Universidad Tecnologica Metropolitana: Análisis Gráfico de Señales Mediante Simulación Y Modelamiento Matemático Matlab

UNIVERSIDAD TECNOLOGICA METROPOLITANA
FACULTAD DE INGENIERÍA
DEPARTAMENTO DE ELECTRICIDAD
ESCUELA DE ELECTRÓNICA
PROFESOR: HUGO DURNEY W.
AYUDANTE: LEANDRO PASTEN G.
Jueves 29 de julio de 2010
ANÁLISIS GRÁFICO DE SEÑALES MEDIANTE SIMULACIÓN Y

MODELAMIENTO MATEMÁTICO MATLAB
Felipe Fernández G.
fipe.blues@live.cl
Gloria Ramirez G.
mci.gloria@gmail.com
Alexis Servelló Huerta

Mitos84@hotmail.com
Introducción
Mediante la transmisión de la señal ocurren ciertos efectos no deseados. Uno de ellos es el ruido, el
cual se manifiesta como alteraciones de la forma de la señal. Al introducirse este tipo de alteraciones al
sistema, es una práctica común y conveniente imputárselas, pues el transmisor y el receptor son
considerados ideales. En términos generales, cualquier perturbación no intencional de la señal se puede
clasificar como "ruido", y algunas veces es difícil distinguir las diferentes causas que originan una señal
contaminada.
Por ruido se debe de entender las señales aleatorias e impredecibles de tipo eléctrico originadas en forma
natural dentro o fuera del sistema. Cuando estas señales se agregan a la señal portadora de la información,
ésta puede quedar en gran parte oculta o eliminada totalmente. El ruido no puede ser eliminado
completamente, ni siquiera en teoría.
En el análisis de señales son comúnmente usadas las funciones de correlación y autocorrelación.

La correlación se define como la relación recíproca entre dos o más señales, mientras que la autocorrelación
se define como la correlación cruzada de la señal consigo misma.
Estas funciones corresponden a una herramienta matemática, utilizada frecuentemente en el procesado de

señales, de gran utilidad para encontrar patrones repetitivos dentro de una señal, como por ejemplo, la
periodicidad de una señal enmascarada bajo el ruido o para identificar la frecuencia fundamental de una
señal que no contiene dicha componente, pero aparecen numerosas frecuencias armónicas de esta.
La transformada de Fourier, otra importante herramienta en el análisis de señales, se utiliza para pasar al
dominio frecuencial una señal para así obtener información que no es evidente en el dominio temporal. Se
demuestra matemáticamente que una señal periódica se puede descomponer en una suma de senos y
cosenos formando una base ortogonal, de esta forma, señales como la voz o las ondas se pueden
descomponer en un sumatorio de señales trigonométricas.
El análisis de una señal es factible a través de distintas herramientas predispuestas para esta tarea.
Específicamente se evocara este informe en la utilización de dichas herramientas, tales como la correlación
de señales y la transformada de Fourier para verificar experimentalmente las características del ruido
Gaussiano en términos de tiempo, frecuencia y función de densidad de probabilidad, además de analizar los
efectos de los procesos de una señal en los dominios de tiempo y frecuencia, utilizando como programa
base el software de modelamiento matemático MATLAB.
OBJETIVOS
- Desarrollar un dominio básico del manejo del software MATLAB.
- Estructurar correctamente las configuraciones básicas de frecuencia de muestreo, definición de

variables, generación de bases de tiempo y frecuencia como variables independientes y otras formalidades
de programación a la hora de implementar un programa de procesamiento discreto de señales.
- Verificar y evaluar la utilidad de la correlación como herramienta de análisis de señales.
- Verificar experimentalmente las características del ruido Gaussiano en términos de tiempo, frecuencia y
función de densidad de probabilidad (PDF).
- Analizar los efectos de los procesos de una señal en los dominios de tiempo y frecuencia.
1. DESARROLLO DEL PROCEDIMIENTO Y RESULTADOS
3.1 Generar una señal de ruido Gaussiano y obtener el histograma del ruido generado. Graficar
el Histograma de barras y sobre éste agregar el mejor ajuste de la campana de Gauss que muestre
la tendencia del histograma con la PDF teórica del ruido. Obtener y graficar la autocorrelación del
ruido.
Generamos la siguiente señal de ruido Gaussiano.
Esta señal es aleatoria y es

