Professional Documents
Culture Documents
Indice general
Pr
ologo
Prefacio
11
1. Introducci
on a se
nales
1.1. Introduccion . . . . . . . . . . . . . . . . . . . . . .
1.2. Clasificacion de las se
nales . . . . . . . . . . . . . .
1.2.1. Clasificacion Fenomenologica . . . . . . . . .
1.2.2. Clasificacion Morfologica . . . . . . . . . . .
1.3. Ruido en se
nales . . . . . . . . . . . . . . . . . . .
1.4. Teora de la comunicacion . . . . . . . . . . . . . .
1.4.1. Teora de la se
nal . . . . . . . . . . . . . . .
1.4.2. Teora de la informacion y de la codificacion
1.5. Procesamiento de se
nales . . . . . . . . . . . . . . .
1.5.1. Analisis de Se
nales . . . . . . . . . . . . . .
1.6. Operaciones elementales con se
nales . . . . . . . . .
1.6.1. Operaciones unarias . . . . . . . . . . . . .
1.6.2. Operaciones binarias . . . . . . . . . . . . .
1.7. Preguntas . . . . . . . . . . . . . . . . . . . . . . .
1.8. Trabajos practicos . . . . . . . . . . . . . . . . . .
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . .
2. Espacios de se
nales
2.1. Introduccion . . . . . . . . . . . .
2.1.1. Desarrollo intuitivo . . . .
2.2. Se
nales, vectores y algebra lineal .
2.2.1. Normas . . . . . . . . . .
2.2.2. Producto interno . . . . .
2.3. Espacios vectoriales y se
nales . .
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
15
16
18
20
22
25
27
27
28
29
32
35
35
37
37
40
42
.
.
.
.
.
.
43
44
44
46
46
48
52
Indice general
2.3.1. Conjunto de se
nales . . . . . . . . . . . . . .
2.3.2. Espacios de se
nales . . . . . . . . . . . . . .
2.3.3. Espacios vectoriales . . . . . . . . . . . . . .
2.4. Bases y transformaciones . . . . . . . . . . . . . . .
2.4.1. Dependencia lineal y conjuntos generadores
2.4.2. Bases . . . . . . . . . . . . . . . . . . . . . .
2.4.3. Ortogonalidad y ortonormalidad . . . . . . .
2.4.4. Aproximacion de se
nales . . . . . . . . . . .
2.4.5. Cambio de base . . . . . . . . . . . . . . . .
2.4.6. Transformaciones lineales . . . . . . . . . . .
2.5. Preguntas . . . . . . . . . . . . . . . . . . . . . . .
2.6. Trabajos practicos . . . . . . . . . . . . . . . . . .
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
75
. 76
. 77
. 77
. 77
. 79
. 80
. 81
. 81
. 86
. 87
. 89
. 92
. 94
. 97
. 99
. 102
. 105
. 108
4. Introducci
on a sistemas
4.1. Introduccion . . . . . . . . .
4.2. Interconexion de sistemas .
4.3. Propiedades de los sistemas
4.4. Ecuaciones en diferencias . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
52
53
54
56
56
57
58
59
63
67
68
70
73
109
110
110
112
114
Indice general
LTI discretos
. . . . . . . .
. . . . . . . .
. . . . . . . .
.
.
.
.
5. Convoluci
on discreta
5.1. Introduccion . . . . . . . . . . . . . . . . .
5.2. Convolucion lineal . . . . . . . . . . . . .
5.3. Convolucion circular . . . . . . . . . . . .
5.4. Relacion entre convolucion lineal y circular
5.5. Deconvolucion . . . . . . . . . . . . . . . .
5.6. Preguntas . . . . . . . . . . . . . . . . . .
5.7. Trabajos practicos . . . . . . . . . . . . .
Bibliografa . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6. Transformada Z
6.1. Introduccion . . . . . . . . . . . . . . . . . . . . .
6.2. Definicion de Transformada Z . . . . . . . . . . .
6.2.1. Convergencia de la Transformada Z . . . .
6.2.2. La Transformada Z inversa . . . . . . . . .
6.3. Propiedades de la Transformada Z . . . . . . . . .
6.4. Representacion de sistemas discretos mediante la
mada Z . . . . . . . . . . . . . . . . . . . . . . .
6.4.1. Transformacion de Euler . . . . . . . . . .
6.4.2. Transformacion bilineal . . . . . . . . . . .
6.5. Trabajos practicos . . . . . . . . . . . . . . . . .
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
116
118
118
122
.
.
.
.
.
.
.
.
123
124
124
130
130
132
136
136
139
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
Transfor. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
7. Identificaci
on de sistemas mediante predicci
on lineal
7.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.1.1. Tecnicas convencionales . . . . . . . . . . . . . . . .
7.1.2. Tecnicas no convencionales . . . . . . . . . . . . . . .
7.2. Analisis de la respuesta para sistemas continuos . . . . . . .
7.3. Metodos de prediccion lineal . . . . . . . . . . . . . . . . . .
7.3.1. El modelo ARMA . . . . . . . . . . . . . . . . . . . .
7.3.2. El modelo AR . . . . . . . . . . . . . . . . . . . . . .
7.3.3. Cuadrados mnimos . . . . . . . . . . . . . . . . . . .
7.3.4. Sistema de Wiener-Hopf para se
nales determinsticas
7.3.5. Sistema de Wiener-Hopf para se
nales aleatorias . . .
Introducci
on a las Se
nales y los Sistemas Discretos
141
142
142
144
146
147
148
150
153
155
158
159
160
161
161
162
164
164
164
165
167
169
5
Indice general
. .
G
. .
. .
. .
. .
. .
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
170
173
173
174
175
175
176
180
8. Identificaci
on de sistemas no lineales mediante algoritmos
gen
eticos
183
8.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
8.2. Estructura de un AG . . . . . . . . . . . . . . . . . . . . . . 184
8.3. Dise
no de la solucion de un problema mediante AGs . . . . . 186
8.4. Representacion de los individuos . . . . . . . . . . . . . . . . 187
8.5. Funcion de fitness . . . . . . . . . . . . . . . . . . . . . . . . 188
8.6. Seleccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
8.6.1. Rueda de ruleta . . . . . . . . . . . . . . . . . . . . . 189
8.6.2. Ventanas . . . . . . . . . . . . . . . . . . . . . . . . . 190
8.6.3. Competencias . . . . . . . . . . . . . . . . . . . . . . 190
8.7. Reproduccion y operadores de variacion . . . . . . . . . . . . 190
8.7.1. Mutaciones . . . . . . . . . . . . . . . . . . . . . . . 191
8.7.2. Cruzas . . . . . . . . . . . . . . . . . . . . . . . . . . 191
8.8. Caractersticas principales . . . . . . . . . . . . . . . . . . . 192
8.9. Introduccion a los fundamentos matematicos . . . . . . . . . 195
8.10. Trabajos practicos . . . . . . . . . . . . . . . . . . . . . . . 196
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
A. Octave (v2.1.36)
A.1. Generales . . . . . . . . . . . . . . . . . . . . . . .
A.2. Comandos del sistema . . . . . . . . . . . . . . . .
A.3. Matrices y rangos . . . . . . . . . . . . . . . . . . .
A.4. Algunas variables predefinidas . . . . . . . . . . . .
A.5. Operaciones aritmeticas y operadores de incremento
A.6. Operadores booleanos y de comparacion . . . . . .
A.7. Sentencias . . . . . . . . . . . . . . . . . . . . . . .
A.8. Manipulaciones basicas de matrices . . . . . . . . .
A.9. Funciones trigonometricas . . . . . . . . . . . . . .
A.10.Algebra Lineal . . . . . . . . . . . . . . . . . . . . .
6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
203
203
203
203
204
204
204
205
205
206
206
Indice general
A.11.Procesamiento de Se
nales . .
A.12.Procesamiento de Imagenes .
A.13.Funciones de entrada/salida .
A.14.Miscelaneas . . . . . . . . . .
A.15.Polinomios . . . . . . . . . . .
A.16.Estadstica . . . . . . . . . . .
A.17.Graficos basicos . . . . . . . .
A.18.Otras funciones de graficacion
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
206
206
206
207
207
207
207
208
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
209
209
210
210
210
212
212
213
214
214
214
214
215
215
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
217
217
217
217
217
218
218
218
218
218
218
219
219
219
219
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Introducci
on a las Se
nales y los Sistemas Discretos
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Indice general
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
219
219
220
220
220
220
220
221
221
221
221
221
222
222
222
222
222
222
223
223
223
223
223
224
224
224
Pr
ologo de la primera edici
on
Indice general
10
Prefacio
Se puede decir que los conceptos de se
nal y sistema permiten encarar
el estudio de cualquier problema del mundo fsico mediante un modelo
adecuado de la realidad. Estos modelos se han difundido enormemente en los
tiempos actuales, debido principalmente a las bases matematicas de la teora
de la comunicacion y los avances en el area informatica que han permitido
llevar las soluciones al campo digital, invadiendo casi todas las actividades
de la sociedad moderna.
Este libro pretende brindar una breve introduccion a los fundamentos
de esta teora para comprender el mundo. El mismo es el fruto de unos
diez a
nos de trabajo impartiendo cursos relacionados con el tema, y
surgio originalmente como una necesaria introduccion para un curso de
modelizacion de sistemas biologicos, en la carrera de grado en Bioingeniera
(o Ingeniera Biomedica), de la Facultad de Ingeniera de la Universidad
Nacional de Entre Ros, Argentina. Mas recientemente, el material fue
ampliado y utilizado como primer bloque de fundamentos de un curso
de procesamiento digital de se
nales en la carrera de grado en Ingeniera
Informatica, en la Facultad de Ingeniera y Ciencias Hdricas de la
Universidad Nacional del Litoral.
Se supone que el lector cuenta con algunas nociones basicas de fsica,
matematica e informatica. Las nociones de fsica aportan la base conceptual
para transcribir la realidad concreta a una version abstracta y simplificada
de la misma. Como requisito, el lector debera tener conocimientos de
fsica elemental para entender la aplicacion de los conceptos mostrados
mediante algunos ejemplos simples de sistemas mecanicos y electricos. Las
nociones de matematica aportan la base formal para la descripcion de
las se
nales y sistemas discretos. Se presupone que el lector conoce los
fundamentos de algebra lineal, calculo vectorial, ecuaciones diferenciales y
variable compleja. La nociones de informatica permiten la implementacion
computacional de practicamente todo lo que pretende transmitir este libro.
11
Indice general
Indice general
13
Indice general
14
Captulo 1
Introducci
on a se
nales
Hugo Leonardo Rufiner
Temas a tratar
-
Definiciones basicas de se
nales.
Clasificacion de las se
nales.
Contexto de la teora de la se
nal.
Descripcion de los procesamientos de se
nales mas usuales.
Operaciones elementales sobre y entre se
nales.
Objetivos
- Operar con se
nales discretas y reconocer las caractersticas y propiedades
generales de las mismas.
- Aprender a aplicar en ejemplos sencillos las herramientas y conceptos en
estudio.
- Generar y manipular se
nales digitales en forma de vectores por medio de
un lenguaje de programacion.
15
Captulo 1. Introduccion a se
nales
1.1.
Introducci
on
Captulo 1. Introducci
on a se
nales
Figura 1.2. Se
nal de ECG tal como aparece registrada por un electrocardiografo
de uso medico. El eje horizontal corresponde al tiempo y el vertical a la tension.
Introducci
on a las Se
nales y los Sistemas Discretos
17
Captulo 1. Introduccion a se
nales
0 46797 She had your dark suit in greasy wash water all year.
2000
Amplitud
1000
0
1000
2000
h#
sh
she
ix hv
eh dcl jh
had
0.5
ih dcld ah
your
kcl k
dark
ux
suit
q en gclg r
in
ix
greasy
1.5
Tiempo
ix
ao
sh epiw ao dxaxr
wash
water
ao
all
ih axr
h#
year
2.5
Figura 1.3. Se
nal de voz de una frase del idioma ingles (tomada de la base de
datos TIMIT)
1.2.
Clasificaci
on de las se
nales
Captulo 1. Introducci
on a se
nales
Figura 1.5. Contornos de presion para un fluido compresible que pasa a traves de
una boquilla cuadrada divergente (Engineering Mechanics Research Corporation,
U.S.A.)
Introducci
on a las Se
nales y los Sistemas Discretos
19
Captulo 1. Introduccion a se
nales
1.2.1.
Clasificaci
on Fenomenol
ogica
Seales
Determinsticas
Peridicas
Aleatorias
Aperidicas
Estacionarias
Sinusoidales
Cuasiperidicas
Ergdicas
Armnicas
Transitorias
No ergdicas
No estacionarias
Especiales
Pseudoaleatorias
Figura 1.6. Clasificacion fenomenol
ogica de las se
nales
Se
nales determinsticas
Una se
nal se puede definir como determinstica si sus valores son conocidos
de antemano o pueden ser predichos exactamente. Por lo tanto, los proximos
valores de una se
nal pueden ser determinados si son conocidas todas
las condiciones anteriores de la se
nal. As, esta puede ser representada
completamente por las ecuaciones que la definen.
A su vez, las se
nales determinsticas se pueden subdividir en periodicas
y aperiodicas. Se dice que una se
nal continua es periodica si y solo si
20
Captulo 1. Introducci
on a se
nales
21
Captulo 1. Introduccion a se
nales
tj
tk
fdp( x1(t))
ti
Estacionariedad +
x 2 (t)
fdp(
fdp(
x n (t)
.
.
.
= Ergodicidad
.
.
.
x2 (t))
.
.
.
fdp(X(t i))
fdp( X(tj))
xn(t))
fdp( X(tk ))
= Estacionariedad
Figura 1.7. Esquema conceptual de un proceso aleatorio
1.2.2.
Clasificaci
on Morfol
ogica
Se
nales continuas y discretas
Desde el punto de vista morfologico hay dos tipos basicos de se
nales: se
nales
continuas y se
nales discretas. En el caso de una se
nal continua la variable
22
Captulo 1. Introducci
on a se
nales
23
Captulo 1. Introduccion a se
nales
una se
nal de entrada continua y genera una secuencia de n
umeros binarios
de longitud finita es una se
nal tpicamente digital. En la parte superior de la
Figura 1.8 se muestra un diagrama esquematico de un conversor A/D. Si se
utiliza una frecuencia de muestreo determinada (por ejemplo 1 MHz, es decir
una muestra cada 1 s.) el cuantizador tiene una relacion entrada/salida
como la de la parte inferior de la Figura 1.8. Si ademas se da una funcion
continua x(t) que tiene la forma que se ve en la Figura 1.9 (a), entonces
las correspondientes se
nales en tiempo discreto x1 (nT ) y la se
nal digital de
salida x(nT ), tomaran las formas representadas en la figuras (b) y (c).
x (t )
x(nT )
x1 (nT )
Muestreo
Cuantizacin
Entrada
8
6
4
2
-8
-6
-4
-2
Salida
-2
-4
-6
-8
Captulo 1. Introducci
on a se
nales
x (t)
x 1 (n T ) T = 1s eg .
x 1 (n T ) T = 1 s e g .
2
t ( seg . )
2
-2
6
( a)
2
n
2
10
-2
2
n
10
( b)
2
-2
10
(c )
Figura 1.9. Se
nal continua, en tiempo discreto y digital. (a) Onda continua de
entrada al sistema, (b) se
nal en tiempo discreto y (c) se
nal digital.
se
nales digitales, ya que las se
nales discretas pueden ser discretas en el
tiempo pero pueden no serlo en amplitud. Como en una se
nal digital solo hay
un n
umero finito de niveles, los errores estan presentes en cualquier sistema
que opere con este tipo de se
nales. Por lo tanto, una de las consideraciones
de dise
no de cualquier sistema que maneje se
nales digitales es el n
umero de
bits o el n
umero de niveles de cuantizacion que se necesita para representar
a la se
nal de una forma fidedigna. Cuanto mas grande sea el n
umero de bits
usados, mayor va a ser la precision en la representacion de la se
nal, y mas
costoso va a ser el sistema digital.
