Comunicaciones II Unidad1

Introducción al filtrado digital
Sistemas de Comunicaciones II
Jorge Luis Agüero

jaguero@unexpo.edu.ve
Universidad Experimental Politécnica “Antonio José de Sucre”(UNEXPO)

Vicerrectorado Barquisimeto
Departamento de Ingenierı́a Electrónica
Enero del 2021
Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 1 / 63

Índice
1 Introducción
2 Teorema del muestreo
3 Filtro digital:Introducción
4 Implementacion de un filtro digital
5 Diseño de un filtro digital

Introducción
Introducción: muestreo de una señal

Las señales discretas pueden producirse de diversas maneras. Una
de ellas es el muestreo periódico de señales continuas
Recordemos lo explicado en Comunicaciones I, con su notación
correspondiente (desde el punto de vista de los sistemas de
comunicaciones)

Teorema del muestreo

discretizando el tiempo
¿De que trata el teorema del muestreo?.

Consiste en representación de una señal mediante los valores de
amplitud tomados en tiempo discreto.
Esto plantea que una señal de pasa-bajas, es decir, que su
espectro sea de extensión finita puede ser completamente
determinada por sus muestras tomadas uniformemente a
1
intervalos TS ≤ 2B , donde B es la frecuencia máxima de la señal.
Este hecho es sorprendente, que una señal se pueda representar
(y luego recuperar) a partir de las muestras sin ningún tipo de
distorsión. Esto se debe a la redundancia inherente de las formas
de ondas continuas.


Que sucede en el tiempo:

∞
X
xs (t) = x(t) δ(t − nTs ) ⇒
n=−∞
∞
X
xs (t) = x(nTs )δ(t − nTs )
n=−∞
Que sucede ahora operando en la frecuencia:

∞
X
xs (t) = x(t)f (t) con f (t) = δ(t − nTs )
n=−∞
1
Xs (w ) = X (w ) ~ F (w )
2π


Podemos expresar f (t) como una serie de Fourier,
+∞
X
f (t) = cn · e jnws t con
n=−∞
Z
1 1
cn = δ(t)· e −jnws t dt =
Ts Ts Ts
obteniendo
+∞
1 X jnws t
f (t) = ·e con
Ts n=−∞
al buscar la transformada obtenemos
∞
2π X
F (w ) = δ(w − nws )
Ts n=−∞
2π
donde ws = 2πfs = Ts
al sustituir F (w ) en
1
Xs (w ) = X (w ) ~ F (w )
2π
∞
1 2π X
Xs (w ) = X (w ) ~ δ(w − nws )
2π Ts n=−∞
al realizar la convolución con un tren de deltas obtenemos

∞
1 X
Xs (w ) = X (w − nws )
Ts n=−∞
Lo cual podemos ilustrar con la figura a continuación (de donde se

1
deduce la expresión TS ≤ 2B ):



Efecto de aliasing
Al no cumplir
1
con TS ≤ 2B ,
es decir
1
TS >
2B
o
fS < 2B


Efecto de aliasing
Al no cumplir con
1
TS ≤ 2B , es decir
1
TS >
2B
o
fS < 2B


Reconstrucción
De los resultados anteriores es evidente que el mensaje original puede

ser recuperado mediante filtraje pasabajo (ideal) cuya frecuencia de
corte es B.


Reconstrucción
Suponemos un filtro

w
H(w ) = k.rect
2(2πB)
Que sucede en la frecuencia:
k k
Y (w ) = Xs (w )H(w ) = X (w ) ⇒ y (t) = x(t)
Ts Ts
Que sucede en el tiempo:
∞
X
y (t) = h(t) ~ xs (t) = h(t) ~ x(nTs )δ(t − nTs )
n=−∞
∞
X
y (t) = x(nTs )h(t − nTs )
n=−∞


Reconstrucción
Ahora h(t) lo obtenemos anti-transformando H(w ) (definido

anteriormente). Para ello usaremos la propiedad de dualidad
F (t) ↔ 2πf (−w ) y recordamos que
wx
rect(t/x) ↔ xSa
2
ası́ por dualidad
tx x tx
xSa ↔ 2πrect(w /x) ⇒ rect(w /x) → Sa
2 2π 2
como x es para nuestro caso 4πB obtenemos
x tx
h(t) = k Sa = 2kBSa(2πBt)
2π 2
lo cual podemos ilustrar en la lamina siguiente:

Reconstrucción
La señal se interpola con funciones sampling.