generada por el siguiente código
para MATLAB:
Comando:
RG = randn(1,N); %
comando de ruido
Gaussiano.
Donde (1,N) representan en

este caso una matríZ de 1 fila y
nesima cantidad de columnas a las
cuales se les determina
aleatoriamente sus valores por
parte del sistema.
Luego el histograma generado por el comando:
Comando:
hist(RG,100);%histograma del ruido

gaussiano
Donde (RG,100) representa una base en donde

se plantea una cantidad determinada de columnas que
van indicando la probabilidad de encontrar una cierta
amplitud dentro de los puntos aleatorios de el ruido
Gaussiano, tal como se puede observar e inferir de
acuerdo a su denominación, la distribución de
probabilidades responde al comportamiento de una
campana de Gauss.
Determinamos autocorrelación del ruido.
Luego la idea es determinar una

semejanza del ruido consigo mismo, se
observa que existe un único punto del
dominio del tiempo en donde el ruido
gaussiano adquiere una correlación
máxima consigo mismo (está montado
justo arriba de si mismo).
Comando:
RGxRG = xcorr(RG,RG);%
autocorrelación del ruido.
Se puede observar en la imagen ampliada que en la base del

gráfico se contempla únicamente un ruido gaussiano común con
características de simetría desde el centro de la figura, luego existe
un pulso de una amplitud muy grande en comparación a lo que es
las amplitudes que se observan en la base del la correlación
resultante.
3.2 Generar una señal cosenoidal pura de frecuencia f=1000Hz. Obtener y graficar la
autocorrelación de esta señal pura.
Generamos la siguiente señal cosenoidal

pura.
Comando:
c = cos(2*pi*f*eje_t); %genera
señal cosenoidal pura
Frecuencia =1000
Determinamos la autocorrelación de la misma señal.
De forma análoga a lo que ocurre

con la señal de ruido Gaussiano, la
Señal pura es correlacionada consigo
misma, mostrando un patrón de
comportamiento que también tiene un
solo punto de correlación máxima ,
pero en este caso se reduce
linealmente a medida que se aleja del
punto de partida de la señal.
Comando:
cxc = xcorr(c,c);
%autocorrelación de la
cosenoidal pura.
Integral de Correlación.
3.3 Generar señal contaminada mezclando las señales del punto 3.1 y 3.2 para condiciones de
nivel de ruido bajo, medio y alto. En este último nivel se espera que tanto en tiempo como en
frecuencia se haya perdido la posibilidad de distinguir visualmente la presencia de la señal
cosenoidal pura inmersa en el ruido.
Señal cosenoidal contaminada con tres distintos niveles de ruido gaussiano.
a. Niveles de ruido bajo.
Aquí se puede observar que la

cosenoidal original aun es
fácilmente visible. Contiene dentro
de ella a un ruido de una amplitud
mucho menor
b. Niveles de ruido medio.
Luego, al aumentar el nivel de ruido

a una dentro de la seña pura se
puede contemplar como la señal
comienza a “perderse”.
c. Niveles de ruido alto.
Al llegar a niveles de ruido en los

que la amplitud de la señal se ve
extremadamente superada, lo único que
puede visualizarse a simple vista es un
ruido aleatorio.
Comando:
RG3c = RG3+c; %genera seña con
ruido alto.
Ahora si comparamos visualmente

la señal con contaminación extrema,
veremos que no existe mucha
diferencia con lo que es el ruido
gaussiano original.
3.4 Obtener y graficar las transformadas de Fourier de las señales del punto 3.2 y 3.3 y
mostrarlas junto a sus correspondientes gráficas temporales.
Transformada de Fourier de la señal cosenoidal pura y su gráfica con respecto al tiempo.
El gráfico de la parte superior representa la señal

cosenoidal (abajo) en el dominio de la frecuencia. Esto es
a lo que se le llama la TRANSFORMADA DE FOURIER.
Comando:
TF_c = fftshift(abs(fft(c,L_fft)));
%transformada de fourier de la señal
cosenoidal(fft=fast fourier transform).
Viene dada por la siguiente relación.
Transformada de Fourier de la señal con baja contaminación y su gráfica respecto al tiempo.
Ahora en este caso se puede observar que ante

