Universidad de Concepción
Facultad de Ingeniería
Tarea 3
Procesamiento de Señales Digitales – 543728
Profesor Jorge Pezoa
Mauricio Novoa Díaz
2015403705
Concepción, 23 de diciembre 2020
Introducción
En el presente trabajo se desarrollará los problemas planteados aplicando los conocimientos de
análisis de Polos y Ceros, filtros, Transformada Z, entre otros. La resolución de ciertos problemas se
apoyará en LiveScripts ejemplos entregados por el docente y aprovechará las propiedades de cálculo
de Matlab; por lo tanto, se adjuntarán los códigos en los problemas en que sea necesario.
1. Modelación de canales de comunicaciones (R2, R4, R5)
Un canal inalámbrico de N trayectorias, o multitrayectoria, se puede modelar, muy
simplificadamentoe como un filtro lineal de la siguiente forma:
"
𝑦[𝑛] = 𝑥[𝑛] + ( ℎ! 𝑥[𝑛 − 𝐷! ], (1)
!#$
Donde 𝑥[𝑛] es la señal a transmitir y que tiene línea de vista con el receptro, mientras que las 𝑁 − 1
restantes señales corresponden a refleiones atenuadas en un valor ℎ! con ℎ! ∈ (0,1) y ℎ$ ≥ ℎ% ≥ ⋯ ≥
ℎ" , y retrasadas en 𝐷! muestras, con 𝐷$ ≤ 𝐷% ≤ ⋯ ≤ 𝐷" . Se pide:
1. Calcular la función de transferencia del canal.
2. Determinar si el canal es causal o no.
3. Determinar si el canal es un filtro de respuesta finita (FIR) o filtro de respuesta infinita (IIR).
4. Considere los datos de la Tabla 1. Si la frecuencia de muestreo es 𝐹& = 0.1 GHz, determinar
valores apropiados para los ℎ! , 𝑁 y para los ℎ! .
Tabla 1: Modelo Extended Pedestrian A model (EPA) para un canal inalámbrico LTE
Solución
1. En primer lugar, haciendo la transformada Z del canal (1) se obtiene:
"
𝑌[𝑧] = 𝑋[𝑧] + ( ℎ! 𝑋[𝑧]𝑧 '(!
!#$
"
⇒ 𝑌[𝑧] = 𝑋[𝑧] @1 + ( ℎ! 𝑧 '(! A
!#$
"
𝑌[𝑧]
⇒ 𝐻[𝑧] = = 1 + ( ℎ! 𝑧 '(!
𝑋[𝑧]
!#$
2. Ahora bien, la causalidad del canal estará dada por los valores que tome el exponente 𝐷! . De
modo que si 𝐷$ > 0 ⇒ 𝐶𝑎𝑢𝑠𝑎𝑙.
3. Observando la función de transferencia, se infiere que el canal es un filtro FIR, pues su
denominador no es un polinomio, o no tiene denominador.
4. Debido a que la frecuencia de muestreo es 𝐹& = 0.1 GHz, entonces el periodo de muestreo es
𝑇& = 10 ns, luego los 𝐷! serán: 𝐷$ = 3, 𝐷% = 7, 𝐷) = 9, 𝐷* = 11, 𝐷+ = 19 y 𝐷, = 41. Los
valores para los ℎ! serán ℎ$ = 0.8913, ℎ% = 0.7943, ℎ) = 0.7079, ℎ* = 0.3981, ℎ+ =
0.1380 y ℎ, = 0.0912.
2. Análisis de sistemas usando polos y ceros (R1, R2)
Considere los diagramas de polos y ceros de los filtros 1 y 2 de la Fig. 1. Se pide:
§ Determinar si los filtros son: FIR o IIR.
§ Determinar el número de polos y ceros de cada filtro.
§ Determinar si los filtros son estables o inestables.
§ Determinar cuántos ceros atenúan la salida en frecuencia y cuántos la anulan (en el plano de
Fourier).
§ Determinar el orden de cada filtro.
§ Identificar si son pasa bajos, pasa banda, pasa altos, notch o resonador.
Justifique adecuadamente sus respuestas.
Solución
§ Debido a que ambos filtros solo tienen polos en el origen, entonces no tienen un polinomio
en el denominador, en consecuencia son filtros FIR.
§ Ambos filtros poseen 10 ceros y 10 polos en el origen.
§ En cuando a la estabilidad, los polos están dentro del círculo unitario, por lo tanto, ambos
filtros son estables.
