Dise no de Wavelets mediante Algoritmos Gen eticos y su evoluci on a partir de la Transformada de Fourier

Luis Ar evalo, Estudiante.

de Resumen Se describir a una t ecnica para el diseno Wavelets para la clasicaci on de senales que se construyen en base a Algoritmos Gen eticos. Para ello se describir a brevemente la teor a de Fourier y sus limitaciones para cierto tipo de senales, de Wavelets. adem as de otras t ecnicas para el diseno T erminos Claves Wavelets, Fourier, Algoritmos Gen eticos, Clasicaci on.

I. I NTRODUCCI ON El dise no de Wavelets para la clasicaci on de se nales es un problema que ha atra do gran atenci on en la u ltima d ecada. Sin embargo, a nes del siglo XIX es Joseph Fourier quien establec a que una se nal pod a ser representada como la suma de series de senos y cosenos. Esta es la Teor a de Fourier, que ha ido evolucionando hasta estos d as donde es ampliamente utilizada es la resoluci on de problemas cient cos e ingenieriles. Jean Morlet, geof sico franc es, dise no una alternativa a la Transformada de Fourier, utilizando un sistema basado en una funci on prototipo que pose a la misma robustez y versatilidad que e sta, pero con la diferencia que analizaba a fondo se nales cuya amplitud variaba en forma r apida y abrupta en el tiempo y se nales cuyo contenido de frecuencia es variable de un instante de tiempo a otro. Esta nueva herramienta matem atica fue reconocida por un matem atico franc es llamado Yves Meyer, quien descubri o que los Wavelets formaban bases ortonormales de espacios ocupados por funciones cuyo cuadrado es integrable. En otras palabras se puede decir que el contenido energ etico de la funci on es nito, que expresado en lenguaje matem atico quedar a:
b

Tambi en est an los wavelets biortogonales, cuya idea es poder representar la se nal mediante dos conjuntos de funciones que no necesariamente sean ortogonales entre pares del mismo conjunto, pero s lo deben ser entre distintos. Sweldens ha desarrollado un esquema general para el dise no de wavelets biortogonales, que es el esquema del lifting. Las t ecnicas mencionadas tienen una gran utilidad en el contexto de las compresiones, pero claramente existen otras aplicaciones que requieren de una funci on de costo diferente. La idea ser a basarse en el an alisis de las caracter sticas y poder encontrar el wavelet o ptimo para la clasicaci on de se nales, que depende tanto del clasicador como del detalle, siendo el primero muchas veces demasiado complicado para poder encontrar una soluci on de manera directa. Para esto se utilizar a Algoritmos Gen eticos, que permitir a encontrar una funci on costo directamente relacionada con el funcionamiento del clasicador. II. T EOR IA
DE

F OURIER

|f (t)|2 dt =

|f (t)|2 dt < ,

(1)

donde a y b corresponden a los l mites de la funci on wavelet u ondita, que claramente es localizable en el tiempo. Entrando en el terreno de los wavelets en s , existen los wavelets ortogonales, que es un conjunto de funciones ortogonales entre s que representan la se nal. Una t ecnica para el dise no de wavelets fue la ideada por Tewk et al., quien dise no wavelets ortogonales bas andose en el c alculo de una funci on costo que buscaba minimizar el error entre la se nal original y la representaci on aproximada o maximizar la norma de la proyecci on de la se nal sobre el espacio del wavelet.
L. Ar evalo es estudiante de la Universidad T ecnica Federico Santa Mar a, en Valpara so, Chile. Email: larevalo@inf.utfsm.cl. URL: http://www.inf.utfsm.cl/larevalo.