la existencia de ruido dentro de la señal se
generan alteraciones en el dominio de la
frecuencia, estas alteraciones corresponden a
las componentes en frecuencia del ruido inserto
en la señal.
(La curva verde corresponde a la señal pura)
Comando:
TF_RG1c =
fftshift(abs(fft(RG1c,L_fft)));
%transformada de fourier para la
señal con contaminación baja.
Transformada de Fourier de la señal contaminación media y su gráfica respecto al tiempo.
Paulatinamente se puede ir
aumentando el ruido gaussiano,
consiguiendo a su vez ir
consumiendo la visibilidad de la
señal pura.
(La línea púrpura corresponde a la
señal pura)
Comando:
TF_RG2c =
fftshift(abs(fft(RG2c,L_ff
t))); %transformada de
fourier para la señal con
contaminación media.
Transformada de Fourier de la señal con alta contaminación y su gráfica respecto al tiempo.
Finalmente y ya en un caso de ruido

extremo podemos ver que la señal se
encuentra completamente perdida.
Con línea roja se muestra en gráfico de
frecuencias la potencia que tiene la señal
pura y con azul en el mismo gráfico la
potencia de ruido gaussiano.
Resulta evidente que en este punto es
imposible ver la señal sin un sistema que
logre aislar punto a punto la señal de datos.
Comando:
TF_RG3c =
fftshift(abs(fft(RG3c,L_fft)));
%transformada de fourier para la
señal con contaminación alta.
3.5 Para el caso de nivel de ruido alto, obtener y graficar la correlación cruzada entre las
señales de los puntos 3.2 y 3.3. Examinar detalladamente, evaluar y comentar este resultado.
Al correlacionar lo que intentamos es determinar que tanto

parecido existe entre una señal y otra, y si se sabe utilizar
esta idea es posible conseguir el rescate de una señal que
se encuentra perdida en un mar de ruido.
Primero al intentar ver las semejanzas que existen punto a

punto entre la señal con ruido máximo y la señal con ruido
mínimo nos podemos percatar de inmediato que lo que
prepondera en el gráfico es el punto central, en el cual el
ruido se encuentra “montado sobre si mismo”.
Comando:
RG3cxRG1c =
xcorr(RG3c,RG1c);%correlación entre
señal con ruido alto y señal con ruido
bajo.
Es fácil percibir el cambio entre el grafico de

correlaciona el “ruido bajo” y el gráfico que
correlaciona el “ruido medio”, el primero en su parte
inferior tiende a ser más ancho, es decir a tener
una mayor correlación, pero el segundo,
correspondiente al ruido medio, contiene dentro de
su espectro una mayor densidad de componentes
de ruido, por lo cual la parte baja de la figura tiende
a adelgazar, o a tener una menor correlación.
Comando:
RG3cxRG2c = xcorr(RG3c,RG2c);
%correlación entre señañ con ruido
alto y señal con ruido medio.
La autocorrelación de la señal contaminada con ruido

máximo delata que el ruido es de tal intensidad que se
tiene una gran semejanza a lo que era la
autocorrelación del Ruido Gaussiano.
Comando:
RG3cxRG3c = xcorr(RG3c,RG3c);
%autocorrelación de la señal con
ruido alto.
Ya sabemos que dentro de la señal contaminada se

encuentra oculta la señal pura, por lo cual al determinar
semejanza existente con la cosenoidal obtenemos una figura
muy semejante a la autocorrelación de la cosenoidal pura
que habíamos visto antes, ya que implícitamente se siguen
operando punto a punto cada uno de los elementos de la
señal oculta.
“Existe una gran área, por lo cual existe una gran

