Procesamiento Digital de Seales

Autor:
Ing.Rafael Bustamante Alvarez
REPRESENTACIN EN EL DOMINIO DE
LA FRECUENCIA
Objetivos:
Introducir los conceptos del dominio en la frecuencia
(Espectros).
Obtener una representacin grafica.
DTFT, DFS, DTF, FFT,
DTFT
Es la Transformada de Fourier de una Secuencia Discreta.
x[n] <> X(w)
Una condicin suficiente para la convergencia de la transformada
Discreta de Fourier de Tiempo Discreto es que x(n) sea absolutamente
Sumable:

Propiedades:
1.-Linealidad. ax1(n)+bx2(n) aX1(w)+bX2(w)
2.-Desplazamiento. x(n-k) e-jwkX(w)
3.-Convolucin. x1(n)*x2(n) X1(w).X2(w)
( s s =


=

) n ( x e ) n ( x e ) n ( x ) w ( X
n n
j wn
n
j wn
DFS
La representacin en el dominio de la frecuencia de una secuencia
peridica es denominada Series Discretas de Fourier.

Es su transformada
N. periodo con peridodica es ) N n ( x ) n ( x
~ ~
+ =
kn
N
j
N
k
~ ~
e n x k X
|
.
|

\
|

=
t 2
1
0
). ( ) (
kn
N
2
j
1 N
0 k
~ ~
e ). k ( X
N
1
) n ( x
|
.
|

\
| t

=
DFT
Una secuencia x(n) con 0s ns N-1 muestras no cero, se puede repetir
para formar una versin peridica .

s s
= =
caso otro 0
1 - N n 0 , 1
) n ( R donde ) n ( R ). k ( X ) k ( X
N N
~
kn
N
j
N
n
e n k X
|
.
|

\
|

=
t 2
1
0
). ( x ) (
kn
N
j
N
k
e k X
N
n x
|
.
|

\
|

=
t 2
1
0
). (
1
) (
(DFT)
(IDFT)
Propiedades de la DFT
Periodicidad
X(k+N)=X(k) para todo k
Linealidad
a
1
x (n)+ a
2
x(n) DFT a
1
X (k)+a
2
X(k)
Simetra
) ( ) ( ) ( ) ( ) (
) ( ) ( ) ( ) ( ) (
k j k j k k k X

n j n j n n n x
X X X X
x x x x
o
I
e
I
o
R
e
R
o
I
e
I
o
R
e
R
+ + + =
+ + + =

e=par
o=impar
(simetria) par 1 - N n 1 n x n N x
) (asimetria impar 1 - N n 1 n x n N x
s s =
s s =
) ( ) (
) ( ) (
Ejemplo
Mediante la DFT, determine la convolucin de las dos secuencias siguientes: x
1
={2,1,2,1} y
Solucin: x
2
={1,2,3,4}
j j
n x k
n x n
k X n x k X n x
n x n x n x
e e e
e
e e e
e
k j
k j
k j
n
nk j
k j
k j
k j
n
nk j
N DFT N DFT
2 2 ) 3 ( X 2 ) 2 ( X 2 2 ) 1 ( X 10 ) 0 ( X
3 2 1
0,1,2,3 k ) ( ) ( X
0 ) 3 ( X 2 ) 2 ( X 0 ) 1 ( X 6 ) 0 ( X
2 2
0,1,2,3 k ) ( ) ( X
4 N donde ) ( ) ( y ) ( ) (
) ( ) ( ) (
2 2 2 2
2
3
2
3
0
4
2
2 2
1 1 1 1
2
3
2
3
0
4
2
1 1
2
,
2 1
,
1
2 1 3
4
= = + = =
+ + + =
= =
= = = =
+ + + =
= =
=
=

t
t
t
t
t
t
t
t
Ejemplo
16 (3) x 14 (2) x 16 (1) x 14 (0) x
)
0,1,2,3, n k X n x
e k X
N
n x es X de IDFT La
X X X X
k X k X k X n x n x
3 3 3 3
n j
k
nk j
3
kn
N
j
N
k
3
N DFT
e
e
= = = =
=
= =
=
= = = =
=

