P. 1
anlissi de señales wavelets

anlissi de señales wavelets

|Views: 218|Likes:

More info:

Published by: Ricardo Rodriguez Torres on May 28, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

05/30/2013

pdf

text

original

Procesamiento Digital de Señales Acústicas utilizando Wavelets.

Pablo Faundez, e-mail: pfaundez@fci.uach.cl ,Alvaro Fuentes, e-mail: afuentes@fci.uach.cl Profesor Patrocinante: Pedro Reumay, Instituto de Matemáticas UACH.

Procesamiento Digital de Señales Acústicas utilizando Wavelets.
Pablo Faundez, e-mail: pfaundez@fci.uach.cl ,Alvaro Fuentes, e-mail: afuentes@fci.uach.cl Profesor Patrocinante: Pedro Reumay, Instituto de Matemáticas UACH.

AGRADECIMIENTOS
Esta va dedicada a mi gran amigo Pablo Jimenez, por esas largas noches de conversación en Valdivia, que me ayudaron a comprender las páginas que vienen a continuación.

1

the thesis begins with the relevant mathematicalbackground and a general explanation about the concepts of the Fourier theory (Fourier series. Por último se presenta una aplicación de esta herramienta en la reducción de ruido a través de métodos estadísticos y además se plantea un método acústico o auditivo para el mismo propósito. The mathematical theory of this relatively new digital signal processing tool is developed trough the explanations of it’s properties and using as an example the simplest wavelet system. Finally an application of this tool in de-noising of acoustic signals is presented through statistic methods. the Haar wavelet. Fourier Transform. To aboard this subject in a comprehensible manner. . with a basic knowledge of wavelets. At this point.2 RESUMEN Este trabajo constituye principalmente una introducción a la teoría de wavelets. El marco teórico de esta nueva herramienta se desarrolla explicando las propiedades matemáticas y utilizando como ejemplo la Haar wavelet que corresponde al sistema wavelet más simple. Latter we introduce wavelets as an alternative tool of the Fourier analysis. 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). Ya con un entendimiento básico de wavelets se presenta el análisis multi-resolución dentro del cual se desarrolla la transformada Discreta de Wavelets en conjunto con el desarrollo de algoritmos para la transformada rápida de wavelets. Transformada de Fourier. DFT y FFT. Posteriormente se introduce wavelets como una herramienta alternativa al análisis de Fourier para el procesamiento de señales. ABSTRACT This thesis is mainly an introduction to wavelets theory applied to digital signal processing of acoustics signals. Discrete Fourier transform and Fast Fourier transform). Para poder abordar este tema de una forma más fácil se comienza con una base matemática para luego dar una explicación general de los conceptos sobre las series de Fourier.

3 y comprobar su uso mediante señales obtenidas de forma ficticia y de forma real. Describir las bases para el diseño de algoritmos con el fin de implementar wavelets en ambientes computacionales. 5.3 OBJETIVOS GENERALES 1. 3. 2. Utilizar el proceso de reducción de ruido sobre una señal real con un alto nivel de ruido de fondo e individualizar o aislar la señal deseada. Describir la teoría de wavelets tanto en el dominio continuo como en el dominio discreto teniendo como base la teoría de Fourier. Presentar una aplicación de wavelets orientada a resolver un problema de tipo acústico. Demostrar de manera clara que para ciertos tipos de señales y/o aplicaciones la transformada de wavelets presenta un mejor desempeño que la transformada de Fourier. . Desarrollar de una manera clara y didáctica la teoría matemática de wavelets. 2. 3. Implementar el uso de algoritmos que realicen la transformada Discreta de Wavelets utilizando el Software MATLAB 5. 4. Describir la utilización de wavelets en el proceso de reducción de ruido de alta frecuencia sobre una señal creada en forma artificial. OBJETIVOS ESPECIFICOS 1.

.1 6. . .4 Coeficientes de reconstrucción para la función de escalamiento. . . . .3 6. . 4 . . Coeficientes de reconstrucción para ´Øµ ؾ . .2 6. . . 73 75 81 83 Coeficientes obtenidos para la representación de la señal ؾ con la Haar Wavelet en el espacio ϼ .Índice de Tablas 6. . . . . Coeficientes obtenidos para la representación de la señal ؾ con la Haar Wavelet en el espacio Ͻ . . . . . . . . . . utilizando utilizando la función de escalamiento en ½.

. . . . Representación de una onda cuadrada con Æ datos de entrada . . . .4 3. . . . . . . . . . . . . . . . . . . N=8 y N=16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (b) Función coseno de período T=¾ Expansión de función entre ´Øµ ¼ . . la amplitud de cada onda es lo que representa la transformada de Fourier. . . . . . . . . . . 32 33 34 35 37 39 40 43 44 46 50 51 52 53 53 54 Ø en series de Fourier para N=2. . . . . . . . .2 3. . . . . . . . . . . . . . datos de entrada . Representación tiempo . . . . . . . . (a) Representación de la señal ܽ ´Øµ . . . . .frecuencia con buena resolución en tiempo y mala resolución en frecuencia.5 4.frecuencia con buena resolución en frecuencia y mala resolución en tiempo. . . . . . . . . . Para la obtención de la DFT se realizaron ¼ operaciones de multiplicación. . . 3. . Transformada de Fourier obtenida en el ejemplo.9 (a) Función seno de período T=¾ . . . . . . . . . . . . . . . . . se observa que las amplitudes de ambas componentes han disminuido a la mitad de su valor real . . . . . . . . . . . . Función wavelet correspondiente a la familia Daubechies 4 (ver Apéndice). . . . . . . . . . . . . . . .9 Diferencia tiempo . . . . . . N=4. . . . . . . . .7 3. (b) es impar y de período ¾ . (a) Representación de la señal ܴص . 58 58 4. . . . . (b) Contenido espectral de la señal obtenido mediante la transformada rápida de Fourier . . . . . . . . . .7 Señal ܴص y función tiempo-ventana centrada en . . . . . . . . . . . . . . . .4 4. . . . . . . . .5 3. . . . . . . . . para una escala grande la wavelet ocupa un mayor segmento de la señal y por lo tanto tiene mejor resolución en frecuencia mientras que para una escala más pequeña el intervalo de tiempo bajo el que se analiza la señal es menor. . . 56 4.6 3. . . . . . . (b) Descomposición en series de Fourier. . . . . . . . . .8 Función Wavelet Mexican Hat y Morlet con sus respectivas Transformadas de Fourier (gráficos de la izquierda). . . . . .10 Inversión binaria para una señal con Æ 4. . . . .8 3. . . Se observa como cumplen con la condición de admisibilidad al tener un rápido decaimiento a medida que la frecuencia tiende a ¼. . 5 . . . . . .6 4. . . . . . . . . . . Representación en el tiempo de la función a analizar en el ejemplo. Transformada Discreta de Fourier de la onda cuadrada ilustrada en la figura (1. . (a) Señal original. . . Se observa el proceso de escalamiento y traslación. . . . . . . . . . . . . . . (b) Contenido espectral de la señal obtenido mediante la FFT. . . . . . . . . . . . . .2 4.3 4. . . . . . . . . . . . . . . . . . . . .8). . . . . . . . . . . . . . . . . . . Representación tiempo . . . . . . . lo que implica mayor resolución en tiempo. . . . . . . . . . . . . .3 3. . . . . . . . . . . . . . . . .Índice de Figuras 3. . . . . . .1 4. . . . . . .frecuencia v/s tiempo -escala entre la STFT y la CWT. .1 3. . . . . . (a) es par y de período ¾ . . . . . .

.7 7. . . . . . . . . . . . . . . debido que ´Øµen ½ esta definida en un intervalo de tiempo mas pequeño que en ¼. . . . . . . Ambos procesos se realizan en forma paralela. . . . . . . . . . . . . . . .11 Estructura de una reconstrucción multiresolución. .8 7. . . . . 104 7. Al lado izquierdo vemos la representación de una función mediante el sistema Haar en distintos espacios Î . . . . . . . .6 6. . . . . . . . . . . . . . . . 92 7. . . Reconstrucción Wavelet donde el dos con la flecha hacia arriba representa la operación de supsampleo. . (b) Vector . . . . Espacios anidados generados por la función escala. . . . . ´Øµ 6 67 69 73 76 79 81 83 87 88 88 90 ؾ definida sobre el intervalo [-3. . . . . . . . . . . . . . debido al espacio en que trabajamos. . . . . . . . . . . . . . . . .2 6. . . . . . . . . . . Espacios wavelet. . . .5 Función Haar de escalamiento. . . . . Función wavelet en ϼ como combinación lineal de las funciones escalamiento que expanden ν y μ . . . . . . . . . . . . . . 93 98 101 7. . . De abajo hacia arriba tenemos desde el espacio Ͻ hasta el Ï . .12 Se observa la aplicación del algoritmo sobre una señal de longitud Æ para obtener (a) Los coeficientes de aproximación y (b) los coeficientes wavelet. . . . . . . . . . . . Aproximación de la señal ؾ mediante las función wavelet del espacio ϼ . . . . . . . .1 6.2 Efecto del umbral duro y suave aplicado sobre un conjunto de coeficientes. . . . . . . . usando el sistema Haar. . . . . . .3]. . . . . . . . Representación de la función sin(t). . y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. . . . . . . 108 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (c) Modelo en el dominio análogo. . Observar que ¼ ¾ ½ ¾ ½ ¿ y obtención de los coeficientes que conforman con sólo como número entero. . . . . . . . . . . . 103 7. . En esta figura se presenta una clara mejoría en la resolución de la representación de la función cuadrática. .13 Esquema de reconstrucción a partir de un nivel de descomposición. . . . . . . . . . .DWT. . . . . . Descomposición wavelet donde el dos con la flecha hacia abajo representa la operación de subsampleo. . . .14 La suma de las reconstrucciones obtenidas de los coeficientes escala y wavelet nos entrega la señal original. . En esta figura apreciamos que la aproximación realizada por la función de escalamiento es bastante burda. . . (b) Modelamiento de sampleos digitales mediante la función Haar escala con una longitud de Æ ¾ . . . . . . .ÍNDICE DE FIGURAS 6. . . .3 6. . . 115 . . . . . 110 8.16 Esquema de Reconstrucción.7 7. . . .3 7. . . . . . . . . De abajo hacia arriba tenemos desde el espacio μ hasta el Î . .9 (a) Señal original. . . 104 7.4 7. . . .1 8. . . . . . . . . . 113 Señal que representa un efecto doppler con un nivel de ruido bastante notable (1024 muestras). ؾ en el subespacio Ͻ . . obtenido mediante el sistema Haar en distintos espacios Ï . . . . . . por la función escala en distintos espacios. . . . . . . . . . . y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .15 Análisis multiresolución de el vector . . . . . . . . . . .1 7.2 7. . . . 109 7.DWT obtenido de la descomposición. . .10 (a) Estructura de una descomposición multiresolución. Proyección de una función en diferentes espacios wavelet. . . . .5 6. . . .4 6. . . . . . . . . . . 106 7. . . . 107 7.6 Al lado izquierdo vemos el detalle de una función. . . . . . Representación de la función ´Øµ .

. ¿. . .ÍNDICE DE FIGURAS 8. . . . . . . . . . . . Coeficientes Wavelet obtenidos después de haber sido comparados con el umbral seleccionado (Lado izquierdo). . . . 124 8. . . . . . 125 . . . . . . . . Para una visualización más clara. . . . . . . . . .13 Arriba: Transformada Continua Wavelet de la señal original. . . . . . . . . . . . En azul: mediante ¾. . . . . . . . . . Señal después de haber sido procesada (Abajo). . . . . . . El porcentaje de energía conservado fue de 93. . . . . . . . . . . . . . . . . . . 117 Señal correspondiente a vibraciones de un motor rotatorio (Arriba). .119 Representación del espectro de la señal original y de la señal limpia. . . Ambas representaciones fueron obtenidas utilizando la wavelet Morlet. . . . . . . . . . . . . . . . . . 122 8. . . . . .10 Descomposición de la señal original realizada con la wavelet Daubechies 4. . . . . . Coeficientes obtenidos de- 7 . sólo los primeros 2500 sampleos se graficaron. . . . . . . . . . . . . . .12 Transformada de Fourier de las reconstrucciones de la señal original. . . . Comparación visual entre la señal original y la señal reconstruida. . . . . .9 Descomposición wavelet realizada con la Daubechies 2 (Lado izquierdo). . . . . . . ¿ . . . ¿y ¿. . 118 Coeficientes de descomposición wavelet obtenidos utilizando la Daubechies 4 (lado derecho). . . . . . . . .5 8. . . . 121 8. . Abajo: Transformada Continua Wavelet de la reconstrucción con los espacios ¾. . . . . . . ¿ y . .8 %.4 8. . . . . . . . . . . . . En rojo: mediante los espacios ¾. 120 Señal original. . . . . . . . . . . .3 8. . . . . . 117 spués de haber sido comparados con el umbral (Lado derecho). .6 8.8 8. . . . . . . .11 Descomposición de los coeficientes d4 usando la wavelet Daubechies 6. . . . ¿ y . . . 115 Señal reconstruida utilizando los coeficientes wavelet procesados mediante umbral suave. . 123 8. . . . .7 8. . . .

. 5 Sistemas Wavelet. . . . . . . . . . . . . Cálculo de los coeficientes . . . . .1 Resolución Tiempo . . . . . . .5 Introducción . . . . . . . . . . . . . La Transformada de Fourier . 3. . . . . . .1 4. . . FFT de diezmado de frecuencia .4 3. . . . . . . .5. . . . . . . . . . . . . . . . . . . . . . . . . . .1 3. . . . . . . . . . .2 Características de sistemas wavelet . . . .Índice General 1 Introducción 2 Base Matemática. . . Transformada Discreta de Fourier (DFT) . . . . . Espacios con producto interno . . .1 3. . . . Transformada Continua Wavelet (CWT) . . . 5. . . . . . . . . . . . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 3. . . . . . .2 FFT de diezmado de tiempo . . . . . .1 Sistemas wavelet de primera generación . . . . . . . . . . . . . . . . .1 4. . . . . . . . . . . . . . . . . Transformada rápida de Fourier (FFT) . . . . . . . . . . 8 . . . . . . . . . . . . . . . . . . . . . . . . . .1 5. . .3 2. . . . . . . . .1. . . . .1 2. . . . . . . . . . . . Espacios Vectoriales de Dimensión Infinita .5. . . . . . . . . . . . . . . . . . . . . . . . . .1. . .3. . . . . . . . . .2 La Transformada corta de Fourier (STFT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Frecuencia 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. . . 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 Teoría de Fourier 3. . . . . . . . . . . . 4 Analisis Tiempo . . . . . . . . . . . . . . . . . . . . . .4 Espacios vectoriales de dimensión finita . . . . . . . Series de Fourier . . . . .2. 5. . .1 3. . . . .1. . . . . .2 2. . .Frecuencia . . . . . . . . 4. . . . . . . . . . . . . . . . . . . . . .2 3. . . . . . . . . . . . . . . . . . . . . .1 Series de Seno y Coseno . . . . . . . .2. . . . . . Función escala . . . . . . . . Variables de escala y traslación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 8. .2. .1. .3 7. . . . .1 Relación ortogonalidad y normalidad . .3. 6 Wavelet Haar 6. . . .2 Compresión de Audio . . . 6. . . . .1 8. . . . . . . . . . .1 Compresión de Imágen . . . . . 111 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 8. . .1. .1 7. . . . . . . . . . . . . . .4 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 8. . . . . .ÍNDICE GENERAL 5. . . . . 111 Compresión . . . . . . . . .2. . . . . . .1. . . . . . . . . . . . . . . . . . . Transformada rápida Wavelet (FWT) y banco de filtros .Síntesis . . . . . . . .4 Representación de señales . . . . . . . . . . .2 8. . .3. . . . . .3. . . . . . . . . . . . . . . . . . . . .2 Tratamiento de señales reales obtenidas al aire libre. . . .1 Relación ortogonalidad y normalidad . . . . .3 Características de una función escala. . . . . . . . . . . . . . . . . . . . . . 113 8. . . . . . . . . . . . . . . . .1 Biomedicina . . . . . . . . . . . . . . . . . . . . . .2 7. . . . . .3 Principios de Multi-Resolución . .3.3. . . . . . . 6. . . 126 131 134 142 A Referencias Internet B Rutinas programadas en MATLAB A Wavelet Daubechies . . 116 8. . . . . .3. . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 Desarrollo Experimental con señales reales . . . . . . . Descomposición de señales unidimensionales (Análisis) . . . . . 102 8 Aplicaciones 111 8.1 7. . . . . . . . . . . 113 Desarrollo experimental con datos ficticios . .2. .1. . . . . . . . . . . . . .3 Criterios de umbral . . . . . . . . . . .3. . . . . . .1 Análisis de transientes . . . . . . . . . . . . . . . . .1 Tratamiento de señales reales obtenidas de las vibraciones de un motor116 8. . . . . Transformada Discreta Wavelet (DWT) . .3. . . . . . . . . .2. . . . . . . . 101 Múltiples Niveles Análisis . . . . . . . . . . . . . . . . 7. . . .1 Función Haar Escala . Reconstrucción de señales unidimensionales (Síntesis) . . . . . . . . . . . . . 6. . . . . .1 5. . 7 Análisis Multi-Resolución 7. 112 Limpieza de Ruido . . . . . 112 8. . . . . . . . . . . . . . . . 9 62 65 67 67 75 78 82 85 85 91 97 97 98 Función Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 7. . 119 8. . . . . . . . . . . .2 Función Haar Wavelet . . .

Capítulo 1 Introducción A fines del siglo XIX comenzaba a gestarse el inicio de la teoría matemática que posteriormente sería utilizada en el procesamiento digital de señales. Este postulado siguió evolucionando hasta los días de hoy donde la teoría de Fourier. Estas funciones tienen ciertas características como su suavidad (término utilizado para describir funciones que no poseen pendientes abruptas o discontinuidades). no son analizadas a fondo mediante la transformada de Fourier. las cuales son seno y coseno. análisis espectral de una señal en el tiempo. lo que hace que esta transformada sea extremadamente útil en el análisis de fenómenos periódicos. debido a ciertas limitaciones de este análisis en el campo tiempo . entre otras. Un matemático francés llamado Joseph Fourier establecía que una señal o función podía ser representada como la suma. De acuerdo con esto la transformada de Fourier utiliza dos funciones bases. para poder expandir o representar una señal o función en términos de ellas. no son localizables en el tiempo (su dominio es de [-½ ½]). representación individual de una frecuencia. Desde un punto de vista más ingenieril o físico la transformada de Fourier puede ser descrita como un fenómeno físico más que como una herramienta matemática. Es en estos términos de análisis Û ÚÐØ donde entra en juego una nueva herramienta matemática llamada Û Ú Ð Ø o Ì Ö Ò× ÓÖÑ La transformada wavelet es el resultado de un gran número de investigaciones y constituye una 10 . Sin embargo. ciertas señales cuya amplitud varía en forma rápida y abrupta en el tiempo o señales cuyo contenido de frecuencia es variable de un instante de tiempo a otro. acústica y muchos otros.frecuencia. óptica. más conocida como la transformada de Fourier. electrónica. posiblemente infinita. que corresponden a tópicos de gran importancia en el campo de la Ingeniería Acústica. astronomía. es ampliamente utilizada en la resolución de problemas científicos e ingenieriles en diferentes campos tales como física cuántica. Las señales pueden ser interpretadas como una combinación lineal de ondas harmónicas o tonos puros por lo que se observa de una manera casi intuitiva que la señal en un instante de tiempo es reemplazada por la suma de varios tonos puros. las cuales son más conocidas como señales no estacionarias. de series de senos y cosenos (o en forma equivalente como exponenciales complejas). de tiempo invariante o estacionarios.

representar en forma eficiente señales con variaciones de peak abruptos. lo que traducido al lenguaje del procesamiento de señales. óptica. Grossmann. A. 15. detección de terremotos. Morlet utilizó un sistema basado en una función prototipo. 1 . Descompostion of Hardy functions into square Integrable wavelets of constant shape. compresión de imágenes. Inicialmente un geofísico francés llamado Jean Morlet1 [STR89] [TOR98] investigaba un método para modelar la propagación del sonido a través de la corteza terrestre. neurofisiología. corresponde a funciones o señales cuyo contenido energético es finito. resonancia magnética. que cumpliendo ciertos requerimientos matemáticos y mediante dos procesos denominados dilatación o escalamiento y translación. La simplicidad y elegancia de esta nueva herramienta matemática fue reconocida por un matemático francés llamado Yves Meyer [HEI99] [STR89] [DEV91] quien descubrió que las wavelets formaban bases ortonormales de espacios ocupados por funciones cuyo cuadrado es integrable. análisis tiempo . ingenieros e investigadores comenzaron a utilizar la transformada de wavelet para aplicaciones en diferentes campos tales como astronomía. Estos tópicos constituyen el foco principal del desarrollo de esta tesis. Como alternativa a la transformada de Fourier. que visto desde una perspectiva del análisis o procesamiento de señal puede ser considerada como una herramienta matemática para la representación y segmentación de señales. etc. la cual pretende entregar una visión teórica y práctica del uso de esta herramienta en el plano general del procesamiento digital de señales y de como puede resultar de utilidad en la resolución de problemas relacionados con el campo de la Acústica. ingeniería nuclear. En este momento ocurrió una pequeña explosión de actividad en este área. Annual. reconocimiento de voz.. radar. formaba un set de bases que permitían representar las señales de propagación con la misma robustez y versatilidad que la transformada de Fourier. J. analizar señales no estacionarias permitiéndonos saber el contenido en frecuencia de una señal y cuando estas componentes de frecuencia se encuentran presentes en la señal.11 técnica de análisis reciente. 1986. pp. SIAM Journal Math. El término Û Ú Ð Ø se define como una “pequeña onda” o función localizable en el tiempo. Morlet. visión humana.. y fácil implementación de rápidos algoritmos computacionales. 723-736.frecuencia. Las características propias de la transformada wavelet nos otorgan la posibilidad de representar señales en diferentes niveles de resolución. acústica. pero sin sus limitaciones.

En este capítulo se definirán algunos objetos matematicos necesarios para la sustentación de la definición de las funciones wavelet como base de los espacios de funciones lineales de cuadrado integrable ľ ´ µ 2. Definición 1. 2. por conveniencia. satisface: (a) Ü · Ý Ý · Ü 3. Espacio vectorial. Î tal que ´Ü Ý µ Ü · Ý . tal que Ü · ¼ ¼ · Ü Ü.Capítulo 2 Base Matemática. 12 . un cuerpo à de escalares. una operación binaria · Î ¢ Î (b) Ü · ´Ý · Þ µ ´Ü · ݵ · Þ (c) existe un único vector ¼ ¾ Î . que satisfacen ciertas propiedades especiales. pues existe una gran variedad de objetos que pueden ser vectores y que no se asemejan mucho al concepto que se tiene de Ú ØÓÖ .1 Espacios vectoriales de dimensión finita Un espacio vectorial es un objeto compuesto que consta un cuerpo à y de un conjunto de “vectores” Î . En esta sección se definirán algunos objetos concernientes a espacios vectoriales. El origen de este nombre proviene del ejemplo 1. Un espacio vectorial consta de lo siguiente: 1. un conjunto Î de objetos llamados vectores. existe un único vector  Ü ¾ Î . El mismo conjunto de vectores puede ser parte de distintos espacios vectoriales. llamado vector nulo. tal que Ü · ´ Üµ ¼. El nombre ”vector” se da a los elementos del conjunto Î . Ü ¾ Î (d) para cada vector Ü ¾ Î . con dos operaciones binarias ´·µ y ´¯µ.

13 à ¢ Î Î tal que ´« ܵ «Ü. que Ü. Ñ ¢ Ò Ã Ñ¢Ò .1. y sean Ñ y Ò enteros positivos. y sea Î el conjunto de todos los ÝÒ µ con Ý ¾ à . Sea à cualquier cuerpo. La suma de dos vectores y de Î es el vector · Ë Ã definida por ´ · µ´×µ El producto del escalar y el vector ´×µ · ´×µ definida por es la función ´ µ´×µ ´×µ . El espacio de n-tuples. La suma de dos Ejemplo 2. y sea Ë cualquier conjunto no vacio. Ü ¾ Î (ii) ´«¬ µÜ «´¬Üµ (iii) «´Ü · Ý µ «Ü · «Ý (iv) ´« · ¬ µÜ Ejemplo 1. Ã Ò Sea à cualquier cuerpo. Sea Ñ¢Ò el conjunto de todas las matrices Ñ ¢ Ò sobre el cuerpo à . Sea à cualquier cuerpo. Sea Î el conjunto de todas las funciones Ë Ã . El espacio de matrices y en Ñ Ò vectores ¢ se define por ´ · µ El producto de un escalar y del vector · se define por ´ µ Ejemplo 3. la suma de n-tuples Ü ´Ü½ ܾ Ü¿ ÜÒ µ de escalares Ü ¾ à . El espacio de funciones de un conjunto en un cuerpo. ESPACIOS VECTORIALES DE DIMENSIÓN FINITA 4. llamada multiplicación escalar.2. una operación externa ¯ satisface: (i) ½Ü «Ü · ¬Ü. Si Ý ´Ý½ ݾ Ý¿ Ü e Ý se define por Ü·Ý ´Ü · Ý Ü · Ý ½ ½ ¾ ¾ ÜÒ · ÝÒ µ El producto de un escalar y el vector Ü se define por Ü ´Ü Ü ½ ¾ ÜÒ µ à se prueban Uasndo las propiedades de la adición y multipicación escalar de los elementos de fácilmente las propiedades de espacio vectorial.