correlación”
Comando:
RG3cxc = xcorr(RG3c,c);%correlacion entre
señal con ruido máximo y señal pura.
CONCLUSIONES
Una señal “ensuciada“ puede quedar inmersa dentro de un ruido al punto de ser visualmente inexistente,
empíricamente se ha demostrado la versatilidad de algunas herramientas utilizadas en el análisis de
señales. La correlación y la autocorrelación son eficaces instrumentos de estudio y observación de las
señales, por medio de estas se logra aislar, una señal pura, del ruido que la oculta y distorsiona.
Inicialmente se observo lo complejo que resulta visualizar físicamente una señal de información disuelta
dentro de un mar de aleatoriedad como lo es el Ruido Gaussiano, tras el desarrollo de una variada gama de
procedimientos que confluyen a estas herramientas, fue posible corroborar como estas en complemento con
la Transformaciones de Fourier, terminan por delatar el contenido dentro de un ruido aleatorio.
En un contexto un tanto más técnico, un análisis minucioso del comportamiento de una señal “perdida”
dentro de una fuerte contaminación deja abierta una infinidad de posibilidades de estudios.
En este caso especifico, se utilizo un ruido con características propias; el ruido gaussiano se utilizo de
forma intencional para distorsionar una señal a distintos niveles.
Quedó de manifiesto el comportamiento aleatorio del ruido gaussiano, su función de densidad
probabilística cae (teóricamente) dentro del modelo de distribución normal, es por esto que se aprecia su
forma característica de campana.
Por otra parte cabe mencionar que al momento de utilizar estas herramientas y comprender teóricamente
su comportamiento quedan al descubierto la versatilidad de posibles aplicaciones. Sin duda se puede inferir
la emersión constante referida al “ruido”, causado por diversas fuentes como: radiaciones provenientes del
espacio, equipos electrónicos, cambios meteorológicos, redes de alta tensión e incluso, el mismo campo
terrestre interpretado como un ruido mas dentro del espectro electromagnético que pueden captar algunos
instrumentos. En definitiva resulta real y cotidiano encontrarse con equipamiento que utiliza algunos
conceptos básicos planteados en el desarrollo de esta simulación experimental en MATLAB, algunos
ejemplos para estos casos son las herramientas médicas como el electrocardiógrafo, cual capta señales de
amplitudes que bordean los mili Volt (mV) del cual recurre a constantes comparaciones entre varios
sensores instalados en un cuerpo humano. Los sistemas de navegación de las aeronaves funcionan
correctamente gracias a los tratamientos que se hacen a las muy contaminadas señales que reciben de
agentes externos como torres de control, radares meteorológicos, sistemas GPS, Radiofaros, etc., que
constantemente se encuentran a una gran distancia y requieren ser precisos para evitar que los vuelos
pierdan el rumbo, especialmente en situaciones de vuelo nocturno o baja visibilidad.
Se ha de proponer a modo de idea, realizar una aplicación para MATLAB de la cual se requiera ingresar
directamente cambios en variables como frecuencias de muestreo, frecuencia de la señal, tipos y cantidades
de ruido, etc. Para realizar internamente todos los procedimientos necesarios que permitan obtener gráficos
comparativos, así exponer un estudio más directo a una señal y su comportamiento en un ambiente ruidoso,
eventualmente se quisiera proponer la búsqueda de métodos que permitan recuperar una señal perdida
dentro de ruidos gaussianos u otros tipos de interferencias.
2 COMANDOS Y CARACTERES UTILIZADOS EN EL PROGRAMA
“;” : Termina línea de comando.

“abs”: Obtiene valor absoluto.
“+” : Suma.
“fft”: Operación “transformada rápida
“*” : Multiplicación. de fourier”.
“/” : División. “figure(x)”: Muestra Figura.
“%” : Separa líneas de comando del “plot”: Genera el Gráfico en 2D.

texto informativo.
“axis([xi xf yi yf])”: Acota la zona
“close all” : Cierra todo. de ploteo del gráfico.
“xlabel”: Etiqueta el eje x.
“clear all” : Limpia consola de
comandos anteriores. “ylabel”: Etiqueta el eje y.
“round” : Redondea un número al “title”: Da un título al gráfico.

superior más cercano.
“grid”: Muestra grilla numérica.
“linspace”: Genera un Dominio bajo
parámetros indicados. “hist”: Genera histograma.
“randn”: Genera una matriz de “histfit”: Genera la mejor curva para

términos aleatorios. el histograma.
“L_fft”: Determina la longitud de una “hold”: Monta una curva en el mismo

transformada de Fourier. gráfico.
“cos(a)”: Función COSENO. “subplot(x1,x2,x3)”: entrega gráficos

comparativos en base al
“xcorr”: Operación de Correlación. posicionamiento en la matriz.
“fftshift”: Reordena los puntos en

función de la frecuencia.
3 CÓDIGO DEL PROGRAMA UTILIZADO EN LA REALIZACION DEL TRABAJO DE