Ademas de los efectos de la cuantizacion, el hecho de discretizar la se
nal
mediante un conversor A/D, tambien puede introducir errores importantes
en la se
nal resultante. Es facil imaginarse que si muestreamos la se
nal
a una velocidad mas lenta que la de la mayor frecuencia presente en la
se
nal podemos perder informacion importante. Esto puede producir cambios
morfologicos significativos en la se
nal considerada. Este efecto, que conduce
a una confusion acerca de cuales son las frecuencias que componen la se
nal
y se denomina aliasing, sera tratado con detalle en el Captulo 3.
1.3.
Ruido en se
nales
Generalmente las se
nales estan contaminadas con perturbaciones no
deseadas que dificultan el analisis o proceso de la se
nal de interes, dichas
perturbaciones se denominan ruido. Estrictamente, se denomina ruido a
cualquier fenomeno o proceso (interferencia, distorsion aleatoria, etc.) que
perturba la percepcion o interpretacion de una se
nal. Comparte la misma
denominacion que los efectos ac
usticos analogos y siempre esta presente en
la obtencion de cualquier se
nal real.
Cuando se esta en presencia de una se
nal contaminada con ruido se define
Introducci
on a las Se
nales y los Sistemas Discretos
25
Captulo 1. Introduccion a se
nales
se denomina relacion se
nal-ruido (S/R o SNR). Esta
se define como la razon
entre la potencia de la se
nal Ps y la potencia del ruido Pr :
=
Ps
Pr
Captulo 1. Introducci
on a se
nales
1.4.
Teora de la comunicaci
on
El estudio de las se
nales se encuentra contenido en lo que se denomina
Teora de la Comunicacion, la cual se encarga del estudio de los sistemas de
comunicacion, tanto artificiales como biologicos o naturales. En la Figura
1.10 se pueden ver dos ejemplos de este tipo de sistemas.
Esta teora esta compuesta a su vez por dos grandes ramas: la Teora de
la Se
nal y la Teora de la Informacion y Codificacion (ver Figura 1.11).
1.4.1.
Teora de la se
nal
la teora de la se
nal. Esta
proporciona el modo de enfatizar (de forma
matematicamente conveniente) las caractersticas fundamentales de una
se
nal, como pueden ser su distribucion espectral de energa o su distribucion
estadstica de amplitudes. Tambien provee los metodos para analizar la
naturaleza de las modificaciones impuestas a la se
nal mientras esta pasa
por alg
un bloque del tipo electrico o electronico.
Una de las herramientas basicas y fundamentales de la teora de la se
nal
es la expansion en terminos de funciones ortogonales, siendo la expansion
de Fourier el caso mas interesante, y cuya forma generalizada es conocida
como la Transformada de Fourier. Debido a su importancia dedicaremos un
captulo completo a revisar las bases de esta transformacion y su aplicacion
al caso de las se
nales discretas.
Introducci
on a las Se
nales y los Sistemas Discretos
27
Captulo 1. Introduccion a se
nales
(a)
Formulacin del
mensaje
Codificacin
Comprensin del
mensaje
IDEA
IDEA
Transduccin
neuronal
Acciones neuromusculares
Onda
acstica
Tracto
vocal
Fuente
del
sonido
Hablante
Decodificacin
Movimiento
membrana
basilar
Ruido
ambiente
Aire
Oyente
(b)
Estacin de
radio AM
Emisor o fuente
Ondas electromagnticas
Canal o medio
Aparato de
radio
Receptor o destino
Figura 1.10. Sistemas de comunicacion: (a) Humano por medio del habla, (b)
Artificial por medio de un sistema de radio de amplitud modulada (AM)
1.4.2.
Teora de la informaci
on y de la codificaci
on
Captulo 1. Introducci
on a se
nales
Teora de la Seal
Teora de la Informacin
Modulacin y
Muestreo
Anlisis Espectral
Deteccin y Estimacin
Teora de la
Codificacin
Codificacin de la Fuente
Correccin y Deteccin
de Errores
Reconocimiento de Patrones
Criptografa
1.5.
Procesamiento de se
nales
29
Captulo 1. Introduccion a se
nales
Captulo 1. Introducci
on a se
nales
Interpretacin de la
seal
Anlisis
Generacin
de la seal
Medidas
Snetsis
Flitrado
Modualcin
Extraccin de
Informacin
SS E AAL
Regeneracin
Codficacin
Deteccin
Identfiicacin
31
Captulo 1. Introduccion a se
nales
1.5.1.
An
alisis de Se
nales
32
Captulo 1. Introducci
on a se
nales
33
Captulo 1. Introduccion a se
nales
Captulo 1. Introducci
on a se
nales
1.6.
1.6.1.
Operaciones unarias
x<0
0
H int(x/H) 0 x < (N 1)H
(x) =
(N 1)H
x (N 1)H
Introducci
on a las Se
nales y los Sistemas Discretos
35
Captulo 1. Introduccion a se
nales
Captulo 1. Introducci
on a se
nales
x(t) =
x (nT )I
t nT
T
1.6.2.
Operaciones binarias
1.7.
Preguntas
37
Captulo 1. Introduccion a se
nales
Captulo 1. Introducci
on a se
nales
Introducci
on a las Se
nales y los Sistemas Discretos
39
Captulo 1. Introduccion a se
nales
1.8.
Trabajos pr
acticos
Captulo 1. Introducci
on a se
nales
Introducci
on a las Se
nales y los Sistemas Discretos
41
Captulo 1. Introduccion a se
nales
Bibliografa
[1] E. Brigham. The Fast Fourier Transform and its applications. PrenticeHall, 1988.
[2] L. E. Franks. Teora de la Se
nal. Reverte S.A., 1975.
[3] W. Kaplan. Matematicas Avanzadas. Addison-Wesley Iberoamericana,
1986.
[4] H. Kwakernaak, R. Sivan, and T Strijbos. Modern signals and systems.
Prentice-Hall, 1991.
[5] A. V. Oppenheim and R. W. Schafer. Digital Signal Processing. PrenticeHall, 1975.
[6] A. Papoulis and M. Bertran. Sistemas y Circuitos Digitales y Analogicos.
Marcombo, 1989.
[7] R. Roberts and R. Gabel. Se
nales y sistemas lineales. Limusa, 1994.
[8] N. K. Sinha. Linear Systems. Wiley, 1991.
[9] H. Skilling. Circuitos en Ingeniera Electrica. Cia. Ed. Continental,
Mexico, 1987.
42
Captulo 2
Espacios de se
nales
Diego Milone, Leandro Di Persia
Temas a tratar
-
Se
nales y vectores.
La relacion entre el algebra lineal y las se
nales.
Espacios de se
nales y espacios vectoriales.
Bases y transformaciones lineales.
Objetivos
- Ver a las se
nales como elementos de un espacio vectorial.
- Reinterpretar conceptos basicos del algebra lineal en el contexto del
procesamiento de se
nales.
- Valorar la importancia del producto interno en el procesamiento de se
nales.
- Presentar los fundamentos generales de las transformadas lineales mas
usadas.
- Aplicar las herramientas en estudio en problemas sencillos.
43
Captulo 2. Espacios de se
nales
2.1.
Introducci
on
2.1.1.
Desarrollo intuitivo
T2 = 3
T1 = 2
Figura 2.1. Gr
afica de una serie mediciones en funcion del tiempo.
Captulo 2. Espacios de se
nales
T2
T1
45
Captulo 2. Espacios de se
nales
T2
T1
T3
Figura 2.3. Una se
nal de 3 muestras en R3 .
2.2.
Se
nales, vectores y
algebra lineal
Durante los cursos de algebra acostumbramos tratar con vectores. Definamos a estos objetos como colecciones o arreglos de datos que forman una
entidad independiente. Solemos asociar los vectores con la representacion
grafica de puntos en el espacio bidimensional y tridimensional. Como vimos
anteriormente, estas ideas pueden aplicarse a las se
nales y esta interpretacion
geometrica nos brindara un enfoque simple para comprender procesos
complicados en se
nales.
En forma general, podemos decir que una se
nal en el espacio N -dimensional es un vector [x1 , x2 , . . . , xN ], definido como una N -upla ordenada de
n
umeros. Para estos vectores utilizamos la notacion:
x = [xn ] ;
n N; xn R; x RN
(2.1)
2.2.1.
t R; x(t) R; x R
(2.2)
Normas
Generalmente es u
til tener alguna medida del tama
no de las se
nales. La
norma provee este tipo de medida. La norma de un vector x es un n
umero
46
Captulo 2. Espacios de se
nales
real positivo que toma el valor 0 solo cuando x = 0. Existen muchas normas
y cada una define un tipo especial de medida para un vector. De acuerdo al
tipo de problemas que se esten tratando, algunas seran mas apropiadas que
otras. Una norma muy utilizada es la norma-p, definida como:
1/p
N
|xn |
, 1p<
kxkp =
n=1
p=
sup |xn | ,
n[1,N ]
Para el caso de se
nales continuas se define esta norma seg
un:
1/p
R
|x(t)| dt
, 1p<
kxkp =
sup |x(t)| ,
p=
tR
N
P
n=1
|xn | o kxk1 =
|x(t)| dt
Si p = 2, tenemos la norma 2:
s
s
N
R
P
2
2
kxk2 =
|xn |
|x(t)| dt
o kxk2 =
n=1
tR
que en el analisis de se
nales corresponde a la amplitud de una se
nal positiva:
A(x) = kxk
En la Figura 2.4 se pueden observar la energa y la amplitud de una se
nal
en R2 .
Introducci
on a las Se
nales y los Sistemas Discretos
47
Captulo 2. Espacios de se
nales
x2
E(x) 1/2
x1
A(x)
P (x) = lm
RT
1
T 2T T
|xn |2 o P (x) = lm
|x(t)|2 dt.
m(x) = lm
2.2.2.
RT
1
T 2T T
xn o m(x) = lm
x(t)dt.
Producto interno
hx, yi = x1 y1 + x2 y2 + . . . + xN yN =
xi yi
i=1
48
Captulo 2. Espacios de se
nales
norma10
norma3
norma2
norma1
norma0.5
norma0.1
49
Captulo 2. Espacios de se
nales
hx, yi
.
kyk2
Podemos ver que el producto interno nos da una idea del aporte de
una se
nal en otra. Para independizarnos de la energa de la se
nal con la
que estamos comparando, dividimos el producto interno por la norma 2 de
esta (en un espacio eucldeo). Esta interpretacion del producto interno como
proyeccion de una se
nal en otra puede verse graficamente en la Figura 2.6.
y
proyyx
Figura 2.6. Proyeccion de la se
nal x en la direccion de y.
Captulo 2. Espacios de se
nales
Vectores
Seales
Producto
Producto
interno
Iguales
<x, y> > 0
Ortogonales
<x, y> = 0
Opuestas
<x, y> < 0
Introducci
on a las Se
nales y los Sistemas Discretos
51
Captulo 2. Espacios de se
nales
2.3.
2.3.1.
Espacios vectoriales y se
nales
Conjunto de se
nales
Consideremos un conjunto de se
nales S. Para determinar si una se
nal pertenece al conjunto S utilizamos una propiedad o prueba P . Un elemento
x pertenecera a S si cumple con esta propiedad, lo que podemos expresar
como: S = {x/P }. La eleccion de P debe necesariamente adaptarse al problema en cuestion. A continuacion se daran algunos ejemplos de conjuntos
de se
nales que se encuentran frecuentemente en los problemas de analisis de
la se
nal.
Se
nales sinusoidales:
Ss = {x/x(t) = A sin(2f t + )}
donde t, A, f, R, t representa al tiempo, A a la amplitud, f a la frecuencia
y a la fase. De esta forma Ss contiene todas las posibles sinusoides,
contemplando todos los valores posibles de amplitud, fase y frecuencia.
Se
nales periodicas:
Sp = {x/x(t) = x(t + T )}
donde t, T R, t representa al tiempo, y T es el perodo de la se
nal.
Se
nales acotadas en amplitud :
Sa = {x/ kxk K}
donde K R+ es una constante. Este es el conjunto de se
nales cuyos valores
instantaneos estan acotados en magnitud por K.
Se
nales de energa limitada:
Se = x/ kxk22 K
donde K R+ es una constante. Este es el conjunto de se
nales con energa
menor o igual a K.
52
Captulo 2. Espacios de se
nales
2.3.2.
Espacios de se
nales
de elementos un n
umero real positivo. Este
se interpreta como distancia entre
los elementos y el propio conjunto comienza a tomar un caracter geometrico.
Para definir una distancia se necesita un funcional d : {x, y} R que
se aplique a todos los pares de elementos del conjunto. Dicho funcional se
denomina metrica si cumple las siguientes propiedades:
i) d(x, y) 0 d(x, y) = 0 x = y,
ii) d(x, y) = d(y, x) (simetra),
iii) d(x, z) d(x, y) + d(y, z) (desigualdad del triangulo).
A un conjunto S al que le hemos asociado una metrica particular d le
llamamos espacio metrico. En el caso de que el conjunto S contenga se
nales,
denominamos al par (S, d) espacio de se
nales. Cabe destacar que estas
definiciones no implican exigirle ninguna propiedad extra a los elementos
del conjunto, simplemente se define la manera de medir las distancias entre
los elementos. Por ejemplo, podemos definir el espacio metrico (R, d) a partir
del conjunto R de n
umeros reales y una metrica d(x, y) = |x y| ; x, y R.
Esta es la metrica usual sobre R.
Debe notarse que dos metricas diferentes, definidas sobre el mismo
conjunto de se
nales, forman dos espacios de se
nales diferentes. Si al conjunto
Ss de se
nales sinusoidales, le asociamos la metrica definida por la norma 1:
da (x, y) = kx yk1
obtenemos el espacio de se
nales (Ss, da ). Si al mismo conjunto Ss le
asociamos otra metrica definida por la norma 2:
db (x, y) = kx yk2
obtenemos otro espacio de se
nales diferente (Ss, db ).
Introducci
on a las Se
nales y los Sistemas Discretos
53
Captulo 2. Espacios de se
nales
2.3.3.
Espacios vectoriales
Captulo 2. Espacios de se
nales
con que una sola no se cumpla para que el conjunto no constituya un espacio
vectorial. Si bien en esta definicion nos referimos a espacios vectoriales como
conjuntos de vectores sin importar su naturaleza, en el contexto que nos
interesa nos centraremos en los vectores como se
nales discretas o continuas
seg
un se definieron en las ecuaciones (2.1) y (2.2). En este caso, el campo de
escalares es generalmente K = C. Ademas, la operacion de adicion se define
como:
x + y = [xi + yi ]i[1,N ]N o x + y = [x(t) + y(t)]tR
y el producto por un escalar K queda definido seg
un:
x = [xi ]i[1,N ]N o x = [x(t)]tR
La ventaja de demostrar que un conjunto de se
nales es un espacio
vectorial radica en la existencia de toda una serie de propiedades que se
cumplen para cualquier espacio vectorial, sin importar su naturaleza. Es
decir, una vez que demostramos que un conjunto de se
nales es un espacio
vectorial, podemos dar por sentadas muchas propiedades y aplicarlas sin
necesidad de demostrarlas.
Subespacios
Cuando sabemos que un conjunto de se
nales constituye un espacio vectorial
V, podemos demostrar que un subconjunto no vaco de estas tambien
constituye un espacio vectorial V0 , simplemente verificando que este
subconjunto sea cerrado ante la adicion y el producto por un escalar definidos
en V. A este subconjunto de se
nales, que a su vez es un espacio vectorial, se
lo denomina subespacio vectorial.
