ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Análisis Conjunto Tiempo-Frecuencia

Representaciones Cuadráticas
ELIZABETH VERA DE PAYER

Facultad de Ciencias Exactas y Naturales

Universidad Nacional de Córdoba, Argentina

Introducción
En el análisis y procesamiento de las señales se cuenta con distintas
herramientas cuyo uso tiene por objeto lograr a partir de un número finito de datos
muestra, obtener información importante referida a un fenómeno o sistema que
ellos representan.
Desde el punto de vista matemático, una señal puede venir descripta de muy
distintas maneras. Un problema central es encontrar una representación en la cual
ciertos atributos de la señal se hagan explícitos. A menudo, éstas vienen dadas
como funciones del tiempo. Pero en el estudio de las señales es generalmente
provechoso disponer de una representación en el dominio de la frecuencia ya que
permite extraer características que suelen no estar puestas en evidencia en el
dominio temporal y que son de gran utilidad para comprender su naturaleza o
facilitar el diseño de sistemas asociados.
Así, mientras que una función en el dominio temporal indica cómo la amplitud
de la señal cambia en el tiempo, su representación en el dominio de la frecuencia
permite conocer cuan a menudo esos cambios tienen lugar. La vinculación entre
estas dos presentaciones la brinda la Transformada de Fourier cuya idea
fundamental es la de descomponer la señal en la suma pesada de funciones
sinusoidales.
Si bien la Transformada de Fourier en muchas situaciones es de gran utilidad,
no resulta en todos los casos apta para analizar señales de la vida real, que son
normalmente de duración finita y aun a veces de corta duración.
Comparar señales del tipo de las sísmicas o las biomédicas, como así también
los transitorios y las señales de radar con las señales sinusoidales que se extienden
en el tiempo de - ∞ a + ∞ no resulta ser lo más adecuado.
Recordando la expresión de la Transformada de Fourier:
∞

∫ x(t ).e
− jω t
X (ω ) = dt
−∞

se observa que es necesario el conocimiento de toda la información temporal de la

señal para realizar su análisis en frecuencia. Luego no es posible implementarla
para aplicaciones en tiempo real porque carecemos de información sobre la
110
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

evolución de la señal en el futuro. De igual forma, discontinuidades o transiciones

abruptas que pueden ser debidas a características particulares de la misma o por
adición de ruido en un instante determinado, produce efectos que se extienden
sobre todo el rango de frecuencias. Es también inadecuada para el trabajo con
señales transitorias, las cuales presentan componentes de vida corta, salvo el caso
de que puedan asimilarse a un impulso en el que su tiempo de ocurrencia se
considera conocido (Williams 1998).
Estos inconvenientes son consecuencia de que hay una hipótesis subyacente
en el análisis de Fourier, que es la estacionariedad de la señal en estudio.
Para las señales aleatorias esto se traduce en que las características estadísticas
de la señal son independientes del tiempo, en particular el valor medio, la
variancia y la autocorrelación la cual depende entonces sólo del lag.
Para señales determinísticas la estacionariedad se relaciona con tener
características espectrales que no cambian en el tiempo.
Una limitación importante de la Transformada de Fourier es que no es posible
analizar la evolución de los contenidos de frecuencia de la señal en el tiempo. En
efecto, cuando se pasa al dominio de la frecuencia se pierde toda información
temporal por lo que no se puede determinar los instantes en que una señal presenta
cambios, alteraciones o rupturas.

Frecuencia instantánea y retardo de grupo

En el caso de señales determinísticas la no estacionaridad se refleja en tener un
espectro variable en el tiempo.
Un índice de esa variación la da la frecuencia instantánea (IF) de la señal
compleja x(t ) definida como la derivada de la fase con respecto al tiempo

1 d
f x (t ) = (arg x(t )) (1)
2π dt

Para señales determinísticas reales ésta se establece sobre la base de la señal

analítica asociada o envolvente compleja xa(t).
Recordar: dada x(t), xa (t ) = x(t ) + j xˆ (t ) con xˆ (t ) Transformada de Hilbert de
x(t).
Las señales de duración finita, y en particular los transitorios, en los cuales la
duración es corta comparada con el tiempo de observación, son no estacionarios.
Una cantidad dual de la IF es el retardo de grupo (GD) definido por:

d
t x (ω ) = − (arg X (ω )) (2)
dω

en el que arg X (ω ) corresponde a la fase del espectro.

111
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

El GD es especialmente significativo cuando x(t ) es la respuesta al impulso

de un sistema LTI. Bajo ciertas condiciones, t x (ω ) puede ser interpretado como el
tiempo de retardo introducido por el sistema a la frecuencia ω (Hlawatsch
1992a).
Sin embargo, la IF y el GD son sólo capaces de describir adecuadamente la
localización de componentes espectrales para una muy restringida clase de
señales.
La IF representa la frecuencia como una función explícita del tiempo con lo
que de hecho asume que para un instante de tiempo, existe sólo una componente
simple de frecuencia.
Una señal sencilla que no cumple esta hipótesis es
x(t ) = exp( j 2π f1t ) + exp( j 2π f 2t ) , ya que contiene dos componentes de
frecuencia f1 , f 2 durante todo el tiempo.
Esta misma restricción se aplica al GD. Aquí la hipótesis explícita es que una
frecuencia dada está concentrada alrededor de un instante de tiempo.
Estos inconvenientes pueden ser solucionados describiendo la estructura
tiempo-frecuencia de una señal no por una curva 1-dimensional sino por una
superficie 2D (Hlawatsch 1992b).
De aquí la necesidad de un Análisis Conjunto Tiempo-Frecuencia que al
realizar un mapeo de una señal x(t) en una función 2-dimensional del tiempo y la
frecuencia, exhiba la localización temporal del espectro de la señal.
Esto equivale a una representación en frecuencia variante en el tiempo que
pueda brindar indicación de los instantes precisos en los cuales se observa la
presencia de ciertas componentes espectrales.

Posibles soluciones
La Transformada de Fourier a tiempo corto (STFT), la Transformada Ondita
(WT) y la Expansión de Gabor son las opciones usuales. Se las suelen denominar
soluciones lineales en el sentido en que se basan en comparar la señal a analizar
con un conjunto de funciones adecuadamente seleccionadas. La diferencia entre
ellas estriba en cómo son construidos los conjuntos de funciones elementales de
referencia.
Otra aproximación al problema consiste en tomar la energía de la señal como
una función del tiempo y la frecuencia.
Un primer ejemplo es el espectrograma el cual corresponde al módulo al
cuadrado de la STFT, y refleja la densidad espectral de energía de la señal
ventanada localmente:

∞ 2

S x (t , ω ) = ∫ x(τ )h(τ − t )exp(− jωτ )dτ

−∞
(3)

112
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

con h(t ) : ventana de análisis.

El espectrograma es afectado no sólo por la elección de la forma de la ventana,
sino también por sus dimensiones. Se crea una situación de compromiso referida a
menudo como Principio de Incerteza: ventanas largas proveen buena resolución
en frecuencia pero pobre resolución en el tiempo, mientras que lo contrario sucede
con ventanas cortas.
El S x (t , ω ) brinda el espectro dependiente del tiempo más simple, por lo cual
es de uso frecuente cuando se quiere tener una visión rápida aunque no
necesariamente muy precisa de la energía de la señal en el dominio conjunto
tiempo-frecuencia.
La Distribución de Wigner-Ville y los miembros de la Clase de Cohen ofrecen
una importante alternativa para el estudio de señales no estacionarias.

Densidad de energía tiempo-frecuencia

Tomando como punto de partida la observación de que la Energía de la señal
puede ser expresada sobre la base del módulo al cuadrado de su desarrollo en el
tiempo o en frecuencia:

∞ ∞
1
∫ ∫
2 2
Ex = x(t ) dt = X (ω ) dω (4)
−∞
2π −∞

2 2
es posible interpretar tanto a x(t ) como a X (ω ) como densidades de
Energía.
Aparece entonces la idea de buscar una densidad de Energía ρ x (t , ω ) que
dependa simultáneamente del tiempo y la frecuencia:

∞ ∞
Ex = ∫∫
−∞ −∞
ρ x (t , ω )dtdω (5)

Es natural requerir que satisfaga las llamadas propiedades marginales:

∫ρ
2
x (t , ω )dt = X (ω )
−∞
∞
(6)
∫ρ
2
x (t , ω )d ω = x(t )
−∞

113
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Hay muchas distribuciones ρ x (t , ω ) con estas propiedades, de tal manera

que es posible exigir condiciones adicionales como las de covarianza en tiempo y
frecuencia las cuales revisten importancia fundamental.
Las distribuciones de Energía tiempo-frecuencia que cumplen todas estas
condiciones se engloban en la denominación de miembros de la clase de Cohen.
De acuerdo al Teorema de Wiener–Khintchine, la densidad espectral de
energía puede también ser vista como la Transformada de Fourier de la función de
autocorrelación R(τ).

PX (ω ) = X (ω ) = ∫ R (τ ) exp(− jωτ ) dτ
2
(7)

con: R(τ ) = ∫ x(t ) x (t − τ )dt la cual es en realidad un promedio temporal de la

correlación instantanea x(t ).x (t − τ ) .
PX (ω ) no es una función del tiempo. Ella indica con cuanta energía
contribuye la frecuencia ω analizada sobre todo el intervalo de tiempo.
Basándonos en la ecuación (7) no hay forma de decir si el espectro de energía
evoluciona, luego es inadecuado para describir señales con contenidos de
frecuencia que varían en el tiempo, como sucede con la mayoría de las señales
biomédicas, de voz y las vibraciones en general.
Una solución es hacer la autocorrelación dependiente del tiempo.
Se busca una R(t, τ) adecuada de tal forma que su Transformada de Fourier
respecto a la variable τ resulte ser una función del tipo:

P(t , ω ) = ∫ R(t ,τ ) exp(− jωτ )dτ (8)

la cual se llamará espectro de energía dependiente del tiempo. El problema a

resolver es como determinar la función de autocorrelación R(t,τ).
La elección de R(t,τ) no es arbitrario ya que entre otras exigencias se pretende
que P(t,ω) cumpla las propiedades marginales (6). Además, si P(t,ω ) representa
la distribución de energía de la señal en el dominio tiempo-frecuencia, es de
esperar que sea real valuada con el agregado que, teniendo en cuenta el concepto
clásico de energía, sería deseable que P(t,ω ) fuera no negativa.
Sin embargo, lo más importante es que se necesita asegurar que P(t,ω )
efectivamente identifique los cambios en los contenidos de frecuencia de la señal.
Esta es la motivación principal del análisis tiempo-frecuencia pero al mismo
tiempo, lo más dificil de justificar.
Para las opciones lineales como la Transformada de Fourier a tiempo corto o
la Transformada Ondita, la bondad de la representación puede ser juzgada al
menos en parte, analizando las funciones elementales: mientras más concentradas
114
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

en tiempo y frecuencia están, más adecuadamente la solución propuesta describe

los comportamientos locales de la señal.
Hay que destacar que en las transformaciones para el análisis tiempo-
frecuencia más generales no se tiene a la vista las funciones elementales explícitas
y debe encararse de otra manera la comparación de uno y otro tipo de
representación.

La distribución de Wigner–Ville
Tomando como función de autocorrelación:

⎛ τ⎞ ⎛ τ⎞
R (t ,τ ) = x ⎜ t + ⎟ x ⎜ t − ⎟ (9)
⎝ 2⎠ ⎝ 2⎠

se define la distribución de Wigner-Ville:

⎛ τ⎞ ⎛ τ⎞
WVD(t , ω ) = ∫ x ⎜ t + ⎟ x ⎜ t − ⎟ exp(− jωτ )dτ (10)
⎝ 2⎠ ⎝ 2⎠

esto es, como la Transformada de Fourier de la función de autocorrelación (9)

respecto a la variable τ. Esta expresión corresponde a la autoWVD.
De forma similar, la WVD cruzada se define por :

⎛ τ⎞ ⎛ τ⎞
WVDxy (t , ω ) = ∫ x ⎜ t + ⎟ y ⎜ t − ⎟ exp(− jωτ )dτ (11)
⎝ 2⎠ ⎝ 2⎠

con x(t) y y(t) dos señales diferentes.

