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

ABSTRACT This thesis is mainly an introduction to wavelets theory applied to digital signal processing of acoustics signals. the Haar wavelet. DFT y FFT.2 RESUMEN Este trabajo constituye principalmente una introducción a la teoría de wavelets. with a basic knowledge of wavelets. 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. Transformada de Fourier. Fourier Transform. To aboard this subject in a comprehensible manner. 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. Posteriormente se introduce wavelets como una herramienta alternativa al análisis de Fourier para el procesamiento de señales. the thesis begins with the relevant mathematicalbackground and a general explanation about the concepts of the Fourier theory (Fourier series. . the multi-resolution analysis (MRA) is presented together with an explanation of the Discrete Wavelet Transform (DWT) and the development of computational algorithms to implement the Fast Wavelet transform (FWT). Finally an application of this tool in de-noising of acoustic signals is presented through statistic methods. At this point. 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. Latter we introduce wavelets as an alternative tool of the Fourier analysis. 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. 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.

. OBJETIVOS ESPECIFICOS 1. Implementar el uso de algoritmos que realicen la transformada Discreta de Wavelets utilizando el Software MATLAB 5. 3. 3.3 OBJETIVOS GENERALES 1. 2. 4. Describir las bases para el diseño de algoritmos con el fin de implementar wavelets en ambientes computacionales. 5. 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. Presentar una aplicación de wavelets orientada a resolver un problema de tipo acústico. Desarrollar de una manera clara y didáctica la teoría matemática de wavelets. 2. Describir la utilización de wavelets en el proceso de reducción de ruido de alta frecuencia sobre una señal creada en forma artificial. Describir la teoría de wavelets tanto en el dominio continuo como en el dominio discreto teniendo como base la teoría de Fourier. 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.3 y comprobar su uso mediante señales obtenidas de forma ficticia y de forma real.

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

. . . Se observa el proceso de escalamiento y traslación. (a) Representación de la señal ܽ ´Øµ . . . . . . . . . . . . . Representación tiempo . .3 3. . (a) es par y de período ¾ . . . . . . . . . . . . . . . . .3 4. . . .5 4.8).1 3. . . . . .8 Función Wavelet Mexican Hat y Morlet con sus respectivas Transformadas de Fourier (gráficos de la izquierda). . . . . . . . . . . 3. . .7 3. . . . . . . . . . . . . . . . . . . . . . . . Representación en el tiempo de la función a analizar en el ejemplo. . . . . . . . (b) es impar y de período ¾ . . . . . . .5 3. . . . . . 56 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (b) Contenido espectral de la señal obtenido mediante la transformada rápida de Fourier . . . . . (b) Descomposición en series de Fourier. Transformada Discreta de Fourier de la onda cuadrada ilustrada en la figura (1. . . . . . .6 4. . . . . . (b) Función coseno de período T=¾ Expansión de función entre ´Øµ ¼ . . . . . . . . . . . . . . . . . . . . N=4. . . . . . . . . .2 3. . . . . . . (b) Contenido espectral de la señal obtenido mediante la FFT. (a) Representación de la señal ܴص . . . . Transformada de Fourier obtenida en el ejemplo. . . 32 33 34 35 37 39 40 43 44 46 50 51 52 53 53 54 Ø en series de Fourier para N=2. . . . . . . . . . . . . . . .1 4. . . . .frecuencia v/s tiempo -escala entre la STFT y la CWT. . N=8 y N=16. . . . . . .6 3. . . 58 58 4. .Índice de Figuras 3. datos de entrada . . . . . . . . . . . . . . . .10 Inversión binaria para una señal con Æ 4. . . . . . . .4 3. . . . . . . .frecuencia con buena resolución en frecuencia y mala resolución en tiempo. Representación de una onda cuadrada con Æ datos de entrada . . . . . . . . . . . . . . .9 (a) Función seno de período T=¾ . . . . . . . . . . . . . . . . . .2 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Función wavelet correspondiente a la familia Daubechies 4 (ver Apéndice). . . . .9 Diferencia tiempo . 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. .8 3. . . . . . . . . . . . se observa que las amplitudes de ambas componentes han disminuido a la mitad de su valor real . . . . . . . . . . . . .4 4. . . . (a) Señal original. . . . . . .7 Señal ܴص y función tiempo-ventana centrada en . . 5 . . . . Representación tiempo . . lo que implica mayor resolución en tiempo.frecuencia con buena resolución en tiempo y mala resolución en frecuencia. . . . . . . . . la amplitud de cada onda es lo que representa la transformada de Fourier. . . . . . . . . . . Se observa como cumplen con la condición de admisibilidad al tener un rápido decaimiento a medida que la frecuencia tiende a ¼. . . . . . . . . . . . . . . Para la obtención de la DFT se realizaron ¼ operaciones de multiplicación. .

107 7. Ambos procesos se realizan en forma paralela.7 7. . . . . . . 115 . . . . . . . . . .16 Esquema de Reconstrucción. . . . .3 7. . . . . . . . . . . . . Espacios wavelet. 104 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . De abajo hacia arriba tenemos desde el espacio Ͻ hasta el Ï . . . . . .6 6. . . . . . . . y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. . .15 Análisis multiresolución de el vector . . . . . . . .11 Estructura de una reconstrucción multiresolución. .14 La suma de las reconstrucciones obtenidas de los coeficientes escala y wavelet nos entrega la señal original. .3].1 7. . . . . (b) Modelamiento de sampleos digitales mediante la función Haar escala con una longitud de Æ ¾ . . . . . . . . Representación de la función ´Øµ . . . 92 7. . . . . . . . . .ÍNDICE DE FIGURAS 6. . . .3 6. . . . . . . . . . . . . .4 7. . 106 7. . . . . . . . . . . . . . . .2 7. 93 98 101 7. . . 109 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . Función wavelet en ϼ como combinación lineal de las funciones escalamiento que expanden ν y μ . por la función escala en distintos espacios. . . . . . debido que ´Øµen ½ esta definida en un intervalo de tiempo mas pequeño que en ¼. . . . . . . . . . . . 103 7. . . . . usando el sistema Haar. . . . . . . . . . . . . . ´Øµ 6 67 69 73 76 79 81 83 87 88 88 90 ؾ definida sobre el intervalo [-3. . . . . . . . . . . . obtenido mediante el sistema Haar en distintos espacios Ï . . . . y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. . . . . . . .4 6. . . debido al espacio en que trabajamos. . . . . Descomposición wavelet donde el dos con la flecha hacia abajo representa la operación de subsampleo. . . . Al lado izquierdo vemos la representación de una función mediante el sistema Haar en distintos espacios Î . . . . . . . . . . . . . . . . . . . . (c) Modelo en el dominio análogo. .5 Función Haar de escalamiento. . . . . . . . . . . . . . . . . . .DWT. De abajo hacia arriba tenemos desde el espacio μ hasta el Î . . . . .9 (a) Señal original.1 6. (b) Vector . . . . . . .6 Al lado izquierdo vemos el detalle de una función. . En esta figura apreciamos que la aproximación realizada por la función de escalamiento es bastante burda. . . . .10 (a) Estructura de una descomposición multiresolución. . . . . . .5 6.12 Se observa la aplicación del algoritmo sobre una señal de longitud Æ para obtener (a) Los coeficientes de aproximación y (b) los coeficientes wavelet.7 7. . . Reconstrucción Wavelet donde el dos con la flecha hacia arriba representa la operación de supsampleo.1 8. . . . ؾ en el subespacio Ͻ . . . . . . . . . .2 6. Proyección de una función en diferentes espacios wavelet. . . . .2 Efecto del umbral duro y suave aplicado sobre un conjunto de coeficientes. . . . . . . . . . . . . . 104 7. . . . . . . . . En esta figura se presenta una clara mejoría en la resolución de la representación de la función cuadrática. . . . . . . Aproximación de la señal ؾ mediante las función wavelet del espacio ϼ . . . . . . . . . . . . . . . 108 7. . . . . 110 8. . .13 Esquema de reconstrucción a partir de un nivel de descomposición. . . . . . . Representación de la función sin(t). . . . . .8 7. . . 113 Señal que representa un efecto doppler con un nivel de ruido bastante notable (1024 muestras). . .DWT obtenido de la descomposición. . . Observar que ¼ ¾ ½ ¾ ½ ¿ y obtención de los coeficientes que conforman con sólo como número entero. . . Espacios anidados generados por la función escala. . . . . . . . . . . . .

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

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

. .1 Tratamiento de señales reales obtenidas de las vibraciones de un motor116 8. .2. . . . . . .1. . . . . . . . . . .1 Relación ortogonalidad y normalidad . . 112 Limpieza de Ruido . 126 131 134 142 A Referencias Internet B Rutinas programadas en MATLAB A Wavelet Daubechies . . . . 119 8. . . . . . . . . . . . . . . . . . . . . . . . .2 8. . . . . . . . . . . . . . .3 Principios de Multi-Resolución . . . . . . . .3. .3 Características de una función escala. . . 9 62 65 67 67 75 78 82 85 85 91 97 97 98 Función Wavelet . . . . . . . . . . . .1 Biomedicina . . . . . . . . . . . . . . . . . . . . 7 Análisis Multi-Resolución 7. .ÍNDICE GENERAL 5. . . . . . . 6. . .3 8. . . . . 116 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . .3.3. 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . 113 Desarrollo experimental con datos ficticios . . . . . . .3 Criterios de umbral . . .3.1 7. .3. . .2 7. . . . . . . . .2.3 7. . . . . . . .1 8. . . . . . . .1 Análisis de transientes . . . . . . 111 Compresión . .2. . . . . . . . . . . .Síntesis . . . . . . . . . . . . . . . . . . . . . . . . . .4 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Función Haar Wavelet .1 7. .1. 111 8. . . . . Reconstrucción de señales unidimensionales (Síntesis) . . . . . . . . . . . . 114 Desarrollo Experimental con señales reales . . .1 Función Haar Escala . . . . . . . . . . . . . 6 Wavelet Haar 6. . . . . . . . . . . . . . . . . . . . . . .3. . . . . . .2 7. . . . . . Transformada Discreta Wavelet (DWT) . . . . . . . . . . . . . . . . . . . . . 7. .2 Tratamiento de señales reales obtenidas al aire libre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Relación ortogonalidad y normalidad . . . . . . . 101 Múltiples Niveles Análisis . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . .3. . . . .1 5. .1. . . . . . . . . . .1 Compresión de Imágen . . . . . . . . . . 112 8.3. . . 112 8. . . . . . . . . . . Transformada rápida Wavelet (FWT) y banco de filtros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . Descomposición de señales unidimensionales (Análisis) . . . . . . . .4 Representación de señales . . .2 8.2 Compresión de Audio . . . . . . . . . . . 102 8 Aplicaciones 111 8. . . . . . . 6. . . . . . . . 113 8. . . .

análisis espectral de una señal en el tiempo. lo que hace que esta transformada sea extremadamente útil en el análisis de fenómenos periódicos. 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. de tiempo invariante o estacionarios. las cuales son seno y coseno. De acuerdo con esto la transformada de Fourier utiliza dos funciones bases. no son analizadas a fondo mediante la transformada de Fourier. no son localizables en el tiempo (su dominio es de [-½ ½]). acústica y muchos otros. Un matemático francés llamado Joseph Fourier establecía que una señal o función podía ser representada como la suma. más conocida como la transformada de Fourier. Este postulado siguió evolucionando hasta los días de hoy donde la teoría de Fourier. es ampliamente utilizada en la resolución de problemas científicos e ingenieriles en diferentes campos tales como física cuántica. las cuales son más conocidas como señales no estacionarias. representación individual de una frecuencia. Estas funciones tienen ciertas características como su suavidad (término utilizado para describir funciones que no poseen pendientes abruptas o discontinuidades). que corresponden a tópicos de gran importancia en el campo de la Ingeniería Acústica. 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.frecuencia. 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. debido a ciertas limitaciones de este análisis en el campo tiempo .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. electrónica. de series de senos y cosenos (o en forma equivalente como exponenciales complejas). 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. para poder expandir o representar una señal o función en términos de ellas. posiblemente infinita. entre otras. óptica. astronomía.

Morlet. ingenieros e investigadores comenzaron a utilizar la transformada de wavelet para aplicaciones en diferentes campos tales como astronomía. 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. 15. Descompostion of Hardy functions into square Integrable wavelets of constant shape. 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. óptica. Grossmann. J. pp. A.frecuencia. visión humana. Annual. SIAM Journal Math. ingeniería nuclear.. pero sin sus limitaciones. 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. Estos tópicos constituyen el foco principal del desarrollo de esta tesis. 723-736. Morlet utilizó un sistema basado en una función prototipo. neurofisiología.. resonancia magnética. 1986. acústica. El término Û Ú Ð Ø se define como una “pequeña onda” o función localizable en el tiempo. radar. análisis tiempo . En este momento ocurrió una pequeña explosión de actividad en este área. reconocimiento de voz. detección de terremotos. 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. Las características propias de la transformada wavelet nos otorgan la posibilidad de representar señales en diferentes niveles de resolución. corresponde a funciones o señales cuyo contenido energético es finito. 1 . que cumpliendo ciertos requerimientos matemáticos y mediante dos procesos denominados dilatación o escalamiento y translación.11 técnica de análisis reciente. formaba un set de bases que permitían representar las señales de propagación con la misma robustez y versatilidad que la transformada de Fourier. lo que traducido al lenguaje del procesamiento de señales. Inicialmente un geofísico francés llamado Jean Morlet1 [STR89] [TOR98] investigaba un método para modelar la propagación del sonido a través de la corteza terrestre. representar en forma eficiente señales con variaciones de peak abruptos. y fácil implementación de rápidos algoritmos computacionales. Como alternativa a la transformada de Fourier. etc. compresión de imágenes.

