STFT

VREMENSKO-FREKVENCIJSKE METODE U OBRADI
ELEKTROFIZIOLOŠKIH SIGNALA
marko lainovi ć
EHNIČKI FAK
ROT UL
KT TE
LE
T
E
NI D
U
U
VE
R ZI RA
TE T U BE OG
Diplomski rad
Mentor: Prof. Mirjana Popović
Odsek za Fizičku Elektroniku

Elektrotehnički Fakultet
Univerzitet u Beogradu
Februar 2013
[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

Marko Lainović: Vremensko-frekvencijske metode u obradi elektrofiziolo-
ških signala, Diplomski rad, © Februar 2013

SADRŽAJ
i uvod 1
1 sažet pregled 3
2 uvod u u vremensko-frekvencijske metode 5
2.1 Nestacionarnost 5
2.2 Furijeova transformacija 5
2.3 FT i nestacionarni signali 6
2.4 Osobine idealne vremensko-frekvencijske reprezenta-
cije 12
2.4.1 Svojstva kovarijanse 13
2.4.2 Svojstva raspodele energije 14
2.4.3 Svojstva analize signala 15
2.4.4 Svojstva lokalizacije 15
2.4.5 Svojstva očuvanja unutrašnjih proizvoda 16
2.5 Frekvencija i trenutna frekvencija - sličnosti i razlike 16
2.6 Podela metoda 19
2.6.1 Linearne vremensko-frekvencijske metode 19
2.6.2 Kvadratne raspodele 20
2.7 Primene 21
ii teorijske osnove metoda 23

3 kratkotrajna furijeova transformacija 25
3.1 Kontinualna STFT 25
3.1.1 Algebarska svojstva STFT 25
3.1.2 Rekonstrukciona formula - inverzna STFT 28
3.1.3 Analiza prozorske funkcije i vremensko-frekvencijska
rezolucija kod STFT 29
3.1.4 STFT kao banka filtara 36
3.1.5 Spektrogram 39
3.1.6 Redundantnost STFT 41
3.1.7 Diskretizacija kontinualne STFT 42
3.2 Diskretna STFT 45
3.2.1 DT-STFT 45
3.2.2 DSTFT 46
3.3 Implementacija u MATLAB-u 50
4 vejvlet transformacija 55
4.1 Kontinualna WT 56
4.1.1 Primeri vejvleta 57
4.1.2 Algebarska svojstva WT 62
4.1.3 Rekonstrukciona formula - inverzna WT 63
4.1.4 Frekvencija i skala: sličnosti i razlike 64
4.1.5 Vremensko-frekvencijska rezolucija kod WT i po-
red̄enje sa STFT 64
iii

iv sadržaj
Uslov regularnosti i karakterizacija singulariteta

4.1.6
kod WT 68
4.1.7 WT kao banka filtara 70
4.1.8 Skalogram 72
4.1.9 Redundantnost WT 73
4.1.10 Diskretizacija kontinualne WT 73
4.2 Multirezoluciona analiza 75
4.2.1 Multirezoluciona analiza i kontinualna WT 76
4.2.2 Multirezoluciona analiza i diskretizovana WT -
diskretna WT 79
5 kvadratne raspodele 89
iii prakti čna aplikacija metoda 91

6 vejvleti i ekg 93
iv dodatak 95
a prozorska funkcija 97
bibliografija 101

SLIKE
Slika 1 Funkcije x (t) i y(t). 8

Slika 2 Amplitudske karakteristike funkcija X ( f ) i Y ( f ). 9
Slika 3 Fazne karakteristike funkcija X ( f ) i Y ( f ). 10
Slika 4 DFT signala x (n) i y(n). 11
Slika 5 Muzička kompozicija. 11
Slika 6 Idealna VFR. 12
Slika 7 ”Chirp” signal. 17
t2
Slika 8 Realni delovi STFT atoma oblika gτ, f (t) = e− 2 e j2π f t . 26
Slika 9 FT atoma sa slike 8. 27
Slika 10 Prozorska funkcija. 30
Slika 11 STFT Dirakovog impulsa u diskretnom domenu. 31
Slika 12 STFT diskretne kompleksne sinusoide. 32
Slika 13 STFT kombinacije prethodnih signala. 32
Slika 14 Vremensko-frekvencijska lokalizacija prozorske
funkcije wa (t). 33
Slika 15 STFT pri Dirakovom impulsu kao prozoru. 34
Slika 16 STFT pri konstantnoj funkciji kao prozoru (do-
bijena XSTFT (τ, f ) nije potpuno jednaka X ( f ),
jer prozor w ovde nije beskonačnog trajanja). 35
Slika 17 Dva Gausijanska atoma analizirana preko STFT
sa Hamming-ovim prozorom od 65 odbiraka. 35
Slika 18 Dva Gausijanska atoma analizirana preko STFT
sa Hamming-ovim prozorom od 17 odbiraka. 36
Slika 19 LTI model. 37
Slika 20 Filtriranje signala u frekvencijskom domenu kroz
LTI model. 38
Slika 21 STFT kao banka filtara. 38
Slika 22 Spektrogrami signala sa bliskim komponentama
u t − f ravni. 40
Slika 23 Spektrogrami signala sa distantnim komponen-
tama u t − f ravni. 41
Slika 24 Aproksimacija signala iz redundantnog skupa. 42
Slika 25 Diskretizovana t − f ravan. 43
Slika 26 Preklapanja blokova DTFT pri računanju DT-
STFT. 46
Slika 27 Situacija kada je L previše veliko. 46
Slika 28 Situacija kada je L previše veliko. 47
Slika 29 DSTFT kao banka filtara. 49
Slika 30 Proširenje signala x [n]. 50
Slika 31 EKG signal učitan u program. 52
Slika 32 STFT prozor sa potrebnim parametrima. 52

Slika 33 Spektrogrami EKG signala. 53
t2
Slika 34 Mother wavelet oblika ψ(t) = √
2
1 (1 − t2 ) e − 2 ,
3π 4
i dva vejvleta nastala kontrakcijom/dilatacijom
(a = 0.5/a = 2, pri b = 0). 57
Slika 35 FT signala sa prethodne slike. 58
Slika 36 Harov vejvlet. 59
Slika 37 Sinusni vejvlet. 59
Slika 38 Morleov vejvlet, njegov realni i imaginarni deo. 60
Slika 39 “Mexican Hat” vejvlet. 60
Slika 40 Šenonov vejvlet. 61
Slika 41 Mejerov vejvlet. 61
Slika 42 Pored̄enje modulacije i skaliranja. 65
Slika 43 Hajzenbergovi okviri kod (a) STFT i (b) WT. 65
Slika 44 Morleov skalogram impulsa oko 64-og odbirka
- vremenska rezolucija zavisi od posmatrane
frekvencije. 66
Slika 45 Morleov skalogram dve sinusoide od 128 od-
biraka. 67
Slika 46 Sinusoida sa dodatim impulsom. 67
Slika 47 Pored̄enje STFT i WT. 68
Slika 48 (a) Signal sa singularitetima nultog, prvog i
drugog reda i (b) njena WT. 71
Slika 49 LTI model. 71
Slika 50 Banka filtara (a1 > a2 > a3 > a4 ). 72
Slika 51 Particija frekvencijskog domena kod (a) STFT i
(b) WT. 72
Slika 52 Morleov skalogram dva atoma. 73
Slika 53 Dijadna diskretizacija a − b ravni. 75
Slika 54 Transfer-funkcija skalirajuće funkcije ϕ(t). 78
Slika 55 Ugnježdeni potprostori kod MRA. 80
Slika 56 Wm prostor. 81
Slika 57 84
Slika 58 FWT interpretacija preko filtara. 87
Slika 59 FWT kaskadna veza. 87
Slika 60 FWT inicijalizacija i prvi stepen. 88
Slika 61 Prozorska Furijeova transformacija dve kom-
pleksne sinusoide. 98
Slika 62 Prozorska funkcija sa označenim kriterijumima. 99
Slika 63 Prozorske funkcije (dužine 32 odbirka) i nji-
hove transformacije. 100
vi

TA B E L E
Tabela 1 Najčešće korišćene prozorske funkcije (slika 63)

(normalizacioni faktori izostavljeni). 37
AKRONIMI
FT Fourier Transform - Furijeova Transformacija
IFT Inverse Fourier Transform - Inverzna Furijeova Transformacija
DT-FT Discrete-Time Fourier Transform
DFT Discrete Fourier Transform
STFT Short Term Fourier Transform - Kratkotrajna Furijeova

Transformacija
WT Wavelet Transform - Vejvlet Transformacija
FFT Fast Fourier Transform - Brza Furijeova Transformacija,

algoritam za DFT
WVD Wigner-Ville Distribution - Vigner-Vilova Raspodela
VFR Vremensko-Frekvencijska Reprezentacija
MRA Multiresolution Analysis - Multirezoluciona analiza
FWT Fast Wavelet Transform - Brza vejvlet transformacija
vii

Deo I
UVOD

SAŽET PREGLED
1
U teoriji obrade signala se često sreće upotreba različitih transfor-
macija. Transformacije su operacije nad signalom koje transformišu
jedan njegov oblik u drugi, po mogućstvu lakši za procesiranje i ana-
lizu. U suštini, transformacije služe za manipulaciju signala tako da
njihove najbitnije karakteristike budu jasno vidljive. I ulazna i izla-
zna funkcija, med̄utim, nose istu informaciju i predstavljaju različite
predstave iste pojave, tj. predstavljaju isti signal. Različite predstave
signala su pogodne za različite aplikacije. Signali dobijeni u većini
inženjerskih aplikacija su prikazani kao funkcije vremena, dok je pri
dizajniranju sistema korisnije da se signali posmatraju u frekvencij-
skom domenu, itd.
Da bi se izdvojile najvažnije karakteristike signala, potrebno je da se
koristi prava transformacija za izdvajanje tih karakteristika. Klasične
ortonormalne transformacije (Furijeova, Ermitova, Ležandrova, itd.)
se koriste sa puno uspeha u primenjenoj matematici već dugi niz go-
dina. U inženjeringu, Furijeova transformacija je najčešće korišćeno
orud̄e za analizu spektralnog sadržaja signala. Med̄utim, limitacija
koju dele sve ove transformacije je nedostatak lokalnosti. Pod time se
misli da veliki broj baznih funkcija utiču u velikoj meri na svaku vred-
nost signala i konvergencija ovih transformacija se često oslanja na ve-
liki broj poništavanja med̄u baznim funkcijama. U poslednje vreme se
zato velika pažnja posvećuje vremensko-frekvencijskim metodama, tj.
metodama koje povezuju vremenski i frekvencijski domen. Ove me-
tode ispoljavaju osobinu lokalnosti, i one su se razvile iz potrebe za
adekvatnijom analizom signala čije se karakteristike, poput spektral-
nog sadržaja ili statističkih parametara, menjaju u vremenu.
Hronološki gledano, Furijeova transformacija se prva pojavila. Za-
četa od strane Žozefa Furijea, koji je 1807. godine objavio metod za
prezentaciju kontinualnih signala preko niza koeficijenata, dobijenih
analizom signala pomoću odred̄ene funkcije, ona se nije promenila ni
do danas, i na ovo ideji su zasnovane i ostale linearne transformacije,
poput Short Term Fourier Transform - Kratkotrajna Furijeova Trans-
formacija (STFT) i Wavelet Transform - Vejvlet Transformacija (WT).
Potom je došlo do generalizacije sa periodičnih na neperiodične funk-
cije, kao i do proširenja metoda na diskretne signale. Do 1965. godine
FFT algoritam je bio razvijen od strane Kulija i Tukija, koji je omogu-
ćio masovnu primenu u praktičnim aplikacijama.
Prva modifikacija Fourier Transform - Furijeova Transformacija (FT),
radi bolje analize nestacionarnih signala, je bila STFT. Denis Gabor,
koji se zanimao predstavljanjem telekomunikacionih signala pomoću

4 sažet pregled
oscilujućih baznih funkcija u t − f ravni, je predstavio ovu modifika-

ciju 1946. godine. Ubrzo potom, 1947. godine, Žan Vil razvija sličnu
metodu za reprezentaciju energije signala u t − f ravni, Vigner-Vilovu
raspodelu. Ostale transformacije su bile razvijene do ranih 1970-ih go-
dina, i razlikovale su se samo po odabiru drugačije prozorske funk-
cije.
Prvo pominjanje vejvleta (ali ne pod tim imenom) je bilo od strane
Alfreda Haara, 1909. godine u svojoj doktorskoj disertaciji. Kasnije,
tokom 1930-ih, Paul Levi je pokazao da je Haarova bazna funkcija, sa
promenom njene skale, superiorna u odnosu na Furijeove bazne funk-
cije. Analiza signala pomoću “vejvleta”, i njegova rekonstrukcija, su
formalno uvedene 1981. godine, od strane Žana Morlea i Aleksa Gro-
smana. Potom, 1986. godine, Stefan Malat i Ives Mejer razvijaju i pove-
zuju multirezolucionu metodu i vejvlete, uvodeći skalirajuću funkciju.
Ovo je dozvolilo ostalim istraživačima i matematičarima da konstru-
išu svoje familije vejvleta koristeći već ustanovljene kriterijume. Oko
1988. godine, Ingrid Doubiši je iskoristila ovu teoriju da konstruiše
svoju familiju vejvleta, koja je postala okosnica modernih aplikacija
vejvleta. Zaključno sa njenim radom, teorijski aparat vejvleta je do-
brim delom bio zaključen.
Detaljnije o ovim sledovima dogad̄aja se može naći u [18].

UVOD U U VREMENSKO-FREKVENCIJSKE METODE
2
2.1 nestacionarnost
Da bi se pričalo o nestacionarnosti signala, kao negaciji svojstva sta-

cionarnosti, prvo je potrebno definisati stacionarnost signala: signal
je, uopšteno govoreći, stacionaran ako se njegova svojstva ne menjaju
tokom vremena.
Koncept stacionarnosti je jasno definisan u teoriji stohastičkih pro-
cesa, gde se proces naziva striktno-stacionarnim ako se nijedna od nje-
govih raspodela ne menja promenom početnog vremenskog trenutka,
i (praktičniji pojam) široko-stacionarnim ako je njegova srednja vred-
nost konstantna veličina, i ako njegova autokorelaciona funkcija za-
visi samo od vremenske razlike izmed̄u posmatranih trenutaka.
Za determinističke signale, stacionaranost podrazumeva da se spek-
tralne karakteristike signala ne menjaju sa vremenom. Na primer, sig-
nal je stacionaran ako ga je moguće napisati kao
x (t) = ∑ Ak e j(2π f t+ ϕ ) ,
k k (1)
k ∈N
gde su amplitude Ak , frekvencije f k i faze ϕk konstantne veličine.

Signal je nestacionaran ako je bilo koji od ovih uslova neispunjen.
To znači da je bilo koji signal konačnog trajanja nestacionaran, ili npr.
bilo koji tranzijentni signal, i tako dalje. Drugim rečima, većina sig-
nala u prirodi je nestacionarna i takve signale karakterišu njihove
lokalne karakteristike.
2.2 furijeova transformacija
FT uvodi pojam frekvencije. Frekvencijska predstava signala je kori-

sna za razumevanje iz prostog razloga što je frekvencija, kao koncept,
prisutna u svim granama nauke, tj. gde god se pojavljuje fenomen
nekakvih oscilacija, bilo to u obliku raznih vrsta vibracija, talasa ili
pri izučavanju potencijalnih energija gde dolazi do aproksimacija har-
monijskim oscilatorom.
Furijeov red je idealna transformacija za signale koji izražavaju pe-
riodično ponašanje; signal, na primer, može sadržati komplikovane
obrasce koji se ponavljaju, a zapravo se sastojati od nekoliko sinuso-
ida; takav signal može biti opisan sa samo nekoliko parametara u
frekvencijskom domenu. Furijeova transformacija je generalizacija za
neperiodične funkcije.

6 uvod u u vremensko-frekvencijske metode
Kod FT se posmatra transformacioni par
x (t) ↔ XFT ( f ), (2)
gde jedna funkcija karakteriše proces u vremenskom domenu, dok

druga karakteriše proces u frekvencijskom domenu. Frekvencijska re-
prezentacija signala je dobijena integracijom signala kroz vremenski
domen Z +∞
XFT ( f ) = x (t)e− j2π f t dt, (3)
−∞
i obrnuto, vremenski oblik signala je dobijen integracijom po celoj
frekvencijskoj osi
Z +∞
x (t) = XFT ( f )e j2π f t d f . (4)
−∞
To znači da su argumenti ovih funkcija med̄usobni isključivi, tj. po-

java jedne varijable garantuje odsutnost druge, i to se naziva vremensko-
frekvencijskom dihotomijom Furijeove transformacije.
Funkcija XFT ( f ) daje globalnu raspodelu spektralnog sadržaja sig-
nala u vidu kompleksnih vrednosti; apsolutna vrednost | X ( f )| se
zove amplitudska karakteristika signala, i ona pokazuje amplitudu
detektovanih spektralnih komponenti. Faza ovih spektralnih kompo-
nenti je sadržana u funkciji arg{ X ( f )} koja se naziva faznom karak-
teristikom signala. U praksi, amplitudska karakteristika se najčešće
koristi pri analizi signala.
FT i Inverse Fourier Transform - Inverzna Furijeova Transformacija
(IFT) su moguće ako su zadovoljeni Dirihleovi uslovi:
R
• Integral | x (t)|dt je konačan.
• Funkcije x (t) i XFT ( f ) su neprekidne ili deo-po-deo neprekidne,

a broj diskontinuiteta i ekstrema ne može rasti neograničeno u
konačnom intervalu.
• Funkcija mora biti ograničena, mada je ovo dovoljan ali ne i

neophodan uslov ako se posmatraju i generalizovane funkcije.
Dirakov impuls očigledno ne zadovoljava ovaj uslov.
2.3 ft i nestacionarni signali
Nestacionarnost signala je često sama po sebi od vitalnog interesa.

Furijeova transformacija nije u stanju da pruži adekvatnu analizu ova-
kvih signala, pošto lokalizovani signali impliciraju visokofrekventni
sadržaj, odn. za opis takvih komponenata signala je potreban širok
spektralni sadržaj; to je u suprotnosti sa početnom idejom, a to je da
se opiše signal sa što manje parametara.
Šta više, povratna informacija dobijena FT bi u takvim slučajevima
mogla lako da navede na pogrešne zaključke. Kao jednostavan primer

2.3 ft i nestacionarni signali 7
toga, dati1 su signali x (t) (slika 1a), i y(t) (slika 1b) (ograničeni na τ
sekundi)
x (t) = cos (2π f 1 t) + cos (2π f 2 t) + cos (2π f 3 t)




 cos (2π f 1 t) , t1 ≤ t < t2

y(t) = cos (2π f 2 t) , t2 ≤ t < t3



cos (2π f 3 t) , t ≤ t4

f 1 = 2 Hz, f 2 = 4 Hz, f 3 = 6 Hz.

t1 = −15 s, t2 = −5 s, t3 = 5 s t4 = 15 s.
−15 s ≤ t ≤ 15 s =⇒ τ = 30 s
Budući da Furijeva transformacija predstavlja bijektivni operator iz-

med̄u dve funkcije, ona svakako razlikuje signale x (t) i y(t). FT sig-
nala x (t) je
τ
X( f ) = [sinc(π ( f ± f 1 ) τ ) + sinc(π ( f ± f 2 ) τ ) + sinc(π ( f ± f 3 ) τ )] ,
2
dok je FT signala y(t)
t2 − t1 t1 + t2
Y( f ) = sinc(π ( f ± f 1 ) (t2 − t1 ))e− j2π ( f ± f1 )( 2 ) +
2
t3 − t2 t2 + t3
sinc(π ( f ± f 2 ) (t3 − t2 ))e− j2π ( f ± f2 )( 2 ) +
2
t4 − t3 t3 + t4
sinc(π ( f ± f 3 ) (t4 − t3 ))e− j2π ( f ± f3 )( 2 ) .
2
Može se odmah primetiti da su apsolutne vrednosti ove dve funkcije,
tj. amplitudske karakteristike ovih signala, veoma slične, i one su pri-
kazane na slikama 2a i 2b. Postoji razlika u oštrini spektara, ali na
oba grafika se iste spektralne linije izdvajaju kao dominantne. Za ra-
zlikovanje ova dva signala je presudna fazna karakteristika (slike 3a
i 3b), gde se jasno vidi razlika izmed̄u ova dva signala. Problem je
što u praksi dobijanje fazne karakteristike nije uvek jednostavno kao
dobijanje amplitudske karakteristike, a zbog toga se obrada signala
često oslanja na analizu samo amplitudske karakteristike.
Vremenski i frekvencijski domen se med̄usobno dopunjuju infor-
macijama. Vremenski oblik signala x (t) ne govori puno, ali njegova
amplitudska karakteristika pokazuje da je u pitanju zbir tri spektralne
komponente. S druge strane, amplitudski spektar signala y(t) bi mo-
gao da zavara nekog da je u pitanju signal kao x (t), jer se nigde
ne razaznaje činjenica da je to zapravo sinusoida čija se frekvencija
skokovito menja tokom vremena, ali se to jasno vidi sa vremenskog
grafika.
Pogledajmo malo praktičniju analizu. Umesto kontinualne FT, ko-
risti se Discrete Fourier Transform (DFT) diskretnih verzija ovih dvaju
1 Ovi signali i njihove transformacije su dobijeni pomoću programskog paketa Mathe-
matica.

-1.0 -0.5 0.5 1.0

Vreme @sD
-1
-2
(a) x (t)
-10 -5 5 10
Vreme @sD
-1
-2
(b) y(t)
Slika 1: Funkcije x (t) i y(t).
signala, i to pomoću MATLAB-ovog toolbox-a za obradu signala. Ra-

zlika u oštrini spektara je ovde izraženija2 (slika 4).
% konstrukcija signala
tau = 30; fs = 1000; N = tau*fs;
t = (0:N-1)/fs; % vektor sa vrednostima vremenskih trenutaka
t1 = 0; t2 = (N/3-1)/fs; t3 = (2*N/3-1)/fs; t4 = (N-1)/fs;
f1 = 2; f2 = 4; f3 = 6;
x = cos(2*pi*f1*t)+cos(2*pi*f2*t)+cos(2*pi*f3*t);
y = cos(2*pi*f1*t).*(heaviside(t-t1)-heaviside(t-t2)) +...
cos(2*pi*f2*t).*(heaviside(t-t2)-heaviside(t-t3)) +...
2 Spektar signala x [n] je ispao tako oštar zato što su se frekvencije kosinusoida tačno
poklopile sa vrednostima frekvencija u kojima su uzimani odbirci za DFT. U opštem
slučaju nije tako, razlivanje spektara će postojati kod oba grafika, i razlika izmed̄u
spektara X [k] i Y [k] će biti manje uočljiva.
[ 16. januar 2013 at 13:48 - classicthesis version 4.1 ]

1.0
0.5
Frekvencija @HzD
-10 -5 5 10
-0.5
-1.0
(a) X ( f )
1.0
0.5
Frekvencija @HzD
-10 -5 5 10
-0.5
-1.0
(b) Y ( f )
Slika 2: Amplitudske karakteristike funkcija X ( f ) i Y ( f ).
cos(2*pi*f3*t).*(heaviside(t-t3)-heaviside(t-t4));
% racunanje spektra pomocu FFT algoritma

X = fft(x);
Y = fft(y);
f = (-N/2:N/2-1)*fs/N; % vektor sa vrednostima frekvencije
figure; stem(f,fftshift(abs(X)/N),’Color’,[0 0 0],’Marker’,’none
’));
figure; stem(f,fftshift(abs(Y)/N),’Color’,[0 0 0],’Marker’,’none
’));

Ponovo je jasno vidljivo da se komponente na istim frekvencijama
izdvajaju kao dominantne.
Amplitudski spektar signala govori koje sve spektralne komponente
u signalu postoje, ali ne i u kom trenutku su one prisutne u signalu.

