I.

Introducción

Amar Bose, ex profesor del MIT y fundador de Bose Corporation, desarrolló un tipo de
auriculares que pueden reducir o cancelar el ruido que viene del exterior. El sistema
detecta el sonido ambiente y lo cancela antes de que llegue al oído del usuario. Los
primeros equipos de este tipo fueron creados en 1989 y estaban diseñados para ser
utilizados en la industria de la aviación.
III. Marco teórico.
3.1. Física del sonido.
El sonido se produce cuando un cuerpo que vibra causa una perturbación en el medio que
lo rodea, esta perturbación viaja a través del medio en formas de onda longitudinales
trasportando energía.

Uno de los medios de trasporte del sonido es el aire, en este caso, si se tiene un foco
puntual de generación de sonido, las ondas generadas se propagan en tres dimensiones
y se mueven alejándose del foco formando superficies esféricas concéntricas cuya área
es mayor a medida que se alejan del foco. Al establecer la razón entre la potencia que
emite un foco generador de sonido y el área de la esfera a una distancia r del foco, se
obtiene la intensidad del sonido medida en vatios por metro cuadrado.

Una importante propiedad tenida en cuenta en la cancelación activa de ruido es la

interferencia destructiva, en la cual, si dos focos de sonido producen ondas de la misma
frecuencia y amplitud, pero con un ángulo de desfase de 180°, habrá una región en el
espacio en donde estas se cancelan, generando así, una zona de silencio.

3.2. Definición de ruido

El termino ruido se utiliza para denominar aquellas señales que perturban la transmisión y
procesamiento de señales en los sistemas de comunicación y sobre las cuales no se tiene
control completo de ellos.

Es uno de los principales factores de contaminación ambiental. Produce molestias,

distracción incluso si lo escuchamos en un periodo de tiempo largo nos podría causar
daños irreparables al oído humano.

3.3 Control del ruido

Como ya se dijo anteriormente que el ruido es un problema creciente que afecta a toda la
población sin embargo controlar y reducir es un reto tecnológico muy importante por la
complejidad que se presenta en la sociedad.

La reducción del ruido implica una considerable inversión económica por lo que en
numerosas ocasiones es preferible disminuirlo a unos niveles aceptables para que no
afecte a los seres vivos, en lugar de eliminarlo ya que el espectro de frecuencias audibles
por el humano es aceptable en el intervalo entre 20Hz y 20Khz.
El conjunto de medidas encaminadas a eliminar o reducir la contaminación acústica se
denomina control de ruido este control puede ser llevado a cabo por métodos o técnicas
pasivas y activas.

3.3.1. Control pasivo.

Esta técnica se basa en las propiedades de materiales absorbentes con la finalidad de

atenuar o eliminar las ondas sonoras o campo acústico no deseado en un medio concreto,
para conseguirlo esta técnica aprovecha este tipo de materiales para absorber la mayor
parte de energía de la perturbación o para aumentar la impedancia del medio el cual esta
atraviese.

Los métodos pasivos no introducen energía externa al sistema y buscan interrumpir

adecuadamente la propagación del ruido. Técnicas tales como absorción y el aislamiento
son intrínsecamente estables y eficaces sobre una amplia gama de frecuencias. Sin
embargo, estos sistemas de cancelación suelen ser grandes, costosos y generalmente
ineficaces para cancelar ruido en las frecuencias más bajas.

3.3.2. Control activo.

Los sistemas de control activo son una tecnología emergente, que combina fundamentos
de acústica, electrónica y procesamiento de señales, proporcionando soluciones viables a
los problemas en baja frecuencia.

El principio básico fue establecido en 1936, cuando Paul Leug patento su sistema de
control activo de ruido para ductos de aire, este principio establece que el control activo es
la superposición de dos ondas acústicas de una fuente primaria y secundaria, cuando las
dos ondas se encuentran desfasadas 180 grados y poseen la misma amplitud, el
resultado es la cancelación total de las ondas que genera una zona “silenciosa”.

Para comprender mejor el principio de control activo, se puede decir, que la idea base es
la de introducir o generar electrónicamente una señal dominada ruido secundario
(“antiruido”), la cual posee la misma magnitud, pero fase opuesta al ruido existente, a
través de un apropiado arreglo de fuentes secundarias para poder así cancelar esta señal.
En condiciones de linealidad, ambos campos interferirán destructivamente como se
muestra en la figura, resultando en una reducción neta del campo sonoro total. Este
principio funciona mucho mejor cuanto más baja es la frecuencia y cuanto más simple son
la estructura espacial y frecuencia del ruido.

Figura. Principio en que se basa el control activo del ruido.

Por lo tanto se puede decir que el control activo del ruido se basa en el principio de
superposicion, es decir, si en una zona del espacio existe un campo acustico primario y se
genera un campo acustico secundario, tal que la suma de ambos resulte nula, entonces
ambos campos iterferiran detrctivamente cancelandose mutuamente.
3.4. Filtros digitales
3.4.1. Filtro FIR.
Los filtros FIR (de respuesta impulsional finita) garantizan que su función de transferencia
es de fase lineal. Esto nos dice, que cuando excitamos el sistema con un impulso, a la
salida tendremos un número limitado de términos no nulos, distintos de cero.

Figura. Filtro digitl FIR.

3.4.2. Filtro IIR.
Un filtro IIR (de respuesta impulsional infinita) como su nombre indica ante una entrada
impulsional presenta una salida que nunca llega a atenuarse completamente.

