CONCEPTO Y APLICACIONES PARA EL ANÁLISIS DE SEÑALES

CONCEPTO Y APLICACIONES PARA EL ANÁLISIS DE SEÑALES
WAVELETS CONCEPTO Y APLICACIONES PARA EL ANÁLISIS DE SEÑALES JOAQUÍN LÓPEZ HERRAIZ Departamento de Física Atómica, Molecular y Nuclear Universidad Complutense de Madrid. Octubre 2004

ÍNDICE ¿QUÉ ES UN WAVELET? CWT DWT TRANSFORMADA WAVELETS DISCRETA
INTRODUCCIÓN HISTÓRICA ¿QUÉ ES UN WAVELET? FOURIER vs WAVELETS DWT TRANSFORMADA WAVELETS DISCRETA WAVELETS ORTOGONALES Y BIORTOGONALES CWT TRANSFORMADA WAVELETS CONTÍNUA APLICACIONES DE LOS WAVELETS ANÁLISIS MULTIRESOLUCIÓN ESTUDIO DEL RUIDO DE UNA SEÑAL CON WAVELETS [...]

INTRODUCCIÓN HISTÓRICA (I)
1807 (1822) – Joseph Fourier indica que toda función periódica puede ser expresada como una suma infinita de senos y cosenos de distintas frecuencias. 1909 – El matemático húngaro Alfred Haar descubre una base de funciones que con el tiempo demostrarán ser los primeros wavelets. 1946 – El físico Dennis Gabor descompone una señal en paquetes de frecuencia-tiempo. 1981 – El ingeniero Jean Morlet encuentra el modo de descomponer una señal sísmica en cierto tipo de “wavelets” de forma constante. Con la ayuda del físico cuántico Alex Grossman, Morlet desarrolla su modelo. El término wavelet aparece por primera vez.

INTRODUCCIÓN HISTÓRICA (II)
1985 – Ives Meyer descubre el primer wavelet ortogonal suave. 1986 – Stéphane Mallat muestra que los métodos de Haar, Gabor, Morlet...están relacionados por el mismo algoritmo de wavelets. 1987 – Ingrid Daubechies construye el primer wavelet ortogonal con soporte compacto. Los wavelets pasan a ser una importante herramienta práctica de cálculo. 1990 – David Donoho y Johnstone usan los wavelets para eliminar el ruido de una señal. 1992 – El FBI usa los wavelets para comprimir su base de datos de huellas dactilares. 2004 – Una vez superada la gran revolución de los años 90, se ve que no todo se puede hacer con wavelets, pero que sí suponen una nueva herramienta útil de cálculo y análisis.

¿QUÉ ES UN WAVELET? Motivación
El análisis de Fourier de una señal (supongamos temporal) permite determinar sus frecuencias, pero a costa de perder la información de tipo temporal sobre la señal (no dice cuando aparece cada frecuencia). Lo que se puede hacer es subdividir la pieza en trozos, y analizar cada trozo. Esto nos da una información rudimentaria sobre el orden temporal en el que se dan las frecuencias. Este tipo de análisis se conoce como la transformada de Gabor (aplicar una ventana a los datos). Sin embargo, este tipo de análisis es imperfecto. Recordemos que la resolución temporal y la resolución en frecuencias de una señal están acopladas [Existe un principio de incertidumbre similar al de Heisenberg: Dt .Dw ≥ p]. Existen métodos de análisis que alcanzan este máximo. Fourier es uno de ellos pero alcanza la máxima resolución espectral sacrificando la resolución temporal. Los wavelets sí dan información simultánea de t y w.

¿QUÉ ES UN WAVELET? Análisis funcional (I)
Consideremos la transformación lineal y continua de una función s(t) dada por: FOURIER GABOR WAVELETS [* indica complejo conjugado] w es una función de peso (ventana) generalmente gaussiana. El coeficiente 1/a es un factor de normalización. El análisis con Wavelets presenta interesantes diferencias frente al análisis clásico de Fourier.