Es fácil verificar que: WVDxy (t , ω ) = WVD yx (t , ω )
luego WVDx (t , ω ) = WVD x (t , ω )
lo cual implica que la auto-WVD es real valuada.
La WVD puede también ser computada operando en el dominio de la
frecuencia:

⎛ τ⎞ ⎛ τ⎞
Sea s1 (τ ) = s ⎜ t + ⎟ ; g1 (τ ) = g ⎜ t − ⎟
⎝ 2⎠ ⎝ 2⎠

Luego:

s1 (τ ) ↔ S1 (ω ) = 2S (2ω ) exp( j 2ω t ) ; g1 (τ ) ↔ G1 (ω ) = 2G (2ω ) exp(− j 2ω t )

Del teorema de la Convolución:
115
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

⎛ τ⎞ ⎛ τ⎞
WVDs , g (t , ω ) = ∫ s ⎜ t + ⎟ g ⎜ t − ⎟ exp(− jωτ )dτ
⎝ 2⎠ ⎝ 2⎠
= ∫ s1 (τ ) g1 (τ ) exp(− jωτ )dτ = S1 (ω ) * G1 (ω )
4
2π ∫
= S (2α )G (2ω − 2α ) exp(4α − 2ω )t dα

Haciendo 2α = ω + Ω / 2 :

1 ⎛ Ω⎞ ⎛ Ω⎞
WVDs , g (t , ω ) =
2π ∫ S ⎜ ω + ⎟ G ⎜ ω − ⎟ exp( jΩt )d Ω
⎝ 2⎠ ⎝ 2⎠
(12)
1 ⎛ Ω⎞ ⎛ Ω⎞
WVDs (t , ω ) =
2π ∫ S ⎜ ω + ⎟ S ⎜ ω − ⎟ exp( jΩt )d Ω
⎝ 2⎠ ⎝ 2⎠

Estas fórmulas indican que la WVD es simétrica en los dominios del tiempo y
la frecuencia. Por lo tanto, propiedades derivadas en el dominio del tiempo tienen
su propiedad dual en el dominio de la frecuencia.

Propiedades
La WVD satisface un gran número de propiedades importantes tales como:

• es siempre real valuada

• preserva los corrimientos en tiempo y en frecuencia

y (t ) = x(t − to ) → WVDy (t , ω ) = WVDx (t − to , ω )
y (t ) = x(t ) exp( jω ot ) → WVD(t , ω ) = WVDx (t , ω − ω o )

• satisface las propiedades marginales

+∞

∫ WVD (t , ω )dt =
2
x X (ω )
−∞
+∞
1
∫ WVD (t , ω )dω = x(t )
2

2π
x
−∞

• conservación de la Energía

116
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

+∞ +∞
1
Ex =
2π ∫ ∫ WVD (t , ω )dt
−∞ −∞
x dω

• compatibilidad con filtrado

+∞ +∞
y (t ) = ∫
−∞
h(t − s) x( s)ds → WVDy (t , ω ) = ∫ WVD (t − s, ω )WVD (s,ω )ds
−∞
h x

(convolución en el tiempo)

• compatibilidad con modulación

+∞
y (t ) = m(t ) x(t ) → WVDy (t , ω ) = ∫ WVD
−∞
m (t , ω −ν )WVDx (t ,ν )dν

(convolución en frecuencia)

• conservación de soporte en el sentido amplio

x(t ) = 0 si t > T ⇒ WVDx (t , ω ) = 0 para t > T
X (ω ) = 0 si ω > B ⇒ WVDx (t , ω ) = 0 para ω > B

• unitario (expresa la conservación del producto escalar)

+∞ 2 +∞ +∞

−∞
∫ x(t ) y (t )dt = ∫ ∫ WVD (t , ω )WVD (t , ω )dtdω
−∞ −∞
x y Fórmula de Moyal

Ejemplo 1
1/ 4
⎛α ⎞ ⎛ α ⎞
Sea la señal x(t ) = ⎜ ⎟ exp ⎜ − t 2 ⎟ función Gaussiana con energía unitaria
⎝π ⎠ ⎝ 2 ⎠
Su WVD es:

α ⎧⎪ α ⎡⎛ τ ⎞ ⎛ τ ⎞ 2 2
⎤ ⎫⎪
π∫
WVDx (t , ω ) = exp ⎨ − ⎢⎜ t + ⎟ + ⎜ t − ⎟ ⎥ ⎬ exp(− jωτ )dτ
⎩⎪ 2 ⎣⎢⎝ 2 ⎠ ⎝ 2 ⎠ ⎦⎥ ⎭⎪
α ⎛ α 2⎞ ⎧ ⎛ 2 1 2 ⎞⎫
= exp(−α t 2 ) ∫ ⎜ − τ ⎟ exp(− jωτ )dτ = 2 exp ⎨− ⎜ α t + ω ⎟ ⎬
π ⎝ 4 ⎠ ⎩ ⎝ α ⎠⎭

Esto indica que la WVD de la función Gaussiana está concentrada en el origen

del plano tiempo-frecuencia. El parámetro α controla la dispersión de la WVD.
Un valor grande de α conduce a mayor concentración en el tiempo pero mayor
dispersión en frecuencia y viceversa.

117
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Si la señal estuviera corrida en el tiempo en to y en frecuencia ωo, de las

propiedades de preservación de los corrimientos en tiempo y frecuencia resultaría:

⎧ ⎛ 1 ⎞⎫
WVDx (t , ω ) = 2 exp⎨− ⎜α (t − t o ) 2 + (ω − ω 0 ) 2 ⎟⎬
⎩ ⎝ α ⎠⎭

esto es, centrada en (t0,ω0).

En la Figura 1 se muestra la WVD de la señal:

1/ 4
⎛α ⎞ ⎛ α π ⎞
x( t ) = ⎜ ⎟ exp ⎜ − ( t − 128 )2 + j t ⎟
⎝π ⎠ ⎝ 2 2 ⎠

Los conjuntos de nivel de la WVD de esta señal consisten en elipses

concéntricas centradas en (128, π / 2) .

Ejemplo 2
En la Figura 2 se muestra la WVD de un chirp lineal en la cual se visualiza
fácilmente la evolución en el tiempo de los contenidos de frecuencia.

Figura 1: Distribución de Wigner-Ville de la señal Gaussiana.

118
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Ejemplo 3
1/ 4
⎛α ⎞ ⎧ α ⎫
Sea la señal s(t ) = ⎜ ⎟ exp ⎨− t 2 + j β t 2 ⎬ que corresponde a un chirp
⎝π ⎠ ⎩ 2 ⎭
lineal con envolvente Gaussiana. Se observa que la primera derivada de la fase
ϕ '(t ) = 2 β t se incrementa linealmente con el tiempo.
Su Distribución de Wigner-Ville es:

α ⎧ α ⎫
{
WVDs (t , ω ) = exp −α t 2 } π ∫ exp ⎨− τ 2 ⎬ exp {− j (ω − 2 β t )τ } dτ
⎩ 4 ⎭
⎧ ⎡ 1 ⎤⎫
= 2 exp ⎨− ⎢α t 2 + (ω − 2 β t )2 ⎥ ⎬
⎩ ⎣ α ⎦⎭

Figura 2: WVD chirp lineal.

Interpretando que esta ecuación representa la distribución de energía de la

señal en el dominio conjunto tiempo-frecuencia, el primer momento sobre la
frecuencia nos da la frecuencia condicional media de la WVD en el tiempo t:

119
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

1 1
∫ ω WVDs (t , ω )dω ∫ ω WVDs (t , ω )dω
ω = 2π = 2π
t 1 s (t )
2

2π ∫
WVD s ( t , ω ) d ω

1 ⎧ 1 ⎫
π
{ }
exp α t 2 ∫ ω exp ⎨− (ω − 2 β t )2 ⎬ dω
⎩ α ⎭
= 2
= 2β t
s (t )

la cual indica el centro del espectro en el instante t.

Notar que el último miembro no es sino la derivada primera de la fase de la
señal.
Esta propiedad es general y expresa una característica muy importante de la
WVD, a la que se designa como Propiedad de la Frecuencia Instantánea:

1 1
∫ ω WVDs (t , ω )dω ∫ ω WVDs (t ,ω )dω
ω t = 2π = 2π = ϕ '(t ) (13)
1 s ( t )
2

2π ∫
WVDs (t , ω )dω

Esto es, en el instante t, la frecuencia condicional media de la WVD es igual a

la frecuencia instantánea de la señal analizada.
Salvo señales muy particulares como la sinusoide compleja o el chirp lineal de
amplitud constante, la frecuencia de la señal en un instante determinado no tiene
un único valor, luego ϕ ´(t ) en realidad representa un valor promedio de las
frecuencias de la señal en el instante t razón por lo cual se la suele denominar
frecuencia instantánea media.
En el análisis conjunto tiempo-frecuencia, se usa a menudo ϕ ´(t ) para evaluar
el mérito de la transformación propuesta.
Estimaciones precisas de la frecuencia instantánea son un problema
importante en muchas aplicaciones tan diversas como el análisis de señales
sísmicas (Odegard 1997, Steeghs 1996, Asanuma 2002), en series de tiempo
cardiovascular (van Steenis 2001), y en general en sistemas biológicos (Marchant
2003).
Para un espectro dependiente del tiempo se espera que:

∫ ω P(t , ω )dω = ϕ ´(t ) (14)

∫ P(t , ω )dω
Es espectrograma no goza de esta propiedad.
120
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Como para un instante determinado, en general la señal exhibe más de un

valor de frecuencia, ϕ '(t ) en realidad representa un valor medio. Luego es
pertinente hablar de un ancho de banda instantáneo el que indica cómo se expande
la energía de la señal respecto a la frecuencia instantánea media. A veces es
posible encontrar dicho ancho de banda como un momento de segundo orden de
la WVD. Esto sucede cuando la WVD es no negativa:

∫ (ω − < ω > ) WVD (t , ω )dω

2
2 t x
∆t = (15)
∫ WVD (t , ω )dω x

Como consecuencia de la Propiedad de Dualidad de la WVD, se muestra que

para una señal x(t) con Transformada de Fourier X (ω ) exp( jψ (ω )) se verifica:

t =
∫ t WVD (t , ω )dt = ∫ t WVD (t , ω )dt = −2π
x x
ψ ´(ω ) (16)
∫ WVD (t , ω )dt
ω 2
x X (ω )

Como t x ( f ) ≅ ψ ' (ω ) (ver ecuación 2) resulta que el group delay es el

momento de primer orden respecto al tiempo de la WVD.

Términos interferentes
La Distribución de Wigner–Ville no sólo posee muy buenas propiedades sino
que también exhibe mejor resolución que la STFT y el espectrograma. Sin
embargo presenta un inconveniente que ha limitado su aplicación y es la
existencia de términos interferentes.
Toda aplicación bilineal satisface el Principio de Superposición Cuadrático,
esto es si en particular TFR representa una Transformación cuadrática tiempo-
frecuencia, luego:

x(t ) = c1 x1 (t ) + c2 x2 (t )
2 2 (17)
TFRx (t , ω ) = c1 TFRx1 (t , ω ) + c2 TFRx 2 (t , ω ) + c1c2*TFRx1, x 2 + c2 c1*TFRx 2, x1 (t , ω )

donde: TFRxi son los ¨autotérminos¨ y los TFRxi , xj son los ¨términos cruzados¨
también llamados términos interferentes.
Generalizando el Principio de Superposición Cuadrático a una señal con N
N
componentes, x(t ) = ∑ ck xk (t ) , se obtienen las siguientes reglas (Flandrin 1984,
k =1
Hlawatsch 1992b):
121
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

• A cada componente de la señal ck xk (t ) , le corresponde un autotérmino

2
ck TFRxk (t , ω )
• para cada par de componentes de la señal ck xk (t ), cl xl (t ) k ≠ l le
corresponde una componente cruzada ck cl*TFRxk , xl + cl ck*TFRxl , xk

Luego para una señal x(t ) con N componentes, la TFRx tendrá N

autotérminos y N ( N − 1) / 2 términos interferentes.
Es de destacar que el número de términos interferentes aumenta con el
cuadrado del número de componentes, lo que a menudo hace el análisis visual de
la TFR de señales multicomponentes dificultoso.
En el espectrograma, los términos interferentes están restringidos a aquellas
regiones del plano tiempo-frecuencia (T-F) donde los autotérminos se solapan.
Luego en este caso, si dos componentes de la señal están suficientemente
separadas en el plano T-F, sus términos interferentes serán casi nulos.
No sucede lo mismo con la WVD, en la cual los términos cruzados
usualmente son tales que su magnitud es dos veces mayor que los autotérminos y
a menudo oscurecen los patrones útiles del espectro dependiente del tiempo.
En los casos más simples es relativamente fácil de identificar los términos
interferentes. Sin embargo, para señales de la vida real, los términos cruzados
normalmente se solapan con los autotérminos volviendo el espectro dependiente
del tiempo confuso.
La forma de reducir estos términos interferentes sin modificar las importantes
propiedades de la WVD ha sido motivo de intensos estudios en los últimos años.
Sin embargo puede demostrarse (Classen 1980) que algunos términos
interferentes deben existir si se pretende que la TFR goce de las propiedades de
frecuencia instantánea y group delay , como así también de la validez de la
fórmula de Moyal la cual es básica para desarrollar los métodos de estimación y
detección óptima en el dominio conjunto tiempo-frecuencia.
Los términos cruzados en realidad reflejan la correlación de los
correspondientes pares de autotérminos. Su localización y tasa de oscilación están
determinados por los centros de tiempo y frecuencia de los autotérminos, esto es,
si se conoce con precisión la posición de los autotérminos se pueden ubicar
perfectamente los términos cruzados.

