Está en la página 1de 75

TEMA 4

Tratamiento digital de señales mediante procesadores embebidos.

4.1.- Caracterización de señales analógicas y digitales. 4.2.- Discretización de señales analógicas. Conversión A/D y D/A. 4.3.- Introducción al procesado digital de señales

(c) Benito Úbeda Miñarro Universidad de Murcia

4.1.- Caracterización de señales analógicas y digitales.

Definición de Señal

Las señales son patrones de variación que representan información codificada. – Una señal se define como una magnitud física que varía con el tiempo el espacio o cualquier otra variable independiente y permite transmitir información. – En adelante suponemos señales eléctricas, donde la magnitud que se representa es la tensión o la corriente eléctricas.

Ejemplos:

El sonido es una función de una variable, el tiempo. Para cada instante de tiempo (variable independiente) existe un valor único de la función (variable dependiente). – Una imagen es un función de dos variables (x,y), o si está en movimiento de tres variables (x,y,t) que toma un valor que codifica el color RGB del punto en cada instante.

2

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

Tipos de señales

Señales continuas y discretas.

Analógicas, x(t) :

Amplitud y Tiempo continuos.

Cuantizada, x Q (t) :

Tiempo Continuo, Amplitud discreta.

x Q (t) : Tiempo Continuo, Amplitud discreta . Muestreadas, x s [n] : Tiempo Discreto,

Muestreadas, x s [n] :

Tiempo Discreto, Amplitud continua.

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

Digital, x Q [n] :

Tiempo y Amplitud discretos.

3

Clasificación de señales

Por su periodicidad
Por su periodicidad

Aperiodicas: No existe ningún patrón de repetición.

Aperiodicas : No existe ningún patrón de repetición. Periódicas : Aquellas que verifican x p (t)
Aperiodicas : No existe ningún patrón de repetición. Periódicas : Aquellas que verifican x p (t)

Periódicas: Aquellas que verifican x p (t) = x p (t±nT), donde T es el periodo de repetición y n es un entero.

p (t) = x p (t±nT), donde T es el periodo de repetición y n es
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)
p (t) = x p (t±nT), donde T es el periodo de repetición y n es

4

Clasificación de señales

Por su simetría
Por su simetría

Basadas en simetrías

Simetría Par:

x(t) = x(-t)

Simetría Impar:

x(t) = -x(-t)

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)
5
5

5

Clasificación de señales

Por su potencia o energía
Por su potencia o energía

Energía de una señal x(t) :

Potencia de una señal x(t) :

Energía de una señal x(t) : Potencia de una señal x(t) : Una señal está definida

Una señal está definida en términos de energía si Ex es finita, lo que implica que Px es 0.

Ej. Pulsos limitados en el tiempo.

Una señal está definida en términos de potencia si Px es finita, lo que implica que Ex es infinita.

Ej. Una señal periódica.

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

6

Señales elementales

Señales elementales © Benito Úbeda (Univ. Murcia) 7
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

7

Expresión matemática

Analógicas

Discretas

Expresión matemática Analógicas Discretas © Benito Úbeda (Univ. Murcia) 8
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

8

Procesamiento básico (Transformaciones)

Desplazamiento en el tiempo:

Señal adelantada y retrasada en el tiempo

x(t-t 0 ), desplazamiento a la derecha. (Retrasada) x(t+t 0 ), desplazamiento a la izquierda. (Adelantada)

Reflexión:

Inversión en el tiempo de x(t) = x(-t)

Cambios lineales de escala en la variable independiente:

Compresión en el tiempo de x(t) = x(2t) – Dilatación en el tiempo de x(t) = x(t/2)

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

9

Ejemplo 1 DESPLAZAMIENTO x(t) 1 1/2 t x(t) x(t-2) 1 1/2
Ejemplo 1
DESPLAZAMIENTO
x(t)
1
1/2
t
x(t)
x(t-2)
1
1/2
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)
Ejemplo 1 DESPLAZAMIENTO x(t) 1 1/2 t x(t) x(t-2) 1 1/2 © Benito Úbeda (Univ. Murcia)
Ejemplo 1 DESPLAZAMIENTO x(t) 1 1/2 t x(t) x(t-2) 1 1/2 © Benito Úbeda (Univ. Murcia)