Una matriz cuadrada Ò ¢ Ò. entonces será un espacio vectorial (con las propiedades heredadas de Î ). ESPACIOS VECTORIALES DE DIMENSIÓN FINITA Definición 2. tiene la forma ¼ Ejemplo 6. Sea Î un espacio vectorial sobre el cuerpo à .Ï es un subespacio de Î ¸ Ü Ý ¾ Ï y ¾ à . sobre el cuerpo à es simétrica si para todo . Combinación lineal. Una (o autoadjunta) si Ü  del espacio de todas las matrices Ò ¢ Ò sobre Ò Þ Ü· Ý Ý Û . El subconjunto subespacio nulo de Î .w. Una matriz . .   ¼ Ó que consta sólo del vector nulo es un subespacio de Î . El conjunto de todas las matrices Hermíticas no es un subespacio Ejemplo 7. El espacio de las funciones polinomios sobre el cuerpo à es un subespacio del espacio en . A veces se prefiere usar la propiedad Ejemplo 4.2.y. son números reales. lo que es sólo diferente. y sólo si. Ü · Ý como definición de un subespacio. cuadrada Ò ¢ Ò.1. es él mismo un espacio vectorial sobre à . el vector Ü · Ý ¾ Ï . ½ donde x. sobre el cuerpo de los números complejos es Hermítica para todo . Un vector 14 Ú½ ÚÒ ¾ Î . Lo importante es que si Ï contiene todos los Ü · Ý . si existen escalares ½ Ò ¾ à tales que · · Ò ÚÒ Ú ¾Î se dice combinación lineal de los vectores Ú ½ ½ Ú Ò ½ Ú Definición 3. Teorema 1. Ï Î .z. llamado Teorema 2. La intersección de cualquier colección de subespacios de Î es un subespacio de Î . Las matrices simétricas forman un subespacio del espacio de las matrices Ò ¢ Ò sobre à . donde el super-rayado indica conjugación compleja. de todas las funciones de Ejemplo 5. Sea Î un espacio vectorial sobre el cuerpo à . Subespacio de un espacio vectorial. matriz ¾ ¢ ¾ es Hermítica si. Î que con las operaciones de adición vectorial y multiUn subespacio de Î es un subconjunto Ï plicación escalar sobre Î .

y ´«Ü · ݵ ÈÑ ½ ´« µÜ · ÈÒ ½ Ý ¾ Ä. Como cada Ï es un subespacio. µ una colección de subespacios de Î . Sea Ï El subespacio generado por un subconjunto Ë no vacio de un espacio vectorial Î es el Ë el subespacio generado por Ë . entonces Definición 6. Por otra parte Ë Ä y Ä es no vacio. Como consecuencia de esta definición se tiene que: ¯ ¯ Todo conjunto que contiene el vector no nulo es linealmente dependiente. Sea ´Ï 15 Ï . entonces Ï contiene toda la combi· Ñ ÜÑ . Definición 4. ESPACIOS VECTORIALES DE DIMENSIÓN FINITA Demostración. tales que ½ ܽ · ¾ ܾ · · Ò ÜÒ Ü½ ܾ ¼. dependiente si existen vectores distintos nulos. Así Ï contiene el conjunto nación lineal de vectores de Ë . Ï tal que Ë Ï . El subespacio generado por Ë se define como la intersección Ï de todos los subespacios de Î que contienen a Ë . que genera el espacio Î . También cada Ï contiene ´ Ü · Ý µ lo que implica que ´ Ü · Ý µ ¾ Ï . no todos Un conjunto que no es linealmente dependiente se dice linealmente independiente.1. de la forma Ü ½ ܽ · ¾ ܾ · Ä de todas las combinaciones lineales de vectores de Ë . Subespacio generado. un conjunto de vectores linealmente independientes de Î . El espacio Î es de dimensión finita si tiene una base finita.2. Base de un espacio vectorial. ÜÒ de Ë y escalares Ë ½ ¾ Î se dice linealmente Ò de à . Por lo tanto Ë Ä Ï µ Ä Definición 5.i. Por el Teorema 1 Ï es un subespacio de Î . y sea Ï Teorema 3.i ¸ ØÓ Ó subconjunto finito de Ë es l. Dependencia lineal. Un conjunto Ë es l. conjunto de todas las combinaciones lineales de los vectores de Ë . Sea Ë un conjunto de vectores de un espacio vectorial Î . cada uno contiene el vector nulo. Demostración. Teorema 4. Sea Î un espacio vectorial sobre à . luego Ï . Si Ͻ y Ͼ son subespacios de dimensión finita de un espacio vectorial. Si Ü e Ý ¾ Ä entonces Ý ½ ݽ · · ÒÝÒ. Sea Î un espacio vectorial sobre à . Una base de Î es ÑϽ · ÑϾ ѴϽ Ͼ µ · ѴϽ · Ͼ µ .

El espacio nulo de Ì es el vectoriales sobre el cuerpo à y sea Ì Î Ejemplo 9. el rango de Ì es la dimensión de la imágen de Ì . Si Î es de dimensión finita. µ ´Øµ Ø define un funcional lineal Ä en ´ µ. Sea Entonces y sea ´ µ el espacio de las funciones reales continuas sobre Ä´ . Si formación lineal. Sea Ò ¾ y à un cuerpo. Sea Sea lineal. Entonces Ì es una transformación lineal. Teorema 5. Se define Ì Î conjunto de todos los vectores Ü de Î tal que Ì Ü ¼. Entonces es una transformación La función Ì es continua y tiene primera derivada continua. Definición 8. Ejemplo 11. ESPACIOS VECTORIALES DE DIMENSIÓN FINITA 16 Definición 7. . Transformación lineal.1. de en . Î Ã un cuerpo y sea Î el espacio vectorial de las funciones polinomios de grado . y la nulidad de Ì es la dimensión del espacio nulo de Ì . Sean Î y Ï dos espacios vectoriales sobre el cuerpo à y sea Ì Î ½. Si ÑÎ vectorial sobre el cuerpo à . Sean Î y Ï dos espacios Ï una transformación lineal. Sean Î y Ï dos espacios vectoriales sobre el cuerpo à . Espacio nulo y rango de una transformación lineal. La linealidad de las integraciones es una de sus propiedades fundamentales. entonces Ö Ò Ó´Ì µ · ÒÙÐ ´Ì µ ÑÎ . una transformación lineal Ejemplo 10. Sea el cuerpo de los números reales y sea Î el espacio de todas las funciones continuas Ê Î por ´Ì µ´Üµ ¼Ü ´Øµ Ø . Si Î Î es un espacio à se llama función lineal sobre Î . es el escalar Ï una trans- ¾ Ã Ò¢Ò la traza de ½½ ØÖ · ¾¾ · · ÒÒ La función traza es un funcional en el espacio de las matrices Ã Ò¢Ò . Î definida por ´ µ´Üµ ½ · ¾ ¾ Ü · · Ü  ½ . Una función Ì Î Ï es una transformación lineal si Ì ´ Ü · ݵ ´Ì ܵ · Ì Ý Ý ¾ Î Ý ¾ à Ejemplo 8.2.

Entonces existe una única base dual ¬ £ ½ funcional lineal sobre Î se tiene Ò ½ Sea ¬ Si Î es de dimensión finita Ú½ Ú¾ ÑÎ £ ÑÎ . ÑÎ ¾ Ò y sea ¬ Ú½ Ú¾ ÚÒ una base de £ tal que ´Ú µ Æ . Sea Î ´Ã µ un espacio vectorial con Î .2. entonces es precisamente la función que asigna a cada vector coordenada de Ú respecto a la base ordenada ¬ . un espacio vectorial. Se designa este espacio por Î £ y se llama espacio Σ Ä´Î Ã µ ÚÒ una base de Î . naturalmente.i. tal que ´Ú µ Æ . . Esta base se llama base dual de ¬ . Ejemplo 12. ESPACIOS VECTORIALES DE DIMENSIÓN FINITA 17 Si Î es un espacio vectorial. Estos funcionales son l. La base Ô½ Ô¾ Ô¿ de Î tal que Ľ ľ Ä¿ es su dual debe satisfacer Ä ´Ô µ Estas funciones polinomios son Ô ´Ø µ Æ . una base de Î Teorema 6. el conjunto de los funcionales lineales sobre Î forman.i. deben ser tales que ¬ £ ½ ¾ Ò es £ . Este es el espacio dual del espacio Î : Ä´Î Ã µ. Sea Î el espacio vectorial de todas las funciones polinomios de ¾Î ½ ¾ Ò la i-ésima ¾. Para cada existe un funcional lineal único en Î . Estos funcionales son l. Sean Ø Ø Ø ½ ¾ en que tienen grado ¿ tres números reales distintos arbitrarios. y como ÑÎ ¿. De esta forma se obtiene de ¬ un conjunto de Ò funcionales lineales distintos ½ ¾ Ò sobre Î . y sea Ä ´Ôµ Ô´Ø µ Entonces Ľ ľ Ä¿ son funcionales lineales sobre Î . estos forman una base de Î £ .1. Para cada Ò de Î ´Ú µ y para cada vector Ú ¾ Î se tiene Ú Ò ½ ´ÚµÚ Ú Esta ecuación dice que si ¬ Ú½ Ú¾ ÚÒ es una base ordenada de Î y ¬ £ es la base dual. y como ÑÎ £ Ò.

Observemos que 3. se define el producto Ì 2. y en términos de tal producto se puede también definir longitud y ángulo. Sea A las transformaciones lineales de Î en Î se les llama frecuentemente operadores lineales en Î . Un producto interno sobre Î es una función que asigna a cada Definición 9. La noción general de ángulo se restringirá al concepto de ortogonalidad de vectores.2 Espacios con producto interno Un producto interno sobre un espacio vectorial es una función con propiedades similares a las del producto escalar en ¿ . donde Ü varía en Ò con Ü ½. de tal modo que Ü Ý ¾ Î y tenemos: (a) Ü · Ý Þ ÜÞ · ÝÞ. ´Ì ܵ Ü ¾ Ì no es necesariamente igual. Definiciones: 1. se dice que Ì es regular o invertible.2. . Para Ì ¾ Ä´ Ò Ñ µ se define la norma Ì Ü . Además. Si Ì ´Ì· µ´Üµ Ì ´Üµ · Ä´ en el ´Üµ Ü ¾ µ. ¾ Ò . incluso cuando Entonces ¾ Ä´ µ.2. Obsérvese que la desigualdad Ì de Ì como el extremo superior de todos los números ÌÜ Ü Ü¾ ÌÜ Ò . ESPACIOS CON PRODUCTO INTERNO 18 Ô½ ´Üµ ´Ü   Ø µ´Ü   Ø µ ´Ø   Ø µ´Ø   Ø µ ¾ ¾ ¿ ½ ½ ¿ Ô¾ ´Üµ ´Ü   Ø µ´Ü   Ø µ ´Ø   Ø µ´Ø   Ø µ ½ ½ ¿ ¾ ¾ ¿ Ô¿ ´Üµ ´Ü   Ø µ´Ü   Ø µ ´Ø   Ø µ´Ø   Ø µ ½ ½ ¾ ¿ ¿ ¾ Si Ì es un operador lineal en Î tal que: (i) es uno a uno y (ii) aplica Î sobre Î . Ó y Î ´Ã µ. se define Ì · por espacio vectorial . En este caso Ì  ½ es lineal y Ì ´Ì  ½ µ´Üµ Ì  ½ ´Ì ´Üµµ Ü. si es tal que 2. Si por son espacios vectoriales. entonces Ì Ì Ü se cumple para todo Ü . si Ì ¾ Ä´ µ y ¾ Ä´ ´ Ì µÜ Ì . Sea à ¾Ã par ordenado de vectores Ü Ý de Î un escalar Ü Ý de à . µ el conjunto de todas las transformaciones lineales del espacio vectorial ¾ Ä´ µ y son escalares.

MV es isomorfo a Ã Ò .2. La se representa primero la norma o longitud de Ü respecto al producto interno por Ü forma cuadrática determinada por el producto es la función que asigna a cada vector Ü el escalar Por las propiedades del producto interno se sigue: Ü ¾. Es útil saber que un producto interno sobre un espacio vectorial. 1. ¼ si Ü ¼ . ¼ Ø ½. está determinado por otra función.2. Sea Î el espacio vectorial de las funciones continuas de valor complejo en el intervalo unitario. donde el super-rayado denota conjugación compleja. la conjugación compleja no se acciona. donde £ . Además. Ò ½ ÜÝ ÜÝ £ ÜÝ ÈÒ ½ ÜÝ. Sea . ÜÝ Obsérvese que (a). este producto interno se puede expresar mediante transpuesta conjugada la función traza ØÖ´ £µ ØÖ´ £ µ 3. el espacio de las matrices Ò ¢ Ò sobre à . real o complejo. En Ã Ò se define el producto interno canónico sobre Ü · ÜÞ. (b) y (c) implican: (e) Ü Ý · Þ Es claro que si à Ejemplo 13. Ü Ý . luego È define un producto interno sobre Î . la llamada forma cuadrada determinada por el producto interno. En Î se define el producto interno ½ ¼ ´Øµ ´Øµ Ø En el espacio de funciones reales se omite la conjugación. Para definirla Õ Ü Ü . ¾ Î Ã Ò¢Ò . ESPACIOS CON PRODUCTO INTERNO 19 ÜÝ (c) Ý Ü (d) Ü Ü (b) ÜÝ. Ü¦Ý En el caso real ¾ Ü ¾ ¦ ¾Ê Ü Ý · Ý ¾ ¾ ÜÝ ¾ ÜÝ ½ Ü·Ý   ½ Ü Ý . si se introduce la matriz £ . ´Ü Ü ½ ¾ ÜÒ µ e Ý ´Ý Ý ½ ¾ ÝÒ µ por ÜÝ Cuando à 2.

2. ¼ Î Ü ½ con el producto interno ´ ¼ ½ µ. ¼ . 1.2. Un conjunto ortonormal es un conjunto ortogonal Ë tal que Ü Ejemplo 14. Ü Ý¾Î y ¾ à tenemos: Ü Ü ÜÝ Ü·Ý Ü . Definición 10. 3. para Ü ¼. Un espacio producto interno real de dimensión finita se llama espacio euclideano. 3. Un espacio con producto interno complejo se llama espacio unitario. ESPACIOS CON PRODUCTO INTERNO En el caso complejo 20 ÜÝ ½ Ü·Ý   ½ Ü Ý · ¾ ¾ Ü· Ý ¾   Ü  Ý ¾ Estas igualdades se llaman identidades de polarización. Si Î es un espacio producto interno. entonces 1. Teorema 7.2. El vector cero es ortogonal a todo vector de Î y es el único vector con esa propiedad. Entonces Ü es ortogonal a Ý si ÜÝ ¼. Si Ë Î es un conjunto de vectores. 4. Sea Ò Definición 11. 2. Ü Ý . y se dirá que Ü e Ý son ortogonales. La base canónica en co (pic). Espacio producto interno. se dice que ½ Ü¾Ë o Ò es un conjunto ortonormal con respecto al producto interno canóni- Ý µ es ortogonal a ´ Ý ܵ con respecto al pic en ¾ . Ë es un conjunto ortogonal siempre que todos los pares distintos de Ë sean ortogonales. espacio de funciones continuas de valor complejo o real en el intervalo ½ ¼ ´Üµ ´Üµ Ü . El vector ´Ü 4. Sea Î un espacio producto interno y sean Ü Ý ¾ Î . Es un espacio real o complejo junto con un producto interno definido en ese espacio. (Desigualdad de Cauchy-Schwarz) Ü · Ý .

La aproximación ha de encontrarse en el plano que pasa por el origen y está determinado por los vectores Ù½ y Ù¾ . El problema de aproximación tiene una importante significación en espacios de dimensión infinita. se obtiene tomando es directa. un par de vectores ortogonales unitarios en ¿ .2. y la mejor la aproximación aproximación Ý es la que minimiza el error.2. Ü Ù . Esta distancia Ü   Ý se minimiza tomando como aproximación Ý . Sean Ù½ Ù¾ . entonces 5. y con estos se prueba la desigualdad de Schwarz 7. Esta es la raíz del error cuadrático. En el caso complejo se pueden formar combinaciones de la forma obteniéndose un nuevo conjunto ortonormal Ë que consta de todas las funciones Ò ´Üµ ¾ ÒÜ Ò ¦½ ¦¾ son ortogonales. entonces el conjunto de funciones ½ ½ Ô ´ Ò · Òµ Ò ½ ¾ ¿ ¾ es un conjunto infinito ortonormal. Tomamos como error de ½ Ü Ý Ü   Ý Ü   Ý ¾ . sin embargo tiene un sencillo significado en espacios finito dimensionales. Por tanto la mejor aproximación Ý . ESPACIOS CON PRODUCTO INTERNO Si Ò 21 ½ ½ ¾ ¾ ´Üµ Ô Ô ¾ Ó×´¾ Òܵ y Ҵܵ ¾× Ò´¾ Òܵ. Si ¾ · · · · · ¾ · ¾ son vectores cualesquiera con ¼.i. La extensión de este resultado a cualquier espacio vectorial Î Teorema 8. y sea Ü ¾ ¿ otro vector cualquiera. Un conjunto ortogonal de vectores no nulos es l. Queremos aproxi- marlos a Ü por una combinación lineal Ý ½ Ù½ · ¾ Ù¾ . El número real ½ ¾ es la norma de . la proyección ortogonal de Ü sobre el plano. [DET75] . Si · 6. entonces   es ortogonal a . Demostración.

y entonces ´Ü · Ý µ y ¾ ܾ · Ý ¾ · ¾Ü Ý ½ ½ ´Ü · Ý µ ¾ ¾ ½ ½ ܾ · ¾ ½ ½ ݾ ½ La verificación de los otros axiomas se hace por cálculo directo.3. al espacio de sucesiones infinitas de números reales. el espacio de n-tuples de números reales. ESPACIOS VECTORIALES DE DIMENSIÓN INFINITA 22 2. Como se ha impuesto una restricción. Si Ü ´Ü½ ܾ µ e Ý ´Ý½ ݾ µ son sucesiones infinitas de números reales . El conjunto de estas sucesiones forma un espacio vectorial con la adición y multiplicación por un escalar conocidas. Sólo verificaremos cerradura de la suma. tenemos que ܾ · Ý ¾ . es necesario las sucesiones a aquellas tales que ½ ½ ܾ verificar los axiomas de espacio vectorial. Para el producto interno tenemos . para asegurar la convergencia restringiremos È ½. Si ½ ½ ܾ ½ ¾ ½ y ½ ݾ ½ . Deseamos definir el producto interno Ò ÜÝ Ü½ ݽ · ܾ ݾ · ½ ½ ÜÝ y por tanto la norma es de la siguiente forma Ü ½ ½ Ü ¾ ½ ¾ Como ahora estamos tratando con sucesiones infinitas. Pretendemos tener un producto interno en espacio.2. luego tenemos que restringir las sucesiones en alguna forma.3 Espacios Vectoriales de Dimensión Infinita Una de las formas más fáciles de obtener un espacio vectorial de dimensión infinita es prolongando . consideremos ¼ ´Ü   Ý µ ¾ ÜÝ Ü¾ · Ý ¾   ¾ Ü Ý . diremos que Ü Ý si Ü Ý ¾ .

Si ÜÒ ½ ½ es una sucesión de Cauchy si Ò Î es un espacio de dimensión infinita con su norma. Esta es una serie infinita de vectores. Definición 11. ESPACIOS VECTORIALES DE DIMENSIÓN INFINITA que 23 ÜÝ y entonces ½ Ü ·Ý ¾ ¾ ¾ ½ ½ ÜÝ ½ ¾ ½ ½ ½ ½ ܾ · ½ ¾ ½ ½ ݾ lo que muestra que ÜÝ converge absolutamente. Consideremos el conjunto infinito de vectores ´ È µ. Si Î es un espacio de dimensión infinita con un producto interno. Entonces ½ ½½ ¾ ÜÒ   Ü puesto que la serie ½ Ò·½ Ü ¾ ¼ Ù Ò ÓÒ ½ ½ ½ ܾ converge.2. entonces es una base ortonormal si: 1. así que debemos definir lo que entendemos por convergencia de una de tales series. Así mostramos que el conjunto de sucesiones es un espacio vectorial real con producto interno.3. una sucesión de vectores Ð Ñ ÜÒ   ÜÑ ¼ ÒÑ ½ . la serie ½ Ü Ú converge a Ü ½ Definición 12. tenemos que Ü È ½ Ü ½ . Ú½ Ú¾ Ú Ú È Æ . 2. Sea ÜÒ el vector de la suma parcial ÜÒ ¼ ½ Ü . donde Ü Ü Ú es la coordenada de Ü respecto a Ú . con ½¾ Ü ¾ Î . Las cinco propiedades del producto interno son fáciles de verificar.

en general. Ejemplo 15. µ ÜÒ ½ ½ Ò È ½ ܾ ½ ½ . entonces la sucesión es una sucesión de Cauchy.3. Un espacio vectorial normado y completo se llama espacio de Banach. Los espacios en que toda sucesión de Cauchy converge a un vector en el espacio se llaman espacios completos. Teorema 11. o en otra forma. Encontrar un conjunto de polinomios ortonormales en ½  ½ ½ . ESPACIOS VECTORIALES DE DIMENSIÓN INFINITA . si 24 ¯ ¼ Æ Ø Ð ÕÙ ÜÒ   ÜÑ ¯ Ù Ò ÓÒ Ñ Æ Teorema 10. Demostración.2. El producto escalar es  ½ Solución. ½ [DET74] En espacios de dimensión infinita. se pueden encontrar infinitos conjuntos de funciones ortonormales. ´Üµ ´Üµ Ü ½ Comenzamos con una función constante ½ ´Üµ . Si una sucesión de vectores ÜÒ ½ ½ Ò converge a Ü en Î . Si la norma es derivada de un producto interno. Sea Î ´Ã µ con ÑÎ ½ con una norma. ½  ½ y considerando que ½ ½ ´Üµ ´Üµ Ü ¼ µ ¾ ¾  ½ Ü· Ô ¾ ¼ Ô ¾ ¼ ¼ en  ½ ¾ ´Üµ ´Üµ Ü ½ µ ¾ ½  ½ ¾ ܾ Ü ½ µ ¾¿ ¾ ½ . El espacio о ´ es completo. Definición 13. el espacio se llama espacio de Hilbert.  ½ Seguimos con una función lineal ½ ½ ´Üµ ´Üµ Ü ½ µ ½ ½ Ô ¾ Ü ¾ ´Üµ Ü· . Sea Î un espacio vectorial con una norma. Î es un espacio completo si toda sucesión de Cauchy en Î converge a un vector en Î . El inverso de este teorema no es. con un producto interno ÜÝ È ½ ÜÝ. verdadero.

2. о Entonces ½  ½ ´¿Ü   ½µ Ü ¾ ¾ о Ô Ô Ð ¾ ¾ .3. ESPACIOS VECTORIALES DE DIMENSIÓN INFINITA y así 25 Ô Ô¿ ¾ Ahora consideremos una función cuadratica ¿ ´Üµ ÖÜ · Ü · Ð ¾ Las constantes Ö Ð se determinan desde las tres condiciones ½  ½ ½ ¿ ´Üµ ´Üµ Ü ½ ¿  ½ ½ ½ ´Üµ ´Üµ Ü ¼ ¿  ½ ½ ¾ ´Üµ ´Üµ Ü ¼ ¿ ½  ½ ½ ´Üµ ´Üµ Ü ¼ µ ¿ ½ ¾  ½ Öܾ · Ü · Ð Ô ¾ Ô Ô ¾Ö · ¾Ð ¼ Ü ¿ ¼  ½ Así. Ô Ô ¿ Ü´ÖÜ · Ü · е Ü Ô¿ Ô ¾ ¾ Ö  ¿Ð ½ .

El polinomio general es Ò × . Como ortonormal ½ ¾ Ò ¾ ´ µ ¼ es no creciente. En el n-ésimo paso hay Ò constantes por determinar de Ò   ½ condiciones de ortogonalidad más una condición de normalización. La aproximación Ò ½ se llama n-ésima aproximación de Fourier. ESPACIOS VECTORIALES DE DIMENSIÓN INFINITA Los tres primeros polinomios son 26 ½ ½ ´Üµ Ô¾ ¾ Ô ´Üµ Ô¿ Ü ¾ ¿ ´Üµ Ô ´¿Ü   ½µ Ô ¾ ¾ ¾ Este proceso se puede continuar indefinidamente.2. Ð Ñ ½ Ò ¾ ´ µ existe y también ½ Ò ½ ÈÒ ¾ ½ . donde ÈÒ ´Üµ es el polinomio de Legendre dado por ¾Ò   ½ È ´Üµ ¾ Ò  ½ ÈÒ ´Üµ Ò ¾ÒÒ ÜÒ ´Ü   ½µ ¾ ½ Ò Teorema 9. De donde ¼ ÐÑ . Si ½ ¾ es una base ortonormal. .3. entonces la mejor aproximación Ò ½ de está dada tomando El error cuadrático mínimo es Ò´ µ ¾ ¾   Ò ½ ¾ Los coeficientes se llaman coeficientes de Fourier de con respecto a la sucesión È . luego Ò´ µ ¾ ¾   ¾ Ò ½ ¾ ¾ Esta última ecuación se conoce como Desigualdad deBessel.

¾ ·½ ¼ × y ¾ ¾ ½ ¼ Ü ¾ ´Üµ Ü ¿ Ô ´¿ Ü   ¿¼Ü · ¿µ ¾ ¾ ¼ ½ ´Üµ Ô ¾ ¾ ´Üµ ½ ¾ ´¿Ü   ½µ ¾ ¾ ¼ ´Üµ ¾ De aqui ½ Ô ¾ ¾ ½ × ½   Ô¾ ¾ .3. ESPACIOS VECTORIALES DE DIMENSIÓN INFINITA Ejemplo 15. sigue que la mejor aproximación cuadrática media de Ü de grado Ò sobre Como todo polinomio de grado Ò puede expresarse como una combinación lineal de los primeros es  ½ ½ ×Ò ´Üµ Ò ½ ´Üµ ´Üµ Ü donde ½  ½ Como È Ü ´Üµes impar si es impar y par si es par.2. Ü por un polinomio de grado 4 Solución. Los polinomios de Legendre normalizados son Ò ´Üµ × ¾Ò · ½ È ´Üµ ¾ Ò Ò polinomios de Legendre. y la mejor aproximación cuadrática media de grado 4 es × ´Üµ ½ · ´¿Ü   ½µ   ¿ ´¿ Ü   ¿¼Ü · ¿µ ¾ ½ ½¾ ¾ ½ ´ ½¼ Ü · ¾½¼Ü · ½ µ ½¾ ¾ ¾ ½  ½ ܾ Ü  ½· · ½ ¾ ¿¾ ½¾ ¾  ¿ ½¾ ¿ ½ . Determine la mejor aproximación cuadrática media de sobre el intervalo 27  ½ ½ . Calculese la raíz del error cuadrático medio.