La idea fundamental de las Series de Fourier es que un proceso f sico puede ser representado como una funci on de tiempo, que si es peri odica, e sta puede ser representada como una suma de senos y cosenos. Adem as, esta funci on (o se nal) a analizar debe ser integrable y a su vez esta integral debe ser nita. Las series de Fourier sirven para poder realizar la Transformada de Fourier, que lleva una funci on que se encuentra en el dominio del tiempo al dominio de las frecuencias representadas por senos y cosenos de diferentes frecuencias cuya suma total da la se nal original. Tambi en podemos llevar la funci on desde el a mbito de las frecuencias al del tiempo mediante la transformada inversa. Algunas de las caracter sticas principales de la Transformada de Fourier es que se puede escalar en el tiempo y la frecuencia, as como tambi en puede ser trasladada en ambos dominios. Es importante destacar que la energ a de la se nal no var a en los dominios, siempre es la misma. La Transformada Discreta de Fourier (DFT) es muy importante ya que como bien sabemos, la representaci on dentro de un computador es discreta y no cont nua. Es por esto que los coecientes de la Transformada ahora son discretos y pueden ser representados mediante una matriz de Fourier por un vector que corresponde a valores discretos de una se nal en el tiempo. Esta matriz tiene la particularidad que sus columnas son ortogonales por lo que su inversa corresponde

a la transpuesta conjugada, lo que lleva a un f acil c alculo de la Transformada Inversa. La Transformada R apida de Fourier (FFT) tiene la particularidad de eliminar informaci on redundante que genera la transformada discreta. Esto gracias a aprovechar propiedades de periodicidad y simetr a de la fase. Adem as, al ir dividiendo la se nal en mitades, hace que sea totalmente conveniente para operar sobre se nales cuyo n umero de muestras es potencia de dos. Dentro de los algoritmos para calcular la FFT se encuentran el decimado de tiempo y de frecuencia. El primero toma la totalidad de los datos de entrada y los separas en pares e impares, mientras que el segundo los divide en la primera mitad correlativa y la otra la segunda mitad restante. En ambos algoritmos cada una de las dos secuencias de datos corresponde exactamente a la mitad de la longitud de la se nal original. Tambi en es importante destacar que ambos algoritmos son recursivos, por lo que se puede seguir con el proceso de decimaci on y as disminuir de manera considerable el n umero de operaciones con respecto a la DFT. Finalmente se encuentra la Transformada Corta de Fourier en el Tiempo (STFT), que lo que pretende es obtener una mejor resoluci on en el tiempo para se nales semi estacionarias o simplemente no estacionarias. Esto se logra mediante un procedimiento llamado windowing, cuya idea es dividir la se nal en peque nos pedazos e interpretarlos como se nales estacionarias para as poder utilizar la transformada de Fourier cl asica. La longitud de estos pedazos depende de una funci on tiempoventana que se debe denir, y emp ricamente est a demostrado que mediante esta transformada no se puede obtener a la vez una buena resoluci on de tiempo y frecuencia, debido a lo estacionario de la funci on tiempo-ventana. La idea ser a encontrar la manera que esta funci on fuese din amica. Es as como llegamos a la Transformada Cont nua de Wavelet (CWT), una herramienta matem atica que permite, al igual que la CTFT tomar una se nal dentro de un peque no intervalo y realizar el an alisis s olo sobre e ste. La diferencia radica en que la CTFT realiza windowing de igual duraci on para frecuencias altas y bajas, mientras que la CWT regula la duraci on. La CWT est a denida de la siguiente manera: 1 CW T (a, b) = a

de la siguiente manera: j,k (t) = 2 2 2j t k

j

j, k Z.

(3)

Dada esta funci on madre, m as una funci on escala cada una con un respectivo conjunto de coecientes, se puede aproximar cualquier se nal perteneciente al espacio L2 (R). El conjunto de funciones generado por el wavelet madre no es u nico, y la idea de este paper es poder encontrar el conjunto que mejor represente la se nal mediante algoritmos gen eticos. Cabe destacar eso s que todos los conjuntos de funciones generados poseen ciertas caracter sticas, como: Si el conjunto de funciones wavelets est a dado por (t) tal que j, k Z, entonces la se nal puede ser representada como f (t) =
k j

dj,k (t).