10

Expresión matemática a partir de señales básicas

Rampa
Rampa
Pulso
Pulso
Triangular
Triangular
Sinc
Sinc
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)
Expresión matemática a partir de señales básicas Rampa Pulso Triangular Sinc © Benito Úbeda (Univ. Murcia)
Expresión matemática a partir de señales básicas Rampa Pulso Triangular Sinc © Benito Úbeda (Univ. Murcia)
Expresión matemática a partir de señales básicas Rampa Pulso Triangular Sinc © Benito Úbeda (Univ. Murcia)

11

Propiedades

Señales continuas
Señales continuas
Señales discretas
Señales discretas
Propiedades Señales continuas Señales discretas © Benito Úbeda (Univ. Murcia) 12
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

12

4.2.- Discretización o digitalización de señales analógicas. Conversión A/D y D/A.

La digitalización de una señal analógica trae consigo una discretización tanto en el dominio temporal como en el de la amplitud. • El resultado es una secuencia de N números x(n) que indican la amplitud que tenía la señal analógica en el instante de muestreo. El índice n nos indica el numero de la muestra que irá desde el instante inicial, n=0, hasta el instante final, N-1. • Las muestras se toman cada periodo de muestreo, Ts segundos. Es el denominado muestreo uniforme. • Cada muestra se codifica con un valor entero o fraccional de B bits.

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

13

DIGITALIZACION x(nTs) x(n) x(t) Q[n] N bits p(t) t Ts
DIGITALIZACION
x(nTs)
x(n)
x(t)
Q[n]
N bits
p(t)
t
Ts
Conversor analógico digital (A/D)
Conversor analógico digital (A/D)
Muestreo y retención Cuantificación
Muestreo y retención
Cuantificación
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)
t Ts Conversor analógico digital (A/D) Muestreo y retención Cuantificación © Benito Úbeda (Univ. Murcia) 14

14

x(t)  x(n) Ts=1/fs
x(t)  x(n)
Ts=1/fs

t

Conversión A/D

PARÁMETROS
PARÁMETROS
x(n) d e Secuencia … c b a
x(n)
d
e
Secuencia
c
b
a

Periodo de muestreo Ts, Frecuencia de muestreo, f s Bits de cuantificación, N

n

x(n)=[a b c d e f g h i j k]

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

15

Cuantificación: Formatos integer y fraccional (usados en dsPIC)

Cuantificación: Formatos integer y fraccional (usados en dsPIC) © Benito Úbeda (Univ. Murcia) 16
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

16

Tren de deltas. Indica que cada Ts segundos se produce un muestreo F s =1/T
Tren de deltas. Indica que
cada Ts segundos se produce
un muestreo
F s =1/T s
que cada Ts segundos se produce un muestreo F s =1/T s Modelado matemático del proceso
que cada Ts segundos se produce un muestreo F s =1/T s Modelado matemático del proceso

Modelado matemático del proceso de muestreo ideal

Señal analógica de entrada.

del proceso de muestreo ideal Señal analógica de entrada. Señal muestreada. Una vez cuantificada se genera
del proceso de muestreo ideal Señal analógica de entrada. Señal muestreada. Una vez cuantificada se genera

Señal muestreada. Una vez cuantificada se genera una secuecia

analógica de entrada. Señal muestreada. Una vez cuantificada se genera una secuecia © Benito Úbeda (Univ.
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

17

Análisis del proceso de muestreo (I)

Como cualquier proceso, debemos estudiarlo para proceder a caracterizarlo y extraer conclusiones pertinentes. En primer lugar se necesita conocer el contenido en frecuencias de la señal muestreada. Para ello hay que calcular la Transformada de Fourier a x s (t)

X(f)=TF [x(t)] f -B B
X(f)=TF [x(t)]
f
-B
B
f -B B
f
-B
B
-2f s
-2f s
-f s
-f s

0

f s
f s
2f s
2f s

La señal original tiene un espectro limitado a B Hz, denominado banda base.

Conclusiones obtenidas: - El espectro es periódico, de periodo fs. - Se traslada la banda
Conclusiones obtenidas:
- El espectro es periódico, de periodo fs.
- Se traslada la banda base en torno a todos los múltiplos enteros de la frecuencia de muestreo.

Esto implica que el muestreo es un proceso NO LINEAL

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

18

Análisis del proceso de muestreo (II)

Se trata de un proceso NO LINEAL porque aparecen frecuencias a la salida (color naranja) que no estaban a la entrada (Banda Base, color azul).

