Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tesis Wavelet
Tesis Wavelet
Pablo Faundez, e-mail: pfaundez@fci.uach.cl ,Alvaro Fuentes, e-mail: afuentes@fci.uach.cl Profesor Patrocinante: Pedro Reumay, Instituto de Matemticas UACH.
AGRADECIMIENTOS
Esta va dedicada a mi gran amigo Pablo Jimenez, por esas largas noches de conversacin en Valdivia, que me ayudaron a comprender las pginas que vienen a continuacin.
RESUMEN
Este trabajo constituye principalmente una introduccin a la teora de wavelets. Para poder abordar este tema de una forma ms fcil se comienza con una base matemtica para luego dar una explicacin general de los conceptos sobre las series de Fourier, Transformada de Fourier, DFT y FFT. Posteriormente se introduce wavelets como una herramienta alternativa al anlisis de Fourier para el procesamiento de seales. El marco terico de esta nueva herramienta se desarrolla explicando las propiedades matemticas y utilizando como ejemplo la Haar wavelet que corresponde al sistema wavelet ms simple. Ya con un entendimiento bsico de wavelets se presenta el anlisis multi-resolucin dentro del cual se desarrolla la transformada Discreta de Wavelets en conjunto con el desarrollo de algoritmos para la transformada rpida de wavelets. Por ltimo se presenta una aplicacin de esta herramienta en la reduccin de ruido a travs de mtodos estadsticos y adems se plantea un mtodo acstico o auditivo para el mismo propsito.
ABSTRACT
This thesis is mainly an introduction to wavelets theory applied to digital signal processing of acoustics signals. To aboard this subject in a comprehensible manner, the thesis begins with the relevant mathematicalbackground and a general explanation about the concepts of the Fourier theory (Fourier series, Fourier Transform, Discrete Fourier transform and Fast Fourier transform). Latter we introduce wavelets as an alternative tool of the Fourier analysis. The mathematical theory of this relatively new digital signal processing tool is developed trough the explanations of its properties and using as an example the simplest wavelet system, the Haar wavelet. At this point, with a basic knowledge of wavelets, the multi-resolution analysis (MRA) is presented together with an explanation of the Discrete Wavelet Transform (DWT) and the development of computational algorithms to implement the Fast Wavelet transform (FWT). Finally an application of this tool in de-noising of acoustic signals is presented through statistic methods.
OBJETIVOS GENERALES
1. Desarrollar de una manera clara y didctica la teora matemtica de wavelets. 2. Describir las bases para el diseo de algoritmos con el n de implementar wavelets en ambientes computacionales. 3. Presentar una aplicacin de wavelets orientada a resolver un problema de tipo acstico.
OBJETIVOS ESPECIFICOS
1. Describir la teora de wavelets tanto en el dominio continuo como en el dominio discreto teniendo como base la teora de Fourier. 2. Demostrar de manera clara que para ciertos tipos de seales y/o aplicaciones la transformada de wavelets presenta un mejor desempeo que la transformada de Fourier. 3. Implementar el uso de algoritmos que realicen la transformada Discreta de Wavelets utilizando el Software MATLAB 5.3 y comprobar su uso mediante seales obtenidas de forma cticia y de forma real. 4. Describir la utilizacin de wavelets en el proceso de reduccin de ruido de alta frecuencia sobre una seal creada en forma articial. 5. Utilizar el proceso de reduccin de ruido sobre una seal real con un alto nivel de ruido de fondo e individualizar o aislar la seal deseada.
ndice de Tablas
6.1 6.2 6.3 6.4
Coecientes de reconstruccin para la funcin de escalamiento. . . . . . . . . . . . . . . . . . . Coecientes de reconstruccin para
73 75 81 83
Coecientes obtenidos para la representacin de la seal con la Haar Wavelet en el espacio . . . . Coecientes obtenidos para la representacin de la seal con la Haar Wavelet en el espacio . . . .
ndice de Figuras
3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9
(a) Funcin seno de perodo T= ; (b) Funcin coseno de perodo T= Expansin de funcin entre
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
32 33 34 35 37 39 40 43 44 46 50 51 52 53 53 54
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Representacin en el tiempo de la funcin a analizar en el ejemplo. . . . . . . . . . . . . . . . . . Transformada de Fourier obtenida en el ejemplo. . . . . . . . . . . . . . . . . . . . . . . . . . Representacin de una onda cuadrada con datos de entrada
. . . . . . . . . . . . . . . .
Transformada Discreta de Fourier de la onda cuadrada ilustrada en la gura (1.8). Para la obtencin de la DFT se realizaron
3.10 Inversin binaria para una seal con 4.1 4.2 4.3 4.4 4.5 4.6 4.7
. . . . . . . . . . . . . . . . . . . . . . . .
(a) Representacin de la seal ; (b) Contenido espectral de la seal obtenido mediante la transformada rpida de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (a) Representacin de la seal ; (b) Contenido espectral de la seal obtenido mediante la FFT, se observa que las amplitudes de ambas componentes han disminuido a la mitad de su valor real . . . . . Representacin tiempo - frecuencia con buena resolucin en tiempo y mala resolucin en frecuencia. . . Representacin tiempo - frecuencia con buena resolucin en frecuencia y mala resolucin en tiempo. . . Funcin wavelet correspondiente a la familia Daubechies 4 (ver Apndice). . . . . . . . . . . . . . Se observa el proceso de escalamiento y traslacin, para una escala grande la wavelet ocupa un mayor segmento de la seal y por lo tanto tiene mejor resolucin en frecuencia mientras que para una escala ms pequea el intervalo de tiempo bajo el que se analiza la seal es menor, lo que implica mayor resolucin en tiempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
4.8
Funcin Wavelet Mexican Hat y Morlet con sus respectivas Transformadas de Fourier (grcos de la izquierda). Se observa como cumplen con la condicin de admisibilidad al tener un rpido decaimiento a medida que la frecuencia tiende a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58 58
4.9
NDICE DE FIGURAS
6.1 6.2 6.3 6.4 6.5 6.6 6.7 7.1 7.2 7.3 7.4 7.5
Funcin Haar de escalamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6 67 69 73 76 79 81 83 87 88 88 90
. . . . . . . . . . . . . . . . . . . . . . . . . . .
En esta gura apreciamos que la aproximacin realizada por la funcin de escalamiento es bastante burda, debido al espacio en que trabajamos. . . . . . . . . . . . . . . . . . . . . . . . . . . . En esta gura se presenta una clara mejora en la resolucin de la representacin de la funcin cuadrtica, debido que
en esta
. . . . . . . .
Funcin wavelet en como combinacin lineal de las funciones escalamiento que expanden y . . Aproximacin de la seal mediante las funcin wavelet del espacio . Representacin de la funcin
. . . . . . . . . . . . .
en el subespacio .
. . . . . . . . . . . . . . . . . . .
Espacios anidados generados por la funcin escala. . . . . . . . . . . . . . . . . . . . . . . . . Representacin de la funcin sin(t), por la funcin escala en distintos espacios.
. . . . . . . . . . .
Espacios wavelet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Proyeccin de una funcin en diferentes espacios wavelet, usando el sistema Haar. . . . . . . . . . . Al lado izquierdo vemos la representacin de una funcin mediante el sistema Haar en distintos espacios
, y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. De abajo
92
7.6
Al lado izquierdo vemos el detalle de una funcin, obtenido mediante el sistema Haar en distintos espacios , y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. De abajo hacia arriba tenemos desde el espacio hasta el .
. . . . . . . . . . . . . . . . . . .
93 98 101
(a) Seal original; (b) Modelamiento de sampleos digitales mediante la funcin Haar escala con una longitud de
Descomposicin wavelet donde el dos con la echa hacia abajo representa la operacin de subsampleo.
Reconstruccin Wavelet donde el dos con la echa hacia arriba representa la operacin de supsampleo. . 103
7.10 (a) Estructura de una descomposicin multiresolucin; (b) Vector - DWT obtenido de la descomposicin. 104 7.11 Estructura de una reconstruccin multiresolucin. . . . . . . . . . . . . . . . . . . . . . . . . 104 7.12 Se observa la aplicacin del algoritmo sobre una seal de longitud
para obtener (a) Los coecientes de aproximacin y (b) los coecientes wavelet. Ambos procesos se realizan en forma paralela. . 106
7.13 Esquema de reconstruccin a partir de un nivel de descomposicin. . . . . . . . . . . . . . . . . . 107 7.14 La suma de las reconstrucciones obtenidas de los coecientes escala y wavelet nos entrega la seal original. 108 7.15 Anlisis multiresolucin de
el vector - DWT. Observar que
que conforman
con
NDICE DE FIGURAS
8.3 8.4 8.5 8.6 8.7 8.8 8.9
Descomposicin wavelet realizada con la Daubechies 2 (Lado izquierdo); Coecientes obtenidos de-
. . . . . . . . . . . . . . . . . . 115 Seal reconstruida utilizando los coecientes wavelet procesados mediante umbral suave. . . . . . . . 117
spus de haber sido comparados con el umbral (Lado derecho). Comparacin visual entre la seal original y la seal reconstruida. El porcentaje de energa conservado fue de 93,8 %. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 Seal correspondiente a vibraciones de un motor rotatorio (Arriba); Seal despus de haber sido procesada (Abajo). Para una visualizacin ms clara, slo los primeros 2500 sampleos se gracaron. . . . . 118 Coecientes de descomposicin wavelet obtenidos utilizando la Daubechies 4 (lado derecho); Coecientes Wavelet obtenidos despus de haber sido comparados con el umbral seleccionado (Lado izquierdo).119 Representacin del espectro de la seal original y de la seal limpia. . . . . . . . . . . . . . . . . 120 Seal original. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
8.10 Descomposicin de la seal original realizada con la wavelet Daubechies 4. . . . . . . . . . . . . . 122 8.11 Descomposicin de los coecientes d4 usando la wavelet Daubechies 6. . . . . . . . . . . . . . . 123 8.12 Transformada de Fourier de las reconstrucciones de la seal original. En rojo: mediante los espacios ,
y
En azul: mediante
, ,
. . . . . . . . . . . . . . . . . . . . . . . . . . . 124
8.13 Arriba: Transformada Continua Wavelet de la seal original; Abajo: Transformada Continua Wavelet
de la reconstruccin con los espacios
,
ndice General
1 Introduccin 2 Base Matemtica. 2.1 2.2 2.3 2.4 Espacios vectoriales de dimensin nita . . . . . . . . . . . . . . . . . . . . . . . . . Espacios con producto interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Espacios Vectoriales de Dimensin Innita . . . . . . . . . . . . . . . . . . . . . . . Clculo de los coecientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 12 12 18 22 29 31 31 31 33 35 37 40 44 44 45 48 48 49 54 55 59 59 59 61
3 Teora de Fourier 3.1 3.2 3.3 3.4 3.5 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 3.3.1 Series de Seno y Coseno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . La Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Transformada Discreta de Fourier (DFT) . . . . . . . . . . . . . . . . . . . . . . . . . Transformada rpida de Fourier (FFT) . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5.1 3.5.2 FFT de diezmado de tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . FFT de diezmado de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . .
4 Analisis Tiempo - Frecuencia 4.1 4.2 La Transformada corta de Fourier (STFT) . . . . . . . . . . . . . . . . . . . . . . . . 4.1.1 4.2.1 Resolucin Tiempo - Frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . Variables de escala y traslacin . . . . . . . . . . . . . . . . . . . . . . . . Transformada Continua Wavelet (CWT) . . . . . . . . . . . . . . . . . . . . . . . . .
5 Sistemas Wavelet. 5.1 Sistemas wavelet de primera generacin . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.1 5.1.2 Caractersticas de sistemas wavelet . . . . . . . . . . . . . . . . . . . . . . . Funcin escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
NDICE GENERAL
5.1.2.1 5.1.3 Caractersticas de una funcin escala. . . . . . . . . . . . . . . . . .
9 62 65 67 67 75 78 82 85 85 91 97 97 98
Funcin Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6 Wavelet Haar 6.1 Funcin Haar Escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.1 Relacin ortogonalidad y normalidad . . . . . . . . . . . . . . . . . . . . . . 6.2 Funcin Haar Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.1 Relacin ortogonalidad y normalidad . . . . . . . . . . . . . . . . . . . . . .
7 Anlisis Multi-Resolucin 7.1 7.2 7.3 Principios de Multi-Resolucin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Transformada Discreta Wavelet (DWT) . . . . . . . . . . . . . . . . . . . . . . . . . Transformada rpida Wavelet (FWT) y banco de ltros . . . . . . . . . . . . . . . . . 7.3.1 7.3.2 7.3.3 7.3.4 Representacin de seales . . . . . . . . . . . . . . . . . . . . . . . . . . . . Descomposicin de seales unidimensionales (Anlisis) . . . . . . . . . . . .
