MT233 Procesamiento Digital de Señales: Prof: Ing. Guillermo Joo Aguayo

Universidad Nacional de Ingeniería
Facultad de Ingeniería Mecánica
MT233
Procesamiento
Digital de Señales
Unidad 1: Digitalización y Reconstrucción
de Señales
Prof: Ing. Guillermo Joo Aguayo

Asistente: Ronald Portocarrero Hoyos
Antes de comenzar…
1. Verificar y asegurar la conectividad 2. Ingresar a la sala con el micrófono apagado
3. La puntualidad se valora. 4. Participación activa en clase
Guillermo Joo Digitalización y Reconstrucción de Señales 2

PERO… ¿QUÉ ES PDS, PORQUÉ ESTUDIARLO?
Es un campo de estudio enfocado en las señales digitales y el tratamiento de las mismas
Pocas palabras para un potencial gigantesco
El campo es ampliamente estudiado, tanto en cuestiones computacionales como teóricas,

por lo que es rica en teoría matemática e informática. Una lectura interesante sobre los
avances realizados el siglo pasado puede revisarse aquí
Teoría de las
Procesamiento comunicaciones
Digital de Análisis Numérico
Señales Probabilidad y
Estadística
Procesamiento
de Señales
Análogas
Electrónica Electrónica Teoría de
Análoga Digital Decisión
Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 3

PERO… ¿QUÉ ES PDS, PORQUÉ ESTUDIARLO?
Un sinfín de aplicaciones en el entorno de la ciencia e ingenería
¿Qué otro campo se les viene a la mente?

Estructura del Curso
Conversores Procesadores de Señales
Señales Discretas Filtros Digitales
1°Unidad 3° Unidad 5° Unidad
2°Unidad 4° Unidad
DIGITALIZACIÓN Y
RECONSTRUCCIÓN DE Transformada Discreta
SEÑALES Sistemas Discretos de Fourier

DEFINICIONES BÁSICAS:
Señal Analógica: es una señal, representable mediante una función continua (podemos
representarla mediante x(t) ), que puede tomar cualquier amplitud y está bien definida
en todo momento.
x(t)

DEFINICIONES BÁSICAS:
Señal Discreta: es una señal que, opuestamente a la anterior, puede tomar valores pero
en instantes de tiempo predeterminados, su representación matemática es x[t]. (En la
representación gráfica se presentan líneas verticales para evitar confusiones). Cuando
hablamos de tiempo discreto, se emplearán ecuaciones en diferencia (relaciones de
recurrencia). Matemáticamente una de orden k tiene la forma:
Aquí vemos parámetros cómo:

x[t]
Periodo de muestreo
Hz ó muestras/s
= Frecuencia de muestreo

Definiciones básicas:
Señal Discreta cuantizada: son valores de voltaje adquiridos en instantes de tiempo

predeterminados (muestreo, proceso de discretización en el tiempo, se basa en tomar
muestras de la señal analógica en un tiempo determinado) y aproximados a voltajes
predeterminados (cuantización, proceso de discretización por amplitud, aquí se asignan
valores de las muestras a valores discretos)
¿Cuál es la imagen
con cuantización?

El proceso de digitalización se puede resumir en:
Muestreo Cuantificación Codificación

A todo esto… ¿Qué es una señal digital?
Es una señal discreta en el tiempo que tiene un conjunto de valores discretos, es
decir una señal cuantizada expresada en bits.
2
Xmax
Δ 1.5
Q(x) V3 = 11
Δ 0.5 V2 = 10
Q(x) Rango de
Cuantizació n
0 [Xmin , Xmax ]
Q(x) Cuantizado r
Δ -0.5 V1 = 01
Unifo rme
-1
Δ -1.5
Q(x)
V0 = 00
-2 Xmin
-2.5
0 1 2 3 4 5 6 7 8
Antes de continuar, formalicemos un poco
En general podemos comprender los conceptos basándonos en las ejemplificaciones y

terminología de gran parte de la bibliografía, no obstante basándonos en (Lewis, 2013)
presentamos la definición matemática (usando algunos conceptos de algebra) de algunos
conceptos, esta ayudará en el planteamiento de conceptos matemáticos y su empleabilidad
en el área.
Definición 1: Un subconjunto 𝐴𝐴 ⊂ ℝ es discreto si se cumple:
Es fácil deducir, con los conocimientos de calculo diferencial, la relación correspondiente