Observe que la aplicación del teorema de muestreo es “sorprendente”,
codificar la información de una señal analógica en un tren de deltas
1
(muestras), sin perder información, con solo cumplir con TS ≤ 2B .
¿Como cambia este desarrollo en procesamiento de señales

discretas (DSP)?.
Una diferencia es que DSP utiliza una notación diferente, hay
varios simbolos para representar la frecuencia w , Ω y f , según sea
el caso.
T se denomina perı́odo de muestreo (su unidad fundamental es el
segundo).
fs = 1/T se denomina frecuencia de muestreo (su unidad
fundamental es muestras por segundo).
Ωs = 2π/T se denomina frecuencia angular de muestreo (su
unidad fundamental es el radián por segundo).
ws = 2π se denomina frecuencia angular normalizada de muestreo
(su unidad fundamental es el radián).


1

discretas (DSP)?.
el caso.
segundo).


1

discretas (DSP)?.
el caso.
segundo).


1

discretas (DSP)?.
el caso.
segundo).


1

discretas (DSP)?.
el caso.
segundo).


1

discretas (DSP)?.
el caso.
segundo).


En DSP
La transformada de fourier (de comunicaciones X (w )) se simboliza

como X (jΩ) o X (e jw ) según sea el caso !!!


En DSP
Ahora la frecuencia en la transformada se simboliza con Ω


En DSP
Y al muestrear nos queda


En DSP
Pero es mejor representar la frecuencia normalizada

Filtro digital:Introducción
Filtro digital
Definición
Un filtro digital, es un filtro que opera sobre señales digitales. Es una

operación matemática que toma una secuencia de números (la señal
de entrada) y la modifica produciobjetivo de resaltar o atenuar ciertas
caracterı́sticasendo otra secuencia de números (la señal de salida) con
el objetivo de resaltar o atenuar ciertas caracterı́sticas.

Filtro digital
aplicación
Separación de señales que fueron combinadas desafortunadamente

(ruido, interferencias provenientes de otros sistemas)

Filtro digital
Caracterización de un filtro
Hay varias formas equivalentes de caracterizar un filtro, las más

comun:
Respuesta al impulso
Respuesta en frecuencia

Filtro digital
Respuesta al impulso
Conociendo la respuesta al impulso, se puede calcular la respuesta del

filtro a cualquier entrada (principio de superposición)

Filtro digital
Respuesta en frecuencia
La respuesta en frecuencia es la Transformada de Fourier de Tiempo

Discreto de la respuesta al impulso,
h(n) −→ H(e jw )
Las transformadas de Fourier de la entrada y la salida del sistema se

relacionan por,
Y (e jw ) = H(e jw )X (e jw )

Implementacion de un filtro digital
Implementación de un filtro digital
Convolución de la señal de entrada con la respuesta al impulso

del filtro. En este caso, la salida del filtro en cada instante es un
promedio ponderado de la muestra actual y muestras pasadas de
la entrada.
+∞
X
y [n] = h[k]x[n − k]
k=0
Mediante la ecuación en recurrencia. En este caso, el filtro se

define por los coeficientes de recursión. La salida en cada
instante involucra además de muestras de la entrada, muestras
previas de la salida. Por Ejemplo,
y [n] = a1 y [n − 1] + a2 y [n − 2] + b0 x[n] + b1 x[n − 1] + b2 x[n − 2]

Filtro IIR: Infinite Impulse Response
Ecuación de recurrencia,
y [n] = b0 x[n] + b1 x[n − 1] + b2 x[n − 2] + · · · + bM x[n − M]
−a1 y [n − 1] − a2 y [n − 2] − · · · − aN x[n − N]
Las constantes del filtro ai y bj son los coefientes del filtro. Su
valores determinan como será su respuesta, es decir, un filtro
pasabajo, pasaalto, pasabanda o rechaza banda.
Los coeficientes bj son conocidos como feedforward y los
coeficientes ai son backward.
Si el filtro tiene al menos un coefiente backward (no nulo), es un
filtro recurrente o IIR (Infinite Impulse Response), en caso
contrario, sólo feedforward (ai = 0) es un filtro tipo FIR (Finite
Impulse Response).

Filtro IIR
Ejemplo: Cálculo de la respuesta al impulso del filtro IIR de primer
orden

Filtro IIR
Ejemplo: respuesta al impulso del filtro IIR de primer orden
* El filtro tiene realimentación

entre la entrada y la salida.
* Se observa que la respuesta al

impulso es infinita (tiende a cero,
matemáticamente llega a cero en
n = +∞.

Filtro FIR: Finite Impulse Response
Coeficientes de un filtro FIR,

M
X
y [n] = h[k]x[n − k]
k=0
y [n] = h[0]x[n] + h[1]x[n − 1] + h[2]x[n − 2] + · · · + h[M]x[n − M]
b0 x[n] + b1 x[n − 1] + b2 x[n − 2] + · · · + bM x[n − M]

En un filtro FIR, los coeficientes de feedforward de la ecuación de
recurrencia son los coeficientes de la respuesta al impulso y los
coeficientes de backward son nulos.

