0) '), unde
y(t)=conv(x(t),h(t)).']);
y1=zeros(1,N); x1=x0; h1=h0; drawsga(1); drawsga(2); drawsga(3);
set(txp(7),'Visible','off'); set(ba(3:15),'Visible','on');
set(txp(3),'String','s1(t)=x(t)');
set(txp(4),'String','s2(t)=h(t)');
set(txp(5),'String','y(t)=0');

Fragmentul de cod prezentat face parte dintr-un program MATLAB pentru procesarea de
semnale și arată secțiunea care este activată atunci când se selectează "Alegpro1"
Înțelegerea completă a funcționalității și a contextului acestui fragment de cod
depinde de ceea ce se întâmplă în întregul program și cum sunt definite variabilele și
elementele de interfață utilizate în codul respectiv. Totuși, vom încerca să explicăm câteva
acțiuni și comenzi importante din acest fragment:
1. set(rb(2),'Value',0);: Această comandă setează valoarea butonului de control
cu indicele 2 (probabil un buton de tip radio) la 0, ceea ce înseamnă că nu este selectat.

20
 2. set(fd(1:3),'Color','g');: Această comandă setează culoarea elementelor cu
indicele 1 până la 3 dintr-un obiect grafic (probabil o figură) la verde (g).
3. set(ba(16),'Visible','off');: Această comandă face elementul cu indicele 16
invizibil, adică nu va fi afișat pe interfața grafică.
4. set(rb(3:30),'visible','off');: Această comandă face butoanele de control cu
indicii de la 3 la 30 invizibile.
5. set(txp(6),'Fontsize',14,'BackgroundColor','g','String',['Calculeaza y('
num2str(t0) '), unde y(t)=conv(x(t),h(t)).']);: Această comandă setează fontul, culoarea de
fundal și textul unui obiect de tip text cu indicele 6. Textul este format dintr-o construcție de
șiruri care probabil explică sarcina sau calculele ce vor fi efectuate.
6. y1=zeros(1,N); x1=x0; h1=h0;: Aceste comenzi initializează vectorii y1, x1 și
h1 cu valori zero sau cu valorile din vectorii x0 și h0.
7. drawsga(1); drawsga(2); drawsga(3);: Aceste comenzi sunt probabil
responsabile de desenarea graficelor sau a figurilor în interfața grafică pentru componente
specifice, cum ar fi semnalele x(t), h(t) și y(t).
8. set(txp(7),'Visible','off');: Această comandă face obiectul de tip text cu
indicele 7 invizibil.
9. set(ba(3:15),'Visible','on');: Această comandă face butoanele de control cu
indicii de la 3 la 15 vizibile.
10. set(txp(3),'String','s1(t)=x(t)'); set(txp(4),'String','s2(t)=h(t)');
set(txp(5),'String','y(t)=0');: Aceste comenzi setează textul obiectelor de tip text cu indicii 3,
4 și 5 la "s1(t)=x(t)", "s2(t)=h(t)" și "y(t)=0", respectiv.

3.2 Procesarea Imaginilor

Prelucrarea convoluțională a imaginilor este o tehnică importantă în prelucrarea

imaginilor și în vederea artificială. Convoluția joacă un rol fundamental în filtrarea imaginilor,
detectarea caracteristicilor și efectuarea de transformări complexe. Această lucrare se
concentrează asupra prelucrării imaginilor prin convoluție și trece în revistă definițiile,
proprietățile, exemplele și aplicațiile acestei tehnici.
Convoluția în prelucrarea imaginilor se bazează pe principiul matematic al
convoluției. Convoluția este o operație algebrică între două funcții care produce o a treia
funcție, cunoscută și sub numele de "rezultatul convoluției". În prelucrarea imaginilor, un
filtru (sau o mască de convoluție) este aplicat fiecărui pixel al imaginii originale pentru a
obține o imagine rezultată.