Un coeciente wavelet dj,k representa un componente bien denido en un intervalo de tiempo, lo que permite que el sistema wavelet sea localizable en el tiempo. Si una funci on escala (t k ), con k Z representa a un conjunto de se nales, entonces (2t k ), con k Z representa un conjunto m as amplio que contiene al anterior. Lo anterior corresponde a las condiciones de multi-resoluci on. Los coecientes de m as baja resoluci on pueden ser calculados a partir de los coecientes de m as alta resoluci on mediante un algoritmo denominado banco de ltros. Todo esto se enmarca dentro de lo que es el an alisis de multiresoluci on. Una funci on escala (t) L2 (R) est a denida de la siguiente manera: j.k (t) = 2 2 (2j t k ) Si
k Z
j

j, k Z.

(4)

una funci on f (t) puede ser representada como cj,k j,k (t), entonces se encuentra en el subespacio

x(t)

tb a

dt,

(2)

donde corresponde al wavelet madre, a al ancho de , b indica la ubicaci on en el tiempo de y x(t) es la se nal original. Dentro de las particularidades que debe poseer se encuentra que debe ser admisible, esto es, que la transformada de Fourier de , es decir debe ser igual a cero cuando la frecuencia es cero ((0) = 0). Con esto decimos que el wavelet madre est a centrado en cero y que su transformada de Fourier cae a cero cuando la frecuencia tiende a cero. III. S ISTEMAS WAVELETS Llamaremos Sistemas Wavelets al conjunto de funciones generado por la funci on madre (t) y su respectiva funci on escala (t). Un Sistema Wavelet de Primera Generaci on es aquel que posee una u nica funci on wavelet y traslaciones enteras. El wavelet madre da origen una familia de funciones

Vj = spankZ {j,k (t)} que es subconjuto de L2 (R). Para poder determinar si una funci on escala es buena, se deber a vericar que para cada j , j,k forme una base ortonormal para el subespacio Vj . Adem as, se debe cumplir que para cada j , Vj Vj +1 y que (t) tenga soporte compacto. Por otra parte sabemos que el espacio que genera la funci on j,k (t), Wj , es el complemento ortogonal de Vj , esto es, Vj +1 = Vj Wj . Ahora, si la funci on f (t) Wj , entonces puede ser representada de la siguiente manera: f (t) =
k Z

dj,k j,k (t).

(5)

IV. WAVELETS A. Wavelets de Haar Entrando en tierra derecha, debemos primero que todo conocer el wavelet m as sencillo, que es el Wavelet de Haar. A partir de este wavelet iremos conociendo el por qu e de la estructura general de un sistema wavelet, calculando su funci on escala y funci on wavelet, con sus respectivos coecientes.

La funci on escala del Wavelet de Haar est a denida de la siguiente manera: (t) = 1 si 0 t < 1 . 0 en otro caso (6)

Esta funci on escala como tal no es de mucha ayuda, pues no se acercar a a la se nal que pretendamos representar. Para eso se realizan traslaciones enteras, quedando ahora nuestra funci on escala (t) como sigue: (t k ) = 1 si t1 = k t < k + 1 = t2 . 0 en otro caso (7)

B. An alisis de multi resoluci on

Por u ltimo, para obtener una mejor aproximaci on, es necesario adem as escalar la funci on, y para que la familia generada sea una base ortonormal, debe ser multiplicada por una consj tante de normalizaci on, que en este caso tambi en es 2 2 . La funci on Haar Wavelet j,k (t) queda nalmente: j k 1 k si 2 j t 2j + 2j +1 2 2 j j j k k +1 . (13) 2 2 (2 t k ) = 2 2 si 2j + 2j+1 t k2 j 0 en otro caso

Ahora se est a listo para poder calcular los coecientes de la funci on escala, los cuales permitir an junto a la misma funci on reconstruir la se nal original. El c alculo es muy sencillo, y s olo basta resolver para cada uno de estos la siguiente ecuaci on: f (t) =
k

ck k (t)

k Z.

