Wavelets

Wavelets (0ndeletas)
Román Pérez Enríquez,

Centro de Geociencias, UNAM
A donde quiera que miremos hay señales que podemos
analizar. Por ejemplo, hay tremores sísmicos, discurso
humano, vibraciones de máquinas, imágenes médicas, datos
financieros, música, y muchos otros tipos de señales. El
análisis de wavelets es una técnica nueva y prometedora
para analizar estas señales.
geociencias/unam roman@geociencias.unam.mx
Si escuchamos una sinfonía clásica, oímos muchas partes,

usualmente 3 ó 4, cada una de ellas con una clave principal: Do
menor, Mi bemol mayor, etc.
El análisis de espectro de potencias de Fourier de la sinfonía

revelará, por supuesto, los tonos y sus armónicos, así como otras
frecuencias que se repiten en modulaciones y vibraciones.
Si tocamos las partes en otro orden, el espectro de potencias no
cambia en absoluto, pero para el escucha se tratará de una pieza
totalmente diferente, y más aun si intercambiamos partes dentro
de las partes, a una escala más fina.
Por el contrario, el análisis de wavelets no sólo nos da las

frecuencias principales, sino que nos indica cuándo ocurren y cuál
es su duración.
En palabras de Lau and Went las wavelets “hacen cantar la

serie de tiempo”
Características
•La transformada de Wavelets fue diseñada originalmente para

estudiar señales no estacionarias.
•Como presenta covariancia ante retrasos, parece ser la mejor
herramienta para estudiar señales con espectro de ley de potencias.
•Se trata de un análisis de tiempo-frecuencia.
•Es capaz de revelar aspectos de los datos como tendencias, puntos
de quiebre, discontinuidades en las derivadas, y auto-similaridad.
•El análisis de wavelets puede muchas veces comprimir o eliminar
ruido sin degradación apreciable.
¿Cómo es?
- Una wavelet es una onda de duración efectiva limitada que tiene un valor promedio
cero.
-Mientras que el análisis de Fourier consiste en descomponer una señal en funciones de

senos de varias frecuencias,
- el análisis de wavelets consiste en descomponer una señal en versiones escaladas móviles
de la wavelet original (“madre”).
-Sólo viendo wavelets y senoides se puede ver intuitivamente que las señales con cambios
bruscos se pueden analizar mejor con una wavelet irregular, de la misma manera que ciertas
comidas se comen mejor con un tenedor que con una cuchara.
Aspectos de escala y de tiempo

•Rugosidad
(por ejemplo, aluminio que cubre una naranja y un limón.
•Detección de bordes y Procesos transitorios

(por ejemplo, un sismo)
Transformada de Fourier
Es una técnica matemática para transformar nuestra visión de la señal de una base temporal
a una base de frecuencias.
Para muchas señales, el análisis de Fourier es muy útil, debido al contenido de frecuencias
en la señal. Entonces, para qué otra técnica como wavelets.
Porque, al transformar al dominio de frecuencias, la información temporal se pierde. Es decir,
es imposible decir cuándo ocurrió un evento particular.
Ahora bien, si las propiedades de la señal no cambian mucho con el tiempo, esto es, si la señal
es estacionaria, no importa mucho. Sin embargo, las señales más interesantes son no
estacionarias, pues presentan tendencias, cambios bruscos, y comienzos y terminaciones de
eventos, para los cuales el análisis de Fourier NO es adecuado.
Este problema, que se soluciona parcialmente mediante la introducción de una ventana, no

es suficiente, a menos que sea variable, tal como es el caso de wavelets.
C es la suma sobre toda la señal multiplicada por versiones móviles,

escaladas, de la función wavelet ψ. La C se llama transformada
continua de wavelet (CWT). Nótese que el análisis de wavelet
no utiliza una región de tiempo-frecuencia, sino una de tiempo-
escala.
¿Qué puede hacer el análisis de wavelets?