Frekvencija @HzD
-1.0 -0.5 0.5 1.0
-1
(a) X ( f )
Frekvencija @HzD
-1.0 -0.5 0.5 1.0
-1
-2
-3
(b) Y ( f )
Slika 3: Fazne karakteristike funkcija X ( f ) i Y ( f ).
Drugim rečima, amplitudski spektar ne daje nikakvu informaciju o

vremenskoj evoluciji spektralnog sadržaja signala.
Dobar primer nestacionarnog signala je muzički signal, pošto se
frekvencijski sadržaj muzičkog signala jasno i uočljivo menja sa vre-
menom; u jednom trenutku, udarac na dirku klavira će proizvesti ton
koji će imati jedan spektar, dok će u drugom trenutku druga dirka
proizvesti ton sa potpuno drugim frekvencijskim sadržajem.
Muzički signal može biti precizno opisan funkcijom vazdušnog pri-
tiska u vremenu, kao i FT-om te funkcije. Med̄utim, ovo ne bi ništa
značilo nekome ko je muzički obrazovan. Notacija koja se koristi pri
pisanju muzičkih kompozicija je primer vremensko-frekvencijske pre-
zentacije (slika 5). To je dvodimenzionalna predstava sa linearnom
raspodelom vremena i logaritamskom raspodelom frekvencije kao
osama promenljivih. Takve reprezentacije signala govore kada i koje
tonove treba odsvirati.

0.7 0.18
0.16
0.6
0.14
0.5
0.12
0.4 0.1
0.3 0.08
0.06
0.2
0.04
0.1
0.02
0 0
−8 −6 −4 −2 0 2 4 6 8 −8 −6 −4 −2 0 2 4 6 8
Frekvencija [Hz] Frekvencija [Hz]
Slika 4: DFT signala x (n) i y(n).
Slika 5: Muzička kompozicija.
Muzička kompozicija takod̄e može poslužiti kao analogija za ilu-

strovanje bitnih koncepata u vremensko-frekvencijskim metodama: Zanimljivo je da
postoji stil u
• Pišući note, kompozitor stvara kompoziciju; sa inženjerske tačke komponovanju
gledišta, to odgovara analizi signala. Obrnuto, sviranje kompo- muzike koji koristi
zicije odgovara sintezi ili rekonstrukciji originalnog signala iz pristup koji bi
odgovarao klasičnoj
zapisane vremensko-frekvencijske reprezentacije. FT: "spektralna
muzika”. Dugi
• Kompozicija je zapisana preko simbola koji predstavljaju lokali- tonovi se sviraju,
zovane tonove u vremenu. Ti simboli se nazivaju muzičkim no- kombinuju i
tama. Muzička nota govori i koje frekvencije treba odsvirati za evoluiraju u željene
odred̄eni ton, dužinu trajanja i intezitet tog tona; nota je najmanji harmonije,
zadržavajući sve
nedeljivi vremensko-frekvencijski gradivni blok u muzici, a kompozi- vreme
cija je rastavljanje muzičkog komada na svoje osnovne gradivne karakteristični
blokove, tj. muzičke note. sintetički karakter.
Francuski kompozer
• Kompozicija raspolaže sa konačnim brojem različitih nota, tj. sa Žerard Grizi
konačnom količinom informacije. To znači da je kompozicija je (1946-1998) je
pionir ove forme.
ipak samo aproksimacija, pa korespodencija izmed̄u muzičkog
teksta i sviranog komada nije jednoznačna. No, muzička kom-
pozicija je najefikasnija znana metoda koja efektivno zarobljava
sve osobine jednog muzičkog dela. U tom stilu, inženjeri i ma-
tematičari konstantno proučavaju nove metode kako bi smanjili

kalkulacije u realnim uslovima, a pritom dobili zadovoljavajuće

rezultate u vidu dobijanja što više informacija o posmatranoj
pojavi sa što manje potrošenih resursa.
Vremensko-frekvencijske metode nisu zamena za standardne Furije-

ove metode, već samo alternativa. Ako je signal linearna kombinacija
harmonika, svaka Vremensko-Frekvencijska Reprezentacija (VFR) će
biti inferiorna u odnosu na standardan Furijeov red, bilo po pitanju
analize takvog signala, kompresije ili uklanjanja šuma.
2.4 osobine idealne vremensko-frekvencijske reprezen-

tacije
Ideja je da se pronad̄e način da se prikaže spektralni sadržaj signala

uz zadržavanje vremenskog parametra na neki način, tj. da se izvrši
vremensko-frekvencijska analiza signala. To treba da bude predstava
signala koja je u stanju da simultano pokaže i temporalne i frekven-
cijske karakteristike signala, tj. da bude konstruisana nad t − f ravni
(slika 6). Pošto je većina elektrofizioloških signala nestacionarna po
svojoj prirodi, izbor ovakvih metoda za analizu je sasvim logičan.
Postoji dosta svojstava koje bi idealna vremensko-frekvencijska me-
toda trebala da poseduje, ali do danas ne postoji nijedna transfor-
macija koja zadovoljava sve postavljene kriterijume. Ove osobine se
Frekvencija [Hz]
Vreme [s]
Slika 6: Idealna VFR.
mogu grubo podeliti u 5 kategorija.

2.4 osobine idealne vremensko-frekvencijske reprezentacije 13
2.4.1 Svojstva kovarijanse
Ova svojstva znače da, ako se signal promeni operacijama kao što
su množenje, translacija, modulacija, dilatacija ili konvolucija, njegova
VFR bi trebala da se promeni na isti način.
2.4.1.1 Modulacija
y(t) = x (t)e j2π f0 t =⇒ Y ( f ) = X ( f − f 0 ) =⇒ Y (t, f ) = X (t, f − f 0 ).

(5)
Ovo svojstvo govori da, ako je spektar signala pomeren na frekvencij-
skoj osi za neku vrednost f 0 , njegova VFR bi trebala biti pomerena za
isto toliko po svojoj frekvencijskoj osi.
2.4.1.2 Vremenska translacija
y(t) = x (t − t0 ) =⇒ Y ( f ) = X ( f )e− j2π f0 t =⇒ Y (t, f ) = X (t − t0 , f ).

(6)
Ovo svojstvo govori da bilo koje pomeranje signala u vremenu rezul-
tuje samo pomeranjem njegove VFR po vremenskoj osi, takod̄e.
2.4.1.3 Skaliranje
1 f f
q
y(t) = | a| x ( at) =⇒ Y ( f ) = p X ( ) =⇒ Y (t, f ) = X ( at, ).
| a| a a
(7)
Ovo svojstvo govori da skaliranje signala po vremenskoj osi rezultuje
samo odgovarajućim skaliranjima VFR po svojim osama.
2.4.1.4 Konvolucija
Z Z
y(t) = h(t − τ ) x (τ )dτ =⇒ Y ( f ) = H ( f ) X ( f ) =⇒ Y (t, f ) = H (t − τ, f ) X (τ, f )dτ.
(8)
Konvolucija3 dva signala u vremenskom domenu bi trebala proizvesti
konvoluciju njihovih VFR.
3 Ukoliko granice integrala ili sume nisu naznačene, podrazumeva se da su besko-

načne.

2.4.1.5 Množenje
Z Z
y(t) = h(t) x (t) =⇒ Y ( f ) = H ( f − ν) X (ν)dν =⇒ Y (t, f ) = H (t, f − ν) X (ν)dν.
(9)
Konvolucija dva signala u frekvencijskom domenu bi trebala proizve-
sti konvoluciju njihovih VFR.
2.4.2 Svojstva raspodele energije
Ova svojstva treba da osiguraju da se posmatrana VFR može kori-

stiti kao adekvatna mera za procenu lokalne energije signala. Sama
svojstva su slična onima koja se zahtevaju od raspodela verovatnoće.
2.4.2.1 Realne vrednosti
X (t, f ) = X ∗ (t, f ), ∀ x ( t ). (10)

Transformacija bi trebala da ima realne vrednosti za bilo koji signal.
2.4.2.2 Pozitivnost
X (t, f ) ≥ 0, ∀ x ( t ). (11)
Transformacija bi trebala imati nenegativne vrednosti da bi imalo smi-
sla tumačiti je kao raspodelu energije.
2.4.2.3 Marginalna vremenska raspodela
Z
X (t, f )d f = | x (t)|2 , ∀ x ( t ). (12)
Integracijom po frekvenciji bi u svakom trenutku trebala da se dobija
vremenska gustina energije.
2.4.2.4 Marginalna frekvencijska raspodela
Z
X (t, f )dt = | X ( f )|2 , ∀ x ( t ). (13)
Integracijom po vremenu bi na svakoj frekvenciji trebala da se dobija
spektralna gustina energije.
2.4.2.5 Prezervacija energije
Z Z Z
X (t, f )dtd f = | X ( f )|2 d f = Ex . (14)
Ako bi TFR predstavljala gustinu energije po t − f ravni, njen integral
bi morao dati ukupnu energiju signala.

2.4 osobine idealne vremensko-frekvencijske reprezentacije 15
2.4.2.6 Očuvanje momenta u vremenskom domenu
Z Z Z
tn X (t, f )dtd f = tn | x (t)|2 dt. (15)
2.4.2.7 Očuvanje momenta u frekvencijskom domenu
Z Z Z
n
f X (t, f )dtd f = f n | X ( f )|2 d f . (16)
2.4.3 Svojstva analize signala
Ova svojstva trebaju da osiguraju analizu vremenskog i spektral-

nog sadržaja signala iz VFR sa relativnom lakoćom.
2.4.3.1 Konačan nosač u vremenu
/ (t1 , t2 ) =⇒ X (t, f ) = 0 za t ∈
x (t) = 0 za t ∈ / ( t1 , t2 ) . (17)
Idealna VFR bi na vremenskoj osi trebala da počinje i da se završava
isto kada i signal.
2.4.3.2 Konačan nosač u frekvencji
X ( f ) = 0 za f ∈
/ ( f 1 , f 2 ) =⇒ X (t, f ) = 0 za f ∈
/ ( f1, f2 ) . (18)
Idealna VFR treba da zauzima isti propusni opseg kao i sam signal.
2.4.3.3 Trenutna frekvencija
R
1 d f X (t, f )d f
f x (t) := arg { x (t)} = R . (19)
2π dt X (t, f )d f
2.4.3.4 Grupno kašnjenje
R
1 d tX (t, f )dt
τx ( f ) := − arg { X ( f )} = R . (20)
2π dt X (t, f )dt
2.4.4 Svojstva lokalizacije
Ova svojstva treba da osiguraju da, ako je signal dobro koncen-

trisan u vremenskom ili frekvencijskom domenu, njegova VFR bude
dobro skoncentrisana na vremenskoj ili frekvencijskoj osi.

2.4.4.1 Frekvencijska lokalizacija
X ( f ) = δ( f − f 0 ) =⇒ X (t, f ) = δ( f − f 0 ). (21)
2.4.4.2 Vremenska lokalizacija
x (t) = δ(t − t0 ) =⇒ X (t, f ) = δ(t − t0 ). (22)
2.4.5 Svojstva očuvanja unutrašnjih proizvoda
Ova svojstva znače da VFR signala treba da bude u stanju da sačuva

vrednosti normi i projekciji funkcija, pošto se često ovi parametri ko-
riste pri klasifikaciji, detekciji, sintezi signala itd.
2.4.5.1 Očuvanje unutrašnjeg proizvoda
Z Z Z
∗
| 2
x (t)y (t)dt| = X (t, f )Y ∗ (t, f )dtd f . (23)
Ovo svojstvo je analogno Parsevalovoj relaciji kod FT.
U svim ovim kategorizacijama postoji i dosta uslova koji nisu nave-

deni ovde. Informacije o tim svojstvima se mogu naći u [19].
Metode koje zadovoljavaju med̄usobno bliske skupove uslova su
podeljene u tzv. “klase”; neke od tih klasa su
• Koenova klasa: ovoj klasi pripadaju sve VFR koje zadovoljavaju

svojstva translacije po vremenu i frekvenciji, tj.
n o
Koenova klasa = X (t, f ) | x (t − t0 )e j2π f0 t =⇒ X (t − t0 , f − f 0 )
(24)
Afina klasa: ovoj klasi pripadaju sve VFR koje zadovoljavaju svojstva
skaliranja i vremenske translacije, tj.

f
q
Afina klasa = X (t, f ) | | a| x ( a (t − t0 )) =⇒ X ( a (t − t0 ) , )
a
(25)
2.5 frekvencija i trenutna frekvencija - sli čnosti i ra-

zlike
Ako se posmatra signal čija se frekvencija linearno povećava sa vre-

menom, tzv. eng. chirp signal,
% konstrukcija chirp signala
N = 4000;
T = 0.001;

2.5 frekvencija i trenutna frekvencija - sli čnosti i razlike 17
t = (0:N-1)*T;
x = sin(2*pi*t.*t);
plot(t,x);

1.5
0.5
−0.5
−1
−1.5
−0.5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Vreme [s]
Slika 7: ”Chirp” signal.
može se primetiti da se signal može napisati kao
x (t) = sin(2πt2 ) = sin(2πt · t) = sin(2π f (t) · t), (26)
gde izgleda kao da signal ima frekvenciju koja je funkcija vremena.

Ovo se naziva trenutnom frekvencijom. Drugi primer bi bila sinusoida
na koju je primenjena neka prozorska funkcija konačnog trajanja: tre-
nutna frekvencija bi bila jednaka frekvenciji sinusoide unutar prozora
i jednaka nuli van prozora. To je ono što je i intuitivno zadovoljava-
juće.
Naravno, za složenije signale nije tako jednostavno doći do formule
za trenutnu frekvenciju signala i jedna od formalnih definicija tre-
nutne frekvencije koja se često koristi je
1
f (t) = arg{ x a (t)}, (27)
2π
gde je x a (t) analitička verzija signala x (t).
Med̄utim, treba biti vrlo oprezan sa ovim terminima, pošto pojam
trenutne frekvencije nije konzistentan sa Furijeovim pojmom frekven-
cije. Kod FT, frekvencija se javlja kao parametar kod sinusoida i ko-
sinusoida koje se protežu po celoj vremenskoj osi; ne postoji ništa
“trenutno” kod Furijeove frekvencije, tako da i sam termin “trenutna
frekvencija” zvuči malo paradoksalno. Najlakši način za interpreta-
ciju trenutne frekvencije je verovatno da se zamisli da je to frekvencija
sinusoide koja odgovara signalu u posmatranom trenutku (i samo u
tom trenutku).
S druge strane, dok trenutna frekvencija jeste u stanju da opiše
“chirp” signal adekvatnije od Furijeove frekvencije, ona će imati pro-
blema sa drugim tipovima signala, kao što je npr. zbir komponenti sa

svojim trenutnim frekvencijama. Trenutna frekvencija signala koji je

zbir takvih komponenti će biti aritmetička sredina trenutnih frekven-
cija svih komponenti, a to nije ono što želimo.
Trenutna frekvencija kod dvaju metoda na kojima se ovaj rad naj-
više zasniva se definiše uobičajeno na sledeći način:
1. STFT:
1
Z
f (t) := f | XSTFT (τ, f )|2 d f (28)
| x (t)|2
2. WT: Iako se kod WT se frekvencija ne pominje eksplicitno nigde,
pseudo-frekvencija koja se često koristi je
fc
f := , (29)
a
gde je a faktor skale, a f c može biti frekvencija gde je FT vejvleta
maksimalna, ili nekako drugačije definisana. Jedan od načina
estimacije trenutne frekvencije je analizom tzv. grebena u WT
(eng. wavelet ridge analysis), i tada se koristi WT sa analitičkim
vejvletima. U slučaju asimptotskih analitičkih signala, postojaće
lokacije na a − b ravni gde će frekvencija vejvleta biti jako bliska
lokalnoj frekvenciji signala za taj vremenski trenutak, pa će WT
koeficijenti imati velikve vrednosti u tim lokacijama. Vrednosti
skala za ove koeficijente obrazuju tzv. grebene na a − b ravni za
koje važi
fc
ar ( t ) = , (30)
f (t)
gde je f c ponovo neka frekvencija izabrana na pogodan način.
Takod̄e, kada se ustanove vrednosti skala koje obrazuju greben,
analitički signal se može još lakše konstruisati pošto se pokazuje
da važi
XWT ( ar (t), t) ∝ x a (t). (31)
Postoji više metoda za nalaženje grebena: bilo traženjem lokal-
nih maksimuma WT ili korišćenjem relacije (31) pomoću koje se
pokazuje da važi
d fc
arg{ XWT ( , t)} ≈ f (t), (32)
dt f (t)
odakle se vrši estimacija trenutne frekvencije f (t).
Više o trenutnoj frekvenciji, njenoj interpretaciji i estimaciji se može

naći u [5, 21, 24, 17]. Više o analitičkoj WT i estimaciji trenutne fre-
kvencije pomoću grebena se može naći u Lilly and Olhede [13], Kijewski-
Correa [9], Lilly et al. [14].

2.6 podela metoda 19
2.6 podela metoda
2.6.1 Linearne vremensko-frekvencijske metode
Pristup linearnim metodama je sličan Furijeovoj prezentaciji sig-

nala. Signal se analizira preko skupa tzv. “elementarnih funkcija”.
Ove funkcije se nazivaju “atomi” i označavaju se sa ατ, f (·). Metode se
ponašaju linearno prema analiziranom signalu, tj. princip superpozi-
cije je na snazi.
Ove metode se zasnivaju na korelaciji originalnog signala i nekog
od atoma iz skupa {ατ, f (t)}. Što je signal sličniji nekom atomu, infor-
macija dobijena pomoću tog atoma će ga bolje opisivati.
Standardna procedura je:
1. Odabir “roditeljskog” atoma.
2. Ostatak atoma se izvodi specifičnim operacijama na roditelj-

skom atomu.
U praksi, atomima se često dodaju i neka specifična svojstva, da bi se

poboljšala detekcija nekih osobina specifičnih za posmatranu pojavu.
Signal se u vremenskom domenu može napisati kao
Z
s(t) = s(τ )δ(t − τ )dτ. (33)
To zapravo znači da je standardni atom za predstavu signala u vre-

menskom domenu ατ, f (t) = δ(t − τ ). U tom slučaju, signal s(t) je
jednak svojoj prezentaciji. Signal se takod̄e preko FT može napisati
kao Z
s(t) = S( f )e j2π f t d f , (34)
što
znači daj2πjef t drugi
izbor atoma za predstavu signala s(t) skup
ατ, f (t) := e , a FT signala s(t) je tada njegova prezentacija!
Ova dva primera skupova atoma su vrlo specifična: od dva mo-
guća, prvi primer atoma koristi samo τ kao parametar, a drugi primer
atoma koristi samo f . Prvi atom je savršeno lokalizovan u vremenu,
dok je drugi savršeno lokalizovan u frekvenciji, oba su Dirakovi im-
pulsi u svojim domenima. Nemoguće je imati atom koji je savršeno
lociran i u vremenskom i u frekvencijskom domenu; to je posledica
Hajzenbergovog principa neodred̄enosti.
Analizom signala ovim atomima dobijamo samo informacije u jed-
nom domenu, i zato su ovi primeri ekstremni. Atom u vremensko-
frekvencijskoj analizi se po svojoj korisnosti mora naći negde izmed̄u
ova dva ekstrema.
U opštem slučaju, jednačina sinteze signala glasi
Z Z
s(t) = Es (τ, f )ατ, f (t)dτd f , (35)

gde Es (τ, f ) predstavljaju vremensko-frekvencijsku reprezentaciju sig-

nala.
Do sada je pretpostavljeno da je skup atoma {ατ, f (t)} neprebrojiv,
odn. da se parametri τ i f menjaju kontinualno. To, na sreću, ne mora
biti slučaj, inače bi praktičnost ovih metoda bila manja nego što je-
ste. Moguće je konstruisati skupove atoma koji su prebrojivi, i tada
integral u jednačini (35) postaje suma.
Jednačina analize glasi
Z
Es (τ, f ) = α∗τ, f (t)dt,
s(t)e (36)
i predstavlja standardni unutrašnji proizvod signala s(t) i atoma e

ατ, f (t).
Ovi atomi su tzv. dualni atomi i u opštem slučaju nisu jednaki ato-
mima koji se pojavljuju u jednačini analize. U slučaju da je skup
atoma ortonormalna bazu, onda su ova dva skupa ista i jednačina
(36) se može posmatrati kao projekcija signala s(t) na te atome.
2.6.2 Kvadratne raspodele
Najpoznatija i najprostija med̄u kvadratnim raspodelama je Vigner-

Vilova raspodela, koja je prvo korišćena od Vignera u statističkoj fi-
zici, a kasnije prilagod̄ena obradi signala od strane Vilea. Ova ras-
podela predstavlja specijalan slučaj tzv. Kohenovih klasa raspodela.
Sam pristup ovde datira još iz ranih upotreba autokorelacione funk-
cije. Autokorelaciona funkcija signala je integral signala sa njegovom
pomerenom verzijom
Z
R x (τ ) = x (t) x ∗ (t + τ )dt, (37)
za sve moguće vrednosti pomeraja τ. Korelacija je funkcija pomeraja

τ, a promenljiva t se gubi pri integraciji. Kod Wigner-Ville Distribu-
tion - Vigner-Vilova Raspodela (WVD) se koristi tzv. trenutna autoko-
relacija
τ τ
R x (t, τ ) = x (t + ) x ∗ (t − ), (38)
2 2
gde je izostavljena integracija. Trenutna autokorelacija je zato funkcija
dve promenljive.
Spektralna gustina energije signala S( f ) je jednaka kvadratu mo-
dula FT signala, ali i predstavlja Furijeov transformacioni par sa au-
tokorelacionom funkcijom
R x ( τ ) ↔ S x ( f ). (39)
WVD je Furijeov par trenutne autokorelacione funkcije (po promen-
ljivoj τ)
R x (t, τ ) ↔ XWV (t, f ). (40)
Prednosti kvadratnih raspodela je što imaju realne vrednosti, nenega-
tivne su, i što je reprezentacija signala preko njih dosta preciznija, pa

2.7 primene 21
tim i bolja od onih koju daju linearne metode. Nedostaci su to što su

nelinearne i zahtevne čak i za današnje računare.
2.7 primene
Danas se vremensko-frekvencijske metode koriste u najrazličitijim

sferama inženjeringa, tj. gde god postoji potreba za obradom nestaci-
onarnih signala:
• Medicinske aplikacije
– Analiza MRI
– Analiza EKG
– Analiza EGG
– Obrada slika dobijenih ultrazvukom
– Mamogrami (detekcija tumora)
– Razni drugi modaliteti medicinskog slikanja
– Detekcija epilepsije
• Državne i vojne aplikacije

– Kreiranje slika na parcijalnim podacima sa radara, sonara
– Kompresija otisaka prstiju
– Detekcija objekata
• Telekomunikacione aplikacije
– Eliminacija šuma
– Kompresija signala
– Prepoznavanje lica
– Prepoznavanje govora
– Muzička analiza
• Matematičke aplikacije
– Rešavanje parcijalnih diferencijalnih jednačina
• Geofizičke aplikacije
– Analiza seizmičkih signala za detekciju formacija stena,
prirodnog gasa, polja nafte
• Finansijske aplikacije
– Analiza vremenskih sekvenci podataka
– Predikcija ponašanja akcija i drugih finansijskih činilaca
• Metereološke aplikacije

– Analiza vremenskih podataka o klimi, temperaturama oke-

ana
U suštini, vremensko-frekvencijske metode se mogu upotrebiti svuda

gde dolazi do naglih promena i gubljenja stacionarnosti posmatranih
signala, tj. gde god da se javljaju nekakvi tranzijentni signali4 u toku
rada.
4 Pod tranzijentnim signalima se podrazumevaju oscilujući signali kratkog trajanja.