Por ejemplo, sea el conjunto de las se
nales senoidales de frecuencia fija
f = 5 Hz:
Ss5 = {x/x(t) = A sin(25t + )}
donde t, A, R, t representa al tiempo, A a la amplitud y a la fase. Ss5
junto con las operaciones de suma y multiplicacion por un escalar constituye
un espacio vectorial Ss5 . Ahora podemos definir el subconjunto de las se
nales
sinusoidales de fase constante = 2 radianes:
Ss52 = {x/x(t) = A sin(25t + 2)}
el cual claramente es cerrado frente a la adicion y a la multiplicacion por un
escalar, lo que demuestra que es un subespacio vectorial de Ss5 .
Introducci
on a las Se
nales y los Sistemas Discretos
55
Captulo 2. Espacios de se
nales
Espacios normados
Dados un espacio vectorial y una definicion de norma, se dice que este es un
espacio normado si la norma es finita para todos sus elementos. Basandonos
en la definicion de norma-p, podemos definir un espacio normado en base al
conjunto:
{x/kxkp < +}
cuando se trata de se
nales discretas se utiliza la notacion `p (R) y cuando las
se
nales son continuas Lp (R). En el caso particular de que utilicemos la norma
1 queda definido el espacio de las se
nales absolutamente integrables L1 (R).
Cuando se utiliza la norma 2 se define el espacio de las se
nales cuadrado
2
integrables o de energa finita L (R). De forma similar, estos ejemplos son
aplicables a las se
nales discretas en `1 (R) y `2 (R). Como vimos anteriormente
el producto interno permite adoptar una perspectiva geometrica y utilizar
terminologa familiar de los espacios clasicos de dimension finita. Cada
producto interno en un espacio vectorial da lugar a una norma de la siguiente
forma:
p
kxk = hx, xi.
Si el espacio es completo con respecto a esta norma entonces constituye
un espacio de Hilbert. Una definicion exacta de completitud a esta altura
nos desviara demasiado de nuestros objetivos, basta con decir aqu que
esta propiedad asegura la continuidad del espacio, en el sentido de que no
presentara agujeros.
2.4.
2.4.1.
Bases y transformaciones
Dependencia lineal y conjuntos generadores
N
X
i xi
i=1
Captulo 2. Espacios de se
nales
i xi = 0
i=1
solo puede satisfacerse siendo nulos todos los escalares i . Dicho de otro
modo, un conjunto es linealmente independiente si ninguno de sus vectores
puede expresarse como combinacion lineal de los demas vectores del mismo
conjunto.
2.4.2.
Bases
57
Captulo 2. Espacios de se
nales
2.4.3.
Ortogonalidad y ortonormalidad
En esta forma, cada coeficiente es una medida del parecido entre el vector y
el elemento correspondiente de la base. Como vimos antes, conceptualmente
i = hx, xi i es la componente de la se
nal x en xi . Para hacer una
extension a se
nales continuas, suponga que se quiere representar la se
nal
x(t) con una combinacion lineal del conjunto ortogonal de se
nales X0 =
{x1 (t), x2 (t), . . . , xN (t)}:
x(t) 1 x1 (t) + 2 x2 (t) + + N xN (t)
De forma similar al ejemplo anterior, haciendo el producto interno a ambos
lados con una de las se
nales del conjunto:
Z
Z
Z
x(t)xi (t)dt = 1 x1 (t)xi (t)dt + 2 x2 (t)xi (t)dt + +
Z
Z
+i xi (t)xi (t)dt + + N xN (t)xi (t)dt
58
Captulo 2. Espacios de se
nales
xi (t)xj (t)dt = 0 i 6= j y
R
x(t)xi (t)dt
hx, xi i
=
i = R
hxi , xi i
xi (t)xi (t)dt
Z
i = hx, xi i =
2.4.4.
x(t)xi (t)dt
(2.4)
Aproximaci
on de se
nales
2
!2
N
M
N
X
X
X
k22 =
y
= kek22 = ky y
i xi
=
yj
i xij
i=1
j=1
i=1
59
Captulo 2. Espacios de se
nales
0 =
k
2
M
N
P
P
yj
i xij
j=1
0 =
i=1
k
0 = 2
M
X
yj
j=1
0 = 2
N
X
yj
j=1
0 =
0 =
i xij xkj =
j=1 i=1
N
X
i=1
=0 i6=k
!
i xij
xkj
yj xkj
N
X
!
i xij xkj
i=1
M
X
M X
N
X
yj xkj
i xij xkj
j=1 i=1
yj xkj
j=1
M
X
j=1
N
X
i=1
k
{z
j=1
M
X
i xij
i=1
j=1
M X
N
X
N
X
i=1
i xij
i=1
M
X
M
X
! y
j
N
P
i hxi , xk i = hy, xk i
| {z }
=0 i6=k
k hxk , xk i = hy, xk i
hy, xk i
k =
hxk , xk i
Ademas, si el conjunto X0 es ortonormal obtenemos k = hy, xk i. Con
este resultado se generalizan las ecuaciones (2.3) y (2.4) demostrando que
el conjunto de coeficientes obtenidos mediante proyecciones ortogonales
minimiza el criterio del error en un espacio eucldeo.
Por ejemplo, suponga que queremos aproximar v1 con v2 en R2 , es decir,
v
1 = v2 . A partir de las ecuaciones anteriores podemos calcular como:
60
Captulo 2. Espacios de se
nales
kv1 k2 cos()
hv1 , v2 i
hv1 , v2 i
=
=
hv2 , v2 i
kv2 k2 kv2 k2
kv2 k2
v1
v2
1
1
t < 0
t 0
61
Captulo 2. Espacios de se
nales
1
0 (t) =
2
r
3
t
1 (t) =
2
r
5 3 2 1
t
2 (t) =
2 2
2
r
7 5 3 3
3 (t) =
t t
2 2
2
..
. r
2n + 1 1 dn 2
n (t) =
(t 1)n
2 2n n! dtn
Utilizando las cuatro primeras funciones y el producto interno se puede
encontrar una representacion aproximada de la se
nal propuesta:
1
1
1
Z
0 =
r
3
3
=
t y(t)dt =
2
2
1
Z 1r
5 3 2 1
=
t
y(t)dt = 0
2 2
2
1
r
Z 1r
7 5 3 3
7
t t y(t)dt =
=
2 2
2
32
1
Z
1
2
3
1
y(t)dt = 0
2
3
2
3
t
2
r
+
7
32
! r
!
7 5 3 3
t t)
2 2
2
45
35 3
t
t
16
16
Captulo 2. Espacios de se
nales
2.4.5.
Cambio de base
Para un espacio vectorial dado existen infinitas bases. De todas estas bases,
cuando representamos una se
nal simplemente mediante x = [4, 8, 9], estamos
utilizando implcitamente la base canonica:
0
0
1
Xe = {e1 , e2 , e3 } = 0 1 0
0
0
1
ya que la se
nal x puede escribirse como:
x = e1 1 + e2 2 + e3 3 = e1 4 + e2 8 + e3 9
Para hacer una referencia explcita a la base en que se representa la se
nal
usaremos la notacion xXe = [1 , 2 , 3 ]. Sin embargo, tambien podramos
representar esta misma se
nal en otra base de R3 . Por ejemplo, si utilizaramos
la base ortonormal :
1/ 6
1/ 3
1/2
X1 = {x1 , x2 , x3 } = 1/ 2 1/6 1/ 3
0
2/ 6
1/ 3
podemos expresar la se
nal x como x = x1 1 +x2 2 +x3 3 donde simplemente
i = hx, xi i (por ser una base ortonormal). Utilizando este producto interno
encontramos la representacion de la se
nal x en la base X1 como:
11 5
xX1 = [1 , 2 , 3 ] = [6 2,
6,
3]
3
3
Hay que tener en cuenta que tanto xX1 como xXe son la misma se
nal
x vista desde diferentes perspectivas. Ambas representaciones contienen
la misma informacion pero se ha efectuado un cambio de base. Podemos
expresar xXe a partir de xX1 como:
11
5
xXe = x1 1 + x2 2 + x3 3 = x1 6 2 + x2
6 + x3
3 = [4, 8, 9]
3
3
Introducci
on a las Se
nales y los Sistemas Discretos
63
Captulo 2. Espacios de se
nales
1/ 6
1/ 3
1
1
1/2
2 = 1/ 2 1/ 6 1/ 3 2
3
3
0
2/ 6
1/ 3
o simplemente xXe = MxX1 , donde la matriz M contiene como columnas
los vectores de la base X1 . Ahora observe que en el calculo de los coeficientes
i = hx, xi i tambien podemos expresar los productos internos como un
producto matricial:
1/2
0 ]
[ 1/ 2
1
1
2 = [ 1/ 6 1/ 6 2/ 6 ] 2
3
3
[ 1/ 3 1/ 3 1/ 3 ]
o simplemente xX1 = MT xXe .
Podemos generalizar este ejemplo mediante la definicion de cambio de
base. Sean X0 = {x1 , . . . , xN } y Y = {y1 , . . . , yN } dos bases ordenadas para
el mismo espacio vectorial V de dimension N (una base ordenada de V es
una base de V en la cual se ha establecido un orden), para cualquier vector
v en V las coordenadas de v en la base X0 , vX0 , y las coordenadas de v en
la base Y0 , vY0 , se relacionan por:
vX0 = MvY0
vY0 = M1 vX0
donde M es la matriz no singular de N N cuyos elementos estan dados
por:
yi = m1i x1 + . . . + mN i xN
es decir, los elementos mki son los coeficientes que permiten expresar el
vector yi de la base Y0 , como combinacion lineal de los vectores xk de la
base X0 .
La matriz M se denomina matriz de transicion o matriz de cambio de base
X0 a Y0 . Su inversa sera la matriz de transicion de la base Y0 a la base X0 . En
el ejemplo anterior debe notarse que en lugar de M1 hemos usado MT . Esto
fue posible porque la base era ortonormal, y en este caso puede demostrarse
que la inversa de la matriz de transicion es igual a su transpuesta. En la
Figura 2.9 se resume el proceso del cambio de base desde una perspectiva
mas cercana al procesamiento de se
nales mediante transformaciones lineales.
Siempre que las funciones de la base cumplan con ciertas condiciones,
es posible extender conceptualmente esta definicion a se
nales continuas
teniendo en cuenta que:
64
Captulo 2. Espacios de se
nales
Introducci
on a las Se
nales y los Sistemas Discretos
65
Captulo 2. Espacios de se
nales
Como ya mencionamos la se
nal en cualquier base es la misma. Un cambio
de base no modifica la informacion presente en la se
nal, solo la forma en
que esta es presentada, ya que simplemente se trata de una proyeccion en
terminos de otra base. En particular podemos verificar que sucede con la
energa de la se
nal en ambas bases:
= 161
E(xXe ) = k[4, 8, 9]k22
11 5
2
E(xX1 ) = [6 2, 3 6, 3 3] 2 = 161
Generalizando estas ideas se llega a la relacion de Parseval, seg
un la cual
la energa se conserva ante un cambio entre bases ortonormales:
E(x) =
n
X
i2
i=1
n
X
i2
i=1
n
X
i=1
i2
n
X
i2 ki
i=1
Captulo 2. Espacios de se
nales
2.4.6.
Transformaciones lineales
67
Captulo 2. Espacios de se
nales
x
T (x)
y
y
=
=
=
=
1 x1 + 2 x2 + + N xN
T (1 x1 + 2 x2 + + N xN )
1 T (x1 ) + 2 T (x2 ) + + N T (xN )
1 y1 + 2 y2 + + N yN
Este u
ltimo resultado nos permite asegurar que dada una transformacion
lineal T : RN RM existe una sola matriz A de M N tal que:
T (v) = Av,
En la seccion anterior, estudiamos los cambios de bases. Notese ahora,
que los cambios de base son un tipo especial de transformaciones lineales
con caractersticas muy interesantes para el procesamiento de se
nales: son
uno a uno, son invertibles y el espacio vectorial X es igual al espacio
vectorial Y. Ademas, al trabajar con se
nales discretas, encontramos que las
transformaciones siempre tendran una representacion matricial y la matriz
de transformacion o de cambio de base sera cuadrada (N N para un
espacio RN ). La transformacion inversa se obtendra simplemente a partir de
la inversa de dicha matriz.
2.5.
Preguntas
Captulo 2. Espacios de se
nales
69
Captulo 2. Espacios de se
nales
2.6.
Trabajos pr
acticos
Captulo 2. Espacios de se
nales
71
Captulo 2. Espacios de se
nales
72
Captulo 2. Espacios de se
nales
Bibliografa
[1] L.E. Franks. Teora de la se
nal. Reverte, Barcelona, 1975.
[2] R.A. Gabel and R.A. Roberts. Se
nales y sistemas lineales. Ed. Limusa
S.A., Mexico, 1975.
[6] B.Noble
and J. Daniel. Algebra
lineal aplicada. Prentice-Hall, 1989.
Introducci
on a las Se
nales y los Sistemas Discretos
73
Captulo 2. Espacios de se
nales
74
Captulo 3
Transformada Discreta de
Fourier
Leandro Di Persia, Diego Milone
Temas a tratar
-
Objetivos
- Aplicar los conceptos de producto interno y transformaciones lineales al
caso de la Transformada Discreta de Fourier (TDF).
- Reinterpretar el fenomeno de alias desde la perspectiva del analisis
frecuencial.
- Aplicar la TDF a ejemplos sencillos y aplicaciones con se
nales reales.
75
3.1.
Introducci
on
3.2.
3.2.1.
Series seno
T
Z0 /2
T0 /2
k=0
donde T0 es el perodo de la se
nal y f0 = 1/T0 es su frecuencia.
De las ecuaciones se ve que en el dominio frecuencial se trata de una
representacion discreta ya que solo tienen definidos sus valores a intervalos
m
ultiplos enteros de la frecuencia fundamental f0 (ver Figura 3.1).
3.2.2.
Series coseno
77
1
0
1
0.1
0
tiempo
0.1
2
X[k] =
T0
x(t) =
T
Z0 /2
T0 /2
k=0
donde T0 es el perodo de la se
nal y f0 = 1/T0 es su frecuencia.
Al igual que la serie seno, se trata de una representacion discreta en el
dominio frecuencial (ver Figura 3.2).
78
1
0
1
0.1
0
tiempo
0.1
3.2.3.
T
Z0 /2
x(t)ej2kf0 t dt
T0 /2
x[k]ej2kf0 t
k=
Introducci
on a las Se
nales y los Sistemas Discretos
79
donde T0 es el perodo de la se
nal y f0 = 1/T0 es su frecuencia fundamental.
Al igual que las series seno y coseno, se trata de una representacion
discreta en el dominio frecuencial (ver Figura III.3).
k=1, f0=5 Hz
k=2, f0=5 Hz
0.3
0.3
0.2
0.2
0.1
0.1
0
1
0
1
0
1
k=3, f0=5 Hz
k=4, f0=5 Hz
0.3
0.3
0.2
0.2
0.1
0.1
0
1
0
1
0
1
0
1
0
1
3.2.4.
respectivamente:
X(f ) =
x[n]ej2f n
n=
1
Z2T
x[n] =
X(f )ej2f n df
1
2T
3.2.5.
x(t) =
x(t)ej2f t dt
X(f )ej2f t df
3.3.
81
2k
N
con k Z
1
0.5
0
0.5
1
10
20
30
40
50
muestras
60
70
80
90
100
60
70
80
90
100
cos(2.15 t)
1
0.5
0
0.5
10
20
30
40
50
muestras
Figura 3.4. Funciones coseno para una base en R100 con: (arriba) k = 2 (arriba),
lo que resulta en una se
nal periodica y (abajo) k = 2,15, dando como resultado
una se
nal no peri
odica.
[k, n] = ej
2k
n
N
83
Si hacemos:
20
[0, n] = ej N n = 1
21
2
[1, n] = ej N n = ej N n
..
.
2(N 1)
[N 1, n] = ej N n
2N
[N, n] = ej N n = ej2n = 1
2(N +1)
2N
2
2
[N + 1, n] = ej N n = ej N n ej N n = ej N n
podemos ver que:
[N, n] = [0, n]
[N + 1, n] = [1, n]
..
