Professional Documents
Culture Documents
www.librosite.net/proakis
Pgina web asociada al libro, con una gran
variedad de recursos y material adicional
tantoparaprofesorescomoparaestudiantes. Apoyos a la docencia, ejercicios de autocontrol, enlaces relacionados, material
de investigacin, etc., hacen de LibroSite
elcomplementoacadmicoperfectopara
este libro.
4 edicin
Proakis
Manolakis
www.pearsoneducacion.com
John G. Proakis
Dimitris G. Manolakis
PRINCIPIOS_PROAKIS.qxd
29/03/2007
13:26
Pgina II
PRINCIPIOS_PROAKIS.qxd
29/03/2007
13:26
Pgina I
TRATAMIENTO DIGITAL
DE SEALES
PRINCIPIOS_PROAKIS.qxd
29/03/2007
13:26
Pgina II
PRINCIPIOS_PROAKIS.qxd
29/03/2007
13:26
Pgina III
TRATAMIENTO DIGITAL
DE SEALES
Cuarta Edicin
JOHN G. PROAKIS
Department of Electrical and Computer Engineering
Northeastern University
Boston, Massachusetts
DIMITRIS G. MANOLAKIS
MIT Lincoln Laboratory
Lexington, Massachusetts
Traduccin
Vuelapluma
PRINCIPIOS_PROAKIS.qxd
29/03/2007
13:26
Pgina IV
Pginas: 996
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina V
A Anna
Dimitris Manolakis
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina VI
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina VII
Contenido
1
1.1
1.2
1.3
1.4
1.5
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Seales, sistemas y tratamiento de seales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2
1.1.1
Elementos bsicos de un sistema de tratamiento digital de seales . . . . . . . . . . . . . .4
1.1.2
Ventajas del tratamiento digital de seales sobre el analgico . . . . . . . . . . . . . . . . .5
Clasificacin de las seales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5
1.2.1
Seales multicanal y multidimensionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6
1.2.2
Seales continuas y discretas en el dominio del tiempo . . . . . . . . . . . . . . . . . . . . . .8
1.2.3
Seales continuas y seales discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
1.2.4
Seales deterministas y seales aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
Concepto de frecuencia en seales continuas \hfill y discretas en el tiempo . . . . . . . . . . . . .10
1.3.1
Seales sinusoidales continuas en el tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10
1.3.2
Seales sinusoidales discretas en el tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12
1.3.3
Exponenciales complejas armnicamente relacionadas . . . . . . . . . . . . . . . . . . . . . .15
Conversiones analgica-digital y digital-analgica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .17
1.4.1
Muestreo de seales analgicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .18
1.4.2
Teorema de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .23
1.4.3
Cuantificacin de seales continuas en amplitud . . . . . . . . . . . . . . . . . . . . . . . . . . .27
1.4.4
Cuantificacin de seales sinusoidales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .29
1.4.5
Codificacin de muestras cuantificadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31
1.4.6
Conversin digital-analgica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31
1.4.7
Anlisis de seales y sistemas digitales frente a seales y sistemas
discretos en el tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .32
Resumen y referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .32
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .33
2.1
2.2
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina VIII
VIII Contenido
2.3
2.4
2.5
2.6
2.7
3.1
La transformada z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .131
3.1.1
La transformada z directa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .132
3.1.2
La transformada z inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .138
Propiedades de la transformada z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .140
3.2
3.3
3.4
3.5
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina IX
Contenido IX
3.6
3.7
3.5.4
Cancelaciones polo-cero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .177
3.5.5
Polos de orden mltiple y estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .179
3.5.6
Estabilidad de los sistemas de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . . . .180
Transformada z unilateral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .183
3.6.1
Definicin y propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .184
3.6.2
Solucin de las ecuaciones en diferencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .188
3.6.3
Respuesta de los sistemas de polos y ceros con condiciones
iniciales distintas de cero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .189
Resumen y referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .191
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .192
4.1
4.2
4.3
4.4
4.5
5.1
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina X
X Contenido
5.2
5.3
5.4
5.5
5.6
6.1
6.2
6.3
6.4
6.5
6.6
6.7
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .395
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina XI
Contenido XI
7.1
7.2
7.3
7.4
7.5
7.6
8.1
8.2
8.3
8.4
8.5
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .497
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina XII
XII Contenido
9.1
9.2
9.3
9.4
9.5
9.6
9.7
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .572
10
10.1
10.2
10.3
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina XIII
Contenido XIII
10.3.2
10.3.3
10.3.4
10.3.5
10.4
10.5
11
11.1
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .670
11.2
11.3
11.4
11.5
11.6
11.7
11.8
11.9
11.10
11.11
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina XIV
XIV Contenido
11.12
11.13
11.11.6 Reconstruccin perfecta de bancos de filtros FIR QMF de dos canales . . . . . . . .717
11.11.7 Bancos de filtros QMF de dos canales con codificacin subbanda . . . . . . . . . . . .718
Banco de filtros QMF de M canales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .719
11.12.1 Condiciones para reconstruccin perfecta y eliminacin del aliasing . . . . . . . . . .721
11.12.2 Forma polifsica del banco de filtros QMF de M canales . . . . . . . . . . . . . . . . . . .721
Resumen y referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .726
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .726
12
12.1
12.2
12.3
12.4
12.5
12.6
12.7
12.8
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina XV
Contenido XV
13
13.1
13.2
13.3
13.4
13.5
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .850
14
14.1
14.2
14.3
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina XVI
XVI Contenido
14.3.4
14.4
14.5
14.6
14.3.5
14.3.6
14.3.7
14.3.8
888
14.3.9 Resultados experimentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .889
Mtodos basados en bancos de filtros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .895
14.4.1 Realizacin mediante banco de filtros del periodograma . . . . . . . . . . . . . . . . . . .896
14.4.2 Estimados espectrales de varianza mnima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .899
Algoritmos de autoanlisis para la estimacin del espectro . . . . . . . . . . . . . . . . . . . . . . . . .902
14.5.1 Mtodo de descomposicin armnica de Pisarenko . . . . . . . . . . . . . . . . . . . . . . . .903
14.5.2 Autodescomposicin de la matriz de autocorrelacin para sinusoides
en ruido blanco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .905
14.5.3 Algoritmo MUSIC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .907
14.5.4 Algoritmo ESPRIT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .908
14.5.5 Criterios de seleccin del orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .911
14.5.6 Resultados experimentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .911
Resumen y referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .914
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .915
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina XVII
Prefacio
El desarrollo de este libro est basado en nuestra experiencia en la imparticin de cursos a estudiantes preuniversitarios y universitarios sobre el tratamiento digital de la seal a lo largo de los ltimos aos. En el libro
se presentan los fundamentos de los sistemas y seales discretas en el tiempo y el procesamiento digital, as
como aplicaciones para los estudiantes de Ingeniera elctrica, Ingeniera Informtica y Ciencias de la
Computacin. El libro es adecuado para cursos de uno o dos semestres de duracin sobre sistemas discretos
y tratamiento digital de seales. Tambin es adecuado para un curso sobre tratamiento digital de seales de un
semestre destinado a estudiantes universitarios de primer ao.
Se supone que el estudiante ha seguido cursos sobre Clculo avanzado (incluyendo ecuaciones diferenciales
normales) y Sistemas lineales para seales continuas en el tiempo, incluyendo una introduccin a la transformada de Laplace. Aunque en el Captulo 4 se describen las series de Fourier y las transformadas de Fourier
de seales peridicas y aperidicas, lo mejor es que los estudiantes hayan adquirido estos conocimientos en
un curso anterior.
El libro incluye informacin terica, as como aplicaciones prcticas. Se proporcionan numerosos problemas
bien diseados, con el fin de ayudar al estudiante a dominar los temas. Hay disponible un manual de soluciones que slo los profesores pueden descargar. Tambin en el sitio web del editor hay disponibles (en ingls)
una serie de presentaciones en Microsoft PowerPoint para los profesores.
En la cuarta edicin del libro, hemos aadido un nuevo captulo sobre filtros adaptativos. Los captulos dedicados al tratamiento de seales multitasa y al muestro y reconstruccin de seales se han modificado y actualizado sustancialmente. Tambin hemos aadido material sobre la transformada discreta del coseno.
En el Captulo 1 se describen las operaciones implicadas en la conversin analgico-digital de seales analgicas. El proceso de muestreo de una sinusoide se ha descrito en detalle, asimismo, se explica el problema del
aliasing. La cuantificacin de seales y la conversin digital-analgica tambin se explican en trminos generales, aunque el anlisis se aborda en captulos posteriores.
El Captulo 2 est dedicado por completo a la caracterizacin y el anlisis en el dominio del tiempo de los sistemas lineales discretos en el tiempo e invariantes en el tiempo (e invariantes en el desplazamiento) y de las
seales discretas en el tiempo. Se deduce la operacin de convolucin y los sistemas se clasifican de acuerdo
con la duracin de su respuesta al impulso como FIR (finite-duration impulse response, respuesta al impulso
de duracin finita) y como IIR (infinite-duration impulse response, respuesta al impulso de duracin infinita).
Se presentan los sistemas invariantes en el tiempo caracterizados por ecuaciones en diferencias y se obtiene
la solucin de las ecuaciones en diferencias con condiciones iniciales. El captulo concluye con un tratamiento de la correlacin discreta en el tiempo.
La transformada z se introduce en el Captulo 3. Se presentan las transformadas z unilateral y bilateral, y los
mtodos para determinar la transformada z inversa. Se ilustra el uso de la transformada z en el anlisis de
los sistemas lineales invariantes en el tiempo e importantes propiedades de sistemas, tales como la causalidad
y la estabilidad se relacionan con las caractersticas en el dominio z.
El Captulo 4 se ocupa del anlisis de las seales en el dominio de la frecuencia. Se presentan la serie de
Fourier y la transformada de Fourier tanto para seales continuas en el tiempo como discretas en el tiempo.
En el Captulo 5, se caracterizan los sistemas discretos LTI (linear time-invariant, lineal invariante en el tiempo) en el dominio de la frecuencia mediante su respuesta en frecuencia y se determina su respuesta a seales
peridicas y aperidicas. Se describen una serie de sistemas discretos en el tiempo, entre los que se incluyen
resonadores, filtros de hendidura, filtros paso todo y osciladores. Tambin se considera el diseo de una serie
de filtros FIR e IIR simples. Adems, se hace una introduccin a los conceptos de sistemas de fase mnima,
fase mixta y fase mxima, y al problema de la deconvolucin.
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina XVIII
XVIII Prefacio
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina XIX
Prefacio XIX
Los autores estn en deuda con los colegas que les han proporcionado valiosas sugerencias despus de haber
revisado las ediciones anteriores de este libro. Entre ellos queremos mencionar a W. E. Alexander, G. Arslan,
Y. Bresler, J. Deller, F. DePiero, V. Ingle, J.S. Kang, C. Keller, H. Lev-Ari, L. Merakos, W. Mikhael,
P. Monticciolo, C. Nikias, M. Schetzen, E. Serpedin, T. M. Sullivan, H. Trussell, S. Wilson y M. Zoltowski.
Tambin quieren expresar su agradecimiento a R. Price por su recomendacin de incluir los algoritmos FFT
de base dividida y otras sugerencias relacionadas. Por ltimo, deseamos expresar nuestro reconocimiento a
muchos estudiantes licenciados por sus sugerencias y comentarios, en especial a A. L. Kok, J. Lin, E. Sozer
y S. Srinidhi, que ayudaron en la preparacin de diversas ilustraciones y del manual de soluciones.
John G. Proakis
Dimitris G. Manolakis
CONTENIDO__PREFACIO_PROAKIS.qxd
13/04/2007
10:42
Pgina XX
1
Introduccin
El tratamiento digital de seales es un rea de la ciencia y la ingeniera que se ha desarrollado muy rpidamente
a lo largo de los ltimos cuarenta aos. Este rpido desarrollo es el resultado de los importantes avances tanto
en la tecnologa digital en el campo de la informtica como en la fabricacin de los circuitos integrados. Las
computadoras digitales y el hardware digital asociado de hace cuatro dcadas eran de tamao relativamente
grande, adems de muy caros y, en consecuencia, su uso estaba limitado a las aplicaciones de propsito general
en tiempo no real (fuera de lnea) cientficos y comerciales. El rpido desarrollo de la tecnologa de circuitos
integrados, empezando con la integracin a media escala (MSI, medium-scale integration), continuando con
la integracin a gran escala (LSI, large-scale integration), y actualmente con la integracin a muy gran escala
(VLSI, very-large-scale integration) de los circuitos electrnicos ha estimulado el desarrollo de computadoras
digitales y hardware digital de propsito especial ms potente, de menor tamao, ms rpido y menos costoso.
Estos circuitos digitales baratos y relativamente rpidos han hecho posible la construccin de sistemas digitales altamente sofisticados capaces de llevar a cabo tareas y funciones de tratamiento de seales digitales, que
normalmente son bastante complejas y/o caras de implementar mediante circuitera analgica o sistemas de
tratamiento de seales analgicas. En consecuencia, muchas de las tareas de tratamiento de seales que convencionalmente se realizaban por medios analgicos, actualmente se llevan a cabo empleando hardware digital
que es ms barato y a menudo ms fiable.
No queremos dar a entender que el tratamiento digital de seales es la solucin adecuada para todos los
problemas de tratamiento de seales. As, en el caso de muchas seales con anchos de banda muy grandes, el
tratamiento en tiempo real es un requisito. Para dichas seales, el procesamiento analgico, o quiz ptimo sea
la nica solucin posible. Sin embargo, siempre que se disponga de circuitos digitales y se tenga la velocidad
suficiente como para utilizar el tratamiento digital, ser preferible emplear dichos circuitos.
Los sistemas digitales no slo proporcionan sistemas de tratamiento de seales ms baratos y fiables,
sino que presentan tambin otras ventajas. En particular, el hardware de procesamiento digital permite realizar
operaciones programables. Mediante software, es ms fcil modificar las funciones de procesamiento de seales
que mediante hardware. Por tanto, el hardware digital y el software asociado proporcionan un mayor grado de
flexibilidad al diseo del sistema. Adems, generalmente, se consigue un mayor grado de precisin con el
hardware y el software digital que con los circuitos y sistemas de procesamiento de seales analgicos. Por
todas estas razones, en las tres ltimas dcadas se ha producido un crecimiento explosivo en la teora del
tratamiento digital de seales y sus aplicaciones.
El objetivo de este libro es presentar una introduccin a las tcnicas y herramientas de anlisis bsicas para
el tratamiento digital de seales. Comenzaremos presentando la terminologa que es imprescindible conocer
y describiendo las operaciones asociadas con el proceso de convertir una seal analgica a un formato digital
adecuado para su procesamiento. Tambin veremos que el procesamiento digital de seales analgicas tiene
sus inconvenientes. El primero y ms importante es que la conversin de una seal analgica a formato digital
implica muestrear la seal y cuantificar las muestras, lo que produce una distorsin que nos impide reconstruir la
seal analgica original a partir de las muestras cuantificadas. Esta distorsin puede controlarse seleccionando
la adecuada tasa de muestreo y la precisin del proceso de cuantificacin. En segundo lugar, hay que tener en
cuenta los efectos debidos a la precisin finita en el procesamiento digital de las muestras cuantificadas. Aunque
estas importantes cuestiones se abordan con cierto detalle en el libro, el nfasis se ha puesto en el anlisis y el
diseo de los sistemas de tratamiento de seales y en las tcnicas de clculo.
(1.1.1)
describen dos seales, una que vara linealmente con la variable independiente t (tiempo) y una segunda que
vara cuadrticamente con t. Veamos otro ejemplo, considere la funcin
s(x, y) = 3x + 2xy + 10y2
(1.1.2)
Esta funcin describe una seal de dos variables independientes x e y que podran representar las dos
coordenadas espaciales de un plano.
Las seales descritas por las Ecuaciones (1.1.1) y (1.1.2) pertenecen a una clase de seales que se definen de
forma precisa especificando la dependencia funcional de la variable independiente. Sin embargo, existen casos
en los que tal relacin funcional es desconocida o extremadamente compleja como para tener ninguna utilidad
prctica.
Por ejemplo, una seal de voz (vase la Figura 1.1.1) no se puede describir funcionalmente mediante
expresiones como la Ecuacin (1.1.1). En general, un segmento de voz se puede representar con un alto grado
de precisin como la suma de varias seales sinusoidales de diferentes amplitudes y frecuencias, es decir, como
N
(1.1.3)
i=1
Captulo 1 Introduccin 3
donde {Ai (t)}, {Fi (t)} y {i (t)} son los conjuntos de amplitudes, frecuencias y fases (posiblemente variables
con el tiempo), respectivamente, de las seales sinusoidales. De hecho, una forma de interpretar la informacin
o el mensaje enviado en un corto segmento de tiempo de la seal de voz consiste en medir las amplitudes,
frecuencias y fases contenidas en dicho segmento de la seal.
Otro ejemplo de seal natural es la de un electrocardiograma (ECG). Una seal de este tipo proporciona
a un mdico informacin sobre el estado del corazn de un paciente. De la misma manera, la seal de un
electroencefalograma (EEG) proporciona informacin sobre la actividad del cerebro.
Las seales de voz, de un electrocardiograma y de un electroencefalograma son ejemplos de seales que
contienen informacin y que varan como funciones de una sola variable independiente que, normalmente, es el
tiempo. Un ejemplo de una seal que es una funcin de dos variables independientes es una seal de imagen. Las
variables independientes en este caso son las coordenadas espaciales. Se trata tan slo de unos pocos ejemplos
de las innumerables seales naturales que pueden encontrarse en el mundo real.
Asociados a las seales naturales se encuentran los medios con los que se generan. Por ejemplo, las seales de
voz se generan al pasar el aire a travs de las cuerdas vocales. Las imgenes se obtienen mediante la exposicin
de una pelcula fotogrfica ante una escena u objeto. Por tanto, normalmente la generacin de seales est
asociada con un sistema que responde a un estmulo o fuerza. En una seal de voz, el sistema est formado por
las cuerdas vocales y el tracto bucal, tambin conocido como cavidad bucal. El estmulo en combinacin con el
sistema es lo que se denomina fuente de seal. Por tanto, existen fuentes de voz, fuentes de imgenes y muchos
otros tipos de fuentes de seal.
Un sistema tambin se puede definir como un dispositivo fsico que realiza una operacin sobre una seal.
Por ejemplo, un filtro utilizado para reducir el ruido y las interferencias que distorsionan una seal deseada que
transporta informacin es un sistema. En este caso, el filtro realiza ciertas operaciones sobre la seal, que tienen
el efecto de reducir (filtrar) el ruido y las interferencias de la seal de informacin deseada.
Cuando pasamos una seal a travs de un sistema, como en el caso del filtro, decimos que hemos procesado
o tratado la seal. En este caso, el procesamiento de la seal implica filtrar el ruido y las interferencias de la seal
deseada. En general, el sistema se caracteriza por el tipo de operacin que realiza sobre la seal. Por ejemplo,
si la operacin es lineal, el sistema es lineal. Si la operacin que se realiza sobre la seal no es lineal, se dice
que el sistema es no lineal, etc. Tales operaciones suelen referirse como tratamiento de la seal.
Para nuestros propsitos, es conveniente ampliar la definicin de sistema para incluir no slo los dispositivos
fsicos, sino tambin la implementacin software de operaciones sobre una seal. En el procesamiento digital
de seales de una computadora digital, las operaciones efectuadas sobre una seal consisten en una serie de
operaciones matemticas especificadas por un programa de software. En este caso, el programa representa una
implementacin del sistema por software. Luego tenemos un sistema que se implementa sobre una computadora
digital por medio de una secuencia de operaciones matemticas; es decir, tenemos un sistema de procesamiento
digital de seales implementado por software. Por ejemplo, una computadora digital puede programarse para
llevar a cabo un filtrado digital. Alternativamente, el tratamiento digital de seales se puede realizar mediante
hardware digital (circuitos lgicos) configurado para realizar las operaciones especificadas. En una implementacin de este tipo, tendremos entonces un dispositivo fsico que realizar las operaciones especificadas. En un
sentido amplio, un sistema digital puede implementarse como una combinacin de hardware y software digital,
realizando cada uno de ellos su propio conjunto de operaciones especificadas.
Este libro aborda el tratamiento de seales por medios digitales, tanto software como hardware. Dado que
muchas de las seales que se encuentran en el mundo real son analgicas, tambin vamos a considerar el problema
de convertir una seal analgica en una seal digital con el fin de poder procesarla. Las operaciones que lleve
a cabo un sistema as podrn normalmente especificarse en forma matemtica. El mtodo o conjunto de reglas
para implementar el sistema mediante un programa que realice las operaciones matemticas correspondientes
se denomina algoritmo. Por lo general, hay disponibles muchas formas o algoritmos mediante los que se puede
implementar un sistema, bien por software o por hardware, para realizar las operaciones y clculos deseados. En
la prctica, estaremos interesados en aquellos algoritmos que sean eficientes y rpidos en lo que respecta a los
clculos, y tambin sean fciles de implementar. Por tanto, un tema importante en el estudio del procesamiento
Seal
analgica
de entrada
Procesador
de seales
analgicas
Seal
analgica
de salida
Seal
analgica
de entrada
Procesador
de seales
digitales
Convertidor
A/D
Seal
digital
de entrada
Convertidor
D/A
Seal
analgica
de salida
Seal
digital
de salida
Captulo 1 Introduccin 5
avin y su velocidad, puede simplemente imprimirse en un papel. En este caso, no hay necesidad de utilizar un
convertidor D/A.
1.2.1
Como se ha explicado en la Seccin 1.1, una seal se describe mediante una funcin de una o ms variables
independientes. El valor de la funcin (es decir, de la variable dependiente) puede ser una magnitud escalar real,
una magnitud compleja o incluso un vector. Por ejemplo, la seal
s1 (t) = A sen 3 t
es una seal real. Sin embargo, la seal
s2 (t) = Ae j3 t = A cos 3 t + jA sen 3 t
es compleja.
En algunas aplicaciones, mltiples fuentes o mltiples sensores generan las seales. Dichas seales pueden
representarse en forma vectorial. La Figura 1.2.1 muestra las tres componentes de una seal vectorial que
representa la aceleracin en la superficie terrestre debida a un terremoto. Esta aceleracin es el resultado de tres
Vertical
Este
Sur
Aceleracin en g/10
Sur
Este
Ondas S
Ondas de superficie
Vertical
Ondas P
Tiempo (segundos)
Figura 1.2.1. Tres componentes de la aceleracin en tierra medida a pocos kilmetros del epicentro de un
terremoto. (De Earthquakes, por B. A. Bold, 1988 de W. H. Freeman and Company. Reproducido con permiso
del editor.)
Captulo 1 Introduccin 7
I(x1, y1)
y1
x1
s1 (t)
S3 (t) = s2 (t)
s3 (t)
Decimos que un vector de seales as es una seal multicanal. Por ejemplo, en electrocardiografa, se utilizan
electrocardiogramas (ECG) de 3 tomas y de 12 tomas, que generan seales de 3 y 12 canales.
Fijmonos ahora en las variables independientes. Si la seal es una funcin de una sola variable independiente, se dice que la seal es unidimensional. Por otro lado, se dice que una seal es M-dimensional si su valor
es una funcin de M variables independientes.
La imagen de la Figura 1.2.2 es un ejemplo de una seal bidimensional, dado que la intensidad o brillo I(x, y)
en cada punto es una funcin de dos variables independientes. Por otra parte, una imagen de televisin en blanco
y negro puede representarse como I(x, y,t), puesto que el brillo es una funcin del tiempo. Por tanto, la imagen
de TV puede tratarse como una seal tridimensional. En cambio, una imagen de TV en color puede escribirse
mediante tres funciones de intensidad de la forma Ir (x, y,t), Ig (x, y,t) e Ib (x, y,t), las cuales se corresponden con
el brillo de los tres colores principales (rojo, verde, azul) como funciones del tiempo. Por tanto, una imagen de
TV en color es una seal tridimensional de tres canales, que puede representarse mediante el vector:
Ir (x, y,t)
I(x, y,t) = Ig (x, y,t)
Ib (x, y,t)
En este libro vamos a tratar fundamentalmente con seales unidimensionales de un solo canal, reales o
complejas, y vamos a referirnos a ellas simplemente como seales. En trminos matemticos, estas seales se
describen mediante una funcin de un sola variable independiente. Aunque la variable independiente no tiene
por qu ser necesariamente el tiempo, es costumbre emplear t como la variable independiente. En muchos
casos, las operaciones y algoritmos para el procesamiento de seales desarrollados en el texto para seales
unidimensionales de un slo canal pueden extenderse a seales multidimensionales y multicanal.
1.2.2
Las seales se pueden clasificar en cuatro categoras diferentes dependiendo de las caractersticas de la variable
independiente tiempo y de los valores que stas tomen. Las seales continuas en el tiempo o seales analgicas
estn definidas para cada instante de tiempo y toman sus valores en el intervalo continuo (a, b), donde a puede
ser y b puede ser . Matemticamente, estas seales pueden describirse mediante funciones de una variable
continua. La onda de voz mostrada en la Figura 1.1.1 y las seales x1 (t) = cos t, x2 (t) = e|t| , < t <
son ejemplos de seales analgicas. Las seales discretas en el tiempo slo estn definidas en determinados
instantes especficos de tiempo. Dichos instantes de tiempo no tienen que ser equidistantes, aunque, en la prctica,
normalmente estn igualmente espaciados para facilitar los clculos. La seal x(tn ) = e|tn | , n = 0, 1, 2, . . .
es un ejemplo de una seal discreta en el tiempo. Si utilizamos el ndice n para los instantes de tiempo discretos
como la variable independiente, el valor de la seal ser una funcin de una variable entera (es decir, ser
una secuencia de nmeros). Por tanto, una seal discreta en el tiempo se puede representar matemticamente
mediante una secuencia de nmeros reales o complejos. Con el fin de resaltar la naturaleza discreta de una
seal, denotaremos dicha seal como x(n) en lugar de como x(t). Si los instantes de tiempo tn estn igualmente
espaciados (es decir, tn = nT ), tambin se utiliza la notacin x(nT ). Por ejemplo, la secuencia
x(n) =
0.8n , si n 0
0,
en otro caso
(1.2.1)
Figura 1.2.3. Representacin grfica de la seal discreta en el tiempo x(n) = 0.8 n para n > 0 y x(n) = 0 para
n < 0.
Captulo 1 Introduccin 9
200
100
0
1770
1790
1810
1830
1850
1870
Ao
1.2.3
Los valores de una seal continua o discreta en el dominio del tiempo pueden ser continuos o discretos. Si
una seal toma todos los valores posibles en un rango finito o infinito, se dice que es una seal continua.
Alternativamente, si la seal toma valores dentro un conjunto finito de posibles valores, se dice que la seal es
discreta. Normalmente, estos valores son equidistantes y, por tanto, pueden expresarse como un mltiplo entero
de la distancia entre dos valores sucesivos. Una seal discreta en el tiempo que tiene un conjunto de valores
discretos es una seal digital. La Figura 1.2.5 muestra una seal digital que toma uno de cuatro valores posibles.
Para que una seal pueda ser procesada digitalmente, debe ser discreta en el tiempo y sus valores tienen que
ser discretos (es decir, tiene que ser una seal digital). Si la seal que se va a procesar es una seal analgica,
se convierte en una seal digital muestrendola en instantes discretos de tiempo, obtenindose as una seal
discreta en el tiempo, y cuantificando a continuacin sus valores en un conjunto de valores discretos, como
se describe ms adelante en el captulo. El proceso de conversin de una seal continua en una seal discreta
se denomina cuantificacin, y es bsicamente un proceso de aproximacin. Puede realizarse de forma simple
mediante redondeo o truncamiento. Por ejemplo, si los valores permitidos de la seal digital son enteros, como
por ejemplo, de 0 hasta 15, la seal de valores continuos se cuantifica empleando esos valores enteros. Por tanto,
el valor de la seal 8.58 se aproximar al valor 8 si el proceso de cuantificacin se realiza mediante truncamiento,
o a 9 si el proceso de cuantificacin se realiza por redondeo al entero ms prximo. Ms adelante en el captulo
se proporciona una explicacin ms detallada del proceso de conversin analgico-digital.
x(n)
(1.3.2)
Captulo 1 Introduccin 11
xa(t) = A cos(2Ft + )
Tp = 1/F
A
A cos
0
< t <
(1.3.3)
A j(t+ ) A j(t+ )
e
+ e
2
2
(1.3.6)
que se deduce de (1.3.5). Observe que se puede obtener una seal sinusoidal sumando dos seales exponenciales
complejas conjugadas de la misma amplitud, las cuales en ocasiones se denominan fasores, como se muestra
Im
A/2
t +
Re
t +
A/2
Figura 1.3.2. Representacin de una funcin coseno mediante dos seales exponenciales complejas conjugadas
(fasores).
en la Figura 1.3.2. A medida que transcurre el tiempo, los fasores giran en direcciones opuestas con frecuencias
angulares de radianes por segundo. Dado que una frecuencia positiva se corresponde con un movimiento
angular uniforme en sentido antihorario, una frecuencia negativa se corresponder con un movimiento angular
en sentido horario.
Por comodidad para la realizacin de los clculos matemticos, utilizaremos tanto frecuencias negativas
como positivas a lo largo del libro. Por tanto, el rango de frecuencias para las seales sinusoidales es < F < .
< n <
(1.3.7)
donde n es una variable entera, que se denomina nmero de muestra, A es la amplitud de la sinusoide, es la
frecuencia en radianes por muestra y es la fase en radianes.
Si en lugar de utilizamos la variable frecuencia f definida por
2 f
(1.3.8)
< n <
(1.3.9)
La frecuencia f tiene dimensiones de ciclos por muestra. En la Seccin 1.4, donde hemos visto el muestreo de
sinusoides analgicas, relacionamos la frecuencia f de una sinusoide discreta en el tiempo con la frecuencia
F en ciclos por segundo de una sinusoide analgica. Por el momento, consideremos la sinusoide discreta en el
dominio del tiempo dada por (1.3.7), independientemente de la sinusoide continua en el tiempo dada por (1.3.1).
1
La Figura 1.3.3 muestra una sinusoide de frecuencia = /6 radianes por muestra ( f = 12
ciclos por muestra)
y una fase = /3.
En comparacin con las seales sinusoidales continuas en el tiempo, la seales sinusoidales discretas en el
tiempo se caracterizan por las propiedades siguientes:
Captulo 1 Introduccin 13
x(n) = A cos(n + )
A
para todo n
(1.3.10)
k
N
(1.3.11)
De acuerdo con (1.3.11), una seal sinusoidal discreta en el tiempo slo es peridica si su frecuencia f0
se puede expresar como la relacin de dos enteros (es decir, f0 es racional).
Para determinar el perodo fundamental N de una sinusoide peridica, expresamos su frecuencia f0 como
en (1.3.11) y cancelamos los factores comunes, de modo que k y N sean primos relativos. Entonces el
perodo fundamental de la sinusoide es igual a N. Observe que una pequea variacin de la frecuencia
puede dar lugar a una variacin muy grande del perodo. Por ejemplo, f1 = 31/60 implica que N1 = 60,
mientras que f2 = 30/60 da como resultado N2 = 2.
B2. Las seales sinusoidales discretas en el tiempo cuyas frecuencias estn separadas un mltiplo entero de
2 son idnticas.
Para demostrar esta afirmacin, consideremos la seal sinusoidal cos(0 n + ). Fcilmente se deduce
que
cos[(0 + 2 )n + ] = cos(0 n + 2 n + ) = cos(0 n + )
(1.3.12)
Por tanto, todas las secuencias sinusoidales
xk (n) = A cos(k n + ),
donde
k = 0 + 2k ,
k = 0, 1, 2, . . .
(1.3.13)
son indistinguibles (es decir, idnticas). Cualquier secuencia resultante de una sinusoide con frecuencia
| | > , o | f | > 12 , es idntica a una secuencia obtenida a partir de una seal sinusoidal de frecuencia
| | < . Debido a esta similitud, decimos que la sinusoide que tiene la frecuencia | | > es un alias
de la sinusoide cuya frecuencia es | | < . Por tanto, consideremos las frecuencias comprendidas en el
1
1
rango , o 1
2 f 2 como nicas y todas las frecuencias tal que | | > , o | f | > 2 , como
alias. El lector debe darse cuenta de la diferencia entre sinusoides discretas en el tiempo y sinusoides
continuas en el tiempo, ya que estas ltimas dan lugar a seales distintas para o F en el rango completo
< < o < F < .
B3. La tasa de oscilacin ms alta de una seal sinusoidal discreta en el tiempo se alcanza cuando = (u
= ) o, lo que es lo mismo, f = 12 (o f = 12 ).
Para ilustrar esta propiedad, vamos a investigar las caractersticas de la siguiente secuencia de seales
sinusoidales
x(n) = cos 0 n
cuando la frecuencia vara entre 0 y . Para simplificar el argumento, tomamos valores de 0 = 0, /8,
1 1 1 1
/4, /2, correspondientes a f = 0, 16
, 8 , 4 , 2 , lo que da como resultado secuencias peridicas que
tienen perodos N = , 16, 8, 4, 2, como se ilustra en la Figura 1.3.4. Observe que el perodo de la sinusoide
decrece cuando la frecuencia aumenta. De hecho, podemos ver que la tasa de oscilacin aumenta cuando
aumenta la frecuencia.
Para ver lo que ocurre para 0 2 , consideremos las sinusoides de frecuencias 1 = 0 y 2 =
2 0 . Observe que como 1 vara entre y 2 , 2 vara entre y 0. Podemos ver fcilmente que
x1 (n) = A cos 1 n = A cos 0 n
x2 (n) = A cos 2 n = A cos(2 0 )n
(1.3.14)
= A cos(0 n) = x1 (n)
x(n)
0 = 0
x(n)
1
0 =
x(n) 0 =
x(n) 0 =
x(n) 0 =
1
Captulo 1 Introduccin 15
Por tanto, 2 es un alias de 1 . Si hubiramos empleado una funcin seno en lugar de una funcin coseno,
el resultado sera bsicamente el mismo, excepto por una diferencia de fase de 180 entre las sinusoides
x1 (n) y x2 (n). En cualquier caso, cuando aumentamos la frecuencia relativa 0 de una seal sinusoidal
discreta en el tiempo de a 2 , su tasa de oscilacin disminuye. Para 0 = 2 , el resultado es una seal
constante, como en el caso de 0 = 0. Obviamente, para 0 = (o f = 12 ) obtenemos la mxima tasa de
oscilacin.
Como en el caso de las seales continuas en el tiempo, pueden introducirse frecuencias negativas tambin
para las seales discretas en el tiempo. Para este propsito, utilizamos la siguiente identidad:
x(n) = A cos( n + ) =
A j( n+ ) A j( n+ )
e
+ e
2
2
(1.3.15)
Puesto que las seales sinusoidales discretas en el tiempo con frecuencias separadas entre s un mltiplo
entero de 2 son idnticas, se deduce que las frecuencias de cualquier intervalo 1 1 + 2
constituyen todas las sinusoides discretas en el tiempo o exponenciales complejas. Por tanto, el rango
de frecuencias para sinusoides discretas en el tiempo es finito con una duracin de 2 . Normalmente,
1
seleccionamos el rango 0 2 o (0 f 1, 1
2 f 2 ), el cual se denomina rango
fundamental.
k = 0, 1, 2, . . .
(1.3.16)
Observemos que para cada valor de k, sk (t) es peridica de perodo fundamental 1/(kF0) = Tp /k o frecuencia
fundamental kF0 . Dado que una seal peridica de perodo Tp /k tambin es peridica con perodo k(Tp /k) = Tp
para cualquier entero positivo k, tenemos que todas las sk (t) tienen un perodo comn igual a Tp . Adems, como
hemos visto en la Seccin 1.3.1, F0 puede tomar cualquier valor y todos los miembros del conjunto son distintos,
en el sentido de que si k1 = k2 , entonces sk1 (t) = sk2 (t).
A partir de las seales bsicas dadas por (1.3.16), podemos construir una combinacin lineal de exponenciales complejas armnicamente relacionadas de la forma
xa (t) =
k=
ck sk (t) =
ck e jk0t
(1.3.17)
k=
Exponenciales discretas en el tiempo. Dado que una exponencial compleja discreta en el tiempo es peridica si
su frecuencia relativa es un nmero racional, seleccionamos f0 = 1/N y definimos los conjuntos de exponenciales
complejas armnicamente relacionadas como sigue
sk (n) = e j2 k f0 n ,
k = 0, 1, 2, . . .
(1.3.18)
N1
N1
k=0
k=0
ck sk (n) = ck e j2 kn/N
(1.3.20)
da como resultado una seal peridica de perodo fundamental N. Como veremos ms adelante, se trata de la
representacin de la serie de Fourier de una secuencia peridica discreta en el tiempo con coeficientes de Fourier
{ck }. La secuencia sk (n) es el armnico k-simo de x(n).
EJEMPLO 1.3.1
En la memoria de un procesador digital de seales se ha almacenado un ciclo de la siguiente seal sinusoidal
2 n
+
x(n) = sen
N
donde = 2 q/N, siendo q y N enteros.
(a) Determine cmo se puede emplear esta tabla de valores para obtener valores de sinusoides armnicamente relacionadas
con la misma fase.
(b) Determine cmo se puede emplear esta tabla de valores para obtener sinusoides de la misma frecuencia pero fases
diferentes.
Solucin
(a) Sea xk (n) la secuencia sinusoidal
xk (n) = sen
2 nk
+
N
Se trata de una sinusoide con una frecuencia fk = k/N, relacionada armnicamente con x(n). Pero xk (n) puede
expresarse como sigue
2 (kn)
+ = x(kn)
xk (n) = sen
N
Luego xk (0) = x(0), xk (1) = x(k), xk (2) = x(2k), etc. Por tanto, la secuencia sinusoidal xk (n) puede obtenerse de la
tabla de valores de x(n) tomando los valores k-simos de x(n), comenzando por x(0). De este modo, podemos generar
los valores de todas las sinusoides armnicamente relacionadas con frecuencias f k = k/N para k = 0, 1, . . . , N 1.
Captulo 1 Introduccin 17
(b) Podemos controlar la fase de la sinusoide de frecuencia f k = k/N tomando el primer valor de la secuencia de la
posicin de memoria q = N/2 , donde q es un entero. Por tanto, la fase inicial controla la posicin inicial en
la tabla y nosotros barremos la tabla cada vez que el ndice (kn) excede de N.
xa(t)
Muestreador
Seal
analgica
x(n)
Seal discreta
en el tiempo
Cuantificador
xq(n)
Seal
cuantificada
Codificador
01011
Seal
digital
Aproximacin
por escalones
Amplitud
Seal
original
Tiempo
1.4.1
Existen muchas formas de muestrear una seal analgica. Vamos a limitar nuestra exposicin al muestreo
uniforme o peridico, que es el tipo de muestreo empleado ms a menudo en la prctica, y que se describe
mediante la siguiente relacin
x(n) = xa (nT ),
< n <
(1.4.1)
donde x(n) es la seal discreta en el tiempo obtenida tomando muestras de la seal analgica xa (t) cada T
segundos. Este procedimiento se ilustra en la Figura 1.4.3. El intervalo de tiempo T entre muestras sucesivas es
el perodo de muestreo o intervalo de muestreo y su recproco 1/T = Fs se denomina tasa de muestreo (muestras
por segundo) o frecuencia de muestreo (hercios).
El muestreo peridico establece una relacin entre las variables t y n de las seales continuas y discretas en
el tiempo, respectivamente. Estas variables se relacionan linealmente a travs del perodo de muestreo T o, de
forma equivalente, a travs de la tasa de muestreo Fs = 1/T , como
t = nT =
n
Fs
(1.4.2)
Captulo 1 Introduccin 19
Como consecuencia de (1.4.2), existe una relacin entre la variable de frecuencia F (u ) para las seales
analgicas y la variable de frecuencia f (u ) para las seales discretas en el tiempo. Para establecer la relacin,
considere una seal analgica sinusoidal de la forma
xa (t) = A cos(2 Ft + )
(1.4.3)
la cual, cuando se muestrea peridicamente con una tasa de Fs = 1/T muestras por segundo, da lugar a
2 nF
(1.4.4)
+
xa (nT ) x(n) = A cos(2 FnT + ) = A cos
Fs
Si comparamos (1.4.4) con (1.3.9), vemos que las frecuencias F y f estn relacionadas linealmente como sigue
f=
o, de forma equivalente, como
F
Fs
(1.4.5)
= T
(1.4.6)
La relacin (1.4.5) justifica el nombre de frecuencia relativa o normalizada, que se emplea en ocasiones para
describir la frecuencia f . Como (1.4.5) implica, podemos usar f para determinar la frecuencia F en hercios slo
si la frecuencia de muestreo Fs es conocida.
Recordemos de la Seccin 1.3.1 que los rangos de las frecuencia F u para sinusoides continuas en el
tiempo son, respectivamente
< F <
(1.4.7)
< <
Sin embargo, la situacin es diferente para las sinusoides discretas en el tiempo. Recordemos de la Seccin 1.3.2
que
1
1
< f<
(1.4.8)
2
2
< <
Sustituyendo (1.4.5) y (1.4.6) en (1.4.8), podemos determinar que la frecuencia de la sinusoide continua en el
tiempo cuando se muestrea a una frecuencia Fs = 1/T , debe caer dentro del siguiente rango
Seal
analgica
Fs
Fs
1
1
= F
=
2T
2
2
2T
xa(t)
(1.4.9)
x(n) = xa(nT)
Fs = 1/T
Seal discreta
en el tiempo
Muestreador
xa(t)
x(n)
xa(t)
x(n) = xa(nT)
n
1 2 3 4 5 6 7 8 9
T 2T 5T 9T t = nT
= 2 F
radianes Hz
segundo
= 2 f
radianes
ciclos
muestra muestra
/T /T
F2 /2 F Fs /2
< <
< F <
= Fs Fs =
T
T
(1.4.10)
max = Fs =
T
Por tanto, el muestreo introduce una ambiguedad, dado que la frecuencia ms alta de una seal continua que
puede determinarse nivocamente cuando dicha seal se muestrea a una frecuencia Fs = 1/T es Fmax = Fs /2,
u max = Fs . Para ver qu ocurre con las frecuencias superiores a Fs /2, consideremos el siguiente ejemplo.
EJEMPLO 1.4.1
Las implicaciones de estas relaciones de frecuencia pueden apreciarse considerando las dos seales analgicas sinusoidales
siguientes:
x1 (t) = cos 2 (10)t
(1.4.12)
x2 (t) = cos 2 (50)t
las cuales son muestreadas a una frecuencia Fs = 40 Hz. Las correspondientes secuencias o seales discretas en el tiempo
son
10
x1 (n) = cos 2
n = cos n
40
2
(1.4.13)
50
5
x2 (n) = cos 2
n = cos
n
40
2
Captulo 1 Introduccin 21
Sin embargo, cos 5 n/2 = cos(2 n + n/2) = cos n/2, por lo que x2 (n) = x1 (n). Por tanto, las seales sinusoidales son
idnticas y, en consecuencia, indistinguibles. Dados los valores muestreados generados por cos( /2)n, existe una cierta
ambiguedad, ya que no se puede determinar si dichos valores corresponden a x1 (t) o a x2 (t). Puesto que x2 (t) toma
exactamente los mismos valores que x1 (t) cuando ambas seales se muestrean a una frecuencia de Fs = 40 muestras por
segundo, decimos que la frecuencia F2 = 50 Hz es un alias de la frecuencia F1 = 10 Hz para la tasa de muestreo de 40
muestras por segundo.
Es importante destacar que F2 no es el nico el alias de F1 . De hecho, para la tasa de muestreo de 40 muestras por
segundo, la frecuencia F3 = 90 Hz es tambin un alias de F1 , as como de la frecuencia F4 = 130 Hz, etc. Todas las sinusoides
cos 2 (F1 + 40k)t, k = 1, 2, 3, 4, . . ., muestreadas a 40 muestras por segundo, tomarn valores idnticos. En consecuencia,
todas son alias de F1 = 10 Hz.
(1.4.14)
(1.4.15)
k = 1, 2, . . .
(1.4.17)
se muestrean a una frecuencia Fs , est claro que la frecuencia Fk no pertenece al rango de la frecuencia fundamental Fs /2 F Fs /2. En consecuencia, la seal muestreada es
F0 + kFs
x(n) xa (nT ) = A cos 2
n+
Fs
= A cos(2 nF0/Fs + + 2 kn)
= A cos(2 f 0 n + )
que es idntica a la seal discreta en el tiempo dada por la expresin (1.4.15) obtenida al muestrear (1.4.14). Por
tanto, un nmero infinito de sinusoides continuas en el tiempo est representado por el muestreo de la misma
seal discreta en el tiempo (es decir, el mismo conjunto de muestras). En consecuencia, dada la secuencia x(n),
no es posible representar la seal continua en el tiempo xa (t) a partir de estos valores. O lo que es lo mismo,
podemos decir que las frecuencias Fk = F0 + kFs , < k < (k entero) son indistinguibles de la frecuencia
F0 despus del muestreo y, por tanto, son alias de F0 . La relacin entre las variables de frecuencia de las seales
continua y discreta en el tiempo se ilustra en la Figura 1.4.4.
En la Figura 1.4.5 se ilustra un ejemplo de aliasing, en el que dos sinusoides de frecuencias F0 =
F1 =
78
1
8
Hz y
1
8
Hz.
Dado que Fs /2, que se corresponde con = , es la frecuencia ms alta que puede representarse nivocamente con una frecuencia de muestreo Fs , es sencillo determinar la correspondencia de cualquier frecuencia
Fs
1
2
Fs
2
1
2
Fs
2
Fs
Figura 1.4.4. Relacin entre las variables de frecuencia de las seales continua y discreta en el tiempo en el
caso de muestreo peridico.
Amplitud
1
F2 = Hz
8
F1 =
7
Hz
8
Tiempo, segundos
Fs = 1 Hz
Captulo 1 Introduccin 23
100
n = 3 cos n
200
2
x(n) = 3 cos
1.4.2
Teorema de muestreo
Dada cualquier seal analgica, cmo podemos seleccionar el perodo de muestreo T o, lo que es equivalente, la
frecuencia de muestreo Fs? Para responder a esta pregunta, tenemos que disponer de alguna informacin sobre las
caractersticas de la seal que se va a muestrear. En concreto, necesitamos conocer informacin general acerca del
contenido en frecuencia de la seal. Normalmente, dicha informacin estar disponible. Por ejemplo, sabemos
que las principales componentes de frecuencia de una seal de voz se encuentran por debajo de los 3000 Hz.
Por otro lado, las seales de televisin, generalmente, contienen componentes de frecuencia importantes hasta
los 5 MHz. La informacin contenida en tales seales se encuentra en las amplitudes, frecuencias y fases de
las diversas componentes de frecuencia, pero la informacin detallada de las caractersticas de dichas seales
no estar disponible para nosotros antes de obtener las seales. De hecho, el propsito del procesamiento de
seales es extraer dicha informacin detallada. Sin embargo, si conocemos la frecuencia mxima de la clase
general de las seales (por ejemplo, la clase de las seales de vdeo, etc.), podremos especificar la frecuencia
de muestreo necesaria para convertir las seales analgicas en seales digitales.
Supongamos que cualquier seal analgica puede representarse como una suma de sinusoides de diferentes
amplitudes, frecuencias y fases, es decir,
N
(1.4.18)
i=1
donde N indica el nmero de componentes de frecuencia. Todas las seales, tales como las de voz y vdeo,
se prestan a dicha representacin en cualquier intervalo de tiempo pequeo. Normalmente, las amplitudes,
frecuencias y fases varan lentamente con el tiempo de un intervalo a otro. Sin embargo, supongamos que
las frecuencias no exceden una determinada frecuencia conocida, que podemos denominar Fmax . Por ejemplo,
Fmax = 3000 Hz para las seales de voz y Fmax = 5 MHz para las seales de televisin. Dado que la frecuencia
mxima puede variar ligeramente dentro de la misma clase de seales (por ejemplo, la seal de voz de dos
oradores diferentes), podemos querer asegurarnos de que Fmax no exceder un valor predeterminado al pasar la
seal analgica a travs de un filtro que atene de forma importante las componentes de frecuencia por encima
de Fmax . De este modo, podemos estar seguros de que ninguna seal de dicha clase contendr componentes de
frecuencia (que tengan una potencia o amplitud significativa) por encima de Fmax . En la prctica, dicho proceso
de filtrado suele realizarse antes del muestreo.
Conocida Fmax , podemos seleccionar la apropiada frecuencia de muestreo. Sabemos que la frecuencia
ms alta de una seal analgica que puede reconstruirse sin ambiguedades cuando se muestrea la seal a
una frecuencia Fs = 1/T es Fs /2. Cualquier frecuencia por encima de Fs /2 o por debajo de Fs /2 produce
muestras que son idnticas a las correspondientes frecuencias dentro del rango Fs /2 F Fs /2. Para evitar
las ambiguedades debidas al aliasing, tenemos que elegir una frecuencia de muestreo que sea suficientemente
alta. Es decir, hay que seleccionar Fs /2 para que sea mayor que Fmax . Por tanto, para evitar el problema del
aliasing, se selecciona Fs de modo que
Fs > 2Fmax
(1.4.19)
donde Fmax es la componente de frecuencia ms alta de la seal analgica. Seleccionando de este modo la
frecuencia de muestreo, cualquier componente de frecuencia, es decir, |Fi | < Fmax , de la seal analgica se
corresponde con una sinusoide discreta en el tiempo con una frecuencia de
o, lo que es equivalente,
1
Fi
1
fi =
2
Fs
2
(1.4.20)
i = 2 f i
(1.4.21)
Dado que | f | = 12 o | | = es la frecuencia ms alta (nica) de una seal discreta en el tiempo, elegir la
frecuencia de muestreo de acuerdo con (1.4.19) evita el problema del aliasing. En otras palabras, la condicin
Fs > 2Fmax asegura que todas las componentes sinusoidales de la seal analgica se corresponden con las
componentes discretas en el tiempo con frecuencias incluidas en el intervalo fundamental. Por tanto, todas las
componentes de frecuencia de la seal analgica estn repesentadas en la forma muestreada sin ambiguedades
y, en consecuencia, la seal analgica puede reconstruirse sin distorsin a partir de los valores de las muestras,
empleando el mtodo adecuado de interpolacin (conversin digital-analgica). La frmula de interpolacin
adecuada o ideal se especifica mediante el teorema de muestreo.
Teorema de muestreo. Si la frecuencia ms alta contenida en una seal analgica xa (t) es Fmax = B y la seal
se muestrea a una frecuencia Fs > 2Fmax 2B, entonces xa (t) puede recuperarse de forma exacta a partir de los
valores de sus muestras utilizando la siguiente funcin de interpolacin:
g(t) =
sen 2 Bt
2 Bt
(1.4.22)
n=
xa
n
Fs
n
g t
Fs
(1.4.23)
Captulo 1 Introduccin 25
xa(t)
muestra de xa(t)
t
(n 2)T
(n 1)T
nT
(n + 1)T
(1.4.24)
xa (t) = xa
2B
2 B(t n/2B)
n=
La frecuencia de muestreo FN = 2B = 2Fmax se denomina frecuencia de Nyquist. La Figura 1.4.6 ilustra el
proceso de conversin D/A ideal utilizando la funcin de interpolacin dada por (1.4.22).
Como podemos observar en (1.4.23) o (1.4.24), la reconstruccin de xa (t) a partir de la secuencia x(n) es
un proceso complicado, que implica una suma ponderada de la funcin de interpolacin g(t) y sus versiones
desplazadas en el tiempo g(t nT ) para < n < , donde los factores de ponderacin son las muestras
de x(n). A causa de la complejidad y del nmero infinito de muestras necesario en (1.4.23) o (1.4.24), estas
frmulas de reconstruccin tienen fundamentalmente un inters terico. Los mtodos de interpolacin prcticos
se exponen en el Captulo 6.
EJEMPLO 1.4.3
Considere la siguiente seal analgica
xa (t) = 3 cos 50 t + 10 sen 300 t cos 100 t
Cul es la frecuencia de Nyquist para esta seal?
Solucin. Las frecuencias presentes en la seal anterior son
F1 = 25 Hz,
F2 = 150 Hz,
F3 = 50 Hz
Por tanto, si = 0 o , las muestras de la sinusoide tomadas a la frecuencia de Nyquist son distintas de cero. Sin embargo,
no podemos conocer todava la amplitud correcta de las muestras cuando la fase es desconocida. Una solucin simple
para evitar esta potencialmente problemtica situacin consiste en muestrear la seal analgica a una frecuencia mayor que
la frecuencia de Nyquist.
EJEMPLO 1.4.4
Considere la siguiente seal analgica
xa (t) = 3 cos 2000 t + 5 sen 6000 t + 10 cos 12,000 t
(a) Cul es la frecuencia de Nyquist para esta seal?
(b) Suponga que esta seal se muestrea empleando una tasa de muestreo de Fs = 5000 muestras/s. Cmo es la seal
discreta en el tiempo obtenida despus del muestreo?
(c) Cmo es la seal analgica ya (t) que se puede reconstruir a partir de las muestras si se emplea interpolacin ideal?
Solucin.
(a) Las frecuencias existentes en la seal analgica son
F1 = 1 kHz,
F2 = 3 kHz,
F3 = 6 kHz
= 3 cos 2 15 n + 5 sen 2 35 n + 10 cos 2 65 n
= 3 cos 2 15 n + 5 sen 2 1 25 n + 10 cos 2 1 + 15 n
= 3 cos 2 15 n + 5 sen 2 25 n + 10 cos 2 15 n
Por ltimo, obtenemos
x(n) = 13 cos 2
1
5
n 5 sen 2
2
5
Puede obtenerse el mismo resultado utilizando la Figura 1.4.7. Por tanto, dado que Fs = 5 kHz, la frecuencia de
solapamiento es Fs /2 = 2.5 kHz, y se trata de la frecuencia mxima que puede ser representada nicamente por la
seal muestreada. A partir de (1.4.17), tenemos F0 = Fk kFs . Por tanto, F0 puede obtenerse restando de Fk un mltiplo
entero de Fs , tal que Fs /2 F0 Fs /2. La frecuencia F1 es menor que Fs /2 y, por tanto, no se ve afectada por el
efecto del aliasing. Sin embargo, las otras dos frecuencias se encuentran por encima de la frecuencia de solapamiento,
por lo que el efecto de aliasing las modificar. As,
F2 = F2 Fs = 2 kHz
F3 = F3 Fs = 1 kHz
A partir de (1.4.5), se concluye que f1 = 15 , f 2 = 25 y f3 = 15 , lo que est de acuerdo con el resultado anterior.
Captulo 1 Introduccin 27
(c) Puesto que en la seal muestreada slo estn presentes las componentes de frecuencia a 1 kHz y 2 kHz, la seal
analgica que podemos recuperar es
ya(t) = 13 cos 2000 t 5 sen 4000 t
la cual, obviamente es diferente de la seal original xa (t). Esta distorsin de la seal analgica original se debe al
efecto del aliasing, el cual aparece debido a la baja frecuencia de muestreo empleada.
Aunque el aliasing es un incoveniente que tiene que evitarse, existen dos aplicaciones prcticas tiles
basadas en la explotacin del efecto de aliasing. Dichas aplicaciones son el estroboscopio y el osciloscopio
muestreador. Ambos instrumentos estn diseados para trabajar como dispositivos con aliasing con el fin de
representar las altas y bajas frecuencias.
Consideremos una seal con las componentes de frecuencia confinadas en una banda de frecuencias dada
B1 < F < B2 , donde B2 B1 B se define como el ancho de banda de la seal. Suponemos que B << B1 < B2 .
Esta condicin quiere decir que las componentes de frecuencia de la seal son mucho ms grandes que el ancho
de banda B de la seal. Tales seales habitualmente se denominan seales paso banda o de banda estrecha.
Ahora bien, si esta seal se muestrea a una frecuencia Fs 2B, pero Fs << B1 , entonces todas las componentes
de frecuencia contenidas en la seal sern alias de las frecuencias comprendidas en el rango 0 < F < Fs /2.
En consecuencia, si observamos el contenido en frecuencia de la seal en el rango fundamental 0 < F < Fs /2,
conoceremos de forma precisa el contenido en frecuencia de la seal analgica, ya que conocemos la banda de
frecuencias B1 < F < B2 que se est considerando. Por tanto, si la seal es una seal de banda estrecha (paso
banda), podemos reconstruir la seal original a partir de las muestras obtenidas cuando la seal se ha muestreado
a una frecuencia Fs > 2B, siendo B el ancho de banda. Esta afirmacin es otra forma de enunciar el teorema
de muestreo, la cual se denomina forma pasobanda para diferenciarla de la forma anterior del teorema, que se
aplica en general a todos los tipos de seales y a la que a veces se hace referencia como forma en banda base.
La forma en banda base del teorema de muestreo se describe en detalle en la Seccin 6.4.
1.4.3
Como hemos visto, una seal digital es una secuencia de nmeros (muestras) en la que cada nmero est
representado por un nmero finito de dgitos (precisin finita).
El proceso de convertir una seal discreta en el tiempo con amplitud continua en una seal digital expresando
cada valor de muestra como un numero finito (en lugar de infinito) de dgitos se denomina cuantificacin. El
error introducido al representar la seal continua mediante un conjunto finito de niveles discretos es el error de
cuantificacin o ruido de cuantificacin.
La operacin de cuantificacin de las muestras x(n) la denotamos mediante Q[x(n)] y empleamos xq (n)
para indicar la secuencia de las muestras cuantificadas a la salida del cuantificador. Por tanto,
xq (n) = Q[x(n)]
Luego el error de cuantificacin es una secuencia eq (n) definida como la diferencia entre el valor cuantificado
y el valor de la muestra real. Por tanto,
eq (n) = xq (n) x(n)
(1.4.25)
Vamos a ilustrar el proceso de cuantificacin mediante un ejemplo. Consideremos la seal discreta en el tiempo
0.9n , n 0
x(n) =
0,
n<0
obtenida al muestrear la seal analgica exponencial xa(t) = 0.9t , t 0 a una frecuencia de muestreo de Fs = 1 Hz
(vase la Figura 1.4.7(a)). Si nos fijamos en la Tabla 1.2, que especifica los valores de las 10 primeras muestras
1.0
x(n) = 0.9n
0.8
xa(t) = 0.9 t
0.6
0.4
0.2
8
T
T = 1 seg.
(a)
xa(t) = 0.9t
xq(n)
1.0
0.9
0.8
0.7
Rango
0.6
del
0.5
cuantificador 0.4
0.3
0.2
0.1
0
Niveles de
cuantificacin
Escaln de
cuantificacin
5
(b)
eq (n)
2
2
(1.4.26)
En otras palabras, el error de cuantificacin instantneo no puede ser mayor que la mitad del escaln de
cuantificacin (vase la Tabla 1.2).
Captulo 1 Introduccin 29
x(n)
Seal discreta en el tiempo
xq (n)
(Truncamiento)
xq (n)
(Redondeo)
0
1
2
3
4
5
6
7
8
9
1
0.9
0.81
0.729
0.6561
0.59049
0.531441
0.4782969
0.43046721
0.387420489
1.0
0.9
0.8
0.7
0.6
0.5
0.5
0.4
0.4
0.3
1.0
0.9
0.8
0.7
0.7
0.6
0.5
0.5
0.4
0.4
0.0
0.0
0.01
0.029
0.0439
0.00951
0.031441
0.0217031
0.03046721
0.012579511
Tabla 1.2. Ilustracin numrica de la cuantificacin con un dgito significativo utilizando truncamiento y
redondeo.
Si xmin y xmax representan los valores mnimo y mximo de x(n) y L es el nmero de niveles de cuantificacin,
entonces
xmax xmin
(1.4.27)
=
L1
Definimos el rango dinmico de la seal como x max xmin . En nuestro ejemplo, tenemos xmax = 1, xmin = 0 y
L = 11, lo que nos lleva a un valor de = 0.1. Observe que si se establece el rango dinmico aumentando el
nmero de niveles de cuantificacin L, el tamao del escaln de cuantificacin se reduce. Por tanto, el error de
cuantificacin disminuye y la precisin del cuantificador aumenta. En la prctica, podemos reducir el error
de cuantificacin a una cantidad insignificante seleccionando un nmero suficiente de niveles de cuantificacin.
En teora, la cuantificacin de seales analgicas siempre produce prdidas de informacin. ste es un
resultado de la ambiguedad introducida por el proceso de cuantificacin. Adems, la cuantificacin es un proceso
irreversible o no invertible (es decir, una relacin muchos-a-uno), ya que todas las muestras que se encuentran a
una distancia /2 de un determinado nivel de cuantificacin reciben el mismo valor. Esta ambiguedad hace que
realizar un anlisis cuantitativo exacto de la cuantificacin sea extremadamente complejo. Este tema se aborda
ms en detalle en el Captulo 6, donde emplearemos el anlisis estadstico.