§ En el filtro (a) dos ceros atenuan la salida en las frecuencias bajas, y seis ceros la anulan,
un par en las frecuencias medias y al parecer, cuatro en las frecuencias altas. Para el filtro (b)
hay cuatro ceros que anulan la salida en las frecuencias bajas y bajas-medias, y tres la
anulan, uno en las frecuencias bajas, y dos en las altas.
§ Ambos filtros son FIR de orden 10, pues como fue dicho tienen 10 ceros y ningún polo, o
solo polos en el origen.
§ El filtro (a) es del tipo pasa bajos, puesto que tiene ceros de radio 1 en las frecuencias medias-
altas, y en las frecuencias altas, y si bien tiene ceros en las bajas frecuencias, solo atenuan un
poco la salida. Por su parte, el filtro (b) es del tipo pasa altos, ya que tiene ceros sobre el
círculo unitario en las frecuencias bajas y bajas-medias, mientras que los ceros en las
frecuencias altas son de poca potencia, por lo que no atenuan las frecuencias altas.
3. Eliminación de tonos de una señal de audio (R2, R3, R4, R5)
Considere el archivo [Link] que contiene una señal de audio a la cual se le sumaron
tres tonos (es decir señales senoidales) en tres frecuencias específicas. Para leer este archivo en Matlab
use el comando:
[s, Fs] = audioread(’[Link]’);
Se pide:
§ Escuche la señal de audio usando soundsc(s,Fs) y comente que escucha.
§ Graficar la señal en tiempo continuo y discreto. Comente si es posible identificar los tres
tonos en los gráficos.
§ Usando fft(), graficar el espectro de potencia de magnitud la señal ruidosa 𝑠(𝑡) tanto
sin usar dB y en dB. En sus gráficos el eje de la frecuencia debe estar en Hertz. Comente si
es posible identificar los tres tonos en los gráficos.
§ Ahora eliminemos los tonos manualmente. Para esto, ejecute los siguientes comandos
Xk = fft(s);
% Grafica espectros NO centrados en frecuencia normalizada
plot(0:(length(Xk)-1), abs(Xk).^2 );
xlabel(’k, a.u.’); ylabel(’|X[f]|^2’);
title(’Espectro de potencia: magnitud’);
En el espectro de potencia no centrado de magnitud, busque los 6 valores máximos y
determine sus índices (valores que toma k). Luego, para esos ı́ ndices, cambie los valores del
espectro de la señal Xk por 0. Por ejemplo, si el espectro de potencia de magnitud no centrado
de la señal Xk, que tiene 73113 puntos al igual que la señal en el tiempo, muestra que el
primero de los 6 valores máximos está en el índice k=100, entonces haga Xk(100)=0.
Repita esto para los otros cinco valores máximos. Una vez que haya hecho estos reemplazos,
grafique el espectro de potencia de magnitud centrado en 0 para la señal resultante.
Finalmente ejecute los comandos
x = real(ifft(Xk));
soundsc(x,Fs);
Comente los resultados del espectro y de la señal de audio que se limpió.
Solución
Al reproducir el archivo se escucha un tono predominante y constante, y de fondo, no
claramente y con muy bajo volumen, “Hallelujah!” de Handel.
Se procede a obtener la gráfica de la señal en tiempo continuo y discreto.
Gráfica en tiempo continuo y discreto
N=length(s);
n=0:(N-1);
Ts=1/Fs;
t=n*Ts;
%Gráficas
figure
%Gráfica en tiempo continuo
subplot(211)
plot(t,s);
title('Señal de audio en tiempo continuo'); xlabel('t,s');
ylabel('x(t)');
%Gráfica en tiempo discreto
subplot(212)
plot(n,s);
title('Señal de audio en tiempo discreto'); xlabel('n');
ylabel('x[n]');
De la observación de las gráficas en tiempo continuo y discreto, resulta imposible identificar
los tres tonos en ellas.
Ahora se utiliza la transformada rápida de Fourier y se grafica el espectro de potencia de la
señal ruidosa 𝑠(𝑡) tanto sin usar dB y en dB.
