Relatório Wavelets

Análise de Múltipla Resolução (MRA)
Apesar dos problemas de resolução já falados devido ao principio de incerteza de Heisenberg, que existe e sempre existirá qualquer que seja a transformada usada, é possível analisar usando um método mais dinâmico que o permitido pela STFT. O MRA permite obtermos diferentes resoluções para diferentes frequências . Este método é usado pelas onduletas onde se obtêm: boa resolução no tempo e fraca na frequência a altas frequências. má resolução no tempo e boa na frequência a baixas frequências. Faz sentido quando o sinal tem altas frequências por curto período de tempo e baixas por longo período de tempo, em que obtemos uma boa relação na resolução. Felizmente os sinais encontrados são muitas vezes deste tipo como o que aparece na figura abaixo.

Temos apesar disso duas grandes diferenças: 1. Translação Em vez de tempo. A transformada em ambas é computada separadamente para diferentes segmentos no domínio do tempo do sinal. A análise da wavelet é feita de forma muito similar á STFT. (t) . . Esta ultima é a mais importante já que e a que nos permite obter uma escala de resoluções dinâmica. A transformada de onduletas contínua é definida por: Para esta transformada temos 3 novos conceitos principais: Translação( ) relacionada com o tempo .Podemos observar no centro do sinal a tal presença de altas frequências por um curto período de tempo.onduleta mãe( a nossa window function) . logo só será visto um pico correspondente a uma sinusóide (as frequências não são calculadas. Escala ( s ) relacionada com a frequência. pois em ambas o sinal é multiplicado por uma fu nção 'janela' tal como na STFT. A largura da janela muda conforme a transformada vai sendo calculada para cada componente espectral . Corresponde a informação temporal no domínio da transformada. enquanto as baixas frequências se encontram ao longo da maior parte do sinal. mas neste caso essa função é uma wavelet. 2. não é usada a transformada de Fourier das bandas de sinal. Transformada de Onduletas Continua (CWT) Esta transformada foi desenvolvida como uma alternativa a STFT devido ao já muito referido problema de resolução. usamos o termo de translação que esta relacionado com a localização da janela conforme esta se desloca pelo sinal. logo os picos correspondentes a estas não aparecem nos gráficos).

o parâmetro de escala que pode ser definido com 1/frequência. Como podemos ver pela imagem para um s grande a escala dilata enquanto para um s pequeno a escala comprime (acontece exactamente o contrario para a . Este tipo de relação faz sentido se repararmos que para grande parte dos sinais as baixas frequências têm grande duração enquanto as altas pequena. Escalas grandes correspondem a baixas frequências enquanto escalas pequenas a altas frequências.Escala Em vez de Frequência.

Ortogonalidade Chamam-se funções ortogonais as funções (complexas de variável real) que satisfazem as seguintes condições: . que serve de protótipo para estas. Onduleta mãe O termo onduleta significa onda pequena. Perspectiva Matemática O produto interno entre duas funções é defi nido por: * representa o conjugado. e onda deve -se ao facto de a função ser oscilatória. são todas originadas de uma função mãe. Isto relaciona-se com o facto de o s ser usado em denominador na equação da transformada. Podemos observar na imagem a mesma onduleta mãe com diferentes escalas. O termo mãe implica que as funções com diferentes regiões de suporte que são usadas no processo da transformada.frequência). que se refere a condição de que esta função (janela) é de comprimento finito.

o sinal com a onduleta. no caso da transformada. pois para cada escala vemos a proximidade da frequência entre estas. enquanto para a uma escala alta encontramos as frequências baixas. em que esta similaridade esta directamente relacionada com a frequência. quanto mais semelhantes forem as duas funções. Podemos ver que o produto interno é maior que zero quando n = m. Para uma escala pequena encontramos as frequências altas.Nesta caso o conjugado é a barra. Se nós pensarmos na CWT como produto interno do sinal em estudo com a função base (t): Onde: O factor de normalização 1/raiz(s) garante que a energia seja a mesma para todos os valores de s. logo quando as funções são iguais (pois trata -se neste caso da mesma função). . Concluímos então que a analise por onduletas é na verdade uma medida de similar idade entre estas funções. Podemos ver que o produto interno será maior.

Exemplo com sinal não estacionário Podemos ver que as varias frequências presentes: Ao aplicar a transformada por onduletas obtemos: Observamos o sinal decomposto nas suas ondas. Além disso observamos no eixo da translação a ordem pela qual as frequências vão aparecendo. Podemos ver a esc ala pequena para as frequências mais altas. e como esta aumenta conforme a frequência no sinal vai baixando. Podemos fazer uma conversão desta escala para saber quando no tempo estas frequências aparecem. .