Deo II
TEORIJSKE OSNOVE METODA

K R AT K O T R A J N A F U R I J E O VA T R A N S F O R M A C I J A
3
Kratkotrajna Furijeova transformacija (engl. Short Time Fourier Trans-
form) je primer linearne metode koja je naišla na veliku primenu u
raznim aplikacijama u inženjeringu, najčešće u vidu spektrograma.
Prednosti su dobro razrad̄en matematički aparat, postojanje raznih
algoritama i efikasna upotreba FFT-a u praksi.
Kolekcija atoma kod STFT je definisana kao
n o
A(STFT ) = ατ, f (t) ≡ gτ, f (t) := w(t − τ )e j2π f t , (41)
gde su τ i f parametri koji se mogu menjati kontinualno, diskretno,
ili kombinovano, u zavisnosti od toga koji se tip STFT posmatra. No,
za sve tipove je zajedničko da im se atomi med̄usobno razlikuju samo
po poziciji na vremenskoj osi i po frekvenciji kompleksne sinusoide
kojom su modulisani.
Funkcija w(t) naziva prozorskom funkcijom.
3.1 kontinualna stft
Ovde se parametri atomi menjaju kontinualno. Primeri ovih atoma

su dati na slici 8. Njihove FT su istog oblika i istog propusnog opsega,
samo različito modulisane i translirane po frekvencijskoj osi (slika 9).
Jednačina sinteze glasi

Z
XSTFT (τ, f ) = x (t)w∗ (t − τ )e− j2π f t dt. (42)
STFT je vrlo slična FT, samo što su kompleksne sinusoide e j2π f t sada
zamenjene atomima gτ, f (t). Primećuje se i da se ovakva metoda može
posmatrati i kao FT signala x (t) pomnoženog prozorskom funkcijom
w(t), i otuda naziv same metode.
Budući da je funkcija dve promenljive, spektrogram može biti pri-
kazan kao površina u prostoru ili kao slika, kada se vrednostima do-
daju inteziteti fiktivnih boja.
Prozorska funkcija w(t) je od esencijalne važnosti za oblik XSTFT (τ, f ).
Njeni parametri, poput prvog momenta i devijacije, imaju osnovnu
ulogu u kompromisu izmed̄u frekvencijske i vremenske lokalizacije.
3.1.1 Algebarska svojstva STFT
STFT je linearna metoda, pa osobina superpozicije važi. Takod̄e, oso-

bine skaliranja i translacije u vremenu i u frekvenciji važe u odred̄e-
nim oblicima:
25

26 kratkotrajna furijeova transformacija
1 f = 1 Hz
0.5
−0.5
−1
−4 −3 −2 −1 0 1 2 3 4
V reme [s]
1 f = 2 Hz
0.5
−0.5
−1
−4 −3 −2 −1 0 1 2 3 4
V reme [s]
1 f = 3 Hz
0.5
−0.5
−1
−4 −3 −2 −1 0 1 2 3 4
V reme [s]
t2
Slika 8: Realni delovi STFT atoma oblika gτ, f (t) = e− 2 e j2π f t .
• Linearnost
ax (t) + by(t) ↔ aXSTFT (τ, f ) + bYSTFT (τ, f ). (43)
• Pomeranje u vremenu
x (t − t0 ) ↔ XSTFT (τ − t0 , f )e− j2π f t0 . (44)
• Pomeranje u frekvenciji
x (t)e j2π f0 t ↔ XSTFT (τ, f − f 0 )e− j2π ( f − f0 )t . (45)
• Skaliranje
1 (wa ) f
x ( at) ↔ XSTFT ( aτ, ), (46)
| a| a
gde su a i b su kompleksne konstante, i gde je wa (t) := w( at ).
Ove osobine važe i kada se primene u odnosu na prozorsku funkciju

(v)
(sem formule za skaliranje, tj. za XSTFT (τ, f ), gde je v(t) = w( at), koja
(w)
se ne može napisati eksplicitno preko XSTFT (τ, f )):

3.1 kontinualna stft 27
0.04
0.03
0.02
0.01
0
−4 −3 −2 −1 0 1 2 3 4
Frekvencija [Hz]
0.04
0.03
0.02
0.01
0
−4 −3 −2 −1 0 1 2 3 4
Frekvencija [Hz]
0.04
0.03
0.02
0.01
0
−4 −3 −2 −1 0 1 2 3 4
Frekvencija [Hz]
Slika 9: FT atoma sa slike 8.
• Linearnost
( aw+bv) (w) (v)
XSTFT (τ, f ) = a∗ XSTFT (τ, f ) + b∗ XSTFT (τ, f ). (47)
• Pomeranje u vremenu
(w(t−t0 )) (w)
XSTFT = XSTFT (τ + t0 , f ). (48)
• Pomeranje u frekvenciji
(w(t)e j2π f0 t ) (w)

XSTFT = XSTFT (τ, f − f 0 )e− j2π f0 τ , (49)
gde su a i b su kompleksne konstante, a w(t) i v(t) prozorske

funkcije.
U funkcionalnoj analizi je identitet
h x (t), y(t)i = h X ( f ), Y ( f )i , (50)
gde je h· , ·i standardni unutrašnji proizvod na L2 (R). Ovaj identitet

se naziva Parsevalovim identitetom i vrlo je koristan, kao u sledećem
razmatranju.

FT prozorske funkcije gτ, f (t) glasi

Gτ, f (ν) = F gτ, f (t) (51)
Z
= w(t − τ )e− j2π (ν− f )t dt
= W (ν − f )e− j2π (ν− f )τ .
Koristeći (51) i (50), dobija se

Z
x (t)w∗ (t − τ )e− j2π f t dt

XSTFT (τ, f ) = x (t), gτ, f (t) = (52)
Z
X (ν)W ∗ (ν − f )e j2π (ν− f )τ dν

= X (ν), Gτ, f (ν) =
Z
= e− j2π f τ X (ν)W ∗ (ν − f )e j2πντ dν.
Dobijeni rezultat pruža odličan uvid u razumevanje STFT:
• Korišćenje prozora w(t − τ ) na signalu x (t) znači i korišćenje

prozora W ∗ (ν − f ) na transformaciji X (ν).
• STFT se može dobiti u vremenskom domenu, kao FT od x (t)w∗ (t −

τ ), ili u frekvencijskom domenu, kao inverzna FT od X (ν)W ∗ (ν −
f ) uz dodatno množenje sa e− j2π f τ .
Parsevalova relacija koja vezuje STFT i signal glasi
1
h x (t), y(t)i L2 (R) = h XSTFT (τ, f ), YSTFT (τ, f )i L2 (R2 ) . (53)
||w||22
gde se podrazumeva da je ||w||22 < ∞. Ako važi i ||w||22 = 1, i uzme

se y(t) = x (t), dobija se Planšerelov identitet
k x (t)k22, L2 (R) = k XSTFT (τ, f )k22, L2 (R2 ) , (54)
odn., energija signala je tada jednaka energiji svoje STFT.
3.1.2 Rekonstrukciona formula - inverzna STFT
Inverzna relacija glasi
1
ZZ
x (t) = XSTFT (τ, f )w(t − τ )e j2π f t dτd f ., (55)
kwk22
gde jednakost važi u L2 -smislu. U opštem slučaju, rekonstrukcija sig-
nala je moguća i sa drugom prozorskom funkcijom v(t). Formula
tada glasi
1
ZZ
x (t) = XSTFT (τ, f )v(t − τ )e j2π f t dτd f , (56)
hw, vi
dokle god je

Z
w(t)v∗ (t)dt 6= 0. (57)
Sinteza signala se može dobiti i na drugi način. Ako se primeni inver-

zna FT (u odnosu na f ) na STFT signala x (t), dobija se
Z
F f−→1 µ { XSTFT (τ, f )} = XSTFT (τ, f )e j2π f µ d f (58)

Z Z
= x (t)w∗ (t − τ )e− j2π f t dt e j2π f µ d f
Z Z
∗ j2π f (µ−t)
= x (t)w (t − τ ) e d f dt
Z
= x (t)w∗ (t − τ )δ(µ − t)dt
= x ( µ ) w ∗ ( µ − τ ).
Dobijena funkcija je funkcija dve promenljive, µ i τ. Ako se posma-

traju vrednosti ove funkcije po liniji µ = τ u domenu, dobija se
1
x (τ ) = F f−→1 µ { XSTFT (τ, f )}|µ=τ . (59)
w ∗ (0)
Ako se usvoji da je prozor realna i pozitivna funkcija, i da važi ||w||1 =
1, FT signala x (t) se može dobiti na sledeći način
Z Z Z
∗ − j2π f t
XSTFT (τ, f )dτ = x (t)w (t − τ )e dt dτ (60)
Z Z
− j2π f t ∗
= x (t)e w (t − τ )dτ dt
Pošto je w(t) realna i pozitivna funkcija, dobija se

Z Z
XSTFT (τ, f )dτ = x (t)e− j2π f t dt = X ( f ). (61)
I jednačina sinteze je tada jednostavnija:

Z ZZ
j2π f t
x (t) = X ( f )e df = XSTFT (τ, f )e j2π f t dτd f . (62)
3.1.3 Analiza prozorske funkcije i vremensko-frekvencijska rezolucija kod

STFT
Kod STFT, signal se množi prozorskom funkcijom koja se pomera u

vremenskom domenu (slika 10). Što je uža prozorska funkcija, to se
bolje izdvaja deo signala.
Prozorska funkcija w(t) se može okarakterisati kao funkcija koja
treba da izdvoji odred̄eni deo signala, a atenuira ostatak signala (slika
10).

prozor
signal
Slika 10: Prozorska funkcija.
Prozorska funkcija je najčešće realna, parna, i lokalizovana oko nule

i u vremenskom i u frekvencijskom domenu. Često se i usvaja da
prozor ima jediničnu energiju
Z
Ew = ||w||22 = |w(t)|2 dt = 1. (63)
Takod̄e, poželjno je da prozorska funkcija ima kompaktan nosač.

Izbor prozorske funkcije ima kritičnu ulogu u perfomansi STFT.
Oblik prozorske funkcije utiče direktno na izgled STFT, a širina pro-
zorske funkcije odred̄uje vremensko-frekvencijsku rezoluciju. Termin
“vremensko-frekvencijska rezolucija” se koristi za opisivanje sposob-
nost transformacije da analizira komponente signala koje su bliske
jedna drugoj u vremenskom ili frekvencijskom domenu. Što je bolja
rezolucija, to je moguće bolje analizirati bliske komponente. Pošto
analiza kod STFT znači izdvajanje dela signala pomoću prozorske
funkcije, to znači da dobroj vremenskoj rezoluciji odgovara uska pro-
zorska funkcija u vremenskom domenu, i da dobroj frekvencijskoj
rezoluciji odgovara uska FT prozorske funkcije u frekvencijskom do-
menu.
Vremenska rezolucija kod STFT se može proučiti analizom karakte-
rističnih signala. Uzimanjem Dirakovog impulsa za x (t) dobija se
x (t) = δ(t − t0 ) ⇒ XSTFT (τ, f ) = w∗ (t0 − τ )e− j2π f t0 . (64)
U diskretnom domenu, uzimamo diskretan impuls i prosled̄ujemo

ga funkciji1 za izračunavanje diskretne STFT (zajedno sa, na primer,
Gausovim prozorom).
sig = anapulse(128); % diskretan Dirakov impuls od 128 odbiraka
w = window(’gausswin’,63); Prozor od 63 odbirka
figure(1); tfrsp(sig,1:128,128,w);

1 Korišćene su funkcije iz TFTB toolbox-a za MATLAB, sa adrese http://tftb.nongnu.

org/.

Signal u vremenskom domenu

1
Realni deo
0.5
0
Linearna razmera
0.5
0.45
0.4
Spektralna gustina energije
0.35
Frekvencija [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
4 3 2 1 20 40 60 80 100 120
Vreme [s]
Slika 11: STFT Dirakovog impulsa u diskretnom domenu.
Spektrogram signala δ(t − t0 ), koji je savršeno lociran u vremenskom

trenutku t0 , je razliven oko linije t = t0 . Prema (64), što je kraća pro-
zorska funkcija, to će spektrogram biti manje razliven. Vremenska
rezolucija je stoga obrnuto proporcionalna širini prozorske funkcije
w ( t ).
Drugi karakteristični signal je kompleksna sinusoida, pošto je ona
savršeno locirana u frekvencijskom domenu.
x (t) = e j2π f0 t ⇒ XSTFT (τ, f ) = W ∗ ( f 0 − f )e j2π ( f0 − f )τ . (65)
Ako se prosledi diskretna kompleksna sinusoida prethodnoj funkciji

sa istim prozorom.
sig = fmconst(128,.25); % diskretna kompleksna sinusoiuda
frekvencije 0.25
w = window(’gausswin’,63);

Spektrogram signala e j2π f0 t ,
koji je savršeno lociran u frekvenciji f 0 , je
razliven oko linije f = f 0 . Prema (65), što je kraća FT prozorske funk-
cije, to će spektrogram biti manje razliven. Frekvencijska rezolucija je
stoga obrnuto proporcionalna propusnom opsegu funkcije w(t).
Kada se radi analiza signala, širina prozorske funkcije se izabere
na početku, i takva ostaje kroz kroz celu analizu:
• Za lociranje kratkih promena u vremenskom domenu, potrebna

je kratka prozorska funkcija w(t), što znači da će njena FT W ( f )
biti široka.
• Za detekciju sporih sinusoida, potrebna je kratka FT W ( f ), što

znači da će w(t) biti široka.


1
Realni deo
0
−1
Linearna razmera
0.5
0.4
Frekvencija [Hz]
0.3
0.2
0.1
0
1.5 1 0.5 20 40 60 80 100 120
x 10
4 Vreme [s]
Slika 12: STFT diskretne kompleksne sinusoide.
STFT može imati dobru vremensku ili frekvencijsku rezoluciju, ali je

nemoguće istovremeno zadovoljiti oba zahteva. To je jasno vidljivo
ako se posmatra signal koji je zbir prethodna dva primera
x (t) = δ(t − t0 ) + e j2π f0 t (66)

∗ − j2π f t0 ∗ j2π ( f 0 − f )τ
⇒ XSTFT (τ, f ) = w (t0 − τ )e + W ( f 0 − f )e (67)
.
sig = 20*anapulse(128) + fmconst(128,.25); % impuls je pojacan

radi bolje vizuelizacije
w = window(’gausswin’,63);


20
Realni deo
10
Linearna razmera
0.5
0.45
0.4
0.35
Frekvencija [Hz]
0.3
0.25
0.2
0.15
0.1
0.05
0
3 2 1 20 40 60 80 100 120
x 10
4 Vreme [s]
Slika 13: STFT kombinacije prethodnih signala.

Što je greben koji predstavlja impuls manje razliven, to je greben koji

predstavlja kompleksnu sinusoidu više razliven.
Da bi se bolje opisale i kvantifikovale ove ideje, prvo se mora defi-
nisati tačno “širina” funkcije, pogotovo ako funkcija ima beskonačan
nosač. Postoji više načina da se uvedu ove mere, a jedan od najčešćih
načina je preko devijacija, slično kao za raspodele verovatnoće
R 2
t | g(t)|2 dt
∆tw = R
2
, (68)
| g(t)|2 dt
R 2
f | G ( f )|2 d f
∆ f w2 = R . (69)
| G ( f )|2 d f
Kada se prozor za STFT izabere, devijacije ostaju konstantne kroz
celu t − f ravan, tj. od početka do kraja analize. Činjenica da je nemo-
guće imati proizvoljno dobru vremensku i frekvencijsku rezoluciju je
poznata kao Hajzenbergov princip neodred̄enosti Od svih prozorskih
funkcija, Gaborov
1 prozor (Gausijan) je
∆tw ∆ f w ≥ . (70)
4π jedina funkcija koja
zadovoljava
Devijacije ∆tw i ∆ f w se koriste kao mere vremensko-frekvencijske re- minimum u
zolucije kod STFT. Vremensko-frekvencijska rezolucija STFT se može Hajzenberg-
okarakterisati pravougaonicima na slici 14, čija je površina jednaka Gaborovom principu
neodred̄enosti.
∆tw ∆ f w .
|W(f)|
a<1
a=1
a>1
|w(t)|
Slika 14: Vremensko-frekvencijska lokalizacija prozorske funkcije wa (t).
Da bi izabrali najpogodniju širinu, možemo posmatrati skup pro-

zora dobijenih skaliranjem originalnog prozora
1 t
{wa (t) = √ w( )}, a > 0, (71)
a a
a svakom prozoru odgovara njegov transformacioni par

√
wa (t) ↔ Wa ( f ) = aW ( a f ). (72)
Širinu prozora wa (t) u vremenu karakterišemo devijacijom ∆twa =

∆f
a∆tw , a u frekvenciji devijacijom ∆ f wa = a w . Ako je signal koji se po-
smatra npr. superpozicija nekoliko komponenti koje su lokalizovane

oko vremenskih trenutaka tn , spektrogram koji koristi prozor wa (t)

će biti u stanju da jasno razlikuje te komponente samo ako važi
a∆tw |tn − tm |, (n 6= m). (73)
Slično, ako je posmatrani signal superpozicija nekoliko kompleksnih

sinusoida e j2π f k t , parametar a mora biti takav da važi
∆ fw
| f k − t l |, ( k 6 = l ). (74)
a
Prozor w(t) koji daje savršenu vremensku rezoluciju je Dirakov im-
puls
w(t) = δ(t) ⇒ XSTFT (τ, f ) = x (τ )e− j2π f τ . (75)
Sledeći kod koristi diskretnu STFT u MATLAB-u i diskretni Dirakov
impuls kao prozor na signalu sa Gausovom anvelopom i linearno
rastućom frekvencijom.
sig = amgauss(128).*fmlin(128);
w = 1;
tfrstft(sig,1:128,128,w);


1
Realni deo
0.5
0
−0.5
Linearna razmera
0.5
0.4
Frekvencija [Hz]
0.3
0.2
0.1
0
250 200 150 100 50 20 40 60 80 100 120
Vreme [s]
Slika 15: STFT pri Dirakovom impulsu kao prozoru.
Vidi se da je signal jako dobro lociran u vremenu, ali nikako u fre-

kvenciji.
Prozor koji daje savršenu frekvencijsku rezoluciju je konstantna
funkcija
w(t) = 1 ⇒ XSTFT (τ, f ) = X ( f ). (76)
Koristeći isti signal kao malopre, sledeći kod koristi konstantni pro-
zor.
sig = amgauss(128).*fmlin(128);
w = ones(127,1);



1
Realni deo
0.5
0
−0.5
Linearna razmera
0.5
0.4
Frekvencija [Hz]
0.3
0.2
0.1
0
250 200 150 100 50 20 40 60 80 100 120
Vreme [s]
Slika 16: STFT pri konstantnoj funkciji kao prozoru (dobijena XSTFT (τ, f )
nije potpuno jednaka X ( f ), jer prozor w ovde nije beskonačnog
trajanja).
STFT se ovde svodi na FT signala, koja nema nikakvu vremensku

informaciju.
Problem izbora širine prozora se može videti na primeru signala
koji je zbir dve funkcije koje imaju Gausijanske anvelope istih pa-
rametara, istu dužinu trajanja, modulisane su istom frekvencijom, i
pomerene su med̄usobno na vremenskoj osi (slika 17).
sig = atoms(128,[45,.25,32,1;85,.25,32,1]); %funkcija koja vraca
zbir gausijanskih atoma sa datim argumentima
w = window(’hamming’,65); % duzi prozor


1
Realni deo
0.5
0
−0.5
Linearna razmera
0.5
0.4
Frekvencija [Hz]
0.3
0.2
0.1
0
4000300020001000 20 40 60 80 100 120
Vreme [s]
Slika 17: Dva Gausijanska atoma analizirana preko STFT sa Hamming-ovim

prozorom od 65 odbiraka.

Frekvencijska rezolucija je dobra, ali je teško razlikovati komponente

u vremenu. Sledeći kod koristi isti prozor, samo kraće širine (slika
18).
sig = atoms(128,[45,.25,32,1;85,.25,32,1]);
w = window(’hamming’,17);% kraci prozor


1
Realni deo
0.5
0
−0.5
Linearna razmera
0.5
0.45
0.4
Frekvencija [Hz] 0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
4000300020001000 20 40 60 80 100 120
Vreme [s]
Slika 18: Dva Gausijanska atoma analizirana preko STFT sa Hamming-ovim

prozorom od 17 odbiraka.
Frekvencijska rezolucija je sada lošija, ali je zato moguće razlikovati

dve komponente i na vremenskoj osi.
Izbor prave prozorske funkcije je kritičan i zavisi od toga šta se oče-
kuje da će se naći u strukturi signala x (t). Pošto su signali u prirodi
često kombinacija sporopromenljivih i brzopromenljivih tipova kom-
ponenti, signal se analizira sa više raličitih prozorskih funkcija, pa sa
više različitih dužina, i opredeljuje se za najbolji rezultat. STFT daje
najbolje rezultate na kvazi-stacionarnim signalima, tj. na signalima
čiji se spektralni sadržaj sporo menja.
Najčešće korišćene prozorske funkcije su date u tabeli 1.
3.1.4 STFT kao banka filtara
Izraz (42) se može napisati i kao2

Z
XSTFT (τ, f ) = x (t)w∗ (t − τ )e− j2π f t dt (77)
Z
= e− j2π f τ x (t)w∗ (t − τ )e j2π f (τ −t) dt

= e− j2π f τ x (τ ) ∗ w∗ (−τ )e j2π f τ .
2 Izraz koji će se dobiti se može takod̄e napisati i kao XSTFT (τ, f ) = ( x (τ )e− j2π f τ ) ∗
w∗ (−τ ). U oba slučaja je dalja analiza postupka slična, pa je obrad̄en samo jedan
slučaj.