.
[k, n] = [(k mod N ), n]
es decir, que solo existen N exponenciales periodicas diferentes, por lo que
tomamos 0 k N 1.
Ahora bien, encontramos N exponenciales complejas en RN y, si
pretendemos usarlas como base, sera conveniente que fueran ortogonales.
Si hacemos el producto interno de dos de ellas, h[k1 ], [k2 ]i, acotadas a N
muestras, tenemos:
h[k1 ], [k2 ]i =
=
N
1
X
n=0
N
1
X
2k2
n
N
ej
2k1
n
N
ej
2(k1 k2 )
n
N
ej
n=0
0 k1 =
6 k2
N k1 = k2
Esta u
ltima ecuacion resulta as porque, si k1 = k2 , la exponencial vale 1
y se suma N veces este 1. Por otro lado, si k1 6= k2 entonces k1 k2 resulta
en un n
umero entero m, y haciendo un cambio de variables:
h[k1 ], [k2 ]i =
N
1
X
ej
2m
n
N
=0
n=0
k=2
20
20
10
10
0
1
0
1
0
1
1
k=3
k=4
20
20
10
10
0
1
0
1
0
1
0
1
85
3.4.
donde
hx, [k]i
(3.1)
h[k], [k]i
Utilizando estas ecuaciones y la expresion para la base de exponenciales
complejas discretas se llega a la definicion de la Transformada Discreta de
Fourier (TDF) de la siguiente manera:
X[k] =
X[k] =
NP
1
x[n]ej
2kn
N
n=0
(3.2)
Esta es la definicion mas utilizada para la TDF y en ella solo se considera el
numerador de (3.1), sin normalizar por el producto interno de las funciones
de la base. Sin embargo, esto no es un problema dado que esos productos
internos son todos iguales a N y este factor puede incluirse directamente en
la formula de reconstruccion:
x[n] =
N
1
X
k=0
N
1
X
k=0
86
X[k]
[k]
h[k], [k]i
X[k]
[k]
N
x[n] =
1
N
NP
1
X[k]ej
2kn
N
k=0
(3.3)
Debe tenerse mucho cuidado en no confundir la TDF con la TFTD. La
diferencia mas importante radica en el hecho de que la TDF se aplica a
se
nales discretas periodicas de duracion infinita o a extensiones periodicas
de se
nales de duracion finita. Ademas, tanto el dominio como la imagen
de la TDF son discretos mientras que en el caso de la TFTD la imagen es
continua.
Es interesante analizar que es lo que realmente esta sucediendo al aplicar
esta transformacion. Ya que el producto interno conceptualmente mide el
grado de parecido de una se
nal con respecto a la otra, lo que estamos
haciendo entonces al implementar la TDF es comparar la se
nal de interes
N
con las N exponenciales complejas que forman la base de R . Intentamos
determinar que tanto de dicha exponencial debe usarse en una combinacion
lineal para sintetizar la se
nal original o que tanto de dicha exponencial hay en
la se
nal original. Dicho de otra forma, descomponemos la se
nal en una serie
de N componentes con diferentes frecuencias, lo que nos permite estudiar
caractersticas frecuenciales de la se
nal o el sistema que la genero.
Notese que, si bien solo hemos considerado N muestras de las
exponenciales complejas, estos valores se repiten en las N muestras
siguientes, lo que implica que al hacer una combinacion lineal de ellas el
resultante sera una funcion de perodo N . Cuando trabajamos con se
nales
discretas de longitud finita usualmente no es este el caso, sino que se trata
de una secuencia de valores muestreados a partir de una se
nal continua.
Fuera del intervalo de muestreo, dicha se
nal continua habra tenido valores
que en realidad desconocemos y estamos suponiendo que son iguales a los N
elementos que conocemos. Es por esto que nunca hay que olvidar que cuando
vemos el espectro obtenido por la TDF, en realidad vemos el espectro de la
extension periodica de las N muestras.
3.5.
Propiedades de la TDF
87
x[n] X[k]
donde F representa el operador de transformacion, para indicar el par
formado por una se
nal x[n] y su TDF X[k]. Tambien expresamos:
X[k] = F {x[n]}
para indicar que X[k] es la TDF de x[n], y
x[n] = F 1 {X[k]}
para indicar que x[n] es la TDFI de X[k].
F
F
Para los siguientes pares: x[n] X[k] y y[n] Y [k] se verifican las
siguientes propiedades (el smbolo ~ representa el operador de convolucion
periodica (o circular) que se aplica cuando ambas se
nales son periodicas de
perodo N ):
1. Linealidad:
1
F
F {x[n]} [k] F 1 {X[k]} [n]
N
x[n i] X[k]e
j2ki
N
j2in
N
X[k i]
5. Convolucion en el tiempo:
F
x[n]y[n]
88
1
X[k] ~ Y [k]
N
i=0
N
1
X
imaginaria
par
impar
real y par
real e impar
imag. y par
imag. e impar
Frecuencia
X[k] = X[k] (sim. conjugada)
X[k] = X[k]
X[k] = X[k] (sim. par)
X[k] = X[k] (sim. impar)
X[k] real y par
X[k] imag. e impar
X[k] imag. y par
X[k] real e impar
3.6.
Relaci
on entre la TCF y la TDF
89
x(t)
|x(f)|
multiplicacin
convolucin
(f)
(t)
...
...
T
-1/T
1/T
|x(f)*(f)|
x(t)(t)
-1/(2T)
multiplicacin
T1/2
convolucin
s(t)
-T1/2
1/(2T)
s(f)
-1/T1 1/T1
trata de una se
nal continua y periodica. Lo que tenemos en frecuencias es la
TFTD que se menciono en la seccion anterior (ver Figura 3.8).
El siguiente paso es multiplicar x(t)(t) por una ventana cuadrada s(t)
para acotarla en el tiempo. En el dominio frecuencial esto se corresponde a
una convolucion de la TCF de la ventana, s(f ), que es una funcion sinc. El
efecto de dicha convolucion sera generar un rizado o ripple en el dominio
frecuencial.
Ahora necesitamos muestrear en el dominio frecuencial, de manera de
obtener un espectro discreto. Para ello multiplicamos por un tren de impulsos
2 (f ) separados por 1/T2 lo que en el dominio temporal se traduce como una
convolucion con un tren de impulsos espaciados en T2 . El resultado es una
se
nal periodica de perodo T1 (ver Figura 3.9). Notese que se eligio el valor
Introducci
on a las Se
nales y los Sistemas Discretos
91
|x(f)*(f)*s(f)|
x(t)(t)s(t)
-T1/2
T1/2
-1/(2T)
convolucin
multiplicacin
2(t)
2(f)
...
-T2
1/(2T)
T2 t
...
1/T2
3.7.
Utilizaci
on de ventanas
x[n]
|x[k]|
Seal discreta
Transformada
Discreta de Fourier
i) Ventana rectangular:
R [n] = 1
ii) Ventana de Hanning:
h [n] =
1 1
cos(2n/N )
2 2
27 23
cos(2n/N )
50 50
93
Ventana de Hamming
0.8
0.6
0.4
0.2
0
0.6
0
0.5
0
0.6
0
0.4
0.2
0.2
0.4
20
20
40
40
60
60
80
0.2
Ventana de Bartlett
0.4
0.2
0.2
0.2
0.8
0.6
0.4
0.2
0
0.6
0
0.4
20
20
40
40
60
60
80
0.2
0.2
0.2
0.4
80
0.2
0.8
0.6
0.4
0.2
0
0.6
0
0.4
0.2
Ventana de Blackman
0.4
0.2
0.2
0.4
80
0
0.2
0.2
0.2
Figura 3.11. Las ventanas temporales mas utilizadas y sus respectivos espectros
en frecuencia.
3.8.
Resoluci
on temporal y frecuencial
1
fm
1
1
T =
T
T0
NT
f t =
1
N
95
1
1 1
f
1
=
=
=
0
T0
2N T
2 NT
2
25
20
15
|X|
Amplitud de x
10
2
0
10
20
30
40
50
30
25
20
|Y|
Amplitud de y
10
5
0
20
40
60
80
100
0.5
1
f(Hz)
1.5
0.5
1
f(Hz)
1.5
15
3.9.
Representaci
on matricial de la TDF
97
x[0]
i x[1]
h
j2(k)(1)
j2(k)(N 1)
j2(k)(0)
X[k] = e N
N
N
e
e
..
.
x[N 1]
Si disponemos los vectores de
obtenemos
la W deseada:
X[0]
X[1]
=
..
.
X[N 1]
j2(0)(0)
j2(0)(1)
e N
e N
j2(1)(0)
j2(1)(1)
e N
N
e
.
.
..
..
j2(N 1)(0)
N
j2(N 1)(1)
N
j2(0)(N 1)
...
N
e
j2(1)(N 1)
N
e
..
.
E (0)(0)
E (0)(1)
E (1)(0)
E (1)(1)
W =
..
..
.
.
(N 1)(0)
(N 1)(1)
E
E
j2(N 1)(N 1)
N
x[0]
x[1]
..
.
x[N 1]
...
E (0)(N 1)
E (1)(N 1)
..
.
E (N 1)(N 1)
x[0]
x[1]
=
..
.
x[N 1]
E (0)0
E (0)1
E 0(N 1)
X[0]
(1)0
E (1)1
E 1(N 1)
1
E
X[1]
..
..
..
..
..
N
.
.
.
.
.
(N 1)0
(N 1)1
(N 1)(N 1)
X[N 1]
E
E
E
98
3.10.
Transformada R
apida de Fourier
Supongamos que la se
nal x[n] posee N = 4 muestras. Su TDF se puede
escribir utilizando la notacion matricial como:
0
X[0]
E E0 E0 E0
x[0]
X[1] E 0 E 1 E 2 E 3 x[1]
X[2] = E 0 E 2 E 4 E 6 x[2]
X[3]
E0 E3 E6 E9
x[3]
Para implementar esta ecuacion, se requieren N 2 multiplicaciones
complejas y N (N 1) sumas complejas. Pero teniendo en cuenta que E 0 = 1
se puede reescribir la ecuacion como:
x[0]
X[0]
1 1
1
1
X[1] 1 E 1 E 2 E 3 x[1]
X[2] = 1 E 2 E 4 E 6 x[2]
1 E3 E6 E9
x[3]
X[3]
Como segunda simplificacion, observemos que E nk = E (nk mod N ) , donde
nk mod N es el resto de la division de nk por N . Por ejemplo, si n = 2 y
k = 3, tenemos:
E nk =
=
=
=
E6
2
2
ej 4 6 = ej3 = ej = ej 4 2
E 2 = E 6 mod 4
E (nk) mod N
X[0]
x[0]
1 1
1
1
X[1] 1 E 1 E 2 E 3 x[1]
X[2] = 1 E 2 E 0 E 2 x[2]
1 E3 E2 E1
X[3]
x[3]
El elemento E 0 no se ha reemplazado por 1 para generalizar el algoritmo en
pasos posteriores.
Realizando un reordenamiento de las filas de las matrices y reescribiendo
la matriz como un producto de dos matrices, tenemos:
X[0]
1 E0 0 0
1 0 E0 0
x[0]
X[2] 1 E 2 0 0 0 1 0 E 0 x[1]
X[1] = 0 0 1 E 1 1 0 E 2 0 x[2]
X[3]
0 0 1 E3
0 1 0 E2
x[3]
Introducci
on a las Se
nales y los Sistemas Discretos
99
x1 [0]
1 0 E0 0
x[0]
x1 [1] 0 1 0 E 0 x[1]
x1 [2] = 1 0 E 2 0 x[2]
x1 [3]
0 1 0 E2
x[3]
Desarrollando esta ecuacion, tenemos:
x1 [0]
x1 [1]
x1 [2]
x1 [3]
=
=
=
=
x[0] + E 0 x[2]
x[1] + E 0 x[3]
x[0] + E 2 x[2]
x[1] + E 2 x[3]
=
=
=
=
x[0] + E 0 x[2]
x[1] + E 0 x[3]
x[0] E 0 x[2]
x[1] E 0 x[3]
Aqu podemos ver que los segundos terminos en la primera y tercera ecuacion
son iguales (excepto por el signo negativo) y lo mismo para los segundos
terminos en la segunda y cuarta ecuacion. Por lo tanto, para el calculo del
resultado intermedio x1 solo se necesitan cuatro sumas y dos multiplicaciones
entre n
umeros complejos.
Analicemos ahora el segundo producto matricial:
x2 [0]
1 E0 0 0
x1 [0]
x2 [1] 1 E 2 0 0 x1 [1]
x2 [2] = 0 0 1 E 1 x1 [2]
x2 [3]
0 0 1 E3
x1 [3]
100
=
=
=
=
x1 [0] + E 0 x1 [1]
x1 [0] + E 2 x1 [1]
x1 [2] + E 1 x1 [3]
x1 [2] + E 3 x1 [3]
X[0]
x2 [0]
X[2] x2 [1]
X[1] = x2 [2]
X[3]
x2 [3]
Para obtener el X[k] solo tenemos que intercambiar la segunda y la tercera
filas.
En este ejemplo con N = 4 y r = 2 ha quedado claro que se ha reducido
la cantidad de operaciones, de 16 multiplicaciones complejas y 12 sumas
complejas, a solo 4 productos complejos y 8 sumas complejas. El algoritmo
que se ha ejemplificado es conocido como TRF de base 2, es decir con N = 2r ,
que consiste en factorizar la matriz de transformacion en r matrices mas
sencillas con la propiedad de minimizar el n
umero de productos y sumas
necesarios. Para este algoritmo, se consigue una reduccion importante del
n
umero de operaciones: en el caso general se requieren rN/2 multiplicaciones
complejas y rN sumas complejas. El costo computacional es practicamente
proporcional a la cantidad de multiplicaciones. En este caso se puede estimar
un factor reduccion relativa del costo computacional como:
2N
N2
=
rN/2
r
Por ejemplo si N = 1024 = 210 , el tiempo de calculo sera 2 1024/10 =
204,8 veces menor si se usa el algoritmo de la TRF en lugar del calculo
directo de la TDF a partir de su definicion. Esta relacion se ilustra en la
Figura 3.13.
Existen otras variaciones del algoritmo en las que en vez de usar N = 2r
se toma N = br , dando origen a los denominados algoritmos de base 4, 8, 16,
Introducci
on a las Se
nales y los Sistemas Discretos
101
1M
DFT
512 K
FFT
N=0
N=512
N=1024
No de productos
16777216
81924
57348
49156
48132
No de sumas
16773120
139266
126978
126978
125442
3.11.
Preguntas
103
3.12.
Trabajos pr
acticos
105
64
29
51
79
101
128
Muestras
106
Introducci
on a las Se
nales y los Sistemas Discretos
107
Bibliografa
[1] T. Aljama, M. Cadena, S. Charleston, and O. Ya
nez. Procesamiento
Digital de Se
nales. Ed. UAM, Mexico.
[2] E. Brigham. The Fast Fourier Transform and its applications. PrenticeHall, 1988.
[3] J. Deller, J. Proakis, and J. Hansen. Discrete-time processing of speech
signals. Prentice-Hall, 1993.
[4] L. E. Franks. Teora de la Se
nal. Reverte S.A., 1975.
[5] W. Kaplan. Matematicas Avanzadas. Addison-Wesley Iberoamericana,
1986.
[6] H. Kwakernaak. Modern Signal and Systems. Prentice-Hall, 1991.
[7] S. Mallat. A wavelet tour of signal processing.
Academic Press, 1999.
[8] A. V. Oppenheim and R. W. Schafer.
Prentice-Hall, 1975.
[9] A. Papoulis and M. Bertran.
Analogicos. Marcombo, 1989.
[10] L. Rabiner and R. Schafer. Digital processing of speech signals. PrenticeHall, 1978.