¿QUÉ ES UN WAVELET? Presentación
Antes de continuar, convendría hacer unas presentaciones. Ante ustedes algunos de los wavelets más “antiguos”... Wavelet de Haar (1909)

Antes de continuar, convendría hacer unas presentaciones. Ante ustedes algunos de los wavelets más “antiguos”... Wavelet de Daubechie (orden 4) (1987)

Antes de continuar, convendría hacer unas presentaciones. Ante ustedes algunos de los wavelets más “antiguos”... Wavelet con Spline lineal

El número de wavelets existentes es enorme. En general conviene usar aquel cuya forma se adecúe mejor al tipo de señal con la que se trabaja. Hay wavelets contínuos/discretos, con/sin soporte compacto, suaves/con discontinuidades, ortogonales/biortogonales.. Algunos wavelets tienen expresiones analíticas. Por ejemplo: [Wavelet de Morlet]: [Sombrero mejicano]: (2ªderivada de una gaussiana) Otros en cambio se obtienen mediante fórmulas de recurrencia, tal como veremos más adelante.

¿QUÉ ES UN WAVELET? Representación gráfica de los coeficientes de la transformada discreta de wavelets El análisis de wavelets: Nos da información sobre el espectro de frecuencias en función del tiempo. La resolución espectral de una frecuencia f es: Df  f La resolución temporal de esta frecuencia es: Dt  1/f (Dt.Df = cte). Realizando una Transformada discreta de Wavelets (Similar a FFT) obtenemos una serie de coeficientes que podemos interpretar gráficamente:

¿QUÉ ES UN WAVELET? Análisis funcional (II): Traslaciones y Dilataciones
Tal como se ha visto, una transformada de wavelets de una función s(t) viene dada por: El término t nos da las traslaciones y el término “a” las dilataciones del wavelet. TRASLACIONES

¿QUÉ ES UN WAVELET? Análisis funcional (II): Traslaciones y Dilataciones
Tal como se ha visto, una transformada de wavelets de una función s(t) viene dada por: El término t nos da las traslaciones y el término “a” las dilataciones del wavelet. DILATACIONES

¿QUÉ ES UN WAVELET? Análisis funcional (III): Traslaciones y Dilataciones
Es decir, la señal s(t) se muestrea empleando versiones (wavelets) del wavelet madre (dilatados y trasladados) estudiando punto a punto para qué dilataciones y traslaciones la señal s(t) y el wavelet son más similares. Como es lógico, la frecuencia de la señal s(t) estudiada está intimamente relacionada con la escala “a” del wavelet. Por otro lado, el que el análisis sea local, es lo que le da a la transformada de wavelets sus interesantes propiedades.

¿QUÉ ES UN WAVELET? Representación gráfica de los coeficientes de la transformada discreta de wavelets Esta forma de descomponer una señal es bastante natural: los eventos de baja frecuencia suelen durar en el tiempo, mientras que los eventos de frecuencia alta suelen ser breves. Tiempo Frecuencia Dt Df SCALOGRAM

¿QUÉ ES UN WAVELET? Representación gráfica de los coeficientes: EJEMPLO PRÁCTICO
Señal con altas y bajas frecuencias. -0.003 -0.002 -0.001 0.001 2 4 6 8 200 150 100 50 frecuencia tiempo Resultado del análisis con wavelets: Es posible seguir las frecuencias dominantes en el tiempo.

FOURIER vs WAVELETS: Descomposición de una señal en “ondas”

FOURIER vs WAVELETS VENTAJAS DE LA TRANSFORMADA DE WAVELETS
El análisis de wavelets está especialmente indicado para señales con pulsos o intermitencias: sucesos que ocurren de manera no periódica. Para estas señales, Fourier da muy poca información, al perder casi toda información temporal. Fourier es “inestable” frente a señales de tipo intermitentes: si añadimos un impulso localizado en el tiempo a una señal, todo el espectro de Fourier se verá afectado, mientras que solo algunos coeficientes de wavelets se modificarán. Cuando un sistema es lineal y los modos de vibración son modos propios del sistema, el análisis de Fourier proporciona mucha información sobre los mismos. Pero si no es así, la descomposición en modos propios no da información interesante, ya que mezcla la información de los varios modos de oscilación. Al estudiar sistemas no lineales que no tienen modos propios, ninguna descomposición global en el espíritu del análisis de Fourier tendrá éxito. Uno se debe limitar a una expansión local en modos, que es lo que hace el análisis de wavelets (como un desarollo tipo Taylor).