21
 Proprietățile convoluției au o importanță deosebită în prelucrarea imaginilor. Una
dintre cele mai importante proprietăți este comutativitatea convoluției, adică ordinea funcției
de convoluție poate fi inversată fără ca rezultatul final să fie afectat. Această proprietate
permite aplicarea eficientă a filtrelor și transformărilor asupra imaginii în timp real.
Un alt aspect important este asociativitatea convoluției, care permite aplicarea
succesivă a mai multor filtre sau măști de convoluție pe o imagine. Acest lucru oferă
flexibilitate în proiectarea și implementarea algoritmilor complecși de prelucrare a imaginilor.
Exemplele de convoluție în prelucrarea imaginilor sunt diverse și acoperă o gamă
largă de aplicații. Un exemplu comun este aplicarea filtrării blurului gaussian pentru a reduce
zgomotul și a îmbunătăți claritatea imaginii. Acest filtru utilizează o măsură a distribuției
gaussiene pentru a atenua componentele de înaltă frecvență ale imaginii.
Un alt exemplu este utilizarea filtrelor de detectare a marginilor, cum ar fi operatorul
Laplace, pentru a sublinia contururile imaginii și caracteristicile geometrice. Aceste filtre
utilizează diferențele de intensitate dintre pixelii vecini pentru a evidenția zonele cu schimbări
bruște de intensitate asociate cu marginile și contururile.
Aplicațiile convoluției în procesarea imaginilor sunt variate și cuprinzătoare. În
industria medicală, convoluția este utilizată pentru segmentarea imaginilor medicale,
detectarea tumorilor și analiza texturii. În industria automobilelor, convoluția este utilizată în
sistemele de asistență pentru șoferi pentru a detecta pietonii și obiectele din trafic. În industria
securității, convoluția este utilizată pentru recunoașterea facială și detectarea obiectelor
suspecte în imaginile de supraveghere.
Matlab este un instrument puternic pentru implementarea și testarea algoritmilor de
convoluție în prelucrarea imaginilor: Biblioteca de funcții și instrumente din MATLAB
facilitează implementarea filtrelor, calculul convoluțiilor în domeniul spațial și de frecvență și
vizualizarea rezultatelor.
În consecință, convoluția este o tehnică fundamentală pentru prelucrarea imaginilor,
oferind posibilități largi în prelucrarea imaginilor, filtrare, detectarea caracteristicilor și
transformarea imaginilor. Proprietățile, exemplele și aplicațiile convoluției în diverse domenii
arată importanța și eficacitatea acestei tehnici: Implementarea și explorarea convoluției în
MATLAB facilitează dezvoltarea și testarea algoritmilor de procesare a imaginilor și deschide
calea către aplicații avansate în domeniul vederii automate și al analizei imaginilor MATLAB
este un instrument puternic pentru dezvoltarea și testarea algoritmilor de procesare a
imaginilor.
Prelucrarea imaginilor prin convoluție este o parte fundamentală a prelucrării
imaginilor. Această secțiune oferă exemple de calcule și metode de convoluție în procesarea
imaginilor folosind MATLAB:
Filtrarea spațială: convoluția este utilizată pentru a aplica un filtru spațial unei
imagini pentru a îmbunătăți claritatea, a elimina zgomotul și a detecta caracteristici specifice.
Un exemplu obișnuit este aplicarea unui filtru gaussian pentru a estompa o imagine:

22
 img = imread('imagine.jpg'); % Încărcarea imaginii
filter = fspecial('gaussian', [5 5], 2); % Definirea unui filtru Gaussian 5x5 cu deviație
standard 2
filtered_img = imfilter(img, filter); % Aplicarea convoluției între imagine și filtru
imshow(filtered_img); % Afișarea imaginii filtrate

Detectarea marginilor: filtrele de detectare a marginilor, cum ar fi operatorul Laplace,

pot fi aplicate pentru a detecta marginile imaginii în convoluție:
img = imread('imagine.jpg'); % Încărcarea imaginii
filter = fspecial('laplacian'); % Definirea unui filtru Laplace
edge_img = imfilter(img, filter); % Aplicarea convoluției între imagine și filtru
imshow(edge_img); % Afișarea imaginii cu contururi detectate
Eliminarea zgomotului: convoluția poate fi utilizată pentru a elimina zgomotul din
imaginile digitale. De exemplu, se poate aplica un filtru median pentru a înlocui fiecare pixel
cu mediana pixelilor săi vecini:
img = imread('imagine.jpg'); % Încărcarea imaginii
filtered_img = medfilt2(img, [3 3]); % Aplicarea unui filtru median de dimensiune
3x3
imshow(filtered_img); % Afișarea imaginii filtrate