Un espacio vectorial consta de lo siguiente: 1. Definición 1. una operación binaria · Î ¢ Î (b) Ü · ´Ý · Þ µ ´Ü · ݵ · Þ (c) existe un único vector ¼ ¾ Î . existe un único vector  Ü ¾ Î . Î tal que ´Ü Ý µ Ü · Ý . 12 . tal que Ü · ´ Üµ ¼. tal que Ü · ¼ ¼ · Ü Ü. Ü ¾ Î (d) para cada vector Ü ¾ Î . 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. por conveniencia.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 . satisface: (a) Ü · Ý Ý · Ü 3. 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 . llamado vector nulo. El nombre ”vector” se da a los elementos del conjunto Î . un cuerpo à de escalares.Capítulo 2 Base Matemática. con dos operaciones binarias ´·µ y ´¯µ. En esta sección se definirán algunos objetos concernientes a espacios vectoriales. El origen de este nombre proviene del ejemplo 1. El mismo conjunto de vectores puede ser parte de distintos espacios vectoriales. 2. Espacio vectorial. un conjunto Î de objetos llamados vectores. que satisfacen ciertas propiedades especiales.

Ü ¾ Î (ii) ´«¬ µÜ «´¬Üµ (iii) «´Ü · Ý µ «Ü · «Ý (iv) ´« · ¬ µÜ Ejemplo 1. 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 . y sea Ë cualquier conjunto no vacio. El espacio de n-tuples. El espacio de funciones de un conjunto en un cuerpo. ESPACIOS VECTORIALES DE DIMENSIÓN FINITA 4. y sea Î el conjunto de todos los ÝÒ µ con Ý ¾ à . y sean Ñ y Ò enteros positivos.1. que Ü. llamada multiplicación escalar. Ã Ò Sea à cualquier cuerpo. 13 à ¢ Î Î tal que ´« ܵ «Ü. La suma de dos Ejemplo 2. Sea à cualquier cuerpo. Sea Î el conjunto de todas las funciones Ë Ã . Sea Ñ¢Ò el conjunto de todas las matrices Ñ ¢ Ò sobre el cuerpo à . Ñ ¢ Ò Ã Ñ¢Ò . 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 . Sea à cualquier cuerpo. 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 operación externa ¯ satisface: (i) ½Ü «Ü · ¬Ü.2.

z.1. . el vector Ü · Ý ¾ Ï . Î que con las operaciones de adición vectorial y multiUn subespacio de Î es un subconjunto Ï plicación escalar sobre Î . es él mismo un espacio vectorial sobre à . A veces se prefiere usar la propiedad Ejemplo 4. El conjunto de todas las matrices Hermíticas no es un subespacio Ejemplo 7. llamado Teorema 2.y.Ï es un subespacio de Î ¸ Ü Ý ¾ Ï y ¾ à .w. Sea Î un espacio vectorial sobre el cuerpo à . ESPACIOS VECTORIALES DE DIMENSIÓN FINITA Definición 2. sobre el cuerpo à es simétrica si para todo . son números reales. sobre el cuerpo de los números complejos es Hermítica para todo . cuadrada Ò ¢ Ò. donde el super-rayado indica conjugación compleja. Lo importante es que si Ï contiene todos los Ü · Ý . ½ donde x. Un vector 14 Ú½ ÚÒ ¾ Î . Subespacio de un espacio vectorial.   ¼ Ó que consta sólo del vector nulo es un subespacio de Î . Ü · Ý como definición de un subespacio. La intersección de cualquier colección de subespacios de Î es un subespacio de Î . 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. Combinación lineal. Teorema 1. Una (o autoadjunta) si Ü  del espacio de todas las matrices Ò ¢ Ò sobre Ò Þ Ü· Ý Ý Û . Una matriz . Ï Î . de todas las funciones de Ejemplo 5. El subconjunto subespacio nulo de Î . entonces será un espacio vectorial (con las propiedades heredadas de Î ). Sea Î un espacio vectorial sobre el cuerpo à . Una matriz cuadrada Ò ¢ Ò. y sólo si. Las matrices simétricas forman un subespacio del espacio de las matrices Ò ¢ Ò sobre à . matriz ¾ ¢ ¾ es Hermítica si. El espacio de las funciones polinomios sobre el cuerpo à es un subespacio del espacio en .2. tiene la forma ¼ Ejemplo 6. lo que es sólo diferente.

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

Sea Ò ¾ y à un cuerpo. La linealidad de las integraciones es una de sus propiedades fundamentales. Una función Ì Î Ï es una transformación lineal si Ì ´ Ü · ݵ ´Ì ܵ · Ì Ý Ý ¾ Î Ý ¾ à Ejemplo 8. Ejemplo 11. 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 . Espacio nulo y rango de una transformación lineal. una transformación lineal Ejemplo 10. Î definida por ´ µ´Üµ ½ · ¾ ¾ Ü · · Ü  ½ . µ ´Øµ Ø define un funcional lineal Ä en ´ µ.1. 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 . Se define Ì Î conjunto de todos los vectores Ü de Î tal que Ì Ü ¼. Sean Î y Ï dos espacios Ï una transformación lineal. Sean Î y Ï dos espacios vectoriales sobre el cuerpo à . El espacio nulo de Ì es el vectoriales sobre el cuerpo à y sea Ì Î Ejemplo 9. entonces Ö Ò Ó´Ì µ · ÒÙÐ ´Ì µ ÑÎ . Si Î es de dimensión finita. Entonces Ì es una transformación lineal. Si ÑÎ vectorial sobre el cuerpo à . Sean Î y Ï dos espacios vectoriales sobre el cuerpo à y sea Ì Î ½. Definición 8. Entonces es una transformación La función Ì es continua y tiene primera derivada continua. Si formación lineal. Î Ã un cuerpo y sea Î el espacio vectorial de las funciones polinomios de grado . ESPACIOS VECTORIALES DE DIMENSIÓN FINITA 16 Definición 7. y la nulidad de Ì es la dimensión del espacio nulo de Ì .2. Transformación lineal. Si Î Î es un espacio à se llama función lineal sobre Î . de en . Teorema 5. Sea Sea lineal. Sea Entonces y sea ´ µ el espacio de las funciones reales continuas sobre Ä´ . el rango de Ì es la dimensión de la imágen de Ì . .

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

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

luego È define un producto interno sobre Î . ESPACIOS CON PRODUCTO INTERNO 19 ÜÝ (c) Ý Ü (d) Ü Ü (b) ÜÝ. Además. En Î se define el producto interno ½ ¼ ´Øµ ´Øµ Ø En el espacio de funciones reales se omite la conjugación. Ü¦Ý En el caso real ¾ Ü ¾ ¦ ¾Ê Ü Ý · Ý ¾ ¾ ÜÝ ¾ ÜÝ ½ Ü·Ý   ½ Ü Ý .2. el espacio de las matrices Ò ¢ Ò sobre à . Sea . real o complejo. Ò ½ ÜÝ ÜÝ £ ÜÝ ÈÒ ½ ÜÝ. ÜÝ Obsérvese que (a). ¼ Ø ½. la llamada forma cuadrada determinada por el producto interno. 1.2. está determinado por otra función. Sea Î el espacio vectorial de las funciones continuas de valor complejo en el intervalo unitario. MV es isomorfo a Ã Ò . este producto interno se puede expresar mediante transpuesta conjugada la función traza ØÖ´ £µ ØÖ´ £ µ 3. ¾ Î Ã Ò¢Ò . donde £ . la conjugación compleja no se acciona. Ü Ý . ´Ü Ü ½ ¾ ÜÒ µ e Ý ´Ý Ý ½ ¾ ÝÒ µ por ÜÝ Cuando à 2. En Ã Ò se define el producto interno canónico sobre Ü · ÜÞ. 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. si se introduce la matriz £ . (b) y (c) implican: (e) Ü Ý · Þ Es claro que si à Ejemplo 13. donde el super-rayado denota conjugación compleja. ¼ si Ü ¼ . Para definirla Õ Ü Ü . Es útil saber que un producto interno sobre un espacio vectorial.

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

sin embargo tiene un sencillo significado en espacios finito dimensionales. entonces 5. El número real ½ ¾ es la norma de . Esta es la raíz del error cuadrático. Un conjunto ortogonal de vectores no nulos es l. ESPACIOS CON PRODUCTO INTERNO Si Ò 21 ½ ½ ¾ ¾ ´Üµ Ô Ô ¾ Ó×´¾ Òܵ y Ҵܵ ¾× Ò´¾ Òܵ. un par de vectores ortogonales unitarios en ¿ . y con estos se prueba la desigualdad de Schwarz 7. Si ¾ · · · · · ¾ · ¾ son vectores cualesquiera con ¼. Sean Ù½ Ù¾ . y sea Ü ¾ ¿ otro vector cualquiera. la proyección ortogonal de Ü sobre el plano. [DET75] . Ü Ù . La extensión de este resultado a cualquier espacio vectorial Î Teorema 8. Esta distancia Ü   Ý se minimiza tomando como aproximación Ý . Queremos aproxi- marlos a Ü por una combinación lineal Ý ½ Ù½ · ¾ Ù¾ . Por tanto la mejor aproximación Ý . El problema de aproximación tiene una importante significación en espacios de dimensión infinita. Si · 6. Demostración. 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. y la mejor la aproximación aproximación Ý es la que minimiza el error.i. La aproximación ha de encontrarse en el plano que pasa por el origen y está determinado por los vectores Ù½ y Ù¾ .2.2. entonces   es ortogonal a . 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 . se obtiene tomando es directa.

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

Definición 11. Consideremos el conjunto infinito de vectores ´ È µ. Esta es una serie infinita de vectores. Sea ÜÒ el vector de la suma parcial ÜÒ ¼ ½ Ü . así que debemos definir lo que entendemos por convergencia de una de tales series.2. entonces es una base ortonormal si: 1.3. Las cinco propiedades del producto interno son fáciles de verificar. Si Î es un espacio de dimensión infinita con un producto interno. tenemos que Ü È ½ Ü ½ . 2. la serie ½ Ü Ú converge a Ü ½ Definición 12. donde Ü Ü Ú es la coordenada de Ü respecto a Ú . Así mostramos que el conjunto de sucesiones es un espacio vectorial real con producto interno. una sucesión de vectores Ð Ñ ÜÒ   ÜÑ ¼ ÒÑ ½ . 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. Entonces ½ ½½ ¾ ÜÒ   Ü puesto que la serie ½ Ò·½ Ü ¾ ¼ Ù Ò ÓÒ ½ ½ ½ ܾ converge. Ú½ Ú¾ Ú Ú È Æ . con ½¾ Ü ¾ Î . Si ÜÒ ½ ½ es una sucesión de Cauchy si Ò Î es un espacio de dimensión infinita con su norma.

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

Ô Ô ¿ Ü´ÖÜ · Ü · е Ü Ô¿ Ô ¾ ¾ Ö  ¿Ð ½ .2. 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. о Entonces ½  ½ ´¿Ü   ½µ Ü ¾ ¾ о Ô Ô Ð ¾ ¾ .3.

La aproximación Ò ½ se llama n-ésima aproximación de Fourier. En el n-ésimo paso hay Ò constantes por determinar de Ò   ½ condiciones de ortogonalidad más una condición de normalización. 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 . Como ortonormal ½ ¾ Ò ¾ ´ µ ¼ es no creciente.3. El polinomio general es Ò × . 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. Ð Ñ ½ Ò ¾ ´ µ existe y también ½ Ò ½ ÈÒ ¾ ½ . . luego Ò´ µ ¾ ¾   ¾ Ò ½ ¾ ¾ Esta última ecuación se conoce como Desigualdad deBessel. De donde ¼ ÐÑ . Si ½ ¾ es una base ortonormal.2. 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.

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. Determine la mejor aproximación cuadrática media de sobre el intervalo 27  ½ ½ . Los polinomios de Legendre normalizados son Ò ´Üµ × ¾Ò · ½ È ´Üµ ¾ Ò Ò polinomios de Legendre. Calculese la raíz del error cuadrático medio. 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 . Ü por un polinomio de grado 4 Solución.3. 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 . ESPACIOS VECTORIALES DE DIMENSIÓN INFINITA Ejemplo 15.

partir de esta. Obtenga una base ortonormal a ´¿ µ ´  ¿µ ¿   ¿ ¿£  · £¿ ¼ . 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 ). 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. y la norma de cada uno de ellos es igual a uno. 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).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. y además ´ ´Øµµ Ø ½ ¾ Las dos ecuaciones anteriores se pueden resumir en ´Øµ Ð ´Øµ Ejemplo 16.2. Solución. Esto puede ser expresado como: ÚÑ ÚÒ Similarmente. Probar que el conjunto ؾ ؽ ´Øµ Ð ´Øµ Ø Æ Ð es ortogonal.

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

2. . 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.2) ´Øµ ´Øµ ´Øµ ´Øµ ´Øµ.1) en ´Øµ obtenemos ¾ ¾ ´Øµ ÓÒ Ø¾Ê (2. que dice que la norma de la energía puede ser particionada en términos de la expansión de coeficientes [BUR98]. 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 (2.1) 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 . Esto es el fundamento del teorema de ecuación que nos entregara de vuelta la señal original Parseval. Si reemplazamos (2.4.

Capítulo 3 Teoría de Fourier 3.1) es denominada serie trigonométrica. o cualquier otro. Esto hace que la Transformada de Fourier sea ampliamente utilizada en aplicaciones en el campo de la ciencia e ingeniería. 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. 3. 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. Una serie de la forma ´Øµ obtener todos los coeficientes Ò ¾· ¼ ½ Ò ½ Ó×´Òص · Ò × Ò´Òص (3.2) Ò ½ ¼ ¾ ´Øµ Ó×´Òص Ø ´Ò ¼ ½ ¾ µ 31 . tanto en el dominio del tiempo como en el dominio de la frecuencia.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. 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. La transformada de Fourier es una herramienta con la capacidad de representar este proceso.