Reconstruccin de seales unidimensionales (Sntesis) . . . . . . . . . . . . . 101 Mltiples Niveles Anlisis - Sntesis . . . . . . . . . . . . . . . . . . . . . . . 102
8 Aplicaciones 111 8.1 Anlisis de transientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 8.2 8.1.1 Biomedicina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 Compresin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 8.2.1 Compresin de Imgen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 8.2.2 Compresin de Audio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 Limpieza de Ruido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 8.3.1 8.3.2 8.3.3 Criterios de umbral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 Desarrollo experimental con datos cticios . . . . . . . . . . . . . . . . . . . 114 Desarrollo Experimental con seales reales . . . . . . . . . . . . . . . . . . . 116 8.3.3.1 Tratamiento de seales reales obtenidas de las vibraciones de un motor116 8.3.3.2 Tratamiento de seales reales obtenidas al aire libre. . . . . . . . . . 119
8.3
8.4
Captulo 1 Introduccin
A nes del siglo XIX comenzaba a gestarse el inicio de la teora matemtica que posteriormente sera utilizada en el procesamiento digital de seales. Un matemtico francs llamado Joseph Fourier estableca que una seal o funcin poda ser representada como la suma, posiblemente innita, de series de senos y cosenos (o en forma equivalente como exponenciales complejas). Este postulado sigui evolucionando hasta los das de hoy donde la teora de Fourier, ms conocida como la transformada de Fourier, es ampliamente utilizada en la resolucin de problemas cientcos e ingenieriles en diferentes campos tales como fsica cuntica, ptica, electrnica, astronoma, acstica y muchos otros. Desde un punto de vista ms ingenieril o fsico la transformada de Fourier puede ser descrita como un fenmeno fsico ms que como una herramienta matemtica. Las seales pueden ser interpretadas como una combinacin lineal de ondas harmnicas o tonos puros por lo que se observa de una manera casi intuitiva que la seal en un instante de tiempo es reemplazada por la suma de varios tonos puros. De acuerdo con esto la transformada de Fourier utiliza dos funciones bases, las cuales son seno y coseno, para poder expandir o representar una seal o funcin en trminos de ellas. Estas funciones tienen ciertas caractersticas como su suavidad (trmino utilizado para describir funciones que no poseen pendientes abruptas o discontinuidades), no son localizables en el tiempo (su dominio es de [- ]), representacin individual de una frecuencia, entre otras, lo que hace que esta transformada sea extremadamente til en el anlisis de fenmenos peridicos, de tiempo invariante o estacionarios, anlisis espectral de una seal en el tiempo, que corresponden a tpicos de gran importancia en el campo de la Ingeniera Acstica. Sin embargo, ciertas seales cuya amplitud vara en forma rpida y abrupta en el tiempo o seales cuyo contenido de frecuencia es variable de un instante de tiempo a otro, las cuales son ms conocidas como seales no estacionarias, no son analizadas a fondo mediante la transformada de Fourier, debido a ciertas limitaciones de este anlisis en el campo tiempo - frecuencia. Es en estos trminos de anlisis donde entra en juego una nueva herramienta matemtica llamada o La transformada wavelet es el resultado de un gran nmero de investigaciones y constituye una 10
11 tcnica de anlisis reciente. Inicialmente un geofsico francs llamado Jean Morlet1 [STR89] [TOR98] investigaba un mtodo para modelar la propagacin del sonido a travs de la corteza terrestre. Como alternativa a la transformada de Fourier, Morlet utiliz un sistema basado en una funcin prototipo, que cumpliendo ciertos requerimientos matemticos y mediante dos procesos denominados dilatacin o escalamiento y translacin, formaba un set de bases que permitan representar las seales de propagacin con la misma robustez y versatilidad que la transformada de Fourier, pero sin sus limitaciones. La simplicidad y elegancia de esta nueva herramienta matemtica fue reconocida por un matemtico francs llamado Yves Meyer [HEI99] [STR89] [DEV91] quien descubri que las wavelets formaban bases ortonormales de espacios ocupados por funciones cuyo cuadrado es integrable, lo que traducido al lenguaje del procesamiento de seales, corresponde a funciones o seales cuyo contenido energtico es nito. En este momento ocurri una pequea explosin de actividad en este rea, ingenieros e investigadores comenzaron a utilizar la transformada de wavelet para aplicaciones en diferentes campos tales como astronoma, acstica, ingeniera nuclear, deteccin de terremotos, compresin de imgenes, reconocimiento de voz, visin humana, neurosiologa, ptica, resonancia magntica, radar, etc. El trmino se dene como una pequea onda o funcin localizable en el tiempo, que visto desde una perspectiva del anlisis o procesamiento de seal puede ser considerada como una herramienta matemtica para la representacin y segmentacin de seales, anlisis tiempo - frecuencia, y fcil implementacin de rpidos algoritmos computacionales. Las caractersticas propias de la transformada wavelet nos otorgan la posibilidad de representar seales en diferentes niveles de resolucin, representar en forma eciente seales con variaciones de peak abruptos, analizar seales no estacionarias permitindonos saber el contenido en frecuencia de una seal y cuando estas componentes de frecuencia se encuentran presentes en la seal. Estos tpicos constituyen el foco principal del desarrollo de esta tesis, la cual pretende entregar una visin terica y prctica del uso de esta herramienta en el plano general del procesamiento digital de seales y de como puede resultar de utilidad en la resolucin de problemas relacionados con el campo de la Acstica.
Morlet, J., Grossmann, A., Descompostion of Hardy functions into square Integrable wavelets of constant shape, SIAM Journal Math. Annual, 15, 1986, pp. 723-736.
Denicin 1. Espacio vectorial. Un espacio vectorial consta de lo siguiente: 1. un cuerpo de escalares; 2. un conjunto de objetos llamados vectores;
tal que , satisface: (a) 3. una operacin binaria (b) (c) existe un nico vector , llamado vector nulo, tal que
13
Ejemplo 1. El espacio de n-tuples, Sea cualquier cuerpo, y sea el conjunto de todos los con , la suma de n-tuples de escalares . Si e se dene por
se prueban
Uasndo las propiedades de la adicin y multipicacin escalar de los elementos de fcilmente las propiedades de espacio vectorial.
. Sea cualquier cuerpo, y sean y enteros positivos. Sea el conjunto de todas las matrices sobre el cuerpo . La suma de dos
Ejemplo 2. El espacio de matrices y en
vectores
se dene por
El producto de un escalar y del vector
se dene por
Ejemplo 3. El espacio de funciones de un conjunto en un cuerpo. Sea cualquier cuerpo, y sea cualquier conjunto no vacio. Sea el conjunto de todas las funciones . La suma de dos vectores y de es el vector
denida por
El producto del escalar y el vector
denida por
es la funcin
14
, si existen escalares
tales que
Denicin 3. Subespacio de un espacio vectorial. Sea un espacio vectorial sobre el cuerpo . que con las operaciones de adicin vectorial y multiUn subespacio de es un subconjunto plicacin escalar sobre , es l mismo un espacio vectorial sobre . Teorema 1.
como denicin de un subespacio, lo que es slo diferente. Lo importante es que si contiene todos los , entonces ser un espacio vectorial (con las propiedades heredadas de ).
A veces se preere usar la propiedad Ejemplo 4. El espacio de las funciones polinomios sobre el cuerpo es un subespacio del espacio en .
es un subespacio de
y , el vector .
Ejemplo 5.
Las matrices simtricas forman un subespacio del espacio de las matrices sobre .
para todo
Ejemplo 6. Una matriz , cuadrada , sobre el cuerpo de los nmeros complejos es Hermtica para todo , donde el super-rayado indica conjugacin compleja. Una (o autoadjunta) si
donde x,y,z,w, son nmeros reales. El conjunto de todas las matrices Hermticas no es un subespacio
, llamado
Teorema 2. Sea un espacio vectorial sobre el cuerpo . La interseccin de cualquier coleccin de subespacios de es un subespacio de .
15
. Como cada es un subespacio, cada uno contiene el vector nulo, luego . Tambin cada contiene lo que implica que . Por el Teorema 1 es un subespacio de .
Denicin 4. Subespacio generado. Sea un conjunto de vectores de un espacio vectorial . El subespacio generado por se dene como la interseccin de todos los subespacios de que contienen a .
Teorema 3.
el subespacio generado por , entonces contiene toda la combi . As contiene el conjunto nacin lineal de vectores de , de la forma de todas las combinaciones lineales de vectores de . Por otra parte y es no vacio. Si e entonces , y . tal que . Por lo tanto
Denicin 5. Dependencia lineal. Sea un espacio vectorial sobre . dependiente si existen vectores distintos nulos, tales que
de y escalares
Un conjunto que no es linealmente dependiente se dice linealmente independiente. Como consecuencia de esta denicin se tiene que:
Todo conjunto que contiene el vector no nulo es linealmente dependiente. Un conjunto es l.i
un conjunto de vectores linealmente independientes de , que genera el espacio . El espacio es de dimensin nita si tiene una base nita. Teorema 4. Si y son subespacios de dimensin nita de un espacio vectorial, entonces
Denicin 6. Base de un espacio vectorial. Sea un espacio vectorial sobre . Una base de es
16
Denicin 7. Transformacin lineal. Sean y dos espacios vectoriales sobre el cuerpo . Una funcin
un cuerpo y sea el espacio vectorial de las funciones polinomios de grado . denida por . Entonces es una transformacin
La funcin es continua y tiene primera derivada continua. La linealidad de las integraciones es una de sus propiedades fundamentales. Denicin 8. Espacio nulo y rango de una transformacin lineal. Sean y dos espacios una transformacin lineal. El espacio nulo de es el vectoriales sobre el cuerpo y sea
Ejemplo 9. Sea el cuerpo de los nmeros reales y sea el espacio de todas las funciones continuas por . Entonces es una transformacin lineal. de en . Se dene
conjunto de todos los vectores de tal que . Si es de dimensin nita, el rango de es la dimensin de la imgen de , y la nulidad de es la dimensin del espacio nulo de .
Teorema 5. Sean y dos espacios vectoriales sobre el cuerpo y sea , entonces . Si formacin lineal. Si vectorial sobre el cuerpo , una transformacin lineal Ejemplo 10. Sea y un cuerpo. Si
una trans-
la traza de
La funcin traza es un funcional en el espacio de las matrices . Ejemplo 11. Sea Entonces y sea
17
Si es un espacio vectorial, el conjunto de los funcionales lineales sobre forman, naturalmente, un espacio vectorial. Este es el espacio dual del espacio :
una base de . Para cada existe un funcional lineal nico en , tal que . De esta forma se obtiene de un conjunto de funcionales lineales distintos sobre . Estos funcionales son l.i. y como , deben ser tales que es una base de . Esta base se llama base dual de .
Teorema 6. Sea un espacio vectorial con . Entonces existe una nica base dual funcional lineal sobre se tiene
Sea
Si es de dimensin nita
se tiene
es la base dual, entonces es precisamente la funcin que asigna a cada vector coordenada de respecto a la base ordenada . Ejemplo 12. Sea el espacio vectorial de todas las funciones polinomios de
la i-sima
. Sean
Entonces son funcionales lineales sobre . Estos funcionales son l.i. , y como , estos forman una base de . La base de tal que es su dual debe satisfacer
Estas funciones polinomios son
18
Si es un operador lineal en tal que: (i) es uno a uno y (ii) aplica sobre , se dice que es regular o invertible. En este caso es lineal y . Deniciones: 1. Sea
el conjunto de todas las transformaciones lineales del espacio vectorial y son escalares, se dene por espacio vectorial . Si
en el
, se dene el producto
2. Si por
no es necesariamente igual, incluso cuando
Entonces
Observemos que
, entonces
. Adems, si
es tal que
y . Un producto interno sobre es una funcin que asigna a cada Denicin 9. Sea par ordenado de vectores de un escalar de , de tal modo que y
tenemos: (a)
19
(c) (d)
(b)
Obsrvese que (a), (b) y (c) implican: (e) Es claro que si Ejemplo 13. 1. En se dene el producto interno cannico sobre
por
Cuando 2. Sea ,
, el espacio de las matrices sobre . MV es isomorfo a , luego dene un producto interno sobre . Adems, si se introduce la matriz
, donde
, este producto interno se puede expresar mediante
3. Sea el espacio vectorial de las funciones continuas de valor complejo en el intervalo unitario, . En se dene el producto interno
En el espacio de funciones reales se omite la conjugacin. Es til saber que un producto interno sobre un espacio vectorial, real o complejo, est determinado por otra funcin, la llamada forma cuadrada determinada por el producto interno. Para denirla . La se representa primero la norma o longitud de respecto al producto interno por forma cuadrtica determinada por el producto es la funcin que asigna a cada vector el escalar Por las propiedades del producto interno se sigue:
En el caso real
20
Estas igualdades se llaman identidades de polarizacin. Denicin 10. Espacio producto interno. Es un espacio real o complejo junto con un producto
interno denido en ese espacio. Un espacio producto interno real de dimensin nita se llama espacio euclideano. Un espacio con producto interno complejo se llama espacio unitario. Teorema 7. Si es un espacio producto interno, entonces 1. 2. 3. 4.
tenemos:
, para ;
; (Desigualdad de Cauchy-Schwarz)
es un conjunto ortogonal siempre que todos los pares distintos de sean ortogonales. Un conjunto ortonormal es un conjunto ortogonal tal que
Ejemplo 14. 1. El vector cero es ortogonal a todo vector de y es el nico vector con esa propiedad. 2. La base cannica en co (pic). 3. El vector 4. Sea
Denicin 11. Sea un espacio producto interno y sean . Entonces es ortogonal a si ; y se dir que e son ortogonales. Si es un conjunto de vectores, se dice que
21
son ortogonales, entonces
5. El nmero real
es la norma de . Si
6. Si
, entonces
es ortogonal a
, y con
7. El problema de aproximacin tiene una importante signicacin en espacios de dimensin innita, sin embargo tiene un sencillo signicado en espacios nito dimensionales. Sean , un par de vectores ortogonales unitarios en , y sea otro vector cualquiera. Queremos aproxi-
marlos a por una combinacin lineal . La aproximacin ha de encontrarse en el plano que pasa por el origen y est determinado por los vectores y . Tomamos como error de . Esta es la raz del error cuadrtico, y la mejor la aproximacin aproximacin es la que minimiza el error. Esta distancia se minimiza tomando como aproximacin , la proyeccin ortogonal de sobre el plano. Por tanto la mejor aproximacin ,
Demostracin. [DET75]
22
Como ahora estamos tratando con sucesiones innitas, para asegurar la convergencia restringiremos . Como se ha impuesto una restriccin, es necesario las sucesiones a aquellas tales que vericar los axiomas de espacio vectorial. Slo vericaremos cerradura de la suma. Si
, consideremos
, tenemos que
, y entonces
La vericacin de los otros axiomas se hace por clculo directo. Para el producto interno tenemos
23
y entonces
converge absolutamente. Las cinco propiedades del producto interno son fciles de vericar. As mostramos que el conjunto de sucesiones es un espacio vectorial real con producto interno. Consideremos el conjunto innito de vectores
, tenemos que
innita de vectores, as que debemos denir lo que entendemos por convergencia de una de tales series. Sea el vector de la suma parcial
. Entonces
puesto que la serie
converge. Denicin 11. Si es un espacio de dimensin innita con un producto interno, entonces es una base ortonormal si: 1.