Ime prozora Formula (za |t| ≤ 12 ) A [dB] BW 3dB r
Pravougaoni 1 −13 0.89 1


1 + 2t, − 21 ≤ t ≤ 0
Trougaoni −27 1, 33 2
1
1 − 2t, 0<t≤

2
Hann-ov cos2 (πt) −32 1.44 3
Hamming-ov 0.54 + 0.46 cos(2πt) −42 1.36 1
Blackman-ov 0.42 + 0.5 cos(2πt) + −58 1.68 3

0.08 cos(4πt)
2
Gausijan e−18t −55 1.55 1
Tabela 1: Najčešće korišćene prozorske funkcije (slika 63) (normalizacioni

faktori izostavljeni).
Jednačina (77) je jednaka jednačini (52), samo je drugačije napisana.

Treba uočiti transformacioni par
x (τ ) ∗ w∗ (−τ )e j2π f τ ↔ X (ν)W ∗ (ν − f ), (78)
iz čega se jasno vidi da se, tokom STFT, preko FT signala X (ν) kreće
prozor W ∗ (ν), koji se pomera za neku vrednost f . Ovo znači da se
STFT može posmatrati i kao signal na izlazu serije (banke) filtara sa
impulsnim odzivom h(τ ) = w∗ (−τ )e j2π f τ , koji je potom modulisan
sa e− j2π f τ (slika 19). Modulacija sa e− j2π f τ vraća dobijeni izlaz iz filtra
e-j2πfτ
x(τ) y(τ)
X STFT(τ,f)
h(τ)=w*(-τ)e j2πfτ
Slika 19: LTI model.
u osnovni opseg, tj. spektar dobijenog signala iz banke filtara je
Fτ →ξ { XSTFT (τ, f )} = [ X (ξ ) · W ∗ (ξ − f )] ∗ δ(ξ + f ) (79)

∗
= X ( ξ + f ) · W ( ξ ),
što je ilustrovano na slici 20.

STFT se sada posmatra kao analiza signala pomoću ove banke fil-
tara, gde ta banka sadrži filtre sa med̄usobno transliranim funkci-
jama prenosa sa konstantnim propusnim opsegom (slika 21). Transfer-
funkcija filtara kroz koje propuštamo signal je oblika Hi ( f ) := W ∗ ( f −
f i ), za neku vrednost frekvencije f i .

|W*(f)| |X(f)|
|W*(f-f0)|
modulacija
f f
množenje
|X(f+f0)W*(f)| |X(f)W*(f-f0)|
demodulacija
f f
Slika 20: Filtriranje signala u frekvencijskom domenu kroz LTI model.
amplitudski spektar Hi(f)
W*(f-f1) W*(f-f2) W*(f-f3) W*(f-f4) W*(f-f5)
. .. . ..
Slika 21: STFT kao banka filtara.
Kao zaključak, jasno je da postoji nekoliko načina pomoću kojih je

moguće razumeti STFT:
• Kao FT signala pomnoženog prozorskom funkcijom, tj. XSTFT (τ, f ) =
F { x (t)w(t − τ )} (τ je parametar).
• Kao unutrašnji proizvod signala x (t) i atoma gτ, f (t), iskazujući
time sličnost te dve funkcije (τ i f su parametri).
• Kao unutrašnji proizvod njihovih FT X (ν) i Gτ, f (ν) (τ i f su

parametri).
• Kao operacija filtriranja signala x (t) kroz skup filtara (čije su

transfer-funkcije istog oblika i med̄usobno pomerene na frekven-
cijskoj osi) i modulacijom posle toga ( f je parametar).
Inverznom FT od (79) se dobija još jedna formula za STFT (koja, u
suštini, predstavlja samo drugu varijantu jednačine (52))
Z
XSTFT (τ, f ) = Fξ−→1 τ { X (ξ + f ) · W ∗ (ξ )} = X (ξ + f ) · W ∗ (ξ )e j2πξτ dξ.
(80)

3.1.5 Spektrogram
Kvadrat modula STFT se naziva spektrogram
Sx (τ, f ) := | XSTFT (τ, f )|2 , (81)
i on predstavlja glavnu primenu STFT u većini praktičnih aplikacija.

Ako je prozorska funkcija w(t) normalizovana, ukupna energija sig-
nala se dobija kao
ZZ
Ex = k x k22 = Sx (τ, f )dτd f . (82)
Zbog toga je moguće interpretirati spektrogram kao gustinu energije

signala u t − f ravni. Budući da je spektrogram moduo kvadrata STFT,
ista ograničenja koja važe za STFT važe i ovde po pitanju vremensko-
frekvencijske rezolucije.
Spektrogram je invarijantan pod translacijom i modulacijom
x ( t − t0 ) ↔ S x ( τ − t0 , f ), (83)
x (t)e j2π f0 t ↔ Sx (τ, f − f 0 ), (84)

pa se zato svrstava u klasu kvadratnih vremensko-frekvencijskih di-
stribucija koje su invarijantne pod vremenskom i frekvencijskom trans-
lacijom, tzv. Kohenovu klasu. Spektrogram, med̄utim, nije linearna
metoda! Princip superpozicije ne važi
x1 (t) + x2 (t) ↔ Sx1 (τ, f ) + Sx2 (τ, f ) + 2<{Sx1 ,x2 (τ, f )}, (85)
gde je
∗
Sx1 ,x2 (τ, f ) := XSTFT,1 (τ, f ) XSTFT,2 (τ, f ) unakrsni spektrogram
Spektrogram stvara dodatne članove kada signal koji se analizira

predstavlja superpoziciju više komponenti. Može se pokazati da su
ovi dodatni članovi ograničeni na regione t − f ravni gde se Sx1 (τ, f ) i
Sx2 (τ, f ) poklapaju. Ako su komponente x1 (t) i x2 (t) dovoljno daleko
na t − f ravni tako da se njihovi spektrogrami ne preklapaju puno,
pa će dodatni članovi biti mali i neće mnogo kvariti ukupnu sliku.
Ovo je jedna od prednosti spektrograma nad drugim kvadratnim ras-
podelama, ali je to na uštrb njegove slabije vremensko-frekvencijske
rezolucije.
Kao primer, data je analiza u MATLAB-u signala koji je suma dva
paralelna chirp signala - slika 22ai slika 22b
sig = fmlin(128,0,0.4)+fmlin(128,0.1,0.5); % signal od dva bliska
paralelna chirp-a
h1 = window(’gausswin’,23); % prvi, kraci, prozor
figure(1); tfrsp(sig,1:128,128,w1); % spektrogram
h2 = window(’gausswin’,63); % drugi, duzi, prozor
figure(2); tfrsp(sig,1:128,128,w2); % spektrogram



2
Realni deo
1
0
−1
Linearna razmera
0.5
0.4
Frekvencija [Hz]
0.3
0.2
0.1
0
1500 1000 500 20 40 60 80 100 120
Vreme [s]
(a) Spektrogram signala sa kraćim Gausijanski prozorom (23 odbirka).

2
Realni deo
1
0
−1
Linearna razmera
0.5
0.4
Frekvencija [Hz]
0.3
0.2
0.1
0
1500 1000 500 20 40 60 80 100 120
Vreme [s]
(b) Spektrogram signala sa dužim Gausijanski prozorom (63 odbirka).
Slika 22: Spektrogrami signala sa bliskim komponentama u t − f ravni.
Komponente ovog signala nisu dovoljno razdvojene na t − f ravni, i

zbog toga dodatni artefakti vidno otežavaju tumačenje stvarnih ka-
rakteristika ovog signala.
Posmatra se, zatim, signal čije su komponente malo udaljenije jedna
od druge (slika 23a i slika 23b).
sig = fmlin(128,0,0.3)+fmlin(128,0.2,0.5); % signal od dva dalja
paralelna chirp-a
h1 = window(’gausswin’,23); % prvi, kraci, prozor
figure(1); tfrsp(sig,1:128,128,w1);% spektrogram
h2 = window(’gausswin’,63); % drugi, duzi, prozor
figure(2); tfrsp(sig,1:128,128,w2);% spektrogram

Vidi se da se su sad komponente dovoljno odvojene jedna od druge
da se artefakti malo primećuju.
U praksi se razdvajaju uskopojasni i širokopojasni spektrogrami, koji
koriste prozore relativno dugačkog i relativno kratkog trajanja, re-


2
Realni deo
1
0
−1
Linearna razmera
0.5
0.4
Frekvencija [Hz]
0.3
0.2
0.1
0
2000 1500 1000 500 20 40 60 80 100 120
Vreme [s]
(a) Spektrogram signala sa kraćim Gausijanski prozorom (23 odbirka).

2
Realni deo
1
0
−1
Linearna razmera
0.5
0.4
Frekvencija [Hz]
0.3
0.2
0.1
0
2000 1500 1000 500 20 40 60 80 100 120
Vreme [s]
(b) Spektrogram signala sa dužim Gausijanski prozorom (63 odbirka).
Slika 23: Spektrogrami signala sa distantnim komponentama u t − f ravni.
spektivno. Uskopojasni spektrogram bolje analizira temporalne pro-

mene u signalu i ostavlja utisak horizontalnih pruga, dok širokopoja-
sni spektrogram bolje analizira harmonične pojave u signalu i ostavlja
utisak vertikalnih pruga.
3.1.6 Redundantnost STFT
Skup funkcija { gτ, f (t)} je jako redundantan, što znači da ima mnogo
više elemenata nego što je potrebno za konstrukciju L2 (R) prostora.
Funkcije koje predstavljaju STFT svih kvadratno-integrabilnih signala
čine podskup S ⊂ L2 (R2 ). To znači da ne može svaka funkcija iz
L2 (R2 ) biti STFT. Funkcija X (τ, f ) pripada skupu S ako je:
1. kvadratno integrabilna, tj. X (τ, f ) ∈ L2 (R2 );

2. ako važi
ZZ
X (τ, f ) = X (τ 0 , f 0 )K (τ 0 , f 0 , τ, f )dτ 0 d f 0 ∀τ, f ∈ R, pri ||w||22 = 1,
(86)
gde je K (τ 0 , f 0 , τ, f ) ≡ gτ, f , gτ 0 , f 0

tzv. STFT kernel funkcija.
Jednačina (86) esencijalno znači da je vrednost STFT u tački (τ, f )

odred̄ena vrednostima STFT u svim ostalim tačkama, uključujući i tu
tačku! Kod FT, ova težinska funkcija K (τ 0 , f 0 , τ, f ) ≡ gτ, f , gτ 0 , f 0 je

Opisivanje signala zapravo Dirakov impuls, što znači da FT nije redundantna.

redundantnim Redundantnost ima svojih prednosti; pri prenosu nekog signala,
skupom je analogno
prenose se koeficijenti dobijeni razlaganjem tog signala odgovaraju-
izboru jezika u
komunikaciji. ćom transformacijom. Ako transformacija zadovoljava uslov ortogo-
Razvijeni vokabular nalnosti, koeficijenti koji se izgube pri prenosu se ne mogu rekonstru-
(redundantnost) isati iz preostalih, i taj deo informacije je zauvek izgubljen. Ispostavlja
omogućava precizno
se da su algoritmi efikasniji ako se odustane od uslova ortonormalno-
i koncizno
izražavanje sti, pogotovo pri prenosu slike ili zvuka.
kompleksnijih misli, Takod̄e, korišćenjem skupova sa većim brojem elementarnih funk-
dok mali i prost fond cija, moguće je izabrati samo one koje imaju najveću korelaciju sa
reči sa elementarnim posmatranim signalom, i onda se signal može predstaviti manjim bro-
izrazima zahteva
više reči za
jem koeficijenata (slika 24). Manji broj koeficijenata je bolji, jer su pre-
opisivanje istih misli. poznavanje signala, obrada signala i klasifikacija lakši ako su signali
predstavljeni sa što manje podataka.
os
ija
ta
ac
ta
im
k
s
r ok L
ap NA
SIG
AT
O
...
M
I
bazni vektori
...
Slika 24: Aproksimacija signala iz redundantnog skupa.
Više o ovome se može naći u Auger [3].
3.1.7 Diskretizacija kontinualne STFT
Zbog svoje redundantnosti, skup elementarnih funkcija gτ, f (t) : τ, f ∈ R

ne predstavlja bazu u L2 (R). Moguće je odabrati podskup ovog skupa,

{ gm,n (t) : m, n ∈ Z}, koji može ispunjavati uslove da bude ortonor-
malna baza. Pošto svaka tačka u t − f ravni odred̄uje jedan gτ, f (t)
atom, ovaj podskup se može dobiti odabiranjem t − f ravni, pomoću
nekih vrednosti T i F (slika 25). Ovo, naravno, nije jedini način za oda-

f
4F
3F
2F
XSTFT(τ,f)
F
T 2T 3T 4T 5T τ
Slika 25: Diskretizovana t − f ravan.
biranje t − f ravni; koriste se i heksagonalna odabiranja, kao i druga

moguća, ali ovde ćemo se zadržati na najprostijem, pravougaonom
odabiranju.
Osobine ovako dobijenog podskupa{ gm,n (t) : m, n ∈ Z} će zavisiti
od izbora vrednosti T i F. STFT koja se dobija korišćenjem ovih pod-
skupova atoma se naziva diskretizovana STFT.
Diskretizovana STFT glasi
Z
∗
XSTFT [m, n] ≡ XSTFT (mT, nF ) := x (t) gm,n (t)dt (87)
Z
= x (t)w∗ (t − mT )e− j2πnFt dt.
Tripl ( g, T, F ) se naziva Gaborovim sistemom, a ( TF )−1 vremensko-

frekvencijskom gustinom sistema.
Vrednosti T i F se biraju tako da se, što je više moguće, smanji
redundantnost prvobitnog skupa atoma, ali tako da rekonstrukcija
signala i dalje bude moguća.
Posmatraju se slučajevi kada je vremensko-frekvencijska gustina
sistema manja, veća i jednaka jedinici.
slu čaj ( TF )−1 < 1 U ovom slučaju nije moguće rekonstruisati sig-
nal iz odbiraka STFT. Ovo znači da su odbirci u t − f ravni previše
udaljeni, tj. t − f ravan nije dovoljno gusto odabirana. Tada nije mo-
guća rekonstrukcija signala.
slu čaj ( TF )−1 > 1 Ovo je slučaj kada je t − f ravan pregusto

odabirana, i tada je moguće uvek naći skup atoma { gm,n (t)} koji će
dozvoliti rekonstrukciju signala. Taj skup neće činiti bazu, ali će činiti
okvir. Okviri su skupovi elementarnih atoma, slično kao i baze, koji
ispoljavaju redundantnost. Za razliku od baza, elementi okvira su
linearno zavisni, i kao posledica toga važi da:
• koeficijenti XSTFT [m, n] nisu jedinstveni.

• postoji više izbora za dualni okvir{ gem,n (t)}, i za dualne atome

važi jednačina
∑ gm,n (t1 ) gem,n

∗
( t2 ) = δ ( t1 − t2 ). (88)
m,n
Tada se pokazuje da važi
A|| x ||22 ≤ ∑ | hx(t), gm,n (t)i |2 ≤ B||x||22 , (89)

m,n
gde su A i B donje i gornje granice okvira, respektivno. Da bi ovo bilo

zadovoljeno, prozorska funkcija w(t) mora biti neprekidna, različita
od nule na intervalu [−1/2F, 1/2F ], i veća od nule oko trenutka t = 0.
Rekonstrukcija signala je efikasnija ako je okvir čvrst, i za čvrst okvir
važi A = B.
Dualni atomi u skupu { gem,n (t)} slični atomima gm,n (t), tj. gem,n (t) ≡
v(t − mT )e j2πnFt , gde je v(t) tzv. dualna prozorska funkcija. Uslov (88)
iskazan preko prozorskih funkcija glasi
1 n
Fm ∑ w (t − mT ) v∗ t − mT −
F
= δn0 , (90)
gde je δn0 Kronekereov delta simbol. Ovaj uslov je restriktivniji nego

što je to bio uslov (57).
Uvod u okvire i detaljnija analiza se može naći u [10].
slu čaj (t f )−1 = 1 Ovaj slučaj predstavlja glavni rezultat u analizi

diskretizovane STFT i opisan je u obliku Balian-Louove teoreme, koja
kaže da je moguće konstruisati ortonormalnu bazu pri ( TF )−1 = 1, i
rekonstrukcija signala onda glasi
x (t) = ∑ XSTFT [m, n] gm,n (t) = ∑ hx(t), gm,n (t)i gm,n (t), (91)
m,n m,n
ali nije moguće da atomi gm,n (t) budu dobro lokalizovani i u vremen-
skom i u frekvencijskom domenu, tj. mora važiti
∆tw · ∆ f w = +∞. (92)

Prema tome, ako je skup { gm,n (t) := w(t − mT )e j2πnFt : m, n ∈ Z}
ortonormalna baza u L2 (R) pri ( TF )−1 = 1, tada ili
1. w(t) nije prozorska funkcija (k tw(t) k22 = ∞);
2. W ( f ) nije prozorska funkcija (k f W ( f ) k22 = ∞).

Primer skupa { gm,n (t)} koji čini bazu pri ( TF )−1 = 1 bi bio
• skup atoma sa pravougaonim impulsima 3 kao prozorskim funk-
cijama gm,n (t) := rect(t − mT )e j2πnFt (gde je w(t) prozorska

funkcija, ali njena FT nije)


1
1, |t| ≤ 2
3 rect(t) , .
0, inače


3.2 diskretna stft 45
• skup atoma sa sinc funkcijama4 gm,n (t) := sinc(t − mT )e j2πnFt

(gde w(t) nije prozorska funkcija, ali njena FT jeste).

Ovo se možе izbeći ako se umesto kompleksnih sinusoida koriste re-
alne sinusoide ili kosinusoide. Primera radi, MP3 algoritam za kom-
presiju audio fajlova koristi ovakve atome.
Iako od velikog matematičkog interesa, ni kontinualna ni diskreti-
zovana STFT, naravno, nisu pogodne u praksi, tj. za kalkulacije preko
računara.
Detaljnije o diskretizovanoj STFT se može naći u [3? ].
3.2 diskretna stft
Slično kao i kod FT, diskretna verzija se odnosi na dva oblika: DT-
STFT (discrete-time STFT) i DSTFT (discrete STFT).
3.2.1 DT-STFT
DT-STFT predstavlja Discrete-Time Fourier Transform (DT-FT) sig-

nala x [n]w∗ [n − m] i glasi
XDT −STFT [m, f ) := ∑ x[n]w∗ [n − m]e− j2π f n , (93)
n
gde je w[n] prozorska funkcija različita od nule na intervalu [0, R − 1].

XDT −STFT [m, f ) je funkcija promenljive m koja se diskreno menja, i
promenljive f koja se kontinualno menja. Kao i DT-FT, DT-STFT je
periodična sa periodom 1 u odnosu na frekvenciju.
I DT-STFT je moguće posmatrati kao filtriranje signala bankom fil-
tara
XDT −STFT [m, f ) = x [m] ∗ w∗ [−m]e j2π f m e− j2π f m . (94)
Takod̄e, slično kao (80), XDT −STFT [m, f ) se može napisati kao
Z +π
XDT −STFT [m, f ) = X (ξ + f )W ∗ (ξ )e j2πξm dξ. (95)
−π
DT-STFT je invertibilna ako su ispunjeni uslovi analogni uslovima
kod kontinualne STFT. Jedna od jednačina sinteze je
1
x [m] = DT F T −f →
1
l { X DT −STFT [ m, f )}|l =m . (96)
w ∗ [0]
U izrazu (93), prozorska funkcija se pomera odbirak po odbirak preko
signala, odnosno, preklapanje izmed̄u blokova DT-FT-a je R − 1. Pone-
kad je to više odbiraka nego što je potrebno, pa se korak po diskretnoj
n-osi može povećati sa jednog odbirka na L odbiraka, tj. izvršava se
decimacija faktorom L i izračunava se XDT −STFT [mL, f ). Preklapanja
izmed̄u susednih blokova sada iznose R − L (slika 26)

 sin(t) , t 6= 0
4 sinc(t) , t .
1, t=0


preklapanje
DT-FT 1 preklapanje
R
L DT-FT 2 preklapanje
R
L DT-FT 3
R
L DT-FT 4
R
Slika 26: Preklapanja blokova DTFT pri računanju DT-STFT.
Broj L predstavlja broj odbiraka izmed̄u susednih blokova, a XDT −STFT [mL, f )
predstavlja DT-FT funkcije x [n]w∗ [n − mL]. Ako je L veće od dužine
prozora w[n], postojaće odbirci signala x [n] koji neće biti uključeni ni
u jednu DT-FT funkcije x [n]w∗ [n − mL]. Ti odbirci mogu uzimati proi-
zvoljne vrednosti bez promene DT-STFT, pa DT-STFT nije jedinstvena
i rekonstrukcija signala nije moguća (slika 27).
odbirci koji se ne uzimaju u obzir
L 2L 3L 4L n
Slika 27: Situacija kada je L previše veliko.
3.2.2 DSTFT
DSTFT je transformacija koja se koristi u praksi, i predstavlja DFT

signala x [n]w∗ [n − m] (ili signala x [n]w∗ [n − mL], kako je već obja-
šnjeno).
DSTFT se može dobiti i kao frekvencijski odabirana DT-STFT, tj.
XDSTFT [m, k ] := XDT −STFT [m, f )| f = k , k = 0, M − 1, (97)

M
Ovo frekvencijsko odabiranje se vrši u M ≥ N tačaka. Što je veće

M, to je preciznija slika frekvencijskog sadržaja (uzima se M = N u
nastavku).
Jednačina sinteze glasi
N −1
XDSTFT [m, k ] = ∑ x[n]w∗ [n − m]WNnk , m = 0, N − R ∧ k = 0, N − 1
n =0
(98)
2π
gde je WN := e− j N .

Slično kao i u kontinualnom slučaju, jednačina (98) se može posma-

trati kao
• DFT signala x [n]w∗ [n − m], (m je parametar).
• Skalarni proizvod signala x [n] i diskretne elementarne funkcije

gm,k [n] := w[n − m]WNnk (m, k su parametri).
• Filtracija signala kroz banku filtara impulsnog odziva h[n] =

w∗ [−n]WN−nk , praćena demodulacijom WN−nk (k je parametar).
Jednačina sinteze u frekvencijskom domenu, analogna sa (80), glasi
1 N −1
N l∑
XDSTFT [m, k ] = { X [l + k]W ∗ [l ]} WN−lm . (99)
=0
Formula za rekonstrukciju signala glasi
1 N − R N −1
x [n] = ∑ ∑ XDSTFT [m, k]w[n − m]WN−nk ,
N kwk22 m=0 k=0
n = 0, N − 1.
(100)
Moguće je koristiti i drugi prozor gem,k [n] := v[n − m]WN−nk , gde for-
mula glasi
N − R N −1
1
N hv, wi m∑ ∑ XDSTFT [m, k]v[n − m]WN−nk ,
x [n] = n = 0, N − 1,
=0 k =0
(101)
ako je hv, wi 6= 0.
Dok je DT-STFT uvek invertibilna, DSTFT nije! To se može videti
ako se DSTFT posmatra kao operacija filtriranja, gde se pretpostavlja
da prozorska funkcija ima propusni opseg B. Na slici 28 se vidi da
se filtri nalaze na frekvencijama k/N. Ako je propusni opseg filtra
B manji od 1/N, postojaće delovi spektra signala koji neće proći ni
kroz jedan filtar. Ti delovi spektra bi mogli imati bilo koje vrednosti,
a dobili bismo na kraju istu DSTFT. Zbog toga, u tim slučajevima,
DSTFT nije jedinstvena reprezentacija signala x [n], te se originalni
signal ne može rekonstruisati. Takod̄e, slično kao i kod DT-STFT, ako
spektralni sadržaj koji se ne uzima u obzir
f
1⁄N 2⁄N 3⁄N 4⁄N
Slika 28: Situacija kada je L previše veliko.
pristupamo decimaciji, i ako je faktor L veći od dužine prozora R,

dobijena transformacija neće biti invertibilna.

