Tarea 2 – Reconocer los elementos matemáticos que

implica la conversión Analógica Digital

Marin Ballesteros, Edgar Armando
Universidad Nacional Abierta y a Distancia
Escuela de Ciencias Básicas Tecnología e Ingeniería
Procesamiento Digital de Señales
Vélez, Colombia
eamarinba@ unadvirtual.edu.co

Abstract — Párrafo relacionado al propósito general de la 2. ¿Cómo se realiza la cuantización de una señal?
actividad. Descripción (sin muchos detalles) de cómo se El proceso de cuantificación digital es posterior a la fase de
desarrolla la actividad. Descripción (sin muchos detalles) de los muestreo, en la que el valor de amplitud se obtiene a partir de
resultados obtenidos. Comentarios finales. (Todo esto en Inglés y
una determinada señal analógica. El propósito de este proceso
se redacta en pasado, es decir, “se logró” reconocer elementos
matemáticos de los ADC, etc)
es cuantificar estos valores asignando bits de nivel.
https://es.wikipedia.org/wiki/Cuantificaci
Keywords—Palabra1, Palabra2, Palabra3, Palabra4. (En %C3%B3n_digital#:~:text=El%20proceso%20de
Inglés) %20cuantificaci%C3%B3n%20digital,muestra%20pero
%20no%20es%20digital.
I. INTRODUCTION (HEADING 1)
Redactar un texto introductorio con sus propias palabras,
generalmente es bueno escribir un párrafo donde se muestre la
necesidad relacionada con el tema en cuestión, colocando
respectivas referencias en formato IEEE al final de cada idea
con un número entre corchete, así [1].
Seguidamente recomiendo describir algunas generalidades
teóricas sobre el tema y mencionar algunos avances,
igualmente citar más referencias [2-5].
Por último es bueno dejar claro el propósito del presente
trabajo y dejarlo como párrafo final de la introducción.
figura 2. Cuantizacion de una señal
II. DESARROLLO
3. ¿Qué indica el teorema de muestreo de Nyquist?
A. Aportes teóricos
El teorema del muestreo fue propuesto por Nyquist (Nyquist)
1. ¿A qué se refiere el muestreo de una señal analógica? en 1928, señaló que la señal analógica se puede reconstruir a
partir de muestras de igual intervalo de tiempo sin error. La
¿Qué es una señal muestreada? frecuencia de muestreo debe ser igual o superior al doble del
Es el proceso de muestreo: una especie de "puente" entre la ancho de banda de la señal analógica.
señal continua y la señal de tiempo discreto, que permite que http://www.eveliux.com/mx/curso/nyquist.html#:~
las señales discretas representen señales continuas en
determinadas condiciones. Las señales discretas se componen
de muestras igualmente espaciadas (T = período de muestreo).
http://www.unet.edu.ve/aula10c/Asenales/Unid01/terce02.htm

Figura 1. Señal muestreada

Figura3. Teorema de Nyquist

4. ¿Cuál es el fenómeno llamado Alias o Aliasing?  𝑥(𝑡) =6 5𝑒𝑛(250𝜋 𝑡)

Este proceso se define científicamente como el efecto
producido cuando diferentes señales continuas se vuelven Para 5𝑒𝑛(250𝜋 𝑡) ω=250Hz
indistinguibles cuando se muestrean digitalmente. Es un
cambio en la percepción de un determinado movimiento a 2 π f 0 n=250Hz
través de nuestra percepción o por cualquier medio óptico. Por
ejemplo, cuando andamos por la calle, al mirar los neumáticos
de un vehículo, sentiremos que se está moviendo en sentido 250 Hz
f 0 n=
contrario. dirección. Significa que el vehículo se está 2π
moviendo hacia adelante, pero las ruedas parecen moverse
hacia atrás 250 Hz
https://grupocarman.com/blog/2014/07/22/efecto-aliasing/# f 0 n=¿5𝑒𝑛(250𝜋 𝑡)= =¿)
2π
5. ¿Qué realiza la transformada de Fourier?
Se trata de una transformación matemática que se utiliza para
f 0 n=6 ¿)= 750 Hz
convertir señales entre el dominio del tiempo (o dominio
espacial) y el dominio de la frecuencia. Tiene muchas
aplicaciones en los campos de la física y la ingeniería
es.wikipedia.org › wiki › Transformada_de_Fourier