ANALISIS
close all;clear all;%limpia la memoria de funciones anteriores.
f = 1000; %frecuencia de señal cosenoidal.

fm = 20000; %frecuencia de muestreo.
tm = 1/fm; %duración de una muestra.
Ttot= 10; %duración de la señal.
N = round(Ttot/tm); %Número de Muestras.
L_fft = 512; % longitud transformada de fourier.
eje_t = linspace(0,Ttot,N); %genera los valores del eje tiempo.
eje_f = linspace(-fm/2,fm/2,L_fft); % eje frecuencia.
RG = randn(1,N); % comando de ruido Gaussiano.
amp1 = 0.3;%Factor de bajo ruido.
amp2 = 1.0;%Factor de ruido medio.
amp3 = 25;%Factor de ruido alto.
%-> Estos son los factores que ponderan la potencia del ruido
%gaussiano, determinando graficamente su amplitud e implicitamente
%el grado de contaminación de la señal.
RG1 = amp1*RG;%ruido bajo.
RG2 = amp2*RG;%ruido medio.
RG3 = amp3*RG;%ruido alto.
c = cos(2*pi*f*eje_t); %genera señal cosenoidal pura.
RG1c = RG1+c; %genera señal con ruido bajo.

RG2c = RG2+c; %genera seña con ruido normal.
RG3c = RG3+c; %genera seña con ruido alto.
RG3xc = xcorr(RG3,c);%correlaciona ruido alto con cosenoidal pura.
RG3cxc = xcorr(RG3c,c);%correlacion entre señal con ruido máximo y señal pura.
RG3cxRG1c = xcorr(RG3c,RG1c);%correlación entre señal con ruido alto y señal con
ruido bajo.
RG3cxRG2c = xcorr(RG3c,RG2c);%correlación entre señañ con ruido alto y señal con
ruido medio.
RG3cxRG3c = xcorr(RG3c,RG3c);%autocorrelación de la señal con ruido alto.
RGxRG = xcorr(RG,RG);% autocorrelación del ruido.
cxc = xcorr(c,c); %autocorrelación de la cosenoidal pura.
TF_c = fftshift(abs(fft(c,L_fft))); %transformada de fourier de la señal
cosenoidal(fft=fast fourier transform).
TF_RG1c = fftshift(abs(fft(RG1c,L_fft))); %transformada de fourier para la señal
con contaminación baja.
con contaminación media.
con contaminación alta.
TF_RG3xc = fftshift(abs(fft(RG3xc,L_fft)));%transformada de fourier de la
correlación del ruido máximo y la señal coseno pura.
TF_RG = fftshift(abs(fft(RG,L_fft))); %transformada de fourier del ruido
gaussiano.
%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%Item 3.1%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%
figure(1);
plot(eje_t,RG);%ruido gaussiano
axis([0 0.05 -5 5]);
xlabel('Tiempo');
ylabel('Amplitud');
title('Ruido Gaussiano');
grid;
figure(2);
hist(RG,100);%histograma del ruido gaussiano
hold;
histfit(RG,100);%curva de funcion de densidad probabilistica
xlabel('Amplitud');
ylabel('Probabilidad');
title('Histograma del Ruido Gaussiano');
grid;
figure(3);
plot(RGxRG);% autocorrelación del ruido Gaussiano
xlabel('Tiempo');
ylabel('Amplitud');
title('Autocorrelación de la señal de Ruido Gaussiano');
grid;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%
%%%%Item 3.2%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%
figure(4);
plot(eje_t,c);% señal cosenoidal pura
axis([0 0.01 -1.5 1.5]);
xlabel('Tiempo');
ylabel('Amplitud');
title('Señal Cosenoidal Pura');
grid;
figure(5);%subplot se emplea para gráficos comparados, y se trabaja mediante una