Para poder RECONSTRUIR de nuevo la señal original, con toda su información, debemos ser capaces
Para poder RECONSTRUIR de nuevo la señal original, con toda su información, debemos
ser capaces de eliminar, mediante un filtro paso bajo, las frecuencias que no pertenecen a
la banda base (color naranja).
-B B f 0 -2f s -f s f 2f s s
-B
B
f
0
-2f s
-f s
f
2f s
s
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)
X(f)=TF [x(t)] f -B B
X(f)=TF [x(t)]
f
-B
B

19

Análisis del proceso de muestreo (III)

Frecuencia de Nyquist
Frecuencia de Nyquist
Para poder RECONSTRUIR la relación entre la frecuencia de muestreo y el ancho De la
Para poder RECONSTRUIR la relación entre la frecuencia de muestreo y el ancho
De la banda base debe ser tal que:
-B B f 0 -2f s -f s f 2f s s
-B
B
f
0
-2f s
-f s
f
2f s
s
X(f)=TF [x(t)] f -B B
X(f)=TF [x(t)]
f
-B
B
POSIBLE la reconstrucción © Benito Úbeda (Univ. Murcia)
POSIBLE la reconstrucción
© Benito Úbeda (Univ. Murcia)
-B f B 0 -2f s -f s f 2f s s ALIASING X(f)=TF [x(t)]
-B
f
B
0
-2f s
-f s
f
2f s
s
ALIASING
X(f)=TF [x(t)]
f
-B
B
(Univ. Murcia) -B f B 0 -2f s -f s f 2f s s ALIASING X(f)=TF

IMPOSIBLE la reconstrucción 20

Análisis del proceso de muestreo (IV)

Teorema del muestreo

Una señal x (t) con un espectro limitado a la frecuencia B ( |f| < B ) puede ser muestreada sin pérdida de información si la frecuencia de muestreo f S supera la cantidad 2B, es decir f S 2B.

Si se muestrea a una frecuencia menor tiene lugar el fenómeno denominado “aliasing” o solapamiento de espectros. – Si se muestrea de acuerdo al teorema existe un proceso de reconstrucción que garantiza la reproducción exacta de la señal continua x(t) a partir de sus muestras x[n].

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

21

Reconstrucción. Conversión D/A Muestras, x[n] D/A
Reconstrucción. Conversión D/A
Muestras, x[n]
D/A
Señal reconstruida x(t)
Señal reconstruida x(t)

22

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

Diagrama de bloques del conversor A/D de 12 bits de la familia dsPIC

Diagrama de bloques del conversor A/D de 12 bits de la familia dsPIC © Benito Úbeda
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

23

4.3.- Introducción al procesado digital de señales

•   •   Consiste en realizar procesamiento matemático mediante secuencias de números, x[n]. Se
•  
Consiste en realizar procesamiento matemático mediante
secuencias de números, x[n]. Se emplean para ello
microprocesadores digitales. Se requiere modelar y
caracterizar matemáticamente diferentes sistemas.
TEORIA DE SISTEMAS LINEALES E INVARIANTES EN EL
TIEMPO (LTI)
–   Es la base del procesamiento digital de señales.
–   Se aplica el principio de superposición.
–   Vienen caracterizados por su respuesta al impulso.
–   Operaciones como la convolución son de gran utilidad.
–   Modelos válidos tanto para señales analógicas como digitales.
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

24

x

y

T[.]
T[.]
x y T[.] Definiciones en procesado de señales •   La señal o señales a ser
x y T[.] Definiciones en procesado de señales •   La señal o señales a ser

Definiciones en procesado de señales

La señal o señales a ser procesadas forman la excitación o entrada x del sistema. • La señal procesada y es la respuesta o salida y del sistema.

Dominios de interés:

El análisis de sistemas implica el estudio de la respuesta del sistema a entradas conocidas. • La síntesis de sistemas se realiza especificando las salidas que deseamos para una entradas dadas y estudiando que sistema es el más adecuado (Identificación de sistemas).