∞
1
g(€)= ∫ f ( x ) e−iex dx
√ 2 π −∞  𝑥(𝑡) =11 cos(1000𝜋 𝑡)

Para cos(1000𝜋 𝑡) ω=1000Hz

6. ¿ Qué es la transformada rápida de Fourier?
2 π f 0 n=1000Hz
Transformada rápida de Fourier FFT es un algoritmo que
reduce el tiempo de cálculo en 2 pasos an • log2 (n). El único 1000 Hz
requisito es que el número de puntos en la secuencia debe ser f 0 n=
una potencia de 2 (2n puntos), como 32, 1024, 4096, etc 2π
http://www.sc.ehu.es/sbweb/fisica3/datos/fourier/fourier_1.ht
ml 1000 Hz
f 0 n=¿cos(1000𝜋 𝑡)= =¿)
B. Ejercicios Matemáticos 2π

1. Muestreo
f 0 n=11 ¿)= 5500 Hz

Ejercicio 4: Siendo 𝑥(𝑡) = 5𝑒𝑛(100𝜋 𝑡) + 6 𝑠𝑒𝑛(250𝜋 𝑡) + 11

𝑐𝑜𝑠(1000𝜋 𝑡) + 6 𝑠𝑒𝑛(5000𝜋 𝑡) Resuelva: 4.1. Encuentre las
frecuencias 𝑓0 de cada una de las componentes de la señal 𝑥(𝑡)  𝑥(𝑡) =6 5𝑒𝑛(5000𝜋 𝑡)

 𝑥(𝑡) = 5𝑒𝑛(100𝜋 𝑡) Para 65𝑒𝑛(5000𝜋 𝑡) ω=5000Hz

Para 5𝑒𝑛(100𝜋 𝑡) ω=100Hz 2 π f 0 n=5000Hz

2 π f 0 n=100Hz 5000 Hz
f 0 n=
2π
100 Hz
f 0 n=
2π 5000 Hz
f 0 n=¿5𝑒𝑛(250𝜋 𝑡)= =¿)
2π
100 Hz
f 0 n=¿5𝑒𝑛(100𝜋 𝑡)= =50 Hz
2π f 0 n=6 ¿)= 15000 Hz
4.2. ¿Se presenta fenómeno alias o aliasing si 𝑥(𝑡) es f 0=750 Hz
muestreada a 𝑆 = 900 𝐻𝑧? ? Explique paso a paso y si presenta
x ( t )= A sen ( 2 π∗750 t ) =A sen ( 750 π t )
alias, encuentre la frecuencia 𝑓𝑎 y reconstruya la señal 𝑥𝑎(𝑡)
Siguiendo con el teorema de Nyquist Shannon o fenómeno de
alias:
 𝑥(𝑡) = 5𝑒𝑛(100𝜋 𝑡)
S ≥2 f 0 f a=f 0−S
Para 5𝑒𝑛(100𝜋 𝑡) ω =100Hz
1.1 Tenemos que:
2 π f 0 n=100Hz S ≥2 f 0
900 ≥ 1500
100 Hz
f 0 n= De manera que se produce el fenómeno de aliasing porque no
2π se está cumpliendo el criterio de Nyquist Shannon, dice que la
frecuencia de muestro debe ser dos veces mayor que la
100 Hz frecuencia máxima.
f 0 n=¿5𝑒𝑛(100𝜋 𝑡)= =50 Hz
2π Como se presente el fenómeno de aliasing se debe hallar la
frecuencia máxima:
f a=750−900=−150 hz
Tenemos la señal: Es decir, para poder muestrear la señal a 900 hz debo tener
una frecuencia máxima de -150 Hz.
x ( t )= A sen ( 2 π f 0 t )
f 0=50 Hz
 𝑥(𝑡) =11 cos(1000𝜋 𝑡)
x ( t )= A sen ( 2 π∗50 t ) =A sen ( 100 π t )
Siguiendo con el teorema de Nyquist Shannon o fenómeno de Para cos(1000𝜋 𝑡) ω=1000Hz
alias:
S ≥2 f 0 f a=f 0−S 2 π f 0 n=1000Hz
1.1 Tenemos que:
1000 Hz
S ≥2 f 0 f 0 n=
2π
900 ≥ 100
Por lo tanto, no se produce el fenómeno de aliasing y se está
1000 Hz
cumpliendo el criterio de Nyquist Shannon porque la f 0 n=¿cos(1000𝜋 𝑡)= =¿)
frecuencia de muestro es dos veces mayor que la frecuencia 2π
máxima. No es necesario hallar la frecuencia máxima.
f 0 n=11 ¿)= 5500 Hz