SERIES DE FOURIER 32 Figura 3.2) . El intervalo ¼ ¾ fue seleccionado debido a que corresponde al período de las funciones seno y coseno.3. 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. ¾ ¼ ´Øµ ½ (3.1: (a) Función seno de período T=¾ .4) y que sea de la forma . es decir.3) Además es necesario cumplir con la condición de que la norma de la función analizada sea integrable y esa integral sea finita. es decir. (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. Ì ¾ ´Ø · Ì µ ´Øµ. la función debe ser periódica (Para este caso Ejemplo Aproximar la función ´Øµ Ø utilizando (3.2. lo cual no necesariamente debe ser) ya que las funciones de expansión seno y coseno son periódicas.2) es posible gracias a la ortogonalidad existente entre las funciones cosenos y seno y entre si mismas para valores de Ò diferentes.

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. Si es par.2. ´Øµ ´ Øµ.1) podemos distinguir dos series levemente diferentes.2: Expansión de ´Øµ Ø en series de Fourier para N=2.1 Series de Seno y Coseno De la ecuación (3.2) 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. su serie de Fourier contendrá sólo términos de cosenos. Más especificamente podemos dividir la serie de Fourier completa en una serie de senos y otra serie de cosenos. 1. 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 . N=4. . lo que dependerá de la función con la que se trabaje.3. N=8 y N=16.

Se puede observar que la expansión . como se ilustra en la figura (3. SERIES DE FOURIER 34 Figura 3. Si es impar.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 (3.4).7) Ó×´Òص Ó×´ Òص.2. su serie de Fourier contendrá sólo términos de senos.3). ¼ ´Øµ   ´ Øµ. Supongamos ahora que tenemos una función definida sobre como la que se ilustra en la figura (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.5) ´Øµ Ǵص de tal manera que ´Øµ · ´ Øµ ´Øµ   ´ Øµ (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 (3.3: función entre 2.8) Con lo que obtenemos dos nuevas series las que conoceremos como serie cosenoidal de Fourier y serie senoidal de Fourier respectivamente.3. × Ò´Òص  × Ò´ Òص.

10) Además. descompone o expande una señal o función en senos y cosenos de diferentes frecuencias cuya suma corresponde a la señal original.4: (a) es par y de período ¾ .3. (b) es impar y de período ¾ en series de Fourier de la función de la figura (3. en esencia. donde Ò ¾ ¼ ´Øµ× Ò´Òص Ø (3. es capaz de distinguir las .9) De manera análoga la función de la figura (3.4b).8b). es decir. contendrá sólo términos senoidales por lo que podemos aproximar esta función mediante (3.3 La Transformada de Fourier La transformada de Fourier. donde Ò ¾ ¼ ´Øµ Ó×´Òص Ø (3.3.4a) contendrá sólo términos cosenoidales por lo que podemos aproximar esta función mediante (3.8a). como consecuencia de que una función sea par o impar. 3. los coeficientes se calculan integrando sobre la mitad del período de la función y multiplicando por 2. lo que en términos de cálculo puede ahorrar tiempo en forma considerable. en vez de integrar sobre el intervalo completo. LA TRANSFORMADA DE FOURIER 35 Figura 3.

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 (3.11) 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.17) La relación entre esta propiedad y la obtención de los coeficientes será explicada de manera más detallada en los próximos capítulos . como ´Øµ Ø (3.3. y sus respectivas amplitudes. LA TRANSFORMADA DE FOURIER 36 diferentes componentes de frecuencia de la señal.14) ´Øµ Ø (3.13) 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.12) proviene de la definición de la identidad de Euler Ø   Ø Ó×´ ص · × Ò´ ص Ó×´ ص   × Ò´ ص (3. y debido a su propiedad de ortogonalidad1. La relación existente entre la representación de la señal original a través de funciones senoidales y cosenoidales y la exponencial que se observa en (3.3.12) 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.11) y (3.

3. (b) Descomposición en series de Fourier. LA TRANSFORMADA DE FOURIER 37 Figura 3. 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 . Por lo tanto.5). 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 (3.15) a la siguiente forma ´Øµ ¾· ¼ Ò Ó×´Ò Øµ · Ò × Ò´Ò Øµ Ê ÁÑ (3. es posible realizar una transformación de (3. Aunque matemáticamente la función exponencial resulta más fácil de manipular.18) Ò Ò Ò Ò una combinación linear de todas las componentes de frecuencia presentes en la señal ´Øµ.3.5: (a) Señal original. De esta ecuación podemos decir que la función en el dominio del tiempo ha sido representada como 3. 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 (3.3. la amplitud de cada onda es lo que representa la transformada de Fourier.

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 (3.20) ¯ Propiedad de traslación en el tiempo ´Ø   Ø µ ¸ ´ µ ¼ ؼ (3.3.3.11) ½ ¼  Ì Ø ¾ Ì ¾ ×Ó ÓÒØÖ Ö Ó ´ µ Ì ¾ ¾  Ì ½ Ø Ø .6)) ´Øµ Solución Debemos reemplazar la función en (3.25) Obtener la Transformada de Fourier de la siguiente función (ver figura (3.21) ¯ Propiedad de traslación en frecuencia ´Øµ   ¼Ø ¸ ´   µ ¼ (3.22) ¯ Teorema de la convolución ½ ´Øµ £ ´Øµ  ½ ´Øµ ´Ø   µ ´Øµ £ ´Øµ ¸ ´ µÀ ´ µ Ê (3.24) ¯ Teorema de Parseval.23) ¯ Teorema de la correlación ÓÖÖ´ µ ÓÖÖ´ ´ · ص ´Øµ µ ¸ ´ µÀ £´ µ Ê ½  ½ (3.

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

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 ¿ ¿ (3.33) ÓÙÖ Ö.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 ¿ (3.34) De esta nueva matriz se observa que sus columnas son ortogonales entre ellas (consecuencia de la . Sin embargo. si dejamos de la misma forma la primera columna y la primera fila y nos concentramos en el número complejo . podremos observar que el resto de los componentes de la matriz de Fourier es posible escribirlos como potencias de .4.3. 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). 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. 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.

G.2. STRANG.8 y 3. es decir. En las figuras (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. por lo que su inversa es igual a su transpuesta conjugada2.Cambridge Press. Se deben evaluar Æ términos de series de Fourier sobre Æ puntos. todos sus elementos son distintos cero.8: Representación de una onda cuadrada con Æ datos de entrada ortogonalidad entre el seno y el coseno). es de Æ ¾ multiplicaciones.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 . Por lo tanto. 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. Wellesley . 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. TRANSFORMADA DISCRETA DE FOURIER (DFT) 43 Figura 3. de tal manera que (3.35) El punto importante aquí es que ambas matrices tienen la misma forma con la única diferencia de un cambio de signo.3. aÏ comportamiento.9) se observa una representación sampleada de la función o señal definida en el ejemplo 1.4. por ej. y su respectiva DFT. es decir. cambiamos el ¾ Ò Ò Æ . Introduction to Linear Algebra.36) La matriz de Fourier es completa.26) y (3. 2 . 1998. Esto puede ser corroborado consultando cualquier texto o libro de Algebra Lineal. el número de multiplicaciones que se deben realizar para la obtención de la DFT de una señal de longitud Æ ..

a mediados de la década del sesenta J. ya que está explota las propiedades de periodicidad y simetría del factor de fase ÏÆ . TRANSFORMADA RÁPIDA DE FOURIER (FFT) 44 Figura 3. Estas propiedades son: ÏÆ· ÏÆ·Æ Æ ¾ ÏÆ  ÏÆ Ë Ñ ØÖ È ÖÓ (3.5. la señal de entrada o salida respectivamente. El principio de la FFT se basa en el método denominado “divide y conquista” [PRO98].5.W Tukey desarrollaron un algoritmo denominado la Transformada rápida de Fourier (FFT). cada una con una longitud igual a la mitad de la longitud de la señal original.5 Transformada rápida de Fourier (FFT) Con el fin de implementar en forma práctica la Transformada Discreta de Fourier mediante el uso de computadores. 3.3. 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]. Para la obtención de la DFT se realizaron ¼ operaciones de multiplicación. 2.9: Transformada Discreta de Fourier de la onda cuadrada ilustrada en la figura (1.W Cooley y J. 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. ya que divide la señal de Æ puntos en dos secuencias de datos de Æ ¾ puntos. según el tipo de algoritmo.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. Diezmado en el dominio del tiempo. La FFT elimina información redundante que existe en la DFT. 3 . Diezmado en el dominio de la frecuencia. 3. disponible en el Instituto de Acústica.8).37) Existen básicamente dos tipos de algoritmos FFT3 : 1.

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. 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 (3.3. Por lo tanto. De esta manera el algoritmo FFT de diezmado de tiempo logra reducir el número de multiplicaciones de Æ ¾ a Æ ÐÓ ¾ Æ . ya que en este punto la transformada de el proceso de diezmado se puede repetir Ö Fourier obtenida es de longitud ½. entregando los datos de salida en orden natural. Supongamos una señal con una longitud Æ (3. 3. re- duciéndose el número de operaciones de a Æ ¾ . Además en cada etapa de diezmado se realizan Æ operaciones de ¾ multiplicación.5.5. ¾ ¾ . Operaciones de multiplicación y suma sobre los datos invertidos. En resumen.39) denota el Ò   × ÑÓ componente de la transformada de longitud Æ proveniente de los com¾ Ó ponentes pares de la señal original . 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. 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 . el algoritmo de diezmado de tiempo se realiza en dos partes: 1. Otro punto importante reside en el orden de la secuencia de entrada después de que han sido diez- Æ ¾Ö . para una señal donde ÐÓ ¾ Æ veces. Inversión binaria de los datos de entrada. ¾ como se observa en la figura madas ´Ö   ½µ veces.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 .38) Ò Ï ÆÒ. 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 .10). 2. 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 .

40) ¾ ¾ ¾ como Ï ÒÆ ¾ ´ ½µÒ .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 ). entonces Æ  ½ ¾ Ò ¼ · ´ ½µ Ò ·¾ Æ Ï Ò (3.3.43) entonces . 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. TRANSFORMADA RÁPIDA DE FOURIER (FFT) 46 Figura 3.42) ¾ donde se utilizó el hecho de que ÏÆ ÏÆ . 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. 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 (3.5.41) En este momento diezmamos la secuencia lo que obtenemos ÈÆ ¾Ò ¾Ò·½ ¾ en sus muetras pares e impares respectivamente.

5. el algoritmo de diezmado de tiempo se realiza en dos partes: 1. donde para cada diezmado implica Æ multiplicaciones.44) Este procedimiento también es recursivo de tal manera que pueden volver a diezmarse las DFTs de puntos a DFTs de Æ puntos. requiere Æ ÐÓ ¾ Æ ¾ Æ ¾ multiplicaciones [PRO98]. El proceso completo implica ÐÓ ¾ Æ etapas de diezmado. 2. En resumen. Operación de multiplicación y suma sobre los datos de entrada en orden natural.3. al igual que el diezmado de tiempo. Inversión binaria de los datos de salida (Transformada). Por lo tanto. 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. el cálculo ¾ de la DFT de Æ puntos por medio del algoritmo FFT de diezmado de frecuencia. .

En otras palabras.estacionarias o no estacionarias cuyo contenido espectral varía con el tiempo.Frecuencia 4.1 La Transformada corta de Fourier (STFT) 1 Como ya es sabido. la transformada de Fourier posee una muy pobre resolución en tiempo.Capítulo 4 Analisis Tiempo . Con la función ventana encuadramos la señal alrededor de un instante de tiempo y calculamos su transformada de Fourier. 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 . Este proceso es repetido hasta que se ha cubierto la totalidad de la señal. 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 . 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. 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. Denis Gabor (1946) adaptó la transformada utilizando un procedimiento llamado Ú ÒØ Ò Ñ ÒØÓ2 . 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. En un esfuerzo por resolver el problema de resolución en tiempo de la transformada de Fourier. Sin embargo. 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. podemos conocer todas las componentes de frecuencia existentes en la señal y sus respectivos aportes energéticos. es decir.

lo que nos da ËÌ Ì ´Ø µ ¾   ½  ½ ´ØµÀ ´   µ Ø (4.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) que calcula el producto interno entre la señal y la función tiempo-ventana trasladada y modulada.3) de tal manera que mientras la función tiempo-ventana modulada Ø ´Ø   µ en (4.1) nos queda ËÌ Ì ´Ø ½ ܴص £ ´  ½   ص   Ø Ø (4.4.3) localiza el espectro À´   µ  limitada por el soporte de la µ. 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.1.1) µ ½ ܴص ´Ø    ½ µ ØØ (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 (4.2) localiza la señal ܴص cerca de Ø .1 Resolución Tiempo . ´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 . la correspondiente función frecuencia-ventana ¾ función frecuencia-ventana À ´ en (4.

sólo podemos conocer que componentes de frecuencia existen dentro de un intervalo 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. no podemos saber que valor de frecuencia existe en un instante de tiempo determinado. Ahora.4. LA TRANSFORMADA CORTA DE FOURIER (STFT) 50 Figura 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 . 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. Esta señal esta compuesta por sólo dos frecuencias. i. Por otro lado. Con el fin de dejar más claro el concepto de resolución tiempo frecuencia utilizaremos un ejemplo.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. supongamos que tenemos otra La aplicación original de este principio es sobre el momentum y ubicación de partículas en movimiento. .2) la transformada de Fourier nos entrega una resolución perfecta en frecuencia de dicha señal. Primero supongamos que tenemos una señal ܴص dentro de un intervalo de tiempo igual a una décima de segundo.frecuencia de una señal.4) señal ܽ ´Øµ con las mismas componentes de frecuencia sobre el mismo intervalo de tiempo. es decir. como era de esperarse. si nuestra ventana en muy ancha tendremos una buena resolución en frecuencia pero una mala resolución en tiempo. una correspondiente a 250 Hz y la otra correspondiente a 500 Hz ܴص ¼ £ × Ò´¾ ¾ ¼Øµ · × Ò´¾ ¼¼Øµ (4.1.e una ventana de ancho infinito es nada más y nada menos que la transformada de Fourier clásica.