Discretizacin en
el dominio del tiempo
Discretizacin
en amplitud
Nivel de
cuantificacin
Seal analgica
original, xa(t)
Amplitud
Muestras no
cuantificadas
xa(nT)
Muestras
cuantificadas
xq(nT)
Escaln de
cuantificacin
Tiempo
1
2
e2q (t) dt =
0
e2q (t) dt
(1.4.28)
2
2
t 2 dt =
0
12
(1.4.29)
Si el cuantificador tiene b bits de precisin y cubre el rango completo 2A, el escaln de cuantificacin es
= 2A/2b. Por tanto,
A2 /3
(1.4.30)
Pq = 2b
2
Captulo 1 Introduccin 31
1
Tp
Tp
0
(A cos 0t)2 dt =
A2
2
(1.4.31)
La calidad de la salida del convertidor A/D normalmente se mide mediante la relacin seal-ruido de cuantificacin (SQNR, signal-to-quantization noise ratio), que relaciona la potencia de seal con la potencia de
ruido:
Px
3
SQNR =
= 22b
Pq 2
Expresada en decibelios(dB), la relacin SQNR es
SQNR(dB) = 10 log10 SQNR = 1.76 + 6.02b
(1.4.32)
Esto implica que la relacin SQNR aumenta aproximadamente 6 dB por cada bit que se aade a la longitud de
palabra, es decir, cada vez que se duplica el nmero de niveles de cuantificacin.
Aunque la frmula (1.4.32) se ha obtenido para seales sinusoidales, en el Captulo 6 veremos que se
obtiene un resultado similar para cualquier seal cuyo rango dinmico comprenda el rango del cuantificador.
Esta relacin es extremadamente importante porque fija el nmero de bits que una aplicacin especfica requiere
para asegurar una determinada relacin seal-ruido. Por ejemplo, la mayora de los reproductores de discos
compactos utilizan una frecuencia de muestreo de 44.1 kHz y una resolucin de 16-bits por muestra, lo que
implica una relacin SQNR superior a 96 dB.
1.4.5
El proceso de codificacin de un convertidor A/D asigna un nmero binario unvoco a cada nivel de cuantificacin. Si tenemos L niveles, necesitaremos al menos L nmeros binarios distintos. Con una longitud de palabra
de b bits, podemos crear 2b nmeros binarios distintos. Por tanto, tendremos 2b L, o, lo que es lo mismo,
b log2 L. Por tanto, el nmero de bits necesarios del codificador es el entero ms pequeo mayor o igual que
log2 L. En nuestro ejemplo (Tabla 1.2), podemos ver fcilmente que necesitamos un codificador con b = 4 bits.
Hay disponibles A/D comerciales que pueden proporcionar una precisin finita de b = 16 o menor. En general,
cuanto mayor es la frecuencia de muestreo y ms ajustada es la cuantificacin, ms caro es el dispositivo.
Seal original
Amplitud
2T
3T
4T
5T
6T
7T
Captulo 1 Introduccin 33
Problemas
1.1 Clasifique las siguientes seales segn sean (1) unidimensionales o multidimensionales; (2) de un solo
canal o multicanal, (3) continuas o discretas en el tiempo y (4) analgicas o digitales (en amplitud).
Proporcione una breve explicacin.
(a) Los precios de cierre de las acciones de la Bolsa de Nueva York.
(b) Una pelcula en color.
(c) La posicin del volante de un automvil en movimiento respecto a un sistema de referencia situado
en el automvil.
(d) La posicin del volante de un automvil en movimiento respecto a un sistema de referencia situado
en el suelo.
(e) Las medidas de peso y altura mensuales de un nio.
1.2 Determine cules de las siguientes sinusoides son peridicas y calcule su perodo fundamental.
(a) cos 0.01 n
30n
(b) cos
105
(c) cos 3 n
(d) sen 3n
62n
(e) sen
10
1.3 Determine si las siguientes seales son peridicas. En caso afirmativo, especifique su frecuencia fundamental.
(a) xa (t) = 3 cos(5t + /6)
(b) x(n) = 3 cos(5n + /6)
(c) x(n) = 2 exp[ j(n/6 )]
(d) x(n) = cos(n/8) cos( n/8)
(e) x(n) = cos( n/2) sen( n/8) + 3 cos( n/4 + /3)
1.4
k = 0, 1, 2, . . .
est dado por N p = N/MCD(k, N), donde MCD es el mximo comn divisor de k y N.
(b) Cul es el perodo fundamental de este conjunto para N = 7?
(c) y para N = 16?
1.5 Considere la siguiente seal analgica sinusoidal:
xa (t) = 3 sen(100 t)
(a) Represente grficamente la seal xa (t) para 0 t 30 ms.
(b) La seal xa (t) se muestrea con una tasa de muestreo de Fs = 300 muestras/s. Determine la frecuencia
de la seal discreta en el tiempo x(n) = xa (nT ), T = 1/Fs , y demuestre que es peridica.
(c) Calcule los valores de la muestras en un perodo de x(n). Dibuje x(n) en la misma grfica que xa (t).
Cul es el perodo de la seal discreta en el tiempo en milisegundos?
(d) Puede hallar una frecuencia de muestreo Fs tal que la seal x(n) alcance su valor de pico en 3?
Cul es la frecuencia mnima Fs aceptable para esta tarea?
1.6 Una sinusoide continua en el tiempo xa (t) con un perodo fundamental de Tp = 1/F0 se muestrea a una
frecuencia Fs = 1/T , con el fin de generar una sinusoide discreta en el tiempo x(n) = xa (nT ).
(a) Demuestre que x(n) es peridica si T /Tp = k/N (es decir, T /Tp es un nmero racional).
(b) Si x(n) es peridica, cul es su perodo fundamental Tp en segundos?
(c) Explique la siguiente afirmacin: x(n) es peridica si su perodo fundamental Tp , en segundos, es
igual a un nmero entero de perodos de xa (t).
1.7 Una seal analgica contiene frecuencias hasta 10 kHz.
(a) Cul es el rango de frecuencias de muestreo que permite la reconstruccin exacta de esta seal a
partir de sus muestras?
(b) Suponga que muestreamos esta seal a una frecuencia de muestreo Fs = 8 kHz. Examine lo que
ocurre con la frecuencia F1 = 5 kHz.
(c) Repita el apartado (b) para una frecuencia F2 = 9 kHz.
1.8 Una seal analgica de electrocardiograma (ECG) contiene frecuencias tiles hasta 100 Hz.
(a) Cul es la frecuencia de Nyquist de esta seal?
(b) Suponga que muestreamos esta seal a una tasa de 250 muestras/s. Cul es la frecuencia ms alta
que puede representarse de forma unvoca para esta tasa de muestreo?
1.9 Una seal analgica xa (t) = sen(480 t) + 3 sen(720 t) se muestrea 600 veces por segundo.
(a)
(b)
(c)
(d)
1.10 Un enlace de comunicaciones digital transporta palabras codificadas en binario que representan muestras
de una seal de entrada
xa (t) = 3 cos 600 t + 2 cos1800 t
El enlace trabaja a una velocidad de 10.000 bits/s y cada muestra de entrada se cuantifica en 1024 niveles
de tensin distintos.
(a)
(b)
(c)
(d)
1.11 Considere el sistema de procesamiento de seales mostrado en la Figura P.1.11. Los perodos de muestreo
de los convertidores A/D y D/A son T = 5 ms y T = 1 ms, respectivamente. Determine la salida ya (t)
del sistema si la entrada es
xa (t) = 3 cos100 t + 2 sen 250 t
(t en segundos)
Captulo 1 Introduccin 35
xa(t)
A/D
T
x(n)
Filtro de
post-procesado
D/A
T
ya(t)
Figura P.1.11.
1.12
(a) Obtenga la expresin correspondiente a la seal discreta en el tiempo x(n) del Ejemplo 1.4.2 utilizando las propiedades de periodicidad de las funciones sinusoidales.
(b) Cul es la seal analgica que podemos obtener a partir de x(n) si en el proceso de reconstruccin
suponemos que Fs = 10 kHz?
1.13 La seal discreta en el tiempo x(n) = 6.35 cos( /10)n se cuantifica con una resolucin (a) = 0.1 o
(b) = 0.02. Cuntos bits son necesarios en el convertidor A/D en cada caso?
1.14 Determine la tasa de bits y la resolucin para el muestreo de una seal ssmica con un rango dinmico
de 1 voltio si la frecuencia de muestreo es Fs = 20 muestras/s, utilizando un convertidor A/D de 8-bits.
Cul es la frecuencia mxima que puede estar presente en la seal ssmica digital resultante?
1.15 Muestreo de seales sinusoidales: aliasing. Considere la siguiente seal sinusoidal continua en el tiempo
xa (t) = sen 2 F0t,
< t <
Puesto que xa (t) est descrita en forma matemtica, su versin muestreada puede describirse mediante
sus valores cada T segundos. La seal muestreada se describe mediante la frmula siguiente
x(n) = xa (nT ) = sen 2
F0
n,
Fs
< n <
1 N1 2
1 N1
e (n) =
(a) Para f 0 = 1/50 y N = 200, escriba un programa para cuantificar la seal x(n), utilizando truncamiento
para 64, 128 y 256 niveles de cuantificacin. En cada caso, represente grficamente las seales x(n),
xq (n) y e(n), y calcule la relacin SQNR correspondiente.
(b) Repita el apartado (a) utilizando redondeo en lugar de truncamiento.
(c) Comente los resultados obtenidos en los apartados (a) y (b).
(d) Compare la SQNR medida experimentalmente con la obtenida tericamente mediante la frmula
(1.4.32) y comente las diferencias y similitudes.
2
Seales y sistemas
discretos en el tiempo
En el Captulo 1 hemos presentado una serie de importantes tipos de seales y hemos descrito el proceso de
muestreo mediante el que una seal analgica se convierte en una seal discreta en el tiempo. Adems, hemos
abordado con cierto detalle las caractersticas de las seales sinusoidales discretas en el tiempo. La sinusoide es
una seal elemental importante que sirve como bloque bsico de construccin de seales ms complejas. Sin
embargo, existen otras seales elementales que tambin resultan importantes en nuestro tratamiento de seales.
En este captulo vamos a presentar dichas seales discretas en el tiempo y vamos a emplearlas como funciones
bsicas para describir seales ms complejas.
Este captulo hace hincapi en la caracterizacin de los sistemas discretos en el tiempo en general y de los
sistemas lineales invariantes en el tiempo (LTI, linear time-invariant) en particular. Se definen y desarrollan
una serie de importantes propiedades en el dominio del tiempo de los sistemas LTI y se deduce una frmula
fundamental, conocida como frmula de la convolucin, que nos permitir determinar la salida de un sistema
LTI para cualquier seal de entrada arbitraria dada. Adems de la frmula de la convolucin, se presentan las
ecuaciones en diferencias como mtodo alternativo para describir la relacin de entrada/salida de un sistema
LTI, as como implementaciones recursivas y no recursivas de los sistemas LTI.
Nuestra motivacin para centrarnos en el estudio de los sistemas LTI es doble. En primer lugar, existe una
larga lista de tcnicas matemticas que pueden aplicarse al anlisis de los sistemas LTI. En segundo lugar, muchos
sistemas prcticos son sistemas LTI o pueden aproximarse mediante sistemas LTI. Debido a su importancia en
las aplicaciones de tratamiento digital de seales y a su gran semejanza con la frmula de la convolucin,
tambin vamos a ver la correlacin entre dos seales. Se definen las seales de autocorrelacin y correlacin
cruzada y se presentan sus propiedades.
x(n)
2
1.5
1.7
1.2
1.0
0.9
0.7
0.7
4
2
0.8
5
0.8
1, para n = 1, 3
4, para n = 2
x(n) =
0, en otro caso
(2.1.1)
2 1 0
0
0 0
1 2
1 4
3
1
4 5
0 0
...
...
Una secuencia x(n), que es cero para n < 0, puede representarse como
x(n) = {0, 1, 4, 1, 0, 0, . . .}
(2.1.3)
El origen de tiempos para una secuencia x(n), que es cero para n < 0, tiene que ser el primer punto (comenzando
por la izquierda) de la secuencia.
Una secuencia de duracin finita puede representarse como
x(n) = {3, 1, 2, 5, 0, 4, 1}
(2.1.4)
mientras que una secuencia de duracin finita que satisface la condicin x(n) = 0 para n < 0 se puede representar
como
x(n) = {0, 1, 4, 1}
(2.1.5)
2.1.1
En el estudio sobre sistemas y seales discretas en el tiempo aparecen a menudo una serie de seales bsicas
que desempean un importante papel. Estas seales se definen a continuacin.
1. La seal muestra unitaria se designa como (n) y se define como sigue
1, para n = 0,
(n)
0, para n = 0
(2.1.6)
Dicho con palabras, la seal muestra unitaria es una seal que es cero siempre, excepto en n = 0 donde
su valor es igual a la unidad. Esta seal a veces se denomina impulso unitario. Sin embargo, al contrario
que la seal analgica (t), que tambin se denomina impulso unitario y es igual a cero siempre, excepto
en t = 0, donde su rea es igual a la unidad, la secuencia muestra unitaria es mucho menos complicada
matemticamente. La representacin grfica de (n) se muestra en la Figura 2.1.2.
2. La seal escaln unidad se denota como u(n) y se define como
1, para n 0
u(n)
0, para n < 0
(2.1.7)
(2.1.8)
u(n)
1
0 1 2 3 4 5 6 7
ur(n)
para todo n
(2.1.9)
Si el parmetro a es real, entonces x(n) es una seal real. La Figura 2.1.5 ilustra x(n) para distintos valores
del parmetro a.
Si el parmetro a es un valor complejo, puede expresarse como sigue
a re j
donde r y ahora son los parmetros. Por tanto, podemos expresar x(n) como
x(n) = rn e j n = rn (cos n + j sen n)
(2.1.10)
Como x(n) ahora es compleja, puede representarse grficamente dibujando la parte real
xR (n) rn cos n
(2.1.11)
(2.1.12)
xR(n)
0.5
0
-0.5
-1
0
10
15
20
n
25
30
35
40
25
30
35
40
(a)
1
xI(n)
0.5
0
-0.5
-1
0
10
15
20
n
(b)
Figura 2.1.6. Grfica de las componentes real e imaginaria de una seal exponencial compleja.
como una funcin de n. La Figura 2.1.6 ilustra las grficas de xR (n) y xI (n) para r = 0.9 y = /10. Observe
que las seales xR (n) y xI (n) son una funcin coseno amortiguada (exponencial descendente) y una funcin
seno amortiguada. La variable ngulo es simplemente la frecuencia de la sinusoide, previamente indicada
mediante la variable frecuencia (normalizada) . Evidentemente, si r = 1, el amortiguamiento desaparece y
xR (n), xI (n) y x(n) tienen una amplitud fija e igual a la unidad.
Alternativamente, la seal x(n) dada por (2.1.10) puede representarse grficamente mediante la funcin de
la amplitud
|x(n)| = A(n) r n
(2.1.13)
y la funcin de la fase
x(n) = (n) n
(2.1.14)
La Figura 2.1.7 ilustra A(n) y (n) para r = 0.9 y = /10. Observe que la fase es lineal con n. Sin embargo,
la fase se define slo en el intervalo < o, lo que es lo mismo, en el intervalo 0 < 2 . En
consecuencia, por convenio, (n) se dibuja en el intervalo finito < o 0 < 2 . En otras palabras,
restamos mltiplos de 2 de (n) antes de dibujarla. La sustraccin de mltiplos de 2 de (n) es equivalente
a interpretar la funcin (n) como (n), mdulo 2 .
2.1.2
Los mtodos matemticos empleados en el anlisis de seales y sistemas discretos en el tiempo dependen de
las caractersticas de las seales. En esta seccin vamos a clasificar las seales discretas en el tiempo segn una
serie de caractersticas.
Figura 2.1.7. Grfica de la amplitud y la fase de una seal exponencial compleja: (a) grfica de A(n) = r n ,
r = 0.9; (b) grfica de (n) = ( /10)n, mdulo 2 dibujada en el intervalo ( , ].
Seales de energa y seales de potencia. La energa E de una seal x(n) se define como
E
n=
|x(n)|2
(2.1.15)
Hemos empleado los valores al cuadrado de x(n), ya que esta definicin se aplica a seales complejas y a seales
reales. La energa de una seal puede ser finita o infinita. Si E es finita (es decir, 0 < E < ), entonces se dice
que x(n) es una seal de energa. En ocasiones, aadiremos un subndice x a E y escribiremos E x para destacar
que Ex es la energa de la seal x(n).
Muchas seales que poseen energa infinita tienen potencia media finita. La potencia media de una seal
discreta en el tiempo x(n) se define como
N
1
|x(n)|2
N 2N + 1
n=N
P = lm
(2.1.16)
n=N
|x(n)|2
(2.1.17)
(2.1.18)
1
EN
2N + 1
(2.1.19)
Evidentemente, si E es finita, P = 0. Por el contrario, si E es infinita, la potencia media P puede ser finita o
infinita. Si P es finita (y distinta de cero), se dice que la seal es una seal de potencia. El siguiente ejemplo
ilustra este tipo de seal.
EJEMPLO 2.1.1
Determine la potencia y la energa del escaln unidad. La potencia media del escaln unidad es
N
1
u2 (n)
N 2N + 1 n=0
P = lm
= lm
N +1
1 + 1/N
1
= lm
=
2N + 1 N 2 + 1/N
2
De manera similar, podemos demostrar que la secuencia exponencial compleja x(n) = Ae j0 n tiene una
potencia media A2 , por lo que es una seal de potencia. Por otro lado, la rampa unidad no es ni una seal de
potencia ni una seal de energa.
Seales peridicas y aperidicas. Como se ha definido en la Seccin 1.3, una seal x(n) es peridica de
perodo N(N > 0) si y slo si
x(n + N) = x(n) para todo n
(2.1.20)
El valor ms pequeo de N para el que (2.1.20) se cumple se denomina perodo (fundamental). Si no existe
ningn valor de N que satisfaga la expresin (2.1.20), se dice que la seal es no peridica o aperidica.
Ya hemos mencionado que la seal sinusoidal de la forma
x(n) = A sen 2 f 0 n
(2.1.21)
k
N
(2.1.22)
(2.1.25)
x(n)
4 3 2 1 0 1 2 3 4
(a)
x(n)
5 4 3 2 1
0
1 2 3 4 5
(b)
(2.1.27)
De nuevo, es evidente que xo (n) satisface la expresin (2.1.25); por tanto, es impar. Si ahora sumamos las dos
componentes de la seal definidas por (2.1.26) y (2.1.27), obtenemos x(n), que es
x(n) = xe (n) + xo(n)
(2.1.28)
Por tanto, cualquier seal arbitraria puede expresarse como indica la Ecuacin (2.1.28).
2.1.3
En esta seccin vamos a abordar algunas modificaciones o manipulaciones simples que implican a la variable
independiente y la amplitud de la seal (la variable dependiente).
Transformacin de la variable independiente (tiempo). Una seal x(n) se puede desplazar en el tiempo
reemplazando la variable independiente n por n k, donde k es un entero. Si k es un entero positivo, el desplazamiento de tiempo produce un retardo de la seal en k unidades de tiempo. Si k es un entero negativo, el
desplazamiento de tiempo hace que la seal se adelante |k| unidades de tiempo.
EJEMPLO 2.1.2
En la Figura 2.1.9(a) se muestra la representacin grfica de una seal x(n). Obtenga una representacin grfica de las seales
x(n 3) y x(n + 2).
Solucin. La seal x(n 3) se obtiene retardando x(n) tres unidades de tiempo. El resultado se ilustra en la Figura 2.1.9(b).
Por otro lado, la seal x(n + 2) se obtiene adelantando x(n) dos unidades de tiempo. El resultado se ilustra en la Figura
2.1.9(c). Observe que el retardo se corresponde con un desplazamiento de la seal hacia la derecha, mientras que el adelanto
es un desplazamiento de la seal hacia la izquierda a lo largo del eje de tiempos.
Si la seal x(n) se almacena en una cinta magntica o en un disco o, posiblemente, en la memoria de una
computadora, es relativamente sencillo modificar la base de tiempos introduciendo un retardo o un adelanto.
Por el contrario, si la seal no est almacenada sino que es generada en tiempo real por algn fenmeno fsico,
no es posible realizar una operacin de adelanto en el tiempo, ya que esta operacin implica emplear muestras
de la seal que todava no se han generado. Aunque siempre es posible introducir un retardo en las muestras de
la seal que ya hayan sido generadas, es fsicamente imposible ver las futuras muestras de la seal. Por tanto,
en las operaciones de procesamiento de seales en tiempo real, la operacin de adelanto de la base de tiempos
de la seal es fsicamente irrealizable.
Figura 2.1.9. Representacin grfica de una seal y de sus versiones adelantada y retardada.
Otra til modificacin de la base de tiempos consiste en reemplazar la variable independiente n por n. El
resultado de esta operacin es un solapamiento o reflexin de la seal alrededor del origen de tiempos n = 0.
EJEMPLO 2.1.3
Represente grficamente las seales x(n) y x(n + 2), donde x(n) es la seal mostrada en la Figura 2.1.10(a).
Solucin. La nueva seal y(n) = x(n) se muestra en la Figura 2.1.10(b). Observe que y(0) = x(0), y(1) = x(1), y(2) =
x(2), etc. Adems, y(1) = x(1), y(2) = x(2), etc. Por tanto, y(n) es simplemente la seal x(n) reflejada respecto del
origen de tiempos n = 0. La seal y(n) = x(n + 2) es la seal x(n) retardada dos unidades de tiempo. La seal resultante
se ilustra en la Figura 2.1.10(c). Una forma sencilla de verificar que el resultado mostrado en la Figura 2.1.10(c) es correcto
es calcular las muestras, tales como y(0) = x(2), y(1) = x(1), y(2) = x(0), y(1) = x(3), etc.
Es importante observar que las operaciones de solapamiento y retardo (o avance) temporal de una seal no
son conmutativas. Si designamos la operacin de retardo en el tiempo como TD (time-delay) y la operacin de
solapamiento como FD (folding), podemos escribir
k>0
(2.1.29)
Ahora
TDk {FD[x(n)]} = TDk [x(n)] = x(n + k)
(2.1.30)
(2.1.31)
mientras que
Observe que como los signos de n y k en x(n k) y x(n + k) son diferentes, el resultado es un desplazamiento
de las seales x(n) y x(n) hacia la derecha de k muestras, correspondiente al retardo temporal.
Una tercera modificacin de la variable independiente consiste en reemplazar n por n, donde es un
entero. Esta modificacin de la base de tiempos se conoce como escalado temporal o submuestreo.
EJEMPLO 2.1.4
Represente grficamente la seal y(n) = x(2n), donde x(n) es la seal mostrada en la Figura 2.1.11(a).
Solucin. Observe que la seal y(n) se obtiene de x(n) tomando una de cada dos muestras de x(n), comenzando con x(0).
Por tanto, y(0) = x(0), y(1) = x(2), y(2) = x(4), . . . e y(1) = x(2), y(2) = x(4), etc. En otras palabras, se han omitido
las muestras impares de x(n) y se han conservado la muestras pares. La seal resultante se ilustra en la Figura 2.1.11(b).
Si la seal x(n) se obtuvo originalmente muestreando una seal analgica xa (t), entonces x(n) = xa (nT ),
donde T es el intervalo de muestreo. Luego, y(n) = x(2n) = xa (2T n). Por tanto, la operacin de escalado
x(n)
7654
321 0 1 2 3 4 5 6
(a)
y(n) = x(2n)
3
4
21 0 1 2 3
(b)
temporal descrita en el Ejemplo 2.1.4 es equivalente a modificar la tasa de muestreo de 1/T a 1/2T , es decir, a
disminuir la frecuencia de muestreo en un factor de 2, y esto es lo que se denomina operacin de submuestreo.
Suma, multiplicacin y cambio de escala de secuencias. Las modificaciones de la amplitud incluyen la suma,
la multiplicacin y el escalado de seales discretas en el tiempo.
El escalado de la amplitud de una seal en un valor constante A se consigue multiplicando el valor de cada
muestra de la seal por A. Luego, obtenemos
y(n) = Ax(n),
< n <
La suma de dos seales x1 (n) y x2 (n) es una seal y(n), cuyo valor en cualquier instante es igual a la suma de
los valores de esas dos seales en dicho instante, es decir,
< n <
El producto de dos seales se define de manera similar en cada instante de tiempo como
y(n) = x1 (n)x2 (n),
< n <
(2.2.1)
donde el smbolo T indica la transformacin (tambin llamada operador) o procesamiento realizado por el
sistema sobre la seal x(n) para generar y(n). La relacin matemtica (2.2.1) est representada grficamente en
la Figura 2.2.1.
Hay disponibles varias formas que permiten describir las caractersticas del sistema y la operacin que
realiza sobre x(n) para generar y(n). En este captulo vamos a tratar la caracterizacin en el dominio del tiempo
de los sistemas. Comenzaremos con una descripcin entradasalida del sistema. Esta descripcin se basa en el
comportamiento en los terminales del sistema e ignora la construccin interna detallada o implementacin del
sistema. Ms adelante, en el Captulo 9, abordaremos la implementacin de los sistemas discretos en el tiempo
y describiremos las diferentes estructuras para su construccin.
x(n)
Seal de entrada
o excitacin
Sistema discreto
en el tiempo
y(n)
Seal de salida
o respuesta
2.2.1
La descripcin entradasalida de un sistema discreto en el tiempo consta de una expresin matemtica o una
regla, que define explcitamente la relacin entre las seales de entrada y de salida (relacin entradasalida). La
estructura interna exacta del sistema puede desconocerse o ignorarse por completo. Por tanto, la nica manera
de interactuar con el sistema es empleando sus terminales de entrada y de salida (es decir, el sistema es una caja
negra para el usuario). Con el fin de reflejar esta filosofa, utilizamos la representacin grfica de la Figura
2.2.1 y la relacin general de entradasalida dada por la expresin (2.2.1) o, alternativamente, la notacin
T
x(n) y(n)
(2.2.2)
que simplemente indica que y(n) es la respuesta del sistema T a la excitacin x(n). El siguiente ejemplo ilustra
varios sistemas.
EJEMPLO 2.2.1
Determine la respuesta de los siguientes sistemas a la seal de entrada
|n|, 3 n 3
x(n) =
0,
en otro caso
(a) y(n) = x(n) (sistema identidad)
(b) y(n) = x(n 1) (sistema de retardo unidad)
(c) y(n) = x(n + 1) (sistema de adelanto unidad)
(d) y(n) = 13 [x(n + 1) + x(n) + x(n 1)] (filtro del valor medio)
(e) y(n) = mediana{x(n + 1), x(n), x(n 1)} (filtro de la mediana)
(f) y(n) =
(2.2.3)
k=
Solucin. En primer lugar, determinamos explcitamente los valores de las muestras de la seal de entrada
x(n) = {. . . , 0, 3, 2, 1, 0, 1, 2, 3, 0, . . .}
A continuacin, determinamos la salida de cada uno de los sistemas utilizando su relacin de entradasalida.
(a) En este caso, la salida es exactamente igual que la seal de entrada. Un sistema as se conoce como sistema identidad.
(b) Este sistema simplemente retarda la entrada una muestra. Por tanto, su salida est dada por
x(n) = {. . . , 0, 3, 2, 1, 0, 1, 2, 3, 0, . . .}
(c) En este caso, el sistema adelanta la entrada una muestra en un instante futuro. Por ejemplo, el valor de la salida en
el instante n = 0 es y(0) = x(1). La respuesta del sistema a la seal de entrada es
x(n) = {. . . , 0, 3, 2, 1, 0, 1, 2, 3, 0, . . .}
(d) La salida de este sistema en cualquier instante es el valor medio de las muestras actual, inmediatamente anterior e
inmediatamente posterior. Por ejemplo, la salida en el instante n = 0 es
1
2
1
y(0) = [x(1) + x(0) + x(1)] = [1 + 0 + 1] =
3
3
3
Repitiendo este clculo para todos los valores de n, obtenemos la seal de salida
5
5
2
y(n) = {. . . , 0, 1, , 2, 1, , 1, 2, , 1, 0, . . .}
3
3
3
(e) Este sistema selecciona como su salida en el instante n la mediana de las tres muestras de entrada x(n 1), x(n) y
x(n + 1). Luego la respuesta de este sistema a la seal de entrada x(n) es
y(n) = {0, 2, 2, 1, 1, 1, 2, 2, 0, 0, 0, . . .}
(f) Este sistema es bsicamente un acumulador que calcula la suma de todos los valores de la entrada pasados hasta el
instante actual. La respuesta de este sistema a una entrada dada es
y(n) = {. . . , 0, 3, 5, 6, 6, 7, 9, 12, 0, . . .}
Observe que en varios de los sistemas considerados en el Ejemplo 2.2.1 la salida en el instante n = n0 no
slo depende del valor de la entrada en n = n0 [es decir, x(n0 )], sino tambin de los valores de la entrada aplicada
al sistema antes y despus de n = n0 . Consideremos, por ejemplo, el ejemplo del sistema acumulador. En este
caso, vemos que la salida en el instante n = n0 no slo depende de la entrada en el instante n = n0 , sino tambin
de x(n) en los instantes n = n0 1, n0 2, etc. Haciendo una sencilla manipulacin algebraica en la relacin
entradasalida del acumulador podemos escribir
y(n) =
x(k) =
k=
n1
x(k) + x(n)
k=
(2.2.4)
= y(n 1) + x(n)
lo que justifica el uso del trmino acumulador. De hecho, el sistema calcula el valor actual de la salida sumando
(acumulando) el valor actual de la entrada al valor anterior de la salida.
Podemos sacar algunas conclusiones interesantes examinando en detalle este aparentemente sencillo sistema. Supongamos que disponemos de una seal de entrada x(n) para n n0 , y que deseamos determinar la
salida y(n) de este sistema para n n0 . Para n = n0 , n0 + 1, . . ., la Ecuacin (2.2.4) nos proporciona
y(n0 ) = y(n0 1) + x(n0)
y(n0 + 1) = y(n0 ) + x(n0 + 1)
y as sucesivamente. Observe que tenemos un problema a la hora de calcular y(n0 ), ya que depende de y(n0 1).
Sin embargo,
y(n0 1) =
n0 1
x(k)
k=
es decir, y(n0 1) resume el efecto del sistema de todas las entradas que han sido aplicadas al sistema antes
del instante n0 . Por tanto, la respuesta del sistema para n n0 a la entrada x(n) que se aplica en el instante n0
es el resultado combinado de esta entrada y todas las entradas que se han aplicado anteriormente al sistema. En
consecuencia, y(n), n n0 no est determinada nivocamente por la entrada x(n) para n n0 .
La informacin adicional necesaria para determinar y(n) para n n0 es la condicin inicial y(n 0 1). Este
valor resume el efecto de todas las entradas anteriores al sistema. Por tanto, la condicin inicial y(n0 1) junto
con la secuencia de entrada x(n) para n n0 determina de forma unvoca la secuencia de salida y(n) para n n0 .
Si el acumulador no ha sido excitado anteriormente al instante n0 , la condicin inicial es y(n0 1) = 0. En
tal caso, decimos que el sistema estaba inicialmente en reposo. Dado que y(n 0 1) = 0, la secuencia de salida
y(n) slo depende de la secuencia de entrada x(n) para n n0 .
Se suele suponer que todo sistema est en reposo en n = . En este caso, si se aplica una entrada x(n) en
n = , la correspondiente salida y(n) queda nica y exclusivamente determinada por la entrada dada.
EJEMPLO 2.2.2
El acumulador descrito por la expresin (2.2.30) se excita mediante la secuencia x(n) = nu(n). Determine su salida bajo
cada una de las condiciones siguientes:
(a) Inicialmente est en reposo [es decir, y(1) = 0].
(b) Inicialmente, y(1) = 1.
Solucin. La salida del sistema se define como
y(n) =
x(k) =
k=
x(k) +
k=
x(k)
k=0
= y(1) +
x(k)
k=0
= y(1) +
n(n + 1)
2
n(n + 1)
,
2
n0
n2 + n + 2
n(n + 1)
=
,
2
2
n0
x 1( n )
y( n ) = x 1 ( n ) + x 2 ( n )
+
x 2( n )
x ( n)
y( n) = a x( n )
y( n ) = x 1 ( n ) x 2 ( n )
x 2( n )
(2.2.5)
z 1
y( n ) = x( n 1 )
x ( n)
y( n ) = x (n 1 )
La Figura 2.2.7(a) ilustra esta realizacin del diagrama de bloques del sistema. Una simple reordenacin de la expresin
(2.2.5), nos da
1
1
y(n) = y(n 1) + [x(n) + x(n 1)]
(2.2.6)
4
2
la cual nos lleva a la realizacin del diagrama de bloques mostrada en la Figura 2.2.7(b). Observe que si tratamos el sistema
desde el punto de vista de una descripcin de entradasalida o una descripcin externa, no tenemos que preocuparnos
por cmo se implementa el sistema. Por el contrario, si adoptamos una descripcin interna del sistema, sabremos exactamente
cmo tienen que configurarse los bloques bsicos de construccin del sistema. En esta realizacin podemos ver que un sistema
est en reposo en el instante n = n0 si las salidas de todos los retardos que existen en el sistema son cero en n = n0 (es decir,
si toda la memoria est llena de ceros).
x ( n)
0.5
z 1
y( n)
+
z 1
0.5
0.25
(a)
Caja negra
x(n)
z 1
0.5
+
y( n)
+
0.25
z 1
(b)
Figura 2.2.7. Realizaciones del diagrama de bloques del sistema y(n) = 0.25y(n 1) + 0.5x(n) + 0.5x(n 1).
Debemos destacar que para que un sistema posea una determinada propiedad, es preciso que dicha propiedad
se satisfaga para cualquier posible seal de entrada que se aplique al sistema. Si la propiedad slo se cumple
para algunas seales de entrada pero no para otras, quiere decir que el sistema no posee dicha propiedad. Por
tanto, un nico contraejemplo es suficiente para demostrar que un sistema no posee una propiedad dada. Sin
embargo, para demostrar que el sistema tiene determinada propiedad, habr que demostrar que se satisface para
cualquier seal de entrada posible.
Sistemas estticos y dinmicos. Se dice que un sistema discreto en el tiempo es esttico o sin memoria si su
salida en cualquier instante n depende a lo sumo de la muestra de entrada en dicho instante, pero no de muestras
pasadas o futuras de la entrada. En cualquier otro caso, se dice que el sistema es dinmico o que tiene memoria.
Si la salida de un sistema en el instante n est completamente determinada por las muestras de entrada en el
intervalo de n N hasta n (N 0), se dice que el sistema tiene memoria de duracin N. Si N = 0, el sistema
es esttico. Si 0 < N < , se dice que el sistema tiene memoria finita, mientras que si N = , se dice que el
sistema tiene memoria infinita.
Los sistemas descritos por las siguientes ecuaciones de entradasalida
y(n) = ax(n)
(2.2.7)
(2.2.8)
son estticos y sin memoria. Observe que no hay necesidad de almacenar ninguna de las entradas o salidas
anteriores para poder calcular la salida actual. Por el contrario, los sistemas descritos por las siguientes relaciones
de entradasalida
y(n) = x(n) + 3x(n 1)
y(n) =
(2.2.9)
x(n k)
(2.2.10)
k=0
y(n) =
x(n k)
(2.2.11)
k=0
son sistemas dinmicos o sistemas con memoria. Los sistemas descritos por las Ecuaciones (2.2.9) y (2.2.10)
tienen memoria finita, mientras que el sistema descrito por (2.2.11) tiene memoria infinita.
Observe que, en general, los sistemas estticos o sin memoria se describen mediante ecuaciones de entrada
salida de la forma
y(n) = T [x(n), n]
(2.2.12)
y no incluyen elementos de retardo (memoria).
Sistemas invariantes y variantes en el tiempo. Podemos subdividir la clase general de sistemas en dos
grandes categoras: sistemas invariantes en el tiempo y sistemas variantes en el tiempo. Se dice que un sistema
es invariante en el tiempo si su caracterstica de entradasalida no cambia con el tiempo. Supongamos que
disponemos de un sistema T en estado de reposo que, cuando se excita con una seal de entrada x(n), genera
una seal de salida y(n), por lo que podemos escribir
y(n) = T [x(n)]
(2.2.13)
Supongamos ahora que la misma seal de entrada se retarda k unidades de tiempo para proporcionar x(n k),
y de nuevo se aplica al mismo sistema. Si las caractersticas del sistema no cambian con el tiempo, la salida del
sistema en reposo ser y(n k). Es decir, la salida ser la misma que la respuesta a x(n), excepto en que estar
retardada k unidades en el tiempo al igual que la entrada. Esto nos lleva a la siguiente definicin de sistema
invariante en el tiempo o invariante a desplazamientos:
x(n) y(n)
lo que implica que
T
x(n k) y(n k)
(2.2.14)
y ( n) = x ( n ) x ( n 1)
x(n)
+
Diferenciador
z 1
(a)
y( n ) = n x( n )
x ( n)
(b)
x(n)
y (n ) = x( n )
T
Espejo
(c)
x(n)
+
Modulador
(d)
Figura 2.2.8. Ejemplos de (a) un sistema invariante en el tiempo y (b)(d) varios sistemas variantes en el
tiempo.
Solucin.
(a) Este sistema se describe mediante las ecuaciones de entradasalida
y(n) = T [x(n)] = x(n) x(n 1)
(2.2.15)
Si ahora retrasamos la entrada k unidades en el tiempo y la aplicamos al sistema, est claro a partir del diagrama de
bloques que la salida ser
y(n, k) = x(n k) x(n k 1)
(2.2.16)
Por otro lado, a partir de (2.2.14) vemos que si retrasamos y(n) en k unidades de tiempo, obtenemos
y(n k) = x(n k) x(n k 1)
(2.2.17)
Puesto que los lados de la derecha de las expresiones (2.2.16) y (2.2.17) son idnticos, se deduce que y(n, k) = y(nk).
Por tanto, el sistema es invariante en el tiempo.
(b) La ecuacin de entradasalida de este sistema es
(2.2.18)
y(n, k) = nx(n k)
(2.2.19)
(2.2.20)
(2.2.21)
(2.2.22)
Si ahora retardamos la salida y(n) dada por (2.2.21), k unidades de tiempo, el resultado ser
y(n k) = x(n + k)
(2.2.23)
(2.2.24)
(2.2.25)
Si retardamos la expresin dada por (2.2.24) k unidades y el resultado se compara con (2.2.25), es evidente que el
sistema es variante en el tiempo.
Sistemas lineales y no lineales. La clase general de sistemas puede subdividirse en sistemas lineales y sistemas
no lineales. Un sistema lineal es aquel que satisface el principio de superposicin. De forma sencilla podemos
decir que el principio de superposicin exige que la respuesta del sistema a una suma ponderada de seales
sea igual a la correspondiente suma ponderada de las respuestas (salidas) del sistema a cada una de las seales
individuales de entrada. Por tanto, tenemos la siguiente definicin de linealidad.
Definicin. Un sistema es lineal si y slo si
T [a1 x1 (n) + a2x2 (n)] = a1 T [x1 (n)] + a2T [x2 (n)]
(2.2.26)
para cualesquiera secuencias de entrada arbitrarias x1 (n) y x2 (n), y cualesquiera constantes arbitrarias a1 y a2 .
La Figura 2.2.9 proporciona una ilustracin del principio de superposicin.
El principio de superposicin dado por la relacin (2.2.26) puede separarse en dos partes. En primer lugar,
suponemos que a2 = 0. Luego (2.2.26) se reduce a
T [a1 x1 (n)] = a1 T [x1 (n)] = a1 y1 (n)
(2.2.27)
donde
y1 (n) = T [x1 (n)]
La relacin (2.2.27) demuestra la propiedad multiplicativa o de escalado de un sistema lineal. Es decir, si la
respuesta del sistema a la entrada x1 (n) es y1 (n), la respuesta a a1 x1 (n) es simplemente a1 y1 (n). Por tanto,
cualquier escalado de la entrada da lugar a un escalado idntico de la salida correspondiente.
En segundo lugar, suponga que a1 = a2 = 1 en la Ecuacin (2.2.26). Entonces
T [x1 (n) + x2 (n)] = T [x1 (n)] + T [x1 (n)]
(2.2.28)
= y1 (n) + y2(n)
Esta relacin demuestra la propiedad aditiva de un sistema lineal. Las propiedades aditiva y multiplicativa
constituyen el principio de superposicin tal y como se aplica a los sistemas lineales.
Extrapolando, la condicin de linealidad expresada en (2.2.26) puede ampliarse arbitrariamente a cualquier
combinacin lineal ponderada de seales. En general, tenemos que
x(n) =
M1
M1
k=1
(2.2.29)
k=1
x 1( n )
a1
y( n )
+
x 2( n )
a2
x 1( n )
a1
+
x 2( n )
a2
Figura 2.2.9. Representacin grfica del principio de superposicin. T es lineal si y slo si y(n) = y (n).
donde
yk (n) = T [xk (n)],
k = 1, 2, . . . , M 1
(2.2.30)
Observe en (2.2.27) que si a1 = 0, entonces y(n) = 0. En otras palabras, un sistema lineal en reposo con una
entrada cero produce una salida cero. Si un sistema genera una salida distinta de cero cuando se aplica una
entrada igual a cero, puede que el sistema no est en reposo o que sea un sistema no lineal. Si un sistema en
reposo no satisface el principio de superposicin de acuerdo con la definicin anterior, se dice que es un sistema
no lineal.
EJEMPLO 2.2.5
Determine si los sistemas descritos por las siguientes ecuaciones de entradasalida son lineales o no lineales.
(a) y(n) = nx(n)
(b) y(n) = x(n2 )
(c) y(n) = x2 (n)
(d) y(n) = Ax(n) + B
(e) y(n) = ex(n)
Solucin.
(a) Para dos secuencias de entrada x1 (n) y x2 (n), las salidas correspondientes son
y1 (n) = nx1 (n)
y2 (n) = nx2 (n)
(2.2.31)
(2.2.32)
Por otro lado, una combinacin lineal de las dos salidas dadas por (2.2.31) genera la salida siguiente
a1 y1 (n) + a2 y2 (n) = a1 nx1 (n) + a2 nx2 (n)
(2.2.33)
Puesto que los lados de la derecha de las expresiones (2.2.32) y (2.2.33) son idnticos, el sistema es lineal.
(b) Como en el apartado (a), hallamos la respuesta del sistema a las dos seales de entrada por separado x1 (n) y x2 (n).
El resultado es:
y1 (n) = x1 (n2 )
(2.2.34)
y2 (n) = x2 (n2 )
La salida del sistema para una combinacin lineal de x1 (n) y x2 (n) es
y3 (n) = T [a1 x1 (n) + a2 x2 (n)] = a1 x1 (n2 ) + a2 x2 (n2 )
(2.2.35)
Por ltimo, una combinacin lineal de las dos salidas dadas en (2.2.34) da como resultado
a1 y1 (n) + a2 y2 (n) = a1 x1 (n2 ) + a2 x2 (n2 )
(2.2.36)
(c) La salida del sistema es el cuadrado de la entrada (los dispositivos eletrnicos que presentan una caracterstica de
entradasalida as se denominan dispositivos cuadrticos). Basndonos en la exposicin anterior, est claro que tales
sistemas son sistemas sin memoria. Ahora vamos a ver que este sistema es no lineal.
Las respuestas del sistema a las dos seales de entrada separadas son
y1 (n) = x21 (n)
y2 (n) = x22 (n)
(2.2.37)
La respuesta del sistema a una combinacin lineal de estas dos seales de entrada es
y3 (n) = T [a1 x1 (n) + a2 x2 (n)]
= [a1 x1 (n) + a2 x2 (n)]2
=
(2.2.38)
Por el contrario, si el sistema fuera lineal, producira una combinacin lineal de las dos salidas dadas en (2.2.37),
luego,
a1 y1 (n) + a2 y2 (n) = a1 x21 (n) + a2 x22 (n)
(2.2.39)
Dado que la salida real del sistema dada por (2.2.38) no es igual a (2.2.39), el sistema es no lineal.
(d) Suponiendo que el sistema se excita con x1 (n) y x2 (n) por separado, obtenemos las salidas correspondientes
y1 (n) = Ax1 (n) + B
y2 (n) = Ax2 (n) + B
(2.2.40)
(2.2.41)
(2.2.42)
Evidentemente, (2.2.41) y (2.2.42) son diferentes y por tanto el sistema no satisface la prueba de linealidad.
La razn de que este sistema no satisfaga la prueba de linealidad no es que el sistema sea no lineal (de hecho, el
sistema se describe mediante una ecuacin lineal) sino la presencia de la constante B. En consecuencia, la salida
depende tanto de la excitacin de entrada como del parmetro B = 0. Sin embargo, para B = 0, el sistema no est en
reposo. Si hacemos B = 0, el sistema estar en reposo y la prueba de linealidad se satisfar.
(e) Observe que el sistema descrito por la ecuacin de entradasalida
y(n) = ex(n)
(2.2.43)
est en reposo. Si x(n) = 0, tenemos que y(n) = 1. Esto es una indicacin de que el sistema no es lineal. De hecho,
sta es la conclusin a la que se llega cuando se aplica la prueba de linealidad.
Sistemas causales y no causales. Comenzamos definiendo los sistemas discretos en el tiempo causales.
Definicin. Se dice que un sistema es causal si la salida del mismo en cualquier instante n [es decir, y(n)]
slo depende de las entradas actuales y pasadas [es decir, x(n), x(n 1), x(n 2), . . .], pero no depende de las
entradas futuras [x(n + 1), x(n + 2), . . .]. En trminos matemticos, la salida de un sistema causal satisface una
ecuacin de la forma
y(n) = F[x(n), x(n 1), x(n 2), . . .]
(2.2.44)
donde F[] es alguna funcin arbitraria.
Si un sistema no satisface esta definicin, se dice que es no causal. Un sistema as tiene una salida que
depende no slo de las entradas actual y pasada, sino tambin de las entradas futuras.
Es evidente que en las aplicaciones de tratamiento de seales en tiempo real no es posible observar los
valores futuros de la seal, por lo que un sistema no causal es fsicamente irrealizable (es decir, no se puede
implementar). Por el contrario, si la seal se registra de modo que el procesamiento se lleva a cabo fuera de
lnea (no en tiempo real), es posible implementar un sistema no causal, dado que todos los valores de la seal
estn disponibles en el momento del procesamiento. A menudo, sta es la situacin que se da en el tratamiento
de seales geofsicas e imgenes.
EJEMPLO 2.2.6
Determine si los sistemas descritos segn las siguientes ecuaciones de entradasalida son causales o no causales.
a) y(n) = x(n) x(n 1)
d) y(n) = x(n) + 3x(n + 4)
c) y(n) = ax(n)
f) y(n) = x(2n)
g) y(n) = x(n)
Solucin. Los sistemas descritos en los apartados (a), (b) y (c) son evidentemente causales, ya que la salida slo depende
de las entradas actual y pasadas. Por el contrario, los sistemas de los apartados (d), (e) y (f) son claramente no causales, ya
que la salida depende de los valores futuros de la entrada. El sistema del apartado (g) tambin es no causal, ya que podemos
observar al seleccionar, por ejemplo, n = 1, que nos lleva a y(1) = x(1). Por tanto, la salida en n = 1 depende de la
entrada en n = 1, la cual se encuentra dos unidades de tiempo ms adelante.
Sistemas estables y inestables. La estabilidad es una propiedad importante que debe tenerse en cuenta en
cualquier aplicacin prctica de un sistema. Los sistemas inestables normalmente presentan un comportamiento
errtico y extremo, y producen desbordamiento en cualquier implementacin prctica. Vamos a definir ahora
qu se entiende por sistema estable y, posteriormente, en la Seccin 2.3.6, exploraremos las implicaciones de
esta definicin para los sistemas lineales invariantes en el tiempo.
Definicin. Se dice que un sistema en reposo es un sistema estable BIBO (bounded inputbounded output, de
entrada y salida acotadas) si y slo si toda entrada acotada genera una salida acotada.
La condicin de que la secuencia de entrada x(n) y la secuencia de salida y(n) sean acotadas se expresa
matemticamente estableciendo que existen determinados nmeros finitos, como por ejemplo, Mx y My , tales
que
|x(n)| Mx < ,
|y(n)| My <
(2.2.45)
para todo n. Si, para determinada secuencia de entrada acotada x(n), la salida no est acotada (es infinita), el
sistema se clasifica como no estable.
EJEMPLO 2.2.7
Considere el sistema no lineal descrito por la ecuacin de entradasalida
y(n) = y2 (n 1) + x(n)
Como secuencia de entrada seleccionamos la seal acotada
x(n) = C (n)
donde C es una constante. Suponemos tambin que y(1) = 0. As, la secuencia de salida es
y(0) = C,
y(1) = C2 ,
y(2) = C4 ,
...,
y(n) = C2n
Claramente, la salida no est acotada cuando 1 < |C| < . Por tanto, el sistema es un sistema inestable, ya que una secuencia
de entrada acotada produce una salida no acotada.
(2.2.46)
(2.2.47)
= T2 {T1 [x(n)]}
Observe que los sistemas T1 y T2 pueden combinarse o consolidarse en un nico sistema global
Tc T2 T1
(2.2.48)
x(n)
y 1( n )
y( n)
(a)
y 1( n )
x(n)
y 3( n )
y 2( n )
(b)
para sistemas arbitrarios. Sin embargo, si los sistemas T1 y T2 son lineales e invariantes en el tiempo, entonces
(a) Tc es invariante en el tiempo y (b) T2 T1 = T1 T2 , es decir, el orden en el que los sistemas procesen la seal
no es importante. T2 T1 y T1 T2 proporcionan secuencias de salida idnticas.
A continuacin proporcionamos la demostracin de (a). La demostracin correspondiente al apartado (b) se
incluye en la Seccin 2.3.4. Para demostrar la invarianza en el tiempo, supongamos que T1 y T2 son invariantes
en el tiempo; luego
T
1
x(n k)
y1 (n k)
e
T
2
y(n k)
y1 (n k)
Luego
x(n k)
Tc =T2 T1
y(n k)
2.3.1
Existen dos mtodos bsicos que permiten analizar el comportamiento o respuesta de un sistema lineal a una
determinada seal de entrada. Un mtodo est basado en la resolucin directa de la ecuacin de entradasalida
del sistema, que, en general, tiene la forma
y(n) = F[y(n 1), y(n 2), . . ., y(n N), x(n), x(n 1), . . ., x(n M)]
donde F[] indica alguna funcin de las magnitudes encerradas entre corchetes. Especficamente, para un sistema
LTI, veremos ms adelante que la forma general de la relacin entradasalida es
N
k=1
k=0
(2.3.1)
donde {ak } y {bk } son parmetros constantes especficos del sistema y son independientes de x(n) e y(n). La
relacin de entradasalida dada por (2.3.1) es una ecuacin en diferencias y representa una forma de caracterizar
el comportamiento del sistema LTI discreto en el tiempo. La solucin dada por (2.3.1) es el tema de la Seccin
2.4.
El segundo mtodo para analizar el comportamiento de un sistema lineal ante una seal de entrada determinada consiste en descomponer primero la seal de entrada en una suma de seales elementales. Estas seales
elementales se seleccionan de manera que la respuesta del sistema a cada componente de seal se determine
facilmente. A continuacin, utilizando la propiedad de linealidad del sistema, las respuestas del mismo a las
seales elementales se suman para obtener la respuesta total del sistema a la seal de entrada dada. Este segundo
mtodo es el que hemos descrito en esta seccin.
Supongamos que la seal de entrada x(n) se descompone en una suma ponderada de componentes elementales de la seal {xk (n)}, de modo que
x(n) = ck xk (n)
(2.3.2)
k
donde los {ck } hacen referencia al conjunto de amplitudes (coeficientes de ponderacin) de la descomposicin
de la seal x(n). Ahora suponemos que la respuesta del sistema a las seal elemental xk (n) es yk (n). Por tanto,
yk (n) T [xk (n)]
(2.3.3)
suponiendo que el sistema est en reposo y que la respuesta a ck xk (n) es ck yk (n), como consecuencia de la
propiedad de escalado del sistema lineal.
Por ltimo, la respuesta total a la entrada x(n) es
y(n) = T [x(n)] = T
ck xk (n)
k
= ck T [xk (n)]
(2.3.4)
= ck yk (n)
k
k = 0, 1, . . . , N 1
(2.3.5)
Figura 2.3.1. Multiplicacin de una seal x(n) por el impulso unitario desplazado.
donde las frecuencias {k } estn armnicamente relacionadas, es decir,
k =
2
N
k,
k = 0, 1, . . . , N 1
(2.3.6)
La frecuencia 2 /N es la frecuencia fundamental y todas las componentes de frecuencia ms alta son mltiplos
de la componente de la frecuencia fundamental. Esta subclase de seales de entrada se ver ms en detalle ms
adelante.
Para descomponer la seal de entrada en una suma pondenrada de impulsos unitarios, debemos en primer
lugar determinar la respuesta del sistema a un impulso unitario y luego utilizar las propiedades de cambio
de escala y multiplicativa del sistema lineal para determinar la frmula para la salida dada cualquier entrada
arbitraria. Este desarrollo se describe ms detalladamente a continuacin.
2.3.2
Suponga que disponemos de una seal arbitraria x(n) que deseamos descomponer en una suma de impulsos
unitarios. Para aplicar la notacin establecida en la seccin anterior, seleccionamos las seales elementales xk (n)
de modo que
xk (n) = (n k)
(2.3.7)
donde k representa el retardo de la secuencia de impulsos. Para poder manejar una seal arbitraria x(n) que
tenga valores distintos de cero de duracin infinta, el conjunto de impulsos unitarios tiene que ser infinito, para
contener el nmero infinito de retardos.
Ahora supongamos que multiplicamos las dos secuencias x(n) y (n k). Puesto que (n k) es cero
siempre, excepto para n = k, que es igual a la unidad, el resultado de esta multiplicacin es otra secuencia que
es igual a cero siempre excepto en n = k, cuyo valor valor es x(k), como se ilustra en la Figura 2.3.1. Por tanto,
x(n) (n k) = x(k) (n k)
(2.3.8)
es una secuencia que es cero siempre excepto en n = k, que es igual a x(k). Si repetimos la multiplicacin de
x(n) por (n m), siendo m otro retardo (m = k), el resultado sera una secuencia que es cero para todos los
puntos excepto en n = m, donde toma el valor x(m). Luego
x(n) (n m) = x(m) (n m)
(2.3.9)
En otras palabras, cada multiplicacin de la seal x(n) por un impulso unitario desplazado un cierto k, [es decir,
(n k)], extrae el valor x(k) de la seal x(n) en el instante en que el impulso unitario es distinto de cero. Por
tanto, si repetimos esta multiplicacin para todos los posibles desplazamientos, < k < , y sumamos todos
los productos, el resultado ser una secuencia igual a x(n), es decir,
x(n) =
x(k) (n k)
(2.3.10)
k=
Vamos a fijarnos en el lado derecho de la Ecuacin (2.3.10), que es el sumatorio de un nmero infinito
de impulsos unitarios desplazados, donde el impulso unitario (n k) tiene una amplitud x(k). Por tanto, el
lado derecho de dicha ecuacin proporciona la descomposicin de cualquier seal arbitraria x(n) en una suma
ponderada (escalada) de impulsos unitarios desplazados.
EJEMPLO 2.3.1
Considere el caso especial de la secuencia de duracin finita dada por
x(n) = {2, 4, 0, 3}
(2.3.11)
Observe en la Ecuacin (2.3.11) que n es el ndice de tiempos y k es un parmetro que muestra la posicin del
impulso de entrada. Si se cambia la escala del impulso que se encuentra a la entrada en una cantidad ck x(k),
la escala de la respuesta del sistema cambiar en la misma magnitud; es decir
ck h(n, k) = x(k)h(n, k)
(2.3.12)
Por ltimo, si la entrada es la seal arbitraria x(n) expresada como una suma de impulsos ponderados
x(n) =
x(k) (n k)
(2.3.13)
k=
entonces la respuesta del sistema a x(n) ser la correspondiente suma de salidas ponderadas, luego
y(n) = T [x(n)] = T
x(k) (n k)
k=
x(k)T [ (n k)]
(2.3.14)
k=
x(k)h(n, k)
k=
Evidentemente, la expresin (2.3.14) cumple la propiedad de superposicin de los sistemas lineales y se conoce
como sumatorio de superposicin.
Observe que (2.3.14) es una expresin para la respuesta de un sistema lineal a cualquier secuencia de
entrada arbitraria x(n). Esta expresin es una funcin tanto de x(n) como de las respuestas h(n, k) del sistema
a los impulsos unitarios (n k) para < k < . Para obtener la Ecuacin (2.3.14) hemos utilizado la
propiedad de linealidad del sistema pero no su propiedad de invarianza en el tiempo, ya que dicha expresin
puede aplicarse a cualquier sistema lineal (e invariante en el tiempo) en reposo.
Si adems el sistema es invariante en el tiempo, la frmula dada por (2.3.14) se simplifica considerablemente.
De hecho, si la respuesta del sistema LTI al impulso unitario (n) se denota como h(n), es decir,
h(n) T [ (n)]
(2.3.15)
entonces aplicando la propiedad de invarianza en el tiempo, la respuesta del sistema a la secuencia de impulsos
unitarios desplazados (n k) es
h(n k) = T [ (n k)]
(2.3.16)
Por tanto, la frmula dada por (2.3.14) se reduce a
y(n) =
x(k)h(n k)
(2.3.17)
k=
Queda claro entonces que el sistema LTI en reposo queda completamente caracterizado por una nica funcin
h(n), es decir, su respuesta al impulso unitario (n). Por el contrario, la caracterizacin general de la salida de
un sistema lineal e invariante en el tiempo requiere un nmero infinito de funciones de respuesta al impulso
unitario, h(n, k), una para cada posible desplazamiento.
La frmula dada por (2.3.17) que proporciona la respuesta y(n) del sistema LTI como una funcin de la
seal de entrada x(n) y de la respuesta al impulso h(n) se denomina suma de convolucin. Decimos que la
entrada x(n) se convoluciona con la respuesta al impulso h(n) para proporcionar la salida y(n). A continuacin
vamos a explicar el procedimiento para calcular la respuesta y(n), tanto por medios matemticos como grficos,
conocidas la entrada x(n) y la respuesta al impulso h(n) del sistema.
Supongamos que deseamos calcular la salida del sistema en un determinado instante de tiempo, por ejemplo,
para n = n0 . De acuerdo con (2.3.17), la respuesta en n = n0 est dada por
y(n0 ) =
x(k)h(n0 k)
(2.3.18)
k=
La primera observacin que tenemos que hacer es que el ndice del sumatorio es k, y, en consecuencia, tanto
la seal de entrada x(k) como la respuesta al impulso h(n0 k) son funciones de k. En segundo lugar, observe
que las secuencias x(k) and h(n0 k) se multiplican para formar una secuencia producto. La salida y(n0 ) es
simplemente la suma de todos los valores de la secuencia producto. La secuencia h(n0 k) se obtiene a partir
de h(k), reflejando primero h(k) respecto de k = 0 (el origen de tiempos), lo que da como resultado la secuencia
h(k). La secuencia reflejada se desplaza entonces n0 para proporcionar h(n0 k). En resumen, el proceso de
calcular la convolucin entre x(k) y h(k) implica los pasos siguientes:
1. Reflexin. Se refleja h(k) respecto de k = 0 para obtener h(k).
2. Desplazamiento. Se desplaza h(k) una cantidad n 0 hacia la derecha (o la izquierda) si n0 es positivo
(negativo), para obtener h(n0 k).
3. Multiplicacin. Se multiplica x(k) por h(n 0 k) para obtener la secuencia producto vn0(k) x(k)h(n0 k).
4. Suma. Se suman todos los valores de la secuencia producto vn0 (k) para obtener el valor de la salida en el
instante n = n0 .
Observe que este procedimiento proporciona la respuesta del sistema en un determinado instante de tiempo,
por ejemplo, en n = n0 . En general, estaremos interesados en evaluar la respuesta del sistema en todos los
instantes de tiempo del intervalo < n < . Por tanto, los pasos 2 hasta 4 deben repetirse para todos los
posibles valores del desplazamiento temporal, < n < .
Con el fin de comprender mejor el procedimiento de evaluacin de la convolucin, vamos a mostrar el proceso
grficamente. Las grficas nos ayudan a explicar los cuatro pasos necesarios en el clculo de la convolucin.
EJEMPLO 2.3.2
La respuesta al impulso de un sistema lineal invariante en el tiempo es
h(n) = {1, 2, 1, 1}
(2.3.19)
(2.3.20)
Solucin. Vamos a calcular la convolucin empleando la frmula (2.3.17), pero utilizaremos grficas de las secuencias para
ayudarnos en los clculos. En la Figura 2.3.2(a) se ilustra la secuencia de entrada x(k) y la respuesta al impulso h(k) del
sistema, usando k como el ndice de tiempos para ser coherentes con la expresin (2.3.17).