Probar que el conjunto ؾ ؽ ´Øµ Ð ´Øµ Ø Æ Ð es ortogonal. y la norma de cada uno de ellos es igual a uno. El producto interno de dos funciones se define como: en el intervalo ´Øµ ´Øµ Dos funciones reales ؾ ؽ ´Øµ ´Øµ Ø ´Øµ y ´Øµ se dicen ortogonales entre sí. Solución. ESPACIOS VECTORIALES DE DIMENSIÓN INFINITA 28 Ô½ ½ Ô ½ ¿ Sean dos funciones ´Øµ ´Øµ ¾ ľ (conjunto de funciones reales cuyo cuadrado es integrable ). Obtenga una base ortonormal a ´¿ µ ´  ¿µ ¿   ¿ ¿£  · £¿ ¼ .2.3. si su producto interno es: ´Øµ ´Øµ ؾ ؽ ´Øµ ´Øµ Ø ¼ Un conjunto de vectores Ú½ Ú¾ ÚÒ se dice que es ortonormal. si todos los vectores de este conjunto son ortogonales entre sí. un conjunto de funciones ortonormal si: ÆÑÒ ´Øµ ؾ ؽ ½¾¿ definidas en ؽ ؾ se dice que es ´Øµ Ð ´Øµ para ؾ ؽ ´Øµ Ð ´Øµ Ø ¼ Ð (condición de ortogonalidad). y además ´ ´Øµµ Ø ½ ¾ Las dos ecuaciones anteriores se pueden resumir en ´Øµ Ð ´Øµ Ejemplo 16. Esto puede ser expresado como: ÚÑ ÚÒ Similarmente. partir de esta.

por lo que un método con estas caracterísnos será de gran ticas debe implementarse. ¿ ¿ ¿£¿· £   ¿   ¿   £  ·¿£¿ ¼ ninguna de estas bases cumple con tener norma igual a uno. La característica de ortonormalidad de las funciones ayuda en esta tarea.4 Cálculo de los coeficientes El cálculo de los coeficientes debe ser rápido y eficiente. CÁLCULO DE LOS COEFICIENTES 29 lo que prueba la ortogonalidad entre estos dos vectores.4. de la forma ¿ ¿£ ½ ¼ · £ ¼ ½   ¿ y calculamos el producto interno   £ ½ ¼ ·¿£ ¼ ½ ½£¼·¼£½ ¼ ½£½·¼£¼ ½ ¼£¼·½£½ ½ . pues remitirá el cálculo a una integral. Sea ´Øµ una función en Î ´Øµ  ½  ½ ´Øµ · ľ ´ µ. pero si expresamos ambos vectores como una combinación lineal de otros vectores.2. Ahora debemos obtener una base ortonormal a partir del conjunto anterior. ½¼ ¼½ ½¼ ½¼ ¼½ ¼½ obtenemos una base ortonormal ½¼ ¼½ 2. entonces ·  ½  ½ ´Øµ · ¼ ¼ ´Øµ · · ´Øµ · · ½ ½´Øµ .

.2) ´Øµ ´Øµ ´Øµ ´Øµ ´Øµ.1) en ´Øµ obtenemos ¾ ¾ ´Øµ ÓÒ Ø¾Ê (2.4.1) o lo que es lo mismo ´Øµ ´Øµ Ø ´Øµ con la función base ´Øµ nos entrega el correspondiente así el producto interno entre la función coeficiente . que dice que la norma de la energía puede ser particionada en términos de la expansión de coeficientes [BUR98].2. CÁLCULO DE LOS COEFICIENTES si hacemos el producto vectorial de esta ecuación con tenemos 30 ´Øµ ´Øµ  ½  ½´Øµ ´Øµ · · ´Øµ ´Øµ · · ½ ½ ´Øµ ´Øµ pero como sabemos que el conjunto de funciones es ortogonal. sólo uno de los infinitos productos internos de la parte derecha de la ecuación sera no nulo ´Øµ ´Øµ ´Øµ ´Øµ ´Øµ ´Øµ además este conjunto de funciones es ortonormal por lo que (2. Esto es el fundamento del teorema de ecuación que nos entregara de vuelta la señal original Parseval. lo que se expresa matemáticamente como sigue ´Øµ Ø ¾ ¾ ¾ Entonces se deduce que cualquier señal de energía finita puede ser descompuesta en un conjunto de coeficientes asociados a una función base. Si reemplazamos (2.

La transformada de Fourier es una herramienta con la capacidad de representar este proceso.1 Introducción Un proceso físico puede ser descrito en el dominio del tiempo mediante valores representados por una cantidad como función del tiempo.2 Series de Fourier Estas series tienen su origen en el siglo IXI y deben el nombre a su creador Joseph Baptiste Fourier. 3. Una serie de la forma ´Øµ obtener todos los coeficientes Ò ¾· ¼ ½ Ò ½ Ó×´Òص · Ò × Ò´Òص (3. o cualquier otro.Capítulo 3 Teoría de Fourier 3.2) Ò ½ ¼ ¾ ´Øµ Ó×´Òص Ø ´Ò ¼ ½ ¾ µ 31 . Esto hace que la Transformada de Fourier sea ampliamente utilizada en aplicaciones en el campo de la ciencia e ingeniería. Esta serie toma el nombre de serie de Fourier cuando es posible y Ò mediante una integración de la función ´Øµ de la siguiente manera ¼ ½ ¼ ¾ ´Øµ Ø ´Ò ¼ ½ ¾ µ (3. tanto en el dominio del tiempo como en el dominio de la frecuencia.1) es denominada serie trigonométrica. También es posible describir el mismo proceso en el dominio de la frecuencia mediante una serie de amplitudes representadas por como función de la frecuencia. La idea básica de las series de Fourier es que una función periódica (Esta condición es primordial) puede ser representada como una suma ponderada de senos y cosenos.

¾ ¼ ´Øµ ½ (3. es decir. SERIES DE FOURIER 32 Figura 3.3) Además es necesario cumplir con la condición de que la norma de la función analizada sea integrable y esa integral sea finita. lo cual no necesariamente debe ser) ya que las funciones de expansión seno y coseno son periódicas.2. Lo anterior se puede resumir de la siguiente manera ʾ ¼ ʾ ¼ ʾ ¼ ʾ ¼ × Ò´Òص Ó×´Ñص Ø × Ò´Òص Ó×´Ñص Ø × Ò´ÒØµ× Ò´Ñص Ø Ó×´Òص Ó×´Ñص Ø ¼ ¼ ¼ ¼ Ò Ñ Ò Ñ Ò Ñ Ò Ñ (3. (b) Función coseno de período T=¾ Ò ½ ¼ ¾ ´Øµ× Ò´Òص Ø ´Ò ¼ ½ ¾ µ La obtención de los coeficientes de la forma en que se expresa la ecuación (3.2) . la función debe ser periódica (Para este caso Ejemplo Aproximar la función ´Øµ Ø utilizando (3.3. es decir.4) y que sea de la forma .2) es posible gracias a la ortogonalidad existente entre las funciones cosenos y seno y entre si mismas para valores de Ò diferentes.1: (a) Función seno de período T=¾ . Ì ¾ ´Ø · Ì µ ´Øµ. El intervalo ¼ ¾ fue seleccionado debido a que corresponde al período de las funciones seno y coseno.

3. N=8 y N=16. su serie de Fourier contendrá sólo términos de cosenos. N=4. Si es par. . lo que dependerá de la función con la que se trabaje. Solución Ò Ò ½ ½ ʾ ¼ ʾ ¼ ¾ Ø Ó×´Òص Ø ¼ ´Ò ½ ¾ ¿ µ Ø× Ò´Òص Ø   Ò ´Ò ½ ¾ ¿ µ ¼ ½ ʾ ¼ Ø Ø ¾ Por lo tanto la expansión en series de Fourier de ´Øµ Ø sobre el intervalo ¼ ¾ . ´Øµ ´ Øµ.2: Expansión de ´Øµ Ø en series de Fourier para N=2. es ´Øµ   ¾´× ÒØ · ½ × Ò¾Ø · ½ × Ò¿Ø · µ ¾ ¿ La aproximación de la serie de Fourier para distintos Ò se puede observar en la figura (3.2.1 Series de Seno y Coseno De la ecuación (3. SERIES DE FOURIER 5 4 3 2 1 0 5 4 3 2 1 0 33 0 1 2 N=2 3 4 5 0 1 2 N=4 3 4 5 5 4 3 2 1 0 5 4 3 2 1 0 0 1 2 N=8 3 4 5 0 1 2 N=16 3 4 5 Figura 3.1) podemos distinguir dos series levemente diferentes.2) 3. Más especificamente podemos dividir la serie de Fourier completa en una serie de senos y otra serie de cosenos.2. 1.

Se puede observar que la expansión . ¼ ´Øµ   ´ Øµ. × Ò´Òص  × Ò´ Òص. como se ilustra en la figura (3.7) Ó×´Òص Ó×´ Òص.3. Esto nos permite dividir la función o señal en una parte par e impar como sigue ´Øµ donde ´Øµ · Ǵص ½ ¾ ½ ¾ (3. Supongamos ahora que tenemos una función definida sobre como la que se ilustra en la figura (3.3: función entre 2. SERIES DE FOURIER 34 Figura 3.3).8) Con lo que obtenemos dos nuevas series las que conoceremos como serie cosenoidal de Fourier y serie senoidal de Fourier respectivamente.5) ´Øµ Ǵص de tal manera que ´Øµ · ´ Øµ ´Øµ   ´ Øµ (3. entonces ¾ È ¼ ´Øµ Ǵص ½ Ò × Ò´Òص ½ · È ½ ½ Ò Ó×´Òص ´µ ´µ ¼ (3. Utilizaremos dos maneras útiles a través de las cuales obtendremos una extensión periódica de período ¾ de dicha función. Si es impar.2.4).6) ´Øµ Ǵص y como ½ ¾ ½ ¾ ¾ ¾ ¼ ¼ · · ½ ½ Ƚ È ½ Ò Ò Ó×´Òص · Ò × Ò´Òص Ó×´Òص · Ò × Ò´Òص · ·     ¾ ¾ ¼ ¼ È ½ ½ Ƚ ½ Ò Ò Ó×´ Òص · Ò × Ò´ Òص Ó×´ Òص · Ò × Ò´ Òص (3. su serie de Fourier contendrá sólo términos de senos.

(b) es impar y de período ¾ en series de Fourier de la función de la figura (3.4a) contendrá sólo términos cosenoidales por lo que podemos aproximar esta función mediante (3.4b).8a).3. es capaz de distinguir las . contendrá sólo términos senoidales por lo que podemos aproximar esta función mediante (3.4: (a) es par y de período ¾ . como consecuencia de que una función sea par o impar. descompone o expande una señal o función en senos y cosenos de diferentes frecuencias cuya suma corresponde a la señal original. en vez de integrar sobre el intervalo completo. LA TRANSFORMADA DE FOURIER 35 Figura 3. es decir.8b).3 La Transformada de Fourier La transformada de Fourier.10) Además. 3.3.9) De manera análoga la función de la figura (3. lo que en términos de cálculo puede ahorrar tiempo en forma considerable. donde Ò ¾ ¼ ´Øµ Ó×´Òص Ø (3. los coeficientes se calculan integrando sobre la mitad del período de la función y multiplicando por 2. en esencia. donde Ò ¾ ¼ ´Øµ× Ò´Òص Ø (3.

La relación existente entre la representación de la señal original a través de funciones senoidales y cosenoidales y la exponencial que se observa en (3.12) De acuerdo con lo dicho anteriormente la transformada de Fourier puede obtener un representación en el dominio de la frecuencia de una señal que se encuentra originalmente en el dominio del tiempo. La transformada de Fourier de una función del tiempo ´Øµ se define como ´ µ ½  ½ ½  ½ ´Øµ ´ µ  Ø Ø (3. es posible obtener los valores o coeficientes Ò como términos de semejanza entre la señal original y la función exponencial Ê Ø ·Ì ¼ Ò Ê Ø ·Ì ¼ ؼ ´Øµ   Ò Ø Ø Ò Ø Ø¼  Ò Ø Ø (3. y sus respectivas amplitudes.3.3.14) ´Øµ Ø (3. como ´Øµ Ø (3.11) y (3.12) proviene de la definición de la identidad de Euler Ø   Ø Ó×´ ص · × Ò´ ص Ó×´ ص   × Ò´ ص (3. LA TRANSFORMADA DE FOURIER 36 diferentes componentes de frecuencia de la señal.13) Mediante esta función exponencial es posible formar un set de funciones ortogonales Ò Ø Ò ¼ ¦½ ¦¾ ¦¿ sobre un intervalo ´Ø¼ ؼ · Ì µ.17) La relación entre esta propiedad y la obtención de los coeficientes será explicada de manera más detallada en los próximos capítulos .11) y la transformada inversa de Fourier.16) Ò 1 Ì ½ ؼ ·Ì ؼ ´Øµ   Ò Ø Ø (3. y por lo tanto podemos descomponer o expandir la señal original (en el dominio del tiempo) de la siguiente manera ´Øµ ¼ · ½   Ø · ¾  ¾ Ø · ¿  ¿ Ø · · ½  ½ Ò  ½  Ò Ø ·  ¾ ¾ Ø ·  ¿ ¿ Ø · (3.15) Estas funciones exponenciales pueden ser referidas como las funciones bases de la transformada de Fourier. y debido a su propiedad de ortogonalidad1.

(b) Descomposición en series de Fourier.3. Por lo tanto. de aquí en adelante trabajaremos con las funciones seno y coseno ya que desde un punto de vista físico.19) ¯ Propiedad de escalamiento en frecuencia .15) a la siguiente forma ´Øµ ¾· ¼ Ò Ó×´Ò Øµ · Ò × Ò´Ò Øµ Ê ÁÑ (3.5). De esta ecuación podemos decir que la función en el dominio del tiempo ha sido representada como 3.3.18) Ò Ò Ò Ò una combinación linear de todas las componentes de frecuencia presentes en la señal ´Øµ. la amplitud de cada onda es lo que representa la transformada de Fourier. Aunque matemáticamente la función exponencial resulta más fácil de manipular. es posible realizar una transformación de (3. LA TRANSFORMADA DE FOURIER 37 Figura 3. resulta más fácil comprender el paso de la señal del dominio del tiempo al dominio de la frecuencia y en forma inversa.1 Propiedades Algunas propiedades fundamentales de la transformada de Fourier son: ¯ Propiedad de escalamiento en el tiempo ´ ص ¸ ½ ´ µ (3.3.5: (a) Señal original. donde los coeficientes Ò y Ò representan la cantidad de energía que aporta cada componente de frecuencia a la señal original como se puede observar en la figura (3.

22) ¯ Teorema de la convolución ½ ´Øµ £ ´Øµ  ½ ´Øµ ´Ø   µ ´Øµ £ ´Øµ ¸ ´ µÀ ´ µ Ê (3.21) ¯ Propiedad de traslación en frecuencia ´Øµ   ¼Ø ¸ ´   µ ¼ (3.3.3. que dice que la energía de la señal es siempre la misma sin depender de si se encuentra en el dominio del tiempo o en el dominio de la frecuencia ÒÖ Ejemplo Ì ÓØ Ð ½  ½ ´Øµ Ø ¾ ½  ½ ´ µ ¾ (3. LA TRANSFORMADA DE FOURIER 38 ½ ´Øµ ¸ ´ µ (3.6)) ´Øµ Solución Debemos reemplazar la función en (3.20) ¯ Propiedad de traslación en el tiempo ´Ø   Ø µ ¸ ´ µ ¼ ؼ (3.11) ½ ¼  Ì Ø ¾ Ì ¾ ×Ó ÓÒØÖ Ö Ó ´ µ Ì ¾ ¾  Ì ½ Ø Ø .23) ¯ Teorema de la correlación ÓÖÖ´ µ ÓÖÖ´ ´ · ص ´Øµ µ ¸ ´ µÀ £´ µ Ê ½  ½ (3.25) Obtener la Transformada de Fourier de la siguiente función (ver figura (3.24) ¯ Teorema de Parseval.

3.3. LA TRANSFORMADA DE FOURIER

39

Figura 3.6: Representación en el tiempo de la función a analizar en el ejemplo.

´ µ
Ì

ج¾
¬ ¬ ¬

¬Ì

 Ì ¾  

´ µ

¾

 

Ì

¾

Utilizando la identidad de Euler observamos que
Ì

¾

 

 

Ì

¾

¾ × Ò´ ½ Ì µ ¾

de tal manera que podemos reescribir nuestro resultado de la forma

´ µ
La multiplicación de

× Ò´ ½ Ì µ ¾ Ì ½ Ì ¾
´

µ

Ì× Ò

´ ̵

×Ò

´ Ì µ, que es muy utilizada en textos y tutoriales referidos al procesamiento digital de señales( ¼.
Esta energía disminuye a medida que nos

´ µ por

Ì Ì

½ se realizó para obtener la forma de una nueva función

figura (3.7)). Como se ilustra en la figura (3.7) la transformada de Fourier de una onda cuadrada muestra que la energía de la señal se concentra en trasladamos a las frecuencias altas.

3.4. TRANSFORMADA DISCRETA DE FOURIER (DFT)

40

Figura 3.7: Transformada de Fourier obtenida en el ejemplo.

3.4 Transformada Discreta de Fourier (DFT)
Cuando hablamos de procesamiento digital de señales en forma automática nos vemos enfrentados al uso de un computador. Debido a que los computadores trabajan sólo con datos discretos, el cálculo numérico de la transformada de Fourier de ´Øµ requiere valores discretos o sampleos de ´Øµ, es decir, con ¼ ½ ¾ . Esto significa que mediante el uso de un computador es valores de la formas posible calcular la transformada de la transformada de la forma

´Ûµ sólo para valores discretos de Û, es decir, obtendremos valores ¼ ½ ¾ . De ahora en adelante nos referiremos a como Ò con Ò

una señal en el tiempo (ya no como función). Por lo tanto, supongamos que ´Øµ es una señal periódica de período Ì y que sólo conocemos sus valores en Æ puntos igualmente espaciados en el tiempo. Entonces, si ´ Ì× µ corresponde al k - ésimo

sampleo de ´Øµ y ´ÒÛ× µ, donde Û× ¾ × ( × es la frecuencia con la que se realizan los sampleos) corresponde al n - ésimo sampleo de ´Û µ, y además definimos a Æ como el número de sampleos de la señal o longitud de la señal, podemos reescribir la Transformada de Fourier, de una señal de período

Ì , en su forma discreta como
Æ Ò
¼

 ½

¾

Æ

Ò

Ò

¼½¾
Ì Æ

Æ  ½

(3.26)

ya que

Ì ´ Ƶ
y

Ì×

3.4. TRANSFORMADA DISCRETA DE FOURIER (DFT)

41

Ò

´ÒÛ×µ

Û×

¾

Ì

Notar que

Ò·Æ

Ò

, que se puede comprobar de la forma
Ò·Æ Ò·Æ

 ½ ¼ ÈÆ  ½
ÈÆ
¼

¾ ¾

Æ

Æ Ò

´Ò·Æ µ

¾

(3.27)

y
¾

½

¾
. De esta manera podemos decir que el conjunto de

coeficientes ´ sampleados ´

Por lo tanto

Ò Ò ¼½¾
¼½¾

µ µ

Ò

tiene período Æ al igual que
Æ ½

  es denominado la Transformada Discreta de Fourier (DFT) de los valores Æ  ½ .
Ò

Ahora bien, si tenemos los coeficientes similar a (3.26), de la siguiente manera

también podemos obtener los valores de

en forma

Æ

½

Æ

 ½
Ò

  ¾Æ Ò

Ò ¼

Ò

¼½¾

Æ  ½

(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 señal sampleada en cuatro puntos
¾
¼ ½ ¾ ¿

¿

(3.29)

donde obviamente Æ

. obtenemos 4 ecuaciones distintas

Entonces, si desarrollamos la DFT de
¾ ¼ ¼

¼ ½ ¾ ¿

¼ ¼ ¼ ¼

£

¾ ¼ ½ ¾ ¼ ¾ ¾ ¼ ¿

£ £ £

· · · ·

¾ ¼ ¼

½ ½ ½ ½

£ £ £ £

¾ ½ ½ ¾ ½ ¾ ¾ ½ ¿

· · · ·

¾ ¼ ¼

¾ ¾ ¾ ¾

£ £ £ £

¾ ¾ ½ ¾ ¾ ¾ ¾ ¾ ¿

· · · ·

¾ ¼ ¼

¿ ¿ ¿ ¿

£ £ £ £

¾ ¿ ½ ¾ ¿ ¾ ¾ ¿ ¿

(3.30)

y desarrollando esta ecuación de acuerdo con la identidad de Euler, obtenemos

Sin embargo.34) De esta nueva matriz se observa que sus columnas son ortogonales entre ellas (consecuencia de la . A simple vista esta matriz no parece A esta nueva matriz la denominaremos Ñ ØÖ Þ de mucha utilidad ya que sus componentes no se comportan siguiendo algún patrón (lo que es indispensable en la elaboración de algún algoritmo computacional).32) Esto escrito en forma matricial lo podemos expresar como ¾ ¼ ½ ¾ ¿ ¿ ¾ ½ ½ ½ ½ ½  ½   ½  ½ ½  ½ ½    ½ ¿¾ ¼ ½ ¾ ¿ ¿ (3.4. si dejamos de la misma forma la primera columna y la primera fila y nos concentramos en el número complejo . ya que el tipo de valores que entrega para un intervalo de exponentes de 1 hasta 4 se repite en forma periódica Ô  ½ ¾ ¼ ½ ¾ ¿ ¾  ½ ¿   ¿¾ ¼ ½ ¾ ¿ ½ ¿ Por lo tanto podemos reescribir nuestra nueva matriz de Fourier [STR93] de la forma ¿ ¾ ½ ½ ½ ½ ½ ½ ½ ´µ ´µ ´µ ´µ ´µ ´µ ´µ ´µ ´µ ¾ ¾ ¿ ¿ (3. podremos observar que el resto de los componentes de la matriz de Fourier es posible escribirlos como potencias de .33) ÓÙÖ Ö.3. TRANSFORMADA DISCRETA DE FOURIER (DFT) 42 ½ ¾ ¿ ¼ ¼ · · · · Ó×´ µ · × Ò´ µ · Ó×´ µ · × Ò´ µ · Ó×´ µ · × Ò´ µ · Ó×´ µ · × Ò´ µ · Ó×´¾ µ · × Ò´¾ µ · Ó×´¿ µ · × Ò´¿ µ · Ó×´ µ · × Ò´ µ · Ó×´¿ µ · × Ò´¿ µ · Ó×´ µ · × Ò´ µ ¼ ¼ ½ ¾ ¿ ¼ ½ ¾ ¾ ¾ ¿ ¿ ¾ ¿ ¾ ½ ¾ ¿ ½ ¿ ¾ ¿ ¾ ¾ ¿ ¾ ¾ (3.31) que mediante el cálculo de los senos y cosenos podemos resumir nuestro set de ecuaciones a ¼ ½ ¾ ¿ ¼ ¼ ¼ · · · · ´ µ · ´ ½µ · ´  µ · ´ ½µ · · ´ ½µ · ´  µ · ´ ½µ · ´ µ ¼ ½ ¾ ¿ ½ ¾ ¿ ½ ¾ ¿ ½ ¾ ¿ (3.

por ej.35) El punto importante aquí es que ambas matrices tienen la misma forma con la única diferencia de un cambio de signo. es decir.3. En las figuras (3.8 y 3. Se deben evaluar Æ términos de series de Fourier sobre Æ puntos. cambiamos el ¾ Ò Ò Æ .Cambridge Press. G.36) La matriz de Fourier es completa. Wellesley . Esto puede ser corroborado consultando cualquier texto o libro de Algebra Lineal..2. de tal manera que teniendo los coeficientes de Fourier podemos reconstruir la señal original de la siguiente forma ¾ ¼ ½ ¾ ¿ ¿ ½ ½ ½ ½ ½ ½ ´  µ ´  µ ´  µ ½ ´  µ ´  µ ´  µ ½ ´  µ ´  µ ´  µ ¾ ¾ ¿ ¾ ¿¾ ¼ ¿ ½ ¾ ¿ ¿ (3. Por lo tanto si nosostros podemos realizar la transformada rápidamente también podemos obtener la inversa en forma rápida entre los coeficientes y los valores de la función. el número de multiplicaciones que se deben realizar para la obtención de la DFT de una señal de longitud Æ .28) quedan ÏÆ ¾ Este resultado se puede expandir a una matriz de Æ por Æ ya que los Æ ¾ Ò siguen el mismo tipo de . es de Æ ¾ multiplicaciones.9) se observa una representación sampleada de la función o señal definida en el ejemplo 1.4. 1998. 2 . por lo que su inversa es igual a su transpuesta conjugada2. Por lo tanto. TRANSFORMADA DISCRETA DE FOURIER (DFT) 43 Figura 3. de tal manera que (3.8: Representación de una onda cuadrada con Æ datos de entrada ortogonalidad entre el seno y el coseno). aÏ comportamiento. y su respectiva DFT. Introduction to Linear Algebra. es decir. y de una forma más generalizada a Ò ÈÆ ½ ÈÆ Æ Ò ¼  ½ Ï Ò Æ ¼  ½ Ò Ï   Æ Ò (3. STRANG. todos sus elementos son distintos cero.26) y (3.

9: Transformada Discreta de Fourier de la onda cuadrada ilustrada en la figura (1.5 Transformada rápida de Fourier (FFT) Con el fin de implementar en forma práctica la Transformada Discreta de Fourier mediante el uso de computadores. Otro punto importante es que el algoritmo FFT trabaja en forma más eficiente cuando lo hace sobre una señal donde el número de sampleos Æ es una potencia de ¾. La demostración es de la siguiente manera: Para mayor información sobre otros tipos de algoritmos FFT se recomienda consultar el libro “Tratamiento Digital de Señales” de John Proakis y Dimitris Manolakis [PRO98].8).W Tukey desarrollaron un algoritmo denominado la Transformada rápida de Fourier (FFT). 3. TRANSFORMADA RÁPIDA DE FOURIER (FFT) 44 Figura 3. Para la obtención de la DFT se realizaron ¼ operaciones de multiplicación.37) Existen básicamente dos tipos de algoritmos FFT3 : 1.5.W Cooley y J.1 FFT de diezmado de tiempo El algoritmo de diezmado en tiempo toma la totalidad de los datos de entrada y los separa en sus muestras pares y sus muestras impares. a mediados de la década del sesenta J. 2. La FFT elimina información redundante que existe en la DFT. disponible en el Instituto de Acústica. 3. ya que divide la señal de Æ puntos en dos secuencias de datos de Æ ¾ puntos.3. 3 . la señal de entrada o salida respectivamente. cada una con una longitud igual a la mitad de la longitud de la señal original. ya que está explota las propiedades de periodicidad y simetría del factor de fase ÏÆ . según el tipo de algoritmo.5. Diezmado en el dominio del tiempo. El principio de la FFT se basa en el método denominado “divide y conquista” [PRO98]. Estas propiedades son: ÏÆ· ÏÆ·Æ Æ ¾ ÏÆ  ÏÆ Ë Ñ ØÖ È ÖÓ (3. Diezmado en el dominio de la frecuencia.