3). no puede determinar en que momento dentro de la señal se encuentra una respectiva componente de frecuencia.5)con la transformada corta de Fourier (STFT). Esta información errónea se debe a que la transformada de Fourier. y la función tiempo .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 (4.6) donde es el factor que controla el ancho o soporte de .1. El primer análisis para un valor de ¾¼ se ilustra en la figura (4. (b) Contenido espectral de la señal obtenido mediante la transformada rápida de Fourier centésimas de segundo restante contienen a la frecuencia de 500 Hz.2: (a) Representación de la señal ܴص .4. LA TRANSFORMADA CORTA DE FOURIER (STFT) 51 Figura 4.ventana utilizada será una función gaussiana simple de la forma ´Ø   µ   ¾ ´Ø   µ¾ (4.4). lo que se define como ¼ × Ò´¾ ¾ ¼Øµ ¼ Ø ¼ ¼ (4. Debido a esto vamos a volver a analizar la señal de (4. como se expresó en un principio. 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 .

LA TRANSFORMADA CORTA DE FOURIER (STFT) 52 Figura 4. El segundo análisis se efectúa para un valor de significa que nuestra función tiempo . 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.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.3: (a) Representación de la señal ܽ ´Øµ .4. Sin embargo. se observa que las amplitudes de ambas componentes han disminuido a la mitad de su valor real frecuencia. 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.5). 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.1. (b) Contenido espectral de la señal obtenido mediante la FFT. una función ventana que tenga la capacidad de cambiar su soporte en forma automática dependiendo del contenido espectral del segmento de la señal analizado. es decir. Este aumento de . el desarrollo teórico y práctico de esta herramienta constituye el foco principal de la siguiente sección. 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?. 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. ¾ ¼ y se ilustra en la figura (4.

4: Representación tiempo . Figura 4.5: Representación tiempo .4. LA TRANSFORMADA CORTA DE FOURIER (STFT) 53 Figura 4.frecuencia con buena resolución en tiempo y mala resolución en frecuencia.frecuencia con buena resolución en frecuencia y mala resolución en tiempo.1. .

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.6: Función wavelet correspondiente a la familia Daubechies 4 (ver Apéndice).7) en términos de la Transformada de Fourier de ܴص y como ÏÌ´ Ô µ ¾½ ½  ½ ´ µ©´ µ   Ø (4.8) arriba han aparecido dos nuevas variables y . Ahora utilizando el teorema de Parseval podemos como la Ì Ö Ò× ÓÖÑ escribir (4. La transformada continua wavelet intenta expresar una señal ܴصcontinua en el tiempo.7) y (4. TRANSFORMADA CONTINUA WAVELET (CWT) 54 Figura 4. 4. Ahora bien. 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 .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. Al igual que la STFT. Asumiendo que tanto la señal como la nueva función ´Øµ son de energía finita.2. y la variable nos da la ubicación en el dominio del tiempo de . entonces podemos definir ÏÌ´ ½ µ Ô ½ ܴص  ½ ´Ø   µ Ø (4.7) ÓÒØ ÒÙ Ï Ú Ð Ø.4.8) Como se puede observar (4. La variable controla el ancho o soporte efectivo de la función . para que este análisis sea posible y además para poder lograr una perfecta recon- .

2. El hecho que se cumpla (4. ½) o dilatar ( ½) la función ÓÒ en unidades de frecuencia (tal como Hz). es decir.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 . Cuando cambia. En lo anteriormente dicho se encuentra la diferencia principal entre la CWT y la STFT.frecuencia. TRANSFORMADA CONTINUA WAVELET (CWT) strucción de la señal a partir de la transformada.10) ´Øµ.2. En particular. lo que nos dará el grado de resolución con el cual estemos analizando la señal. El cumplimiento de esta condición significa que el valor medio de es igual a ¼. 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. 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. que sea una onda.9) significa implícitamente que ©´ µ debe tener un rápido decaimiento cuando tiende a ¼. es decir.4. tanto la duración como el ancho de banda de la wavelet cambian pero su forma se mantiene igual. 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. es posible mediante una con¼ realizar un cambio de variable de una escala a una frecuencia de la forma stante (4. Aunque la CWT trabaja con el término escala en vez de frecuencia. En otras palabras. es una onda definida sobre un intervalo de tiempo finito. . la función 55 Ñ× Ð ´Øµ debe cumplir con la ÓÒ ÓÒ [CHU98] de la cual se desprende que ©´¼µ ¼ (4. 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.escala que una representación tiempo . lo que a su vez implica obligatoriamente que tenga valores tanto positivos como negativos. 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. y esto es el porque de su nombre Û Ú Ð Ø o ondita.9) donde © ©´ µ corresponde a la transformada de Fourier de ´Øµ. 4. 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).

2. TRANSFORMADA CONTINUA WAVELET (CWT) 56 Figura 4. . lo que implica mayor resolución en tiempo.4. 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.7: Se observa el proceso de escalamiento y traslación.

en términos de cálculo computacional es imprescindible discretizar la transformada. 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. de tal manera que el conjunto de funciones ½ ´Øµ Ô se transforma en el conjunto de funciones Ø  ¾Ê ¾ ¼ (4. es decir. es decir. y la suposición más lógica es que tanto los valores de escala como traslación sean discretos. la forma más ¾  común de discretizar los valores de y es utilizar una red diádica[BUR98] [CHU97].4.2. . si la escala escogida es pequeña habrán más traslaciones de que si la escala escogida es grande. Por lo tanto.11) ´Øµ ¾ ¾ ¾ Ø  (4. esto se esquematiza en la figura (4.7). y ¾  con ¾ . Sin embargo. Adelantándonos un poco a lo que es la Transformada Discreta Wavelet.12) que corresponde a la versión diádicamente discretizada de la función wavelet . Un punto importante es que la función wavelet se traslada cubriendo toda la señal para cada valor de . TRANSFORMADA CONTINUA WAVELET (CWT) La variable 57 ´Øµ sobre el intervalo de tiempo en el que se haya definido ܴص. la variable dominio del tiempo.

Se observa como cumplen con la condición de admisibilidad al tener un rápido decaimiento a medida que la frecuencia tiende a ¼.frecuencia v/s tiempo -escala entre la STFT y la CWT.2.9: Diferencia tiempo . TRANSFORMADA CONTINUA WAVELET (CWT) 58 Figura 4. Figura 4.8: Función Wavelet Mexican Hat y Morlet con sus respectivas Transformadas de Fourier (gráficos de la izquierda).4. .

probaremos que es un “buen” sistema wavelet y dejaremos ver ventajas y desventajas de esta wavelet. de la forma Esta familia de funciones es llamada el set de expansión wavelet. que es la más antigua y simple de todas.1.1 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. Luego analizaremos el sistema Haar. pero todos tienen las siguientes características (adaptadas de [TAM99]): 59 .1) donde el factor ¾ ¾ mantiene una norma constante independiente de la escala . En este capítulo estudiaremos los sistemas wavelets de primera generación. daremos exigencias para estas y demostraremos sus propiedades. 5. La wavelet madre ´Øµ. mediante una de las funciones o mediante ambas. Con estas dos funciones podremos aproximar cualquier función o señal ´Øµ ¾ ľ ´Êµ. existen muchos y muy diferentes sistemas wavelet.1 Características de sistemas wavelet El set de expansión wavelet no es único. ´Øµ ´Øµ · ´Øµ (5.Capítulo 5 Sistemas Wavelet. llamada wavelet madre o wavelet generadora. trae siempre asociada consigo una función escala ´Øµ. que da a luz a una familia de funciones de la forma: ´Øµ ¾ ´¾ Ø   µ ¾ ¾ (5. Definiremos la función escala y la wavelet.2) 5.

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

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 . 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. SISTEMAS WAVELET DE PRIMERA GENERACIÓN 61 5.2 Función escala Sea ´Øµ ¾ Ä ´Êµ. una función escala.1. que trasladada y escalada genera una familia de funciones ´Øµ ¾ definida como: ¾ ´Øµ ¾ ´¾ Ø   µ ¾ ¾ ľ ´Êµ como (5.5) por ga: ´Øµ ´Øµ ´Øµ ´Øµ  ½  ½´Øµ ´Øµ · · ´Øµ ´Øµ · · ´Øµ pero como veremos luego. por lo que sólo uno de los productos puntos de la ecuación anterior es distinto de cero ( ½).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 (5.5) ´Øµ ´Øµ ´Øµ ´Øµ Ø ´Øµ .5.

1 Características de una función escala. La función Î Î ·½ ´Øµ tiene soporte compacto. existe un subconjunto del dominio de ´Øµ donde esta no es cero.5. Para cada ¾ .1.e. 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. i. ¾ forma una base ortonormal para el subespacio Πľ ´Êµ.1. 2.2. 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. ×ÙÔ Ü¾ ´Üµ ¼ . Los subespacios Î están anidados. o sea ¾ 3. Una función ´Øµ ¾ ľ ´Êµ es considerada como una “buena” función de escala si cumple con las siguientes condiciones (tomadas de [BUR98]): 1.

comenzando por la más sim- Por demostrar que si ´Øµ ¾ Î ´Øµ Î ·½ µ ´Øµ ¾ Î (primera implicación de (5. El anidamiento de los espacios se puede expresar como: ¾ Demostración.1. 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.6) Demostraremos ambas implicaciones por separado.5. Tenemos que por hipótesis ´Øµ ¾ Î . Proposición 1.6)). ple. ´Øµ ¾ μ y como por hipótesis μ ν . Como ½ Î Î ·½ ¸ ´Øµ ¾ Î (5.6)). 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. 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 .

5. donde normalidad de la función escala en ν . los coeficientes ´Òµ pueden ser una secuencia de números reales o complejos. 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.1. 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.7) ´Øµ ¾ Ô ´Òµ ¾ ´¾Ø   µ ´Øµ tiene soporte compacto sobre ¼ Ø Æ  ½. que tiene soporte compacto Ø Æ   ½ y ´¾Ø   µ ¾ es base ortonormal para Î . ´Øµ es una función escala como se define en (5. 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 . como veremos más tarde. Si ½ . entonces ´Òµ también tiene sobre ¼ soporte compacto sobre ¼ Ø Æ   ½. tal que una suma de ´¾Øµ ajustada y trasladada como ´Øµ puede ser expresada en términos de (5.7). por lo que la máxima longitud de la secuencia ´Òµ es Æ Proposición 2. sólo un número finito de términos en la sumatoria son distintos de cero.

sólo finitos coeficientes son no nulos. 5. esto significa que todos los miembros de ortogonales a todos los miembros de Ï .3 Función Wavelet Definimos Ï ËÔ Ò ¾ ´Øµ Î son como el complemento ortogonal de Î en Î ·½ . Tenemos entonces por (5. 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 2.7) que ½  ½ ´Øµ ´¾Ø   Òµ Ø ½  ½ ¾ Ô ´ µ ¾ ´¾Ø   µ ´¾Ø   Òµ Ø como por hipótesis ´Øµtiene soporte compacto. Mostraremos que 65 Ô ¾ ´Òµ ½  ½ ´Øµ ´¾Ø   Òµ Ø ¼ y Ò Æ   ½. 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. 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 .5. SISTEMAS WAVELET DE PRIMERA GENERACIÓN Demostración.1.1.

1. entonces ´Øµ ¾ Î . 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 .8) . 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.5.

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

2) ¾ ¾ Ä ´Êµ ¾ el subespacio de ľ ´Êµ generado por esta función es definido como ¼ ËÔ Ò ´Øµ (6. cualquier función ´Øµ que esté en ¼ puede ser representada por una combinación lineal del conjunto de funciones ´Øµ con sus respectivos coeficientes .5) están definidas en distintos intervalos de tiempo.4) Ô Ö Ù ÐÕÙ Ö ´Øµ ¾ Ó o sea.5) entonces el producto punto entre (6. definiremos ´Øµ sea ortonormal.6) ÓÒ Ñ esto es fácilmente demostrable ya que (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 (6.3) para todos los enteros desde  ½ a ½ .2) y (6.5) debe ser cero para cumplir con la condición de ortogonalidad.6. 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 (6.2) y (6. esto significa que ´Øµ ´Øµ ¾ ¾ Ä ´Êµ ¾ (6. entonces tenemos ´Øµ Ñ ´Øµ Ø Ø¾ ؽ ´Øµ Ñ ´Øµ Ø · Ø Ø¿ ´Øµ Ñ ´Øµ Ø (6. Para un rápido cálculo de estos coeficientes es necesario que cuestión. El superrayado denota clausura.7) .1.

ؾ ؽ ½£¼ Ø· Ø Ø¿ ¼£½ Ø ¼ (6.2) ؾ ؽ ´Øµ ´Øµ Ø ´ · ½µ   ½ (6. FUNCIÓN HAAR ESCALA 69 Figura 6.2: ´Øµ ؾ definida sobre el intervalo [-3. Sea entonces ´Øµ ´Øµ por (6.3].1.6. ´Øµ Ø ¾ con Ø ¾  ¿ ¿ . como una combinación lineal de la forma ¾ .con lo que sólo nos resta demostrar la normalidad de este conjunto de funciones. mediante la función de escalamiento ´Øµ ÓÒ Ø ¾ Solución Representaremos la función continua ´Øµ Ø . ØØ Ø ¾ ½ (6.10) se demuestra así la ortonormalidad de Ejemplo 1 Representar la función  ¿ ¾ .8) queda así demostrada la ortogonalidad de ´Øµ con ¾ ؾ ؽ .9) ´Øµ ´Øµ Ø ´Øµ.