El primer paso para calcular la convolucin consiste en reflejar h(k). La secuencia reflejada h(k) se muestra en la
Figura 2.3.2(b). A continuacin podemos calcular la salida en n = 0, aplicando la frmula (2.3.17), la cual es
y(0) =
x(k)h(k)
(2.3.21)
k=
(2.3.22)
tambin se muestra en la Figura 2.3.2(b). Por ltimo, la suma de todos los trminos de la secuencia producto es
y(0) = h = v0 (k) = 4
Continuamos el clculo evaluando la respuesta del sistema en n = 1. Segn (2.3.17),
y(1) =
x(k)h(1 k)
(2.3.23)
h=
La secuencia h(1 k) es simplemente la secuencia reflejada h(k) desplazada hacia la derecha una unidad de tiempo. Esta
secuencia se ilustra en la Figura 2.3.2(c). La secuencia producto
v1 (k) = x(k)h(1 k)
(2.3.24)
h(k)
x(k)
3
2
2
1 0 1
1 0 1 2 3 4
(a)
Reflejar
ica
ipl
lt
Mu
v0(k)
h(k)
2
Secuencia
producto
2
k
1 0 1 2
1 0 1 2
(b)
Desplazar
h(1 k)
Multiplicar
por x(k)
v1(k)
Secuencia
producto
1
k
0 1 2
0 |1| 2
(c)
h(1 k)
3
v1(k)
Multiplicar
por x(k)
2 1 0 1
Secuencia
producto
0 1 2
(d)
8 8
y(n) = vn (k)
k =
4
3
1
4 5
3 2 1 0 1 2 3
2
6 7
(e)
se muestra en la Figura 2.3.2(c). Por ltimo, la suma de todos los valores de la secuencia producto es
y(1) =
v1 (k) = 8
k=
De forma similar, obtenemos y(2) desplazando h(k) dos unidades de tiempo hacia la derecha, para obtener la secuencia
producto v2 (k) = x(k)h(2 k) y luego sumamos todos los trminos de la secuencia producto obteniendo y(2) = 8. Desplazando h(k) hacia la derecha sucesivamente, multiplicando la secuencia correspondiente y sumando todos los valores de
las secuencias producto resultantes, obtenemos y(3) = 3, y(4) = 2, y(5) = 1. Para n > 5, tenemos que y(n) = 0 porque
las secuencias producto continen nicamente ceros. Por tanto, hemos obtenido la respuesta y(n) para n > 0.
A continuacin deseamos evaluar y(n) para n < 0. Comenzamos con n = 1, luego
y(1) =
x(k)h(1 k)
(2.3.25)
k=
Ahora la secuencia h(1 k) es simplemente la secuencia reflejada h(k) desplazada una unidad de tiempo hacia la
izquierda. La secuencia resultante se muestra en la Figura 2.3.2(d). La secuencia producto correspondiente tambin se
ilustra en la Figura 2.3.2(d). Por ltimo, sumando todos los valores de la secuencia producto, obtenemos
y(1) = 1
Si observamos las grficas de la Figura 2.3.2, es evidente que cualquier desplazamiento ulterior de h(1 k) hacia la
izquierda siempre da como resultado una secuencia producto cuyos valores son todos igual a cero, y por tanto
y(n) = 0
para n 2
Ahora tenemos la respuesta completa del sistema para < n < , la cual resuminos como sigue
y(n) = {. . . , 0, 0, 1, 4, 8, 8, 3, 2, 1, 0, 0, . . .}
(2.3.26)
En el Ejemplo 2.3.2 hemos ilustrado el clculo de la convolucin, empleando grficas de las secuencias
para ayudarnos visualizando los pasos del procedimiento de clculo.
Antes de abordar otro ejemplo, vamos a demostrar que la convolucin es una operacin conmutativa en el
sentido de que es irrelevante cul de las dos componentes se refleje y desplace. Si comenzamos con la frmula
(2.3.17) y hacemos un cambio de variable en el sumatorio, de k a m, definiendo el nuevo ndice m = n k,
entonces k = n m y (2.3.17) puede escribirse como sigue
y(n) =
m=
x(n m)h(m)
(2.3.27)
Puesto que m es un ndice ficticio, podemos simplemente reemplazar m por k de modo que
y(n) =
x(n k)h(k)
(2.3.28)
k=
La expresin dada por (2.3.28) implica no modificar la respuesta al impulso h(k), mientras que la secuencia de
entrada se refleja y desplaza. Aunque la salida y(n) en (2.3.28) es idntica a la dada en (2.3.17), las secuencias
producto en las dos formas de la frmula de la convolucin no son idnticas. De hecho, si definimos las dos
secuencias producto como
vn (k) = x(k)h(n k)
wn (k) = x(n k)h(k)
vn (k) =
k=
wn (n k)
k=
ya que ambas secuencias contienen los mismos valores de impulso en una disposicin diferente. Animamos al
lector a repetir el Ejemplo 2.3.2 utilizando la convolucin dada por (2.3.28).
EJEMPLO 2.3.3
Determine la salida y(n) de un sistema lineal invariante en el tiempo en reposo con una respuesta al impulso
h(n) = anu (n), |a|1
cuando la entrada es un escaln unidad, es decir
x(n) = u(n)
Solucin. En este caso, tanto h(n) como x(n) son secuencias de duracin infinita. Utilizamos la frmula de la convolucin
dada por (2.3.28) en la que x(k) es la secuencia que se refleja. Las secuencias h(k), x(k) y x(k) se muestran en la Figura
2.3.3. Las secuencias producto v0 (k), v1 (k) y v2 (k) correspondientes a x(k)h(k), x(1 k)h(k) y x(2 k)h(k) se ilustran
en las Figuras 2.3.3(c), (d) y (e), respectivamente. Obtenemos as las salidas
y(0) = 1
y(1) = 1 + a
y(2) = 1 + a + a2
Evidentemente, para n > 0, la salida es
y(n) = 1 + a + a2 + + an
1 an+1
1a
Por el contrario, para n < 0, las secuencias producto son todo ceros. Por tanto,
=
y(n) = 0,
(2.3.29)
n<0
En la Figura 2.3.3(f) se muestra una grfica de la salida y(n), para el caso 0 < a < 1. Observe la subida exponencial en la
salida, que es una funcin de n. Como |a| < 1, el valor final de la salida cuando n se aproxima a infinito es
y() = lm y(n) =
n
1
1a
(2.3.30)
Resumiendo, la frmula de la convolucin nos proporciona un medio para calcular la respuesta de un sistema
lineal invariante en el tiempo en estado de reposo a cualquier seal de entrada arbitraria x(n). Puede encontrarse
en dos formas, dadas por las expresiones (2.3.17) y (2.3.28), siendo x(n) la seal de entrada al sistema, h(n) la
respuesta al impulso del sistema e y(n) la salida del sistema en respuesta a la seal de entrada x(n). La evaluacin
de la frmula de la convolucin implica cuatro operaciones: reflexin de la respuesta al impulso cuando se usa
la forma dada por (2.3.17) o de la secuencia de entrada como se especifica en (2.3.28) para proporcionar h(k)
o x(k), respectivamente, desplazamiento de la secuencia reflejada en n unidades de tiempo, para proporcionar
h(n k) o x(n k), multiplicacin de las dos secuencias para obtener la secuencia producto, x(k)h(n k) o
x(n k)h(k), y por ltimo la suma de todos los valores de la secuencia producto para obtener la salida y(n)
del sistema en el instante n. La operacin de reflexin se hace slo una vez. Sin embargo, las tres operaciones
restantes se repiten para todos los posibles desplazamientos en el intervalo < n < con el fin de obtener
y(n) para < n < .
x(k)
h(k)
a
a2
a3
a4
(a)
(b)
v0(k)
x(k)
1
3 2 1
(c)
x(1 k)
1
v1(k)
a
2 1
(d)
x(2 k)
1
v2(k)
a2
k
y(n)
1
1a
asntota
1 + a + a2
1+a
1
2
(e)
4
5
(f)
2.3.4
En esta seccin vamos a ver algunas propiedades importantes de la convolucin y vamos a interpretar estas
propiedades en funcin de la interconexin de los sistemas lineales invariantes en el tiempo. Veremos que estas
propiedades se conservan para cualquier seal de entrada.
Es cmodo simplificar la notacin empleando un smbolo de asterisco para designar la operacin de convolucin. Por tanto,
y(n) = x(n) h(n)
x(k)h(n k)
(2.3.31)
k=
Con esta notacin, la secuencia que sigue al asterisco [es decir, la respuesta al impulso h(n)] se refleja y se
desplaza. La entrada al sistema es x(n). Por otro lado, demostraremos tambin que
x(n)
h(n)
y(n)
h(n)
x(n)
y(n)
h(k)x(n k)
(2.3.32)
k=
(2.3.33)
Desde el punto de vista matemtico, la operacin de convolucin tambin satisface la ley asociativa, la cual
puede enunciarse como sigue.
Ley asociativa
[x(n) h1(n)] h2(n) = x(n) [h1(n) h2(n)]
(2.3.34)
Desde el punto de vista fsico, podemos interpretar x(n) como la seal de entrada a un sistema lineal invariante
en el tiempo con una respuesta al impulso h1 (n). La salida de este sistema, designada por y1 (n), se convierte en
la entrada a un segundo sistema lineal invariante en el tiempo con una respuesta al impulso h2 (n). As, la salida
y(n) = y1 (n) h2(n)
= [x(n) h1(n)] h2(n)
es precisamente el lado izquierdo de la Ecuacin (2.3.34), la cual corresponde a dos sistemas lineales invariantes
en el tiempo conectados en cascada. El lado derecho de la Ecuacin (2.3.34) indica que la entrada x(n) se aplica a
un sistema equivalente que tiene una respuesta al impulso, como por ejemplo, h(n), que es igual a la convolucin
de las dos respuestas al impulso; es decir,
h(n) = h1 (n) h2(n)
e
y(n) = x(n) h(n)
x(n)
h1(n)
h2(n)
y(n)
x(n)
h(n) =
y(n)
h1(n) * h2(n)
(a)
x(n)
h1(n)
h2(n)
y(n)
x(n)
h2(n)
h1(n)
y(n)
(b)
Figura 2.3.5. Implicaciones de las propiedades de la convolucin (a) asociativa y (b) asociativa y commutativa.
Adems, puesto que la operacin de convolucin satisface la propiedad commutativa, es posible intercambiar
el orden de los dos sistemas con respuestas h1 (n) y h2 (n) sin alterar la relacin global de entradasalida. La
Figura 2.3.5 ilustra grficamente la propiedad asociativa.
EJEMPLO 2.3.4
Determine la respuesta al impulso para la conexin en cascada de dos sistemas lineales invariantes en el tiempo que tienen
respuestas al impulso
1
h1 (n) = ( )n u(n)
2
y
1
h2 (n) = ( )n u(n)
4
Solucin. Para determinar la respuesta al impulso global de los dos sistemas conectados en cascada, simplemente convolucionamos h1 (n) con h2 (n). Por tanto,
h(n) =
h1 (k)h2 (n k)
k=
( 2 )k ( 4 )nk
k=0
n
1
= ( )n 2k
4 k=0
1
= ( )n (2n+1 1)
4
1
1
= ( )n [2 ( )n ],
2
2
n0
Es posible generalizar la ley asociativa a ms de dos sistemas conectados en cascada fcilmente a partir
de la exposicin anterior. As, si tenemos L sistemas lineales invariantes en el tiempo conectados en cascada
con respuestas al impulso h1 (n), h2 (n), . . . , hL (n), existe un sistema lineal invariante en el tiempo que tiene una
respuesta al impulso igual a (L 1) convoluciones sucesivas de las respuestas al impulso. Es decir,
h(n) = h1 (n) h2(n) hL(n)
(2.3.35)
La ley conmutativa implica que el orden en que se efecten las convoluciones es indiferente. A la inversa,
cualquier sistema lineal invariante en el tiempo puede descomponerse en una interconexin en cascada de
subsistemas. Ms adelante describiremos un mtodo para llevar a cabo esta descomposicin.
Otra propiedad que satisface la operacin de convolucin es la ley distributiva, que enunciamos a continuacin.
Ley distributiva.
x(n) [h1(n) + h2(n)] = x(n) h1(n) + x(n) h2(n)
(2.3.36)
Interpretndola fsicamente, esta ley implica que si tenemos dos sistemas lineales invariantes en el tiempo con
respuestas al impulso h1 (n) y h2 (n) excitados con la misma seal de entrada x(n), la suma de las dos respuestas
es idntica a la respuesta de un sistema global con la respuesta al impulso
h(n) = h1 (n) + h2(n)
Por tanto, el sistema completo es una combinacin en paralelo de los dos sistemas lineales invariantes en el
tiempo, como se ilustra en la Figura 2.3.6.
La generalizacin de la expresin (2.3.36) a ms de dos sistemas lineales invariantes en el tiempo conectados
en paralelo puede obtenerse fcilmente por deduccin matemtica. Por tanto, la interconexin de L sistemas
lineales invariantes en el tiempo en paralelo con respuestas al impulso h1 (n), h2 (n), . . . , hL (n) y excitados por
la misma seal de entrada x(n) es equivalente a un sistema global con una respuesta al impulso
h(n) =
h j (n)
(2.3.37)
j=1
Inversamente, cualquier sistema lineal invariante en el tiempo se puede descomponer en una interconexin
paralelo de subsistemas.
2.3.5
En la Seccin 2.2.3 hemos definido un sistema causal como aquel cuya salida en el instante n slo depende de
las entradas actual y pasadas, pero no depende de las entradas futuras. En otras palabras, la salida del sistema
en un determinado instante n, por ejemplo n = n0 , slo depende de los valores de x(n) para n n0 .
h1(n)
x(n)
y(n)
x(n)
h(n) =
h1(n) + h2(n)
y(n)
h2(n)
Figura 2.3.6. Interpretacin de la propiedad distributiva de la convolucin: dos sistemas LTI conectados en
paralelo pueden reemplazarse por un nico sistema con h(n) = h1 (n) + h2(n).
En el caso de un sistema lineal invariante en el tiempo, la causalidad se puede traducir a una condicin que
debe satisfacer la respuesta al impulso. Para determinar esta relacin, consideremos un sistema lineal invariante
en el tiempo con una salida en el instante n = n0 dada por la frmula de convolucin
y(n0 ) =
h(k)x(n0 k)
k=
Suponga que subdividimos la suma en dos conjuntos de trminos, un conjunto que incluye los valores actual y
pasados de la entrada [es decir, x(n) para n n0 ] y otro conjunto que especifica los valores futuros de la entrada
[x(n), n > n0 ]. Por tanto, tenemos
y(n0 ) =
k=0
k=
h(k)x(n0 k) +
h(k)x(n0 k)
n<0
(2.3.38)
Dado que h(n) es la respuesta del sistema lineal invariante en el tiempo en reposo a un impulso unitario aplicado
en n = 0, se deduce que h(n) = 0 para n < 0 es una condicin necesaria y suficiente para la causalidad. Por
tanto, un sistema LTI es causal si y slo si su respuesta al impulso es cero para los valores negativos de n.
Puesto que para un sistema causal, h(n) = 0 para n < 0, los lmites del sumatorio de la frmula de la
convolucin se pueden modificar para reflejar esta restriccin. Luego disponemos de las dos formas equivalentes
h(k)x(n k)
y(n) =
(2.3.39)
k=0
n
x(k)h(n k)
(2.3.40)
k=
h(k)x(n k)
(2.3.41)
k=0
x(k)h(n k)
(2.3.42)
k=0
Observe que, en este caso, los lmites de los sumatorios para las dos formas alternativas son idnticos, y el lmite
superior aumenta con el tiempo. Evidentemente, la respuesta de un sistema causal a una secuencia de entrada
causal es causal, ya que y(n) = 0 para n < 0.
EJEMPLO 2.3.5
Determine la respuesta al escaln unidad del sistema lineal invariante en el tiempo con una respuesta al impulso
h(n) = an u(n),
|a| < 1
Solucin. Como la seal de entrada es un escaln unidad, que es una seal causal, y el sistema tambin es causal, podemos
utilizar una de las formas especiales de la frmula de convolucin, bien la expresin (2.3.41) o la (2.3.42). Dado que x(n) = 1
para n 0, es ms sencillo emplear la frmula (2.3.41). Gracias a la simplicidad de este problema, podemos saltarnos los
pasos de dibujar las secuencias reflejadas y desplazadas. En su lugar, hacemos la sustitucin directa de las seales en la
frmula (2.3.41) y obtenemos
n
ak
y(n) =
k=0
1 an+1
1a
e y(n) = 0 para n < 0. Observe que este resultado es idntico al obtenido en el Ejemplo 2.3.3. Sin embargo, en este sencillo
caso, hemos calculado la convolucin algebraicamente sin recurrir al procedimiento detallado descrito anteriormente.
para todo n.
A continuacin, para una secuencia de entrada acotada dada x(n) a un sistema lineal invariante en el tiempo,
vamos a investigar las implicaciones de la definicin de la estabilidad sobre las caractersticas del sistema. Con
este fin, vamos a emplear de nuevo la frmula de la convolucin
y(n) =
h(k)x(n k)
k=
Sabemos que el valor absoluto de la suma de los trminos siempre es menor o igual que la suma de los valores
absolutos de los trminos. Por tanto,
|y(n)|
|h(k)||x(n k)|
k=
Si la entrada est acotada, existe un nmero finito Mx tal que |x(n)| Mx . Sustituyendo esta cota superior para
x(n) en la ecuacin anterior, obtenemos
|y(n)| Mx
|h(k)|
k=
A partir de esta expresin, vemos que la salida est acotada si la respuesta al impulso del sistema satisface la
condicin
Sh
|h(k)| <
(2.3.43)
k=
Es decir, un sistema lineal invariante en el tiempo es estable si su respuesta al impulso es absolutamente sumable.
Esta condicin no slo es suficiente sino tambin necesaria para asegurar la estabilidad del sistema. Por tanto,
demostraremos que si Sh = , existe una entrada acotada para la que la salida no est acotada. Elegimos la
entrada acotada
h (n) , h(n) = 0
|h(n)|
x(n) =
0,
h(n) = 0
donde h (n) es el complejo conjugado de h(n). Basta con demostrar que existe un valor de n para el que y(n)
no est acotada. Para n = 0 tenemos
y(0) =
x(k)h(k) =
k=
|h(k)|2
= Sh
k= |h(k)|
Por tanto, si Sh = , una entrada acotada produce una salida no acotada ya que y(0) = .
La condicin dada por (2.3.43) implica que la respuesta al impulso h(n) tiende a cero cuando n se aproxima
a infinito. En consecuencia, la salida del sistema tiende a cero cuando n se aproxima a infinito si la entrada es
cero para n > n0 . Para demostrar esto, supongamos que |x(n)| < Mx para n < n0 y x(n) = 0 para n n0 . Luego,
en n = n0 + N, la salida del sistema es
y(n0 + N) =
N1
h(k)x(n0 + N k) +
k=
h(k)x(n0 + N k)
k=N
El primer sumatorio es cero, ya que x(n) = 0 para n n0 . Para el resto de la expresin, tomamos el valor absoluto
de la salida, que es
|y(n0 + N)| = h(k)x(n0 + N k) |h(k)||x(n0 + N k)|
k=N
k=N
Mx
|h(k)|
k=N
|h(n)| = 0
N
lm
k=N
por tanto,
lm |y(n0 + N)| = 0
Este resultado implica que cualquier excitacin en la entrada del sistema que tenga una duracin finita, produce
una salida de naturaleza transitoria; es decir, su amplitud disminuye con el tiempo y desaparece casi totalmente
cuando el sistema es estable.
EJEMPLO 2.3.6
Determine el rango de valores del parmetro a para el que el sistema lineal invariante en el tiempo con la respuesta al impulso
h(n) = an u(n)
es estable.
Solucin. En primer lugar, observe que el sistema es causal. En consecuencia, el ndice inferior del sumatorio de la expresin
(2.3.43) se inicia con k = 0. Por tanto,
k=0
k=0
|a|k = 1 |a|
k=0
siempre que |a| < 1. En caso contrario, diverge. Por tanto, el sistema es estable si |a| < 1. En caso contrario, es inestable.
En efecto, h(n) tiene que disminuir exponencialmente hacia cero cuando n tiende a infinito para que el sistema sea estable.
EJEMPLO 2.3.7
Determine el rango de valores de a y b para los que el sistema lineal invariante en el tiempo con la respuesta al impulso
n
a , n0
h(n) =
bn , n < 0
es estable.
Solucin. Este sistema es no casual. La condicin de estabilidad dada por (2.3.43) supone
n=
|h(n)| =
n=0
n=
|a|n +
|b|n
En el Ejemplo 2.3.6 ya hemos determinado que el primer sumatorio converge para |a| < 1. El segundo sumatorio podemos
manipularlo del modo siguiente:
1
n=
|b|n =
1
1
1
1
1
+
+
=
+
n |b|
|b| |b|2
n=1 |b|
= (1 + + 2 + ) =
donde = 1/|b| tiene que ser menor que la unidad para que la serie geomtrica converja. En consecuencia, el sistema es
estable si se satisface tanto |a| < 1 como |b| > 1.
n<0
nM
h(k)x(n k)
y(n) =
k=0
Una interpretacin til de esta expresin se obtiene observando que la salida en cualquier instante n es simplemente una combinacin lineal ponderada de las muestras de la seal de entrada x(n), x(n 1), . . ., x(n M + 1).
En otras palabras, el sistema simplemente pondera, mediante los valores de la respuesta al impulso h(k), k = 0,
1, . . . , M 1, las M muestras de la seal ms recientes y suma los M productos resultantes. En efecto, el sistema
acta como una ventana que slo ve las M muestras de la seal de entrada ms recientes para formar la salida.
Desprecia o simplemente olvida todas las muestras de entrada anteriores [es decir, x(n M), x(n M 1), . . .].
Por tanto, decimos que un sistema FIR tiene una memoria finita de M muestras.
Por el contrario, un sistema lineal invariante en el tiempo IIR tiene una respuesta al impulso de duracin
infinita. Su salida, basada en la frmula de la convolucin, es
y(n) =
h(k)x(n k)
k=0
donde se ha supuesto causalidad, aunque esta suposicin no es necesaria. Ahora, la salida del sistema es una
combinacin lineal ponderada [por la respuesta al impulso h(k)] de las muestras de la seal de entrada x(n),
x(n 1), x(n 2), . . . . Dado que la suma ponderada implica las muestras de entrada actual y todas las pasadas,
decimos que el sistema tiene una memoria infinita.
En los siguientes captulos estudiaremos en detalle las caractersticas de los sistemas FIR e IIR.
h(k)x(n k)
(2.4.1)
k=
x(n)
y(n)
1
n+1
z1
n
2.4.1
Como hemos dicho anteriormente, la frmula de la convolucin expresa la salida del sistema lineal invariante en
el tiempo explcitamente y slo en funcin de la seal de entrada. Sin embargo, como vamos a demostrar aqu,
ste no es el caso. Existen muchos sistemas en los que es necesario o deseable expresar la salida del sistema no
slo en funcin de los valores actual y pasados de la entrada, sino tambin en funcin de los valores de la salida
pasados ya disponibles. El siguiente problema ilustra esta cuestin.
Supongamos que queremos calcular la media acumulada de una seal x(n) en el intervalo 0 k n, definida
como
1 n
y(n) =
(2.4.2)
x(k), n = 0, 1, . . .
n + 1 k=0
Como implica la expresin (2.4.2), el clculo de y(n) requiere el almacenamiento de todas las muestras de la
entrada x(k) para 0 k n. Dado que n es creciente, los requisitos de memoria crecen linealmente con el
tiempo.
Sin embargo, la intuicin nos dice que y(n) puede calcularse de forma ms eficiente utilizando el valor
anterior de salida y(n 1). Por tanto, mediante una sencilla reordenacin algebraica de la expresin (2.4.2),
obtenemos
(n + 1)y(n) =
n1
x(k) + x(n)
k=0
= ny(n 1) + x(n)
y por tanto
y(n) =
1
n
y(n 1) +
x(n)
n+1
n+1
(2.4.3)
Ahora podemos calcular la media acumulada y(n) recursivamente multiplicando el valor anterior de salida
y(n 1) por n/(n + 1), multiplicando la entrada actual x(n) por 1/(n + 1) y sumando los dos productos. Luego
el clculo de y(n) empleando (2.4.3) requiere dos multiplicaciones, una suma y una posicin de memoria, como
se ilustra en la Figura 2.4.1. Se trata de un ejemplo de un sistema recursivo. En general, un sistema cuya salida
y(n) en el instante n depende de cualquier nmero de valores pasados de salida y(n 1), y(n 2), . . . se denomina
sistema recursivo.
Con el fin de determinar el proceso de clculo del sistema recursivo de acuerdo con (2.4.3) ms detalladamente, suponga que iniciamos el proceso con n = 0 y avanzamos en el tiempo. Entonces, segn (2.4.3),
obtenemos
y(0) = x(0)
1
1
y(1) = y(0) + x(1)
2
2
1
2
y(2) = y(1) + x(2)
3
3
y as sucesivamente. Si alguien se cansa de hacer clculos y desea pasarle el problema a alguien en un determinado
instante, por ejemplo, en n = n0 , la nica informacin que es necesario proporcionar a quien contine con los
clculos es el valor pasado y(n0 1) y las nuevas muestras de entrada x(n), x(n + 1), . . . . Por tanto, esa persona
empezar con
n0
1
y(n0 ) =
y(n0 1) +
x(n0 )
n0 + 1
n0 + 1
y continuar avanzando en el tiempo hasta un determinado instante, por ejemplo n = n1 , momento en el que se
cansar y pasar el problema a otro junto con la informacin acerca del valor de y(n1 1), etc.
La conclusin de esta cuestin es que si alguien quiere calcular la respuesta (en este caso, la media acumulada) del sistema (2.4.3) a una seal de entrada x(n) aplicada en n = n0 , slo necesita conocer el valor de y(n0 1)
y las muestras de entrada x(n) para n n0 . El trmino y(n0 1) es la condicin inicial para el sistema descrito
por (2.4.3) y contiene toda la informacin necesaria para determinar la respuesta del sistema para n n0 a la
seal de entrada x(n), independientemente de lo que haya ocurrido anteriormente.
El siguiente ejemplo ilustra el uso de un sistema recursivo (no lineal) para calcular la raz cuadrada de un
nmero.
EJEMPLO 2.4.1
Algoritmo de la raz cuadrada. Muchas computadoras y calculadoras calculan la raz cuadrada de un nmero positivo A,
aplicando un algoritmo iterativo
1
A
sn1 +
,
n = 0, 1, . . .
sn =
2
sn1
donde sn1 es una estimacin inicial de A. A medida que la iteracin converge, tenemos sn sn1 . Luego podemos deducir
fcilmente que sn A.
Consideremos ahora el sistema recursivo
x(n)
1
y(n 1) +
(2.4.4)
y(n) =
2
y(n 1)
que se ha implementado en la Figura 2.4.2. Si excitamos este sistema con un escaln de amplitud A [es decir, x(n) = Au(n)]
y utilizamos como condicin inicial y(1), un valor estimado de A, la respuesta y(n) del sistema tender a A cuando n
aumente. Observe que, en contraste con el sistema dado por (2.4.3), no necesitamos especificar de forma exacta la condicin
inicial. Basta con un valor estimado aproximado para que el sistema funcione correctamente. Por ejemplo, si tenemos A = 2
x(n)
1
2
y(n)
1
y(n 1)
y(n 1)
z1
y(0) = 1.416667, y(1) = 1.4142157. Compare estos valores con el valor de 2, que es aproximadamente 1.4142136.
Acabamos de presentar dos sistemas recursivos simples, en los que la salida y(n) depende del valor previo
de la salida y(n 1) y de la entrada actual x(n). Ambos sistemas son causales. En general, podemos formular
sistemas recursivos causales ms complejos, en los que la salida y(n) es una funcin de varios valores anteriores
de la salida y de las entradas actual y pasadas. El sistema deber tener un nmero finito de retardos o, lo que es
lo mismo, necesitar un nmero finito de posiciones de memoria para poder ser implementado en la prctica.
Por tanto, la salida de un sistema causal y recursivo realizable en la prctica puede expresarse de manera general
como
y(n) = F[y(n 1), y(n 2), . . ., y(n N), x(n), x(n 1), . . ., x(n M)]
(2.4.5)
donde F[] indica alguna funcin de sus argumentos. Se trata de una ecuacin recursiva que especifica un
procedimiento para calcular la salida del sistema en funcin de valores anteriores de la salida y de las entradas
actual y pasadas.
En contraste, si y(n) slo depende de las entradas actual y pasadas, entonces
y(n) = F[x(n), x(n 1), . . ., x(n M)]
(2.4.6)
Un sistema as se denomina no recursivo. Debemos aadir que los sistemas FIR causales descritos en la Seccin
2.3.7 de acuerdo con la frmula de la convolucin tienen la forma indicada en (2.4.6). De hecho, la convolucin
para un sistema FIR causal es
y(n) =
h(k)x(n k)
k=0
x(n)
y(n)
x(n)
y(n)
z1
(b)
Figura 2.4.3. Forma bsica de un sistema causal y realizable (a) no recursivo y (b) recursivo.
la salida y(n0 ) de un sistema cuando se excita con una entrada aplicada en el instante n = 0. Si el sistema es
recursivo, para calcular y(n0 ), primero tenemos que calcular todos los valores anteriores y(0), y(1), . . . , y(n0 1).
Por el contrario, si el sistema es no recursivo, podemos calcular la salida y(n0 ) de forma inmediata sin tener
y(n0 1), y(n0 2), . . . . En conclusin, la salida de un sistema recursivo se calcula en orden [es decir, y(0),
y(1), y(2), . . .], mientras que en un sistema no recursivo, la salida se puede calcular en cualquier orden [es decir,
y(200), y(15), y(3), y(300), etc.]. En algunas aplicaciones prcticas esta caracterstica resulta til.
(2.4.7)
donde a es una constante. La Figura 2.4.4 muestra el diagrama de bloques del sistema. Comparando este sistema
con el sistema para calcular la media acumulada descrito por la ecuacin de entradasalida (2.4.3), podemos
observar que el sistema dado por (2.4.7) tiene un coeficiente constante (independiente del tiempo), mientras que
el sistema descrito en (2.4.3) tiene coeficientes que varan con el tiempo. Como veremos, (2.4.7) es una ecuacin
de entradasalida para un sistema lineal invariante en el tiempo, mientras que (2.4.3) describe un sistema lineal
variante en el tiempo.
x(n)
y(n)
+
z1
a
Supongamos ahora que aplicamos una seal de entrada x(n) al sistema para n 0. No vamos a hacer
suposiciones acerca de la seal de entrada para n < 0, pero supondremos que existe una condicin inicial y(1).
Dado que (2.4.7) describe la salida del sistema implcitamente, debemos resolver esta ecuacin para obtener
una expresin explcita para la salida del sistema. Suponga que calculamos valores sucesivos de y(n) para n 0,
comenzando por y(0). Por tanto,
y(0) = ay(1) + x(0)
y(1) = ay(0) + x(1) = a2 y(1) + ax(0) + x(1)
y(2) = ay(1) + x(2) = a3 y(1) + a2x(0) + ax(1) + x(2)
..
.
y(n) =
..
.
ay(n 1) + x(n)
n0
(2.4.8)
k=0
La respuesta y(n) del sistema, como se especifica en el lado derecho de la expresin (2.4.8), consta de dos
partes. La primera, que contiene el trmino y(1) es un resultado de la condicin inicial y(1) del sistema. La
segunda parte es la respuesta del sistema a la seal de entrada x(n).
Si el sistema est inicialmente en reposo en el instante n = 0, entonces su memoria (es decir, la salida del
elemento de retardo) debe ser cero. Por tanto, y(1) = 0. Luego un sistema recursivo est en reposo si se inicia
con condiciones iniciales nulas. Puesto que la memoria del sistema describe, en cierto sentido, su estado,
decimos que el sistema est en el estado cero y su salida correspondiente se denomina respuesta para el estado
cero y se designa mediante yzs (n). Obviamente, la respuesta para el estado cero del sistema definido por (2.4.7)
est dada por
yzs (n) =
ak x(n k),
n0
(2.4.9)
k=0
Es interesante destacar que la expresin (2.4.9) es una operacin de convolucin que implica a la seal de
entrada y la respuesta al impulso.
h(n) = an u(n)
(2.4.10)
Observe tambin que el sistema descrito por la ecuacin en diferencias de primer orden de (2.4.7) es causal.
Como resultado, el lmite inferior de la convolucin en (2.4.9) es k = 0. Adems, la condicin y(1) = 0 implica
que la seal de entrada puede suponerse causal y, por tanto, el lmite superior de la convolucin especificada en
(2.4.9) es n, ya que x(n k) = 0 para k > n. En efecto, hemos obtenido el resultado de que el sistema recursivo
en reposo descrito por la ecuacin en diferencias de primer orden (2.4.7) es un sistema lineal invariante en el
tiempo IIR con una respuesta al impulso dada por (2.4.10).
Supongamos ahora que el sistema descrito por (2.4.7) no est inicialmente en reposo [es decir, y(1) = 0]
y que la entrada es x(n) = 0 para todo n. Por tanto, la salida del sistema para una entrada igual a cero es la
respuesta para la entrada nula o respuesta natural y se designa por y zi (n). A partir de (2.4.7), con x(n) = 0 para
< n < , obtenemos
yzi (n) = an+1 y(1),
n0
(2.4.11)
Observe que un sistema recursivo con una condicin inicial distinta de cero no est en reposo en el sentido de
que puede generar una salida sin haber sido excitado. Observe que la respuesta a la entrada nula se debe a la
memoria del sistema.
En resumen, la respuesta a la entrada nula se obtiene haciendo nula la seal de entrada, lo que implica
que es independiente de la entrada. Slo depende de la naturaleza del sistema y de la condicin inicial. Por
tanto, la respuesta a la entrada nula es una caracterstica del propio sistema y se conoce tambin como respuesta
natural o libre del sistema. Por otro lado, la respuesta a la entrada nula depende de la naturaleza del sistema y
de la seal de entrada. Dado que esta salida es una respuesta forzada por la seal de entrada, normalmente se
conoce como respuesta forzada del sistema. En general, la respuesta total del sistema puede expresarse como
y(n) = yzi (n) + yzs(n).
El sistema descrito por la ecuacin en diferencias de primer orden (2.4.7) es el sistema recursivo ms simple
posible dentro de la clase general de sistemas recursivos descritos mediante ecuaciones en diferencias lineales
y coeficientes constantes. La forma general para tal ecuacin es
N
k=1
k=0
(2.4.12)
o, lo que es equivalente,
N
k=0
k=0
a0 1
(2.4.13)
El entero N define el orden de la ecuacin en diferencias del sistema. El signo negativo del lado derecho de la
ecuacin (2.4.12) se introduce por conveniencia para permitirnos expresar la ecuacin en diferencias (2.4.13)
sin ningn signo negativo.
La Ecuacin (2.4.12) expresa la salida del sistema en el instante n directamente como una suma ponderada
de salidas pasadas y(n 1), y(n 2), . . ., y(n N), as como las muestras de las seales de entrada pasadas y
presentes. Observe que con el fin de determinar y(n) para n 0, necesitamos la entrada x(n) para todo n 0
y las condiciones iniciales y(1), y(2), . . . , y(N). En otras palabras, las condiciones iniciales resumen todo
lo que necesitamos saber sobre la historia pasada de la respuesta del sistema para calcular las salidas actual y
futuras. La solucin general de la ecuacin en diferencias de orden N y coeficientes constantes se aborda en la
siguiente seccin.
Ahora vamos a enunciar de nuevo las propiedades de linealidad, invarianza en el tiempo y estabilidad en el
contexto de los sistemas recursivos descritos por ecuaciones en diferencias lineales y coeficientes constantes.
Como hemos visto, un sistema recursivo puede estar en reposo o no, dependiendo de las condiciones iniciales.
Por tanto, las definiciones de estas propiedades tienen que tener en cuenta la presencia de las condiciones
iniciales.
Vamos a empezar con la definicin de linealidad. Un sistema es lineal si satisface los tres requisitos siguientes:
1. La respuesta total es igual a la suma de las respuestas a la entrada nula y en estado cero [es decir,
y(n) = yzi (n) + yzs (n)].
2. El principio de superposicin se aplica a la respuesta para el estado nulo (lineal para el estado nulo).
3. El principio de superposicin se aplica a la respuesta a la entrada nula (lineal para la entrada nula).
Un sistema que no satisfaga los tres requisitos es por defincin no lineal. Obviamente, para un sistema en
reposo, yzi (n) = 0, y por tanto el segundo requisito, que se corresponde con la definicin de linealidad dada en
la Seccin 2.2.4, es suficiente.
Vamos a ilustrar la aplicacin de estos requisitos mediante un ejemplo sencillo.
EJEMPLO 2.4.2
Determine si el sistema recursivo definido por la ecuacin en diferencias y(n) = ay(n 1) + x(n) es lineal.
Solucin. Combinando las expresiones (2.4.9) y (2.4.11), obtenemos la (2.4.8), que se puede expresar como
y(n) = yzi (n) + yzs (n)
ak [c1 x1 (n k) + c2 x2 (n k)]
k=0
= c1
=
k=0
k=0
ak x1 (n k) + c2 ak x2 (n k)
(1)
(2)
c1 yzs (n) + c2 yzs (n)
Por tanto, yzs (n) satisface el principio de superposicin y el sistema es lineal para el estado nulo.
Supongamos ahora que y(1) = c1 y1 (1) + c2 y2 (1). A partir de (2.4.11), obtenemos
yzi (n) = an+1 [c1 y1 (1) + c2 y2 (1)]
= c1 an+1 y1 (1) + c2 an+1 y2 (1)
(1)
(2)
Aunque resulta algo pesado, el procedimiento utilizado en el Ejemplo 2.4.2 para demostrar la linealidad del
sistema descrito por la ecuacin en diferencias de primer orden nos lleva directamente a los sistemas recursivos
generales descritos por la ecuacin en diferencias de coeficientes constantes dada por (2.4.13). Por tanto, un
sistema recursivo descrito por la ecuacin en diferencias lineal (2.4.13) tambin satisface la definicin de
linealidad y, en consecuencia, es lineal.
La siguiente cuestin que se nos plantea es si el sistema lineal causal descrito por la ecuacin en diferencias
de coeficientes constantes (2.4.13) es invariante en el tiempo. Este problema es fcil de resolver cuando se
trata de sistemas descritos por relaciones matemticas de entradasalida explcitas. Evidentemente, el sistema
descrito por (2.4.13) es invariante en el tiempo porque los coeficientes ak y bk son constantes. Por el contrario, si
uno o ms de estos coeficientes dependen del tiempo, el sistema es variante en el tiempo, ya que sus propiedades
cambian como una funcin del tiempo. Luego podemos concluir que el sistema recursivo descrito por una
ecuacin en diferencias de coeficientes constantes es lineal e invariante en el tiempo.
La ltima cuestin es la estabilidad del sistema recursivo descrito por la ecuacin en diferencias de coeficientes constantes (2.4.13). En la Seccin 2.3.6 hemos presentado el concepto de estabilidad BIBO (bounded
inputbounded output) para los sistemas en reposo. En sistemas que no estn en reposo y que pueden ser no
lineales, la estabilidad BIBO debe considerarse con mucho cuidado. Sin embargo, en el caso de un sistema
recursivo lineal e invariante en el tiempo descrito por la ecuacin en diferencias de coeficientes constantes
(2.4.13), basta con establcer que tal sistema tiene estabilidad BIBO si y slo si para toda entrada acotada y toda
condicin inicial acotada, la respuesta total del sistema est acotada.
EJEMPLO 2.4.3
Determine si el sistema recursivo lineal e invariante en el tiempo descrito por la ecuacin en diferencias dada por (2.4.7) es
estable.
Solucin. Supongamos que la seal de entrada x(n) est acotada en amplitud, es decir, |x(n)| Mx < para todo n 0.
A partir de (2.4.8), tenemos
n
k
n+1
n0
|y(n)| |a y(1)| + a x(n k) ,
k=0
|a|n+1 |y(1)| + Mx
|a|k ,
n0
1 |a|n+1
= My ,
1 |a|
n0
k=0
|a|n+1 |y(1)| + Mx
Si n es finito, la cota My es finita y la salida est acotada independientemente del valor de a. Sin embargo, como n , la
cota My se mantiene finita slo si |a| < 1 porque |a|n 0 cuando n . Luego My = Mx /(1 |a|).
Por tanto, el sistema es estable slo si |a| < 1.
En el simple sistema de primer orden del Ejemplo 2.4.3,hemos podido expresar la condicin para estabilidad
BIBO en funcin del parmetro del sistema a, en concreto, |a| < 1. Sin embargo, tenemos que decir que esta tarea
se hace ms compleja para sistemas de orden mayor. Afortunadamente, como veremos en captulos posteriores,
existen otras tcnicas ms simples y eficientes que permiten investigar la estabilidad de los sistemas recursivos.
2.4.3
Dada una ecuacin en diferencias lineal de coeficientes constantes como la relacin de entradasalida que
describe un sistema lineal e invariante en el tiempo, nuestro objetivo en esta seccin es determinar una expresin
explcita para la salida y(n). El mtodo que vamos a desarrollar se denomina mtodo directo. En el Captulo 3
se describe un mtodo alternativo basado en la transformada-z. Por razones que sern obvias ms adelante, el
mtodo de la transformada-z se conoce como mtodo indirecto.
Bsicamente, el objetivo es determinar la salida y(n), n 0 del sistema dada una entrada especificada x(n),
n 0, y para un cojunto de condiciones iniciales. El mtodo de la solucin directa supone que la solucin total
es la suma de dos partes:
y(n) = yh (n) + y p(n)
La parte yh (n) se conoce como la solucin homognea o complementaria, mientras que y p (n) es la solucin
particular.
La solucin homognea de una ecuacin en diferencias. Abordemos el problema resolviendo la ecuacin
en diferencias lineal de coeficientes constantes dada por (2.4.13), obteniendo primero la solucin a la ecuacin
en diferencias homognea
N
ak y(n k) = 0
(2.4.14)
k=0
El procedimiento para resolver una ecuacin en diferencias lineal de coeficientes constantes directamente es muy
similar al procedimiento de resolver una ecuacin diferencial lineal de coeficientes constantes. Bsicamente,
suponemos que la solucin tiene la forma de una exponencial, es decir
yh (n) = n
(2.4.15)
donde el subndice h de y(n) se utiliza para designar a la solucin de la ecuacin en diferencias homognea. Si
sustituimos esta supuesta solucin en (2.4.14), obtenemos la ecuacin polinmica
N
ak nk = 0
k=0
nN ( N + a1 N1 + a2 N2 + + aN1 + aN ) = 0
(2.4.16)
El polinomio entre parntesis es el polinomio caracterstico del sistema. En general, tiene N races, que designamos como 1 , 2 , . . . , N . Las races pueden ser reales o complejas. En la prctica, normalmente, los coeficientes
a1 , a2 , . . . , aN son reales. La races complejas aparecen como pares de complejos conjugados. Algunas de las N
races pueden ser iguales, en cuyo caso tendremos races de orden mltiple.
Por el momento, supongamos que las races son distintas, es decir, no existen races de orden mltiple.
Luego la solucin ms general para la ecuacin en diferencias homognea dada por (2.4.14) es
yh (n) = C1 1n + C2 2n + + CN Nn
(2.4.17)
(2.4.18)
n + a1 n1 = 0
n1 ( + a1 ) = 0
= a1
Por tanto, la solucin a la ecuacin en diferencias homognea es
yh (n) = C n = C(a1 )n
(2.4.19)
La respuesta del sistema a la entrada nula se puede determinar a partir de (2.4.18) y (2.4.19). Con x(n) = 0, (2.4.18)
proporciona
y(0) = a1 y(1)
Por otro lado, a partir de (2.4.19) tenemos
yh (0) = C
y, por tanto, la respuesta a la entrada nula del sistema es
yzi (n) = (a1 )n+1 y(1),
n0
(2.4.20)
Con a = a1 , este resultado es coherente con (2.4.11) para el sistema de primer orden, el cual se obtuvo anteriormente por
iteracin de la ecuacin en diferencias.
EJEMPLO 2.4.5
Determine la respuesta a la entrada nula del sistema descrito por la ecuacin en diferencias de segundo orden homognea
y(n) 3y(n 1) 4y(n 2) = 0
(2.4.21)
Solucin. En primer lugar, determinamos la solucin para la ecuacin homognea. Suponemos que la solucin es la
exponencial
yh (n) = n
Sustituyendo esta solucin en (2.4.21), obtenemos la ecuacin caracterstica
n 3 n1 4 n2 = 0
n2 ( 2 3 4) = 0
Por tanto, las races son = 1, 4, y la forma general de la solucin a la ecuacin homognea es
yh (n) = C1 1n +C2 2n
(2.4.22)
La respuesta a la entrada nula del sistema se puede obtener a partir de la solucin homognea, evaluando las constantes de
(2.4.22), dadas las condiciones iniciales y(1) e y(2). A partir de la ecuacin en diferencias (2.4.21), tenemos
y(0) = 3y(1) + 4y(2)
y(1) = 3y(0) + 4y(1)
= 3[3y(1) + 4y(2)] + 4y(1)
= 13y(1) + 12y(2)
Por otro lado, a partir de (2.4.22), obtenemos
y(0) = C1 +C2
y(1) = C1 + 4C2
Igualando estos dos conjuntos de relaciones, tenemos
C1 +C2 = 3y(1) + 4y(2)
C1 + 4C2 = 13y(1) + 12y(2)
La solucin de estas dos ecuaciones es
1
4
C1 = y(1) + y(2)
5
5
16
16
y(1) + y(2)
C2 =
5
5
Por tanto, la respuesta a la entrada nula del sistema es
4
1
yzi (n) = [ y(1) + y(2)](1)n
5
5
16
16
+[ y(1) + y(2)](4)n ,
5
5
(2.4.23)
n0
n0
Estos ejemplos ilustran el mtodo para obtener la solucin homognea y la respuesta a la entrada nula del
sistema cuando la ecuacin caracterstica contiene races distintas. Por otro lado, si la ecuacin caracterstica
contiene races mltiples, la forma de la solucin dada en (2.4.17) tiene que modificarse. Por ejemplo, si 1 es
una raz de multiplicidad m, entonces (2.4.17) se transforma como sigue
yh (n) = C1 1n + C2 n1n + C3 n2 1n + + Cm nm1 1n
(2.4.24)
n
+ + CN n
+Cm+1 m+1
La solucin particular de la ecuacin en diferencias. La solucin particular y p (n) es necesaria para satisfacer
la ecuacin en diferencias (2.4.13) para la seal de entrada especificada x(n), n 0. En otras palabras, y p (n) es
cualquier solucin que satisfaga
N
k=0
k=0
a0 = 1
(2.4.25)
Para resolver (2.4.25), suponemos para y p (n), una forma que dependa de la forma de la entrada x(n). El siguiente
ejemplo ilustra el procedimiento.
EJEMPLO 2.4.6
Determine la solucin particular de la ecuacin en diferencias de primer orden
y(n) + a1 y(n 1) = x(n),
|a1 | < 1
(2.4.26)
1
1 + a1
1
u(n)
1 + a1
(2.4.27)
En este ejemplo, la entrada x(n), n 0, es una constante y la forma supuesta para la solucin particular
tambin es una constante. Si x(n) es una exponencial, supondremos que la solucin particular tambin es una
exponencial. Si x(n) fuera una sinusoide, entonces y p (n) tambin sera una sinusoide. Por tanto, la forma que
seleccionemos para la solucin particular ser la forma bsica de la seal x(n). La Tabla 2.1 proporciona la
forma general de la solucin particular para distintos tipos de excitacin.
Seal de entrada
x(n)
Solucin particular
y p (n)
A (constante)
AM n
K
KMn
AnM
An n M
A cos 0 n
A sen 0 n
K0 nM + K1 nM1 + + KM
An (K0 nM + K1 nM1 + + KM )
K1 cos 0 n + K2 sen 0 n
Tabla 2.1. Forma general de la solucin particular para varios tipos de seales de entrada.
EJEMPLO 2.4.7
Determine la solucin particular de la ecuacin en diferencias
5
1
y(n) = y(n 1) y(n 2) + x(n)
6
6
para la funcin x(n) = 2n , n 0 y cero en cualquier otro caso.
Solucin. La forma de la solucin particular es
y p (n) = K2n ,
n0
n0
Hemos demostrado cmo determinar las dos componentes de la solucin de una ecuacin en diferencias
con coeficientes constantes. Estas dos componentes son la solucin homognea y la solucin particular. A partir
de estas dos componentes, construimos la solucin completa, de la que podemos obtener la respuesta al estado
nulo.
La solucin completa de la ecuacin en diferencias. La propiedad de linealidad de la ecuacin en diferencias
lineal de coeficientes constantes nos permite sumar la solucin homogna y la solucin particular con el fin de
obtener la solucin completa. Luego
y(n) = yh (n) + y p(n)
La suma resultante y(n) contiene los parmetros constantes {Ci } de la solucin homognea yh (n). Estas constantes pueden determinarse para satisfacer las condiciones iniciales. El siguiente ejemplo ilustra el procedimiento.
EJEMPLO 2.4.8
Determine la solucin completa y(n), n 0, para la ecuacin en diferencias
y(n) + a1 y(n 1) = x(n)
(2.4.28)
1
u(n)
1 + a1
1
,
1 + a1
n0
(2.4.29)
1
1 + a1
1
= a1 y(1) + 1
1 + a1
C = a1 y(1) +
a1
1 + a1
1 (a1 )n+1
,
1 + a1
n0
(2.4.30)
Observe que la respuesta del sistema dada por (2.4.30) es coherente con la respuesta y(n) dada por (2.4.8)
para el sistema de primer orden (con a = a1 ), lo que se ha obtenido resolviendo la ecuacin en diferencias
iterativamente. Adems, observe que el valor de la constante C depende tanto de la condicin inicial y(1)
como de la funcin de excitacin. En consecuencia, el valor de C influye en la respuesta para la entrada nula y
en la respuesta para el estado nulo.
Fjese tambin en que la solucin particular de la ecuacin en diferencias puede obtenerse a partir de la
respuesta para el estado cero del sistema. En efecto, si |a1 | < 1, que es la condicin para la estabilidad del
sistema, como se demuestra en la Seccin 2.4.4, el valor lmite de yzs (n) cuando n tiende a infinito es la solucin
particular, es decir,
1
y p (n) = lm yzs (n) =
n
1 + a1
Puesto que esta componente de la respuesta del sistema no tiende a cero cuando n tiende a infinito, normalmente
se denomina respuesta en rgimen permanente del sistema. Esta respuesta se mantiene mientras que la entrada se
mantenga. La componente que desaparece cuando n tiende a infinito es lo que se denomina respuesta transitoria
del sistema.
El siguiente ejemplo ilustra la evaluacin de la solucin completa de un sistema recursivo de segundo orden.
EJEMPLO 2.4.9
Determine la respuesta y(n), n 0, del sistema descrito por la ecuacin en diferencias de segundo orden
y(n) 3y(n 1) 4y(n 2) = x(n) + 2x(n 1)
cuando la secuencia de entrada es
(2.4.31)
x(n) = 4n u(n)
Solucin. Ya hemos determinado la solucin para la ecuacin en diferencias homognea de este sistema en el Ejemplo
2.4.5. A partir de la expresin (2.4.22), tenemos
yh (n) = C1 (1)n +C2 (4)n
(2.4.32)
La solucin particular a (2.4.31) se supone que es una secuencia exponencial de la misma forma que x(n). Normalmente,
podremos suponer una solucin de la forma
y p (n) = K(4)n u(n)
Sin embargo, observe que y p (n) ya est contenida en la solucin homognea, por lo que esta solucin particular es redundante.
En su lugar, seleccionamos la solucin particular para que sea linealmente independiente de los trminos contenidos en la
solucin homognea. De hecho, vamos a tratar esta situacin de la misma manera que ya hemos tratado las races mltiples
en la ecuacin caracterstica. Por tanto, suponemos que
y p (n) = Kn(4)n u(n)
(2.4.33)
(2.4.34)
n0
(2.4.35)
donde las constantes C1 y C2 se determinan de modo que se satisfagan las condiciones iniciales. Para conseguir esto, volvemos
a la expresin (2.4.31), de la que obtenemos
y(0) = 3y(1) + 4y(2) + 1
y(1) = 3y(0) + 4y(1) + 6
= 13y(1) + 12y(2) + 9
24
5
Ahora podemos igualar estos dos conjuntos de relaciones para obtener C1 y C2 . De este modo, tenemos la respuesta debida
a las condiciones iniciales y(1) e y(2) (la respuesta para la entrada nula), y la respuesta para el estado nulo.
Dado que ya hemos obtenido la respuesta para la entrada nula en el Ejemplo 2.4.5, podemos simplificar los clculos
anteriores haciendo y(1) = y(2) = 0. Luego tenemos que
C1 +C2 = 1
C1 + 4C2 +
1 yC =
Por tanto, C1 = 25
2
forma
26 .
25
24
= 9
5
Por ltimo, tenemos la respuesta para el estado nulo a la funcin x(n) = (4)n u(n) en la
1
26
6
(1)n + (4)n + n(4)n ,
n0
(2.4.36)
25
25
5
La respuesta completa del sistema, en la que se incluye la respuesta a las condiciones iniciales arbitrarias, es la suma de
(2.4.23) y (2.4.36).
yzs (n) =
2.4.4
ak x(n k)
(2.4.37)
k=0
ak (n k)
k=0
n
=a ,
n0
Por tanto, la respuesta al impulso del sistema recursivo de primer orden descrito por (2.4.7) es
h(n) = an u(n)
(2.4.38)
h(k)x(n k),
n0
(2.4.39)
k=0
Cuando la entrada es un impulso [es decir, x(n) = (n)], la Ecuacin (2.4.39) se reduce a
yzs (n) = h(n)
(2.4.40)
Vamos a considerar ahora el problema de determinar la respuesta al impulso h(n) cuando el sistema se describe
mediante una ecuacin en diferencias lineal de coeficientes constantes. En la seccin anterior, hemos establecido
que la respuesta completa del sistema a cualquier excitacin es la suma de dos soluciones de la ecuacin en
diferencias: la solucin a la ecuacin homognea ms la solucin particular a la funcin de excitacin. En el
caso en que la excitacin sea un impulso, la solucin particular es cero, por tanto x(n) = 0 para n > 0, luego
y p (n) = 0
En consecuencia, la respuesta del sistema a un impulso es simplemente la solucin a la ecuacin homognea, con
los parmetros {Ck } evaluados para satisfacer las condiciones iniciales establecidas por el impulso. El siguiente
ejemplo ilustra el procedimiento para obtener h(n) dada la ecuacin en diferencias que define al sistema.
EJEMPLO 2.4.10
Determine la respuesta al impulso h(n) para el sistema descrito por la ecuacin en diferencias de segundo orden
y(n) 3y(n 1) 4y(n 2) = x(n) + 2x(n 1)
(2.4.41)
Solucin. En el Ejemplo 2.4.5 ya hemos determinado que la solucin a la ecuacin en diferencias homognea para este
sistema es
yh (n) = C1 (1)n +C2 (4)n ,
n0
(2.4.42)
Dado que la solucin particular es cero cuando x(n) = (n), la respuesta al impulso del sistema queda determinada por
(2.4.42), donde C1 y C2 deben obtenerse para satisfacer (2.4.41).
Para n = 0 y n = 1, (2.4.41) proporciona
y(0) = 1
y(1) = 3y(0) + 2 = 5
donde hemos impuesto las condiciones y(1) = y(2) = 0, ya que el sistema tiene que estar en reposo. Por otro lado, la
expresin (2.4.42) evaluada en n = 0 y n = 1 proporciona
y(0) = C1 +C2
y(1) = C1 + 4C2
Resolviendo estos dos conjuntos de ecuaciones para C1 y C2 , obtenemos
1
C1 = ,
5
C2 =
6
5
Cuando el sistema se describe mediante una ecuacin en diferencias lineal de orden N-simo del tipo dado
por (2.4.13), la solucin de la ecuacin homognea es
yh (n) =
Ck nk
k=1
cuando las races {k } del polinomio caracterstico son distintas. Por tanto, la respuesta al impulso del sistema
tiene exactamente la misma forma, es decir,
h(n) =
Ck kn
(2.4.43)
k=1
donde los parmetros {Ck } se determinan estableciendo las condiciones iniciales y(1) = = y(N) = 0.
Esta forma de h(n) nos permite relacionar fcilmente la estabilidad de un sistema descrito por una ecuacin
en diferencias de orden N-simo con los valores de las races del polinomio caracterstico. En efecto, dado que
la estabilidad BIBO requiere que la respuesta al impulso sea absolutamente sumable, entonces, para un sistema
causal, tenemos
N
N
|h(n)| = Ck n k |Ck | |k |n
n=0
n=0 k=1
n=0
k=1
Luego, si |k | < 1 para todo k, entonces
|k |n <
n=0
y por tanto
|h(n)| <
n=0
Por otro lado, si una o ms de las races |k | 1, h(n) ya no ser absolutamente sumable y, en consecuencia,
el sistema ser inestable. Por tanto, una condicin necesaria y suficiente para la estabilidad de un sistema IIR
causal descrito mediante una ecuacin en diferencias lineal de coeficientes constantes es que el mdulo de todas
las races del polinomio caracterstico tiene que ser menor que la unidad. Se puede verificar que esta condicin
se extiende al caso en que el sistema tiene races de multiplicidad m.
Por ltimo, fjese en que cualquier sistema recursivo descrito mediante una ecuacin en diferencias lineal de
coeficientes constantes es un sistema IIR. Sin embargo, lo contrario no es cierto. Es decir, no todos los sistemas IIR
lineales e invariantes en el tiempo pueden describirse mediante una ecuacin en diferencias lineal de coeficientes
constantes. En otras palabras, los sistemas recursivos descritos mediante una ecuacin en diferencias lineal de
coeficientes constantes son una subclase de los sistemas IIR lineales e invariantes en el tiempo.
(2.5.1)
el cual se implementa como se muestra en la Figura 2.5.1(a). Esta realizacin utiliza elementos de retardo
(memoria) separados para las muestras de las seales de entrada y de salida, y esta estructura se conoce como
forma directa I. Observe que este sistema puede interpretarse como dos sistemas lineales invariantes en el tiempo
conectados en cascada. El primero es un sistema no recursivo descrito por la ecuacin
v(n) = b0 x(n) + b1x(n 1)
(2.5.2)
(2.5.3)
Sin embargo, como hemos visto en la Seccin 2.3.4, si intercambiamos el orden de interconexin de estos
dos sistemas, la respuesta del sistema completo no vara. Por tanto, si intercambiamos el orden de los sistemas
x(n)
b0
y(n)
z1
z1
a1
b1
(a)
x(n)
b0
+
z1
y(n)
+
z1
a1
b1
(b)
x(n)
b0
y(n)
z1
a1
b1
(c)
Figura 2.5.1. Pasos para convertir la implementacin correspondiente a la forma directa I (a) en la implementacin de la forma directa II (c).
recursivo y no recursivo, obtenemos una estructura alternativa para la realizacin del sistema discreto por (2.5.1).
El sistema resultante se muestra en la Figura 2.5.1(b). A partir de esta figura podemos obtener las dos ecuaciones
en diferencias
w(n) = a1 w(n 1) + x(n)
(2.5.4)
(2.5.5)
que proporcionan un algoritmo alternativo para calcular la salida del sistema descrita por la ecuacin en diferencias dada por (2.5.1). En otras palabras, las dos ecuaciones en diferencias (2.5.4) y (2.5.5) son equivalentes
a la ecuacin en diferencias (2.5.1).
Si se fija detenidamente en la Figura 2.5.1 comprobar que los elementos de retardo tienen la misma entrada
w(n) y por tanto la misma salida w(n 1). Por tanto, estos dos elementos pueden implementarse como un nico
elemento, como se muestra en la Figura 2.5.1(c). En comparacin con la forma directa I, esta nueva realizacin
slo requiere un elemento de retardo para la magnitud auxiliar w(n), por lo que es ms eficiente en trminos de
requisitos de memoria. Esta estructura se denomina forma directa II y se utiliza ampliamente en aplicaciones
prcticas.
Estas estructuras pueden generalizarse fcilmente para el sistema recursivo lineal e invariante en el tiempo
descrito por la ecuacin en diferencias
N
k=1
k=0
(2.5.6)
La Figura 2.5.2 ilustra la estructura de la forma directa I para este sistema. Esta estructura requiere M + N
retardos y N + M + 1 multiplicaciones, y puede verse como la conexin en cascada de un sistema no recursivo
v(n) =
bk x(n k)
(2.5.7)
k=0
x(n)
b0
y(n)
z1
z1
b1
a1
a2
b2
z1
z1
aN 1
bM 1
z1
z1
bM
aN
Figura 2.5.2. Forma directa I del sistema descrito por la Ecuacin (2.5.6).
x(n)
b0
y(n)
z1
+
a1
b1
z1
+
a2
b2
z1
a3
aN2
b3
bM
(M = N 2)
z1
aN1
z1
aN
Figura 2.5.3. Forma directa II para el sistema descrito por la Ecuacin (2.5.6).
y un sistema recursivo
N
(2.5.8)
k=1
Si invertimos el orden de estos dos sistemas, igual que hemos hecho anteriormente para el sistema de primer
orden, obtenemos la forma directa II mostrada en la Figura 2.5.3 para N > M. Esta estructura es la conexin en
cascada de un sistema recursivo dado por
N
(2.5.9)
k=1
bk w(n k)
(2.5.10)
k=0
Observe que si N M, esta estructura requiere una cantidad de elementos de retardo igual al orden N del
sistema. Sin embargo, si M > N, la memoria necesaria viene dada por M. La Figura 2.5.3 se puede modificar
fcilmente para este caso. Por tanto, la estructura de la forma directa II requiere M + N + 1 multiplicaciones y el
mximo de entre max{M, N} elementos de retardo. Dado que esta forma requiere el menor nmero posible de
elementos de retardo para la realizacin del sistema descrito por (2.5.6), a veces se denomina forma cannica.