Planšerelov identitet za DSTFT glasi
N −1
1 N − R N −1
∑ |x[n]|2 = 2 ∑ ∑
N k w k 2 m =0 k =0
| XDSTFT [m, k]|2 . (102)
n =0
Pored ovakve sinteze signala, u praksi se češće koriste druge dve

metode koje su opisane u nastavku.
3.2.2.1 OLA metod

OLA (eng. Overlap-Add) metod za rekonstrukciju signala je vezan
za interpretaciju DSTFT kao DFT porcija signala. Jednačina analize
signala
N −1
XDSTFT [m, k ] = ∑ x[n]w∗ [n − m]WNnk (103)
n =0
se, kako je već rečeno, može posmatrati kao DFT signala x [n]w∗ [n −
m]. OLA metod počinje prvo postupkom inverzne DFT
1 N −1
N k∑
x [n]w∗ [n − m] = Xw [m, k ]WN−nk . (104)
=0
Zatim se primeni suma
x0 [n] = ∑ x [ n ] w ∗ [ n − m ]. (105)
m
Iz ovog koraka potiče i naziv same metode - dodaju se i preklapaju

kratke porcije signala. Ovim se dobija
x0 [n] = x [ n ] ∑ w ∗ [ n − m ] = x [ n ]W ∗ ( 0 ) , (106)
m
1
=⇒ x [n] = x 0 [ n ].
W ∗ (0)
Sve zajedno, formula glasi

" #
1 1 N −1
W (0) ∑ N k∑
x [n] = ∗ XDSTFT [m, k ]WN−nk . (107)
m =0
3.2.2.2 FBS metod

Ovaj metod rekonstrukcije signala je povezan sa interpretacijom
DSTFT kao banke filtara, tj. DSTFT se posmatra kao banka filtara

XDSTFT [n, k ] = x [n] ∗ w∗ [−n]WN−nk WNnk . (108)
Signal se može rekonstruisati preko formule (slika 29)
1 N −1
Nw∗ [0] k∑
x [n] = XDSTFT [n, k ]WN−nk . (109)
=0

e-j(2π⁄N)0n e j(2π⁄N)0n
w*[-n]e(j2π/N)0n X[n,0] X[n,0]
e-j(2π⁄N)1n e j(2π⁄N)1n
w*[-n]e(j2π/N)1n X[n,1] X[n,1]
. .
. .
. . 1
Nw[0]
x[n] e-j(2π⁄N)kn e j(2π⁄N)kn Σ y[n]
w*[-n]e(j2π/N)kn X[n,k] X[n,k]
. .
. .
. .
-j(2π⁄N)(N-1)n
e e j(2π⁄N)(N-1)n
w*[-n]e(j2π/N)(N-1)n X[n,N-1] X[n,N-1]
Slika 29: DSTFT kao banka filtara.
Ova formula se može posmatrati kao specijalan slučaj jednačine (101),

gde je za prozor v[n] uzet Dirakov impuls. U literaturi se ova formula
naziva spektralnim sabiranjem (FBS - eng. Filter Bank Summation). Sa
slike 29 se može zaključiti šta je potrebno da bi rekonstrukcija bila
moguća. Demodulacija tokom sinteze poništava modulaciju tokom
analize signala. Da bi se na izlazu iz sumatora dobio signal x [n], po-
trebno je da transfer-funkcije filtara u zbiru daju konstantu Nw∗ [0], i
to je uslov koji mora zadovoljavati prozorska funkcija w[n].
Formalnije izvedeno, ako se (108) ubaci u (109)
1 N −1
Nw∗ [0] k∑
x0 [n] = x [ n ] ∗ w ∗
[− n ] WN
−nk
W nk
N WN
−nk
(110)
=0
N −1
1
=
Nw∗ [0]
x [ n ] ∗ ∑ w∗ [−n]WN−nk
k =0
N −1
1
=
Nw∗ [0]
x [ n ] ∗ w ∗
[− n ] ∑ WN−nk
k =0
1
= x [n] ∗ w∗ [−n]∑δ[n − rN ].
w ∗ [0] r
Da bi važilo x 0 [n] = x [n], mora biti ispunjeno
w∗ [−n]∑δ[n − rN ] = w∗ [0]δ[n]. (111)

r
Ovo će uvek biti zadovoljeno ako je dužina prozorske funkcije R ma-
nja ili jednaka od broja filtara N, što znači da je moguće koristiti bilo
koju prozorsku funkciju w[n], dokle god je zadovoljeno R ≤ N. Mo-
guće je i R > N , pod uslovom da je svaki N-ti odbirak prozorske
funkcije jednak nuli
w∗ [rN ] = 0, r ∈ Z\{0}. (112)

Ovaj uslov u frekvencijskom domenu glasi

N −1
k
∑ W ∗ ( f − N ) = Nw∗ [0], (113)
k =0
gde je W ( f ) FT signala w(t), čijim odabiranjem nastaje prozor w[n].

Detaljnije o ovim metodama se može naći u [2, 20].
3.3 implementacija u matlab-u
Kako bi mogao da se koristi prozor bilo koje dužine, a posmatraju

se signali konačne dužine, ne koristi se originalni signal x [n], čija je
dužina N, već prošireni signal x 0 [n] dužine N 0 , tj. originalni signal koji
je dopunjen nulama sa leve i desne strane, kao što je prikazano na slici
30. U nastavku se koriste iste formule i notacije x [n] i N, ali se zapravo
misli na njihove proširene verzije x 0 [n] i N’ (osim u komentarima
kodova).
]
w
)
-1
[n
-(N
+(R
w[n
-1)]
]
x[n
... ... ...

-(R-1) -2 -1 0 1 2 3 N-2 N-1 N N+1 N+R-2
... ... ...
0 R-3 R-2 R-1 R N+R-3 N+R-2 N+R-1 N+R N+2R-3
= N’-1
x’[
n]
Slika 30: Proširenje signala x [n].
Analiza signala se oslanja na transformacioni par
XDSTFT [m, k ] ↔ x [n]w∗ [n − m], (114)
i aproksimaciju

k
XSTFT mTs , f s ≈ Ts XDSTFT [m, k] (115)
N
XDSTFT [m, k ] predstavlja matricu čiji su redovi DFT signala x [n]w∗ [n −
m] za svako m = 0, N − R . Koriste se FFT algoritmi u MATLAB-u za
izračunavanje ovih DFT. Funkcija koja izvršava ove operacije se nalazi
u fajlu spektrogram.m, čiji prototip glasi
function [SPECTR,fosa,tosa] = spektrogram(signal,brOdbProz,fs,
brPreklap,prozor)

čiji su ulazni argumenti
• signal - ulazni signal čija se STFT izračunava, kao aproksimacija
pomoću DFT.

3.3 implementacija u matlab-u 51
• brProz - broj odbiraka prozorske funkcije w[n], za koju se pret-

postavlja da je realna funkcija.
• fs - frekvencija odabiranja signala, potrebna zbog vremenske i

frekvencijske ose.
• brPreklap - broj odbiraka R − L, koji predstavljaju preklapa-

nja delova signala nad kojima se vrši DFT; može biti najviše
brProz-1.
• prozor - vektor koji predstavlja prozorsku funkciju w[n]; ako

nije prosled̄en, koristi se Hanov prozor.
Izlazni argumenti su
• SPECTR - spektrogram ulaznog signala, računat preko ugradje-

nog algoritma za DFT u matlabu, fft().
• fosa - frekvencijska osa prilagod̄ena ulaznom signalu, za crtanje

grafika.
• tosa - vremenska osa prilagod̄ena ulaznom signalu, radi crtanja

grafika.
Broj ulaznih argumenata je 0, 1 ili svih 5. Program funnkcioniše kao

deo paketa samo ako mu se ne prosledi nijedan argument, koje on
nalazi u osnovnom radnom prostoru.
Proširivanje signala x [n] na signal x 0 [n] i konstruisanje frekvencij-
ske ose se radi po kodu
srProzora = fix(brOdbProz/2); % odbirak gde je prozor otprilike
maksimalan; brOdbProz je prosledjen broj odbiraka prozora R.
pocetnoVreme = -brOdbProz + srProzora; trenutak gde se nalazi
sredina prozora u pocetku algoritma na vremenskoj osi signala
x[n] (ne x’[n]); pri prikazivanju grafika, posmatrani prozor
w[n] se posmatra kao parna funkcija oko trenutka n=0, i ovo
vreme odgovara pocetnom kasnjenju m., koje je negativno, kao
na slici.
fosa = (0:fix(brFFT/2))*(fs/brFFT); % konstrukcija vektora sa
frekvencijama - posmatraju se samo frekvencije do oko (ili
tacno) polovine frekvencije odabiranja; brFFT je prosledjeni
broj odbiraka za DFT.
modSig = [zeros(brOdbProz-1,1); signal; zeros(brOdbProz-1,1)]; %
modifikovan signal (zero-padding signala sa obe strane), cija
je duzina N’ = N+2R-2.

Računanje DFT i konstruisanje ose kašnjenja se radi po kodu
j = 0; % indeks za vremenski vektor.
krTacka = N-1 + brOdbProz; % tacka N+R-2, sa slike.
STFT = zeros(fix((krTacka-1)/inkr)+1,length(fosa));
tosa = zeros(1,fix((krTacka-1)/inkr)+1);
for i = 1:inkr:krTacka % indeks za pomeranje prozora po signalu

data = modSig(i:i+brOdbProz-1) .* prozor; % ovde se u sustini

ne pomera prozor po signalu, vec se signal pomera u
suprotnom smeru ispod prozora.
dft = abs(fft(data,brFFT));
j = j+1;
STFT(j,:) = (1/fs*dft(1:length(fosa))).^2; % zadrzava se deo
DFT-a do oko polovine frekvencije odabiranja i kvadrira
se da bi se dobio spektrogram.
tosa(j) = (pocetnoVreme + (i-1))* 1/fs; % konstrukcija
vremenskog vektora.
end

Rad koda se može pokazati na EKG signalu prikazanom na slici 31.
Slika 31: EKG signal učitan u program.
Stiskom na dugme “STFT” će se pojaviti prozor sa opcijama kao na

slici 32.
Slika 32: STFT prozor sa potrebnim parametrima.
Odabirom sledećih opcija

3.3 implementacija u matlab-u 53
Tip prozora je: bartlett

Broj odbiraka za prozor je: 250
Broj preklapanja izmedju susednih prozora u odbircima je: 200
Broj odbiraka za izracunavanje DFT je: 5000

se dobija grafik u linearnoj (33a) ili logaritamskoj (33b) razmeri.
(a) Linearna razmera.
(b) Logaritamska razmera.
Slika 33: Spektrogrami EKG signala.
Pošto se od samog starta kreće sa diskretnim signalima, pre toga

mora da se obezbedi da je Šenonova teorema zadovoljena, tj.
f s > 2 ( f mx + f mw ) , (116)
gde su
fs frekvencija odabiranja signala x (t)w∗ (t − τ )
f mx maksimalna frekvencija u signalu x (t)
f mwmaksimalna frekvencija u prozorskoj funkciji w(t)
Pošto, striktno gledano, signali sa konačnim brojem odabiraka ne-
maju konačan propusni opseg, definicije ovih “maksimalnih” frekven-

cija obično podrazumevaju da je spektar kontinualne verzije signala

van opsega [− f m , f m ] “dovoljno mali” (u zavisnosti od aplikacije).

VEJVLET TRANSFORMACIJA
4
WT je linearna metoda koja koristi atome koji se zovu vejvletima
(eng. wavelets).
Vejvlet kolekcija funkcija, za parametar p ≥ 0 i a 6= 0, je definisana
kao
t−b

(WT ) −p
A = ατ, f (t) ≡ ψa,b (t) := | a| ψ( ) ∈ L (R) .
2
(117)
a
gde su a tzv. faktor skale i b parametar translacije, i pripadaju skupu

R\ {0} i R, respektivno.
Funkcija ψ(t) ∈ L2 (R) se naziva roditeljski ili majčinski vejvlet
(eng. mother wavelet). Atomi ψa,b (t) se nazivaju dečijim vejvletima (eng.
baby wavelets) ili češće samo vejvletima, generisanim od strane ψ(t).
Osnovni uslov za vejvlet je
|Ψ( f )|2
Z
Cψ = df, (118)
|f|
gde je Ψ( f ) FT signala ψ(t). Ovaj uslov se naziva uslovom prihvatlji-

vosti (eng. admissibility condition), i implicira karakteristike vejvleta na
osnovu kojih je on dobio i ime:
1. Uslov (118) implicira uslovΨ(0) = 0, odn. vremenskom do-

menu Z
ψ(t)dt = 0. (119)
To znači da vejvlet mora imati površinu ispod krive jednaku

nuli, te njegov oblik on mora da “talasa” (eng. wave = talas).
2. Takod̄e, Ψ( f ) mora biti kontinualno diferencijabilna funkcija, i

ona će to biti ako vejvlet u vremenskom domenu opada do-
voljno brzo u vremenskom domenu
Z
(1 + |t|) |ψ(t)|dt < ∞, (120)
To znači da je vejvlet dobro lokalizovan u vremenskom domenu,

te odatle dolazi i diminutiv u nazivu (eng. wavelet = talasić).
Iz ovih uslova se zaključuje da |Ψ( f )| ima oblik transfer-funkcije filtra

propusnika opsega učestanosti.
Osim ovih osnovnih uslova, postoje i drugi uslovi koji se obično
zahtevaju da bi olakšali analizu i rekonstrukciju signala.
Slično kao kod STFT, parametri a i b se mogu menjati kontinualno
ili diskretno, u zavisnosti od toga koji se tip WT posmatra.
55

56 vejvlet transformacija
Konkretne vrednosti p zavise od primene vejvleta, i po konvenciji

se ne uzimaju negativne vrednosti. U opštem slučaju važi jednakost
||ψa,b ||22 = | a|1−2p ||ψ||22 . (121)
Med̄u čestim izborima za vrednost parametra p su
• p = 0, koji je pogodan pri korišćenju ortonormalnih baza vej-

vleta.
• p = 1, L1 norma ||ψa,b ||1 tada ima istu vrednost pri različitim

vrednostima a i b.
• p = 12 , L2 norma ||ψa,b ||2 tada ima istu vrednost.
Takod̄e, obično se usvaja i da je energija glavnog vejvleta normalizo-

vana
Eψ = kψ(t)k22 = 1.
Primer kontinualnog vejvleta i njegovih skaliranih verzija, zajedno sa
njihovim FT, je dat na slikama 34 i 35.
Analitički oblik glavnog vejvleta ψ(t) nije naveden nigde zato što
on nije jedinstven, isto kao što prozorska funkcija kod STFT nije jedin-
stvena. WT teorija se bavi opštim svojstvima vejvleta i kriterijumima
koje bi oni trebali da zadovolje: uslov prihvatljivosti, regularnost, di-
ferencijalnost, (bi)ortogonalnost, simetričnost itd.
Postoje razne vrste vejvleta i razni načini na koji se oni zadaju
• Glatki vejvleti koji se protežu preko cele vremenske ose ili koji
imaju kompaktan nosač.
• Vejvleti koji su zadani u analitičkom ili u numeričkom obliku,

npr. ako su asocirani filtrima itd..
U aplikacijama, vejvlet može biti izabran iz skupa postojećih ili biti

konstruisan za specifičnu aplikaciju. U opštem slučaju, WT nema ana-
litička rešenja.
4.1 kontinualna wt
Kontinualna WT signala x (t) ∈ L2 (R) je data izrazom

Z
∗
XWT ( a, b) = h x (t), ψa,b (t)i L2 (R) = x (t)ψa,b (t)dt (122)
t−b
Z
= | a|− p x (t)ψ∗ ( )dt,
a
gde je posmatrana konvergencija u L2 -normi.

4.1 kontinualna wt 57
1 a=1
0.5
−0.5
−10 −8 −6 −4 −2 0 2 4 6 8 10
V reme [s]
1 a = 0.5
0.5
−0.5
−10 −8 −6 −4 −2 0 2 4 6 8 10
V reme [s]
1 a=2
0.5
−0.5
−10 −8 −6 −4 −2 0 2 4 6 8 10
V reme [s]
t2
Slika 34: Mother wavelet oblika ψ(t) = √
2
1 (1 − t2 )e− 2 , i dva vejvleta na-
3π 4
stala kontrakcijom/dilatacijom (a = 0.5/a = 2, pri b = 0).
4.1.1 Primeri vejvleta
Pošto je rečeno da oblik vejvleta nije jedinstven, sledeće logično

pitanje je kako konstruisati vejvlet. Koristeći svojstva FT, lako se po-
kazuje da će svaka funkcija f (n) (t) ∈ L2 (R), koja je n-ti izvod neke
funkcije f (t) ∈ L2 (R) i koja nije identički jednaka nuli, zadovoljavati
uslov (118) i moći da bude vejvlet. Osim toga, postoje razni vejvleti
koji su ustaljeni u praksi i u teorijskim razmatranjima i ovde će biti
ukratko navedeni neki.

0.04
0.03
0.02
0.01
0
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
Frekvencija [Hz]
0.02
0.015
0.01
0.005
0
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
Frekvencija [Hz]
0.08
0.06
0.04
0.02
0
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
Frekvencija [Hz]
Slika 35: FT signala sa prethodne slike.
4.1.1.1 Harov vejvlet

Harov vejvlet je najprostiji vejvlet i definisan je kao

1


 1 0≤t< 2

ψ(t) = −1 1
≤t<1 (123)
 2


0 inače

Skup diskretno transliranih i skaliranih Harovih funkcija čini najpro-

stiju ortonormalnu bazu. Med̄utim, ovaj vejvlet je slabo lokalizovan
u frekvencijskom domenu, kao posledica prekidnosti funkcije u vre-
menskom domenu, i to mu je glavni nedostatak koji ga limitira za
odred̄ene aplikacije.

1.5 0.02
0.018
1
0.016
0.014
0.5
0.012
0 0.01
0.008
−0.5
0.006
0.004
−1
0.002
−1.5 0
−0.5 0 0.5 1 1.5 2 −5 −4 −3 −2 −1 0 1 2 3 4 5
V reme [s] Frekvencija [Hz]
(a) Vremenski domen. (b) Frekvencijski domen.
Slika 36: Harov vejvlet.
4.1.1.2 Sinusni vejvlet

Ovaj vejvlet je takod̄e jedan od najjednostavnijih i u pitanju je jedan
ciklus sinusne funkcije

 √1 sin(t) |t| ≤ π
ψ(t) = π (124)
0 inače

0.05
0.6
0.045
0.4 0.04
0.035
0.2
0.03
0 0.025
0.02
−0.2
0.015
−0.4 0.01
0.005
−0.6
0
−6 −4 −2 0 2 4 6 −2 −1.5 −1 −0.5 0 0.5 1 1.5 2
Slika 37: Sinusni vejvlet.
4.1.1.3 Morleov vejvlet

Gausijan je jedina funkcija koja zadovoljava minimum u relaciji (70),
što predstavlja jasnu motivaciju za njegovo korišćenje u VFR. Morleov
vejvlet je, u suštini, modulisani Gausijan
1 t2
ψ(t) = √ e− 2 e j2π f0 t . (125)
2π
Frekvencija f 0 nije fiksirana, ali jedan od izbora je tako da drugi mak-
simum vejvleta bude jednak polovini prvog maksimuma u t = 0 (za
realni deo vejvleta). To daje formulu
r
1
f0 = ≈ 0.849. (126)
2 ln 2

Treba napomenuti da ovaj vejvlet nema nultu srednju vrednost (te
0.4
realni
deo
i deo
0.2
imaginarn
0
-0.2
-0.4
-3 -2 -1 0 1 2 3
Slika 38: Morleov vejvlet, njegov realni i imaginarni deo.
uslov Cψ nije ispunjen), no vrednost Ψ( f )| f =0 je jako mala (∼ 7 · 10−7 ),

pa se efektivno ignoriše. Ako je baš potrebno, dodaje se korektivni
faktor koji ovo ispravlja.
4.1.1.4 “Mexican hat” vejvlet

Pošto je sam Gausijan dobro lokalizovan i u vremenskom i u fre-
kvencijskom domenu, a i beskonačno puta diferencijabilan, bilo koji
izvod gausijana može biti vejvlet. “Mexican hat” vejvlet je drugi izvod
Gausijana sa negativnim znakom
2 2
ψ(t) = √ π −1/4 (1 − t2 )e−t /2 . (127)
3
Sam oblik vejvleta podseća na meksički šešir (slika 39a), pa odatle
potiče i naziv. Ovaj vejvlet se često koristi u aplikacijama za detekciju
ivica.
2000
1
1800
1600
1400
0.5
1200
1000
800
0
600
400
200
−0.5
0
−10 −8 −6 −4 −2 0 2 4 6 8 10 −2 −1.5 −1 −0.5 0 0.5 1 1.5 2
V reme [ s ] Frekvencija [Hz]
Slika 39: “Mexican Hat” vejvlet.

4.1.1.5 Šenonov vejvlet

Ovaj vejvlet je popularan u teoriji. Ima lošiju vremensku rezoluciju,
ali mu je frekvencijska rezolucija vrlo dobra. Formula je
sin(2πt) − sin(πt)
ψ(t) = . (128)
πt
0.03
1
0.8 0.025
0.6
0.4 0.02
0.2
0.015
0
−0.2
0.01
−0.4
−0.6
0.005
−0.8
−1 0
−10 −5 0 5 10 −2 −1.5 −1 −0.5 0 0.5 1 1.5 2
V reme [ s ] Frekvencija [Hz]
Slika 40: Šenonov vejvlet.
4.1.1.6 Mejerov vejvlet
Mejerov vejvlet je modifikovana verzija Šenonovog vejvleta. Nedo-

statak ovog vejvleta je njegova kompleksnost. Formula za Mejerov
vejvlet je zadata u frekvencijskom domenu

1 2


 e jπ f sin( π2 v(3| f | − 1)) 3 ≤ |f| ≤ 3

Ψ( f ) = e jπ f sin( π2 v( 32 | f | − 1)) 2
≤ |f| ≤ 4 (129)
 3 3


0 inače

gde je
v( f ) = f 4 (35 − 84 f + 70 f 2 − 20 f 3 ) f ∈ [0, 1]
0.12
1.5
0.1
1
0.08
0.5
0.06
0
0.04
−0.5 0.02
−1 0
−8 −6 −4 −2 0 2 4 6 8 −2 −1.5 −1 −0.5 0 0.5 1 1.5 2
Slika 41: Mejerov vejvlet.