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

25

•   Un sistema lo definimos como: •   –   x(t) h(t) •  
Un sistema lo definimos como:
–  
x(t)
h(t)
•  
x[n]
h[n]
como: •   –   x(t) h(t) •   x[n] h[n] Modelado y definición de sistemas

Modelado y definición de sistemas

Un conjunto de dispositivos conectados entre si, cuyo funcionamiento está sujeto a ciertas leyes físicas. – Todo aquello que realiza un procesamiento sobre una señal, es decir, un procesador de señal La representación de un sistema continuo se realiza mediante ecuaciones diferenciales.

Se relaciona la salida, y(t), con la entrada, x(t), mediante constantes, parámetros y variables independientes (tiempo).

constantes, parámetros y variables independientes (tiempo). Analógico y(t) La representación de un sistema discreto se

Analógico

y(t)

La representación de un sistema discreto se realiza por su ecuación en diferencias

y[n]

Digital

de un sistema discreto se realiza por su ecuación en diferencias y[n ] Digital 26 ©

26

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

Propiedades de los sistemas

Los sistemas pueden ser:

Continuos o Discretos Lineales o No lineales Invariantes en el tiempo o variantes con el tiempo Con memoria o sin memoria Invertibles o no invertibles Causales o no causales Estables o inestables

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

27

y
y
x Sistema Lineal
x Sistema
Lineal
y x Sistema Lineal Sistemas lineales Un sistema, se dice lineal, si a la salida no

Sistemas lineales

Un sistema, se dice lineal, si a la salida no aparecen componentes de frecuencia que no estaban a la entrada. Formalmente, debe cumplir con las propiedades de aditividad y escalonamiento:

Sea y 1 la respuesta a x 1 e y 2 la respuesta a x 2

ADITIVIDAD: si x=x 1 +x 2 entonces la salida será y=y 1 +y 2
ADITIVIDAD: si x=x 1 +x 2 entonces la salida será y=y 1 +y 2
ESCALONAMIENTO: si la entrada vale x=kx 1 entoces y=ky 1
ESCALONAMIENTO: si la entrada vale x=kx 1 entoces y=ky 1
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

28

Sistemas lineales e invariantes con el tiempo (Linel Time Invariant, LTI)

El sistema es invariante en el tiempo si su respuesta no depende del Instante en que se aplica la entrada.

x(t)
x(t)
Sistema x y y(t) Lineal Invariante
Sistema
x
y
y(t)
Lineal
Invariante
x(t-t 0 ) t 0
x(t-t 0 )
t
0
y(t-t 0 ) t 0
y(t-t 0 )
t
0
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

29

Sistemas LTI δ(t) y(t)  h(t) Sistema x y Lineal Invariante
Sistemas LTI
δ(t)
y(t)  h(t)
Sistema
x
y
Lineal
Invariante

Si conocemos la respuesta al impulso, seremos capaces de conocer la respuesta a cualquier entrada.

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

30

Sistemas LTI x(t) y(t)=x(t)*h(t) LTI h(t)
Sistemas LTI
x(t)
y(t)=x(t)*h(t)
LTI
h(t)

x(n)

y(n)=x(n)*h(n)

En un sistema LTI, la respuesta y(t) ante cualquier entrada se puede calcular mediante la denominada integral de convolución:

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

Sistema analógico

Sistema discreto

31

Convolución discreta

Mediante el empleo de microprocesadores solo podemos implementar la Convolución discreta.

Su expresión es conocida como SUMA de convolución:

Su expresión es conocida como SUMA de convolución : Mediante la convolución , somos capaces de
Su expresión es conocida como SUMA de convolución : Mediante la convolución , somos capaces de
Su expresión es conocida como SUMA de convolución : Mediante la convolución , somos capaces de

Mediante la convolución, somos capaces de

conocer la respuesta de

un sistema LTI, conocida la respuestaal impulso, h(n). Cumple la propiedad conmutativa, y por tanto la expersión siguiente también es valida

y por tanto la expersión siguiente también es valida Si las secuencias tienen una longitud M
y por tanto la expersión siguiente también es valida Si las secuencias tienen una longitud M
y por tanto la expersión siguiente también es valida Si las secuencias tienen una longitud M

Si las secuencias tienen una longitud M y N, la salida tiene una longitud M+N

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

32

Propiedades de la convolución analógica

La convolución analógica cumple con una serie de propiedades, expresadas matemáticamente mediante las siguiente ecuaciones:

serie de propiedades, expresadas matemáticamente mediante las siguiente ecuaciones: © Benito Úbeda (Univ. Murcia) 33
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

33

Propiedades de la convolución discreta

Igualmente, en el mundo digital, las propiedades son las mismas, solo que Cambiando las integrales por sumatorios.

las propiedades son las mismas, solo que Cambiando las integrales por sumatorios. © Benito Úbeda (Univ.
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

34

Convolución grafica

Convolución grafica © Benito Úbeda (Univ. Murcia) 35
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

35

Métodos para calculo de la convolución discreta

Método de la tira deslizante. • Método de la suma por columnas • Método de la malla.

