DEPARTAMENTO DE ELÉCTRICA Y ELECTRÓNICA

PROCESAMIENTO DIGITAL DE SEÑALES.

Trabajo grupal #1

GRUPO 1

NRC: 2242

TEMA: UNA INTRODUCCIÓN AL MUESTREO COMPRESIVO.

DOCENTE:

DR. RUBÉN DARIO LEÓN VÁSQUEZ PhD.

AUTORES:

NICOLÁS NÚÑEZ

JHOAN ÍÑIGUEZ

Sangolquí, 31 de octubre del 2017

 PROCESAMIENTO DIGITAL DE SEÑALES.

Reporte #1

Una introducción al muestreo compresivo.

Durante la vida del procesamiento de señales, se ha realizado el muestreo de señales

de todo tipo, haciendo uso del famoso teorema de Nyquist, en dónde se propone que el

rango de muestreo tiene que ser al menos 2 veces la frecuencia de la señal. Pero por otro

lado nuevas teorías establecen que se puede recuperar completamente cierto tipo de

señales utilizando muchas menos muestras a las propuestas en los métodos tradicionales.

Es decir que se propone una nueva forma de realizar muestreo, para sistemas en donde

las frecuencias de borde no existen y el teorema de Nyquist no permite un tratamiento

adecuado.

La ventaja que nos ofrece es que en señales del tipo dispersas que presentan anchos de

banda con muy altas frecuencias en donde el teorema de Nyquist exige una frecuencia de

muestre muy alta, se da apertura a métodos de muestreo más eficientes y más detallados

a diversos ámbitos de análisis.

Esta nueva forma es llamada la teoría del muestreo compresivo, también conocida

como censado compresivo, C.P., el cual permite la reducción, almacenamiento y

recuperación de señales, imágenes, etc., con base en el principio de dispersión que busca

reducir el rango de la señal analizada a un rango extremadamente más pequeño a partir

de los picos de mayor energía formando una matriz, así como, en el principio de

incoherencia que analiza la dispersión de la señal en el dominio en el que se encuentre

propuesta, observando una representación extremadamente densa.

 Lo que se busca es hacer uso de herramientas matemáticas e informáticas para hacer

posible este análisis de muestreo, modelarlo y recuperar información sin mayores

pérdidas.

De manera más específica, el principio de dispersión dice que, dentro de una señal

natural expresada en su transformada de Wavelet, la cual nos da información del espectro

de frecuencias en el tiempo, podemos obtener los coeficientes de Wavelet que representan

los valores de mayor amplitud y resumirlos en una sola señal. Dependiendo del

coeficiente, hay elementos de la señal que dan un mayor aporte de información y otros

que su aporte es prácticamente nulo. Apoyándose en esta herramienta, los algoritmos de

compresión eliminan los valores de menor amplitud y, por lo tanto, en teoría se estaría

perdiendo información del fenómeno de análisis. Sin embargo, para muchas aplicaciones

prácticas al momento de recuperar la señal analizada con base en el resumen de muestras

obtenido, estas pérdidas son prácticamente invisibles.

Este principio permite realizar una reducción de la información, de tal manera, que se

facilite su procesamiento, almacenamiento y recuperación.

De forma complementaria, el principio de incoherencia nos dice que, a diferencia de

la señal de interés, la cual es dispersa, la señal resultante de muestreo y censado tiene una

representación extremadamente densa en su dominio.

Esto comprende que al momento de analizar una señal la cual posee ruido blanco, esta

tendrá una componente de alta frecuencia lo que conlleva a una mayor dispersión de la

señal en un dominio frecuencia, permitiendo mayor densidad.

La principal observación de estos dos principios, es que se puede diseñar protocolos

de muestreo los cuales capten la información primordial de forma más eficiente dentro de

señales dispersas, y la condensen como pequeñas cantidades de información.

 A su vez, esta pequeña cantidad de información puede ser procesada utilizando

optimización numérica para recuperar la señal original en su totalidad.

Aplicándose estos conceptos, la CP se la definiría como un protocolo concreto de

censado, muestreo y compresión simultáneo de información.

Una de las consideraciones que la CP realiza para poder basar el desarrollo de su teoría,

es el enfoque directo en señales discretas 𝑓 ∈ ℝ{𝑛} , esto viene dado debido a que el

estudio de señales discreta permite un acercamiento más real al análisis instantáneo de un

fenómeno. Sobre esta base nace la idea de pensar en el sub-muestreo que no es más que

la división de las muestras “n” en muestras más pequeñas “m”. Al rededor del sub-

muestreo giran los conceptos de mayor rango de datos de la señal, así como un

mejoramiento de la exactitud de la recuperación de una señal, como por el otro lado, un

aumento exponencial de sistemas de censado.

La CP posee una característica que refiere ante la eficiencia de los sensores para

capturar información, así como la habilidad de los algoritmos de poder recuperar la señal

de interés con base en el mismo algoritmo previamente usado, con la peculiaridad de

realizar la tarea en mucho menos tiempo debido a la dispersión de la señal sin la necesidad

de modificar el algoritmo para recibir este tipo de señales.

Este procedimiento se ve inmerso en una gama muy amplia de aplicaciones, las cuales

se ven beneficiadas por su alta eficiencia, a continuación:

• Compresión de datos, de tal manera que se realice una estrategia de

codificación de datos universal.

• Codificación de canales, en donde se aplica un método interesante, en el que

se invierten los papeles de CP para crear códigos correctores de errores fatales

como si fueran los reales, en pro de crear un sistema de seguridad.

 • Adquisición de información. En donde, considerando los complicados que se

vuelven los sistemas de muestreo, se crean dispositivos de grabación discreta

de datos y muestreo.

• Uno de los ejemplos más claros es la codificación de canales en la cual,

utilizamos las propiedades presentes en la CP para diseñar códigos más rápidos

para la detección y corrección de errores, mejorando por tanto la calidad y

velocidad de transmisión de datos.

Este sistema de muestreo ha tenido su impacto matemático y computacional en donde

normalmente, los sistemas físicos se han visto limitados tales como la tecnología CCD y

CMOS, ya que como limitación tienen un rango de trabajo específico del rango de

frecuencias visibles, mientras que otros dispositivos generados por CP, tienen la

propiedad de tomar medidas de incoherencia usando un arreglo de microvidrio. Dando

apertura a nuevas competencias en el mercado.