4.1.2 Algebarska svojstva WT
WT je linearna metoda, pa osobina superpozicije važi. Takod̄e, oso-

bine skaliranja i translacije važe u sledećim oblicima.
Primenjeno na signal:
• Linearnost
αx (t) + βy(t) ↔ αXWT ( a, b) + βYWT ( a, b), (130)
• Translacija
x (t − t0 ) ↔ XWT ( a, b − t0 ), (131)
• Skaliranje
1 t a b
√ x ( ) ↔ XWT ( , ), (132)
α α α α
gde su α i β kompleksne konstante.
Primenjeno na vejvlete (gde su ψ(t) i φ(t) su različiti vejvleti):
• Linearnost
(αψ+ βφ) (ψ) (φ)
XWT ( a, b) = α∗ XWT ( a, b) + β∗ YWT ( a, b). (133)
• Translacija
(ψ(t−t0 )) (ψ)
XWT ( a, b) = XWT ( a, b + t0 a). (134)
• Skaliranje
( α1 ψ( αt )) 1 (ψ)
XWT ( a, b) = √ XWT (αa, b), (135)
α
gde su α i β kompleksne konstante.
Slično kao kod STFT, korišćenjem Parsevalovog identiteta se dobija
XWT ( a, b) = h x (t), ψa,b (t)i = h X ( f ), Ψ a,b ( f )i , (136)
gde važe transformacioni parovi
x ( t ) ↔ X ( f ),
t−b
ψa,b (t) = | a|− p ψ( ) ↔ Ψ a,b ( f ) = | a|1− p e− j2π f b Ψ( a f ),
a
pa se dobija
Z +∞
XWT ( a, b) = h X ( f ), Ψ a,b ( f )i = X ( f ), Ψ∗a,b ( f )d f
−∞
Z +∞
= | a | 1− p X ( f )Ψ∗ ( a f )e j2π f b d f (137)
−∞
1− p −1
= | a | F f →b { X ( f )Ψ∗ ( a f )} .

Formula (137) znači da korišćenje prozora ψa,b (t) na funkciji x (t)

znači i korišćenje prozora Ψ∗ ( a f ) na funkciji X ( f ). Poslednji red je
takod̄e koristan, jer pokazuje da se mogu koristiti Fast Fourier Trans-
form - Brza Furijeova Transformacija, algoritam za DFT (FFT) algo-
ritmi. Pošto je analitička forma vejvleta ψ(t) i njene FT Ψ( f ) obično
poznata, potrebno je izračunati FFT originalnog signala, i onda prime-
niti inverznu FFT na proizvod te dve funkcije (i rezultat pomnožiti sa
| a|1− p ).
4.1.3 Rekonstrukciona formula - inverzna WT
Slično kao i kod STFT, usled redundandnosti same transformacije,

mnoge rekonstrukcione formule postoje. Jedna od formula za sintezu
signala x (t) ∈ L2 (R) je
1
ZZ
x (t) = XWT ( a, b)ψa,b (t)| a|2p−3 dadb, (138)
Cψ
Jasno je da mora važiti Cψ < ∞ da bi jednačina (138) imala smisla.
Izborom p = 2 se dobija
1 dadb
ZZ
x (t) = XWT ( a, b)ψa,b (t) . (139)
Cψ a2
Ako je ψ(t) realna funkcija, moguće je koristiti samo pozitivne vred-
nosti faktora a , pa se Cψ tada može napisati kao
Z +∞
|Ψ( f )|2
Cψ = df, (140)
0 f
a jednačina (139) se modifikuje tako da se integracija vrši samo za
pozitivne vrednosti a
Z +∞ Z +∞
1 dadb
x (t) = XWT ( a, b)ψa,b (t) . (141)
Cψ −∞ 0 a2
Parsevalova relacija za WT glasi
1
ZZ
∗
h x (t), y(t)i = XWT ( a, b)YWT ( a, b)| a|2p−3 dadb. (142)
Cψ
U nastavku će se podrazumevati da je p = 21 i a > 0.

Ako se koriste vejvleti koji su analitičke funkcije. tada se WT naziva
analitičkom WT. Kada je posmatrani signal realna funkcija i kada je
vejvlet analitički signal, pokazuje se da se signal može rekonstruisati
formulom Z
2 ds
x (t) = < XWT ( a, b) 3/2 , (143)
Cψ s
koja je posebno pogodna za numeričke kalkulacije i naziva se Morle-
ovom formulom.
O izvod̄enju inverzne relacije i potrebnim uslovima se više može
naći u [8, 6, 16, 3].

4.1.4 Frekvencija i skala: sličnosti i razlike
Vejvleti sa malim vrednostima a se koriste za analizu brzih pro-

mena u signalu, što je slično STFT atomima modulisanim visokim
frekvencijama. S druge strane, vejvleti sa velikim vrednostima a se
koriste za analizu sporih promena u signalu, slično STFT atomima
modulisanim niskim frekvencijama; u tom smislu je promenljiva a in-
verzno proporcionalna frekvenciji. Med̄utim, frekvencija se nigde ne
spominje eksplicitno u definiciji WT, a sama promenljiva a nema ni
fizičku dimenziju.
Ako se, na primer, posmatra kompleksna sinusoida ψ(t) = e j2π f0 t ,
funkcija ψ( at ) će predstavljati novu kompleksnu sinusoidu frekvencije
f = f 0 /a. Zapravo, za realan signal x (t). moguće je inverznu FT
Z
x (t) = X ( f )e j2π f t d f , (144)
napisati kao
Z +∞
f0 f 0 da
x (t) = < 2 f 0 X ( )e j2π a t 2 . (145)
0 a a
Promenljiva a15)+te povezana sa frekvencijom, ali ne postoji egzaktna

veza izmed̄u skale i frekvencije. Zbog toga se često izabere neka fre-
kvencija f 0 , koja može biti frekvencija na kojoj FT vejvleta dostiže
maksimum, ili standardna devijacija spektralne gustine energije vej-
vleta, i onda se uvede relacija
f := f 0 /a. (146)
Ovako uvedena pseudo-frekvencija se razlikuje od frekvencije na koju

obično mislimo; promenom ove pseudo-frekvencije dolazi do skalira-
nja, a promenom normalne frekvencije dolazi do modulacije (slika
42).
Pseudo-frekvencija se često koristi, ali je korišćenje promenljive a
poželjnije jer je prirodnije.
Više o ovome se može naći u Auger [3? ].
4.1.5 Vremensko-frekvencijska rezolucija kod WT i pored̄enje sa STFT
Sposobnost razlučivanja bliskih komponenti je direktno povezana

sa osobinama vejvleta, kao što je to bio slučaj sa prozorskom funkci-
jom kod STFT.
STFT takod̄e uvodi pojam skale, samo indirektno, preko širine pro-
zora w(t) u izrazu (71). Med̄utim, kod STFT se a tretira kao parametar,
a kod WT se tretira kao promenljiva.
Osnovna razlika izmed̄u STFT i WT je u ponašanju njihovih atoma
pri promeni ulaznih promenljivih. Kod STFT, atomi kroz celu t − f

t
f
Slika 42: Pored̄enje modulacije i skaliranja.
ravan imaju konstantne devijacije, i to uzrokuje probleme pri isto-

vremenoj analizi tranzijentnih signala i dugačkih, sporopromenljivih
komponenti u signalu. WT sadrži atome sa malim vremenskim devi-
jacijama za male vrednosti a i sa velikim vremenskim devijacijama za
velike vrednosti a. Drugim rečima, kako se a menja, menja se širina
vejvleta i njegov propusni opseg. WT se u literaturi
To se može videti na Hajzenbergovim pločicama za vejvlete. Ako naziva i
“matematičkim
funkciji ψ(t) odgovaraju parovi (t0 , f 0 ) i devijacije (∆t, ∆ f ), skalira-
mikroskopom”, pošto
f
noj funkciji ψa (t) := ψ( at ) odgovaraju parovi t0,a := at0 , f 0,a := a0 postoji analogija

∆f
izmed̄u WT i
i ∆t a := a∆t, ∆ f a := a . Oblik Hajzenbergovih pločica se menja u posmatranja nečega
zavisnosti od vrednosti a (slika 43). Princip neodred̄enosti je i dalje pod mikroskopom;
faktor skale a
odgovara
f f magnifikacionoj
moći i rezoluciji
mikroskopa, a faktor
f1 f1 translacije
bPodgovara
lociranju
posmatranog objekta.
f2 f2
Ako se žele
posmatrati sitni
detalji, uveličavanje
τ1 τ2 τ b1 b2 b i rezolucija
(a) (b) mikroskopa moraju
biti na visokom
Slika 43: Hajzenbergovi okviri kod (a) STFT i (b) WT. nivou, što odgovara
malim vrednostima
a, tj. maloj
vremenskoj devijaciji
vejvleta, koja
predstavlja dobru
vremensku
rezoluciju.

na snazi, jer vrednost proizvoda ostaje ista
∆f
∆t a ∆ f a = a∆t = ∆t∆ f , (147)
a
ali sada vremenska devijacija može biti proizvoljno mala, a frekven-
cijska devijacija proizvoljno visoka pri pogodnom izboru faktora a.
Vremensko-frekvencijska rezolucija kod WT se menja kroz a − b ra-
van.
Ovo znači da je WT dosta pogodnija za istovremenu analizu go-
respomenutih komponenti u signalu. Za druge tipove komponenti,
to ne važi; sinusoida visoke frekvencije, na primer, ne bi bila dobro
analizirana pomoću WT.
To se vidi jasno na primeru dva signala, tj. njihovih diskretnih ver-
zija u MATLAB-u; prvi signal je Dirakov impuls (za vejvlet je u oba
primera izabran Morleov vejvlet, slika 44).
t0 − b
x (t) = δ(t − t0 ) ⇒ XWT ( a, b) = ψ∗ ( ). (148)
a
sig1 = anapulse(128); % impuls oko 64-og odbirka
figure(1); tfrscalo(sig1,1:128,5,0.05,0.45,128,1); % skalogram sa
Morleovim vejvletom od 5 odbiraka


1
Realni deo
0.5
0
Linearna razmera
0.5
0.4
Frekvencija [Hz]
0.3
0.2
0.1
0
4 3 2 1 20 40 60 80 100 120
Vreme [s]
Slika 44: Morleov skalogram impulsa oko 64-og odbirka - vremenska rezo-
lucija zavisi od posmatrane frekvencije.
Kako se a povećava, vremenska rezolucija postaje lošija i sve je teže

prepoznati trenutak pojavljivanja Dirakovog impulsa.
Drugi signal je zbir dve kompleksne sinusoide (slika 45):
√
x (t) = e j2π f1 t + e j2π f2 t ⇒ XWT ( a, b) = a Ψ∗ ( a f 1 )e j2π f1 b + Ψ∗ ( a f 2 )e j2π f2 b
(149)
sig = fmconst(128,.15)+fmconst(128,.35); % zbir dve sinusoidalne
komponente

figure(2); tfrscalo(sig,1:128,10,0.05,0.45,128,1); % skalogram sa

Morleovim vejvletom od 10 odbiraka


2
Realni deo
0
−2
Linearna razmera
0.5
0.4
Frekvencija [Hz]
0.3
0.2
0.1
0
15000 10000 5000 20 40 60 80 100 120
Vreme [s]
Slika 45: Morleov skalogram dve sinusoide od 128 odbiraka.
Sinusoida manje frekvencije ima bolju frekvencijsku rezoluciju od si-

nusoide veće frekvencije.
Upored̄ivanje STFT i WT se može izvršiti na signalu sa slike 46. U
pitanju je diskretna sinusoida na koju je superponiran impuls oko 64.
odbirka.
sig = 7*anapulse(128) + fmconst(128,.15);
figure(1); plot(real(sig),’k’);
axis([-10 138 -2 9]);
xlabel(’$Vreme$ $[s]$’,’interpreter’,’latex’);
w = window(’hamming’,15); figure(2); tfrstft(sig,1:128,128,w);
w = window(’hamming’,31); figure(3); tfrstft(sig,1:128,128,w);
figure(4); tfrscalo(sig,1:128,5,0.05,0.45,128,1);
figure(5); tfrscalo(sig,1:128,10,0.05,0.45,128,1);

−1
−2
0 20 40 60 80 100 120
V reme [s]
Slika 46: Sinusoida sa dodatim impulsom.

0.5 0.5
0.45 0.45
0.4 0.4
0.35 0.35
0.3 0.3
Frekvencija [Hz]
Frekvencija [Hz]
0.25 0.25
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
20 40 60 80 100 120 20 40 60 80 100 120
Vreme [s] Vreme [s]
(a) Hamingov prozor od 15 odbiraka. (b) Hamingov prozor od 31 odbirka.
0.5 0.5
0.45 0.45
0.4 0.4
0.35 0.35
0.3 0.3
Frekvencija [Hz]
Frekvencija [Hz]
0.25 0.25
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
20 40 60 80 100 120 20 40 60 80 100 120
Vreme [s] Vreme [s]
(c) Morleov vejvlet od 10 odbiraka. (d) Morleov vejvlet od 20 odbiraka.
Slika 47: Pored̄enje STFT i WT.
4.1.6 Uslov regularnosti i karakterizacija singulariteta kod WT
Sposobnost WT da dobro detektuju kratke impulse i dugotrajne si-

nusoide se matematički opisuje uslovima regularnosti i karakteriza-
cije singulariteta.
4.1.6.1 Regularnost vejvleta

Pošto dosta signala može biti predstavljeno polinomskom funkci-
jom proizvoljne tačnosti, poželjno je da roditeljski vejvlet bude manje
osetljiv na polinome nižih redova (koji modeliraju spore promene u
signalu). Ovo se naziva uslovom regularnosti, i on nije obavezan sam
po sebi, ali je jako poželjan.
Bez gubljenja opštosti, neka se posmatra WT signala za b = 0
1 t
Z
XWT ( a, 0) = √ x (t)ψ∗ ( )dt. (150)
a a
Signal x (t) se može razviti u Maklorenov red do reda n, pa se dobija

" #
n
1 tk t
Z
XWT ( a, 0) = √
a
∑ x (0) + Rn (t) ψ∗ ( )dt
(k)
k! a
(151)
k =0
" #
n Z k
1 t ∗ t ∗ t
Z
= √ ∑ x (0) (k)
ψ ( )dt + Rn (t)ψ ( )dt .
a k =0 k! a a
Momenti vejvleta su definisani kao

Z
Mk : = tk ψ∗ (t)dt, k = 0, 1, . . . (152)

pa se (151) može napisati kao

" #
1 x 0 (0) x” ( 0 ) x ( n ) (0)
XWT ( a, 0) = √ x (0) M0 a + M1 a2 + M2 a3 + . . . + Mn an+1 + O( an+2 ) ,
a 1! 2! n!
(153)
n + 2 ∗ t
R
gde je O( a ) = Rn (t)ψ ( a )dt.
Prvi termin u zagradi sa M0 je uvek jednak nuli. Ako vejvlet ima
ostalih n momenata jednakih nuli, kaže se da vejvlet ima n + 1 iščeza-
vajućih momenata, tj.
Z
Mk = tk ψ∗ (t)dt, za k = 0, n, (154)
Uslov (154) je ekvivalentan uslovu
Ψ(k) (0) = 0, za k = 0, n, (155)
u frekvencijskom domenu, gde je Ψ( f ) FT signala ψ(t).

Ideja je da, što više iščezavajućih momenata vejvlet ima, to će on
biti manje osetljiv na niskofrekventne promene u signalu, pri analizi
signala će manje koeficijenata imati značajne amplitude.
Više o ovome se može naći u [19].
4.1.6.2 Karakterizacija singulariteta

Vejvleti koji zadovoljavaju uslov regularnosti bolje detektuju singu-
laritete u signalu. To je posledica činjenice da funkcija ψa,b (t) postaje
proizvoljno kratka za proizvoljno malo a. To se može videti ako se
ubaci x (t) = δ(t − t0 ) u jednačinu sinteze, čime se dobija
1 1 t0 − b
Z
∗
XWT ( a, b) = √ x (t)ψa,b (t)dt = √ ψ∗ ( ). (156)
a a a
Pri a → 0, funkcija XWT ( a, b), gledano kao funkcija promenljive b,

postaje sve kraća, a apsolutna vrednost joj raste kao a−1/2 .
Dirakov impuls je jedan od tipova singulariteta. Uopšteno, vred-
nost signala x (t) u tački t = t0 se naziva singularitetom reda n ako
n-ti izvod signala x (t) sadrži Dirakov impuls δ(t − t0 ).
Da bi WT dobro analizirao ove singularitete, potrebno je da vej-
vlet ima prvih n momenata jednakih nuli. Za to se koristi primitivna
funkcija vejvleta, definisana kao
Z t
θ (t) := ψ∗ (τ )dτ. (157)
−∞
Primitivna funkcija n-tog reda θ (n) (t) se dobija ponavljanjem ovog

postupka n puta, a primitivna funkcija nultog reda je sam vejvlet
(samo konjugovan). Kada su momenti do n-tog reda vejvleta jednaki
nuli, tada njegove primitivne funkcije do n-tog reda imaju kompaktan
nosač.

WT se može napisati preko parcijalne integracije:

1 t−b
Z
XWT ( a, b) = √ x (t)ψ∗ ( )dt (158)
a a
√ t−b +∞
Z √
t−b 0
= [ aθ ( ) x (t)]−∞ − aθ ( ) x (t)dt
a a
Z √
t−b 0
= − aθ ( ) x (t)dt.
a
Prvi član u parcijalnoj integraciji je jednak nuli zbog kompaktnosti
nosača funkcije θ (t). Ovaj postupak je moguće ponoviti n puta, i svaki
put će prvi član u parcijalnoj integraciji biti jednak nuli.iPo završetku
n-tog puta, dobiće se
t − b (n)
Z
1
XWT ( a, b) = (−1)n an− 2 θ (n) ( ) x (t)dt. (159)
a
Ako signal x (t) ima singularitet n-tog reda, u jednačini (159) će se
javiti Dirakov impuls δ(t − t0 ), i dobiće se
1 t0 − b
XWT ( a, b) = (−1)n an− 2 θ (n) ( ). (160)
a
Kada a → 0, XWT ( a, b) postaje skoncetrisanija oko t0 , a amplituda se
1
menja kao an− 2 .
Ako vejvlet ima N iščezavajućih momenata, i signal sadrži singula-
ritete reda n ≤ N, analiza tog signala će predstavljati superpoziciju
funkcija (160) (slika 48).
Više o ovome se može naći u [? ].
4.1.7 WT kao banka filtara
Koristeći isti postupak kao u poglavlju za STFT, izraz (122) se može

napisati kao
1 +∞ Z
t−b
XWT ( a, b) = √ x (t)ψ∗ ( )dt (161)
a −∞ a
Z +∞
1 b−t
= √ x (t)ψ∗ (− )dt (162)
a −∞ a
1 b
= x (b) ∗ √ ψ∗ (− ).
a a
Za fiksirano a, WT se može tumačiti kao izlazni signal filtra sa im-
pulsnim odzivom h(b) = √1a ψ∗ (− ba ) (slika 49). Transfer-funkcija1 tog
filtra je √
H ( f ) = aΨ∗ ( a f ). (163)
Ove transfer-funkcije su prikazane na slici 50.
1 Ukoliko se ipak izabere p = 1 u (117), važiće H ( f ) = Ψ∗ ( a f ), i sve transfer-funkcije
će biti istih amplituda; ovo je pogodno ako se WT želi implementirati kao banka
filtara.

t
(a)
a-½ a½ a3⁄2 a3⁄2
a
(b)
Slika 48: (a) Signal sa singularitetima nultog, prvog i drugog reda i (b) njena
WT.
Slika 49: LTI model.
Kod filtara se generalno definiše faktor Q, kao odnos centralne fre-

kvencije filtra i propusnog opsega filtra
fc
Q= . (164)
B
pod uslovom da je propusni opseg konačan, Ako nije, može se kori-
stiti neka druga mera, poput standardne devijacije. Recipročna vred-
nost ovog faktora se naziva relativnim propusnim opsegom filtra.
Relativni propusni opseg svakog vejvleta je isti, i iznosi
∆ fa ∆ f /a ∆f
= = =⇒ Q = const, (165)
( f0 )a f 0 /a f0
gde je f 0 centralna frekvencija, a ∆ f standardna devijacija roditeljskog

vejvleta.

amplitudski spektar Hi(f)
a11/2 Ψ*(a1f)
a21/2 Ψ*(a2f)
a31/2 Ψ*(a3f)
a41/2 Ψ*(a4f)
a51/2 Ψ*(a5f)
.. . ...
Slika 50: Banka filtara (a1 > a2 > a3 > a4 ).
konstantni propusni opseg (STFT)
f0 2f0 3f0 4f0 5f0 6f0 7f0 8f0 f

(a) STFT
konstantni relativni propusnih opseg (WT)
f0 2f0 4f0 8f0 f

(b) WT
Slika 51: Particija frekvencijskog domena kod (a) STFT i (b) WT.
Podsećanja radi, STFT je predstavljao skup filtara jednakih propu-

snih opsega (ili devijacija), koji su bili ravnomerno translirani po fre-
kvencijskoj osi. WT, s druge strane, predstavlja skup filtara jednakog
relativnog propusnog opsega (slika 51).
4.1.8 Skalogram
Energija signala se može izračunati preko W! (W!)T kao
dadb
ZZ
Ex = | XWT ( a, b)|2 , (166)
a2
Skalogram, slično spektrogramu, je moduo kvadrata WT
Sx ( a, b) := | XWT ( a, b)|2 , (167)

i, opet slično spektrogramu, predstavlja gustinu energije signala u

a − b ravni (u odnosu na meru dadb
a2
).
Kao primer u MATLAB-u, skalogram za dve gausijanske kompo-
nente različitih parametara se može videti na slici 52.
sig = atoms(128,[32,0.1,25,1;95,0.35,25,1]); % gausijanski atomi
tfrscalo(sig); % skalogram


1
Realni deo 0.5

0
−0.5
Linearna razmera
0.5
0.4
Frekvencija [Hz]
0.3
0.2
0.1
0
600 400 200 20 40 60 80 100 120
Vreme [s]
Slika 52: Morleov skalogram dva atoma.
Atom sa manjom frekvencijom ima bolju frekvencijsku rezoluciju, a

drugi atom ima bolju vremensku rezoluciju.
4.1.9 Redundantnost WT
Kao i kontinualna STFT, kontinualna WT je vrlo redundantna re-

prezentacija signala. I ovde važi da, ako funkcija XWT ( a, b) pripada
skupu funkcija koje predstavljaju WT kvadratno-integrabilnih signala
W ⊂ L2 (R2 ), mora važiti
Z +∞ Z +∞
dadb
XWT ( a, b) = XWT ( a0 , b0 )K ( a0 , b0 , a, b) , ∀ ( a, b) ∈ R2
−∞ −∞ a2
(168)
gde je = K ( a0 , b0 , a, b) 1
Cψ hψa0 ,b0 (t), ψa,b (t)i tzv. WT kernel funkcija.
Obrnuto isto važi, tj, ako neka funkcija H ( a, b) ∈ L2 (R2 ) zadovo-
ljava (168), onda mora postojati funkcija x (t) i vejvlet ψ(t) tako da
(ψ)
važi H ( a, b) = XWT ( a, b).
Više o ovome u Kovacevic J. [11].
4.1.10 Diskretizacija kontinualne WT
Diskretizovana WT predstavlja kontinualnu WT čije elementarne

funkcije uzimaju diskretne vrednosti parametara i b. Diskretizovana
WT se može dobiti ok kontinualne odabiranjem a − b ravni.