(8)

Si bien ahora se est a en condiciones de obtener una buena aproximaci on de la se nal original, todav a se puede hacer un mejor esfuerzo si no s olo trasladamos la funci on escala, si no que tambi en la escalamos. Con esto se genera una nueva familia de funciones j,k que queda denida as : (2j t k ) =
k 1 si t1 = 2 j t < 0 en otro caso 1+k 2j

El an alisis multi resoluci on (MRA) o aproximaci on multi escala (MSA) consiste en aproximar una funci on f (t) mediante diferentes niveles de resoluci on. El MRA puede ser visto como una secuencia de subespacios anidados que satisfacen relaciones de similiradad en tiempo/espacio y escala/frecuencia, adem as de relaciones de completitud y regularidad. Con lo anterior, la funci on original puede ser representado como: f (t) = f0 (t) +
j 0

gj (t),

(14)

= t2

(9)

donde gj (t) = fj +1 (t) fj (t), (15)

Con lo anterior podemos encontrar un representaci on bastante buena de la se nal original, pero no se cumple con uno de los requisitos fundamentales, que es que se forme una base ortonormal. Para que esto se cumpla se debe encontrar una constante de normalizaci on que multiplicada por (2j t k ) nos de una familia de funciones ortonormales. Esta constante j es 2 2 , por lo que la familia de funciones generada por j,k (t) queda: 2 2 (2j t k ) =
j

lo que representa el vaiv en entre dos niveles sucesivos de resoluci on. El espacio generado por esta familia de funciones gj (t) depende de j,k (t), que debe ser elegido dependiendo de la se nal a analizar. La expansi on es: gj (t) =
k Z

dj,k j,k (t).

(16)

22 0

k si t1 = 2 j t < en otro caso

1+k 2j

= t2

(10)

Tambi en en forma an aloga a la funci on escala, e sta se puede representar como una combinaci on lineal de espacios Vj . Por esto, representaremos ahora la funci on wavelet pero trasladada: 1 si k t k + 2 1 1 k (t) = 1 si k + 2 (12) tk+1. 0 en caso contrario

Cabe destacar eso s que aumentando j , es decir el espacio en el que se est a trabajando, si bien se va a encontrar una se nal reconstruida con mejor resoluci on, una se nal mucho mejor descrita va a ser encontrada deniendo un espacio Wj que represente el complemento de Vj en Vj +1 . Esta funci on Wj es la denida como Funci on de Wavelet, que en este caso particular ser a la de Haar. Al igual que la funci on escala, la funci on wavelet tiene una denici on b asica: 1 si 0 t 2 1 1 . (11) (t) = 1 si 2 t1 0 en caso contrario

Como ya sabemos, los subespacios Wj y Vj son ortogonales y forman una base para Vj +1 . Gr acamente esto se ve como en la Fig. 1.

W2

W1

W0 V0

V1
Fig. 1.

V2

V3

Espacios Wavelets

C. Transformada de Wavelet La primera transformada que veremos es la Transformada Discreta Wavelet, que obtiene una descomposici on de la se nal

original como sigue:

2j 0 1 N 1 2j 1

f (t) =
k=0

cj0 ,k j0 ,k (t) +
j =j0 K =0

dj,k j,k (t) j, k Z+ , (17)

N

lo que hace que se reconstruya la se nal original. Importante es notar que ambos procesos, an alisis y s ntesis, son iterativos, por lo que en teor a podr an ser aplicados innitamente (en la pr actica eso no puede ser cierto ya que va llegar un momento en que no podr a se podr a seguir decimando). V. D ISE NO
DE

