Search

La transformación local polinomial de Fourier (LPFT) es una representación tiempo-frecuencia (TFR) que generaliza los resultados obtenidos por la transformación de Fourier de corto tiempo (STFT). Esta herramienta matemática puede ser empleada para estimar la frecuencia instantánea (IF) y sus derivadas en señales no-estacionarias o señales de fase variante en el tiempo . Varias publicaciones presentan diferentes métodos para calcular la LPFT. Sin embargo, estos trabajos no describen de manera completa un algoritmo para su implementación computacional o requieren del cálculo de funciones o transformaciones adicionales. Este artículo propone un algoritmo basado en la definición de la aproximación local polinomial (LPA) y el uso del periodograma local polinomial (LPP) como estimador de la IF y sus derivadas. Así mismo, se presenta la validación del algoritmo propuesto y se consideran los errores (SRMSE) en el cálculo de los estimados de la LPFT. Finalmente, se determinan los costos computacionales a partir de un caso de estudio. Los resultados muestran que el error en el cálculo de la LPFT disminuye dependiendo del ancho de la función ventana y de la resolución dada a los posibles estimados de , aunque esto provoque un incremento en la cantidad de operaciones realizadas.

La información contenida en una señal analógica se evidencia por su representación numérica. El par de Fourier en dos representaciones complementarias explicita las estructuras temporales y frecuenciales. Para detectar y caracterizar eventos que combinan esas estructuras en diversos y complejos patrones es necesario implementar métodos más refinados de representación conjunta tiempo-frecuencia. Entre diversas opciones, la transformada wavelet (en onditas u ondaletas) brinda una eficiente herramienta tiempo-escala. Sus extensiones conducen a apropiadas representaciones conjuntas en un ´único contexto analítico y permiten implementar estrategias flexibles y bien adaptadas a las características de la señal. The information contained in an analog signal is reveled by its numerical representation. The Fourier pair, in two complementary representations, expounds time and frequency structures. However, to detect and characterize those events which combine both structures in diverse and complex patterns, it is necessary to implement more refined methods joint with appropriate time-frequency representations. Among various options, the wavelet transform provides an efficient tool time-scale. Their extensions lead to appropriate representations coexisting in the same analytical context. Make it possible implement flexible strategies, well adapted to the characteristics of the signal