% Cálculo del espectro en frecuencias normalizadas usando fft
K = N;
% Calcula espectros de magnitud y fase usando fft
k = 0:(K-1);
% Determina el rango de frecuencias normalizadas en [-0.5,0.5]
fk = k/K - 0.5;
% Centra el espectro
Xk = fftshift( fft(s,K) );
% Ajusta la magnitud de los espectros con respecto a la frecuencia de
% muestreo
XF = Xk/Fs;
% Grafica espectros centrados en frecuencia normalizada
figure
plot(fk, abs(Xk).^2);
xlabel('f, cps'); ylabel('|X[f]|^2'); title('Espectro de potencia:
magnitud');
% Grafica espectros centrados en frecuencia absoluta
plot(fk*Fs, db(XF));
xlabel('F, Hz'); ylabel('|X[F]|^2, dB'); title('Espectro de potencia
de s(t)');
Se puede ver en las gráficas que en las frecuencias mostradas, sobretodo en el espectro de
potencia sin dB, se identifican los peaks o tonos que distorcionan el archivo de audio.
Para eliminar los tonos manualmente, se utiliza el código entregado en la tarea y se obtiene
la gráfica de espectros no centrados en la frecuencia normalizada:
Xk = fft(s);
%Grafica espectros NO centrados en frecuencia normalizada
plot(1:(length(Xk)), abs(Xk).^2);
xlabel('k, a.u.'); ylabel('|X[f]|^2');
axis([0e4 8e4 0 2e8]);
title('Espectro de potencia: magnitud');
Con el Data Cursor es posible identificar los puntos 𝑘$ = 447, 𝑘% = 8926, 𝑘) = 13388,
𝑘* = 59727, 𝑘+ = 64189 y 𝑘, = 72668.
%Puntos a eliminar
Xk1=Xk; Xk1(447)=0; Xk1(8926)=0; Xk1(13388)=0; Xk1(59727)=0;
Xk1(64189)=0; Xk1(72668)=0;
% Grafica espectros centrados en 0
figure
plot(fk, abs(Xk1).^2);
xlabel('f, cps'); ylabel('|X[f]|^2'); title('Espectro de potencia:
magnitud');
Por último se utiliza el siguiente código luego de la limpieza para escuchar el archivo limpio,
y se procede a comentar.
x=real(ifft(Xk1));
soundsc(x,Fs);
En la útlima gráfica obtenida, se puede ver que los tonos que se deseaba anular,
desaparecieron, sin embargo hay algunos otros pero de menor magnitud. Por lo que al oir la señal de
audio que se limpió, efectivamente quitó gran parte de los tonos que se escuchaban al principio, por
lo que la canción de fondo se escucha más fuerte y de manera más nítida. De modo que se puede
concluir que la señal fue limpiada de buena manera.
4. Filtro resonador (R4)
Considere un sistema en tiempo discreto que opera a una frecuencia de muestreo 𝐹& = 10 kHz
y el filtro resonador dado por la ecuación:
𝐺
𝐻(𝑧) = (2)
1 − 2𝑅𝑐𝑜𝑠(𝜔- )𝑧 '$ + 𝑅% 𝑧 '%
.
Donde 𝜔- = $/ [rps] es la llamada frecuencia de resonancia normalizada en radianes por muestra,
𝐺 = 0.00605 y 𝑅 = 0.98995. Se pide:
§ Graficar el diagrama de polos y ceros del resonador
§ Calcular la frecuencia de resonancia en Hertz del filtro.
§ Graficar el espectro de potencia de dB y determinar si la frecuencia corresponde o no a la
frecuencia de resonancia.
§ Calcular el filtro 𝐺(𝑧) = 1 − 𝐻(𝑧) y determinar su diagrama de polos y ceros.
§ Graficar el espectro de potencia de magnitud en dB de 𝐺(𝑧) y determinar si el filtro es pasa
bajos, pasa banda, pasa altos, notch o resonador.
Solución
En primer lugar se obtiene el diagrama de polos y ceros con los datos entregados y el sistema
0
𝐻(𝑧) = $'%123&(5 )7 #$ 81% 7 #% .