donde j0 indica el espacio en donde se comenzar a y 2 es el n umero de muestras que se tom o de la se nal original. La idea de esta transformada es tomar cierto numero nito de muestras de la se nal original, luego desarrollar la sumatoria de (17) y luego llevar todo a un sistema del tipo A.x = b, donde A es la matriz que contiene los valores de la funci on escala y de la funci on wavelet, representando las las cada intervalo de tiempo en que fue dividida f (t), y cada valor de la la uno de los t erminos de la sumatoria antes mencionada, b representa los valores de la funci on en sus respectivas muestras y x el vector con los coecientes wavelets y escala. Luego debe resolverse para x y as obtener los valores de los coecientes. Debido al alto costo computacional de esta transformada, es que se lleg o a lo que es la Transformada R apida Wavelet. Esta transformada utiliza para el c alculo de los coecientes el algoritmo Banco de Filtros. Este algoritmo lo que hace para descomponer una se nal unidimensional es tomar los datos de entrada y pasarlos por por dos ltros diferentes, un lowpass y un high-pass, lo que se conoce como convoluci on discreta. Una vez hecho esto, se realiza lo que se conoce como decimaci on o downsampling, que es del total de datos tomar s olo la mitad. Para los datos que pasaron por el ltro low-pass, se aplica 1 cJ 1,k = (cJ,2k + cJ,2k+1 ) , 2 y para los que pasaron por el ltro high-pass 1 dJ 1,k = (cJ,2k cJ,2k+1 ) , 2 (19) (18)

WAVELETS BASADO
LIFTING

EN EL ESQUEMA

Si bien las familias de wavelets est andares satisfacen de buena manera el an alisis de se nales, siempre es bueno poder contar con herramientas que permitan el dise no de otras transformadas que se adapten de mejor manera a una se nal en particular objeto de estudio. Adem as, de ahora en adelante se trabajar a con wavelets biortogonales, los cuales permiten una mayor exibilidad a la hora del dise no. Entre sus propiedades, se encuentra el hecho que los ltros a utilizar no necesariamente son del mismo tama no, lo que permite que los par ametros est en reparticionados para encontrarse con el dise no espec co. Los coecientes son: cj (k ) =
m

h(2k m)cj +1 (m)

(22)

y dj (k ) =
m

g (2k m)cj +1 (m).

(23)

donde cJ representa los datos originales y J el nivel m as alto de resoluci on. De lo anterior se puede inferir que del ltro low-pass se obtienen los coecientes escala, que representan la forma general de se nal original y los que pasan por el otro el detalle de la se nal. Finalmente, el algoritmo entrega lo que se denomina el Vector DWT, cuyas componentes son las hojas del a rbol que entrega el banco de ltros. Una vez realizado el an alisis (todo el proceso anterior), la idea es poder reconstruir la se nal original, proceso conocido como s ntesis. En e ste lo que se hace primero es un upsampling, en el cual se rellena con ceros entre cada coeciente, ya sea de aproximaci on (de escala) como de detalle (de wavelet), con el n de aumentar al doble la longitud del vector de datos. Luego, los coecientes de aproximaci on pasan por el ltro low-pass y los de detalle por el de high-pass, 1 cJ,2k = (cJ 1, k + dJ 1,k ) 2 y 1 dJ,2k = (cJ 1, k dJ 1,k ) , 2 (21) (20)

Ha sido demostrado que cualquier conjunto de funciones wavelets y escalas, incluyendo los asociados con bases biortogonales, pueden ser descompuestas en t erminos de la estructura lifting, el cual es un tipo de reticulado del banco de ltros. El esquema del lifting se divide principalmente en tres pasos: Dividir. Predecir. Actualizar. La se nal bajo an alisis cj +1 es dividida en componentes pares e impares, cj +1 (2k ) y cj +1 (2k + 1), de manera an aloga a lo que es el est andar banco de ltros. Luego, un ltro p, de orden Np , es usado para predecir los componentes impares de la se nal a partir de una combinaci on de los pares. Los coecientes wavelet pueden ser identicados como el detalle en los datos de m as alta resoluci on que no son predecidos por el componente par de la se nal: dj (k ) = cj +1
m

p(m)cj +1 (2m k n0 ),

(24)