Ejemplo 4
En la Figura 3 se presenta la Distribución de Wigner–Ville de una señal suma
de dos componentes Gaussianas desplazadas en tiempo y frecuencia, apreciándose
claramente la presencia del término interferente entre los autotérminos.

122
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Supuesto que los autotérminos estén centrados en (t1 , f1 ) y (t2 , f 2 )

respectivamente, el término interferente se ubica en (t12 , f12 ) con
t1 + t2 f +f
t12 = ; f12 = 1 2 .
2 2
Se muestra que la tasa de oscilación de los términos cruzados es proporcional
a la distancia entre los autotérminos correspondientes en el dominio de la
frecuencia con una dirección de oscilación perpendicular a la línea que conecta las
dos componentes, mientras que su magnitud decae exponencialmente con la
distancia de las mismas en el dominio del tiempo. Esto significa que mientras más
distantes temporalmente estén los autotérminos, menos energía contienen los
términos cruzados (Flandrin 1984, Hlawatsch 1984, Hlawatsch 1992b).

Suavisado de la wvd - señales analíticas

Es interesante analizar como están relacionados el espectrograma y la WVD.
Para una señal arbitraria x(t ) se muestra que (Shie Qian 1996):

Px (t , ω ) = STFTx (t , ω ) = ∫∫ WVDx (u , v )WVDh (t − u , ω − v )dudv

2
(18)

con WVDx (t , ω ) , WVDh (t , ω ) las distribuciones de Wigner-Ville de la señal en

estudio y de la ventana h(t ) de análisis respectivamente.
La fórmula (18) corresponde a una convolución 2D, luego cuando la
WVDh (t , ω ) es pasabajo, como sucede en la mayoría de las aplicaciones, el
espectrograma es una versión suavizada de la WVD.
Más generalmente, sabemos que la WVD de la suma de multicomponentes es
una combinación lineal de los autotérminos y de los términos cruzados.
Mientras los primeros son relativamente suaves, los segundos son fuertemente
oscilantes.
Luego, una forma natural de disminuir la interferencia de los términos
cruzados es aplicar un filtro pasa-bajo H (t , ω ) a la WVD:

SWVDx (t , ω ) = ∫∫WVDx ( x, y ) H (t − x, ω − y )dx dy (19)

Debido a que los filtros pasa-bajo realizan una operación de suavizado,

llamaremos a ésta Distribución Wigner Ville Suavizada (SWVD). Usualmente el
filtrado pasa-bajo suprime sustancialmente los términos cruzados, pero por otro
lado disminuye la resolución. Luego nuevamente existe una situación de
compromiso entre el grado de suavizado y la resolución.
Si H(t,ω) es la WVD de una función h(t) luego la ecuación (19) es similar a la
ecuación (18) y representa el espectrograma con h(t) como función ventana. En
123
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

ese caso la SWVT es no negativa pero ha perdido las propiedades marginales, la

frecuencia instantánea y otras propiedades útiles que, poseyéndolas la WVD, no
valen para el espectrograma.

Figura 3: Presencia en la WVD de los términos interferentes entre los

autotéminos.

Normalmente, la SWVD mejora el problema de los términos interferentes

pero a costa de perder resolución y algunas otras propiedades importantes.
Las señales con las que a menudo se trabaja son real-valuadas. Como
consecuencia directa, los espectros de las mismas son simétricos.
En realidad sólo la mitad del espectro suministra información. Para eliminar la
redundancia es práctica común trabajar con la señal analítica asociada a x(t).
En el caso de la WVD las componentes de frecuencia negativa no sólo
introducen redundancia, sino que crean términos interferentes, de aquí las ventajas
de esta solución.
Sin embargo, debe tenerse en cuenta que la señal analítica difiere de la señal
original en varios aspectos (Cohen 1995). Así, si bien una señal real y su analítica
asociada tienen el mismo espectro de potencia positivo, sus propiedades
instantáneas pueden ser sustancialmente distintas.

124
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Es posible establecer la relación entre la WVD de la señal dato y de su

analítica (Shie Qian 1996):

∞
1 Ω Ω
WVDa (t , ω ) =
2π ∫X
−∞
a (ω +
2
) X a (ω − ) exp( jΩt )dΩ
2
2ω
1 Ω Ω
=
2π ∫ω X (ω + 2 ) X (ω − 2 ) exp( jΩt )dΩ
−2
(20)

∞
1 Ω Ω
=
2π ∫ H (Ω) X (ω + 2 ) X (ω − 2 ) exp( jΩt )dΩ
−∞

donde H(Ω) es un filtro pasa-bajo ideal con frecuencia de corte 2ω

La expresión (20) puede ser escrita:

∞
sin(2ω τ )
WVDa (t , ω ) = 2 ∫ WVDx (t − τ , ω )dτ
−∞
τ

resultado de convolucionar la WVD de la señal con el filtro pasa-bajo ideal

sin(2ω t )
dependiente de la frecuencia h(t ) = y trae como consecuencia un
t
suavizado de la WVD en el tiempo afectando también en este caso las propiedades
marginales de la WVD.

La función de ambigüedad
Se vio que el espectro de energía tradicional podía generalizarse en un
espectro dependiente del tiempo:

P(t , ω ) = ∫ R(t , τ ) exp(− jωτ )dτ

Si la función de autocorrelación se elige como:

⎛ τ⎞ ⎛ τ⎞
R(t ,τ ) = x⎜ t + ⎟ x⎜ t − ⎟ (21)
⎝ 2⎠ ⎝ 2⎠

luego tomando su Transformada de Fourier respecto a la variable τ ( lag), el

espectro de energía resultante es la Distribución de Wigner-Ville

125
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

τ τ
WVDx ( t ,ω ) = ∫ x( t + ) x( t − )exp( − jωτ )dτ (22)
2 2

Si se toma la Transformada de Fourier con respecto a la variable t en vez de τ

se obtiene otra representación tiempo-frecuencia conjunto: la función de
ambigüedad simétrica (AF):

⎛ τ⎞ ⎛ τ⎞
AFx (ϑ ,τ ) = ∫ x⎜ t + ⎟ x⎜ t − ⎟ exp{− jϑ t}dt (23)
⎝ 2⎠ ⎝ 2⎠

a la cual se la llama también la auto-AF.

En correspondencia, la AF- cruzada se define 1:

⎛ τ⎞ ⎛ τ⎞
AFx , y (ϑ ,τ ) = ∫ x⎜ t + ⎟ y⎜ t − ⎟ exp(− jϑ t )dt (24)
⎝ 2⎠ ⎝ 2⎠

A diferencia de la auto-WVD, la cual es real para cualquier señal, la AF es

generalmente compleja con: AFx , y (ϑ , τ ) ≠ AFy , x (ϑ ,τ ) .
A partir de la AFx, mediante la Transformada Inversa de Fourier, es posible
computar la función de autocorrelación dependiente del tiempo de la señal:

1 τ τ
2π ∫ AF (ϑ ,τ ) exp( jϑ t )dϑ = x(t + 2 ) x(t − 2 )
x

Sustituyendo en (22):

1
WVDx (t , ω ) =
2π ∫ ∫ AF (ϑ ,τ ). exp{− j (ω τ − ϑ t )}dϑ dτ
x (25)

que indica que la WVD es una doble Transformada de Fourier de la función

de ambigüedad simétrica 2.
De las relaciones vistas, la función de ambigüedad y la Distribución de
Wigner-Ville pueden ser consideradas duales en el sentido de que ellas son un par
transformado de Fourier. Esta dualidad está reflejada en sus propiedades

1
las variables ¨t¨ y ¨ω¨ de la WVD han sido reemplazadas por ¨ ϑ ¨ y ¨ τ¨ llamadas
respectivamente doppler y delay.
2
estrictamente hablando, contiene una Transformada de Fourier y una
Transformada de Fourier Inversa. Por simplicidad, en la mayoría de la literatura se
dice “doble Transformada de Fourier”.
126
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

matemáticas (TABLA I) (Van Trees 1971, Papoulis 1974).

Ejemplo 5
1/ 4
⎛α ⎞ ⎡ α ⎤
Sea la función Gaussiana x(t ) = ⎜ ⎟ exp⎢− (t − t o ) 2 + jω o t ⎥
⎝π ⎠ ⎣ 2 ⎦

centrada en tiempo y frecuencia en to y ωo respectivamente. La

correspondiente función de ambigüedad es:

⎡ ⎛ 1 α ⎞⎤
AFx (ϑ ,τ ) = exp ⎢− ⎜ ϑ 2 + τ 2 ⎟⎥ exp( j (ω oτ + ϑ t o )) (26)
⎣ ⎝ 4α 4 ⎠⎦

donde se observa que está centrada en el origen y oscila (Figura 4).

La fase (ω o t + ϑ t o ) está relacionada con el corrimiento en el tiempo to y la
modulación en frecuencia ωo de la señal.
En contraste, la WVD de la función Gaussiana es:

⎡ 1 ⎤
WVDx (t , ω ) = 2 exp ⎢− α (t − t o ) 2 − (ω − ω o ) 2 ⎥
⎣ α ⎦

que está centrada en (to,ωo), esto es el corrimiento en el tiempo y modulación en

frecuencia de la señal está asociado con la ubicación en el plano tiempo –
frecuencia de su WVD (Figura 1).
En el caso de una señal multicomponente, los elementos de la AF
correspondiente a los autotérminos están fundamentalmente ubicados alrededor
del origen, mientras que los elementos correspondientes a los términos
interferentes aparecen a una distancia del origen que es proporcional a la distancia
en tiempo-frecuencia de las componentes involucradas (Janssen 1982, Hlawatsch
1992b).

Ejemplo 6
Sea la señal suma de dos componentes moduladas en frecuencia lineal, de 0.2
a 0.5 en frecuencia normalizada la primera y de 0.3 a 0.0 la segunda, con
amplitudes Gaussianas (Figura 5).
En la AF correspondiente pueden observarse los autotérminos centrados en el
origen y alejados del mismo los términos interferentes (Figura 6).

127
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Figura 4: Función de Ambigüedad de la señal Gaussiana.

Ejemplo 7
Se desarrollará analíticamente un caso simplificado del ejemplo anterior:
Sea la señal:
1/ 4 1/ 4
⎛α ⎞ ⎛ α ⎞ ⎛α ⎞ ⎛ α ⎞
x(t ) = x1 (t ) + x2 (t ) = ⎜ ⎟ exp⎜ − (t − t1 ) 2 + jω1t ⎟ + ⎜ ⎟ exp⎜ − (t − t 2 ) 2 + jω 2t ⎟
⎝π ⎠ ⎝ 2 ⎠ ⎝π ⎠ ⎝ 2 ⎠

esto es, la suma de dos funciones Gaussianas concentradas en (t1 , ω 1 ) ; (t 2 , ω 2 )

respectivamente.

La función de ambigüedad es:

AFx (ϑ , τ ) = AFx1 (ϑ , τ ) + AFx2 (ϑ ,τ ) + AFx1 , x2 (ϑ ,τ ) + AFx2 , x1 (ϑ , τ )

Los dos primeros términos son similares a los desarrollados en el ejemplo 5,

fórmula (26), y están concentrados en el origen mientras los términos cruzados
son de la forma:

128
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

⎡ 1 α ⎤
AFx1 , x2 (ϑ ,τ ) = exp ⎢− ( (ϑ − ω d ) 2 + (τ − t d ) 2 )⎥. exp[ j (ω uτ − ϑ t u + ω d t u )] (27)
⎣ 4α 4 ⎦
t +t ω +ω 2
con t u = 1 2 ; ωu = 1 ; t d = t1 − t 2 ; ω d = ω 1− ω 2
2 2

Figura 5: Señal formada por dos componentes moduladas en frecuencia lineal

con amplitudes Gaussianas.