Figura. Filtro IIR

3.5. Algoritmo adaptativo.

Un filtro adaptivo es un dispositivo que intenta modelar la relación entre señales en tiempo
real de forma iterativa. Estos se diferencian de los anteriores, en que, mientras los filtros
digitales convencionales mantienen sus coeficientes constantes en el tiempo, los
adaptativos cambian la forma de actuar cambiando sus coeficientes de acuerdo con un
algoritmo adaptativo. De hecho, los coeficientes del filtro no se conocen cuando se
diseña, dado que estos se calculan cuando se implementa y se reajusta automáticamente
en cada iteración mientras dura su fase de aprendizaje y acaba convergiendo.

3.5.1. Algoritmo least Mean square (LMS)

El algoritmo LMS es posiblemente el algoritmo adaptativo más conocido y usado en
implementaciones reales. Dada su simplicidad y buenas prestaciones sirve como
referencia para comparar nuevas técnicas basadas en AA. Propuesto, en 1971, por
Widrow , el algoritmo LMS es una simplificación del método de descenso de máxima
pendiente. La diferencia es que usamos la potencia instantánea del error en vez del erro
cuadrático medio. Quedando la ecuación de esta forma:

El desarrollo del algoritmo LMS parte de la solución al problema de encontrar un filtro

trasversal óptimo, en el cual, la salida es la suma ponderada de los valores anteriores de
la secuencia de entrada, esto se representa gráficamente por medio de una estructura en
filtro.

Figura. Estructura del filtro LMS

El LMS comprende dos procesos básicos:

 1. Un proceso filtrado, que implica el cálculo de salida generada por un filtro
transversal, y la generación de una estimación del error comprando esta salida con
la respuesta deseada.
2. Un proceso adaptativo, que realiza el ajuste automático de los coeficientes del
filtro de acuerdo con la estimación del error

3.5.2. Filtro Recursive Least Square(RLS)

Este algoritmo se basa en la estimación de la solución Kalman y se fundamenta en la
minimización de la función del error donde k hace referencia al instante inicial del sistema
y lambda es una constante menor que 1 que pondera la señal del error, al ser menor que
uno.

Este algoritmo destaca frente al LMS por sus venas características de convergencia y de
atenuación, pero debido a su complejidad de cálculo, se incrementan enormemente el
coste computacional del sistema, lo que lo hace poco adecuado para aplicaciones de
procesado en tiempo real. Otro inconveniente es que un diseño erróneo puede ocasionar
que el sistema se vuelva inestable.

V. Resultados
Este ejemplo muestra cómo usar un filtro RLS para extraer información útil de una señal
ruidosa. La señal portadora de información es una onda sinusoidal que está corrompida
por el ruido blanco gaussiano aditivo.
El sistema de cancelación de ruido adaptativo supone el uso de dos micrófonos. Un
micrófono primario capta la señal de entrada ruidosa, mientras que un micrófono
secundario recibe ruido que no está correlacionado con la señal portadora de información,
pero está correlacionado con el ruido captado por el micrófono primario.
El modelo ilustra la capacidad del filtro Adaptive RLS para extraer información útil de una
señal ruidosa.
La señal portadora de información es una onda sinusoidal de 0.055 ciclos / muestra.

signal = sin(2*pi*0.055*(0:1000-1)');
signalSource = dsp.SignalSource(signal,'SamplesPerFrame',100,...
'SignalEndAction','Cyclic repetition');

plot(0:199,signal(1:200));
grid; axis([0 200 -2 2]);
title('The information bearing signal');

El ruido recogido por el micrófono secundario es la entrada para el filtro adaptativo RLS.
El ruido que corrompe la onda sinusoidal es una versión filtrada de paso bajo de
(correlacionada con) este ruido. La suma del ruido filtrado y la señal portadora de
información es la señal deseada para el filtro adaptativo.
nvar = 1.0; % Noise variance
noise = randn(1000,1)*nvar; % White noise
noiseSource = dsp.SignalSource(noise,'SamplesPerFrame',100,...
'SignalEndAction','Cyclic repetition');

plot(0:999,noise);
title('Noise picked up by the secondary microphone');
grid; axis([0 1000 -4 4]);
El ruido que corrompe la señal portadora de información es una versión filtrada de 'ruido'.
Inicialice el filtro que funciona con el ruido.
lp = dsp.FIRFilter('Numerator',fir1(31,0.5));% Low pass FIR filter

Establezca e inicialice los parámetros y valores del filtro adaptativo RLS:

M = 32; % Filter order
delta = 0.1; % Initial input covariance estimate
P0 = (1/delta)*eye(M,M); % Initial setting for the P matrix
rlsfilt = dsp.RLSFilter(M,'InitialInverseCovariance',P0);

Ejecutando el filtro adaptativo RLS para 1000 iteraciones. A medida que el filtro adaptativo
converge, el ruido filtrado debe sustraerse completamente de la "señal + ruido". Además,
el error 'e' debe contener solo la señal original.
scope = dsp.TimeScope('TimeSpan',1000,'YLimits',[-2,2], ...
'TimeSpanOverrunAction','Scroll');
for k = 1:10
n = noiseSource(); % Noise
s = signalSource();
d = lp(n) + s;
[y,e] = rlsfilt(n,d);
scope([s,e]);
end
release(scope);
El gráfico muestra la convergencia de la respuesta del filtro adaptativo a la respuesta del
filtro FIR.

H = abs(freqz(rlsfilt.Coefficients,1,64));
H1 = abs(freqz(lp.Numerator,1,64));

wf = linspace(0,1,64);

plot(wf,H,wf,H1);
xlabel('Normalized Frequency (\times\pi rad/sample)');
ylabel('Magnitude');
legend('Adaptive Filter Response','Required Filter Response');
grid;
axis([0 1 0 2]);