Alumno: Ivan Luis Eduardo Rojas Rojas

Código: 20142649A
(irojasr@uni.pe)
Curso : Filtros digitales
2018-2
FIEE-UNI
 INTRODUCCIÓN
Una muestra de frecuencia más baja que la frecuencia de Nyquist
presentará aliasing, causado por componentes de alta frecuencia para
ser erróneamente representadas como bajas frecuencias. Con el fin de
evitar el aliasing, a la entrada del convertidor analógico-digital
(AD), se usa un filtro limitador de banda para eliminar frecuencias
de audio por encima de la mitad del Nyquist. Un sobre-muestreo de
paso bajo se utiliza para reconstruir y suavizar la señal digital
ante el (D / A).
• En la actualidad, hay dos tipos principales de
reconstrucción, Filtros brickwall y filtros monotónicos,
que son utilizados para suavizar una señal de audio
analógica muestreada durante su reconstrucción.
• El filtro brickwall tiene una banda de paso relativamente
plana (tiene pequeñas ondas de amplitud en la banda de
paso), y una banda de transición empinada.
• El filtro monotónico se caracteriza por su amplia banda
de transición y su banda de paso suave y sin
ondulaciones. Proporciona una mejor respuesta al impulso
haciéndolo mejor filtro para la reconstrucción de señales
transitorias.
Un filtro de reconstrucción ideal tendría una respuesta plana sobre
el ancho de interés.
Aunque tal filtro no es teóricamente posible, un nuevo enfoque
basado en redes neuronales haría de tal diseño de filtro una
posibilidad práctica.
Una red neuronal de avance múltiple de varias capas que utiliza el
algoritmo de propagación hacia atrás que genera un valor de
membresía difusa que indicaría hasta qué grado está presente el
comportamiento transitorio en la señal muestreada que se presenta
en su entrada.
La salida de la red se usa luego para cambiar dinámicamente los
parámetros del filtro de reconstrucción para que coincida mejor con
las propiedades de la señal que está en reconstrucción.
 Formación de la red neuronal

La idea básica detrás del método propuesto es

encontrar una función de membresía difusa. Este
conjunto difuso representa el conjunto de todas las
señales que muestran un comportamiento transitorio a
algún grado y la función de membresía define el grado
de pertenencia.
Aquí x representa la vector de señal, y f(x)
representan el grado de comportamiento transitorio en
la señal.
La función de pertenencia f(x) debe ser uno cuando la
señal es transitoria pura (como un impulso) y cero
cuando es un puro no transitorio (como un seno).
Una red de avance de tres
capas fue formada para
aprender esta función de
membresía.
La red (consta de
dieciséis unidades de
entrada, cinco unidades
ocultas, y una sola
unidad de salida).
La red fue formada usando
el algoritmo de
backPropagation(https://w
ww.youtube.com/watch?v=0o
dQ286nsIY).
El conjunto de formación consistió en conjuntos de señales
transitorias puras y no transitorias.
La frecuencia, fase, amplitud, velocidad de barrido fueron variadas
y para cada combinación de estos parámetros se generó un vector de
32 muestras de la siguiente manera:
• Transformada rápida de Fourier fue utilizada para generar unas
32- muestras del espectro de Fourier.
• Las 16 muestras más bajas se extrajeron de la señal
resultante.
• La señal resultante fue normalizada por la muestra de valor
más grande.
Además de estas señales puras transitorias, se formaron señales
complejas y se añadieron a la formación conjunto. El valor objetivo
de las señales complejas se estableció en uno si había cualquier
comportamiento transitorio en las señales.
Utilizando este conjunto de formación, la red fue entrenada para
reconocer señales transitorias de forma no transitoria.
 Arquitectura del filtro dinámico

Primera versión:
La velocidad de salida de la red limitada fue
utilizada de la siguiente manera para combinar la
salida de los dos filtros:

𝑓𝑑 = 𝛼𝑓𝑚 + (1 − 𝛼)𝑓𝑏

fd es la salida del filtro dinámico, fm es la salida

del filtro monotónico, fb es la salida del filtro
brickwall, y α es la velocidad de salida limitada de
la red neuronal.
Si la salida de la red es cero, la señal es
clasificada como no transitoria y la salida del
filtro dinámico sería la misma que la salida del
filtro Brickwall. Para cualquier otro valor de α
la salida de las redes sería una combinación
lineal de la salida de los dos filtros.
Señales menos transitorias generarían valores de
salida de red más cerca a uno forzando a la
salida del filtro dinámico estar más cerca de la
salida monotónica.
Para las señales mas transitorias, la salida de
la red estará más cerca de cero y la salida del
filtro dinámico más cerca a la del filtro
brickwall.
Segunda versión:
Los coeficientes del filtro dinámico se cambian dinámicamente
De acuerdo con la siguiente fórmula:

𝜎𝑑 = 𝛼𝜎𝑚 + (1 − 𝛼)𝜎𝑏

σd es el vector de coeficiente del filtro dinámico,

σm es el vector de coeficiente del filtro monotónico,
σb es el vector de coeficiente del filtro brickwall, y
α es la tasa de salida limitada de la red neuronal.

Este filtro es más eficiente, ya que la señal pasa a través de

un único filtro que cambia dinámicamente su comportamiento.