14)  ¿·½  ¿ ´Ø · ¿µ ´Ø · ¿µ Ø  ¿ (6.6.2) µ µ µ µ µ  ¿ ؾ ؾ ´Ø · ¿µ ´Ø · ¿µ ؾ  ¾  ¿ Ø  ¿  ¿  ¾ · ¿ (6.12) ؾ ´Ø · ¿µ  ¿ ´Ø · ¿µ ´Ø · ¿µ · · ¾ ´Ø   ¾µ ´Ø · ¿µ (6.1. ´Øµes ortogonal.15) donde los límites de integración fueron calculados a partir de (6.13) como demostramos anteriormente.11) ´Ø · ¿µ ؾ  ¿ ´Ø · ¿µ ·  ¾ ´Ø · ¾µ ·  ½ ´Ø · ½µ · ¼ ´Øµ · ½ ´Ø   ½µ · ¾ ´Ø   ¾µ ¬ ´Ø · ¿µ (6.11) Ahora calcularemos el coeficiente  ¿ para lo que haremos la multiplicación vectorial de por (6.16) ´Ø · ¿µ ¿  ¿  ¿  ¿ ؾ ´Ø · ¿µ Ø (6. excepto  ¿ ´Ø · ¿µ ´Ø · ¿µ µ µ ؾ ؾ ´Ø · ¿µ ´Ø · ¿µ  ¿ ´Ø · ¿µ ´Ø · ¿µ (6. por lo que todos los productos puntos de la parte derecha de (6. FUNCIÓN HAAR ESCALA 70 ´Øµ  ¿ ´Ø · ¿µ ·  ¾ ´Ø · ¾µ ·  ½ ´Ø · ½µ · ¼ ´Øµ · ½ ´Ø   ½µ · ¾ ´Ø   ¾µ (6.17)  ¾ ¾ ¿ Ø ´Ø · ¿µ Ø · ؾ ´Ø · ¿µ Ø  ¿  ¾ .13) serán cero.

21) serán cero.1. µ µ ؾ ؾ ´Ø · ¾µ ´Ø · ¾µ  ¾ ´Ø · ¾µ ´Ø · ¾µ (6.6.-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. FUNCIÓN HAAR ESCALA como 71 ´Ø · ¿µestá definida sólo en [-3.20) ؾ ´Ø · ¾µ  ¿ ´Ø · ¿µ ´Ø · ¾µ · · ¾ ´Ø   ¾µ ´Ø · ¾µ (6.22)  ¾·½  ¾ ´Ø · ¾µ ´Ø · ¾µ Ø  ¾ (6.18) µ µ ahora calcularemos  ¾  ¿ Ø¿  ¾ ¿  ¿  ¿ ¿ (6.25)  ¾ ¾  ½ ¾ ¿ Ø ´Ø · ¾µ Ø · Ø ´Ø · ¾µ Ø · ؾ ´Ø · ¾µ Ø  ¿  ¾  ½ .24)  ¾ µ µ  ¾  ¾ ¿  ¿ ؾ ´Ø · ¾µ Ø (6.21) ´Øµes ortogonal. 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 ؾ ´Ø · ¾µ  ¾  ½ · ¾  ½  ¾ £ Ø  ¾ (6. excepto   ´Ø · ¾µ ´Ø · ¾µ como demostramos anteriormente.

1. podemos reconstruir lo que nos entrega la gráfica mostrada en la Figura (6. debemos ser capaces de crear una nueva familia de funciones.28) ´Øµ ¾ Ä ´Êµ y ´Øµ sea ortonormal. puedan también ser escaladas para lograr así una mejor resolución. ľ ´Êµ por medio de la función de escalamiento.33) en la tabla (6.29) ¼¿ ¼¿ ¾¿ ¿ ´Øµ Ø ¾ (6.-1] µ  ¾  ¾ ¾  ½ ¾ ¿ Ø £¼ Ø· Ø Ø · ؾ £ ¼ Ø  ¿  ¾  ½ (6.6.31) ½ (6.30) ¼ (6. Calcularemos entonces los coeficientes restantes ¾  ½ ½  ½  ½ ؾ ´Ø · ½µ  ½ Ø¿ ¼ ¿  ½ (6. FUNCIÓN HAAR ESCALA como 72 ´Ø · ¾µesta definida sólo en [-2.26) µ µ  ¾ Ø¿  ½ ¿  ¾ (6.1) Para una mejor representación de cualquier señal perteneciente a mediante (6.1) se encuentran todos los coeficientes calculados Ahora que tenemos los seis coeficientes buscados.32) ¾ (6. Nos .11). que además de tener las capacidad de trasladarse.27) puede ser calculado (6.28)  ¾ ¾¿ ؾ del cálculo de estos dos coeficientes queda claro que cualquier coeficiente como ´Øµ ´Øµ ؽ ´Øµ Ø siempre que ocupando (6.

. Figura 6.33 0.33 0.33 2. FUNCIÓN HAAR ESCALA 73 coeficiente  ¿  ¾  ½ ¼ ½ ¾ valor obtenido 6.33 2.1: Coeficientes de reconstrucción para la función de escalamiento.6. debido al espacio en que trabajamos.33 Tabla 6.33 6.1.3: En esta figura apreciamos que la aproximación realizada por la función de escalamiento es bastante burda.

½.1. ؾ   ´¾Ø   µ de manera análoga al ejemplo 1 (revisar desde la ecuación (6.34)     ¾ ¾ ؾ ´¾Ø · µ  ¾ ¾ Ø Ø  ¿   ¾ . Solución Para representar esta función trabajaremos en el espacio ½ . mediante la familia de funciones ´Øµ.34) ´Øµ ¾ .34).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. que se define como ËÔ Ò Ä ´Êµ generado por (6.35) es un subespacio de donde ´Øµ es la función básica de escalamiento trasladada y escalada.6. o lo que es lo mismo. 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 (6.12) a (6. y Ejemplo 2 Representar la función ´Øµ Ø ¾ con Ø ¾  ¿ ¿ . ¾ ´¾ ص ËÔ Ò ´Øµ (6.

2: Coeficientes de reconstrucción para ´Øµ   Ø¿  ¾ ¿  ¿   ¿ ´Øµ Ø ¾ los demás coeficientes serán calculados de la misma forma.58 5.58 3.6.08 1. si no que en todo ´Øµ ´Øµ ¾ ´Øµ ؾ ؽ ´Øµ ´Øµ Ø ·½ ¾ ØØ Ø ¾ ½ (6.58 0.58 1. utilizando utilizando la función de escalamiento en ½ .1.37) .1 Relación ortogonalidad y normalidad Del ejemplo anterior se puede observar que para ½ los coeficientes quedaban divididos por 2.08 3.08 5. Demostraremos ahora que esto no ocurre solo en ½ . estos son mostrados en la tabla (6.4) se muestra la reconstrucción de usando ´Øµen ½ 6. 75        ¿  ¾  ½ ¼ ½ ¾ ¿ Tabla 6.2) en la figura (6.58 ؾ . FUNCIÓN HAAR ESCALA coeficientes valores obtenidos 7.1.08 0.08 0.58 0. lo que indica que las funciones de escalamiento de este subespacio no son ortonormales.08 7.36) ÓÒ Ø½ ؾ ´Øµ ½ ¾ (6.

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. entonces. por lo tanto debemos encontrar una constante que nos permita hacer estas funciones ortonormales. queda demostrada entonces la no normalidad de esta familia de funciones. FUNCIÓN HAAR ESCALA 76 Figura 6. debido que ´Øµen ½ esta definida en un intervalo de tiempo mas pequeño que en ¼.6.38) .4: En esta figura se presenta una clara mejoría en la resolución de la representación de la función cuadrática.1.

FUNCIÓN HAAR ESCALA entonces de ahora en adelante cuando hagamos referencia a 77 ´Øµ.1. y de acuerdo con () una combinación lineal de ella misma.34). ½ ¼ ´Øµesta definida en Ø ¾ ¼ ¼ µ y ½ ½ ´Øµ esta definida Ø ¾ ¼ ½µ.39) se escogen ½ ¼ ´Øµ y ½ ½ ´Øµ ya que necesitamos cumplir con el intervalo de tiempo en que está definida ´Øµ.6.38) ´Øµ. como se muestra en (6. es que puede ser representada por Una importante propiedad de la función de escalamiento ½. 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. trasladada y escalada. es- ´Øµ ´¾Øµ · ´¾Ø   ½µ (6. estaremos hablando de (6.40) . Si elegimos obtenemos que µ ´Øµ Ô Ô ´½µ ¾ ´¾Øµ · ´¾µ ¾ ´¾Ø   ½µ (6. 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. esto es.

y calculando los coeficientes ½ y obtenemos como resultado que (6.42) 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) Ô Ô de tal manera que al realizar el producto interno de (6. ´Øµ ½ ½ ½ obtenemos respectivamente que ´½µ ´¾µ Ô ¾ ¾ ½ ½ ¾ ¼ ´Øµ Ø ´Øµ Ø ¾ (6. FUNCIÓN HAAR WAVELET 78 6. y se define de la forma ´Øµ ½ × ¼ Ø  ½ × Ø ½ ¼ ×Ó ÓÒØÖ Ö Ó ½ ¾ ½ ¾ (6.43) por ¾ ´¾Øµ y luego por ¾ ´¾Ø   ½µ. puede ser representada Ô Ô ´½µ ¾ ´¾Øµ · ´¾µ ¾ ´¾Ø   ½µ (6. la función que expande el espacio ϼ se conoce como función wavelet. sino definiendo un espacio Ï de funciones levemente diferentes a las funciones escalamiento.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. 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 .6.44) y ½ Ô ½ ½ ¾ (6.45) respectivamente.2. . Sin embargo. que representen la diferencia que existe entre un espacio Î y un espacio Î ·½ . entonces el espacio ϼ al ser el complemento de μ en ν es ´Øµ. no incrementado el tamaño del espacio de las funciones escalamiento. tal que Î ·½ Î ¨Ï (6. Ahora bien.41) por lo que ya estamos en condiciones de decir que el espacio ϼ corresponde al complemento del espacio μ en el espacio ν . las características de una señal pueden ser mejor descritas.2 Función Haar Wavelet Como se observó en la sección anterior.

Por lo tanto. y nos .47) ¾ © ¾ Ä ´Êµ ¾ que corresponde a la misma función pero desplazada en el tiempo por una constante .49) con lo que se da por finalizada la demostración. 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.2. 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 (6.5: Función wavelet en ϼ como combinación lineal de las funciones escalamiento que expanden ν y μ .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. FUNCIÓN HAAR WAVELET 79 Figura 6. misma señal con un nivel de resolución · ½. puede ser demostrada en forma análoga a como se demostró con la función de escalamiento.6.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. Si nos definimos la función wavelet como ortogonal.

55) y (6.52) serán cero.55) y para ´Øµ ¼ la solución es trivial.2.50) ahora. para calcular el primer coeficiente haremos el producto punto de ¼ ´Ø · ¿µ con (6. los cuales son ·  ¾  Ø¾ Ø ½  ¿· ¾ ¾    ¿ (6.57) . todos los productos puntos de ´Ø · ¿µ . La resolución de las integrales de (6.56) nos entregan dos coeficientes. como demostramos anteriormente que ´Øµes ortogonal.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. por lo tanto la parte derecha de (6.52) entonces.50) (6.53) que para ´Ø · ¿µ ½ nos queda  ¿·½ ¾ Ø  ¿ (6.56)  ¿ ½ ½¾    ¿ ½   ½¾   ¼ (6. excepto ½ ´Ø · ¿µ ؾ ´Ø · ¿µ ´Ø · ¿µ  ¿·½  ¿ ´Ø · ¿µ ´Ø · ¿µ Ø  ¿  ¿·½  ¿ ´Ø · ¿µ ´Ø · ¿µ Ø  ¿ · (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. FUNCIÓN HAAR WAVELET 80 Ejemplo 3 Aproximar la función función escalamiento.54) para ´Ø · ¿µ  ½ ½  ¿· ¾ ¾ Ø Ø  ¿ ¾  ¿ (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.

6).3) y en la figura (6. .5 1.5 81  ¿  ¾  ½ ¼ ½ ¾ Tabla 6. mediante la familia de funciones ´Øµ con un valor Solución Representar esta función ؾ para ½. Ejemplo 4 Aproximar la función de ½. ´Øµ Ø ¾ con Ø ¾  ¿ ¿ . 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. por lo tanto la representación de ´Øµ ؾ mediante la combinación lineal de ½ ´Øµ. Realizando el cálculo de los otros coeficientes en forma análoga.5 -0.5 -2.2. observamos sus resultados en la tabla (6. FUNCIÓN HAAR WAVELET Coeficientes Valores Obtenidos 2. Figura 6.6.5 -1. significa que obtendremos una aproximación de ella en el subespacio ν .3: Coeficientes obtenidos para la representación de la señal ؾ con la Haar Wavelet en el espacio ϼ .6: Aproximación de la señal ؾ mediante las función wavelet del espacio ϼ .2)).5 0.

Por lo tanto debemos encontrar una constante que nos permita hacer estas funciones ortonormales.53)).2. Además. obteniéndose al final una cantidad de 12 coeficientes (tabla (6.4)) que corresponden al doble de coeficientes obtenidos en el ejemplo anterior.52) y (6. La representación de la función original a través de estos coeficientes puede observarse en la figura (6.1 Relación ortogonalidad y normalidad De los ejemplos anteriores hay que observar que para ϼ los coeficientes quedaban divididos por 2. podemos observar que es posible escribir Ö en Ö¼ ´Øµ Ö¼ ´Øµ Ö½ ´¾Øµ Ö½ ´¾Øµ ½ ¾ ½ ¼ ½ ½ . entonces.61) ¦ entonces como sabemos que (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. (6.6.2. el valor Ô de Ö debe ser ¾ y el valor de Ö debe ser ¾.51). 6. de tal manera que ¦ (6. para ϼ multipliquemos las funciones base por un número cualquiera Ö¼ y de forma análoga llevémoslo a cabo para Ͻ con Ö½ .61) debe dar 1 para que ´Øµ y ´¾Øµ sean ortonormales.60) El resto de los coeficientes se calcula en forma análoga.58) el cálculo de los coeficientes se realiza de forma análoga al ejemplo anterior (ver (6. lo que indica que las funciones wavelets de estos subespacios no son 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 · (6.59)   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       (6.7).

63 -0.13 0.6.87 -1.37 1.37 Tabla 6.87 0.4: Coeficientes obtenidos para la representación de la señal ؾ con la Haar Wavelet en el espacio Ͻ . FUNCIÓN HAAR WAVELET 83 Coeficientes        ¿  ¾  ½ ¼ ½ ¾ ¿ Valores Obtenidos 1.13 -0. Figura 6.13 -0.7: Representación de la función ´Øµ ؾ en el subespacio Ͻ .37 -0.63 0.37 0.13 -1. .2.