[11] R. Roberts and R. Gabel. Se
nales y sistemas lineales. Limusa, 1994.
[12] N. K. Sinha. Linear Systems. Wiley, 1991.
[13] H. Skilling. Circuitos en Ingeniera Electrica. Cia. Ed. Continental,
Mexico, 1987.
108
Wellesley-
Captulo 4
Introducci
on a sistemas
Ruben Acevedo
Temas a tratar
-
Definicion de sistema.
Propiedades de sistemas.
Sistemas lineales e invariantes en el tiempo (LTI).
Ecuaciones en diferencias.
Diagramas de bloques.
Objetivos
-
109
4.1.
Introducci
on
Sistema de tiempo
continuo
y(t)
x[n]
Sistema de tiempo
discreto
y[n]
4.2.
Interconexi
on de sistemas
Captulo 4. Introducci
on a sistemas
Entrada
Salida
Sistema 1
Sistema 2
(a)
Sistema 1
Entrada
Salida
Sistema 2
(b)
Sistema 1
Sistema 2
Salida
Entrada
Sistema 3
(c)
Multiplicar x 2
+
x(n)
y(n)
Cuadrado
Cuadrado
111
Entrada
Salida
Sistema 1
Sistema 2
4.3.
Los sistemas presentan propiedades que pueden ser tomadas como criterio
para realizar una clasificacion. Estas son validas tanto para sistemas de
tiempo continuo como de tiempo discreto, sin embargo se enfatizara el caso
de estos u
ltimos.
Sistemas con y sin memoria: un sistema es sin memoria si su salida
en cada instante de tiempo depende solo de la entrada en ese mismo
instante. En el caso que la salida dependa de valores anteriores de la
entrada el sistema es con memoria. Un ejemplo de sistema sin memoria
es el definido por la siguiente ecuacion y(t) = Rx(t) (o su equivalente
discreto y[n] = Rx[n] ), donde y(t) representa la diferencia de potencial
en los extremosP
de una resistencia R y x(t) la corriente a traves de esta. El
sistema y[n] = 3k=0 x[n k] + y[n 2] en cambio es un ejemplo de sistema
con memoria.
Sistemas invertibles: un sistema es invertible si distintas entradas
producen distintas salidas, es decir, dada la salida del sistema es posible
determinar la entrada.
Ejemplos:
y[n] = 2x[n] sistema invertible
y[n] = 2x[n]2 sistema no invertible
Sistemas causales: un sistema es causal si su salida en cualquier instante
de tiempo depende solo de los valores de la entrada en el instante actual
y en instantes anteriores. A menudo este tipo de sistemas son llamados
no anticipativos, ya que para calcular la salida no se necesita conocer con
anticipacion valores futuros de la entrada.
112
Captulo 4. Introducci
on a sistemas
P3
El sistema y[n] =
k=0 x[n k] es un ejemplo de sistema causal, a
diferencia del sistema y[n] = x[n] x[n + 1].
Sistemas estables: un sistema estable es aquel en el que entradas
peque
nas o perturbaciones conducen a respuestas que no divergen.
x(t)
x(t)
y(t)
113
4.4.
Ecuaciones en diferencias
Captulo 4. Introducci
on a sistemas
N
X
k=0
dk y(t) X dk x(t)
=
k
dtk
dtk
k=0
ak y[n k] =
k=0
M
X
bk x[n k].
k=0
Esta u
ltima ecuacion puede acomodarse de la siguiente forma:
"M
#
N
X
1 X
y[n] =
bk x[n k]
ak y[n k]
a0 k=0
k=1
y expresar la salida en el instante n en funcion de los valores previos de
la entrada y la salida. Esta ecuacion es llamada ecuacion recursiva, ya que
implica un procedimiento de esta naturaleza para determinar la salida. La
ecuacion no recursiva esta dada por la expresion:
y[n] =
M
X
bk
k=0
a0
x[n k]
N
X
ak
k=1
a0
y[n k] + x[n],
Introducci
on a las Se
nales y los Sistemas Discretos
115
4.5.
Representaci
on de sistemas LTI discretos
x1[n]
x[n]
x1[n] + x2[n]
x[n]
a.x[n]
x[n-1]
R
Existen casos especiales en que un sistema ARMA puede comportarse como FIR
puede encontrar un ejemplo de este tipo?
116
Captulo 4. Introducci
on a sistemas
x[n]
y[n]
3x[n]
2x[n-1]
R
2
x[n]
3x[n]
y[n]
-2y[n-1]
R
-2
y[n-1]
Introducci
on a las Se
nales y los Sistemas Discretos
117
x[n]
3x[n] w[n]
2x[n-1]
2
y[n]
3w[n]
-2y[n-1]
-2
Figura 4.9. Diagrama de bloques del sistema y[n] = 9x[n] + 6x[n 1] 2y[n 1]
4.6.
Preguntas
4.7.
Trabajos pr
acticos
Captulo 4. Introducci
on a sistemas
3. y[n] =
n+no
P
x[k]
k=nno
119
^2
-2
x[n]
y[n]
^2
-2
-1
Captulo 4. Introducci
on a sistemas
Introducci
on a las Se
nales y los Sistemas Discretos
121
Bibliografa
[1] L.E. Franks. Teora de la se
nal. Reverte, Barcelona, 1975.
[2] R.A. Gabel and R.A. Roberts. Se
nales y sistemas lineales. Ed. Limusa
S.A., Mexico, 1975.
[3] H. Kwakernaak, R. Sivan, and R.C.W. Strijbos. Modern Signals and
Systems. Prentice Hall, New Jersey, 1991.
[4] A.V. Oppenheim, A.S. Willsky, S. H. Nawab, and G. Mata Hernandez.
Se
nales y sistemas.
Prentice-Hall Hispanoamericana, Mexico, 2a.
(espa
nol) edition, 1998.
[5] A. Papoulis. Sistemas y Circuitos Digitales y Analogicos. Marcombo,
1978.
[6] N.K. Sinha. Linear systems. John Wiley, New York, 1991.
[7] H. Skilling. Circuitos en Ingeniera Electrica. Cia. Ed. Continental,
Mexico, 1987.
122
Captulo 5
Convoluci
on discreta
Ruben Acevedo
Temas a tratar
-
Objetivos
- Entender el concepto de la convolucion lineal en tiempo discreto.
- Comprender y aplicar la relacion entre la convolucion circular y la
Transformada Discreta de Fourier.
123
5.1.
Introducci
on
5.2.
Convoluci
on lineal
Captulo 5. Convoluci
on discreta
x[n]
-4 -3
-2
x[-2] [n+2]
n
x[-1] [n+1]
x[0] [n-0 ]
n
x[1] [n-1]
Introducci
on a las Se
nales y los Sistemas Discretos
125
Esta
corresponde a la representacion de una secuencia arbitraria como
una combinacion lineal de secuencias de impulsos unitarios desplazados
[n k], donde los pesos de esta combinacion son x[k].
Considere un sistema LTI, con una entrada arbitraria dada por la
ecuacion anterior, y h[n] como la respuesta al impulso del sistema. Debido a
la caracterstica de invarianza temporal del sistema, si h[n] es la respuesta a
[n] entonces h[n m] es la respuesta a [n m]. Ademas, considerando que
el sistema es lineal se puede aplicar el principio de superposicion, de forma
tal de obtener la salida y[n] como una combinacion lineal de las respuestas
del sistema a impulsos desplazados. Entonces la respuesta del sistema a una
entrada arbitraria x[n] se puede expresar como:
y[n] =
+
X
x[k]h[n k]
k=
Captulo 5. Convoluci
on discreta
2 1 0,5
1 2
2
2 1 0,5
x[0]h[n]
4
2 1
x[1]h[n 1]
4 2 1 x[2]h[n 2]
2 5 6,5 3 1 y0 [n] + y1 [n] + y2 [n]
y[0] = h[0]x[0]
y[1] = h[1]x[0] + h[0]x[1]
y[2] = h[2]x[0] + h[1]x[1] + h[0]x[2]
..
.
N
1
X
y[N ] = h[N ]x[0] +
h[i]x[N i]
i=0
y[0]
h[0] 0
0
0
x[0]
y[1] h[1] h[0] 0
=
x[1]
y[2] h[2] h[1] h[0] 0 x[2]
y[3]
h[3] h[2] h[1] h[0]
x[3]
Como se observa, de la expresion solo se obtienen las primeras N
muestras correspondientes a la operacion y = x h. De todas maneras esta
forma de calculo es u
til debido a que se puede operar facilmente para realizar
Introducci
on a las Se
nales y los Sistemas Discretos
127
x[n]
y[n]
h[n]
x[n]
h[n]
1
0,5
-1 0 1
-1 0
1
0,5
-1 0 1
-1 0
4
2
-1 0
1 2
1 2
4
2
x2[n] = x[2] [n-2]
-1 0
2 3
6,5
5
3
2
y[n] = h0[n] + h1[n] + h2[n]
-1
128
Captulo 5. Convoluci
on discreta
x[0-n]
h[n]
n
x[1-n]
x[2-n]
x[3-n]
y[-2] =
x[-n-2], h[n]
=0
y[-1] =
x[-n-1], h[n]
=0
y[0] =
x[0-n], h[n]
=2
y[1] =
x[1-n], h[n]
=5
y[2] =
x[2-n], h[n]
= 6,5
y[3] =
x[3-n], h[n]
=3
y[4] =
x[4-n], h[n]
=1
y[5] =
x[5-n], h[n]
=0
y[6] =
x[6-n], h[n]
=0
x[4-n]
Introducci
on a las Se
nales y los Sistemas Discretos
129
5.3.
Convoluci
on circular
5.4.
Relaci
on entre convoluci
on lineal y circular
130
Captulo 5. Convoluci
on discreta
xp[-n]
-7 -6
-5 -4 -3 -2 -1
h[n]
-1
xp[1-n]
-6 -5 -4 -3 -2
-1
y[-2] =
x[-n-2], h[n]
= 6,5
y[-1] =
x[-n-1], h[n]
=3
y[0] =
x[-n-0], h[n]
=3
y[1] =
x[1-n], h[n]
=5
y[2] =
x[2-n], h[n]
= 6,5
y[3] =
x[3-n], h[n]
=3
y[4] =
x[4-n], h[n]
=3
y[5] =
x[5-n], h[n]
=5
y[6] =
x[6-n], h[n]
= 6,5
xp[2-n]
-5 -4 -3 -2
-1
xp[3-n]
-4 -3 -2 -1
2 3
Introducci
on a las Se
nales y los Sistemas Discretos
131
5.5.
Deconvoluci
on
2 5 6,5
2 4 4
0 1 2,5
1 2
0 0,5
0,5
0
3 1
1 2 2
2 1 0,5
x[n]
h[n]
1 2 2
2 1 0,5
x[n]
h[n]
3
2
1 1
1 1
0 0
y de derecha a izquierda:
y[n]
2 5 6,5
0,5
5 6
1 2
2 4 4
2 4 4
0 0 0
3 1
1 1
2 0
2
0
Captulo 5. Convoluci
on discreta
es la presencia de una se
nal de ruido r[n]. Esta
puede aparecer en la entrada
del sistema (Figura 5.5) o en la salida del mismo (Figura 5.6) y dependiendo
de donde aparezca afectara mas o menos a la deconvolucion.
r[n]
x[n]
y[n]
h-1
xd[n]
r[n]
y[n]
x[n]
xd[n]
h-1
Introducci
on a las Se
nales y los Sistemas Discretos
133
0.08
h[n]
0.06
0.04
0.02
0
0
10
10
14
16
18
20
x[n]
0.5
0
0.5
y[n]=x[n]*h[n]
0.2
0.1
0
0.1
10
12
Tiempo [seg]
(a)
80
X[k]
60
40
20
2
10
12
10
12
10
12
H[k]
0.8
0.6
0.4
Hinv[k]
0.2
120
100
80
60
40
20
6
Frecuencia [Hz]
(b)
Figura 5.7. Se
nales de entrada, respuesta al impulso y salida de un sistema LTI.
134
Captulo 5. Convoluci
on discreta
xd1[n]
10
10
5
6
Tiempo [seg]
10
xd5[n]
1
0
1
xd10[n]
2
0
2
(a)
Xd1[k]
80
60
40
20
2
10
12
10
12
10
12
100
Xd5[k]
80
60
40
20
Xd10[k]
200
150
100
50
6
Frecuencia [Hz]
(b)
Figura 5.8. Influencia del espectro de frecuencias del ruido en la deconvolucion.
Introducci
on a las Se
nales y los Sistemas Discretos
135
5.6.
Preguntas
5.7.
Trabajos pr
acticos
Captulo 5. Convoluci
on discreta
1. conmutativa: y x = x y
2. asociativa: x (y w) = (x y) w
3. distributiva con respecto a la suma: x(y+w) = xy+xw
Ejercicio 5: Verifique las condiciones de aplicabilidad para la propiedad:
x y = F 1 {F{x}F{y}}
utilizando se
nales de N muestras y comparando los resultados
de la convolucion calculada mediante:
1. la sumatoria de convolucion con ciclos for,
2. la funcion conv,
3. la funcion filter,
4. las funciones fft y ifft utilizadas directamente como lo
indica la propiedad,
5. las funciones fft e ifft pero agregando N 1 ceros tanto
a x como a y.
Ejercicio 6: Considere dos sistemas LTI conectados en cascada
(Figura 5.9), con respuestas al impulso dadas por hA [n] = sin(8n)
y hB [n] = an u[n], donde a R, |a| < 1 y u[n] es la funcion
escalon unitario. Determine la salida y[n] para una entrada
x[n] = [n] a[n 1].
x[n]
w[n]
hA
y[n]
hB
137
138
Captulo 5. Convoluci
on discreta
r[n]
x[n]
y[n]
h
a)
r[n]
x[n]
b)
y[n]
h
Bibliografa
[1] H. Kwakernaak, R. Sivan, and R.C.W. Strijbos. Modern Signals and
Systems. Prentice Hall, New Jersey, 1991.
[2] A.V. Oppenheim and R. Schafer. Digital Signal Processing. Pearson
Higher Education, 1986.
[3] A.V. Oppenheim, A.S. Willsky, S. H. Nawab, and G. Mata Hernandez.
Se
nales y sistemas. Prentice-Hall Hispanoamericana, Mexico, 2 edition,
1998.
[4] J.G. Proakis and D.G. Manolakis.
Prentice Hall, 1 edition, 1998.
Tratamiento digital de se
nales.
[5] N.K. Sinha. Linear systems. John Wiley, New York, 1991.
Introducci
on a las Se
nales y los Sistemas Discretos
139
140
Captulo 6
Transformada Z
Humberto Torres, Ruben Acevedo
Temas a tratar
-
Objetivos
- Utilizar la Transformada Z como herramienta para obtener la expresion
de tiempo discreto de un sistema a partir de la ecuacion diferencial que
rige su dinamica.
- Obtener la respuesta en frecuencia de sistemas de tiempo discreto.
- Analizar las limitaciones de las transformaciones conformes utilizadas.
141
Captulo 6. Transformada Z
6.1.
Introducci
on
6.2.
Definici
on de Transformada Z
X(z) =
x[n]z n
n=
(t nT ) =
n=
+
X
x (nT ) (t nT )
n=
Z+" X
+
142
#
x (nT ) (t nT ) est dt
n=
Captulo 6. Transformada Z
XT (s) =
+
X
Z
x (nT ) (t nT ) est dt
n=
integrando se obtiene:
XT (s) =
+
X
x (nT ) esnT
n=
z = esT
X(z)|z=rejw =
+
X
x[n] re
jw n
n=
+
X
x[n]rn ejwn
n=
cuando r = 1 se obtiene
X (z)|z=rejw =
+
X
x [n] ejwn
n=
De esta u
ltima ecuacion se observa que la Transformada de Fourier de
una secuencia discreta es en realidad la Transformada Z de la secuencia evaluada sobre el crculo unitario. Si esta evaluacion se realiza sobre una u
nica
vuelta del crculo unitario y a intervalos discretos determinados, entonces
estamos en el caso de la Transformada Discreta de Fourier.