Filtro FIR
Ejemplo: filtro FIR de segundo orden
y [n] = x[n]+0, 7x[n−1]−0, 4x[n−2]
h[n] = δ[n]+0, 7δ[n−1]−0, 4δ[n−2]

Filtro FIR
Ejemplo de filtro FIR: moving average (promedio/media movil)
M−1 M−1
1 X X 1
y [n] = h[k]x[n − k] = x[n − k]
M M
k=0 k=0
1
por ello h[n] = M.
Ejemplo del cálculo: la muestra n = 80 de la salida
de un filtro de longitud M = 5, será
x[80] + x[79] + x[78] + x[77] + x[76]
y [80] =
5

Filtro FIR
Ejemplo del filtro moving average eliminando ruido,
x[n] + x[n − 1] + x[n − 2] + · · · + x[n − M]
y [n] =
M

Diseño de un filtro digital
Diseño de un filtro FIR
filtros de media móvil.

Buen despeño en el dominio del tiempo.
Mala respuesta como pasabajos (roll-off lento, mala atenuación en
banda atenuada).
filtros enventanados (Windowing).
Excelente comportamiento como pasabajos. Útiles para separar
bandas de frecuencia.
Se pueden llevar a lı́mites de desempeño muy altos (roll-off rápido,
excelente atenuación en banda atenuada, respuesta plana en la
banda pasante).
Compromiso entre la velocidad de ejecución y buenas
caracterı́sticas como pasabajos.

filtro pasabajo ideal
La respuesta en frecuencia del pasabajos

ideal tiene las siguientes caracterı́sticas:
* La banda pasante tiene ganancia 1 y es
perfectamente plana.
* La banda atenuada tiene atenuación
infinita (ganancia 0).
* El ancho de la banda de transición es 0.
La idea del método consiste en obtener la respuesta al impulso del

pasabajos aplicando la Transformada de Fourier de Tiempo Discreto
(DTFT) inversa a la respuesta en frecuencia del pasabajos ideal.

filtro pasabajo ideal

filtro pasabajo real
Observaciones.
La amplitud decae como 1/n.
La respuesta al impulso ideal es una función Sinc o función
Sampling. Tiene infinitas muestras no nulas hacia ambos lados.
Es un filtro irrealizable.
Para hacerlo realizable.
Truncamiento: Se trunca a M + 1 muestras, elegidas
simétricamente alrededor de la muestra del centro de simetrı́a, con
M par. De esta forma, es un filtro FIR y se puede implementar
mediante el producto convolución.
Desplazamiento: Se desplaza la secuencia entera a la derecha de
forma que abarque desde la muestra 0 hasta la M. El filtro se hace
causal.


Observaciones.
La respuesta al impulso del sinc enventanado tiene efectivamente
comportamiento de pasabajos.
Difiere de tener una respuesta ideal:
Hay ripple en la banda pasante.
Tiene pobre atenuación en la banda atenuada.
La banda de transición no es nula.
La forma de analizar el resultado es pensando en que el
trucamiento equivale a multiplicar la señal en el tiempo con una
ventana rectangular. El espectro del pasabajos ideal queda
convolucionado por la transformada de una ventana rectangular
de largo M + 1.


Espectro de ventana rectangular

El ancho de banda (ancho del lóbulo principal):
4π
4θprinc =
M +1
Las oscilaciones (ripple) son más rápidas al incrementar M.
El área del lóbulo principal y de los lóbulos secundarios se
mantiene aproximadamente constante al cambiar M.
La amplitud de las oscilaciones decrece con la frecuencia, pero es
independiente de M.
Es una función simétrica.



Las diferencias entre del filtro ideal y el real, se pueden obtener de la
convolución de los espectros


Relación entre el roll-off y el ancho del lóbulo principal de la ventana
rectangular

Caracterı́sticas del pasabajos en función de M.

Roll-off: es directamente proporcional al ancho del lóbulo
principal del Roll-off: es directamente proporcional al ancho del
lóbulo principal del incrementar el largo de la ventana M.
Perı́odo del ripple: coincide con el perı́odo de las oscilaciones
del espectro de la ventana. Por lo tanto, el ripple es más rápido
al incrementar el largo de la ventana.
Amplitud del ripple: depende del área de los lóbulos
secundarios. Por lo tanto, la atenuación en la banda atenuada y
el ripple en la banda pasante es independiente del largo de la
ventana M.



Limitaciones del truncado (uso de la ventana rectangular):

Ripple: La amplitud del ripple depende del área de los lóbulos
secundarios del espectro de la ventana rectangular. Es
independiente del largo de ventana M ası́ que no se puede
controlar.
Roll-off: La velocidad del roll-off depende del ancho del lóbulo
principal del espectro de la ventana rectangular. El ancho del
lóbulo principal se reduce con espectro de la ventana rectangular.
El ancho del lóbulo principal se reduce con ventana.
Usando ventanas de suavizado cuyo espectro tenga área menor de los
lóbulos secundarios respecto a la ventana rectangular, se reduce el
ripple.