Ejemplo:

x([n]=[3 1 2 -1]

h[n]=[1 2 3]

y[n]=x[n]*h[n]=[3 7 13 6 4 -3]

MatLab:

y=conv(x,h)

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)
x([n]=[3 1 2 -1] h[n]=[1 2 3] y[n]=x[n]*h[n]=[3 7 13 6 4 -3] MatLab: y=conv(x,h) ©

36

Convolución discreta gráfica

Convolución discreta gráfica © Benito Úbeda (Univ. Murcia) 37
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

37

Correlación de dos señales

Operación parecida a la convolución, que mide el parecido entre dos señales.

convolución , que mide el parecido entre dos señales . No cumple la propiedad conmutativa ,
convolución , que mide el parecido entre dos señales . No cumple la propiedad conmutativa ,
convolución , que mide el parecido entre dos señales . No cumple la propiedad conmutativa ,

No cumple la propiedad conmutativa, por lo que se defien dos expresiones. Su valor solo coincide en el origen, k=0.

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

38

Autocorrelación

Es la correlación de una señal consigo misma. Nos mide el parecido de una señal con una versión desplazada de ella misma.

de una señal con una versión desplazada de ella misma. Presenta un máximo en el origen
de una señal con una versión desplazada de ella misma. Presenta un máximo en el origen

Presenta un máximo en el origen, es decir, cuando n=0. Es simétrica, es decir Rxx(-k)=Rxx(k)

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

39

x(n) y(n) T
x(n)
y(n)
T

Implementación de sistemas Discretos

La mayor parte de los sistemas de interés se pueden considerar Como Lineales e Invariantes en el tiempo (LTI)

Las señales son secuencias de números (muestras) x(n), h(n), y(n),…

Empleamos ecuaciones en diferencias para representar las transformaciones que sufre la señal de entrada:

las transformaciones que sufre la señal de entrada: Donde es fácil comprobar que se cumplen las

Donde es fácil comprobar que se cumplen las condiciones de linealidad e Invariancia temporal.

40

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)
–   No recursivos –   Recursivos Implementación de sistemas discretos •   Se pueden

No recursivos – Recursivos

–   No recursivos –   Recursivos Implementación de sistemas discretos •   Se pueden clasificar

Implementación de sistemas discretos

Se pueden clasificar según como sea la respuesta al impulso h(n), que sabemos representa a estos sistemas:

Sistemas FIR: Finite Impulse Response – Sistemas IIR: Infinite Impulse Response

En cuanto a su realización, podemos hablar de sistemas:

F[x(n), x(n-1), ,x(n-M)]

F[x(n), x(n-1), ,x(n-M)]
F[x(n), x(n-1), ,x(n-M)]
F[x(n), x(n-1), ,x(n-M)]
F[y(n-1), ,y(n-N), x(n), x(n-1), ,x(n-M)] z -1
F[y(n-1), ,y(n-N),
x(n), x(n-1), ,x(n-M)]
z
-1
de sistemas: F[x(n), x(n-1), ,x(n-M)] F[y(n-1), ,y(n-N), x(n), x(n-1), ,x(n-M)] z -1 © Benito Úbeda (Univ.
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)
Descripción de los sistemas LTI discretos: grafos b 1 + z -1 x(n) x(n-1) x(n)
Descripción de los sistemas LTI discretos:
grafos
b 1
+
z -1
x(n)
x(n-1)
x(n)
b 1 x(n)
multiplicador
Retardo
Sumador
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

42

x(n) x(n-1) x(n-2) x(n-3)
x(n)
x(n-1)
x(n-2)
x(n-3)