La fórmula (27) indica que la AFx1 , x2 está concentrada en (t1 - t2, ω1 - ω2) fuera
del origen. La AFx2 , x1 tiene una forma similar, pero concentrada en (t2 – t1, ω2 -
ω1) (Figura 6). Por otro lado, la WVD cruzada de estas dos señales tiene la forma:

⎡ 1 ⎤
WVDx1 , x2 (t , ω ) = 2 exp⎢− α (t − t u ) 2 − (ω − ω u ) 2 ⎥. exp{ j[(ω − ω u )t d + ω d t ]}
⎣ α ⎦

en la que vemos que los términos interferentes están centrados entre los
autérminos.
129
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Figura 6: Función de Ambigüedad de la señal.

En la Figura 7 se esquematiza la posición de los autotérminos y de los

términos interferentes en el caso de la WVD y de la Función de Ambigüedad para
una señal de dos componentes.
Llamando ϕ AF (ϑ , τ ) a la fase de la AFx1 , x2 resulta:

δ δ
ϕ AF (ϑ ,τ ) = −t u ; ϕ AF (ϑ ,τ ) = ω u
δϑ δτ

que muestra que las derivadas parciales de la fase de la función de ambigüedad de

los términos cruzados, coinciden con el centro en el dominio tiempo–frecuencia,
de la WVD cruzada correspondiente.
Recíprocamente, llamando ϕ WVD (t , ω ) la fase de la WVDx1 , x2 :

δ δ
ϕ WVD (t , ω ) = t d ; ϕ WVD (t , ω ) = ω d
δω δt

130
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

que expresa que las derivadas parciales de la fase de la WVD de los términos
cruzados resultan igual al centro de la función de ambigüedad cruzada.

a) b)

ω τ
autotérminos

términos interferentes
términos interferentes (ωd,,td)
(tu,,ωu)

t ϑ

autotérminos autotérminos

términos interferentes
(-ωd,,-td)

Figura 7: Ubicación de los términos interferentes a) en la WVD, y b)en la AF.

Como la derivada de la fase es normalmente considerada como una

frecuencia, la localización de los términos cruzados de la función de ambigüedad
está directamente relacionada con la tasa de oscilación de la WVD.
En general, los términos cruzados de la WVD exhiben fuertes oscilaciones, lo
cual implica que la derivada parcial de la fase es grande, de donde los términos
interferentes de la función de ambigüedad están alejados del origen.
Recíprocamente, mientras más alejados estén los AFx1 ,x2 mayor es la oscilación
de la WVDx1 ,x2 , en cuyo caso presentan un valor promedio muy pequeño y por lo
tanto contribuciones despreciables en las propiedades útiles de la WVD de la
señal. De aquí que los AFx1 ,x2 alejados del origen puedan ser ignorados.
Este hecho motiva la idea que si se aplica un filtro 2D pasa-bajo alrededor del
origen a la función de ambigüedad y luego se calcula la WVD por una doble
Transformada de Fourier, los términos interferentes se encontrarán fuertemente
atenuados.
La función de ambigüedad AF y su magnitud al cuadrado, superficie de
ambigüedad, AS han sido intensamente usadas en los campos de radar (Rihaczek
1971), sonar, radio astronomía y en telecomunicaciones en el estudio de canales
variantes en el tiempo (Sayeed 1997, Parsons 2000) entre otros.
131
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

En el caso del radar el problema es la estimación de la distancia y velocidad de

un blanco móvil, donde la distancia y velocidad corresponden al parámetro de
retardo (delay) τ y el corrimiento Doppler. La ubicación del máximo de la AS
cruzada de la señal recibida y la transmitida puede ser interpretada como el
estimador de máxima similitud de τ y ϑ en el caso de un blanco no fluctuante
(Lieb 1990). También la auto AS de la señal transmitida provee de información
pertinente acerca de la performance del estimador de máxima similitud y es por lo
tanto uno de los principales criterios para el diseño de la señal a transmitir.

La clase de Cohen
En 1966 León Cohen (Cohen 1989), trabajando en Mecánica Cuántica y la
Teoría de los Operadores, derivó un tipo de representaciones conjuntas tiempo-
frecuencia, bilineales e invariantes frente a corrimientos en tiempo y frecuencia,
esto es:

x1 (t ) = x(t − to )exp( jω ot ) → TFRx1 = TFRx (t − to , ω − ω o )

mostrando que pueden ser escritas en una forma general única. Actualmente a
este conjunto de representaciones se las identifica como la Clase de Cohen.
Se toma como punto de partida la siguiente definición de la función de
autocorrelación dependiente del tiempo:

1
R (t ,τ ) =
2π ∫ AF (ϑ ,τ )Φ(ϑ ,τ ) exp( jϑ t )dϑ (28)

donde Φ (ϑ ,τ ) se llama función kernel o función de parametrización.

Del Teorema de la Convolución:

R (t ,τ ) = F −1 ( AF (ϑ ,τ ) * F −1 (Φ (ϑ ,τ )) =
⎡ τ τ ⎤
= ⎢ x(t + ).x(t − )⎥ * φ (t ,τ )
⎣ 2 2 ⎦
⎛ τ⎞ ⎛ τ⎞
= ∫ x⎜ u + ⎟ x⎜ u − ⎟φ (t − u, τ )du
⎝ 2⎠ ⎝ 2⎠

ecuación que dice que la función de autocorrelación dependiente del tiempo

propuesta por Cohen es la función de autocorrelación dependiente del tiempo:

⎛ τ⎞ ⎛ τ⎞
x⎜ t + ⎟ x⎜ t − ⎟ empleada en la WVD, filtrada linealmente.
⎝ 2⎠ ⎝ 2⎠

132
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Los distintos miembros de la clase de Cohen tales como la Distribución Choi-

Williams o la Distribución Cono están completamente determinados por la
naturaleza del filtro φ (t ,τ ) . Si éste es pasa-todo, esto es: Φ (ϑ ,τ ) =1, la expresión
de R(t,τ ) da exactamente la función de autocorrelación de Wigner-Ville.

Cuando la función kernel Φ (ϑ ,τ ) es una AF válida para una función del

tiempo arbitraria γ (t), luego la C(t,ω) corresponde al espectrograma STFT con
función ventana γ (t) .
Luego, tanto la WVD como el Espectrograma pertenecen a la Clase de Cohen.
Este tipo de representaciones responde a la forma general:

1
C (t , ω ) =
2π ∫∫ AF (ϑ ,τ )Φ(ϑ ,τ ) exp{ j (ϑ t − ω t )}dϑ dτ (29)

o equivalentemente:

⎛ τ⎞ ⎛ τ⎞
C (t , ω ) = ∫∫ x⎜ u + ⎟.x⎜ u − ⎟φ (t − u ,τ )du exp{− j ω τ }dτ (30)
⎝ 2⎠ ⎝ 2⎠

La importancia del trabajo de Cohen es que reduce el problema del diseño de

un espectro dependiente del tiempo a la selección de la función kernel. Algunas
propiedades importantes se dan en la Tabla II (Claasen 1980).
En general, los miembros de la clase de Cohen pueden tomar valores negativos a
menos que el kernel sea dependiente de la señal o corresponda a la función de
ambigüedad de una función γ(t), en cuyo caso, como ya hemos mencionado, la
C(t,ω) es equivalente al espectrograma STFT 3.
Uno de los requerimientos para que C (t , ω ) pueda ser efectivamente
interpretada como una función densidad de energía, es que sea no negativa.
Wigner mostró sin embargo, que una transformación bilineal no puede satisfacer
las condiciones marginales y ser simultáneamente no negativa.
Una pregunta natural a hacer es ver si existen distribuciones tiempo-frecuencia
que representen la función de densidad, tengan las propiedades marginales y la de
positividad. La respuesta es afirmativa si no nos limitamos a transformaciones
bilineales (Cohen 1989) por ejemplo:
2
s (t ) 1
S (ω ) con s(t ) = ∫ s(t ) dt = ∫
2 2 2 2
P(t , ω ) = S (ω ) dω
s (t )
2
2π

3
que en este caso la C (t , ω ) resultante no cumple las propiedades 4, 5, 6, 7, 9 y 10
de la TABLA II.
133
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Es evidente que P(t,ω) es no negativo y satisface las condiciones tiempo –

frecuencia marginales, pero no tiene mayor significado en el análisis tiempo-
frecuencia, ya que no brinda información respecto al comportamiento local de la
señal.
Luego la segunda pregunta a hacer es si existe alguna distribución tiempo –
frecuencia no negativa y significativa. La respuesta es no se sabe. Aunque hay
muchos caminos para crear estas funciones ninguna de ellas ha probado ser
eficiente en reflejar la naturaleza cambiante de la señal.

Algunos miembros de la clase de Cohen

Uno de los principales objetivos perseguidos en el estudio de la Clase de
Cohen es buscar un espectro dependiente del tiempo que no sólo preserve todas
las propiedades útiles de la WVD, sino que también reduzca la interferencia de los
términos cruzados.
Éstos aparecen debido a que cualquier representación bilineal tiempo-
frecuencia (TFR) satisface el “Principio de Superposición Cuadrático”.
La observación de que la porción de la función de ambigüedad que
corresponde a los autotérminos está conectada al origen, mientras que la parte de
la misma vinculada a los términos cruzados tiende a esparcirse por todo el plano
T-F, orientaron la búsqueda a encontrar una función kernel Φ(ϑ ,τ ) tal que el
producto Φ (ϑ , τ ). AF (ϑ , τ ) respete la vecindad del origen y suprima todo lo
demás.
Luego, el concepto de las clases de Cohen se centra en torno a la reducción de
los términos interferentes. Sin embargo, como ya hemos mencionado, algunas
propiedades importantes y la supresión de los términos interferentes no pueden
lograrse simultáneamente. En efecto, para reducir los términos interferentes, el
producto Φ (ϑ , τ ). AF (ϑ , τ ) tiene que anularse para valores grandes de ϑ y τ . Por
otro lado, para preservar las condiciones marginales en tiempo y frecuencia,
(TABLA II) debe verificarse:

Φ (ϑ ,0). AF (ϑ ,0) = AF (ϑ ,0) Φ (0, τ ). AF (0, τ ) = AF (0, τ )

lo que implica que todas las partes de la AF(ϑ,τ) tanto en el eje ϑ como en el
eje τ deben ser mantenidas, sin interesar cuan lejos del origen se encuentren. Esto
trae como consecuencia directa que la representación resultante debería preservar
todos los términos cruzados que tengan el mismo centro de tiempo o centro de
frecuencia.
Cuando esto se lleva a cabo a través de un kernel que actúa como un filtro
pasabajo en ϑ y τ estamos en presencia de un kernel RID (reduced interference
distribution).

134
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Distribución Choi-Williams (o exponencial)

Choi y Williams introdujeron el kernel exponencial (Choi 1989, Williams
1992)

Φ( ϑ ,τ ) = exp( −α ( ϑ τ )2 )

el cual satisface casi todas las propiedades de la TABLA II. En particular, no

cumple la (8), esto es, la positividad.
Además, Φ(0,0)=1 y Φ(ϑ,τ)<1 para ϑ ≠ 0 y τ ≠ 0 lo que implica que el kernel
exponencial suprime los términos cruzados creados por dos funciones que tienen
centros diferentes tanto en tiempo y como en frecuencia.
El parámetro α controla la velocidad de decaimiento. Mientras más grande es
α, más términos cruzados son suprimidos, pero también más autotérminos son
afectados. Luego hay una relación de compromiso en la selección de este
parámetro.
La Transformada de Fourier inversa del kernel exponencial es:

1 ⎧ 1 2⎫
φ ( t ,τ ) = exp ⎨ t ⎬
⎩ 4ατ
2
4πατ 2
⎭

de donde:

1 ⎧ (t − u ) 2 ⎫ ⎛ τ⎞ ⎛ τ⎞
CWD(t , ω ) = ∫∫ exp⎨ 2 ⎬ ⎜
x u + ⎟.x⎜ u − ⎟ exp(− jωτ )du dτ (31)
4πατ ⎩ 4α τ ⎭ ⎝ 2⎠ ⎝ 2⎠
2

la cual es llamada Distribución de Choi-Williams (CWD)

La eficiencia de esta distribución depende fuertemente de la naturaleza de la
señal analizada.
En la Figura 8 se muestra la WVD y la CWD de la señal z compuesta por dos
señales Gaussianas corridas tanto en tiempo como en frecuencia, donde se aprecia
la presencia de los términos interferentes en la WVD mientras que éstos han sido
eliminados en la CWD. El kernel exponencial de la CWD suprime los términos
interferentes alejados del origen, pero en cambio preserva los que provienen de
componentes igualmente corridos en tiempo o en frecuencia (Figura 9)
apareciendo en consecuencia como réplicas horizontales o verticales.