Za razliku od STFT, kod WT je prirodno je da se a − b ravan odabira

neuniformno, i to tako da
• promenljiva a bude diskretizovana u intervalima a0m , a0 > 1;
• promenljiva b u intervalima nb0 a0m , b0 > 0.
Rezon iza ovakvog biranja vrednosti parametara je sledeći: vejvlet

kome odgovara mala vrednost a = a0m (što odgovara velikom nega-
tivnom m) će biti a0m puta skocentrisaniji od vejvleta ψ(t) u vremenu,
pa zbog toga treba uzimati male korake za translaciju. Slično tome,
za veliko a = a0m (što odgovara velikom pozitivnom m), vejvlet će biti
a0m puta prošireniji od vejvleta ψ(t) u vremenu, pa se i veći koraci
pri translaciji koriste. Za osu promenljive a na graficima se usvaja
logaritamska razmera, pošto je loga = m · loga0 .
Time se dobija
1 t − nb0 a0m − m2 −m
ψm,n (t) = p m ψ( ) = a 0 ψ ( a0 t − nb0 ); a0 > 0, b0 > 0; m, n ∈ Z.
a0 a0m
(169)
Koeficijenti u analizi se dobijaju kao
Z
−m ∗
XWT [m, n] = h x, ψm,n i L2 (R) = a0 2 x (t)ψm,n (t)dt. (170)
Slično kao i kod disketizovane STFT, diskretizovana WT se oslanja na

teoriju okvira. WT koeficijenti koji zadovoljavaju uslove da čine okvir
zadovoljavaju relaciju
AEx ≤ ∑ ∑ |XWT
2
| ≤ BEx , (171)
m n
gde su A > 0 i B > 0 granice okvira, i zavise od izbora parametara

a0 i b0 i konkretnog vejvleta, i to preko relacije
|Ψ( f )|2
Z
π
A≤ df ≤ B (172)
b0 log a0 |f|
Rekonstrukciona formula analogna jednačini (138), u opštem slučaju,
ne postoji. Delimična rekonstrukcija je moguća kao
2
x (t) =
A+B ∑ ∑ XWT [m, n]ψm,n (t) + e (x) . (173)
m n
Greška e ( x ) postaje sve manja i manja kada odnos B/Ateži jedinici.

Za A = B, okvir je čvrst, greška je jednaka nuli, i rekonstrukciona
formula se svodi na
1
x (t) =
A ∑ ∑ XWT [m, n]ψm,n (t). (174)
m n
Za A > 1, okvir je redundantan i A predstavlja meru te redundant-

nosti. Za A = 1 se dobija ortonormalna baza.

4.2 multirezoluciona analiza 75
Primera radi, “Fexican hat” vejvlet (4.1.1.4), diskretizovan parame-

trima a0 = 21/2 ib0 = 0.5, daje vrednosti A = 13.639 i B = 13.673,
čiji odnos iznosi 1.002. Za skoro sve potrebe, ovo se može praktično
smatrati čvrstim okvirom.
saor a0 = 2, b0 = 1 se naziva dijadnim odabiranjem. Na slici 53 je
prikazana dijadna mreža odabiranja, gde je a-osa u logaritamskoj ras-
podeli, a b-osa u linearnoj. Dijadno odabiranje je možda najprostije
Wx(a,b)
log a
Slika 53: Dijadna diskretizacija a − b ravni.
i najefikasnije odabiranje
n za praktične potrebe, iovodi ka konstrukciji
m
ortonormalne baze ψm,n (t) := 2− 2 ψ(2−m t − n) , odnosno

1 m = m0 ∧ n = n0
Z
∗
ψm,n (t)ψm 0 ,n0 ( t ) dt = . (175)
0 inače

Pošto za ortonormalnu bazu važi A = 1, rekonstrukcija signala je
x (t) = ∑ ∑ XWT [m, n]ψm,n (t). (176)

m n
Dijadno odabiranje nikako nije jedino moguće odabiranje u a − b

ravni. Primeri odabiranja ravni drugim faktorima a0 se mogu naći
u [22, 4, 7]. Više o samoj diskretizaciji se može pročitati u [1, 6].
U nastavku će se posmatrati dijadno odabiranje.
4.2 multirezoluciona analiza
U svim slučajevima posmatranim do sad, analiza signala se vršila

direktno računanjem relevantnih integrala za sve moguće vrednosti
parametara. Oko 1986. godine se pojavio drugi metod za za analizu i
sintezu signala koji je potpuno rekurzivan, pa i idealan za kalkulacije
na računaru.
Metoda počinje tako što se posmatra signal x0 := { xn }, koji predsta-
vlja odabiranu verziju signala x (t), tj. xn := x (kT ), i taj signal signal

se potom rastavlja kao x0 = x1 + d1 , gde je x1 usrednjena verzija, odn.

aproksimacija originalnog signala x0 , a d1 signal koji predstavlja deta-
lje koji su nestali tim usrednjavanjem. Postupak se može ponoviti na
signalu x1 , i tako rekurzivno ponavljati., pa se na kraju može napisati
x 0 = x N + d1 + d2 + . . . d N , (177)
ako je analiza urad̄ena N puta. Sinteza signala izgleda kao da se poči-

nje od neke jako grube verzije posmatranog signala (niskofrekventne
aproksimacije), i dodavanjem raznih detalja (delova spektra na višim
frekvencijama) se dolazi polako do potpune rekonstrukcije signala,
kao kada npr. slikar kreće da crta sliku, pa od najgrubljih kontura
u početku dolazi do gotovog crteža na kraju. Pošto je rezolucija sig-
nala inherentno povezana sa spektrom signala, odn. sa detaljima koje
signal može da prikaže, ova metoda je nazvana metodom multire-
zolucione analize (Multiresolution Analysis - Multirezoluciona ana-
liza (MRA)).
For je počela da privlači pažnju kada je pokazano da se signali dn
mogu predstaviti kao superpozicija vejvleta ψm,n , sa posebno izabra-
nim roditeljskim vejvletom ψ koji se dobija rekurzivno koeficijentima
filtra odgovornim za gorepomenuti proces usrednjavanja. Vejvleti koji
su konstruisani ovako mogu da formiraju ortonormalnu bazu, i to sa
velikom slobodom pri izboru dodatnih svojstava (npr. glatkost, lokali-
tet) za roditeljski vejvlet pri konstrukciji istog. Ovo je jedan od glavnih
razloga naglog rasta popularnosti vejvleta.
4.2.1 Multirezoluciona analiza i kontinualna WT
Pošto MRA i WT imaju puno dodirnih tačaka, ta veza se može uspo-

staviti i kod kontinualne WT.
Ako se uzme formula (141) i ubaci se donja granica a0 , dobija se
aproksimacija
Z +∞ Z +∞
1 dadb
x a0 ( t ) = XWT ( a, b)ψa,b (t) . (178)
Cψ −∞ a0 a2

FT od x a0 (t) glasi
Z +∞ Z +∞
1 dadb
X a0 ( f ) = Ft→ f XWT ( a, b)ψa,b (t) 2 (179)
Cψ−∞ a0 a
Z +∞ Z +∞
1 dadb
= XWT ( a, b)Ft→ f {ψa,b (t)} 2
Cψ −∞ a0 a
Z +∞ Z +∞ √ i dadb
1 h
= XWT ( a, b) aΨ( a f )e− j2π f b
Cψ −∞ a0 a2
Z +∞ Z +∞ √
1 a
= Ψ( a f ) XWT ( a, b)e− j2π f b db 2
da
Cψ v −∞ a
Z +∞ √
1 √ ∗
a
= Ψ( a f ) aX ( f )Ψ ( a f ) 2 da
Cψ a0 a
Z +∞
1 da
= X( f ) · |Ψ( a f )|2 . (180)
Cψ a 0 a
Vidi se da je x a0 (t) može posmatrati kao filtrirana verzija signala x (t),

R +∞ |Ψ(a f )|2
i to filtrom čija je transfer-funkcija H ( f ) := C1ψ a0 a da. Ovaj
integral se može napisati uz pomoć funkcije
Z +∞
|Ψ(u)|2
|Φ( f )|2 := du (181)
|f| u
kao
1
H( f ) = |Φ( a0 f )|2 , (182)
Cψ
gde se faza funkcije Φ( f ) se može proizvoljno izabrati. Funkciji Φ( a0 f )
u vremenskom domenu odgovara funkcija a10 ϕ( at0 ), gde se funkcija
ϕ(t) := F −1 {Φ( f )} naziva skalirajućom funkcijom. Izraz (180) se dalje
može napisati kao
1
X a0 ( f ) = X ( f ) |Φ( a0 f )|2
Cψ
1
= X ( f ) Φ ∗ ( a 0 f ) Φ ( a 0 f ),
Cψ
čemu u vremenskom domenu odgovara
1 1 ∗ −t 1 t
x a0 ( t ) = Cψ x (t) ∗ ϕ ( 0 ) ∗ 0 ϕ( 0 ) (183)
a0 a a a
Ako definišemo translirane i dilatirane funkcije ϕ a (t) := √1 ϕ ( t ) i
a a
ϕ a,b (t) := √1 ϕ ( t−b ), gornji izraz se može napisati kao
a a
1
x (t) = XSC ( a0 , t) ∗ ϕ a0 (t), (184)
Cψ a0
gde je
XSC ( a0 , t) := x (t) ∗ ϕ∗a0 (−t) = h x (u), ϕ a0 ,t (u)i L2 (R) . (185)

FT vejvleta ima oblik transfer-funkcije filtra propusnika opsega uče-

stanosti, ali ima oblik transfer-funkcije filtra propusnika niskih uče-
stanosti: kada f → 0, |Φ( a0 f )| → Cψ , i kada f → ∞, |Φ( a0 f )| → 0.
p
To znači da signal x a0 (t) predstavlja niskofrekventnu aproksimaciju sig-

nala x (t), i za različite vrednosti a0 se dobijaju različite aproksimacije
signala. Ako definišemo i ψa (t) := √1a ψ( at ), izraz za signal x (t) se
može napisati kao
1 dadb
ZZ
x (t) = XWT ( a, b)ψa,b (t)
Cψ a2
+∞ Z Z a0
Z Z
1 dadb dadb
= XWT ( a, b)ψa,b (t) 2 + XWT ( a, b)ψa,b (t) 2
Cψ a0 a 0 a
Z a0
1 1 da
= h x (u), ϕ a0 ,t (u)i ∗ ϕ a0 (t) + [h x (u), ψa,t (u)i ∗ ψa (t)]
Cψ a0 Cψ 0 a2
Z a0
1 1 da
= XSC ( a0 , t) ∗ ϕ a0 (t) + [ XWT ( a, t) ∗ ψa (t)] 2 (186)
Cψ a0 Cψ 0 a
| {z } | {z }
nisko f rekventna aproksimacija detalji
Izraz (186) govori da se signal može rekonstruisati iz dve glavne kom-

ponente:
• niskofrekvetnog dela, dobijenog preko koeficijenata XSC ( a0 , b),

koji daju aproksimaciju signala na skali a0 .
• visokofrekventnog dela, dobijenog preko koeficijenata XWT ( a, b),

koji dodaju preostale detalje aproksimaciji na skali a0 .
Za razliku od jednačine (138), gde su vrednosti faktora a išle od

nule do beskonačnosti,
√ ovde idu do a0 . Ostatak je zamenjen transfer-
funkcijom a0 Φ∗ ( a0 f ). (slika 54).
transfer-funkcija skalirajuće funkcije
transfer-funkcije vejvleta kojima odgovara a < a’
. .. ...
Slika 54: Transfer-funkcija skalirajuće funkcije ϕ(t).
Ideja koja ovde dolazi do izražaja je da se signal može analizirati

na dva načina:
1. Signal može biti analiziran pomoću vejvleta kompletno.
2. Signa može biti analiziran tako što će jedan deo signala, koji
odgovara njegovom visokofrekventnom sadržaju, biti analizi-
ran pomoću vejvleta (pošto su oni tako dobri u analizi brzih

promena, tj. “detalja” u signalu), a drugi deo signala, koji odgo-

vara njegovom niskofrekventnomengdržaju, biti analiziran po-
moću skalirajućih funkcija, koje treba da istaknu sporopromen-
ljive trendove u signalu, i konstruišu njegove aproksimacije.
Više o ovome se može naći u [3, 23, 12, 15].
4.2.2 Multirezoluciona analiza i diskretizovana WT - diskretna WT
Skalirajuća funkcija ϕ(t) predstavlja glavno orud̄e u MRA i pomoću

nje se konstruišu sve ostale skalirane verzije ϕm,n (t) := 2−m/2 ϕ(2−m t −
n), (m, n ∈ Z) koje predstavljaju ostale elementarne funkcije, a potom
se pomoću nje konstruišu vejvleti. Koeficijenti h x, ϕm,n i služe da što
bolje predstave signal x (t) u okolini funkcije ϕm,n (t), što je u kontra-
stu sa koeficijentima h x, ψm,n i koji predstavljaju “detalje” u signalu.
Da bi se mogla kostruisati MRA, roditeljska skalirajuća funkcija ϕ(t)
treba da zadovoljava nekoliko uslova2 :
1. ϕ(t) je ortonormalna sa svojim transliranim verzijama
h ϕn , ϕk i = δnk . (187)
Ovo se prenosi i na njene skalirane verzije
h ϕm,n , ϕm,k i = δnk , ∀m ∈ Z (188)
med̄utim, skalirajuće funkcije pri različitim skalama nisu med̄u-
sobno ortogonalne.
2. Svojstvo usrednjavanja
Z
ϕ(t)dt = 1, (189)
i ovo je potrebno da bi imalo smisla posmatrati koeficijente

h x, ϕm,n i kao nekakve usrednjene vrednosti originalnog signala
koje treba da istaknu njegovu strukturu.
Prostor koji formiraju funkcije konačne energije, a koje su obra-
zovane od ortonormalnih funkcija ϕn (t) := ϕ(t − n), se naziva
prostorom V0 , tj.
( )
V0 = x= ∑ xn ϕn , ||x||2 < ∞ . (190)
n
Lako se pokazuje i da funkcije ϕm,n (t) onda čine prostor Vm , pod

istim pretpostavkama. Drugim
n rečima, prostori Vm su skalirane o
m
verzije prostora V0 i skup ϕm,n (t) := 2− 2 ϕ(2−m t − n), n ∈ Z
predstavlja ortonormalnu bazu u prostoru Vm , m ∈ Z. Roditelj-
ska skalirajuća funkcija ϕ(t) se još naziva i očinski vejvlet (eng.
father wavelet).
2 Striktno govoreći, prva dva uslova nisu neophodna za generalni MRA tretman, ali
su često prisutni.

3. Prostori moraju biti ugnježdeni
Vm+1 ⊂ Vm . (191)
Ovo suštinski govori kako svaki prostor Vm sadrži informaciju

koju imaju i svi ostali prostori više “razvučeni” od njega i koji
sadrže funkcije koje predstavljaju grublje aproksimacije.
Multirezoluciona dijadna analiza se, dakle, može predstaviti formal-

nim “cepanjem” L2 (R) prostora na niz ugnježdenh potprostora Vm , m ∈
Z
. . . ⊂ Vm+1 ⊂ Vm ⊂ Vm−1 ⊂ . . . , (192)
grublje← →finije
Svojstvo ugnježdavanja ovih potprostora se može simbolički predsta-

viti skupovnim dijagramom (slika 55), gde potprostor sa manjim in-
deksom predstavlja veći skup koji sadrži sve manje skupove.
V1 V0 V-1
Slika 55: Ugnježdeni potprostori kod MRA.
Svojstva koja karakterišu ove ugnježdene potprostore su:
Vm = V∞ = {0}.
T
1.
m ∈Z
Vm = V−∞ = L2 (R).
S
2.
m ∈Z
Koeficijenti koji se dobijaju kao unutrašnji proizvod signala i skalira-

juće funkcije
Z
XSC [m, n] = h x, ϕm,n i L2 (R) = x (t) ϕ∗m,n (t)dt, (193)
se nazivaju aproksimativnim koeficijentima. Skup aproksimativnih

koeficijenata na odred̄enoj skali predstavlja diskretnu aproksimaciju sig-
nala na toj skali. Kontinualna aproksimacija signala na toj skali se onda
dobija kao
xm (t) = ∑ XSC [m, n] ϕm,n (t). (194)
n

Kontinualna aproksimacija signala se približava originalnom signalu

kako skale postaju sve manje, tj. xm (t) → x (t) (m → −∞).
Od grublje aproksimacije do finije se može doći “dodavanjem de-
talja” grubljoj aproksimaciji. Ti “detalji” moraju biti funkcije koje ne
pripadaju trenutnom prostoru Vm , ali su ono što je potrebno da bi
se došlo do aproksimacije signala u sledećem prostoru Vm−1 . Tome
služe WT koeficijenti i vejvleti na skali m. Analogno jednačini (194),
detalji signala na odred̄enoj skali se definišu kao
dm (t) = ∑ XWT [m, n]ψm,n (t). (195)

n
Zbir aproksimacije signala i detalja signala na odred̄enoj skali će pro-

izvesti bolju aproksimaciju signala
x m −1 = x m + d m = ∑ XSC [m, n] ϕm,n (t) + ∑ XWT [m, n]ψm,n (t). (196)

n n
Prateći ovu logiku, originalni signal može biti rekonstruisan kao

m
x (t) = lim xm = xm (t) + dm + dm−1 + . . . = xm (t) +
m→−∞
∑ d k ( t ).
k =−∞
(197)
U kontekstu prethodno opisanih ugnježdenih prostora, sve funkcije
koje se nalaze u prostoru Vm−1 i van prostora Vm čine prostor Wm koji
predstavlja (ortogonalni) komplement prostoru Vm (slika 56)
Vm Vm-1
Wm
Slika 56: Wm prostor.
n o
Wm = Vm⊥ = f ∈ Vm−1 | h f , ϕm,n i L2 (R) = 0, ∀n ∈ Z . (198)
Svaka funkcija koja pripada prostoru Vm−1 se može napisati kao su-
perpozicija funkcija iz skupova Vm i Wm
Vm−1 = Vm ⊕ Wm . (199)
Za razliku od različitih prostora Vm , svi prostori Wm su med̄usobno

ortogonalni, tj. važi Wm ⊥Wj , ∀m 6= j.

Kao posledica identiteta (199), prostor L2 (R) se može napisati i kao
L2 (R) = V0 ⊕ W0 ⊕ W−1 ⊕ W−2 ⊕ . . . (200)

z }| {
V1 ⊕ W1
z }| {
V2 ⊕ W2
z}|{
..
.
= . . . ⊕ W2 ⊕ W1 ⊕ W0 ⊕ W−1 ⊕ W−2 ⊕ . . . . (201)
Drugim rečima, važi

L2 (R) =
M
Wn , (202)
n ∈Z
n m
o
U prostoru Wm , skup funkcija ψm,n (t) := 2− 2 ψ(2−m t − n), n ∈ Z ,
koje se se nazivaju vejvletima,
n čine ortonormalnu bazu u njemu. Uzi-
o
m
majući u obzir i (202), skup ψm,n (t) := 2− 2 ψ(2−m t − n), m, n ∈ Z
čini ortonormalnu bazu za prostor L2 (R).
4.2.2.1 Jednačina dilatacije

Pošto važi V0 ⊂ V−1 , funkcija ϕ(t) se može napisati kao
√
ϕ(t) = ∑ hn 2ϕ(2t − n), (203)
n ∈Z
odn., u opštijem obliku za Vm ⊂ Vm−1
ϕm,n (t) = ∑ hk ϕm−1,2n+k (t)

k ∈Z
Ova jednačina se naziva jednačinom dilatacije.

Slično tome, pošto važi i W0 ⊂ V−1 , može se napisati
√
ψ(t) = ∑ gn 2ϕ(2t − n), (204)
n ∈Z
odn., u opštijem obliku za Wm ⊂ Vm−1
ψm,n (t) = ∑ gk ϕm−1,2n+k (t) (205)

k ∈Z
4.2.2.2 Uslovi za koeficijente hn i gn

Svi uslovi koje treba da ispunjavaju bazne funkcije ϕ(t) i ψ(t) se
mogu izraziti preko koeficijenata iz jednačina (203) i (204). Uslovi su
bili
R
1. ϕ(t)dt = 1
2. h ϕn , ϕk i = δnk
R
3. ψ(t)dt = 0

4. hψn , ψk i = δnk
5. h ϕn , ψk i = 0
Korišćenjem jednačine dilatacije za skalirajuće funkcije uz prvi uslov

se dobija uslov √
∑ hn = 2. (206)
n ∈Z
Korišćenjem jednačine dilatacije za vejvlete uz treći uslov se dobija

uslov
∑ gn = 0. (207)
n ∈Z
Korišćenjem jednačine dilatacije uz drugi uslov se dobija uslov
∑ hn h∗n−2m = δm
0
. (208)
n ∈Z
Zanimljivo je razmotriti ovaj uslov u frekvencijskom domenu. Ako se

definiše funkcija p[n] = h[n] ∗ h[−n], onda je jasno da se jednačina
(208) može napisati kao
0
p[2m] = δm . (209)
Ova jednačina u z-domenu glasi
1h i
P(z /2 ) + P(−z /2 ) = 1,
1 1
(210)
2
gde je P(z) zed transformacija funkcije p[n], tj. P(z) = Z { p[n]} =
H (z) H (z−1 ), tako da se dobija
H (z /2 ) H (z− /2 ) + H (−z /2 ) H (−z− /2 ) = 2,

1 1 1 1
(211)
odn.
H (z) H (z−1 ) + H (−z) H (−z−1 ) = 2. (212)
Zamenom z = e j2π f se dobija
1
| H ( f )|2 + | H ( f − )|2 = 2. (213)
2
Ovaj uslov govori da je spektralna gustina energije signala h[n] takva
da ona i njena verzija pomerena za 1/2 udesno (ili ulevo) sabrane daju
konstantu 2 (slika 57). Pokazuje se da uslov (208) garantuje ortonor-
malnost skalirajućih funkcija na bilo kom nivou skale, a ne samo na
nultom, tj, da važi h ϕm,n , ϕm,k i = δnk , ∀m ∈ Z.
Identičnim postupkom, korišćenjem jednačine dilatacije uz četvrti
uslov se dobija
∑ gn gn∗−2m = δm0 , (214)
n ∈Z
i u z-domenu
G (z) G (z−1 ) + G (−z) G (−z−1 ) = 2. (215)

|H(f )|2 |H(f-½)|2

2
0
Slika 57:
Ovaj uslov takod̄e je dovoljan za bilo koji novi skale, tj. da važi hψm,n , ψm,k i =
δnk , ∀m ∈ Z. Med̄usobna ortogonalnost na različitim skalama je ta-
kod̄e na snazi usled same specifične strukture ovih potprostora, kao
što je objašnjeno ranije. Poslednji uslov za koeficijente se dobija iz
petog uslova i jednačine dilatacije, i glasi
∑ hn gn∗ −2m = 0. (216)

n ∈Z
Postupkom od ranije se u z-domenu dobija relacija
H (z) G (z−1 ) + H (−z) G (−z−1 ) = 0. (217)
Ako se funkcija G (z) izabere kao

G ( z ) = ± z − P H − z −1 , (218)
odn. u frekvencijskom domenu

− j2π f P ∗ 1
G( f ) = ± e H f− . (219)
2
Zamenom u jednačine (215) i (217) se lako pokazuje da su oba uslova
zadovoljena pod uslovom da je broj P neparan. U vremenskom do-
menu, ovo znači da su koeficijenti gn definisani kao
gn := ± (−1)n h P−n .