, con
2. la serie
converge a
Denicin 12. Si
24
Teorema 10. Sea con con una norma. Si una sucesin de vectores converge a en , entonces la sucesin es una sucesin de Cauchy. El inverso de este teorema no es, en general, verdadero. Los espacios en que toda sucesin de Cauchy converge a un vector en el espacio se llaman espacios completos. Denicin 13. Sea un espacio vectorial con una norma. es un espacio completo si toda sucesin de Cauchy en converge a un vector en . Un espacio vectorial normado y completo se llama espacio de Banach. Si la norma es derivada de un producto interno, el espacio se llama espacio de Hilbert. Teorema 11. El espacio es completo. Demostracin.
[DET74]
En espacios de dimensin innita, se pueden encontrar innitos conjuntos de funciones ortonormales. Ejemplo 15. Encontrar un conjunto de polinomios ortonormales en
. El producto escalar es
Solucin.
y considerando que
en
25
Ahora consideremos una funcin cuadratica
Las constantes
As,
Entonces
26
Este proceso se puede continuar indenidamente. En el n-simo paso hay constantes por determinar de condiciones de ortogonalidad ms una condicin de normalizacin. El polinomio general es
Teorema 9. Si
de
Los coecientes se llaman coecientes de Fourier de con respecto a la sucesin . La aproximacin se llama n-sima aproximacin de Fourier. Como ortonormal
es no creciente,
existe y tambin
. De donde
, luego
27
Solucin.
polinomios de Legendre, sigue que la mejor aproximacin cuadrtica media de de grado sobre
Como todo polinomio de grado puede expresarse como una combinacin lineal de los primeros es
donde
Como
es impar si
es impar y par si
es par,
De aqui
28
Sean dos funciones (conjunto de funciones reales cuyo cuadrado es integrable ). El producto interno de dos funciones se dene como: en el intervalo
Dos funciones reales
Un conjunto de vectores
conjunto son ortogonales entre s, y la norma de cada uno de ellos es igual a uno. Esto puede ser expresado como:
Similarmente, un conjunto de funciones ortonormal si:
denidas en
se dice que es
para
Ejemplo 16. partir de esta. Solucin. Probar que el conjunto
es ortogonal. Obtenga una base ortonormal a
29
lo que prueba la ortogonalidad entre estos dos vectores. Ahora debemos obtener una base ortonormal a partir del conjunto anterior.
ninguna de estas bases cumple con tener norma igual a uno, pero si expresamos ambos vectores como una combinacin lineal de otros vectores, de la forma
y calculamos el producto interno
obtenemos una base ortonormal
una funcin en
, entonces
30
o lo que es lo mismo
obtenemos
(2.2)
Parseval, que dice que la norma de la energa puede ser particionada en trminos de la expansin de coecientes [BUR98], lo que se expresa matemticamente como sigue
Entonces se deduce que cualquier seal de energa nita puede ser descompuesta en un conjunto de coecientes asociados a una funcin base.
(3.1)
es denominada serie trigonomtrica. Esta serie toma el nombre de serie de Fourier cuando es posible y
de la siguiente manera
(3.2)
31
32
Figura 3.1: (a) Funcin seno de perodo T= ; (b) Funcin coseno de perodo T=
La obtencin de los coecientes de la forma en que se expresa la ecuacin (3.2) es posible gracias a la ortogonalidad existente entre las funciones cosenos y seno y entre si mismas para valores de diferentes. Lo anterior se puede resumir de la siguiente manera
(3.3)
Adems es necesario cumplir con la condicin de que la norma de la funcin analizada sea integrable y esa integral sea nita, es decir,
(3.4)
, lo cual no necesariamente debe ser) ya que las funciones de expansin seno y coseno son peridicas. El intervalo fue seleccionado debido a que corresponde al perodo de las funciones seno y coseno.
Ejemplo
Aproximar la funcin
utilizando (3.2)
33
2 N=2
2 N=4
5 4 3 2 1 0
5 4 3 2 1 0
2 N=8
2 N=16
Solucin
sobre el intervalo
, es
34
Esto nos permite dividir la funcin o seal en una parte par e impar como sigue
donde
(3.5)
de tal manera que
(3.6)
y como
(3.7)
, entonces
(3.8)
Con lo que obtenemos dos nuevas series las que conoceremos como serie cosenoidal de Fourier y serie senoidal de Fourier respectivamente. Supongamos ahora que tenemos una funcin denida sobre como la que se ilustra en la gura (3.3). Utilizaremos dos maneras tiles a travs de las cuales obtendremos una extensin peridica de perodo de dicha funcin, como se ilustra en la gura (3.4). Se puede observar que la expansin
35
Figura 3.4: (a) es par y de perodo ; (b) es impar y de perodo en series de Fourier de la funcin de la gura (3.4a) contendr slo trminos cosenoidales por lo que podemos aproximar esta funcin mediante (3.8a), donde
(3.9)
De manera anloga la funcin de la gura (3.4b), contendr slo trminos senoidales por lo que podemos aproximar esta funcin mediante (3.8b), donde
(3.10)
Adems, como consecuencia de que una funcin sea par o impar, los coecientes se calculan integrando sobre la mitad del perodo de la funcin y multiplicando por 2, en vez de integrar sobre el intervalo completo, lo que en trminos de clculo puede ahorrar tiempo en forma considerable.
36
diferentes componentes de frecuencia de la seal, y sus respectivas amplitudes. La transformada de Fourier de una funcin del tiempo
se dene como
(3.11)
(3.12)
De acuerdo con lo dicho anteriormente la transformada de Fourier puede obtener un representacin en el dominio de la frecuencia de una seal que se encuentra originalmente en el dominio del tiempo. La relacin existente entre la representacin de la seal original a travs de funciones senoidales y cosenoidales y la exponencial que se observa en (3.11) y (3.12) proviene de la denicin de la identidad de Euler
(3.13)
sobre un intervalo
(3.14)
(3.15)
Estas funciones exponenciales pueden ser referidas como las funciones bases de la transformada de Fourier, y debido a su propiedad de ortogonalidad1, es posible obtener los valores o coecientes como trminos de semejanza entre la seal original y la funcin exponencial
(3.16)
(3.17)
La relacin entre esta propiedad y la obtencin de los coecientes ser explicada de manera ms detallada en los prximos captulos
37
Figura 3.5: (a) Seal original; (b) Descomposicin en series de Fourier, la amplitud de cada onda es lo que representa la transformada de Fourier. Aunque matemticamente la funcin exponencial resulta ms fcil de manipular, de aqu en adelante trabajaremos con las funciones seno y coseno ya que desde un punto de vista fsico, resulta ms fcil comprender el paso de la seal del dominio del tiempo al dominio de la frecuencia y en forma inversa. Por lo tanto, es posible realizar una transformacin de (3.15) a la siguiente forma
(3.18)
una combinacin linear de todas las componentes de frecuencia presentes en la seal , donde los coecientes y representan la cantidad de energa que aporta cada componente de frecuencia a la seal original como se puede observar en la gura (3.5).
De esta ecuacin podemos decir que la funcin en el dominio del tiempo ha sido representada como
3.3.1 Propiedades
Algunas propiedades fundamentales de la transformada de Fourier son:
(3.19)
38
(3.20)
(3.21)
(3.22)
Teorema de la convolucin
(3.23)
Teorema de la correlacin
(3.24)
Teorema de Parseval, que dice que la energa de la seal es siempre la misma sin depender de si se encuentra en el dominio del tiempo o en el dominio de la frecuencia
Ejemplo
(3.25)
Solucin
Debemos reemplazar la funcin en (3.11)
39
La multiplicacin de
por
gura (3.7)). Como se ilustra en la gura (3.7) la transformada de Fourier de una onda cuadrada muestra que la energa de la seal se concentra en trasladamos a las frecuencias altas.
40
slo para valores discretos de , es decir, obtendremos valores . De ahora en adelante nos referiremos a como con
una seal en el tiempo (ya no como funcin). Por lo tanto, supongamos que es una seal peridica de perodo y que slo conocemos sus valores en puntos igualmente espaciados en el tiempo. Entonces, si corresponde al k - simo
sampleo de y , donde ( es la frecuencia con la que se realizan los sampleos) corresponde al n - simo sampleo de , y adems denimos a como el nmero de sampleos de la seal o longitud de la seal, podemos reescribir la Transformada de Fourier, de una seal de perodo
(3.26)
ya que
41
Notar que
(3.27)
coecientes sampleados
Por lo tanto
en forma
(3.28)
que se conoce como la Inversa de la Transformada Discreta de Fourier (IDFT). A manera de ejemplo vamos a suponer que tenemos una seal sampleada en cuatro puntos
(3.29)
donde obviamente
(3.30)
42
(3.31)
que mediante el clculo de los senos y cosenos podemos resumir nuestro set de ecuaciones a
(3.32)
(3.33)
. A simple vista esta matriz no parece A esta nueva matriz la denominaremos de mucha utilidad ya que sus componentes no se comportan siguiendo algn patrn (lo que es indispensable en la elaboracin de algn algoritmo computacional). Sin embargo, si dejamos de la misma
forma la primera columna y la primera la y nos concentramos en el nmero complejo , podremos observar que el resto de los componentes de la matriz de Fourier es posible escribirlos como potencias de , ya que el tipo de valores que entrega para un intervalo de exponentes de 1 hasta 4 se repite en forma peridica
Por lo tanto podemos reescribir nuestra nueva matriz de Fourier [STR93] de la forma
(3.34)
De esta nueva matriz se observa que sus columnas son ortogonales entre ellas (consecuencia de la
43
datos de entrada
ortogonalidad entre el seno y el coseno), por lo que su inversa es igual a su transpuesta conjugada2, de tal manera que teniendo los coecientes de Fourier podemos reconstruir la seal original de la siguiente forma
(3.35)
El punto importante aqu es que ambas matrices tienen la misma forma con la nica diferencia de un cambio de signo. Por lo tanto si nosostros podemos realizar la transformada rpidamente tambin podemos obtener la inversa en forma rpida entre los coecientes y los valores de la funcin. a comportamiento, es decir, cambiamos el , de tal manera que (3.26) y (3.28) quedan
(3.36)
La matriz de Fourier es completa, es decir, todos sus elementos son distintos cero. Por lo tanto, el nmero de multiplicaciones que se deben realizar para la obtencin de la DFT de una seal de longitud , es de multiplicaciones. Se deben evaluar trminos de series de Fourier sobre puntos. En las guras (3.8 y 3.9) se observa una representacin sampleada de la funcin o seal denida en el ejemplo 1.2, y su respectiva DFT.
Esto puede ser corroborado consultando cualquier texto o libro de Algebra Lineal, por ej. STRANG, G., Introduction to Linear Algebra, Wellesley - Cambridge Press, 1998.
2
44
Figura 3.9: Transformada Discreta de Fourier de la onda cuadrada ilustrada en la gura (1.8). Para la obtencin de la DFT se realizaron operaciones de multiplicacin.
(3.37)
Existen bsicamente dos tipos de algoritmos FFT3 : 1. Diezmado en el dominio del tiempo. 2. Diezmado en el dominio de la frecuencia. Otro punto importante es que el algoritmo FFT trabaja en forma ms eciente cuando lo hace sobre una seal donde el nmero de sampleos es una potencia de . El principio de la FFT se basa en el mtodo denominado divide y conquista [PRO98], ya que divide la seal de puntos en dos secuencias de datos de
45
como
(3.38)
, entonces
(3.39)
denota el componente de la transformada de longitud proveniente de los com es la transformada de Fourier de longitud ponentes pares de la seal original , mientras que
El punto interesante es que este proceso es recursivo ya que podemos volver a diezmar las seales y
de tal manera que las transformadas de Fourier que se obtengan sean de longitud
, re-
veces, ya que en este punto la transformada de el proceso de diezmado se puede repetir operaciones de Fourier obtenida es de longitud . Adems en cada etapa de diezmado se realizan
multiplicacin. De esta manera el algoritmo FFT de diezmado de tiempo logra reducir el nmero de . multiplicaciones de a como se observa en la gura madas veces. Supongamos una seal con una longitud (3.10). Si representamos estos datos en su forma binaria nos daremos cuenta que podemos obtener la secuencia de los datos de entrada diezmados leyendo la representacin binaria de en forma inversa. En resumen, el algoritmo de diezmado de tiempo se realiza en dos partes: 1. Inversin binaria de los datos de entrada. 2. Operaciones de multiplicacin y suma sobre los datos invertidos, entregando los datos de salida en orden natural. Otro punto importante reside en el orden de la secuencia de entrada despus de que han sido diez-
46
Figura 3.10: Inversin binaria para una seal con secuencia contiene la otra mitad (
datos de entrada
(3.40)
como
, entonces
(3.41)
puntos
(3.42)
como
(3.43)
entonces
47
(3.44)
Este procedimiento tambin es recursivo de tal manera que pueden volver a diezmarse las DFTs de puntos a DFTs de puntos. El proceso completo implica etapas de diezmado, donde para multiplicaciones. Por lo tanto, al igual que el diezmado de tiempo, el clculo cada diezmado implica de la DFT de puntos por medio del algoritmo FFT de diezmado de frecuencia, requiere
multiplicaciones [PRO98]. En resumen, el algoritmo de diezmado de tiempo se realiza en dos partes: 1. Operacin de multiplicacin y suma sobre los datos de entrada en orden natural. 2. Inversin binaria de los datos de salida (Transformada).
procedimiento consiste en dividir una seal en pequeos segmentos a travs del tiempo de tal manera que podamos asumir que para cada segmento la seal es estacionaria y as calcular la Transformada de Fourier clsica para cada porcin de la seal. La forma de dividir la seal se realiza mediante lo que llamaremos una cuyo ancho o soporte corresponde a la longitud de cada segmentacin de la seal. Con la funcin
ventana encuadramos la seal alrededor de un instante de tiempo y calculamos su transformada de Fourier, luego trasladamos la funcin ventana hasta que no se sobrepone con la anterior cubriendo una nueva porcin de la seal a la que volvemos a calcular su transformada de Fourier. Este proceso es repetido hasta que se ha cubierto la totalidad de la seal.