 𝑥(𝑡) =6 5𝑒𝑛(250𝜋 𝑡) x ( t )= A sen ( 2 π f 0 t )

Para 5𝑒𝑛(250𝜋 𝑡) ω =250Hz f 0=5500 hz
x ( t )= A sen ( 2 π∗5500 t ) =A sen ( 11000 π t )
2 π f 0 n=250Hz Siguiendo con el teorema de Nyquist Shannon o fenómeno de
alias:
250 Hz S ≥2 f 0 f a=f 0−S
f 0 n=
2π 1.1 Tenemos que:
S ≥2 f 0
250 Hz
f 0 n=¿5𝑒𝑛(250𝜋 𝑡)= =¿) 900 ≥ 11000
2π De manera que se produce el fenómeno de aliasing porque no
se está cumpliendo el criterio de Nyquist Shannon, dice que la
f 0 n=6 ¿)= 750 Hz frecuencia de muestro debe ser dos veces mayor que la
frecuencia máxima.
Como se presente el fenómeno de aliasing se debe hallar la
x ( t )= A sen ( 2 π f 0 t ) frecuencia máxima:
f a=5500−900=4600 hz
Es decir, para poder muestrear la señal a 900 hz debo tener 100 Hz
una frecuencia máxima de 14100 Hz. f 0 n=¿5𝑒𝑛(100𝜋 𝑡)= =50 Hz
2π
x ( t )= A sen ( 2 π f 0 t )
 𝑥(𝑡) =6 5𝑒𝑛(5000𝜋 𝑡) f 0=50 Hz
x ( t )= A sen ( 2 π∗50 t ) =A sen ( 100 π t )
Para 65𝑒𝑛(5000𝜋 𝑡) ω =5000Hz Siguiendo con el teorema de Nyquist Shannon o fenómeno de
alias:
2 π f 0 n=5000Hz S ≥2 f 0 f a=f 0−S
5000 Hz 1.1 Tenemos que:
f 0 n=
2π S ≥2 f 0
4600 ≥ 100
5000 Hz
f 0 n=¿5𝑒𝑛(250𝜋 𝑡)= =¿)
2π Por lo tanto, no se produce el fenómeno de aliasing y se está
cumpliendo el criterio de Nyquist Shannon porque la
f 0 n=6 ¿)= 15000 Hz frecuencia de muestro es dos veces mayor que la frecuencia
máxima. No es necesario hallar la frecuencia máxima.
1.2 ¿Se presenta fenómeno alias o aliasing si 𝑥(𝑡) es
Tenemos la señal:
muestreada a 𝑆 = 3500 𝐻𝑧? Explique paso a paso y si presenta
x ( t )= A sen ( 2 π f 0 t ) alias, encuentre la frecuencia 𝑓𝑎
f 0=15000 hz
x ( t )= A sen ( 2 π∗15000 t )= A sen ( 30000 π t )
Siguiendo con el teorema de Nyquist Shannon o fenómeno de
alias:  𝑥(𝑡) =6 5𝑒𝑛(250𝜋 𝑡)
S ≥2 f 0 f a=f 0−S
Para 5𝑒𝑛(250𝜋 𝑡) ω=250Hz
1.1 Tenemos que:
2 π f 0 n=250Hz
S ≥2 f 0
900 ≥ 30000 250 Hz
De manera que se produce el fenómeno de aliasing porque no f 0 n=
se está cumpliendo el criterio de Nyquist Shannon, dice que la 2π
frecuencia de muestro debe ser dos veces mayor que la
frecuencia máxima. 250 Hz
f 0 n=¿5𝑒𝑛(250𝜋 𝑡)= =¿)