Ubacivanjem ovako definisanih koeficijenata u uslov (207) se dobija
∑ (−1)n hP−n = 0 = ∑ (−1)n hn . (220)

n ∈Z n ∈Z
Ovaj uslov je zadovoljen jer proizilazi iz jednačine (213), tj. posle-

dica je ortonormalnosti skalirajućih funkcija. Drugi način da se izrazi
uslov (220) u literaturi je da je suma parnih koeficijenata i neparnih
koeficijenata jednaka
1
∑ h2n = ∑ h2n+1 = √ .
2
(221)
n ∈Z n ∈Z

Ako skalirajuća funkcija u jednačini dilatacije ima kompaktan nosač

na intervalu t ∈ [0, N − 1], i ako su translirane verzije ϕ(t − k ) line-
arno nezavisne, onda je broj koeficijenata hn konačan i iznosi N. Ako
je N paran broj, koeficijenti gn se mogu pogodno izabrati kao
gn = (−1)n h N −1−n . (222)
U tom slučaju, usled uslova (206) i (208), broj stepena slobode za

niz hn je N/2 − 1. To znači da je moguće jedinstveno izabrati toliko
koeficijenata dok su ostali odred̄eni automatski.
4.2.2.3 Brza vejvlet transformacija i interpretacija pomoću banke filtara

Brza vejvlet transformacija (eng. fast wavelet transform) je ime za re-
kurzivni algoritam za dobijanje koeficijenata XSC i XWT . Ona proizi-
lazi iz činjenice da važi
h x, ϕm,n i = h xm , ϕm,n i , (223)
što znači da nije potrebno znati originalni signal x (t) već samo nje-
govu prethodnu aproksimaciju da bi se dobili koeficijenti na grubljoj
skali. Isto važi i za vejvlet koeficijente, tj.
h x, ψm,n i = h xm , ψm,n i . (224)
Ako se u jednačini (193) iskoristi jednačina dilatacije, dobija se

Z
XSC [m + 1, n] = x (t) ϕ∗m+1,n (t)dt
Z
!∗
= x (t) ∑ hk ϕm,2n+k (t) dt
k ∈Z
Z
= ∑ h∗k x (t) ϕ∗m,2n+k (t)dt (225)
k ∈Z
= ∑ h∗k XSC [m, 2n + k]
k
= ∑ XSC [m, k]h∗k−2n . (226)
k
Slično tome, vejvlet koeficijenti na sledećoj grubljoj skali se mogu do-

biti kao
XWT [m + 1, n] = ∑ XSC [m, k ] gk∗−2n . (227)
k ∈Z
Reiteracijom ovog postupka se mogu dobiti koeficijenti i na sledećim

skalama. Ovaj postupak se naziva MRA dekompozicionim algorit-
mom i predstavlja prvi deo Fast Wavelet Transform - Brza vejvlet
transformacija (FWT).
Koristeći jednačinu (196) i jednačinu dilatacije, može se dobiti inver-
zni postupak. Naime, signali na finijoj skali se mogu razložiti na dva

načina: ili u bazi za taj prostor ili kao kombinacija baza za njegove
potprostore
x m −1 = ∑ XSC [m − 1, n] ϕm−1,n (t) (228)

n ∈Z
= xm + dm
= ∑ XSC [m, n] ϕm,n (t) + ∑ XWT [m, n]ψm,n (t)
n ∈Z n ∈Z
! !
= ∑ XSC [m, n] ∑ hk ϕm−1,2n+k (t) + ∑ XWT [m, n] ∑ gk ϕm−1,2n+k (t)
n k n k
! !
= ∑ XSC [m, n] ∑ hk−2n ϕm−1,k (t) + ∑ XWT [m, n] ∑ gk−2n ϕm−1,k ((229)
t) .
n k n k
Izjednačavanjem koeficijenata uz funkcije ϕm−1,n (t) u jednačinama

(228) i (229) se dobija
XSC [m − 1, n] = ∑ XSC [m, k]hn−2k + ∑ XWT [m, k] gn−2k . (230)

k ∈Z k ∈Z
Ovo je MRA rekonstrukcioni algoritam i on predstavlja drugi deo

FWT.
Jednačine FWT, odn. jednačine (225), (227), (228) i (229) su speci-
fične po tome što njihova forma podseća na konvoluciju izmed̄u ko-
eficijenata h[·] i g[·] i koeficijenata XSC [·, ·] i XWT [·, ·]. Tačnije, FWT
algoritam za analizu signala se može predstaviti kao filtriranje koefi-
cijenata XSC [m, n] antikauzalnim filtrima H (z−1 ) i G (z−1 ) (slika 58a),
dok FTW algoritam za sintezu koeficijenata može da se predstavi kao
filtriranje kauzalnim3 filtrima (slika 58b). Pošto je u pitanju rekur-
zivan algoritam, kaskadom ovih filtera se mogu dobiti koeficijenti
XSC [·, ·] i XWT [·, ·] na sve grubljim i grubljim skalama (slika 59 ).
4.2.2.4 Inicijalizacija
Potrebno je da se krene od nekih koeficijenata XSC [·, ·], nad ko-
jima će FWT biti vršena. Obično se kreće od aproksimacije signala u
prostoru V0 , odn. kreće se od koeficijenata XSC [0, ·]. Ti koeficijenti se
formalno dobijaju formulom
XSC [0, n] = h x, ϕn i (231)

Z
= x (t) ϕ∗ (t − n)dt (232)
= x (t) ∗ ϕ(−t)|t=n , (233)
što sugeriše da je za pravilnu inicijalizaciju FWT potrebno da se kon-

tinualni signal x (t) propusti kroz filtar sa impulsnim odzivom ϕ(−t)
i da se izlazni signal odabira u celobrojnim trenucima (slika 60). Prak-
3 Striktno govoreći, nije neophodno da filtri budu kauzalni (pa ni njihove verzije za
analizu antikauzalne), ali je uvek pogodnije da budu kauzalni, te je to pretposta-
vljeno i ovde.

XSC[m+1,n]
H(z-1) 2
XSC[m,n]
XWT[m+1,n]
G(z-1) 2
(a) FWT analiza.
XSC[m+1,n]
2 H(z)
XSC[m,n]
XWT[m+1,n]
2 G(z)
(b) FFWT sinteza.
Slika 58: FWT interpretacija preko filtara.
XSC[m+3,n]
H(z-1) 2
H(z-1) 2
XSC[m+2,n] ...
XSC[m+1,n] XWT[m+3,n]
H(z-1) 2 G(z-1) 2
XSC[m,n] XWT[m+2,n]
G(z-1) 2
XWT[m+1,n]
G(z-1) 2
(a) FWT analiza.
XSC[m+3,n]
2 H(z)
... XSC[m+2,n]
2 H(z)
XWT[m+3,n] XSC[m+1,n]
2 G(z) 2 H(z)
XWT[m+2,n] XSC[m,n]
2 G(z)
XWT[m+1,n]
2 G(z)
(b) FFWT sinteza.
Slika 59: FWT kaskadna veza.
tično posmatrano, med̄utim, vrlo je teško da se konstruiše analogni

filtar sa takvim impulsnim odzivom. Zbog toga, u praksi se koristi
aproksimacija
XSC [0, n] = x (nT ), (234)
koja, naravno, nije tačna za opšti izbor skalirajuće funkcije4 ϕ(t). I po-
red toga, ova aproksimacija se često koristi u praksi jer se oslanjamo
na činjenicu da je aproksimacija signala x0 (t) često slična samom sig-
nalu x (t) u vremenskim trenucima t = nT.
sin(πt)
4 Med̄utim, jeste tačna za izbor ϕ(t) = πt .

H(z-1) 2
XSC[1,n]
...
t=n
x(t) XSC[0,n]
h(t) = φ(-t)
XWT[1,n]
G(z-1) 2
Slika 60: FWT inicijalizacija i prvi stepen.

K VA D R AT N E R A S P O D E L E
5
Zblah
89

Deo III
P R A K T I Č N A A P L I K A C I J A M E T O D A

VEJVLETI I EKG
6
Zblah
93

Deo IV
D O D ATA K

PROZORSKA FUNKCIJA
A
Prozorska funkcija je definisana na sledeći način: ako funkcija w(t) ∈
L2 (R), kw(t)k2 6= 0, i tw(t) ∈ L2 (R), onda se w(t) naziva prozorskom
funkcijom.
Značaj oblika i dužine prozorske funkcije se može videti i na pri-
meru prostih signala. Neka se uzme da je prozorska funkcija pravou-
gaoni impuls1 dužine T
w(t) = rect(t/T ). (235)
FT takve prozorske funkcije je
W ( f ) = Tsinc(π f T ). (236)
Ova funkcija ima svoje nule na frekvencijama f k = k

T, k ∈ Z/ {0} .
Posmatraće se dve kompleksne sinusoide x1 (t) = e j2π f1 t i x2 (t) =

e j2π f2 t ( f 2 > f 1 ), i uticaj prozorske funkcije w(t) na njih. Amplitudski
spektar kompleksne sinusoide x1 (t) pomnožene sa w(t) biće apso-
lutna vrednost funkcije W ( f ) pomerene za f 1 , što važi i za amplitud-
ski spektar sinusoide x2 (t).
Oblik sinc(·) funkcije se sastoji iz glavnog i iz bočnih lukova. Kod
spektra prve (ili druge) kompleskne sinusoide pomnožene ovim pro-
zorom, glavni luk jasno govori da je prisutna komponenta u signalu
na f 1 ( ili f 2 ), dok ostali bočni lukovi unose neželjene pikove i oscila-
cije.
Ako se posmatra signal koji je zbir ove dve kompleksne sinusoide,
odgovarajuća FT će biti zbir dve dobijene sinc(·) funkcije. Individu-
alne frekvencije ovih sinusoida se neće moći razlikovati ukoliko nije
ispunjeno da je | f 1 − f 2 | > T1 (slika 61).
T = .02; % parametar T u prozorskoj funkciji
Ts = .001;
t = -100:.Ts:100; % vremenski vektor
w = heaviside(t+T/2)-heaviside(t-T/2); % prozorska funkcija
f1 = 150; s1 = exp(j*2*pi*f1*t); % prva sinusoida
f2 = 225; s2 = exp(j*2*pi*f2*t); % druga sinusoida
s = s1 + s2; % zbir
s1_w = s1.*w;
s2_w = s2.*w;
s_w = s.*w;

1
1, |t| ≤ 2
1 rect(t) , .
0, inače

97
98 prozorska funkcija
N = length(s1);
fs = 1/Ts;
f = (-N/2:N/2-1)*fs/N;
S1_W = fft(s1_w);
plot(f,fftshift(abs(S1_W)),’b’); hold on;
S2_W = fft(s2_w);
plot(f,fftshift(abs(S2_W)),’r’); hold on;
S_W = fft(s_w);
plot(f,fftshift(abs(S_W)),’--k’); hold on;
set(gca,’YTick’,[]);
xlabel(’$Frekvencija$ $[Hz]$’,’interpreter’,’latex’);
xlim([0 375]);
legend(’f_1 = 150 Hz’,’f_2 = 225 Hz’,’f_1 + f_2’)

f1 = 150 Hz
f = 225 Hz
2
f1 + f2
0 50 100 150 200 250 300 350

Frekvencija [Hz]
Slika 61: Prozorska Furijeova transformacija dve kompleksne sinusoide.
Situacija postaje komplikovanija za bilo koji realni signal sa komplek-

snijim frekvencijskim sadržajem. Prozorska funkcija koja se koristi na
njemu se mora pažljivo izabrati ako se žele uspešno detektovati razli-
čite spektralne komponente u signalu.
Zbog ovakvih i drugih situacija su definisani kriterijumi po kojima
se upored̄uju prozorske funkcije (slika 62). Da bi se smanjio rizik od
pogrešnih detekcija usled bočnih lukova, upotreba pravougaonog pro-
zora nije preporučljiva, već je bolje je koristiti prozore čija je relativna
amplituda bočnih lukova A što manja. S druge strane, pravougaoni
prozor ima najmanji 3dB opseg, što znači da ima najuži glavni luk.
Ovo je bitno pošto, ako je glavni luk preširok, biće teško razaznati bli-
ske komponente u signalu usled stapanja pikova. Na kraju, poželjno
je i da FT prozorske funkcije asimptotski opada što brže (odnosno, da
red r funkcije W ( f ) = O(| f |−r ) bude što veći), da bi se sprečilo da
spektralna komponenta visoke amplitude zamaskira okolne kompo-
nente manje amplitude. Na slici 63 su prikazane karakteristike neko-
liko često korišćenih prozorskih funkcija.

prozorska funkcija 99
|W(f)|2
/ |W(0)| 2
glavni luk
0
−3 dB
3dB-ski propusni opseg
−5
bočni lukovi
−10
A = −13 dB
−15
−20
−25
−4 −3 −2 −1 0 1 2 3 4
f
Slika 62: Prozorska funkcija sa označenim kriterijumima.

100 prozorska funkcija
Gausijan Frekvencijski domain

40
1
20
0.8
0
Amplituda (dB)
Amplituda
0.6
-20
0.4
-40
0.2 -60
0 -80
5 10 15 20 25 30 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Semplovi Normalizovana Frekvencija (×π rad/sempl)
Factor curenja spektra: 0.01 % Relativna atenuacija bočnih lukova: -44.9 dB Širina glavnog luka (-3dB): 0.085938
Hamming-ov prozor Frekvencijski domen
40
1
20
0.8
0
Amplituda (dB)
Amplituda
0.6
-20
0.4
-40
0.2 -60
0 -80
5 10 15 20 25 30 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Semplovi Normalizovana frekvencija (×π rad/sempl)
Trougaoni prozor Frekvencijski domen
40
1 20
0
0.8
-20
Amplituda (dB)
Amplituda
0.6 -40
-60
0.4
-80
-100
0.2
-120
0 -140
5 10 15 20 25 30 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Pravougaoni prozor Frekvencijski domen

40
1
30
0.8 20
10
Amplituda
0.6
0
0.4
-10
0.2 -20
-30
0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
5 10 15 20 25 30
Hann-ov prozor Frekvencijski domen
40
1
20
0.8 0
Amplitude (dB)
Amplituda
-20
0.6
-40
0.4
-60
0.2
-80
0 -100
5 10 15 20 25 30 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Blackman-ov prozor Frekvencijski domen
40
1
20
0
0.8
-20
Amplituda (dB)
Amplituda
0.6
-40
0.4 -60
-80
0.2
-100
0 -120
5 10 15 20 25 30 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Semplovi Normalizovana frekvencija (×π rad/sempl)
Factor curenja spektra: 0 % Relativna atenuacija bočnih lukova: -58.2 dB Širina glavnog luka (-3dB): 0.10156
Slika 63: Prozorske funkcije (dužine 32 odbirka) i njihove transformacije.

BIBLIOGRAFIJA
[1] Paul S. Addison. The Illustrated Wavelet Transform Handbook: In-

troductory Theory and Applications in Science, Engineering, Medicine
and Finance. Institute of Physics Publishing, 2002. (Citiran na
strani 75.)
[2] J. Allen. A unified approach to short-time fourier analysis and

synthesis. Proceedings of the IEEE, 65:1558 – 1564, 1977. (Citiran
na strani 50.)
[3] François Auger. Time-Frequency Analysis: Concepts and Methods.

ISTE Ltd, John Wiley & Sons, Inc., 2008. (Citiran na stranama 42,
45, 63, 64, and 79.)
[4] I. Bayram and I.W. Selesnick. Overcomplete discrete wavelet

transforms with rational dilation factors. Signal Processing, IEEE
Transactions on, 57:131–145, 2009. (Citiran na strani 75.)
[5] B. Boashash. Estimating and interpreting the instantaneous fre-

quency of a signal. i. fundamentals. Proceedings of the IEEE, 80(4):
520–538, 1992. (Citiran na strani 18.)
[6] I. Daubechies. Ten Lectures on Wavelets. Society for Industrial &

Applied Mathematics, 1992. (Citiran na stranama 63 and 75.)
[7] B. Han. Symmetric orthonormal scaling functions and wavelets

with dilation factor 4. Advances in Computational Mathematics, 8
(3):221–247, 1998. (Citiran na strani 75.)
[8] Gerald Kaiser. A friendly Guide to Wavelets. Birkhauser, 1994.

(Citiran na strani 63.)
[9] T.L. Kijewski-Correa. Full-scale measurements and system identifica-

tion: A time-frequency perspective. PhD thesis, University of Notre
Dame, 2003. (Citiran na strani 18.)
[10] Chebira A. Kovacevic J. An introduction to frames. Foundations

and Trends in Signal Processing, 2:1–94, 2008. (Citiran na strani 44.)
[11] Vetterli M. Kovacevic J. Fourier and Wavelet Signal Processing.

2012. URL http://www.fourierandwavelets.org/. (Citiran na
strani 73.)
[12] Peter Maass Kristian Bredies, Dirk A. Lorenz. Mathematical con-

cepts of multiscale smoothing. (Citiran na strani 79.)
101

102 bibliografija
[13] J.M. Lilly and S.C. Olhede. On the analytic wavelet transform. In-
formation Theory, IEEE Transactions on, 56(8):4135–4156, 2010. (Ci-
tiran na strani 18.)
[14] JM Lilly, J.C. Gascard, et al. Wavelet ridge diagnosis of time-

varying elliptical signals with application to an oceanic eddy.
Nonlinear Processes in Geophysics, 13(5):467–483, 2006. (Citiran na
strani 18.)
[15] Stephane Mallat. A Wavelet Tour Of Signal Processing: The Sparse

Way. Academic Press, 2009. (Citiran na strani 79.)
[16] Y. Meyer. Wavelets and Operators. Cambridge University Press,

1993. (Citiran na strani 63.)
[17] M. Motavalli. Assessing different methods of deriving instanta-

neous frequency including stft, wavelet, emd-ht, and gpof. 2006.
[18] R. Polikar. The story of wavelets. Physics and modern topics in

mechanical and electrical engineering, pages 192–197, 1999. (Citiran
na strani 4.)
[19] A.D. Poularikas. Transforms and applications handbook, volume 43.

CRC, 2000. (Citiran na stranama 16 and 69.)
[20] T.F. Quatieri. Discrete-time speech signal processing: principles and

practice. Pearson Education India, 2002. (Citiran na strani 50.)
[21] S. Saliu. Definition of instantaneous frequency on real signals.

In Proceedings of European Signal Processing Conference, pages 343–
346, 2000. (Citiran na strani 18.)
[22] Y. Shouzhi, S. Yanfeng, and L. Youfa. A class of compactly sup-

ported orthogonal symmetric complex wavelets with dilation fac-
tor 3. Acta Mathematica Scientia, 32(4):1415–1425, 2012. (Citiran
na strani 75.)
[23] Hans-Georg Stark. Continuous wavelet transform and continu-

ous multiscale analysis. Journal of Mathematical Analysis and Ap-
plications, 169:179–196, 1992. (Citiran na strani 79.)
[24] Z.Y. Su, C.C. Wang, T. Wu, Y.T. Wang, and F.C. Tang. Instanta-
neous frequency–time analysis of physiology signals: The appli-
cation of pregnant women’s radial artery pulse signals. Physica
A: Statistical Mechanics and its Applications, 387(2):485–494, 2008.

STFT

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

STFT

Uploaded by

Copyright:

Available Formats

VREMENSKO-FREKVENCIJSKE METODE U OBRADI

Odsek za Fizičku Elektroniku

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

ii teorijske osnove metoda 23

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

Uslov regularnosti i karakterizacija singulariteta

iii prakti čna aplikacija metoda 91

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

Slika 1 Funkcije x (t) i y(t). 8

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

Tabela 1 Najčešće korišćene prozorske funkcije (slika 63)

FT Fourier Transform - Furijeova Transformacija

IFT Inverse Fourier Transform - Inverzna Furijeova Transformacija

DT-FT Discrete-Time Fourier Transform

DFT Discrete Fourier Transform

STFT Short Term Fourier Transform - Kratkotrajna Furijeova

WT Wavelet Transform - Vejvlet Transformacija

FFT Fast Fourier Transform - Brza Furijeova Transformacija,

WVD Wigner-Ville Distribution - Vigner-Vilova Raspodela

VFR Vremensko-Frekvencijska Reprezentacija

MRA Multiresolution Analysis - Multirezoluciona analiza

FWT Fast Wavelet Transform - Brza vejvlet transformacija

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

oscilujućih baznih funkcija u t − f ravni, je predstavio ovu modifika-

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

Da bi se pričalo o nestacionarnosti signala, kao negaciji svojstva sta-

gde su amplitude Ak , frekvencije f k i faze ϕk konstantne veličine.

2.2 furijeova transformacija

FT uvodi pojam frekvencije. Frekvencijska predstava signala je kori-

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

Kod FT se posmatra transformacioni par

x (t) ↔ XFT ( f ), (2)

gde jedna funkcija karakteriše proces u vremenskom domenu, dok

To znači da su argumenti ovih funkcija med̄usobni isključivi, tj. po-

• Funkcije x (t) i XFT ( f ) su neprekidne ili deo-po-deo neprekidne,

• Funkcija mora biti ograničena, mada je ovo dovoljan ali ne i

2.3 ft i nestacionarni signali

Nestacionarnost signala je često sama po sebi od vitalnog interesa.

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

x (t) = cos (2π f 1 t) + cos (2π f 2 t) + cos (2π f 3 t)

f 1 = 2 Hz, f 2 = 4 Hz, f 3 = 6 Hz.

Budući da Furijeva transformacija predstavlja bijektivni operator iz-

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

-1.0 -0.5 0.5 1.0

Slika 1: Funkcije x (t) i y(t).

signala, i to pomoću MATLAB-ovog toolbox-a za obradu signala. Ra-

[ 16. januar 2013 at 13:48 - classicthesis version 4.1 ]

Slika 2: Amplitudske karakteristike funkcija X ( f ) i Y ( f ).

% racunanje spektra pomocu FFT algoritma

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

Slika 3: Fazne karakteristike funkcija X ( f ) i Y ( f ).

Drugim rečima, amplitudski spektar ne daje nikakvu informaciju o

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

Slika 4: DFT signala x (n) i y(n).

Slika 5: Muzička kompozicija.

Muzička kompozicija takod̄e može poslužiti kao analogija za ilu-

[ 16. januar 2013 at 13:48 – classicthesis version 4.1 ]

kalkulacije u realnim uslovima, a pritom dobili zadovoljavajuće

Vremensko-frekvencijske metode nisu zamena za standardne Furije-

2.4 osobine idealne vremensko-frekvencijske reprezen-