Exemplos de Wavelets mais comuns y Função de Morlet Definição Matemática: a parâmetro de modulação. o que significa pior na frequência. parâmetro de escala (afecta a largura da janela). . Podemos ver que para escalas altas temos pior resolução. enquanto que as escalas baixas que possuem uma melhor resolução na escala.Concluindo agora esta parte. a resolução. Na verdade iremos ter uma melhor resolução na frequência . y Função Mexican Hat Definição Matemática: É a segunda derivada da função Gaussiana: parâmetro de escala. recordamos o motivo porque esta transformada foi criada.

Esta constante depende da onduleta usada.Transformada por Onduletas Contínua (CWT) inversa Se a onduleta é escolhida apropriadamente é possível reconstruir a forma original da onda a partir dos coeficientes da wavelet. mas não exactamente em nenhuma. s e .frequência Também aqui se aplica o principio de incerteza de He isenberg. 2) Para o integral da onduleta ser zero implica que esta tem que ser oscilatória. uma dupla integração é necessária para recuperar o sinal original a partir dos coeficientes: Temos que respeitar duas condições: 1) É a chamada condição de Admissibilidade. Elas oferecem um compromisso na 'batalha' entre a localização no tempo e na frequência. . Na verdade a reconstrução pelos coeficientes da CWT raramente é usada devido a redundância da transformada. felizmente este não é um critério muito restritivo pois a maior parte das wavelets respeitam esta condição. pois estão localizadas em ambas. Podemos ver facilmente olhando para os gráficos das wavelets exemplo (Morlet e Mexican Hat) que ambas respeita esta condição. por isso calculamos o intervalo de tempo e frequência a k corresponde um ponto (a e t) da wavelet. Vimos que a CWT decompõe a forma da onda em coeficientes de duas variáveis. Características tempo .

Devido a isto precisamos de uma solução.tempo central . qualquer que seja a frequência. sendo que não as podemos reduzir a partir de certo ponto devido ao principio de incerteza de Heisenberg.escala . Esforço computacionalmente excessivo para aplicar a transformada inversa devido ao domínio em que estamos a trabalhar.translação Relação entre tempo e frequência. a .t0 . Note-se que uma melhor resolução no tempo equivale a uma pior na frequência e vice-versa. apenas intervalos. Precisamos de uma transformada que nos permita recuperar o sinal com um número mínimo de coeficientes. As áreas de resolução são exactamente as mesmas. W0 . . pois não podemos localizar pontos exactos. Problemas relacionados com a CWT Elevada redundância obtemos muito mais amostras da forma de onda original que as necessárias. t .frequência central.

É de lembrar que na CWT se usava a escala como medida de semelhança entre a onduleta e o sinal. Di cr iz ç d T Primeiro teremos que obter os coeficientes através de uma discretizaç o da CWT.coeficientes dos filtros (passa alto e passa baixo.4.16. em que dividimos o sinal em bandas de varias frequências com diferentes escalas. Em relaç o ao funcionamento desta. que de facto é uma esc discreta.8. e s ©  ¨¦ ¢ ¢  ¦ ¨ ¡§ ¦    ¥ ¤ ¢¡   £ . Para isto usam-se técnicas de filtragem digitais. ck e d j. neste caso de base 2 que significa que s temos valores na escala de 2. a ideia base é a mesma da CWT. vamos obter uma representaç o tempo-escala do sinal. 6 Esta usa um critério logarítmico.32. # " DC  ! 4 A A@ 9 9 9 8 43 & 0 2 0 ( ' ) 1 $ '0 0' '( 7 C C B &        y Ac é de s do redundante no que diz res eito a reconstruç o do sinal requerendo uma quantidade significativa e recursos computacionais e de tempo. A escala mais usada para isto chamase escala diática: {a.Tr V r d d dul Di cr (D T) y É consideravelmente mais fácil de implementar a comparar com a CWT. ala & % & 5 $ y A DWT fornece informaç o suficiente para a análise e s ntese do sinal original com reduç o significativa de tempo computacional.. y Fun õ s d y Fun õ s d Ondul t s( ) estão associadas a filtros passa alto..k .b} correspondem a escala(s e a translaç o( ) Fu çõ u d na D T s l () encontram-se associadas a filtros passa baixo. respectivamente).

metade das amostras podem ser eliminadas de acordo com a regra de Nyquist já que o sinal tem de frequência mais alta /2 em vês de (pois antes de aplicarmos este critério passamos a frequência para uma escala de 0 a rad/s). Ortonormalidade significa que as bases são ortogonais e além disso unitárias. . Sabemos então que só metade das amostras caracteriza agora o sinal(metade da resolução no tempo). Os filtros passa-alto são usados para altas frequências e os passa baixo para baixas frequências. mas aumenta a resolução da frequência diminuindo a incerteza desta para metade. Depois de aplicados os filtros. para bases ortonormais. e então realizar um downsampling de 2.em que em que A decomposição é obtida por filtragens(passa-alto e passa-baixo) sucessivas do sinal no domínio do tempo. aumentando o número de amostras (upsampling) ou diminuindo (downsampling). Filter Banks Filtros para separar o sinal digital por frequências e analiza-lo em diferentes escalas. Filtros: Regra de Nyquist: Obtemos então os outputs depois do downsampling. Subband coding Critério mais usado dos Filter Banks em que primeiro o sinal passa por um filtro passa-alto de meia banda g[n] e por um filtro passa-baixo h[n]. Devido á aplicação dos filtros a resolução vai mudando conforme as filtragens e logo a escala muda.