2 FFT de diezmado de frecuencia El algoritmo de diezmado en frecuencia al igual que el diezmado en tiempo separa la señal original de longitud Æ en dos secuencias con una longitud igual a Æ . De esta manera el algoritmo FFT de diezmado de tiempo logra reducir el número de multiplicaciones de Æ ¾ a Æ ÐÓ ¾ Æ . Supongamos una señal con una longitud Æ (3. re- duciéndose el número de operaciones de a Æ ¾ . Otro punto importante reside en el orden de la secuencia de entrada después de que han sido diez- Æ ¾Ö . el algoritmo de diezmado de tiempo se realiza en dos partes: 1. En resumen. ¾ ¾ . Por lo tanto. la diferencia con el diezmado en tiempo ¾ ¼ ½ Æ   ½) y la otra reside en que una secuencia contiene la primera mitad de las muestras ( ¾ .39) denota el Ò   × ÑÓ componente de la transformada de longitud Æ proveniente de los com¾ Ó ponentes pares de la señal original . Si representamos estos datos en su forma binaria nos daremos cuenta que podemos obtener la secuencia de los datos de entrada diezmados leyendo la representación binaria de en forma inversa. Por lo tanto se ha disminuido el número de El punto interesante es que este proceso es recursivo ya que podemos volver a diezmar las señales y ¾ ·½ de tal manera que las transformadas de Fourier que se obtengan sean de longitud ƾ ¾ Æ . entonces ¾ ÈÆ Ò ¾  ½ ¼ ¾ Ò Ï ÆÒ · ÏÆ Ò Ò Ò · ÏÆ ¾ ÈÆ ¾  ½ ¼ ¾ ·½ Ï ÆÒ ¾ Ó Ò (3. Operaciones de multiplicación y suma sobre los datos invertidos.10). ¾ como se observa en la figura madas ´Ö   ½µ veces.5. TRANSFORMADA RÁPIDA DE FOURIER (FFT) ÈÆ 45 Ò ¾ como ÏÆ È Æ  ½ ¾ Ò ¾  ½ ¼ ¾ ÏÆ Ò · ¼ ÈÆ ¾ ÏÆÒ  ½ ¼ ¾ ·½ ´¾ ÏÆ ·½µÒ (3.3. entregando los datos de salida en orden natural. para una señal donde ÐÓ ¾ Æ veces. ya que en este punto la transformada de el proceso de diezmado se puede repetir Ö Fourier obtenida es de longitud ½. mientras que Ò es la transformada de Fourier de longitud Æ ¾ Ò correspondiente a los componentes impares de la señal ¾ operaciones de multiplicación de Æ ¾ a ¾ Æ .5.38) Ò Ï ÆÒ. Además en cada etapa de diezmado se realizan Æ operaciones de ¾ multiplicación. Inversión binaria de los datos de entrada. 3. 2.

La demostración es de la siguiente manera: ÏÆÒ · ÈÆ ÈÆ ¾ ÈÆ ¾  ½ ÈÆ ¾  ½ ¼ ¼ È Æ  ½ ¾ ´ ÏÆÒ ·  ½ · Æ ÏÆ · µÒ ¼ ÒÆ È Æ  ½ Ò ÏÆÒ · ÏÆ ¼ · Æ ÏÆ  Æ ½ ¾ ¾ ÏÆÒ Æ ¾ (3. ¾ Si definimos las secuencias de ½ ¾ Æ ¾ ½ y ¾ como   · ·¾ ·Æ ¾ Æ Ï Ò Æ ¼½¾ Æ ¾  ½ (3.3. TRANSFORMADA RÁPIDA DE FOURIER (FFT) 46 Figura 3.10: Inversión binaria para una señal con Æ secuencia contiene la otra mitad ( Ò Ò Ò Æ ¾ datos de entrada Æ ¾ ·½ ¼ Æ ).42) ¾ donde se utilizó el hecho de que ÏÆ ÏÆ .5.41) En este momento diezmamos la secuencia lo que obtenemos ÈÆ ¾Ò ¾Ò·½ ¾ en sus muetras pares e impares respectivamente.40) ¾ ¾ ¾ como Ï ÒÆ ¾ ´ ½µÒ .43) entonces . con  ½ ¼ Ò ÈÆ  ½ ¾ ¼ ·   puntos ·Æ ¾ ·Æ ¾ Ï ÆÒ Ó Ò ÏÆ Ï ÆÒ ¾ ¾ Ò ¼½ Æ ¾  ½ (3. entonces Æ  ½ ¾ Ò ¼ · ´ ½µ Ò ·¾ Æ Ï Ò (3.

44) Este procedimiento también es recursivo de tal manera que pueden volver a diezmarse las DFTs de puntos a DFTs de Æ puntos. el algoritmo de diezmado de tiempo se realiza en dos partes: 1.5.3. En resumen. 2. El proceso completo implica ÐÓ ¾ Æ etapas de diezmado. requiere Æ ÐÓ ¾ Æ ¾ Æ ¾ multiplicaciones [PRO98]. al igual que el diezmado de tiempo. Operación de multiplicación y suma sobre los datos de entrada en orden natural. . donde para cada diezmado implica Æ multiplicaciones. el cálculo ¾ de la DFT de Æ puntos por medio del algoritmo FFT de diezmado de frecuencia. Inversión binaria de los datos de salida (Transformada). TRANSFORMADA RÁPIDA DE FOURIER (FFT) ÈÆ ¾Ò ¾Ò·½ ¾ 47  ½ ¼ ¾ ½ ÈÆ  ½ ¼ Ï ÆÒ ¾ Ï ÆÒ ¾ ¾ (3. Por lo tanto.

La forma de dividir la señal se realiza mediante lo que llamaremos una ÙÒ ÓÒ Ø ÑÔÓ   Ú ÒØ Ò ´Øµ cuyo ancho o soporte corresponde a la longitud de cada segmentación de la señal.estacionarias o no estacionarias cuyo contenido espectral varía con el tiempo.Capítulo 4 Analisis Tiempo . Sin embargo.1 La Transformada corta de Fourier (STFT) 1 Como ya es sabido. es decir. podemos conocer todas las componentes de frecuencia existentes en la señal y sus respectivos aportes energéticos. En un esfuerzo por resolver el problema de resolución en tiempo de la transformada de Fourier. Denis Gabor (1946) adaptó la transformada utilizando un procedimiento llamado Ú ÒØ Ò Ñ ÒØÓ2 . Con la función ventana encuadramos la señal alrededor de un instante de tiempo y calculamos su transformada de Fourier.Frecuencia 4. Todo lo anterior se puede resumir diciendo que la transformada de Fourier tiene una perfecta resolución en frecuencia lo que la hace una herramienta muy útil para el análisis de señales estacionarias . la transformada de Fourier posee una muy pobre resolución en tiempo. Este proceso es repetido hasta que se ha cubierto la totalidad de la señal. En otras palabras. Este procedimiento consiste en dividir una señal ܴص en pequeños segmentos a través del tiempo de tal manera que podamos asumir que para cada segmento la señal es estacionaria y así calcular la Transformada de Fourier clásica para cada porción de la señal. la transformada de Fourier constituye una herramienta mediante la cual podemos obtener información sobre como está distribuida la energía de una señal a través de sus distintas componentes de frecuencia. 1 2 Short Time Fourier Transform Traducido directamente del inglés Û Ò ÓÛ Ò 48 . ella no puede ser aplicada con el objeto de obtener información precisa de cuando o donde las diferentes componentes de frecuencia se encuentran en la señal como es el caso de señales quasi . luego trasladamos la función ventana hasta que no se sobrepone con la anterior cubriendo una nueva porción de la señal a la que volvemos a calcular su transformada de Fourier.

3) de tal manera que mientras la función tiempo-ventana modulada Ø ´Ø   µ en (4.3) localiza el espectro À´   µ  limitada por el soporte de la µ.1 Resolución Tiempo . el soporte de la ventana constituye un parámetro de gran importancia ya que a través de este podemos establecer el grado de resolución tanto de tiempo como de frecuencia que deseemos.1) nos queda ËÌ Ì ´Ø ½ ܴص £ ´  ½   ص   Ø Ø (4.1. ´Øµ de la señal en la vecindad de 4.1. Si nuestra ventana es muy angosta analizaremos una porción muy pequeña de la señal lo que nos permite .Frecuencia Ahora bien. De acuerdo con las propiedades de la transformada de Fourier de translación en tiempo y frecuencia ´Ø   Ø µ ¸ À ´ µ ¼ ؼ ´Øµ   ¼Ø ¸ À´   µ ¼ y utilizando el teorema de Parseval [CHU97] podemos expresar también la STFT en términos de la transformada de Fourier de la señal y la transformada de Fourier de la función tiempo ventana.2) localiza la señal ܴص cerca de Ø . lo que nos da ËÌ Ì ´Ø µ ¾   ½  ½ ´ØµÀ ´   µ Ø (4. la correspondiente función frecuencia-ventana ¾ función frecuencia-ventana À ´ en (4.4. LA TRANSFORMADA CORTA DE FOURIER (STFT) 49 El resultado de lo expresado anteriormente se define en forma matemática de la siguiente manera ËÌ Ì ´Ø y si consideramos a manera que µ ´ Øµ ´Øµ como una función ventana de valores sólo reales no complejos de tal £ ´Øµ entonces (4.1) µ ½ ܴص ´Ø    ½ µ ØØ (4.2) que calcula el producto interno entre la señal y la función tiempo-ventana trasladada y modulada.

es decir.e una ventana de ancho infinito es nada más y nada menos que la transformada de Fourier clásica. si nuestra ventana en muy ancha tendremos una buena resolución en frecuencia pero una mala resolución en tiempo.frecuencia de una señal. Por otro lado. como era de esperarse. supongamos que tenemos otra La aplicación original de este principio es sobre el momentum y ubicación de partículas en movimiento. LA TRANSFORMADA CORTA DE FOURIER (STFT) 50 Figura 4.4) señal ܽ ´Øµ con las mismas componentes de frecuencia sobre el mismo intervalo de tiempo. una correspondiente a 250 Hz y la otra correspondiente a 500 Hz ܴص ¼ £ × Ò´¾ ¾ ¼Øµ · × Ò´¾ ¼¼Øµ (4.1. Por lo tanto un defecto de la STFT es que no puede entregar una buena resolución tanto en tiempo como en frecuencia de manera instantánea ya que el soporte de la ventana es fijo. i.1: Señal ܴص y función tiempo-ventana centrada en tener una buena resolución en tiempo pero una mala resolución en frecuencia ya que conoceremos sólo una mínima fracción del espectro total existente en la señal.2) la transformada de Fourier nos entrega una resolución perfecta en frecuencia de dicha señal. no podemos saber que valor de frecuencia existe en un instante de tiempo determinado. pero con la diferencia que las primeras 5 centésimas de segundo contienen a la frecuencia de 250 Hz y las otras 5 3 Como podemos observar en la figura (4. . Primero supongamos que tenemos una señal ܴص dentro de un intervalo de tiempo igual a una décima de segundo. Con el fin de dejar más claro el concepto de resolución tiempo frecuencia utilizaremos un ejemplo.4. La raíz de este problema se basa en el principio de incertidumbre de Heisenberg3 [PED99] [POL96] el cual establece que es imposible conocer una representación exacta tiempo . sólo podemos conocer que componentes de frecuencia existen dentro de un intervalo de tiempo determinado. Esta señal esta compuesta por sólo dos frecuencias. Ahora.

lo que se define como ¼ × Ò´¾ ¾ ¼Øµ ¼ Ø ¼ ¼ (4.3).1.6) donde es el factor que controla el ancho o soporte de .2: (a) Representación de la señal ܴص . El primer análisis para un valor de ¾¼ se ilustra en la figura (4.4). como se expresó en un principio.5)con la transformada corta de Fourier (STFT). Esta información errónea se debe a que la transformada de Fourier. (b) Contenido espectral de la señal obtenido mediante la transformada rápida de Fourier centésimas de segundo restante contienen a la frecuencia de 500 Hz. no puede determinar en que momento dentro de la señal se encuentra una respectiva componente de frecuencia. y la función tiempo . Al ser angosta la ventana utilizada podemos observar que la resolución en el tiempo es buena ya que se diferencia claramente la posición en el tiempo de cada componente de . Debido a esto vamos a volver a analizar la señal de (4.5) × Ò´¾ ¼¼Øµ ¼ ¼ Ø ¼ ½ Si aplicamos la Transformada de Fourier sobre Ü ´Øµ observamos que también podemos obtener las ܽ ´Øµ ½ frecuencias existentes de la señal pero con una amplitud igual a la mitad de la amplitud real debido a que cada componente de frecuencia se encuentra sólo la mitad del tiempo de análisis de la señal como se ilustra en la figura (4.ventana utilizada será una función gaussiana simple de la forma ´Ø   µ   ¾ ´Ø   µ¾ (4.4. LA TRANSFORMADA CORTA DE FOURIER (STFT) 51 Figura 4.

3: (a) Representación de la señal ܽ ´Øµ . (b) Contenido espectral de la señal obtenido mediante la FFT.4.1. Este aumento de .ventana es más ancha y por lo tanto hemos mejorado nuestra resolución en frecuencia ya que el ancho de banda de cada componente ha disminuido permitiéndonos identificar claramente cada frecuencia. ¾ ¼ y se ilustra en la figura (4. LA TRANSFORMADA CORTA DE FOURIER (STFT) 52 Figura 4. El segundo análisis se efectúa para un valor de significa que nuestra función tiempo . Mediante este ejemplo se ha podido demostrar el problema implícito de resolución de la STFT lo que crea la interrogante ¿Es posible que la función ventana tenga un soporte dinámico y no estático?. es decir.5). la resolución en frecuencia es bastante pobre ya que para cada componente se observa un ancho de banda amplio lo que impide una detección precisa del valor real de la frecuencia existente en el intervalo de tiempo donde se encuentra. Sin embargo. ya que una situación ideal de análisis sería tener una buena resolución en tiempo para frecuencias altas y una buena resolución en frecuencia frente a contenido de frecuencias bajas. el desarrollo teórico y práctico de esta herramienta constituye el foco principal de la siguiente sección. se observa que las amplitudes de ambas componentes han disminuido a la mitad de su valor real frecuencia. una función ventana que tenga la capacidad de cambiar su soporte en forma automática dependiendo del contenido espectral del segmento de la señal analizado. Por otro lado la resolución en tiempo se ha empobrecido producto de la mejora en la resolución en frecuencia ya que no se observa una clara separación de la ubicación de cada componente en su respectivo intervalo de tiempo. Para la resolución de este problema existe una herramienta matemática denominada la transformada continua wavelet que fue desarrollada como una alternativa de análisis frente a la STFT.

4: Representación tiempo .1. LA TRANSFORMADA CORTA DE FOURIER (STFT) 53 Figura 4. . Figura 4.frecuencia con buena resolución en frecuencia y mala resolución en tiempo.5: Representación tiempo .frecuencia con buena resolución en tiempo y mala resolución en frecuencia.4.

7) en términos de la Transformada de Fourier de ܴص y como ÏÌ´ Ô µ ¾½ ½  ½ ´ µ©´ µ   Ø (4.8) Como se puede observar (4. Asumiendo que tanto la señal como la nueva función ´Øµ son de energía finita.4.2. Al igual que la STFT. Ahora utilizando el teorema de Parseval podemos como la Ì Ö Ò× ÓÖÑ escribir (4. esta transformada utiliza una función ventana que encuadra una señal dentro de un intervalo y focaliza el análisis sólo en ese segmento de la señal. y la variable nos da la ubicación en el dominio del tiempo de . mediante una expansión de términos o coeficientes proporcionales al producto interno entre la señal y diferentes versiones escaladas y trasladadas de una función prototipo ´Øµ más conocida como Û Ú Ð Ø Ñ Ö .7) ÓÒØ ÒÙ Ï Ú Ð Ø. para que este análisis sea posible y además para poder lograr una perfecta recon- . 4. La transformada continua wavelet intenta expresar una señal ܴصcontinua en el tiempo.7) y (4. La variable controla el ancho o soporte efectivo de la función .6: Función wavelet correspondiente a la familia Daubechies 4 (ver Apéndice). Ahora bien. entonces podemos definir ÏÌ´ ½ µ Ô ½ ܴص  ½ ´Ø   µ Ø (4.8) arriba han aparecido dos nuevas variables y . TRANSFORMADA CONTINUA WAVELET (CWT) 54 Figura 4.2 Transformada Continua Wavelet (CWT) La transformada wavelet constituye una técnica relativamente nueva que ha sido propuesta por los investigadores como una poderosa herramienta en el análisis sobre el comportamiento local de una señal.

que sea una onda.frecuencia. es una onda definida sobre un intervalo de tiempo finito. Además como es una función que “ventaniza” la señal sobre un intervalo de tiempo dado por alrededor de un punto Ø se observa intuitivamente que es de soporte compacto. Con este cambio de variable podemos observar que la CWT localiza tanto la señal ܴص en el dominio donde recibe el nombre de del tiempo como su espectro ÓÒ×Ø ÒØ Ð Ö ´ µ en el dominio de la frecuencia en forma simultánea. . El hecho que se cumpla (4.2.4. es posible mediante una con¼ realizar un cambio de variable de una escala a una frecuencia de la forma stante (4. tanto la duración como el ancho de banda de la wavelet cambian pero su forma se mantiene igual.10) ´Øµ. es decir. En particular.escala que una representación tiempo .9) significa implícitamente que ©´ µ debe tener un rápido decaimiento cuando tiende a ¼. ½) o dilatar ( ½) la función ÓÒ en unidades de frecuencia (tal como Hz). para valores pequeños de la CWT obtiene información de ܴص que está esencialmente localizada en el dominio del tiempo mientras que para valores grandes de la CWT obtiene información de ´ µ que está localizada en el dominio de la frecuencia. lo que nos hace pensar que es una función ventana pasabanda en el dominio de la frecuencia ( ya que al menos en la frecuencia ¼ se detiene). y esto es el porque de su nombre Û Ú Ð Ø o ondita. la función 55 Ñ× Ð ´Øµ debe cumplir con la ÓÒ ÓÒ [CHU98] de la cual se desprende que ©´¼µ ¼ (4.9) donde © ©´ µ corresponde a la transformada de Fourier de ´Øµ. ya que la primera ocupa ventanas de corta duración para altas frecuencias y ventanas de larga duración para bajas frecuencias mientras que la STFT ocupa una sola ventana con la misma duración tanto para altas frecuencias como para bajas frecuencias. 4. es decir. Cuando cambia. para escalas pequeñas la CWT nos entrega una buena resolución en el dominio del tiempo mientras que para escalas grandes la CWT nos entrega una buena resolución en el dominio de la frecuencia. En otras palabras. lo que nos dará el grado de resolución con el cual estemos analizando la señal. TRANSFORMADA CONTINUA WAVELET (CWT) strucción de la señal a partir de la transformada.2.1 Variables de escala y traslación Mediante la variable de escala nosotros podemos comprimir ( Por definición la Transformada Continua Wavelet es mas una representación tiempo . Aunque la CWT trabaja con el término escala en vez de frecuencia. El cumplimiento de esta condición significa que el valor medio de es igual a ¼. lo que a su vez implica obligatoriamente que tenga valores tanto positivos como negativos. En lo anteriormente dicho se encuentra la diferencia principal entre la CWT y la STFT.

lo que implica mayor resolución en tiempo.2.7: Se observa el proceso de escalamiento y traslación. para una escala grande la wavelet ocupa un mayor segmento de la señal y por lo tanto tiene mejor resolución en frecuencia mientras que para una escala más pequeña el intervalo de tiempo bajo el que se analiza la señal es menor. .4. TRANSFORMADA CONTINUA WAVELET (CWT) 56 Figura 4.

4.2. y la suposición más lógica es que tanto los valores de escala como traslación sean discretos. nos da la cantidad por la cual controla la ubicación de la función en el espacio de tiempo permitiéndonos deslizar ´ Ø µ ha sido trasladada en el La continuidad de la CWT reside en que tanto la variable de escala como la variable de traslación varían en forma continua. si la escala escogida es pequeña habrán más traslaciones de que si la escala escogida es grande.7). Adelantándonos un poco a lo que es la Transformada Discreta Wavelet. en términos de cálculo computacional es imprescindible discretizar la transformada. y ¾  con ¾ . . la variable dominio del tiempo. Por lo tanto.12) que corresponde a la versión diádicamente discretizada de la función wavelet . es decir. Sin embargo.11) ´Øµ ¾ ¾ ¾ Ø  (4. es decir. de tal manera que el conjunto de funciones ½ ´Øµ Ô se transforma en el conjunto de funciones Ø  ¾Ê ¾ ¼ (4. Un punto importante es que la función wavelet se traslada cubriendo toda la señal para cada valor de . esto se esquematiza en la figura (4. TRANSFORMADA CONTINUA WAVELET (CWT) La variable 57 ´Øµ sobre el intervalo de tiempo en el que se haya definido ܴص. la forma más ¾  común de discretizar los valores de y es utilizar una red diádica[BUR98] [CHU97].

TRANSFORMADA CONTINUA WAVELET (CWT) 58 Figura 4.4.2.8: Función Wavelet Mexican Hat y Morlet con sus respectivas Transformadas de Fourier (gráficos de la izquierda).frecuencia v/s tiempo -escala entre la STFT y la CWT.9: Diferencia tiempo . . Se observa como cumplen con la condición de admisibilidad al tener un rápido decaimiento a medida que la frecuencia tiende a ¼. Figura 4.

probaremos que es un “buen” sistema wavelet y dejaremos ver ventajas y desventajas de esta wavelet.1 Sistemas wavelet de primera generación Los sistemas wavelet de primera generación son todos aquellos que sean generados sólo por traslaciones enteras y escalamientos de una única función wavelet ´Øµ.Capítulo 5 Sistemas Wavelet. ´Øµ ´Øµ · ´Øµ (5. trae siempre asociada consigo una función escala ´Øµ. que es la más antigua y simple de todas. 5.1) donde el factor ¾ ¾ mantiene una norma constante independiente de la escala . La wavelet madre ´Øµ. que da a luz a una familia de funciones de la forma: ´Øµ ¾ ´¾ Ø   µ ¾ ¾ (5. existen muchos y muy diferentes sistemas wavelet. En este capítulo estudiaremos los sistemas wavelets de primera generación. mediante una de las funciones o mediante ambas.1. Luego analizaremos el sistema Haar.2) 5.1 Características de sistemas wavelet El set de expansión wavelet no es único. Definiremos la función escala y la wavelet. Con estas dos funciones podremos aproximar cualquier función o señal ´Øµ ¾ ľ ´Êµ. de la forma Esta familia de funciones es llamada el set de expansión wavelet. llamada wavelet madre o wavelet generadora. daremos exigencias para estas y demostraremos sus propiedades. pero todos tienen las siguientes características (adaptadas de [TAM99]): 59 .

La generación de wavelets y el cálculo de la Transformada Discreta Wavelet es bien realizada por una computadora. llamado banco de filtros. 5. En otras palabras. . un coeficiente de expansión wavelet representa un componente bien definido en un intervalo de tiempo. que suele ser una base para alguna clase de señal de una o más dimensiones. mediante un algoritmo en forma de árbol. un conjunto conjunto de señales puede ser representado por una suma de ´Ø   µ más amplio de señales (que incluye el conjunto original) puede ser representado por una suma ´¾Ø   µ ¾ . una expansión lineal puede ser ´Øµ para algún conjunto de coeficientes . 7. la mayor parte de la energía de la señal es bien representada por unos pocos coeficientes Mientras un coeficiente de Fourier representa un componente que dura todo el tiempo en que se extiende la señal. Debido a que existen muchos wavelet. ´Øµ (5. Los wavelets son ajustables y adaptables. Un sistema wavelet puede describirse de una manera “amigable”. Esto quiere decir que .3) 2. pues como veremos más tarde estos cálculos se remiten sólo a multiplicaciones y sumas. Los coeficientes de más baja resolución pueden ser calculados a partir de los coeficientes de más alta resolución. 3. 4. como un conjunto de ladrillos (que para cada sistema pueden tener diferente forma) que sirven para reconstruir o representar una señal o función.5. SISTEMAS WAVELET DE PRIMERA GENERACIÓN 60 1.1 6. esto es. estos pueden ser diseñados para adaptarse a una aplicación particular. La expansión wavelet entrega una localización tiempo-frecuencia instantánea de la señal. Los sistemas wavelet satisfacen las condiciones de multi-resolución.1. si el set de expansión esta dado por ´Øµ ¾ . Esto significa que si un ¾ . representación que puede explicarse como un pentagrama musical. 1 Debido a esto wavelet es una efectiva herramienta en compresión y denoising(limpieza) de señales. donde la localización y forma de la figura musical nos dice cuando ocurre el tono y cual es su frecuencia. un coeficiente wavelet es en sí bien localizado en el tiempo. Esto permite un muy eficiente cálculo de los coeficientes de expansión (también conocida como la Transformada Discreta Wavelet). Este conjunto es una expansión bi-dimensional. El tamaño de los coeficientes de expansión wavelet disminuye rápidamente con y .

1.5) ´Øµ ´Øµ ´Øµ ´Øµ Ø ´Øµ . por lo que sólo uno de los productos puntos de la ecuación anterior es distinto de cero ( ½).5) por ga: ´Øµ ´Øµ ´Øµ ´Øµ  ½  ½´Øµ ´Øµ · · ´Øµ ´Øµ · · ´Øµ pero como veremos luego.4) ¾ la función escala define un subespacio Î Î Entonces una función ËÔ Ò ¾ ´Øµ ´Øµ estará en Î si puede escribirse como ´Øµ con ¾ ´Øµ ½  ½ (5. que trasladada y escalada genera una familia de funciones ´Øµ ¾ definida como: ¾ ´Øµ ¾ ´¾ Ø   µ ¾ ¾ ľ ´Êµ como (5.2 Función escala Sea ´Øµ ¾ Ä ´Êµ.5. la función escala debe cumplir con ciertos requisitos. y uno de ellos es ser ortonormal.1. lo que nos entre ½ ½´Øµ esta última ecuación se demuestra multiplicando vectorialmente (5. lo que nos entrega ´Øµ ´Øµ Otra valiosa propiedad que nos entrega la definición de la función escala es que ´Øµ ¾ Î ¸ ´¾Øµ ¾ Î lo que se demuestra como sigue ·½ . una función escala. SISTEMAS WAVELET DE PRIMERA GENERACIÓN 61 5.

o sea ¾ 3. La función Î Î ·½ ´Øµ tiene soporte compacto. Para cada ¾ . ¾ forma una base ortonormal para el subespacio Πľ ´Êµ.1. SISTEMAS WAVELET DE PRIMERA GENERACIÓN 62 ´Øµ ¾ Î ¸ ´Øµ ´Øµ ¾ ¸ ´¾Øµ ´¾Øµ ¾ ¸ ´¾Øµ ¾ ¾ ´¾ Ø   µ ¸ ´¾Øµ ´¾ Ø   µ ¾ Ô ¾ ¸ ´¾Øµ ´Øµ ¾ Ô ¾ ¸ ´¾Øµ ¾ Î È È È ¾ ·½ È È ¾ ·½ ¾ ·½ ¾ ·½ ¾ ·½ ·½ 5.e. ×ÙÔ Ü¾ ´Üµ ¼ . Una función ´Øµ ¾ ľ ´Êµ es considerada como una “buena” función de escala si cumple con las siguientes condiciones (tomadas de [BUR98]): 1.5.2. 2. Los subespacios Î están anidados. La normalidad exigida en la condición 1 se demuestra como: ´Øµ Ö Ê ´Øµ ½ ´Øµ Ø  ½ ½ ´¾ Ø   µ Ø  ½ ¾ ½ ¾ ´Ùµ Ù  ½ ½  ½ ´Ùµ Ù ´Øµ ÕÊ ¾ ¾ Õ ´Øµ ¾ ¾ ÕÊ ¾ ÕÊ ½ ¾ ¾ con Ù ¾ Ø  Ù ¾ Ø La condición de ortonormalidad exige que para cada ¾ tengamos: ´Øµ Ð ´Øµ Æ´   е ½ ¼ Ð Ð . Esto es.1 Características de una función escala. i.1. existe un subconjunto del dominio de ´Øµ donde esta no es cero.