"
Fs=10000;
wr=pi/10; %frecuencia de resonancia normalizada en [rps]
G=0.00605;
R=0.98995;
%Generar el numerador de H(z)
Bz=[G];
%Generar el denominador H(z)
a1=2*R*cos(wr);
Az=[1 -a1 R^2];
%Gráfica de polos y ceros
figure
zplane(Bz,Az);
axis([-2 2 -2 2]);
title('Diagrama polos y ceros de resonador');
xlabel('Parte real'); ylabel('Parte Imaginaria');
Ahora bien, para calcular la frecuencia de resonancia se tiene:
fr=wr/(2*pi);
Fr=fr*Fs %Que corresponde a la frecuencia de resonancia en Hertz
Fr = 500
Obteniendo así una frecuencia de resonancia de 500 Hertz
Ahora se grafica el espectro de potencia en dB:
% Ahora se grafica un espectro centrado en 0
[H, omega] = freqz(Bz,Az,'whole');
% Recupero la frecuencia normalizada en cps
f = (omega - pi)/(2*pi);
% Centra el espectro con fftshift()
H = fftshift(H);
% Grafico usando plot pues el espectro es continuo
figure
subplot(211)
plot(f*Fs, db(H.^2));
xlabel('F, Hertz'); ylabel('|H(f)|^2, [dB]');
title('Espectro de potencia: Magnitud');
En este espectro se puede notar que la frecuencia de resonancia efectivamente está en
500 Hertz.
Se pide calcular el filtro 𝐺(𝑧) = 1 − 𝐻(𝑧) y hacer el diagrama de polos y ceros. Operando
a 𝐺(𝑧) se tiene:
(1 − 𝐺) − 2𝑅𝑐𝑜𝑠(𝜔! )𝑧 "# + 𝑅$ 𝑧 "$
𝐺(𝑧) =
1 − 2𝑅𝑐𝑜𝑠(𝜔𝑟 )𝑧−1 + 𝑅2 𝑧−2
De modo que teniendo el numerador y el denominador se puede obtener el diagrama.
%Generar el numerador de G(z)
Bz1=[(1-G) -a1 R^2];
%Generar el denominador G(z)
Az1=[1 -a1 R^2];
%Gráfica de polos y ceros
figure
zplane(Bz1,Az1);
axis([-2 2 -2 2]);
title('Diagrama polos y ceros de resonador');
xlabel('Parte real'); ylabel('Parte Imaginaria');
% Ahora se grafica un espectro centrado en 0
[G1, omega] = freqz(Bz1,Az1,'whole');
% Recupero la frecuencia normalizada en cps
f = (omega - pi)/(2*pi);
% Centra el espectro con fftshift()
G1 = fftshift(G1);
% Grafico usando plot pues el espectro es continuo
figure
subplot(211)
plot(f*Fs, db(G1.^2));
xlabel('F, Hertz'); ylabel('|G(f)|^2, [dB]');
title('Espectro de potencia: Magnitud');
De acuerdo con la gráfica, y a partir de los cambios hechos en el primer filtro obtenido, este
deja de ser puramente resonador por efecto de los ceros agregados a la función original. De modo que
efectúa la labor de resonador, pero con cierta atenuación en las frecuencias medias-bajas.
Algo que se pudo notar, es que si bien en el diagrama de polos y ceros, estos parecieran estar
sobre el circulo unitario y en la misma posición, uno sobre otro; en realidad no es así, y están
sumamente cerca entree sí, pero no en la misma posición, de modo que no se anulan entre ellos, sino
que al estar tan cerca forman el espectro mostrado en la gráfica.
5. Sistemas y sus representaciones (R2, R4, R5)
La técnica de cancelación de ruido es muy usada para recuperar señales de interés (𝑥[𝑘])
que están corruptas por ruido (𝑛/ [𝑘]) el cual se suma a la señal original y forma una nueva señal
agregada (𝑠[𝑘]). El supuesto principal de la técnica de cancelación de ruido es que existe una fuente
adicional de ruido (𝑛[𝑘]), que está disponible para el usuario, y que está correlacionada (i.e. es
similar) al ruido que afecta a la señal de interés.
En este ejercicio consideraremos el archivo de audio [Link] que corresponde
a 𝑠[𝑘] y está formada por la señal de interés 𝑥[𝑘] más el ruido aditivo 𝑛/ [𝑘]. Diseñaremos un
cancelador de ruido 𝐻(𝑧) a partir de una fuente de ruido correlacionado 𝑛[𝑘] que viene dada en el
archivo [Link]. El diagrama en bloques del sistema se muestra en la Fig. 2. Se
adjunta además el LiveScript [Link].
Se pide:
1. Diseñar un cancelador de ruido con 𝑁 = 5 y graficar el espectro de potencia de
magnitud de las señales 𝑠[𝑘] y 𝑒[𝑘]. El espectro debe estar en dB y el eje de frecuencias
en Hertz.
2. Muestre el diagrama de polos y ceros de 𝐻(𝑧) y su espectro de potencia de magnitud.
El espectro debe estar en dB y el eje de frecuencias en Hertz.