Un caso especial de (2.5.6) se produce si definimos los parmetros del sistema ak = 0, k = 1, . . . , N, con lo
que la relacin entradasalida del sistema se reduce a
y(n) =
bk x(n k)
(2.5.11)
k=0
que es un sistema no recursivo lineal e invariante en el tiempo. Este sistema slo ve las M + 1 muestras ms
recientes de la seal de entrada y, antes de realizar la suma, pondera cada muestra mediante el coeficiente
apropiado bk del conjunto {bk }. En otras palabras, la salida del sistema es bsicamente una media ponderada
mvil de la seal de entrada. Por esta razn, en ocasiones se denomina sistema de media mvil (MA, moving
average). Tal sistema es un sistema FIR con una respuesta al impulso h(k) igual a los coeficientes b k , es decir,
h(k) =
bk , 0 k M
0, en otro caso
(2.5.12)
(2.5.13)
k=1
En este caso, la salida del sistema es una combinacin lineal ponderada de N salidas pasadas y la entrada actual.
Los sistemas lineales invariantes en el tiempo descritos por una ecuacin en diferencias de segundo orden
son una importante subclase de los sistemas ms generales descritos por (2.5.6), (2.5.10) o (2.5.13). La razn
de su importancia la explicaremos ms adelante al abordar los efectos de la cuantificacin. Por el momento, basta
con decir que los sistemas de segundo orden normalmente se emplean como bloques bsicos en la realizacin
de sistemas de orden superior.
El sistema de segundo orden ms general se describe mediante la ecuacin en diferencias
y(n) = a1 y(n 1) a2y(n 2) + b0x(n)
(2.5.14)
(2.5.16)
que es un caso especial de (2.5.13). La estructura para realizar este sistema se muestra en la Figura 2.5.4(c).
x(n)
b0
y(n)
z 1
a1
b1
z1
a2
b2
(a)
x(n)
z1
z1
b0
b1
b2
y(n)
(b)
x(n)
b0
y(n)
+
a1
a2
z1
z1
(c)
Figura 2.5.4. Estructuras para la realizacin de sistemas de segundo orden: (a) sistema general de segundo
orden; (b) sistema FIR; (c) sistema puramente recursivo.
(2.5.17)
y para los sistemas lineales invariantes en el tiempo especficamente mediante la ecuacin en diferencias
N
k=1
k=0
(2.5.18)
Por otro lado, los sistemas no recursivos causales no dependen de los valores pasados de la salida y por tanto se
describen mediante una ecuacin de entradasalida de la forma
y(n) = F[x(n), x(n 1), . . ., x(n M)]
(2.5.19)
y para los sistemas lineales invariantes en el tiempo, especficamente, mediante la ecuacin en diferencias dada
por (2.5.18) con ak = 0 para k = 1, 2, . . . , N.
En el caso de sistemas FIR, ya hemos dicho que siempre es posible realizarlos como sistemas no recursivos.
De hecho, para ak = 0, k = 1, 2, . . . , N, en (2.5.18), tenemos un sistema con una ecuacin de entradasalida
y(n) =
bk x(n k)
(2.5.20)
k=0
x(n)
z1
z1
z1
z1
y(n)
+
1
M+1
M
1
x(n k)
M + 1 k=0
(2.5.21)
para calcular la media mvil de una seal x(n). Evidentemente, se trata de un sistema FIR con la respuesta al
impulso
1
,
0nM
h(n) =
M+1
La Figura 2.5.5 ilustra la estructura de la realizacin no recursiva del sistema. Suponga ahora que escribimos la
expresin (2.5.21) como
y(n) =
M
1
x(n 1 k)
M + 1 k=0
1
[x(n) x(n 1 M)]
M+1
1
= y(n 1) +
[x(n) x(n 1 M)]
M+1
+
(2.5.22)
Luego la Ecuacin (2.5.22) representa una realizacin recursiva del sistema FIR. La estructura de esta realizacin
recursiva del sistema de media mvil se ilustra en la Figura 2.5.6.
x(n)
z1
z1
z1
x(n M 1)
y(n)
+
+
1
M+1
z1
y(n 1)
En resumen, podemos considerar los trminos FIR e IIR como caractersticas generales que diferencian dos
tipos de sistemas lineales invariantes en el tiempo, y los trminos recursivo y no recursivo como descripciones
de las estructuras para la realizacin o implementacin del sistema.
(2.6.1)
donde es un factor de atenuacin que representa la prdida de seal que se produce en la transmisin de ida
y vuelta que sigue la seal x(n), D es el retardo de ida y vuelta, que se supone que es un mltiplo entero del
intervalo de muestreo y w(n) representa el ruido aditivo que capta la antena y cualquier ruido generado por los
componentes electrnicos y amplificadores contenidos en la entrada del receptor. Por el contrario, si no hay un
blanco en el espacio barrido por el radar o el sonar, la seal recibida y(n) es solamente ruido.
Disponiendo de las dos seales, x(n), que se conoce como seal de referencia o seal transmitida e y(n),
que es la seal recibida, el problema de la deteccin por radar o sonar consiste en comparar y(n) y x(n) para
tida
smi
ran
al t
Se
da
eja
fl
l re
Se
determinar si hay presente un blanco y, en caso afirmativo, determinar el tiempo de retardo D y calcular la
distancia al blanco. En la prctica, la seal x(n D) se ve fuertemente distorsionada a causa del ruido aditivo,
por lo que una inspeccin visual de y(n) no revela la presencia o ausencia de la seal reflejada deseada desde el
blanco. La correlacin nos proporciona un medio para extraer esta importante informacin de y(n).
Las comunicaciones digitales constituyen otra importante rea en la que a menudo se emplea la correlacin.
En las comunicaciones digitales, la informacin que se va a transmitir de un punto a otro habitualmente se
convierte a formato binario, es decir, una secuencia de ceros y unos, la cual se transmite entonces al receptor.
Para transmitir un 0, podemos transmitir la secuencia de seal x0 (n) para 0 n L 1, y para transmitir un 1
podemos tramsitir la seal x1 (n) para 0 n L 1, donde L es un entero que designa el nmero de muestras
en cada una de las secuencias. Muy a menudo, x1 (n) se elige para que sea el valor negativo de x0 (n). La seal
recibida por el receptor se puede representar como
y(n) = xi (n) + w(n),
i = 0, 1,
0 n L1
(2.6.2)
donde la incertidumbre ahora se encuentra en si x0 (n) o x1 (n) es la componente de seal de y(n), y w(n)
representa el ruido aditivo y otras interferencias inherentes a cualquier sistema de comunicacin. De nuevo, este
ruido tiene origen en los componentes electrnicos de la etapa de entrada del receptor. En cualquier caso, el
receptor conoce las posibles secuencias transmitidas x0 (n) y x1 (n) y se enfrenta a la tarea de comparar la seal
recibida y(n) con x0 (n) y x1 (n) para determinar con cul de las dos seales se corresponde mejor y(n). Este
proceso de comparacin se lleva a cabo mediante la operacin de correlacin que se describe en la siguiente
seccin.
2.6.1
Supongamos que tenemos dos secuencias de seal reales x(n) e y(n), teniendo cada una de ellas energa finita.
La correlacin cruzada de x(n) e y(n) es una secuencia r xy (l), la cual se define como
rxy (l) =
n=
x(n)y(n l),
l = 0, 1, 2, . . .
(2.6.3)
x(n + l)y(n),
l = 0, 1, 2, . . .
(2.6.4)
n=
n=
y(n)x(n l)
(2.6.5)
o, lo que es equivalente,
ryx (l) =
n=
y(n + l)x(n)
(2.6.6)
Comparando (2.6.3) con (2.6.6) o (2.6.4) con (2.6.5), podemos concluir que
rxy (l) = ryx (l)
(2.6.7)
Por tanto, ryx (l) es simplemente la versin reflejada de rxy (l), donde la reflexin se efecta respecto a l = 0. Por
tanto, ryx (l) proporciona exactamente la misma informacin que rxy (l), en lo que respecta a la similitud de x(n)
e y(n).
EJEMPLO 2.6.1
Determine la secuencia de correlacin cruzada rxy (l) de las secuencias
x(n) = {. . . , 0, 0, 2, 1, 3, 7, 1 , 2, 3, 0, 0, . . .}
y(n) = {. . . , 0, 0, 1, 1, 2, 2, 4 , 1, 2, 5, 0, 0, . . .}
Solucin. Utilizamos la definicin dada en (2.6.3) para calcular rxy (l). Para l = 0, tenemos
rxy (0) =
x(n)y(n)
n=
rxy (4) = 7
rxy (5) = 5,
rxy (6) = 3,
rxy (l) = 0,
l 7
Para l < 0, desplazamos y(n) hacia la izquierda l unidades respecto de x(n), calculamos la secuencia producto vl (n) =
x(n)y(n l) y sumamos para todos los valores de la secuencia producto. Obtenemos entonces los valores de la correlacin
cruzada
rxy (1) = 0,
rxy (2) = 33, rxy (3) = 14, rxy (4) = 36
rxy (5) = 19,
rxy (6) = 9,
rxy (l) = 0, l 8
Las similitudes entre el clculo de la correlacin cruzada de dos secuencias y la convolucin de dos secuencias es evidente. En el clculo de la convolucin, una de las secuencias se refleja, luego se desplaza, a
continuacin se multiplica por la otra secuencia para generar la secuencia producto correspondiente a dicho
desplazamiento y, por ltimo, se suman los valores de la secuencia producto. Excepto en lo que respecta a
la operacin de reflexin, el clculo de la secuencia de correlacin cruzada implica las mismas operaciones:
desplazamiento de una de las secuencias, multiplicacin de las dos secuencias y suma para todos los valores de
la secuencia producto. En consecuencia, si disponemos de un programa para computadora que realice la convolucin, podremos emplearlo para obtener la correlacin cruzada proporcionando como entradas al programa la
secuencia x(n) y la secuencia reflejada y(n). As, la convolucin de x(n) e y(n) proporciona la correlacin
cruzada rxy (l), es decir,
rxy (l) = x(l) y(l)
(2.6.8)
Observe que la ausencia de reflexin hace de la correlacin cruzada una operacin no conmutativa. En el
caso especial en que y(n) = x(n), tenemos la autocorrelacin de x(n), que se define como la secuencia
rxx (l) =
o, de forma equivalente, como
rxx (l) =
n=
n=
x(n)x(n l)
(2.6.9)
x(n + l)x(n)
(2.6.10)
Cuando se trabaja con secuencias de duracin finita, es costumbre expresar la autocorrelacin y la correlacin
cruzada en funcin de los lmites finitos del sumatorio. En concreto, si x(n) e y(n) son secuencias causales de
longitud N [es decir, x(n) = y(n) = 0 para n < 0 y n N], las secuencias de la correlacin cruzada y de la
autocorrelacin se pueden expresar del siguiente modo
N|k|1
rxy (l) =
x(n)y(n l)
(2.6.11)
x(n)x(n l)
(2.6.12)
n=l
y
N|k|1
rxx (l) =
n=i
2.6.2
Las secuencias de autocorrelacin y correlacin cruzada poseen una serie de importantes propiedades que vamos
a ver a continuacin. Para desarrollar estas propiedades, suponemos que disponemos de dos seales, x(n) e y(n),
de energa finita a partir de las cuales formamos la combinacin lineal
ax(n) + by(n l)
donde a y b son constantes arbitrarias y l es un cierto desplazamiento de tiempo. La energa de esta seal es
n=
n=
x2 (n) + b2
+2ab
n=
n=
y2 (n l)
x(n)y(n l)
(2.6.13)
En primer lugar, observamos que rxx (0) = Ex y ryy (0) = Ey , que son las energas de x(n) e y(n), respectivamente. Es obvio que
a2 rxx (0) + b2ryy (0) + 2abrxy(l) 0
(2.6.14)
Ahora supongamos que b = 0, entonces podemos dividir (2.6.14) entre b2 para obtener
rxx (0)
a
b
2 + 2rxy(l)
a
b
+ ryy (0) 0
Podemos considerar esta ecuacin como una ecuacin cuadrtica de coeficientes rxx (0), 2rxy (l) y ryy (0). Dado
que esta ecuacin nunca es negativa, se deduce que su discriminante no ser positivo, es decir
2
4[rxy
(l) rxx (0)ryy (0)] 0
Ex Ey
(2.6.15)
(2.6.16)
Esto significa que la secuencia de autocorrelacin de una seal alcanza su valor mximo para un retardo de cero.
Este resultado es coherente con la idea de que una seal se corresponde de forma perfecta consigo misma para
un retardo igual a cero. En el caso de la secuencia de la correlacin cruzada, la cota superior de sus valores est
dada por la expresin (2.6.15).
Observe que si se aplica un factor de escala a una o ambas seales implicadas en la correlacin cruzada,
la forma de la secuencia de la correlacin cruzada no vara, nicamente se modificarn sus amplitudes en el
mismo factor de escala. Puesto que el cambio de escala no es importante, en la prctica se suelen normalizar
las secuencias de correlacin cruzada y autocorrelacin en el rango comprendido entre 1 y 1. En el caso de la
autocorrelacin, simplemente dividimos entre rxx (0). Por tanto, la autocorrelacin normalizada se define como
xx (l) =
rxx (l)
rxx (0)
(2.6.17)
(2.6.18)
As, |xx (l)| 1 y |xy (l)| 1 y, por tanto, estas secuencias son independientes del cambio de escala que se
pueda aplicar a la seal.
Por ltimo, como ya hemos demostrado, la correlacin cruzada satisface la propiedad
rxy (l) = ryx (l)
Si y(n) = x(n), esta relacin se convierte en la siguiente importante propiedad para la secuencia de autocorrelacin
rxx (l) = rxx (l)
(2.6.19)
Luego la funcin de autocorrelacin es una funcin par. En consecuencia, basta con calcular rxx (l) para l 0.
x(n)
1
2 1 0 1 2 3
(a)
x(n l )
1
l>0
0
(b)
x(n l )
1
l<0
0
(c)
rxx(l) =
1
al
1 a2
2 1 0 1 2
(d)
Solucin. Puesto que x(n) es una seal de duracin infinita, su autocorrelacin tambin tendr duracin infinita. Podemos
distinguir dos casos.
Si l 0, a partir de la Figura 2.6.2, podemos ver que
rxx (l) =
n=1
n=1
n=1
1
a|l| ,
1 a2
n=0
n=0
l0
x(n)x(n l) = al (a2 )n = 1 a2 al ,
l<0
Pero cuando l es negativo, al = a|l| . Luego las dos relaciones para rxx (l) se pueden combinar en la siguiente expresin:
rxx (l) =
1
a|l| ,
1 a2
< l <
(2.6.20)
1
1 a2
xx (l) =
2.6.3
rxx (l)
= a|l| ,
rxx (0)
< l <
(2.6.21)
En la Seccin 2.6.1 hemos definido las secuencias de correlacin cruzada y de autocorrelacin de seales de
energa. En esta seccin vamos a considerar la correlacin de seales de potencia, en concreto, de seales
peridicas.
Sean x(n) e y(n) dos seales de potencia. Su correlacin cruzada se define como
M
1
x(n)y(n l)
M 2M + 1
n=M
rxy (l) = lm
(2.6.22)
M 2M + 1 n=M
rxx (l) = lm
(2.6.23)
En particular, si x(n) e y(n) son dos seales peridicas de perodo N, las medias especificadas por (2.6.22)
y (2.6.23) en un intervalo infinito son idnticas a las medias en un nico perodo, por lo que las expresiones
(2.6.22) y (2.6.23) se reducen a
rxy (l) =
1 N1
x(n)y(n l)
N n=0
(2.6.24)
rxx (l) =
1 N1
x(n)x(n l)
N n=0
(2.6.25)
Est claro que rxy (l) y rxx (l) son secuencias de correlacin peridicas de perodo N. El factor 1/N puede
interpretarse como un factor de escala de normalizacin.
En algunas aplicaciones prcticas, la correlacin se utiliza para identificar caractersticas de periodicidad
en una seal fsica que se est observando y pueda estar distorsionada por causa de interferencias aleatorias. Por
ejemplo, considere una seal y(n) de la forma
y(n) = x(n) + w(n)
(2.6.26)
donde x(n) es una secuencia peridica de perodo desconocido N y w(n) representa una interferencia aleatoria
aditiva, Suponga que observamos M muestras de y(n), es decir 0 n M 1, siendo M >> N. Por cuestiones
prcticas, podemos suponer que y(n) = 0 para n < 0 y n M. Ahora la secuencia de autocorrelacin de y(n),
utilizando el factor de normalizacin 1/M, es
ryy (l) =
1 M1
y(n)y(n l)
M n=0
(2.6.27)
1 M1
[x(n) + w(n)][x(n l) + w(n l)]
M n=0
1 M1
x(n)x(n l)
M n=0
1 M1
[x(n)w(n l) + w(n)x(n l)]
M n=0
1 M1
w(n)w(n l)
M n=0
(2.6.28)
160
140
Nmero de manchas
120
100
80
60
40
20
0
1770
1790
1810
1830
1850
1870
Ao
(a)
rxx(l)
1
0.8
0.6
0.4
0.2
5
0
15
20
l
10
Retardo
Aos
(b)
Figura 2.6.3. Identificacin de la periodicidad del nmero de manchas de Wlfer: (a) nmero de manchas
anuales de Wlfer; (b) autocorrelacin normalizada.
EJEMPLO 2.6.3
Suponga que una seal x(n) = sen( /5)n, para 0 n 99 se ve distorsionada por un ruido aditivo w(n), donde los
valores del rudio aditivo se eligen de forma independiente de muestra en muestra dentro de una distribucin uniforme en el
rango (/2, /2), siendo un parmetro de la distribucin. La secuencia observada es y(n) = x(n) + w(n). Determine la
autocorrelacin ryy (l) y a continuacin obtenga el perodo de la seal x(n).
Solucin. Tenemos que suponer que la seal x(n) tiene un cierto perodo desconocido que vamos a intentar determinar
a partir de las muestras observadas {y(n)} distorsionadas por el ruido. Aunque x(n) es peridica con un perodo igual a
10, slo disponemos de una secuencia de duracin finita de longitud M = 100 [es decir, 10 perodos de x(n)]. El nivel de
potencia de ruido Pw en la secuencia w(n) queda determinado por el parmetro . Establecemos que Pw = 2 /12. El nivel
de potencia de ruido es Px = 12 . Por tanto, la relacin sealruido (SNR signal-to-noise ratio) se define como
(a)
y(n)
SNR = 1 dB
(b)
ryy(l)
(c)
Figura 2.6.4. Uso de la autocorrelacin para detectar la presencia de una seal peridica distorsionada por
ruido.
1
Px
6
= 22 = 2
Pw
/12
Normalmente, la relacin SNR se expresa en una escala logartmica en decibelios (dB) como 10 log10 (Px /Pw ).
La Figura 2.6.4 ilustra una muestra de una secuencia de ruido w(n) y la secuencia observada y(n) = x(n) + w(n) cuando
SNR = 1 dB. La autocorrelacin ryy (l) se ilustra en la Figura 2.6.4(c). Observe que la seal peridica x(n), incluida en y(n),
da lugar a una funcin de autocorrelacin peridica rxx (l) de perodo N = 10. El efecto del ruido aditivo es sumarse al valor
de pico en l = 0, pero para l = 0, la correlacin rww (l) tiende a cero como resultado del hecho de que los valores de w(n)
se generaron de forma independiente. Este tipo de ruido se conoce como ruido blanco. La presencia de este ruido explica la
razn de la existencia de un pico grande en l = 0. Los picos ms pequeos, aproximadamente iguales en l = 10, 20, . . .,
se deben a la periodicidad de x(n).
2.6.4
En esta seccin vamos a deducir dos relaciones de entradasalida para los sistemas LTI en el dominio de la
correlacin. Supongamos que una seal x(n) con una autocorrelacin conocida rxx (l) se aplica a un sistema
LTI con una respuesta al impulso h(n), generando la seal de salida
y(n) = h(n) x(n) =
h(k)x(n k)
k=
Entrada
SISTEMA
LTI
h(n)
rxx(n)
Salida
ryx(n)
(2.6.29)
donde hemos utilizado (2.6.8) y las propiedades de la convolucin. Por tanto, la correlacin cruzada entre la
entrada y la salida del sistema es la convolucin de la respuesta al impulso con la autocorrelacin de la seal
de entrada. Alternativamente, ryx (l) puede interpretarse como la salida del sistema LTI cuando la secuencia de
entrada es rxx (l). Esto se ilustra en la Figura 2.6.5. Si reemplazamos l por l en (2.6.29), obtenemos
rxy (l) = h(l) rxx (l)
La autocorrelacin de la seal de salida se puede obtener aplicando (2.6.8) con x(n) = y(n) y las propiedades
de la convolucin. Por tanto, tenemos
ryy (l) = y(l) y(l)
= [h(l) x(l)] [h(l) x(l)]
= [h(l) h(l)] [x(l) x(l)]
(2.6.30)
(2.6.31)
k=
que proporciona la energa (o la potencia) de la seal de salida en trminos de las autocorrelaciones. Estas
relaciones se cumplen tanto para seales de energa como de potencia. La deduccin directa de estas relaciones
para las seales de energa y de potencia, as como su extensin a seales complejas lo dejamos como ejercicios
que puede realizar el estudiante.
que es una frmula que permite determinar la respuesta y(n) del sistema caracterizado por h(n) para cualquier
secuencia de entrada dada x(n).
Los sistemas LTI caracterizados por las ecuaciones en diferencias lineales con coeficientes constantes son,
con mucho, los ms importante de los sistemas LTI en la teora y aplicacin del tratamiento digital de seales.
Se ha deducido la solucin general de una ecuacin en diferencias lineal con coeficientes constantes y se ha
demostrado que consta de dos componentes: la solucin de la ecuacin homomgnea, que representa la respuesta
natural del sistema cuando la entrada es cero y la solucin particular, que representa la respuesta del sistema a la
seal de entrada. A partir de la ecuacin en diferencias, tambin hemos demostrado cmo obtener la respuesta
al impulso unitario del sistema LTI.
Generalmente, los sistemas LTI se subdividen en sistemas FIR (finite-duration impulse response, respuesta al
impulso de duracin finita) e IIR (infinite-duration impulse response, respuesta al impulso de duracin infinita)
dependiendo de si h(n) tiene duracin finita o infinita, respectivamente. Se han descrito de forma breve las
implementaciones de estos sistemas. Adems, en la implementacin de los sistemas FIR, hemos diferenciado
entre las realizaciones recursiva y no recursiva. Por el contrario, hemos podido comprobar que los sistemas IIR
slo se pueden implementar de forma recursiva.
Hay disponibles una serie de libros dedicados a las seales y sistemas discretos en el tiempo. Por ejemplo,
los textos de McGillem y Cooper (1984), Oppenheim y Willsky (1983), y Siebert (1986). Las ecuaciones en
diferencias lineales de coeficientes constantes se tratan en profundidad en los libros de Hildebrand (1952) y
Levy y Lessman (1961).
El ltimo tema tratado en el captulo, la correlacin de seales discretas en el tiempo, desempea un papel
importante en el tratamiento digital de seales, especialmente en aplicaciones de comunicaciones digitales,
deteccin y estimacin de seales de radar, sonar y geofsicas. Al abordar la correlacin, hemos evitado utilizar conceptos estadsticos. La correlacin se define simplemente como una operacin matemtica entre dos
secuencias, que genera otra secuencia denominada correlacin cruzada cuando las dos secuencias son distintas
o autocorrelacin cuando los dos secuencias son idnticas.
En las aplicaciones prcticas en las que se emplea la correlacin, una o ambas secuencias pueden estar
contaminadas por ruido y, quiz, por otras formas de interferencias. En dicho caso, la secuencia de ruido se
conoce como secuencia aleatoria y se caracteriza en trminos estadsticos. La correlacin correspondiente es
una funcin de las caractersticas estadsticas del ruido y de cualquier otra interferencia.
En el Captulo 12 se aborda la caracterizacin estadstica de secuencias y su correlacin. En los libros
de Davenport (1970), Helstrom (1990), Peebles (1987) y Stark y Woods (1994) puede encontrar informacin
complementaria sobre conceptos de probabilidad y estadstica relacionados con la correlacin.
Problemas
2.1 Una seal discreta en el tiempo x(n) se define como
1 + n3 , 3 n 1
1,
0n3
x(n) =
0,
en otro caso
(a) Determine sus valores y dibuje la seal x(n).
(b) Dibuje las seales que se obtienen si:
1. Primero reflejamos x(n) y luego desplazamos la seal resultante cuatro muestras.
2. Primero desplazamos x(n) cuatro muestras y luego reflejamos la seal resultante.
(c) Dibuje la seal x(n + 4).
(d) Compare los resultados de los apartados (b) y (c) y deduzca una regla para obtener la seal x(n + k)
a partir de x(n).
x(n)
1
2
1
2
Figura P.2.2.
(e) Puede expresar la seal x(n) en funcin de las seales (n) y u(n)?
2.2 En la Figura P.2.2 se muestra una seal discreta en el tiempo x(n). Dibuje y etiquete con detalle cada una
de las seales siguientes:
(a) x(n 2)
(b) x(4 n)
(c) x(n + 2)
(d) x(n)u(2 n)
(e) x(n 1) (n 3)
(f) x(n2 )
(g) la parte par de x(n)
(h) la parte impar de x(n)
2.3 Demuestre que
(a) (n) = u(n) u(n 1)
(b) u(n) = nk= (k) =
k=0 (n k)
2.4 Demuestre que cualquier seal se puede descomponer en una componente par y otra impar. Es unvoca
la descomposicin? Ilustre sus argumentos utilizando la seal
x(n) = {2, 3, 4, 5, 6}
2.5 Demuestre que la energa (potencia) de una seal de energa (potencia) real es igual a la suma de las
energas (potencias) de sus componentes par e impar.
2.6 Considere el sistema
y(n) = T [x(n)] = x(n2 )
(a) Determine si es invariante en el tiempo.
(b) Clarifique el resultado del apartado (a) suponiendo que se aplica al sistema la siguiente seal
x(n) =
1, 0 n 3
0, en otro caso
< n <
2.8 Dos sistemas discretos en el tiempo T1 y T2 se conectan en cascada para formar un nuevo sistema T ,
como el mostrado en la Figura P.2.8. Establezca si los siguientes enunciados son verdaderos o falsos.
(a) Si T1 y T2 son lineales, entonces T es lineal (es decir, la conexin en cascada de dos sistemas
lineales es lineal).
x(n)
y(n)
Figura P.2.8.
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(i)
2.9 Sea T un sistema LTI en reposo y con estabilidad BIBO con una entrada x(n) y una salida y(n). Demuestre
que:
(a) Si x(n) es peridica de perodo N [es decir, x(n) = x(n + N) para todo n 0], la salida y(n) tiende
a una seal peridica del mismo perodo.
(b) Si x(n) est acotada y tiende a una constante, la salida tambin tender a una constante.
(c) Si x(n) es una seal de energa, la salida y(n) tambin ser una seal de energa.
2.10 Durante el funcionamiento de un sistema invariante en el tiempo se han observado las siguientes parejas
de entradasalida:
T
Puede extraer alguna conclusin relativa a la linealidad del sistema? Cul es la respuesta al impulso del
sistema?
2.11 Durante el funcionamiento de un sistema lineal se han observado las siguientes parejas de entradasalida:
T
Puede extraer alguna conclusin relativa a la invarianza con el tiempo de este sistema?
2.12 La nica informacin disponible sobre un sistema consiste en N parejas de entradasalida de seales
yi (n) = T [xi (n)], i = 1, 2, . . . , N.
(a) Para qu clases de seales de entrada podemos determinar la salida utilizando la informacin dada
si se sabe que el sistema es lineal?
(b) Repita la cuestin anterior, pero sabiendo ahora que el sistema es invariante en el tiempo.
2.13 Demuestre que la condicin necesaria y suficiente para que un sistema LTI en reposo tenga estabilidad
BIBO es
n=
|h(n)| Mh <
para n < n0
para n < 0
(a) Demuestre que para cualquier constante real o compleja a y cualesquiera nmero enteros finitos M
y N, se cumple
aM aN+1
N
n
n = Ma = 1 a , si a = 1
N M + 1, si a = 1
(b) Demuestre que si |a| < 1, entonces
an = 1 a
n=0
2.16
1, 2 n 2
0, en otro caso
(a) grficamente.
(b) analticamente.
2.19 Calcule la convolucin y(n) de las seales
n , 3 n 5
0,
en otro caso
x(n) =
h(n) =
1, 0 n 4
0, en otro caso
x(n)
h(n)
6
1
0123
01234 5 6
(a)
x(n)
h(n)
6
1
0123
3 2 1 0 1 2 3
n
(b)
x(n)
h(n)
1
3 4 56
4 3
(c)
x(n)
h(n)
1
23 4 5
2 1
(d)
Figura P.2.17.
1, n = 2, 0, 1
2, n = 1
h(n) = (n) (n 1) + (n 4) + (n 5)
(b) x(n) =
0, en otro caso
(c) x(n) = u(n + 1) u(n 4) (n 5); h(n) = [u(n + 2) u(n 3)] (3 |n|)
(d) x(n) = u(n) u(n 5); h(n) = u(n 2) u(n 8) + u(n 11) u(n 17)
2.22 Sea x(n) la seal de entrada a un filtro discreto en el tiempo con una respuesta al impulso h i (n) y sea yi (n)
la salida correspondiente.
(a) Calcule y dibuje x(n) e yi (n) para los casos siguientes, utilizando la misma escala en todas las figuras.
x(n) = {1, 4, 2, 3, 5, 3, 3, 4, 5, 7, 6, 9}
h1 (n) = {1, 1}
h2 (n) = {1, 2, 1}
1 1
h3 (n) = { , }
2 2
1 1 1
h4 (n) = { , , }
4 2 4
1 1 1
h5 (n) = { , , }
4 2 4
Dibuje x(n), y1 (n), y2 (n) en la grfica y x(n), y3 (n), y4 (n), y5 (n) en otra grfica
(b) Cul es la diferencia entre y1 (n) e y2 (n)? Y entre y3 (n) e y4 (n)?
(c) Comente el suavizado de y2 (n) e y4 (n). Qu factores afectan al suavizado?
(d) Compare y4 (n) con y5 (n). Cul es la diferencia? Puede explicarla?
(e) Sea h6 (n) = { 12 , 12 }. Calcule y6 (n). Dibuje x(n), y2 (n) e y6 (n) sobre la misma figura y comente
los resultados.
2.23 Exprese la salida y(n) de un sistema lineal invariante en el tiempo con la respuesta al impulso h(n) en
funcin de su respuesta al escaln s(n) = h(n) u(n) y de la entrada x(n).
2.24 El sistema discreto en el tiempo
y(n) = ny(n 1) + x(n),
n0
est en reposo [y(1) = 0]. Compruebe si el sistema es lineal, invariante en el tiempo y estable BIBO.
n=
ck (n k)
2.30 Determine la respuesta y(n), n 0 del sistema descrito mediante la ecuacin en diferencias de segundo
orden
y(n) 3y(n 1) 4y(n 2) = x(n) + 2x(n 1)
a la entrada x(n) = 4n u(n).
2.31 Determine la respuesta al impulso del siguiente sistema causal:
y(n) 3y(n 1) 4y(n 2) = x(n) + 2x(n 1)
2.32 Sean x(n), N1 n N2 y h(n), M1 n M2 dos seales de duracin finita.
(a) Determine el rango L1 n L2 de su convolucin en funcin de N1 , N2 , M1 y M2 .
(b) Determine los lmites en los casos siguientes: solapamiento parcial por la izquierda, solapamiento
total, solapamiento parcial por la derecha. Por comodidad, suponga que h(n) tiene una duracin ms
corta que x(n).
(c) Ilustre la validez de sus resultados calculando la convolucin de las seales
1, 2 n 4
x(n) =
0, en otro caso
h(n) =
2, 1 n 2
0, en otro caso
2.33 Determine la respuesta al impulso y la respuesta al escaln unidad del sistema descrito por la ecuacin
en diferencias
(a) y(n) = 0.6y(n 1) 0.08y(n 2) + x(n)
(b) y(n) = 0.7y(n 1) 0.1y(n 2) + 2x(n) x(n 2)
2.34 Considere un sistema con la respuesta al impulso
h(n) =
( 12 )n ,
0,
0n4
en otro caso
1 M1
x(n k)
M k=0
h2(n)
x(n)
y(n)
h1(n)
h3(n)
h4(n)
Figura P.2.35.
h(n)
x(n)
y(n)
+
z2
h(n)
Figura P.2.36.
2.38 Determine el rango de valores del parmetro a para el que el sistema lineal invariante en el tiempo con la
respuesta al impulso
n
a , n 0, n par
h(n) =
0, en otro caso
es estable.
2.39 Determine la respuesta del sistema con la respuesta al impulso
h(n) = an u(n)
a la seal de entrada
x(n) = u(n) u(n 10)
(Consejo: la solucin se puede obtener fcil y rpidamente aplicando las propiedades de linealidad e
invarianza en el tiempo al resultado obtenido en el Ejemplo 2.3.5.)
2.40 Determine la respuesta del sistema en reposo caracterizado por la respuesta al impulso
1
h(n) = ( )n u(n)
2
a la seal de entrada
x(n) =
1, 0 n < 10
0, en otro caso
2.41 Determine la respuesta del sistema en reposo caracterizado por la respuesta al impulso
1
h(n) = ( )n u(n)
2
a las seales de entrada
(a) x(n) = 2n u(n)
(b) x(n) = u(n)
2.42 Se conectan en cascada tres sistemas con respuestas al impulso h1 (n) = (n) (n 1), h2 (n) = h(n),
and h3 (n) = u(n),
(a) Cul es la respuesta al impulso, hc (n), del sistema completo?
(b) Afecta el orden de interconexin al sistema completo?
2.43
(b) Demuestre que un sistema discreto en el tiempo descrito mediante una convolucin es un sistema
LTI en reposo.
(c) Cul es la respuesta al impulso del sistema descrito por y(n) = x(n n 0)?
2.44 Dos seales s(n) y v(n) estn relacionadas a travs de las siguientes ecuaciones en diferencias.
s(n) + a1s(n 1) + + aN s(n N) = b0 v(n)
Disee el diagrama de bloques de:
(a) El sistema que genera s(n) cuando se excita con v(n).
(b) El sistema que genera v(n) cuando se excita con s(n).
(c) Cul es la respuesta al impulso de la conexin en cascada de los sistemas de (a) y (b)?
2.45 Calcule la respuesta para el estado nulo del sistema descrito mediante la ecuacin en diferencias
1
y(n) + y(n 1) = x(n) + 2x(n 2)
2
a la entrada
x(n) = {1, 2, 3, 4, 2, 1}
(d) Calcule las 10 primeras muestras de la salida para la entrada dada en el apartado (c) utilizando la
operacin de convolucin.
(e) Es el sistema causal? Es estable?
2.48 Considere el sistema descrito por la ecuacin en diferencias y(n) = ay(n 1) + bx(n)
x(n)
y(n)
z1
1
2
Figura P.2.47.
n=
h(n) = 1
(b) Calcule la respuesta al escaln en el estado nulo s(n) del sistema y elija b de modo que s() = 1.
(c) Compare los valores de b obtenidos en los apartados (a) y (b). Qu destacara?
2.49 Un sistema discreto en el tiempo se implementa segn la estructura mostrada en la Figura P.2.49.
(a) Determine la respuesta al impulso.
(b) Determine una realizacin para el sistema inverso, es decir, el sistema que genera x(n) como salida
cuando se usa y(n) como entrada.
x(n)
y(n)
z1
3
0.8
Figura P.2.49.
2.50 Considere el sistema discreto en el tiempo mostrado en la Figura P.2.50.
(a) Calcule los seis primeros valores de la respuesta al impulso del sistema.
(b) Calcule los seis primeros valores de la respuesta al escaln del estado nulo del sistema.
(c) Determine una expresin analtica para la respuesta al impulso del sistema.
2.51 Determine y dibuje la respuesta al impulso de los siguientes sistemas para n = 0, 1, . . . , 9.
(a) Figura P.2.51(a).
(b) Figura P.2.51(b).
(c) Figura P.2.51(c).
x(n)
+
y(n)
z1
0.9
2
+
z1
3
Figura P.2.50.
x(n)
z1
z1
z1
y(n)
+
1
3
z1
(a)
x(n)
z1
1
2
z1
y(n)
+
z1
1
2
z1
1
8
(b)
x(n)
+
y(n)
+
z1
z1
0.8
0.6
(c)
Figura P.2.51.
(d) Clasifique los sistemas anteriores como sistemas FIR o IIR.
(e) Halle una expresin explcita para la respuesta al impulso del sistema del apartado (c).
2.52 Considere los sistemas mostrados en la Figura P.2.52.
(a) Determine y dibuje sus respuestas al impulso h1 (n), h2 (n) y h3 (n).
(b) Es posible seleccionar los coeficientes de estos sistemas de manera que h1 (n) = h2 (n) = h3 (n)?
2.53 Considere el sistema mostrado en la Figura P.2.53.
(a) Determine su respuesta al impulso h(n).
(b) Demuestre que h(n) es igual a la convolucin de las seales:
h1 (n) = (n) + (n 1) y
1
h2 (n) = ( )n u(n)
2
2.54 Calcule y dibuje la convolucin yi (n) y la correlacin ri (n) de las siguientes parejas de seales y comente
los resultados obtenidos.
(a) x1 (n) = {1, 2, 4}
h1 (n) = {1, 1, 1, 1, 1}
h2 (n) = { 12 , 1, 2, 1, 12 }
h3 (n) = {4, 3, 2, 1}
x(n)
z1
z1
c0
c1
c2
+
y(n)
x(n)
b0
b1
z1
x(n)
b2
z1
z1
y(n)
z1
a1
a0
y(n)
a2
Figura P.2.52.
x(n)
z1
y(n)
+
1
2
z1
Figura P.2.53.
(d) x4 (n) = {1, 2, 3, 4}
h4 (n) = {1, 2, 3, 4}
2.55 La respuesta al estado nulo de un sistema LTI causal a la entrada x(n) = {1, 3, 3, 1} es y(n) = {1, 4, 6, 4, 1}.
k=
k=
k=
2.61 Calcule las secuencias de correlacin rxx (l) y rxy (l) para las siguientes secuencias de seal.
x(n) =
1, n0 N n n0 + N
0, en otro caso
y(n) =
1, N n N
0, en otro caso
Cul es su conclusin?
2.63 Determine la autocorrelacin normalizada de la seal x(n) dada por
1, N n N
x(n) =
0, en otro caso
2.64 Una seal de audio s(t) generada por un altavoz se refleja en dos paredes diferentes con coeficientes de
reflexin r1 y r2 . La seal x(t) registrada por un micrfono prximo al altavoz, despus del muestreo, es
x(n) = s(n) + r1 s(n k1) + r2 s(n k2 ) donde k1 y k2 son los retardos de los dos ecos.
(a) Determine la autocorrelacin rxx (l) de la seal x(n).
(b) Puede obtener r1 , r2 , k1 y k2 observando rxx (l)?
(c) Qu ocurre si r2 = 0?
2.65 Estimacin del tiempo de retardo en seales de radar. Sea x a (t) la seal transmitida e ya (t) la seal
recibida en un sistema de radar igual a ya (t) = axa (t td ) + va(t). Sea va (t) un ruido aleatorio aditivo. Las
seales xa (t) e ya (t) se muestrean en el receptor de acuerdo con el teorema de muestreo y se procesan
digitalmente para determinar el retardo de tiempo y, por tanto, la distancia del objeto. La seales discretas
en el tiempo resultantes son
x(n) = xa (nT )
y(n) = ya (nT ) = axa (nT DT ) + va(nT )
ax(n D) + v(n)
(a) Explique cmo podemos medir el retardo D calculando la correlacin cruzada rxy (l).
(b) Sea x(n) la secuencia de Barker de 13-puntos
x(n) = {+1, +1, +1, +1, +1, 1, 1, +1, +1, 1, +1, 1, +1}
y v(n) un secuencia aleatoria gaussiana con media igual a cero y varianza 2 = 0.01. Escriba un
programa que genere la secuencia y(n), 0 n 199 para a = 0.9 y D = 20. Dibuje las seales x(n),
y(n), 0 n 199.
(c) Calcule y dibuje la correlacin cruzada rxy (l), 0 l 59. Utilice la grfica para estimar el valor del
retardo D.
(d) Repita los apartados (b) y (c) para 2 = 0.1 y 2 = 1.
(e) Repita los apartados (b) y (c) para la secuencia
x(n) = {1, 1, 1, +1, +1, +1, +1, 1, +1, 1, +1, +1, 1, 1, +1}
que se obtiene a partir del registro de desplazamiento de cuatro etapas mostrado en la Figura P.2.65.
Observe que x(n) es slo un perodo de la secuencia peridica obtenida del registro de desplazamiento.
(f) Repita los apartados (b) y (c) para una secuencia de perodo N = 27 1, la cual se ha obtenido de
un registro de desplazamiento de siete etapas. La Tabla 2.2 proporciona las etapas conectadas al
sumador de mdulo-2 para secuencias del registro de desplazamiento de longitud N = 2m 1.
2.66 Implementacin de sistemas LTI. Considere el sistema discreto en el tiempo recursivo descrito por
la ecuacin en diferencias y(n) = a1 y(n 1) a2 y(n 2) + b0 x(n) donde a1 = 0.8, a2 = 0.64 y
b0 = 0.866.
(a) Escriba un programa para calcular y dibujar la respuesta al impulso h(n) del sistema para 0 n 49.
(b) Escriba un programa para calcular y dibujar la respuesta al escaln de estado nulo s(n) del sistema
para 0 n 100.
(c) Defina un sistema FIR con la respuesta al impulso hFIR (n) dada por
hFIR (n) =
h(n), 0 n 19
0,
en otro caso
donde h(n) es la respuesta al impulso calculada en el apartado (a). Escriba un programa para calcular
y dibujar su respuesta al escaln.
(d) Compare los resultados obtenidos en los apartados (b) y (c), y explique sus similitudes y diferencias.
Sumador mdulo-2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
1
1, 2
1, 3
1, 4
1, 4
1, 6
1, 7
1, 5, 6, 7
1, 6
1, 8
1, 10
1, 7, 9, 12
1, 10, 11, 13
1, 5, 9, 14
1, 15
1, 5, 14, 16
1, 15
Tabla 2.2. Conexiones del registro de desplazamiento para generar secuencias de longitud mxima.
2.67 Escriba un programa de computadora que calcule la respuesta al impulso global h(n) del sistema mostrado
en la Figura P.2.67 para 0 n 99. Los sistemas T1 , T2 , T3 y T4 se especifican como sigue
T1 : h1 (n)
1 1
= {1, 12 , 14 , 18 , 16
, 32 }
T2 : h2 (n)
= {1, 1, 1, 1, 1}
T3 : y3 (n)
x(n)
+
y(n)
y3(n)
Figura P.2.67.
3
La transformada z y sus
aplicaciones al anlisis
de los sistemas LTI
Las tcnicas de transformacin constituyen una herramienta importante en el anlisis de las seales y sistemas
lineales invariantes en el tiempo (LTI). En este captulo vamos a presentar la transformada-z, vamos a desarrollar
sus propiedades y a demostrar su importancia en el anlisis y la caracterizacin de los sistemas LTI.
La transformada-z desempea el mismo papel en el anlisis de las seales discretas en el tiempo y los
sistemas LTI que la transformada de Laplace en el anlisis de las seales continuas en el tiempo y los sistemas
LTI. Por ejemplo, veremos que en el dominio z (plano z complejo), la convolucin de dos seales en el dominio
del tiempo es equivalente a la multiplicacin de sus correspondientes transformadas z. Esta propiedad simplifica
enormemente el anlisis de la respuesta de un sistema a varias seales. Adems, la transformada z proporciona
un medio de caracterizar los sistemas LTI y su respuesta a diversas seales mediante las posiciones de sus polos
y ceros.
Comenzaremos este captulo definiendo la transformada z. En la Seccin 3.2 se presentan sus propiedades.
En la Seccin 3.3, se utiliza la transformada para caracterizar las seales en funcin de sus patrones de polos
y ceros. En la Seccin 3.4 se describen los mtodos para invertir la transformada z de una seal, con el fin de
obtener la representacin en el dominio del tiempo de la seal. Por ltimo, en la Seccin 3.6, vamos a ocuparnos
de la transformada z unilateral y vamos a utilizarla para resolver las ecuaciones en diferencias lineales con
condiciones iniciales distintas de cero. La Seccin 3.5 se centra en el uso de la transformada z en el anlisis de
los sistemas LTI.
3.1 La transformada z
En esta seccin vamos a presentar la transformada z de una seal discreta en el tiempo, vamos a investigar sus
propiedades de convergencia y a ver brevemente la trasformada z inversa.
3.1.1
La transformada z directa
La transformada z de una seal discreta en el tiempo x(n) se define como la serie de potencias
X(z)
x(n)zn
(3.1.1)
n=
donde z es una variable compleja. La relacin (3.1.1) a veces se denomina transformada z directa, ya que
transforma la seal en el dominio del tiempo x(n) en su representacin en el plano complejo X(z). El procedimiento inverso [es decir, obtener x(n) a partir de X(z)] se conoce como transformada z inversa y se examinar
brevemente en la Seccin 3.1.2 y ms en detalle en la Seccin 3.4.
Por comodidad, la transformada z de una seal x(n) se designa como
X(z) Z{x(n)}
(3.1.2)
x(n) X(z)
(3.1.3)
Dado que la transformada z es una serie infinita de potencias, slo existe para aquellos valores de z para los
que la serie converge. La regin de convergencia (ROC, region of convergence) de X(z) es el conjunto de todos
los valoers de z para los que X(z) toma un valor finito. Por tanto, siempre que hablemos de una transformada z
deberemos indicar tambin su ROC.
Vamos a ilustrar estos conceptos con varios ejemplos sencillos.
EJEMPLO 3.1.1
Determine la transformada z de las siguientes seales de duracin finita.
(a) x1 (n) = {1, 2, 5, 7, 0, 1}
En este ejemplo se ve fcilmente que la ROC de una seal de duracin finita es el plano z completo, excepto
posiblemente los puntos z = 0 y/o z = . Estos puntos se excluyen, porque zk (k > 0) no est acotada para z =
y zk (k > 0) no est acotada para z = 0.
Desde el punto de vista matemtico, la transformada z es simplemente una representacin alternativa de una
seal. Esto se ilustra en el Ejemplo 3.1.1, donde podemos ver que los coeficientes de zn , en una transformada
dada, se corresponden con el valor de la seal en el instante n. En otras palabras, el exponente de z contiene la
informacin temporal que necesitamos para identificar las muestras de la seal.
En muchos casos, podremos escribir la suma de la serie finita o infinita para la transformada z en una serie
compacta. En dichos casos, la transformada z proporciona una representacin alternativa compacta de la seal.
EJEMPLO 3.1.2
Determine the transformada z de la seal
1
x(n) = ( )n u(n)
2
Solucin. La seal x(n) est formada por un nmero infinito de valores distintos de cero
1 1
1
1
x(n) = {1, ( ), ( )2 , ( )3 , . . . , ( )n , . . .}
2 2
2
2
La transformada z de x(n) es la serie infinita de potencias
1
1
1
X(z) = 1 + z1 + ( )2 z2 + ( )n zn +
2
2
2
1 n n
1 1 n
= ( ) z = ( z )
n=0 2
n=0 2
Se trata de una serie geomtrica infinita. Recordemos que
1 + A + A 2 + A3 + =
1
1A
si |A| < 1
En consecuencia, para | 21 z1 | < 1, o lo que es lo mismo, para |z| > 12 , X(z) converge a
X(z) =
1
,
1
1 z1
2
1
2
Podemos ver que, en este caso, la transformada z proporciona una representacin alternativa compacta de la seal x(n).
(3.1.4)
x(n)rn e j n
n=
n=
|x(n)r
n j n
|=
n=
(3.1.5)
|x(n)r
plano-z
r1
Re(z)
|x(n) rn |
n=1
(a)
Im(z)
plano-z
r2
Re(z)
(b)
Im(z)
plano-z
r2
r1
Re(z)
Figura 3.1.1. Regin de convergencia para X(z) y sus correspondientes componentes causal y anticausal.
x(n)
|X(z)| |x(n)r | + n
n=
n=0 r
x(n)
n
|x(n)r | + n
n=1
n=0 r
1
(3.1.6)
Si X(z) converge en alguna regin del plano complejo, ambos sumatorios de la Ecuacin (3.1.6) sern finitos
en dicha regin. Si el primer sumatorio de (3.1.6) converge, tienen que existir valores de r lo suficientemente
pequeos como para que la secuencia producto x(n)r n , 1 n < sea absolutamente sumable. Por tanto, la
ROC para la primera suma consiste en todos los puntos de un crculo de un determinado radio r1 , donde r1 < ,
como se ilustra en la Figura 3.1.1(a). Por el contrario, si el segundo sumatorio de (3.1.6) converge, tienen que
existir valores de r lo suficientemente grandes como para que la secuencia producto x(n)/rn , 0 n < sea
absolutamente sumable. Por tanto, la ROC del segundo sumatorio de (3.1.6) consta de todos los puntos externos
a una circunferencia de radio r > r2 , como se ilustra en la Figura 3.1.1(b).
Dado que la convergencia de X(z) requiere que ambos sumatorios de (3.1.6) sean finitos, se deduce que la
ROC de X(z) es, generalmente, la regin anular en el plano z, r2 < r < r1 , que es la regin comn en que ambos
sumatorios son finitos. Esta regin se ilustra en la Figura 3.1.1(c). Por otro lado, si r2 > r1 , no existe ninguna
regin comn de convergencia para los dos sumatorios y, por tanto, X(z) no existe.
Los siguientes ejemplos ilustran estos importantes conceptos.
EJEMPLO 3.1.3
Determine the transformada z de la seal
x(n) = n u(n) =
n,
0,
n0
n<0
n=0
n=0
n zn = ( z1 )n
Si | z1 | < 1 o, lo que es lo mismo, |z| > | |, esta serie de potencias converge a 1/(1 z1 ). Por tanto, tenemos la pareja
de transformadas z
z
1
,
1 z1
(3.1.7)
La ROC es la parte exterior de un crculo que tiene un radio | |. La Figura 3.1.2 muestra una grfica de la seal x(n) y su
correspondiente regin de convergencia. Observe que, en general, no tiene que ser real.
Si hacemos = 1 en (3.1.7), obtenemos la transformada z de la seal escaln unidad.
z
1
,
1 z1
(3.1.8)
EJEMPLO 3.1.4
Determine la transformada z de la seal
x(n) = n u(n 1) =
0,
n ,
n0
n 1
Im(z)
x(n)
Re(z)
0
ROC
0 1 2 3 4 5
(a)
(b)
Figura 3.1.2. (a) La seal exponencial x(n) = n u(n). (b) La ROC de su transformada z.
Solucin. A partir de la definicin (3.1.1), tenemos
X(z) =
n=
( n )zn = ( 1 z)l
l=1
A
1A
1 z
1
=
1 1 z 1 z1
1
,
1 z1
(3.1.9)
Ahora, la regin de convergencia (ROC) es el interior de un crculo que tiene un radio igual a | |, lo que se muestra en la
Figura 3.1.3.
Los Ejemplos 3.1.3 y 3.1.4 ilustran dos importantes cuestiones. La primera hace referencia a la unicidad
de la transformada z. A partir de (3.1.7) y (3.1.9), vemos que la seal causal n u(n) y la seal anticausal
n u(n 1) tienen expresiones idntidas para la transformada z, es decir,
Z{ n u(n)} = Z{ nu(n 1)} =
1
1 z1
Esto implica que una expresin compacta de la transformada z no especifica de forma unvoca la seal en el
dominio del tiempo. La ambigedad slo se puede resolver si adems de la expresin compacta de la transformada
z se especifica la ROC. Resumiendo, una seal discreta en el tiempo x(n) queda determinada de forma unvoca
por su transformada z X(z) y por la regin de convergencia de X(z). En este texto, el trmino transformada z
se emplea para hacer referencia a la expresin compacta y a la correspondiente ROC. El Ejemplo 3.1.3 tambin
ilustra el punto de que la ROC de una seal causal es el exterior de un crculo de un determinado r 2 , mientras
Im(z)
x(n)
5 4 3 2 1 0
Re(z)
ROC
(a)
(b)
Figura 3.1.3. (a) Seal anticausal x(n) = n u(n 1) y (b) la regin de convergencia de su transformada z.
que la ROC de un seal anticausal es el interior de un crculo de un determinado radio r 1 . El siguiente ejemplo
considera una secuencia que es distinta de cero para < n < .
EJEMPLO 3.1.5
Determine la transformada z de la seal
n=0
n=
n zn +
bn zn =
n=0
l=1
( z1 )n + (b1 z)l
La primera serie de potencias converge si | z1 | < 1 o |z| > | |. La segunda serie de potencias converge si |b1 z| < 1 o
|z| < |b|.
Para determinar la convergencia de X(z), consideremos dos casos diferentes.
Caso 1 |b| < | |: en este caso, las dos regiones ROC anteriores no se solapan, como se muestra en la Figura 3.1.4(a). En
consecuencia, no podemos hallar valores de z para los que ambas series de potencias converjan simultneamente.
Claramente, en este caso, X(z) no existe.
Caso 2 |b| > | |: en este caso, existe un anillo en el plano z donde ambas series de potencias convergen simultneamente,
como se muestra en la Figura 3.1.4(b), por lo que tenemos
1
1
1 z1 1 bz1
b
=
+ b z bz1
X(z) =
(3.1.10)
Este ejemplo muestra que si existe una ROC para una seal bilateral de duracin infinita, es un anillo
(regin anular) en el plano z. A partir de los Ejemplos 3.1.1, 3.1.3, 3.1.4 y 3.1.5, vemos que la ROC de una
seal depende tanto de su duracin (finita o infinita) como de si es causal, anticausal o bilateral. Estos hechos
se resumen en la Tabla 3.1.
Im(z)
plano z
|b|
Re(z)
||
|b| < ||
X(z) no existe
(a)
Im(z)
|| < |b|
plano z
|b|
Re(z)
||
ROC para X(z)
(b)
x(n)zn
(3.1.11)
n=0
La transformada z unilateral se examina en la Seccin 3.6. En este libro, utilizamos la expresin transformada
z exclusivamente para referirmos a la transformada z bilateral definida por (3.1.1). El trmino bilateral se
utilizar slo en los casos en que queramos resolver cualquier ambiguedad. Evidentemente, si x(n) es causal [es
decir, x(n) = 0 para n < 0], las transformadas z unilateral y bilateral son idnticas. En cualquier otro caso, son
diferentes.
3.1.2
La transformada z inversa
Normalmente, disponemos de la transformada z X(z) de una seal y necesitamos determinar la seal. El procedimiento de transformacin del dominio z al dominio del tiempo se conoce como transformada z inversa.
Seal
ROC
Seales de duracin finita
Causal
Plano z completo
excepto z = 0
n
0
Anticausal
Plano z completo
excepto z =
n
0
Bilateral
Plano z completo
excepto z = 0
y
r2
|z| > r2
0
Anticausal
r1
|z| < r1
0
Bilateral
r2
r1
x(k)zk
(3.1.12)
k=
Suponga que multiplicamos ambos lados de la Ecuacin (3.1.12) por zn1 y los integramos sobre un contorno
cerrado dentro de la ROC de X(z) que contiene el origen. Dicho contorno se ilustra en la Figura 3.1.5. Por tanto,
tenemos
X(z)zn1 dz =
C k=
x(k)zn1k dz
(3.1.13)
Im(z)
r2
C
Re(z)
r1
X(z)zn1 dz =
x(k)
k=
zn1k dz
(3.1.14)
C
zn1k dz =
1, k = n
0, k =
n
(3.1.15)
donde C es cualquier contorno que contiene el origen. Aplicando (3.1.15), el lado derecho de (3.1.14) se reduce
a 2 jx(n) y, por tanto, la frmula de inversin deseada es
x(n) =
1
2 j
C
X(z)zn1 dz
(3.1.16)
Aunque la integral de contorno en (3.1.16) nos proporciona la frmula de inversin para determinar la
secuencia x(n) a partir de la transformada z, no vamos a emplear (3.1.16) directamente al evaluar la transformada z
inversa. En nuestras aplicaciones vamos a trabajar con seales y sistemas en el dominio z que tienen transformadas
z racionales (es decir, transformadas z que se definen como una relacin entre dos polinomios). Para tales
transformadas z vamos a desarrollar un mtodo sencillo para realizar la inversin que se deduce a partir de
(3.1.16) y emplea un sistema de bsqueda en una tabla.
Linealidad. Si
x1 (n) X1 (z)
y
z
x2 (n) X2 (z)
entonces
(3.2.1)
para cualesquiera constantes a1 y a2 . La demostracin de esta propiedad se obtiene de forma inmediata a partir
de la definicin de linealidad y se deja como ejercicio al lector.
La propiedad de linealidad puede generalizarse fcilmente para un nmero arbitrario de seales. Bsicamente, implica que la transformada z de una combinacin de seales es igual a la combinacin lineal de sus
transformadas z. Por tanto, la propiedad de la linealidad nos ayuda a hallar la transformada z de una seal
expresando la seal como una suma de seales elementales cuyas transformadas z son conocidas.
EJEMPLO 3.2.1
Determine la transformada z y la ROC de la seal
x(n) = [3(2n ) 4(3n )]u(n)
Solucin. Si definimos las seales
x1 (n) = 2n u(n)
x2 (n) = 3n u(n)
n u(n)
1
,
1 z1
(3.2.2)
La interseccin de la ROC de X1 (z) y X2 (z) es |z| > 3. Por tanto, la transformada resultante X(z) es
X(z) =
3
4
,
1 2z1 1 3z1
EJEMPLO 3.2.2
Determine la transformada z de las seales
1
,
1 e j0 z1
1
,
1 e j0 z1
e j0 n u(n)
y
e j0 n u(n)
Por tanto,
X(z) =
1
1
1
1
+
,
2 1 e j0 z1 2 1 e j0 z1
(cos 0 n)u(n)
1 z1 cos 0
,
1 2z1 cos 0 + z2
(3.2.3)
1
2j
1
1 e j0 z1
1 j0 n
u(n) e j0 n u(n)]
[e
2j
1 e j0 z1
y por ltimo,
z
(sen 0 n)u(n)
z1 sen 0
,
1 2z1 cos 0 + z2
(3.2.4)
Desplazamiento temporal. Si
z
x(n) X(z)
entonces
x(n k) zk X(z)
(3.2.5)
La ROC de zk X(z) es la misma que la de X(z) excepto para z = 0 si k > 0 y z = si k < 0. La demostracin
de esta propiedad se deduce de forma inmediata aplicando la definicin de la transformada z dada por (3.1.1).
Las propiedades de linealidad y de desplazamiento en el tiempo son las caractersticas clave que hacen que
la transformada z sea extremadamente til en el anlisis de los sistemas LTI discretos en el tiempo.
EJEMPLO 3.2.3
Aplicando la propiedad de desplazamiento en el tiempo, determine la transformada z de las seales x2 (n) y x3 (n) del Ejemplo
3.1.1 a partir de la transformada z de x1 (n).
Solucin. Es fcil ver que
x2 (n) = x1 (n + 2)
y
x3 (n) = x1 (n 2)
Luego a partir de (3.2.5) obtenemos
X2 (z) = z2 X1 (z) = z2 + 2z + 5 + 7z1 + z3
y
X3 (z) = z2 X1 (z) = z2 + 2z3 + 5z4 + 7z5 + z7
Observe que a causa de la multiplicacin por z2 , la ROC de X2 (z) no incluye el punto z = , incluso aunque est contenido
en la ROC de X1 (z).
x(n) =
1,
0 n N 1
0,
en otro caso
Solucin. Podemos determinar la transformada z de esta seal utilizando la definicin (3.1.1). Por tanto,
si z = 1
N,
N1
X(z) = 1 zn = 1 + z1 + + z(N1) =
1 zN
, si z = 1
n=0
1 z1
(3.2.6)
(3.2.7)
Puesto que x(n) tiene duracin finita, su ROC es el plano z completo, excepto z = 0.
Vamos a deducir tambin esta transformada utilizando las propiedades de linealidad y desplazamiento en el tiempo.
Observe que x(n) se puede expresar en funcin de dos seales escaln unidad
x(n) = u(n) u(n N)
Utilizando (3.2.1) y (3.2.5), tenemos
X(z) = Z{u(n)} Z{u(n N)} = (1 zN )Z{u(n)}
(3.2.8)
1
,
1 z1
plano z
Im(z)
plano w
Im(w)
r
Re(z)
Re(w)
x(n) X(z),
entonces
an x(n) X(a1z),
(3.2.9)
n=
an x(n)zn =
n=
Dado que la ROC de X(z) es r1 < |z| < r2 , la ROC de X(a1 z) ser
r1 < |a1 z| < r2
o
|a|r1 < |z| < |a|r2
Para comprender mejor el significado y las implicaciones de la propiedad de cambio de escala, expresamos
a y z en forma polar como a = r0 e j0 , z = re j , e introducimos una nueva variable compleja w = a1 z. Por
tanto, Z{x(n)} = X(z) y Z{an x(n)} = X(w). Podemos ver fcilmente que
w = a1 z =
1
r e j( 0 )
r0
Este cambio de variables da lugar al estrechamiento (si r0 > 1) o a la expansin (si r0 < 1) del plano z en
combinacin con una rotacin (si 0 = 2k ) del plano z (vase la Figura 3.2.1). Esto explica por qu tenemos
un cambio en la ROC de la nueva transformada donde |a| < 1. El caso |a| = 1, es decir, a = e j0 tiene un inters
especial, ya que slo se corresponde con la rotacin del plano z.