para un subconjunto continuo. Con esto obtenemos.
Definición 2: Sea 𝕋𝕋 = 𝕊𝕊 ∩ 𝐼𝐼 un dominio del tiempo y sea 𝔽𝔽 ∈ {ℝ, ℂ} una señal 𝔽𝔽-evaluada en
𝕋𝕋 es un mapeo 𝑓𝑓: 𝕋𝕋 → 𝔽𝔽 con la propiedad de que si 𝕋𝕋 es continua entonces 𝑓𝑓 es medible. Si
𝕋𝕋 es continua se cumple que 𝑓𝑓 es una señal continua en el tiempo y si 𝕋𝕋 es discreta
entonces 𝑓𝑓 es una señal discreta en el tiempo

MUESTREO
Notemos esto:
¿Como se llega hasta allí? Pues, un esquema adecuado, no físico, sería:

C/D Siendo:
s (t)
Realizamos el producto:
Conversión de tren
de impulsos a
xc(t) xs(t) secuencia en x [n] = xc(nT )
tiempo discreto

ANALICEMOS EL TERMINO
Consideremos la Transformada de Fourier (asumimos tiempo continuo):
Donde empleamos la conocida relación:

Y ESTO SE TRADUCE EN…
La ecuación anterior implica que el espectro Xs de la señal muestreada xs es

una extensión periódica, basada en las réplicas desplazadas del espectro
X(ω) de la señal de banda base original. La figura ilustra la interpretación:
X(𝜔𝜔) Xs(𝜔𝜔) 𝜔𝜔s ≥ 4𝜋𝜋𝐵𝐵 Xs(ω) ω s < 4𝜋𝜋B
1 1/Ts
1/Ts
𝜔𝜔 𝜔𝜔
-2𝜋𝜋𝜋𝜋 0 2𝜋𝜋𝜋𝜋 −𝜔𝜔s −2𝜋𝜋𝜋𝜋 0 2𝜋𝜋𝜋𝜋 𝜔𝜔s
ω
La primera es el espectro original, luego se tiene: -2ωs -ωs 0 ωs 2ωs
En la segunda: ω≥ 4𝜋𝜋𝜋𝜋 ( ωs -2𝜋𝜋B) -2𝜋𝜋B
En la tercera: 𝜔𝜔𝑠𝑠 < 4𝜋𝜋𝜋𝜋
La superposición de réplicas se denomina aliasing, que distorsiona el espectro de la señal de
banda base original haciendo imposible su reconstrucción a partir de sus muestras, por ende
tomamos la tasa de muestreo ≥ 4𝜋𝜋𝜋𝜋. Esto se conoce como teorema del muestreo

Y ESTO SE TRADUCE EN…
La ecuación anterior implica que el espectro Xs de la señal muestreada xs es

una extensión periódica, basada en las réplicas desplazadas del espectro
¿Sabías que?
X(ω) de la señal
El teorema de bandasebase
de muestreo original.
conocía La figura ilustra la interpretación:
en varias
formasX(en
ω) la literatura matemática antesXsde
(ω) su ωs ≥ 4pb Xs(ω) ω s < 4pb
aplicación
1 en el procesamiento de señales, 1/Ts que 1/Ts
comenzó mucho más tarde, en la década de 1950.
ω ω ω
-2pb 0 2pb -ωs -2pb 0 2pb ωs -2ωs -ωs 0 ωs 2ωs
La primera es el espectro original, luego se tiene: ( ωs -2pb) 2pb
En la segunda: ω≥ 4𝜋𝜋𝜋𝜋
En la tercera: 𝜔𝜔𝑠𝑠 < 4𝜋𝜋𝜋𝜋
La superposición de réplicas se denomina aliasing, que distorsiona el espectro de la
señal de banda base original haciendo imposible su reconstrucción a partir de sus
muestras, por ende tomamos la tasa de muestreo ≥ 4𝜋𝜋𝜋𝜋.