3. Calcule la potencia de 𝑠[𝑘] y de 𝑒[𝑘].
4. Comente si la señal de audio 𝑒[𝑘] es distinta a 𝑠[𝑛] y si se recuperó la señal oculta.
5. Repita los cuatro pasos anteriores para 𝑁 = 10 y 𝑁 = 15.
Solución
1. Se pide diseñar un cancelador de ruido con 𝑁 = 5, para lo cual se buscan los coeficientes del
filtro. Lo primero a calcular es la autocorrelación del ruido correlacionado y la correlación
cruzada entre la señal con ruido y el ruido correlacionado. Luego se define el número de
coeficientes, que viene dado por el valor de N.
% Calcula autocorrelacion de CorrelatedNoise (n[k])
Phinn = xcorr(CorrelatedNoise);
% Calcula correlacion entre SignalPlusNoise (s[k]) y CorrelatedNoise
(n[k])
Phisn = xcorr(SignalPlusNoise,CorrelatedNoise);
% Orden del filtro
N = 5;
% Crea matriz A con los valores de autocorrelacion
A = toeplitz( Phinn(L:(L+N-1)) );
% Crea el vector b
b = Phisn( L:(L+N-1) );
% Calcula los coeficientes del filtro
h = A\b;
% Obtiene las senales g[k] y e[k]
g = filter(h, 1, CorrelatedNoise);
e = SignalPlusNoise - g;
De donde se obtienen los coeficientes del filtro. Luego, para 𝑁 = 5 el filtro es:
𝐻(𝑧) = 0.5299 + 0.5271𝑧 '$ + 0.6119𝑧 '% + 0.2292𝑧 ') + 0.2938𝑧 '* ,
Así, las gráficas del espectro de potencia de magnitud de 𝑠[𝑘] y 𝑒[𝑘] se muestra a
continuación:
% Cálculo del espectro en frecuencias normalizadas usando fft para
s[k]
K = 2^11;
% Calcula espectros de magnitud y fase usando fft
k = 0:(K-1);
% Determina el rango de frecuencias normalizadas en [-0.5,0.5]
fk = k/K - 0.5;
% Centra el espectro
Xks = fftshift( fft(SignalPlusNoise,K) );
% Ajusta la magnitud de los espectros con respecto a la frecuencia de
% muestreo
XFs = Xks/Fs;
% Grafica espectros centrados en frecuencia normalizada
figure
plot(fk*Fs, db(XFs));
xlabel('f, Hertz'); ylabel('|s[F]|^2,db'); title('Espectro de
potencia: magnitud');
% Cálculo del espectro en frecuencias normalizadas usando fft para
e[k]
% Centra el espectro
Xke = fftshift( fft(e,K) );
% Ajusta la magnitud de los espectros con respecto a la frecuencia de
% muestreo
XFe = Xke/Fs;
% Grafica espectros centrados en frecuencia normalizada
figure
plot(fk*Fs, db(XFe));
xlabel('f, Hertz'); ylabel('|e[F]|^2,db'); title('Espectro de
potencia: magnitud');
2. Se obtiene el diagrama de polos y ceros de 𝐻(𝑧). Para eso se tiene:
% Diagrama polos y ceros
Bz=[h'];
Az=[1];
zplane(Bz,Az);
axis([-2 2 -2 2]);
title('Diagrama polos y ceros Cancelador de ruido');
xlabel('Parte real'); ylabel('Parte Imaginaria');
El espectro del filtro 𝐻(𝑧) se obtiene como sigue:
% Ahora volvemos a usar freqz pero procesamos un poco los datos que
nos
% entrega para obtener un espectro centrado en 0
[h, omega] = freqz(Bz,Az,'whole');
% Recupero la frecuencia normalizada en cps
f = (omega - pi)/(2*pi);
% Centra el espectro con fftshift()
h = fftshift(h);
% Grafico usando plot pues el espectro es continuo
figure
% title('Espectro de potencia sistema: magnitud');
subplot(311)
plot(f*Fs, db(abs(h)));
xlabel('F, Hertz'); ylabel('|X(f)|^2, dB');
title('Espectro de potencia: Magnitud');
3. Se pide calcular la potencia de 𝑠[𝑘] y de 𝑒[𝑘]:
%Potencia de s[k]
pot_s=rms(XFs)^2
pot_s = 3.0410e-08
%Potencia de e[k]
pot_e=rms(XFe)^2
pot_e = 2.6020e-08
Así, la potencias de las señales son:
𝑃&[>] = 3.041 · 10'@ [𝑊𝑎𝑡𝑡𝑠]
𝑃A[>] = 2.602 · 10'@ [𝑊𝑎𝑡𝑡𝑠]
4. Por último, escuchando la señal 𝑒[𝑘] filtrada a través del comando:
% Escucha la señal filtrada
soundsc(e, Fs);
Al reproducir la señal se puede escuchar que es practicamente la misma a 𝑠[𝑘], con muy leves
variaciones en el volumen de cada canción que le compone, por lo que no se puede distinguir una
clara señal de interés. Este poco efecto del filtro puede ser debido a la poca cantidad de ceros que
posee.