elseif strcmp(hb,'valid')
set(txx(1:2),'Visible','off'); set(ba(2),'Visible','off');
set(txp(1:2),'Visible','off');
set(fd(1:3),'Visible','on'); set(ba(3:15),'Visible','on');
set(txp(3),'String','s1(t)=x(t)','Fontsize',16);
set(txp(4),'String','s2(t)=h(t)','Fontsize',16);
set(txp(5),'String','y(t)=0','Fontsize',16);
set(txp(6),'Fontsize',14,'BackgroundColor','g','String',['Calculeaza
y(' num2str(t0) '), unde y(t)=conv(x(t),h(t)).']);
set(txp(3:6),'Visible','on');
set(rb(1:2),'visible','on'); % set(txx(3:8),'Visible','on');
drawsga(0); drawsga(1); drawsga(2); drawsga(3);
set(ba(16),'Min',-H,'Max',H,'SliderStep',[1/(2*H) .03]);

Codul MATLAB dat este un fragment de cod care conține instrucțiuni pentru a seta
vizibilitatea și proprietățile unor obiecte grafice într-o aplicație GUI (interfață grafică) în
MATLAB.

23
 În această secvență de cod, este utilizată o construcție de tip "if-elseif-else" pentru a
verifica valoarea variabilei hb și a executa instrucțiuni specifice în funcție de această valoare.

Dacă hb este egal cu 'valid', atunci urmează blocul de cod specificat sub instrucțiunea
elseif strcmp(hb,'valid'):
 set(txx(1:2),'Visible','off'); set(ba(2),'Visible','off');
set(txp(1:2),'Visible','off');: Această linie de cod face obiectele txx(1), txx(2), ba(2), txp(1),
txp(2) invizibile în aplicație.
 set(fd(1:3),'Visible','on'); set(ba(3:15),'Visible','on');: Această linie de cod
face obiectele fd(1), fd(2), fd(3), ba(3), ba(4), ..., ba(15) vizibile în aplicație.
 set(txp(3),'String','s1(t)=x(t)','Fontsize',16);: Această linie de cod
actualizează textul obiectului txp(3) cu stringul 's1(t)=x(t)' și setează dimensiunea fontului la
16.
 set(txp(4),'String','s2(t)=h(t)','Fontsize',16);: Această linie de cod
actualizează textul obiectului txp(4) cu stringul 's2(t)=h(t)' și setează dimensiunea fontului la
16.
 set(txp(5),'String','y(t)=0','Fontsize',16);: Această linie de cod actualizează
textul obiectului txp(5) cu stringul 'y(t)=0' și setează dimensiunea fontului la 16.
 set(txp(6),'Fontsize',14,'BackgroundColor','g','String',['Calculeaza y('
num2str(t0) '), unde y(t)=conv(x(t),h(t)).']);: Această linie de cod actualizează textul
obiectului txp(6) cu un string formatat care conține o valoare numerică t0 și o descriere a
calculelor ce trebuie efectuate. Fontul are dimensiunea 14 și culoarea fundalului este verde.
 set(txp(3:6),'Visible','on');: Această linie de cod face obiectele txp(3), txp(4),
txp(5), txp(6) vizibile în aplicație.
 set(rb(1:2),'visible','on');: Această linie de cod face obiectele rb(1), rb(2)
vizibile în aplicație.
 drawsga(0); drawsga(1); drawsga(2); drawsga(3);: Această linie de cod
apelează funcția drawsga cu argumentele 0, 1, 2 și 3, pentru a desena grafice specifice în
aplicație.
 set(ba(16),'Min',-H,'Max',H,'SliderStep',[1/(2*H) .03]);: Această linie de
cod setează minimul, maximul și pașii unui obiect de tip slider (ba(16)) în aplicație.
În concluzie, acest fragment de cod este responsabil pentru manipularea și
actualizarea obiectelor grafice dintr-o aplicație MATLAB, în funcție de valoarea variabilei hb