Como se presente el fenómeno de aliasing se debe hallar la 2π
frecuencia máxima:
f a=15000−900=14100 hz f 0 n=6 ¿)= 750 Hz
Es decir, para poder muestrear la señal a 900 hz debo tener
una frecuencia máxima de 14100 Hz.
4.3. ¿Se presenta fenómeno alias o aliasing si 𝑥(𝑡) es x ( t )= A sen ( 2 π f 0 t )
muestreada a 𝑆 = 4600 𝐻𝑧? ? Explique paso a paso y si
presenta alias, encuentre la frecuencia 𝑓𝑎 y reconstruya la f 0=750 Hz
señal 𝑥𝑎(𝑡) x ( t )= A sen ( 2 π∗750 t ) =A sen ( 750 π t )
Siguiendo con el teorema de Nyquist Shannon o fenómeno de
 𝑥(𝑡) = 5𝑒𝑛(100𝜋 𝑡) alias:
S ≥2 f 0 f a=f 0−S
Para 5𝑒𝑛(100𝜋 𝑡) ω =100Hz
1.1 Tenemos que:
2 π f 0 n=100Hz S ≥2 f 0
4600 ≥ 1500
100 Hz
f 0 n=
2π
Por lo tanto, no se produce el fenómeno de aliasing y se está 5000 Hz
cumpliendo el criterio de Nyquist Shannon porque la f 0 n=
2π
frecuencia de muestro es dos veces mayor que la frecuencia
máxima. No es necesario hallar la frecuencia máxima.
5000 Hz
1.2 ¿Se presenta fenómeno alias o aliasing si 𝑥(𝑡) es f 0 n=¿5𝑒𝑛(250𝜋 𝑡)= =¿)
muestreada a 𝑆 = 3500 𝐻𝑧? Explique paso a paso y si presenta 2π
alias, encuentre la frecuencia 𝑓𝑎
f 0 n=6 ¿)= 15000 Hz

 𝑥(𝑡) =11 cos(1000𝜋 𝑡) Tenemos la señal:

x ( t )= A sen ( 2 π f 0 t )
Para cos(1000𝜋 𝑡) ω =1000Hz
f 0=15000 hz
2 π f 0 n=1000Hz x ( t )= A sen ( 2 π∗15000 t )= A sen ( 30000 π t )
Siguiendo con el teorema de Nyquist Shannon o fenómeno de
alias:
1000 Hz
f 0 n= S ≥2 f 0 f a=f 0−S
2π
1.1 Tenemos que:
1000 Hz S ≥2 f 0
f 0 n=¿cos(1000𝜋 𝑡)= =¿)
2π 4600 ≥ 30000
De manera que se produce el fenómeno de aliasing porque no
f 0 n=11¿)= 5500 Hz se está cumpliendo el criterio de Nyquist Shannon, dice que la
frecuencia de muestro debe ser dos veces mayor que la
x ( t )= A sen ( 2 π f 0 t ) frecuencia máxima.
f 0=5500 hz Como se presente el fenómeno de aliasing se debe hallar la
frecuencia máxima:
x ( t )= A sen ( 2 π∗5500 t ) =A sen ( 11000 π t ) f a=15000−4600=10400 hz
Es decir, para poder muestrear la señal a 4600 hz debo tener
Siguiendo con el teorema de Nyquist Shannon o fenómeno de
una frecuencia máxima de 10400 Hz.
alias:
S ≥2 f 0 f a=f 0−S