Como ½ Î Î ·½ ¸ ´Øµ ¾ Î (5.6) Demostraremos ambas implicaciones por separado.6)).6)). o lo que es lo mismo ´Øµ ¾ Î ¸ ´Øµ ½  ½ ¾ ´¾ Ø   µ ¾ además sabemos que existen coeficientes ´Ñ¼ µ con Ò ¾ ´Òµ tal que Ô ´Òµ ¾ ´¾Ñ¼   µ ¾ Ø  ½ Ѽ µ ´Øµ ¸ ´Øµ sea Ñ ½  ½ ½  ½ ½  ½ ¾ ¾ Ô Ò  ½ ¾ ´Òµ ´¾´¾ Ø   µ   Òµ ´Òµ ´¾ Ø   ¾   Òµ ·½ ½ Ò  ½ ½ ¾ ·½ ¾ ¾ ·Ò µ ´Øµ Ñ  ½ ¾ ·½ ¾ ´Ñ   ¾ µ ´¾ Ø   ѵ ·½ . comenzando por la más sim- Por demostrar que si ´Øµ ¾ Î ´Øµ Î ·½ µ ´Øµ ¾ Î (primera implicación de (5. Proposición 1. ´Øµ ¾ μ y como por hipótesis μ ν . Tenemos que por hipótesis ´Øµ ¾ Î .5. SISTEMAS WAVELET DE PRIMERA GENERACIÓN 63 La condición 2 nos dice que los subespacios Î incluyen más funciones de ľ ´Êµ a medida que crece.1. El anidamiento de los espacios se puede expresar como: ¾ Demostración. ple. debería darse que ¼ ¼ ´Øµ tenemos que Î ¾ Por demostrar que si ´Øµ ¾ Î µ ¾ Î Î ·½ (segunda implicación de (5.

llamados Ô coeficientes de función escala (o filtro de escalamiento o vector de escalamiento) y la ¾ mantiene la llamada ecuación básica de recursión o ecuación de escala. los coeficientes ´Òµ pueden ser una secuencia de números reales o complejos.5. entonces ´Òµ también tiene sobre ¼ soporte compacto sobre ¼ Ø Æ   ½. donde normalidad de la función escala en ν . por lo que la máxima longitud de la secuencia ´Òµ es Æ Proposición 2. intercambiamos sumatorias en la ultima expresión ¸ ´Øµ ½ Ñ  ½ ¾ ½ ·½ ¾ ´¾ Ø   ѵ ·½ ½  ½ ´Ñ   ¾ µ ´Ñ   ¾ µ ¸ ´Øµ sea Ñ  ½ ·½ Ñ ´Øµ ½  ½ ½ ·½ Ñ entonces ´Øµ puede escribirse como ´Øµ ½ Ñ  ½ ´Ñ   ¾ µ  ½ ·½ Ñ ·½ Ñ ´Øµ µ ´Øµ ¾ Î ·½ lo que implica que existen coeficientes ´Òµ Ò¾ .7) ´Øµ ¾ Ô ´Òµ ¾ ´¾Ø   µ ´Øµ tiene soporte compacto sobre ¼ Ø Æ  ½. SISTEMAS WAVELET DE PRIMERA GENERACIÓN 64 ¸ ´Øµ ½ ½  ½ Ñ  ½ ¾ ·½ ¾ ´Ñ   ¾ µ ´¾ Ø   ѵ ·½ debido a que. como veremos más tarde. sólo un número finito de términos en la sumatoria son distintos de cero. ´Øµ es una función escala como se define en (5. Si ½ . tal que una suma de ´¾Øµ ajustada y trasladada como ´Øµ puede ser expresada en términos de (5.7). que tiene soporte compacto Ø Æ   ½ y ´¾Ø   µ ¾ es base ortonormal para Î .1.

1.1.5.3 Función Wavelet Definimos Ï ËÔ Ò ¾ ´Øµ Î son como el complemento ortogonal de Î en Î ·½ . Mostraremos que 65 Ô ¾ ´Òµ ½  ½ ´Øµ ´¾Ø   Òµ Ø ¼ y Ò Æ   ½. SISTEMAS WAVELET DE PRIMERA GENERACIÓN Demostración. por lo que podemos intercambiar la sumatoria con la integral ½  ½ ¾ Ô ´ µ ¾ ´¾Ø   µ ´¾Ø   Òµ Ø Ô ´µ ¾ ½  ½ ¾ Ô ´µ ¾ ½  ½ ´¾Ø   µ ´¾Ø   Òµ Ø µ ¾ ´¾Ø   µ ´¾Ø   Òµ Ø ¾ Ô ´ µ ¾Æ´   Òµ Ô ´Òµ ¾ por lo que queda demostrada la proposición 2. sólo finitos coeficientes son no nulos. 5. Entonces se requiere que ´Øµ con ´Øµ ½  ½ ¾ ´Øµ ´Øµ Ø ¼ о ´Øµ ¾ ´¾ Ø   µ ν μ Å ¾ y además ϼ . Tenemos entonces por (5. esto significa que todos los miembros de ortogonales a todos los miembros de Ï . entonces quedaría y como por hipótesis la integral de la derecha es cero para Ò demostrado que ´Òµ tiene soporte en ¼ Ø Æ   ½.7) que ½  ½ ´Øµ ´¾Ø   Òµ Ø ½  ½ ¾ Ô ´ µ ¾ ´¾Ø   µ ´¾Ø   Òµ Ø como por hipótesis ´Øµtiene soporte compacto.

5.1. entonces ´Øµ ¾ Î . SISTEMAS WAVELET DE PRIMERA GENERACIÓN donde cualquier función 66 ´Øµ ¾ Ï puede ser representada como ´Øµ la función básica wavelet De este modo la función ¼¼ ¾ ¼ ´Øµ Ä ½ ¼ ¼ ½ ´Øµ ´Øµ ¾ Ï . ´Øµ.8) . que llamaremos Û Ú Ð Ø Ñ Ö se puede representar como Ô ´Øµ ¾ ´Òµ ´¾Ø   µ ¾ (5. y como Î Î Ï .

descompondremos una función continua ´Øµ ¾ la reconstruiremos en diferentes grados de resolución. esto es.1). ľ ´Êµ. 67 .Capítulo 6 Wavelet Haar Comenzaremos este capítulo desarrollando la teoría wavelet en tiempo continuo para la wavelet Haar. calcularemos sus coeficientes y luego 6. definida de la siguiente forma: ¾ ´Øµ ½ × ¼ Ø ½ ¼ Ð Ö ×ØÓ (6.1) Esta función la denominaremos función de escalamiento. Definimos entonces un conjunto de funciones de escalamiento en términos de traslaciones enteras de la función básica de escalamiento ´Øµ: Figura 6.1 Función Haar Escala Sea la función ´Øµperteneciente a Ä ´Êµ. que gráficamente es representada como se muestra en la Figura (6.1: Función Haar de escalamiento.

entonces tenemos ´Øµ Ñ ´Øµ Ø Ø¾ ؽ ´Øµ Ñ ´Øµ Ø · Ø Ø¿ ´Øµ Ñ ´Øµ Ø (6. es decir ´Øµ Ñ ´Øµ ´Øµ Ñ ´Øµ Ø ¼ (6. FUNCIÓN HAAR ESCALA 68 ´Øµ ´Ø   µ ½ × Ø Ø ·½ Ø ¼ ×Ó ÓÒØÖ Ö Ó ½ ¾ (6.2) y (6.2) y (6. Para un rápido cálculo de estos coeficientes es necesario que cuestión. El superrayado denota clausura.5) están definidas en distintos intervalos de tiempo.3) para todos los enteros desde  ½ a ½ .5) debe ser cero para cumplir con la condición de ortogonalidad. Para probar esta propiedad de la familia de funciones en ´Ø   ѵ ½ × Ø Ñ Ø Ñ·½ Ø ¼ ×Ó ÓÒØÖ Ö Ó ¿ Ñ ´Øµ (6.6) ÓÒ Ñ esto es fácilmente demostrable ya que (6.2) ¾ ¾ Ä ´Êµ ¾ el subespacio de ľ ´Êµ generado por esta función es definido como ¼ ËÔ Ò ´Øµ (6.7) .5) entonces el producto punto entre (6. cualquier función ´Øµ que esté en ¼ puede ser representada por una combinación lineal del conjunto de funciones ´Øµ con sus respectivos coeficientes . esto significa que ´Øµ ´Øµ ¾ ¾ Ä ´Êµ ¾ (6.1.6.4) Ô Ö Ù ÐÕÙ Ö ´Øµ ¾ Ó o sea. definiremos ´Øµ sea ortonormal.

2: ´Øµ ؾ definida sobre el intervalo [-3.2) ؾ ؽ ´Øµ ´Øµ Ø ´ · ½µ   ½ (6. ØØ Ø ¾ ½ (6.9) ´Øµ ´Øµ Ø ´Øµ.8) queda así demostrada la ortogonalidad de ´Øµ con ¾ ؾ ؽ . Sea entonces ´Øµ ´Øµ por (6. FUNCIÓN HAAR ESCALA 69 Figura 6.1. ´Øµ Ø ¾ con Ø ¾  ¿ ¿ .3].6. como una combinación lineal de la forma ¾ . ؾ ؽ ½£¼ Ø· Ø Ø¿ ¼£½ Ø ¼ (6.con lo que sólo nos resta demostrar la normalidad de este conjunto de funciones.10) se demuestra así la ortonormalidad de Ejemplo 1 Representar la función  ¿ ¾ . mediante la función de escalamiento ´Øµ ÓÒ Ø ¾ Solución Representaremos la función continua ´Øµ Ø .

excepto  ¿ ´Ø · ¿µ ´Ø · ¿µ µ µ ؾ ؾ ´Ø · ¿µ ´Ø · ¿µ  ¿ ´Ø · ¿µ ´Ø · ¿µ (6.15) donde los límites de integración fueron calculados a partir de (6. por lo que todos los productos puntos de la parte derecha de (6.2) µ µ µ µ µ  ¿ ؾ ؾ ´Ø · ¿µ ´Ø · ¿µ ؾ  ¾  ¿ Ø  ¿  ¿  ¾ · ¿ (6.13) como demostramos anteriormente.12) ؾ ´Ø · ¿µ  ¿ ´Ø · ¿µ ´Ø · ¿µ · · ¾ ´Ø   ¾µ ´Ø · ¿µ (6.14)  ¿·½  ¿ ´Ø · ¿µ ´Ø · ¿µ Ø  ¿ (6.6.16) ´Ø · ¿µ ¿  ¿  ¿  ¿ ؾ ´Ø · ¿µ Ø (6. FUNCIÓN HAAR ESCALA 70 ´Øµ  ¿ ´Ø · ¿µ ·  ¾ ´Ø · ¾µ ·  ½ ´Ø · ½µ · ¼ ´Øµ · ½ ´Ø   ½µ · ¾ ´Ø   ¾µ (6.13) serán cero.1.17)  ¾ ¾ ¿ Ø ´Ø · ¿µ Ø · ؾ ´Ø · ¿µ Ø  ¿  ¾ .11) ´Ø · ¿µ ؾ  ¿ ´Ø · ¿µ ·  ¾ ´Ø · ¾µ ·  ½ ´Ø · ½µ · ¼ ´Øµ · ½ ´Ø   ½µ · ¾ ´Ø   ¾µ ¬ ´Ø · ¿µ (6. ´Øµes ortogonal.11) Ahora calcularemos el coeficiente  ¿ para lo que haremos la multiplicación vectorial de por (6.

25)  ¾ ¾  ½ ¾ ¿ Ø ´Ø · ¾µ Ø · Ø ´Ø · ¾µ Ø · ؾ ´Ø · ¾µ Ø  ¿  ¾  ½ .22)  ¾·½  ¾ ´Ø · ¾µ ´Ø · ¾µ Ø  ¾ (6.20) ؾ ´Ø · ¾µ  ¿ ´Ø · ¿µ ´Ø · ¾µ · · ¾ ´Ø   ¾µ ´Ø · ¾µ (6. µ µ ؾ ؾ ´Ø · ¾µ ´Ø · ¾µ  ¾ ´Ø · ¾µ ´Ø · ¾µ (6.18) µ µ ahora calcularemos  ¾  ¿ Ø¿  ¾ ¿  ¿  ¿ ¿ (6. FUNCIÓN HAAR ESCALA como 71 ´Ø · ¿µestá definida sólo en [-3.6.1.24)  ¾ µ µ  ¾  ¾ ¿  ¿ ؾ ´Ø · ¾µ Ø (6.2) µ ؾ ´Ø · ¾µ  ¾  ½ · ¾  ½  ¾ £ Ø  ¾ (6.21) ´Øµes ortogonal.21) serán cero. excepto   ´Ø · ¾µ ´Ø · ¾µ como demostramos anteriormente. por lo que todos los productos puntos de la parte derecha de (6.23) donde los límites de integración fueron calculados a partir de (6.-2] µ  ¿  ¾ ¾ ¿ Ø Ø · ؾ £ ¼ Ø  ¿  ¾ (6.19) ؾ  ¿ ´Ø · ¿µ ·  ¾ ´Ø · ¾µ ·  ½ ´Ø · ½µ · ¼ ´Øµ · ½ ´Ø   ½µ · ¾ ¾ ´Ø   ¾µ ¬ ´Ø · ¾µ (6.

ľ ´Êµ por medio de la función de escalamiento.32) ¾ (6.31) ½ (6. puedan también ser escaladas para lograr así una mejor resolución. Calcularemos entonces los coeficientes restantes ¾  ½ ½  ½  ½ ؾ ´Ø · ½µ  ½ Ø¿ ¼ ¿  ½ (6.26) µ µ  ¾ Ø¿  ½ ¿  ¾ (6.33) en la tabla (6.6.30) ¼ (6.-1] µ  ¾  ¾ ¾  ½ ¾ ¿ Ø £¼ Ø· Ø Ø · ؾ £ ¼ Ø  ¿  ¾  ½ (6.1) se encuentran todos los coeficientes calculados Ahora que tenemos los seis coeficientes buscados.1.1) Para una mejor representación de cualquier señal perteneciente a mediante (6. FUNCIÓN HAAR ESCALA como 72 ´Ø · ¾µesta definida sólo en [-2.28)  ¾ ¾¿ ؾ del cálculo de estos dos coeficientes queda claro que cualquier coeficiente como ´Øµ ´Øµ ؽ ´Øµ Ø siempre que ocupando (6. que además de tener las capacidad de trasladarse. Nos . debemos ser capaces de crear una nueva familia de funciones.28) ´Øµ ¾ Ä ´Êµ y ´Øµ sea ortonormal.29) ¼¿ ¼¿ ¾¿ ¿ ´Øµ Ø ¾ (6.11). podemos reconstruir lo que nos entrega la gráfica mostrada en la Figura (6.27) puede ser calculado (6.

33 Tabla 6. FUNCIÓN HAAR ESCALA 73 coeficiente  ¿  ¾  ½ ¼ ½ ¾ valor obtenido 6.1. debido al espacio en que trabajamos.33 0.33 2.33 6.6.33 0.3: En esta figura apreciamos que la aproximación realizada por la función de escalamiento es bastante burda.1: Coeficientes de reconstrucción para la función de escalamiento. . Figura 6.33 2.

35) es un subespacio de donde ´Øµ es la función básica de escalamiento trasladada y escalada. ¾ ´¾ ص ËÔ Ò ´Øµ (6.6. mediante la familia de funciones ´Øµ.34). ½. ؾ   ´¾Ø   µ de manera análoga al ejemplo 1 (revisar desde la ecuación (6. y Ejemplo 2 Representar la función ´Øµ Ø ¾ con Ø ¾  ¿ ¿ .1.34) ´Øµ ¾ . Solución Para representar esta función trabajaremos en el espacio ½ . que se define como ËÔ Ò Ä ´Êµ generado por (6.34)     ¾ ¾ ؾ ´¾Ø · µ  ¾ ¾ Ø Ø  ¿   ¾ . o lo que es lo mismo.12) a (6. FUNCIÓN HAAR ESCALA definimos entonces un nuevo conjunto de funciones de escalamiento 74 ´Øµ como con ´¾ Ø   µ ½ × Ø Ø ¼ ×Ó ÓÒØÖ Ö Ó ½ ¾ ½· ¾ ؾ (6.19)) tenemos que ؾ ´¾Ø · µ     ´¾Ø · µ ´¾Ø · µ  ¾  ¿   Ø ´¾Ø · µ ´¾Ø · µ ´¾Ø · µ ´¾Ø · µ   donde los límites de integración están dados por (6.

08 0.1.58 0.6.58 1. utilizando utilizando la función de escalamiento en ½ .58 ؾ . FUNCIÓN HAAR ESCALA coeficientes valores obtenidos 7.1.08 1. 75        ¿  ¾  ½ ¼ ½ ¾ ¿ Tabla 6. Demostraremos ahora que esto no ocurre solo en ½ .58 0.58 3. estos son mostrados en la tabla (6.58 5. lo que indica que las funciones de escalamiento de este subespacio no son ortonormales.4) se muestra la reconstrucción de usando ´Øµen ½ 6. si no que en todo ´Øµ ´Øµ ¾ ´Øµ ؾ ؽ ´Øµ ´Øµ Ø ·½ ¾ ØØ Ø ¾ ½ (6.08 0.2: Coeficientes de reconstrucción para ´Øµ   Ø¿  ¾ ¿  ¿   ¿ ´Øµ Ø ¾ los demás coeficientes serán calculados de la misma forma.1 Relación ortogonalidad y normalidad Del ejemplo anterior se puede observar que para ½ los coeficientes quedaban divididos por 2.36) ÓÒ Ø½ ؾ ´Øµ ½ ¾ (6.2) en la figura (6.08 5.37) .08 3.08 7.

38) . Con esta mejora de ´Øµ definimos una nueva familia de funciones ¾ ´Øµ ¾ ´¾ Ø   µ ¾ ¾ × ¼ ؽ ×Ó ¾ Ø ½· ¾ ÓÒØÖ Ö Ó Ø¾ (6. para multipliquemos las funciones base por un número cualquiera Ö Ö Ö ´Øµ Ö ´Øµ Ö¾ ؾ ؽ ´Øµ Ö ½ ´ØµÖ ´Øµ Ø ¾ Ö¾ ´Øµ Ö ¾ Ö ½ ¾ ¾ con lo que obtenemos lo que denominaremos la constante de normalización. FUNCIÓN HAAR ESCALA 76 Figura 6.4: En esta figura se presenta una clara mejoría en la resolución de la representación de la función cuadrática. por lo tanto debemos encontrar una constante que nos permita hacer estas funciones ortonormales. entonces. queda demostrada entonces la no normalidad de esta familia de funciones.6. debido que ´Øµen ½ esta definida en un intervalo de tiempo mas pequeño que en ¼.1.

Si elegimos obtenemos que µ ´Øµ Ô Ô ´½µ ¾ ´¾Øµ · ´¾µ ¾ ´¾Ø   ½µ (6.38) ´Øµ. como sigue ´¾µ ´¾µ Ô ½¡½ Ø Ô ¾Ø ½ ¼ Ô ¾ Ô ½ ¾ ¾ entonces tenemos que la función básica de escalamiento puede ser representada por sí misma. esto es. como se muestra en (6. FUNCIÓN HAAR ESCALA entonces de ahora en adelante cuando hagamos referencia a 77 ´Øµ. Calculemos ´½µ Ý ´¾µ ´½µ Ô ¾ ¼ ¼ ´Øµ ´¾Øµ Ø ½¡½ Ø· ½ ¼ µ µ ´½µ Ô ¾ ½¡¼ Ø ´½µ ´¾µ Ô Ô ¾Ø ¼ ¼ Ô ¾ Ô ½ ¾ ¾ ¾ ¾ ½ ¼ ´Øµ ´¾Ø   ½µ Ø ¼¡½ Ø· ½ ¼ µ µ calada y trasladada.1.6. y de acuerdo con () una combinación lineal de ella misma. ½ ¼ ´Øµesta definida en Ø ¾ ¼ ¼ µ y ½ ½ ´Øµ esta definida Ø ¾ ¼ ½µ. trasladada y escalada.39) se escogen ½ ¼ ´Øµ y ½ ½ ´Øµ ya que necesitamos cumplir con el intervalo de tiempo en que está definida ´Øµ. es- ´Øµ ´¾Øµ · ´¾Ø   ½µ (6. estaremos hablando de (6.34). es que puede ser representada por Una importante propiedad de la función de escalamiento ½.40) .

Sin embargo. ´Øµ ½ ½ ½ obtenemos respectivamente que ´½µ ´¾µ Ô ¾ ¾ ½ ½ ¾ ¼ ´Øµ Ø ´Øµ Ø ¾ (6.6. y se define de la forma ´Øµ ½ × ¼ Ø  ½ × Ø ½ ¼ ×Ó ÓÒØÖ Ö Ó ½ ¾ ½ ¾ (6. sino definiendo un espacio Ï de funciones levemente diferentes a las funciones escalamiento.43) Ô Ô de tal manera que al realizar el producto interno de (6. entonces el espacio ϼ al ser el complemento de μ en ν es ´Øµ.45) respectivamente. las características de una señal pueden ser mejor descritas. .41) por lo que ya estamos en condiciones de decir que el espacio ϼ corresponde al complemento del espacio μ en el espacio ν .44) y ½ Ô ½ ½ ¾ (6. la función que expande el espacio ϼ se conoce como función wavelet. se obtiene una mejor aproximación de la señal utilizando las funciones de escalamiento que ocupan el espacio ν que utilizando la función escalamiento que ocupa el espacio μ . y calculando los coeficientes ½ y obtenemos como resultado que (6. puede ser representada Ô Ô ´½µ ¾ ´¾Øµ · ´¾µ ¾ ´¾Ø   ½µ (6. tal que Î ·½ Î ¨Ï (6.2. FUNCIÓN HAAR WAVELET 78 6.46) ½ ´½µ   ´¾µ Ô ¾ ½ observando que estos coeficientes nos permiten mantener la normalidad de la función Como ya sabemos que los espacios μ y ν son ortogonales y por lo tanto cualquier espacio Î con ¼ ¦½ ¦¾ también lo es. no incrementado el tamaño del espacio de las funciones escalamiento. que representen la diferencia que existe entre un espacio Î y un espacio Î ·½ . Ahora bien.42) sobre el intervalo ¼ ½ como una combinación lineal de las funciones de escalamiento que expanden el espacio ν de la siguiente manera que al igual que la función de escalamiento que expande el espacio μ .43) por ¾ ´¾Øµ y luego por ¾ ´¾Ø   ½µ.2 Función Haar Wavelet Como se observó en la sección anterior.

Si nos definimos la función wavelet como ortogonal. es posible obtener una representación de la diferencia que existe entre aproximar una señal con un nivel de resolución y aproximar la ´Øµ ½ × Ø ·  ½ × · Ø · ½ ¼ ×Ó ÓÒØÖ Ö Ó ½ ¾ ½ ¾ (6. mediante el producto interno de esta señal con un set de funciones que expandan el espacio Ï donde será elegido de acuerdo al grado de aproximación que se desee.5: Función wavelet en ϼ como combinación lineal de las funciones escalamiento que expanden ν y μ . puede ser demostrada en forma análoga a como se demostró con la función de escalamiento. FUNCIÓN HAAR WAVELET 79 Figura 6.La propiedad de ortogonalidad de ϼ y por ende de la función wavelet ´Øµ.48) ´Øµ Ñ ´Øµ ·½ ´Øµ £ ¼ Ø · Ñ·½ Ñ ¼ £ Ñ ´Øµ ¼ Ñ ¾ (6. y nos . Por lo tanto.49) con lo que se da por finalizada la demostración.47) ¾ © ¾ Ä ´Êµ ¾ que corresponde a la misma función pero desplazada en el tiempo por una constante .entonces realizando el producto punto definimos de la misma forma otra función Ñ ´Øµ con Ñ entre ellas de la forma ´Øµ obtenemos que Ñ ´Øµ Ñ·½ ´Øµ Ñ ´Øµ (6. al igual que con la función escalamiento.6. . misma señal con un nivel de resolución · ½.2.

2. todos los productos puntos de ´Ø · ¿µ . los cuales son ·  ¾  Ø¾ Ø ½  ¿· ¾ ¾    ¿ (6. y por lo tanto ¼ ´Øµ ؾ  ¿ ´Ø · ¿µ ·  ¾ ´Ø · ¾µ ·  ½ ´Ø · ½µ · ½ ´Øµ · ½ ´Ø   ½µ · ¾ ´Ø   ¾µ (6. ´Øµ ؾ sobre el intervalo ¿  ¿ en forma análoga a como se hizo con la Solución La primera aproximación la haremos en ´Ø   µ ÓÒ será de la forma ´Øµ ϼ de tal manera que las funciones wavelet de este espacio ¾  ¿ ¾µ.50) ahora.54) para ´Ø · ¿µ  ½ ½  ¿· ¾ ¾ Ø Ø  ¿ ¾  ¿ (6.56) nos entregan dos coeficientes.55) y (6. por lo tanto la parte derecha de (6. excepto ½ ´Ø · ¿µ ؾ ´Ø · ¿µ ´Ø · ¿µ  ¿·½  ¿ ´Ø · ¿µ ´Ø · ¿µ Ø  ¿  ¿·½  ¿ ´Ø · ¿µ ´Ø · ¿µ Ø  ¿ · (6. FUNCIÓN HAAR WAVELET 80 Ejemplo 3 Aproximar la función función escalamiento. para calcular el primer coeficiente haremos el producto punto de ¼ ´Ø · ¿µ con (6.50) (6. La resolución de las integrales de (6.51)  ¿ ´Ø ·¿µ·  ¾ ´Ø ·¾µ·  ½ ´Ø ·½µ· ´Øµ· ½ ´Ø   ½µ· ¾ ´Ø   ¾µ ¬ ´Ø ·¿µ ؾ ´Ø · ¿µ  ¿ ´Ø · ¿µ ´Ø · ¿µ · · ¾ ´Ø   ¾µ ´Ø · ¿µ (6. como demostramos anteriormente que ´Øµes ortogonal.57) .6.52) entonces.53) que para ´Ø · ¿µ ½ nos queda  ¿·½ ¾ Ø  ¿ (6.52) serán cero.56)  ¿ ½ ½¾    ¿ ½   ½¾   ¼ (6.55) y para ´Øµ ¼ la solución es trivial.