3.3 Analiza de date si statistici

24
 Analiza datelor și statistica de convoluție sunt concepte diferite. Fiecare concept este
discutat separat:
Analiza datelor: analiza datelor este procesul de extragere, curățare, transformare și
interpretare a datelor pentru a obține informații utile și relevante. Implică utilizarea metodelor
statistice și analitice pentru a descoperi modele, tendințe și relații în datele colectate. Analiza
datelor poate include metode exploratorii, analiza de regresie, analiza variației, analiza seriilor
temporale, analiza corespondenței și analiza de grupare.
Convoluția și statisticile de convoluție: convoluția este o operație matematică care
combină două funcții pentru a produce o a treia funcție. În contextul analizei semnalelor,
convoluția poate fi utilizată pentru a combina două semnale pentru a obține un nou semnal
rezultat. În analiza semnalelor și în prelucrarea datelor, este utilă pentru a identifica relațiile și
caracteristicile dintre semnale.
Statistica convoluției se referă la utilizarea convoluției într-un context statistic.
Convoluția se aplică unui set de date sau semnale pentru a extrage informații statistice
relevante. De exemplu, convoluția poate fi utilizată pentru a calcula densitatea de probabilitate
a unei variabile aleatoare, pentru a evalua corelația dintre două serii temporale sau pentru a
identifica vârfurile sau modelele periodice dintr-un semnal.
În concluzie, analiza datelor și statistica de convoluție sunt concepte diferite, analiza
datelor referindu-se la procesul general de extragere a informațiilor din date, în timp ce
convoluția și statistica de convoluție sunt tehnici matematice utilizate în analiza semnalelor și
în statistică pentru a extrage informații specifice dintr-un set de date sau dintr-un semnal.
În contextul analizei de date, convoluția poate fi utilizată pentru a extrage informații
și a identifica modele într-un set de date. Convoluția este o operație matematică care combină
două funcții pentru a produce o a treia funcție, care poate fi aplicată, de asemenea, la analiza
datelor.
Mai jos sunt prezentate câteva exemple de utilizare a convoluției în analiza datelor:
Filtrarea semnalelor: convoluția poate fi utilizată pentru a aplica filtre la semnale sau
date. Prin convoluția cu un filtru specific, anumite caracteristici ale semnalului sau zgomotul
pot fi evidențiate sau eliminate, permițând o mai bună analiză și interpretare a datelor.
Detectarea evenimentelor și a șabloanelor: convoluția poate fi utilizată pentru a
detecta evenimente sau șabloane într-un set de date. Prin convoluția unui semnal sau a unei
secvențe de date cu un șablon specific, se poate determina prezența sau localizarea șablonului
respectiv în setul de date. Acest lucru poate fi util pentru identificarea anomaliilor, detectarea
modelelor, recunoașterea modelelor etc.
Analiza seriilor temporale: convoluția poate fi utilizată pentru analiza seriilor
temporale. Prin convoluția seriilor de timp cu funcții de filtrare și șabloane, se pot evidenția
tendințele, periodicitatea și variațiile sezoniere din datele seriilor de timp.

25
 Calculul distribuțiilor de probabilitate: convoluțiile pot fi utilizate pentru a calcula
distribuțiile de probabilitate în analiza datelor: prin convoluția a două funcții de densitate de
probabilitate, se poate obține distribuția de probabilitate a variabilei rezultate.
Statistica convoluțională se referă la utilizarea convoluției într-un context statistic
pentru a extrage informații relevante despre datele analizate. Convoluția poate fi aplicată unui
set de date sau unui semnal, iar rezultatele pot fi utilizate pentru a obține măsuri și proprietăți
statistice.
Mai jos sunt prezentate câteva puncte importante despre statistica de convoluție
Corelație: convoluția este strâns legată de conceptul de corelație. Corelația măsoară
gradul de relație sau de dependență dintre două variabile. Convoluția permite calcularea
corelației dintre două seturi de date sau semnale. Acest lucru permite evaluarea similitudinilor
și corelațiilor și identificarea modelelor sau tendințelor comune.
Densitatea de probabilitate: prin aplicarea convoluției la două funcții de densitate de
probabilitate, se poate obține o nouă funcție de densitate de probabilitate pentru variabilele
rezultate. Aceasta oferă informații despre distribuția și proprietățile statistice ale variabilelor
combinate.
Filtrarea statistică: convoluția poate fi utilizată, de asemenea, în contextul filtrării
statistice. Prin convoluția unui set de date cu un filtru specific, se pot elimina zgomotele și
frecvențele nedorite și se pot extrage informații relevante și semnificative pentru analiza
statistică.
Transformata Fourier: Transformata Fourier este o tehnică utilizată în analiza
semnalelor în care semnalele sunt reprezentate printr-un spectru de frecvențe. Prin
conviețuirea semnalului în domeniul Fourier cu o anumită funcție de bază, pot fi identificate
componentele de frecvență și caracteristicile spectrale ale semnalului.
Aplicarea statisticii de convoluție permite o înțelegere și o interpretare mai profundă
a datelor analizate. Astfel, pot fi identificate structurile și relațiile subiacente, pot fi extrase
caracteristicile importante și pot fi reduse zgomotele și perturbațiile nedorite. Statistica de
convoluție are o gamă largă de aplicații în analiza semnalelor, prelucrarea imaginilor, analiza
seriilor temporale și statistica multivariată.