Para facilitar una demostración analítica sencilla (Damelin, 2012), reescribamos
la lógica obtenida previamente en la forma:
Teorema (Muestreo): Sea f una función que:
1-. Satisface la hipótesis del teorema de convergencia de Fouerier
2-. es continua y tiene una primera derivada continua por partes en su dominio
3-. Existe 𝐵𝐵 > 0 tal que 𝑓𝑓̂ 𝜆𝜆 = 0 para 𝜆𝜆 > 𝐵𝐵
Por tanto, se tiene la siguiente serie convergente uniformemente en ℝ:

DEMOSTRACIÓN:
La prueba es algo fácil de deducir, basta calcular la expansión en series de Fourier
𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷: Tenemos que:
Donde recordemos se asume convergencia en [-B,B ]. Ahora tomamos transformada inversa:
Ahora consideramos:
Por tanto, siendo 𝑘𝑘 = −𝑗𝑗:

RECONSTRUCCIÓN
El teorema de muestreo da una condición para la cual es posible la
reconstrucción es decir obtener una señal continua, pero ¿cómo hacerlo?
Enfoques de sistemas lineales para la reconstrucción:

Filtro de paso bajo ideal con respuesta de impulso de sincronización de dos
lados. No existe un enfoque de filtrado único para la reconstrucción en la
práctica El enfoque de muestreo y retención tiene una implementación eficiente
p(t) x[n]
^x(t)
1
… 4 5 6 n
0 Ts t
…
−1 0 1 2 3 … t
−Ts 0 Ts 2Ts 3Ts …

RECONSTRUCCIÓN
Consideremos la siguiente figura:
X s(𝜔𝜔) H(𝜔𝜔) Y(𝜔𝜔)
1/Ts Ts 1
𝜔𝜔 𝜔𝜔 𝜔𝜔
-𝜔𝜔𝑠𝑠 -2𝜋𝜋𝛽𝛽 0 2𝜋𝜋𝛽𝛽 𝜔𝜔𝑠𝑠 -𝜔𝜔𝑠𝑠 ⁄2 0 -2𝜋𝜋𝛽𝛽 0 2𝜋𝜋𝛽𝛽
La primera es el espectro de una señal, la segunda es una función de transferencia y la
última es el espectro de la función reconstruida. Para lograr reconstruir la señal original
se eliminan las replicas en la CTFT de la señal muestreada. Aquí tenemos:
Analicemos el proceso de reconstrucción en el dominio del tiempo. La salida 𝑦𝑦(𝑡𝑡) del filtro
de paso bajo es, por lo tanto, la convolución de su respuesta de impulso ℎ(𝑡𝑡) con la señal
muestreada 𝑥𝑥𝑠𝑠 (𝑡𝑡). La respuesta de impulso de un filtro de paso bajo ideal con la función
de transferencia dada es, por conocimientos previos:

RECONSTRUCCIÓN
Convolución de la respuesta de impulso ℎ(𝑡𝑡) con la señal muestreada:
x s(t)
y(t)
t
-3 T s -2 T s -T s 0 Ts 2T s 3T s t
-4Ts -3Ts -2Ts -Ts 0 Ts 2Ts 3Ts 4Ts
(𝜔𝜔𝑠𝑠 𝑡𝑡)
h(t) = sinc
2π
t
-4 T s -3T s -2 T s -T s 0 Ts 2T s 3T s 4T s

CONDICIÓN PARA PERFECTA RECONSTRUCCIÓN
Hacemos análisis en el tiempo.
Por lo tanto:
Además:

CONVERSOR ANÁLOGO-DIGITAL
Son dispositivos físicos que convierten una amplitud de tensión o corriente

a su entrada en un código binario que representa la amplitud cuantificada
más cercana a la amplitud de la entrada
Comando de
Control conversión
S/H
Muestreo y Convertidor Buffer A la computadora
retención A/D o bus o al canal de
(S/H) comunicaciones
Preamplificador
analógico Estado

ARQUITECTURAS DE A/D
Muestreo en tasa de Nyquist:

• Flash
• Subranging
• Pipelined
• Aproximaciones sucesivas
Muestreo en tasas superiores al valor

de Nyquist:
Sigma-Delta

Fuente: Apuntes Dr. Guillermo Kemper
Conversor A/D Uniforme Tipo Flash
No. de comparadores= 2r-1=L-1
Circuito Sampling and Hold
Rango de Cuantización : [Vb,Va]
- -1.8v
+
Va=8v
C
Las resistencias deben ser exactamente iguales.