Ejemplos: Filtro FIR, 3 etapas

x(n) x(n-1) x(n-2) x(n-3) Ejemplos: Filtro FIR, 3 etapas Z -1 Z -1 Z -1 b
Z -1 Z -1 Z -1 b 0 b 1 b b 3 2 y(n)
Z -1
Z -1
Z -1
b 0
b 1
b
b 3
2
y(n)
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

43

Ejemplos: Filtro IIR

FORMA DIRECTA I v(n)

x(n) b 0 y(n) Z -1 Z -1 b 1 a 1 x(n-1) Z -1
x(n)
b 0
y(n)
Z
-1
Z
-1
b 1
a 1
x(n-1)
Z
-1
Z
-1
x(n-2)
b M-1
a y(n-2)
N-1
Z -1
Z -1
b M
x(n-M)
a N
© Benito Úbeda (Univ. Murcia)

y(n-1)

44

FORMA DIRECTA II

w(n)

b

y(n)

FORMA DIRECTA II w(n) b y(n) 0 Z -1 b 1 a 1 Z -1 b
0 Z -1 b 1 a 1 Z -1 b N-1 a N-1 Z -1
0
Z
-1
b 1
a 1
Z
-1
b N-1
a N-1
Z
-1
b N
a N

Ejemplos: Filtro IIR, orden N

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

45

Función de transferencia.

TRANSFORMADA Z

x[n]

X(z)

h[n]

y[n]

H(z)

Y(z)

Transformada z de

h[n]

H(z)

Almacenar un dato significa retrasarlo un periodo de muestreo. Al realizar la transformada z se muestra por z -1

SíntesisEncontrar los coeficientes

[a

[b 0 , b 1 , b 2 , …]

1 ,a 2 ,…]

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)
Encontrar los coeficientes [a [b 0 , b 1 , b 2 , …] 1 ,a

46

Agrupación de sistemas

Conexión en cascada (serie):

La función de transferencia global es el producto

H T =H 1 H 2 …H N

global es el producto H T =H 1 H 2 …H N •   Conexión en

Conexión en paralelo:

La función de transferencia global es la suma de las individuales

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

47

Analisis espectral

Discrete Fourier Transform, DFT

La Tranformada de Fourier se puede aplicar a secuencias x(n) para conocer el espectro de la señal de la que provienen:

el espectro de la señal de la que provienen : •   Se trata de una

Se trata de una función periodica y continua en ω, dado que :

de una función periodica y continua en ω , dado que : •   Para poder
de una función periodica y continua en ω , dado que : •   Para poder
de una función periodica y continua en ω , dado que : •   Para poder
de una función periodica y continua en ω , dado que : •   Para poder
de una función periodica y continua en ω , dado que : •   Para poder

Para poder realizar su calculo mediante un ordenador se necesita:

Trabajar con secuencias de un conjunto finito de muestras, N. Volver a muestrear a X( ω) para poder trabajar digitalmente. Se llega así a la DFT

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

48

Algoritmo de la DFT

Se trata de seleccionar un periodo de X(ω) y tomar N muestras equiespaciadas en el intervalo π<ω<π La expresión de la DFT viene dada por:

ω -2 π - π π 2 π f s /2 f -f s -f
ω
-2 π
- π
π
2 π
f
s /2
f
-f s
-f s /2
s
Ventana de N muestras
Solo aportan información
Las primeras N/2 muestras
49
X(k)=[0 1 2 3 … N/2
N-1]
© Benito Úbeda (Univ. Murcia)

Interpretación de la DFT

El conjunto de N valores que forman la DFT son los coeficientes espectrales. – Los coeficientes espectrales son numeros complejos. La densidad espectral de potencia será el modulo al cuadrado.

espectral de potencia será el modulo al cuadrado . –   Solo los primeros N/2 coeficientes

Solo los primeros N/2 coeficientes son de interés, pues el resto son un ‘mirror’ de los primeros. La resolución espectral conseguida depende de la frecuencia de muestreo y del valor de N. Esta vendrá dada por:

de muestreo y del valor de N. Esta vendrá dada por : –   Se necesitan

Se necesitan del orden de N 2 operaciones complejas.