Corelația și convoluția sunt două concepte strâns legate între ele în analiza semnalelor
și în teoria probabilităților. Această secțiune explică relația dintre ele:
Corelație: corelația măsoară gradul de relație sau de dependență dintre două variabile.
Aceasta arată gradul în care o modificare a unei variabile corespunde unei modificări a
celeilalte variabile. Corelațiile pot fi pozitive (atunci când variabilele cresc sau scad
împreună), negative (atunci când una crește în timp ce cealaltă scade) sau inexistente (atunci
când nu există o relație aparentă între variabile).

26
 Convoluție: convoluția este o operație matematică care combină două funcții pentru a
produce o a treia funcție. În contextul corelației, convoluția este utilizată pentru a calcula
corelația dintre două semnale sau seturi de date.
Convoluție și corelație: procesul de convoluție poate fi utilizat pentru a calcula
corelația dintre două semnale. În acest caz, un semnal este inversat (oglindit), iar cele două
semnale sunt contopite (convolute). Rezultatul convoluției este o funcție care reflectă gradul
de suprapunere sau similaritate dintre semnale pe baza măsurătorilor temporale.
Astfel, convoluția poate fi utilizată pentru a calcula corelația dintre două semnale și
pentru a sublinia relația dintre ele. Rezultatele convoluției arată când semnalele sunt puternic
sau slab corelate și pot identifica întârzieri sau suprapuneri între semnale.
Trebuie remarcat faptul că convoluția și corelația sunt concepte matematice avansate
și pot necesita cunoștințe de specialitate și expertiză pentru a fi utilizate corect. Ele sunt
aplicate în analiza semnalelor, prelucrarea imaginilor, statistică și în multe alte domenii în care
relațiile dintre variabile și semnale prezintă interes.
Densitatea de probabilitate a convoluției este o măsură utilizată în teoria
probabilităților și în statistică pentru a calcula densitatea de probabilitate a unei variabile care
rezultă din convoluția a două variabile aleatoare independente.
Date fiind două variabile aleatoare independente X și Y cu densitățile de probabilitate
corespunzătoare f(x) și g(y), densitatea de probabilitate a variabilei Z = X + Y obținută prin
convoluție se numește densitatea de probabilitate de convoluție și se exprimă prin funcția h(z).
Densitatea de probabilitate de convoluție h(z) se calculează prin convoluția
densităților de probabilitate individuale după cum urmează

h(z) = ∫ [f(x) * g(z - x)] dx

unde "*" reprezintă procesul de convoluție.

Densitatea de probabilitate a convoluției ne oferă informații despre distribuția și

proprietățile statistice ale variabilei rezultate Z în funcție de distribuțiile X și Y. Ea permite
evaluarea probabilității și a proprietăților statistice ale rezultatului combinării a două variabile
aleatoare.
Densitățile de probabilitate de convoluție au aplicații în diverse domenii, cum ar fi
teoria comunicațiilor, prelucrarea semnalelor, analiza datelor financiare și analiza seriilor
temporale. Este un instrument puternic de analiză a probabilităților și a relațiilor dintre
variabilele aleatoare independente.