Introducci
on a las Se
nales y los Sistemas Discretos
143
Captulo 6. Transformada Z
6.2.1.
Convergencia de la Transformada Z
|x [n] z n | < M
n=
+
P
x [n] rn ejn < M
n=
+
P
|x [n]| rn < M
n=
X(z) =
+
X
an u (n) z n =
+
X
an z n
n=0
n=
y entonces:
+
+
X
X
n n
n n jn
a z =
a r e
n=0
n=0
+
X
1 j n
ar e
n=0
+
X
a n
=
<M
r
n=0
Captulo 6. Transformada Z
X(z) =
+
X
an u(n)z n
n=
+
X
an z n
n=0
+
X
az 1
n
n=0
= 1 + az 1 + a2 z 2 + ....
1
=
1 az 1
z
=
za
Ya que la Transformada Z es funcion de una variable compleja, es
conveniente describirla e interpretarla usando el plano complejo, tal como se
indica en la Figura 6.1.
Im
Cero
Plano Z
Convergente
Polo
Re
145
Captulo 6. Transformada Z
6.2.2.
La Transformada Z inversa
+
X
x[n]z n
n=
Captulo 6. Transformada Z
X(z) =
P (z)
Q (z)
X(z) =
=
P (z)
Q (z)
N
X
Ak
k=1
z zk
(z pk ) X (z)
siendo Ak =
z
z=pk
Si M N entonces:
X(z) = BM n z M n + BM n1 z M n1 +
N
X
Ak
+ B1 z + B0 +
z zk
k=1
siendo los Bi los coeficientes obtenidos mediante division hasta que el resto
sea de un orden igual al del denominador menos 1. Con este resto se procede
a descomponer en fracciones simples y el resultado se a
nade al de la division.
6.3.
Propiedades de la Transformada Z
147
Captulo 6. Transformada Z
3. Desplazamiento en la frecuencia
Z
6.4.
Representaci
on de sistemas discretos
mediante la Transformada Z
Captulo 6. Transformada Z
Ecuaciones
diferenciales
Transformada de Laplace
Razn de
polinomios en s
y(m)(t) = f(y(t),y'(t),...,y(m-1)(t),x(t),x'(t),...,x(m)(t))
Y(s)
Transformacin
conforme
y[n] = g(y[n-1],...,y[n-m],...,x[n],x[n-1],...,x[n-m])
Ecuaciones
en diferencias
Transformada Z
Y(z)
Razn de
polinomios en z
149
Captulo 6. Transformada Z
Im(s)
Im(z)
1
Re(s)
Re(z)
Plano S
Plano Z
6.4.1.
Transformaci
on de Euler
dt
t
A la derivada dy
, en el tiempo t = nT , la substituimos por la diferencia
dt
hacia atras (Figura 6.4)
dy (t)
y (nT ) y (nT T )
=
dt t=nT
T
y [n] y [n 1]
dy (t)
=
dt t=nT
T
Donde T representa el perodo de muestreo, e y[n] = y(nT ). El
diferenciador analogico con salida dy
tiene la funcion de transferencia H(s) =
dt
T )
s, mientras el sistema digital que produce la salida y(nT )y(nT
tiene la
T
150
Captulo 6. Transformada Z
H(s)=s
y(t)
dy(t) / dt
H(z)=(1-z-1)/T
y(n)
( y[n] - y[n-1] ) / T
1z 1
.
T
s=
La segunda derivada
deriva como sigue:
d2 y
dt2
Consecuentemente, el equivalente en
1 z 1
T
d2 y (t)
d dy (t)
=
dt2 t=nT
dt
dt t=nT
y(nT
)y(nT
T )
2T )
y(nT 7)y(nT
d2 y (t)
T
T
=
dt2 t=nT
T
2
y [n] 2.y [n 1] + y [n 2]
d y (t)
=
dt2
T2
t=nT
1 z 1
T
2
s =
1 z 1
T
k
Consecuentemente, la funcion de transferencia obtenida como el resultado de la aproximacion de las derivadas mediante diferencias finitas es:
H(z) = Ha(s)|s=(1z1 )/T
donde Ha(s) es la funcion de transferencia analogica.
Introducci
on a las Se
nales y los Sistemas Discretos
151
Captulo 6. Transformada Z
Im(s)
Im(z)
1
Re(z)
Re(s)
Plano S
Plano Z
z =
Captulo 6. Transformada Z
Plano z
/6
1/2
6.4.2.
Transformaci
on bilineal
La transformacion bilineal transforma el eje j en la circunferencia unidad en el plano z solo una vez, evitando el solapamiento de componentes de frecuencia. Ademas, todos los puntos del semiplano izquierdo de s se corresponden con el interior de la circunferencia unidad en el plano z y todos los puntos del semi plano derecho de
s se corresponden con puntos fuera de la circunferencia unidad del
plano z.
La transformacion bilineal se puede ligar a la forma trapezoidal para
integracion numerica. Por ejemplo consideremos la funcion:
H(s) =
b
a+s
153
Captulo 6. Transformada Z
Zt
y(t) =
y 0 ( )d + y(t0 )
t0
Para t = nT y t0 = nT T produce:
T 0
(y (nT ) + y 0 (nT T )) + y (nT T )
2
sustituyendo la derivada
y(nT ) =
y(nT ) =
T
((ay(nT ) + bx(nT ) +
2
+(ay(nT T ) + bx(nT T ))) + y(nT T )
aT
1+
2
aT
Y (z) 1
2
z 1 Y (z) =
bT
1 + z 1 X(z)
2
2
T
b
1z1
1+z 1
+a
Captulo 6. Transformada Z
z = rejw
s = + j
entonces
s =
s =
s =
=
=
2
T
2
T
2
T
2
T
2
T
1z
z+1
jw
re 1
rejw + 1
r2 1
2r sin (w)
+j
1 + r2 + 2r cos (w)
1 + r2 + 2r cos (w)
r2 1
1 + r2 + 2r cos (w)
2r sin (w)
1 + r2 + 2r cos (w)
6.5.
Trabajos pr
acticos
155
Captulo 6. Transformada Z
=2 atan( T/2)
|H( )|
|H( )|
12z 1 +2z 2 z 3
(1z 1 )(10,5z 1 )(10,2z 1 )
Captulo 6. Transformada Z
1.1K
E i(t)
2.2K
2 F
1F
1K
E o (t)
Introducci
on a las Se
nales y los Sistemas Discretos
157
Captulo 6. Transformada Z
Bibliografa
[1] T. Aljama, M. Cadena, S. Charleston, and O. Yan
ez. Procesamiento
digital de se
nales. Universidad Autonoma Metropolitana. Unidad
Iztapalapa, Mexico, 1992.
[2] L.E. Franks. Teora de la se
nal. Reverte, Barcelona, 1975.
[3] R.A. Gabel and R.A. Roberts. Se
nales y sistemas lineales. Ed. Limusa
S.A., Mexico, 1975.
[4] H. Kwakernaak, R. Sivan, and R.C.W. Strijbos. Modern Signals and
Systems. Prentice Hall, New Jersey, 1991.
[5] A.V. Oppenheim and R. Shaffer. Digital Signal Processing. Pearson
Higher Education, 1986.
[6] A.V. Oppenheim, A.S. Willsky, S. H. Nawab, and G. Mata Hernandez.
Se
nales y sistemas. Prentice-Hall Hispanoamericana, Mexico, 2a.
(espa
nol) edition, 1998.
[7] A. Papoulis. Sistemas y Circuitos Digitales y Analogicos. Marcombo,
1978.
[8] J.G. Proakis and D.G. Manolakis. Tratamiento digital de se
nales.
Prentice Hall, 1a. (espa
nol) edition, 1998.
[9] N.K. Sinha. Linear systems. John Wiley, New York, 1991.
[10] H. Skilling. Circuitos en Ingeniera Electrica. Cia. Ed. Continental,
Mexico, 1987.
158
Captulo 7
Identificaci
on de sistemas
mediante predicci
on lineal
Diego Milone
Temas a tratar
- Identificacion de sistemas por metodos estaticos y adaptativos.
- Sistema de Wiener-Hopf y algoritmo de Levinson-Durbin.
- Determinacion del n
umero optimo de parametros.
Objetivos
- Obtener una vision general sobre los problemas relacionados con la
identificacion de sistemas. Optimizacion, filtrado adaptativo y otros.
- Implementar algunas tecnicas sencillas para identificacion de sistemas
lineales.
- Reconocer las ventajas, desventajas y posibilidades de aplicacion de los
distintos metodos.
159
7.1.
Introducci
on
Captulo 7. Identificaci
on de sistemas mediante prediccion lineal
7.1.1.
T
ecnicas convencionales
7.1.2.
T
ecnicas no convencionales
161
7.2.
An
alisis de la respuesta para sistemas
continuos
Captulo 7. Identificaci
on de sistemas mediante prediccion lineal
1
Amplitud
0.8
0.6
0.4
0.2
0
4
Tiempo
163
7.3.
M
etodos de predicci
on lineal
7.3.1.
El modelo ARMA
sn =
p
X
ak snk + G
q
X
b` un`
(7.1)
`=0
k=1
q
P
b` z `
`=1
H(z) = G
1+
p
P
(7.2)
ak
z k
k=1
7.3.2.
El modelo AR
G
B(z)
A(z)
C(z)
Sin embargo, el polinomio C(z) sera de orden infinito. Podemos aproximar con bastante exactitud el sistema ARMA (7.2) haciendo que C(z) sea
164
Captulo 7. Identificaci
on de sistemas mediante prediccion lineal
H(z) =
p
P
1+
ak
(7.3)
z k
k=1
p
X
ak snk + Gun
(7.4)
k=1
p
X
ak snk
(7.5)
k=1
7.3.3.
Cuadrados mnimos
(7.6)
165
donde:
a=
a1
a2
..
.
ak
..
.
sn =
snk
.
..
snp
ap
b0
b1
..
.
b`
..
.
bq
sn1
sn2
..
.
un
un1
..
.
un =
un`
..
.
unq+1
con b0 = 1 y 1 k p y 0 ` q.
El objetivo del metodo es minimizar el error cuadratico a partir de la
optimizacion de los vectores a y b. Para un problema en particular tanto la
entrada como la salida del sistema estaran dadas y tendremos que considerar
que debemos minimizar la funcion:
e2n (a, b) .
Para cada instante de tiempo n nos encontramos buscando el mnimo en
una superficie de error en el hiperespacio de soluciones con dimension p + q.
Otra forma de resolver el problema de minimizacion del error es considerar
el error cuadratico total (ECT) sobre el proceso y optimizar los vectores a y
b para todo el proceso. En cualquier caso el mnimo constituye la solucion
de nuestro problema.
La particular utilizacion de esta medida del error da origen a un amplio
grupo de tecnicas para encontrar el mnimo global de esta funcion cuadratica.
De aqu que se ha denominado a este como el metodo de cuadrados mnimos.
Supongamos que 2 (a, b) es una expresion valida para la medida del
error. Deberemos encontrar:
a,b 2 = 0
166
(7.7)
Captulo 7. Identificaci
on de sistemas mediante prediccion lineal
7.3.4.
En el caso de las se
nales determinsticas podemos trabajar con la siguiente
definicion para el error cuadratico total (ECT):
2 =
e2n
(7.8)
sn sTn
a=
sn sn
(7.9)
Debemos a
un especificar el rango de sumacion para la variable n. Esto
da origen a dos metodos: autocorrelacion y covariancia.
Autocorrelaci
on
Una vision general del proceso nos llevara a considerar (, ) como
intervalo para la sumacion de n en (7.9). En este caso tenemos en el miembro
derecho la autocorrelacion r para la se
nal sn . Ahora la ecuacion (7.9) se
convierte en:
Introducci
on a las Se
nales y los Sistemas Discretos
167
Ra = r
(7.10)
Covariancia
Como veamos en el caso anterior, no es posible practicamente utilizar un
rango infinito para la sumatoria en el ECT. Podemos recurrir a la covariancia
para acotar el intervalo a un n
umero finito de muestras N . En este caso la
ecuacion (7.9) se convierte en:
a =
donde i = 0,i , con 0 i N 1 y es la matriz de covariancia para sn
en el intervalo finito 0 n N 1. En este caso tambien obtenemos una
matriz simetrica pero los elementos en la diagonal ya no son necesariamente
iguales. A pesar de que la matriz configura un sistema bien condicionado
el error que se obtiene para distintas selecciones de N es dependiente de la
se
nal de entrada. Nuevamente, en el ejemplo del aparato fonador, lo ideal
sera que N coincidiera con el perodo de ocurrencia para el impulso glotico.
Sin embargo, incluir un N variable no solo implicara un calculo constante
de la frecuencia glotica sino una adaptacion en el algoritmo de resolucion
del sistema de ecuaciones.
168
Captulo 7. Identificaci
on de sistemas mediante prediccion lineal
7.3.5.
En el caso de se
nales aleatorias solo podemos hablar de valores esperados
para las medidas de error. De esta forma escribimos para un sistema AR:
2 = E e2n = E s2n + aT 2E [sn sn ] + aT E sn sTn a
(7.11)
a1
E [en ]
T
a2
=
2E
[s
s
]
+
2E
sn sn a
2 =
n
n
..
E [e2n ]
ap
(7.12)
Sin embargo a
un no hemos definido que sucede con el operador esperanza
que debemos resolver en funcion de las caractersticas de la se
nal aleatoria.
Vamos a diferenciar entre se
nales estacionarias y se
nales no estacionarias.
Se
nales estacionarias
Para se
nales estacionarias se cumple que:
E sn sTn = R
De esta forma el sistema de la ecuacion (7.12) se reduce al de la ecuacion
(7.10).
Para el caso en que nos encontremos ante un proceso de esta naturaleza,
podemos observar que la ecuacion (7.11) se convierte en:
2 = E s2n + 2ra + aT Ra
Introducci
on a las Se
nales y los Sistemas Discretos
(7.13)
169
7.3.6.
Resoluci
on del sistema de Wiener-Hopf
Encontrar los coeficientes del modelo AR para la identificacion de nuestro sistema incognita requiere que resolvamos el sistema de ecuaciones
170
Captulo 7. Identificaci
on de sistemas mediante prediccion lineal
"
#
i1
ri +
aj,i1 rij
ki = Ei1
j=1
Para1 i p
ai,i = ki
Ei = Ei1 (1 ki2 )
donde Ep es el ECT para la estimacion de orden p y la solucion final son los
aj,p con 1 j p.
Este metodo posee la ventaja de que arroja resultados parciales que,
como veremos mas adelante, pueden ser utilizados para estimar el orden
apropiado del modelo mientras se lleva a cabo la iteracion.
Otra caracterstica particular es que cuando el metodo es utilizado para
calcular el modelo AR del ejemplo del aparato fonador, se encuentra una
vinculacion directa entre las constantes ki y la relacion de diametros en
el tubo resonante. Se puede demostrar que si modelamos el tracto vocal
mediante un tubo con p secciones Si diferentes, se cumple la relacion:
ki + 1
Si
=
1 ki
Si+1
Introducci
on a las Se
nales y los Sistemas Discretos
171
M
etodos adaptativos
En los metodos adaptativos se busca minimizar el error cuadratico instantaneo mediante una adaptacion permanente de los vectores que en este
caso podemos denominar an y bn .
Estos metodos se basan en la formula de Newton para la b
usqueda de
races en ecuaciones no lineales. Basicamente, consisten en realizar sucesivas
aproximaciones a la raz en el sentido del gradiente negativo de la funcion.
Para nuestro caso, la funcion es el error cuadratico o la esperanza de este
para un tiempo n dado. Volviendo a la ecuacion de error para sistemas AR,
se propone la adaptacion de los coeficientes mediante:
an+1 = an + ( 2 )
(7.14)
e2n
=
=
an
e2n
a1,n
e2n
a2,n
..