FOURIER vs WAVELETS VENTAJAS DE LA TRANSFORMADA DE WAVELETS
La Transformada Discreta de Wavelets presenta además claras ventajas frente a su contrapartida de Fourier: - Más rápida desde el punto de vista computacional: O(N) [DWT], frente a O(NlogN) [FFT] para una muestra de N datos. - En muchos casos proporciona un mejor ajuste a los datos con menos coeficientes.(Permitiendo una mejor compresión de los datos que los métodos basados en Fourier). - Las técnicas de filtrado de ruido basadas en wavelets dan mejores resultados. DESVENTAJAS DE LA TRANSFORMADA DE WAVELETS Es una técnica reciente. Aunque en las últimos años se ha hecho un gran esfuerzo por darle todo el rigor matemático que tiene la transformada de Fourier y unificar métodos y notaciones, el ritmo de aparición de publicaciones sobre el tema hace que no sea tarea fácil. No permite realizar algunos cálculos como los relacionados con la convolución o la modulación de una señal...

FOURIER vs WAVELETS: Ej: Estudio de discontinuidades en una señal.

FOURIER vs WAVELETS: Ejemplo: Compresión de imágenes JPG vs JPG-2000

FOURIER vs WAVELETS: Ej: Filtrado de Ruido en imágenes
FILTRADO EN ESPACIO DE FOURIER: Se eliminan las frecuencias más altas FILTRADO EN ESPACIO DE WAVELETS: Se eliminan los coeficientes menores.

DWT TRANSFORMADA WAVELETS DISCRETA
Partimos de la definición indicada de la transformada: El trabajar con transformaciones de wavelets discretas es una práctica habitual. Esto se debe a su eficacia computacional y a que normalmente se trabaja con señales de datos discretos. Lo más común a la hora de discretizar la transformada de Wavelets continua es emplear la rejilla diádica.[Tomar a = 2i ]. En este caso, la transformada viene dada por: Cada i se denomina octava o escala, y consiste en cada uno de los niveles en los que se descompone la señal. Las escalas bajas tienen en cuenta las frecuencias bajas y las escalas altas, las frecuencias mayores.

Cuando se usan wavelets ortonormales (Desde el punto de vista de las funciones de cuadrado integrable L2) , lo habitual es usar un procedimiento denominado "decimation“ (=diezmar). Consiste en descomponer la señal en un número de coeficientes proporcional a la escala analizada. Esto hace que la señal tenga distinto número de coeficientes en cada escala. Físicamente esto refleja el hecho de que las frecuencias menores de una señal necesitan menos coeficientes para ser representadas. Una Transformada de Wavelet diezmada es: Ahora el paso de obtener la versión Discretizada y Diezmada de la Transformada de Wavelet (DWT) es sencillo:

Definimos la familia de wavelets asociadas a un wavelet madre dado  las obtenidas mediante las siguientes traslaciones y expansiones: Con esto, la DWT diezmada queda:

FUNCIÓN DE ESCALA MADRE Toda transformada de wavelets viene determinada (como mínimo) por dos funciones (o las dos series de coeficientes (filtros) que caracterizan a estas funciones): Una función de escala madre y un wavelet madre. La función de escala madre tiene la importante propiedad de: Hay que hacer notar que en esta expresión k toma valores discretos k=0,1..N-1, mientras que t es una variable contínua. A partir de esta función madre se puede derivar de manera similar a su familia asociada de funciones de escala: Para unos coeficientes hk dados es relativamente sencillo construir la función de escala madre. Partiendo de una función inicial e iterando según la relación, obtendremos (t). NOTA: La familia de funciones de escala forman una base ortonormal de L2

FILTROS PASA-ALTO Y PASA-BAJO Una vez definida la función de escala madre, el wavelet viene dado por: Aunque es bastante evidente no está de más enfatizar que son los coeficientes hk y gk (denominados filtros pasa-bajo y filtro pasa-alto) los que determinan la función de escala madre y el wavelet. En muchos casos, "Los filtros discretos son más fundamentales que los propios wavelets”. Por tanto, dados unos coeficientes hk y gk tendremos ya bien definidos tanto la función madre como los wavelets. A estos coeficientes se les imponen una serie de condiciones que caracterizan las propiedades de los wavelets que se obtendrán. Si se es excesivamente restrictivo, la única solución que se obtiene es la del wavelet de Haar. Según se van relajando condiciones aparece una amplia variedad de wavelets.