La limitación es tecnológica.
El numero de comparadores se incrementa
exponencialmente con la resolución.
Vb=-8v
V =8v

CUANTIFICACIÓN Y CODIFICACIÓN:
Cuantificación: Representaciones discretas para amplitudes
Aquí aclaramos que medimos amplitudes discretas en bits-El rango que se puede
representar esta dado por el numero de bits esta dado por 2𝑛𝑛 Salida x = Q[x] ^
Niveles de
cuantificación
1
2 bits 10 3 bits 4 bits Palabras codificadas
Output voltage
en complemento a dos
011
0 01 Niveles de decisión
010
− 001
000
x
-1 00 − − 111
-1 0 1 -1 0 1 -1 0 1 Entrada 110
101
Input voltage Input voltage Input voltage 100
-1
0 0.5 1 0 0.5 1 0 0.5 1
Time (second) Time (second) Time (second) Rango R = FSR
(Rango pico a pico)
La cuantificación es un proceso no lineal y no invertible que asigna una amplitud
determinada 𝑥𝑥(𝑛𝑛) ≡ 𝑥𝑥(𝑛𝑛𝑛𝑛) en el instante t = nT a una amplitud 𝑥𝑥𝑘𝑘 .
El rango de amplitud se divide en L intervalos
Niveles de Niveles de
cuantificación decisión
Ik
x3 x^3 x4 x^4 x5 xk x^k xk + 1
Amplitud instantánea
Podemos emplear cuantificadores lineales:
Cero a un nivel de cuantificación→ 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟

Tamaño del escalón del cuantificador
Cero a un nivel de decisión→ 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
Se cumple que:
Ejemplo: x^1 x2 x^2 x3 x^3 x4 x^4 x5 x^5 x6 x^6 x7 x^7 x8 x^8
Amplitud instantánea
Rango del cuantificador

Codificación: asigna un número binario unívoco a cada nivel de cuantificación
Rango del cuantificador
b+1 bits=2𝑏𝑏+1 palabras
Los bits de la forma 𝑎𝑎0 𝑎𝑎1 … 𝑎𝑎𝑛𝑛 tienen el valor −𝑎𝑎0 20 + 𝑎𝑎1 2−1 + ⋯ + 𝑎𝑎𝑛𝑛 2−𝑛𝑛
Algunos esquemas de codificación:

EJEMPLO DE CONVERSOR
Extraído de: F. D. Waldhauer, "Analog-to-digital Converter," U.S. Patent 3,187,325,

Filed July 2, 1962, Issued June 1, 1965
ERRORES EN CUANTIFICACIÓN (RUIDO)
Salida de la cuantización
Señal de entrada más ruido • Asumimos
El ruido es la diferencia de las m ∈ (-mmax, mmax)
señales de salida y entrada.
Cuantificador de altura media uniforme
Derivación de la relación señal-ruido La entrada no sobrecarga el cuantificador
Cuantizar a B bits El error de cuantificación (ruido) se
distribuye uniformemente
m QB[ · ] v El número de niveles de cuantificación
L=2B es lo suficientemente grande como
Cuantización de error para que

•Señal determinista x(t ) con transformada • Autocorrelación de x(t)
de Fourier X(f )
El espectro de potencia es el cuadrado del
valor absoluto de la respuesta de magnitud (se
ignora la fase) El máximo valor (que puede no
existir) se ve en Rx(0)
Rx(τ) es par y simetrica,
La multiplicación en el dominio de Fourier es i.e. Rx(τ) = Rx(-τ)
convolución en el dominio del tiempo x(t) 1
La conjugación en el dominio de Fourier es
inversión y conjugación en el tiempo
0 Ts t
Rx(τ)
Ts
-Ts Ts τ
La relación señal-ruido de cuantificación (SQNR)
La escala logarítmica sería:
p(e) 1
Δ
e
Δ 0 Δ
−
2 2
De aquí para R=6𝜎𝜎𝑥𝑥 :

• Señal aleatoria de dos caras n(t)
La transformada de Fourier puede no existir, pero existe el espectro de potencia
Tiempo promedio
Para un proceso aleatorio gaussiano de media cero n(t) con varianza 𝜎𝜎 2
• Matlab al rescate
Piso de ruido
aproximado