1 2
48
49
y si consideramos a manera que
como una funcin ventana de valores slo reales no complejos de tal entonces (4.1) nos queda
(4.1)
(4.2)
que calcula el producto interno entre la seal y la funcin tiempo-ventana trasladada y modulada. De acuerdo con las propiedades de la transformada de Fourier de translacin en tiempo y frecuencia
y utilizando el teorema de Parseval [CHU97] podemos expresar tambin la STFT en trminos de la transformada de Fourier de la seal y la transformada de Fourier de la funcin tiempo ventana, lo que nos da
(4.3)
limitada por el soporte de la
de la seal en la vecindad de
50
Figura 4.1: Seal y funcin tiempo-ventana centrada en tener una buena resolucin en tiempo pero una mala resolucin en frecuencia ya que conoceremos slo una mnima fraccin del espectro total existente en la seal. Por otro lado, si nuestra ventana en muy ancha tendremos una buena resolucin en frecuencia pero una mala resolucin en tiempo, i.e una ventana de ancho innito es nada ms y nada menos que la transformada de Fourier clsica. Por lo tanto un defecto de la STFT es que no puede entregar una buena resolucin tanto en tiempo como en frecuencia de manera instantnea ya que el soporte de la ventana es jo. La raz de este problema se basa en el principio de incertidumbre de Heisenberg3 [PED99] [POL96] el cual establece que es imposible conocer una representacin exacta tiempo - frecuencia de una seal, es decir, no podemos saber que valor de frecuencia existe en un instante de tiempo determinado, slo podemos conocer que componentes de frecuencia existen dentro de un intervalo de tiempo determinado. Con el n de dejar ms claro el concepto de resolucin tiempo frecuencia utilizaremos un ejemplo. Primero supongamos que tenemos una seal dentro de un intervalo de tiempo igual a una dcima de segundo. Esta seal esta compuesta por slo dos frecuencias, una correspondiente a 250 Hz y la otra correspondiente a 500 Hz
(4.4)
seal con las mismas componentes de frecuencia sobre el mismo intervalo de tiempo, pero con la diferencia que las primeras 5 centsimas de segundo contienen a la frecuencia de 250 Hz y las otras 5
3
Como podemos observar en la gura (4.2) la transformada de Fourier nos entrega una resolucin perfecta en frecuencia de dicha seal, como era de esperarse. Ahora, supongamos que tenemos otra
51
Figura 4.2: (a) Representacin de la seal ; (b) Contenido espectral de la seal obtenido mediante la transformada rpida de Fourier centsimas de segundo restante contienen a la frecuencia de 500 Hz, lo que se dene como
(4.5) Si aplicamos la Transformada de Fourier sobre observamos que tambin podemos obtener las
frecuencias existentes de la seal pero con una amplitud igual a la mitad de la amplitud real debido a que cada componente de frecuencia se encuentra slo la mitad del tiempo de anlisis de la seal como se ilustra en la gura (4.3). Esta informacin errnea se debe a que la transformada de Fourier, como se expres en un principio, no puede determinar en que momento dentro de la seal se encuentra una respectiva componente de frecuencia. Debido a esto vamos a volver a analizar la seal de (4.5)con la transformada corta de Fourier (STFT), y la funcin tiempo - ventana utilizada ser una funcin gaussiana simple de la forma
(4.6)
donde es el factor que controla el ancho o soporte de . El primer anlisis para un valor de
se ilustra en la gura (4.4). Al ser angosta la ventana utilizada podemos observar que la resolucin en el tiempo es buena ya que se diferencia claramente la posicin en el tiempo de cada componente de
52
Figura 4.3: (a) Representacin de la seal ; (b) Contenido espectral de la seal obtenido mediante la FFT, se observa que las amplitudes de ambas componentes han disminuido a la mitad de su valor real frecuencia. Sin embargo, la resolucin en frecuencia es bastante pobre ya que para cada componente se observa un ancho de banda amplio lo que impide una deteccin precisa del valor real de la frecuencia existente en el intervalo de tiempo donde se encuentra. El segundo anlisis se efecta para un valor de signica que nuestra funcin tiempo - ventana es ms ancha y por lo tanto hemos mejorado nuestra resolucin en frecuencia ya que el ancho de banda de cada componente ha disminuido permitindonos identicar claramente cada frecuencia. Por otro lado la resolucin en tiempo se ha empobrecido producto de la mejora en la resolucin en frecuencia ya que no se observa una clara separacin de la ubicacin de cada componente en su respectivo intervalo de tiempo. Mediante este ejemplo se ha podido demostrar el problema implcito de resolucin de la STFT lo que crea la interrogante Es posible que la funcin ventana tenga un soporte dinmico y no esttico?, es decir, una funcin ventana que tenga la capacidad de cambiar su soporte en forma automtica dependiendo del contenido espectral del segmento de la seal analizado, ya que una situacin ideal de anlisis sera tener una buena resolucin en tiempo para frecuencias altas y una buena resolucin en frecuencia frente a contenido de frecuencias bajas. Para la resolucin de este problema existe una herramienta matemtica denominada la transformada continua wavelet que fue desarrollada como una alternativa de anlisis frente a la STFT, el desarrollo terico y prctico de esta herramienta constituye el foco principal de la siguiente seccin.
53
Figura 4.4: Representacin tiempo - frecuencia con buena resolucin en tiempo y mala resolucin en frecuencia.
Figura 4.5: Representacin tiempo - frecuencia con buena resolucin en frecuencia y mala resolucin en tiempo.
54
versiones escaladas y trasladadas de una funcin prototipo ms conocida como . Asumiendo que tanto la seal como la nueva funcin son de energa nita, entonces podemos denir
(4.7)
. Ahora utilizando el teorema de Parseval podemos como la escribir (4.7) en trminos de la Transformada de Fourier de y como
(4.8)
Como se puede observar (4.7) y (4.8) arriba han aparecido dos nuevas variables y . La variable controla el ancho o soporte efectivo de la funcin , y la variable nos da la ubicacin en el dominio del tiempo de . Ahora bien, para que este anlisis sea posible y adems para poder lograr una perfecta recon-
55
(4.9)
donde corresponde a la transformada de Fourier de . El cumplimiento de esta condicin signica que el valor medio de es igual a , lo que a su vez implica obligatoriamente que tenga valores tanto positivos como negativos, es decir, que sea una onda. Adems como es una funcin que ventaniza la seal sobre un intervalo de tiempo dado por alrededor de un punto se observa intuitivamente que es de soporte compacto, es decir, es una onda denida sobre un intervalo de tiempo nito, y esto es el porque de su nombre o ondita. El hecho que se cumpla (4.9) signica implcitamente que debe tener un rpido decaimiento cuando tiende a , lo que nos hace pensar que es una funcin ventana pasabanda en el dominio de la frecuencia ( ya que al menos en la frecuencia se detiene).
y traslacin
Por denicin la Transformada Continua Wavelet es mas una representacin tiempo - escala que una representacin tiempo - frecuencia. En particular, para valores pequeos de la CWT obtiene informacin de que est esencialmente localizada en el dominio del tiempo mientras que para valores grandes de la CWT obtiene informacin de que est localizada en el dominio de la frecuencia. En otras palabras, para escalas pequeas la CWT nos entrega una buena resolucin en el dominio del tiempo mientras que para escalas grandes la CWT nos entrega una buena resolucin en el dominio de la frecuencia. Cuando cambia, tanto la duracin como el ancho de banda de la wavelet cambian pero su forma se mantiene igual. En lo anteriormente dicho se encuentra la diferencia principal entre la CWT y la STFT, ya que la primera ocupa ventanas de corta duracin para altas frecuencias y ventanas de larga duracin para bajas frecuencias mientras que la STFT ocupa una sola ventana con la misma duracin tanto para altas frecuencias como para bajas frecuencias. Aunque la CWT trabaja con el trmino escala en vez de frecuencia, es posible mediante una con realizar un cambio de variable de una escala a una frecuencia de la forma stante (4.10)
, lo que nos dar el grado de resolucin con el cual estemos analizando la seal.
) o dilatar (
) la funcin
en unidades de frecuencia (tal como Hz). Con este cambio de variable podemos observar que la CWT localiza tanto la seal en el dominio
donde recibe el nombre de del tiempo como su espectro
56
Figura 4.7: Se observa el proceso de escalamiento y traslacin, para una escala grande la wavelet ocupa un mayor segmento de la seal y por lo tanto tiene mejor resolucin en frecuencia mientras que para una escala ms pequea el intervalo de tiempo bajo el que se analiza la seal es menor, lo que implica mayor resolucin en tiempo.
57
sobre el intervalo de tiempo en el que se haya denido . Un punto importante es que la funcin
wavelet se traslada cubriendo toda la seal para cada valor de , es decir, si la escala escogida es pequea habrn ms traslaciones de que si la escala escogida es grande, esto se esquematiza en la gura (4.7). Por lo tanto, la variable dominio del tiempo. nos da la cantidad por la cual
ha sido trasladada en el
La continuidad de la CWT reside en que tanto la variable de escala como la variable de traslacin varan en forma continua. Sin embargo, en trminos de clculo computacional es imprescindible discretizar la transformada, y la suposicin ms lgica es que tanto los valores de escala como traslacin sean discretos. Adelantndonos un poco a lo que es la Transformada Discreta Wavelet, la forma ms comn de discretizar los valores de y es utilizar una red didica[BUR98] [CHU97], es decir, y
con
se transforma en el conjunto de funciones
(4.11)
(4.12)
58
Figura 4.8: Funcin Wavelet Mexican Hat y Morlet con sus respectivas Transformadas de Fourier (grcos de la izquierda). Se observa como cumplen con la condicin de admisibilidad al tener un rpido decaimiento a medida que la frecuencia tiende a .
Figura 4.9: Diferencia tiempo - frecuencia v/s tiempo -escala entre la STFT y la CWT.
(5.1)
donde el factor mantiene una norma constante independiente de la escala . La wavelet madre , trae siempre asociada consigo una funcin escala . Con estas dos funciones podremos aproximar cualquier funcin o seal , mediante una de las funciones o mediante ambas, de la forma Esta familia de funciones es llamada el set de expansin wavelet.
(5.2)
60
1. Un sistema wavelet puede describirse de una manera amigable, como un conjunto de ladrillos (que para cada sistema pueden tener diferente forma) que sirven para reconstruir o representar una seal o funcin. Este conjunto es una expansin bi-dimensional, que suele ser una base para alguna clase de seal de una o ms dimensiones. En otras palabras, si el set de expansin esta dado por
(5.3)
2. La expansin wavelet entrega una localizacin tiempo-frecuencia instantnea de la seal, representacin que puede explicarse como un pentagrama musical, donde la localizacin y forma de la gura musical nos dice cuando ocurre el tono y cual es su frecuencia. Esto quiere decir que . la mayor parte de la energa de la seal es bien representada por unos pocos coecientes Mientras un coeciente de Fourier representa un componente que dura todo el tiempo en que se extiende la seal, un coeciente de expansin wavelet representa un componente bien denido en un intervalo de tiempo, esto es, un coeciente wavelet es en s bien localizado en el tiempo. 3. Los sistemas wavelet satisfacen las condiciones de multi-resolucin. Esto signica que si un , un conjunto conjunto de seales puede ser representado por una suma de ms amplio de seales (que incluye el conjunto original) puede ser representado por una suma . 4. Los coecientes de ms baja resolucin pueden ser calculados a partir de los coecientes de ms alta resolucin, mediante un algoritmo en forma de rbol, llamado banco de ltros. Esto permite un muy eciente clculo de los coecientes de expansin (tambin conocida como la Transformada Discreta Wavelet). 5. El tamao de los coecientes de expansin wavelet disminuye rpidamente con y .1 6. Los wavelets son ajustables y adaptables. Debido a que existen muchos wavelet, estos pueden ser diseados para adaptarse a una aplicacin particular. 7. La generacin de wavelets y el clculo de la Transformada Discreta Wavelet es bien realizada por una computadora, pues como veremos ms tarde estos clculos se remiten slo a multiplicaciones y sumas.
1
61
, una funcin escala, que trasladada y escalada genera una familia de funciones denida como:
como
(5.4)
estar en
con
(5.5)
pero como veremos luego, la funcin escala debe cumplir con ciertos requisitos, y uno de ellos es ser ortonormal, por lo que slo uno de los productos puntos de la ecuacin anterior es distinto de cero (
Otra valiosa propiedad que nos entrega la denicin de la funcin escala es que
lo que se demuestra como sigue
62
5.1.2.1 Caractersticas de una funcin escala. Una funcin es considerada como una buena funcin de escala si cumple con las siguientes condiciones (tomadas de [BUR98]): 1. Para cada
3. La funcin
con
tengamos:
63
La condicin 2 nos dice que los subespacios incluyen ms funciones de a medida que crece.