CREACIÓN DE WAVELETS Para unos coeficientes hk y gk podemos crear las funciones de escala y wavelet madre correspondientes. En la práctica como veremos no es necesario y basta con trabajar con los coeficientes (filtros). FUNCIÓN DE ESCALA MADRE DE DAUBECHIES DE ORDEN 4: Viene definida por los coeficientes: Partimos de una función de escala inicial (por ejemplo, la función escalón) e iterando con la ecuación: iremos obteniendo la nueva función de escala. Con la función de escala y gk , es fácil obtener el wavelet madre:

CREACIÓN DE WAVELETS [Tras varias iteraciones] Son fractales. Su estructura surge automáticamente a partir de las reglas de escalado y ortonormalidad. Las derivadas de este wavelet no son contínuas (es una característica de wavelets de soporte compacto ortonormale).

DESCOMPOSICIÓN DE UNA SEÑAL EN WAVELETS Y FUNCIONES DE ESCALA Sea una señal f(t) formada por N = 8 puntos. Esto nos lleva a tener M=3 escalas de descomposición de la señal (23 = 8 ): Como la función de escala madre forma una base de L2, podemos hacer el desarrollo: Cada par de funciones de escala de un cierto nivel k, f2ik y f2i+1k, se pueden escribir como la suma de una funcion de escala de nivel k+1 y wavelet de nivel k+1: f y 1 “integrar” “diferenciar” función de escala wavelet Ejemplo con el wavelet de Haar (=Daubechies de orden 1). La función de escala recoge la infomación “suave” de la función y el wavelet los “detalles” de esa escala.

DESCOMPOSICIÓN DE UNA SEÑAL EN WAVELETS Y FUNCIONES DE ESCALA Sea una señal f(t) formada por N = 8 puntos. Esto nos lleva a tener M=3 escalas de descomposición de la señal (23 = 8 ): Como la función de escala madre forma una base de L2, podemos hacer el desarrollo: Cada par de funciones de escala de un cierto nivel k, f2ik y f2i+1k, se pueden escribir como la suma de una funcion de escala de nivel k+1 y wavelet de nivel k+1: = + f2ik f2i+1k Fik+1 Yik+1

DESCOMPOSICIÓN DE UNA SEÑAL EN WAVELETS Y FUNCIONES DE ESCALA ESCALA 0 ESCALA 1 ESCALA 2 ESCALA 3

DESCOMPOSICIÓN DE UNA SEÑAL EN WAVELETS Y FUNCIONES DE ESCALA

Los coeficientes de la transformada a distintas escalas vienen dados por las relaciones (Convolución circular): Por supuesto, hay que definir en este proceso a distintas escalas, los valores de la escala inicial. En este caso, debemos saber los valores de s i [0]. Como trabajamos con señales discretas s(i) ,, i = 1..N, una posible elección es tomar directamente: s i [0] = s(i). NOTA: La ventaja de usar como valores iniciales directamente los de la función consiste en que no requiere trabajar con la función de escala directamente sino sólo con los coeficientes. , aunque según las definiciones anteriores, habría que hacer:

Implementación de la transformada: Convolución circular ESCALA 0 ESCALA 1

DWT TRANSFORMADA WAVELETS DISCRETA INVERSA
Implementación de la transformada INVERSA: (Convolución circular): ESCALA 0 ESCALA 1

DWT TRANSFORMADA WAVELETS DISCRETA CONCLUSIONES

WAVELETS ORTOGONALES Y BIORTOGONALES
Los wavelets que se hemos estado viendo son ortogonales. Los filtros g y h han sido elegidos de modo que cumplan: Ortogonalidad frente a desplazamiento en el mismo nivel Ortogonalidad entre niveles diferentes