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. De esta manera.63) donde ´Øµ es la función wavelet base trasladada y escalada.2.6.62) que se define como Ï ËÔ Ò ´¾ ص ËÔ Ò ´Øµ (6. 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.62). al igual que las funciones escalamiento. FUNCIÓN HAAR WAVELET término de Ö¼ de la forma Ö½ 84 Ö es decir Ô Ô ¾ £ ¾. y Ï es un subespacio de ľ´Êµ generado por (6. .

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

Como una forma práctica de mostrar esta propiedad representaremos la función escala de Haar mediante versiones escaladas y trasladadas de ella misma.7). 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. 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.1.1) queda como ´Øµ ´¾Øµ · ´¾Ø   ½µ lo que nos muestra que la función de escala se puede representar por una versión de ella misma . Debido a la definición de [BUR98] Î .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. entonces ´Øµ donde Ô Ô ´¼µ ¾ ´¾Øµ · ´½µ ¾ ´¾Ø   ½µ ´¼µ ½ ¾ (7. Así tenemos que ¼¼ ´Øµ ½¼ ´Øµ · ½½ ´Øµ esta ecuación puede verse de otra forma aplicando (5.

como se muestra en la figura (7. ο esta conformado por μ . o dicho Debido a esto el espacio ο puede ser representado de la forma ο μ ¨ ϼ ¨ Ͻ ¨ Ͼ . Así la familia de funciones ´Øµgenerará un espacio Î ËÔ Ò ¾ ´Øµ donde el super-rayado denota clausura. Lo anterior puede expresarse de la siguiente Î ¨Ï Î ·½ de otra forma. Ͻ y Ͼ . no mediante el aumento de . Esta residencia de los espacios wavelet en los espacios de escalamiento se muestra en la figura(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 . ξ . si no que al definir un nuevo espacio Ï . escalada más otra versión de ella misma escalada y trasladada. ν y μ . donde podemos apreciar que dentro del espacio ο se encuentran contenidos Ͼ . ϼ .1) se muestra la relación entre los espacios expandidos por las funciones escala en sus distintos niveles de resolución.1: Espacios anidados generados por la función escala.3). función ´Øµ.7. No obstante una mejor representación de la señal es obtenida.1. En la figura (7.2). PRINCIPIOS DE MULTI-RESOLUCIÓN 87 Figura 7. llamado espacio wavelet.

.3: Espacios wavelet. por la función escala en distintos espacios. PRINCIPIOS DE MULTI-RESOLUCIÓN 88 Figura 7.7.2: Representación de la función sin(t).1. Figura 7.

Como ϼ ν.7. el detalle. Así podemos representar nuestro espacio ľ partiendo de una . PRINCIPIOS DE MULTI-RESOLUCIÓN Lo que se puede hacer extensible a todos los espacios siguientes. por lo que la función escala puede Ô ´Òµ ¾ ´¾Ø   Òµ Ò¾ (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. por lo que en los puntos donde la pendiente es más suave. por ejemplo 89 ľ donde μ ¨ ϼ ¨ Ͻ ¨ Ͼ ¨ μ es el espacio inicial. junto con la amplitud del coeficiente wavelet. de la forma ´Øµ representarse como Ò ½ Ô ´Òµ ¾ ´¾Ø   Òµ ¼ ½ Ò¾ (7. ya que Î Î . la resta tendera a cero.4) vemos proyecciones de una función en diferentes espacios wavelet. como ľ ¨ Ï  ¨ Ï  ¨ Ï ¨ Ï ¨ ¾ ½ ¼ ½ Como podemos ver en (7. que como veremos más tarde se obtiene de la resta de dos muestras sucesivas de la función discreta. La escala que se use para expandir el espacio inicial será una decisión del ingeniero. escaladas y trasladadas. donde (7.3) Lo anterior es también válido para ´Øµ Ò ´Øµ.1. ´Øµ.2) escalas más gruesas entrarían en juego. En la figura (7. dependiendo su elección del análisis que se realize y de la señal en cuestión. Esto se debe a que los wavelet detectan los cambios de la función. como ľ Î ¨Ï ¨Ï ¨  ½. lo que nos entregaría resolución más alta.4) . la función La función que expande el espacio Ï es la wavelet madre wavelet ´Øµ puede ser representada por una suma de funciones escala. expandido por la función escala ´Ø   µ.2) hemos representado el espacio ľ solo con espacios wavelet. y los espacios Ï nos irán entregando información más detallada de la señal a medida que crece. 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. Al tomar j=-½ tenemos De esta manera podemos tomar una escala negativa para el espacio inicial.

PRINCIPIOS DE MULTI-RESOLUCIÓN 90 Figura 7.4: Proyección de una función en diferentes espacios wavelet. usando el sistema Haar.7.1. .

los coeficientes ´Òµ ´ ½µÒ ´½   Òµ Por ejemplo. . En la figura (7.2. Esta longitud limitará el nivel de descomposición de una señal.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. La ecuación llamada transformada discreta wavelet (DWT).6). ecuación que no muestra ningún método para hacer correr las sumatorias involucradas. 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. la variable nos dirá en que espacio wavelet esta trabajando nuestra función madre. son los coeficientes wavelet y nos entrega el espacio inicial μ que será el espacio de menor resolución.2). si no que al combinar con la función escala una función Wavelet .7). El detalle en los distintos espacios wavelet se muestra en la figura (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 · (7.5) donde ¾ es la escala de Ø. 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. y dependiendo de este ¼ es que el resto de los índices seguirán corriendo.2 Transformada Discreta Wavelet (DWT) Hemos dicho ya que una mejor representación de una señal se obtiene no mediante un aumento del espacio Î .7. para una función finita de largo Æ . Esto es análogo para la función escala.6) ¼ son los coeficientes de escala. con todas las características que se enuncian en la sección 7.6). Como podemos observar. Definimos antes (5. 7. no es más que (5. 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. que se observa en (7. es la traslación en Ø y ¾ mantiene constante la norma de la wavelet en difer¾ ¾ entes escalas.1.

7. TRANSFORMADA DISCRETA WAVELET (DWT) 92 Figura 7. De abajo hacia arriba tenemos desde el espacio μ hasta el Î .2. y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama.5: Al lado izquierdo vemos la representación de una función mediante el sistema Haar en distintos espacios Î . .

2.7. De abajo hacia arriba tenemos desde el espacio Ͻ hasta el Ï .6: Al lado izquierdo vemos el detalle de una función. . y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. obtenido mediante el sistema Haar en distintos espacios Ï . TRANSFORMADA DISCRETA WAVELET (DWT) 93 Figura 7.

10)en (7.7) (7. funciones que utilizaremos para descomponer y luego reconstruir la señal ´Øµ.10) ahora si reemplazamos (7.9) ´Øµ ¾ ´Øµ ´Øµ · ´Øµ · ´ ¾µ (7.7. y luego entraremos en la teoría de banco de filtros que aliviará en forma sustancial el trabajo realizado. ¾¿ Tomemos la función ´Øµ × Ò´Øµ.6) y desarrollamos la sumatoria para ¼¼ ¼¼ ½¼ Ô ¾ ´¾Øµ · ½½ Ô ¼: (7.9) y (7.8) ´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. la Haar y su función de escalamiento. TRANSFORMADA DISCRETA WAVELET (DWT) 94 Desarrollaremos ahora la DWT para el sistema Haar.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 .2. intervalo que trasladaremos a ¼ ½ con el fin de trabajar en el mismo dominio de la función escalamiento y la wavelet haar. la cual al ser sampleada a una frecuencia de ¾ ÀÞ se transforma en la función por tramos con Ø ¾ ¼ ¾ . 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.

2. 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. Ahora que tenemos la ecuación matricial (7. i.g. en la fila 1 tenemos el valor de cada uno de los coeficientes en Ø ¾ ¼ ¼ ½¾ . 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 (7.11) . y en todas las otras filas ¾¼ ¼. e.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. 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.13) ½ ¾ ½ ¾ . y cada fila representa cada uno de los intervalos de tiempo en ¼ ¼¾ . esto es.7. ¾¼ ´Øµ ¾´¾ ¾µ ´¾¾ Ø   ¼µ ¾ ´¾Ø   ¼µ ¾ en Ø ¾ ¼ ¼ ½¾ .12) que esta función esta definida sólo para Ø ¾ que la función ´Øµ esta descompuesta.

16) ¯ para ¼ ¿ .12) y ¾ ¼¼ ¼¼ ½¼ ½½ ¾¼ ¾½ ¾¾ ¾¿ ¼ 96 ¼. 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. Ahora que conocemos el procedimiento para calcular los coeficientes. como lo veremos en el capítulo siguiente. y el resto sólo coeficientes wavelet.14) Hemos logrado aquí descomponer la señal discreta hasta ser representada sólo por un coeficiente escala o de aproximación.2. Esto será de gran importancia en la limpieza y compresión de señales.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. TRANSFORMADA DISCRETA WAVELET (DWT) donde es la matriz 8x8 de la ecuación (7.7. así tenemos que ¿ ¿ ¾ ¼ ¼ ¼¿  ¼ ½ ¼½  ¼ ½ ¼ ¼ ¿¾ ¼½  ¼ ¼ ¿¾ (7.

El gran tamaño de los cálculos matemáticos hace necesario buscar una manera eficiente de realizar la DWT. 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. es que permite el diseño y aplicación de rápidos algoritmos para el cálculo computacional. estaremos disminuyendo los coeficientes wavelet. 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. 7. entonces de acuerdo con la propiedad de MRA1 [BUR98] [CHU97] ´Í ¾ Î µ Ä ´Êµ ¾ (7.18) 1 Del Inglés Å ÙÐØ Ö ×ÓÐÙØ ÓÒ Ò Ð ×Ý× .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. Como podemos observar la última descomposición nos entregará una reconstrucción perfecta de la señal original.3. Sin embargo. hasta llegar a representar la señal original solo con coeficientes escala.1 Representación de señales El análisis de señales mediante la transformada continua wavelet (CWT) está definido sobre señales análogas de energía finita. debido a que fue representada sólo con funciones escala pertenecientes al espacio al cual pertenece la señal original. el procesamiento digital de señales. tal como su nombre lo indica. se aplica sobre muestras de datos digitales de una señal perteneciente al dominio análogo. Supongamos que tenemos una señal ´Øµ ¾ ľ conocida para todo Ø (o para una discretización en el dominio del tiempo lo suficientemente densa).3.7. es por eso que debemos conocer la teoría de banco de filtros que nos guiará a la obtención de la transformada rápida wavelet (FWT).

En otras palabras.3.2 Descomposición de señales unidimensionales (Análisis) El principal objetivo de la descomposición de una señal mediante la DWT se basa en que. un modelo Ò de una señal análoga correspondera a un set de valores discretos cuya longitud será de Æ ¾Ò. (c) Modelo en el dominio análogo. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 98 Figura 7. ya que el intervalo de tiempo dado para cada sampleo está controlado por una potencia de 2. 7.7: (a) Señal original. (b) Modelamiento de sampleos digitales mediante la función Haar escala con una longitud de Æ ¾ . es posible aproximar tan cerca como se desee mediante un modelo Ò ¾ ÎÒ con Ò ¾ Ê. son aplicados sobre el set de coeficientes Ò ¾ (7. De hecho. de acuerdo a lo expuesto en la sección anterior. siendo el modelo Ò ¾ ÎÒ una representación de la señal original .3. es decir.19) donde los coeficientes escalares Ò son los encargados de representar la señal en el dominio dis- creto o digital.7. es decir Ò ÒØ ÖÔÓÐ ÓÒ [CHU97] Ò ´Øµ concuerde con la ´ ¾Ò µ ´ ¾Ò µ ¾ (7. 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. 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.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 .21) De esta forma se logra lo que se denomina una representación diádica de la señal [BUR98].

24)   ¾ ÎÒ  ½ Ò ½   ¾ ÏÒ  ½ (7.28) De la ecuación básica de recursión (5.27) Ò ½   Ò ½   ¾ Ò  ¾ ½ ½  ½ ´Øµ ´¾Ò  Ø   µ Ø ½ (7.30) . el primer paso en la descomposición es poder encontrar los coeficientes Ò ½ y en términos de Ò .19) y (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. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 99 mediante funciones escala solamente (apropiadas para un análisis multi-resolución).7. sino más bien con los coeficientes relacionados a estas funciones.23) (7.29) ´¾Ò  Ø   µ ½ Ô Ô ´Ôµ ¾ ´¾ÒØ   ¾   Ôµ (7.3.22) dado que ÎÒ ½ ÎÒ y Ò ½ ÎÒ ÏÒ ½ ÎÒ ½ ¨ ÏÒ ½ ÎÒ (7. Utilizando (7. Entonces.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 (7.21) 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. es posible escribir Ò como Ò Ò ½   · Ò 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.

Sin embargo.26) de la forma Ò ½   .27) y (7.3. cada uno con una longitud .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. y por otro lado el detalle de la señal representado por los coeficientes wavelet reescribir (7. Más especificamente corresponde a un filtro pasa-bajo y ½ a un filtro pasa-banda.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. podemos ´Øµ Ò ½   ¾ Ò  ´¾Ò  Ø   µ · ¾ ½ ½ Ò ½   ¾ Ò  ´¾Ò  Ø   µ ¾ ½ ½ (7. nos daremos cuenta que nuestros datos de salida estarán comprendidos por el doble de datos de entrada. 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 . 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 (7.35) y (7. Por lo tanto.33) 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. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS que reemplazando en las integrales de (7. al aplicar esta operación sobre una señal digital real.35) Ò ½   Ñ ´Ñ   ¾ µ Ò Ñ (7.7. las integrales son idénticas y corresponden al coeficiente Ò Ñ .33) Ò ½   Ò ½   Ñ ´Ñ   ¾ µ ´Øµ¾ Ò ´¾ÒØ   ѵ Ø ¾ (7.28) y haciendo un cambio de variable Ñ nos da Ò ½ 100 ¾ ·Ô (7.36) corresponde a una convolución discreta [CHU97]. si tenemos una señal de 1024 muestras obtendremos una aproximación y un detalle de la señal original.36) La operación realizada por (7.34).34) Podemos observar que en las ecuaciones (7.