donde n0 = (Np 2)/2 es un corrimiento temporal para la correcta alineaci on de los coecientes wavelets de acuerdo a la predicci on del orden del ltro. De (23) y (24), g es expresado en t erminos de p: g (2k ) = p(k ), g (2k + 1) = (k n0 ), (25)

con k = 0, . . ., Np 1. De las condiciones impuestas por el ltro high-pass, p(k ) = 1, con Np 1 grados de libertad. El siguiente paso, es realizar una actualizaci on de los componentes pares mediante una combinaci on de los detalles

para poder obtener una aproximaci on de la se nal original. Esta operaci on utiliza un ltro de orden N : cj (k ) = cj +1 (2k ) +
m

VII. I MPLEMENTACI ON

DE

TICOS A LGORITMOS G EN E

(m)dj (m + k n1 ),

(26)

donde n1 = (Np + N + 2)/2 provee el correcto corrimiento temporal para alinear los coecientes de acuerdo a las o rdenes y predicciones del ltro. De (22) y (26) podemos obtener h: h(2k ) = (k n1 ) y h(2k + 1) = (k ). (28) Para este ltro, existen Ndf = Np + N 2 grados de libertad. Para esta cantidad de par ametros libres existen muchas alternativas dentro del paradigma del lifting. Una de estas alternativas es suprimir todos los polinomios de grado menos a Np 1 de la salida de g y pasar todos los polinomios de grado N a trav es de h. Esto hace que el coeciente de aproximaci on se haga mucho m as suave mientras que se habilita el coeciente detalle para representar informaci on del ltro high-pass. Este procedimiento se conoce como el Wavelet Cohen Daubechies Faveau (CDF). VI. C ARACTER I STICAS DEL WAVELETS La idea de este trabajo es mostrar como se puede dise nar un wavelet mediante el esquema del lifting v a algoritmos gen eticos empleando una funci on costo relacionada directamente con la clasicaci on del problema. La implementaci on v a Algoritmos Gen eticos es aplicable tanto a las caracter sticas del wavelet como al clasicador. Se utilizar an caracter sticas basadas en los momentos de los coecientes normalizados. El coeciente detalle queda de la siguiente manera: wj (k ) = d2 j (k ) zj zj =
k m

p(m)(n m)

(27)

d2 j (k ).

(29)

La se nal wj est a denida para satisfacer la condici on necesaria de una funci on de probabilidad total. El momento acerca de lo que signica wj est a dado por: mrj =
k

(k m1j )r wj (k )

m1j =
k

kwj (k ).

(30)

El conjunto de caracter sticas usadas est an compuestas de la varianza (anchura), skewness (asimetr a) y curtosis (peakedness) de wj . Si se considera L niveles de wavelets, las caracter sticas basadas en momentos van m as all a de un vector de caracter sticas 3L-dimensional. La distribuci on de este vector de caracter sticas est a dada por un vector de cuantizaci on (VQ), entrenado usando el algoritmo k-means con las caracter sticas mapeadas al correspondiente vecino m as cercano del (entero) elemento codebook. Un clasicador basado VQ est a dise nado para cada estado, que son empleados en un modelo oculto de Markov. Dado los estados objetivos Sm , m = 1, . . ., M , primero se dene un VQ codebook usando los vectores caracter sticas originados en todos los estados. Los estados caracter sticas del estado Sm son usados para denir una funci on de probabilidad total para los elementos codebook p(Q(v ) = k |Sm ).