(5.6)
(primera implicacin de (5.6)). y como por hiptesis , debera darse que tenemos que
, o lo que es lo mismo
con
tal que
sea
64
debido a que, como veremos ms tarde, slo un nmero nito de trminos en la sumatoria son distintos de cero, intercambiamos sumatorias en la ultima expresin
sea
entonces
lo que implica que existen coecientes , tal que una suma de ajustada y trasladada como
tiene soporte compacto sobre , los coecientes pueden ser una secuencia de nmeros reales o complejos, llamados coecientes de funcin escala (o ltro de escalamiento o vector de escalamiento) y la mantiene la
llamada ecuacin bsica de recursin o ecuacin de escala, donde normalidad de la funcin escala en .
es una funcin escala como se dene en (5.7), que tiene soporte compacto y es base ortonormal para , entonces tambin tiene sobre soporte compacto sobre , por lo que la mxima longitud de la secuencia es
Proposicin 2. Si
65
y , entonces quedara
y como por hiptesis la integral de la derecha es cero para demostrado que tiene soporte en . Tenemos entonces por (5.7) que
como por hiptesis tiene soporte compacto, slo nitos coecientes son no nulos, por lo que podemos intercambiar la sumatoria con la integral
son
como el complemento ortogonal de en , esto signica que todos los miembros de ortogonales a todos los miembros de . Entonces se requiere que
con
y adems
66
(5.8)
(6.1)
Esta funcin la denominaremos funcin de escalamiento, que grcamente es representada como se muestra en la Figura (6.1). Denimos entonces un conjunto de funciones de escalamiento en trminos de traslaciones enteras de la funcin bsica de escalamiento :
68
(6.2)
(6.3)
(6.4)
o sea, cualquier funcin que est en puede ser representada por una combinacin lineal del conjunto de funciones con sus respectivos coecientes . Para un rpido clculo de estos coecientes es necesario que cuestin, deniremos
(6.5)
entonces el producto punto entre (6.2) y (6.5) debe ser cero para cumplir con la condicin de ortogonalidad, es decir
(6.6)
esto es fcilmente demostrable ya que (6.2) y (6.5) estn denidas en distintos intervalos de tiempo, entonces tenemos
(6.7)
69
Figura 6.2:
(6.8)
con
por (6.2)
(6.9)
(6.10)
se demuestra as la ortonormalidad de
Ejemplo 1
Representar la funcin .
con
Solucin
Representaremos la funcin continua
70
(6.11)
Ahora calcularemos el coeciente para lo que haremos la multiplicacin vectorial de por (6.11)
(6.12)
(6.13)
como demostramos anteriormente, es ortogonal, por lo que todos los productos puntos de la parte derecha de (6.13) sern cero, excepto
(6.14)
(6.15)
(6.16)
(6.17)
71
(6.18)
ahora calcularemos
(6.19)
(6.20)
(6.21)
es ortogonal, por lo que todos los productos puntos de la parte derecha de (6.21) sern cero, excepto
como demostramos anteriormente,
(6.22)
(6.23)
(6.24)
(6.25)
72
(6.26)
del clculo de estos dos coecientes queda claro que cualquier coeciente como
(6.29)
(6.30)
(6.31)
(6.32)
(6.33)
en la tabla (6.1) se encuentran todos los coecientes calculados Ahora que tenemos los seis coecientes buscados, podemos reconstruir lo que nos entrega la grca mostrada en la Figura (6.1) Para una mejor representacin de cualquier seal perteneciente a mediante (6.11),
de escalamiento, debemos ser capaces de crear una nueva familia de funciones, que adems de tener las capacidad de trasladarse, puedan tambin ser escaladas para lograr as una mejor resolucin. Nos
73
coeciente
Figura 6.3: En esta gura apreciamos que la aproximacin realizada por la funcin de escalamiento es bastante burda, debido al espacio en que trabajamos.
74
como con
(6.34)
(6.35) es un subespacio de
donde
Ejemplo 2
Representar la funcin
con
. .
Solucin
Para representar esta funcin trabajaremos en el espacio
, o lo que es lo mismo,
de manera anloga al ejemplo 1 (revisar desde la ecuacin (6.12) a (6.19)) tenemos que
75
los dems coecientes sern calculados de la misma forma, estos son mostrados en la tabla (6.2) en la gura (6.4) se muestra la reconstruccin de usando
en
(6.36)
(6.37)
76
Figura 6.4: En esta gura se presenta una clara mejora en la resolucin de la representacin de la funcin cuadrtica,
debido que
en esta
queda demostrada entonces la no normalidad de esta familia de funciones, por lo tanto debemos encontrar una constante que nos permita hacer estas funciones ortonormales, entonces, para multipliquemos las funciones base por un nmero cualquiera
con lo que obtenemos lo que denominaremos la constante de normalizacin. Con esta mejora de
(6.38)
77
, es que puede ser representada por Una importante propiedad de la funcin de escalamiento , y de acuerdo con () una combinacin lineal de ella misma, trasladada y escalada. Si elegimos
obtenemos que
(6.39)
se escogen y ya que necesitamos cumplir con el intervalo de tiempo en que est denida , esto es, esta denida en y esta denida , como se muestra en (6.34). Calculemos
calada y trasladada, como sigue
entonces tenemos que la funcin bsica de escalamiento puede ser representada por s misma, es-
(6.40)
78
ocupa el espacio . Sin embargo, las caractersticas de una seal pueden ser mejor descritas, no incrementado el tamao del espacio de las funciones escalamiento, sino deniendo un espacio de
funciones levemente diferentes a las funciones escalamiento, que representen la diferencia que existe entre un espacio y un espacio , tal que
(6.41)
por lo que ya estamos en condiciones de decir que el espacio corresponde al complemento del espacio en el espacio . Ahora bien, la funcin que expande el espacio se conoce como funcin wavelet, y se dene de la forma
(6.42)
sobre el intervalo como una combinacin lineal de las funciones de escalamiento que expanden el espacio de la siguiente manera
(6.43) de tal manera que al realizar el producto interno de (6.43) por y luego por ,
(6.44)
(6.45)
Como ya sabemos que los espacios y son ortogonales y por lo tanto cualquier espacio con tambin lo es, entonces el espacio al ser el complemento de en es
79
Figura 6.5: Funcin wavelet en como combinacin lineal de las funciones escalamiento que expanden y .
misma seal con un nivel de resolucin , mediante el producto interno de esta seal con un set de funciones que expandan el espacio donde ser elegido de acuerdo al grado de aproximacin que se desee.La propiedad de ortogonalidad de y por ende de la funcin wavelet , puede ser demostrada en forma anloga a como se demostr con la funcin de escalamiento. Si nos denimos la funcin wavelet como
ortogonal. Por lo tanto, al igual que con la funcin escalamiento, es posible obtener una representacin de la diferencia que existe entre aproximar una seal con un nivel de resolucin y aproximar la
(6.47)
que corresponde a la misma funcin pero desplazada en el tiempo por una constante , y nos ,entonces realizando el producto punto denimos de la misma forma otra funcin con entre ellas de la forma
obtenemos que
(6.48)
(6.49)
80
Ejemplo 3
Aproximar la funcin funcin escalamiento.
sobre el intervalo
Solucin
La primera aproximacin la haremos en ser de la forma
, y por lo tanto
(6.50)
con (6.50)
(6.51)
(6.52)
entonces, como demostramos anteriormente que es ortogonal, todos los productos puntos de , por lo tanto la parte derecha de (6.52) sern cero, excepto
(6.53)
que para
nos queda
(6.54)
para
(6.55)
y para la solucin es trivial. La resolucin de las integrales de (6.55) y (6.56) nos entregan dos coecientes, los cuales son
(6.56)
(6.57)
81
Tabla 6.3: Coecientes obtenidos para la representacin de la seal con la Haar Wavelet en el espacio .
Figura 6.6: Aproximacin de la seal mediante las funcin wavelet del espacio . donde
haar y la parte negativa de la funcin wavelet haar respectivamente (gura (6.2)). Realizando el clculo de los otros coecientes en forma anloga, observamos sus resultados en la tabla (6.3) y en la gura (6.6).
Ejemplo 4
Aproximar la funcin de
con
con un valor
Solucin
Representar esta funcin para , signica que obtendremos una aproximacin de ella en el subespacio , por lo tanto la representacin de mediante la combinacin lineal de ,
82
(6.58)
el clculo de los coecientes se realiza de forma anloga al ejemplo anterior (ver (6.51), (6.52) y (6.53)), de tal manera que nuestro primer coeciente lo podemos expresar como
que para
nos queda
(6.59)
y para
Mediante la resolucin de las integrales de arriba obtenemos los respectivos valores de los coe cientes y
(6.60)
El resto de los coecientes se calcula en forma anloga, obtenindose al nal una cantidad de 12 coecientes (tabla (6.4)) que corresponden al doble de coecientes obtenidos en el ejemplo anterior. La representacin de la funcin original a travs de estos coecientes puede observarse en la gura (6.7).
(6.61) entonces como sabemos que (6.61) debe dar 1 para que y sean ortonormales, el valor de debe ser y el valor de debe ser . Adems, podemos observar que es posible escribir en
83
Coecientes
Valores Obtenidos 1.37 1.13 0.87 0.63 0.37 0.13 -0.13 -0.37 -0.63 -0.87 -1.13 -1.37
Tabla 6.4: Coecientes obtenidos para la representacin de la seal con la Haar Wavelet en el espacio .
en el subespacio .
84
es decir
con lo que obtenemos lo que denominaremos la constante de normalizacin. De esta manera, al igual que las funciones escalamiento, ya estamos en condiciones de denir un set de funciones bases ortonormales mediante escalamiento y traslacin de la forma
con
(6.62)
(6.63)
donde es la funcin wavelet base trasladada y escalada, y es un subespacio de generado por (6.62).
donde cada representa el error en que se incurre al aproximar mediante , o lo que es lo mismo, la uctuacin entre dos niveles sucesivos de resolucin. En este anlisis empleamos una funcin
Esta funcin esta bien localizada tanto en tiempo como en frecuencia, y translaciones y escalamientos , que expande como: de ella misma, generan una base
donde los
En la seccin anterior se esbozaron varios principios de multi-resolucin, como condiciones para una buena funcin escala. Ahora los daremos como requerimientos bsicos para este tipo de anlisis. Un anlisis multi-resolucin requiere un anidamiento de los espacios generados por las funciones escala, de la forma:
85
86
As el espacio que contiene las seales de ms alta resolucin contiene tambin las de ms baja resolucin. Debido a la denicin de [BUR98]
lo que nos asegura que los elementos de un espacio son simplemente versiones escaladas de los elementos del siguiente espacio. Como una forma prctica de mostrar esta propiedad representaremos la funcin escala de Haar mediante versiones escaladas y trasladadas de ella misma. As tenemos que
donde
(7.1)
entonces (7.1) queda como
lo que nos muestra que la funcin de escala se puede representar por una versin de ella misma
87
escalada ms otra versin de ella misma escalada y trasladada. En la gura (7.1) se muestra la relacin entre los espacios expandidos por las funciones escala en sus distintos niveles de resolucin. As la familia de funciones
generar un espacio
donde el super-rayado denota clausura. funcin , como se muestra en la gura (7.2). No obstante una mejor representacin de la seal es obtenida, no mediante el aumento de , si no que al denir un nuevo espacio , llamado espacio wavelet, como el complemento ortogonal de en forma
Entonces al aumentar
Esta residencia de los espacios wavelet en los espacios de escalamiento se muestra en la gura(7.3), donde podemos apreciar que dentro del espacio se encuentran contenidos , , y , o dicho Debido a esto el espacio puede ser representado de la forma
88
Figura 7.2: Representacin de la funcin sin(t), por la funcin escala en distintos espacios.
89
donde
, y los espacios
nos
irn entregando informacin ms detallada de la seal a medida que crece. La escala que se use para expandir el espacio inicial ser una decisin del ingeniero, dependiendo su eleccin del anlisis que se realize y de la seal en cuestin. As podemos representar nuestro espacio partiendo de una , lo que nos entregara resolucin ms alta, como
, donde
(7.2)
De esta manera podemos tomar una escala negativa para el espacio inicial, como
Como podemos ver en (7.2) hemos representado el espacio solo con espacios wavelet, lo que nos lleva a la siguiente ecuacin
Esto nos muestra de nuevo que podemos escoger cualquier resolucin para nuestro espacio inicial. En la gura (7.4) vemos proyecciones de una funcin en diferentes espacios wavelet. Ah se puede observar que a partir del espacio los coecientes wavelet se concentran en puntos donde la funcin tiene pendiente distinta de cero. Esto se debe a que los wavelet detectan los cambios de la funcin, el detalle, que como veremos ms tarde se obtiene de la resta de dos muestras sucesivas de la funcin discreta, por lo que en los puntos donde la pendiente es ms suave, la resta tendera a cero, junto con la amplitud del coeciente wavelet.
. Como , la funcin La funcin que expande el espacio es la wavelet madre wavelet puede ser representada por una suma de funciones escala, escaladas y trasladadas, de la
forma
representarse como
(7.3)
90
Figura 7.4: Proyeccin de una funcin en diferentes espacios wavelet, usando el sistema Haar.
91
Esta ltima ecuacin es la ecuacin de recursin que vimos en el capitulo 5 en (5.7), los coecientes
Una funcin pertenecer a el espacio si puede ser representada por la funcin prototipo de una wavelet madre de la forma
entes escalas. Como podemos observar, la variable nos dir en que espacio wavelet esta trabajando nuestra funcin madre. Esto es anlogo para la funcin escala. En la gura (7.5) podemos ver ms claramente como mejora la resolucin de una representacin al cambiar a un espacio escala ms grande o de ms alta resolucin. El detalle en los distintos espacios wavelet se muestra en la gura (7.6).
Donde
(7.6)
nos entrega el
espacio inicial que ser el espacio de menor resolucin, y dependiendo de este es que el resto de los ndices seguirn corriendo. es la longitud de la seal . Esta longitud limitar el nivel de descomposicin de una seal, ya que no tiene sentido representar una seal que se encuentra en un espacio en el mismo espacio.
92
Figura 7.5: Al lado izquierdo vemos la representacin de una funcin mediante el sistema Haar en distintos espacios , y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. De abajo hacia arriba tenemos desde el espacio hasta el .
93
Figura 7.6: Al lado izquierdo vemos el detalle de una funcin, obtenido mediante el sistema Haar en distintos espacios
, y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. De abajo hacia arriba tenemos desde el espacio hasta el .