1.1 Tenemos que: 2. Cuantización

S ≥2 f 0
4600 ≥ 11000 Ejercicio 5 cuantizacion
De manera que se produce el fenómeno de aliasing porque no Halle el número de bits B, para cuantizar una señal
se está cumpliendo el criterio de Nyquist Shannon, dice que la muestreada que cambia entre -5V y 5V, y tiene un error rms
frecuencia de muestro debe ser dos veces mayor que la de σ =30 mV
frecuencia máxima. ¿Cuántos bits 𝐵 se requieren?
Como se presente el fenómeno de aliasing se debe hallar la Se cuenta con el intervalo de escala completa el cual es:
frecuencia máxima:
f a=11000−4600=5400 hz D=5 V −−5 V
Es decir, para poder muestrear la señal a 4600 hz debo tener
una frecuencia máxima de 5400 Hz. D=5 V +5 V sumando:

D=10 V
 𝑥(𝑡) =6 5𝑒𝑛(5000𝜋 𝑡) Para halar el valor de B, utilizamos la fórmula:

Para 65𝑒𝑛(5000𝜋 𝑡) ω =5000Hz D

2B =
σ √12
2 π f 0 n=5000Hz
n x =g X(1)=x(0)+x(1)+x(2)
−2 jπ (1)(0) −2 jπ (1)(1) −2 jπ (1)(2)
X(0) 3 +x(1) 3 +x(2) 3
Aplicando logaritmo en ambos extremos de la ecuación: e e e
−2 jπ −4 jπ
9(1)+3 3 +4 3
e e
log ( n x )=log ( g ) 2π 2π 4π 4π
9+3(cos( )-jsen( ))+4(cos( )-j( ))
x log ( n )=log ( g ) 3 3 3 3
1 √3 1 √3
9+3(- - j )+4(- + j )
log ( g ) 2 2 2 2
x= 3
log ( n ) 9- - 3 j √ 3-2 +2 j √ 3
2
Obtenemos 11
-j 3
2 √
D
2B =
σ √12
Para k=2
log ( g )
x= x 2=x 0 e− j 2 π (2)∗(0 )/ 3 + x1 e− j 2 π (2)∗(1)/3 + x 2 e− j 2 π (2)∗(2)/ 3
log ( n )

D x 2=9( 1)+3 e− j 4 π / 3+ 4 e− j 8 π / 3

B=
log (
σ √ 12 ) Aplicamos la identidad de Euler
log (2 )
e− jw=cos( w)− jsen( w)identidad de euler
Reemplazando
x 2=9+3 (cos∗(4 π /3)− j∗sen (4 π /3))+3∗(cos (8 π /3)− j∗se
x 2=9+3 ((−1 /2)+ j∗( √ 3/2))+ 4∗((−1/2)− j( √ 3/2))

B=
log ( 0,0310√ 12 ) =
log ( 96.225 )
log ( 2 )
=6.59 Resolvemos la ecuación imaginarios y reales
log ( 2 )
. x 2=9−3/2−3 j 2 √ 3/2−2−4 j3 √ 3/ 2
11
3. Transformada de Fourier x 2= + 3 j2 √ 3/2−4 j 3 √ 3 /2
2
Transformada Discreta de Fourier (Esta se planteará como la
ecuación de sumatoria de la TDF – revisar OVI de entorno de
conocimiento o web conferencia, allí se muestra un ejemplo de x 2=−1.5− j ( 3 √3 / 2+4 √ 3 / 2 )
cómo desarrollar la TDF matemáticamente, deben realizarlo x 2=11 /2− j ( √ 3 / 2 )
con los tres últimos dígitos de su documento de identidad)
x(n)=[9,3,4]