=
|
.
|

\
|

=
t
t
t
4 60 (
4
1
) (
4
1
) (
). (
1
) (
0 ) 3 ( 4 ) 2 ( 0 ) 1 ( 60 ) 0 (
) ( ). ( ) ( ) ( ) (
3
0
4
2
3
2
1
0
3 3 3 3
2 1 3
,
2 1
Transformada Rpida de Fourier
(FFT)
Enfoque: Divide y vencers
Transformada Rpida de Fourier
(FFT)-Base 2
Estructura Butterfly
Generalizacin
Ejercicio: Determinar la FFT de x={2,1,2,1}
Transformada Rpida de Fourier
Filtros Adaptativos
Los filtros adaptativos son sistemas variantes en el tiempo de forma que se
adaptan a cambios a su entorno , optimizando su funcionamiento de acuerdo a
una serie de algoritmos conocidos como algoritmos adaptativos.
+
Sistema
adaptativo
Algoritmo
adaptativo
+
-
e(n)
y(n)
x(n)
d(n)
Estructura Directa
e(n)
d(n)
Sistema
adaptativo
Sistema
Desconocido
+
-
y(n) x(n)
Aplicacin:
Identificar
sistemas
Estructura Inversa
Sistema
adaptativo
Sistema
Desconocido
+
-
e(n)
y(n)
x(n)
d(n)
Aplicacin:
Ecualizacin de
canales de
comunicacin
Estructura Predictor
Sistema
adaptativo
Retardo
+
-
e(n)
y(n)
x(n)
d(n)
Aplicacin:
Sistemas de control
Control Adaptativo y
neuronal
x(n-p)
Cancelador activo de ruido
e(n)
Sistema
adaptativo
+
-
y(n)
d(n)= s(n)+r
o
(n)
Aplicacin:
Eliminar ruido
solapado a la seal
espectralmente
x(n)=r
1
(n)
2 2
2
))) ( 1 ( ) ( ) ( ( )) ( ) ( ( ) ( n r f n r n s n y n d n
o
e
+ = =
Algoritmo Least means square
(LMS)
2 2
2
))) ( 1 ( ) ( ) ( ( )) ( ) ( ( ) ( n r f n r n s n y n d n
o e
+ = =
vectorial) (notacin x w n y
x T L w w w w
k n x k w n y
n y n d J
n e J
a
J
a a
n
T
n
n
T
n n n n
L
k
n
n
n n
. ) (
. )] ( ),..... 1 ( ), 0 ( [
) ( ) ( ) (
)) ( ) ( (
) (
1
0
2
2
1
=
=
=
=
=
c
c
=

=
+

) ( ) ( 2
) (
))} ( {(
) (
) (
) (
))} ( ) ( ) ( {(
) (
) (
) (
) (
) ( 2
) (
))} ( {(
) (
} ) ) ( ) ( ) ( {(( } . ) ( { )} ( {
2
1
0
2
1
2
1
0
2
k n x n e
k w
n e E
k w
J
k n x
k w
k n x k w n d E
k w
n e
k w
n e
n e
k w
n e E
k w
J
a
J
w w
k n x k w n d E x w n d E n e E J
n n
n
L
k
n
n
n n n
n
n n
L
k
n n
T
n
=
c
c
=
c
c
=
c
c
=
c
c
c
c
=
c
c
=
c
c
c
c
=
= = =

=
+

x(n)=r
1
(n)
Algoritmo Least means square
(LMS)
x n e w w
filtros los de s coefcinete los de acin 4)Actualiz
n y n d n e
sistema del error del acion Deter
x w y(n)
filtro del salida la de cin 2)Dtermina
adaptativo filtro del e coeficient los de cin Inicializa 1)
: ento funcionami de etapas s siguiente las tendra LMS el en basado
adaptativo FIR Filtro un de ento funcionami de etapas Las
x n e w w
vectorial notacin utilizando Ahora
1 - L k 0 k n x n e w k w
: que concluye Se
n n
n
T
n
n n n
n n n
) ( 2
) ( ) ( ) (
min ) 3
.
) ( 2
) ( ) ( 2 ) (
1
1
1

+ =
=
=
+ =
s s + =
+
+
+