EJEMPLO 3.2.5
Determine la transformada z de las seales
an (cos 0 n)u(n)
1 az1 cos 0
,
1 2az1 cos 0 + a2 z2
(3.2.10)
az1 sen 0
,
1 2az1 cos 0 + a2 z2
(3.2.11)
an (sen 0 n)u(n)
Inversin temporal. Si
z
x(n) X(z),
entonces
z
x(n) X(z1 ),
ROC:
1
1
< |z| <
r2
r1
(3.2.12)
n=
x(n)zn =
x(l)(z1 )l = X(z1 )
l=
u(n)
1
,
1 z1
u(n)
1
,
1z
Diferenciacin en el dominio z. Si
(3.2.13)
x(n) X(z)
entonces
z
nx(n) z
dX(z)
dz
(3.2.14)
dX(z)
= x(n)(n)zn1 = z1 [nx(n)]zn = z1 Z{nx(n)}
dz
n=
n=
1
,
1 az1
az1
dX1 (z)
=
,
dz
(1 az1 )2
(3.2.15)
nu(n)
z1
,
(1 z1 )2
(3.2.16)
EJEMPLO 3.2.8
Determine la seal x(n) cuya transformada z est dada por
X(z) = log(1 + az1 ),
Luego
z
1
dX(z)
,
= az1
dz
1 (a)z1
La transformada z inversa del trmino entre corchetes es (a)n . La multiplicacin por z1 implica un retardo temporal de
una muestra (propiedad de desplazamiento temporal), que resulta en (a)n1 u(n 1). Por ltimo, a partir de la propiedad
de la diferenciacin tenemos
nx(n) = a(a)n1 u(n 1)
o
x(n) = (1)n+1
an
u(n 1)
n
x1 (n) X1 (z)
z
x2 (n) X2 (z)
entonces
(3.2.17)
La ROC de X(z) es, al menos, la interseccin de las regiones de convergencia de X1 (z) y X2 (z).
Demostracin. La convolucin de x1 (n) y x2 (n) se define como
x(n) =
x1 (k)x2 (n k)
k=
La transformada z de x(n) es
X(z) =
n=
x(n)zn =
n= k=
x1 (k)x2 (n k) zn
x1 (k)
k=
= X2 (z)
n=
x2 (n k)zn
k=
EJEMPLO 3.2.9
Calcule la convolucin x(n) de las seales
x1 (n) = {1, 2, 1}
1, 0 n 5
x2 (n) =
0, en otro caso
Solucin. A partir de (3.1.1), tenemos
X1 (z) = 1 2z1 + z2
X2 (z) = 1 + z1 + z2 + z3 + z4 + z5
De acuerdo con (3.2.17), realizamos la multiplicacin de X1 (z) por X2 (z). Luego
X(z) = X1 (z)X2 (z) = 1 z1 z6 + z7
Por tanto,
x(n) = {1, 1, 0, 0, 0, 0, 1, 1}
1 z6
1 z1
X(z) = (1 z1 )(1 z6 ) = 1 z1 z6 + z7
Animamos al lector a obtener este mismo resultado explcitamente utilizando la frmula de la convolucin (aproximacin
en el dominio del tiempo).
(dominio z)
Este procedimiento es, en muchos casos, ms fcil de calcular que la evaluacin directa de la convolucin.
Correlacin de dos secuencias. Si
x1 (n) X1 (z)
z
x2 (n) X2 (z)
entonces
rx1 x2 (l) =
n=
(3.2.18)
1 < a < 1
Solucin. Dado que la secuencia de autocorrelacin de una seal es la correlacin consigo misma, (3.2.18) da
Rxx (z) = Z{rxx (l)} = X(z)X(z1 )
A partir de (3.2.2), tenemos
X(z) =
1
,
1 az1
(seal causal)
1
,
1 az
1
|a|
(seal anticausal)
Por tanto,
Rxx (z) =
1
1
1
=
,
1
1
az
1 az
1 a(z + z1 ) + a2
1
|a|
Dado que la ROC de Rxx (z) es un anillo, rxx (l) es una seal bilateral, incluso si x(n) es causal.
Para obtener rxx (l), observe que la transformada z de la secuencia del Ejemplo 3.1.5 con b = 1/a es simplemente
(1 a2 )Rxx (z). Por tanto, se deduce que
rxx (l) =
1
a|l| ,
1 a2
< l <
Animamos al lector a comparar este mtodo con la solucin en el dominio del tiempo del mismo problema dado en la
Seccin 2.6.
x1 (n) X1 (z)
z
x2 (n) X2 (z)
entonces
z
1
2 j
C
X1 (v)X2
z
v
v1 dv
(3.2.19)
donde C es un contorno cerrado que contiene el origen y se encuentra en la regin de convergencia comn a
X1 (v) y X2 (1/v).
n=
x(n)zn =
C
n=
x1 (n)x2 (n)zn
X1 (v)vn1 dv
para x1 (n) en la transformada z X(z) e intercambiamos el orden de las operaciones de suma e integracin.
Obtenemos entonces
z n
1
v1 dv
X(z) =
X1 (v) x2 (n)
2 j C
v
n=
La suma entre corchetes es simplemente la transformada X2 (z) evaluada en z/v. Por tanto,
1
X(z) =
2 j
C
X1 (v)X2
z
v
v1 dv
(3.2.20)
Aunque esta propiedad no vamos a emplearla de forma inmediata, resultar til ms adelante, en particular
cuando abordemos el diseo de filtros basados en las tcnicas de ventana, donde se multiplica la respuesta al
impulso de un sistema IIR por una ventana de duracin finita, que sirve para truncar la respuesta al impulso
del sistema IIR.
Para las secuencias complejas x1 (n) y x2 (n) podemos definir la secuencia producto como x(n) = x1 (n)x2 (n).
La correspondiente integral de convolucin compleja ser
z
1
z
x(n) = x1 (n)x2 (n) X(z) =
X1 (v)X2 v1 dv
(3.2.21)
2 j C
v
La demostracin de (3.2.21) se deja como ejercicio para el lector.
Relacin de Parseval. Si x 1 (n) y x2 (n) son secuencias complejas, entonces
1
1
x1 (n)x2(n) = 2 j C X1 (v)X2 v v1 dv
n=
(3.2.22)
siempre que r1l r2l < 1 < r1u r2u , donde r1l < |z| < r1u y r2l < |z| < r2 u son las ROC de X1 (z) y X2 (z). La
demostracin de (3.2.22) es inmediata evaluando X(z) en la expresin (3.2.21) para z = 1.
Teorema del valor inicial. Si x(n) es causal [es decir, x(n) = 0 para n < 0], entonces
x(0) = lm X(z)
z
(3.2.23)
X(z) =
n=0
Propiedad
Dominio z
ROC
Notacin
x(n)
x1 (n)
x2 (n)
X(z)
X1 (z)
X2 (z)
Linealidad
a1 X1 (z) + a2 X2 (z)
Al menos la interseccin
de ROC1 y ROC2
Desplazamiento
temporal
x(n k)
zk X(z)
La de X(z), excepto
z = 0 si k > 0 y z = si k < 0
Cambio de escala
en el dominio z
an x(n)
X(a1 z)
Inversin temporal
x(n)
X(z1 )
1
r1
Conjugacin
x (n)
X (z )
ROC
Parte real
Re{x(n)}
1
2 [X(z) + X (z )]
Incluye la ROC
Parte imaginaria
Im{x(n)}
1
2
Diferenciacin
en el dominio z
nx(n)
Convolucin
x1 (n) x2(n)
X1 (z)X2 (z)
Al menos, la interseccin
de ROC1 y ROC2
Correlacin
rx1 x2 (l) =
x1 (l) x2 (l)
Al menos, la interseccin de
la ROC de X1 (z) y X2 (z1 )
Teorema del
valor inicial
Si x(n) es causal
x(0) = lm X(z)
Multiplicacin
x1 (n)x2 (n)
1
z
2 j C X1 (v)X2 v
Relacin de Parseval
x1 (n)x2 (n) =
n=
j[X(z) X (z )]
1
r2
Incluye la ROC
dX(z)
dz
v1 dv
Como mnimo,
r1l r2l < |z| < r1u r2u
1
1
2 j C X1 (v)X2 (1/v )v dv
Seal, x(n)
Transformada z, X(z)
ROC
(n)
Todo z
u(n)
1
1
1 z1
an u(n)
1
1 az1
nan u(n)
az1
(1 az1)2
anu(n 1)
1
1 az1
nanu(n 1)
az1
(1 az1)2
(cos 0 n)u(n)
1 z1 cos 0
1 2z1 cos 0 + z2
|z| > 1
(sen 0 n)u(n)
z1 sen 0
1 2z1 cos 0 + z2
|z| > 1
1 az1 cos 0
1 2az1 cos 0 + a2z2
10
az1 sen 0
1 2az1 cos 0 + a2z2
|z| > 1
3.3.1
Polos y ceros
Los ceros de una transformada z X(z) son los valores de z para los que X(z) = 0. Los polos de una transformada
z son los valores de z para los que X(z) = . Si X(z) es una funcin racional, entonces
X(z) =
k
B(z) b0 + b1 z1 + + bM zM
M
k=0 bk z
=
=
A(z)
a0 + a1 z1 + + aN zN
Nk=0 ak zk
(3.3.1)
Si a0 = 0 y b0 = 0, podemos evitar las potencias negativas de z sacando factor comn los trminos b0 zM y
a0 zN como sigue:
B(z) b0 zM zM + (b1/b0 )zM1 + + bM /b0
=
X(z) =
A(z)
a0 zN zN + (a1 /a0 )zN1 + + aN /a0
Dado que B(z) y A(z) son polinomios en z, podemos expresarlos en forma de factores como
X(z) =
M
k=1 (z zk )
N
k=1 (z pk )
(3.3.2)
donde G b0 /a0 . Por tanto, X(z) tiene M ceros en z = z1 , z2 , . . . , zM (las races del polinomio del numerador),
N polos en z = p1 , p2 , . . . , pN (las races del polinomio del denominador) y |N M| ceros (si N > M) o polos
(si N < M) en el origen z = 0. Los polos o ceros tambin pueden producirse en z = . Existe un cero en z =
si X() = 0 y existe un polo en z = si X() = . Si contamos los polos y los ceros en cero e infinito,
comprobaremos que X(z) tiene exactamente el mismo nmero de polos que de ceros.
Podemos representar grficamente X(z) mediante un diagrama de polos y ceros (o patrn) en el plano
complejo, que muestra la posicin de los polos mediante cruces () y la posicin de los ceros mediante crculos
(). La multiplicidad de los polos o ceros de orden mltiple se indica mediante un nmero junto a la cruz o el
crculo. Obviamente, por definicin, la ROC de una transformada z no puede contener ningn polo.
EJEMPLO 3.3.1
Determine el diagrama de polos y ceros de la seal x(n) = an u(n), a > 0
Solucin. A partir de la Tabla 3.3, tenemos que
X(z) =
z
1
=
,
za
1 az1
Por tanto, X(z) tiene un cero en z1 = 0 y un polo en p1 = a. El diagrama de polos y ceros se muestra en Figura 3.3.1. Observe
que el polo p1 = a no est incluido en la ROC, ya que la transformada z no converge en un polo.
Im(z)
ROC
a
0
Re(z)
Figura 3.3.1. Diagrama de polos y ceros de la seal exponencial causal x(n) = a n u(n).
EJEMPLO 3.3.2
Determine el diagrama de polos y ceros de la seal
x(n) =
an ,
0 n M 1
0,
en otro caso
donde a > 0.
Solucin A partir de la definicin (3.1.1), obtenemos
X(z) =
M1
(az1 )n =
n=0
1 (az1 )M
zM aM
= M1
1
1 az
z
(z a)
k = 0, 1, . . . , M 1
(z z1 )(z z2 ) (z zM1 )
zM1
que tiene M 1 ceros y M 1 polos, colocados como se muestra en la Figura 3.3.2 para M = 8. Observe que la ROC es el
plano z completo excepto z = 0, porque los M 1 polos estn ubicados en el origen.
M 1 polos
|z| = a
Re(z)
Figura 3.3.2. Patrn de polos y ceros de la seal duracin finita x(n) = a n , 0 n M 1(a > 0), para M = 8.
Im(z)
ROC
p1
z1
z2
Re(z)
r
p2
z(z r cos 0)
(z z1 )(z z2 )
=G
),
(z p1 )(z p2 )
(z re j0 )(z re j0
1 rz1 cos 0
,
1 2rz1 cos 0 + r2 z2
En el Ejemplo 3.3.3, vemos que el producto (z p1 )(z p2 ) es un polinomio con coeficientes reales, cuando
p1 y p2 son conjugados complejos. En general, si un polinomio tiene coeficientes reales, sus races pueden ser
reales o parejas de complejos conjugados.
Como hemos visto, la transformada z X(z) es una funcin compleja de la variable compleja z = (z)+ j(z).
Obviamente, |X(z)|, el mdulo de X(z), es una funcin real y positiva de z. Dado que z representa un punto en
el plano complejo, |X(z)| es una funcin bidimensional y describe una superficie, como se ilustra en la Figura
3.3.4 para la transformada z
z1 z2
X(z) =
(3.3.3)
1 1.2732z1 + 0.81z2
que tiene un cero en z1 = 1 y dos polos en p1 , p2 = 0.9e j /4. Observe los altos picos prximos a las singularidades (polos) y los profundos valles prximos al cero.
Plano-z
x(n)
Plano-z
x(n)
Plano-z
x(n)
Plano-z
x(n)
Plano-z
x(n)
Plano-z
Figura 3.3.5. Comportamiento en el dominio del tiempo de una seal causal de un solo polo real como funcin
de la posicin del polo con respecto a la circunferencia unidad.
Plano-z
m=2
0
Plano-z
m=2
0
x(n)
Plano-z
x(n)
Plano-z
x(n)
m=2
1
m=2
1
m=2
0
x(n)
Plano-z
x(n)
Plano-z
m=2
0
Figura 3.3.6. Comportamiento en el dominio del tiempo de las seales causales correspondientes a un polo
real doble (m = 2), como una funcin de la posicin del polo.
x(n)
Plano-z
rn
r
0
x(n)
Plano-z
r=1
1
0
x(n)
Plano-z
rn
r
0
Figura 3.3.7. Una pareja de polos complejos conjugados se corresponde con seales causales con comportamiento oscilatorio.
Los ceros afectan al comportamiento de una seal aunque no de manera tan significativa como los polos. Por
ejemplo, en el caso de seales sinusoidales, la presencia y la posicin de los ceros slo afecta a su fase.
En este punto, debemos destacar que todo lo que hemos dicho sobre las seales causales tambin se aplica
a los sistemas LTI causales, ya que su respuesta al impulso es una seal causal. De aqu que si un polo de
un sistema est fuera de la circunferencia unidad, la respuesta al impulso del sistema ser no acotada y, en
consecuencia, el sistema ser inestable.
x(n)
Plano-z
m=2
m=2
Figura 3.3.8. Seal causal correspondiente a una pareja de polos complejos conjugados dobles ubicados sobre
la circunferencia unidad.
donde Y (z) es la transformada z de la secuencia de salida y(n), X(z) es la transformada z de la secuencia de
entrada x(n) y H(z) es la transformada z de la respuesta al impulso unitario h(n).
Si conocemos h(n) y x(n), podemos determinar sus correspondientes transformadas z H(z) y X(z) y multiplicarlas para obtener Y (z), y por tanto determinar y(n) evaluando la transformada z inversa de Y (z). Alternativamente, si conocemos x(n) y observamos la salida y(n) del sistema, podemos determinar la respuesta al
impulso unitario obteniendo en primer lugar H(z) mediante la relacin
H(z) =
Y (z)
X(z)
(3.3.5)
h(n)zn
(3.3.6)
n=
es evidente que H(z) representa la caracterizacin de un sistema en el dominio z, mientras que h(n) es la caracterizacin en el dominio del tiempo del sistema. En otras palabras, H(z) y h(n) son descripciones equivalentes
de un sistema en los dos dominios. La transformada H(z) se conoce como funcin de transferencia.
La relacin dada por (3.3.5) es particularmente til para obtener H(z) cuando el sistema se describe mediante
una ecuacin en diferencias de coeficientes constantes de la forma
N
k=1
k=0
(3.3.7)
Y (z) 1 + ak zk
k=1
k=1
= X(z)
k=0
bk zk
(3.3.8)
k=0
k
Y (z)
M
k=0 bk z
= H(z) =
X(z)
1 + Nk=1 ak zk
Por tanto, un sistema lineal invariante en el tiempo descrito por una ecuacin en diferencias de coeficientes
constantes tiene una funcin de transferencia racional.
sta es la forma general de la funcin de transferencia de un sistema descrito mediante una ecuacin en
diferencias de coeficientes constantes. A partir de esta forma general se obtienen dos formas especiales muy
importantes. La primera, si ak = 0 para 1 k N, la expresin (3.3.8) se reduce a
H(z) =
bk zk = zM bk zMk
k=0
(3.3.9)
k=0
En este caso, H(z) contiene M ceros, cuyos valores estn determinados por los parmetros del sistema {bk }
y un polo de orden M en el origen z = 0. Puesto que el sistema contiene slo polos triviales (en z = 0) y M
ceros no triviales, se dice que es un sistema de slo ceros. Evidentemente, un sistema as tiene una respuesta al
impulso de duracin finita (FIR), y se conoce como sistema FIR o sistema de media mvil (sistema MA) .
Por el contrario, si bk = 0 para 1 k M, la funcin de transferencia se reduce a
H(z) =
b0
N
1 + ak z
k=1
b0 zN
N
ak z
a0 1
(3.3.10)
Nk
k=0
En este caso, H(z) tiene N polos, cuyos valores quedan determinados por los parmetros del sistema {ak } y un
cero de orden N en el origen z = 0. Normalmente, no haremos referencia a estos ceros triviales. En consecuencia,
la funcin de transferencia dada por (3.3.10) slo contiene los polos no triviales y el sistema correspondiente
se dice que es un sistema de todo polos. A causa de la presencia de polos, la respuesta al impulso de tal sistema
tiene duracin infinita y, por tanto, es un sistema IIR.
La forma general de la funcin de transferencia dada por la expresin (3.3.8) contiene polos y ceros, y por
tanto el sistema correspondiente se dice que es un sistema de polos y ceros, con N polos y M ceros. Los polos
y/o ceros en z = 0 y z = existen pero no se cuentan de forma explcita. Debido a la presencia de polos, un
sistema de polos y ceros es un sistema IIR.
El siguiente ejemplo ilustra el procedimiento que permite determinar la funcin de transferencia y la
respuesta al impulso unitario de la ecuacin en diferencias.
EJEMPLO 3.3.4
Determine la funcin de transferencia y la respuesta al impulso unitario del sistema descrito por la siguiente ecuacin en
diferencias
1
y(n) = y(n 1) + 2x(n)
2
Solucin. Calculando la transformada z de la ecuacin en diferencias, obtenemos
1
Y (z) = z1Y (z) + 2X(z)
2
Por tanto, la funcin de transferencia es
H(z) =
Este sistema tiene un polo en z =
1
2
2
Y (z)
=
X(z) 1 12 z1
Ahora que hemos demostrado que las transformadas z racionales se emplean en sistemas de uso comn y
en la caracterizacin de los sistemas lineales invariantes en el tiempo, en la Seccin 3.4 vamos a describir varios
mtodos para determinar la transformada z inversa de las funciones racionales.
1
2 j
C
X(z)zn1 dz
(3.4.1)
donde la integral es una integral de contorno sobre un camino cerrado C que encierra el origen y se encuentra
dentro de la regin de convergencia de X(z). Por simplicidad, C puede ser una circunferencia dentro de la ROC
de X(z) en el plano z.
Existen tres mtodos que se emplean a menudo en la prctica para evaluar la transformada z inversa:
1. Evaluacin directa de (3.4.1), mediante integracin de contorno.
2. Expansin en una serie de trminos en funcin de las variables z y z1 .
3. Expansin en fracciones simples y bsqueda en una tabla.
3.4.1
En esta seccin vamos a demostrar el uso del teorema de la integral de Cauchy para determinar la transformada
z inversa directamente a partir de la integral de contorno.
Teorema de la integral de Cauchy. Sea f (z) una funcin de la variable compleja z y sea C un camino cerrado
en el plano z. Si existe la derivada d f (z)/dz dentro y sobre el contorno C y si f (z) no tiene polos en z = z0 ,
entonces
f (z0 ), si z0 est contenido en C
1
f (z)
(3.4.2)
dz =
2 j C z z0
0,
si z0 no est contenido en C
De forma ms general, si existe la derivada de orden (k + 1) de f (z) y f (z) no tiene polos en z = z0 , entonces
1
2 j
C
f (z)
dz =
(z z0 )k
1
d k1 f (z)
, si z0 est contenido en C
(k 1)! dzk1 z=z0
0,
(3.4.3)
si z0 no est contenido en C
Los valores del lado derecho de las expresiones (3.4.2) y (3.4.3) son los residuos del polo en z = z0 . Los
resultados de (3.4.2) y (3.4.3) son dos formas del teorema de la integral de Cauchy.
Podemos aplicar las expresiones (3.4.2) y (3.4.3) para obtener los valores de las integrales de contorno ms
generales. En concreto, supongamos que el integrando de la integral de contorno es una fraccin f (z)/g(z), donde
f (z) no tiene polos dentro del contorno C y g(z) es un polinomino con races (simples) distintas z1 , z2 , . . . , zn
dentro del contorno C. Luego,
1
2 j
C
f (z)
1
dz =
g(z)
2 j
n
C
Ai
z zi
i=1
dz
Ai
dz
z zi
(3.4.4)
f (z)
Ai = (z zi )
g(z) z=zi
(3.4.5)
1
=
2
j
i=1
= Ai
i=1
donde
Los valores {Ai } son los residuos de los polos correspondientes en z = zi , i = 1, 2, . . . , n. Por tanto, el valor de
la integral de contorno es igual a la suma de los residuos de todos los polos contenidos en el contorno C.
Observe que (3.4.4) se ha obtenido haciendo una expansin en fracciones simples del integrando y aplicando
(3.4.2). Como g(z) tiene races de orden mltiple, as como races simples dentro del contorno, la expansin en
fracciones simples con las apropiadas modificaciones y la expresin (3.4.3) pueden emplearse para evaluar los
residuos en los polos correspondientes.
En el caso de la transformada z inversa, tenemos
x(n) =
1
2 j
C
X(z)zn1 dz
[residuo de X(z)zn1 en z = zi ]
(3.4.6)
= (z zi )X(z)zn1 |z=zi
i
simpre que los polos {zi } sean simples. Si X(z)zn1 no tiene polos dentro del contorno C para uno o ms valores
de n, entonces x(n) = 0 para dichos valores.
El siguiente ejemplo ilustra la evaluacin de la transformada z inversa aplicando el teorema de la integral
de Cauchy.
EJEMPLO 3.4.1
Evale la transformada z inversa de
X(z) =
1
,
1 az1
1
2 j
C
1
zn1
dz =
2 j
1 az1
C
zn dz
za
donde C es una circunferencia de radio mayor que |a|. Evaluemos esta integral utilizando (3.4.2) con f (z) = zn . Vamos a
diferenciar dos casos.
1. Si n 0, f (z) slo tiene ceros y, por tanto, ningn polo dentro del contorno C. El nico polo dentro de C es z = a.
Luego,
n0
x(n) = f (z0 ) = an ,
2. Si n < 0, f (z) = zn tiene un polo de orden n en z = 0, que est dentro de C. Por tanto, existen contribuciones de ambos
polos. Para n = 1, tenemos que
1
1
1
1
x(1) =
+
=0
dz =
2 j C z(z a)
z a z=0 z z=a
Si n = 2, tenemos
x(2) =
1
2 j
C
1
d
dz =
dz
z2 (z a)
1
1
+
=0
z a z=0 z2 z=a
Continuando con este procedimiento podemos demostrar que x(n) = 0 para n < 0. Por tanto,
x(n) = an u(n)
3.4.2
La idea bsica de este mtodo es la siguiente: dada una transformada z X(z) con su correspondiente ROC,
podemos expandir X(z) en una serie de potencias de la forma
X(z) =
n=
cn zn
(3.4.7)
que converge en la regin de convergencia dada. Gracias a la unicidad de la transformada z, x(n) = cn para todo
n. Si X(z) es racional, la expansin puede realizarse mediante divisin.
Para ilustrar esta tcnica, vamos a invertir algunas transformadas z que emplean la misma expresin para
X(z), pero tienen una ROC diferente. Esto tambin nos permite hacer hincapi de nuevo en la importancia de la
ROC cuando se trabaja con transformadas z.
EJEMPLO 3.4.2
Determine la transformada z inversa de
X(z) =
1
1 1.5z1 + 0.5z2
para
(a) ROC: |z| > 1
(b) ROC: |z| < 0.5
Solucin.
(a) Ya que la ROC es el exterior de un crculo, podemos esperar que x(n) sea una seal causal. Luego buscamos una
expansin en serie de potencias negativas de z. Dividiendo el numerador de X(z) entre su denominador, obtenemos
la serie de potencias
X(z) =
1
1
3 z1 + 1 z2
2
2
3
7
15
31
= 1 + z1 + z2 + z3 + z4 +
2
4
8
16
(b) En este caso, la ROC es el interior de un crculo. En consecuencia, la seal x(n) es anticausal. Para obtener una
expansin en serie de potencias positivas de z, realizamos las sucesivas divisiones de la forma siguiente:
2 z 2 + 6 z 3 + 14 z 4 + 30 z 5 + 62 z 6 +
1
2
z2 23 z1 + 1 )1
1 3z + 2 z 2
3z 2 z 2
3z 9 z 2 + 6 z 3
7z 2 6 z 3
7z 2 21z 3 + 14 z 4
15z 3 14 z 4
15z 3 45z 4 + 30 z 5
31z 4 30 z 5
Por tanto,
X(z) =
1
= 2z2 + 6z3 + 14z4 + 30z5 + 62z6 +
1 32 z1 + 12 z2
En este caso, x(n) = 0 para n 0. Comparando este resultado con (3.1.1), podemos concluir que
x(n) = { 62, 30, 14, 6, 2, 0, 0 }
Observe que en cada paso del proceso de divisiones sucesivas, se elimina el trmino de la potencia ms baja de z.
Debemos destacar que en el caso de seales anticausales, las divisiones sucesivas se realizan simplemente escribiendo
los dos polinomios en orden inverso (es decir, comenzando por el trmino ms negativo de la izquierda).
A partir de este ejemplo podemos destacar que, en general, el mtodo de las divisiones sucesivas no
proporcionar respuestas para x(n) cuando n es grande, ya que realizar las divisiones se vuelve un trabajo
tedioso. Aunque este mtodo proporciona una evaluacin directa de x(n), no existe una solucin de forma
cerrada, excepto si el patrn resultante es lo suficientemente sencillo como para poder inferir el trmino general
x(n). Por tanto, este mtodo se emplea slo si se desean determinar los valores de las primeras muestras de la
seal.
EJEMPLO 3.4.3
Determine la transformada z inversa de
X(z) = log(1 + az1 ),
Solucin. Aplicando la expansin en serie de potencias para log(1 + x), siendo |x| < 1, obtenemos
X(z) =
Por tanto,
x(n) =
(1)n+1 an zn
n
n=1
(1)n+1
0,
an
,
n
n1
n0
3.4.3
Con el mtodo de bsqueda en tablas, podemos expresar la funcin X(z) como una combinacin lineal
X(z) = 1 X1 (z) + 2 X2 (z) + + K XK (z)
(3.4.8)
donde X1 (z), . . . , XK (z) son expresiones cuyas transformadas inversas x1 (n), . . . , xK (n) pueden encontrarse en
una tabla de parejas de transformadas z. Si dicha descomposicin es posible, entonces x(n), la transformada z
inversa de X(z), puede encontrarse fcilmente aplicando la propiedad de linealidad como sigue
x(n) = 1 x1 (n) + 2 x2 (n) + + K xK (n)
(3.4.9)
Este mtodo es particularmente til si X(z) es una funcin racional, como la dada por (3.3.1). Sin perder
generalidad, podemos suponer que a0 = 1, de modo que (3.3.1) puede expresarse de la forma siguiente
X(z) =
B(z) b0 + b1z1 + + bM zM
=
A(z)
1 + a1z1 + + aN zN
(3.4.10)
Observe que si a0 = 1, podemos obtener (3.4.10) a partir de (3.3.1) dividiendo tanto el numerador como el
denominador entre a0 .
Una funcin racional de la forma (3.4.10) se denomina propia si aN = 0 y M < N. A partir de (3.3.2), se
deduce que es equivalente a decir que el nmero de ceros finitos es menor que el nmero de polos finitos.
Una funcin racional impropia (M N) siempre se puede escribir como la suma de un polinomio y una
funcin racional propia. Este procedimiento se ilustra en el siguiente ejemplo.
EJEMPLO 3.4.4
Exprese la transformada racional impropia
X(z) =
2 + 1 z3
1 + 3z1 + 11
6 z
3
1 + 56 z1 + 16 z2
1+
1 z1
6
5 1
+ 16 z2
6z
B1 (z)
B(z)
= c0 + c1 z1 + + cMN z(MN) +
A(z)
A(z)
(3.4.11)
La transformada z inversa del polinomio puede hallarse fcilmente por inspeccin. Vamos a centrar nuestra
atencin en la inversin de la transformada racional propia, ya que cualquier funcin impropia se puede transformar en una funcin propia utilizando (3.4.11). Vamos a llevar a cabo el desarrollo en dos pasos. En primer
lugar, realizamos una expansin en fracciones parciales de la funcin racional propia y luego invertimos cada
uno de los trminos.
B(z) b0 + b1z1 + + bM zM
=
A(z)
1 + a1z1 + + aN zN
(3.4.12)
donde
aN = 0
M<N
Para simplificar esta exposicin vamos a eliminar las potencias negativas de z multiplicando tanto el numerador
como el denominador de (3.4.12) por zN . Esto da como resultado
X(z) =
b0 zN + b1 zN1 + + bM zNM
zN + a1zN1 + + aN
(3.4.13)
que slo contiene las potencias positivas de z. Puesto que N > M, la funcin
X(z) b0 zN1 + b1 zN2 + + bM zNM1
=
z
zN + a1zN1 + + aN
(3.4.14)
(3.4.15)
1
1 1.5z1 + 0.5z2
(3.4.16)
Solucin. En primer lugar, eliminamos las potencias negativas, multiplicando tanto el numerador como el denominador
por z2 . Luego,
z2
X(z) = 2
z 1.5z + 0.5
Los polos de X(z) son p1 = 1 y p2 = 0.5. Luego, la expansin de la forma (3.4.15) es
z
A1
A2
X(z)
=
=
+
z
(z 1)(z 0.5)
z 1 z 0.5
(3.4.17)
Un mtodo muy simple que permite determinar A1 y A2 consiste en multiplicar la ecuacin por el trmino del denominador
(z 1)(z 0.5). As, obtenemos
z = (z 0.5)A1 + (z 1)A2
(3.4.18)
z
z 1 z 0.5
(3.4.19)
El ejemplo anterior sugiere que podemos determinar los coeficientes A1 , A2 , . . . , AN , multiplicando ambos
lados de la Ecuacin (3.4.15) por cada uno de los trminos (z pk ), k = 1, 2, . . . , N, y evaluando las expresiones
resultantes en las correspondientes posiciones de los polos p1 , p2 , . . . , pN . Por tanto, en general, tenemos
(z pk )X(z) (z pk )A1
(z pk )AN
=
+ + Ak + +
z
z p1
z pN
En consecuencia, con z = pk , (3.4.20) proporciona el coeficiente k-simo como sigue
(z pk )X(z)
,
k = 1, 2, . . . , N
Ak =
z
z=pk
(3.4.20)
(3.4.21)
EJEMPLO 3.4.6
Determine la expansin en fracciones parciales de
X(z) =
1 + z1
1 z1 + 0.5z2
(3.4.22)
Solucin. Para eliminar las potencias negativas de z en (3.4.22), multiplicamos tanto el numerador como el denominador
por z2 . Luego,
X(z)
z+1
= 2
z
z z + 0.5
Los polos de X(z) son los complejos conjugados
p1 =
1
1
+j
2
2
y
1
1
j
2
2
Ya que p1 = p2 , buscamos una expansin de la forma (3.4.15). Luego,
p2 =
X(z)
z+1
A1
A2
=
=
+
z
(z p1 )(z p2 ) z p1 z p2
Para obtener A1 y A2 , utilizamos la frmula (3.4.21). Por tanto, tenemos
A1 =
(z p1 )X(z)
z + 1
=
=
z
z p2 z=p1
z=p1
1
2
1
2
+ j 12 + 1
j 12
+
1
2
j 12
1
3
j
2
2
A2 =
(z p2 )X(z)
z + 1
=
=
z
z p1 z=p2
z=p2
1
2
1
2
j 12 + 1
j 12 12 j 12
3
1
+j
2
2
La expansin dada por (3.4.15) y la frmula (3.4.21) son vlidas tanto para polos reales como complejos.
La nica restriccin es que todos los polos tienen que ser diferentes. Observe tambin que A2 = A1 . Puede verse
fcilmente que esto es una consecuencia del hecho de que p2 = p1 . En palabras, los polos complejos conjugados
producen coeficientes complejos conjugados en la expansin en fracciones parciales. Este simple resultado nos
ser muy til ms adelante.
Polos de orden mltiple. Si X(z) tiene un polo de multiplicidad l, es decir, contiene en su denominador el
factor (z pk )l , entonces la expansin dada por (3.4.15) ya no se cumple. En este caso, se necesita una forma
de expansin distinta. En primer lugar, vamos a ver el caso de un polo doble ( l = 2).
EJEMPLO 3.4.7
Determine la expansin en fracciones parciales de
X(z) =
1
(1 + z1 )(1 z1 )2
(3.4.23)
Solucin. En primer lugar, expresamos (3.4.23) en trminos de las potencias positivas de z, de la forma
X(z)
z2
=
z
(z + 1)(z 1)2
X(z) tiene un nico polo en p1 = 1 y un polo doble en p2 = p3 = 1. En este caso, la expansin en fracciones parciales
apropiada es:
X(z)
z2
A
A3
A
=
= 1 + 2 +
(3.4.24)
z
z + 1 z 1 (z 1)2
(z + 1)(z 1)2
El problema consiste en determinar los coeficientes A1 , A2 y A3 .
Vamos a proceder como en el caso en que los polos son diferentes. Para determinar A1 , multiplicamos ambos lados de
la Ecuacin (3.4.24) por (z + 1) y evaluamos el resultado en z = 1. Luego (3.4.24) se transforma en
z+1
z+1
(z + 1)X(z)
= A1 +
A2 +
A3
z
z1
(z 1)2
que, cuando se evala en z = 1, da
A1 =
(z + 1)X(z)
z
z=1
1
4
(3.4.25)
El coeficiente que queda, A2 , puede obtenerse diferenciando ambos lados de la expresin (3.4.25) con respecto a z y
evaluando el resultado en z = 1. Observe que no es necesario hacer la deriva del lado derecho de la Ecuacin (3.4.25), ya
que todos los trminos excepto A2 se eliminan cuando hacemos z = 1. Luego,
d (z 1)2 X(z)
3
(3.4.26)
=
A2 =
dz
z
4
z=1
1
1
1
+ A2
+ + AN
1
1
1 p1 z
1 p2 z
1 pN z1
(3.4.27)
La transformada z inversa, x(n) = Z 1 {X(z)}, puede obtenerse invirtiendo cada uno de los trminos de la
expresin (3.4.27) y realizando la correspondiente combinacin lineal. A partir de la Tabla 3.3, se obtiene que
dichos trminos pueden invertirse utilizando la frmula
(p )n u(n),
si ROC: |z| > |pk | (seales causales)
k
1
Z 1
=
(3.4.28)
1 pk z1
(p )n u(n 1), si ROC: |z| < |p | (seales anticausales)
k
Si la seal x(n) es causal, la ROC es |z| > pmax , donde pmax = max{|p1 |, |p2 |, . . . , |pN |}. En este caso, todos
los trminos de (3.4.27) dan lugar a componentes de seal causales y la seal x(n) est dada por
x(n) = (A1 pn1 + A2 pn2 + + AN pnN )u(n)
(3.4.29)
Si todos los polos son reales, (3.4.29) es la expresin apropiada para la seal x(n). Luego una seal causal, con
una transformada z que contenga polos diferentes y reales, es una combinacin lineal de seales exponenciales
reales.
Supongamos ahora que todos los polos son diferentes, pero que algunos de ellos son complejos. En este caso,
algunos de los trminos de la expresin (3.4.27) producen componentes exponenciales complejas. Sin embargo,
si la seal x(n) es real, podremos reducir dichos trminos a componentes reales. Si x(n) es real, los polinomios
de X(z) tendrn coeficientes reales. En este caso, como hemos visto en la Seccin 3.3, si p j es un polo, su
complejo conjugado pj tambin es un polo. Como hemos demostrado en el Ejemplo 3.4.6, los correspondientes
coeficientes de la expansin en fracciones parciales tambin son conjugados complejos. Luego la contribucin
de dos polos complejos conjugados es de la forma
xk (n) = [Ak (pk )n + Ak (pk )n ]u(n)
(3.4.30)
Estos dos trminos se pueden combinar para formar una componente de seal real. En primer lugar, expresamos A j y p j en forma polar (es decir, amplitud y fase) como
Ak
pk
=
=
|Ak |e jk
rk e
j k
(3.4.31)
(3.4.32)
donde k y k son las componentes de fase de Ak y pk . Sustituyendo estas relaciones en (3.4.30), obtenemos
xk (n) = |Ak |rkn [e j(k n+k ) + e j(k n+k ) ]u(n)
o, lo que es equivalente,
(3.4.33)
Ak
Ak
+
1 pk z1 1 pk z1
(3.4.34)
1
1 1.5z1 + 0.5z2
si
(a) ROC: |z| > 1
(b) ROC: |z| < 0.5
(c) ROC: 0.5 < |z| < 1
Solucin. Se trata de mismo problema visto en el Ejemplo 3.4.2. En el Ejemplo 3.4.5 se ha determinado la expansin en
fracciones parciales de X(z), que es
1
2
(3.4.36)
X(z) =
1 z1 1 0.5z1
Para invertir X(z) debemos aplicar la expresin (3.4.28) para p1 = 1 y p2 = 0.5. Sin embargo, esto requiere la especificacin
de la correspondiente regin de convergencia.
(a) En el caso en que la ROC es |z| > 1, la seal x(n) es causal y ambos trminos de (3.4.36) son trminos causales. De
acuerdo con (3.4.28), obtenemos
x(n) = 2(1)n u(n) (0.5)n u(n) = (2 0.5n )u(n)
(3.4.37)
(b) Cuando la ROC es |z| < 0.5, la seal x(n) es anticausal. Por tanto, ambos trminos de la expresin (3.4.36) producen
componentes anticausales. A partir de (3.4.28), obtenemos
x(n) = [2 + (0.5)n ]u(n 1)
(3.4.38)
(c) En este caso, la ROC 0.5 < |z| < 1 es un anillo, lo que implica que la seal x(n) es bilateral. Luego uno de los trminos
corresponde a una seal causal y el otro a una seal anticausal. Obviamente, la ROC dada es el solapamiento de las
regiones |z| > 0.5 y |z| < 1. Por tanto, el polo p2 = 0.5 proporciona la parte causal y el polo p1 = 1 es la anticausal.
Por tanto,
(3.4.39)
x(n) = 2(1)n u(n 1) (0.5)n u(n)
EJEMPLO 3.4.9
Determine la seal causal x(n) cuya transformada z est dada por
X(z) =
1 + z1
1 z1 + 0.5z2
A2
A1
+
1 p1 z1 1 p2 z1
donde
A1 = A2 =
3
1
j
2
2
p1 = p2 =
1
1
+j
2
2
Puesto que tenemos una pareja de polos complejos conjugados, tenemos que utilizar la Ecuacin (3.4.34). La forma
polar de A1 y p1 son
10 j71.565
e
2
1
p1 = e j /4
2
A1 =
Por tanto,
x(n) =
1 n
71.565 u(n)
10
cos
4
2
EJEMPLO 3.4.10
Determine la seal causal x(n) cuya transformada z es
X(z) =
1
(1 + z1 )(1 z1 )2
1
1
z1
3
1
1
+
+
1
1
4 1+z
4 1z
2 (1 z1 )2
Aplicando las relaciones de la transformada inversa dadas por (3.4.28) y (3.4.35), obtenemos
3
3 n
1
1
1
u(n)
x(n) = (1)n u(n) + u(n) + nu(n) = (1)n + +
4
4
2
4
4 2
X(z) =
bk zk
k=0
N
1 + ak z
= b0
k=1
(1 zk z1)
k=1
N
(3.4.40)
(1 pkz
k=1
donde, por simplicidad, hemos supuesto que a0 1. Si M N [es decir, X(z) es impropia], convertimos X(z)
en una suma de un polinomio y una funcin propia
X(z) =
MN
ck zk + Xpr (z)
(3.4.41)
k=0
Si los polos de Xpr (z) son distintos, podemos obtener la expansin en fracciones parciales como
Xpr (z) = A1
1
1
1
+ A2
+ + AN
1 p1z1
1 p2z1
1 pN z1
(3.4.42)
Como ya hemos mencionado, pueden existir parejas de polos complejos conjugados en la expresin (3.4.42).
Ya que normalmente tratamos con seales reales, debemos evitar los coeficientes complejos en la descomposicin. Esto puede conseguirse agrupando y combinando los trminos que contienen polos complejos conjugados
de la forma siguiente:
A
A
A Apz1 + A A pz1
+
=
1
1
1 pz
1 p z
1 pz1 pz1 + ppz2
=
(3.4.43)
b0 + b1 z1
1 + a1z1 + a2 z2
donde
b0 = 2 Re(A),
b1 = 2 Re(Ap),
a1 = 2 Re(p)
a2 =
(3.4.44)
|p|2
son los coeficientes deseados. Obviamente, cualquier transformada racional de la forma (3.4.43) con coeficientes
dados por (3.4.44), que es el caso en que a21 4a2 < 0, puede invertirse utilizando (3.4.34). Combinando (3.4.41),
(3.4.42) y (3.4.43), obtenemos una expansin en fracciones parciales para la transformada z con polos diferentes
que contienen coeficientes reales. El resultado general es
X(z) =
MN
k=0
K1
K2
bk
b0k + b1k z1
+
1
1 + a z2
2k
k=1 1 + ak z
k=1 1 + a1k z
ck zk +
(3.4.45)
a1k = 2 Re(pk )
(3.4.47)
a2k = |pk |2
Si para simplificar suponemos que M = N, vemos que X(z) puede descomponerse de la forma siguiente:
1 + bk z1 K2 1 + b1kz1 + b2k z2
1 1 + a z1 + a z2
1k
2k
k=1 1 + ak z
k=1
K1
X(z) = b0
(3.4.48)
X(z) =
N(z)
Q(z)
(3.5.1)
Esta suposicin no es demasiado restrictiva, ya que, como se ha indicado anteriormente, la mayor parte de
las seales de inters prctico tienen transformadas z racionales. Si el sistema est inicialmente en reposo, es
decir, las condiciones iniciales para la ecuacin en diferencias son cero, y(1) = y(2) = = y(N) = 0, la
transformada z de la salida del sistema tiene la forma
Y (z) = H(z)X(z) =
B(z)N(z)
A(z)Q(z)
(3.5.2)
L
Ak
Qk
+
1 pk z1 1 qkz1
k=1
k=1
(3.5.3)
k=1
k=1
(3.5.4)
Observe que la secuencia de salida y(n) puede subdividrse en dos partes. La primera parte es una funcin de
los polos {pk } del sistema y se conoce como respuesta natural del sistema. La influencia de la seal de entrada
en esta parte de la respuesta es a travs de los factores de escala {Ak }. La segunda parte de la respuesta es una
funcin de los polos {qk } de la seal de entrada y es la respuesta forzada del sistema. La influencia del sistema
sobre esta respuesta se ejerce a travs de los factores de escala {Qk }.
Debemos destacar que los factores de escala {Ak } y {Qk } son funciones de ambos conjuntos de polos {pk }
y {qk }. Por ejemplo, si X(z) = 0, de modo que la entrada es cero, entonces Y (z) = 0 y, en consecuencia, la salida
es cero. Evidentemente, en este caso, la respuesta natural del sistema es cero, lo que implica que la respuesta
natural del sistema es diferente de la respuesta para la entrada nula.
Si X(z) y H(z) tienen uno o ms polos en comn o si X(z) y/o H(z) contienen polos de orden mltiple,
entonces Y (z) tendr polos de orden mltiple. En consecuencia, la expansin en fracciones parciales de Y (z)
contendr factores de la forma 1/(1 pl z1 )k , k = 1, 2, . . . , m, donde m es el orden del polo. La inversin de
estos factores producir trminos de la forma nk1 pnl en la salida y(n) del sistema, como se ha indicado en la
Seccin 3.4.3.
Ak (pk )n u(n)
(3.5.5)
k=1
donde {pk }, k = 1, 2, . . . , N son los polos del sistema y {Ak } son los factores de escala que dependen de las
condiciones iniciales y de las caractersticas de la secuencia de entrada.
Si |pk | < 1 para todo k, entonces ynr (n) decrece hasta cero cuando n tiende a infinito. En tal caso, hacemos referencia a la respuesta natural del sistema como la respuesta transitoria. La velocidad a la que ynr (n)
disminuye hasta cero depende del mdulo de las posiciones de los polos. Si todos los polos tienen mdulos
pequeos, el decreciemiento es muy rpido. Por el contrario, si uno o ms polos se encuentran prximos a la
circunferencia unidad, los trminos correspondientes de ynr (n) disminuirn lentamente hasta cero y el estado
transitorio persistir durante un tiempo relativamente largo.
La respuesta forzada del sistema tiene la forma
yfr (n) =
Qk (qk )n u(n)
(3.5.6)
k=1
donde {qk }, k = 1, 2, . . . , L son los polos de la funcin forzada y {Qk } son los factores de escala que dependen
de la secuencia de entrada y de las caractersticas del sistema. Si todos los polos de la seal de entrada caen
dentro de la circunferencia unidad, yfr (n) decrecer hasta cero cuando n tiende a infinito, al igual que en el caso
de la respuesta natural. Esto no debe sorprendernos ya que la seal de entrada tambin es una seal transitoria.
Por el contrario, cuando la seal de entrada es una sinusoide, los polos caen sobre la circunferencia unidad y,
en consecuencia, la respuesta forzada tambin es una sinusoide que existe para todo n 0. En este caso, la
respuesta forzada se conoce como respuesta en rgimen permanente del sistema. Por tanto, para que el sistema
mantenga la salida en rgimen permanente para n 0, la seal de entrada debe mantenerse para todo n 0.
El siguiente ejemplo ilustra la presencia de la respuesta en rgimen permanente.
EJEMPLO 3.5.1
Determine las respuestas transitoria y en rgimen permanente del sistema caracterizado por la ecuacin en diferencias
y(n) = 0.5y(n 1) + x(n)
si la seal de entrada es x(n) = 10 cos( n/4)u(n). El sistema inicialmente est en reposo.
Solucin. La funcin de transferencia para este sistema es
H(z) =
1
1 0.5z1
y, por tanto, el sistema tiene un polo en z = 0.5. La transformada z de la seal de entrada es (a partir de la Tabla 3.3)
X(z) =
1 2z1 + z2
En consecuencia,
Y (z) = H(z)X(z)
=
La respuesta natural o transitoria es
6.3
6.78e j28.7
6.78e j28.7
+
+
1
j
/4
1
1 0.5z
1e
z
1 e j /4 z1
ynr (n) = 6.3(0.5)n u(n)
n 28.7 u(n)
= 13.56 cos
4
Por tanto, vemos que la respuesta en rgimen permanente persiste para todo n 0, siempre que se mantenga la seal de
entrada para todo n 0.
n=
|h(n)| <
A su vez, esta condicin implica que H(z) debe contener la circunferencia unidad dentro de su regin de
convergencia (ROC).
En efecto, puesto que
H(z) =
se deduce que
|H(z)|
n=
h(n)zn
n=
|h(n)zn | =
n=
|h(n)||zn |
n=
|h(n)|
Por tanto, si el sistemas es estable BIBO, la circunferencia unidad est contenida en la ROC de H(z). La
afirmacin inversa tambis es cierta. Por tanto, un sistema lineal invariante en el tiempo tiene estabilidad BIBO
si y slo si la ROC de la funcin de transferencia incluye la circunferencia unidad.
Sin embargo, debemos resaltar que las condiciones para la causalidad y la estabilidad son diferentes y que
una no implica a la otra. Por ejemplo, un sistema causal puede ser estable o inestable, al igual que un sistema
no causal puede ser estable o inestable. Del mismo modo, un sistema inestable puede ser causal o no causal, al
igual que un sistema estable puede ser causal o no causal.
Sin embargo, en un sistema causal, la condicin para la estabilidad puede reducirse en cierto grado. De hecho,
un sistema causal queda caracterizado por una funcin de transferencia H(z) que tiene como ROC el exterior
de una determinada circunferencia de radio r. En un sistema estable, la ROC debe incluir la circunferencia
unidad. En consecuencia, un sistema causal y estable debe tener una funcin de transferencia que converja
para |z| > r < 1. Puesto que la ROC no puede contener ningn polo de H(z), se deduce que un sistema causal
lineal invariante en el tiempo es estable BIBO si y slo si todos los polos de H(z) se encuentran dentro de la
circunferencia unidad.
EJEMPLO 3.5.2
Un sistema lineal invariante en el tiempo est caracterizado por la funcin de transferencia
3 4z1
1 3.5z1 + 1.5z2
1
2
=
+
1 1 1 3z1
1 z
2
H(z) =
Especifique la regin de convergencia (ROC) de H(z) y determine h(n) para las condiciones siguientes:
(a) El sistema es estable.
(b) El sistema es causal.
(c) El sistema es anticausal.
Solucin. El sistema tiene polos en z =
1
2
y z = 3.
(a) Puesto que el sistema es estable, su ROC debe incluir la circunferencia unidad y, por tanto,
cuencia, h(n) es no causal y est dada por
1
2
1
h(n) = ( )n u(n) 2(3)n u(n 1)
2
(b) Puesto que el sistema es causal, su ROC es |z| > 3. En este caso,
1
h(n) = ( )n u(n) + 2(3)n u(n)
2
Este sistema es inestable.
(c) Si el sistema es anticausal, su ROC es |z| < 0.5. Por tanto,
1
h(n) = [( )n + 2(3)n ]u(n 1)
2
En este caso, el sistema es inestable.
3.5.4
Cancelaciones polocero
Cuando una transformada z tiene un polo que se encuentra en la misma posicin que un cero, el polo queda
cancelado por el cero y, en consecuencia, el trmino que contiene dicho polo en la transformada z inversa
desaparece. Estas cancelaciones polocero son muy importantes en el anlisis de los sistemas con polos y ceros.
Las cancelaciones polocero pueden producirse en la propia funcin de transferencia o en el producto de la
funcin de transferencia por la transformada z de la seal de entrada. En el primer caso, decimos que el orden
del sistema se reduce en una unidad. En el segundo caso, decimos que el polo del sistema queda suprimido por el
cero en la seal de entrada, o viceversa. As, seleccionando apropiadamente la posicin de los ceros de la seal
de entrada, es posible suprimir uno o ms modos del sistema (factores con polos) en la respuesta del sistema. De
forma similar, mediante la apropiada seleccin de los ceros de la funcin de transferencia, es posible suprimir
uno o ms modos de la seal de entrada de la respuesta del sistema.
Cuando un cero est muy prximo al polo pero no exactamente en la misma posicin, el trmino de la
respuesta tendr una amplitud muy pequea. Por ejemplo, en la prctica pueden producirse cancelaciones polo
cero no exactas como resultado de emplear una precisin numrica insuficiente en la representacin de los
coeficientes del sistema. En consecuencia, no debe intentarse estabilizar un sistema inherentemente inestable
colocando un cero en la seal de entrada en la posicin del polo.
EJEMPLO 3.5.3
Determine la respuesta al impulso unitario del sistema caracterizado por la ecuacin en diferencias
y(n) = 2.5y(n 1) y(n 2) + x(n) 5x(n 1) + 6x(n 2)
Solucin. La funcin de transferencia es
H(z) =
1 5z1 + 6z2
1 5z1 + 6z2
=
1
2
1 2.5z + z
(1 12 z1 )(1 2z1 )
El sistema tiene polos en p1 = 2 y p1 = 12 . Por tanto, a primera vista, parece que la respuesta al impulso unitario es
1 5z1 + 6z2
(1 12 z1 )(1 2z1 )
B
+
z2
Y (z) = H(z)X(z) =
=z
Evaluando las constantes en z =
1
2
A
z 12
y z = 2, tenemos que
5
A= ,
2
B=0
El hecho de que B = 0 indica que existe un cero en z = 2 que cancela el polo en z = 2. De hecho, los ceros se producen
en z = 2 y z = 3. En consecuencia, H(z) se reduce a
H(z) =
z3
1 3z1
=
1 12 z1
z 12
= 1
2.5z1
1 12 z1
y, por tanto,
1
h(n) = (n) 2.5( )n1 u(n 1)
2
El sistema de orden reducido obtenido cancelando el polo y el cero comn est caracterizado por la ecuacin en diferencias
1
y(n) = y(n 1) + x(n) 3x(n 1)
2
Aunque el sistema original tambin es estable BIBO debido a la cancelacin polocero, en una implementacin prctica de
este sistema de segundo orden, podemos tener una inestabilidad debida a la cancelacin imperfecta del polo y el cero.
EJEMPLO 3.5.4
Determine la respuesta del sistema
5
1
y(n) = y(n 1) y(n 2) + x(n)
6
6
H(z) =
1
=
1 12 z1 1 13 z1
Este sistema tiene dos polos, uno en z =
1
2
1
3
Y (z)
H(z)X(z)
Y (z)
1
1 12 z1
1
1 z1
Observe que el sistema contiene un polo sobre la circunferencia unidad en z = 1. La transformada z de la seal de
entrada x(n) = u(n) es
1
X(z) =
1 z1
que tambin tiene un polo en z = 1. Por tanto, la seal de salida tiene la transformada
Y (z) = H(z)X(z)
=
que tiene un polo doble en z = 1.
La transformada z inversa de Y (z) es
1
(1 z1 )2
y(n) = (n + 1)u(n)
la cual es una seal en rampa. Por tanto, y(n) no est acotada, incluso cuando la entrada est acotada. Por tanto, el sistema
es inestable.
El Ejemplo 3.5.5 demuestra claramente que la estabilidad BIBO requiere que los polos del sistema estn
estrictamente dentro de la circunferencia unidad. Si todos los polos del sistema estn dentro de la circunferencia
unidad y la secuencia de excitacin x(n) contiene uno o ms polos que coinciden con los polos del sistema, la
salida Y (z) contendr polos de orden mltiple. Como se ha indicado anteriormente, tales polos de orden mltiple
dan lugar a una secuencia de salida que contiene trminos de la forma
Ak nb (pk )n u(n)
donde 0 b m 1 y m es el orden del polo. Si |pk | < 1, estos trminos decrecen hasta cero cuando n tiende a
infinito porque el factor exponencial (pk )n domina el trmino nb . En consecuencia, ninguna seal acotada puede
producir una seal de salida no acotada si todos los polos del sistema se encuentran dentro de la circunferencia
unidad.
Por ltimo, debemos decir que los nicos sistemas tiles que contienen polos sobre la circunferencia unidad
son los osciladores digitales que se estudiarn en el Captulo 5. Tales sistemas se conocen como sistemas
marginalmente estables.
(3.5.7)
La funcin de transferencia es
H(z) =
=
Y (z)
b0
=
1
X(z) 1 + a1z + a2 z1
(3.5.8)
b0 z2
2
z + a 1 z + a2
a1
a21 4a2
4
(3.5.9)
El sistema es estable BIBO si los polos se encuentran dentro de la circunferencia unidad, es decir, si |p1 | < 1
y |p2 | < 1. Estas condiciones pueden estar relacionadas con los valores de los coeficientes a1 y a2 . En particular,
las races de una ecuacin cuadrtica satisfacen las siguientes relaciones
a1 = (p1 + p2)
(3.5.10)
a2 = p1 p2
(3.5.11)
A partir de (3.5.10) y (3.5.11) podemos obtener fcilmente las condiciones para a1 y a2 que deben satisfacerse
para cumplir la condicin de estabilidad. En primer lugar, a2 debe satisfacer la condicin
|a2 | = |p1 p2 | = |p1 ||p2 | < 1
(3.5.12)
(3.5.13)
Por tanto, un sistema de dos polos es estable si y slo si los coeficientes a1 y a2 satisfacen las condiciones
dadas por (3.5.12) y (3.5.13).
Las condiciones de estabilidad dadas en (3.5.12) y (3.5.13) definen una regin en el plano de coeficientes
(a1 , a2 ) que tiene forma triangular, como se muestra en la Figura 3.5.1. El sistema es estable si y slo si el punto
(a1 , a2 ) se encuentra dentro del tringulo, el cual denominamos tringulo de estabilidad.
Las caractersticas del sistema de dos polos dependen de la posicin de los polos, o lo que es equivalente,
de la posicin del punto (a1 , a2 ) dentro del tringulo de estabilidad. Los polos del sistema pueden ser reales o
complejos conjugados, dependiendo del valor del discriminante = a21 4a2. La parbola a2 = a21 /4 divide el
tringulo de estabilidad en dos regiones, como se ilustra en la Figura 3.5.1. La regin por debajo de la parbola
(a21 > 4a2 ) corresponde a dos polos reales y distintos. Los puntos sobre la parbola (a21 = 4a2 ) producen polos
reales e iguales (dobles). Por ltimo, los puntos por encima de la parbola corresponden a los polos complejos
conjugados.
Puede obtenerse informacin adicional sobre el comportamiento del sistema a partir de las respuestas al
impulso unitario en los tres casos siguientes.
a2
Polos
complejos
conjugados
Tringulo de
estabilidad
a2 =
a21
4
a1
2
Polos reales y distintos
h(n)
2.0
1.5
1.0
0.5
50
Figura 3.5.2. Grfica de h(n) dada por la Ecuacin (3.5.16) con p 1 = 0.5, p2 = 0.75; h(n) = [1/(p1
pn+1
p2 )](pn+1
1
2 )u(n).
Polos reales y distintos (a 21 > 4a2 ). Dado que p1 y p2 son reales y p1 = p2 , la funcin de transferencia puede
expresarse de la forma
A1
A2
H(z) =
+
(3.5.14)
1
1 p1 z
1 p2z1
donde
A1 =
b0 p1
,
p1 p2
A2 =
b0 p2
p1 p2
(3.5.15)
b0
(pn+1 pn+1
2 )u(n)
p1 p2 1
(3.5.16)
Por tanto, la respuesta al impulso es la diferencia de dos secuencias exponenciales decrecientes. La Figura 3.5.2
ilustra una grfica tpica para h(n) cuando los polos son diferentes.
Polos reales e iguales (a 21 = 4a2 ). En este caso, p1 = p2 = p = a1 /2. La funcin de transferencia es
H(z) =
b0
(1 pz1)2
(3.5.17)
(3.5.18)
Observe que h(n) es el producto de una rampa por una exponencial decreciente real. La grfica de h(n) se
muestra en la Figura 3.5.3.
Polos complejos conjugados (a 21 < 4a2 ). Puesto que los polos son complejos conjugados, la funcin de
transferencia puede descomponerse en factores y expresarse como sigue
H(z) =
=
A
A
+
1
1 pz
1 pz1
A
A
+
1 re j0 z1 1 re j0 z1
(3.5.19)
h(n)
2.0
1.5
1.0
0.5
50
Figura 3.5.3. Grfica de h(n) dada por la Ecuacin (3.5.18) con p = 34 ; h(n) = (n + 1)pnu(n).
donde p = re j y 0 < 0 < . Observe que cuando los polos son complejos conjugados, los parmetros a1 y
a2 estn relacionados con r y 0 segn
a1 = 2r cos 0
a2 = r
(3.5.20)
b0 e j0
b0 re j0
b0 p
=
=
p p
r(e 0 e 0 )
j2 sen 0
(3.5.21)
h(n) =
(3.5.22)
En este caso, h(n) presenta un comportamiento oscilatorio con una envolvente que decrece exponencialmente
cuando r < 1. El ngulo 0 de los polos determina la frecuencia de oscilacin y la distancia r de los polos respecto
del origen determina la velocidad de decrecimiento. Cuando r es prximo a la unidad, el decrecimiento es lento.