Para k=0 C. Algoritmo sobre Transformada Discreta de Fourier

− j 2 π (0)∗(0)/3 − j 2 π (0)∗(1 )/ 3 − j 2 π (0)∗(2)/3
x 0=x 0 e + x1 e + x2 e
x 0=9(1)+3(1)+4(1)
En la tercera parte cada estudiante realizará el
x 0=16 algoritmo de la Transformada Discreta de Fourier, en
el cual debe estar planteada la sumatoria de la
transformada con dos ciclos for. Dicho algoritmo se
Entonces Para k=1 realizará para una señal de longitud de tres (3)
muestras. Los tres valores de las muestras
X= ( 9 3 4 ) corresponden a los tres últimos números del
−2 jπ (k)(n) documento de identificación, por ejemplo, si mi
N
∑ X x (n) e cédula es 80765437, entonces el algoritmo se hará
 para la señal x[n] = [4 3 7]. Para desarrollar esta parte Generalmente, los humanos percibimos sonidos entre 20 Hz y
el estudiante podrá utilizar Matlab, Octave Online, o 20 kHz, aunque el límite superior disminuirá con la edad.
Scilab. Además, no percibimos todas las frecuencias con la misma
intensidad. Aquellos entre 1 y 5 Khz son los mejores sonidos
que escuchamos. Si pensamos que el componente de
frecuencia más importante del habla humana es de hasta 3,5
Khz, este rango es significativo, por lo que nuestro proceso
X = [9 3 4]; valores de muestra de la señal original  evolutivo nos permitirá escuchar mejor el rango del habla
N = length(x); este es el numero de muestras de la señal x = humana.
zeros(3,1) este es el valor x
for k = 0:N-1; esta es la variable en el tiempo de 0 a numero http://www.cochlea.org/es/sonidos/campo-auditivo-humano
de muestra 3
for n= 0:N-1; este es el valor en (k) por (n)x(k+1) = x(k+1) +
x(n+1)*exp(- j*2*pi*n*k/N) ecuacion donde se suman los
exponentes
end fin sumatoria de los exponente
end fin proceso de la transformada
t = 0:N-1 variable en el tiempo de 0 a numero de muestras
subplot(311) recuadro primera grafica
stem(t,x); comndo para graficar las variables(t) y (x)
xlabel('Tiempo (s)'); indicamos titulo en el eje
xylabel('Amplitud'); indicamos titulo en el eje y
title('Dominio del tiempo - Secuencia de Figura5. Rango audible porlos humanos
entrada'); indicamos el titulo
subplot(312) recuadro segunda graficastem(t,x);
 comndo para graficar las variables(t) y (x)
xlabel('Frecuencia'); indicamos titulo en el eje x
ylabel('|x(k)|'); indicamos titulo en el eje ytitle('Transformada
discreta de Fourier');indicamosel titulo

Figua6. Rango de frecuencias de los instrumentos musicales

La frecuencia de muestreo mínima de la señal reproducida es

el doble de la frecuencia original de la forma de onda. Por
ejemplo, si intenta transmitir el sonido de un violín por
teléfono, encontrará que su triste realidad es que es posible
que no escuche ningún sonido al otro lado del tubo. Por lo
tanto, para poder capturar con precisión estas señales de alta
frecuencia, es necesario muestrear al menos el doble de la
velocidad de la señal.
https://es.wikipedia.org/wiki/Frecuencia_de_muestreo