WAVELETS ORTOGONALES Y BIORTOGONALES ¿SOPORTE COMPACTO?
Dentro de los wavelets ortogonales, los wavelets de Daubechies son compactos en el “tiempo”, y por tanto tienen una extensión infinita en el espacio de “frecuencias” (debido a Dt.Dw p). Esto se manifiesta en la naturaleza no-suave (no diferenciable) de los mismos. Existen otros muchos wavelets que son compactos en el espacio de “frecuencias” (suaves) y que por ello se extienden hacia infinito en el “tiempo”. Tienen la desventaja que no existen algoritmos muy rápidos para la transformación (los más rápidos están basados en la FFT), y la ventaja de ser diferenciables. Ejemplos: Wavelet armónico, Wavelet de Meyer

WAVELETS BIORTOGONALES
Por supuesto, podemos relajar algunas de estas condiciones mostradas, con lo que podemos lograr que la forma de los wavelets sea más suave. Además si no nos restringimos al método de cálculo (decimation) que hemos estado mostrando (manteniendo el mismo número de coeficientes en cada escala, y por tanto, información redundante), podremos estudiar correlaciones entre las escalas (muy útil). Es un campo bastante abierto, en el que se emplean por ejemplo splines, combinaciones de wavelets... En la actualidad se trabaja más en desarrollar estos campos que en el uso directo de transformada discreta con wavelets ortogonales.

DWT TRANSFORMADA WAVELETS CONTÍNUA
Aunque requiere un cálculo más largo (se acaban usando métodos numéricos basados en FFT), tiene la ventaja de poder trabajar de un modo menos restrictivo y más intuitivo. Además, su uso es necesario para el análisis de señales con gran número de discontinuidades (análisis fino que en una discretización podría verse excesivamente afectado) [Por ejemplo, para el estudio del caos] WAVELET DE MORLET

APLICACIONES: EJEMPLOS
ESTUDIO DE DISCONTINUIDADES

OBTENCIÓN DE INFORMACIÓN FRECUENCIA-TIEMPO

OBTENCIÓN DE INFORMACIÓN EN IMÁGENES

FILTRADO DE RUIDO EN SEÑALES FUNDAMENTOS: 1) Pocos coeficientes de wavelets serán distintos de cero si la base es escogida adecuadamente para que tenga en cuenta las características de la señal. 2) Si la señal está distribuida de modo gaussiano, los coeficientes de wavelets también estarán distribuidos de modo gaussiano. (Transforma ruido en ruido). Por tanto, si se añade ruido a una señal, éstos generarán coeficientes ruidosos, con el ruido contribuyendo a todos los coeficientes, mientras que la señal sólo lo hará a unos pocos. THRESHOLD METHOD (= HARD THRESHOLDING)

THRESHOLD METHOD (= HARD THRESHOLDING) En este ejemplo se tomó como señal la función f(t) = 3*Cos(t/128) + r,, t=1..128, siendo r una variable aleatoria con valores entre 0 y 1 (Ruido gaussiano). Tras realizar una transformada de Wavelets (Con Wavelets de Daubechie de orden 20), se convirtieron en cero aquellos coeficientes por debajo de un valor =0.5 [Un 87% de los coeficientes]. Al hacer la transformada inversa, se puede observar como se ha filtrado gran parte del ruido, manteniéndose la señal.

SOFT THRESHOLDING Pare el mismo ejemplo anterior, se aplicó este otro método en el que los coeficientes superiores al valor crítico son "comprimidos" según este valor . Se puede observar que el filtrado de ruido es mejor que en el caso anterior.

ANÁLISIS MULTIRESOLUCIÓN
SEÑAL ESTRUCTURA FRACTAL (Correlaciones entre escalas)

Centro de Geociencias, UNAM
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.

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:
Tome una wavelet y compárela con una sección al inicio de la señal original. 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. 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:

Micropulsaciones magnéticas para el día
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

CONCEPTO Y APLICACIONES PARA EL ANÁLISIS DE SEÑALES

Presentaciones similares

Presentación del tema: "CONCEPTO Y APLICACIONES PARA EL ANÁLISIS DE SEÑALES"— Transcripción de la presentación:

Presentaciones similares

Sobre el proyecto

Feedback

Iniciar la sesión

Autorizarse a través de una red social:

CONCEPTO Y APLICACIONES PARA EL ANÁLISIS DE SEÑALES

Presentaciones similares

Presentación del tema: "CONCEPTO Y APLICACIONES PARA EL ANÁLISIS DE SEÑALES"— Transcripción de la presentación:

Presentaciones similares

Sobre el proyecto

Feedback