6. mediante la familia de funciones ´Øµ con un valor Solución Representar esta función ؾ para ½.5 -1. Ejemplo 4 Aproximar la función de ½.3: Coeficientes obtenidos para la representación de la señal ؾ con la Haar Wavelet en el espacio ϼ .5 1.5 -0.6). observamos sus resultados en la tabla (6.5 81  ¿  ¾  ½ ¼ ½ ¾ Tabla 6.6: Aproximación de la señal ؾ mediante las función wavelet del espacio ϼ . . Realizando el cálculo de los otros coeficientes en forma análoga. donde · y   representan los coeficientes obtenidos debido a la parte positiva de la función wavelet haar y la parte negativa de la función wavelet haar respectivamente (figura (6. significa que obtendremos una aproximación de ella en el subespacio ν .5 -2. Figura 6.5 0.3) y en la figura (6.2)). ´Øµ Ø ¾ con Ø ¾  ¿ ¿ . FUNCIÓN HAAR WAVELET Coeficientes Valores Obtenidos 2. por lo tanto la representación de ´Øµ ؾ mediante la combinación lineal de ½ ´Øµ.2.

61) ¦ entonces como sabemos que (6.1 Relación ortogonalidad y normalidad De los ejemplos anteriores hay que observar que para ϼ los coeficientes quedaban divididos por 2.61) debe dar 1 para que ´Øµ y ´¾Øµ sean ortonormales. obteniéndose al final una cantidad de 12 coeficientes (tabla (6.2. Por lo tanto debemos encontrar una constante que nos permita hacer estas funciones ortonormales. de tal manera que nuestro primer coeficiente lo podemos expresar como ½  ¿· ¾ ¾ Ø  ¿ ´¾Ø · µ que para ´¾Ø · µ ½ nos queda  ¿· ½ ¾    ¿  ¿· ½ ¾ Ø Ø  ¿ ´¾Ø · µ ´¾Ø · µ Ø · (6.60) El resto de los coeficientes se calcula en forma análoga. 6.53)). Además.2.59)   y para ´¾Ø · µ  ½ ½  ¿· ¾ ¾  Ø Ø  ¿· ½     Mediante la resolución de las integrales de arriba obtenemos los respectivos valores de los coeficientes · y       ·   ¾       (6. el valor Ô de Ö debe ser ¾ y el valor de Ö debe ser ¾.6.4)) que corresponden al doble de coeficientes obtenidos en el ejemplo anterior.51).7). podemos observar que es posible escribir Ö en Ö¼ ´Øµ Ö¼ ´Øµ Ö½ ´¾Øµ Ö½ ´¾Øµ ½ ¾ ½ ¼ ½ ½ . (6.58) el cálculo de los coeficientes se realiza de forma análoga al ejemplo anterior (ver (6.52) y (6. lo que indica que las funciones wavelets de estos subespacios no son ortonormales. La representación de la función original a través de estos coeficientes puede observarse en la figura (6. FUNCIÓN HAAR WAVELET queda 82 ؾ   ´¾Ø · µ ·   ´¾Ø · µ ·   ´¾Ø · µ · · ´¾Ø   µ (6. y que para Ͻ los coeficientes quedaban divididos por 4. para ϼ multipliquemos las funciones base por un número cualquiera Ö¼ y de forma análoga llevémoslo a cabo para Ͻ con Ö½ . de tal manera que ¦ (6. entonces.

13 -0.4: Coeficientes obtenidos para la representación de la señal ؾ con la Haar Wavelet en el espacio Ͻ . Figura 6.6. .63 0.7: Representación de la función ´Øµ ؾ en el subespacio Ͻ .37 -0.37 Tabla 6.87 0.2.13 0. FUNCIÓN HAAR WAVELET 83 Coeficientes        ¿  ¾  ½ ¼ ½ ¾ ¿ Valores Obtenidos 1.37 0.13 -1.87 -1.13 -0.37 1.63 -0.

al igual que las funciones escalamiento. ya estamos en condiciones de definir un set de funciones bases ortonormales mediante escalamiento y traslación de la forma ´Øµ ¾ ´¾ Ø   µ ¾ con ´Øµ ¾ Ï ¾ ×  ¾ × ¼ ¾ ¾ ¾ ¾ Ø ×Ó ÓÒØÖ Ö Ó ¾ ·½ · Ø ¾ · ½ ¾ ·½ ·½ ¾ (6. y Ï es un subespacio de ľ´Êµ generado por (6. FUNCIÓN HAAR WAVELET término de Ö¼ de la forma Ö½ 84 Ö es decir Ô Ô ¾ £ ¾. De esta manera.62) que se define como Ï ËÔ Ò ´¾ ص ËÔ Ò ´Øµ (6. .6.62). Por lo tanto para un subespacio Ï podemos establecer que Ô Ô Ô Ô ¾ £ ¾ £ ¾ ×Ø Ð   × Ñ ÑÙÐØ ÔÐ ÓÒ ÔÓÖ ¾ Ö ¾ ¾ con lo que obtenemos lo que denominaremos la constante de normalización.63) donde ´Øµ es la función wavelet base trasladada y escalada.2.

que expande ´Øµ como: de ella misma. En este análisis empleamos una función ´Øµ ´Øµ cuidadosamente escogida según la señal a analizar. Un análisis multi-resolución requiere un anidamiento de los espacios generados por las funciones escala. lo que nos entrega una descomposición multi-escala de la forma: resolución ½ ´Øµ ¾ ´Øµ ¿ ´Øµ ´Øµ ¼ ´Øµ · ¼ ´Øµ ·½ donde cada ´Øµ ´Øµ representa el error en que se incurre al aproximar ·½ ´Øµ   mediante ´Øµ. y translaciones y escalamientos ´Øµ ¾ . como condiciones para una “buena” función escala. de la forma: Π¾ o Π½ Πμ Î ·½ 85 ν ξ ľ ¾ . generan una base ´Øµ donde los ¾ son coeficientes escalares llamados coeficientes wavelet.1 Principios de Multi-Resolución El análisis multi-resolución consiste básicamente en aproximar una función ´Øµ en distintos niveles de . Ahora los daremos como requerimientos básicos para este tipo de análisis. En la sección anterior se esbozaron varios principios de multi-resolución.Capítulo 7 Análisis Multi-Resolución 7. la fluctuación entre dos niveles sucesivos de resolución. ´Øµ Esta función esta bien localizada tanto en tiempo como en frecuencia. o lo que es lo mismo.

1. entonces ´Øµ donde Ô Ô ´¼µ ¾ ´¾Øµ · ´½µ ¾ ´¾Ø   ½µ ´¼µ ½ ¾ (7. estos espacios cumplen con la siguiente condición de escalamiento ´Øµ ¾ Î ¸ ´¾Øµ ¾ Î ·½ lo que nos asegura que los elementos de un espacio son simplemente versiones escaladas de los elementos del siguiente espacio.1) ¼ Ô ´Øµ ¾ ´¾Øµ Ø Ô ½ ´¼µ ¾¾ Ô ¾ ´½µ ½ ½ ¾ Ô ´Øµ ¾ ´¾Ø   ½µ Ø Ô ½ ´½µ ¾¾ Ô¾ entonces (7.7). Debido a la definición de [BUR98] Î . Como una forma práctica de mostrar esta propiedad representaremos la función escala de Haar mediante versiones escaladas y trasladadas de ella misma. PRINCIPIOS DE MULTI-RESOLUCIÓN con 86 Π½ ¼ ν ľ Así el espacio que contiene las señales de más alta resolución contiene también las de más baja resolución.7.1) queda como ´Øµ ´¾Øµ · ´¾Ø   ½µ lo que nos muestra que la función de escala se puede representar por una versión de ella misma . Así tenemos que ¼¼ ´Øµ ½¼ ´Øµ · ½½ ´Øµ esta ecuación puede verse de otra forma aplicando (5.

2).3). donde podemos apreciar que dentro del espacio ο se encuentran contenidos Ͼ . Esta residencia de los espacios wavelet en los espacios de escalamiento se muestra en la figura(7.7. como el complemento ortogonal de Î en Î forma ·½ Entonces al aumentar en la función escala mejoraremos la resolución de la representación de la . Ͻ y Ͼ . o dicho Debido a esto el espacio ο puede ser representado de la forma ο μ ¨ ϼ ¨ Ͻ ¨ Ͼ . no mediante el aumento de . función ´Øµ. llamado espacio wavelet. ϼ .1: Espacios anidados generados por la función escala.1) se muestra la relación entre los espacios expandidos por las funciones escala en sus distintos niveles de resolución. ο esta conformado por μ . ν y μ . como se muestra en la figura (7. Así la familia de funciones ´Øµgenerará un espacio Î ËÔ Ò ¾ ´Øµ donde el super-rayado denota clausura. En la figura (7. PRINCIPIOS DE MULTI-RESOLUCIÓN 87 Figura 7. ξ .1. escalada más otra versión de ella misma escalada y trasladada. si no que al definir un nuevo espacio Ï . No obstante una mejor representación de la señal es obtenida. Lo anterior puede expresarse de la siguiente Î ¨Ï Î ·½ de otra forma.

1. PRINCIPIOS DE MULTI-RESOLUCIÓN 88 Figura 7.3: Espacios wavelet. .7.2: Representación de la función sin(t). Figura 7. por la función escala en distintos espacios.

La escala que se use para expandir el espacio inicial será una decisión del ingeniero. Como ϼ ν.2) escalas más gruesas entrarían en juego.7. ´Øµ. de la forma ´Øµ representarse como Ò ½ Ô ´Òµ ¾ ´¾Ø   Òµ ¼ ½ Ò¾ (7. como ľ Î ¨Ï ¨Ï ¨  ½. Al tomar j=-½ tenemos De esta manera podemos tomar una escala negativa para el espacio inicial. Así podemos representar nuestro espacio ľ partiendo de una . la función La función que expande el espacio Ï es la wavelet madre wavelet ´Øµ puede ser representada por una suma de funciones escala. el detalle. PRINCIPIOS DE MULTI-RESOLUCIÓN Lo que se puede hacer extensible a todos los espacios siguientes. donde (7. lo que nos lleva a la siguiente ecuación μ Ï ½ ¨ ¨ Ï  ½ Esto nos muestra de nuevo que podemos escoger cualquier resolución para nuestro espacio inicial. por ejemplo 89 ľ donde μ ¨ ϼ ¨ Ͻ ¨ Ͼ ¨ μ es el espacio inicial. dependiendo su elección del análisis que se realize y de la señal en cuestión. por lo que en los puntos donde la pendiente es más suave. por lo que la función escala puede Ô ´Òµ ¾ ´¾Ø   Òµ Ò¾ (7. expandido por la función escala ´Ø   µ. Esto se debe a que los wavelet detectan los cambios de la función. En la figura (7. como ľ ¨ Ï  ¨ Ï  ¨ Ï ¨ Ï ¨ ¾ ½ ¼ ½ Como podemos ver en (7. Ahí se puede observar que a partir del espacio Ï¿ los coeficientes wavelet se concentran en puntos donde la función tiene pendiente distinta de cero. que como veremos más tarde se obtiene de la resta de dos muestras sucesivas de la función discreta.4) vemos proyecciones de una función en diferentes espacios wavelet.1. ya que Î Î . la resta tendera a cero.3) Lo anterior es también válido para ´Øµ Ò ´Øµ. junto con la amplitud del coeficiente wavelet.4) . y los espacios Ï nos irán entregando información más detallada de la señal a medida que crece. escaladas y trasladadas.2) hemos representado el espacio ľ solo con espacios wavelet. lo que nos entregaría resolución más alta.

. PRINCIPIOS DE MULTI-RESOLUCIÓN 90 Figura 7.4: Proyección de una función en diferentes espacios wavelet.1. usando el sistema Haar.7.

5) podemos ver más claramente como mejora la resolución de una representación al cambiar a un espacio escala más grande o de más alta resolución. que se observa en (7. no es más que (5.1. Definimos antes (5. con todas las características que se enuncian en la sección 7. si no que al combinar con la función escala una función Wavelet . son los coeficientes wavelet y nos entrega el espacio inicial μ que será el espacio de menor resolución. Esto es análogo para la función escala.6). El detalle en los distintos espacios wavelet se muestra en la figura (7. .2 Transformada Discreta Wavelet (DWT) Hemos dicho ya que una mejor representación de una señal se obtiene no mediante un aumento del espacio Î . cuestión de suma importancia en el momento de hacer una descomposición eficiente. ya que no tiene sentido representar una señal que se encuentra en un espacio Î Ò en el mismo espacio.6) ¼ son los coeficientes de escala.2. tenemos ½ ´Òµ ´ ½µÒ ´Æ   ½   Òµ Una función pertenecerá a el espacio Ï si puede ser representada por la función prototipo de una wavelet madre de la forma ´Øµ ¾ ´¾ Ø   µ (7. es la traslación en Ø y ¾ mantiene constante la norma de la wavelet en difer¾ ¾ entes escalas. Esta longitud limitará el nivel de descomposición de una señal. En la figura (7. ecuación que no muestra ningún método para hacer correr las sumatorias involucradas.5) donde ¾ es la escala de Ø. la variable nos dirá en que espacio wavelet esta trabajando nuestra función madre.2). ¾Æ es la longitud de la señal ´Òµ. TRANSFORMADA DISCRETA WAVELET (DWT) 91 ½ ´Òµ se calculan de la siguiente manera [BUR98] ½ Esta última ecuación es la ecuación de recursión que vimos en el capitulo 5 en (5.7. 7.2) con una correcta notación para y ´Øµ Donde ¼ ¾ ¼  ½ ¼ ¼ ¼ ´Øµ · Æ  ½ ¾  ½ ¼ ¼ ´Øµ ¾ · (7. los coeficientes ´Òµ ´ ½µÒ ´½   Òµ Por ejemplo. Como podemos observar. y dependiendo de este ¼ es que el resto de los índices seguirán corriendo. La ecuación llamada transformada discreta wavelet (DWT).7).6). para una función finita de largo Æ .

7. . y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama.2.5: Al lado izquierdo vemos la representación de una función mediante el sistema Haar en distintos espacios Î . TRANSFORMADA DISCRETA WAVELET (DWT) 92 Figura 7. De abajo hacia arriba tenemos desde el espacio μ hasta el Î .

2.6: Al lado izquierdo vemos el detalle de una función.7. y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. obtenido mediante el sistema Haar en distintos espacios Ï . De abajo hacia arriba tenemos desde el espacio Ͻ hasta el Ï . . TRANSFORMADA DISCRETA WAVELET (DWT) 93 Figura 7.

7) (7. La wavelet más antigua y simple. están definidas de la siguiente forma: ´Øµ ¼ ½ Ô ¾ ½ ½ Ô ¾ ¼   Ô  ½   Ô ¾ Ä ´Êµ ½ ¾ ½ ¾ ¾ ´Øµ ´Øµ con ½ × ¼ Ø ¼  ½ × Ø ½ ½ × ¼ Ø ½ ¼ Ð Ö ×ØÓ (7.7. TRANSFORMADA DISCRETA WAVELET (DWT) 94 Desarrollaremos ahora la DWT para el sistema Haar.9) ´Øµ ¾ ´Øµ ´Øµ · ´Øµ · ´ ¾µ (7.11) ¾ ´¾Ø   ½µ · ¾ ´ ص · ¾¼ entonces tenemos ¯ ´Øµ ½ × ¼ Ø ½ ½× ¼ Ø ¼ ¯ ´Øµ  ½× ¼ Ø ½ ¯ ´¾Øµ ¯ ´¾Ø   ½µ ¯ ´ ص ½ × ¼ ¾Ø ¼ µ ´¾Øµ  ½× ¼ ¾Ø ½ ½× ¼  ½× ¼ Ø Ø ½× ¼ Ø ¼ ¾  ½× ¼ ¾ Ø ¼ ¼ ½ ½ × ¼ Ø ¼ ½¾  ½× ¼ ½¾ Ø ¼ ¾ .10) ahora si reemplazamos (7.6) y desarrollamos la sumatoria para ¼¼ ¼¼ ½¼ Ô ¾ ´¾Øµ · ½½ Ô ¼: (7. y luego entraremos en la teoría de banco de filtros que aliviará en forma sustancial el trabajo realizado. la Haar y su función de escalamiento. la cual al ser sampleada a una frecuencia de ¾ ÀÞ se transforma en la función por tramos con Ø ¾ ¼ ¾ .8) ´Øµ ¾ ´ ¾µ ´¾ Ø   µ ´¾ Ø   µ ¼ (7. como una forma de hacer ver la dificultad de realizar este cálculo a mano. intervalo que trasladaremos a ¼ ½ con el fin de trabajar en el mismo dominio de la función escalamiento y la wavelet haar.2. funciones que utilizaremos para descomponer y luego reconstruir la señal ´Øµ.9) y (7. ¾¿ Tomemos la función ´Øµ × Ò´Øµ.10)en (7.

12) que esta función esta definida sólo para Ø ¾ que la función ´Øµ esta descompuesta.e . i. esto es. e. ¾ ¼¼ ¼¼ ½¼ ½½ ¾¼ ¾½ ¾¾ ¾¿ ¿ ¾ ½ Ô¾ ½ Ô ¼ ½ ¿ ¾   ¼  ½ ¾ ¼  Ô  ½  Ô ¾ (7. y en todas las otras filas ¾¼ ¼. y cada fila representa cada uno de los intervalos de tiempo en ¼ ¼¾ .11) .13) ½ ¾ ½ ¾ . TRANSFORMADA DISCRETA WAVELET (DWT) 95 ¯ ´ Ø   ½µ ¯ ´ Ø   ¾µ ¯ ´ Ø   ¿µ ½× ¼ ¾  ½× ¼ ¿ Ø ¼¿ Ø ¼ ½× ¼ Ø ¼ ¾  ½× ¼ ¾ Ø ¼ ½× ¼  ½× ¼ Ø Ø ¼ ½ entonces podemos representar la señal en forma matricial de la siguiente forma: ¾ ½ Ô¾ ¼ ½ ¿ ¾ ¼  Ô  ½  Ô Ô ½ ¾ ¾ ¼ ¾ ½ ¾ ½ ¾ ½ ½ ½ ½ ½ ½ ½ ½ Ô ½ Ô¾ ¼ ½ Ô ¼ ¾ ½  Ô¾ ¼ ¼ ½   ¾ Ô  ½ ¼ Ô¾  ½ ¼ ¾ Ô  ½ ¼  Ô¾  ½ ¼   ¾ ¾  ¾ ¼ ¼ ¼ ¼ ¼ ¼ ¼ ¼ ¾  ¾ ¼ ¼ ¼ ¼ ¼ ¼ ¼ ¼ ¾  ¾ ¼ ¼ ¼ ¼ ¼ ¼ ¼ ¼ ¾  ¾ ¿¾ ¼¼ ¼¼ ½¼ ½½ ¾¼ ¾½ ¾¾ ¾¿ ¿ (7.g. en la fila 1 tenemos el valor de cada uno de los coeficientes en Ø ¾ ¼ ¼ ½¾ . ¾¼ ´Øµ ¾´¾ ¾µ ´¾¾ Ø   ¼µ ¾ ´¾Ø   ¼µ ¾ en Ø ¾ ¼ ¼ ½¾ .2. Ahora este mismo coeficiente en la fila 2 es ¾¼ ´Øµ  ¾ en Ø ¾ ¼ ½¾ ¼ ¾ .13) podemos obtener el valor de los coeficientes que nos ayudarán a reconstruir la señal original. Ahora que tenemos la ecuación matricial (7.7. ya donde los componentes de cada fila de la matriz 8x8 representan los valores de ¼¼ ´Øµ y ´Øµ en el mismo orden en que aparecen en (7.

Ahora que conocemos el procedimiento para calcular los coeficientes. así tenemos que ¿ ¿ ¾ ¼ ¼ ¼¿  ¼ ½ ¼½  ¼ ½ ¼ ¼ ¿¾ ¼½  ¼ ¼ ¿¾ (7.12) y ¾ ¼¼ ¼¼ ½¼ ½½ ¾¼ ¾½ ¾¾ ¾¿ ¼ 96 ¼.14) Hemos logrado aquí descomponer la señal discreta hasta ser representada sólo por un coeficiente escala o de aproximación.7. descompondremos la señal para distintos espacios iniciales Î ¼ : ¯ para ¼ ½ ¾ ½¼ ½½ ½¼ ½½ ¾¼ ¾½ ¾¾ ¾¿ ¿ ¼ ¾  ¼ ¾  ¼ ½ ½ Ô ¼½ ¾  ¼ ½ ¼ ¼ ¿¾ ¼½  ¼ ¼ ¿¾ ¾ ¾ ¿ (7. TRANSFORMADA DISCRETA WAVELET (DWT) donde es la matriz 8x8 de la ecuación (7.16) ¯ para ¼ ¿ .2. como lo veremos en el capítulo siguiente.15) ¯ para ¼ ¾ ¾ ¾¼ ¾½ ¾¾ ¾¿ ¾¼ ¾½ ¾¾ ¾¿ ¿ ¼½ ¼ ¾  ¼ ½ Ô ½Ô  ¼ ¾ ¾ ¾  ¼ ½ ¼ ¼ ¿¾ ¼½  ¼ ¼ ¿¾ ¿ (7. Esto será de gran importancia en la limpieza y compresión de señales. y el resto sólo coeficientes wavelet.

es que permite el diseño y aplicación de rápidos algoritmos para el cálculo computacional. Como podemos observar la última descomposición nos entregará una reconstrucción perfecta de la señal original.7. debido a que fue representada sólo con funciones escala pertenecientes al espacio al cual pertenece la señal original. se aplica sobre muestras de datos digitales de una señal perteneciente al dominio análogo. 7. 7. entonces de acuerdo con la propiedad de MRA1 [BUR98] [CHU97] ´Í ¾ Î µ Ä ´Êµ ¾ (7. el procesamiento digital de señales.3 Transformada rápida Wavelet (FWT) y banco de filtros Una de las principales razones por las cuales la transformada wavelet es una potente herramienta matemática para el análisis de señales. es por eso que debemos conocer la teoría de banco de filtros que nos guiará a la obtención de la transformada rápida wavelet (FWT). Supongamos que tenemos una señal ´Øµ ¾ ľ conocida para todo Ø (o para una discretización en el dominio del tiempo lo suficientemente densa). tal como su nombre lo indica. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS ¾ ¿¼ ¿½ ¿¾ ¿¿ ¿ ¿ ¿ ¿ 97 ¿ ¾ ¼ ¾ Ô ¾ ¼  ¾ Ô    ¾ ¿ ¾ ½ Ô ¼ ½ ¾ ¿ ½ ÔÔÔ ¾ ¾ ¾ ¼  Ô  ½  Ô ½ ½ Ô ¾ (7.17) ¾ ½ ¾ Queda claro que al acercar el espacio inicial Î ¼ a el espacio Î Ñ en el cual reside la señal original.1 Representación de señales El análisis de señales mediante la transformada continua wavelet (CWT) está definido sobre señales análogas de energía finita. Sin embargo. hasta llegar a representar la señal original solo con coeficientes escala.3.18) 1 Del Inglés Å ÙÐØ Ö ×ÓÐÙØ ÓÒ Ò Ð ×Ý× . El gran tamaño de los cálculos matemáticos hace necesario buscar una manera eficiente de realizar la DWT. estaremos disminuyendo los coeficientes wavelet.3.

ya que el intervalo de tiempo dado para cada sampleo está controlado por una potencia de 2.7. es decir. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 98 Figura 7. (b) Modelamiento de sampleos digitales mediante la función Haar escala con una longitud de Æ ¾ .7: (a) Señal original. son aplicados sobre el set de coeficientes Ò ¾ (7.3. (c) Modelo en el dominio análogo.20) Uno de los métodos más efectivos para realizar este modelamiento es la que consiste en que los coeficientes Ò sean escogidos de tal manera que representación discreta ´ ¾Ò µ para Ø ¾Ò . un modelo Ò de una señal análoga correspondera a un set de valores discretos cuya longitud será de Æ ¾Ò. 7. de acuerdo a lo expuesto en la sección anterior. En otras palabras. De hecho.2 Descomposición de señales unidimensionales (Análisis) El principal objetivo de la descomposición de una señal mediante la DWT se basa en que. la importancia de la representación de señales mediante funciones escala es que los algoritmos diseñados para la transformada discreta wavelet se aplican a datos de entrada que han sido modelados mediante una función escala. es posible aproximar tan cerca como se desee mediante un modelo Ò ¾ ÎÒ con Ò ¾ Ê.3. siendo el modelo Ò ¾ ÎÒ una representación de la señal original . es decir Ò ÒØ ÖÔÓÐ ÓÒ [CHU97] Ò ´Øµ concuerde con la ´ ¾Ò µ ´ ¾Ò µ ¾ (7.19) donde los coeficientes escalares Ò son los encargados de representar la señal en el dominio dis- creto o digital. de tal manera que este modelo lo podemos representar como una combinación lineal de funciones escala Ò ´Øµ Ò ¾ Ò ´¾ÒØ   µ ¾ (7.21) De esta forma se logra lo que se denomina una representación diádica de la señal [BUR98].

TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 99 mediante funciones escala solamente (apropiadas para un análisis multi-resolución). el primer paso en la descomposición es poder encontrar los coeficientes Ò ½ y en términos de Ò .22) dado que ÎÒ ½ ÎÒ y Ò ½ ÎÒ ÏÒ ½ ÎÒ ½ ¨ ÏÒ ½ ÎÒ (7.26) ¾ ´Øµ como ´Øµ generan bases ortogonales en Ä ½  ½ de tal manera que el cálculo de Ò ½ y Ò ½ se realiza a través del producto interno de la señal con la función escala y wavelet respectivamente Ò ½   ´Øµ ´Øµ Ò ½   ´Øµ ´Øµ ´Øµ¾ Ò  ´¾Ò  Ø   µ Ø ¾ ½ ½ (7. Utilizando (7. es posible escribir Ò como Ò Ò ½   · Ò ½   (7.3. sino más bien con los coeficientes relacionados a estas funciones.28) De la ecuación básica de recursión (5.21) podemos representar una señal unidimensional de energía finita mediante los coeficientes Ò como Ò ½   ´Øµ También sabemos que tanto Ò ¾ Ò ´¾ÒØ   µ ¾ (7.24)   ¾ ÎÒ  ½ Ò ½   ¾ ÏÒ  ½ (7. Entonces.27) Ò ½   Ò ½   ¾ Ò  ¾ ½ ½  ½ ´Øµ ´¾Ò  Ø   µ Ø ½ (7.23) (7.7) podemos obtener una representación tanto para como para ´¾Ò ½ Ø   µ ´¾Ò  Ø  µ ½ ´¾Ò  Ø   µ ½ Ô Ô ´Ôµ ¾ ´¾ÒØ   ¾   Ôµ ½ (7.25) Ahora bien el desarrollo de bancos de filtros y el diseño de rápidos algoritmos no se relaciona en forma directa con las funciones escala y wavelet.19) y (7.30) .7.29) ´¾Ò  Ø   µ ½ Ô Ô ´Ôµ ¾ ´¾ÒØ   ¾   Ôµ (7.

nos daremos cuenta que nuestros datos de salida estarán comprendidos por el doble de datos de entrada. y por otro lado el detalle de la señal representado por los coeficientes wavelet reescribir (7. Sin embargo. podemos ´Øµ Ò ½   ¾ Ò  ´¾Ò  Ø   µ · ¾ ½ ½ Ò ½   ¾ Ò  ´¾Ò  Ø   µ ¾ ½ ½ (7.35) Ò ½   Ñ ´Ñ   ¾ µ Ò Ñ (7.27) y (7. si tenemos una señal de 1024 muestras obtendremos una aproximación y un detalle de la señal original.32) e intercambiando la integral con la sumatoria obtenemos Ò ½   Ò ½   Ñ ´Ñ   ¾ µ ½ ½  ½ ½  ½ ´Øµ¾ Ò ´¾ÒØ   ѵ Ø ¾ (7. En otras palabras. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS que reemplazando en las integrales de (7. de tal manera que hemos logrado establecer la representación de los coeficientes escala y wavelets en un nivel de resolución más bajo en términos de los coeficientes escala en un nivel de resolución más alto Ò ½   Ñ ´Ñ   ¾ µ Ò Ñ ½ (7. La secuencia de entrada dada por Ò es convolucionada con y ½ para obtener por una lado una representación más “suave” de la señal original caracterizada por los coeficientes escala Ò ½ .7.28) y haciendo un cambio de variable Ñ nos da Ò ½ 100 ¾ ·Ô (7.36) corresponde a una convolución discreta [CHU97]. Más especificamente corresponde a un filtro pasa-bajo y ½ a un filtro pasa-banda. cada uno con una longitud .33) y (7.37) El hecho de que los coeficientes escalares representen la forma general de la señal original y los coeficientes wavelets el detalle se debe a que los coeficientes y ½ actúan como filtros digitales.33) Ò ½   Ò ½   Ñ ´Ñ   ¾ µ ´Øµ¾ Ò ´¾ÒØ   ѵ Ø ¾ (7.34).35) y (7.31)   ´Øµ ´Øµ ´Øµ ´Øµ Ò ½   ´Øµ ´Øµ ´Øµ ´Øµ ½  ½ ½  ½ ´Øµ ´Øµ Ñ ´Ñ   ¾ µ¾ Ò ´¾ÒØ   ѵ Ø ¾ Ò ½   Ò ½   Ñ ½ ´Ñ   ¾ µ¾ Ò ´¾ÒØ   ѵ Ø ¾ (7.34) Podemos observar que en las ecuaciones (7.36) La operación realizada por (7.26) de la forma Ò ½   .3. Por lo tanto. al aplicar esta operación sobre una señal digital real. las integrales son idénticas y corresponden al coeficiente Ò Ñ .

3 Reconstrucción de señales unidimensionales (Síntesis) Hemos visto como trabaja la DWT para analizar o descomponer una señal.3. 7.8: Descomposición wavelet donde el dos con la flecha hacia abajo representa la operación de subsampleo. La otra mitad de la historia consiste en como recuperar la señal original sin pérdida de información a partir de las componentes obtenidas durante el análisis. Para resolver este problema.8). es decir. toma una señal ÜÒ y produce una salida ÝÒ los valores de índice impar.37) obtenemos una nueva expresión para de la forma ´Øµ Ñ Ò ½Ñ   Ô ´Ôµ¾ Ò ´¾ÒØ   ¾Ñ   Ôµ · ¾ Ñ Ò ½Ñ   Ô ½ ´Ôµ¾ Ò ´¾ÒØ   ¾Ñ   Ôµ ¾ (7. A este proceso de reconstrucción se le denomina síntesis y corresponde a la inversa de la transformada discreta wavelet (IDWT). Para lograr esto observemos que si utilizamos la ecuación de recursión (5. descargando todos de la señal original. Una descripción esquemática de lo anteriormente expuesto se ilustra en la figura (7. una vez realizada la convolución discreta sobre el set de datos de entrada se aplica una operación denominada ×Ù × ÑÔÐ Ó2 que realiza un diezmado Ü¾Ò .7.3. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 101 Figura 7. En otras palabras.38) multiplicando ambos lados por 2 ´¾ÒØ   µ e integrando con respecto al tiempo Proveniente del inglés ÓÛÒ× ÑÔÐ Ò . lo que se desea hacer es poder representar los coeficientes escala en un nivel de resolución más alto mediante una combinación de los coeficientes escala y wavelets en un nivel de resolución más bajo. de 1024 datos también.7) para reemplazar ´¾Ò ½ Ø   ѵ y ´¾Ò ½ Ø   ѵ en (7.

El supsampleo es una operación que inserta ceros entre cada sampleo con el fin de aumentar al doble la longitud de las componentes de entrada (coeficientes de aproximación o escala y coeficientes de detalle o wavelet) de tal manera que la señal obtenida después del filtrado tenga la misma longitud que la señal original. Este proceso se puede observar en la figura (7.40) haciendo el cambio de variable Õ Ò Ò ½Ñ Ñ   ´ÔµÆ´   Õµ · Ñ Ò ½Ñ   ½ ´ÔµÆ´   Õµ (7.Síntesis Los procesos explicados en las dos secciones anteriores. Estos procesos son iterativos de tal manera que en 3 Proveniente del inglés upsampling .39) como Ò ´Øµ Ò ´Øµ Ê ½  ½ ´Øµ ´¾ÒØ   µ Ø y el set ¾ es ortonormal.7.4 Múltiples Niveles Análisis .42) Así como en el análisis se hace un filtrado y un subsampleo. 7.9) . TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 102 ½  ½ ´Øµ ´¾ÒØ   µ Ø · Ñ Ò ½Ñ   Ô ´Ôµ¾ Ò ¾ ½  ½ ´¾ÒØ   ¾Ñ   Ôµ ´¾ÒØ   µ Ø Ñ Ò ½Ñ   Ô ½ ´Ôµ ½  ½ ´¾ÒØ   ¾Ñ   Ôµ ´¾ÒØ   µ Ø Ò (7.39) se tiene que Ò Ñ Ò ½Ñ   Ô ´ÔµÆ´   ´¾Ñ   Ôµµ · ¾Ñ   Ô Ô Ñ Ò ½Ñ   ½ ´ÔµÆ´   ´¾Ñ · Ôµµ (7.3. el de análisis y síntesis.41) y como Æ´ entonces finalmente Ò   Õµ ½ × ¼ × Õ Õ Ñ Ò ½Ñ   ´¾Ñ   µ · Ñ Ò ½Ñ ½   ´¾Ñ   µ (7. en la síntesis se realiza un ×ÙÔ× ÑÔÐ Ó3 y posteriormente un filtrado. constituyen lo que se denomina un sistema de banco de filtros de 2 canales.3. entonces de acuerdo con (7.

tienen una longitud de ½ ¾¼ .9: Reconstrucción Wavelet donde el dos con la flecha hacia arriba representa la operación de supsampleo. Lógicamente el número de veces que se realiza este proceso hasta llegar nuevamente a la señal original depende del grado de descomposición al que se llegó en el análisis. aumenta su longitud al doble mediante el supsampleo y realiza la convolución discreta con los respectivos filtros. De esta forma se obtiene un vector de longitud Æ que contiene un sólo término encargado de representar la forma general de la señal (coeficiente escala) y todos los otros términos con información sobre el detalle obtenido en los diferentes niveles de descomposición (coeficientes wavelets) como se ilustra en la figura (7.10). en el análisis dividimos la señal original en una aproximación y un detalle correspondientes al primer nivel de descomposición. lo que significa que el número de iteraciones posibles de realizar es de Ò ÐÓ ¾ Æ . es decir. obteniéndose como resultado una mejor aproximación a la señal correspondiente al primer nivel de reconstrucción.7. siendo el nivel de resolución de la señal original el que pone el límite.3. los coeficientes y ½ corresponden a . Una explicación más detallada puede expresarse de la siguiente manera: Supongamos una señal con una longitud Æ ¾Ò . como se observa en la figura (7. luego la aproximación de longitud igual a ¾Ò ½ es nuevamente dividida obteniendo una nueva aproximación y detalle correspondientes a un segundo nivel de descomposición. Como vimos en el capítulo 6. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 103 Figura 7. teoría pueden repetirse en forma infinita con la salvedad que el proceso de síntesis depende del análisis.11). Ejemplo A modo de ejemplo mostraremos una descomposición y reconstrucción utilizando la Haar wavelet. Este procedimiento se vuelve a repetir hasta que la aproximación y el detalle están representados por un sólo coeficiente. Obviamente en la práctica estos procesos no pueden repetirse en forma infinita. La síntesis por su lado toma la aproximación y el detalle. A este conjunto de coeficientes se le denomina Î ØÓÖ   Ï Ì .

DWT obtenido de la descomposición.3.7. . (b) Vector . TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 104 Figura 7.11: Estructura de una reconstrucción multiresolución. Figura 7.10: (a) Estructura de una descomposición multiresolución.

44) ¾¿ longitud de la señal original. ambos de longitud ¾.43) y (7. uno encargado de la aproximación a la señal original y el otro encargado del detalle.43)  ½   ½ Ô ´Â   ¾ ¾  ¾ ·½ (7. Para reconstruir la señal a partir de los coeficientes escala y wavelet pertenecientes al primer nivel de descomposición observamos que si sumamos y restamos (7. ¾Â es la En otras palabras  es el nivel de resolución más alto con el cual se puede trabajar y Æ y el posterior subsampleo de tal forma que se obtienen dos set de coeficientes.46) permitiéndonos una reconstrucción perfecta de la señal. ambos de longitud .36) podemos obtener nuestra primera descomposición de la forma  ½   ½ Ô ´Â · ¾ ¾  ¾ ·½ µ µ (7.12) como se realiza la convolución discreta entre los filtros y ½ con la señal original donde los  son los coeficientes correspondientes a la señal original.35) y (7. los datos de entrada.3. Las ecuaciones arriba también pueden ser deducidas a partir de (7.45) ¾  ½ ½ Ô ´     ¾ ½  ½   (7. De esta forma. En la figura (7. El paso siguiente es mantener el detalle y volver aplicar el algoritmo a los coeficientes de aproximación dando como resultado una nueva aproximación más general y un nuevo detalle.7.14).13) se puede ver como se realiza el proceso de supsampleo y posterior convolución para reconstruir la señal en forma perfecta mediante la suma de los coeficientes de reconstrucción escala y wavelet como se ilustra en la figura (7. supongamos una señal con una longitud Æ definida como ¾ ½ ½ ¿ .44) obtenemos las expresiones ¾ ½ Ô ´   · ¾ ½  ½   µ µ (7. Este proceso se puede repetir una vez más ya que tanto la longitud de la nueva aproximación como del nuevo detalle será igual a ½. entonces de acuerdo con (7. es decir. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 105 ´¼µ ½ ´¼µ Ô ¾ ½ ´½µ Ô ¾ ½ ½ ½ ´½µ   Ô ¾ Como la aproximación está relacionada con un promedio y el detalle con diferencias. Aplicando el algoritmo de descomposición se puede ver en la figura (7.42). .

Ambos procesos se realizan en forma paralela.12: Se observa la aplicación del algoritmo sobre una señal de longitud Æ para obtener (a) Los coeficientes de aproximación y (b) los coeficientes wavelet. . TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 106 Figura 7.3.7.

7. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 107 Figura 7. .3.13: Esquema de reconstrucción a partir de un nivel de descomposición.

7.3. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS

108

Figura 7.14: La suma de las reconstrucciones obtenidas de los coeficientes escala y wavelet nos entrega la señal original. Hasta el momento se ha realizado sólo una descomposición y reconstrucción. Sin embargo, el objetivo principal de un análisis wavelet es obtener el vector - DWT ya que es este el que contiene información útil para la aplicación de esta herramienta en diferentes campos del procesamiento de señales tales como compresión, limpieza de ruido, detección de singularidades, detección de comportamiento comportamientos similares, etc. Tanto el proceso de descomposición en forma iterativa como el de reconstrucción se observan en la figura (7.15) y (7.16) respectivamente.

7.3. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS

109

Figura 7.15: Análisis multiresolución de ¾ con vector - DWT. Observar que ¼

¾ ½ ½ ¿ y obtención de los coeficientes sólo como número entero.

que conforman el

7.3. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS

110

Figura 7.16: Esquema de Reconstrucción.

sismología. robótica.iastate. limpieza de Ruido [SAP95]. análisis de transientes.1 Biomedicina Debido a la naturaleza no estacionaria de la mayoría de las señales biológicas. especialmente en problemas concernientes a la extracción de características o detección de comportamientos en señales durante pequeños intervalos de tiempo. 8. análisis tiempo . El desarrollo de este capítulo se centrará en otorgar una explicación general de algunas aplicaciones (quizás las con mayor investigación y/o cobertura) donde se utilize wavelets. estadística. La propiedad de localización de la Transformada Wavelet es particularmente atractiva.Capítulo 8 Aplicaciones Ya en este punto hemos desarrollado un completo marco teórico sobre wavelets por lo que estamos en condiciones de aplicarlo al procesamiento de señales acústica. tales como detección seizure o análisis de potencial evocado para la detección de la enfermedad de Alzheimer [POL97]. Wavelets ha sido aplicado a una gran cantidad de problemas relacionados con el procesamiento de señales: detección [SAP98]. Wavelet ha sido también utilizada en la detección de microcalcificaciones en mamogramas y el procesamiento de tomografías e imágenes de resonancia magnética1 .public.frecuencia [PED99]. acústica.1. clasificación. 8. compresión [TAM99]. 1 Para mayor información puede consultar la dirección internet http://www. wavelet ha tenido un gran éxito en el campo de la Ingeniería Biomédica. etc.edu/˜rpolikar 111 . criminología.1 Análisis de transientes La transformada wavelet ha emergido como una efcetiva herramienta para el análisis de señales transientes o no estacionarias. también ha sido utilizada en electroencefalogramas para el diagnóstico de desórdenes neurofisiológico. en variadas disciplinas tales como medicina. En este campo la transformada wavelet ha sido utilizada para el análisis de electrocardiogramas con el objeto de poder diagnósticar desórdenes cardiovasculares.

Aplicar el algoritmo de descomposición wavelet. Existen tres pasos fundamentales en el proceso de compresión con wavelets: 1.) a 128 Kbits/sec en mono y a 256 Kbits/sec en stereo. Este algoritmo comprime señales de audio de 700 Kbits/sec (calidad de CD por ej.2% del máximo coeficiente) es posible lograr un radio de compresión de 11:1 [TAM99].2% (se eliminan los coeficientes wavelet menores al 0.8. COMPRESIÓN 112 8. El algoritmo utilizado por el FBI se conoce como Ï Ú Ð Ø Ë Ð Ö ÉÙ ÒØ Þ Ø ÓÒ o Ï ËÉ2 [BRA93].2 Compresión La base o principio en la utilización de wavelets en compresión es aprovechar que los coeficientes en los espacios Ï son ’pequeños’ si la señal analizada se comporta en forma suave y ’grandes’ si la señal a analizar varía en forma notoria. estudios han demostrado por ejemplo que al procesar una imágen de 512x512 pixels utilizando el sistema wavelet Daubechies 4 (ver apéndice) con un umbral del 0. Un ejemplo sobre este uso es el standard MPEG layer 3 más conocido como MP3. Ahora bien ya que el algoritmo de descomposición utilizado por la transformada discreta wavelet es análogo a un sistema banco de filtros de dos bandas. 3. 2 Para mayor información puede consultar la dirección internet http://www. Este algoritmo utiliza un sistema de banco de filtros de 32 bandas en conjunto con la FFT como analizador de espectro para calcular la ’curva de enmascaramiento’ que se utiliza como umbral (Basado en la percepción auditiva del oído humano) dejándo pasar sólo las componentes de frecuencia dominantes. Establecer un esquema de cuantización.2. entonces se puede observar. es el proyecto llevado a cabo por el FBI para el diseño de un standard de compresión en la digitalización de su base de datos correspondiente a imágenes de huellas digitales.2.html . 8. ÎÒ con un Ò lo suficientemente 8.gov/˜brislawn/FBI/FBI. que un sistema wavelet multinivel puede ser utilizado en reeemplazo del sistema de banco de filtros de 32 bandas [CHU97].2.1 Compresión de Imágen En la compresión de imágen. Esto sugiere que pueden eliminarse o hacerse cero los coeficientes pequeños y la señal sintetizada o reconstruída no variará mucho. 2.c3.2 Compresión de Audio En la compresión de Audio uno de los algoritmos de codificación más conocidos corresponde al MPEG audio. Uno de los grandes logros es la implementación de wavelets. Proyectar la señal original a un subespacio multi-resolución grande.lanl.

LIMPIEZA DE RUIDO 113 Figura 8. o pertenecientes al detalle de la señal. si nosotros establecemos un umbral sobre los coeficientes wavelet con el fin de reducir su número eliminando los coeficientes de valores pequeños (considerados como ruido) y dejando sólo aquellos coeficientes considerados como significativos de acuerdo a un cierto criterio. Ahora bien. la idea es que una versión más clara de la señal original resulte cuando sólo las componentes más significativas son retenidas.8. el hecho de establecer un umbral significa que todos los coeficientes wavelet. se desea que el error medio cuadrado resulte en un valor lo más pequeño posible Ê´ µ ­ ­ ­ Æ   ­ ­ ­ (8. sea la señal original con ruido y la señal obtenida después de establecer un umbral.1) La elección del umbral óptimo ha sido un tema estudiado por varios investigadores [SAP95] tales como Donoho y Johnstone [DON92] los cuales se basan principalmente en parámetros estadísticos como la desviación estándar.1 Criterios de umbral Profundizando lo mencionado anteriormente. 8.3. Umbral Duro: Si el valor absoluto del coeficiente es mayor que el umbral seleccionado. etc. entonces. desviación media absoluta. Además.3. que resulten ser menores que el valor del umbral serán igualados a cero ya que ellos pueden ser omitidos sin afectar en forma substancial las características principales de los datos de entrada. existen dos formas de ser procesados: 1. 8. Con respecto a los coeficientes wavelet cuyo valor absoluto resulte mayor que el umbral establecido.1: Efecto del umbral duro y suave aplicado sobre un conjunto de coeficientes. se .3 Limpieza de Ruido Gracias al análisis multiresolución se vió que podíamos separar el comportamiento general y el detalle de una señal y luego reconstruir en forma perfecta la señal original a partir de la descomposición wavelet. al realizar una reconstrucción sólo obtendremos una aproximación de la señal original.

LIMPIEZA DE RUIDO mantiene el coeficiente y en caso contrario se iguala a cero. ¸  ½ Ò   ¼ (8. Variados estudios han determinado que la elección del umbral depende directamente del nivel de ruido de los datos de entrada. En otras palabras.5) Como se observa en la figura (8.3) 2. Este método propone que el nivel de ruido de los datos de entrada se calcule como la media absoluta de los coeficientes wavelet obtenidos en el primer nivel de descomposición dividida por ¼ . Umbral Suave: Si el valor absoluto del coeficiente es mayor que el umbral seleccionado. La elección del umbral se realizó utilizando un método propuesto por Donoho y Johnstone [SAP95]. El tipo de umbral seleccionado se calculó de acuerdo con la siguiente fórmula: Ì con Æ igual a la longitud de la señal original. con unas pocas excepciones.4) µ   ̵ (8. en caso contrario se iguala el coeficiente a cero al igual que el umbral duro.1) el umbral duro produce discontinuidad en con el umbral suave. entonces 114 Ì el valor Ì Ì µ µ ¼ (8. El primer análisis lo .2 Desarrollo experimental con datos ficticios El primer paso en el proceso de limpieza de una señal es obtener el umbral a utilizar.6) ya que los coeficientes wavelet en este nivel son. ¦Ì lo cual no ocurre 8. sea del umbral establecido y los coeficientes wavelet. sea establecido y los coeficientes wavelet.7) Ya con estos datos estamos en condiciones de hacer nuestro análisis wavelet.3. se modifica el coeficiente restando el umbral a su valor absoluto. Õ ¾ÐÓ ´Æ µ (8.3. entonces Ì el valor del umbral Ì Ì µ × ÒÓ´ ¼ µ´ (8.2) (8. esencialmente puro ruido.8. En otras palabras.

LIMPIEZA DE RUIDO 115 Figura 8. Figura 8. Coeficientes obtenidos después de haber sido comparados con el umbral (Lado derecho).2: Señal que representa un efecto doppler con un nivel de ruido bastante notable (1024 muestras).3: Descomposición wavelet realizada con la Daubechies 2 (Lado izquierdo). .8.3.

2).3. La wavelet utilizada para este análisis fue la Daubechies 4 (ver apéndice).3 Desarrollo Experimental con señales reales 8. El software utilizado fue Matlab en conjunto con el toolbox de wavelet cuyo uso fue exclusivamente para corroborar resultados (figura (8. Cálculo del nivel de ruido ¼ ¿ Ì 2. Obtención del error cuadrático medio ¿ ± 7.1 Tratamiento de señales reales obtenidas de las vibraciones de un motor Una vez comprobado el método de limpieza de ruido con datos artificiales. 6.4)). Esta señal corresponde a vibraciones de un motor rotatorio las cuales fueron tomadas con un medidor de vibraciones Bruel & Kjaer modelo 2513. 8. La secuencia de trabajo se resume de la siguiente manera: 1. Descomposición de la señal hasta el quinto nivel ( ver figura (8. 5.3)). 4. se prosiguió a analizar una señal real la que se ilustra en la figura (8. compuesta de 1024 muestras lo que nos permite realizar hasta diez descomposiciones. y al igual que para los Æ   ½ Æ   ). como se observa en la figura (8. Cálculo del umbral ¿ 3.8.6).5)).3. LIMPIEZA DE RUIDO 116 realizaremos con una señal artificial correspondiente a un efecto doppler con ruido. El umbral utilizado datos artificiales.3.3. Aplicación de umbral suave sobre los coeficientes wavelet obtenidos en cada nivel de descomposición (ver figura (8. Reconstrucción de la señal con los nuevos coeficientes wavelet (ver figura (8. Obtención del porcentaje de energía retenido È Ê ×½ × ¿ ± donde ×½ corresponde a la señal reconstruida y × a la señal original. La función wavelet madre a utilizar será la Daubechies 2 (ver apéndice) y la descomposición se realizará hasta el quinto nivel. se realizaron cinco descomposiciones ( .3)).

4: Señal reconstruida utilizando los coeficientes wavelet procesados mediante umbral suave.3.5: Comparación visual entre la señal original y la señal reconstruida. Figura 8. El porcentaje de energía conservado fue de 93. LIMPIEZA DE RUIDO 117 Figura 8. .8 %.8.

¿ Que ocurre si el ruido es de baja frecuencia .6: Señal correspondiente a vibraciones de un motor rotatorio (Arriba). dejando sólo algunos coeficientes wavelet pertenecientes al quinto nivel de descomposición como se observa en la figura (8. se mantienen las componentes de frecuencia con mayor contenido energético.8)). eliminándose las componentes de frecuencia que portan menos ÐØ Ö Ù Ò ya que mantiene energía. Este supuesto genera casi en forma autómatica la inquietud :. Si obtenemos los espectros de Fourier tanto de la señal real como de la señal limpia (figura (8. sólo los primeros 2500 sampleos se graficaron.7). El error cuadrático medio y el porcentaje de energía retenido fueron de: ¿¿Ü½¼   ± È Ê ± Se observa para este caso que el nivel de ruido de la señal es totalmente identificable y notoriamente diferenciable del comportamiento suave de la señal. entregó un valor de ¼ ¼½ lo que causó la eliminación total de los primeros 4 niveles de descomposición. Para una visualización más clara. nos podemos dar cuenta que después de la aplicación del método. que para el caso corresponden a frecuencias bajas.3. Señal después de haber sido procesada (Abajo).8. LIMPIEZA DE RUIDO 118 Figura 8. Esto nos lleva a pensar que el método elimina ÖÙ Ó el comportamiento suave de la señal el cual está asociada a componentes de baja frecuencia.

LIMPIEZA DE RUIDO 119 Figura 8. La percepción auditiva de esta nueva señal no fue .10). se procedió a restar a la señal original el resultado obtenido de la limpieza. y la señal que queremos obtener es de alta frecuencia?. Los datos fueron tomados utilizando un micrófono condensador omnidireccional Audio Technica y un Dat Portátil Tascam DA . El objetivo de este tratamiento se centró en aislar el trinar de los pájaros del ruido de fondo utilizando un análisis multi-resolución con la wavelet Daubechies 4 (ver apéndice). una cuantización de 16 Bit y utilizando un canal del Dat.3.2 Tratamiento de señales reales obtenidas al aire libre. lo que como pensábamos nos entregó el sonido de los pájaros más componentes de ruido de alta frecuencia (Hiss). Mediante una percepción auditiva de la señal original nos dimos cuenta que el sonido de los pájaros estaba compuesto por frecuencias notoriamente más altas que el ruido de fondo. Coeficientes Wavelet obtenidos después de haber sido comparados con el umbral seleccionado (Lado izquierdo).3.7: Coeficientes de descomposición wavelet obtenidos utilizando la Daubechies 4 (lado derecho). paso de vehículos y ruidos característicos de la urbe. 8.P1. Con el fin de tratar señales reales al aire libre y analizar la inquietud nacida del caso anterior.1 KHz. Esta señal se ilustra en la figura (8.9). se obtuvo un set de datos correspondiente a sonidos de pájaros con alto nivel de ruido de fondo proveniente de faenas constructoras. Se realizaron hasta cinco niveles de descomposición los que se ilustran en la figura (8.3. a una tasa de muestreo de 44. Como el método explicado en la sección anterior asume que el ruido en una señal es de componentes de alta frecuencia.8.