.
e2n
ap,n
sn + aTn sn
= 2en
an
(7.15)
Captulo 7. Identificaci
on de sistemas mediante prediccion lineal
1
T (R)
7.3.7.
Determinaci
on de la constante de ganancia G
7.4.
Estimaci
on del orden
173
7.4.1.
Error de predicci
on final
174
Captulo 7. Identificaci
on de sistemas mediante prediccion lineal
Vp+1
<
Vp
(7.16)
7.4.2.
Criterio de Akaike
7.5.
Preguntas
175
Amplitud relativa
Vp
Ip
10
Orden
15
20
7.6.
Trabajos pr
acticos
Captulo 7. Identificaci
on de sistemas mediante prediccion lineal
177
Cavidad
faringea
Cuerdas
vocales
Velo
Cavidad
nasal
Salida
nariz
Cavidad
oral
Salida
boca
Lengua
Laringe
Traquea y
bronquios
Pulmones
Diafragma
Fuerza
muscular
Entonacin
Generador
de
pulsos
Generador
de
ruido blanco
Emisin
sonora o sorda
un
sn
+
Predictor
Lineal
Parmetros an
178
Captulo 7. Identificaci
on de sistemas mediante prediccion lineal
Amplitud
5000
/ hh /
-5000
0
0.05
/ eh /
0.1
/ l/
0.15
/ ow /
0.2
0.25
Tiempo
0.3
0.35
0.4
de Wiener-Hopf mediante el algoritmo iterativo de LevinsonDurbin. Suponga que el sistema es siempre de orden 14,
con condiciones iniciales nulas y una frecuencia de entonacion
constante de 100 Hz. Calcule el valor de G para que se igualen
las energas de los fonemas sonoros y en el caso de los sordos
considere la energa como 1/10 de la de los sonoros.
Introducci
on a las Se
nales y los Sistemas Discretos
179
Bibliografa
[1] A Cohen. Time and frequency domains analysis. In Biomedical Signal
Processing, volume I, chapter 7. CRC Press, 1986.
[2] J. R. Deller, J. G. Proakis, and J. H. Hansen. Discrete-Time Processing
of Speech Signals. Prentice Hall, 1987. Captulo 5.
[3] S. M. Kay and S. L. Marple. Spectrum analisis.
volume 69, pages 13801419, 9 1981.
In Proc. IEEE,
Captulo 7. Identificaci
on de sistemas mediante prediccion lineal
Introducci
on a las Se
nales y los Sistemas Discretos
181
182
Captulo 8
Identificaci
on de sistemas no
lineales mediante algoritmos
gen
eticos
Diego Milone
Temas a tratar
- Generalidades de los algoritmos de computacion evolutiva.
- Dise
no de la solucion de un problema mediante algoritmos geneticos.
- Aplicacion de la tecnica de algoritmos geneticos para la identificacion de
sistemas no lineales.
Objetivos
- Aprender los fundamentos de la tecnica.
- Aplicar los algoritmos geneticos a la b
usqueda de soluciones.
- Comprender la potencialidad de la tecnica y sus limitaciones mas
importantes.
- Implementar algunas tecnicas sencillas para identificacion de sistemas no
lineales.
183
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
8.1.
Introducci
on
8.2.
Estructura de un AG
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
185
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
8.3.
Dise
no de la soluci
on de un problema
mediante AGs
Representaci
on de los individuos: como representamos una solucion
de nuestro problema mediante cromosomas?, a partir de un conjunto de
cromosomas dado, como obtenemos una solucion? Deberemos determinar
de que forma se traduce el fenotipo en genotipo y viceversa.
Funci
on de fitness: como medimos la capacidad de supervivencia de un
individuo, sus posibilidades de procrear y transferir la informacion de sus
genes a la proxima generacion? En el dominio de las soluciones debemos
poder medir que tan buena es cada solucion con relacion a las demas.
Mecanismo de selecci
on: tenemos toda una poblacion evaluada seg
un
el fitness y debemos elegir a los individuos que seran padres de la proxima
generacion. No es tan sencillo como elegir los M mejores. Veremos algunas
formas de realizar una seleccion que, si bien premia a los mejores, no deja
de dar la posibilidad azarosa de que uno de los peores individuos sea padre,
como sucede en la naturaleza.
Operadores de variaci
on y reproducci
on: los operadores basicos son
las cruzas y mutaciones. Sin embargo, a pesar de que limitemos el estudio
solo a estos operadores, veremos varias formas de aplicarlos. A partir de los
operadores podemos reproducir y obtener la nueva poblacion. Durante la
reproduccion tambien tenemos que considerar algunas opciones.
186
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
8.4.
Representaci
on de los individuos
4.56
3456
Espacio del
fenotipo
1.25
556
1001
Decodificacin
187
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
8.5.
Funci
on de fitness
Debemos obtener ahora una medida para conocer que tan buena es la
solucion de cada individuo. Esta funcion trabaja en el dominio del problema,
sobre el fenotipo de cada individuo. Por lo tanto para obtener el valor de
fitness para un individuo deberemos previamente hacerlo nacer, y en algunos
casos crecer, a partir de su genotipo para luego evaluar objetivamente que tan
bueno es en relacion con los otros.
Hay un aspecto fundamental a resolver, el valor de fitness debe ser
monotonicamente creciente con la bondad de la solucion que un individuo
representa. Si esta dependiera de varios factores, de la forma en que estos
sean pesados en la funcion de fitness dependera la optimizacion que realice
el AG.
El como nace y crece un individuo es completamente dependiente de
la aplicacion. En el caso de que estemos optimizando la trayectoria de un
movil robot deberemos tener un robot real para cada fenotipo necesario
o, como generalmente se resuelve, utilizar una buena simulacion de su
comportamiento. En el otro extremo, la sencillez esta representada por la
simple evaluacion de una ecuacion que es directamente una medida del
fitness. En el caso de la identificacion de un sistema deberemos utilizar las
ecuaciones en recurrencia que lo caracterizan para obtener su respuesta y
compararla con la deseada. En este caso el error cuadratico medio puede
considerarse como una medida inversa del fitness del individuo.
188
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
6
7
8.6.
Selecci
on
8.6.1.
Rueda de ruleta
189
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
8.6.2.
Ventanas
8.6.3.
Competencias
8.7.
Reproducci
on y operadores de variaci
on
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
8.7.1.
Mutaciones
8.7.2.
Cruzas
191
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
8.8.
Caractersticas principales
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
Cromosoma original
Cromosoma mutado
1 0 1 1 1 1 0 1
1 0 1 1 0 1 0 1
Punto de mutacin
Cromosomas padres
Cromosomas hijos
1 0 1 1 1 1 0 1
1 0 1 1 1 0 1 1
1 1 1 0 0 0 1 1
1 1 1 0 0 1 0 1
Punto de cruza
Introducci
on a las Se
nales y los Sistemas Discretos
193
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
8.9.
Introducci
on a los fundamentos matem
aticos
195
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
8.10.
Trabajos pr
acticos
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
Larvas
300
200
100
0
10
20
30
40
50
60
70
80
10
20
30
40
50
60
70
80
10
20
30
40
50
Semanas
60
70
80
Pupas
200
100
0
Adultos
100
50
0
197
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
<
<
<
<
<
<
101
100
100
101
101
100
199
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
200
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
Bibliografa
[1] T. Back, U. Hammel, and H-F. Schewfel. Evolutionary computation:
Comments on history and current state. IEEE Trans. on Evolutionary
Computation, 1(1), 1997.
[2] R. F. Constantino, R. A. Desharnais, J. M. Cushing, and B. Dennis.
Chaotic dynamics in an insect population. Science, 275(5298):389391,
1 1997.
[3] D. E. Goldberg. Genetic Algorithms in Search, Optimization & Machine
Learning. Addison Wesley, 3 1997. Captulos 1, 3 y 4.
[4] V. Maniezzo. Genetic evolution of the topology and weight distribution
of neural networks. IEEE Trans. on Neural Networks, 5(1), 1 1994.
[5] Z. Michalewicz. Genetic Algorithms + Data Structures = Evolution
Ptrograms. Springer-Verlag, 1992.
[6] D. J. Montana.
Neural networks weight selection using genetic
algorithms. In S. Goonatilake and K. Sukhdev, editors, Intelligent Hybrid
Systems, chapter 5. J. Wiley & Sons, 1995.
[7] L. J. Park, C. H. Park, C. Park, and T. Lee. Application of genetic
algorithms to parameter estimation of bioprocesses. Medical & Biological
Engineering & Computing, 1 1997.
Introducci
on a las Se
nales y los Sistemas Discretos
201
Captulo 8. Identificaci
on de sistemas no lineales mediante algoritmos geneticos
202
Ap
endice A
Octave (v2.1.36)
A.1.
Generales
A.2.
-
A.3.
Matrices y rangos
Las matrices se delimitan con corchetes. Los elementos de una fila se separan con
comas. Las filas se separan con punto y coma (;). Las comas se pueden reemplazar por
espacios y los punto y coma por uno o mas enter. Los elementos de una matriz pueden
ser expresiones arbitrarias, siempre que las dimensiones concuerden.
-
[ x,
[ x;
[ w,
base
base
203
A.4.
-
A.5.
-
Operaciones aritm
eticas y operadores
de incremento
x + y - Suma de matrices.
x - y - Resta de matrices.
x * y - Multiplicaci
on Matricial.
x .* y - Multiplicaci
on elemento a elemento.
x / y - Divisi
on matricial por la derecha, equivalente conceptualmente a (inv(y)*x).
x ./ y - Divisi
on por la derecha elemento a elemento.
x \ y - Divisi
on matricial por la derecha, equivalente conceptualmente a inv(x)*y
x .\ y - Divisi
on elemento a elemento por la izquierda.
x ^ y - Operador de potencias matricial.
x .^ y - Operador de potencias elemento a elemento.
- x - Negaci
on.
x - Transpuesta compleja conjugada.
x . - Transpuesta.
++ x
(-- x) - Incrementa (decrementa) x, devuelve el nuevo valor.
x ++
( x --) - Incrementa (decrementa) x, devuelve el valor anterior.
A.6.
-
x
x
x
x
x
x
x
x
!
204
A.7.
Sentencias
A.8.
-
Manipulaciones b
asicas de matrices
rows(a) - Devuelve el n
umero de filas de a
columns(a) - Devuelve el n
umero de columnas de a
all(a) - chequea si todos los elementos de a son distintos de cero.
any(a) - chequea si cualquier elemento de a es distinto de.
find(a) - Devuelve los ndices de los elementos distintos de cero.
sort(a) - Ordena los elementos de cada columna de a.
sum(a) - Suma los elementos en cada columna de a.
prod(a) - Producto de los elementos en cada columna de a.
min(args) - Encuentra el mnimo.
max(args) - Encuentra el m
aximo.
rem(x, y) - Calcula el resto de x/y.
reshape(a, m, n) - Reformatea la matriz a para que sea de m por n.
diag(v, k) - Crea una matriz diagonal.
linspace(b, l, n) - Crea un vector de elementos espaciados linealmente.
logspace(b, l, n) - Crea un vector con espaciamiento logartmico.
Introducci
on a las Se
nales y los Sistemas Discretos
205
A.9.
-
A.10.
-
hiperbolicas
Algebra Lineal
A.11.
-
Funciones trigonom
etricas
Procesamiento de Se
nales
fft(a) - Transformada R
apida de Fourier.
ifft(a) - Transformada R
apida de Fourier Inversa.
freqz(args) - Respuesta en frecuencia de filtros digitales.
sinc(x) - Funci
on Sinc (sin ( x)/( x))
A.12.
Procesamiento de Im
agenes
A.13.
-
Funciones de entrada/salida
206
A.14.
Miscel
aneas
A.15.
-
conv(a, b) - Convoluci
on y producto de polinomios.
deconv(a, b) - Deconvoluci
on y division de polinomios.
poly(a) - Crear un polinomio a partir de una matriz.
polyval(p, x) - Valor de un polinomio p en x
roots(p) - Encontrar las races de un polinomio.
A.16.
-
Polinomios
Estadstica
A.17.
Gr
aficos b
asicos
Introducci
on a las Se
nales y los Sistemas Discretos
207
Si los rangos ranges se especifican, deben estar antes de la expresion a graficar. Las
opciones using, title, y style pueden aparecer en cualquier orden despues de la expresion
expr. Se pueden graficar m
ultiples expresiones en un solo grafico, separandolas por
comas.
setoptions - Fijar las opciones de graficacion.
showoptions - Mostrar las opciones de graficacion.
replot - Redibujar el gr
afico actual.
closeplot - Cerrar la corriente a los procesos de gnuplot.
purge tmp files - Borrar los archivos de dibujo temporales.
A.18.
-
plot(args) - Gr
afico en 2D con ejes lineales.
semilogx(args) - Gr
afico en 2D con eje x logartmico.
semilogy(args) - Gr
afico en 2D con eje y logartmico.
loglog(args) - Gr
afico en 2D logartmico en ambos ejes.
bar(args) - Gr
afico de barras.
stairs(x, y) - Gr
afico de escaleras.
hist(y, x) - Histograma.
title(string) - Fija el ttulo de un grafico.
axis(limits) - Fija los rangos de un grafico.
xlabel(string) - Fija una etiqueta para el eje x.
ylabel(string) - Fija una etiqueta para el eje y.
grid [on|off] - Setea el estado de la grilla.
hold [on|off] - Setea el estado de retencion de un grafico.
mesh(x, y, z) - Gr
afico de una superficie en 3D.
meshgrid(x, y) - Crea matrices de coordenadas para el mesh.
208
Ap
endice B
Comandos de SciLab (v2.6)
B.1.
-
Se
nales
Signal - Descripci
on manual de una se
nal.
analpf - Crear un filtro anal
ogico pasabajos.
buttmag - Respuesta de un filtro Butterworth.
casc - Realizaci
on de filtros en cascada a partir de los coeficientes.
cepstrum - C
alculo del Cepstro.
cheb1mag - Respuesta de un filtro de Chebyshev tipo 1.
cheb2mag - Respuesta de un filtro de Chebyshev tipo 2.
chepol - Polinomio de Chebyshev.
convol - Convoluci
on.
corr - Correlaci
on, Covarianza.
cspect - Estimaci
on espectral por el metodo de correlacion.
dft - Transformada Discreta de Fourier.
ell1mag - Magnitud de un filtro Elptico.
eqfir - Aproximaci
on minimax para un filtro FIR.
eqiir - Dise
no de filtros IIR.
ffilt - Coeficientes de un filtro FIR pasabajos.
fft - Transformada R
apida de Fourier.
filter - Aplicaci
on de un filtro.
frmag - Magnitud de Filtros FIR e IIR.
fsfirlin - Dise
no de filtros FIR de fase lineal por la tecnica de muestreo en frecuencias.
group - Retardo de grupo de un filtro digital.
hilb - Transformada de Hilbert.
iir - Filtro Digital IIR.
iirgroup - Optimizaci
on del retardo de grupo de filtros pasabajos IIR.
iirlp - Optimizaci
on de filtros IIR pasabajos.
intdec - Interpolaci
on/decimacion de una se
nal (cambio de frecuencia de muestreo).
lev - Equaciones de Yule-Walker (algoritmo de Levinson)
levin - Resoluci
on de sistemas de Toeplitz por el algoritmo de Levinson (multidimensional)
mese - Estimaci
on espectral por maximizacion de entropa.
mfft - Transformada r
apida de Fourier multidimensional
pspect - Estimaci
on espectral cruzada entre dos series.
remez - Algoritmo de Remez.
remezb - Aproximaci
on Minimax de la respuesta de magnitud.
sinc - Funci
on Sinc (Sen(x)/x).