Cuando r es prximo al origen, el decrecimiento es rpido. En la Figura 3.5.4 se muestra una grfica tpica de
h(n).
h(n)
1.2
1.0
0.8
0.6
0.4
0.2
0
50
0.2
0.4
0.6
0.8
1.0
1.2
Figura 3.5.4. Grfica de h(n) dada por la Ecuacin (3.5.22) con b 0 = 1, 0 = /4, r = 0.9; h(n) =
[b0 rn /(sen 0 )] sen[(n + 1)0]u(n).
3.6.1
Definicin y propiedades
x(n)zn
(3.6.1)
n=0
x(n) X + (z)
La transformada z unilateral se diferencia de la transformada bilateral en el lmite inferior del sumatorio,
que es siempre cero independientemente de que la seal x(n) sea cero para n < 0 (es decir, sea causal). Debido
a esta eleccin del lmite inferior, la transformada z unilateral tiene las caractersticas siguientes:
1. No contiene informacin acerca de la seal x(n) para los instantes de tiempo negativos (es decir, para
n < 0).
2. Es unvoca slo para seales causales, ya que slo estas seales son cero para n < 0.
3. La transformada z unilateral X + (z) de x(n) es idntica a la transformada z bilateral de la seal x(n)u(n).
Puesto que x(n)u(n) es causal, la ROC de su transformada, y por tanto la ROC de X + (z), es siempre la
regin exterior a una circunferencia. Por tanto, cuando trabajemos con transformadas z unilaterales, no
ser necesario hacer referencia a su regin de convergencia.
EJEMPLO 3.6.1
Determine la transformada z unilateral de la seales del Ejemplo 3.1.1.
Solucin. A partir de la definicin (3.6.1), obtenemos
z+
z+
z+
z+
z+
x6 (n) = (n k),
x7 (n) = (n + k),
z+
Observe que para una seal no causal, la transformada z unilateral es unvoca. Por tanto, X2+ (z) = X4+ (z) pero x2 (n) = x4 (n).
Para seales anticausales, X + (z) siempre es cero.
Casi todas las propiedades que hemos estudiado para la transformada z bilateral pueden extenderse a la transformada z unilateral con la excepcin de la propiedad de desplazamiento.
Propiedad de desplazamiento.
C ASO 1: RETARDO TEMPORAL . Si
z+
x(n) X + (z)
entonces
k
z+
k>0
(3.6.2)
n=1
x(n k) zk X + (z)
(3.6.3)
Z + {x(n k)} = zk
l=k
k
=z
x(l)zl + x(l)zl
l=0
l
x(l)z
+ X (z)
l=1
Solucin.
(a) A partir de (3.6.1), obtenemos fcilmente
X + (z) =
1
1 az1
z2
+ a1 z1 + a2
1 az1
(3.6.4)
k>0
Para obtener x(n k)(k > 0) a partir de x(n), desplazamos x(n) k muestras a la derecha. As, las k muestras
nuevas, x(k), x(k + 1), . . . , x(1), entran en el eje de tiempos positivo con x(k) colocado en el instante
cero. El primer trmino de la expresin (3.6.4) establece la transformada z de estas seales. Las muestras
antiguas de x(n k) son las mismas que las de x(n) simplemente desplazadas k muestras hacia la derecha.
Obviamente, su transformada z es zk X + (z), que es el segundo trmino de (3.6.4).
C ASO 2: AVANCE TEMPORAL . Si
z+
x(n) X + (z)
entonces
z+
x(n + k) z
k1
X (z) x(n)z
+
n
k>0
(3.6.5)
n=0
n=0
l=k
donde hemos cambiado el ndice del sumatorio de n a l = n + k. Ahora, a partir de (3.6.1), obtenemos
X + (z) =
k1
l=0
l=0
l=k
Solucin. Aplicamos el teorema de desplazamiento para k = 2. A partir de la Ecuacin (3.6.5), para k = 2, obtenemos
Z + {x(n + 2)} = z2 X + (z) x(0)z2 x(1)z
Pero x(0) = 1, x(1) = a y X + (z) = 1/(1 az1 ). Por tanto,
Z + {x(n + 2)} =
z2
z2 az
1 az1
La propiedad de avance temporal puede explicarse de forma intuitiva del siguiente modo: para obtener x(n + k),
k > 0, desplazamos x(n) k muestras hacia la izquierda. Como resultado de esto, las muestras x(0), x(1), . . . , x(k
1) abandonan el eje de tiempos positivo. Por tanto, primero eliminamos su contribucin a X + (z), y luego
multiplicamos lo que queda por zk para compensar el desplazamiento de la seal k muestras.
La importancia de la propiedad de desplazamiento est unida a su aplicacin para la obtencin de la solucin
de ecuaciones en diferencias con coeficientes constantes y condiciones iniciales distintas de cero. Esto hace que
la transformada z unilateral sea una til herramienta en el anlisis de los sistemas discretos en el tiempo LTI y
recursivos.
Un teorema importante en el anlisis de seales y sistemas es el teorema del valor final.
Teorema del valor final. Si
z+
x(n) X + (z)
entonces
z1
(3.6.6)
El lmite de la expresin (3.6.6) existe si la ROC de (z 1)X +(z) incluye a la circunferencia unidad.
La demostracin de este teorema se deja como ejercicio al lector.
Este teorema resulta til cuando estamos interesados en el comportamiento asinttico de una seal x(n) y
conocemos su transformada z, pero no la propia seal. En estos casos, especialmente si es complicado invertir
X + (z), podemos utilizar el teorema del valor final para determinar el lmite de x(n) cuando n tiende a infinito.
EJEMPLO 3.6.4
La respuesta al impulso de un sistema lineal invariante en el tiempo en reposo es h(n) = n u(n), | | < 1. Determine el valor
de la respuesta del sistema al escaln cuando n .
Solucin. La respuesta al escaln del sistema es
y(n) = h(n) x(n)
donde
x(n) = u(n)
Obviamente, si excitamos un sistema causal con una entrada causal, la salida ser causal. Puesto que las seales h(n), x(n),
y(n) son causales, las transformadas z unilateral y bilateral son idnticas. Utilizando la propiedad de convolucin dada por
(3.2.17), sabemos que las transformadas z de h(n) y x(n) tienen que multiplicarse para proporcionar la transformada z de la
salida. As,
1
1
z2
,
ROC: |z| > | |
Y (z) =
=
1
1
(z 1)(z )
1 z 1 z
Ahora
(z 1)Y (z) =
z2
,
z
Dado que | | < 1, la ROC de (z 1)Y (z) incluye la circunferencia unidad. En consecuencia, podemos aplicar la expresin
(3.6.6) y obtener
z2
1
lm y(n) = lm
=
n
z1 z
1
3.6.2
La transformada z unilateral es una herramienta muy eficiente para obtener la solucin de ecuaciones en diferencias con condiciones iniciales distintas de cero. Se consigue reduciendo la ecuacin en diferencias que
relaciona las dos seales en el tiempo a una ecuacin algebraica equivalente que relaciona sus transformadas z
unilaterales. Esta ecuacin se puede resolver fcilmente para obtener la transformada de la seal deseada. La
seal en el dominio del tiempo se obtiene invirtiendo la transformada z resultante. Vamos a ilustrar este mtodo
mediante dos ejemplos.
EJEMPLO 3.6.5
La conocida secuencia de Fibonacci de nmeros enteros se obtiene calculando cada trmino como la suma de los dos trminos
anteriores. Los primeros trminos de la secuencia son
1, 1, 2, 3, 5, 8, . . .
Determine una expresin cerrada para el trmino nsimo de la secuencia de Fibonacci.
Solucin. Sea y(n) el trmino nsimo de la secuencia de Fibonacci. Evidentemente, y(n) satisface la ecuacin en diferencias
y(n) = y(n 1) + y(n 2)
(3.6.7)
y(1) + y(2) = 1
(3.6.8a)
y(1)
y(0) + y(1) = 1
(3.6.8b)
A partir de (3.6.8b) tenemos que y(1) = 0. Luego, (3.6.8a) proporciona y(2) = 1. Por tanto, tenemos que determinar
y(n), n 0, que satisface (3.6.7), con las condiciones iniciales y(1) = 0 e y(2) = 1.
Tomando la transformada z unilateral de (3.6.7) y utilizando la propiedad de desplazamiento temporal (3.6.2), obtenemos
Y + (z) = [z1Y + (z) + y(1)] + [z2Y + (z) + y(2) + y(1)z1 ]
o
Y + (z) =
1
1 z1 z2
z2
z2 z 1
(3.6.9)
1+ 5
1 5
,
p2 =
2
2
n
n
1+ 5 1+ 5
1 5 1 5
u(n)
y(n) =
2
2
2 5
2 5
o, lo que es equivalente,
1
y(n) =
5
n+1
n+1
n+1
1
1+ 5
u(n)
1 5
2
(3.6.10)
EJEMPLO 3.6.6
Determine la respuesta al escaln del sistema
y(n) = y(n 1) + x(n),
1 < < 1
(3.6.11)
1
+
1 z1 (1 z1 )(1 z1 )
(3.6.12)
Realizando una expansin en fracciones parciales y calculando la transformada inversa del resultado, tenemos
y(n) = n+1 u(n) +
=
3.6.3
1 n+1
u(n)
1
(3.6.13)
1
(1 n+2 )u(n)
1
Supongamos que la seal x(n) se aplica a un sistema de polos y ceros en n = 0. Por tanto, suponemos que la seal
x(n) es causal. Los efectos de todas las seales anteriores de entrada al sistema se reflejan en las condiciones
iniciales y(1), y(2), . . . , y(N). Puesto que la entrada x(n) es causal y dado que estamos interesados en
determinar la salida y(n) para n 0, podemos utilizar la transformada z unilateral, que nos permite tratar con
las condiciones iniciales. Luego la transformada z unilateral dada en (3.3.7) se transforma en
N
k=1
n=1
k=0
(3.6.14)
Dado que x(n) es causal, podemos hacer X +(z) = X(z). En cualquier caso, la Ecuacin (3.6.14) se puede expresar
como
M
Y + (z) =
bk zk
k=0
N
1 + ak z
X(z) k=1
k=1
= H(z)X(z) +
ak zk y(n)zn
n=1
N
(3.6.15)
1 + ak z
k=1
N0 (z)
A(z)
donde
N
N0 (z) = ak zk
k=1
y(n)zn
(3.6.16)
n=1
A partir de (3.6.15) es evidente que la salida del sistema con condiciones iniciales distintas de cero se puede
dividir en dos partes. La primera es la respuesta al estado nulo del sistema, definida en el dominio z como
Yzs (z) = H(z)X(z)
(3.6.17)
La segunda componente corresponde a la salida resultante de las condiciones iniciales distintas de cero. Esta
salida es la respuesta a la entrada nula del sistema, que se define en el dominio z como
Yzi+ (z) =
N0 (z)
A(z)
(3.6.18)
Luego la respuesta total es la suma de estas dos componentes de salida, que pueden expresarse en el dominio
del tiempo determinando las transformadas z inversas Yzs (z) e Yzi (z) por separado, y sumando los resultados, as
y(n) = yzs (n) + yzi(n)
(3.6.19)
Puesto que el denominador de Yzi+ (z) es A(z), sus polos son p1 , p2 , . . . , pN . En consecuencia, la respuesta
para la entrada nula tiene la forma
yzi (n) =
Dk (pk )n u(n)
(3.6.20)
k=1
lo que se puede sumar a (3.6.4) y los trminos que implican los polos {pk } se pueden combinar para obtener la
respuesta total de la forma
y(n) =
k=1
k=1
(3.6.21)
(3.6.22)
Este desarrollo indica claramente que el efecto de las condiciones iniciales es alterar la respuesta natural
del sistema a travs de la modificacin de los factores de escala {Ak }. Las condiciones iniciales distintas de cero
no introducen nuevos polos. Adems, no tienen efecto sobre la respuesta forzada del sistema. Estas importantes
cuestiones se refuerzan en el siguiente ejemplo.
EJEMPLO 3.6.7
Determine la respuesta al escaln unidad del sistema descrito por la ecuacin en diferencias
y(n) = 0.9y(n 1) 0.81y(n 2) + x(n)
bajo las siguientes condiciones iniciales y(1) = y(2) = 1.
Solucin. La funcin de transferencia es
H(z) =
1
1 0.9z1 + 0.81z2
p2 = 0.9e j /3
1
1 z1
Por tanto,
Yzs (z) =
1
(1 0.9e j /3 z1 )(1 0.9e j /3 z1 )(1 z1 )
0.0496 j0.542
0.0496 + j0.542
1.099
+
+
1 0.9e j /3 z1 1 0.9e j /3 z1 1 z1
yzs (n) = 1.099 + 1.088(0.9)n cos
n 5.2 u(n)
3
Para las condiciones iniciales y(1) = y(2) = 1, la componente adicional en la transformada z es
Yzi (z) =
0.09 0.81z1
N0 (z)
=
A(z)
1 0.9z1 + 0.81z2
0.045 + j0.4936
0.045 j0.4936
+
1 0.9e j /3 z1 1 0.9e j /3 z1
n + 87 u(n)
1.099
0.568 + j0.445
0.568 j0.445
+
+
1 z1 1 0.9e j /3 z1 1 0.9e j /3 z1
n + 38 u(n)
Hemos visto que muchas seales de inters prctico tiene transformadas z racionales. Adems, los sistemas
LTI caracterizados por ecuaciones en diferencias lineales de coeficientes constantes tambin tienen funciones
de transferencia racionales. En consecuencia, hemos hecho especial enfsis en la inversin de las transformadas
racionales a la hora de determinar la transformada z inversa. Para el clculo de las transformadas racionales, el
mtodo de expansin en fracciones parciales es relativamente fcil de aplicar, junto con la ROC, para determinar
la correspondiente secuencia en el dominio del tiempo.
Nos hemos ocupado de la caracterizacin de los sistemas LTI en el dominio de la transformada z. En
particular, hemos relacionado las posiciones de los polos y los ceros de un sistema con sus caractersticas en
el dominio del tiempo y hemos enunciado de nuevo los requisitos de estabilidad y causalidad de los sistemas
LTI en funcin de las posiciones de los polos. Hemos demostrado que un sistema causal tiene una funcin de
transferencia H(z) con una regin de convergencia |z| > r1 , donde 0 < r1 . En un sistema estable y causal, los
polos de H(z) deben encontrarse dentro de la circunferencia unidad. Por el contrario, si el sistema es no causal,
la condicin de la estabilidad requiere que la circunferencia unidad pertenezca a la ROC de H(z). Por tanto, un
sistema LTI no causal estable tiene una funcin de transferencia con polos situados en el interior y en el exterior
de la circunferencia unidad con una regin de convergencia anular que incluye la circunferencia unidad. Por
ltimo, hemos presentado la transformada z unilateral para poder calcular la respuesta de los sistemas causales
excitados por seales de entrada causales con condiciones iniciales distintas de cero.
Problemas
3.1 Determine la transformada z de las siguientes seales.
(a) x(n) = {3, 0, 0, 0, 0, 6, 1, 4}
(b) x(n) =
( 12 )n ,
0,
n5
n4
3.2 Determine la transformada z de las siguientes seales y dibuje los patrones de polos y ceros correspondientes.
(a) x(n) = (1 + n)u(n)
(b) x(n) = (an + an)u(n), a real
(c) x(n) = (1)n 2n u(n)
(d) x(n) = (nan sen 0 n)u(n)
(e) x(n) = (na n cos 0 n)u(n)
(f) x(n) = Ar n cos(0 n + )u(n), 0 < r < 1
(g) x(n) = 12 (n2 + n)( 13 )n1 u(n 1)
(h) x(n) = ( 12 )n [u(n) u(n 10)]
3.3 Determine la transformada z y dibuje la ROC de las seales siguientes.
1 n
n0
(3) ,
(a) x1 (n) =
( 12 )n , n < 0
1 n
( 3 ) 2n , n 0
(b) x2 (n) =
0,
n<0
(c) x3 (n) = x1 (n + 4)
(d) x4 (n) = x1 (n)
3.4 Determine la transformada z de las siguientes seales.
(a) x(n) = n(1)n u(n)
(b) x(n) = n2 u(n)
(c) x(n) = na nu(n 1)
(d) x(n) = (1)n cos 3 n u(n)
(e) x(n) = (1)n u(n)
(f) x(n) = {1, 0, 1, 0, 1, 1, . . .}
3.5 Determine las regiones de convergencia de las secuencias unilaterales por la derecha y por la izquierda y
bilateral de duracin finita.
3.6 Exprese la transformada z de
y(n) =
x(k)
k=
( 13 )n ,
n0
( 1 )n , n < 0
2
1
x2 (n) = ( )n u(n)
2
3.8 Utilice la propiedad de la convolucin para:
(a) Expresar la transformada z de
y(n) =
x(k)
k=
en funcin de X(z).
(b) Determine la transformada z de x(n) = (n + 1)u(n). [Consejo: demuestre primero que x(n) = u(n)
u(n).]
3.9 La transformada z X(z) de una seal real x(n) incluye una pareja de ceros complejos conjugados y una
pareja de polos complejos conjugados. Qu ocurre con estas parejas si multiplicamos x(n) por e j0 n ?
(Consejo: utilice el teorema de cambio de escala en el dominio z.)
3.10 Aplique el teorema del valor final para determinar x() en la seal
x(n) =
1, si n es par
0, en otro caso
1 + 2z1
1 2z1 + z2
1
(1 2z1)(1 z1)2
3.13 Sea x(n) una secuencia con la transformada z X(z). Determine, en funcin de X(z), la transformada z de
las siguientes seales.
n
x 2 , si n par
(a) x1 (n) =
0,
si n impar
(b) x2 (n) = x(2n)
3.14 Determine la seal causal x(n) si su transformada z X(z) est dada por:
1 + 3z1
1 + 3z1 + 2z2
1
(b) X(z) =
1
1 z1 + z2
2
(a) X(z) =
(c) X(z) =
z6 + z7
1 z1
(d) X(z) =
1 + 2z2
1 + z2
(e) X(z) =
1 + 6z1 + z2
1
4 (1 2z1 + 2z2 )(1 0.5z1 )
(f) X(z) =
2 1.5z1
1 1.5z1 + 0.5z2
(g) X(z) =
1 + 2z1 + z2
1 + 4z1 + 4z2
r=
1
2
1
1
4
2
1
2
Figura P.3.14.
1
(h) X(z) est especificada por el patrn de polos y ceros de la Figura P.3.14. La constante G = .
4
1 1
1 z
2
(i) X(z) =
1 1
1+ z
2
(j) X(z) =
1 az1
z1 a
5z1
(1 2z1)(3 z1 )
x2 (n) = [1 + ( 12 )n ]u(n)
x2 (n) = 2n u(n 1)
1
2
1
|z| >
2
|z| <
0<r<1
(b) Calcule la transformada z X2 (z), que se corresponde con el patrn de polos y ceros determinado en
el apartado (a).
(c) Compare X1 (z) con X2 (z). Son idnticas? Si no lo son, indique un mtodo para deducir X1 (z) a
partir del patrn de polos y ceros.
3.21 Demuestre que las races de un polinomio con coeficientes reales son pares de valores reales o complejos
conjugados. En general, la afirmacin inversa no es cierta.
3.22 Demuestre las propiedades de convolucin y correlacin de la transformada z utilizando slo su definicin.
3.23 Determine la seal x(n) cuya transformada z es
X(z) = ez + e1/z ,
|z| = 0
3.24 Determine, mediante una expresin cerrada, las seales causales x(n) cuyas transformadas z estn dadas
por:
1
1 + 1.5z1 0.5z2
1
(b) X(z) =
1 0.5z1 + 0.6z2
(a) X(z) =
Compruebe parcialmente sus resultados calculando x(0), x(1), x(2) y x() aplicando un mtodo alternativo.
3.25 Determine todas las seales posibles que pueden tener las transformadas z siguientes.
1
1 1.5z1 + 0.5z2
1
(b) X(z) =
1 1 1 2
1 z + z
2
4
(a) X(z) =
3
1
10 1
+ z2
3 z
3.31 Demuestre que la secuencia de Fibonacci puede interpretarse como la respuesta al impulso del sistema
descrito por la ecuacin en diferencias y(n) = y(n 1) + y(n 2) + x(n). A continuacin, determine h(n)
utilizando la transformada z.
3.32 Demuestre que los siguientes sistemas son equivalentes.
(a) y(n) = 0.2y(n 1) + x(n) 0.3x(n 1) + 0.02x(n 2)
(b) y(n) = x(n) 0.1x(n 1)
3.33 Considere la secuencia x(n) = a n u(n), 1 < a < 1. Determine al menos dos secuencias distintas de x(n),
pero que tengan la misma autocorrelacin.
3.34 Calcule la respuesta al escaln unidad de un sistema que tiene la siguiente respuesta al impulso
n
n<0
3 ,
h(n) =
( 2 )n , n 0
5
3.35 Calcule la respuesta al estado nulo para las siguientes parejas de funciones del sistema y seales de entrada.
(a) h(n) = ( 13 )n u(n), x(n) = ( 12 )n cos 3 n u(n)
(b) h(n) = ( 12 )n u(n), x(n) = ( 13 )n u(n) + ( 12 )n u(n 1)
(c) y(n) = 0.1y(n 1) + 0.2y(n 2) + x(n) + x(n 1)x(n) = ( 13 )n u(n)
(d) y(n) = 12 x(n) 12 x(n 1)x(n) = 10 cos 2 n u(n)
(e) y(n) = y(n 2) + 10x(n)x(n) = 10 cos 2 n u(n)
(f) h(n) = ( 25 )n u(n), x(n) = u(n) u(n 7)
(g) h(n) = ( 12 )n u(n), x(n) = (1)n ,
(h) h(n) =
( 12 )n u(n),
x(n) =
< n <
(n + 1)( 14 )n u(n)
1 2z1 + 2z2 z3
,
(1 z1)(1 0.5z1)(1 0.2z1)
z1 (1 + z1 )
(1 z1 )3
1
1 + a1
z1 + a
2
2z
1
2
Re(z)
1
2
1
2
1
2
Figura P.3.39.
x(n) = e j0 n u(n)
y(n)
Figura P.3.43.
Im(z)
r
r = 1.5
=
0.8
6
Re(z)
Figura P.3.46.
3.47 Calcule la convolucin de las siguientes parejas de seales en el dominio del tiempo, y utilizando la
transformada z unilateral.
(a) x1 (n) = {1, 1, 1, 1, 1},
x2 (n) = {1, 1, 1}
(b) x1 (n) =
( 12 )n u(n),
x2 (n) =
( 13 )n u(n)
x2 (n) = {4, 3, 2, 1}
x2 (n) = {1, 1, 1}
y(1) = y(2) = 1
1
2 y(n 1) + x(n)x(n) =
y(1) = 1, y(2) = 0
( 13 )n u(n),
y(1) = 1
y(2) = 1
3.50 Un sistema FIR LTI tiene una respuesta al impulso h(n), que es real, par y tiene una duracin finita de
2N + 1. Demuestre que si z1 = re j0 es un cero del sistema, entonces z1 = (1/r)e j0 tambin es un cero.
3.51 Considere un sistema discreto en el tiempo LTI cuyo patrn de polos y ceros se muestra en la Figura
P.3.51.
(a) Determine la ROC de la funcin de transferencia H(z) si se sabe que el sistema es estable.
(b) Es posible que el patrn de polos y ceros se corresponda con un sistema causal y estable? En caso
afirmativo, cul es la ROC apropiada?
(c) Cuantos posibles sistemas pueden asociarse con este patrn de polos y ceros?
3.52 Sea x(n) una secuencia causal.
Im(z)
Re(z)
0.5
Figura P.3.51.
(a) Qu conclusin puede extraer del valor de su transformada z X(z) en z = ?
(b) Utilice el resultado del apartado (a) para determinar cul de las siguientes transformadas no se puede
asociar con una secuencia causal.
(i) X(z) =
(z 12 )4
(z 13 )3
(ii) X(z) =
(1 12 z1 )2
(1 13 z1 )
(iii) X(z) =
(z 13 )2
(z 12 )3
3.53 Un sistema de polos y ceros causal es estable BIBO si sus polos estn dentro de la circunferencia unidad.
Considere ahora un sistema de polos y ceros que es estable BIBO y que tiene sus polos en el interior de la
circunferencia unidad. Es el sistema siempre causal? [Consejo: considere los sistemas h1 (n) = an u(n) y
h2 (n) = an u(n + 3), |a| < 1.]
3.54 Sea x(n) una seal anticausal [es decir, x(n) = 0 para n > 0]. Formule y demuestre un teorema del valor
inicial para seales anticausales.
3.55 La respuesta al escaln de un sistema LTI es
1
s(n) = ( )n2 u(n + 2)
3
(a) Halle la funcin de transferencia H(z) y dibuje la grfica de polos y ceros.
(b) Determine la respuesta al impulso h(n).
(c) Compruebe si el sistema es causal y estable.
3.56 Utilice integracin de contorno para determinar la secuencia x(n), cuya transformada z est dada por
1
1
,
|z| >
1 1
2
1 z
2
1
1
(b) X(z) =
,
|z| <
1 1
2
1 z
2
za
,
|z| > |1/a|
(c) X(z) =
1 az
(a) X(z) =
1
1 z1
4
(d) X(z) =
,
1 1 1 2
1 z z
6
6
|z| >
1
2
X(z) =
z20
(z 12 )(z 2)5 (z + 52 )2 (z + 3)
4
Anlisis en frecuencia
de seales
La transformada de Fourier es una de las diversas herramientas matemticas que resulta til en el anlisis y el
diseo de sistemas LTI. Otra de ellas es la serie de Fourier. Estas representaciones de seales implican, bsicamente, la descomposicin de las seales en funcin de componentes sinusoidales (o exponenciales complejas).
Cuando se emplea una descomposicin de este tipo, se dice que la seal est representada en el dominio de la
frecuencia.
Como vamos a demostrar, la mayor parte de las seales de inters prctico se pueden descomponer en una
suma de componentes sinusoidales. Cuando se trabaja con seales peridicas, tal descomposicin se conoce
como serie de Fourier. En el caso de seales de energa finita, la descomposicin se conoce como transformada
de Fourier. Estas descomposiciones son extremadamente importantes en el anlisis de los sistemas LTI, porque
la respuesta de un sistema LTI a una seal de entrada sinusoidal es una sinusoide de la misma frecuencia pero
de diferente amplitud y fase. Adems, la propiedad de linealidad del sistema LTI implica que una suma lineal
de componentes sinusoidales en la entrada produce una suma lineal similar de componentes sinusoidales en la
salida, la cual slo difiere en las amplitudes y fases de las sinusoides de entrada. Este comportamiento caracterstico de los sistemas LTI hace que la descomposicin sinusoidal de seales sea muy importante. Aunque son
posibles muchas otras descomposiciones, slo las seales sinusoidales (o exponenciales complejas) presentan
esta deseable propiedad al pasar a travs de un sistema LTI.
Vamos a iniciar nuestro anlisis de seales en el dominio de la frecuencia empleando la representacin
de seales peridicas y aperidicas continuas en el tiempo mediante las series de Fourier y la transformada de
Fourier, respectivamente. A continuacin, veremos un tratamiento paralelo de las seales peridicas y aperidicas
discretas en el tiempo. Las propiedades de la transformada de Fourier se describen en detalle y tambin se
presentan una serie de dualidades tiempofrecuencia.
Prisma de vidrio
Violeta
Azul
Verde
Amarillo
Naranja
Rojo
Haz de
luz solar
Espectro
(a)
Prisma de vidrio
Luz blanca
Haz de
luz solar
(b)
Figura 4.1.1. (a) Anlisis y (b) sntesis de la luz blanca (luz solar) utilizando prismas de vidrio.
fenmeno, Newton coloc otro prisma invertido respecto del primero y demostr que los colores volvan a
mezclarse para formar la luz blanca, como se muestra en la Figura 4.1.1(b). Newton demostr que si se coloca
una ranura entre los dos prismas que impida que uno o ms colores incidan sobre el segundo prisma, la luz que
se obtiene ya no es luz blanca. Por tanto, la luz que atraviesa el primer prisma simplemente se descompone en
sus colores componentes sin sufrir ningn otro cambio. Sin embargo, si se mezclan de nuevo todos esos colores
se obtiene la luz blanca original.
Ms tarde, Joseph Fraunhofer (17871826), haciendo medidas de la luz emitida por el sol y las estrellas,
descubri que el espectro de la luz observada constaba de lneas de colores distintos. Unos pocos aos despus (a
mediados del siglo Xviii), Gustav Kirchhoff y Robert Bunsen descubrieron que cada elemento qumico, cuando
se calentaba hasta la incandescencia, radiaba su propio color de luz. En consecuencia, cada elemento qumico
puede identificarse mediante sus propias lneas espectrales.
Gracias a los conocimientos de la Fsica, sabemos que cada color se corresponde con una frecuencia
especfica del espectro visible. Por tanto, el anlisis de la luz de acuerdo con los colores es realmente una forma
de anlisis en frecuencia.
El anlisis de las frecuencias de una seal implica la descomposicin de la seal en sus componentes de
frecuencia (sinusoidales). En lugar de luz, nuestras formas de onda son bsicamente funciones del tiempo.
Las herramientas de anlisis de Fourier que vamos a desarrollar, las series de Fourier y la transformada de
Fourier, desempean el mismo papel que el prisma en el caso de la luz. La recombinacin de las componentes
sinusoidales para reconstruir la seal original es bsicamente un problema de sntesis de Fourier. El problema
del anlisis de seales es fundamentalmente el mismo para el caso de una forma de onda que para el caso de
la luz procedente de compuestos qumicos calientes. Al igual que en el caso de los componentes qumicos, las
diferentes formas de onda tienen espectros distintos. Luego el espectro proporciona una identidad o una firma
a la seal, en el sentido de que no existe ninguna otra seal que tenga el mismo espectro. Como veremos, este
atributo est relacionado con el tratamiento matemtico de las tcnicas en el dominio de la frecuencia.
Si descomponemos una forma de onda en componentes sinusoidales, de la misma forma que un prisma
separa la luz blanca en diferentes colores, la suma de estas componentes sinusoidales proporciona la forma de
onda original. Por el contrario, si falta cualquiera de estas componentes, el resultado ser una seal diferente.
En nuestro anlisis en el dominio de la frecuencia, desarrollaremos las herramientas matemticas apropiadas
(prismas) para descomponer las seales (luz) en componentes de frecuencia sinusoidales (colores). Adems,
tambin desarrollaremos las herramientas para sintetizar (prismas invertidos) una determinada seal a partir
de sus componentes en frecuencia.
El motivo fundamental de desarrollar estas herramientas para llevar a cabo el anlisis en el dominio de la
frecuencia es proporcionar una representacin matemtica y grfica de las componentes de frecuencia contenidas
en una determinada seal. Como en Fsica, se emplea el trmino espectro para hacer referencia al contenido en
frecuencia de una seal. El proceso que permite obtener el espectro de una seal dada utilizando las herramientas
matemticas bsicas que se describen en este captulo se conoce como anlisis en frecuencia o anlisis espectral.
En contraste, el proceso de determinar el espectro de una seal en la prctica, basndose en medidas reales de
la seal, se denomina estimacin espectral. Esta diferenciacin es muy importante. En un problema prctico,
la seal que se va a analizar no conduce a una descripcin matemtica exacta. Normalmente, la seal contiene
cierta informacin a partir de la cual intentaremos extraer la informacin importante. Si la informacin que
queremos extraer se puede obtener directa o indirectamente del espectro de la seal, podremos realizar una
estimacin espectral sobre la seal que contiene la informacin y luego obtener una estimacin del espectro
de la seal. De hecho, podemos interpretar la estimacin espectral como un tipo de anlisis espectral realizado
sobre las seales obtenidas a partir de orgenes fsicos (como por ejemplo, la voz, una seal de EEG o ECG,
etc.). Los instrumentos o programas software utilizados para obtener estimaciones espectrales de tales seales
son los analizadores de espectros.
Aqu vamos a ocuparnos del anlisis espectral y en el Captulo 14 abordaremos el tema de la estimacin
del espectro de potencia.
ck e j2 kF0t
(4.1.1)
k=
es una seal peridica de perodo fundamental Tp = 1/F0. Por tanto, podemos pensar en las seales exponenciales
{e j2 kF0t ,
k = 0, 1, 2, . . .}
como en los bloques de construccin bsicos que nos permiten construir seales peridicas de diversos tipos
mediante la correcta eleccin de la frecuencia fundamental y los coeficientes {ck }. F0 determina el perodo
fundamental de x(t) y los coeficientes {ck } especifican la forma de la seal.
Suponga que tenemos una determinada seal peridica x(t) de perodo Tp . Podemos representar la seal
peridica mediante la serie (4.1.1), conocida como serie de Fourier, donde la frecuencia fundamental F0 se
selecciona para ser el recproco del perodo dado Tp . Para determinar la expresin de los coeficientes {ck }, en
primer lugar multiplicamos ambos lados de la Ecuacin (4.1.1) por la exponencial compleja
e j2 F0lt
donde l es un entero y luego integramos ambos lados de la ecuacin resultante en un nico perodo, es decir,
entre 0 y Tp , o, de forma ms general, entre t0 y t0 + Tp , donde t0 es un valor inicial arbitrario y matemticamente
conveniente. As, tenemos
t0 +Tp
t0
t0 +Tp
x(t)e j2 lF0t dt =
t0
e j2 lF0t
ck e+ j2 kF0t
dt
(4.1.2)
k=
Para evaluar la integral del lado derecho de la Ecuacin (4.1.2), intercambiamos el orden del sumatorio y la
integral y combinamos las dos exponenciales. Por tanto,
k=
ck
t0 +Tp
t0
j2 F0 (kl)t
dt =
ck
k=
e j2 F0 (kl)t
j2 F0 (k l)
t0 +Tp
(4.1.3)
t0
Para k = l, el lado derecho de (4.1.3) evaluado para los lmites inferior y superior, t0 y t0 + Tp, respectivamente,
da cero. Por otro lado, si k = l, tenemos
t0 +Tp
t0 +Tp
dt = t
= Tp
t0
t0
t0 +Tp
t0
x(t)e j2 lF0t dt = cl Tp
y as, la expresin para los coeficientes de Fourier en funcin de la seal peridica dada son
cl =
1
Tp
t0 +Tp
t0
x(t)e j2 lF0t dt
Puesto que t0 es un valor arbitrario, esta integral puede evaluarse para cualquier intervalo de longitud Tp , es
decir, para cualquier intervalo igual al perodo de la seal x(t). En consecuencia, la integral para los coeficientes
de la serie Fourier se escribir como sigue
cl =
1
Tp
Tp
x(t)e j2 lF0t dt
(4.1.4)
Una cuestin importante que surge en la representacin de la seal peridica x(t) mediante la serie de Fourier
es si la serie converge o no a x(t) para todo valor de t, es decir, si la seal x(t) y su representacin como serie
de Fourier
ck e j2 kF0t
(4.1.5)
k=
son iguales para cualquier valor de t. Las condiciones de Dirichlet garantizan que la serie dada por (4.1.5) ser
igual a x(t), excepto en los valores de t para los que x(t) es discontinua. En dichos valores de t, (4.1.5) converge
al valor medio de la discontinuidad. Las condiciones de Dirichlet son:
1. La seal x(t) tiene un nmero finito de discontinuidades en cualquier perodo.
2. La seal x(t) contiene un nmero finito de mximos y mnimos en cualquier perodo.
3. La seal x(t) es absolutamente integrable en cualquier perodo, es decir,
Tp
|x(t)| dt <
(4.1.6)
|x(t)|2 dt <
(4.1.7)
ck e j2 kF0t
k=
es cero, aunque x(t) y su serie de Fourier no sean iguales para todos los valores de t. Observe que la expresin
(4.1.6) implica la expresin (4.1.7), pero no al contrario. Tambin, tanto (4.1.7) como las condiciones de Dirichlet
son suficientes pero no necesarias (es decir, existen seales que tienen representacin en serie de Fourier pero
no satisfacen estas condiciones).
En resumen, si x(t) es peridica y satisface las condiciones de Dirichlet, se puede representar mediante una
serie de Fourier como la dada en (4.1.1), donde los coeficientes estn especificados por (4.1.4). Estas relaciones
se resumen en la siguiente tabla.
Anlisis en frecuencia de seales peridicas continuas en el tiempo
x(t) =
Ecuacin de sntesis
ck e j2 kF0t
(4.1.8)
x(t)e j2 kF0t dt
(4.1.9)
k=
ck =
Ecuacin de anlisis
1
Tp
Tp
En general, los coeficientes de Fourier ck son valores complejos. Adems, es fcil demostrar que si la seal
peridica es real, ck y ck son complejos conjugados. Por tanto, si
ck = |ck |e jk
entonces
ck = |ck | jk
(4.1.10)
k=1
(4.1.11)
k=1
donde
Las expresiones (4.1.8), (4.1.10) y (4.1.11) son tres formas equivalentes de la representacin en serie de Fourier
de una seal peridica real.
4.1.2
Una seal peridica tiene energa infinita y una potencia media finita, y se define con la expresin
1
Px =
Tp
Tp
|x(t)|2 dt
(4.1.12)
1
Tp
Tp
k=
x(t)
ck
k=
1
Tp
Tp
ck e j2 kF0t dt
x(t)e j2 kF0t dt
(4.1.13)
|ck |2
k=
1
Tp
Tp
|x(t)|2 dt =
|ck |2
(4.1.14)
k=
k = ck
En lugar de dibujar la grfica del espectro de densidad de potencia, podemos representar el mdulo de la tensin
{|ck |} y la fase {k } como funciones de la frecuencia. Evidentemente, la densidad espectral de potencia de la
1 Esta
funcin tambin se conoce como densidad espectral de potencia o, simplemente, espectro de potencia.
|ck|2
Frecuencia, F
Figura 4.1.2. Espectro de densidad de potencia de una seal peridica continua en el tiempo.
seal peridica simplemente es el cuadrado del mdulo de la tensin. La informacin de fase se pierde totalmente
(o no aparece) en la densidad espectral de potencia.
Si la seal peridica es real, los coeficientes de la serie de Fourier {ck } satisfacen la condicin
ck = ck
En consecuencia, |ck |2 = |ck |2 . Ya que el espectro de potencia es una funcin simtrica de la frecuencia, esta
condicin tambin implica que el mdulo de la tensin es simtrico (funcin par) respecto del origen y la fase
es una funcin impar. Gracias a la simetra, basta entonces con especificar el espectro de la seal real peridica
slo para las frecuencias positivas. Adems, la potencia media total se puede expresar como
Px = c20 + 2 |ck |2
= a20 +
(4.1.15)
k=1
1
(a2k + b2k )
2 k=1
(4.1.16)
que se deduce directamente de las relaciones dadas en la Seccin 4.1.1 para los coeficientes {ak }, {bk } y {ck }
empleados en las expresiones de la serie de Fourier.
EJEMPLO 4.1.1
Determine la serie de Fourier y el espectro de densidad de potencia del tren de impulsos rectangulares que se muestra en la
Figura 4.1.3.
Solucin. La seal es peridica de perodo fundamental Tp y, evidentemente, satisface las condiciones de Dirichlet. Por
tanto, podemos representar la seal segn la serie de Fourier dada por (4.1.8) con los coeficientes de Fourier especificados
por (4.1.9).
x(t)
A
Tp
Tp
0
2
0
0
1
Tp
Tp /2
Tp /2
x(t) dt =
1
Tp
/2
/2
A dt =
A
Tp
(4.1.17)
El trmino c0 representa el valor medio (componente continua) de la seal x(t). Para k = 0, tenemos
ck =
1
Tp
/2
/2
Ae j2 kF0 t dt =
/2
A e j2 F0 kt
Tp j2 kF0 /2
A e j kF0 e j kF0
F0 kTp
j2
A sen kF0
,
Tp kF0
(4.1.18)
k = 1, 2, . . .
Es interesante destacar que el lado derecho de la Ecuacin (4.1.18) tiene la forma (sen )/ , donde = kF0 . En
este caso, toma valores discretos, ya que F0 y son fijos y el ndice k vara. Sin embargo, si dibujamos (sen )/ con
como un parmetro continuo en el rango < < , obtenemos la grfica mostrada en la Figura 4.1.4. Observe que esta
funcin decrece hasta cero cuando , tiene un valor mximo igual a la unidad en = 0 y es cero en mltiplos de
(es decir, en = m , m = 1, 2, . . .). Es evidente que los coeficientes de Fourier dados por (4.1.18) son los valores de las
muestras de la funcin (sen )/ para = kF0 , a cuya amplitud se ha aplicado el factor de escala A /Tp .
Puesto que la funcin peridica x(t) es par, los coeficientes de Fourier ck son reales. Por tanto, el espectro de fase es
cero cuando ck es positivo o cuando ck es negativo. En lugar de dibujar los espectros de mdulo y de fase por separado,
podemos simplemente dibujar {ck } en una nica grfica, indicando los valores positivos y negativos de ck . En la prctica,
esto se suele hacer cuando los coeficientes de Fourier {ck } son reales.
La Figura 4.1.5 ilustra los coeficientes de Fourier del tren de impulsos rectangulares cuando Tp es fijo y la anchura del
impulso puede variar. En este caso, Tp = 0.25 segundos, por lo que F0 = 1/Tp = 4 Hz y = 0.05Tp , = 0.1Tp y = 0.2Tp .
Observe que el efecto de disminuir manteniendo fijo Tp es dispersar la potencia de la seal en el rango de frecuencias. El
espaciado entre lneas espectrales adyacentes es F0 = 4 Hz, independientemente del valor de la anchura del impulso .
Por otro lado, tambin es interesante fijar y variar el perodo Tp cuando Tp > . La Figura 4.1.6 ilustra esta condicin
cuando Tp = 5 , Tp = 10 y Tp = 20 . En este caso, el espaciado entre lneas espectrales adyacentes disminuye cuando Tp
aumenta. En el lmite, cuando Tp , los coeficientes de Fourier ck tienden a cero debido al factor de Tp en el denominador
de la Ecuacin (4.1.18). Este comportamiento es coherente con el hecho de que cuando Tp y permanece fija, la seal
resultante ya no es una seal de potencia. En lugar de ello, se ha convertido en una seal de energa y su potencia media es
cero. Los espectros de las seales de energa finita se describen en la siguiente seccin.
Observe tambin que si k = 0 y sen( kF0 ) = 0, entonces ck = 0. Los armnicos con potencia cero se producen a
frecuencias kF0 , tales que (kF0 ) = m , m = 1, 2, . . . , o en kF0 = m/ . Por ejemplo, si F0 = 4 Hz y = 0.2Tp , se
obtiene que las componentes espectrales en 20 Hz, 40 Hz, . . . tienen potencia cero. Estas frecuencias se corresponden
con los coeficientes de Fourier ck , k = 5, 10, 15, . . . . Por el contrario, si = 0.1Tp , las componentes espectrales con
potencia cero son k = 10, 20, 30, . . . .
ck
F
ck
F
ck
Figura 4.1.5. Coeficientes de Fourier del tren de impulsos rectangulares cuando Tp es fijo y la anchura del
impulso vara.
El espectro de densidad de potencia para el tren de impulsos rectangulares es
2
A
,
k=0
T
2
|ck | =
p 2
2
A
sen kF0
, k = 1, 2, . . .
Tp
kF0
4.1.3
(4.1.19)
En la Seccin 4.1.1 hemos desarrollado la serie de Fourier para representar una seal peridica como una
combinacin lineal de exponenciales armnicamente relacionadas. Como consecuencia de la periodicidad,
decimos que estas seales poseen espectros de lneas equidistantes. El espaciado de las lneas es igual a la
frecuencia fundamental, que a su vez es la inversa del perodo fundamental de la seal. Podemos decir que el
perodo fundamental es el nmero de lneas por unidad de frecuencia (densidad de lneas), como se ilustra en la
Figura 4.1.6.
Teniendo en cuenta esta representacin, es evidente que si permitimos que el perodo aumente sin lmite, el
espaciado entre las lneas tiende a cero. En el lmite, cuando el perodo se hace infinito, la seal se hace aperidica
y su espectro continuo. Este argumento sugiere que el espectro de una seal aperidica ser la envolvente del
espectro de lneas de la correspondiente seal peridica obtenida por la repeticin de la seal aperidica con un
cierto perodo Tp .
Consideremos una seal aperidica x(t) con una duracin finita como la mostrada en la Figura 4.1.7(a). A
partir de esta seal aperidica, podemos crear una seal peridica x p (t) con perodo Tp , como se muestra en la
Figura 4.1.7(b). Evidentemente, x p (t) = x(t) en el lmite, cuando Tp , es decir,
x(t) = lm x p (t)
Tp
Esta interpretacin implica que ser posible obtener el espectro de x(t) a partir del espectro de x p (t), simplemente
calculando el lmite cuando Tp .
ck
0
ck
0
ck
Figura 4.1.6. Coeficientes de Fourier de un tren de impulsos rectangulares con anchura de pulso fija y perodo
variable Tp .
x(t)
Tp/2
Tp/2
(a)
x(t)
Tp
Tp/2
Tp/2
Tp/2
(b)
Figura 4.1.7. a) Seal aperidica x(t) y (b) seal peridica x p (t) construida mediante la repeticin de x(t) con
un perodo Tp .
Comenzamos con la representacin en serie de Fourier de x p (t),
x p (t) =
ck e j2 kF0t ,
F0 =
k=
donde
ck =
1
Tp
Tp /2
Tp /2
1
Tp
x p (t)e j2 kF0t dt
(4.1.20)
(4.1.21)
Dado que x p (t) = x(t) para Tp /2 t Tp /2, (4.1.21) puede expresarse como
1
ck =
Tp
Tp /2
Tp /2
x(t)e j2 kF0t dt
(4.1.22)
Tambin se cumple que x(t) = 0 para |t| > Tp /2. Por tanto, los lmites de la integral de (4.1.22) se pueden
reemplazar por e . Luego,
1
ck =
x(t)e j2 kF0t dt
(4.1.23)
Tp
Ahora definimos una funcin X(F), denominada transformada de Fourier de x(t), como
X(F) =
x(t)e j2 Ft dt
(4.1.24)
X(F) es una funcin de la variable continua F; no depende de Tp ni de F0 . Sin embargo, si comparamos (4.1.23)
y (4.1.24), es evidente que los coeficientes de Fourier ck se pueden expresar en funcin de X(F) como
ck =
1
X(kF0 )
Tp
o, lo que es equivalente,
Tp ck = X(kF0 ) = X
k
Tp
(4.1.25)
Por tanto, los coeficientes de Fourier son muestras de X(F) tomadas en mltiplos de F0 y a las que se ha aplicado
un factor de escala F0 (que es equivalente a multiplicar por 1/Tp ). Sustituyendo el valor de ck dado por (4.1.25)
en (4.1.20), tenemos
1
k
x p (t) =
e j2 kF0t
X
(4.1.26)
Tp k=
Tp
Ahora tomamos el lmite de (4.1.26) cuando Tp tiende a infinito. En primer lugar, definimos F = 1/Tp . Haciendo
esta sustitucin, (4.1.26) queda
x p (t) =
X(kF)e j2 k Ft F
(4.1.27)
k=
Est claro que en el lmite cuando Tp tiende a infinito, x p (t) se reduce a x(t). Adems, F se convierte en el
diferencial dF y k F se convierte en la variable frecuencia continua F. A su vez, el sumatorio de (4.1.27) pasa
a ser una integral de la variable frecuencia F. Por tanto,
lm x p (t) = x(t) = lm
F0
Tp
x(t) =
X(kF)e j2 k Ft F
(4.1.28)
k=
X(F)e j2 Ft dF
Esta integral proporciona x(t) cuando se conoce X(F), y recibe el nombre de transformada inversa de Fourier.
Esto concluye nuestra derivacin heurstica de la pareja de transformadas de Fourier dadas por (4.1.24) y
(4.1.28) para una seal aperidica x(t). Aunque la deducin no es rigurosa matemticamente, nos ha permitido
obtener la relacin de las transformadas de Fourier deseada empleando argumentos relativamente simples
e intuitivos. En resumen, el anlisis en frecuencia de seales aperidicas continuas en el tiempo implica la
siguiente pareja de transformadas de Fourier.
x(t) =
X(F) =
X(F)e j2 Ft dF
(4.1.29)
x(t)e j2 Ft dt
(4.1.30)
Es evidente que la diferencia esencial entre la serie de Fourier y la transformada de Fourier es que el espectro
de esta ltima es continuo y la sntesis de una seal aperidica a partir de su espectro se consigue mediante la
operacin de integracin en lugar de la de suma.
Por ltimo, deseamos indicar que la pareja de transformadas de Fourier dadas por (4.1.29) y (4.1.30) se
pueden expresar en funcin de la variable de frecuencia en radianes = 2 F. Puesto que, dF = d/2 , (4.1.29)
y (4.1.30) se transforman en
1
x(t) =
2
X() =
X()e jt d
x(t)e jt dt
(4.1.31)
(4.1.32)
|x(t)| dt <
(4.1.33)
|x(t)|2 dt <
(4.1.34)
Observe que si una seal x(t) es absolutamente integrable, tambin tendr energa finita. Es decir, si
entonces
Ex =
|x(t)| dt <
|x(t)|2 dt <
(4.1.35)
Sin embargo, el inverso no es cierto. Es decir, una seal puede tener energa finita pero no ser absolutamente
integrable. Por ejemplo, la seal
sen 2 F0t
(4.1.36)
x(t) =
t
es cuadrticamente integrable pero no es absolutamente integrable. Esta seal tiene la transformada de Fourier
1, |F| F0
(4.1.37)
X(F) =
0, |F| > F0
Puesto que esta seal viola la relacin (4.1.33), es evidente que las condiciones de Dirichlet son suficientes pero
no necesarias para asegurar la existencia de la transformada de Fourier. En cualquier caso, prcticamente todas
las seales con energa finita tienen una transformada de Fourier, por lo que no tenemos que preocuparnos por
seales que rara vez nos encontraremos en la prctica.
|x(t)|2 dt
x(t)x (t) dt
j2 Ft
x(t) dt
X (F)e
dF
X (F) dF
x(t)e j2 Ft dt
|X(F)|2 dF
|x(t)|2 dt =
|X(F)|2 dF
(4.1.38)
sta es la relacin de Parseval para seales aperidicas de energa finita y expresa el principio de conservacin
de la energa en los dominios del tiempo y de la frecuencia.
El espectro X(F) de una seal es, en general, un valor complejo. Por tanto, normalmente se expresa en
forma polar como sigue
X(F) = |X(F)|e j(F)
donde |X(F)| es el mdulo del espectro y (F) es la fase del espectro,
(F) = X(F)
Por otro lado, la magnitud
Sxx (F) = |X(F)|2
(4.1.39)
que es el integrando de (4.1.38), representa la distribucin de energa de la seal como una funcin de la
frecuencia. As, Sxx (F) se conoce como espectro de densidad de energa de x(t). La integral de S xx (F) para
todas las frecuencias proporciona la energa total de la seal. Visto de otro modo, la energa de la seal x(t) en
la banda de frecuencias F1 F F1 + F es
F1 +F
F1
Sxx (F) dF 0
(4.1.40)
X(F) = X(F)
(4.1.41)
(4.1.42)
En otras palabras, el espectro de densidad de energa de una seal real tiene simetra par.
EJEMPLO 4.1.2
Determine la transformada de Fourier y el espectro de densidad de energa de un impulso rectangular definido como
x(t) =
A,
|t| /2
0,
|t| > /2
(4.1.43)
/2
/2
Ae j2 Ft dt = A
sen F
F
(4.1.44)
Observe que X(F) es real y por tanto puede representarse grficamente utilizando slo una grfica, como se muestra en la
Figura 4.1.8(b). Obviamente, X(F) tiene la forma de la funcin (sen )/ mostrada en la Figura 4.1.4. Luego el espectro
de un impulso rectangular es la envolvente del espectro de lneas (coeficientes de Fourier) de la seal peridica obtenida
mediante la repeticin peridica del impulso con un perodo Tp , como se ve en la Figura 4.1.3. En otras palabras, los
coeficientes de Fourier ck de la seal peridica correspondiente x p (t) son simplemente muestras de X(F) en las frecuencias
kF0 = k/Tp . Especficamente,
1
1
k
(4.1.45)
ck = X(kF0 ) = X
Tp
Tp
Tp
A partir de (4.1.44), podemos ver que los cruces por cero de X(F) se producen en mltiplos de 1/ . Adems, la anchura
del lbulo principal, que contiene la mayor parte de la energa de la seal, es igual a 2/ . Cuando la duracin del impulso
disminuye (aumenta), el lbulo principal se hace ms ancho (ms estrecho) y ms energa se desplaza hacia las frecuencias
ms altas (ms bajas), como se ilustra en la Figura 4.1.9. Por tanto, cuando el impulso se expande (comprime) en el tiempo,
su transformada se comprime (expande) en frecuencia. Este comportamiento, entre la funcin del tiempo y su espectro, es
una forma del principio de incertidumbre que aparece de diferentes maneras en distintas reas de la Ciencia y la Ingeniera.
Por ltimo, el espectro de densidad de energa del impulso rectangular es
Sxx (F) = (A )2
sen F
F
2
(4.1.46)
x(t)
A
0
2
2
(a)
X(F)
1
(b)
x(t)
A
0
2
x(t)
X(F)
0
2
X(F)
x(t)
A
0
2
0
1 1
Figura 4.1.9. Transformada de Fourier de un impulso rectangular para diversos valores de la anchura.
k = 0, 1, . . . , N 1
y se expresa como
x(n) =
N1
ck e j2 kn/N
(4.2.1)
k=0
(4.2.2)
Observe la similitud entre la Ecuacin (4.2.2) y su contrapartida para seales continuas en el tiempo dada por
(4.1.3). La demostracin de (4.2.2) se obtiene de forma inmediata aplicando la siguiente frmula de las series
geomtricas
a=1
N,
N1
(4.2.3)
an = 1 aN , a = 1
n=0
1a
La expresin para los coeficientes de Fourier ck se puede obtener multiplicando ambos lados de la Ecuacin
(4.2.1) por la exponencial e j2 ln/N y sumando el producto desde n = 0 hasta n = N 1. Por tanto,
N1
N1 N1
n=0
n=0 k=0
(4.2.4)
donde hemos hecho uso de (4.2.2). Luego el lado derecho de la Ecuacin (4.2.4) se reduce a Ncl y, por tanto,
cl =
1 N1
x(n)e j2 ln/N ,
N n=0
l = 0, 1, . . . , N 1
(4.2.6)
As, tenemos la expresin deseada para los coeficientes de Fourier en funcin de la seal x(n).
Las relaciones (4.2.1) y (4.2.6) para el anlisis en frecuencia de seales discretas en el tiempo se resumen
a continuacin.
Anlisis en frecuencia de seales peridicas discretas en el tiempo
Ecuacin de sntesis
Ecuacin de anlisis
x(n) =
ck =
1
N
N1
ck e j2 kn/N
(4.2.7)
x(n)e j2 kn/N
(4.2.8)
k=0
N1
n=0
La Ecuacin (4.2.7) suele denominarse serie de Fourier discreta en el tiempo (DTFS, discrete-time Fourier
series). Los coeficientes de Fourier {ck }, k = 0, 1, . . . , N 1 proporcionan la descripcin de x(n) en el dominio de
la frecuencia, en el sentido de que ck representa la amplitud y la fase asociadas con la componente de frecuencia
sk (n) = e j2 kn/N = e jk n
donde k = 2 k/N.
Recuerde de la Seccin 1.3.3 que las funciones sk (n) son peridicas de perodo N. Por tanto, sk (n) =
sk (n + N). Teniendo en cuenta esta periodicidad, se deduce que los coeficientes de Fourier ck , que estn ms all
del rango k = 0, 1, . . . , N 1, tambin satisfacen la condicin de periodicidad. De hecho, a partir de la Ecuacin
(4.2.8), que se cumple para todo valor de k, tenemos
ck+N =
1 N1
1 N1
x(n)e j2 (k+N)n/N =
x(n)e j2 kn/N = ck
N n=0
N n=0
(4.2.9)
Por tanto, los coeficientes de la serie de Fourier {ck } forman una secuencia peridica que se extiende fuera del
rango k = 0, 1, . . . , N 1. De aqu que
ck+N = ck
es decir, {ck } es una secuencia peridica de perodo fundamental N. Luego el espectro de una seal x(n)
peridica de perodo N es una secuencia peridica de perodo N. En consecuencia, cualesquiera N muestras
consecutivas de la seal o de su espectro proporcionan una descripcin completa de la seal en los dominios
del tiempo o de la frecuencia.
Aunque los coeficientes de Fourier forman una secuencia peridica, vamos a fijar nuestra atencin en el
perodo de rango k = 0, 1, . . . , N 1. Esto resulta cmodo, ya que en el dominio de la frecuencia, es suficiente
para cubrir el rango fundamental 0 k = 2 k/N < 2 , para 0 k N 1. Por el contrario, el rango de
frecuencias < k = 2 k/N se corresponde con N/2 < k N/2, que resulta inadecuado cuando N es
impar. Evidentemente, si utilizamos una frecuencia de muestreo Fs , el rango 0 k N 1 se corresponde con
el rango de frecuencias 0 F < Fs .
EJEMPLO 4.2.1
Determine los espectros de las seales
Solucin.
(a) Para 0 = 2 , tenemos f0 = 1/ 2. Dado que f 0 no es un nmero racional, la seal no es peridica. Por tanto, esta
seal no se puede expandir en una serie de Fourier. No obstante, la seal tiene un espectro. Su contenido espectral
1
6
1 5
x(n)e j2 kn/6 ,
6 n=0
k = 0, 1, . . . , 5
2 n 1 j2 n/6 1 j2 n/6
+ e
= e
6
2
2
que ya est en la forma de serie de Fourier exponencial dada por (4.2.7). Comparando los dos trminos exponenciales
de x(n) con (4.2.7), es evidente que c1 = 12 . La segunda exponencial de x(n) se corresponde con el trmino k = 1
de (4.2.7). Sin embargo, este trmino tambin se puede escribir como sigue
e j2 n/6 = e j2 (56)n/6 = e j2 (5n)/6
lo que significa que c1 = c5 . Por tanto, esto es coherente con la Ecuacin (4.2.9) y con la observacin anterior de
que los coeficientes de la serie de Fourier forman una secuencia peridica de perodo N. En consecuencia, podemos
concluir que
c0 = c2 = c3 = c4 = 0
1
1
c1 = , c5 =
2
2
(c) A partir de (4.2.8), tenemos
1 3
x(n)e j2 kn/4 ,
4 n=0
ck =
k = 0, 1, 2, 3
o
1
ck = (1 + e j k/2 ),
4
k = 0, 1, 2, 3
Para k = 0, 1, 2, 3, tenemos
1
c0 = ,
2
1
c1 = (1 j),
4
c2 = 0,
1
c3 = (1 + j)
4
|c1 | =
c1 = ,
4
2
,
4
|c2 | = 0,
c2 = no definido,
2
4
c3 =
4
|c3 | =
La Figura 4.2.1 ilustra el contenido espectral de las seales de los apartados (b) y (c).
ck
1
2
1 0 1 2 3 4 5 6
(a)
|ck|
1
2
3 2 1 0 1 2 3 4
(b)
2 1 0
5
2 3 4
(c)
Figura 4.2.1. Espectros de las seales peridicas del Ejemplo 4.2.1 (b) y (c).
4.2.2
La potencia media de una seal peridica discreta en el tiempo de perodo N se ha definido en (2.1.23) como
Px =
1 N1
|x(n)|2
N n=0
(4.2.10)
Ahora vamos a deducir una expresin para Px en funcin de los coeficientes de Fourier {ck }.
Si empleamos la relacin (4.2.7) en (4.2.10), obtenemos
Px
=
=
1 N1
x(n)x (n)
N n=0
N1
1 N1
j2 kn/N
x(n) ck e
N n=0
k=0
Ahora podemos intercambiar el orden de los dos sumatorios y aplicar la Ecuacin (4.2.8), obteniendo
Px =
N1
k=0
N1
ck
1 N1
x(n)e j2 kn/N
N n=0
(4.2.11)
1 N1
= |ck | =
|x(n)|2
N
n=0
k=0
2
que es la expresin buscada para la potencia media de la seal peridica. En otras palabras, la potencia media de
la seal es la suma de las potencias de las componentes de frecuencia individuales. Interpretamos (4.2.11) como
la relacin de Parseval para seales peridicas discretas en el tiempo. La secuencia |ck |2 para k = 0, 1, . . . , N 1
es la distribucin de potencia expresada como una funcin de la frecuencia y se conoce como espectro de
densidad de potencia de la seal peridica.
Si estuviramos interesados en conocer la energa de la secuencia x(n) en un solo perodo, la expresin
(4.2.11) implica que
EN =
N1
n=0
|x(n)|2 = N
N1
|ck |2
(4.2.12)
k=0
lo que es coherente con los resultados obtenidos anteriormente para las seales peridicas continuas en el
tiempo. Si la seal x(n) es real [es decir, x (n) = x(n)], entonces, procediendo como en la Seccin 4.2.1,
podemos demostrar fcilmente que
ck = ck
(4.2.13)
o, lo que es equivalente,
|ck | = |ck |
ck = ck
(simetra par)
(4.2.14)
(simetra impar)
(4.2.15)
Estas propiedades de simetra para el mdulo y la fase del espectro de una seal peridica, junto con la propiedad
de periodicidad, tienen importantes consecuencias en el rango de frecuencias de las seales discretas en el tiempo.