• Tamaño de paso del cuantificador • Error de cuantización −
∆
≤q≤
∆
2 mmax 2 mmax 2 2
∆= ≈
L −1 L
q es una muestra del proceso aleatorio de media cero Q
q se distribuye uniformemente
Signal Power
SNR =
Noise Power
P  3Paverage,m  2 B
SNR = average, m
=   2
σQ 2 2
 mmax 
1.76 y 1.17 son constantes communes usedas en audio
TI Stereo Codec Signal-to-Noise Total Harmonic
Ratio Distortion
Cirrus Logic
WM8994
ADC 94 dB (15.3 bits) 80 dB (13.0 bits)
Ejemplos
DAC 97 dB (15.8 bits) 82 dB (13.3 bits)
TLV320AIC3106 ADC 92 dB (15.0 bits) 91 dB (14.8 bits)
(differential DAC 99 dB (16.2 bits) 94 dB (15.3 bits)
mode)
CUANTIZACIÓN NO UNIFORME
El cuantificador uniforme no es óptimo si la fuente no está uniformemente distribuida
Para M dado, para reducir el MSE, queremos un intervalo estrecho cuando 𝑓𝑓(𝑥𝑥) es
alto y un intervalo ancho cuando 𝑓𝑓(𝑥𝑥) es bajo
f(x)
Guillermo Joo 0 DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 36

CUANTIFICADOR ESCALAR LLOYD-MAX
Puedes plantearle este problema a tus amigos:

Para una señal x con PDF fX(x) dada, encuentre
un cuantificador con M niveles representativos
tales que:

CUANTIFICADOR ESCALAR LLOYD-MAX
Aquí empleamos conceptos mas avanzados, por lo que podrían validar una
re lectura a futuro, así como el articulo On the quantization error of Max
quantizer de Panter y De, 1951.
También conocida como optimizador-pdf se cumple:
Dado M, los bi e yi que minimizan MSE satisfacen:

𝑏𝑏𝑖𝑖 es el punto medio de 𝑦𝑦𝑖𝑖 y 𝑦𝑦𝑖𝑖+1
Cuantificador vecino más cercano
Resumen de las situaciones:
¿Cómo encontrar 𝑏𝑏𝑖𝑖 y 𝑦𝑦𝑖𝑖 óptimos simultáneamente?
Métodos iterativos
SI CONOCEMOS EL PDF
1. Inicializa cualquier yi sea j=1,𝑑𝑑0 = ∞ (distorsión)

2. Actualizar todos los niveles de decisión
3. Actualizamos yi :
4. Calcular MSE
𝑑𝑑𝑗𝑗−1 −𝑑𝑑𝑗𝑗
5. Si < 𝜀𝜀 para, en otro caso haz j=j+1 y vuelve al paso 2.
𝑑𝑑𝑗𝑗−1

Recordar: Límites superior e inferior para la función D(R)
Poder de entropía:

Importancia: estimación directa del error de cuantificación
en términos de la pdf y el número de contenedores
Si 𝑀𝑀 = 2𝑅𝑅

CUANTIZACIÓN EN IMÁGENES
8-bit 7-bit 6-bit 5-bit
4-bit 3-bit 2-bit 1-bit
 G. Anbarjafari
CUANTIZACIÓN EN AUDIO
 M. Mohan
ALIASING
Efecto que causa que señales continuas distintas se tornen indistinguibles cuando
se muestrean digitalmente, causa ambigüedad en el procesamiento de la señal
digital, lo que hace que sea imposible determinar la verdadera frecuencia de la
señal muestreada

VISUALICEMOS
𝜋𝜋
Consideremos X con frecuencias 𝜔𝜔 > 𝑇𝑇 .

VISUALICEMOS
𝜋𝜋

VISUALICEMOS
𝜋𝜋

VISUALICEMOS
𝜋𝜋

Frecuencia de salida
El efecto de aliasing sería:




Antes de continuar:
Si usted realiza el muestreo de una señal
periódica (suponga un periodo 0.1 ms) a
44 Hz. ¿Cuál sería el alias para el tercer
armónico?

ALIASING
Los componentes de alta frecuencia de señales complejas también se ven afectados

ALIASING

ALIASING

ALIASING
Los componentes de alta frecuencia de señales complejas también se ven afectados|

ALIASING
El alias aumenta a medida que disminuye la frecuencia de muestreo.