La distribución cono o ZAM (de zaho-atlas-marks)

A diferencia de la CWD en el cual el objetivo explícito es lograr la
eliminación por filtrado de los términos interferentes, la distribución cono pone el
énfasis en garantizar que se satisfagan las propiedades 9, 10 de la TABLA II, esto

135
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

es que la distribución no se extienda más allá del soporte de la señal tanto en

tiempo como en frecuencia. Con esa premisa elige:

⎧ g (τ ) para τ ≥ 2t
φ (t ,τ ) = ⎨
⎩ 0 otros

con lo cual genera una región en forma de cono en el plano ( t ,τ )

τ/2
sen( ϑ τ / 2 )
Así resulta: Φ( ϑ ,τ ) = g ( τ )
τ
− /2
∫ exp( −ϑ t )dt = 2 g ( τ )
ϑ
(32)

El kernel en el plano ( ϑ ,ω ) toma también la forma de cono, con lo cual garantiza

la propiedad 10 de la TABLA II (Zhao 1990).
1
Haciendo: g (τ ) = exp(−α τ 2 )
τ
sen(ϑ t / 2)
Luego: Φ (ϑ ,τ ) = exp(−α τ 2 ) para α > 0
ϑτ /2
El parámetro α controla el grado de supresión de los términos interferentes.
Mientras más grande es α, se suprimen más términos cruzados a expensas de
producir mayores perturbaciones en los autotérminos.

⎧ 1 τ =0
Se verifica: Φ (ϑ ,τ ) = ⎨
⎩exp(−α τ ) ϑ = 0
2

En la Figura 9 se observa una reducción importante de los términos

interferentes al considerar la Distribución Cono frente a la Distribución de Choi-
Williams.
Se puede ver que la Distribución Cono produce un buen resultado si bien
ubica los términos interferentes en casi la misma posición en el plano tiempo-
frecuencia que los autotérminos de la señal.
Esta TFR está siendo usada fuertemente en el área de análisis de voz en
reemplazo del STFT espectrograma. En la Figura 10 se presenta el espectrograma
del fonema /a/ y la Distribución Cono correspondiente donde se visualiza una
mayor nitidez en la ubicación de los formantes.
Es necesario destacar que ninguna transformación es óptima para todas las
situaciones. Dentro del tipo RID, habrá casos en que en lugar de usar las
Distribuciones estandarizadas, resulte de interés diseñar un kernel adecuado para
algun tipo especial de señales.

136
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Pero también debe tenerse en cuenta que si bien con una elección particular
del kernel es posible mejorar la acción de la WVD en lo que a términos
interferentes se refiere, generalmente es a costa de perder algunas propiedades
importantes.

Diseño de kernels RID

William J. Williams (Williams 1998) sugiere el siguiente procedimiento para
una primera aproximación al diseño de kernels RID:

1) Diseñar una función real-valuada h( t ) que satisfaga:

a) h( t ) debe tener área unitaria: ∫ h( t )dt = 1
b) h( t ) debe ser una función simétrica del tiempo: h( t ) = h( −t )
c) h( t ) debe ser limitada en el tiempo, por Ej. Sí [-1/2,1/2],
h( t ) = 0 para t > 1 / 2
d) h( t ) disminuye suavemente hacia ambos extremos del intervalo de tal
manera que su respuesta en frecuencia tenga escasos contenidos de alta frecuencia
H ( ω ) << 1 para ω >> 0 .
A veces para aplicaciones especiales puede que se necesite requerir que h( t )
esté en alguna banda de frecuencias particular.

2) Tomar la Transformada de Fourier de:

H ( ϑ ) = ∫ h( t ).exp( − jϑt )dt

3) Reemplazar ϑ por ϑτ en H ( ϑ )

La función inicial h( t ) puede ser considerada como una ventana o la

respuesta al impulso de un filtro. Por lo tanto se puede incorporar todo el
importante marco teórico del diseño de filtros para el de los kernel RID.
La expresión para una Transformación general de este tipo es:

1 ⎛ u −t ⎞ ⎛ τ⎞ ⎛ τ⎞
RIDx ( t ,ω , h ) = ∫∫ h⎜ ⎟ x ⎜ u + ⎟ x ⎜ u − ⎟ exp( − jωτ )dudτ (33)
τ ⎝ τ ⎠ ⎝ 2⎠ ⎝ 2⎠

donde la función de autocorrelación generalizada es:

1 ⎛ u −t ⎞ ⎛ τ⎞ ⎛ τ⎞
Rx ( t ,τ ) = ∫ h⎜ ⎟ x ⎜ u + ⎟ x ⎜ u − ⎟ du
τ ⎝ τ ⎠ ⎝ 2⎠ ⎝ 2⎠

137
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Como hemos mencionado, si bien es posible lograr muy buenos resultados con
el uso de estas transformaciones, se debe ser conciente de sus limitaciones:

DISTRIBUCION DE WIGNER-VILLE
250

200

150

100

50

50 100 150 200 250

DISTRIBUCION DE CHOI-WILLIAMS
250

200

150

100

50

50 100 150 200 250

Figura 8: WVD y CWD de una señal suma de dos señales Gaussianas corridas en
tiempo y frecuencia.

1) El RID no es no-negativo como lo es el espectrograma. Sin embargo se ha

observado que en casi todos los casos, tiene en este sentido, un mejor
comportamiento que la WVD, lo cual tiene un justificativo teórico: los términos
interferentes de la WVD son los que generalmente exhiben valores negativos. El
RID reduce la negatividad como consecuencia de disminuir la magnitud de los
términos interferentes.
Es sabido que no es posible obtener una distribución tiempo-frecuencia
positiva para todas las señales con un kernel fijo manteniendo todas las
propiedades de la WVD. Valores de Energía negativa no pueden tener una
interpretación física convencional, pero ellos son necesarios para lograr los
buenos atributos de la distribución. Debe analizarse entonces los beneficios que se
obtienen relajando la exigencia de positividad o perdiendo propiedades.

138
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

DISTRIBUCION DE CHOI-WILLIAMS
250

200

150

100

50

50 100 150 200 250

DISTRIBUCION CONO
250

200

150

100

50

50 100 150 200 250

Figura 9: CWD y Distribución Cono de una señal con dos componentes

Gaussianas corridas en frecuencia.

2) En general, los términos interferentes no pueden ser totalmente eliminados.

Cuando dos componentes de la señal están poco separadas en tiempo o frecuencia,
los términos interferentes son más importantes. En realidad, si dos componentes
están solapadas exactamente, los términos cruzados deben existir para obtener los
valores correctos de la energía de las señales combinadas. A veces, los términos
cruzados resultan de interés ya que reflejan las relaciones entre las componentes
de la señal.

3) En el análisis tiempo-frecuencia de la señal se utiliza en la mayoría de los

casos la forma analítica de la misma, con lo cual se logra eliminar los términos
cruzados entre las componentes de frecuencia positiva y negativa. Sin embargo,
para algunas señales de baja frecuencia esto no resulta conveniente porque crea
algunas distorsiones y se prefiere usar la señal real dato directamente. De
cualquier forma en las distribuciones RID los problemas de los términos cruzados
son menores que en la WVD y por lo tanto disminuyen las ventajas de usar la
señal analítica.
139
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

En la TABLA III se exhiben algunas Distribuciones, sus kernels

correspondientes y las propiedades de la TABLA II que satisfacen.

Figura 10: ESPECTROGRAMA y Distribución CONO del fonema /a/.

Representacion tiempo–frecuencia dependiente de la señal

A diferencia de las representaciones anteriores que enfatizan la eliminación de
los términos interferentes tratando de preservar la mayor cantidad posible de las
propiedades de la Distribución de Wigner-Ville, los kernels dependientes de la
señal, tienen por objetivo optimizar el pasaje de las autocomponentes y suprimir
las componentes cruzadas para señales particulares.
Es práctica común relajar los requerimientos del kernel con el fin de ganar
flexibilidad en la ubicación de las regiones de atenuación donde se encuentran los
términos cruzados, manteniendo baja atenuación en las regiones de los
autotérminos.
Podemos llamarlos kernel dependiente de la señal en el sentido que se diseñan
para una señal específica o tipo de señal. Sin embargo se tienen que tomar
cuidados especiales ya que para alcanzar ese objetivo pueden verse
comprometidas propiedades básicas de la Transformación.

140
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Cuando se tiene un kernel fijo, éste actúa sobre la función de ambigüedad

como un filtro pero tiene limitaciones en cumplir su cometido debido a que la
localización de los autotérminos y de los cruzados depende de la señal a ser
analizada. De aquí que se espere que pueda conseguirse una buena performance
usando un kernel especialmente diseñado para una determinada clase de señales.
Para lograr la distribución tiempo- frecuencia bilineal para una señal dato que
provea en algún sentido la ¨mejor¨ representación tiempo-frecuencia, Baraniuk y
Jones formularon un procedimiento para el diseño del kernel dependiente de la
señal como un problema de optimización.

Método del kernel óptimo (OK) 1/0

Dada una señal y su AF, el kernel óptimo 1/0 se define como una función φopt
real y no negativa que resuelve el siguiente problema de optimización (Baraniuk
1994):

{ ∫∫ AF (ϑ , τ )Φ (ϑ ,τ ) dϑ dτ
2
max (34)
φ

sujeto a las condiciones:

1) Φ (0,0) = 1
2) Φ (ϑ ,τ ) radialmente no creciente

lo cual puede ser expresado explícitamente como que debe cumplir:

Φ (γ 1 ,ψ ) ≥ Φ (γ 2 ,ψ ) ∀ γ 1 ≤ γ 2 , ∀ψ

en el que γ y ψ corresponden a las coordenadas polares radio y ángulo

respectivamente.
Es usual agregar una tercera condición:

∞ ∞
1
∫ ∫ φ (ϑ ,τ )
2
3) dϑ dτ ≤ α
2π −∞ −∞

donde α ≥ 0 es un parámetro de escala, el cual controla la importancia relativa

entre el mejoramiento de los autotérminos y la supresión de los términos
interferentes, ajustando el volumen bajo el kernel óptimo.
Las restricciones de Φ(ϑ ,τ ) obligan al kernel óptimo a ser un filtro pasa-bajo
de volumen fijo α. La maximización de la medición de performance hace que la
banda pasante del kernel se encuentre sobre las autocomponentes.

141
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Fijando el volumen bajo el kernel óptimo, el parámetro α regula la situación

de compromiso entre la supresión de los términos cruzados y el derrame de las
autocomponentes. Cotas razonables son 1 ≤ α ≤ 5 .
Para la cota inferior, el kernel óptimo tiene el mismo volumen que un kernel
para el STFT espectrograma y a medida que α aumenta, la Distribución de kernel
óptimo converge a la WVD.
Es posible agregar restricciones para que el kernel elegido permita que se
satisfagan algunas propiedades que figuran en la TABLA I tales como que se
cumplan las condiciones marginales tanto en tiempo como en frecuencia, si bien a
costa de perder calidad en la optimización.

Método del kernel radial gaussiano

Aunque el kernel 1/0 es óptimo de acuerdo al criterio fijado, su corte abrupto
puede introducir oscilaciones en la Distribución OK, especialmente para pequeños
valores del parámetro α.
Como alternativa se puede agregar restricciones de suavizado explícito a las
fórmulas de optimización (34) tales como que el kernel está obligado a ser
Gaussiano radialmente (Baraniuk 1993):

⎧ ϑ2 +τ 2 ⎫
Φ (ϑ , τ ) = exp⎨− ⎬ (35)
⎩ 2σ (ψ ) ⎭
2

El término σ(ψ) representa la dependencia de la apertura Gaussiana con el

ángulo radial ψ = arctan(τ / ϑ ) .
El kernel de la forma (35) es acotado, radialmente no creciente, y además,
suave si σ lo es. Como la forma del kernel radial Gaussiano está completamente
parametrizado por esta función, basta encontrar la función óptima σopt de la señal
para determinar el kernel buscado.

