Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema 2
Muestreo y Reconstrucción de Señales
1. Introducción
2. Muestreo ideal y reconstrucción de señales de tiempo
continuo
3. Procesado en tiempo discreto de señales de tiempo
continuo
4. Procesado de tiempo continuo de señales de tiempo
discreto
2
Objetivos
3
1. Introducción
4
1. Introducción
5
2. Muestreo ideal y reconstrucción de
señales de tiempo continuo
Muestreo ideal o uniforme
Uno de los procedimientos más sencillos para
discretizar el tiempo consiste en:
x[n] = xc (nT ), −∞ < n < ∞
donde:
fs = 1 / T , o bien ω s = 2π / T
6
2. Muestreo ideal y reconstrucción de
señales de tiempo continuo
Muestreo ideal o uniforme
Es una operación no invertible ciertas restricciones sobre la
señal analógica…
Dividimos el proceso en dos etapas:
7
2. Muestreo ideal y reconstrucción de
señales de tiempo continuo
Muestreo ideal o uniforme
1 ∞
xs ( t ) = xc (t)s(t) → X s (ω ) = ∑ Xc (ω − kω s )
T k=−∞
8
2. Muestreo ideal y reconstrucción de
señales de tiempo continuo
Muestreo ideal o uniforme
La señal modulada consiste ω
2π ∞
⎛ 2π ⎞
S (ω ) =
T
∑ δ ⎜⎝ ω − k T ⎟⎠ ω ω ω ω ω ω
k=−∞
ω
ω ω ω ω ω ω ω ω
1 ∞
X s (ω ) = ∑ Xc (ω − kω s )
ω ω
T k=−∞ ω
ω ω ω
9 ω ω
2. Muestreo ideal y reconstrucción de
señales de tiempo continuo
Muestreo ideal o uniforme
si se cumple: ω s > 2ω N la señal analógica se puede
recuperar con un filtro ideal paso-bajo.
En la frecuencia:
ω
ω
ω ω ω ω ω ω ω ω
ω ω
⎧ ωs
⎪ T ω < Xr (ω ) = X s (ω ) H r (ω ) = Xc (ω )
H r (ω ) = ⎨ 2
⎪ 0 resto
⎩
10
2. Muestreo ideal y reconstrucción de
señales de tiempo continuo
Muestreo ideal o uniforme
ω ω ω ω ω
11
2. Muestreo ideal y reconstrucción de
señales de tiempo continuo
ω
Muestreo ideal
Ejemplo de solapamiento: ω ω ω
ω ω
ω
xc ( t ) = cos (ω 0 t )
ω ω ω ω ω ω
se produce solapamiento de ω
ω
ω
confusión de frecuencias:
ω
ω
xc ( t ) = cos (ω 0 t ) ω ω ω
ω ω ω ω ω
12
2. Muestreo ideal y reconstrucción de
señales de tiempo continuo
Teorema de Nyquist
13
2. Muestreo ideal y reconstrucción de
señales de tiempo continuo
Teorema de Nyquist – ejemplo 1
14
2. Muestreo ideal y reconstrucción de
señales de tiempo continuo
Teorema de Nyquist – ejemplo 2
15
3. Procesado en tiempo discreto de
señales de tiempo continuo
Conversión A/D en el dominio del tiempo
Introducimos la conversión t n
∞ ∞
1 ∞
⎛ 2π ⎞
xs ( t ) = ∑ x ( nT )δ (t − nT )
c X s (ω ) = ∑ x ( nT ) e
c
− jω Tn
=
T
∑ Xc ⎜⎝ ω − k T ⎟⎠
n=−∞
TF n=−∞ k=−∞
∞
x [n] X (Ω) = ∑ x [ n ] e− jΩn
n=−∞
1 ∞
⎛Ω 2π ⎞
X ( Ω ) = X s (ω ) ω = Ω
T
=
T
∑ c ⎜⎝ T T ⎟⎠
X − k
k=−∞
17
3. Procesado en tiempo discreto de
señales de tiempo continuo
Conversión A/D en el dominio de la frecuencia
19
3. Procesado en tiempo discreto de
señales de tiempo continuo
Conversión A/D en el dominio de la frecuencia
ωs ω
-ωs/2 ωs/2
-π
21
3. Procesado en tiempo discreto de
señales de tiempo continuo
Conversión A/D -- Ejemplo
cuando:
22
3. Procesado en tiempo discreto de
