Está en la página 1de 8

Universidad Católica Andrés Bello

Escuela Ingeniería en Telecomunicaciones


Procesamiento de Señales

Tarea 1: Estimación Espectral de una secuencia ruidosa usando


Periodograma y Periodograma modificado

Alumno:
Parte Teórica
1.- Defina Periodograma y enuncie sus características:

En el procesamiento de señales, el periodograma es un estimado de la


densidad espectral de una señal y es la herramienta más común para examinar
las características amplitud vs frecuencia de filtros FIR y funciones ventana. Los
analizadores de espectro FFT también son implementados como una secuencia
de tiempo de periodogramas

Sea x(n) una secuencia y w(n) una ventana que selecciona un segmento L de x

 U: Constante de normalización
 w(n): Ventana rectangular
 l(w): Periodograma
 si w(n) no es rectangular se llama periodograma modificado
 El periodograma tiene algunas propiedades del espectro de potencia no es
negativo, para señales reales es real y par en frecuencia

Se puede demostrar que:


L 1
1
I ( w) 
LU
C
m   ( L 1)
vv (m)e  jwm

Dónde:

 es la secuencia de correlación aperiódica de una secuencia v(n)


para L valores
 l(w) es la transformada de Fourier de
 Si la secuencia aleatoria tiene media diferente de cero el espectro en
frecuencia tiene un impulso en el origen
 Para mejorar la estimación se usa Periodogramas Promediados.
 Se tiene una secuencia y se divide en segmentos de longitud L
 Si R<L los segmentos se solapan
 Si L=R segmentos continuos

Propiedades:
 Asintóticamente no sesgado
 No es consistente

2.- Con qué técnica se mejora la consistencia del periodograma?


El periodograma no es un estimador consistente debido a que su varianza
no tiende a cero cuando la longitud del registro tiende a infinito. Para mejorar su
consistencia Welch propuso un método según el cual se dividía el registro de N
puntos originales en segmentos de M puntos solapados entre sí L muestras. Si
L=M, entonces N=(K+1)M, donde K sería el número total de segmentos.
Posteriormente se aplica una ventana a cada segmento y finalmente se calcula el
periodograma para cada segmento enventanado. El periodograma final se obtiene
promediando todos los periodogramas parciales.
3.- Cuándo se promedia periodogramas usando solapamiento, se mejora la
estimación de la Densidad Espectral de Potencia para cualquier valor de
solapamiento? Qué sucede si se solapa más de L/2
Con solapamiento se puede mantener L y aumentar K, es decir se puede
mantener la longitud de los segmentos y aumentar la cantidad de segmentos esto
mejora la estimación de densidad espectral debido a que se puede tener la misma
longitud de segmento y con mayor cantidad de los mismos por lo cual se tendrá
una estimación más definida y certera que sin solapamiento.

Si el solapamiento es mayor que L/2 no disminuye la varianza a pesar de


aumentar K, debido a que hay menos independencia de los segmentos a
promediar.
Parte Experimental
1) Considere una secuencia formada por la suma de dos señales sinusoidales
+ruido blanco
Las señal sinusoidales tendrá amplitud de 1 y frecuencia wo=2 π /12 y amplitud de
1 y frecuencia w1=2 π /14, y el ruido será de media cero y varianza unitaria. La
longitud de la secuencia generada será de1024 muestras

Se realizaron los comandos en Matlab para la realización de esta señal como se


puede observar en la “imagen 1”:

Imagen 1

2.- Mediante la función de Matlab periodogram se realizó el periodograma con


1024 muestras de la secuencia formada por dos señales sinusoidales con ruido
blanco mediante el código:
[pxx,w] = periodogram(z,[],1024);
plot(w,10*log10(pxx))
En donde z es la suma de las señales sinusoidales con ruido
blanco, el resultado de esto se puede ver en la “imagen 2”
Imagen 2

3) Se realizó el periodograma promedio de la señal usando una longitud de


ventana L=256 y un número de segmentos k=7 con solape L/2.
Esto se hizo en Matlab mediante la función pwelch y se realizó con el
siguiente código:
L=256;
nfft = 1024;
k=7;
pxx1 = pwelch(z,L,k,nfft);
plot(10*log10(pxx1))

Donde nfft se refiere a la longitud de la transformada de Fourier,


el resultado se puede observar en “Imagen 3”
Se puede observar que la estimación espectral utilizando
periodograma promedio con la función “pwelch” es mucho más detallada y
tiene un dominio mayor que la del periodograma básico “periodogram”
Imagen 3

4) Se realizó lo mismo que en el caso anterior pero con L=64 y k=31


L =64;
nfft = 1024;
k=31;
pxx1 = pwelch(z,L,k,nfft);
figure()
plot(10*log10(pxx1))

El resultado se puede ver en la “Imagen 4”, se ve una estimación espectral con información no
muy definida.
Imagen 4

Análisis de Resultados
La mejor estimación espectral de una secuencia ruidosa se dio con el
periodograma promediado de la “Imagen 3”, en el cual gracias a que la longitud
del segmento (L) era elevado y la cantidad de segmentos (K) era pequeño se tiene
una mejora en el sesgo, mientras que en el caso de la imagen 2 en el cual la
cantidad de segmentos (k) es elevado y la longitud de segmento (L) es disminuido
se tiene una gráfica de estimación espectral como se puede ver en la “Imagen 4”
poco definida y en comparación con la “Imagen 3” con mucha información perdida.
En el caso del periodograma no promediado como se ve en la “imagen 2” es una
gráfica de estimación espectral muy parecida a la “Imagen 3” pero menos definida
además de tener un dominio mucho menor.
Conclusiones
El periodograma es una herramienta esencial para examinar la densidad
espectral de una señal mediante una estimación, por lo cual mientras mejor sea la
estimación mejor podrá ser aprovechada está herramienta y para ello se debe
conocer el buen proceder para la realización de la misma. El periodograma
promediado da como resultado una gráfica de estimación espectral más acertada
que el periodograma sin promediar. Los valores de la longitud de ventana y
número de segmentos son primordiales para poder realizar una buena estimación
espectral con periodograma promediado.