Formulaciones adaptivas
Si bien las Distribuciones OK 1/0 y Radial Gaussiana tienen generalmente
buena performance, diseñan un solo kernel para toda la señal.
Para analizar señales con características cambiantes en el tiempo o para
trabajo en tiempo real con señales de larga duración, sería conveniente una TFR
adaptiva dependiente de la señal.
La adaptación del kernel a las características locales de la señal requiere que el
proceso de optimización se adecue a esta nueva restricción.
En el dominio de la función de ambigüedad esta situación no es
inmediatamente admitida ya que la determinación de la AF incluye información
sobre todo el tiempo y toda la frecuencia de la señal, dificultad que puede ser
superada por el desarrollo de una AF a tiempo corto (Jones 1995), lo cual permite
142
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

la aplicación a posteriori del procedimiento de optimización de determinación del

kernel radial Gaussiano Φ opt (ϑ ,τ , t 0 ) y un slice Copt (t0 , f ) de Distribución en
frecuencia de kernel óptimo en t0.
En particular, la Distribución kernel cono adaptivo (Czerwinski 1995, Khadra
1998), se ha popularizado debido a su habilidad en resolver componentes
transitorias de la señal o cambios abruptos en sus características. Esta capacidad
se apoya en una propiedad deseable para todas las representaciones tiempo-
frecuencia que es el de anularse fuera del soporte en el tiempo de la señal y que la
función cono la satisface plenamente.
El kernel cono es a menudo parametrizado por un solo valor, la longitud del
cono, que controla fuertemente el comportamiento de la TFR resultante. Conos
cortos permiten a la TFR exhibir los rápidos cambios en las características de los
transitorios de la señal, mientras un cono largo suministra alta resolución en las
componentes de la señal de larga duración (Khadra 1998).
Trabajos recientes han permitido desarrollar una técnica que selecciona
adaptivamente la longitud del cono en los distintos instantes de tiempo, la cual es
elegida por un criterio de optimización similar al usado en (34) que maximiza la
energía y permite seleccionar las distintas longitudes del cono mediante un
algoritmo rápido que computa recursivamente una función de ambigüedad a
tiempo corto con longitudes variables. La Figura 11 esquematiza el diagrama de
flujo.
Sin embargo, pueden hacerse algunas críticas a este tipo de representaciones
adaptivas. (Williams 1998) Ante todo no es más una distribución bilineal o
cuadrática, lo que dificulta interpretar los resultados en términos de energía.
Además el tiempo computacional requerido se incrementa notablemente lo que
entorpece el trabajo a tiempo real y los resultados obtenidos parecen no justificar
estos inconvenientes.

Influencia del ruido

El comportamiento de la WVD frente al ruido es malo (Cohen 1995). La
WVD expande el ruido sobre todo el plano tiempo-frecuencia, además de
producirse términos cruzados entre los autotérminos y los términos ruidosos y
éstos entre sí. La Distribución de Choi-Williams tiene una mejor respuesta frente
al ruido.

143
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Estimación
del kernel
óptimo

Aplica Señal Computa la Suaviza la Transforma

ventana de AF AF (kernel) RTF en WVD
análisis adaptiva

Figura 11: Esquema de aplicación del kernel óptimo adoptivo.

En la Figura 12 se observa una mayor cantidad de términos interferentes para

el chirp lineal contaminado con ruido Gaussiano (SNR = 10.9 dB) en la
representación de Wigner–Ville en comparación al de la misma señal con una
representación de Choi–Williams.

Figura 12: Representaciones tiempo-frecuencia del chirp lineal ruidoso.

144
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Formulación discreta
Las Distribuciones Tiempo-Frecuencia se presentan en la forma continua para
los desarrollos teóricos y discusión de sus propiedades. Sin embargo, es necesario
contar con su forma discreta para poder implementarlas en computadoras.
Debido a la naturaleza cuadrática de la WVD su muestreo debe ser hecho con
cuidado.
τ τ
Partiendo de la expresión: WVD x (t , ω ) = ∫ x(t + ) x (t − ) exp(− jω τ )dτ
2 2
τ
Haciendo u = : WVD x (t , ω ) = 2∫ x(t + u ) x (t − u ) exp(− j 2ω u )du
2
Por integración numérica con u=n∆ se obtiene una primera aproximación:

WVDx (t , ω ) = 2∆ ∑ x(t + n∆) x(t − n∆) exp(− j 2ω n∆)

n

Si se muestrea la señal x(t) con período ∆t=∆ , escribiendo x[m] = x(m∆ t ) y

evaluando la WVD en los puntos de muestreo m∆t se obtiene una expresión
discreta en el tiempo y continua en frecuencia:

WVD x [m∆ t , ω ) = 2∆ t ∑ x[(m + n)∆ t ] x [(m − n)∆ t ] e − j 2ω n∆ t (36)

n

Esta expresión es periódica en frecuencia con período π / ∆ t , en contrapartida

del período 2π / ∆ t obtenido para la Transformada de Fourier de una señal
muestreada en la tasa de Nyquist. La expresión (36) implica que la componente de
más alta frecuencia debe ser menor o a lo sumo igual que π / 2∆ t . De lo contrario,
la versión de la WVD estará afectada de aliasing.
Para evitar el aliasing se presentan dos alternativas. Una de ellas es
sobremuestrear la señal en al menos un factor 2, y la segunda, aplicable sólo si
x(t) es real, es usar la señal analítica con las ventajas e inconvenientes que se han
expuesto anteriormente.
El próximo paso es muestrear la frecuencia usando la Transformada de
Fourier Discreta lo que lleva después de algún algebreo a una expresión apta para
la implementación de algoritmos rápidos de cálculo. Así la Distribución de
Wigner Ville Discreta responde a la fórmula:

⎧ L −1 ⎧ 2π kn ⎫⎫
DWVDx [m, k ] = 4ℜe ⎨∑ x[ m + n] x[ m − n]exp ⎨− j ⎬⎬ − 2 x[m] x[m] (37)
⎩ n =0 ⎩ L ⎭⎭

145
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

La forma discreta de la WVD goza de muchas de las propiedades de su

versión continua y también similares limitaciones.
En principio cualquier representación tiempo-frecuencia continua puede ser
discretizada.
Sin embargo, a menudo suelen surgir dificultades, razón por la cual a veces se
prefiere obtener las formas discretas a partir de sus principios básicos en lugar de
por aproximaciones de la forma continua (Cunningham 1994).
Los requerimientos para las formas discretas del RID son similares a los de la
WVD discreta. Éste puede ser expresado por:

∞
RIDx ( n ,ω ) = ∑ R ( n , m )*
m =−∞
x n φ ( n , m )exp( − jω n )

∞
donde Φ( m ,ω ) = ∑ φ ( n , m )exp( − jω n )
n =−∞
es el kernel RID discreto.
El RIDx ( n ,ω ) puede por lo tanto ser obtenido calculando la autocorrelación
local Rx ( n , m ) , convolucionándolo respecto a n con φ ( n , m ) y haciendo la
DTFT del resultado respecto a m.
Trabajando directamente de forma discreta, se han generado otras
transformaciones RID interesantes como la Distribución Binomial que utiliza un
kernel del tipo:

1 ⎛m⎞
φ( n,m ) = ⎜ ⎟δ ( n − m + k )
2n ⎝ k ⎠

que satisface en equivalente discreto el requerimiento de soporte en el tiempo:

φ ( n , m ) = 0 si m <2n

con DTFT:

1
Φ( ϑ , m ) = ( e jπϑ + e − jπϑ ) = cos ( πϑ )
m
m
2

Se muestra que este kernel posee muchas de las propiedades deseadas para un
RID, con resultados similares a la de la Distribución Choi-Williams, pero con la
diferencia de haber sido totalmente diseñado en tiempo discreto. No es por lo

146
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

tanto una aproximación de una forma continua y puede ser computado en forma
eficiente.

Evaluación de las distintas representaciones

Para evaluar las distintas representaciones tiempo-frecuencia es de uso común
el considerar el ancho de banda instantáneo, definido por:

∫ (ω − < ω > ) P(t , ω )dω

2
2 2 t
∆ t = ∆ω (t ) =
∫ P(t , ω )dω
con

< ω >t =
∫ ω P(t , ω )dω frecuencia media condicional.
∫ P(t , ω )dω
El ancho de banda instantáneo da una indicación de cómo de expande la
energía de la señal con respecto a la frecuencia media condicional.
Un buen espectro dependiente del tiempo P(t,ω) satisface que su frecuencia
media condicional es igual a la frecuencia media instantánea de la señal, que se
corresponde con la primera derivada de su fase.
Para una señal
x( t ) = A( t )exp( jϕ ( t )) , ϕ '( t ) representa la frecuencia instantánea.
En el caso de la WVD se cumple:

∫ ω WVD (t , ω )dω = 1
x
< ω >t = ∫ ω WVD (t , ω )dω = ϕ ´(t )
∫
2
WVD (t ,
x ω ) d ω 2π x (t ) x

propiedad ésta no satisfecha por el espectrograma STFT, aunque cuando se aplica

una ventana angosta la frecuencia media condicional del mismo es muy próxima a
la primera derivada de la fase de la señal.
El ancho de banda instantáneo debe ser lo más pequeño posible.
En la Figura 13 se grafica el chirp lineal con frecuencias normalizadas entre
0.1 y 0.4, mientras en la Figura 14 aparece su espectrograma STFR y la
Distribución de Wigner- Ville correspondiente.
Se observa que si bien en ambos casos se refleja la evolución de la frecuencia
en el tiempo, la precisión de la WV D es mayor que el del espectrograma. Ello es
debido a que el ancho de banda instantáneo de la WVD es menor que la del
espectrograma STFT.

147
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Señales aleatorias
Aunque nos hemos referido exclusivamente a señales determinísticas, un
grupo numeroso e importante de aplicaciones requiere que las señales sean
modeladas como procesos estocásticos (Hlawatsch 1999, Matz 2003).
Para señales aleatorias estacionarias se define la densidad espectral de
potencia:

S x ( f ) = ∫ Rx ( τ )exp( − j 2π f τ )dτ
con Rx ( τ ) = E { x( t + τ )x( t )}

Figura 13: CHIRP LINEAL y la representación de su frecuencia instantánea.

Debido a la estacionalidad, ésta no cambia con el tiempo.

Cuando el proceso bajo análisis es no estacionario, las propiedades espectrales
de la densidad de potencia cambian con el tiempo por lo que se necesita un
espectro que refleje esta situación. Se obtiene entonces una representación tiempo-
frecuencia de las estadísticas de segundo orden del proceso.

148
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Una primera aproximación a la que llamaremos Espectro Wigner-Ville

Generalizado (Matz 1997):

α
W x ( t , f ) = ∫ Rxα ( t ,τ )exp( − j 2π f τ )dτ
⎛ ⎛1 (38)
⎞ ⎛1 ⎞ ⎞
con Rxα ( t ,τ ) = Rx ⎜ t + ⎜ − α ⎟ τ , t − ⎜ + α ⎟ τ ⎟
⎝ ⎝2 ⎠ ⎝2 ⎠ ⎠

siendo: Rx ( t , t´) = E { x( t )x( t´)} ; α ∈ en principio arbitrario.

Casos especiales son:

Con α = 0 Espectro de Wigner-Ville
α=½ Espectro de Rihaczek

con propiedades en general similares a las TFR para señales determinísticas.

Figura 14: ESPECTROGRAMA STFT y WVD del chirp lineal.

149
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Distribuciones afines
La Clase de Cohen reúne en una formulación única todas las distribuciones
bilineales covariantes en tiempo y frecuencia, ofreciendo una amplia variedad de
herramientas para el análisis de las señales no estacionarias.
La más destacada de esta Clase es sin dudas la Distribución de Wigner–Ville,
la cual, si bien presenta el mejor conjunto de propiedades útiles, tiene el problema
de la aparición de los términos interferentes que pueden obscurecer características
importantes de la señal.
Las otras distribuciones analizadas parten de la premisa de tratar de eliminar
los términos cruzados intentando mantener la mayor cantidad posible de las
propiedades de la WVD. Existen distribuciones de energía tiempo-frecuencia que
no pertenecen a las Clases de Cohen ya que no son covariantes por corrimientos
en tiempo y en frecuencia. Tal es el caso de las Distribuciones Afines (A) basadas
en la propiedad de covariancia por corrimientos en tiempo y dilatación (escala).
Comprende todas las TFR cuadráticas, que preservan el escalamiento en el
tiempo (duplicando la escala de tiempo de la señal, también se duplica la escala de
tiempo de la representación tiempo-frecuencia, mientras divide por dos la escala
de frecuencia) y preserva los corrimientos en el tiempo:

1 ⎛ t − to ⎞ ⎛ t − to a ⎞
x1 ( t ) = x⎜ ⎟ ⇒ Tx1 ( t , a ) = Tx ⎜ a' , a' ⎟
a' ⎝ a' ⎠ ⎝ ⎠

Los miembros de esta clase pueden derivarse a partir de la WVD por medio de
una transformación afín.