ALIASING

ALIASING

ALIASING

Y ¿CÓMO LO EVITAMOS?
Elimine los componentes de frecuencia con alias antes del muestreo.
Filtro Anti-Aliasing Filtro de Reconstrucción
Todo lo referente a Filtros es un tema que veremos mas tarde

ESQUEMA DEL FUNCIONAMIENTO DEL ANTI-ALIASING



EJEMPLO:

ANTI ALIASING EN IMÁGENES
Aliasing de una imagen reducida Evitado mediante el uso de filtro de

paso bajo de limitación de banda
© 2002 R. C. Gonzalez & R. E. Woods

¿BONITO CASTILLO, PERO DONDE LO VEO SIN SALIR DE CASA?
NVIDIA: supermuestra de aprendizaje profundo (Solo le basta una super tarjeta grafica y
listo uwu)
Mert Pilanc
CONVERSOR DIGITAL-ANALÓGICO
El convertidor D/A acepta como entrada señales eléctricas que se
corresponden con un valor binario y genera una tensión o corriente de salida
que es proporcional al valor binario
1 Entrada S/H Salida S/H
0 Escalado en Xm
Señal
−1 analógica
Conversión en
0 20 40 60 80 100
t impulsos
Retención de
orden cero

UN VISTAZO MATEMÁTICO
Recordando la teoría de reconstrucción sabemos que:
Utilizando el modelo de ruido aditivo, considerando efectos de cuantificación:

Definimos un filtro de reconstrucción compensado:
Respuesta en frecuencia del filtro comparada Módulo de la respuesta en frecuencia

con la del filtro de interpolación ideal del filtro de reconstrucción ideal
Sabiendo esto la configuración física de la conversión sería:

La señal reconstruida entonces:
Conversor D/A
Filtro de reconstrucción
compensado
Señal de Ruido Blanco

EJEMPLOS DE DESARROLLO
Extraído de:James J. Pastoriza, "Solid State Digital-to-Analog Converter," U.S. Patent 3,747,088, filed
December 30, 1970, issued July 17, 1973

Recuperado de las anotaciones del doctor Guillermo Kemper
Especificaciones: R-2R, r = 3 bits, L = 2³ = 8 niveles de salida
Muestras almacenadas en formato digital
con resolución r=3 bits/muestra.
RED R-2R
0
t=0
0
0
0
1
1
1 t=T |Y
y t
p x t x t
t=2T
(w) |
0 1 0
B2 (MSB)
uP
Se programa
el τ y el τZ B1 y t
τ
B0 (LSB) V3
τ
V2
τ τ
V1
V0 000 000 000
0
001 τZ 011 010
B2,B1,B0: Bits que emite el uP(microprocesador) y que son enviados en paralelo a la entrada al D/A.
El tiempo que el código binario permanece posicionado en la entrada del D/A define el τ.
El periodo de muestreo de reconstrucción es dado por T= τ + τZ (τZ : tiempo de apagado del pulso).

RETOMANDO

ALGUNOS CÓDIGOS EN MATLAB
Función de cuantización:

MEZCLANDO CON UN PROBLEMA
Sea x(n)=cos(0.125πn), genere un gran número de muestras de x(n) y diezmarlos
usando D = 2, 4 y 8 para mostrar los resultados de diezmar.
ylabel('Amplitude');
n = 0:2048; k1 = 256; k2 = k1+32;
% (b) Decimation byD=2 set(gca,'xtick',[0,16,32])
m = 0:(k2-k1);
D = 2; y = decimate(x,D); ; set(gca,'ytick',[-
Hf1 =
subplot(2,2,2); 1,0,1]);
figure('units','inches','position
Hb =
',[1,1,6,4],... xlabel('n');
stem(m,y(m+k1/D+1),'c','filled');
'paperunits','inches','paperposit
axis([-1,33,-1.1,1.1]); % (d) Decimation byD=8
ion',[0,0,6,4]); D = 8; y = decimate(x,D);
set(Hb,'markersize',2);
% (a) Original signal subplot(2,2,4);
x = cos(0.125*pi*n);
set(gca,'xtick',[0,16,32]); Hd =
subplot(2,2,1);
set(gca,'ytick',[-1,0,1]); stem(m,y(m+k1/D+1),'m','fi
Ha =
% (c) Decimation byD=4 lled'); axis([-1,33,-
stem(m,x(m+k1+1),'g','filled');
D = 4; y = decimate(x,D); 1.1,1.1]);
axis([-1,33,-1.1,1.1]);
subplot(2,2,3);
set(Ha,'markersize',2); set(Hd,'markersize',2);
Hc =
stem(m,y(m+k1/D+1),'r','filled'); ylabel('Amplitude');
set(gca,'xtick',[0,16,32]); set(gca,'xtick',[0,16,32])
axis([-1,33,-1.1,1.1]);
set(gca,'ytick',[-1,0,1]); ; set(gca,'ytick',[-
set(Hc,'markersize',2);
1,0,1]);
xlabel('n');
 
� � ��
� � ��
 
 
 � �  � �
 
� � ��
� � ��
 
 
 � �  � �
 
PROBLEMA:

VEAMOS UN VIDEO…¿QUÉ ESTA PASANDO?