94
Desarrollaremos ahora la DWT para el sistema Haar, como una forma de hacer ver la dicultad de realizar este clculo a mano, y luego entraremos en la teora de banco de ltros que aliviar en forma sustancial el trabajo realizado. se transTomemos la funcin , la cual al ser sampleada a una frecuencia de forma en la funcin por tramos con , intervalo que trasladaremos a con el n de trabajar en el mismo dominio de la funcin escalamiento y la wavelet haar, funciones que utilizaremos para descomponer y luego reconstruir la seal . La wavelet ms antigua y simple, la Haar y su funcin de escalamiento, estn denidas de la siguiente forma:
con
(7.7)
(7.8)
(7.9)
(7.10)
:
(7.11)
entonces tenemos
95
(7.12)
que la funcin esta descompuesta, i.e ; en la la 1 tenemos el valor de cada uno de los coecientes en , esto es, e.g, en . Ahora este mismo coeciente en la la 2 es en , y en todas las otras las , ya
donde los componentes de cada la de la matriz 8x8 representan los valores de y en el mismo orden en que aparecen en (7.11) , y cada la representa cada uno de los intervalos de tiempo en
Ahora que tenemos la ecuacin matricial (7.13) podemos obtener el valor de los coecientes que nos ayudarn a reconstruir la seal original.
(7.13)
96
, as tenemos que
(7.14)
Hemos logrado aqu descomponer la seal discreta hasta ser representada slo por un coeciente escala o de aproximacin, y el resto slo coecientes wavelet. Esto ser de gran importancia en la limpieza y compresin de seales, como lo veremos en el captulo siguiente. Ahora que conocemos el procedimiento para calcular los coecientes, descompondremos la seal para distintos espacios iniciales :
para
(7.15)
para
(7.16)
para
97
(7.17)
estaremos disminuyendo los coecientes wavelet, hasta llegar a representar la seal original solo con coecientes escala. Como podemos observar la ltima descomposicin nos entregar una reconstruccin perfecta de la seal original, debido a que fue representada slo con funciones escala pertenecientes al espacio al cual pertenece la seal original. El gran tamao de los clculos matemticos hace necesario buscar una manera eciente de realizar la DWT, es por eso que debemos conocer la teora de banco de ltros que nos guiar a la obtencin de la transformada rpida wavelet (FWT).
[BUR98] [CHU97]
(7.18)
Del Ingls
98
Figura 7.7: (a) Seal original; (b) Modelamiento de sampleos digitales mediante la funcin Haar escala con una longitud
de
es posible aproximar tan cerca como se desee mediante un modelo con , de tal manera que este modelo lo podemos representar como una combinacin lineal de funciones escala
(7.19)
creto o digital. De hecho, la importancia de la representacin de seales mediante funciones escala es que los algoritmos diseados para la transformada discreta wavelet se aplican a datos de entrada que han sido modelados mediante una funcin escala, es decir, son aplicados sobre el set de coecientes
(7.20)
Uno de los mtodos ms efectivos para realizar este modelamiento es la que consiste en que los coecientes sean escogidos de tal manera que representacin discreta para , es decir
(7.21)
De esta forma se logra lo que se denomina una representacin didica de la seal [BUR98], ya que el intervalo de tiempo dado para cada sampleo est controlado por una potencia de 2. En otras palabras, un modelo de una seal anloga correspondera a un set de valores discretos cuya longitud ser de .
99
mediante funciones escala solamente (apropiadas para un anlisis multi-resolucin), es posible escribir
como
(7.22)
dado que
(7.23)
(7.24)
(7.25)
Ahora bien el desarrollo de bancos de ltros y el diseo de rpidos algoritmos no se relaciona en forma directa con las funciones escala y wavelet, sino ms bien con los coecientes relacionados a estas funciones. Entonces, el primer paso en la descomposicin es poder encontrar los coecientes y en trminos de . Utilizando (7.19) y (7.21) podemos representar una seal unidimensional de energa nita mediante los coecientes como
(7.26)
clculo de y se realiza a travs del producto interno de la seal con la funcin escala y wavelet respectivamente
(7.27)
(7.28)
De la ecuacin bsica de recursin (5.7) podemos obtener una representacin tanto para como para
(7.29)
(7.30)
100
(7.31)
(7.32)
(7.33)
(7.34)
Podemos observar que en las ecuaciones (7.33) y (7.34), las integrales son idnticas y corresponden al coeciente , de tal manera que hemos logrado establecer la representacin de los coecientes escala y wavelets en un nivel de resolucin ms bajo en trminos de los coecientes escala en un nivel de resolucin ms alto
(7.35)
(7.36)
La operacin realizada por (7.35) y (7.36) corresponde a una convolucin discreta [CHU97]. La secuencia de entrada dada por es convolucionada con y para obtener por una lado una representacin ms suave de la seal original caracterizada por los coecientes escala , y por otro lado el detalle de la seal representado por los coecientes wavelet reescribir (7.26) de la forma
(7.37)
El hecho de que los coecientes escalares representen la forma general de la seal original y los coecientes wavelets el detalle se debe a que los coecientes y actan como ltros digitales. Ms especicamente corresponde a un ltro pasa-bajo y a un ltro pasa-banda. Sin embargo, al aplicar esta operacin sobre una seal digital real, nos daremos cuenta que nuestros datos de salida estarn comprendidos por el doble de datos de entrada. En otras palabras, si tenemos una seal de 1024 muestras obtendremos una aproximacin y un detalle de la seal original, cada uno con una longitud
101
Figura 7.8: Descomposicin wavelet donde el dos con la echa hacia abajo representa la operacin de subsampleo. de 1024 datos tambin. Para resolver este problema, una vez realizada la convolucin discreta sobre el set de datos de entrada se aplica una operacin denominada 2 que realiza un diezmado
, descargando todos de la seal original, es decir, toma una seal y produce una salida los valores de ndice impar. Una descripcin esquemtica de lo anteriormente expuesto se ilustra en la
gura (7.8).
(7.38)
102
(7.39)
como
y el set
es ortonormal,
(7.40)
(7.41)
y como
entonces nalmente
(7.42)
As como en el anlisis se hace un ltrado y un subsampleo, en la sntesis se realiza un 3 y posteriormente un ltrado. El supsampleo es una operacin que inserta ceros entre cada sampleo con el n de aumentar al doble la longitud de las componentes de entrada (coecientes de aproximacin o escala y coecientes de detalle o wavelet) de tal manera que la seal obtenida despus del ltrado tenga la misma longitud que la seal original. Este proceso se puede observar en la gura (7.9) .
103
Figura 7.9: Reconstruccin Wavelet donde el dos con la echa hacia arriba representa la operacin de supsampleo. teora pueden repetirse en forma innita con la salvedad que el proceso de sntesis depende del anlisis. Obviamente en la prctica estos procesos no pueden repetirse en forma innita, siendo el nivel de resolucin de la seal original el que pone el lmite. Una explicacin ms detallada puede expresarse de la siguiente manera: Supongamos una seal con una longitud , en el anlisis dividimos la seal original en una aproximacin y un detalle correspondientes al primer nivel de descomposicin, luego la aproximacin de longitud igual a es nuevamente dividida obteniendo una nueva aproximacin y detalle correspondientes a un segundo nivel de descomposicin. Este procedimiento se vuelve a repetir
hasta que la aproximacin y el detalle estn representados por un slo coeciente, es decir, tienen una longitud de , lo que signica que el nmero de iteraciones posibles de realizar es de . De esta forma se obtiene un vector de longitud que contiene un slo trmino encargado de representar la forma general de la seal (coeciente escala) y todos los otros trminos con informacin sobre el detalle obtenido en los diferentes niveles de descomposicin (coecientes wavelets) como se ilustra en la gura (7.10). A este conjunto de coecientes se le denomina
La sntesis por su lado toma la aproximacin y el detalle, aumenta su longitud al doble mediante el supsampleo y realiza la convolucin discreta con los respectivos ltros, obtenindose como resultado una mejor aproximacin a la seal correspondiente al primer nivel de reconstruccin. Lgicamente el nmero de veces que se realiza este proceso hasta llegar nuevamente a la seal original depende del grado de descomposicin al que se lleg en el anlisis, como se observa en la gura (7.11).
Ejemplo
A modo de ejemplo mostraremos una descomposicin y reconstruccin utilizando la Haar wavelet. Como vimos en el captulo 6, los coecientes y corresponden a
104
Figura 7.10: (a) Estructura de una descomposicin multiresolucin; (b) Vector - DWT obtenido de la descomposicin.
105
Como la aproximacin est relacionada con un promedio y el detalle con diferencias, entonces de acuerdo con (7.35) y (7.36) podemos obtener nuestra primera descomposicin de la forma
(7.43)
(7.44)
longitud de la seal original. De esta forma, supongamos una seal con una longitud denida como . Aplicando el algoritmo de descomposicin se puede ver en la gura (7.12) como se realiza la convolucin discreta entre los ltros y con la seal original
donde los son los coecientes correspondientes a la seal original, es decir, los datos de entrada. es la En otras palabras es el nivel de resolucin ms alto con el cual se puede trabajar y
y el posterior subsampleo de tal forma que se obtienen dos set de coecientes, uno encargado de la aproximacin a la seal original y el otro encargado del detalle, ambos de longitud . El paso siguiente es mantener el detalle y volver aplicar el algoritmo a los coecientes de aproximacin dando como resultado una nueva aproximacin ms general y un nuevo detalle, ambos de longitud . Este proceso se puede repetir una vez ms ya que tanto la longitud de la nueva aproximacin como del nuevo detalle ser igual a . Para reconstruir la seal a partir de los coecientes escala y wavelet pertenecientes al primer nivel de descomposicin observamos que si sumamos y restamos (7.43) y (7.44) obtenemos las expresiones
(7.45)
(7.46)
permitindonos una reconstruccin perfecta de la seal. Las ecuaciones arriba tambin pueden ser deducidas a partir de (7.42). En la gura (7.13) se puede ver como se realiza el proceso de supsampleo y posterior convolucin para reconstruir la seal en forma perfecta mediante la suma de los coecientes de reconstruccin escala y wavelet como se ilustra en la gura (7.14).
106
Figura 7.12: Se observa la aplicacin del algoritmo sobre una seal de longitud para obtener (a) Los coecientes de aproximacin y (b) los coecientes wavelet. Ambos procesos se realizan en forma paralela.
107
108
Figura 7.14: La suma de las reconstrucciones obtenidas de los coecientes escala y wavelet nos entrega la seal original. Hasta el momento se ha realizado slo una descomposicin y reconstruccin. Sin embargo, el objetivo principal de un anlisis wavelet es obtener el vector - DWT ya que es este el que contiene informacin til para la aplicacin de esta herramienta en diferentes campos del procesamiento de seales tales como compresin, limpieza de ruido, deteccin de singularidades, deteccin de comportamiento comportamientos similares, etc. Tanto el proceso de descomposicin en forma iterativa como el de reconstruccin se observan en la gura (7.15) y (7.16) respectivamente.
109
que conforman el
110
Captulo 8 Aplicaciones
Ya en este punto hemos desarrollado un completo marco terico sobre wavelets por lo que estamos en condiciones de aplicarlo al procesamiento de seales acstica. Wavelets ha sido aplicado a una gran cantidad de problemas relacionados con el procesamiento de seales: deteccin [SAP98], compresin [TAM99], clasicacin, limpieza de Ruido [SAP95], anlisis de transientes, anlisis tiempo - frecuencia [PED99], en variadas disciplinas tales como medicina, estadstica, acstica, sismologa, criminologa, robtica, etc. El desarrollo de este captulo se centrar en otorgar una explicacin general de algunas aplicaciones (quizs las con mayor investigacin y/o cobertura) donde se utilize wavelets.
8.1.1 Biomedicina
Debido a la naturaleza no estacionaria de la mayora de las seales biolgicas, wavelet ha tenido un gran xito en el campo de la Ingeniera Biomdica. En este campo la transformada wavelet ha sido utilizada para el anlisis de electrocardiogramas con el objeto de poder diagnsticar desrdenes cardiovasculares, tambin ha sido utilizada en electroencefalogramas para el diagnstico de desrdenes neurosiolgico, tales como deteccin seizure o anlisis de potencial evocado para la deteccin de la enfermedad de Alzheimer [POL97]. Wavelet ha sido tambin utilizada en la deteccin de microcalcicaciones en mamogramas y el procesamiento de tomografas e imgenes de resonancia magntica1 .
1
111
8.2. COMPRESIN
112
8.2 Compresin
La base o principio en la utilizacin de wavelets en compresin es aprovechar que los coecientes en los espacios son pequeos si la seal analizada se comporta en forma suave y grandes si la seal a analizar vara en forma notoria. Esto sugiere que pueden eliminarse o hacerse cero los coecientes pequeos y la seal sintetizada o reconstruda no variar mucho. Existen tres pasos fundamentales en el proceso de compresin con wavelets: 1. Proyectar la seal original a un subespacio multi-resolucin grande. 2. Aplicar el algoritmo de descomposicin wavelet. 3. Establecer un esquema de cuantizacin.
con un lo sucientemente
o 2 [BRA93].
113
Figura 8.1: Efecto del umbral duro y suave aplicado sobre un conjunto de coecientes.
(8.1)
La eleccin del umbral ptimo ha sido un tema estudiado por varios investigadores [SAP95] tales como Donoho y Johnstone [DON92] los cuales se basan principalmente en parmetros estadsticos como la desviacin estndar, desviacin media absoluta, etc.
114
el valor
(8.2)
(8.3)
2. Umbral Suave: Si el valor absoluto del coeciente es mayor que el umbral seleccionado, se modica el coeciente restando el umbral a su valor absoluto, en caso contrario se iguala el coeciente a cero al igual que el umbral duro. En otras palabras, sea establecido y los coecientes wavelet, entonces
(8.4)
(8.5)
Como se observa en la gura (8.1) el umbral duro produce discontinuidad en con el umbral suave.
lo cual no ocurre
(8.6)
ya que los coecientes wavelet en este nivel son, con unas pocas excepciones, esencialmente puro ruido. El tipo de umbral seleccionado se calcul de acuerdo con la siguiente frmula:
(8.7)
Ya con estos datos estamos en condiciones de hacer nuestro anlisis wavelet. El primer anlisis lo
115
Figura 8.2: Seal que representa un efecto doppler con un nivel de ruido bastante notable (1024 muestras).