∞ ∞
⎛ s −t ⎞
Tx ( t , a , Π ) = ∫ ∫ Π ⎜⎝
−∞ −∞
a
, aη ⎟ WVDx ( s ,η )ds dη (39)
⎠

donde Π( s ,η ) es un kernel 2-dimensional que depende del tiempo y la

frecuencia pero no de la señal.
Se muestra que tanto la Distribución de Wigner-Ville como la de Choi–
Williams también son miembros de esta Clase.
Entre los miembros de la Clase afín que no pertenecen a la Clase de Cohen
figuran el escalograma, la distribución de Flandrin y la de Bertrand y Bertrand.
Conceptualmente, estas representaciones son similares al análisis Q-Constante
de la Transformada Ondita pero en el marco de la energía de la señal.

Otras representaciones
Mientras que distribuciones tiempo-frecuencia y tiempo-escala son las
herramientas naturales para el análisis y procesado de una gran cantidad de
señales, no son en todos los casos las más aptas, teniendo en cuenta que los
150
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

corrimientos en tiempo, corrimientos en frecuencia y cambios de escala no son las

transformaciones fundamentales que aparecen en todas las aplicaciones.
Para estos diferentes tipos de señales, se han desarrollado distribuciones
conjuntas basadas en otros conceptos distintos de tiempo, frecuencia y escala.
Usando métodos que se apoyan en la Teoría de los Operadores se trata de
asociar un atributo físico “a” a un operador generalmente unitario o Hermitiano,
en la búsqueda de transformaciones que puedan medir la dependencia con “a” con
los contenidos de energía de la señal (Cohen 1996a, Cohen 1996b).
De cualquier forma, cuál es el tipo de representación a usar depende de la
naturaleza particular de la señal en estudio y del objetivo perseguido con ese
análisis.

Algunas aplicaciones
Las representaciones tiempo-frecuencia incluyendo la Transformada Ondita
permiten visualizar nuevos fenómenos y en cierta medida han cambiado nuestra
forma de ver a las señales. Su campo de aplicación crece día a día incursionando
fuertemente en las señales biomédicas, de radar, sísmicas y todo otro proceso de
características no estacionarias (Marchant 2003, Nelson 2000, Chen 1998, Saito
1996).
Elegida la Distribución a usar, el problema básico reside en interpretar una
imagen en el plano tiempo-frecuencia que describe la evolución en el tiempo de
los contenidos de frecuencia de la señal. Aun cuando las distintas representaciones
tienen el mismo objetivo, cada una de ellas tiene que ser analizada de acuerdo a
las propiedades que posee.
Temas relacionados con caracterización, detección y clasificación de señales
no estacionarias se encuentran en una gran variedad de problemas y es en ese
contexto que las TFR pasan a ser una herramienta muy importante.
Los momentos de primer y segundo orden describen la posición promedio y
dispersión tanto en tiempo como en frecuencia de la señal. Para algunas
distribuciones, si se considera su forma analítica, el momento de primer orden en
tiempo se corresponde con la frecuencia instantánea y el en frecuencia con el
group delay.
De igual forma, los momentos centrales de tercer y cuarto orden permiten
definir el skew y kurtosis instantáneos con posibles aplicaciones a la
identificación de sistemas (Davidson 2000).
Pero además, los momentos conjuntos tiempo-frecuencia han encontrado
utilidad en la clasificación de señales no estacionarias (Tacer 1998, Akan 2000).
En problemas de reconocimiento de patrones se utilizan a menudo
transformaciones lineales o no lineales con el objeto de lograr extraer más
fácilmente alguna característica o mejorar la clasificación. En el caso de señales
cuyo espectro varía en el tiempo, distintas TFR han sido usadas con éxito

151
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Sin embargo se presenta un inconveniente: dada una serie de tiempo de

longitud N, la TFR tiene del orden de N2 puntos (asumiendo que se realiza una
FFT punto N) con lo cual se tiene un problema de dimensionalidad ya que se ha
incrementado considerablemente el número de datos a tener en cuenta con el
consiguiente gasto computacional.
La colección de todos los momentos conjuntos definidos por:

∞ ∞
tω = ∫ ∫tω TFR(t , ω )dt dω
n m n m
(40)
−∞ −∞

preservan toda la información de la TFR. A los fines de un proceso de

clasificación, se pretende que sea necesario conocer sólo unos pocos de ellos.
La idea es computar y normalizar un número p de momentos conjuntos con
p << N para armar un vector de características de dimensión mucho menor que
N 2 y que a pesar de ello capte las propiedades de la señal en el dominio tiempo-
frecuencia.
La normalización de los momentos se realiza a fin de reducir su rango
dinámico:

⎛ t i ,ω j ⎞
t ,ω
i j
= log ⎜ ⎟ ; i , j = 1, 2, 3, ...
⎜ i! j! ⎟
⎝ ⎠

Otra fuente de información la constituyen los términos interferentes, aun

cuando hacen más confusa la representación y a menudo se busque eliminarlos.
Sin embargo, el conocimiento de la estructura y formación de los mismos, es
necesario para poderlos interpretar correctamente. En general permite inferir sobre
las fases relativas de dos componentes como así también sobre las
discontinuidades de fase de la señal observada.

Medida de los contenidos de información

El término ¨componente¨ no está definido claramente en el área de
procesamiento de señales. A pesar de ello en la Distribución de Wigner-Ville se
habla de la aparición de términos interferentes debido a las componentes cruzadas,
como así también de la concentración y resolución de las autocomponentes
(Flandrin 1994).
Intuitivamente una componente se interpreta como una concentración de
energía en algún dominio. Este concepto fue desarrollado por Cohen para el plano
tiempo-frecuencia (Cohen 1992).

152
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Aunque el tema no está cerrado, es razonable considerar que señales de alta

complejidad, esto es con fuerte contenido de información, están construidas a
partir de un número importante de componentes elementales.
Cuando se intenta cuantificar el grado de complejidad de una señal,
mediciones basadas en los momentos como el producto duración en el tiempo-
ancho de banda y su generalización a momentos de segundo orden no aportan
resultados. Es fácil ver que una señal formada por dos componentes de soporte
compacto puede aumentar indefinidamente su producto duración en el tiempo-
ancho de banda incrementando la separación de las mismas pero la complejidad
de la señal no varía.
Una aproximación al problema está basada en la entropía, explotando la
analogía entre la densidad de energía de la señal y las densidades probabilísticas.
2 2
Así como x( t ) y X ( ω ) se comportan como densidades unidimensionales
en tiempo y frecuencia respectivamente de la energía de la señal, las TFR
Cx ( t , f ) puede considerarse que actúan como densidades bidimensionales de
energía en el plano tiempo-frecuencia.
La entropía es una medida de la información esperada a través de todos los
valores que puede tomar un proceso aleatorio, luego es mayor mientras mayor es
el grado de incerteza, lo que se relaciona con que la señal sea más compleja.
A partir de esta relación, puede pensarse en la clásica entropía de Shannon,
que, para señales de energía unitaria, tiene la forma:

H ( Cx ) = − ∫∫ Cx ( t , f ).log2 Cx ( t , f )dt df (41)

El objetivo es medir la complejidad de la señal a través de su TFR ya que es

ésta y no la señal, la que se comporta como una función de densidad de
probabilidades. A medida que la señal es más compleja, también lo es su TFR y
en consecuencia, mayores los valores de entropía.
Sin embargo la no positividad de la mayoría de las TFR impide la aplicación
de la entropía de Shannon. Williams, Brown y Hero (Williams 1991) propusieron
el uso de la entropía de Rényi generalizada para señales de energía unitaria:

1
Hα ( Cx ) = log2 ∫∫ Cxα ( t , f )dt df (42)
1−α

Estudios empíricos mostraron muy buenos resultados para α =3 abarcando un

importante conjunto de señales aun en el caso en que la TFR tome localmente
valores negativos, gozando de algunas propiedades realmente destacadas:

153
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

1) H 3 ( Cx ) ¨cuenta el número de componentes¨ de una señal.

2) H 3 ( Cx ) es asintóticamente invariante a los términos cruzados de la TFR y
por lo tanto no los incluye en el conteo.
3) H 3 ( Cx ) es extremadamente sensible a las diferencias de fase entre
componentes poco espaciadas.
4) Los valores de la H 3 ( Cx ) son invariantes a corrimientos tanto en tiempo
como en frecuencia. Para algunas TFR resultan también invariantes frente a los
cambios de escala.

La propiedad primaria de la Entropía de Rényi para cuantificar la complejidad

y contenidos de información de señales no estacionarias, es su capacidad de
conteo del número de componentes, válida cuando éstas son idénticas. Caso
contrario, su sensibilidad a las diferencias de fase y de amplitud entre
componentes hacen que esta propiedad se verifique sólo asintóticamente, esto es
cuando la distancia entre componentes tiende a infinito, lo que puede limitar su
utilización como herramienta en el análisis tiempo-frecuencia (Michel 1994).
Es necesario destacar que la analogía entre las TFR y las densidades de
probabilidades bidimensionales no es total. Por un lado, la libertad de elegir el
kernel y por lo tanto la TFR a usar lleva implícito tener distintas distribuciones
para el mismo conjunto de datos. Además, la no positividad de las TFR hace que
no puedan ser interpretadas estrictamente como una densidad de energía de la
señal.
Una condición a cumplir por la TFR para que la entropía de Rényi de orden α
esté bien definida es que la TFR sea real y se satisfaga (Baraniuk 2001):

∫∫ C
α
x (t , f )dt df > 0 (43)

Las TFR con kernels pasa-bajo conducen normalmente a estimaciones de la

entropía de Rényi más robustas que cuando se usa la WVD debido a la atenuación
de los términos interferentes. Sin embargo esto es a costa de que los niveles de
entropía tengan un sesgo dependiente de la señal.
Las mediciones de entropía cuantifican el grado de incerteza asociado con la
respuesta de un experimento. En reconocimiento de patrones, estas mediciones
relacionan cuanta incerteza queda acerca de los miembros de una clase una vez
que se ha medido una característica.
Así como en la Teoría de la Información, la entropía sirve de base para
mediciones de distancia entre densidad de probabilidades, es de esperar que
mediciones análogas entre TFRs pueden tener inmediata aplicación en problemas
de detección y clasificación.

154
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Una de las medidas de distancia entre dos TFR C1 y C2 definida a través de la

entropía, se basa en la diferencia de Jensen, usada para TFR positivas, la cual
viene dada por:

Hα ( C1 ) + Hα ( C2 )
Jα ( C1C2 ) = Hα ( C1C2 ) − (44)
2

La positividad de esta expresión está vinculada a la concavidad de la función

de entropía, propiedad de la que no goza la Entropía de Rényi para α ≠ 1 .
Además, si C1 (t , f ) y C2 (t , f ) son disjuntas en el plano TF, Jα (C1C2 ) diverge.
Se han realizado estudios experimentales con otras funciones de divergencia
como las de Kullback que en condiciones especiales han mostrado buenos
resultados.
También se han intentado introducir otras métricas no ya vinculadas a la
entropía sino a geodésicas en el espacio de representaciones tiempo-frecuencia
admisible (Droppo 1998).

Conclusiones
El desarrollo de técnicas de procesamiento basadas en el análisis de la señal
como una función conjunta del tiempo y la frecuencia es actualmente motivo de
profundas investigaciones de tal forma que aparecen continuamente nuevos
métodos para encarar el problema de desentrañar las características que ayuden a
comprender mejor los sistemas en estudio.
En los últimos años se han desarrollado numerosas representaciones tiempo-
frecuencia que pueden interpretarse como versiones suavizadas de la Distribución
de Wigner-Ville, en el que el tipo de suavizado determina la cantidad de
atenuación de los términos interferentes, su concentración en el plano tiempo-
frecuencia y las propiedades matemáticas de la representación.
En general, las TFR al proveernos de una representación precisa de la
evolución de las señales no estacionarias, ayudan en gran medida a realizar un
análisis más completo de las mismas, facilitando su clasificación, modelado,
determinación de parámetros y patrones.
Hay que destacar especialmente que no existe una “mejor Transformada”que
nos sirva para todos los casos, sino que la elección de uno u otro tipo va a
depender no sólo de cual es la señal en análisis, sino también cual es el objetivo
que se persigue al realizar la Transformación. Lo importante es conocer lo mejor
posible el conjunto de posibilidades que tenemos a mano como así también las
limitaciones que presenta cada opción.
En resumen, las distintas TFR nos suministran otra visión de la señal que
complementa lo que puede lograrse por otros mecanismos.