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

50

Propiedades de la DFT

Propiedades de la DFT © Benito Úbeda (Univ. Murcia) 51
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

51

© Benito Úbeda (Univ. Murcia) 52
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

52

© Benito Úbeda (Univ. Murcia) 53
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

53

DFT de una señal de 800 Hz sinusoidal

256 muestras sin(2pi800t)
256 muestras sin(2pi800t)
256 muestras sin(2pi800t) DFT,

DFT,

256 puntos

Fs=8000 Hz

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

54

Algoritmo de la Transformada Rápida de Fourier o Fast Fourier Transform, FFT

Expresión de la DFT El algoritmo de la FFT realiza el calculo de la DFT
Expresión de la DFT
El algoritmo de la FFT realiza el calculo de la DFT de forma muy eficiente, al
reducir enormemente la cantidad de operaciones a realizar. Aprovecha las
propiedades siguientes
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

55

FFT Radix-2: Diezmado en el tiempo

Se reordena la secuencia de entrada x(n) como suma de dos secuencias. La primera en
Se reordena la secuencia de entrada x(n) como suma de dos secuencias.
La primera en base a los indices pares y la segunda con los impares.
Con cada una de estas subsecuencias se realiza la DFT de N/2 puntos y
su resultado se combina para formar la DFT de N puntos:

Vemos que la DFT de N puntos es la suma de dos DFTs de N/2 puntos, que hemos denominado Y)k) y Z(k). Además, cada término Z(k) se multiplica por un factor W N k , denominado ‘Twidle factor’.

Aplicando la periodicidad de Y(k) y Z(k) y teniendo en cuenta que W N k+N/2
Aplicando la periodicidad de Y(k) y Z(k) y teniendo en cuenta que W N k+N/2 =-W N k
Podemos poner:
periodicidad de Y(k) y Z(k) y teniendo en cuenta que W N k+N/2 =-W N k

56

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

FFT Radix-2: Diezmado en el tiempo

Las dos DFT de N/2 puntos se pueden dividir para formar 4 DFTs de N/
Las dos DFT de N/2 puntos se pueden dividir para formar 4 DFTs de N/
4 puntos y así sucesivamente…
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

57

FFT Radix-2: Diezmado en el tiempo

El proceso puede repetirse sucesivamente hasta llegar a calcular la DFT de dos valores x(n).
El proceso puede repetirse sucesivamente hasta llegar a calcular la
DFT de dos valores x(n). Es decir, x(k) y x(k+N/2) para k=0,1, N/2-1
Para una FFT de N=8 puntos, el esquema será el mostrado
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

58

Algoritmo FFT de N puntos, diezmado en el tiempo.

Tabla resumen de caracteristicas:
Tabla resumen de caracteristicas:
diezmado en el tiempo . Tabla resumen de caracteristicas: Por cada butterfly tenemos una multiplicación y

Por cada butterfly tenemos una multiplicación y dos sumas complejas. Hay N/2 butterflies por etapa y log 2 N etapas.

Numero total de multiplicaciones: ½ N log 2 N Numero total de sumas: N log 2 N

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

59

FFT Radix-2: Diezmado en frecuencia

Se reordena la DFT como suma de dos secuencias. La primera en base a la
Se reordena la DFT como suma de dos secuencias. La primera en base
a la primera mitad de los datos y la segunda con la segunda mitad:
en base a la primera mitad de los datos y la segunda con la segunda mitad:
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

Propiedad

60

FFT Radix-2: Diezmado en frecuencia

Se obtiene dividiendo la secuencia de salida, X(k) en dos ecuaciones. Una para los indices
Se obtiene dividiendo la secuencia de salida, X(k) en dos ecuaciones.
Una para los indices pares
Y otra para los indices impares:
Vemos que X(2k) y X(2k+1) son los resultados de la DFT de N/2 puntos realizada con la suma y la
diferencia. De la primera y segunda mitades de la secuencia de entrada, x(n)
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

61

FFT Radix-2: Diezmado en frecuencia

FFT Radix -2: Diezmado en frecuencia © Benito Úbeda (Univ. Murcia) 62
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

62

FFT Radix-2: Diezmado en frecuencia

FFT Radix -2: Diezmado en frecuencia © Benito Úbeda (Univ. Murcia) 63
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

63

FFT Radix-2

Conclusiones

El el caso de diezmado en el tiempo, la secuencia de entrada debe ser reordenada
El el caso de diezmado en el tiempo, la secuencia de entrada debe ser reordenada
y la salida aparece en el orden correcto.
En el caso de diezmado en frecuencia, la secuencia de entrada se pone en su
En el caso de diezmado en frecuencia, la secuencia de entrada se pone en su orden
mientras que hay que reordenar la secuencia de salida.