La más grande ventaja es su habilidad para realizar análisis local—es decir, analizar un área localizada de
una señal más grande. Veamos un ejemplo:
Una gráfica de los coeficientes de Fourier muestra sólo un espectro plano con dos picos que representan
una sola frecuencia. Sin embargo, una gráfica de los coeficientes de wavelets muestran claramente la
localización exacta, en el tiempo, de la discontinuidad.
Cinco pasos para crear una CWT:

1. Tome una wavelet y compárela con una
sección al inicio de la señal original.
2. Calcule un número, C, que representa
qué tanto se correlaciona la wavelet con
la sección de la señal. Entre mayor sea C,
mayor es la semejanza. Más
precisamente, si la energía de la señal y
de la wavelet son iguales a uno, C se
puede interpretar como el coeficiente de
correlación. Hay que hacer notar aquí que
los resultados dependen de la forma de la
wavelet que se elija.
3. Mueva la wavelet hacia la derecha y
repetir los pasos 1 y 2., hasta cubrir toda
la señal.
4. Escale (estire) la wavelet y

repita los pasos 1 al 3.
5. Repita los pasos 1 al 4 para
todas las escalas.
Al terminar, se tendrán los coeficientes

producidos a diferentes escalas, por
las diferentes secciones de la señal.
Los coeficientes constituyen los
resultados de una regresión de la
señal original obtenida por las
wavelets.
Las gráficas de los coeficientes de la
transformada de wavelet son
precisamente la representación
tiempo-escala de la señal.
Esta aparente desventaja (recordemos que el análisis de Fourier

nos da una representación frecuencia-amplitud), no es tal ya
que en realidad es mucho mas natural, y nos muestra patrones
que antes no eran visibles. Es más, podemos ver que
hay una correspondencia entre la escala de las wavelets y

la frecuencia que es manifiesta y proviene directamente del
análisis.
La transformada de wavelets discreta (DWT)
Sirve para agilizar el proceso, sin tanta memoria requerida, y además se ha
encontrado que la eficiencia se puede mantener utilizando escalas diádicas (escalas y
posiciones en potencias de 2). Una manera de implementar la DWT es utilizando
filtros, lo que lleva a la transformada rápida de wavelets; una caja a la que entra una
señal y de la que salen coeficientes.
--Para muchas señales, el contenido de bajas frecuencias (“aproximación”, de gran
escala) es el más importante. Es el que le da a la señal su identidad. Las altas
frecuencias (los “detalles”, de pequeña escala) imparten “sabor”.
--El proceso básico se ve así:
Mediante un submuestreo (downsampling) se elimina la

duplicación de los datos:
Por ejemplo, una

senoide con ruido
añadido:
[cA,cD]=dwt(s,’db2’);
El proceso de descomposición puede ser iterado (multinivel):
Reconstrucción de la señal
Mientras que el análisis de wavelets involucra filtraje y submuestreo, la

reconstrucción involucra sobremuestreo (upsampling) y filtraje.
El sobremuestreo es el proceso de alargar la señal componente insertando ceros
entre muestreos.
Descomposición y Reconstrucción (sencilla y múltiple)
Relación entre los filtros y la forma de las wavelets
La elección de los filtros determina la forma de la wavelet a usar para hacer una
mejor reconstrucción.
Considérese el filtro de reconstrucción pasa baja (L’) para la wavelet db2.
Descomposición de wavelets en paquete:
A diferencia del análisis de wavelets, la de paquete se ve así:
Ejemplo:
Micropulsaciones
magnéticas para el día
7/octubre/2001
Decomposición a
nivel 5
Estadística de la serie
original
Estadística de la
serie de coeficientes
detallados

Wavelets

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Wavelets

Cargado por

Copyright:

Formatos disponibles

Wavelets (0ndeletas)

Román Pérez Enríquez,

Si escuchamos una sinfonía clásica, oímos muchas partes,

El análisis de espectro de potencias de Fourier de la sinfonía

Por el contrario, el análisis de wavelets no sólo nos da las

En palabras de Lau and Went las wavelets “hacen cantar la

•La transformada de Wavelets fue diseñada originalmente para

-Mientras que el análisis de Fourier consiste en descomponer una señal en funciones de

Aspectos de escala y de tiempo

•Detección de bordes y Procesos transitorios

Este problema, que se soluciona parcialmente mediante la introducción de una ventana, no

C es la suma sobre toda la señal multiplicada por versiones móviles,

¿Qué puede hacer el análisis de wavelets?

Cinco pasos para crear una CWT:

4. Escale (estire) la wavelet y

Al terminar, se tendrán los coeficientes

Esta aparente desventaja (recordemos que el análisis de Fourier

hay una correspondencia entre la escala de las wavelets y

Mediante un submuestreo (downsampling) se elimina la

Por ejemplo, una

El proceso de descomposición puede ser iterado (multinivel):

Mientras que el análisis de wavelets involucra filtraje y submuestreo, la

Descomposición y Reconstrucción (sencilla y múltiple)

Relación entre los filtros y la forma de las wavelets

Descomposición de wavelets en paquete:

A diferencia del análisis de wavelets, la de paquete se ve así:

También podría gustarte