5. Ahora se realizará el mismo proceso pero para 𝑁 = 10 y luego 𝑁 = 15. Para los fines de
análisis solo se observarán los resultados, puesto que las líneas de código son prácticamente
iguales.
Caso 𝑁 = 10
Luego de obtener los coeficientes, el filtro es de la forma:
𝐻(𝑧) = 1.3267 + 0.8733𝑧 &' + 1.3530𝑧 &( + 0.5749𝑧 &) + 0.7304𝑧 &* + 0.8612𝑧 &+ + 0.5149𝑧, + 1.1930𝑧 &-
+ 0.4519𝑧 &. + 1.0528𝑧 &/
Las gráficas obtenidas de los espectros de potencia de ambas señales son:
Ahora bien, el diagrama de polos y ceros para este caso posee nueve ceros como se muestra a
continuación.
El espectro del filtro 𝐻(𝑧) con 𝑁 = 10
Se pide calcular la potencia de s[k] y de e[k]:
%Potencia de s[k]
pot_s=rms(XFs)^2
pot_s = 3.0410e-08
%Potencia de e[k]
pot_e=rms(XFe)^2
pot_e = 1.7757e-08
Así, la potencias de las señales con 𝑁 = 10 son:
𝑃&[>] = 3.041 · 10'@ [𝑊𝑎𝑡𝑡𝑠]
𝑃A[>] = 1.7757 · 10'@ [𝑊𝑎𝑡𝑡𝑠]
En este caso, al escuchar la señal 𝑒[𝑘], se notan ciertas diferencias con 𝑠[𝑘], pues se logra
escuchar más un sonido de piano, que antes era casi imperceptible. Sin embargo, aún no se puede
determinar cuál es la señal de interés.
Caso 𝑁 = 15
Luego de obtener los coeficientes, el filtro es de la forma:
𝐻(𝑧) = 1.7116 + 1.7117𝑧 &' + 1.7115𝑧 &( + 1.7114𝑧 &) + 1.7114𝑧 &* + 1.7115𝑧 &+ + 1.7118𝑧 &, +
1.7120𝑧 &- + 1.7122𝑧 &. + 1.7122𝑧 &/ + 1.7123𝑧 &'0 + 0.8563𝑧 &'' + 0.8559𝑧 &'( + 0.8557𝑧 &') + −0.0000𝑧 &'*
Entonces se obtienen las gráficas de magnitud de potencia para las señales 𝑠[𝑘] y 𝑒[𝑘]
Ahora bien, el diagrama de polos y ceros para este caso posee nueve ceros como se muestra a
continuación.
El espectro del filtro 𝐻(𝑧) con 𝑁 = 15:
Se pide calcular la potencia de 𝑠[𝑘] y de 𝑒[𝑘]:
%Potencia de s[k]
pot_s=rms(XFs)^2
pot_s = 3.0410e-08
%Potencia de e[k]
pot_e=rms(XFe)^2
pot_e = 1.0456e-08
Así, la potencias de las señales son:
𝑃&[>] = 3.041 · 10'@ [𝑊𝑎𝑡𝑡𝑠]
𝑃A[>] = 1.0456 · 10'@ [𝑊𝑎𝑡𝑡𝑠]
En este último caso, al escuchar la señal 𝑒[𝑘], se puede apreciar claramente la señal oculta,
la cual es la canción “Para Elisa” de Ludwig van Beethoven. Se puede notar que el filtro esta vez
pudo realizar su trabajo, pues contaba con los ceros suficientes y con el valor necesario para quitar
el ruido que la corrompía.
En cuanto a la potencia, se puede ver que se redujo cada vez más, lo que da a entender que es
menor el volumen, y que sí se estaban quitando componentes que aumentaban la potencia.