VEAMOS UNOS
ESPECTROGRAMA

REFERENCIAS
Dennis Freeman. 6.003 Signals and Systems, Fall 2011. (Massachusetts
Institute of Technology: MIT
OpenCourseWare), http://ocw.mit.edu (Accessed 20 Feb, 2022).
License: Creative Commons BY-NC-SA
Lewis, A (2013). A Mathematical Introduction to Signals and Systems Time
and frequency domain representations of signals. Recuperado de:
https://mast.queensu.ca/~bahman/volume1.pdf
Damelin, S & Miller, W (2012) The Mathematics of Signal Processing.
Candbridge University Press
Proakis, J (2007) Digital Signal Processing. 4th. Pearson
Oppenheim, A & Schafer, R (1999) Discrete-Time Signal Processing, 2nd.
Prentice Hall
S. P. Lloyd, “Least Squares Quantization in PCM,” IEEE Trans. Information
Theory, vol. 28, no. 2, pp. 129-137, March 1982
Recomendamos leer: Zhuo Wang, Jintao Zhang and Naveen Verma, "Reducing
Quantization Errors for Inner-Product Operations in Embedded Digital Signal
Processing Systems", IEEE Signal Processing Magazine, Nov. 2016, pp. 141-147.

MT233 Procesamiento Digital de Señales: Prof: Ing. Guillermo Joo Aguayo

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

MT233 Procesamiento Digital de Señales: Prof: Ing. Guillermo Joo Aguayo

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional de Ingeniería

Facultad de Ingeniería Mecánica

Prof: Ing. Guillermo Joo Aguayo

1. Verificar y asegurar la conectividad 2. Ingresar a la sala con el micrófono apagado

3. La puntualidad se valora. 4. Participación activa en clase

Guillermo Joo Digitalización y Reconstrucción de Señales 2

Es un campo de estudio enfocado en las señales digitales y el tratamiento de las mismas

Pocas palabras para un potencial gigantesco

El campo es ampliamente estudiado, tanto en cuestiones computacionales como teóricas,

Digital de Análisis Numérico

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 3

Un sinfín de aplicaciones en el entorno de la ciencia e ingenería

¿Qué otro campo se les viene a la mente?

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 4

Señales Discretas Filtros Digitales

1°Unidad 3° Unidad 5° Unidad

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 5

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 6

Aquí vemos parámetros cómo:

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 7

Señal Discreta cuantizada: son valores de voltaje adquiridos en instantes de tiempo

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 8

Muestreo Cuantificación Codificación

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 9

En general podemos comprender los conceptos basándonos en las ejemplificaciones y

Es fácil deducir, con los conocimientos de calculo diferencial, la relación correspondiente

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 11

¿Como se llega hasta allí? Pues, un esquema adecuado, no físico, sería:

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 12

Donde empleamos la conocida relación:

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 13

La ecuación anterior implica que el espectro Xs de la señal muestreada xs es

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 14

La ecuación anterior implica que el espectro Xs de la señal muestreada xs es

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 15

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 16

Donde recordemos se asume convergencia en [-B,B ]. Ahora tomamos transformada inversa:

Por tanto, siendo 𝑘𝑘 = −𝑗𝑗:

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 17

Enfoques de sistemas lineales para la reconstrucción:

−Ts 0 Ts 2Ts 3Ts …

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 18

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 19

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 20

Hacemos análisis en el tiempo.

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 21

Son dispositivos físicos que convierten una amplitud de tensión o corriente

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 22

Muestreo en tasa de Nyquist:

Muestreo en tasas superiores al valor

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 23

Las resistencias deben ser exactamente iguales.

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 26

x3 x^3 x4 x^4 x5 xk x^k xk + 1

Podemos emplear cuantificadores lineales:

Cero a un nivel de cuantificación→ 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟

Rango del cuantificador

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 28

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 29

Extraído de: F. D. Waldhauer, "Analog-to-digital Converter," U.S. Patent 3,187,325,

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 31

De aquí para R=6𝜎𝜎𝑥𝑥 :

Guillermo Joo DIGITALIZACIÓN Y RECONSTRUCCIÓN DE SEÑALES 33