De hecho, si combinamos la expresin (4.2.9) con (4.2.14) y (4.2.15), obtenemos
|ck | = |cNk |
(4.2.16)
ck = cNk
(4.2.17)
y
Ms especficamente, tenemos que
|c0 | = |cN |,
|c1 | = |cN1 |,
|cN/2 | = |cN/2 |,
|c(N1)/2 | = |c(N+1)/2 |,
c0 = cN = 0
c1 = cN1
cN/2 = 0
c(N1)/2 = c(N+1)/2
si N es par
si N es impar
(4.2.18)
Por tanto, para una seal real, el espectro ck , k = 0, 1, . . . , N/2 para N par, o k = 0, 1, . . . , (N 1)/2 para N
impar, especifica por completo la seal en el dominio de la frecuencia. Evidentemente, esto es coherente con el
hecho de que la frecuencia relativa ms alta que se puede representar mediante una seal discreta en el tiempo
es igual a . De hecho, si 0 k = 2 k/N , entonces 0 k N/2.
Utilizando las propiedades de simetra de los coeficientes de la serie de Fourier de una seal real, la serie
de Fourier dada por (4.2.7) tambin puede expresarse de las siguientes formas alternativas
2
kn + k
x(n) = c0 + 2 |ck | cos
N
k=1
(4.2.19)
L
2
2
= a0 + ak cos kn bk sen kn
N
N
k=1
(4.2.20)
1 N1
1 L1 j2 kn/N
x(n)e j2 kn/N =
,
Ae
N n=0
N n=0
k = 0, 1, . . . , N 1
que es una suma geomtrica. Ahora utilizamos la Ecuacin (4.2.3) para simplificar el sumatorio anterior. As, obtenemos
AL
A
N
(e j2 k/N )n =
ck =
A 1 e j2 kL/N
N n=0
,
N 1 e j2 k/N
k=0
L1
k = 1, 2, . . . , N 1
= e j k(L1)/N
Por tanto,
AL
N
ck =
A j k(L1)/N sen( kL/N)
e
,
N
sen( k/N)
sen( kL/N)
sen( k/N)
k = 0, +N, 2N, . . .
(4.2.21)
en otro caso
x(n)
A
L = 2, N = 10
5
4
3
Nc
| |
2
1
0
1
2
1. 5
0. 5
0
0.5
Frecuencia (Ciclos/intervalo de muestreo)
1.5
1.5
L = 2, N = 40
5
4
3
N|ck
2
1
0
1
2
1.5
0.5
0
0.5
Frecuencia (Ciclos/intervalo de muestreo)
Figura 4.2.3. Grfica del espectro de densidad de potencia dado por la Ecuacin (4.2.22).
La densidad espectral de potencia de esta seal peridica es
2
AL
N
2
|ck | =
2
A
sen kL/N 2
,
N
sen k/N
k = 0, +N, 2N, . . .
(4.2.22)
en otro caso
La transformada de Fourier de una seal de energa finita discreta en el tiempo x(n) se define como
X( ) =
x(n)e j n
(4.2.23)
n=
X( + 2 k) =
x(n)e j( +2 k)n
n=
=
=
x(n)e j n e j2 kn
(4.2.24)
n=
x(n)e j n = X( )
n=
Por tanto, X( ) es peridica de perodo 2 . Pero esta propiedad es slo una consecuencia del hecho de que el
rango de frecuencias de cualquier seal discreta en el tiempo est limitado a ( , ), o (0, 2 ), y de que cualquier
frecuencia externa a este intervalo es equivalente a una frecuencia que se encuentre dentro del intervalo.
La segunda diferencia bsica tambin es consecuencia de la naturaleza discreta en el tiempo de la seal.
Dado que la seal es discreta en el tiempo, la transformada de Fourier de la seal es una suma de trminos en
lugar de una integracin, como en el caso de las seales continuas en el tiempo.
Como X( ) es una funcin peridica de la variable de frecuencia , puede expandirse en serie de Fourier,
siempre y cuando se satisfagan las condiciones de la existencia de la serie de Fourier descritas anteriormente.
De hecho, a partir de la definicin de la transformada de Fourier X( ) de la secuencia x(n), dada por (4.2.23),
observamos que X( ) tiene la forma de una serie de Fourier. Los coeficientes de Fourier de esta expansin en
serie son los valores de la secuencia x(n).
Para demostrar este punto, vamos a evaluar la secuencia x(n) a partir de X( ). En primer lugar, multiplicamos
ambos lados de la Ecuacin (4.2.23) por e j m e integramos en el intervalo ( , ). As, tenemos
X( )e
j m
d =
x(n)e
j n
n=
e j m d
(4.2.25)
La integral del lado derecho de la Ecuacin (4.2.25) puede evaluarse si se puede intercambiar el orden de las
operaciones de suma e integracin. Este intercambio puede hacerse si la serie
XN ( ) =
x(n)e j n
n=N
converge uniformemente a X( ) cuando N . Convergencia uniforme quiere decir que, para cualquier ,
XN ( ) X( ), cuando N . La convergencia de la transformada de Fourier se aborda ms en detalle en
la siguiente seccin. Por el momento, vamos a suponer que la serie converge uniformemente, de manera que
podemos intercambiar el orden de las operaciones de suma e integracin en la Ecuacin (4.2.25). Luego
En consecuencia,
n=
x(n)
e j (mn) d =
2 , m = n
0,
m=
n
e j (mn) d =
2 x(m), m = n
0,
m=
n
(4.2.26)
1
2
X( )e j n d
(4.2.27)
Si comparamos la integral de (4.2.27) con (4.1.9), vemos que es slo la expresin correspondiente a los
coeficientes de la serie de Fourier de una funcin que es peridica de perodo 2 . La nica diferencia entre
(4.1.9) y (4.2.27) es el signo del exponente del integrando, lo cual es una consecuencia de nuestra definicin de
la transformada de Fourier dada por (4.2.23). Por tanto, la transformada de Fourier de la secuencia x(n), definida
por (4.2.23), tiene la forma de una expansin en serie de Fourier.
En resumen, el par de transformadas de Fourier para seales discretas en el tiempo es el siguiente.
Anlisis en frecuencia de seales aperidicas discretas en el tiempo
1
2
x(n) =
X( ) =
X( )e j n d
(4.2.28)
x(n)e j n
(4.2.29)
n=
x(n)e j n
(4.2.30)
n=N
converge uniformemente a X( ), dada por la integral de (4.2.25), cuando N . Por convergencia uniforme
entendemos que, para cada ,
lm {sup |X( ) XN ( )|} = 0
(4.2.31)
N
n=
entonces
|x(n)| <
(4.2.32)
|X( )| = x(n)e j n |x(n)| <
n=
n=
Luego la expresin (4.2.32) define una condicin suficiente para la existencia de la transformada de Fourier
discreta en el tiempo. Observe que sta es la contrapartida discreta en el tiempo de la tercera condicin de
Dirichlet para la transformada de Fourier de las seales continuas en el tiempo. Las dos primeras condiciones
no se aplican a causa de la naturaleza discreta en el tiempo de {x(n)}.
Existen algunas secuencias que no son absolutamente sumables, sino cuadrticamente sumables. Es decir,
tienen energa finita
Ex =
n=
|x(n)|2 <
(4.2.33)
que es una condicin menos restrictiva que la dada por (4.2.32). Nos gustara definir la transformada de Fourier
para secuencias de energa finita, pero para ello tenemos que hacer menos restrictiva la condicin de convergencia
uniforme. Para tales secuencias, podemos imponer la condicin de convergencia cuadrtica media:
lm
|X( ) XN ( )|2 d = 0
(4.2.34)
Por tanto, la energa del error X( ) XN ( ) tiende a cero, pero el error |X( ) XN ( )| no necesariamente
tiende a cero. De esta forma, podemos incluir seales de energa finita en la clase de seales para las que existe
la transformada de Fourier.
Consideremos un ejemplo de seales de energa finita. Suponga que
X( ) =
1, | | c
(4.2.35)
0, c < | |
Recuerde que X( ) es peridica de perodo 2 . Luego la Ecuacin (4.2.35) slo representa un perodo de X( ).
La transformada inversa de X( ) es la secuencia
x(n) =
1
2
1
2
X( )e j n d
c
c
e j n d =
Para n = 0, tenemos
x(0) =
Luego
1
2
c
sen c n
,
n
c d =
n = 0
,
n=0
x(n) =
sen c n
c
, n=
0
c n
(4.2.36)
sen c n
,
n
< n <
(4.2.37)
entendindose que en n = 0, x(n) = c / . Sin embargo, debemos hacer hincapi en que (sen c n)/ n no es
una funcin continua y, por tanto, no se puede utilizar la regla de LHpital para determinar x(0).
x(n)
0
(a)
0
(b)
n=
x(n)e j n =
sen c n j n
e
n
n=
(4.2.38)
no converge uniformemente para todo . Sin embargo, la secuencia {x(n)} tiene energa finita Ex = c / ,
como demostraremos en la Seccin 4.3. Por tanto, la suma de la expresin (4.2.38) converge a X( ), dada en
(4.2.35), en sentido cuadrtico.
Para ilustrar este punto, consideremos la suma finita
XN ( ) =
sen c n j n
e
n
n=N
(4.2.39)
La Figura 4.2.5 muestra la funcin XN ( ) para varios valores de N. Observe que aparece un sobreimpulso
oscilatorio importante en = c , independiente del valor de N. Cuando N aumenta, las oscilaciones se hacen
ms rpidas y el tamao del rizado no vara. Se puede demostrar que cuando N , las oscilaciones convergen
hacia el punto de discontinuidad en = c , pero su amplitud no llega a ser cero. Sin embargo, se satisface la
expresin (4.2.34) y, por tanto, XN ( ) converge a X( ) en sentido cuadrtico.
El comportamiento oscilatorio de la aproximacin XN ( ) a la funcin X( ) en un punto de discontinuidad
de X( ) se conoce como fenmeno de Gibbs. Puede observarse un efecto similar en el truncamiento de la
serie de Fourier de una seal peridica continua en el tiempo, dada por la ecuacin de sintesis (4.1.8). Por
ejemplo, el truncamiento de la serie de Fourier para la seal peridica cuadrada del Ejemplo 4.1.1 alcanza el
mismo comportamiento oscilatorio de la suma finita que aproxima x(t). En el Captulo 10 veremos de nuevo el
fenmeno de Gibbs en el diseo prctico de sistemas FIR discretos en el tiempo.
n=
|x(n)|2
(4.2.40)
Ahora expresamos la energa Ex en funcin de la caracterstica espectral X( ). En primer lugar, tenemos que
1
X ( )e j n d
Ex = x (n)x(n) = x(n)
2
n=
n=
Si intercambiamos el orden de la operacin de integracin y de suma en la ecuacin anterior, obtenemos
1
j n
d
X ( ) x(n)e
Ex =
2
n=
=
1
2
|X( )|2 d
n=
|x(n)|2 =
1
2
|X( )|2 d
(4.2.41)
sta es la relacin de Parseval para seales aperidicas discretas en el tiempo de energa finita.
En general, el espectro X( ) es una funcin compleja de la frecuencia y se puede expresar como
X( ) = |X( )|e j( )
donde
(4.2.42)
( ) = X( )
(4.2.43)
representa la distribucin de energa como una funcin de la frecuencia y se conoce como espectro de densidad
de energa de x(n). Evidentemente, S xx ( ) no contiene informacin acerca de la fase.
Suponga ahora que la seal x(n) es real. En este caso, se puede deducir fcilmente que
X ( ) = X( )
o, lo que es equivalente,
y
(4.2.44)
(simetra par)
(4.2.45)
(simetra impar)
(4.2.46)
(simetra par)
(4.2.47)
A partir de estas propiedades de simetra, concluimos que el rango de frecuencias de las seales reales
discretas en el tiempo puede limitarse a 0 (es decir, la mitad del perodo). De hecho, si conocemos
X( ) en el rango 0 , podremos determinarla para el rango < 0, utilizando las propiedades de
simetra anteriormente mencionadas. Como ya hemos visto, se obtienen resultados similares para las seales
peridicas discretas en el tiempo. Por tanto, la descripcin en el dominio de la frecuencia de una seal real
discreta en el tiempo queda completamente especificada por su espectro en el rango de frecuencias 0 .
Normalmente, trabajaremos en el intervalo fundamental 0 o 0 F Fs /2, expresado en hercios.
Slo dibujaremos ms de un semiperodo cuando lo requiera la aplicacin especfica.
EJEMPLO 4.2.3
Determine y dibuje el espectro de densidad de energa Sxx ( ) de la seal
x(n) = an u(n),
1 < a < 1
Solucin. Ya que |a| < 1, la secuencia x(n) es absolutamente sumable, como puede verificarse aplicando la frmula de la
suma geomtrica,
1
|x(n)| = |a|n = 1 |a| <
n=
n=0
x(n)
a = 0.5
3
2
1
0
10
15
x(n)
20
0
2
a = 0.5
10
15
20
4
3
2
1
0
2
(a)
2
(b)
Figura 4.2.6. (a) Secuencias x(n) = ( 12 )n u(n) y x(n) = ( 12 )n u(n). (b) Espectros de densidad de energa.
Por tanto, existe la transformada de Fourier de x(n) y se obtiene aplicando (4.2.29). Luego,
X( ) =
n=0
n=0
an e j n = (ae j )n
Como |ae j | = |a| < 1, utilizamos de nuevo la frmula de la suma geomtrica para obtener
X( ) =
1
1 ae j
1
(1 ae j )(1 ae j )
1
1 2a cos + a2
EJEMPLO 4.2.4
Determine la transformada de Fourier y el espectro de densidad de energa de la secuencia
A, 0 n L 1
x(n) =
0, en otro caso
(4.2.48)
x(n)
A
L1
n=
|x(n)| =
L1
n=0
Por tanto, x(n) es absolutamente sumable y su transformada de Fourier existe. Adems, fjese en que x(n) es una seal de
energa finita con Ex = |A|2 L.
La transformada de Fourier de esta seal es
X( ) =
L1
Ae j n
n=0
=A
1 e j L
1 e j
= Ae j( /2)(L1)
(4.2.49)
sen( L/2)
sen( /2)
Para = 0, la transformada dada por (4.2.49) es X(0) = AL, lo que se obtiene fcilmente haciendo = 0 en la ecuacin de
definicin de X( ), o aplicando la regla de LHpital a (4.2.49), para resolver la forma indeterminada cuando = 0.
El mdulo y la fase del espectro de x(n) son
=0
|A|L,
|X( )| =
(4.2.50)
sen( L/2)
, en otro caso
|A|
sen( /2)
y
X( ) = A
sen( L/2)
(L 1) +
2
sen( /2)
(4.2.51)
donde sabemos que la fase de una magnitud real es cero si dicha magnitud es positiva y si es negativa.
Las grficas de |X( )| y X( ) se muestran en la Figura 4.2.8 para el caso en que A = 1 y L = 5. El espectro de
densidad de energa es simplemente el cuadrado de la expresin dada en (4.2.50).
Existe una interesante relacin entre la transformada de Fourier del impulso de amplitud constante del
Ejemplo 4.2.4 y la seal peridica rectangular del Ejemplo 4.2.2. Si evaluamos la transformada de Fourier dada
por (4.2.49) en un conjunto de frecuencias igualmente espaciadas (armnicamente relacionadas)
k =
obtenemos
X
2
k,
N
k = 0, 1, . . . , N 1
sen[( /N)kL]
2
k = Ae j( /N)k(L1)
N
sen[( /N)k]
(4.2.52)
()
Figura 4.2.8. Mdulo y fase de la transformada de Fourier del impulso rectangular discreto en el tiempo de la
Figura 4.2.7.
Si comparamos este resultado con la expresin de los coeficientes de la serie de Fourier dada por (4.2.21) para
la onda peridica rectangular, tenemos que
2
X
k = Nck ,
k = 0, 1, . . . , N 1
(4.2.53)
N
Hemos establecido que la transformada de Fourier del impulso rectangular, que es idntica a un solo perodo
del tren de impulsos rectangulares peridico, evaluada en las frecuencias = 2 k/N, k = 0, 1, . . . , N 1, que
son idnticas a las componentes de frecuencia armnicamente relacionadas utilizadas en la representacin en
serie de Fourier de la seal peridica, es simplemente un mtliplo de los coeficientes de Fourier {ck } en las
frecuencias correspondientes.
La relacin dada en la Ecuacin (4.2.53) para la transformada de Fourier del impulso rectangular evaluada
en = 2 k/N, k = 0, 1, . . . , N 1, y los coeficientes de Fourier de la correspondiente seal peridica, no slo
se cumple para estas dos seales, sino que, de hecho, se cumple de manera general. Esta relacin se desarrolla
ms en detalle en el Captulo 7.
n=
x(n)zn ,
(4.2.54)
donde r2 < |z| < r1 es la regin de convergencia de X(z). Expresamos la variable compleja z en forma polar
como
z = re j
(4.2.55)
donde r = |z| y = z. Por tanto, dentro de la regin de convergencia de X(z), podemos sustituir z = re j en
(4.2.54), lo que da
X(z)|z=re j =
[x(n)rn ]e j n
(4.2.56)
n=
A partir de la relacin dada en (4.2.56), vemos que X(z) puede interpretarse como la transformada de
Fourier de la secuencia x(n)rn . El factor de ponderacin rn aumenta con n si r < 1 y disminuye si r > 1.
Alternativamente, si X(z) converge para |z| = 1, entonces
X(z)|z=e j X( ) =
x(n)e j n
(4.2.57)
n=
Por tanto, la transformada de Fourier puede interpretarse como la transformada z de la secuencia evaluada en el
crculo unidad. Si X(z) no converge en la regin |z| = 1 [es decir, si la circunferencia unidad no est contenida
en la regin de convergencia de X(z)], la transformada de Fourier X( ) no existe. La Figura 4.2.9 ilustra la
relacin entre X(z) y X( ) para la secuencia rectangular del Ejemplo 4.2.4, donde A = 1 y L = 10.
Observe que la existencia de la transformada z requiere que la secuencia {x(n)rn } sea absolutamente
sumable para ciertos valores de r, es decir,
n=
|x(n)rn | <
(4.2.58)
Figura 4.2.9. Relaciones entre X(z) y X( ) para la secuencia del Ejemplo 4.2.4, con A = 1 y L = 10.
Por tanto, si (4.2.58) slo converge para los valores r > r0 > 1, la transformada de z existe, pero la transformada
de Fourier no existe. ste es el caso por ejemplo de las secuencias causales de la forma x(n) = an u(n), donde
|a| > 1.
Sin embargo, existen secuencias que no satisfacen el requisito establecido por la expresin (4.2.58); por
ejemplo, la secuencia
sen c n
x(n) =
,
< n <
(4.2.59)
n
Esta secuencia no tiene una transformada z. Puesto que tiene energa finita, su transformada de Fourier converge
en sentido cuadrtico medio a la funcin discontinua X( ), definida como
1, | | < c
(4.2.60)
X( ) =
0, c < | |
En resumen, la existencia de la transformada z requiere que se satisfaga la expresin (4.2.58) para alguna
regin del plano z. Si esta regin contiene la circunferencia unidad, entonces existe la transformada de Fourier
X( ). Sin embargo, la existencia de la transformada de Fourier, que se define para seales de energa finita, no
asegura necesariamente la existencia de la transformada z.
4.2.7 El Cepstro
Considere una secuencia {x(n)} cuya transformada z es X(z). Suponga que {x(n)} es una secuencia estable, tal
que X(z) converge en la circunferencia unidad. El cepstro complejo de la secuencia {x(n)} se define como la
secuencia {cx (n)}, que es la transformada z inversa de Cx (z), donde
Cx (z) = ln X(z)
(4.2.61)
El cepstro complejo existe si Cx (z) converge en la regin anular r1 < |z| < r2 , donde 0 < r1 < 1 y r2 > 1.
Dentro de esta regin de convergencia, Cx (z) puede representarse mediante la serie de Laurent
Cx (z) = ln X(z) =
donde
cx (n) =
1
2 j
C
n=
cx (n)zn
ln X(z)zn1 dz
(4.2.62)
(4.2.63)
C es un contorno cerrado alrededor del origen y contenido dentro de la regin de convergencia. Evidentemente,
si Cx (z) puede representarse como en (4.2.62), la secuencia cepstro complejo {cx (n)} es estable. Adems, si
existe el cepstro complejo, Cx (z) converge en la circunferencia unidad y as tenemos
Cx ( ) = ln X( ) =
n=
cx (n)e j n
(4.2.64)
donde {cx (n)} es la secuencia obtenida a partir de la transformada inversa de Fourier de ln X( ), esto es,
1
cx (n) =
2
ln X( )e j n d
(4.2.65)
(4.2.66)
entonces
ln X( ) = ln |X( )| + j ( )
(4.2.67)
1
2
(4.2.68)
Podemos separar la transformada inversa de Fourier dada por (4.2.68) en las transformadas inversas de Fourier
de ln |X( )| y ( ):
1
ln |X( )|e j n d
2
1
c (n) =
( )e j n d
2
cm (n) =
(4.2.69)
(4.2.70)
En algunas aplicaciones, como por ejemplo el procesamiento de voz, slo se calcula la componente cm (n). En
dicho caso, la fase de X( ) se ignora. Por tanto, la secuencia {x(n)} no se puede recuperar a partir de {cm (n)}.
Es decir, el proceso de transformacin de {x(n)} en {cm (n)} no se puede invertir.
En el procesamiento de seales de voz, el cepstro (real) se emplea para separar y, por tanto, para estimar el
contenido espectral de la seal de voz a partir de la frecuencia fundamental del orador. En la prctica, el cepstro
complejo se utiliza para separar seales que se han convolucionado. El proceso de separacin de dos seales
convolucionadas se denomina deconvolucin y el uso del cepstro complejo para llevar a cabo este proceso de
separacin se denomina deconvolucin homomrfica. Este tema se aborda en la Seccin 5.5.4.
4.2.8
Como se ha demostrado en la Seccin 4.2.6, la transformada de Fourier de una secuencia x(n) se puede determinar
evaluando su transformada z X(z) en la circunferencia unidad, siempre que dicha circunferencia est dentro de
la regin de convergencia de X(z). Sin embargo, la transformada de Fourier no existe.
Existen algunas secuencias aperidicas que no son ni absolutamente sumables ni cuadrticamente sumables.
Por tanto, sus transformadas de Fourier no existen. Una secuencia de este tipo es el escaln unidad, que tiene la
transformada z
1
X(z) =
1 z1
Otra secuencia as es la seal sinusoidal causal x(n) = (cos 0 n)u(n). Esta secuencia tiene la transformada z
X(z) =
1 z1 cos 0
1 2z1 cos 0 + z2
El siguiente ejemplo ilustra la extensin de la transformada de Fourier para las tres secuencias.
EJEMPLO 4.2.5
Determine la transformada de Fourier de las seales siguientes:
(a) x1 (n) = u(n)
(b) x2 (n) = (1)n u(n)
(c) x3 (n) = (cos 0 n)u(n)
evaluando su transformada z en la circunferencia unidad.
Solucin.
(a) De la Tabla 3.3, obtenemos
X1 (z) =
1
z
,
=
z1
1 z1
X1 (z) tiene un polo, p1 = 1, sobre la circunferencia unidad, pero converge para |z| > 1.
Si evaluamos X1 (z) sobre la circunferencia unidad, excepto en z = 1, obtenemos
X1 ( ) =
e j /2
1
=
e j( /2) ,
2 j sen( /2)
2 sen( /2)
= 2 k,
k = 0, 1, . . .
1
z
,
=
z+1
1 + z1
= 2 k + ,
,
2
X2 ( ) =
+ ,
2
k = 0, 1, . . .
0
2
if cos < 0
2
si cos
Observe que debido a la presencia del polo en a = 1 (es decir, en la frecuencia = ), el mdulo de la transformada
de Fourier se hace infinito. Por tanto, |X( )| cuando . Observe que (1)n u(n) = (cos n)u(n), que es la
seal de oscilacin ms rpida posible discreta en el tiempo.
(c) A partir de la exposicin anterior, tenemos que X3 ( ) es infinita en la frecuencia = 0 . Utilizando la Tabla 3.3,
tenemos que
1 z1 cos 0
z
x3 (n) = (cos 0 n)u(n) X3 (z) =
,
ROC: |z| > 1
1 2z1 cos 0 + z2
La transformda de Fourier es
X3 ( ) =
1 e j cos 0
,
(1 e j( 0 ) )(1 e j( +0 ) )
= 0 + 2 k,
k = 0, 1, . . .
|1 e j cos 0 |
,
|1 e j( 0 )||1 e j( +0 )|
= 0 + 2 k,
k = 0, 1, . . .
Ahora, si = 0 u = 0 , |X3 ( )| se hace infinito. Para las restantes frecuencias, la transformada de Fourier est
bien condicionada.
4.2.9
Del mismo modo que hemos clasificado las seales segn sus caractersticas en el dominio del tiempo, tambin
es deseable clasificarlas de acuerdo con sus caractersticas en el dominio de la frecuencia. Es habitual clasificar
las seales de acuerdo con conceptos amplios atendiendo a su contenido en frecuencia.
En particular, si una seal de potencia (o una seal de energa) tiene su espectro de densidad de potencia
(o su espectro de densidad de energa) concentrado alrededor de la frecuencia cero, tal seal se dice que es una
seal de baja frecuencia. La Figura 4.2.10(a) ilustra las caractersticas espectrales de una seal de este tipo.
Por el contrario, si el espectro de densidad de potencia (o el espectro de densidad de energa) de la seal est
concentrado en las altas frecuencias, se dice que la seal es una seal de alta frecuencia. El espectro de dicha
seal se ilustra en la Figura 4.2.10(b). Una seal que tiene un espectro de densidad de potencia (o un espectro
de densidad de energa) concentrado en algn punto dentro de un amplio rango de frecuencias entre las bajas
y las altas frecuencias se dice que es una seal de frecuencia media o seal paso banda. La Figura 4.2.10(c)
ilustra el espectro de este tipo de seal.
Adems de esta clasificacin de las seales en el dominio de la frecuencia relativamente amplia, a menudo
es deseable expresar cuantitativamente el rango de las frecuencias en el que se concentra la densidad espectral
de potencia o de energa. Esta medida cuantitativa se conoce como ancho de banda de la seal. Por ejemplo,
suponga que una seal continua en el tiempo tiene el 95 % de su espectro de densidad de potencia (o de energa)
concentrado en el rango de frecuencias F1 F F2 . Entonces el 95 % del ancho de banda de la seal es F2 F1 .
Del mismo modo, podemos definir el 75 %, el 90 % o el 99 % del ancho de banda de la seal.
En el caso de una seal paso banda, se emplea el trmino banda estrecha para describir la seal si su ancho
de banda F2 F1 es mucho ms pequeo (por ejemplo, en un factor de 10 o ms) que la frecuencia media
(F2 + F1)/2. En caso contrario, se dice que la seal es de banda ancha .
Decimos que una seal es de banda limitada si su espectro es nulo fuera del rango de frecuencias |F| B.
Por ejemplo, una seal de energa finita continua en el tiempo x(t) es de banda limitada si su transformada de
Fourier cumple que X(F) = 0 para |F| > B. Una seal de energa finita discreta en el tiempo x(n) se dice que
es de banda limitada (peridicamente) si
|X( )| = 0,
Xa(F)
0
(a)
Xa(F)
0
(b)
Xa(F)
0
(c)
Figura 4.2.10. Seales de (a) baja frecuencia, (b) alta frecuencia y (c) media frecuencia.
Del mismo modo, una seal peridica continua en el tiempo x p (t) es de banda limitada peridicamente si sus
coeficientes de Fourier cumplen que ck = 0 para |k| > M, donde M es un entero positivo. Una seal peridica
discreta en el tiempo de perodo fundamental N es de banda limitada peridicamente si sus coeficientes de
Fourier cumplen que ck = 0 para k0 < |k| < N. La Figura 4.2.11 ilustra los cuatro tipos de seales de banda
limitada.
Utilizando la dualidad entre el dominio de la frecuencia y el dominio del tiempo, podemos proporcionar
medios similares para caracterizar las seales en el dominio del tiempo. En particular, diremos que una seal
x(t) est limitada en el tiempo si
x(t) = 0,
|t| >
Si la seal es peridica de perodo Tp , ser limitada en el tiempo peridicamente si
x p (t) = 0,
|n| > N
Continuas
en el tiempo
Seales aperidicas
Seales peridicas
X(F)
ck
MF0
MF0
kF0
Discretas
en el tiempo
ck
0
N
x(n) = 0,
Podemos establecer, aunque no lo vamos a demostrar, que ninguna seal puede ser limitada en el tiempo
y de banda limitada de forma simultnea. Adems, existe una relacin recproca entre la duracin temporal
y la duracin en frecuencia de una seal. Si tenemos un impulso de corta duracin en el dominio del tiempo,
su espectro tiene una anchura que es inversamente proporcional a la duracin del impulso en el dominio del
tiempo. Cuanto ms estrecho es el impulso en el dominio del tiempo, mayor es el ancho de banda de la seal.
En consecuencia, el producto de la duracin temporal por el ancho de banda de una seal no puede hacerse
arbitrariamente pequeo. Una seal de corta duracin tiene un ancho de banda grande y una seal con un ancho
de banda pequeo tiene una duracin larga. Por tanto, para cualquier seal, el producto tiempoancho de banda
es fijo y no se puede hacer arbitrariamente pequeo.
Por ltimo, observe que hemos abordado mtodos para realizar el anlisis en frecuencia de seales peridicas
y aperidicas con energa finita. Sin embargo, existe una familia de seales aperidicas deterministas con potencia
finita, que se forman por la superposicin lineal de exponenciales complejas con frecuencias relacionadas no
armnicamente, es decir,
x(n) =
Ak e jk n
k=1
donde 1 , 2 , . . . , M no estn relacionadas armnicamente. Estas seales tienen espectros discretos pero las
distancias entre las lneas no estn armnicamente relacionadas. A veces, las seales con espectros discretos no
armnicos se denominan seales quasi-peridicas.
4.2.10
Las herramientas para el anlisis en frecuencia que hemos desarrollado en este captulo normalmente se aplican
a una amplia variedad de seales que pueden encontrarse en la prctica (como por ejemplo, seales ssmicas,
biolgicas y electromagnticas). En general, el anlisis en frecuencia se realiza con el fin de extraer informacin
de la seal observada. Por ejemplo, en el caso de seales biolgicas, como una seal de ECG, las herramientas
analticas se emplean para extraer informacin relevante para propsitos de diagnstico. En el caso de las
seales ssmicas, podemos estar interesados en detectar la presencia de una explosin nuclear o en determinar
las caractersticas y la ubicacin de un terremoto. Una seal electromagntica, como por ejemplo una seal de
radar reflejada desde un avin, contiene informacin sobre la posicin del avin y su velocidad. Estos parmetros
se pueden estimar observando la seal de radar recibida.
Al procesar cualquier seal con el fin de medir parmetros o extraer otro tipo de informacin, es preciso
conocer de forma aproximada el rango de frecuencias contenidas en la seal. Como referencia, las Tablas 4.1,
4.2 y 4.3 proporcionan lmites aproximados en el dominio de la frecuencia para seales biolgicas, ssmicas y
electromagnticas.
Tipo de seal
Electroretinogramaa
020
Electronistagmogramab
020
040
0100
0100
Neumogramac
Electrocardiograma (ECG)
Electroencefalograma (EEG)
Electromiogramad
Esfigmomanogramae
Voz
10200
0200
1004000
a Registro
b Registro
c Registro
d Registro
e Registro
Tipo de seal
Ruido del viento
Seales de exploracin ssmica
Seales de terremotos y explosiones nucleares
Ruido ssmico
Tipo de seal
Radiodifusin
104 102
3 1043 106
102 102
3 1063 1010
1102
3 1083 1010
Infrarrojos
103 106
3 10113 1014
Luz visible
107 108
109 1010
3 10153 1016
3 10173 1018
Ultravioleta
Rayos gamma y rayos X
Seales peridicas
Serie de Fourier
Seales aperidicas
Transformadas de Fourier
1
Tp
Tp
Continua y aperidica
xa(t)
Continua y peridica
ck =
-Tp
Xa(F) =
xa(t)
k=-
F0 =
1
Tp
Continua y peridica
xa(t) =
Xa(F)
Discreta y aperidica
xa(t) =
ck
Dominio de la frecuencia
-N
N -1
n=0
Discreta y aperidica
n=-
-3 -2 -1 0 1 2
x(n)
Discreta y peridica
1
N
x(n)
-N
k=0
N -1
Continua y peridica
x(n) =
X()
Discreta y peridica
ck
Dominio de la frecuencia
i
i
Si tenemos presente que el perodo en el dominio de la frecuencia hace referencia al rango de frecuencias,
el espaciado en el dominio del tiempo se corresponde con el perodo de muestreo T , el espaciado entre lneas
en el dominio de la frecuencia es F, luego = Tp implica que 1/ = 1/Tp = F, = N implica que f = 1/N
y = Fs implica que T = 1/Fs.
Estas dualidades tiempo-frecuencia son evidentes si observamos la Figura 4.3.1. Sin embargo, las ilustraciones de esta figura no se corresponden con ninguno de los pares de transformadas reales, por lo que debe
evitarse realizar ninguna comparacin entre ellas.
Una inspeccin detenida de la Figura 4.3.1 tambin revela algunas dualidades y simetras matemticas entre
las distintas relaciones del anlisis en frecuencia. En particular, podemos observar que existen dualidades entre
las siguientes ecuaciones de anlisis y sntesis:
1. Las ecuaciones de anlisis y de sntesis de la transformada de Fourier continua en el tiempo.
2. Las ecuaciones de anlisis y de sntesis de la serie de Fourier discreta en el tiempo.
3. La ecuacin de anlisis de la serie de Fourier continua en el tiempo y la ecuacin de sntesis de la
transformda de Fourier discreta en el tiempo.
4. La ecuacin de anlisis de la transformada de Fourier discreta en el tiempo y la ecuacin de sntesis de la
serie de Fourier continua en el tiempo.
Observe que todas las relaciones duales nicamente difieren en el signo del exponente de la correspondiente
exponencial compleja. Es interesante destacar que este cambio de signo puede interpretarse como el solapamiento
de la seal o como el solapamiento del espectro, ya que
e j2 Ft = e j2 (F)t = e j2 F(t)
Si nos fijamos ahora en la densidad espectral de las seales, debemos recordar que hemos empleado el trmino
densidad espectral de energa para caracterizar las seales aperidicas de energa finita y el trmino densidad
espectral de potencia para las seales peridicas, por lo que esta terminologa es coherente con el hecho de que
las seales peridicas son seales de potencia y las seales aperidicas con energa finita son seales de energa.
x(n)e j n
(4.4.1)
X( )e j n d
(4.4.2)
n=
1
2
2
para la transformada inversa (ecuacin de sintesis). Haremos tambin referencia a x(n) y X( ) como un par de
transformadas de Fourier e indicaremos esta relacin mediante la notacin
F
x(n) X( )
(4.4.3)
(4.4.4)
X( ) = XR ( ) + jXI ( )
(4.4.5)
Sustituyendo (4.4.4) y e j = cos j sen en (4.4.1) y separando las partes real e imaginaria, obtenemos
XR ( ) =
(4.4.6)
n=
XI ( ) =
(4.4.7)
n=
1
[XR ( ) cos n XI ( ) sen n] d
2 2
1
xI (n) =
[XR ( ) sen n + XI ( ) cos n] d
2 2
xR (n) =
(4.4.8)
(4.4.9)
x(n) cos n
(4.4.10)
n=
y
XI ( ) =
n=
x(n) sen n
(4.4.11)
Dado que cos( n) = cos n y sen( n) = sen n, se deduce a partir de (4.4.10) y (4.4.11) que
XR ( ) = XR ( ) ,
(par)
(4.4.12)
XI ( ) = XI ( ),
(impar)
(4.4.13)
(4.4.14)
En este caso, decimos que el espectro de una seal real tiene simetra hermitiana.
Con la ayuda de la Figura 4.4.1, podemos observar que el mdulo y la fase del espectro para las seales
reales son
|X( )| = XR2 ( ) + XI2 ( )
(4.4.15)
X| | = tan1
XI ( )
XR ( )
(4.4.16)
Como consecuencia de (4.4.12) y (4.4.13), el mdulo y la fase del espectro tambin presentan las propiedades
de simetra
|X( )| = |X( )| ,
X( ) = X( ),
(par)
(4.4.17)
(impar)
(4.4.18)
En el caso de la transformada inversa de una seal real [es decir, x(n) = xR (n)], (4.4.8) implica que
x(n) =
1
2
2
(4.4.19)
Dado que ambos productos XR ( ) cos n y XI ( ) sen n son funciones pares de , tenemos
1
x(n) =
0
(4.4.20)
Seales reales pares. Si x(n) es una seal real y par [es decir, x(n) = x(n)], entonces x(n) cos n es par y
x(n) sen n es impar. Por tanto, a partir de (4.4.10), (4.4.11) y (4.4.20), obtenemos
(par)
(4.4.21)
n=1
Eje imaginario
Eje real
XI ( ) = 0
x(n) =
1
(4.4.22)
XR ( ) cos n d
(4.4.23)
Por tanto, las seales reales y pares poseen un espectro real, que adems est formado por funciones pares de la
variable frecuencia .
Seales reales e impares. Si x(n) es real e impar [es decir, x(n) = x(n)], entonces x(n) cos n es impar y
x(n) sen n es par. Por tanto, (4.4.10), (4.4.11) y (4.4.20) implican que
XR ( ) = 0
(4.4.24)
XI ( ) = 2 x(n) sen n,
n=1
1
x(n) =
(impar)
XI ( ) sen n d
(4.4.25)
(4.4.26)
Luego las seales reales e impares poseen espectros imaginarios puros, que adems estn formados por funciones
impares de la variable de frecuencia .
Seales imaginarias puras. En este caso, xR (n) = 0 y x(n) = jxI (n). Luego las expresiones (4.4.6), (4.4.7) y
(4.4.9) se reducen a
XR ( ) =
XI ( ) =
xI (n) =
n=
n=
xI (n) sen n,
(impar)
(4.4.27)
xI (n) cos n,
(par)
(4.4.28)
0
(4.4.29)
XR ( ) = 2 xI (n) sen n,
(impar)
(4.4.30)
n=1
XI ( ) = 0
xI (n) =
1
(4.4.31)
XR ( ) sen n d
(4.4.32)
(4.4.33)
0
(par)
(4.4.34)
n=1
XI ( ) cos n d
(4.4.35)
(4.4.36)
I
I
(4.4.37)
Estas propiedades de simetra de la transformada de Fourier se resumen en la Tabla 4.4 y en la Figura 4.4.2. En
la prctica se emplean a menudo para simplificar los clculos de la transformada de Fourier.
Secuencia
DTFT
x(n)
x (n)
x (n)
xR (n)
jxI (n)
xe (n) = 12 [x(n) + x(n)]
X( )
X ( )
X ( )
Xe ( ) = 12 [X( ) + X ( )]
Xo ( ) = 12 [X( ) X ( )]
XR ( )
jXI ( )
Seales reales
X( ) = X ( )
XR ( ) = XR ( )
XI ( ) = XI ( )
|X( )| = |X( )|
X( ) = X( )
XR ( )
(real y par)
jXI ( )
(imaginaria e impar)
1
,
1 ae j
1 < a < 1
(4.4.38)
Dominio de la frecuencia
Par
Par
Impar
Impar
Real
Real
Seal
Transformada de Fourier
Impar
Impar
Par
Par
Imaginaria
Imaginaria
1 a cos ja sen
1 ae j
=
(1 ae j )(1 ae j )
1 2a cos + a2
1 a cos
1 2a cos + a2
XI ( ) =
a sen
1 2a cos + a2
Sustituyendo las dos ltimas ecuaciones en (4.4.15) y (4.4.16) obtenemos el mdulo y la fase del espectro como
1
|X( )| =
1 2a cos + a2
(4.4.39)
a sen
1 a cos
(4.4.40)
y
X( ) = tan1
Las Figuras 4.4.3 y 4.4.4 muestran la representacin grfica de estas funciones para a = 0.8. El lector puede verificar
fcilmente que, como era de esperar, todas las propiedades de simetra de los espectros de las seales reales se cumplen
tambin en este caso.
EJEMPLO 4.4.2
Determine la transformada de Fourier de la seal
x(n) =
A,
M n M
0,
en otro caso
(4.4.41)
1
X1( )
X R( )
0
0. 5
0.5
0.5
0.5
4
3
2
1
0
0. 5
0.5
0.5
0.5
0.4
X( )
0.2
0
0.2
0.4
Figura 4.4.4. Mdulo y fase del espectro de la transformada del Ejemplo 4.4.1.
Solucin. Evidentemente, x(n) = x(n). Por tanto, x(n) es una seal real y par. A partir de (4.4.21) obtenemos
X( ) = XR ( ) = A 1 + 2
cos n
n=1
sen(M + 12 )
sen( /2)
X( ) =
0,
si X( ) > 0
si X( ) < 0
(4.4.42)
(4.4.43)
x(n)
M 0 M
4
2
4
2
Figura 4.4.5. Caractersticas espectrales del impulso rectangular del Ejemplo 4.4.2.
x1 (n) X1 ( )
y
F
x2 (n) X2 ( )
entonces
F
(4.4.44)
Enunciado de forma simple, la transformacin de Fourier, vista como una operacin sobre una seal x(n),
es una transformacin lineal. Por tanto, la transformada de Fourier de una combinacin lineal de dos o ms
seales es igual a la misma combinacin lineal de las transformadas de Fourier de las seales individuales. Esta
propiedad puede demostrarse fcilmente utilizando la Ecuacin (4.4.1). La propiedad de linealidad hace que la
transformada de Fourier resulte til en el estudio de los sistemas lineales.
EJEMPLO 4.4.3
Determine la transformada de Fourier de la seal
x(n) = a|n| ,
1 < a < 1
(4.4.45)
an ,
0,
x1 (n) =
y
x2 (n) =
an ,
0,
n0
n<0
n<0
n0
n=
x1 (n)e j n =
n=0
n=0
an e j n = (ae j )n
1
1 ae j
siempre que
|ae j | = |a| |e j | = |a| < 1
que es una condicin que se satisface en este caso. De forma similar, la transformada de Fourier de x2 (n) es
X2 ( ) =
=
x2 (n)e j n =
n=
n=
(ae j )n =
an e j n
n=
(ae j )k
k=1
ae j
=
1 ae j
x(n)
n
0
1+a
1a
Figura 4.4.6. Secuencia x(n) y su transformada de Fourier para el Ejemplo 4.4.3 con a = 0.8.
Combinando estas dos transformadas, obtenemos la transformada de Fourier de x(n) en la forma
X( ) = X1 ( ) + X2 ( )
=
(4.4.46)
1 a2
1 2a cos + a2
Desplazamiento temporal. Si
F
x(n) X( )
entonces
(4.4.47)
x(n k) e j k X( )
La demostracin de esta propiedad se obtiene de forma inmediata a partir de la transformada de Fourier de
x(n k) haciendo un cambio en el ndice del sumatorio. As
F{x(n k)} = X( )e j k
= |X( )|e j[X( ) k]
Esta relacin indica que si una seal se desplaza en el dominio del tiempo k muestras, el espectro del mdulo
no cambia. Sin embargo, la fase del espectro vara en una cantidad k. Este resultado se puede explicar
simplemente recordando que el contenido en frecuencias de una seal slo depende de su forma. Desde un
punto de vista matemtico, podemos decir que un desplazamiento en el dominio del tiempo de k muestras es
equivalente a multiplicar el espectro por e j k en el dominio de la frecuencia.
Inversin temporal. Si
F
x(n) X( )
entonces
F
x(n) X( )
(4.4.48)
Esta propiedad puede establecerse calculando la transformada de Fourier de x(n) y haciendo un sencillo
cambio en el ndice del sumatorio. As
F{x(n)} =
x(l)e j l = X( )
l=
x1 (n) X1 ( )
y
F
x2 (n) X2 ( )
entonces
F
(4.4.49)
x1 (k)x2 (n k)
k=
Multiplicando ambos lados de esta ecuacin por la exponencial exp( j n) y sumando para todo n, obtenemos
X( ) =
n=
x(n)e j n =
n= k=
x1 (k)x2 (n k) e j n
Despus de intercambiar el orden de los sumatorios y de hacer un sencillo cambio en el ndice del sumatorio,
el lado derecho de la esta ecuacin se reduce al producto X1 ( )X2 ( ). Luego, la Ecuacin (4.4.49) queda
demostrada.
El teroema de convolucin es una de las herramientas ms potentes en el anlisis de sistemas lineales.
Establece que convolucionar dos seales en el dominio del tiempo es equivalente a multiplicar sus espectros en
el dominio de la frecuencia. En captulos posteriores veremos que el teorema de convolucin proporciona una
importante herramienta de clculo en muchas aplicaciones de tratamiento digital de seales.
EJEMPLO 4.4.4
Utilizando la Ecuacin (4.4.49), determine la convolucin de estas secuencias
x1 (n) = x2 (n) = {1, 1, 1}
Teorema de correlacin. Si
x1 (n) X1 ( )
y
F
x2 (n) X2 ( )
entonces
F
(4.4.50)
x1 (k)x2 (k n)
k=
x1(n)
3
F
1
1 0 1
n
x(n)
3
2 1 0 1 2
10
F
n
0
X2()
x2(n)
F
1 0 1
n
1
Multiplicando ambos lados de esta ecuacin por la exponencial exp( j n) y sumando para todo n, obtenemos
Sx1 x2 ( ) =
n=
rx1x2 (n)e j n =
n= k=
x1 (k)x2 (k n) e j n
Por ltimo, intercambiamos el orden de los sumatorios y hacemos un cambio en el ndice del sumatorio. Luego,
el lado derecho de la ecuacin anterior se reduce a X1 ( )X2 ( ). La funcin Sx1 x2 ( ) se conoce como densidad
espectral de energa cruzada de las seales x 1 (n) y x2 (n).
Teorema de WienerKhintchine. Sea x(n) una seal real. Entonces
F
(4.4.51)
Esto es, la densidad espectral de energa de una seal de energa es la transformada de Fourier de su autocorrelacin. Se trata de un caso especial de la Ecuacin (4.4.50).
Este resultado es muy importante, ya que implica que la autocorrelacin de una seal y su densidad espectral
de energa contienen la misma informacin acerca de la seal. Dado que ninguna de ellas contiene informacin
acerca de la fase, es imposible reconstruir de forma unvoca la seal a partir de la funcin de autocorrelacin o
del espectro de densidad de energa.
EJEMPLO 4.4.5
Determine el espectro de densidad de energa de la seal
x(n) = an u(n),
1 < a < 1
Solucin. A partir del Ejemplo 2.6.2, sabemos que la funcin de autocorrelacin de esta seal es
rxx (l) =
1
a|l| ,
1 a2
<l<
Utilizando el resultado dado por (4.4.46) para la transformada de Fourier de a|l| , deducido en el Ejemplo 4.4.3, tenemos
F{rxx (l)} =
1
1
F{a|l| } =
1 a2
1 2a cos + a2
1
1 2a cos + a2
Desplazamiento en frecuencia. Si
F
x(n) X( )
entonces
F
e j0 n x(n) X( 0 )
(4.4.52)
Esta propiedad puede demostrarse fcilmente mediante la sustitucin directa en la ecuacin de anlisis
(4.4.1). De acuerdo con esta propiedad, la multiplicacin de una secuencia x(n) por e j0 n es equivalente a la
traslacin en frecuencia del espectro X( ) una cantidad 0 . Esta frecuencia de traslacin se indica en la Figura
4.4.8. Como el espectro X( ) es peridico, el desplazamiento 0 se aplica al espectro de la seal en cada
perodo.
0
(a)
0
(b)
x(n) X( )
entonces
F 1
x(n) cos 0 n [X( + 0 ) + X( 0 )]
2
(4.4.53)
Para demostrar el teorema de modulacin, en primer lugar, expresamos la seal cos 0 n como
1
cos 0 n = (e j0 n + e j0n )
2
Multiplicando x(n) por estas dos exponenciales y utilizando la propiedad del desplazamiento en frecuencia
descrita anteriormente, obtenemos la expresin dada por (4.4.53).
Aunque la propiedad dada por (4.4.52) tambin puede interpretarse como una modulacin (compleja), en
la prctica, preferimos utilizar la Ecuacin (4.4.53), porque la seal x(n) cos 0 n es real. Evidentemente, en este
caso, las propiedades de simetra dadas por (4.4.12) y (4.4.13) se conservan.
El teorema de modulacin se ilustra en la Figura 4.4.9, que muestra una grfica de los espectros de las
seales x(n), y1 (n) = x(n) cos 0.5 n e y2 (n) = x(n) cos n.
Teorema de Parseval. Si
x1 (n) X1 ( )
y
F
x2 (n) X2 ( )
entonces
n=
x1 (n)x2 (n) =
1
2
X1 ( )X2 ( ) d
(4.4.54)
Para demostrar este teorema utilizamos la Ecuacin (4.4.1) con el fin de eliminar X1 ( ) del lado derecho
de la Ecuacin (4.4.54). As, tenemos
1
2
2
n=
x1 (n)e
j n
X2 ( ) d =
n=
x1 (n)
1
2
2
X2 ( )e j n d =
n=
x1 (n)x2 (n)
0
2
2
(a)
0
2
2
(b)
1
1
2
0
2
2
(c)
n=
|x(n)|2 =
1
2
2
|X( )|2 d
(4.4.55)
Observe que el lado izquierdo de la Ecuacin (4.4.55) es, simplemente, la energa Ex de la seal x(n). Tambin
es igual a la autocorrelacin de x(n), rxx (l), evaluada en l = 0. El integrando del lado derecho de la Ecuacin
(4.4.55) es igual al espectro de densidad de energa, por lo que la integral en el intervalo proporciona
la energa total de la seal. Por tanto, podemos concluir que
Ex = rxx (0) =
n=
|x(n)|2 =
1
2
2
|X( )|2 d =
1
2
Sxx ( ) d
(4.4.56)
x1 (n) X1 ( )
y
F
x2 (n) X2 ( )
entonces
F
1
2
X1 ( )X2 ( )d
(4.4.57)
La integral del lado derecho de la Ecuacin (4.4.57) representa la convolucin de las transformadas de Fourier
X1 ( ) y X2 ( ). Esta relacin es la dual de la convolucin en el dominio del tiempo. En otras palabras, la
multiplicacin de dos secuencias en el dominio del tiempo es equivalente a la convolucin de sus transformadas de
Fourier. Asimismo, la convolucin de dos secuencias en el dominio del tiempo es equivalente a la multiplicacin
de sus transformadas de Fourier.
Para demostrar (4.4.57), utilizamos la transformada de Fourier de x3 (n) = x1 (n)x2 (n) y empleamos la
frmula de la transformada inversa, luego,
1
2
x1 (n) =
X1 ( )e j n d
As, tenemos
X3 ( ) =
=
n=
1
2
1
n=
1
=
2
=
x3 (n)e j n =
n=
x1 (n)x2 (n)e j n
X1 ( )e j n d x2 (n)e j n
X1 ( )d
n=
x2 (n)e
j( )n
X1 ( )X2 ( )d
x(n) X( )
entonces
dX( )
(4.4.58)
d
Para demostrar esta propiedad, utilizamos la definicin de la transformada de Fourier dada por (4.4.1) y
diferenciamos la serie trmino a trmino con respecto a . As, obtenemos
dX(
d
j n
=
x(n)e
d
d n=
F
nx(n) j
n=
= j
x(n)
d j n
e
d
nx(n)e j n
n=
Ahora multiplicamos ambos lados de la ecuacin por j para obtener el resultado dado por (4.4.58).
Las propiedades obtenidas en esta seccin se resumen en la Tabla 4.5, la cual es una buena herramienta de
referencia. La Tabla 4.6 ilustra algunos pares de transformadas de Fourier tiles con los que nos encontraremos
en captulos posteriores.
Propiedad
Dominio de la frecuencia
Notacin
x(n)
x1 (n)
x2 (n)
X( )
X1 ( )
X2 ( )
Linealidad
a1 X1 ( ) + a2X2 ( )
Desplazamiento temporal
x(n k)
e j k X( )
Inversin temporal
Convolucin
x(n)
x1 (n) x2(n)
X( )
X1 ( )X2 ( )
Correlacin
Sx1 x2 ( ) = X1 ( )X2 ( )
= X1 ( )X2 ( )
[si x2 (n) es real]
Teorema de WienerKhintchine
rxx (l)
Sxx ( )
Desplazamiento de frecuencia
Modulacin
e j0 n x(n)
x(n) cos 0 n
X( 0 )
1
1
2 X( + 0 ) + 2 X( 0 )
Multiplicacin
x1 (n)x2 (n)
1 !
2 X1 ( )X2 (
Diferenciacin en el
dominio de la frecuencia
nx(n)
)
j dX(
d
Conjugacin
x (n)
X ( )
Teorema de Parseval
n= x1 (n)x2 (n) =
)d
1 !
2 X1 ( )X2 ( )d
Problemas
4.1 Considere la sinusoide rectificada de onda completa de la Figura P.4.1.
(a) Determine su espectro Xa (F).
(b) Calcule la potencia de la seal.
(c) Dibuje la densidad espectral de potencia.
(d) Compruebe la validez de la relacin de Parseval para esta seal.
4.2 Clcule y dibuje el mdulo y la fase del espectro de las seales siguientes para (a > 0).
Aeat , t 0
(a) xa (t) =
0,
t <0
xa(t)
A
Figura P.4.1.
(b) xa (t) = Aea|t|
4.3 Considere la seal
x(t) =
1 |t|/ , |t|
0,
en otro caso
(a) Determine y dibuje el mdulo y la fase de su espectro, |Xa (F)| y Xa (F), respectivamente.
(b) Cree una seal peridica x p (t) de perodo fundamental Tp 2 , tal que x(t) = x p (t) para |t| < Tp /2.
Cules son los coeficientes de Fourier ck para la seal x p (t)?
(c) Utilizando los resultados de los apartados (a) y (b), demuestre que ck = (1/Tp )Xa (k/Tp ).
4.4 Considere la siguiente seal peridica:
x(n) = {. . . , 1, 0, 1, 2, 3, 2, 1, 0, 1, . . .}
n
n 1
3 n
+ cos
+ cos
4
2
2
4
(e) x(n) = {. . . , 1, 2, 1, 2, 1, 0, 1, 2, 1, 2, . . .}
(f) x(n) = {. . . , 0, 0, 1, 1, 0, 0, 0, 1, 1, 0, 0, . . .}
4.8 Se dice que dos seales discretas, sk (n) y sl (n), son ortogonales en un intervalo [N1 , N2 ] si
N2
n=N1
sk (n)sl (n) =
Ak , k = l
0, k =
l
e j2 kn/N =
n=0
N, k = 0, N, 2N, . . .
0, en otro caso
(b) Ilustre la validez de la relacin del apartado (a) dibujando para cada valor de k = 1, 2, . . . , 6, las
seales sk (n) = e j(2 /6)kn , n = 0, 1, . . . , 5. [Nota: para un k dado, la seal n, sk (n), puede representarse
como un vector en el plano complejo].
(c) Demuestre que las seales relacionadas armnicamente
sk (n) = e j(2 /N)kn
son ortogonales en cualquier intervalo de longitud N.
4.9 Calcule la transformada de Fourier de las siguientes seales:
(a) x(n) = u(n) u(n 6)
(b) x(n) = 2n u(n)
(c) x(n) = ( 14 )n u(n + 4)
(d) x(n) = ( n sen 0 n)u(n),
| | < 1
| | < 1
(e) x(n) = | | sen 0 n,
1
2 ( 2 )n, |n| 4
(f) x(n) =
0,
en otro caso
(g) x(n) = {2, 1, 0, 1, 2}
(h) x(n) =
Dibuje el mdulo y la fase del espectro para las seales de los apartados (a), (f) y (g).
2
1
0
8
Figura P.4.10.
4.11 Considere la siguiente seal
x(n) = {1, 0, 1, 2, 3}
cuya transformada de Fourier es X( ) = XR ( ) + j(XI ( )). Determine y dibuje la seal y(n) cuya
transformada de Fourier es
Y ( ) = XI ( ) + XR( )e j2
4.12 Determine la seal x(n) si su transformada de Fourier es la dada en la Figura P.4.12.
2
1
0
(a)
10 10
0
(b)
2
1
0
(c)
Figura P.4.12.
1, M n M
0, en otro caso
era
M
X( ) = 1 + 2 cos n
n=1
x2 (n) =
1, 0 n M
0, en otro caso
1, M n 1
0, en otro caso
son, respectivamente,
X1 ( ) =
1 e j (M+1)
1 e j
X2 ( ) =
e j e j (M+1)
1 e j
X1 ( ) + X2 ( )
sen(M + 12 )
sen( /2)
y, por tanto,
1
sen(M + )
2
1 + 2 cos n =
sen( /2)
n=1
M
cuya transformada de Fourier es X( ). Calcule las siguientes magnitudes, sin calcular explcitamente
X( ):
(a) X(0)
(b) X( )
(c)
X( )
(d) X( )
(e)
|X( )|
0
2
Figura P.4.15.
4.15 El centro de gravedad de una seal x(n) se define como
c=
nx(n)
x(n)
n=
n=
an u(n)
1
,
1 ae j
|a| < 1
1
(n + l 1)! n
F
a u(n) X( ) =
n!(l 1)!
(1 ae j )l
4.17 Sea x(n) una seal arbitraria, no necesariamente real, cuya transformada de Fourier es X( ). Exprese las
transformadas de Fourier de las siguientes seales en funcin de X( ).
(a) x (n)
(b) x (n)
(c) y(n) = x(n) x(n 1)
(d) y(n) = nk= x(k)
(e) y(n) = x(2n)
x(n/2), n par
(f) y(n) =
0,
n impar
4.18 Determine y dibuje las transformadas de Fourier X1 ( ), X2 ( ) y X3 ( ) de las siguientes seales:
(a) x1 (n) = {1, 1, 1, 1, 1}
0
2
Figura P.4.19.
(c) x3 (n) = {1, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 1}
xk (n) =
0,
entonces
, si n/k entero
en otro caso
Xk ( ) = X(k )
4.19 Sea x(n) una seal cuya transformada de Fourier es la mostrada en la Figura P.4.19. Determine y dibuje
las transformadas de Fourier de las siguientes seales:
(a) x1 (n) = x(n) cos( n/4)
(b) x2 (n) = x(n) sen( n/2)
(c) x3 (n) = x(n) cos( n/2)
(d) x4 (n) = x(n) cos n
Fjese en que estas seales se han obtenido modulando en amplitud una portadora cos c n o sen c n
mediante la secuencia x(n).
4.20 Considere una seal aperidica x(n) cuya transformada de Fourier es X( ). Demuestre que los coeficientes
de la serie de Fourier Cky de la seal peridica
y(n) =
x(n lN)
l=
1
= X
N
2
k ,
N
k = 0, 1, . . . , N 1
sen c n j n
e
n
n=N
1
2
c
1
1 ae j
0
4
Figura P.4.23.
5
Anlisis en el dominio de
la frecuencia de
sistemas LTI
En este captulo vamos a ocuparnos de la caracterizacin de los sistemas lineales invariantes en el tiempo en el
dominio de la frecuencia. En este desarrollo, las seales de excitacin bsicas utilizadas son funciones exponenciales complejas y sinusoides. Veremos que un sistema LTI efecta, en su entrada, una discriminacin o filtrado
de diversas componentes de frecuencia. Esta observacin nos permitir caracterizar y clasificar sistemas LTI
simples de acuerdo con el tipo de filtrado que realicen sobre cualquier seal de entrada. Tambin describiremos
el diseo de estos sencillos filtros, as como algunas aplicaciones determinadas.
Tambin vamos a desarrollar las relaciones existentes entre los espectros de las secuencias de entrada y
de salida de un sistema LTI. La ltima seccin del captulo est dedicada a la aplicacin de sistemas LTI para
realizar las operaciones de deconvolucin y filtrado inverso.
lineal invariante en el tiempo a este tipo de seales. Esta meotodologa tambin se aplica a seales aperidicas,
ya que stas pueden interpretarse como una superposicin de exponenciales complejas de tamao infinitesimal.
y(n) =
h(k)x(n k)
(5.1.1)
k=
En esta relacin de entradasalida, el sistema se caracteriza en el dominio del tiempo por su respuesta al impulso
unitario {h(n), < n < }.
Para desarrollar la caracterizacin en el dominio de la frecuencia del sistema, vamos a excitarlo con la
exponencial compleja
x(n) = Ae j n ,
< n <
(5.1.2)
donde A es la amplitud y es cualquier frecuencia arbitraria perteneciente al intervalo [ , ]. Sustituyendo
(5.1.2) en (5.1.1), obtenemos la respuesta
y(n) =
h(k)[Ae j (nk) ]
k=
=A
(5.1.3)
h(k)e
j k
e j n
k=
Observe que el trmino entre corchetes de la Ecuacin (5.1.3) es una funcin de la variable . En efecto, este
trmino es la transformada de Fourier de la respuesta del sistema al impulso unitario h(k). Por tanto, denotamos
esta funcin como
H( ) =
h(k)e j k
(5.1.4)
k=
n=
|h(n)| <
Con la definicin dada en (5.1.4), la respuesta del sistema a la exponencial compleja dada por (5.1.2) es
y(n) = AH( )e j n
(5.1.5)
Observe que la respuesta tambin tiene la forma de una exponencial compleja de la misma frecuencia que la
entrada, pero modificada por el factor multiplicativo H( ).