Los Algoritmos Gen eticos constituyen una t ecnica de optimizaci on basada en el paradigma de supervivencia del m as fuerte, encontrado en la naturaleza. Los algoritmos gen eticos trabajan con una representaci on abstracta llamada cromosomas. Un lenguaje clasicador describe la arquitectura del clasicador. El diccionario de palabras para el lenguaje, o l exico, dene los componentes, subcomponentes y par ametros num ericos necesarios para construir un clasicador basado en wavelets. La gram atica del lenguaje dene como estas piezas son conectadas a la vez. El dise no de un clasicador reci en generado deber a estar gramaticalmente correcto para que el sistema sea v alido. El vector de caracter sticas v es clasicado como una asociaci on con el estado Sm si p(v |Sm ) > p(v |Sk ), k = m (discriminaci on de m axima probabilidad). La meta es dise nar diferentes ltros de wavelets para cada estado Sm , tal que la probabilidad de clasicar formas de ondas dispersas con el estado correcto sea m axima. Para este caso, la funci on costo empleada en el GA maximiza la m nima probabilidad de la clasicaci on correcta a lo largo de la diagonal de la matriz de confusi on. Una vez denida la gram atica con su respectivo l exico, se van formando los cromosomas, cada uno con su clasicador. Un cromosoma puede ser visto como un a rbol, en donde su nodo padre representa el clasicador, y de ah hacia abajo se va generando una estructura denida por la gram atica, en donde se encuentra, por ejemplo, el vector cuantizaci on y un extractor de caracter sticas. Una vez generados los cromosomas, llamados padres, se van criando de a pares, en un proceso llamado crossover. En este proceso se toman dos nodos de diferentes a rboles que posean el mismo tipo gramatical y se intercambian junto con sus sub arboles de cromosomas para formar un cromosoma hijo. Una de las restricciones que se le da al GA es que no considere los nodos hojas, ya que s olo se intercambiar an estos quedando muy parecidos al padre, lo que no aporta en demas a. Adem as, se pueden ir agregando otras restricciones para que el crossover funcione de la mejor manera, como el evitar que intercambie sub arboles id enticos. Adem as, para algunos pocos par ametros se realiza por cada generaci on una mutaci on, con la idea de conocer el comportamiento de wavelet ante ciertos cambios en los par ametros de entrada. VIII. C ONCLUSI ON Dentro de este estudio se puede decir que la Transformada de Wavelets no es mejor que la de Fourier, s olo est a dise nada para abarcar otro tipo de problemas. Este otro tipo de problemas es bastante amplio, gracias a la capacidad de generar de un mismo wavelet diferentes familias de funciones. Otra cosa a destacar es que al tener dos tipos de funciones, una de escalamiento y otra de traslaci on, hace mucho m as f acil la representaci on, ya que la primera s olo se encarga de la forma general, mientras que la otra del detalle de la se nal. Finalemete cabe destacar que el dise no de wavelet es un libro abierto, pues con s olo una peque na pincelada, se pude dar

cuenta que existen muchos tipos de wavelet, por lo que es s olo cuesti on de dedicaci on para crear uno propio para alguna se nal en particular que se desee estudiar. Es cosa de ver cuantos wavelets se pueden dise nar mediante algoritmos gen eticos y ya se pierde la cuenta. B IBLIOGRAF IA
[1] E. Jones, P. Runkle, N. Dasgupta, L. Couchman y L. Carin. Genetic Algorithm Wavelet Design for Signal Clasication. IEEE Transaction on Pattern Analysis and Machine Inteligence, vol. 23, pp. 890-895, Ago. 2001. [2] D. E. Goldberg. Genetic Algorithms New York: Addision-Wesley, 1989 [3] P. Faundez y A. Fuentes. Procesamiento Digital de Se nales Ac usticas utilizando Wavelets. Instituto de Matem aticas, UACH. [4] Y. Meyer. Wavelets and Operators. Cambridge University Press. [5] E. Hern andez y G. Weiss. A First Course on Wavelets. CRC Press LLC.

Luis Ar evalo es actualmente estudiante de la carrera de Ingenier a Civil Inform atica de la Universidad T ecnica Federico Santa Mar a. Pertenece al a rea de M etodos y Modelos Cuantitativos, desarroll andose como ayudante del ramo Computaci on Cient ca y es parte integrante del proyecto Grid Computing. Adem as, realiza trabajos como sysadmins.