Usando una ventana rectangular


Usando una ventana Blackman


Comparación de ventanas





La atenuación en decibeles es más del doble usando ventana de
Hann o Hamming.
La atenuación es más del triple usando ventana de Blackman.
El ancho de la banda de transcición es el doble usando ventanas
de Hann o o Hamming.
El ancho de la banda de transcición es del triple usando ventana
de Blackman.
La ventana de Kaiser tenemos control independiente en la
atenuación y banda de transcición.

Diseño del filtro pasabajo
De las especificaciones del filtro,

Ripple en la zona de paso
Ripple en la zona de rechazo
frecuencia de corte
Ancho de la banda de transición
Debemos encontrar la frecuencia corte discreta del filtro θc , su
longitud M (impar), y ventana para cumplir lo mejor posible estos
requerimientos.



Diseño usando las caracterı́sticas de cada ventana

Ejemplo de diseñar un filtro pasbajo con las siguientes caracterı́sticas:

Frecuencia de muestreo 10kHz
Frecuencia de corte: 2500 Hz
Ripple: 0.003 (0.3% de variaciones en banda pasante y atenuada)
Ancho de la banda de transición: 200 Hz


Ejemplo de diseño:

Ejemplo de diseño: Como M > 200, seleccionamos M = 201

(impar), además conocemos que θc = π2 .
Ahora M = 2N + 1 por ello N = (M − 1)/2 = 100, y asi las secuencias
varian entre 0 ≤ n ≤ M − 1 (de 0 a 200, es decir 201 coeficientes).
sen[θc (n − N)]
h[n] =
π(n − N)

2πn
w [n] = 0, 54 − 0, 46cos
M
hLP [n] = h[n] ∗ w [n]


Transformaciones:
ksen[θc (n − N)]
hLP [n] = ∗ w [n]
π(n − N)
hHP [n] = (−1)n hLP [n]

Transformaciones:
hBP [n] = 2cos[nθO ]hLP [n]
θH + θL θH − θL
θO = ; θC =
2 2
hBS [N] = K − hBP [N]

hBS [n] = −hBP [n] ∀ n 6= N
θH + θL θH − θL
θO = ; θC =
2 2

Simulación con Octave

Comunicaciones II Unidad1

Cargado por

Información del documento

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

Comunicaciones II Unidad1

Cargado por

Copyright:

Formatos disponibles

Introducción al filtrado digital

Jorge Luis Agüero

Universidad Experimental Politécnica “Antonio José de Sucre”(UNEXPO)

Enero del 2021

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 1 / 63

2 Teorema del muestreo

4 Implementacion de un filtro digital

5 Diseño de un filtro digital

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 2 / 63

Introducción: muestreo de una señal

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 3 / 63

Teorema del muestreo

¿De que trata el teorema del muestreo?.

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 4 / 63

Teorema del muestreo

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 5 / 63

Teorema del muestreo

Que sucede en el tiempo:

Que sucede ahora operando en la frecuencia:

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 6 / 63

Teorema del muestreo

Teorema del muestreo

al realizar la convolución con un tren de deltas obtenemos

Lo cual podemos ilustrar con la figura a continuación (de donde se

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 8 / 63

Teorema del muestreo

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 9 / 63

Teorema del muestreo

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 10 / 63

Teorema del muestreo

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 11 / 63

Teorema del muestreo

De los resultados anteriores es evidente que el mensaje original puede

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 12 / 63

Teorema del muestreo

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 13 / 63

Teorema del muestreo

Ahora h(t) lo obtenemos anti-transformando H(w ) (definido

Teorema del muestreo

La señal se interpola con funciones sampling.

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 15 / 63

Teorema del muestreo

¿Como cambia este desarrollo en procesamiento de señales

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 16 / 63

Teorema del muestreo

¿Como cambia este desarrollo en procesamiento de señales

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 16 / 63

Teorema del muestreo

¿Como cambia este desarrollo en procesamiento de señales

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 16 / 63

Teorema del muestreo

¿Como cambia este desarrollo en procesamiento de señales

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 16 / 63

Teorema del muestreo

¿Como cambia este desarrollo en procesamiento de señales

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 16 / 63

Teorema del muestreo

¿Como cambia este desarrollo en procesamiento de señales

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 16 / 63

Teorema del muestreo

La transformada de fourier (de comunicaciones X (w )) se simboliza

Jorge Agüero (UNEXPO) Unidad1. Filtros Digitales Enero 2021 17 / 63

Teorema del muestreo

Ahora la frecuencia en la transformada se simboliza con Ω