Esta descomposición. Mediante este método se conservó el espacio ¾ y ¿. La diferencia en las componentes . que se ilustra en la figura (8.8. correspondientes al ¿ y al componentes de interés. por lo que se decidió hacer una nueva descomposición sobre este espacio. pero incluimos un poco de ruido. mientras que el segundo además de contener componentes de interés presentaba ruido. Debido a esto se decidió aplicar otro criterio para lograr nuestro objetivo. debido a que estas se concentraron auditiva. Al reconstruir la señal con los espacios ¾. nos permitió aislar más componentes pertenecientes al trinar de los pájaros. ¿ y ¿ logramos una buena aislación del cantar . además de ruido. LIMPIEZA DE RUIDO 120 Figura 8. Repetimos la experiencia cambiando el umbral en los distintos espacios wavelet lo que no nos entregó mejores resultados auditivos que el anterior. la que se realizó utilizando la wavelet Daubechies 6 (ver apéndice) en cinco niveles.11). que no aportaban componentes de frecuencia en el rango buscado. pero perdimos algunas frecuencias que se encuentran en el espacio conservamos prácticamente todas las componentes de frela señal con los espacios ¾. contenía cierta información de interés. El primero de estos espacios contenía sólo mente en dos espacios. eliminándose en su totalidad los coeficientes correspondientes a los espacios ½ y . Al reconstruir de los pájaros.3. ¿ y cuencia del cantar de los pájaros. El espacio . ¿ . El nuevo criterio fue escuchar cada espacio wavelet y seleccionar aquellos espacios en los cuales el sonido de los pájaros fuera más claro y nítido. satisfactoria ya que subjetivamente cambiaba el espectro del sonido de los pájaros.8: Representación del espectro de la señal original y de la señal limpia.

en su mayoría. LIMPIEZA DE RUIDO 121 Figura 8.frecuencia de la señal original y la reconstrucción empleando los espacios ¾.3. trabajo que podría haber sido realizado por un filtro pasa altos al momento de grabar o por un ecualizador en un proceso post . componentes de frecuencias bajas. ¿ . y una visualización tiempo . ¿ y Como podemos observar en la figura (8. alternativa que ha probado su eficacia y potencialidad.13) el análisis realizado permitió eliminar. se observa en la figura (8.13). . Más nuestro punto de vista es tomar el análisis Wavelet como una alternativa a estos procedimientos. de frecuencia de estas dos últimas reconstrucciones se pueden apreciar en la figura (8.grabación.12).9: Señal original.8.

.3.8. LIMPIEZA DE RUIDO 122 Figura 8.10: Descomposición de la señal original realizada con la wavelet Daubechies 4.

11: Descomposición de los coeficientes d4 usando la wavelet Daubechies 6. LIMPIEZA DE RUIDO 123 Figura 8. .8.3.

3. ¿. En rojo: mediante los espacios ¿y ¾. ¿.12: Transformada de Fourier de las reconstrucciones de la señal original.8. . ¿ y . LIMPIEZA DE RUIDO 124 Figura 8. En azul: mediante ¾.

8.3. LIMPIEZA DE RUIDO

125

Figura 8.13: Arriba: Transformada Continua Wavelet de la señal original; Abajo: Transformada Continua Wavelet de la
reconstrucción con los espacios
¾, ¿

,

¿

y

. Ambas representaciones fueron obtenidas utilizando la wavelet Morlet.

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 más bien como una herramienta que puede complementarse con la TF, o ser una correcta o no correcta elección dependiendo del tipo de señal a analizar o de la aplicación en la cual se desee utilizar. 2. Las funciones bases ocupadas por Fourier son el seno y coseno cuyo soporte es infinito. Las funciones bases de wavelet son versiones dilatadas y trasladadas de una función de soporte compacto (o finito), llamada wavelet madre, denotada comúnmente por . 3. Las bases de Wavelet, al ser muchas y muy distintas, se adaptan muy bien a diversas aplicaciones y tipos de señal, dando incluso la posibilidad de crear una nueva base para una aplicación especifica o para un determinado tipo de señal. 4. En el análisis de señales no estacionarias la transformada de Fourier no es óptima ya que aunque entrega una información completa del contenido espectral de la señal, no es capaz de localizar en el tiempo las componentes de frecuencia. 5. La transformada corta de Fourier permite hacer un análisis tiempo - frecuencia de señales no estacionarias, ya que segmenta la señal utilizando una función 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 fijo durante el análisis de la totalidad de la señal y por lo tanto calcula con la misma resolución tanto frecuencias bajas como frecuencias altas. 6. La transformada Wavelet depende de dos variables, una encargada del escalamiento de la función wavelet y otra encargada de la traslación de la función wavelet .

7. Mediante las variables de escalamiento y traslación la transformada Wavelet es capaz de hacer un análisis tiempo - frecuencia con una resolución variable, es decir, utiliza ventanas de diferente ancho durante el análisis de la señal. 8. Un conjunto de versiones dilatadas y trasladadas, tanto de una función escala como de una función wavelet , ambas pertenecientes al espacio ľ , son capaces de aproximar cualquier señal unidimensional cuyo contenido energético sea finito. 9. La función escala es la encargada de analizar el comportamiento general de la señal, mientras que la función wavelet se encarga de analizar el comportamiento del detalle de la señal.

8.4. CONCLUSIONES

127

10. La ortonormalidad de las bases empleadas, tanto en el análisis de Fourier como en el análisis Wavelet, es una propiedad esencial (excepto para la CWT), debido a que convierte el cálculo de los coeficientes en una tarea rápida y sencilla. 11. La obtención de los coeficientes escala como de los coeficientes wavelet se realiza mediante el producto interno entre las versiones dilatadas y trasladadas de la función escala y wavelet con la señal a analizar. De esta forma el coeficiente obtenido representa el grado de correlación que existe entre la función escala y wavelet con la señal en un intervalo finito en el espacio del tiempo. 12. La transformada discreta wavelet discretiza (valga la redundancia) las variables de escalamiento ¾ y ¾ genera un sistema wavelet de y traslación. Una discretización de la forma funciones base ortonormales por ej. Haar wavelet, Daubechies wavelet. 13. Mediante la transformada discreta wavelet es posible generar un análisis multiresolución sobre una señal discreta. Un análisis multiresolución corresponde a un proceso iterativo de convoluciones entre la señal discreta y coeficientes que actúan tanto como filtro pasa-bajo y filtro pasabanda de tal manera que la señal discreta es descompuesta obteniéndo información sobre las características generales de la señal y sobre las características del detalle de la señal en forma separada. 14. Al tener una señal discreta con ¾ muestras, podremos realizar una descomposición wavelet en niveles de resolución, obteniendo así   ½ espacios wavelet y un espacio escala. 15. La forma de trabajo de la transformada discreta Wavelet permite una fácil implementación computacional mediante el diseño de rápidos algoritmos para el cálculo de los coeficientes. 16. Debido a que los coeficientes wavelet son los encargados del detalle de la señal, estos son de valores pequeños. Esto sugiere que pueden eliminarse o hacerse cero los coeficientes cercanos a cero y la señal reconstruída no variará mucho, es decir, el error de aproximación entre la señal reconstruída y la original será mínimo. Esta sencilla idea ha sido la base sobre la cual wavelet ha encontrado importantes aplicaciones en la compresión de señales y eliminiación de ruido. 17. Los espacios wavelet se comportan como filtros, pudiendose ver cada espacio como un intervalo de frecuencias, así, se puede implementar un software que entregue un ecualizador gráfico de bandas, al realizar un análisis wavelet con descomposiciones.

pp. [CHU97] CHUI. SIAM Review. New York. WALNUT. Dover Publications Inc. Diciembre 1989. A Friendly Guide to Wavelets. 1993.. 2. H. Boston.. Departamento de Estadística. An Introduction to Wavelets. B.521. New Jersey. Technical Report LA-UR-93-1659.. 31. 628 . Vol. [BUR98] BURRUS. [DEV91] DEVORE. [HEI99] HEIL. Birkhäuser. Univeersidad de Cambridge. 1994. J. SIAM. IEEE Computer Society.. K.. 128 .. Vol. 1991. Dr.. Continuous and Discrete Wavelet Transforms. [KAI94] KAISER. GUO. C. F.. Discrete Wavelet Transform: Theory and Implementation. C. [DAV89] DAVIS. The FBI Wavelet/Scalar Quantization Standart for Gray-scale Fingerprint Image Compression. D. 1992. BRISLAWN. De .. 1997. D. Los Alamos National Lab. 1991. Filadelfia. N.. [NUM-REC] Numerical Recipes in C: The Art of Scientific Computing. [EDW91] EDWARDS. Fourier Series and Orthogonal Functions. [DON92] DONOHO.666. A. M. 1989. 1-56. Abril 1992. Wavelets: A Mathematical Tool for Signal Processing. GOPHINATH. [GRA95] GRAPS. No 2. E. 1995. Universidad de Cambridge. Prentice Hall. R. Universidad de Stanford.Thresholding. H.. G. [COD92] CODY.M.. T. pp. No 4. 1992 . S. 1998. R.. T. Wavelets. Introduction to Wavelet and Wavelet Transforms.Noising by Soft . LUCIER. C. pp.1998. Universidad de Stanford.. F.Bibliografía [BRA93] BRADLEY. In Acta Numerica 1.. The Fast Wavelet Transform beyond Fourier Transform. HOPPER. 496 .. Dobb’s Journal. C. L.

C. KRZANOWSKI. J.BIBLIOGRAFÍA 129 [PED99] PEDERSEN. G. 61 . 1995. U.78. Santa Cruz. Madrid. Universidad de los Andes. [SAP95] SAPATINAS. J. Enero 1998. Dinamarca. Vol.S. C. P.. Multiresolution Wavelet Analysis of ERPs for the Detection of Alzheimer’s Disease.. No 2. T. Estadística y Computación (5).. 1996. Wavelets: An Elementary Introduction and Examples. Enero 1995. M. Vol. 31(4). S. pp. 5481-5486. J. F. pp. [STR93] STRANG. LEMOINE. COMPO. [POL96] POLIKAR.UDPA. . [TOR97] TORRENCE. K. 288 . The Wavelet Tutorial... V. Chicago. Introduction to Joint Time Frequency Analisis... 79.. Time Frequency Toolbox Tutorial: for use with Matlab. GONÇALVÉS. Universidad Estatal de Iowa.. 93. POWELL. 1999. Signal Detection in Underwater Sound Using Wavelets.83. 1997. M. LODHA. IMACS/IEEE.. [UED95] UEDA. G. 1998. G. SIAM Rev.. Tratamiento Digital de Señales. BAILEY.255.. KRZANOWSKI. Departamento de Matemáticas. K. G. FLANDRIN. H. pp. [STR94] STRANG. T. 1989. R. [POL99] POLIKAR.. Departamento de Tecnología y Comunicación. Wavelets and dilation equations: A brief introduction. [TAM00] TAMARA. Journal of the American Statistical Association. Wavelets.. Abril 1994.GREER.. pp. R. Wavelet Transform versus Fourier Transform. T. 8..Compresión de señales empleando Wavelet. Vol. USA.305.. F. R. Santafé de Bogotá.. Prentice Hall. 1998. Centro de Ingeniería Informática. F. 1995 .. MANOLAKIS.. pp. Centro Nacional de Investigación Científica. 2000. J. pp. Proceedings-19th International ConferenceIEEE/EMBS. T. [SAP98] SAPATINAS. Vol. Centro de Computación. Departamento de Estadística Matemática e Investigación Operacional. pp. No 441. Universidad de California. J. Proceedings. POWELL.... No 1. P. [PRO98] PROAKIS. Tesis de pregrado.. 265 273. KEINERT. D. I. Universidad de Exeter. American Mathematical Society. G.processing of Underwater Sounds. [STR89] STRANG. The Story of Wavelets.. G. Universidad de Aulburg. L. American Scientist.A. C. O. pp 1301-1304. [TFT96] AUGER.627. W. Abril 1993.. 82. A Practical Guide to Wavelet Analysis. Francia. [POL97] POLIKAR.L. W. 1999. 73 .. Application of Wavelets to the pre . American Metereological Society. BAILEY...1996. 614 . 250 .

Mathworks. .. POGGI. G. 1996. Wavelet Toolbox: for use with Matlab. OPPENHEIM. M. Y. J. MÜLLER P... Instituto de Estadística. B. Inc.. 1994. M... MISITI. Universidad de Duke.BIBLIOGRAFÍA 130 [VID94] VIDAKOVIC. [WAV96] MISITI. Wavelets For Kids..

edu/˜wavelab/ Completo Software para Matlab. http://www. Profesor investigador en el campo de wavelets aplicado a problemas de estadística y limpieza de ruido. 3. 9.no/wavelets/theory.ac. http://www. http://www.at/˜uhl/wav.ac.edu/˜misra/wavelet.stanford. http://www-stat. 7.com/software.html Descripción y Teoría sobre Análisis Multi .utexas. http://lcavwww.html Articulos y papers de wavelet aplicado a problemas de estadística principalmente.sintef. 5.ecgcorp.Apéndice A Referencias Internet LA SIGUIENTE LISTA ES UNA RECOPILACIÓN DE DOMINIOS PÚBLICOS LOS CUALES FUERON COSULTADOS DURANTE EL DESARROLLO DE ESTA T ESIS : 1. http://www. 6.isye.edu/˜brani/ Página de Brani Vidakovic.sbg.ch/˜minhdo/wavelet_course/ Información útil sobre procesamiento de señales digitales mediante wavelets.rice.cosy.che.html Links a otras páginas dedicadas a wavelets y procesamiento de señales.com/velav/index. http://www. 131 .oslo.gatech. 2. http://www. http://www.html Software para análisis de señales acústicas.edu/publications/ Completa guia de papers clasificada por temas.dsp.html Información principalmente sobre acústica y vibraciones.html Pequeña guía de libros y software para utilización de wavelets.uk/pub/reports/Wavelets/WavByTop.epfl.Resolución.cetaceanresearch. 4. http://www. 8. 10. con ejercicios en Matlab.stats.bris.

http://sepwww. 21.uk/˜interact/fourier/fft. wavelets diádicas y filtrado discreto.med. http://archives.stanford.com/current/wavelet. cuya principal campo de investigación es limpieza de ruido utilizando métodos estadísticos en conjunto con wavelets. 23. dedicados tanto a teoría como aplicaciones de wavelets. libros. http://www.mame.ac.html Tutorial sobre la Transformada Discreta de Fourier.strath.html Información sobre Fourier y Wavelet.html Introducción a la Transformada de Fourier.html Gran lista de papers sobre wavelets clasificados por temas de investigación.strath. 12. 13.com/wavelets.uk/˜interact/fourier/dft. 18. http://www.edu/public/docs/pvi/toc_html/index.prosoniq. http://users. http://www. 25. cuyas áreas de interés son: Teoría y aplicacion de wavelets en el análisis estadístico de señales de tiempo.mathsoft.ac. http://www. con tópicos tales como: análisis de frecuencia.uk/˜ball0597/Fourier/ Información variada sobre análisis de Fourier.org Completa página sobre el tema.math.edu/JPNM/physics/didactics/improc/intro/fourier1. http://cas.edu/˜donoho/ Página de Dave Donoho.syr.html Tutorial de Wavelets.html Tutorial sobre la Transformada Rápida de Fourier. entre otros.princeton.html Información sobre wavelet y Fourier. http://www. 22.ac.ensmp.spd.edu/faculty/lewalle/tutor/tutor. 14.ac.harvard. cuyo campo de interés se focaliza en el análisis tiempo . 24. 20.eee.fr/˜chaplais/Wavetour_presentation/Wavetour_presentation_US.eee. 19.wavelet.stanford. http://www. Utilización de wavelets en el procesamiento de señal e . papers.edu/˜icd/ Página de Ingrid Daubechies.ox.spd.frecuencia utilizando wavelets. http://www. http://www. http://www.uk/IMS/statistics/people/T.132 11. 15.edu/topics/fourierAnalysis.html Completa página con links a software. http://www.ukc.Sapatinas/ Página de Teophanis Sapatinas.utk.html Lista de direcciones online dedicadas a diferentes aplicaciones que utilizan tanto teoría de Fourier como de wavelets. 17.com Software de Audio con implementaciones que utilizan algoritmos basados en wavelets.amara. http://www-stat. 16.

rice.co/˜wavelets/ Página de la Universidad de los Andes. http://www-dsp.edu/˜rpolikar/WAVELETS/WTtutorial. con información teórica sobre wavelets. 26.133 imágen.html Práctico tutorial wavelet. .public. Colombia. 27. http://euclides.iastate.edu.uniandes.edu/˜harry/ Wavelets y procesamiento digital de señales. 28. http://www.

%************************************************* % supsampleo(X) inserta ceros entre los coeficientes % del vector X.2:2:ls). % dependiendo si la longitud original es par o impar. Disminuyendo % la longitud de X a la mitad o a la mitad menos 1/2.Apéndice B Rutinas programadas en MATLAB Rutinas para Matlab utilizadas tanto para descomposición como reconstrucción de señales utilizando el sistema Wavelet Daubechies: %************************************************* % subsampleo(X) elimina todos los coeficientes de % índice impar pertenecientes al vector X. % % VER supsampleo %************************************************* function a=subsampleo(x) if (nargin == 0) error(’Debes ingresar los datos de entrada’). end [s1 s2]=size(x). aumentando la longitud del vector al % doble más uno. 134 . if s1 > s2 x=x’ end ls=length(x). a=x(:.

n1=floor(n. y=zeros(1. end lsh=length(s).n) if (nargin == 0) error(’Debes ingresar los datos de entrada’)./2).135 % % VER subsampleo %************************************************* function y=supsampleo(x) if (nargin == 0) error(’Debes ingresar los datos de entrada’).ls)./2. else v=s(lsh-n1:1:lsh+n1). if mod(n. end %*********************************************************************** % Rutina que realiza el primer nivel de descomposición % de una señal utilizando el sistema Wavelet Daubeuchies. extrayendo en forma % alternada elementos de ambos extremos del vector S. if s1 > s2 x=x’ end ls=2*length(x)+1.N) % crea un vector V de longitud N. %********************************************************************** function v=keep(s. %********************************************************************* % Rutina que mantiene parte de un vector.2)==0 v=s(lsh-n1+1:1:lsh+n1). V=keep(S. donde X es la señal .M). end [s1 s2]=size(x). % SINTAXIS: [ca1 cd1]=analisisdb(X. y(2:2:ls)=x.

8] .dat. filtro_wavelet=s(2.:).5. s=daub4.:). %Filtro Pasabajo de Descomposición filtro_wavelet=[-1. filtro_wavelet=s(2.dat. case 3 load daub3. filtro_wavelet=s(2.3./sqrt(2) 1. % M puede tomar los siguientes valores: % % % VER sintesisdb %************************************************************************ function [c.dat.:).:). s=daub5.:).:). filtro_escala=s(1. end tx=size(x). filtro_escala=s(1.2. s=daub2. filtro_escala=s(1./sqrt(2) 1.dat./sqrt(2)]. filtro_wavelet=s(2.:). s=daub3.:).d]=analisisdb(x. case 6 [1. case 5 load daub5. if tx(1)>1 x=x’. filtro_escala=s(1. case 4 load daub4. y M es un entero positivo que especifica el % sistema Daubeuchies utilizado./sqrt(2)].m) if (nargin == 0) error(’Debes ingresar los datos de entrada’).4. %Filtro Pasaalto de Descomposición case 2 load daub2. end switch m case 1 filtro_escala=[1.136 % de entrada.7.6.

4.:). case 8 load daub8. s=daub8.M).D]=sintesisdb(ca. filtro_wavelet=s(2.:).filtro_escala)). otherwise errargt(mfilename. % M puede tomar los siguientes valores: % % % VER analisisdb %************************************************************************ function [C.7.dat. s=daub6.:). end [1. % SINTAXIS: [C D]=sintesisdb(ca. % y M es un entero positivo que especifica el sistema Daubechies % utilizado para la reconstrucción. filtro_wavelet=s(2.dat. %Cálculo de los coeficientes de detalle d=subsampleo(conv(x.’msg’). %************************************************************************ % Rutina que realiza la reconstrucción de la señal % original a partir del primer nivel de descomposición % de una señal utilizando el sistema Wavelet Daubeuchies.8] .filtro_wavelet)). filtro_wavelet=s(2.cd.:). filtro_escala=s(1. end %Cálculo de los coeficientes de aproximación c=subsampleo(conv(x. error(’*’).6.2.’argumento no válido’.:).3. case 7 load daub7.:).137 load daub6. donde ca y cd son % los coeficientes de aproximación y detalle respectivamente.dat. s=daub7.5.m) if (nargin == 0) error(’Debes ingresar los datos de entrada’). filtro_escala=s(1.cd. filtro_escala=s(1.

dat./sqrt(2) 1.:). case 4 load daub4. filtro_wavelet=s(4. filtro_escala=s(3. %Filtro Pasabajo de Descomposición filtro_wavelet=[1.:). filtro_wavelet=s(4. filtro_wavelet=s(4. case 7 load daub7. s=daub4.dat.:). switch m case 1 filtro_escala=[1.:). s=daub7. s=daub2.:). filtro_escala=s(3.:).:). filtro_wavelet=s(4. filtro_escala=s(3. case 6 load daub6.dat. s=daub5. filtro_escala=s(3. case 8 load daub8.:). filtro_escala=s(3. s=daub6./sqrt(2)]. filtro_wavelet=s(4. filtro_wavelet=s(4.dat.:).:). %Filtro Pasaalto de Descomposición case 2 load daub2. %Inserción de ceros entre los coeficientes de detalle (supsampleo) Dtemp=supsampleo(cd). s=daub3. filtro_wavelet=s(4. s=daub8.138 %Inserción de ceros entre los coeficientes de aproxiamción (supsampleo) Ctemp=supsampleo(ca).dat. case 5 load daub5.:).:)./sqrt(2)].dat.:)./sqrt(2) -1.:). filtro_escala=s(3. filtro_escala=s(3. . case 3 load daub3.dat.

3.5. if tx(1)>1 x=x’.6.4. %Reconstrucción de la aproximación Ctemp=conv(Ctemp. D=Dtemp(:.8] %**************************************************************** function [c. end lf=length(filtro_escala). %Reconstrucción del detalle Dtemp=conv(Dtemp.filtro_escala).lf:1:length(Dtemp)-lf+1). % SINTAXIS: [C L]=dbdesc(X.n) if (nargin == 0) error(’Debes ingresar los datos de entrada’). l=[length(x)]. error(’*’).2.7.M.139 otherwise errargt(mfilename. %*************************************************************** % Rutina que realiza una descomposición multinivel % sobre una señal unidimensional utilizando el sis% tema Wavelet Daubechies. end tx=size(x).m.’argumento no válido’.l]=dbdesc(x. donde X es la señal de % % % % % entrada.’msg’). end c=[].lf:1:length(Ctemp)-lf+1).N). C=Ctemp(:. for i=1:n . M puede tomar los siguientes valores: [1. end if ((round(n)-n)˜=0) error(’N debe ser un número entero’). N es el nivel de descomposición deseado y M es un entero que especifica el sistema Daubechies utilizado.filtro_wavelet).

end switch m case 1 filtro_escala=[1./sqrt(2)].:). filtro_escala=s(3.3.4./sqrt(2) -1. case 4 load daub4.dat. % SINTAXIS: S=dbdesc(C. donde C corresponde a % % % % % la matriz wavelet.dat.l.L. filtro_escala=s(3. if (nargin == 0) error(’Debes ingresar los datos de entrada’). filtro_wavelet=s(4./sqrt(2)].140 [x d]=analisisdb(x. M puede tomar los siguientes valores: [1.2. %Matriz wavelet %********************************************************************** % Rutina que realiza una reconstrucción multinivel % sobre una señal unidimensional utilizando el sis% tema Wavelet Daubechies. %Filtro Pasabajo de Descomposición filtro_wavelet=[1.:).5.7.:).dat.M)./sqrt(2) 1. l=[length(d) l].m).8] %Guarda las longitudes correspondientes a cada descomposición %********************************************************************** function s=dbrec(c. %Filtro Pasaalto de Descomposición case 2 load daub2. . filtro_wavelet=s(4.:). s=daub3. case 3 load daub3.6.m). end c=[x c]. s=daub2. %Proceso de descomposición c=[d c]. L corresponde a los niveles de descomposición y M es un entero que especifica el sistema Daubechies utilizado. filtro_escala=s(3.:). s=daub4.

case 7 load daub7.’msg’). otherwise errargt(mfilename. % % Reconstrucción de d=c(ld:ld-1+l(i)).dat. filtro_escala=s(3.l(i+1)).:).dat. % s=C+D.141 filtro_wavelet=s(4.:). case 5 load daub5. s=daub5.:). % ciones. filtro_wavelet=s(4. % las descomposiC=keep(conv(supsampleo(s). filtro_wavelet=s(4. case 8 load daub8.l(i+1)). filtro_wavelet=s(4. filtro_escala=s(3. s=daub7.:). filtro_escala=s(3.:).dat. % end . s=daub8. % ld=ld-(l(i+1)-l(i)). s=daub6. filtro_wavelet=s(4. error(’*’). for i=1:(length(l)-1) ld=l(i)+ld.:).dat.:).filtro_escala).:). case 6 load daub6. %Coeficientes escala de la última descomposición ld=1. filtro_escala=s(3.:). D=keep(conv(supsampleo(d).filtro_wavelet).’argumento no válido’. end s=c(1:l(1)).

14213e-001 14.08413e-002 3.35011e-001 -2.05974e-002 - 142 .30377e-001 7.24143e-001 - Daubechies 3 3.29409e-001 -1.82962e-001 8.79837e-002 -8.36516e-001 2.54412e-002 -1.32670e-001 8.30880e-001 -1. n 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Daubechies 1 14.87034e-001 3.06891e-001 4.14213e-001 - Daubechies 2 4.52262e-002 3.14846e-001 6.59877e-001 Daubechies 4 2.Apéndice A Wavelet Daubechies Tabla con los coeficientes filtros de descomposición y reconstrucción correspondientes a la Familia Wavelet Daubechies (1-8).28830e-002 -1.

91740e-004 6.96539e-001 7.29577e-004 3.03829e-001 7.51133e-001 3.43906e-001 -1.12871e-001 6.73693e-002 -1.80164e-003 -4.24036e-001 -2.26264e-001 -1.94623e-001 7.07730e-003 7.28747e-001 -1.22448e-002 -1.29132e-001 4.75449e-004 -1.15820e-002 -3.69782e-001 Daubechies 8 5.53842e-004 4.40882e-002 1.60102e-001 6.78520e-002 3.87035e-003 .24149e-003 3.84015e-001 7.13092e-002 8.25807e-002 -3.33572e-003 9.53713e-004 1.75630e-001 5.75228e-002 5.74609e-003 -3.15250e-001 Daubechies 7 7.75016e-002 2.25509e-002 4.75714e-002 -6.38428e-001 Daubechies 6 1.17476e-004 -1.39810e-002 8.72484e-004 1.143 n 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Daubechies 5 1.77725e-003 -1.42294e-001 -2.80299e-002 -1.24308e-001 1.44158e-002 3.06126e-002 4.58291e-002 -3.85354e-001 -2.29766e-001 -2.65745e-002 -4.11540e-001 4.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->