27
 Transformata Fourier și convoluția sunt două concepte importante în analiza
semnalelor și în prelucrarea datelor. Această secțiune explică modul în care sunt legate între
ele:
Transformata Fourier: Transformata Fourier este o tehnică matematică utilizată
pentru a reprezenta un semnal în termeni de spectru de frecvență. Aceasta descompune un
semnal într-o sumă de componente sinusoidale cu frecvențe și amplitudini diferite.
Transformarea Fourier permite analizarea semnalelor în domeniul frecvenței pentru a le
dezvălui caracteristicile spectrale și ciclice.
Transformată Fourier a convoluției: Transformata Fourier a convoluției este produsul
dintre transformata Fourier a primului semnal și transformata Fourier a celui de-al doilea
semnal. Cu alte cuvinte, convoluția semnalelor în domeniul timpului corespunde produsului
transformărilor Fourier ale acestora în domeniul frecvenței.
Această relație este cunoscută sub numele de "teorema convoluției Fourier". Spectrul
de frecvență al semnalului convolut poate fi obținut prin aplicarea transformării Fourier asupra
semnalului și înmulțirea cu spectrul de frecvență.
Transformata Fourier de convoluție este adesea utilizată în procesarea semnalelor
pentru a analiza și a netezi spectrul semnalului convoluit. De asemenea, este utilizată în
deconvoluție, care reprezintă inversarea procesului de convoluție pentru a estima semnalul
inițial.
Prin urmare, transformata Fourier și convoluția sunt concepte strâns legate în analiza
semnalelor. Transformata Fourier a convoluției permite analiza spectrului de frecvență al
semnalului convoluit și efectuarea operațiunilor de prelucrare în domeniul frecvenței.
Convoluția și corelația sunt două operații matematice strâns legate între ele, utilizate
în analiza semnalelor și în teoria probabilităților. Deși au unele asemănări, există diferențe în
aplicarea lor și în interpretarea rezultatelor. Această secțiune explică diferențele și relevanța
dintre convoluție și corelație:
Convoluția este o operație matematică între două funcții, de obicei semnale sau
distribuții de probabilitate.
Scopul convoluției este de a combina două funcții pentru a obține o a treia funcție
care reflectă modul în care cele două funcții se suprapun sau se combină.
Operațiile de convoluție sunt notate cu simbolul "*", iar formula generală de
convoluție este următoarea: (f * g)(t) = ∫ [f(τ) * g(t - τ)] dτ.
Convoluția este o operație comutativă, adică f * g = g * f.
În contextul semnalelor, convoluția poate fi utilizată pentru a combina semnale, a
aplica filtre, a obține răspunsul unui sistem sau a extrage caracteristici dintr-un semnal.
Corelație:

28
 Corelația măsoară gradul de relație sau de dependență dintre două variabile sau
semnale.
Scopul corelației este de a evalua similitudinea sau corelația dintre două variabile sau
semnale.
Există două tipuri principale de corelație: corelația încrucișată și autocorelația.
Procesul de corelație este indicat prin simbolul "∂" sau "∂", iar formula generală
pentru corelația încrucișată este următoarea (f∂g)(τ) = ∫ [f(t)*g(t+τ)] dt.
Corelațiile sunt de obicei asimetrice, adică f ∂ g ≠ g ∂ f.
În contextul semnalelor, corelația este utilizată pentru a identifica modele, a detecta
evenimente, a estima întârzierile și a evalua dependențele dintre semnale.
Cu toate acestea, există o relație strânsă între convoluție și corelație:
Convoluția poate fi utilizată pentru a calcula corelația dintre două semnale prin
inversarea (reflectarea) unui semnal înainte de convoluție.
Ecuația de corelație încrucișată este echivalentă cu ecuația de convoluție între
semnalul de intrare și semnalul inversat al celui de-al doilea semnal.
În consecință, convoluția și corelația sunt operații strâns legate între ele, cu aplicații și
interpretări specifice în analiza și teoria semnalelor.

IV.concluzii
4.1 Importanta produsului de convolutie

Produsul de convoluție are implicații importante în diverse domenii, cum ar fi analiza

semnalelor, procesarea imaginilor, procesarea semnalelor audio și teoria comunicațiilor. Mai
jos sunt prezentate câteva dintre motivele pentru care produsele de convoluție sunt importante
Acesta arată relația dintre semnale: Produsul de convoluție permite evaluarea
modului în care două semnale interacționează sau se suprapun. Acesta oferă informații despre
modul în care se modifică semnalele în domeniul timpului sau al frecvenței și ajută la
înțelegerea relației dintre semnale.
Răspunsul sistemelor liniare invariante în timp: produsul de convoluție este utilizat
pentru a determina răspunsul unui sistem liniar invariant în timp la un semnal de intrare dat.
Acest lucru este esențial pentru analiza sistemului și proiectarea filtrelor.