En otras palabras.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 (7.7. Una descripción esquemática de lo anteriormente expuesto se ilustra en la figura (7.8). 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. de 1024 datos también. es decir. Para lograr esto observemos que si utilizamos la ecuación de recursión (5.38) multiplicando ambos lados por 2 ´¾ÒØ   µ e integrando con respecto al tiempo Proveniente del inglés ÓÛÒ× ÑÔÐ Ò .3. 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 . descargando todos de la señal original.8: Descomposición wavelet donde el dos con la flecha hacia abajo representa la operación de subsampleo. 7.7) para reemplazar ´¾Ò ½ Ø   ѵ y ´¾Ò ½ Ø   ѵ en (7.3 Reconstrucción de señales unidimensionales (Síntesis) Hemos visto como trabaja la DWT para analizar o descomponer una señal.3. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 101 Figura 7. toma una señal ÜÒ y produce una salida ÝÒ los valores de índice impar. 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. Para resolver este problema. A este proceso de reconstrucción se le denomina síntesis y corresponde a la inversa de la transformada discreta wavelet (IDWT).

Este proceso se puede observar en la figura (7. entonces de acuerdo con (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. 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.7.41) y como Æ´ entonces finalmente Ò   Õµ ½ × ¼ × Õ Õ Ñ Ò ½Ñ   ´¾Ñ   µ · Ñ Ò ½Ñ ½   ´¾Ñ   µ (7. el de análisis y síntesis.4 Múltiples Niveles Análisis . 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.9) .39) como Ò ´Øµ Ò ´Øµ Ê ½  ½ ´Øµ ´¾ÒØ   µ Ø y el set ¾ es ortonormal.3.42) Así como en el análisis se hace un filtrado y un subsampleo.3.39) se tiene que Ò Ñ Ò ½Ñ   Ô ´ÔµÆ´   ´¾Ñ   Ôµµ · ¾Ñ   Ô Ô Ñ Ò ½Ñ   ½ ´ÔµÆ´   ´¾Ñ · Ôµµ (7. Estos procesos son iterativos de tal manera que en 3 Proveniente del inglés upsampling . 7. 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.

como se observa en la figura (7. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 103 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. teoría pueden repetirse en forma infinita con la salvedad que el proceso de síntesis depende del análisis.7. Ejemplo A modo de ejemplo mostraremos una descomposición y reconstrucción utilizando la Haar wavelet. siendo el nivel de resolución de la señal original el que pone el límite. obteniéndose como resultado una mejor aproximación a la señal correspondiente al primer nivel de reconstrucción. tienen una longitud de ½ ¾¼ .3.10). La síntesis por su lado toma la aproximación y el detalle. 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. en el análisis dividimos la señal original en una aproximación y un detalle correspondientes al primer nivel de descomposición. es decir.11). aumenta su longitud al doble mediante el supsampleo y realiza la convolución discreta con los respectivos filtros. los coeficientes y ½ corresponden a .9: Reconstrucción Wavelet donde el dos con la flecha hacia arriba representa la operación de supsampleo. Como vimos en el capítulo 6. Este procedimiento se vuelve a repetir hasta que la aproximación y el detalle están representados por un sólo coeficiente. Una explicación más detallada puede expresarse de la siguiente manera: Supongamos una señal con una longitud Æ ¾Ò . lo que significa que el número de iteraciones posibles de realizar es de Ò ÐÓ ¾ Æ . Obviamente en la práctica estos procesos no pueden repetirse en forma infinita. A este conjunto de coeficientes se le denomina Î ØÓÖ   Ï Ì . 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.

10: (a) Estructura de una descomposición multiresolución.7.3. Figura 7. (b) Vector .11: Estructura de una reconstrucción multiresolución.DWT obtenido de la descomposición. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 104 Figura 7. .

45) ¾  ½ ½ Ô ´     ¾ ½  ½   (7. 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.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.44) ¾¿ longitud de la señal original. supongamos una señal con una longitud Æ definida como ¾ ½ ½ ¿ . uno encargado de la aproximación a la señal original y el otro encargado del detalle. 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.43) y (7. ambos de longitud .36) podemos obtener nuestra primera descomposición de la forma  ½   ½ Ô ´Â · ¾ ¾  ¾ ·½ µ µ (7. 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.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. Este proceso se puede repetir una vez más ya que tanto la longitud de la nueva aproximación como del nuevo detalle será igual a ½.7. los datos de entrada. Las ecuaciones arriba también pueden ser deducidas a partir de (7.14).44) obtenemos las expresiones ¾ ½ Ô ´   · ¾ ½  ½   µ µ (7. entonces de acuerdo con (7. .35) y (7. De esta forma.43)  ½   ½ Ô ´Â   ¾ ¾  ¾ ·½ (7.42). Para reconstruir la señal a partir de los coeficientes escala y wavelet pertenecientes al primer nivel de descomposición observamos que si sumamos y restamos (7.3. es decir. Aplicando el algoritmo de descomposición se puede ver en la figura (7.46) permitiéndonos una reconstrucción perfecta de la señal. ambos de longitud ¾.

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.3. . Ambos procesos se realizan en forma paralela. TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 106 Figura 7.7.

3. . TRANSFORMADA RÁPIDA WAVELET (FWT) Y BANCO DE FILTROS 107 Figura 7.7.13: 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.

wavelet ha tenido un gran éxito en el campo de la Ingeniería Biomédica. especialmente en problemas concernientes a la extracción de características o detección de comportamientos en señales durante pequeños intervalos de tiempo. en variadas disciplinas tales como medicina. estadística. 8.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. clasificación. Wavelet ha sido también utilizada en la detección de microcalcificaciones en mamogramas y el procesamiento de tomografías e imágenes de resonancia magnética1 .public. análisis tiempo . En este campo la transformada wavelet ha sido utilizada para el análisis de electrocardiogramas con el objeto de poder diagnósticar desórdenes cardiovasculares. etc. 8.frecuencia [PED99]. sismología. compresión [TAM99]. limpieza de Ruido [SAP95].iastate.edu/˜rpolikar 111 . 1 Para mayor información puede consultar la dirección internet http://www. Wavelets ha sido aplicado a una gran cantidad de problemas relacionados con el procesamiento de señales: detección [SAP98].1. 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. análisis de transientes. también ha sido utilizada en electroencefalogramas para el diagnóstico de desórdenes neurofisiológico. criminología.1 Biomedicina Debido a la naturaleza no estacionaria de la mayoría de las señales biológicas. La propiedad de localización de la Transformada Wavelet es particularmente atractiva.1 Análisis de transientes La transformada wavelet ha emergido como una efcetiva herramienta para el análisis de señales transientes o no estacionarias. robótica. tales como detección seizure o análisis de potencial evocado para la detección de la enfermedad de Alzheimer [POL97]. acústica.

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. 3. Un ejemplo sobre este uso es el standard MPEG layer 3 más conocido como MP3. que un sistema wavelet multinivel puede ser utilizado en reeemplazo del sistema de banco de filtros de 32 bandas [CHU97].2% del máximo coeficiente) es posible lograr un radio de compresión de 11:1 [TAM99]. 2.1 Compresión de Imágen En la compresión de imágen. 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 Para mayor información puede consultar la dirección internet http://www.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. entonces se puede observar. Proyectar la señal original a un subespacio multi-resolución grande. 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.lanl.) a 128 Kbits/sec en mono y a 256 Kbits/sec en stereo. Establecer un esquema de cuantización.2% (se eliminan los coeficientes wavelet menores al 0. COMPRESIÓN 112 8.2. 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. Uno de los grandes logros es la implementación de wavelets.8. Esto sugiere que pueden eliminarse o hacerse cero los coeficientes pequeños y la señal sintetizada o reconstruída no variará mucho.html . 8. Aplicar el algoritmo de descomposición wavelet. Existen tres pasos fundamentales en el proceso de compresión con wavelets: 1.2. Este algoritmo comprime señales de audio de 700 Kbits/sec (calidad de CD por ej.c3.2. 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.gov/˜brislawn/FBI/FBI.2 Compresión de Audio En la compresión de Audio uno de los algoritmos de codificación más conocidos corresponde al MPEG audio. ÎÒ con un Ò lo suficientemente 8.

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.3. la idea es que una versión más clara de la señal original resulte cuando sólo las componentes más significativas son retenidas. el hecho de establecer un umbral significa que todos los coeficientes wavelet. Ahora bien. LIMPIEZA DE RUIDO 113 Figura 8. se . sea la señal original con ruido y la señal obtenida después de establecer un umbral. existen dos formas de ser procesados: 1. 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.3. entonces.1: Efecto del umbral duro y suave aplicado sobre un conjunto de coeficientes. Además.1 Criterios de umbral Profundizando lo mencionado anteriormente. Umbral Duro: Si el valor absoluto del coeficiente es mayor que el umbral seleccionado. Con respecto a los coeficientes wavelet cuyo valor absoluto resulte mayor que el umbral establecido. 8. 8. se desea que el error medio cuadrado resulte en un valor lo más pequeño posible Ê´ µ ­ ­ ­ Æ   ­ ­ ­ (8. desviación media absoluta. 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. etc.8.1) 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. o pertenecientes al detalle de la señal. al realizar una reconstrucción sólo obtendremos una aproximación de la señal original.

El tipo de umbral seleccionado se calculó de acuerdo con la siguiente fórmula: Ì con Æ igual a la longitud de la señal original. ¦Ì lo cual no ocurre 8. esencialmente puro ruido. Õ ¾ÐÓ ´Æ µ (8.7) Ya con estos datos estamos en condiciones de hacer nuestro análisis wavelet. La elección del umbral se realizó utilizando un método propuesto por Donoho y Johnstone [SAP95]. 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 .3.3.4) µ   ̵ (8.6) ya que los coeficientes wavelet en este nivel son. sea del umbral establecido y los coeficientes wavelet.3) 2. En otras palabras. ¸  ½ Ò   ¼ (8.2) (8. El primer análisis lo . En otras palabras. Variados estudios han determinado que la elección del umbral depende directamente del nivel de ruido de los datos de entrada.5) Como se observa en la figura (8. entonces Ì el valor del umbral Ì Ì µ × ÒÓ´ ¼ µ´ (8. entonces 114 Ì el valor Ì Ì µ µ ¼ (8. LIMPIEZA DE RUIDO mantiene el coeficiente y en caso contrario se iguala a cero. Umbral Suave: Si el valor absoluto del coeficiente es mayor que el umbral seleccionado. con unas pocas excepciones.8.2 Desarrollo experimental con datos ficticios El primer paso en el proceso de limpieza de una señal es obtener el umbral a utilizar. sea establecido y los coeficientes wavelet. se modifica el coeficiente restando el umbral a su valor absoluto. 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.

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

3)). LIMPIEZA DE RUIDO 116 realizaremos con una señal artificial correspondiente a un efecto doppler con ruido. Obtención del error cuadrático medio ¿ ± 7. 5. y al igual que para los Æ   ½ Æ   ). 4. como se observa en la figura (8. Reconstrucción de la señal con los nuevos coeficientes wavelet (ver figura (8. Esta señal corresponde a vibraciones de un motor rotatorio las cuales fueron tomadas con un medidor de vibraciones Bruel & Kjaer modelo 2513.8.5)).3 Desarrollo Experimental con señales reales 8. La función wavelet madre a utilizar será la Daubechies 2 (ver apéndice) y la descomposición se realizará hasta el quinto nivel.1 Tratamiento de señales reales obtenidas de las vibraciones de un motor Una vez comprobado el método de limpieza de ruido con datos artificiales. compuesta de 1024 muestras lo que nos permite realizar hasta diez descomposiciones.6). Cálculo del umbral ¿ 3. se prosiguió a analizar una señal real la que se ilustra en la figura (8.3.2). Descomposición de la señal hasta el quinto nivel ( ver figura (8. Obtención del porcentaje de energía retenido È Ê ×½ × ¿ ± donde ×½ corresponde a la señal reconstruida y × a la señal original. El umbral utilizado datos artificiales. La wavelet utilizada para este análisis fue la Daubechies 4 (ver apéndice).3. 8.3. La secuencia de trabajo se resume de la siguiente manera: 1. se realizaron cinco descomposiciones ( .3)). El software utilizado fue Matlab en conjunto con el toolbox de wavelet cuyo uso fue exclusivamente para corroborar resultados (figura (8.3.4)). 6. Cálculo del nivel de ruido ¼ ¿ Ì 2. Aplicación de umbral suave sobre los coeficientes wavelet obtenidos en cada nivel de descomposición (ver figura (8.

4: Señal reconstruida utilizando los coeficientes wavelet procesados mediante umbral suave.8. El porcentaje de energía conservado fue de 93. Figura 8.3.8 %. LIMPIEZA DE RUIDO 117 Figura 8. .5: Comparación visual entre la señal original y la señal reconstruida.

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. eliminándose las componentes de frecuencia que portan menos ÐØ Ö Ù Ò ya que mantiene energía. dejando sólo algunos coeficientes wavelet pertenecientes al quinto nivel de descomposición como se observa en la figura (8. Señal después de haber sido procesada (Abajo). sólo los primeros 2500 sampleos se graficaron.3.¿ Que ocurre si el ruido es de baja frecuencia . se mantienen las componentes de frecuencia con mayor contenido energético. 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.8. nos podemos dar cuenta que después de la aplicación del método. Para una visualización más clara. Si obtenemos los espectros de Fourier tanto de la señal real como de la señal limpia (figura (8. LIMPIEZA DE RUIDO 118 Figura 8.8)).6: Señal correspondiente a vibraciones de un motor rotatorio (Arriba). Este supuesto genera casi en forma autómatica la inquietud :. que para el caso corresponden a frecuencias bajas.7). entregó un valor de ¼ ¼½ lo que causó la eliminación total de los primeros 4 niveles de descomposición.