Bastará con invertir el índice en binario, para conseguir la reordenación:

salida. Bastará con invertir el índice en binario, para conseguir la reordenación: © Benito Úbeda (Univ.
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

64

Otros algoritmos:

Transformada Inversa de Fourier, IDFT
Transformada Inversa de Fourier, IDFT

La IDFT (Inverse Discrete Fourier Transform) se emplea para obtener la señal en el dominio del tiempo a partir de los coeficientes en el dominio de la frecuencia. Aplicaciones típicas son:

Implementar la convolución en sistemas lineales Sintetizadores digitales de señales. Compresión de información –

digitales de señales . –   Compresión de información –   … © Benito Úbeda (Univ.
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)
digitales de señales . –   Compresión de información –   … © Benito Úbeda (Univ.

65

Otros algoritmos:

Transformada Coseno
Transformada Coseno

La DCT (Discrete Cosine Transform) se emplea en compressión de video (ej. MPEG-2).

se emplea en compressión de video ( ej . MPEG-2). •   La DCT inversa (IDCT)
se emplea en compressión de video ( ej . MPEG-2). •   La DCT inversa (IDCT)
se emplea en compressión de video ( ej . MPEG-2). •   La DCT inversa (IDCT)

La DCT inversa (IDCT) se calcula como:

MPEG-2). •   La DCT inversa (IDCT) se calcula como : donde e(k) = 1/sqrt(2) si
MPEG-2). •   La DCT inversa (IDCT) se calcula como : donde e(k) = 1/sqrt(2) si

donde e(k) = 1/sqrt(2) si k = 0; otro caso e(k) = 1. Una DCT de N-Puntos, 1D-DCT, require N 2 operaciones MAC.

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

66

Otros algoritmos:

Cálculos de distancia
Cálculos de distancia

Se emplean típicamente en algoritmos de reconocimiento de

patrones, estimación de movimiento, codificación, Problema: Escoger el vector r k cuya distancia al vector x de entrada

sea mínima. La distancia se define típicamente por las siguientes normas:

La media del valor absoluto de la diferencia (MAD or L 1 norm)

del valor absoluto de la diferencia (MAD or L 1 norm) –   El error cuadrático

El error cuadrático medio (MSE or L 2 norm)

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)
(MAD or L 1 norm) –   El error cuadrático medio (MSE or L 2 norm)

67

Empleo de procesadores digitales de señal DSPs

DSP

Core

A/D Converter

D/A Converter

Instruction

Memory

Data

Memory

Serial Ports

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

68

DSP: Características básicas

Fast Multiply-Accumulate (MAC)

DSP filters and transforms are multiply intensive

Multiple Access Memory

1 Instruction, 2 data per cycle

Specialized Addressing

Fifo, Arrays, Permutations

Specialized Program Control

Efficient loops – Fast Interrupt Handling

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

69

Tipos de DSPs

DSP Fixed Floating Point Point 32 bit 16 bit 20 bit 24 bit Other IEEE
DSP
Fixed
Floating
Point
Point
32 bit
16 bit
20 bit
24 bit
Other
IEEE
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

70

Familia dsPIC

Familia dsPIC © Benito Úbeda (Univ. Murcia) 71
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

71

Respuesta en frecuencia de un filtro FIR implementado con dsPIC

Respuesta en frecuencia de un filtro FIR implementado con dsPIC © Benito Úbeda (Univ. Murcia) 72
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

72

Empleando el dsPIC filter design

Empleando el dsPIC filter design © Benito Úbeda (Univ. Murcia) 73
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

73

Fichero de salida del dsPIC Filter design. Definición de las etapas

Fichero de salida del dsPIC Filter design. Definición de las etapas © Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

74

Referencias

Curso de tratamiento digital de señales. Andoni irizar.

http://www.tecnun.es/asignaturas/tratamiento%20digital/tds5.html

Introduction to digital filters. Julius O. Smith

http://www-ccrma.stanford.edu/~jos/filters/

Fundamentals of signals and systems using the web and Matlab. Kamen Edward; heck, Bonnie. Ed. Prentice Hall (2006)

© Benito Úbeda (Univ. Murcia)
© Benito Úbeda (Univ. Murcia)

75