Figura 8.3: Descomposicin wavelet realizada con la Daubechies 2 (Lado izquierdo); Coecientes obtenidos despus de haber sido comparados con el umbral (Lado derecho).
116
realizaremos con una seal articial correspondiente a un efecto doppler con ruido, como se observa en la gura (8.2), compuesta de 1024 muestras lo que nos permite realizar hasta diez descomposiciones. La funcin wavelet madre a utilizar ser la Daubechies 2 (ver apndice) y la descomposicin se realizar hasta el quinto nivel. La secuencia de trabajo se resume de la siguiente manera: 1. Clculo del nivel de ruido
3. Descomposicin de la seal hasta el quinto nivel ( ver gura (8.3)). 4. Aplicacin de umbral suave sobre los coecientes wavelet obtenidos en cada nivel de descomposicin (ver gura (8.3)). 5. Reconstruccin de la seal con los nuevos coecientes wavelet (ver gura (8.4)). 6. Obtencin del error cuadrtico medio
7. Obtencin del porcentaje de energa retenido
donde corresponde a la seal reconstruida y a la seal original. El software utilizado fue Matlab en conjunto con el toolbox de wavelet cuyo uso fue exclusivamente para corroborar resultados (gura (8.5)).
117
Figura 8.4: Seal reconstruida utilizando los coecientes wavelet procesados mediante umbral suave.
Figura 8.5: Comparacin visual entre la seal original y la seal reconstruida. El porcentaje de energa conservado fue
de 93,8 %.
118
Figura 8.6: Seal correspondiente a vibraciones de un motor rotatorio (Arriba); Seal despus de haber sido procesada (Abajo). Para una visualizacin ms clara, slo los primeros 2500 sampleos se gracaron. entreg un valor de lo que caus la eliminacin total de los primeros 4 niveles de descomposicin, dejando slo algunos coecientes wavelet pertenecientes al quinto nivel de descomposicin como se observa en la gura (8.7). El error cuadrtico medio y el porcentaje de energa retenido fueron de:
Se observa para este caso que el nivel de ruido de la seal es totalmente identicable y notoriamente diferenciable del comportamiento suave de la seal. Si obtenemos los espectros de Fourier tanto de la seal real como de la seal limpia (gura (8.8)), nos podemos dar cuenta que despus de la aplicacin del mtodo, se mantienen las componentes de frecuencia con mayor contenido energtico, que para el caso corresponden a frecuencias bajas, eliminndose las componentes de frecuencia que portan menos ya que mantiene energa. Esto nos lleva a pensar que el mtodo elimina el comportamiento suave de la seal el cual est asociada a componentes de baja frecuencia. Este supuesto genera casi en forma autmatica la inquietud :- Que ocurre si el ruido es de baja frecuencia
119
Figura 8.7: Coecientes de descomposicin wavelet obtenidos utilizando la Daubechies 4 (lado derecho); Coecientes Wavelet obtenidos despus de haber sido comparados con el umbral seleccionado (Lado izquierdo). y la seal que queremos obtener es de alta frecuencia?. 8.3.3.2 Tratamiento de seales reales obtenidas al aire libre. Con el n de tratar seales reales al aire libre y analizar la inquietud nacida del caso anterior, se obtuvo un set de datos correspondiente a sonidos de pjaros con alto nivel de ruido de fondo proveniente de faenas constructoras, paso de vehculos y ruidos caractersticos de la urbe. Esta seal se ilustra en la gura (8.9). Los datos fueron tomados utilizando un micrfono condensador omnidireccional Audio Technica y un Dat Porttil Tascam DA - P1, a una tasa de muestreo de 44.1 KHz, una cuantizacin de 16 Bit y utilizando un canal del Dat. El objetivo de este tratamiento se centr en aislar el trinar de los pjaros del ruido de fondo utilizando un anlisis multi-resolucin con la wavelet Daubechies 4 (ver apndice). Se realizaron hasta cinco niveles de descomposicin los que se ilustran en la gura (8.10). Mediante una percepcin auditiva de la seal original nos dimos cuenta que el sonido de los pjaros estaba compuesto por frecuencias notoriamente ms altas que el ruido de fondo. Como el mtodo explicado en la seccin anterior asume que el ruido en una seal es de componentes de alta frecuencia, se procedi a restar a la seal original el resultado obtenido de la limpieza, lo que como pensbamos nos entreg el sonido de los pjaros ms componentes de ruido de alta frecuencia (Hiss). La percepcin auditiva de esta nueva seal no fue
120
satisfactoria ya que subjetivamente cambiaba el espectro del sonido de los pjaros. Repetimos la experiencia cambiando el umbral en los distintos espacios wavelet lo que no nos entreg mejores resultados auditivos que el anterior. Debido a esto se decidi aplicar otro criterio para lograr nuestro objetivo. El nuevo criterio fue escuchar cada espacio wavelet y seleccionar aquellos espacios en los cuales el sonido de los pjaros fuera ms claro y ntido. Mediante este mtodo se conserv el espacio y , eliminndose en su totalidad los coecientes correspondientes a los espacios y , que no aportaban componentes de frecuencia en el rango buscado. El espacio , adems de ruido, contena cierta informacin de inters, por lo que se decidi hacer una nueva descomposicin sobre este espacio, la que se realiz utilizando la wavelet Daubechies 6 (ver apndice) en cinco niveles. Esta descomposicin, que se ilustra en la gura (8.11), nos permiti aislar ms componentes pertenecientes al trinar de los pjaros, debido a que estas se concentraron auditiva. El primero de estos espacios contena slo mente en dos espacios, correspondientes al y al componentes de inters, mientras que el segundo adems de contener componentes de inters presentaba ruido. Al reconstruir la seal con los espacios , y logramos una buena aislacin del cantar . Al reconstruir de los pjaros, pero perdimos algunas frecuencias que se encuentran en el espacio
conservamos prcticamente todas las componentes de frela seal con los espacios , , y cuencia del cantar de los pjaros, pero incluimos un poco de ruido. La diferencia en las componentes
121
Figura 8.9: Seal original. de frecuencia de estas dos ltimas reconstrucciones se pueden apreciar en la gura (8.12), y una visualizacin tiempo - frecuencia de la seal original y la reconstruccin empleando los espacios , , se observa en la gura (8.13). y Como podemos observar en la gura (8.13) el anlisis realizado permiti eliminar, en su mayora,
componentes de frecuencias bajas, trabajo que podra haber sido realizado por un ltro pasa altos al momento de grabar o por un ecualizador en un proceso post - grabacin. Ms nuestro punto de vista es tomar el anlisis Wavelet como una alternativa a estos procedimientos, alternativa que ha probado su ecacia y potencialidad.
122
123
124
Figura 8.12: Transformada de Fourier de las reconstrucciones de la seal original. En rojo: mediante los espacios
y
En azul: mediante
, ,
125
Figura 8.13: Arriba: Transformada Continua Wavelet de la seal original; Abajo: Transformada Continua Wavelet de la
reconstruccin con los espacios
,
8.4. CONCLUSIONES
126
8.4 Conclusiones
1. Hay que dejar en claro que Wavelet no ha aparecido como la herramienta que desplaza a la Transformada de Fourier (TF), sino ms bien como una herramienta que puede complementarse con la TF, o ser una correcta o no correcta eleccin dependiendo del tipo de seal a analizar o de la aplicacin en la cual se desee utilizar. 2. Las funciones bases ocupadas por Fourier son el seno y coseno cuyo soporte es innito. Las funciones bases de wavelet son versiones dilatadas y trasladadas de una funcin de soporte compacto (o nito), llamada wavelet madre, denotada comnmente por . 3. Las bases de Wavelet, al ser muchas y muy distintas, se adaptan muy bien a diversas aplicaciones y tipos de seal, dando incluso la posibilidad de crear una nueva base para una aplicacin especica o para un determinado tipo de seal. 4. En el anlisis de seales no estacionarias la transformada de Fourier no es ptima ya que aunque entrega una informacin completa del contenido espectral de la seal, no es capaz de localizar en el tiempo las componentes de frecuencia. 5. La transformada corta de Fourier permite hacer un anlisis tiempo - frecuencia de seales no estacionarias, ya que segmenta la seal utilizando una funcin tiempo - ventana (ventana Cuadrada, Hanning, etc) y calcula la transformada de Fourier sobre cada segmento. El problema reside en la rigidez del ancho de la ventana que se mantiene jo durante el anlisis de la totalidad de la seal y por lo tanto calcula con la misma resolucin tanto frecuencias bajas como frecuencias altas. 6. La transformada Wavelet depende de dos variables, una encargada del escalamiento de la funcin wavelet y otra encargada de la traslacin de la funcin wavelet .
7. Mediante las variables de escalamiento y traslacin la transformada Wavelet es capaz de hacer un anlisis tiempo - frecuencia con una resolucin variable, es decir, utiliza ventanas de diferente ancho durante el anlisis de la seal. 8. Un conjunto de versiones dilatadas y trasladadas, tanto de una funcin escala como de una funcin wavelet , ambas pertenecientes al espacio , son capaces de aproximar cualquier seal unidimensional cuyo contenido energtico sea nito. 9. La funcin escala es la encargada de analizar el comportamiento general de la seal, mientras que la funcin wavelet se encarga de analizar el comportamiento del detalle de la seal.
8.4. CONCLUSIONES
127
10. La ortonormalidad de las bases empleadas, tanto en el anlisis de Fourier como en el anlisis Wavelet, es una propiedad esencial (excepto para la CWT), debido a que convierte el clculo de los coecientes en una tarea rpida y sencilla. 11. La obtencin de los coecientes escala como de los coecientes wavelet se realiza mediante el producto interno entre las versiones dilatadas y trasladadas de la funcin escala y wavelet con la seal a analizar. De esta forma el coeciente obtenido representa el grado de correlacin que existe entre la funcin escala y wavelet con la seal en un intervalo nito en el espacio del tiempo. 12. La transformada discreta wavelet discretiza (valga la redundancia) las variables de escalamiento y genera un sistema wavelet de y traslacin. Una discretizacin de la forma funciones base ortonormales por ej. Haar wavelet, Daubechies wavelet. 13. Mediante la transformada discreta wavelet es posible generar un anlisis multiresolucin sobre una seal discreta. Un anlisis multiresolucin corresponde a un proceso iterativo de convoluciones entre la seal discreta y coecientes que actan tanto como ltro pasa-bajo y ltro pasabanda de tal manera que la seal discreta es descompuesta obtenindo informacin sobre las caractersticas generales de la seal y sobre las caractersticas del detalle de la seal en forma separada. 14. Al tener una seal discreta con muestras, podremos realizar una descomposicin wavelet en niveles de resolucin, obteniendo as espacios wavelet y un espacio escala. 15. La forma de trabajo de la transformada discreta Wavelet permite una fcil implementacin computacional mediante el diseo de rpidos algoritmos para el clculo de los coecientes. 16. Debido a que los coecientes wavelet son los encargados del detalle de la seal, estos son de valores pequeos. Esto sugiere que pueden eliminarse o hacerse cero los coecientes cercanos a cero y la seal reconstruda no variar mucho, es decir, el error de aproximacin entre la seal reconstruda y la original ser mnimo. Esta sencilla idea ha sido la base sobre la cual wavelet ha encontrado importantes aplicaciones en la compresin de seales y eliminiacin de ruido. 17. Los espacios wavelet se comportan como ltros, pudiendose ver cada espacio como un intervalo de frecuencias, as, se puede implementar un software que entregue un ecualizador grco de bandas, al realizar un anlisis wavelet con descomposiciones.