Aplicamos os filtros g[n] (passa-alto) e h[n] (passa-baixo) ficando com metade das amostras em cada. Estas 256 amostras constituem o primeiro nível de coeficientes da DWT. no entanto a variação da frequência só vai de /2 a rad/s (logo o dobro da resolução em frequência). mesmo que não o seja em relação a frequência. seguido de um downsampling de 2 em cada um.Esquema da Subband coding: Usamos uma escala para a frequência de 0 ~ rad/s. e uma banda de frequências de 0 a rad/s. em . com uma frequência que vai de 0 a /2 rad/s. Exemplo: Vamos repetir isto para um exemplo na tentativa de tornar este processo mais claro. que são o output do filtro passa-baixo. vão ser submetidos novamente aos mesmo filtros para posterior decomposição. Podemos ver que o facto de irmos retirando os coeficientes dos filtros passaalto tem alguma lógica pois já anteriormente vimos que as frequências altas tem uma duração muito mais curta que as baixas. O resultado do filtro passa-alto tem 256 pontos (metade da resolução do tempo original). Fazemos então o downsampling em ambas e voltamos a aplicar os filtros ao resultado do filtro passa-baixo aplicado anteriormente. Em relação ao resto dos pontos (256). Suponhamos que temos um sinal x[n] com 512 pontos. Efectuam-se exactamente uns mesmos passos que anteriormente e vamos obter dois outputs de 128 pontos. desta forma acabamos por obter uma divisão relativamente equilibrada em relação ao tempo. No primeiro nível de decomposição o sinal passa por um filtro passa-alto e por um passa-baixo.

Este processo só para ate obtermos 2 amostras. As resoluções variam novamente de maneira igual para este output. O output do passabaixo será novamente sujeito a decomposição. O resultado final terá o mesmo numero de amostras do sinal original. pois podemos observar que o resto dos pontos não fornece informação relevante. No entanto a localização no tempo terá uma resolução que depende em que nível estas ap arecem. o que significa que vamos obter uma resolução no tempo 4 vezes menor que a do sinal original.que os relativos ao filtro passaalto serão os próximos coeficientes da DWT. . no entanto a da frequência será 4 vezes maior. já que são caracterizadas por um maior número de pontos. A s frequências mais proeminentes aparecerão então com amplitudes grandes no sinal da DWT obtido. Podemos ver que neste caso (sinal de 256 amostras) só nos vão interessar as primeiras 64. Maiores frequências terão uma localização mais precisa. o que nos dá um esquema de redução de dados muito eficiente. A DWT do sinal original é ent ão obtida concatenando todos os coeficientes. Significa que para este caso teríamos 8 níveis de decomposição. começando pelo ultimo nível de decomposição obti do.

h'2.. As operações de filtro e upsampling são expressas por: Obtemos então esta fórmula para reconstruir o sinal: ..h1) inverso do filtro h.. g' = (g'1.. Isto qu er dizer fazer o contrário do que fizemos para aplicar a transformada.( 1) n + 1hn..g'n. ou seja quando realizamos apenas uma decomposição com 2 filtros..g'N) = (h1....hN 1..g'2. Esta baseia-se nos mesmos critérios anteriormente referidos de ortogonalidade e ortonormalidade para obter os filtros inversos . g filtro passa-alto h filtro passa-baixo L comprimento do filtro Os filtros que respeitam esta condição são muito usados onde a conversão de passa-alto para passa-baixo é dada pelo factor -1n.. h2..( 1) N + 1hN) inverso do filtro g. Upsampling: Consiste em acrescentar zeros nas posições eliminadas anteriormente por downsampling... h' = (h'1... Estes filtros não podem ser independentes entre si.h'N) = (hN.. realizando um upsampling..Transformada Inversa A transformada inversa implica basicamente em aplicar os filtros inversos no sinal decomposto... Vamos explicar isto e mais pormenor para o caso mais simples.....

Wavelets mais utilizadas Podemos ver na tabela que se segue as características mais comuns entre as varias wavelets utilizadas. que possui um critério bastante simples. para isto são as chamadas Daubechies Wavelets . .Mas nem todos os filtros permitem uma reconstrução perfe os mais usados ita. a wavelet mais indicada para a análise pode variar. Transformada de Haar Este é um caso particular da transformada de onduletas que equivale a onduleta de Daubechies D2. y bases ortonormais e biortogonais são muito boas na redução de erros. y As biortogonais. como as Splines têm a vantagem de que tanto os filtros de decomposição como os de reconstrução podem ser simétricos. sendo que não existe um numero de wavelets definido pois dependendo do tipo de sinal que estamos a avaliar.

Sign up to vote on this title
UsefulNot useful