209
trans - Transformaci
on de filtros pasabajos a otros.
wfir - Filtros FIR de fase lineal.
wigner - Distribuci
on de Wigner-Ville.
window - Ventana simetrica.
yulewalk - Dise
no de Filtros por mnimos cuadrados.
zpbutt - Prototipo anal
ogico de filtro Butterworth.
zpch1 - Prototipo anal
ogico de filtro Chebyshev tipo 1.
zpch2 - Prototipo anal
ogico de filtro Chebyshev tipo 2.
zpell - Prototipo anal
ogico de filtro Elptico.
B.2.
-
analyze - Gr
afico de frecuencias de una se
nal sonora.
auread - Cargar un archivo de sonido .au.
auwrite - Escribir un archivo de sonido .au.
lin2mu - Codificaci
on mu-law de una se
nal lineal.
loadwave - Cargar un archivo de sonido .wav.
mapsound - Graficar un mapa de sonido.
mu2lin - Codificaci
on lineal de un sonido en mu-law.
playsnd - Reproducir un sonido.
savewave - Grabar datos en un archivo .wav.
sound - Reproducir un sonido.
wavread - Leer un archivo .wav.
wavwrite - Grabar un archivo .wav.
B.3.
-
Control
bilin - Transformaci
on bilineal general.
calfrq - Discretizaci
on de la respuesta en frecuencia.
cls2dls - Transformaci
on bilineal.
dbphi - Transformaci
on de la respuesta en frecuencia a la representacion de magnitud
y fase.
dscr - Discretizaci
on de sistemas lineales.
flts - Respuesta temporal de sistemas discretos.
frep2tf - Transformaci
on de la respuesta en frecuencia a Funcion de Transferencia.
freq - Respuesta en frecuencia.
B.4.
-
Sonido
Funciones elementales
210
cotg - Cotangente
coth - Cotangente Hiperb
olica.
diag - Extracci
on de matriz diagonal.
erf - Funci
on de Error.
eye - Matriz Identidad.
fix - Redondear hacia cero.
floor - Redondear hacia .
imag - Parte Imaginaria.
int - Parte Entera.
interp - Interpolaci
on
interpln - Interpolaci
on Lineal.
isdef - Verdadero si la variable existe.
isinf - Verdadero para los valores infinitos.
isnan - Verdadero para las indeterminaciones (Not-a-Number).
isreal - Verdadero para variables reales.
kron - Producto de Kronecker (externo).
linspace - Vector espaciado linealmente.
log - Logaritmo Natural.
log10 - Logaritmo base 10.
log2 - Logaritmo base 2.
logspace - Vector espaciado logartmicamente.
max - M
aximo.
mean - Valor medio de un vector o matriz.
median - Mediana de un vector o matriz.
min - Mnimo.
modulo - Resto de la divisi
on entera.
not (~) - Not (NO) L
ogico.
ones - Matriz de unos.
or - Or (O) l
ogico.
prod - Productoria.
rand - Generador de n
umeros aleatorios.
real - Parte Real.
round - Redondeo al entero m
as cercano.
sign - Funci
on Signo.
sin - Funci
on Seno.
sinh - Seno Hiperb
olico.
size - Tama
no de una matriz.
smooth - Suavizado (interpolado) por splines.
sort - Ordenar en orden decreciente.
sqrt - Raz Cuadrada.
squarewave - Forma de onda Cuadrada de perodo 2
st_deviation - Desvo Est
andar.
sum - Sumatoria.
tan - Tangente.
tanh - Tangente Hiperb
olica.
trfmod - Gr
afico de ceros y polos.
tril - Submatriz triangular inferior.
triu - Submatriz Triangular Superior.
zeros - Matriz de Ceros.
Introducci
on a las Se
nales y los Sistemas Discretos
211
B.5.
-
B.6.
-
E/S a archivos
Creaci
on de funciones
argn - N
umero de argumentos de una funcion.
comp - Precompilaci
on de una funcion.
edit - Edici
on de funciones.
endfunction - Cierra la definicion de una funcion.
function - Abre la definici
on de una funcion.
genlib - Compila una librera a partir de todas las funciones de un directorio.
getd - Carga todas las funciones definidas en un directorio.
getf - Carga una funci
on definida en un archivo.
newfun - Agrega un nombre en la tabla de funciones.
varargin - N
umero variable de argumentos en una lista de argumentos de entrada.
varargout - N
umero variable de argumentos en una lista de argumentos de salida.
212
B.7.
-
Gr
aficos
Matplot - Gr
afico en 2D de una matriz usando colores.
Matplot1 - Gr
afico en 2D de una matriz usando colores.
bode - Gr
afico de Bode.
champ - Campo vectorial 2D.
champ1 - Campo vectorial 2D con flechas de colores.
colormap - Selecciona un mapa de colores.
contour - Curvas de nivel de una superficie en 3D.
contour2d - Curvas de nivel de una superficie en un grafico de 2D.
contourf - Curvas de nivel rellenas de una superficie en un grafico de 2D.
drawaxis - Dibujar un eje.
errbar - Agregar barras de error verticales a un grafico 2D.
eval3d - Valores de una funci
on sobre una grilla.
evans - Lugar de races de Evans.
gainplot - Gr
afico de magnitud.
getlinestyle - Di
alogo para seleccionar el estilo de lnea.
getmark - Di
alogo para seleccionar las marcas del grafico.
getsymbol - Di
alogo para seleccionar los smbolos y sus tama
nos para graficos.
graduate - Graduaci
on de los ejes.
graycolormap - Mapa de colores gris lineal.
hist3d - Histograma 3D.
histplot - Histograma.
hotcolormap - Mapa de colores rojo a amarillo.
legends - Leyendas del gr
afico.
nyquist - Gr
afico de Nyquist.
param3d - Gr
afico 3D de una curva (parametrica).
plot - Gr
afico simple.
plot2d - Gr
afico 2D.
plot2d1 - Gr
afico 2D (con ejes logartmicos)
plot2d2 - Gr
afico 2D (de escalera)
plot2d3 - Gr
afico 2D (con barras verticales)
plot2d4 - Gr
afico 2D (Con flechas verticales)
plot3d - Gr
afico 3D de una superficie.
plzr - Gr
afico de polos y ceros.
polarplot - Gr
afico en coordenadas polares.
replot - Redibuja la ventana de dibujo actual con nuevos lmites.
sgrid - Grilla de lneas en el plano s.
subplot - Divide una ventana grafica en una matriz de sub ventanas.
titlepage - Agrega un ttulo a la ventana de dibujo.
winsid - Devuelve una lista de las ventanas de dibujo.
xaxis - Dibuja un eje.
xbasc - Limpia una ventana grafica y borra los graficos asociados.
xbasimp - Enva gr
aficos a una impresora Postscript o a un archivo.
xbasr - Redibuja una ventana grafica
xclear - Borra una ventana grafica.
xgrid - Agrega una grilla a un grafico 2D.
xload - Carga un gr
afico grabado.
xsave - Graba gr
aficos a un archivo.
Introducci
on a las Se
nales y los Sistemas Discretos
213
B.8.
-
det - Determinante.
exp - Exponencial elemento a elemento.
expm - Exponencial de una matriz cuadrada.
inv - Inversa de una matriz.
linsolve - Resoluci
on de ecuaciones lineales.
orth - Base ortogonal.
pinv - Pseudoinversa.
rank - Rango de una matriz.
svd - Descomposici
on en valores singulares.
B.9.
-
Polinomios
B.11.
-
No lineal
B.10.
-
Programaci
on
ans - Ultima
respuesta.
apropos - Busca palabras clave en la ayuda de SCiLab.
backslash (\\) - Divisi
on por la izquierda de matrices (premultiplicacion por inversa).
break - Comando para interrumpir bucles.
call - Llamada a subrutinas.
case - Comando para seleccionar entre varias opciones.
clear - Elimina variables.
clearglobal - Elimina variables globales.
colon (:) - Operador de Rango.
comments - Comentarios.
else - Palabra clave de las sentencia if-then-else.
elseif - Palabra clave de la sentencia if-then-else.
end - Palabra clave de fin.
exec - Ejecuci
on de un archivo de script.
214
B.12.
-
convstr - Conversi
on de may
usculas/min
usculas.
emptystr - Cadena de longitud cero.
length - Tama
no de un objeto.
part - Extracci
on de subcadenas.
strcat - Concatenar cadenas de caracteres.
strindex - Buscar la posici
on de una cadena dentro de otra.
stripblanks - Eliminar los espacios en blanco al inicio y al final de una cadena.
strsubst - Sustituir una cadena de caracteres por otra dentro de una cadena.
B.13.
-
Cadenas de caracteres
Utilidades
Introducci
on a las Se
nales y los Sistemas Discretos
215
216
Ap
endice C
Comandos de MatLab (v4.2)
C.1.
Comandos de prop
osito general
C.1.1.
Comandos b
asicos
help - Documentaci
on On-line.
doc - Carga la documentaci
on Hipertextual.
what - Listado de directorios de los archivos .M, .MAT y .MEX.
type - Mostrar un archivo .M.
lookfor - B
usqueda por palabra clave en la base de datos de ayuda.
which - Localiza funciones y archivos.
demo - Ejecuta demos.
path - Control del
arbol de directorios de b
usqueda de MatLab.
C.1.2.
-
C.1.3.
-
217
C.1.4.
-
C.1.5.
C.2.
Gr
aficos bidimensionales
C.2.1.
Gr
aficos X-Y elementales
plot - Gr
afico Lineal.
loglog - Gr
afico logartmico en ambos ejes.
semilogx - Gr
afico semilogartmico en el eje X.
semilogy - Gr
afico semilogartmico en el eje Y.
C.2.2.
-
polar - Gr
afico en Coordenadas Polares.
bar - Gr
afico de Barras.
stem - Gr
afico de secuencias discretas.
stairs - Gr
afico de Escalera.
errorbar - Gr
afico con barras de error.
hist - Histograma.
fplot - Graficaci
on de Funciones implcitas.
C.2.3.
-
Gr
aficos X-Y especializados
Referenciaci
on de gr
aficos
218
C.3.
An
alisis de se
nales
C.3.1.
Operaciones b
asicas
C.3.2.
C.3.3.
Correlaci
on
- subspace - Angulo
entre subespacios.
C.3.4.
-
C.3.5.
-
Filtrado y convoluci
on
Transformadas de Fourier
Introducci
on a las Se
nales y los Sistemas Discretos
219
C.4.
Funciones matem
aticas elementales
C.4.1.
Trigonom
etricas
sin - Seno.
sinh - Seno Hiperb
olico.
asin - Arco Seno.
asinh - Arco Seno Hiperb
olico.
cos - Coseno.
cosh - Coseno Hiperb
olico.
acos - Arco Coseno.
acosh - Arco Coseno Hiperb
olico.
tan - Tangente.
tanh - Tangente Hiperb
olica.
atan - Arco Tangente.
atan2 - Arco tangente corregida para los 4 cuadrantes.
atanh - Arco Tangente Hiperb
olica.
sec - Secante.
sech - Secante Hiperb
olica.
asec - Arco Secante.
asech - Arco Secante Hiperb
olica.
csc - Cosecante.
csch - Cosecante Hiperb
olica.
acsc - Cosecante Inversa.
acsch - Cosecante Hiperb
olica Inversa.
cot - Cotangente.
coth - Cotangente Hiperb
olica.
acot - Cotangente Inversa.
acoth - Cotangente Inversa Hiperbolica.
C.4.2.
-
exp - Exponencial.
log - Logaritmo Natural.
log10 - Logaritmo base 10.
sqrt - Raz Cuadrada.
C.4.3.
-
Complejos
abs - M
odulo (valor absoluto para reales).
angle - Angulo
de Fase.
conj - Complejo conjugado.
imag - Parte Imaginaria.
real - Parte Real.
C.4.4.
-
Exponenciales
Num
ericas
220
C.5.
C.5.1.
Matrices elementales
C.5.2.
-
ans - Ultima
respuesta.
eps - Precisi
on de punto flotante.
realmax - Mayor n
umero de punto flotante.
realmin - Menor n
umero positivo de punto flotante.
pi - 3.1415926535897....
i, j - Unidad imaginaria.
inf - Infinito.
NaN - Constante utilizada cuando se encuentra una indeterminacion (Not-a-Number).
flops - N
umero de operaciones de punto flotante.
nargin - N
umero de argumentos de entrada de una funcion.
nargout - N
umero de argumentos de salida de una funcion.
version - N
umero de Versi
on de MatLab.
C.5.3.
-
Horas y fechas
clock - Hora.
cputime - Tiempo de CPU pasado.
date - Fecha.
etime - Tiempo pasado desde el inicio.
tic, toc - Iniciar o parar las funciones de timer.
C.5.4.
-
Manipulaci
on de matrices
Introducci
on a las Se
nales y los Sistemas Discretos
221
C.6.
Toolbox de procesamiento de se
nales
C.6.1.
Generaci
on de formas de onda
diric - Funci
on de Dirichlet (Sinc Periodico).
sawtooth - Funci
on diente de sierra.
sinc - Funci
on Sinc ( sin(pi*x)/(pi*x)).
square - Funci
on rectangular periodica.
C.6.2.
-
abs - Magnitud.
angle - Angulo
de Fase.
conv - Convoluci
on.
fftfilt - Filtrado en dominio frecuencial.
filter - Filtrado unidimensional.
filtfilt - Filtrado con un filtro de fase cero.
filtic - Determinar Condiciones Iniciales de un filtro.
freqs - Respuesta en frecuencia a partir de la transformada de Laplace.
freqspace - Espaciado en frecuencias para la respuesta en frecuencias.
freqz - Respuesta en frecuencia a partir de la transformada Z.
grpdelay - Retardo de Grupo.
impz - Respuesta al impulso discreta.
zplane - Gr
afico de polos y ceros discreto.
C.6.3.
-
Dise
no de filtros digitales IIR
besself - Dise
no de filtro analogico de Bessel.
butter - Dise
no de filtro de Butterworth.
cheby1 - Dise
no de filtro de Chebyshev tipo I.
cheby2 - Dise
no de filtro de Chebyshev tipo II.
ellip - Dise
no de filtro Elptico.
yulewalk - Dise
no de filtro por el metodo de Yule-Walker.
C.6.4.
-
An
alisis e implementaci
on de filtros
Selecci
on del orden de filtros IIR
buttord - Selecci
on del orden de filtros de Butterworth.
cheb1ord - Selecci
on del orden de filtros de Chebyshev tipo I.
cheb2ord - Selecci
on del orden de filtros de Chebyshev tipo II.
ellipord - Selecci
on del orden de filtros Elpticos.
C.6.5.
Dise
no de filtros FIR
- fir1 - Dise
no de filtros FIR por ventanas - pasabajos, pasaaltos, pasabanda,
rechazabanda.
- fir2 - Dise
no de filtros FIR por ventanas - Respuesta Arbitraria.
- firls - Dise
no de filtros FIR - Respuesta arbitraria con bandas de transicion.
- intfilt - Dise
no de filtros interpoladores.
- remez - Dise
no de filtros FIR
optimos por metodo de Parks-McClellan.
- remezord - Selecci
on del orden de filtros FIR de Parks-McClellan.
222
C.6.6.
-
C.6.7.
-
Procesamiento estadstico de se
nales
C.6.8.
-
Transformadas
Ventanas
C.6.9.
Modelado param
etrico
C.6.10.
-
Operaciones especializadas
Introducci
on a las Se
nales y los Sistemas Discretos
223
C.6.11.
-
C.6.12.
-
lp2bp
lp2bs
lp2hp
lp2lp
Traslaciones en frecuencia
Pasabajos
Pasabajos
Pasabajos
Pasabajos
C.6.13.
a
a
a
a
Pasabanda.
Rechaza-Banda.
Pasaaltos.
Pasabajos.
Discretizaci
on de filtros
- bilinear - Transformaci
on lineal con compensacion de fase opcional.
- impinvar - Transformaci
on invariante al impulso.
224