29
 Extragerea caracteristicilor: produsul de convoluție este utilizat pentru a extrage
caracteristici semnificative dintr-un semnal sau dintr-o imagine. Prin convoluția cu filtre
adecvate, se pot evidenția anumite modele sau structuri din datele de intrare.
Filtrarea și denaturarea semnalului: convoluția este utilizată pentru a filtra un semnal
sau o imagine pentru a elimina componentele nedorite sau zgomotul. Acest lucru
îmbunătățește calitatea semnalului și clarifică informațiile importante.
Prelucrarea semnalelor și comprimarea datelor: produsele de convoluție sunt
implicate în diverse tehnici de prelucrare a semnalelor, cum ar fi detectarea vârfurilor, analiza
spectrală și detectarea marginilor. Ele sunt, de asemenea, utilizate în algoritmi de compresie a
datelor, cum ar fi compresia JPEG în prelucrarea imaginilor.
Teoria comunicațiilor: în telecomunicații, produsele de convoluție sunt utilizate
pentru a analiza și a modela interacțiunea dintre semnale și canalele de comunicație. Ajută la
determinarea modului în care un semnal se modifică atunci când este transmis printr-un canal
supus unei distorsiuni.
Acestea sunt doar câteva dintre modurile în care produsele de convoluție sunt
necesare și relevante. Utilizarea și înțelegerea corectă a convoluției este importantă pentru
analizarea și procesarea semnalelor și pentru înțelegerea relațiilor dintre datele de intrare.

4.2 Directii viitoare de cercetare

Există și alte direcții de cercetare în domeniul convoluției, cu aplicații în diverse

domenii. Iată câteva direcții de cercetare promițătoare legate de convoluție:
Cercetarea algoritmilor de convoluție eficienți: convoluția poate fi intensivă din punct
de vedere al calculului, în special atunci când este vorba de semnale și imagini de mari
dimensiuni. Cercetările actuale se concentrează pe dezvoltarea de algoritmi de convoluție
eficienți, inclusiv metode rapide de convoluție, algoritmi paraleli și tehnici de optimizare
hardware.
Metode de învățare automată a convoluției: învățarea filtrelor de convoluție adaptive
cu ajutorul rețelelor neuronale și al învățării automate reprezintă o direcție de cercetare
promițătoare. Trebuie dezvoltate metode de învățare automată a filtrelor de convoluție
optimizate pentru sarcini specifice, cum ar fi recunoașterea obiectelor sau denaturarea
semnalelor.
Convoluția în grafuri și rețele complexe: extinderea conceptului de convoluție la
grafuri și rețele complexe reprezintă o direcție de cercetare importantă. Aceasta include
dezvoltarea de metode convoluționale care să funcționeze cu structuri de date neuniforme și să
permită analiza și prelucrarea eficientă a datelor structurate.

30
 Convoluția multidimensională și în domeniul timp-frecvență: extinderea convoluției
la spațiile multidimensionale și în domeniul timp-frecvență deschide noi posibilități de
cercetare. Aceasta necesită dezvoltarea unor tehnici de convoluție adecvate pentru analiza
spectrală a semnalelor și imaginilor multidimensionale și în domeniul timp-frecvență.
Convoluția în domeniul neliniar: convoluția tradițională este o operație liniară, dar
există un interes crescând pentru studiul convoluției neliniare. Dezvoltarea metodelor de
convoluție neliniară ș i analiza proprietăților sale au potențialul de a extinde capacitățile de
prelucrare ș i analiză a semnalelor.
Acestea sunt doar câteva dintre direcțiile de cercetare viitoare în domeniul
convoluției. Pe măsură ce tehnologia evoluează, iar cerințele în materie de analiză și
prelucrare a datelor devin din ce în ce mai complexe, cercetarea continuă în acest domeniu
este esențială pentru a dezvolta noi metode și aplicații de care vor beneficia multe domenii
diferite.

31