155
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

TABLA I

Propiedades de la WVD Propiedades de la función de ambigüedad

WVDx (t , ω ) = WVDx (t , ω ) AFx (ϑ ,τ ) = AF (−ϑ ,−τ )
x(t - to) → WVDx (t - to, ω ) x(t - to) → AFx (ϑ ,τ ).exp(- j toϑ )
x(t ) exp( jω o t ) → WVDx (t , ω - ω o ) x(t ) exp( jω o t ) → AFx (ϑ ,τ )exp( jω oτ )

∫ WVD (t , ω )dω = p (t ) = x(t ) AFx (ϑ ,0) = Rx (ϑ ) = ∫ X (ω + ϑ ) X (ω )dω

2
x x
ω ω

∫ WVD (t ,ω )dt = P (ω ) = AFx (0,τ ) = Rx (τ ) = ∫ x(t + τ ) x (t )dt

2
x x X (ω )
t t

x(t ) = 0 si t ∉ [t1 , t2 ] → x(t ) = 0 si t ∉ [t1 , t2 ] →

WVDx (t ,ω ) = 0 si t ∉ [t1 , t2 ] AFx (ϑ ,τ ) = 0 si τ > t2 - t1
X (ω ) = 0 si w ∉ [ω1 , ω 2 ] → X (ω ) = 0 si ω ∉ [ω1 , ω 2 ] →
WVDx (t , ω ) = 0 si ω ∉ [ω1 , ω 2 ] AFx (ϑ , τ ) = 0 si ϑ > ω 2 - ω1

∫ω ωWVD (t ,ω )dω ⎡δ ⎤
x

= f x (t ) 1
∫ ⎢ AF (ϑ,τ )⎥⎦τ
ϑ ⎣ δτ
x
=0
exp( jtϑ )dϑ
= f x (t )
∫ω WVD (t , ω )dω
x j 2π ∫ AFx (ϑ,0) exp( jtϑ)dϑ
ϑ
(frecuencia Instantánea)

∫ tWVD (t ,ω )dt ⎡δ ⎤
t
x

= t x (ω ) 1
∫τ ⎢⎣δϑ AF (ϑ,τ )⎥⎦ϑ
x exp(− jωτ)dτ
− =0
= t x (ω)
∫ WVD (t , ω )dt
t
x j2π ∫ AFx (0,τ ) exp(− jω τ )dτ
τ
(group delay)

156
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

TABLA II

Propiedades KERNEL
1 Invariante corrimientos en el tiempo Independiente de la variable tiempo t
2 Invariante corrimiento frecuencia Independiente de la variable ω
3 Real Φ(ϑ ,τ ) = Φ (−ϑ ,−τ )
4 Marginal en tiempo Φ(ϑ ,0) =1
5 Marginal en frecuencia Φ (0, τ ) =1
6 Frecuencia instantánea δ
Φ(ϑ ,0) =1; Φ (ϑ ,τ ) τ =0 = 0
δτ
7 Retardo de Grupo (Group delay) δ
Φ(0,τ ) = 1 ; Φ (ϑ , τ ) ϑ =0 = 0
δϑ
8 Positividad Φ(ϑ ,τ ) es la función de ambigüedad
de una función γ(t)
9 Soporte finito en el tiempo t
φ ( t ,τ ) = 0 para >1/ 2
τ
10 Soporte finito en frecuencia ϑ
Φ( ϑ ,τ ) = 0 para >1/ 2
τ

TABLA III

Distribución Kernel P P P P P P P P P P
1 2 3 4 5 6 7 8 9 10
Wigner (WD) 1 x x x x x x x x x
Rihaczec exp( jϑτ / 2 ) x x x x x x
Re{Rihaczec} cos( ϑτ / 2 ) x x x x x x x x x
Choi-Williams(CW) exp( −ϑ τ / σ )
2 2 x x x x x x x
Espectrograma Aw ( ϑ ,τ ) x x x x x
con w( t ) ventana
Born-Jordan sen( ϑτ / 2 ) /( ϑτ / 2 ) x x x x x x x x x
Windowed CW exp( −υ / σ )* W (υ ) υ =ϑτ
2 x x x x x x x x x
Cono (ZAM) g( τ ) τ ( sen( aϑτ ) / aϑτ ) x x x x x x

157
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Referencias

Akan A, Ünsal B. ¨Time-Frequency analysis and classification of

temporomandibular joint sounds¨ Journal of t he Franklin Institute 337 2000.
Asanuma H, Kisaki T, Niitsuma H. ¨Analysis of seismic waves propagated
through a pressurized fracture by the 3D-TFC method¨ Tohoku University –
Japan – 2002.
Baraniuk R, Flandrin P, Janssen A, Michel O. ¨Measuring Time-Frecuency
Information Content using de Renyi Entropies¨ IEEE Transactions on
Information Theory Vol 47 Mayo 2001.
Baraniuk RG, Jones DL. ¨A signal–dependent time-frequency representation¨
IEEE Transactions Signal Processing Vol 41 January 1994.
Baraniuk RG, Jones DL. ¨A radially Gaussian, signal dependent time-frequency
representation: Optimal kernel design¨ Signal Processing, Vol 32 . June 1993.
Chen V, Qian S. ¨Joint time-frequency transform for radar range-Doppler
imaging¨ IEEE Trans. Aerosp. Electron. Syst. . Vol 34 – No 2 – 1998.
Choi H, Williams W. ¨Improved time-frequency representation of
multicomponent signals using exponential kernels¨ IEEE Transactions Acoust. ,
Speech, Signal Processing. Vol ASSP-37 No 6 – 1989.
Classen T, Mecklenbräuker W. ¨The Wigner Distribution: A Tool for Time-
Frequency Signal Analysis¨ Philips J. Res. , Vol 35 No 6 – 1980.
Cohen L. ¨A general approach for obtaining joint representations in signal
analysis – Part I : Characteristic function operator method ¨ IEEE Trasnsactions
on Signal Processing Vol 44 No 5 Mayo 1996.
Cohen L. ¨Time-Frequency Distributions – A Review ¨ Proceeding of the IEEE ,
77(7) – 1989.
Cohen L. ¨Time-frequency signal analysis¨ Englewood Cliffs , NJ: Prentice Hall
1995.
Cohen L. ¨What is a Multicomponents Signal ? Acoustics, Speech and Signal
Processing ICASSP –1992 IEEE Int. Conference . Vol. 5 1992.
Cunningham G, Williams W. ¨Fast implementations of discrete time-frequency
distributions¨ IEEE Transactions signal Processing. Vol 42 -1994.
Czerwinski RN, Jones DL. ¨Adaptive cone-kernel time-frequency analysis¨ IEEE
Transactions Signal Processing. Vol 43 – 1995.
Davidson K, Loughlin P. ¨Instantaneous spectral moments¨ Journal of the
Franklin Institute 337 – 2000.
158
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Droppo J, Atlas L. ¨Distance metrics for discrete time-frequency representations¨

Department of Electrical Engineering – University of Washington 1998.
Flandrin P, Barbaniuk R, Michel O. ¨Time-frequency complexity and
information¨ Acoustics, Speech and Signal Processing 1994 ICASSP-94 IEEE
Int. Conference.
Flandrin P. ¨Some Features of time-frequency representations of multicomponent
signals ¨ IEEE Int. Conf. Acoust., Speech, Signal Processing – 1984.
Hlawatsch F, Boudreaux-Bartels G. ¨Linear and Quadratic time-frequency signal
representations¨ IEEE SP Magazine 1992.
Hlawatsch F, Flandrin P. ¨The interference structure of the Wigner Distribution
and related signal representations¨ The Wigner Distribution - Theory and
Applications in Signal Processing. W. Mecklenbräuker. Ed. North Holland
Elsevier Science Publishers, 1992.
Hlawatsch F, Matz G. ¨ Time-Frequency Signal Processing: a Statistical
Perspective ¨ Institute of Communications and Radio-Frequency Engineering
Viena University of Technology Austria – 1999.
Hlawatsch F. ¨Interference terms in the Wigner Distribution ¨ Proc. Int. Conf. on
Digital Signal Processing Florence Italy 1984.
Janssen AJ. ¨ On the locus and spread of pseudo – density functions in the time-
frequency plane¨ Philips J. Res. . Vol 37 1982.
Jones DL, Baraniuk RG. ¨An adaptive optimal kernel time-frequency
representation¨ IEEE Transactions Signal Processing. Vol 43 – October 1995.
Kradra LM, Draidi J, Khasawneh M, Ibrahim M. ¨Time-Frequency Distributions
based on Generalized Cone-Shaped Kernels for the representation of
Nonstationary Signals¨ J. Franklin Ins. Vol 335B No 5 1998.
Lieb EH. ¨Integral bounds for radar Ambiguity Functions and Wigner
Distributions¨ J. Math. Phys. Vol 31 March 1990.
Marchant B. ¨Time-frequency analysis for biosystems engineering¨ Biosystems
Engineering 85 Elsevier Science 2003.
Matz G, Hlawatsch F. ¨Wigner distributions (nearly) everywhere: time-frequency
analysis of signals, systems, random processes, signal spaces and frames” Signal
Processing 83 Elsevier Science 2003.
Matz G, Hlawatsh F, Kozek W. ¨Generalized Evolutionary spectral analysis and
de Weyl spectrum of nonstationary random processes¨ IEEE Transactions
Signal Processing . June 1997.

159
ANÁLISIS CONJUNTO TIEMPO-FRECUENCIA Vera E.P.

Michel O, Barbaniuk R, Flandrin P. ¨Time-frequency based distance and

divergence measures¨ IEEE Proc. Int. Symp. Time-Frequency and Time-Scale
Analysis. Oct. 1994.
Nelson D, Loughlin P, Cristobal G, Cohen L. ¨Time-frequency methods for
biological signal estimation¨ Pattern recognition 2000. Proceeding 15th Int.
Conference Vol 3 -2000.
Odegard J, Baraniuk R, Oehler K. ¨Instantaneous frequency estimation using the
reassignment method¨ Proceedings of the Society of Exploration Geophisics 67th
Annual Meeting – 1997.
Papoulis A. ¨Ambiguity Function in Fourier Optics¨ J. Opt. Soc. Am. Vol 64
1974.
Parsons JD. ¨The mobile radio propagation channel ¨ 2o Ed. Wiley 2000.
Qian S, Chen D. ¨Joint Time-Frequency Analysis¨ Prentice Hall 1996.
Rihaczek AW. ¨Radar waveform Selection: A simplified approach¨ IEEE
Transactions AER El Vol AES7 November 1971.
Saito N, Schlumberger-Doll Research ¨Classification of Geophisical Acoustic
Waveforms using time-frequency atoms¨ Proceeding Statistical Computing –
1996.
Sayeed A, Aazhang B. ¨ Communications over Multipath Channels: A time-
Frequency Perspective¨ 8th Int. Conf. On Personal Indoor and Mobile Radio
Communications . PIMRC’97 Helsinki Finland 1997.
Steeghs T, Drijkoningen G. ¨Time-Frequency Analysis of Seismic Reflection
Data¨ Proceeding of the 1996 Int. Conf. On Acoustics, Speech and Signal
Procesing. Atlanta -1996.
Tacer B, Loughin P. ¨Non-stationary signal classification using the joint moments
of time-frequency distributions¨ Pattern Recognition Vol. 31 No 11 Elsevier
Science - 1998.
van Steenis H, Martens W, Tulen J. ¨The instantaneous frequency of
cardiovascular time series: a comparison methods¨ Computer Methods and
Programs in Biomedicine 71 Elsevier Science 2002.
Van Trees H. ¨Detection, Estimation and modulation Theory¨ . J. Wiley & Sons
Publ. New York 1971.
Williams W, Brown M, Hero A. ¨ Uncertainty, information and time-frequency
distributions¨ Proc. APIE int. Soc. Opt. Eng. Vol 1566 – 1991.

160
PROCESAMIENTO DE SEÑALES E IMÁGENES: TEORÍA Y APLICACIONES

Williams W, Jeong J. ¨Reduced interference time-frequency distributions¨ Time-

Frequency Signal Analysis: Methods and Applications B. Boashash (ed.)
Melourne Longman and Cheshire – 1992.
Williams W. ¨ Recent Advances in Time-Frequency Representations: Some
Theoretical Foundations¨ Time-Frequency and Wavelets in Biomedical Signal
Processing . Ed. Metin Akay . IEEE Press – 1998.
Zhao Y, Atlas L, Marks R. ¨The use of cone-shaped kernels for generalized time-
frequency representations of nonstationary signals¨ IEEE Transactions Acoust.,
Speech, Signal Processing Vol 38 – 1990.

161