.
Figura 4. Algoritmo de la transformada de Fourier
Link del video: Pegue aquí el link del video.
D. Investigación sobre rango de frecuencias
III. RESULTADOS Y CONCLUSIONES
Analice las respuestas obtenidas en los ejercicios y realice
comentarios finales sobre el trabajo.
.
REFERENCES
Las referencias se deben relacionar en el texto, no es
solamente enumerarlas aquí, sino que en cada parte del texto
donde se mencione el tema relacionado debe citar en formato
IEEE [1]. A continuación dejo dos videos de apoyo
https://www.youtube.com/watch?
v=nlkBp4fbVbg&ab_channel=AprenderaInvestigar
https://www.youtube.com/watch?
v=yuIbVxQg3x4&ab_channel=AprenderaInvestigar
[1] D. A. Harris, Noise Control Manual: Guidelines for problem solving in
the industrial/commercial acoustical environment, 1st ed. Van Nostrand
Reinhold, 1991, p. 172.
[2] P.B. Pathak and M.P.P. Hirave “FxLMS Algorithm for active noise
cancellation”, pp. 978-981, 2012.
[3] E. N. Rivas and P. Lischinsky “HERRAMIENTA DE SOFTWARE
LIBRE CON ACCESO”, 2008.
[4] R. A. Quintana-Soler and D.A. Patiño Guevara “Identificación de
sistemas aplicado a un recinto reverberante” pp. 1-10. 2014
[5] LJUNG, Lennart. System identification. Birkhäuser Boston, 1998.
[6] B. Widrow and S.D. Stearns, Adaptive Signal Proccesing, Prentice-Hall.
1985.
[7] S. Kuo, Gan, W, Kalluri, Active Noise Control Systems, Algorithms and
DSP Implementation. New York, 1996.
[8] J. Proakis and D. Manolakis, Digital Signal Proccesing, principles,
algorithms and applications. Prentice Hall. 1996.
[9] S.Y. Radiocomunicaciones, TESIS DOCTORAL Ingeniería avanzada
para sistemas de control de ruido acústico mediante técnicas adaptativas.
1998.
[10] Olson, H.F, and E. G. May, “Electronic Sound Absorber,” J. Acoust.
Soc. Am., Vol 25, No. 6, Nov. 1953, pp. 1130-1136
[11] Gan, W.S.; Mitra, S.; Kuo, S.M.: Adaptive feedback activenoise control
headset: implementation, evaluation an its extensions. IEEE Trans.
Consum. Electron., 51 (3) (2005), 975–982.
[12] Diniz, P. S. (1997). Adaptive filtering. Boston, MA: Kluwer.
[13] Kostek, T. M., & Franchek, M. A. (2000). Hybrid noise control in ducts.
Journal of Sound and Vibration, 237(1), 81-100.
[14] Kuo, S. M., Mitra, S., & Gan, W. S. (2006). Active noise control system
for headphone applications. Control Systems Technology, IEEE
Transactions on, 14(2), 331-335.
[15] Bao, C., Sas, P., & Van Brussel, H. (1993). Adaptive active control of
noise in 3-D reverberant enclosures. Journal of sound and vibration,
161(3), 501-514.
[16] S. M. Kuo and D. Vijayan, “Adaptive algorithms and experi-mental
verification of feedback active noise control systems,”Noise Control
Eng. J., vol. 42, pp. 37–46, Mar.–Apr. 1994
[17] S. J. Elliott, P. A. Nelson, I. M. Stothers, and C. C. Boucher, “In-flight
experiments on the active control of propeller-inducedcabin noise,” J.
Sound Vibration, vol. 140, no. 2, pp. 219–238, 1990.
[18] De Diego, M., Gonzalez, A., Pinero, G., Garcia, C., & Ferrer, M. (2000).
Acoustic field conformation using multichannel active noise control
techniques. In Sensor Array and Multichannel Signal Processing
Workshop. 2000. Proceedings of the 2000 IEEE (pp. 202-206). IEEE.
[19] Moon, T. K., & Stirling, W. C. (2000). Mathematical methods and
algorithms for signal processing (Vol. 1). New York: Prentice hall.