matriz.
subplot(2,1,1);plot(cxc);% autocorrelación de la señal pura.
axis([0 4*10^5 -1*10^5 1*10^5])
xlabel('Tiempo');
ylabel('Amplitud');
title('Autocorrelación de la Señal Cosenoidal Pura');
grid;
subplot(2,1,2); plot(cxc);
axis([0 1400 -600 600])
xlabel('Tiempo');
ylabel('Amplitud');
title('Ampliación');
grid;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%
%%%%Item 3.3%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%
figure(6);
plot(eje_t,RG1c);%señal pura con ruido bajo
title('Señal con ruido bajo');
axis([0 0.005 -1.5 1.5]);
xlabel('Tiempo');
ylabel('Amplitud');
grid;
figure(7);
plot(eje_t,RG2c);%señal pura con ruido medio
axis([0 0.01 -4 4]);
title('Señal con ruido medio');
xlabel('Tiempo');
ylabel('Amplitud');
grid;
figure(8);
plot(eje_t,RG3c);%señal pura con ruido alto
axis([0 0.05 -80 80])
title('Señal con ruido alto');
xlabel('Tiempo');
ylabel('Amplitud');
grid;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%
%%%%Item 3.4%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%
figure(9);
subplot(2,1,1); plot(eje_f,TF_RG); %TRANSFORMADA DE FOURIER DEL RUIDO GAUSSIANO
axis([-3000 3000 0 50]);
title('Transformada de Fourier del ruido gaussiano');
xlabel('Frecuencia');
ylabel('Amplitud');
grid;
subplot(2,1,2); plot(eje_t,RG);
axis([0 0.03 -3 3]);
xlabel('Tiempo');
ylabel('Amplitud');
title('Ruido gaussiano');
grid;
figure(10);
subplot(2,1,1); plot(eje_f,TF_c); %TRANSFORMADA DE FOURIER DE LA SEÑAL
COSENOIDAL
axis([-4000 4000 0 220]);
title('Transformada de Fourier de la señal Cosenoidal');
ylabel('Amplitud');
grid;
subplot(2,1,2); plot(eje_t,c);
axis([0 0.01 -1 1]);
xlabel('Tiempo');
ylabel('Amplitud');
title('Señal Cosenoidal Pura');
grid;
figure(11);
subplot(2,1,1);plot(eje_f,TF_RG1c); %TRANSFORMADA DE FOURIER DE SEÑAL
CONTAMINADA
hold;%monta un gráfico sobre otro.
plot(eje_f,TF_c,'g');
axis([-4000 4000 0 220]);
title('Transformada de Fourier de la señal con ruido bajo');
ylabel('Amplitud');
grid;
subplot(2,1,2);plot(eje_t,RG1c);%señal pura con ruido bajo
title('Señal con ruido bajo');
axis([0 0.005 -1.5 1.5]);
xlabel('Tiempo');
ylabel('Amplitud');
grid;
figure(12);
subplot(2,1,1); plot(eje_f,TF_RG2c);%TRANSFORMADA DE FOURIER DE SEÑAL
CONTAMINADA
hold;
plot(eje_f,TF_c,'m');
axis([-4000 4000 0 220])
title('Transformada de Fourier de la señal con ruido medio');
ylabel('Amplitud');
grid;
subplot(2,1,2); plot(eje_t,RG2c);%señal pura con ruido medio
axis([0 0.01 -4 4]);
title('Señal con ruido medio');
xlabel('Tiempo');
ylabel('Amplitud');
grid;
figure(13);
subplot(2,1,1);plot(eje_f,TF_RG3c);%TRANSFORMADA DE FOURIER DE SEÑAL
CONTAMINADA
hold;
plot(eje_f,TF_c,'r');
axis([-3000 3000 0 1000])
title('Transformada de Fourier de la señal con ruido alto');
ylabel('Amplitud');
grid;
subplot(2,1,2); plot(eje_t,RG3c);%señal pura con ruido alto
axis([0 0.05 -80 80])
title('Señal con ruido alto');
xlabel('Tiempo');
ylabel('Amplitud');
grid;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%
%%%%Item 3.5%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%
figure(14);
plot(RG3cxc);%
xlabel('Número de muestra');
ylabel('Amplitud');
title('Correlación de las señales de ruido máximo y la señales pura')
grid;
figure(15);
plot(RG3cxRG1c);%
ylabel('Amplitud');
title('Correlación de las señales de ruido máximo y ruido bajo')
grid;
figure(16);
plot(RG3cxRG2c);%
ylabel('Amplitud');
title('Correlación de la señales de ruido máximo y ruido medio')

grid;
figure(17);
plot(RG3cxRG3c);%
xlabel('Tiempo');
ylabel('Amplitud');
title('Autocorrelacion de la señal con ruido máximo');
grid;