Bibliografa
[BRA93] BRADLEY, J. BRISLAWN, C. HOPPER, T., The FBI Wavelet/Scalar Quantization Standart for Gray-scale Fingerprint Image Compression, Technical Report LA-UR-93-1659. Los Alamos National Lab. N.M. 1993. [BUR98] BURRUS, C. S., GOPHINATH, R., GUO, H., Introduction to Wavelet and Wavelet Transforms, Prentice Hall, New Jersey, 1998. [CHU97] CHUI, C. K., Wavelets: A Mathematical Tool for Signal Processing, SIAM, Filadela, 1997. [COD92] CODY, M., The Fast Wavelet Transform beyond Fourier Transform, Dr. Dobbs Journal, Abril 1992. [DAV89] DAVIS, H. F., Fourier Series and Orthogonal Functions, Dover Publications Inc., New York, 1989. [DEV91] DEVORE, R., LUCIER, B., Wavelets, In Acta Numerica 1, Univeersidad de Cambridge, 1991, pp. 1-56. [DON92] DONOHO, D. L., De - Noising by Soft - Thresholding, Departamento de Estadstica, Universidad de Stanford, 1992. [EDW91] EDWARDS, T., Discrete Wavelet Transform: Theory and Implementation, Universidad de Stanford, 1991. [GRA95] GRAPS, A., An Introduction to Wavelets, IEEE Computer Society, Vol. 2, No 2, 1995. [HEI99] HEIL, C. E., WALNUT, D. F., Continuous and Discrete Wavelet Transforms, SIAM Review, Vol. 31, No 4, Diciembre 1989, pp. 628 - 666. [KAI94] KAISER, G., A Friendly Guide to Wavelets, Birkhuser, Boston, 1994. [NUM-REC] Numerical Recipes in C: The Art of Scientic Computing, Universidad de Cambridge, 1992 - 1998, pp. 496 - 521. 128
BIBLIOGRAFA
129
[PED99] PEDERSEN, F., Introduction to Joint Time Frequency Analisis, Departamento de Tecnologa y Comunicacin, Universidad de Aulburg, Dinamarca, 1999. [POL96] POLIKAR, R., The Wavelet Tutorial, Centro de Computacin, Universidad Estatal de Iowa, U.S.A, 1996. [POL97] POLIKAR, R.,GREER, M. H.,UDPA, L., KEINERT, F., Multiresolution Wavelet Analysis of ERPs for the Detection of Alzheimers Disease, Proceedings-19th International ConferenceIEEE/EMBS, Chicago, I.L. USA, 1997, pp 1301-1304. [POL99] POLIKAR, R., The Story of Wavelets, Proceedings, IMACS/IEEE, 1999, pp. 5481-5486. [PRO98] PROAKIS, J. G., MANOLAKIS, D. G., Tratamiento Digital de Seales, Prentice Hall, Madrid, 1998. [SAP95] SAPATINAS, T., POWELL, K. J., BAILEY, T. C., KRZANOWSKI, W. J., Application of Wavelets to the pre - processing of Underwater Sounds, Departamento de Estadstica Matemtica e Investigacin Operacional, Universidad de Exeter, Estadstica y Computacin (5), 1995, pp. 265 273. [SAP98] SAPATINAS, T., POWELL, K. J., BAILEY, T. C., KRZANOWSKI, W. J., Signal Detection in Underwater Sound Using Wavelets, Journal of the American Statistical Association, 1998, Vol. 93, No 441, pp. 73 - 83. [STR89] STRANG, G., Wavelets and dilation equations: A brief introduction, SIAM Rev. 31(4), 1989, pp. 614 - 627. [STR93] STRANG, G., Wavelet Transform versus Fourier Transform, American Mathematical Society, Vol. 8, No 2, Abril 1993, pp. 288 - 305. [STR94] STRANG, G., Wavelets, American Scientist, Vol. 82, Abril 1994, pp. 250 - 255. [TAM00] TAMARA, V.,Compresin de seales empleando Wavelet, Tesis de pregrado, Departamento de Matemticas. Universidad de los Andes, Santaf de Bogot, 2000. [TOR97] TORRENCE, C., COMPO, G., A Practical Guide to Wavelet Analysis, American Metereological Society, Vol. 79, No 1, Enero 1998, pp. 61 - 78. [TFT96] AUGER, F., FLANDRIN, P., GONALVS, P., LEMOINE, O., Time Frequency Toolbox Tutorial: for use with Matlab, Centro Nacional de Investigacin Cientca, Francia, 1995 - 1996. [UED95] UEDA, M., LODHA, S., Wavelets: An Elementary Introduction and Examples, Centro de Ingeniera Informtica, Universidad de California, Santa Cruz, Enero 1995.
BIBLIOGRAFA
130
[VID94] VIDAKOVIC, B., MLLER P., Wavelets For Kids, Instituto de Estadstica, Universidad de Duke, 1994. [WAV96] MISITI, M., MISITI, Y., OPPENHEIM, G., POGGI, J. M., Wavelet Toolbox: for use with Matlab, Mathworks, Inc., 1996.
T ESIS :
1. http://www.stats.bris.ac.uk/pub/reports/Wavelets/WavByTop.html
Informacin til sobre procesamiento de seales digitales mediante wavelets, con ejercicios en Matlab.
6. http://www.cosy.sbg.ac.at/uhl/wav.html
Pgina de Brani Vidakovic, Profesor investigador en el campo de wavelets aplicado a problemas de estadstica y limpieza de ruido.
10. http://www.dsp.rice.edu/publications/
Informacin sobre wavelet y Fourier, con tpicos tales como: anlisis de frecuencia, wavelets didicas y ltrado discreto, entre otros.
13. http://www.spd.eee.strath.ac.uk/interact/fourier/fft.html
Lista de direcciones online dedicadas a diferentes aplicaciones que utilizan tanto teora de Fourier como de wavelets.
18. http://www.amara.com/current/wavelet.html
Completa pgina con links a software, libros, papers, dedicados tanto a teora como aplicaciones de wavelets.
19. http://www.mame.syr.edu/faculty/lewalle/tutor/tutor.html
Tutorial de Wavelets.
20. http://sepwww.stanford.edu/public/docs/pvi/toc_html/index.html
Pgina de Ingrid Daubechies, cuyo campo de inters se focaliza en el anlisis tiempo - frecuencia utilizando wavelets.
24. http://www-stat.stanford.edu/donoho/
Pgina de Dave Donoho, cuya principal campo de investigacin es limpieza de ruido utilizando mtodos estadsticos en conjunto con wavelets.
25. http://www.ukc.ac.uk/IMS/statistics/people/T.Sapatinas/
Pgina de Teophanis Sapatinas, cuyas reas de inters son: Teora y aplicacion de wavelets en el anlisis estadstico de seales de tiempo, Utilizacin de wavelets en el procesamiento de seal e
133
imgen. 26. http://www-dsp.rice.edu/harry/ Wavelets y procesamiento digital de seales. 27. http://euclides.uniandes.edu.co/wavelets/ Pgina de la Universidad de los Andes, Colombia, con informacin terica sobre wavelets. 28. http://www.public.iastate.edu/rpolikar/WAVELETS/WTtutorial.html Prctico tutorial wavelet.
135 % % VER subsampleo %************************************************* function y=supsampleo(x) if (nargin == 0) error(Debes ingresar los datos de entrada); end [s1 s2]=size(x); if s1 > s2 x=x end ls=2*length(x)+1; y=zeros(1,ls); y(2:2:ls)=x; %********************************************************************* % Rutina que mantiene parte de un vector. V=keep(S,N) % crea un vector V de longitud N, extrayendo en forma % alternada elementos de ambos extremos del vector S. %********************************************************************** function v=keep(s,n) if (nargin == 0) error(Debes ingresar los datos de entrada); end lsh=length(s)./2; n1=oor(n./2); if mod(n,2)==0 v=s(lsh-n1+1:1:lsh+n1); else v=s(lsh-n1:1:lsh+n1); end %*********************************************************************** % Rutina que realiza el primer nivel de descomposicin % de una seal utilizando el sistema Wavelet Daubeuchies. % SINTAXIS: [ca1 cd1]=analisisdb(X,M), donde X es la seal
136 % de entrada, y M es un entero positivo que especica el % sistema Daubeuchies utilizado. % M puede tomar los siguientes valores: % % % VER sintesisdb %************************************************************************ function [c,d]=analisisdb(x,m) if (nargin == 0) error(Debes ingresar los datos de entrada); end tx=size(x); if tx(1)>1 x=x; end switch m case 1 ltro_escala=[1./sqrt(2) 1./sqrt(2)]; %Filtro Pasabajo de Descomposicin ltro_wavelet=[-1./sqrt(2) 1./sqrt(2)]; %Filtro Pasaalto de Descomposicin case 2 load daub2.dat; s=daub2; ltro_escala=s(1,:); ltro_wavelet=s(2,:); case 3 load daub3.dat; s=daub3; ltro_escala=s(1,:); ltro_wavelet=s(2,:); case 4 load daub4.dat; s=daub4; ltro_escala=s(1,:); ltro_wavelet=s(2,:); case 5 load daub5.dat; s=daub5; ltro_escala=s(1,:); ltro_wavelet=s(2,:); case 6 [1,2,3,4,5,6,7,8]
137 load daub6.dat; s=daub6; ltro_escala=s(1,:); ltro_wavelet=s(2,:); case 7 load daub7.dat; s=daub7; ltro_escala=s(1,:); ltro_wavelet=s(2,:); case 8 load daub8.dat; s=daub8; ltro_escala=s(1,:); ltro_wavelet=s(2,:); otherwise errargt(mlename,argumento no vlido,msg); error(*); end %Clculo de los coecientes de aproximacin c=subsampleo(conv(x,ltro_escala)); %Clculo de los coecientes de detalle d=subsampleo(conv(x,ltro_wavelet)); %************************************************************************ % Rutina que realiza la reconstruccin de la seal % original a partir del primer nivel de descomposicin % de una seal utilizando el sistema Wavelet Daubeuchies. % SINTAXIS: [C D]=sintesisdb(ca,cd,M), donde ca y cd son % los coecientes de aproximacin y detalle respectivamente, % y M es un entero positivo que especica el sistema Daubechies % utilizado para la reconstruccin. % M puede tomar los siguientes valores: % % % VER analisisdb %************************************************************************ function [C,D]=sintesisdb(ca,cd,m) if (nargin == 0) error(Debes ingresar los datos de entrada); end [1,2,3,4,5,6,7,8]
138 %Insercin de ceros entre los coecientes de aproxiamcin (supsampleo) Ctemp=supsampleo(ca); %Insercin de ceros entre los coecientes de detalle (supsampleo) Dtemp=supsampleo(cd); switch m case 1 ltro_escala=[1./sqrt(2) 1./sqrt(2)]; %Filtro Pasabajo de Descomposicin ltro_wavelet=[1./sqrt(2) -1./sqrt(2)]; %Filtro Pasaalto de Descomposicin case 2 load daub2.dat; s=daub2; ltro_escala=s(3,:); ltro_wavelet=s(4,:); case 3 load daub3.dat; s=daub3; ltro_escala=s(3,:); ltro_wavelet=s(4,:); case 4 load daub4.dat; s=daub4; ltro_escala=s(3,:); ltro_wavelet=s(4,:); case 5 load daub5.dat; s=daub5; ltro_escala=s(3,:); ltro_wavelet=s(4,:); case 6 load daub6.dat; s=daub6; ltro_escala=s(3,:); ltro_wavelet=s(4,:); case 7 load daub7.dat; s=daub7; ltro_escala=s(3,:); ltro_wavelet=s(4,:); case 8 load daub8.dat; s=daub8; ltro_escala=s(3,:); ltro_wavelet=s(4,:);
139 otherwise errargt(mlename,argumento no vlido,msg); error(*); end lf=length(ltro_escala); %Reconstruccin de la aproximacin Ctemp=conv(Ctemp,ltro_escala); C=Ctemp(:,lf:1:length(Ctemp)-lf+1); %Reconstruccin del detalle Dtemp=conv(Dtemp,ltro_wavelet); D=Dtemp(:,lf:1:length(Dtemp)-lf+1); %*************************************************************** % Rutina que realiza una descomposicin multinivel % sobre una seal unidimensional utilizando el sis% tema Wavelet Daubechies. % SINTAXIS: [C L]=dbdesc(X,M,N), donde X es la seal de % % % % % entrada, N es el nivel de descomposicin deseado y M es un entero que especica el sistema Daubechies utilizado. M puede tomar los siguientes valores: [1,2,3,4,5,6,7,8]
%**************************************************************** function [c,l]=dbdesc(x,m,n) if (nargin == 0) error(Debes ingresar los datos de entrada); end if ((round(n)-n)=0) error(N debe ser un nmero entero); end tx=size(x); if tx(1)>1 x=x; end c=[]; l=[length(x)]; for i=1:n
140 [x d]=analisisdb(x,m); %Proceso de descomposicin c=[d c]; l=[length(d) l]; end c=[x c]; %Matriz wavelet %********************************************************************** % Rutina que realiza una reconstruccin multinivel % sobre una seal unidimensional utilizando el sis% tema Wavelet Daubechies. % SINTAXIS: S=dbdesc(C,L,M), donde C corresponde a % % % % % la matriz wavelet, L corresponde a los niveles de descomposicin y M es un entero que especica el sistema Daubechies utilizado. M puede tomar los siguientes valores: [1,2,3,4,5,6,7,8] %Guarda las longitudes correspondientes a cada descomposicin
%********************************************************************** function s=dbrec(c,l,m); if (nargin == 0) error(Debes ingresar los datos de entrada); end switch m case 1 ltro_escala=[1./sqrt(2) 1./sqrt(2)]; %Filtro Pasabajo de Descomposicin ltro_wavelet=[1./sqrt(2) -1./sqrt(2)]; %Filtro Pasaalto de Descomposicin case 2 load daub2.dat; s=daub2; ltro_escala=s(3,:); ltro_wavelet=s(4,:); case 3 load daub3.dat; s=daub3; ltro_escala=s(3,:); ltro_wavelet=s(4,:); case 4 load daub4.dat; s=daub4; ltro_escala=s(3,:);
141 ltro_wavelet=s(4,:); case 5 load daub5.dat; s=daub5; ltro_escala=s(3,:); ltro_wavelet=s(4,:); case 6 load daub6.dat; s=daub6; ltro_escala=s(3,:); ltro_wavelet=s(4,:); case 7 load daub7.dat; s=daub7; ltro_escala=s(3,:); ltro_wavelet=s(4,:); case 8 load daub8.dat; s=daub8; ltro_escala=s(3,:); ltro_wavelet=s(4,:); otherwise errargt(mlename,argumento no vlido,msg); error(*); end s=c(1:l(1)); %Coecientes escala de la ltima descomposicin ld=1; for i=1:(length(l)-1) ld=l(i)+ld; % % Reconstruccin de
n 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
142
143 n 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Daubechies 5 1.60102e-001 6.03829e-001 7.24308e-001 1.38428e-001 Daubechies 6 1.11540e-001 4.94623e-001 7.51133e-001 3.15250e-001 Daubechies 7 7.78520e-002 3.96539e-001 7.29132e-001 4.69782e-001 Daubechies 8 5.44158e-002 3.12871e-001 6.75630e-001 5.85354e-001
-2.42294e-001 -2.26264e-001 -1.43906e-001 -1.58291e-002 -3.22448e-002 -1.29766e-001 -2.24036e-001 -2.84015e-001 7.75714e-002 -6.24149e-003 3.33572e-003 9.75016e-002 2.75228e-002 5.53842e-004 4.77725e-003 -1.07730e-003 7.13092e-002 8.06126e-002 4.72484e-004 1.28747e-001
-1.25807e-002 -3.15820e-002 -3.80299e-002 -1.73693e-002 -1.65745e-002 -4.40882e-002 1.25509e-002 4.29577e-004 3.53713e-004 1.39810e-002 8.74609e-003 -3.91740e-004 6.75449e-004 -1.17476e-004
-1.80164e-003 -4.87035e-003