P1.10). 8. se obtuvo un set de datos correspondiente a sonidos de pájaros con alto nivel de ruido de fondo proveniente de faenas constructoras. Con el fin de tratar señales reales al aire libre y analizar la inquietud nacida del caso anterior. a una tasa de muestreo de 44. se procedió a restar a la señal original el resultado obtenido de la limpieza. una cuantización de 16 Bit y utilizando un canal del Dat. Esta señal se ilustra en la figura (8. Los datos fueron tomados utilizando un micrófono condensador omnidireccional Audio Technica y un Dat Portátil Tascam DA . lo que como pensábamos nos entregó el sonido de los pájaros más componentes de ruido de alta frecuencia (Hiss). Se realizaron hasta cinco niveles de descomposición los que se ilustran en la figura (8. La percepción auditiva de esta nueva señal no fue .7: Coeficientes de descomposición wavelet obtenidos utilizando la Daubechies 4 (lado derecho). Coeficientes Wavelet obtenidos después de haber sido comparados con el umbral seleccionado (Lado izquierdo).3.1 KHz. 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). Como el método explicado en la sección anterior asume que el ruido en una señal es de componentes de alta frecuencia.8. y la señal que queremos obtener es de alta frecuencia?.2 Tratamiento de señales reales obtenidas al aire libre.9). 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.3. paso de vehículos y ruidos característicos de la urbe.3. LIMPIEZA DE RUIDO 119 Figura 8.

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

en su mayoría. . y una visualización tiempo .frecuencia de la señal original y la reconstrucción empleando los espacios ¾.13) el análisis realizado permitió eliminar.grabación. se observa en la figura (8.9: Señal original. ¿ y Como podemos observar en la figura (8.12). LIMPIEZA DE RUIDO 121 Figura 8. 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. alternativa que ha probado su eficacia y potencialidad.13).8. de frecuencia de estas dos últimas reconstrucciones se pueden apreciar en la figura (8. Más nuestro punto de vista es tomar el análisis Wavelet como una alternativa a estos procedimientos.3. ¿ .

10: Descomposición de la señal original realizada con la wavelet Daubechies 4.8. .3. LIMPIEZA DE RUIDO 122 Figura 8.

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

En azul: mediante ¾. . ¿ y . En rojo: mediante los espacios ¿y ¾. LIMPIEZA DE RUIDO 124 Figura 8.3.12: Transformada de Fourier de las reconstrucciones de la señal original. ¿. ¿.8.

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.

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

Centro de Ingeniería Informática. Universidad de los Andes. H. Prentice Hall. BAILEY. 1998. LEMOINE. T... 1998. U. Proceedings-19th International ConferenceIEEE/EMBS. Estadística y Computación (5). pp 1301-1304.305.. R. Vol. . Wavelets: An Elementary Introduction and Examples. American Metereological Society. Universidad de Aulburg. LODHA. [POL99] POLIKAR.. KRZANOWSKI. [POL96] POLIKAR. pp.. Tratamiento Digital de Señales. R. V. L. 265 273. [SAP98] SAPATINAS. Abril 1993. 614 . 79. Introduction to Joint Time Frequency Analisis. 1995. Santafé de Bogotá. SIAM Rev. 1996. KRZANOWSKI. Madrid. G.. P. W.S..BIBLIOGRAFÍA 129 [PED99] PEDERSEN. Departamento de Estadística Matemática e Investigación Operacional. Proceedings. J.. Dinamarca. pp..GREER. Chicago. K... J. G.. KEINERT... M. M.. Francia. 8. [TAM00] TAMARA. No 441. Tesis de pregrado. K. 73 . Vol. No 2.Compresión de señales empleando Wavelet. O... The Wavelet Tutorial. C.. 2000. USA. J. [PRO98] PROAKIS. J. [TFT96] AUGER. A Practical Guide to Wavelet Analysis.. G.. Application of Wavelets to the pre . POWELL. GONÇALVÉS. Vol. G. 250 .... 31(4). 93. I. COMPO. Signal Detection in Underwater Sound Using Wavelets. pp. Enero 1998. [SAP95] SAPATINAS. F. [STR93] STRANG.83. 5481-5486.processing of Underwater Sounds. Universidad de Exeter.. Wavelets and dilation equations: A brief introduction. Time Frequency Toolbox Tutorial: for use with Matlab. American Mathematical Society. POWELL.1996. C. 288 . Enero 1995. IMACS/IEEE.. 1997. Wavelet Transform versus Fourier Transform. MANOLAKIS. 82. 61 . Journal of the American Statistical Association. Vol. D. R. 1989. American Scientist. pp. 1999. Departamento de Matemáticas. Wavelets. 1995 . Centro de Computación. T. Abril 1994. G. F. [STR94] STRANG. The Story of Wavelets.. J. G.L.627. P. [UED95] UEDA. BAILEY.255. W. Multiresolution Wavelet Analysis of ERPs for the Detection of Alzheimer’s Disease... 1999. T. FLANDRIN. Santa Cruz.UDPA. T.. F.A. pp. [POL97] POLIKAR. pp. Universidad de California. [STR89] STRANG. Centro Nacional de Investigación Científica. Universidad Estatal de Iowa. S. C.78. Departamento de Tecnología y Comunicación. No 1. pp. [TOR97] TORRENCE.

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

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

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

html Práctico tutorial wavelet.rice. http://euclides. 27.edu/˜rpolikar/WAVELETS/WTtutorial.public.iastate. con información teórica sobre wavelets.edu/˜harry/ Wavelets y procesamiento digital de señales.uniandes. http://www.edu. Colombia.co/˜wavelets/ Página de la Universidad de los Andes. 26. .133 imágen. http://www-dsp. 28.

if s1 > s2 x=x’ end ls=length(x). 134 . %************************************************* % supsampleo(X) inserta ceros entre los coeficientes % del vector X. aumentando la longitud del vector al % doble más uno. end [s1 s2]=size(x). Disminuyendo % la longitud de X a la mitad o a la mitad menos 1/2. a=x(:.2:2:ls). % % VER supsampleo %************************************************* function a=subsampleo(x) if (nargin == 0) error(’Debes ingresar los datos de entrada’).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. % dependiendo si la longitud original es par o impar.

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

dat./sqrt(2) 1. end switch m case 1 filtro_escala=[1. filtro_escala=s(1. filtro_wavelet=s(2. end tx=size(x).5.dat. s=daub2.:)./sqrt(2) 1./sqrt(2)].m) if (nargin == 0) error(’Debes ingresar los datos de entrada’)./sqrt(2)].:). filtro_wavelet=s(2. case 6 [1.:).4.:).d]=analisisdb(x.2.8] . %Filtro Pasabajo de Descomposición filtro_wavelet=[-1.3.136 % de entrada. % M puede tomar los siguientes valores: % % % VER sintesisdb %************************************************************************ function [c. s=daub4. filtro_escala=s(1. %Filtro Pasaalto de Descomposición case 2 load daub2. case 4 load daub4. filtro_wavelet=s(2.dat.:). filtro_escala=s(1. filtro_escala=s(1. s=daub5.6. case 3 load daub3. y M es un entero positivo que especifica el % sistema Daubeuchies utilizado.:). case 5 load daub5. s=daub3. filtro_wavelet=s(2.:).:).dat.7. if tx(1)>1 x=x’.

filtro_escala=s(1.filtro_escala)). % SINTAXIS: [C D]=sintesisdb(ca. donde ca y cd son % los coeficientes de aproximación y detalle respectivamente. s=daub6. %************************************************************************ % Rutina que realiza la reconstrucción de la señal % original a partir del primer nivel de descomposición % de una señal utilizando el sistema Wavelet Daubeuchies.:).7.8] .:).’argumento no válido’.137 load daub6. filtro_wavelet=s(2.m) if (nargin == 0) error(’Debes ingresar los datos de entrada’). error(’*’).dat. %Cálculo de los coeficientes de detalle d=subsampleo(conv(x.cd. case 7 load daub7.6. % y M es un entero positivo que especifica el sistema Daubechies % utilizado para la reconstrucción.3.D]=sintesisdb(ca.dat.:).2. s=daub7.5. % M puede tomar los siguientes valores: % % % VER analisisdb %************************************************************************ function [C. end %Cálculo de los coeficientes de aproximación c=subsampleo(conv(x.cd. s=daub8.filtro_wavelet)). case 8 load daub8.:).M).:). filtro_wavelet=s(2. filtro_wavelet=s(2. otherwise errargt(mfilename.4.dat. filtro_escala=s(1. filtro_escala=s(1. end [1.’msg’).:).

switch m case 1 filtro_escala=[1./sqrt(2) -1.dat. s=daub2. filtro_escala=s(3.:).:).:). %Filtro Pasabajo de Descomposición filtro_wavelet=[1. case 5 load daub5. . filtro_wavelet=s(4. filtro_wavelet=s(4. case 6 load daub6.dat.dat. filtro_wavelet=s(4.:).:). case 3 load daub3. s=daub5. filtro_wavelet=s(4. filtro_wavelet=s(4.:). s=daub6. s=daub4. filtro_wavelet=s(4. s=daub3.dat. %Filtro Pasaalto de Descomposición case 2 load daub2. case 8 load daub8.dat. filtro_escala=s(3.:)./sqrt(2) 1.dat.:). filtro_escala=s(3.:). filtro_escala=s(3.:). filtro_escala=s(3. filtro_escala=s(3.:).:)./sqrt(2)]. s=daub8.dat. filtro_escala=s(3. filtro_wavelet=s(4.138 %Inserción de ceros entre los coeficientes de aproxiamción (supsampleo) Ctemp=supsampleo(ca)./sqrt(2)]. %Inserción de ceros entre los coeficientes de detalle (supsampleo) Dtemp=supsampleo(cd).:). case 4 load daub4. case 7 load daub7. s=daub7.:).

’msg’). end if ((round(n)-n)˜=0) error(’N debe ser un número entero’). D=Dtemp(:. N es el nivel de descomposición deseado y M es un entero que especifica el sistema Daubechies utilizado. error(’*’). % SINTAXIS: [C L]=dbdesc(X. if tx(1)>1 x=x’.N).4.filtro_wavelet). end lf=length(filtro_escala).139 otherwise errargt(mfilename. l=[length(x)]. end tx=size(x). M puede tomar los siguientes valores: [1. %Reconstrucción del detalle Dtemp=conv(Dtemp.5. %*************************************************************** % Rutina que realiza una descomposición multinivel % sobre una señal unidimensional utilizando el sis% tema Wavelet Daubechies. %Reconstrucción de la aproximación Ctemp=conv(Ctemp. end c=[].2.lf:1:length(Dtemp)-lf+1). C=Ctemp(:.n) if (nargin == 0) error(’Debes ingresar los datos de entrada’).filtro_escala).8] %**************************************************************** function [c. donde X es la señal de % % % % % entrada.M.lf:1:length(Ctemp)-lf+1).6.l]=dbdesc(x.m.7.’argumento no válido’. for i=1:n .3.

dat.:).6.dat. s=daub2.7.L. end c=[x c]. filtro_escala=s(3.4. case 4 load daub4. if (nargin == 0) error(’Debes ingresar los datos de entrada’). case 3 load daub3. filtro_wavelet=s(4.dat. filtro_wavelet=s(4.:). %Filtro Pasabajo de Descomposición filtro_wavelet=[1. L corresponde a los niveles de descomposición y M es un entero que especifica el sistema Daubechies utilizado./sqrt(2) -1./sqrt(2) 1.:).M).3. s=daub4. filtro_escala=s(3.140 [x d]=analisisdb(x. filtro_escala=s(3. % SINTAXIS: S=dbdesc(C. .2. s=daub3.m). %Proceso de descomposición c=[d c]. donde C corresponde a % % % % % la matriz wavelet.5. l=[length(d) l]./sqrt(2)].8] %Guarda las longitudes correspondientes a cada descomposición %********************************************************************** function s=dbrec(c.:). %Filtro Pasaalto de Descomposición case 2 load daub2.:). end switch m case 1 filtro_escala=[1./sqrt(2)].l.m). %Matriz wavelet %********************************************************************** % Rutina que realiza una reconstrucción multinivel % sobre una señal unidimensional utilizando el sis% tema Wavelet Daubechies. M puede tomar los siguientes valores: [1.

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

14213e-001 14.32670e-001 8.29409e-001 -1.28830e-002 -1.30880e-001 -1.05974e-002 - 142 .52262e-002 3.14846e-001 6. n 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Daubechies 1 14.36516e-001 2.87034e-001 3.06891e-001 4.24143e-001 - Daubechies 3 3.Apéndice A Wavelet Daubechies Tabla con los coeficientes filtros de descomposición y reconstrucción correspondientes a la Familia Wavelet Daubechies (1-8).59877e-001 Daubechies 4 2.54412e-002 -1.79837e-002 -8.08413e-002 3.35011e-001 -2.14213e-001 - Daubechies 2 4.82962e-001 8.30377e-001 7.

26264e-001 -1.38428e-001 Daubechies 6 1.22448e-002 -1.29132e-001 4.78520e-002 3.33572e-003 9.06126e-002 4.80299e-002 -1.12871e-001 6.11540e-001 4.73693e-002 -1.51133e-001 3.65745e-002 -4.96539e-001 7.75630e-001 5.72484e-004 1.25807e-002 -3.53842e-004 4.75449e-004 -1.87035e-003 .40882e-002 1.58291e-002 -3.60102e-001 6.75016e-002 2.143 n 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Daubechies 5 1.85354e-001 -2.74609e-003 -3.91740e-004 6.75228e-002 5.13092e-002 8.15250e-001 Daubechies 7 7.69782e-001 Daubechies 8 5.15820e-002 -3.42294e-001 -2.75714e-002 -6.07730e-003 7.80164e-003 -4.84015e-001 7.25509e-002 4.39810e-002 8.03829e-001 7.29766e-001 -2.29577e-004 3.24036e-001 -2.94623e-001 7.24308e-001 1.43906e-001 -1.17476e-004 -1.24149e-003 3.53713e-004 1.44158e-002 3.28747e-001 -1.77725e-003 -1.

Sign up to vote on this title
UsefulNot useful