Universidad Tecnologica Metropolitana: Análisis Gráfico de Señales Mediante Simulación Y Modelamiento Matemático Matlab

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Universidad Tecnologica Metropolitana: Análisis Gráfico de Señales Mediante Simulación Y Modelamiento Matemático Matlab

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TECNOLOGICA METROPOLITANA

Jueves 29 de julio de 2010

ANÁLISIS GRÁFICO DE SEÑALES MEDIANTE SIMULACIÓN Y

Alexis Servelló Huerta

En el análisis de señales son comúnmente usadas las funciones de correlación y autocorrelación.

Estas funciones corresponden a una herramienta matemática, utilizada frecuentemente en el procesado de

- Desarrollar un dominio básico del manejo del software MATLAB.

- Estructurar correctamente las configuraciones básicas de frecuencia de muestreo, definición de

- Verificar y evaluar la utilidad de la correlación como herramienta de análisis de señales.

1. DESARROLLO DEL PROCEDIMIENTO Y RESULTADOS

Esta señal es aleatoria y es

Donde (1,N) representan en

Luego el histograma generado por el comando:

hist(RG,100);%histograma del ruido

Donde (RG,100) representa una base en donde

Determinamos autocorrelación del ruido.

Luego la idea es determinar una

Se puede observar en la imagen ampliada que en la base del

Generamos la siguiente señal cosenoidal

Determinamos la autocorrelación de la misma señal.

De forma análoga a lo que ocurre

a. Niveles de ruido bajo.

Aquí se puede observar que la

b. Niveles de ruido medio.

Luego, al aumentar el nivel de ruido

c. Niveles de ruido alto.

Al llegar a niveles de ruido en los

Ahora si comparamos visualmente

Transformada de Fourier de la señal cosenoidal pura y su gráfica con respecto al tiempo.

El gráfico de la parte superior representa la señal

Viene dada por la siguiente relación.

Transformada de Fourier de la señal con baja contaminación y su gráfica respecto al tiempo.

Ahora en este caso se puede observar que ante

Transformada de Fourier de la señal contaminación media y su gráfica respecto al tiempo.

Transformada de Fourier de la señal con alta contaminación y su gráfica respecto al tiempo.

Finalmente y ya en un caso de ruido

Al correlacionar lo que intentamos es determinar que tanto

Primero al intentar ver las semejanzas que existen punto a

Es fácil percibir el cambio entre el grafico de

La autocorrelación de la señal contaminada con ruido

Ya sabemos que dentro de la señal contaminada se

“Existe una gran área, por lo cual existe una gran

2 COMANDOS Y CARACTERES UTILIZADOS EN EL PROGRAMA

“;” : Termina línea de comando.

“/” : División. “figure(x)”: Muestra Figura.

“%” : Separa líneas de comando del “plot”: Genera el Gráfico en 2D.

“round” : Redondea un número al “title”: Da un título al gráfico.

“randn”: Genera una matriz de “histfit”: Genera la mejor curva para

“L_fft”: Determina la longitud de una “hold”: Monta una curva en el mismo

“cos(a)”: Función COSENO. “subplot(x1,x2,x3)”: entrega gráficos

“fftshift”: Reordena los puntos en

3 CÓDIGO DEL PROGRAMA UTILIZADO EN LA REALIZACION DEL TRABAJO DE

close all;clear all;%limpia la memoria de funciones anteriores.

f = 1000; %frecuencia de señal cosenoidal.

c = cos(2*pi*f*eje_t); %genera señal cosenoidal pura.

RG1c = RG1+c; %genera señal con ruido bajo.

figure(5);%subplot se emplea para gráficos comparados, y se trabaja mediante una

title('Correlación de la señales de ruido máximo y ruido medio')

También podría gustarte

c = cos(2pif*eje_t); %genera señal cosenoidal pura.