señales de tiempo continuo
Conversión D/A– dominio del tiempo
Sistema no
invariante Hr(ω)
∞
xs ( t ) = ∑ x [ k ]δ ( t − kT )
∞
k=−∞
xr ( t ) = ∑ x [ k ] h (t − kT ) =
r
k=−∞
⎛ π ( t − kT ) ⎞
sen ⎜ ⎟⎠
Hr(ω) ∞
⎝ T
⎛ πt ⎞ = ∑ x[k ]
sen ⎜ ⎟ π ( t − kT )
⎝T⎠ k=−∞
hr ( t ) = T
ω πt
T
23
3. Procesado en tiempo discreto de
señales de tiempo continuo
Conversión D/A– dominio del tiempo
Hr(ω)
⎛ π ( t − kT ) ⎞
sen ⎜ ⎟⎠
∞
⎝ T
xr ( t ) = ∑ x [ k ]
k=−∞ π ( t − kT )
T
Hr(ω)
X s (ω ) = X (ω T )
Xr (ω ) = H r (ω ) X (ω T )
Hr(ω) ⎧ π
⎪ T ⋅ X (ω T ) ω <
Xr (ω ) = ⎨ T
⎪ 0 resto
⎩
ω
25
3. Procesado en tiempo discreto de
señales de tiempo continuo
Conversión D/A – ejemplo
Hr(ω)
26
3. Procesado en tiempo discreto de
señales de tiempo continuo
Conversión A/D y D/A -- ejemplo
Ejemplo: Señal
muestreada a
diferentes frecuencias
29
3. Procesado en tiempo discreto de
señales de tiempo continuo
Conversión A/D y D/A -- ejemplo
Ejemplo: Señal no
limitada en banda
xa ( t ) = e − A t
2A
Xa ( F ) =
A 2 + ( 2π F )
2
Importancia de realizar
un pre-filtrado antes
de muestrear
30
3. Procesado en tiempo discreto de
señales de tiempo continuo
Sistema equivalente de tiempo continuo
x [ n ] = xa ( nT )
∞
ya ( t ) = ∑ y [ k ] ⋅ h (t − kT )
r
1 ⎛Ω
∞
2π ⎞
X (Ω ) = ∑ Xa ⎜ − k ⎟
k=−∞
T k=−∞ ⎝ T T ⎠ Ya (ω ) = Y (ω T ) ⋅ H r (ω )
1 ∞ ⎛ 2π ⎞
Ya (ω ) = H r (ω ) H (ω T ) ∑ Xa ⎜ ω − k ⎟
32
T k=−∞ ⎝ T ⎠
3. Procesado en tiempo discreto de
señales de tiempo continuo
Sistema equivalente de tiempo continuo
33 Ya (ω ) = H eff (ω ) Xa (ω )
3. Procesado en tiempo discreto de
señales de tiempo continuo
Sistema equivalente – diseño de filtros
⎧ π
⎪ H (ω T ) ω <
H eff (ω ) = ⎨ T
⎪ 0 resto
⎩
34
3. Procesado en tiempo discreto de
señales de tiempo continuo
Sistema equivalente -- ejemplo
a) 1/T1=1/T2=104
b) 1/T1=1/T2=2×104
c) 1/T1 = 2×104, 1/T2= 104
d) 1/T1 = 104, 1/T2= 2×104
35
4. Procesado de tiempo continuo de
señales de tiempo discreto
Simulación de sistemas--dominio de la frecuencia
⎧ π
Sist. equivalente ⎪ H (ω T ) ω <
H d (Ω) H c (ω ) = ⎨ d T
⎪ 0 resto
⎧ ⎩
⎛ Ω⎞
⎪ Hc ⎜ ⎟ , Ω <π Simulación π
H d (Ω) = ⎨ ⎝T⎠ H c (ω ) , ω <
⎪ periodico 2π , resto T
⎩
36
4. Procesado de tiempo continuo de
señales de tiempo discreto
Simulación de sistemas--dominio del tiempo
⎧ ⎛ Ω⎞
π ⎪ Hc ⎜ ⎟ , Ω <π
H c (ω ) , ω < H d (Ω) = ⎨ ⎝T⎠
T ⎪ periodico 2π , resto
⎩
38
4. Procesado de tiempo continuo de
señales de tiempo discreto
Simulación de sistemas--ejemplo
dxc ( t )
yc ( t ) =
dt
Yc (ω ) = jω X c (ω )
39
4. Procesado de tiempo continuo de
señales de tiempo discreto
Situación complementaria
∞
xc ( t ) = ∑ x [ n ] ⋅ h (t − nT )
r
y [ n ] = yc ( nT )
k=−∞
⎧ 1 ⎛ Ω⎞
⎧ π ⎪ Yc ⎜ ⎟ Ω <π
⎪ T ⋅ X (ω T ) , ω < Y (Ω) = ⎨ T ⎝ T ⎠
Xc (ω ) = ⎨ T ⎪ periodico 2π
⎪ 0 resto ⎩
resto
⎩
Sistema continuo LTI: Y (ω ) = X (ω ) H (ω )
⎧ ⎛ Ω⎞
⎪ Hc ⎜ ⎟ , Ω <π
H eff ( Ω ) = ⎨ ⎝T⎠
42 ⎪ periodico 2π resto
⎩
4. Procesado de tiempo continuo de
señales de tiempo discreto
Situación complementaria