Como resultado de este comportamiento caracterstico, la seal exponencial dada por la Ecuacin (5.1.2)
se denomina autofuncin del sistema. En otras palabras, una autofuncin de un sistema es una seal de entrada
que produce una salida que difiere de la entrada en un factor multiplicativo constante. Este factor se conoce
como autovalor del sistema. En este caso, una seal exponencial compleja de la forma dada por (5.1.2) es una
autofuncin de un sistema lineal invariante en el tiempo, y H( ) evaluada en la frecuencia de la seal de entrada
es el correspondiente autovalor.
EJEMPLO 5.1.1
Determine la secuencia de salida del sistema con respuesta de tipo impulso
1
h(n) = ( )n u(n)
2
(5.1.6)
< n <
Solucin. En primer lugar, calculamos la transformada de Fourier del impulso h(n), y luego utilizamos (5.1.5) para determinar y(n). Del Ejemplo 4.2.3, tenemos que
H( ) =
En = /2, (5.1.7) proporciona
H
n=
h(n)e j n =
1
1 12 e j
(5.1.7)
2
1
= e j26.6
1
1+ j 2
5
2
y(n) = A e j26.6 e j n/2
5
2
< n <
y(n) = Ae j( n/226.6 ) ,
5
(5.1.8)
Este ejemplo ilustra claramente que el nico efecto del sistema sobre la seal de entrada es un cambio de
escala de la amplitud de 2/ 5 y un desplazamiento de la fase de 26.6. Por tanto, la salida tambin es una
1
1
1 j
2e
1
3
2
2
3
< n <
(5.1.10)
Observe que H( ) es real pura [es decir, la fase asociada a H( ) es cero en = ]. Por tanto, la amplitud de
la seal de entrada sufre un cambio de escala determinado por el factor H( ) = 23 , pero el desplazamiento de
fase es cero.
En general, H( ) es una funcin compleja de la variable de frecuencia . Por tanto, se puede expresar en
forma polar como sigue
H( ) = |H( )|e j( )
(5.1.11)
donde |H( )| es el mdulo de H( ) y
( ) = H( )
es el desplazamiento de fase producido por el sistema sobre la seal de entrada a la frecuencia .
Puesto que H( ) es la transformada de Fourier de {h(k)}, se deduce que H( ) es una funcin peridica de
perodo 2 . Adems, podemos interpretar (5.1.4) como la expansin en serie de Fourier exponencial de H( ),
siendo h(k) los coeficientes de la serie de Fourier. Por tanto, el impulso unitario h(k) est relacionado con H( )
por medio de la expresin integral
1
h(k) =
H( )e j k d
(5.1.12)
2
En un sistema lineal invariante en el tiempo con respuesta al impulso real, las funciones del mdulo y la
fase poseen las propiedades de simetra, que se desarrollan a continuacin. A partir de la definicin de H( ),
tenemos
H( ) =
h(k)e j k
k=
h(k) cos k j
k=
h(k) sen k
(5.1.13)
k=
= HR ( ) + jHI ( )
1
= HR2 ( ) + HI2( )e j tan [HI ( )/HR ( )]
donde HR ( ) y HI ( ) designan las componentes real e imaginaria de H( ), definidas como
HR ( ) =
h(k) cos k
(5.1.14)
k=
HI ( ) =
h(k) sen k
k=
HR2 ( ) + HI2( )
( ) = tan1
(5.1.15)
HI ( )
HR ( )
se deduce que
1
1
H( ) = (e j + 1 + e j ) = (1 + 2 cos )
3
3
Por tanto,
1
|H( )| = |1 + 2 cos |
3
0, 0 2 /3
( ) =
, 2 /3 <
(5.1.16)
La Figura 5.1.1 muestra las grficas del mdulo y la fase de H( ). Como hemos mencionado anteriormente, |H( )| es una
funcin impar de la frecuencia y ( ) es una funcin impar de la frecuencia. Es evidente a partir de la caracterstica de la
respuesta en frecuencia H( ) que este filtro de media mvil suaviza los datos de entrada, como era de esperar conocida la
ecuacin de entradasalida.
Las propiedades de simetra que las funciones del mdulo y la fase de H( ) satisfacen, as como el hecho de
que una sinusoide pueda expresarse como una suma o una diferencia de dos funciones exponenciales conjugadas
complejas, implican que la respuesta de un sistema lineal invariante en el tiempo a una sinusoide es similar en
forma a la respuesta cuando la entrada es una seal exponencial compleja. De hecho, si la entrada es
x1 (n) = Ae j n
la salida ser
Figura 5.1.1. Mdulo y fase de la respuesta del sistema MA del Ejemplo 5.1.2.
x2 (n) = Ae j n
(5.1.17)
1
[x1 (n) x2 (n)] = A sen n
j2
(5.1.18)
Queda claro ahora que H( ), o lo que es equivalente, |H( )| y ( ), caracteriza por completo el efecto del
sistema sobre una seal de entrada sinusoidal de cualquier frecuencia arbitraria. Realmente, observe que |H( )|
determina la amplificacin (|H( )| > 1) o la atenuacin (|H( )| < 1) que el sistema aplica sobre la sinusoide de
entrada. La fase ( ) determina el desplazamiento de fase que el sistema aplica sobre la sinusoide de entrada.
En consecuencia, conociendo H( ), podremos determinar la respuesta del sistema a cualquier seal de entrada
sinusoidal. Por tanto, H( ) especifica la respuesta del sistema en el dominio de la frecuencia y se conoce como
respuesta en frecuencia del sistema. Asimismo, |H( )| es el mdulo de la respuesta en frecuencia y ( ) la
fase de la respuesta en frecuencia del sistema.
Si la entrada al sistema consta de ms de una sinusoide, se puede utilizar la propiedad de superposicin de
los sistemas lineales para determinar la respuesta. Los ejemplos siguientes ilustran el uso de esta propiedad.
EJEMPLO 5.1.3
Determine la respuesta del sistema del Ejemplo 5.1.1 a la siguiente seal de entrada
x(n) = 10 5 sen
n + 20 cos n,
2
< n <
Solucin. La respuesta en frecuencia del sistema est dada por (5.1.7) como
H( ) =
1
1 12 e j
El primer trmino de la seal de entrada es una componente de seal fija correspondiente a = 0. Por tanto,
H(0) =
=2
1
1 12
El segundo trmino de x(n) tiene una frecuencia de /2. Para esta frecuencia, la respuesta en frecuencia del sistema es
H
2
= e j26.6
5
Por ltimo, el tercer trmino de x(n) tiene una frecuencia de = . A dicha frecuencia
H( ) =
2
3
40
10
y(n) = 20 sen
n 26.6 +
cos n,
2
3
5
< n <
EJEMPLO 5.1.4
Un sistema lineal invariante en el tiempo se describe mediante la siguiente ecuacin en diferencias:
y(n) = ay(n 1) + bx(n),
0<a<1
n 20 cos n +
2
4
h(n)e j n
n=
b
1 ae j
Puesto que
1 ae j = (1 a cos ) + ja sen
se deduce que
(1 a cos )2 + (a sen )2
= 1 + a2 2a cos
|1 ae j | =
y
(1 ae j ) = tan1
a sen
1 a cos
Por tanto,
|b|
|H( )| =
2
1 + a 2a cos
H( ) = ( ) = b tan1
a sen
1 a cos
(b) Puesto que el parmetro a es positivo, el denominador de |H( )| alcanza un mnimo en = 0. Por tanto, |H( )|
alcanza su valor mximo en = 0. Para esta frecuencia, tenemos que
|H(0)| =
|b|
=1
1a
a sen
1 a cos
Las grficas del mdulo |H( )| y la fase ( ) de la respuesta en frecuencia se ilustran en la Figura 5.1.2. Observe
que este sistema atena las seales de alta frecuencia.
(c) La seal de entrada consta de componentes en las frecuencias = 0, /2 y . Para = 0, |H(0)| = 1 y (0) = 0.
Para = /2,
0.1
1a
= 0.074
=
H
=
2
1.81
1 + a2
= tan1 a = 42
2
Para = ,
|H( )| =
0.1
1a
=
= 0.053
1+a
1.9
y ( ) = 0
|H()|
4
3
2
1
/2
/2
/2
/2
() (Rads)
/2
0
2
Figura 5.1.2. Mdulo y fase de la respuesta en frecuencia del sistema del Ejemplo 5.1.4 con a = 0.9.
y(n) = 5|H(0)| + 12 H
sen n +
2
2
2
20|H( )| cos n + + ( )
4
n 42 1.06 cos n +
,
= 5 + 0.888 sen
2
4
< n <
< n <
i=1
donde {Ai } y {i } son las amplitudes y fases de las correspondientes componentes sinusoidales, entonces la
respuesta del sistema es simplemente
L
(5.1.19)
i=1
donde |H(i )| y (i ) son el mdulo y la fase, respectivamente, de la respuesta del sistema a las componentes
individuales de la seal de entrada.
Es evidente que dependiendo de la respuesta en frecuencia H( ) del sistema, las sinusoides de entrada
de diferentes frecuencias se vern afectadas de forma diferente por el sistema. Por ejemplo, el sistema puede
suprimir algunas sinusoides completamente si H( ) = 0 para las frecuencias de dichas sinusoides. Otras, pueden
no ser atenuadas (o quiz, ser amplificadas). En efecto, podemos ver que el sistema lineal invariante en el tiempo
funciona como un filtro para las sinusoides de diferentes frecuencias, dejando pasar a algunas componentes hasta
la salida y suprimiendo o impidiendo que otras componentes lleguen a la salida. En realidad, como veremos en
el Captulo 10, el problema de disear el filtro implica determinar los parmetros de un sistema lineal invariante
en el tiempo que proporcione la respuesta en frecuencia H( ) deseada.
n0
(5.1.21)
k=0
n0
(5.1.22)
=a
n+1
(ae
y(1) + A
j k
e j n
(5.1.23)
k=0
= an+1 y(1) + A
= an+1 y(1)
1 an+1e j (n+1) j n
e ,
1 ae j
n0
Aan+1 e j (n+1) j n
A
e +
e j n ,
1 ae
1 ae j
n0
Recuerde que el sistema descrito por la Ecuacin (5.1.20) es estable BIBO si |a| < 1. En este caso, los dos
trminos que incluyen an+1 en la Ecuacin (5.1.23) tienden a cero cuando n tiende a infinito. En consecuencia,
nos queda la respuesta en rgimen permanente
yss (n) = lm y(n) =
n
A
e j n
1 ae j
(5.1.24)
= AH( )e j n
Los dos primeros trminos de (5.1.23) constituyen la respuesta transitoria del sistema, es decir,
ytr (n) = an+1 y(1)
Aan+1 e j (n+1) j n
e ,
1 ae j
n0
(5.1.25)
que tiende a cero cuando n tiende a infinito. El primer trmino de la respuesta transitoria es la respuesta a la
entrada nula del sistema y el segundo trmino es la respuesta transitoria generada por la seal exponencial de
entrada.
En general, todos los sistemas lineales invariantes en el tiempo con estabilidad BIBO se comportan de
forma similar cuando son excitados por una seal exponencial compleja o una sinusoide en n = 0 o en otro
instante de tiempo finito. Esto es, la respuesta transistoria tiende a cero cuando n , dejando slo la respuesta
en rgimen permanente que hemos determinado en la seccin anterior. En muchas aplicaciones prcticas, la
respuesta transitoria del sistema no es importante y, por tanto, normalmente se ignora cuando se trabaja con la
respuesta del sistema a entradas sinusoidales.
5.1.3
Supongamos que la entrada a un sistema lineal invariante en el tiempo estable es una seal peridica x(n) de
perodo fundamental N. Dado que una seal como sta existe en el intervalo < n < , la respuesta total del
sistema en cualquier instante de tiempo n es igual a la respuesta en rgimen permanente.
Para determinar la respuesta y(n) del sistema, podemos emplear la representacin en serie de Fourier de la
seal peridica, que es
x(n) =
N1
ck e j2 kn/N ,
k = 0, 1, . . . , N 1
(5.1.26)
k=0
donde {ck } son los coeficientes de la serie de Fourier. Ahora, la respuesta del sistema a la seal exponencial
compleja
xk (n) = ck e j2 kn/N ,
k = 0, 1, . . . , N 1
es
2
k e j2 kn/N ,
N
k = 0, 1, . . . , N 1
= H( )| =2 k/N ,
k = 0, 1, . . . , N 1
yk (n) = ck H
donde
H
2 k
N
(5.1.27)
Utilizando el principio de superposicin para sistemas lineales, obtenemos la respuesta del sistema a la seal
peridica x(n) dada por (5.1.26) como
y(n) =
N1
ck H
k=0
2 k
e j2 kn/N ,
N
< n <
(5.1.28)
Este resultado implica que la respuesta del sistema a la seal de entrada peridica x(n) tambin es peridica
con el mismo perodo N. Los coeficientes de la serie de Fourier para y(n) son
d k ck H
2 k
,
N
k = 0, 1, . . . , N 1
(5.1.29)
Por tanto, el sistema lineal puede cambiar la forma de la seal peridica de entrada cambiando la escala de la
amplitud y desplazando la fase de las componentes de la serie de Fourier, pero sin afectar al perodo de dicha
seal peridica de entrada.
(5.1.30)
(5.1.31)
Y ( ) = X( ) + H( )
(5.1.32)
atenuadas. Por otro lado, el ngulo de H( ) determina el desplazamiento de fase que se produce en la serie
continua de frecuencias de la seal de entrada como una funcin de la frecuencia. Si el sistema modifica el
espectro de la seal de entrada de una forma no deseada, decimos que el sistema ha causado una distorsin de
mdulo y fase.
Observe tambin que la salida de un sistema lineal invariante en el tiempo no puede contener frecuencias
que no se hallen en la seal de entrada. Para crear frecuencias que no necesariamente estn contenidas en la
seal de entrada, debe emplearse un sistema lineal variante en el tiempo o un sistema no lineal.
La Figura 5.1.3 ilustra las relaciones en el dominio del tiempo y en el dominio de la frecuencia que pueden
utilizarse en el anlisis de sistemas LTI con estabilidad BIBO. Observe que en el anlisis en el dominio del
tiempo, trabajamos con la convolucin de la seal de entrada con la respuesta al impulso del sistema para obtener
la secuencia de salida del mismo. Por el contrario, en el anlisis en el dominio de la frecuencia, trabajamos con
el espectro de la seal de entrada X( ) y la respuesta en frecuencia H( ) del sistema, que estn relacionadas
a travs de la mulitplicacin, para obtener el espectro de la seal en la salida del sistema.
Podemos utilizar la relacin (5.1.30) para determinar el espectro Y ( ) de la seal de salida. Despus, puede
determinarse la secuencia de salida {y(n)} a partir de la transformada inversa de Fourier
1
y(n) =
2
Y ( )e j n d
(5.1.33)
Sin embargo, este mtodo se usa rara vez. En su lugar, la transformada z, presentada en el Captulo 3, resulta
ser un mtodo ms simple que permite resolver el problema de determinar la secuencia de salida {y(n)}.
Volvamos a la relacin de entradasalida bsica dada por (5.1.30) y vamos a calcular el mdulo al cuadrado
en ambos lados. As, obtenemos
|Y ( )|2 = |H( )|2 |X( )|2
(5.1.34)
Syy ( ) = |H( )|2 Sxx ( )
donde Sxx ( ) y Syy ( ) son las densidades espectrales de energa de las seales de entrada y de salida, respectivamente. Integrando la expresin (5.1.34) en todo el rango de frecuencias ( , ), obtenemos la energa de la
seal de salida como sigue
1
Syy ( )d
2
1
=
|H( )|2 Sxx ( )d
2
Ey =
(5.1.35)
EJEMPLO 5.1.5
Un sistema lineal invariante en el tiempo queda caracterizado mediante su respuesta al impulso
1
h(n) = ( )n u(n)
2
Entrada
Salida
Figura 5.1.3. Relaciones entrada-salida en el dominio del tiempo y de la frecuencia en los sistemas LTI.
Determine el espectro y la densidad espectral de energa de la seal de salida cuando el sistema se excita con la seal
1
x(n) = ( )n u(n)
4
Solucin. La respuesta en frecuencia del sistema es
H( )
=
=
( 2 )n e j n
n=0
1
1
1 j
2e
1
1 14 e j
1
(1 12 e j )(1 14 e j )
( 54
1
1
cos )( 17
16 2 cos )
5.2.1
En la Seccin 4.2.6 hemos visto que si la funcin del sistema H(z) converge en la cirunferencia unidad, es
posible obtener la respuesta en frecuencia del sistema evaluando H(z) en dicha circunferencia unidad. Por tanto,
H( ) = H(z)|z=e j =
h(n)e j n
(5.2.1)
n=
En el caso en que H(z) es una funcin racional de la forma H(z) = B(z)/A(z), tenemos
M
B( )
=
H( ) =
A( )
b k e j k
k=0
N
1 + ak e
(5.2.2)
j k
k=1
(1 zk e j )
= b0 k=1
N
(5.2.3)
(1 pk e
k=1
donde {ak } y {bk } son reales, pero {zk } y {pk } pueden ser complejos.
En ocasiones, es deseable expresar el mdulo al cuadrado de H( ) en funcin de H(z). En primer lugar,
tenga en cuenta que
|H( )|2 = H( )H ( )
Para la funcin del sistema racional dada por (5.2.3), tenemos
M
H ( ) = b0
(1 zk e j )
k=1
N
(5.2.4)
(1
k=1
pk e j )
Luego se deduce que H ( ) se obtiene evaluando H (1/z ) sobre la circunferencia unidad, donde para una
funcin del sistema racional,
M
(1 zk z)
H (1/z ) = b0 k=1
N
(5.2.5)
(1
k=1
pk z)
Sin embargo, cuando {h(n)} es real o, lo que es equivalente, los coeficientes {ak } y {bk } son reales, podemos
tener pares de polos y ceros complejos conjugados. En este caso, H (1/z ) = H(z1 ). Luego, H ( ) = H( ),
y
|H( )|2 = H( )H ( ) = H( )H( ) = H(z)H(z1 )|z=e j
(5.2.6)
De acuerdo con el teorema de correlacin para la transformada z (vase la Tabla 3.2), la funcin H(z)H(z1 )
es la transformada z de la autocorrelacin {rhh (m)} de la respuesta al impulso unidad {h(n)}. Luego se deduce
a partir del teorema de WienerKhintchine que |H( )|2 es la transformada de Fourier de {rhh (m)}.
De forma similar, si H(z) = B(z)/A(z), las transformadas D(z) = B(z)B(z1 ) y C(z) = A(z)A(z1 ) son las
transformadas z de las secuencias de autocorrelacin {cl } y {dl }, donde
N|l|
cl =
ak ak+l ,
N l N
(5.2.7)
bk bk+l ,
M l M
(5.2.8)
k=0
M|l|
dl =
k=0
Dado que los parmetros del sistema {ak } y {bk } son reales, se deduce que cl = cl y dl = dl . Utilizando esta
propiedad de simetra, |H( )|2 se puede expesar como
M
|H( )|2 =
d0 + 2 dk cos k
k=1
N
(5.2.9)
c0 + 2 ck cos k
k=1
Por ltimo, fjese en que cosk puede expresarse como una funcin polinmica de cos . Es decir,
cos k =
m (cos )m
(5.2.10)
m=0
donde {m } son los coeficientes de la expansin. En consecuencia, el numerador y el denominador de |H( )|2
pueden interpretarse como funciones polinmicas de cos . El siguiente ejemplo ilustra las relaciones anteriores.
EJEMPLO 5.2.1
Determine |H( )|2 para el sistema
y(n) = 0.1y(n 1) + 0.2y(n 2) + x(n) + x(n 1)
Solucin. La funcin del sistema es
H(z) =
1 + z1
1 + 0.1z1 0.2z2
1 + z1
1+z
2 + z + z1
1.05 + 0.08(z + z1 ) 0.2(z2 + z2 )
2 + 2 cos
1.05 + 0.16 cos 0.4 cos 2
Sin embargo, cos 2 = 2 cos2 1. En consecuencia, |H( )|2 se puede expresar como
|H( )|2 =
2(1 + cos )
1.45 + 0.16 cos 0.8 cos2
Observe que dada H(z), es inmediato determinar H(z1) y a continuacin |H( )|2. Sin embargo, el problema
inverso de determinar H(z), dada |H( )|2 o la correspondiente respuesta al impulso {h(n)}, no es inmediato.
Puesto que |H( )|2 no contiene la informacin de fase de H( ), no es posible determinar H(z) de forma
unvoca.
Con el fin de desarrollar esta cuestin, suponemos que los N polos y los M ceros de H(z) son {pk } y
{zk }, respectivamente. Los polos y ceros correspondientes de H(z1 ) son {1/pk } y {1/zk }, respectivamente.
Dada |H( )|2 o, lo que es equivalente, H(z)H(z1 ), podemos determinar diferentes funciones de sistema H(z),
asignando a H(z), un polo pk o su recproco 1/pk , y un cero zk o su recproco 1/zk . Por ejemplo, si N = 2
y M = 1, los polos y ceros de H(z)H(z1 ) son {p1 , p2 , 1/p1 , 1/p2} y {z1 , 1/z1 }. Si p1 y p2 son reales, los
posibles polos para H(z) son {p1 , p2 }, {1/p1, 1/p2 }, {p1 , 1/p2 } y {p2 , 1/p1 } y los posibles ceros son {z1 } o
{1/z1 }. Por tanto, existen ocho posibles funciones del sistema entre las que elegir, todas ellas resultantes de la
misma funcin |H( )|2 . Incluso aunque restrinjamos los polos de H(z) al interior de la circunferencia unidad,
todava se tienen dos posibles opciones para H(z), dependiendo de si elegimos el cero {z1 } o {1/z1}. Por tanto,
no podemos determinar H(z) de forma unvoca conocido nicamente el mdulo de la respuesta H( )|.
5.2.2
Cuando se calculan el mdulo y la fase de la respuesta como funciones de la frecuencia, es conveniente expresar
H( ) en funcin de sus polos y ceros. Por tanto, escribimos H( ) en forma de factores como sigue
M
(1 zk e j k )
H( ) = b0 k=1
N
(5.2.11)
(1 pk e j k )
k=1
H( ) = b0 e j (NM)
(e j zk )
k=1
N
(e
(5.2.12)
j
pk )
k=1
A continuacin expresamos los factores complejos de la Ecuacin (5.2.12) en forma polar como sigue
e j zk = Vk ( )e jk ( )
(5.2.13)
e j pk = Uk ( )e jk ( )
(5.2.14)
y
donde
Vk ( ) |e j zk |,
k ( ) (e j zk )
(5.2.15)
Uk ( ) |e j pk |,
k ( ) = (e j pk )
(5.2.16)
y
El mdulo de H( ) es igual al producto de los mdulos de todos los trminos de (5.2.12). Por tanto,
utilizando las expresiones (5.2.13) hasta (5.2.16), obtenemos
|H( )| = |b0 |
V1 ( ) VM ( )
U1 ( )U2 ( ) UN ( )
(5.2.17)
(5.2.18)
Im(z)
L
A
pk
B
zk
C 0
Re(z)
(a)
Im(z)
Uk
Circunferencia
unidad
L
Vk
pk
zk
0
Re(z)
(b)
Figura 5.2.1. Interpretacin geomtrica de la contribucin de un polo y un cero al (1) mdulo de la transformada
de Fourier: el factor Vk /Uk y (2) la fase: el factor k k .
la circunferencia unidad. La evaluacin de la transformada de Fourier para el valor dado de es equivalente
a calcular la transformada z en el punto L del plano complejo. Dibujamos los vectores AL y BL desde las
posiciones de los polos y ceros hasta el punto L, en el que deseamos calcular la transformada de Fourier. A partir
de la Figura 5.2.1(a) se obtiene que
CL = CA + AL
y
CL = CB + BL
Sin embargo, CL = e j , CA = pk y CB = zk . Por tanto,
Im(z)
Circunferencia unidad
Uk
Vk
Re(z)
Figura 5.2.2. Un cero en la circunferencia unidad hace que |H( )| = 0 y = z k . Por otro lado, un polo
sobre la circunferencia unidad da lugar a |H( )| = en = pk .
AL = e j pk
(5.2.19)
BL = e j zk
(5.2.20)
y
Combinando estas relaciones con (5.2.13) y (5.2.14), obtenemos
AL = e j pk = Uk ( )e jk ( )
(5.2.21)
BL = e j zk = Vk ( )e jk ( )
(5.2.22)
Por tanto, Uk ( ) es la longiutd de AL, es decir, la distancia del polo pk desde el punto L correspondiente a e j ,
mientras que Vk ( ) es la distancia del cero zk desde el mismo punto L. Las fases k ( ) y k ( ) son los ngulos
que forman los vectores AL y BL con el eje real positivo, respectivamente. Estas interpretaciones geomtricas
se muestran en la Figura 5.2.1(b).
Las interpretaciones geomtricas resultan muy tiles para comprender cmo afectan las posiciones de los
polos y de los ceros al mdulo y la fase de la transformada de Fourier. Suponga que un cero, por ejemplo zk , y
un polo, por ejemplo pk , se encuentran en la circunferencia unidad, como se muestra en la Figura 5.2.2. Observe
que en = zk , Vk ( ) y, en consecuencia, |H( )| son cero. Del mismo modo, en = pk , la longitud Uk ( )
se hace cero y, por tanto, |H( )| se hace infinito. Evidentemente, la evaluacin de la fase en estos casos no es
importante.
Ahora podemos ver fcilmente que la presencia de un cero cerca de la circunferencia unidad hace que el
mdulo de la respuesta en frecuencia, en frecuencias que corresponden a puntos de la circunferencia unidad
prximos a dicho punto, sea pequeo. Por el contrario, la presencia de un polo en las proximidades de la
circunferencia unidad hace que el mdulo de la respuesta en frecuencia sea ms grande en frecuencias prximas
a dicho punto. Luego los polos tienen el efecto opuesto al de los ceros. Adems, colocar un cero cerca de un polo
cancela el efecto del polo, y viceversa. Esto se puede ver tambin en la Ecuacin (5.2.12), ya que si zk = pk ,
los trminos e j zk y e j pk se cancelan. Obviamente, la presencia de polos y ceros en una transformada da
lugar a una amplia variedad de formas de |H( )| y H( ). Esta observacin es muy importante en el diseo
de filtros digitales. Vamos a terminar con un ejemplo que ilustra estos conceptos.
1.2
1.0
0.8
0.6
0.4
0.2
Fase (radianes)
2
0
2
Figura 5.2.3. Mdulo y fase del sistema con H(z) = 1/(1 0.8z 1).
EJEMPLO 5.2.2
Halle la respuesta en frecuencia del sistema descrito por la funcin
H(z) =
z
1
=
z 0.8
1 0.8z1
Solucin Evidentemente, H(z) tiene un cero en z = 0 y un polo en p = 0.8. Por tanto, la respuesta en frecuencia del sistema
es
e j
H( ) = j
e 0.8
El mdulo de la respuesta es
1
|e j |
|H( )| = j
=
|e 0.8|
1.64 1.6 cos
y la fase es
sen
cos 0.8
El mdulo y la fase de la respuesta se ilustran en la Figura 5.2.3. Observe que el pico del mdulo se produce en = 0, el
punto sobre la cirunferencia unidad ms prximo al polo ubicado en 0.8.
( ) = tan1
k=1
k=1
(5.2.23)
De esta manera, el mdulo de la respuesta se expresa como una suma de los factores del mdulo de |H( )|.
(5.3.1)
(5.3.2)
donde rxx (m) es la autocorrelacin de la seal de entrada {x(n)}, ryy (m) es la autocorrelacin de la salida
{y(n)}, rhh (m) es la autocorrelacin de la respuesta al impulso {h(n)} y ryx (m) es la correlacin cruzada entre
las seales de salida y de entrada. Como en las Ecuaciones (5.3.1) y (5.3.2) se aplica la operacin de convolucin,
la transformada z de estas ecuaciones es
Syy (z) = Shh (z)Sxx (z)
= H(z)H(z1 )Sxx (z)
Syx (z) = H(z)Sxx (z)
(5.3.3)
(5.3.4)
(5.3.5)
donde Syx ( ) es la densidad espectral de energa cruzada de {y(n)} y {x(n)}. Del mismo modo, calculando
Syy (z) sobre la circunferencia unidad obtenemos la densidad espectral de energa de la seal salida como
Syy ( ) = |H( )|2 Sxx ( )
(5.3.6)
1
2
Syy ( )e j m d
(5.3.7)
1
Syy ( )d = ryy (0)
2
1
|H( )|2 Sxx ( )d
=
2
Ey =
(5.3.8)
Por ltimo, observe que si la seal de entrada tiene un espectro plano [es decir, Sxx ( ) = Sx = constante
para ], la Ecuacin (5.3.5) se reduce a
Syx ( ) = H( )Sx
(5.3.9)
1
Syx ( )
Sx
(5.3.10)
h(n) =
1
ryx (m)
Sx
(5.3.11)
o, lo que es equivalente,
La relacin dada en (5.3.11) implica que h(n) puede determinarse excitando la entrada del sistema con una seal
{x(n)} cuyo espectro sea plano, y calculando la correlacin cruzada de la entrada con la salida del sistema. Este
mtodo resulta til para medir la respuesta al impulso de un sistema desconocido.
h(k)x(n k)
(5.3.12)
k=
Puesto que x(n) es una seal de entrada aleatoria, la salida tambin ser una seal aleatoria. En otras palabras,
para cada realizacin x(n) del proceso X(n), existe la correspondiente realizacin y(n) del proceso aleatorio
de salida Y (n). Deseamos relacionar las caractersticas estadsticas del proceso aleatorio de salida Y (n) con las
caractersticas del proceso de entrada y las del sistema.
El valor esperado de la salida y(n) es
my E[y(n)] = E[
h(k)x(n k)]
k=
h(k)E[x(n k)]
(5.3.13)
k=
m y = mx
h(k)
k=
h(k)e j k
(5.3.14)
k=
tenemos
H(0) =
h(k)
(5.3.15)
k=
que es la ganancia en continua del sistema. La relacin dada en (5.3.15) nos permite expresar el valor medio de
(5.3.13) como
my = mx H(0)
(5.3.16)
La autocorrelacin del proceso aleatorio de salida se define como
= E
=
=
h(k)x (n k)
k=
j=
h( j)x(n + m j)
h(k)h( j)xx (k j + m)
k= j=
k= j=
(5.3.17)
xx (m) = x2 (m)
(5.3.18)
yy (m) = x2
h(k)h(k + m)
(5.3.19)
k=
Para esta condicin, el proceso de salida tiene una potencia media igual a
yy (0) = x2
n=
h2 (n) = x2
1/2
1/2
|H( f )|2 d f
(5.3.20)
m=
yy (m)e j m
m= k= l=
h(k)h(l)xx (k l + m) e j m
h(k)h(l)
= xx ( f )
m=
k= l=
h(k)e
k=
j k
(5.3.21)
xx (k l + m)e
j m
h(l)e
j l
l=
= |H( )|2 xx ( )
sta es la relacin deseada para el espectro de densidad de potencia del proceso de salida en funcin del espectro
de densidad de potencia del proceso de entrada y la respuesta en frecuencia del sistema.
La expresin equivalente para sistemas continuos en el tiempo con seales de entrada aleatorias es
yy (F) = |H(F)|2 xx (F)
(5.3.22)
donde las densidades espectrales de potencia yy (F) y xx (F) son las transformadas de Fourier de las funciones
de autocorrelacin yy ( ) y xx ( ), respectivamente, y donde H(F) es la respuesta en frecuencia del sistema, la
cual est relacionada con la respuesta al impulso mediante la transformada de Fourier, esto es,
H(F) =
h(t)e j2 Ft dt
(5.3.23)
Como ejercicio final, vamos a determinar la correlacin cruzada de la salida y(n) con la seal de entrada x(n).
Si multiplicamos ambos lados de la Ecuacin (5.3.12) por x (n m) y tomamos el valor esperado, obtenemos
E[y(n)x (n m)] = E
h(k)x (n m)x(n k)
k=
yx (m) =
(5.3.24)
k=
h(k)xx (m k)
k=
Puesto que la expresin (5.3.24) tiene la forma de una convolucin, la expresin equivalente en el dominio de
la frecuencia es
yx ( ) = H( )xx ( )
(5.3.25)
En el caso especial en el que x(n) es ruido blanco, la Ecuacin (5.3.25) se reduce a
yx ( ) = x2 H( )
(5.3.26)
donde x2 es la potencia de ruido de entrada. Este resultado quiere decir que un sistema desconocido con una
respuesta en frecuencia H( ) puede identificarse excitando la entrada con ruido blanco, calculando la correlacin
cruzada de la seal de entrada con la seal de salida para obtener yx (m) y, hallando, por ltimo, la transformada
de Fourier de yx (m). El resultado de estos clculos es proporcional a H( ).
de esta accin de filtrado est determinada por la respuesta en frecuencia H( ), que a su vez depende de la
eleccin de los parmetros del sistema (por ejemplo, de los coeficientes {ak } y {bk } de la ecuacin en diferencias
que caracteriza al sistema). Por tanto, seleccionando adecuadamente los coeficientes, podemos disear filtros
selectivos de frecuencia que dejan pasar seales con componentes de frecuencia en determinadas bandas mientras
que atenan seales que contienen frecuencias en otras bandas.
En general, un sistema lineal invariante en el tiempo modifica el espectro de la seal de entrada X( )
de acuerdo con su respuesta en frecuencia H( ), para proporcionar una seal de salida de espectro Y ( ) =
H( )X( ). De alguna manera, H( ) acta como una funcin ponderada o una funcin de conformacin
espectral para las diferentes componentes de frecuencia de la seal de entrada. En este contexto, cualquier sistema
lineal invariante en el tiempo puede considerarse como un filtro de conformacin de frecuencias, incluso aunque
no necesariamente bloquee algunas o todas las componentes de frecuencia. Por tanto, los trminos sistema
lineal invariante en el tiempo y filtro son sinnimos y a menudo se emplean de forma indistinta.
Utilizamos el trmino filtro para describir un sistema lineal invariante en el tiempo empleado para llevar
a cabo una operacin de conformacin espectral o un filtrado selectivo. El filtrado se emplea de formas muy
variadas en el procesamiento digital de seales; por ejemplo, para eliminar el ruido indeseado que pueda existir
en las seales deseadas, para conformacin espectral en la ecualizacin de canales de comunicacin, en la
deteccin de seales de radar, sonar y de comunicaciones y para realizar el anlisis espectral de seales, etc.
1 < < 2
(5.4.2)
(5.4.3)
Por tanto, la salida del filtro es simplemente una versin retardada con la amplitud escalada de la seal de entrada.
Normalmente, un retardo puro es tolerable y no se considera como una distorsin de la seal. Asimismo, tampoco
se considera que el cambio de escala de la amplitud sea una distorsin. Por tanto, los filtros ideales presentan
una caracterstica de fase en su banda de paso, que es
( ) = n0
(5.4.4)
La derivada de la fase con respecto a la frecuencia tiene unidades de retardo. Por tanto, podemos definir el
retardo de la seal como una funcin de la frecuencia de la siguiente forma
g ( ) =
d( )
d
(5.4.5)
Figura 5.4.1. Mdulo de las respuestas de algunos filtros discretos en el tiempo y selectivos en frecuencia.
Se suele decir que g ( ) es el retardo de envolvente o retardo de grupo del filtro. Interpretamos g ( ) como
el retardo temporal que una componente de seal de frecuencia sufre al pasar de la entrada a la salida del
sistema. Observe que cuando ( ) es lineal como en (5.4.4), g ( ) = n0 = constante. En este caso, todas las
componentes de frecuencia de la seal de entrada sufren el mismo retardo de tiempo.
En resumen, los filtros ideales tienen mdulo constante y fase lineal en su banda de paso. En todos los casos,
dichos filtros no se pueden implementar fsicamente, pero sirven como idealizacin matemtica de los filtros
prcticos. Por ejemplo, el filtro paso bajo ideal tiene una respuesta al impulso
hl p (n) =
sen c n
,
n
< n <
(5.4.6)
Observe que este filtro no es causal ni absolutamente sumable y, por tanto, es inestable. En consecuencia, este
filtro ideal no puede implementarse fsicamente. No obstante, las caractersticas de su respuesta en frecuencia
pueden aproximarse enormemente mediante filtros prcticos implementables en la prctica, como se ver en el
Captulo 10.
A continuacin vamos a abordar el diseo de algunos filtros digitales simples ubicando los polos y los ceros
en el plano z. Ya hemos descrito cmo afecta la posicin de los polos y los ceros a las caractersticas de la
respuesta en frecuencia del sistema. En particular, en la Seccin 5.2.2 hemos presentado un mtodo grfico para
calcular la respuesta en frecuencia a partir del diagrama de polos y ceros. Este mismo mtodo puede utilizarse
para disear una serie de filtros digitales sencillos pero importantes con respuestas en frecuencia adecuadas.
El principio bsico subyacente al mtodo de colocacin de los polos y los ceros es el de ubicar los polos
cerca de los puntos de la circunferencia unidad correspondientes a las frecuencias que se desean acentuar y los
ceros cerca de las frecuencias que se desean atenuar. Adems, deben imponerse las siguientes restricciones:
1. Todos los polos tienen que colocarse dentro de la circunferencia unidad con el fin de que el filtro sea
estable. Sin embargo, los ceros pueden colocarse en cualquier punto del plano z.
2. Todos los ceros y polos complejos tiene que aparecer como pares complejos conjugados con el fin de que
los coeficientes del filtro sean reales.
Recordemos que para un patrn de polos y ceros determinado, la funcin del sistema H(z) se puede expresar
como
M
H(z) =
bk zk
k=0
N
1 + ak z
k=1
(1 zk z1 )
= b0 k=1
N
(5.4.7)
(1 pk z
k=1
donde b0 es una ganancia constante seleccionada para normalizar la respuesta en frecuencia en una frecuencia
especificada. Es decir, b0 se elige de manera que
|H(0 )| = 1
(5.4.8)
donde 0 es una frecuencia de la banda de paso del filtro. Normalmente, N se selecciona para ser igual o mayor
que M, por lo que el filtro presenta ms polos no triviales que ceros.
En la siguiente seccin vamos a aplicar el mtodo de la colocacin de los polos y ceros al diseo de algunos
filtros simples paso bajo, paso alto y paso banda, circuitos resonadores digitales y filtros peine. El procedimiento
de diseo se hace ms simple si se emplea, de forma interactiva, una computadora digital con un terminal grfico.
5.4.2
En el diseo de filtros digitales paso bajo, los polos deben colocarse en las proximidades de la circunferencia
unidad en puntos correspondientes a frecuencias bajas (cerca de = 0) y los ceros deben colocarse cerca o
sobre la circunferencia unidad en puntos correspondientes a frecuencias altas (cerca de = ). En el caso de
los filtros paso alto, estas condiciones sern las inversas.
La Figura 5.4.2 ilustra la colocacin de los polos y los ceros de tres filtros paso bajo y tres filtros paso alto.
El mdulo y la fase de las respuestas para el filtro de un solo polo con la funcin de sistema
H1 (z) =
1a
1 az1
(5.4.9)
se muestran en la Figura 5.4.3 para a = 0.9. La ganancia G se ha seleccionado como 1 a, por lo que el filtro
tiene ganancia unidad en = 0. La ganancia de este filtro a frecuencias altas es relativamente pequea.
La adicin de un cero en z = 1 atena an ms la respuesta del filtro en las frecuencias altas. Esto lleva a
un filtro con una funcin del sistema
1 a 1 + z1
H2 (z) =
(5.4.10)
2 1 az1
Paso bajo
Paso alto
Figura 5.4.2. Patrones de polos y ceros de varios filtros paso bajo y paso alto.
1.2
1.0
0.8
0.6
0.4
0.2
0
2
0
Figura 5.4.3. Mdulo y fase de la respuesta de (1) un filtro de un solo polo y (2) de un filtro de un polo y un
cero; H1 (z) = (1 a)/(1 az1), H2 (z) = [(1 a)/2][(1 + z1)/(1 az1)] y a = 0.9.
y la respuesta en frecuencia que tambin se muestra en la Figura 5.4.3. En este caso, el mdulo de H2 ( ) tiende
a cero en = .
Del mismo modo, podemos obtener filtros paso alto sencillos reflejando las posiciones de los polos y los
ceros del filtro paso bajo alrededor del eje imaginario en el plano z. As, obtenemos la funcin de sistema
H3 (z) =
1 a 1 z1
2 1 + az1
(5.4.11)
Figura 5.4.4. Mdulo y fase de la respuesta de un filtro paso alto simple; H(z) = [(1 a)/2][(1 z 1)/(1 +
az1 )] con a = 0.9.
EJEMPLO 5.4.1
Un filtro paso bajo de dos polos tiene la funcin de sistema
H(z) =
b0
(1 pz1 )2
Determine los valores de b0 y p tal que la respuesta en frecuencia H( ) satisfaga las condiciones
H(0) = 1
Solucin En = 0, tenemos
H(0) =
2 1
H
=
4
2
b0
=1
(1 p)2
Por tanto,
b0 = (1 p)2
En = /4,
H
(1 p)2
(1 pe j /4 )2
(1 p)2
(1 p cos( /4) + j p sen( /4))2
(1 p)2
(1 p/ 2 + jp/ 2)2
Luego
(1 p)4
1
=
2
[(1 p/ 2)2 + p2 /2]2
o, lo que es equivalente,
2(1 p)2 = 1 + p2 2p
El valor de p = 0.32 satisface esta ecuacin. Por tanto, la funcin del sistema para el filtro deseado es
H(z) =
0.46
(1 0.32z1 )2
Los mismos principios se pueden aplicar al diseo de filtros paso banda. Bsicamente, el filtro paso banda
debe contener uno o ms pares de polos complejos conjugados prximos a la circunferencia unidad, en las
vecindades de la banda de frecuencias que define la banda de paso del filtro. El siguiente ejemplo ilustra las
ideas bsicas.
EJEMPLO 5.4.2
Disee un filtro paso banda de dos polos que tenga el centro de la banda de paso en = /2, cuya respuesta en frecuencia
z2 1
(z 1)(z + 1)
=G
2
(z jr)(z + jr)
z2 + r
El factor de ganancia se determina evaluando la respuesta en frecuencia H( ) del filtro en = /2. As, tenemos
H
=G
G=
2
=1
1 r2
1 r2
2
1 z2
1 + 0.7z2
Figura 5.4.5. Mdulo y fase del filtro paso banda simple del Ejemplo 5.4.2; H(z) = 0.15[(1 z 2 )/(1 +
0.7z2 )].
Es preciso resaltar que el propsito principal de la metodologa anterior para disear filtros digitales simples
mediante la colocacin de los polos y los ceros es mostrar la influencia que los polos y ceros tienen en la respuesta
en frecuencia de los sistemas. La metodologa no pretende ser el mejor mtodo de diseo de filtros digitales
con bandas de paso y bandas eliminadas bien especificadas. En el Captulo 10 se abordan mtodos sistemticos
para el diseo de filtros digitales complejos para aplicaciones prcticas.
Transformacin de un filtro paso bajo simple en un filtro paso alto. Suponga que hemos diseado un filtro
paso bajo prototipo con una respuesta al impulso hlp (n). Utilizando la propiedad de traslacin de frecuencia de
la transformada de Fourier, es posible convertir el filtro prototipo en un filtro paso banda o en un filtro paso
alto. Las transformaciones en frecuencia para convertir un filtro paso bajo prototipo en un filtro de otro tipo se
describen en detalle en la Seccin 10.3. En esta seccin vamos a presentar una transformacin en frecuencia
simple para convertir un filtro paso bajo en un filtro paso alto, y viceversa.
Si hlp (n) expresa la respuesta al impulso de un filtro paso bajo con una respuesta en frecuencia Hlp ( ),
podemos obtener un filtro paso alto trasladando Hlp ( ) radianes (es decir, reemplazando por ). Por
tanto,
Hhp ( ) = Hlp ( )
(5.4.12)
donde Hhp ( ) es la respuesta en frecuencia del filtro paso alto. Puesto que una traslacin en frecuencia de
radianes es equivalente a multiplicar la respuesta al impulso hlp (n) por e j n , la respuesta al impulso del filtro
paso alto es
hhp (n) = (e j )n hlp (n) = (1)n hlp (n)
(5.4.13)
Por tanto, la respuesta al impulso del filtro paso alto se obtiene simplemente a partir de la respuesta al impulso
del filtro paso bajo cambiando los signos de las muestras impares de hlp (n). A la inversa,
hlp (n) = (1)n hhp (n)
(5.4.14)
k=1
k=0
(5.4.15)
su respuesta en frecuencia es
M
Hlp ( ) =
b k e j k
k=0
N
(5.4.16)
1 + ak e
j k
k=1
Hhp ( ) =
(1)k bk e j k
k=0
N
(5.4.17)
1 + (1) ak e
k
j k
k=1
k=1
k=0
(5.4.18)
EJEMPLO 5.4.3
Convierta el filtro paso bajo descrito por la ecuacin en diferencias
y(n) = 0.9y(n 1) + 0.1x(n)
en un filtro paso alto.
Solucin. La ecuacin en diferencias para el filtro paso alto segn (5.4.18) es
y(n) = 0.9y(n 1) + 0.1x(n)
y su respuesta en frecuencia es
Hhp ( ) =
0.1
1 + 0.9e j
Im(z)
Re(z)
r
(a)
1.2
1.0
0.8
0.6
r = 0.8
0.4
r = 0.95
0.2
0
0
2
(b)
2
0
r = 0.8
r = 0.95
0
2
(c)
Figura 5.4.6. (a) Patrn de polos y ceros. (b) Mdulo y fase de la respuesta de un resonador digital con
(1) r = 0.8 y (2) r = 0.95.
En el diseo de un resonador digital con un pico de resonancia en o prximo a = 0 , seleccionamos los
polos complejos conjugados en
p1,2 = re j0 ,
0<r<1
Adems, podemos seleccionar hasta dos ceros. Aunque esto supone muchas opciones posibles, hay dos casos
que tienen un inters especial. Una de ellas consiste en colocar los ceros en el origen. La otra opcin consiste
en colocar un cero en z = 1 y un cero en z = 1. Esta opcin elimina por completo la respuesta del filtro en las
frecuencias = 0 y = , y resulta til en muchas aplicaciones prcticas.
La funcin del sistema del resonador digital con ceros en el origen es
H(z) =
b0
(1 re j0 z1 )(1 re j0 z1 )
(5.4.19)
H(z) =
b0
1 (2r cos 0 )z1 + r2 z2
(5.4.20)
H(0 ) =
(5.4.21)
y, por tanto,
|H(0 )| =
b0
=1
(1 r) 1 + r2 2r cos20
(5.4.22)
La respuesta en frecuencia del resonador definido por (5.4.19) puede expresarse como sigue
|H( )| =
b0
U1 ( )U2 ( )
(5.4.23)
( ) = 2 1 ( ) 2 ( )
donde U1 ( ) y U2 ( ) son los mdulos de los vectores que van desde p1 y p2 al punto situado en la
circunferencia unidad y 1 ( ) y 2 ( ) son los correspondientes ngulos de dichos vectores. Los mdulos
U1 ( ) y U2 ( ) se pueden expresar as
1 + r2 2r cos(0 )
U2 ( ) =
1 + r2 2r cos(0 + )
U1 ( ) =
(5.4.24)
(5.4.26)
La Figura 5.4.6 ilustra el mdulo y la fase de los resonadores digitales con 0 = /3, r = 0.8 y 0 = /3,
r = 0.95. Observe que la fase de la respuesta adquiere su mayor tasa de variacin cerca de la frecuencia de
resonancia.
Si los ceros del resonador digital se colocan en z = 1 y z = 1, el resonador tiene la funcin de sistema
(1 z1)(1 + z1)
(1 re j0 z1 )(1 re j0 z1 )
1 z2
= G
1 (2r cos 0 )z1 + r2 z2
H(z) = G
(5.4.27)
y la respuesta en frecuencia es
H( ) = b0
1 e j2
[1 re j(0 ) ][1 re j(0+ ) ]
(5.4.28)
Observe que los ceros en z = 1 afectan tanto al mdulo como a la fase de la respuesta del resonador. Por
ejemplo, el mdulo es
N( )
|H( )| = b0
(5.4.29)
U1 ( )U2 ( )
donde N( ) se define como
N( ) =
2(1 cos2 )
Debido a la presencia del cero, la frecuencia de resonancia no es la dada por la Ecuacin (5.4.25). Tambin
el ancho de banda del filtro se ve modificado. Aunque resulta bastante pesado calcular los valores exactos de
estos dos parmetros, podemos calcular fcilmente la respuesta en frecuencia usando (5.4.28) y comparar el
resultado con el caso anterior en que los ceros se encontraban en el origen.
La Figura 5.4.7 muestra el mdulo y la fase para 0 = /3, r = 0.8 y 0 = /3, r = 0.95. Observe que
este filtro tiene un ancho de banda ms pequeo que el resonador con los ceros en el origen. Adems, aparece
un pequeo desplazamiento en la frecuencia de resonancia a causa de la presencia de los ceros.
(5.4.30)
La Figura 5.4.9 muestra el mdulo de la respuesta de un filtro de hendidura que tiene un nulo en = /4.
El problema con el filtro FIR de hendidura es que sta tiene un ancho de banda relativamente grande, lo
que significa que las restantes frecuencias que se encuentran alrededor del nulo deseado se vern severamente
atenuadas. Para reducir el ancho de banda del nulo, podemos recurrir a un filtro FIR ms grande y complejo
Figura 5.4.7. Mdulo y fase de la respuesta del resonador digital con ceros en = 0 y = y (1) r = 0.8 y
(2) r = 0.95.
siguiendo los criterios que se describen en el Captulo 10. Alternativamente, podramos, de manera ad hoc,
intentar mejorar la respuesta en frecuencia introduciendo polos en la funcin del sistema.
Suponga que colocamos un par de polos complejos conjugados en
p1,2 = re j0
El efectos de los polos es el de introducir resonancia en las vecindades del nulo y reducir as el ancho de banda
de la hendidura. La funcin del sistema para el filtro resultante es
H(z) = b0
1 2 cos 0 z1 + z2
1 2r cos 0 z1 + r2 z2
(5.4.31)
El mdulo |H( )| de la respuesta del filtro dada por (5.4.31) se ha representado grficamente en la Figura
5.4.10 para 0 = /4, r = 0.85 y para 0 = /4, r = 0.95. Si comparamos estas grficas con la respuesta en
|H()|
Figura 5.4.9. Respuesta en frecuencia de un filtro de hendidura con un valle en = /4 o f = 1/8; H(z) =
G[1 2 cos 0 z1 + z2 ].
frecuencia del filtro FIR de la Figura 5.4.9, vemos que el efecto de los polos es el de reducir el ancho de banda
de la hendidura.
Adems de reducir el ancho de banda de la hendidura, la introduccin de un polo en las vecindades del nulo
puede dar lugar a un pequeo rizado en la banda de paso del filtro debido a la resonancia creada por el polo. El
efecto del rizado se puede reducir, aadiendo polos y/o ceros adicionales en la funcin de sistema del filtro. El
problema ms importante de este mtodo es que se trata, bsicamente, de un mtodo de prueba y error.
5.4.5
Filtros peine
En su forma ms simple, un filtro peine puede interpretarse como un filtro de hendidura en el que los nulos se
producen de forma peridica a lo largo de la banda de frecuencias, de aqu la analoga con un peine que tiene
sus pas equiespaciadas. Los filtros peine tienen aplicacin en un amplio rango de sistemas prcticos, como por
ejemplo, en el rechazo de los armnicos de la red elctrica, en la separacin de las componentes solar y lunar
de las medidas ionosfricas de la concentracin de electrones y en la supresin del clutter de objetos fijos en
radares indicadores de blanco mvil (MTI, moving-target-indicator).
Para ilustrar una forma simple de un filtro peine, considere un filtro de media mvil (FIR) descrito por la
ecuacin en diferencias
M
1
y(n) =
x(n k)
(5.4.32)
M + 1 k=0
Figura 5.4.10. Respuesta en frecuencia de dos filtros de hendidura con polos en (1) r = 0.85 y (2) r = 0.95;
H(z) = b0 [(1 2 cos 0 z1 + z2 )/(1 2r cos 0 z1 + r2 z2 )].
La funcin del sistema de este filtro FIR es
H(z) =
M
1
zk
M + 1 k=0
1 [1 z(M+1)]
=
M + 1 (1 z1)
(5.4.33)
y su respuesta en frecuencia es
H( ) =
(5.4.34)
En (5.4.33) podemos ver que el filtro tiene ceros sobre la circunferencia unidad en
z = e j2 k/(M+1) ,
k = 1, 2, 3, . . . , M
(5.4.35)
Observe que el polo en z = 1 es cancelado por el cero en z = 1, por lo que el filtro FIR no presenta polos fuera
de la circunferencia z = 0.
La representacin grfica del mdulo de (5.4.34) ilustra claramente la existencia de ceros igualmente
espaciados en la frecuencia k = 2 k/(M + 1) para k = 1, 2, . . . , M. La Figura 5.4.11 muestra |H( )| para
M = 10.
En trminos ms generales, podemos crear un filtro peine utilizando un filtro FIR cuya funcin de sistema
sea
H(z) =
h(k)zk
(5.4.36)
k=0
Figura 5.4.11. Mdulo de la respuesta del filtro peine definido por (5.4.34) con M = 10.
Figura 5.4.12. Filtro peine con una respuesta en frecuencia HL ( ) obtenida a partir de H( ).
y reemplazando z por zL , donde L es un entero positivo. As, el nuevo filtro FIR tiene la funcin de sistema
HL (z) =
h(k)zkL
(5.4.37)
k=0
Si la respuesta en frecuencia del filtro FIR original es H( ), la respuesta en frecuencia del filtro FIR dado por
(5.4.37) es
HL ( ) =
h(k)e jkL =
H(L )
(5.4.38)
k=0
z1
x(n)
z1
z1
z1
h(0)
z1
z1
z1
h(1)
z1
z1
h(2)
h(3)
y(n)
Figura 5.4.14. Mdulo de la respuesta para el filtro peine definido por (5.4.40), con L = 3 y M = 10.
Volvamos ahora al filtro de media mvil con la funcin de sistema dada por (5.4.33). Suponga que reemplazamos z por zL . Entonces el filtro peine resultante tendr la funcin de sistema
1 1 zL(M+1)
M+1
1 zL
(5.4.39)
(5.4.40)
HL (z) =
y una respuesta en frecuencia
HL ( ) =
(5.4.41)
para todos los valores enteros de k excepto k = 0, L, 2L, . . . , ML. La Figura 5.4.14 ilustra |HL ( )| para L = 3 y
M = 10.
El filtro peine descrito por la Ecuacin (5.4.39) tiene aplicacin en la separacin de las componentes
espectrales solar y lunar en las medidas ionosfricas de concentraciones de electrones como se describe en el
documento de Bernhardt et al. (1976). El perodo solar es Ts = 24 horas y produce una componente solar de un
ciclo por da y sus armnicos. El perodo lunar es TL = 24.84 horas y proporciona lneas espectrales en 0.96618
ciclos por da y sus armnicos. La Figura 5.4.15(a) muestra una grfica de la densidad espectral de potencia de
las medidas ionosfricas de las concentraciones de electrones no filtradas. Observe que las dbiles componentes
lunares quedan prcticamente ocultas por las fuertes componentes solares.
Los dos conjuntos de componentes espectrales pueden separarse utilizando filtros peine. Si deseamos obtener
las componentes solares, podemos emplear un filtro peine con una banda de paso estrecha en mltiplos de un
ciclo por da. Esto puede conseguirse seleccionando L, tal que Fs /L = 1 ciclo por da, donde Fs es la frecuencia de
muestreo correspondiente. El resultado es un filtro que presenta picos en su respuesta en frecuencia en multiplos
Mdulo del
espectro de
IL
Mdulo del
espectro de
Is
Mdulo del
espectro de
I
Frecuencia (ciclos/da)
Figura 5.4.15. (a) Espectro de datos del contenido de electrones no filtrado. (b) Espectro de salida del filtro
solar. (c) Espectro de salida del filtro lunar. [Extrado del documento de Bernhardt et al. (1976). Reimpreso con
el permiso de American Geophysical Union].
de un ciclo por da. Seleccionando M = 58, el filtro tendr nulos en mltiplos de (Fs/L)/(M +1) = 1/59 ciclos por
da. Estos nulos son muy prximos a las componentes lunares y dan lugar a un buen rechazo. La Figura 5.4.15(b)
ilustra la densidad espectral de potencia de la salida del filtro peine que asla las componentes solares. Puede
disearse de forma similar un filtro peine que rechace las componentes solares y deje pasar las componentes
lunares. La Figura 5.4.15(c) ilustra la densidad espectral de potencia en la salida de un filtro as para las
componentes lunares.
aN + aN1 z1 + + a1 zN+1 + zN
1 + a1z1 + + aN zN
N ak zN+k
= k=0
,
Nk=0 ak zk
(5.4.43)
a0 = 1
r
0
1
a
1
r
(b)
(a)
Figura 5.4.16. Patrones de polos y ceros de un filtro paso todo (a) de primer orden y (b) de segundo orden.
donde todos los coeficientes del filtro {ak } son reales. Si definimos el polinomio A(z) como
A(z) =
ak zk ,
a0 = 1
k=0
A(z1 )
A(z)
(5.4.44)
Dado que,
|H( )|2 = H(z)H(z1 )|z=e j = 1
el sistema dado por (5.4.44) es un filtro paso todo. Adems, si z0 es un polo de H(z), entonces 1/z0 es un cero de
H(z) (es decir, los polos y los ceros son recprocos entre s). La Figura 5.4.16 ilustra patrones tpicos de polos
y ceros de un filtro de un solo polo y un solo cero, y de un filtro de dos polos y dos ceros. En la Figura 5.4.17
se muestra una grfica de la fase de estos filtros para a = 0.6 y r = 0.9, 0 = /4.
La forma ms general de la funcin de sistema de un filtro paso todo con coeficientes reales, expresada en
forma de factores definidos por los polos y ceros, es
NR
z1 k Nc (z1 k )(z1 k )
1 (1 z1 )(1 z1 )
k
k
k=1 1 k z
k=1
Hap (z) =
(5.4.45)
donde existen NR ceros y polos reales y Nc pares complejos conjugados de polos y ceros. Para sistemas causales
y estables necesitamos que 1 < k < 1 y |k | < 1.
Las expresiones para la fase de la respuesta y el retardo de grupo de los sistemas paso todo pueden obtenerse
fcilmente utilizando el mtodo descrito en la Seccin 5.2.1. Para un sistema paso todo de un solo polo y un
solo cero, tenemos
e j re j
Hap ( ) =
1 re j e j
Por tanto,
ap ( ) = 2 tan1
r sen( )
1 r cos( )
g ( ) =
dap( )
1 r2
=
2
d
1 + r 2r cos( )
(5.4.46)
Figura 5.4.17. Respuesta en frecuencia de un filtro paso todo con las funciones de sistema (1) H(z) = (0.6 +
z1 )/(1 + 0.6z1), (2) H(z) = (r2 2r cos 0 z1 + z2 )/ (1 2r cos 0 z1 + r2 z2 ), r = 0.9, 0 = /4.
Observe que en un sistema causal y estable, r < 1 y, por tanto, g ( ) 0. Dado que el retardo de grupo de
un sistema de polos y ceros de orden superior consta de una suma de trminos positivos como en (5.4.46), el
retardo de grupo siempre ser positivo.
Los filtros paso todo tienen aplicacin en los ecualizadores de fase. Cuando se montan en cascada con
un sistema que tiene una respuesta en fase indeseada, se emplea un ecualizador de fase para compensar una
caracterstica de fase pobre del sistema y as obtener una respuesta de fase global lineal.
b0
1 + a1z1 + a2z2
(5.4.47)
y parmetros
a1 = 2r cos 0
tiene polos complejos conjugados en p =
re j0 ,
h(n) =
a2 = r 2
(5.4.48)
b0 r n
sen(n + 1)0u(n)
sen 0
(5.4.49)
Si los polos se colocan sobre la circunferencia unidad (r = 1) y b0 se hace igual a A sen 0 , entonces
h(n) = A sen(n + 1)0u(n)
(5.4.50)
(5.4.51)
donde los parmetros son a1 = 2 cos 0 y b0 = A sen 0 , y las condiciones iniciales son y(1) = y(2) = 0.
Iterando la ecuacin en diferencias de (5.4.51), obtenemos
y(0) = A sen 0
y(1) = 2 cos 0 y(0) = 2A sen 0 cos 0 = A sen 20
y(2) = 2 cos 0 y(1) y(0)
= 2A cos 0 sen 20 A sen 0
= A(4 cos2 0 1) sen 0
= 3A sen 0 4 sen3 0 = A sen 30
y as sucesivamente. Observe que la aplicacin del impulso en n = 0 sirve al propsito de iniciar las oscilaciones
sinusoidales. Despus, el sistema se auto-mantendr porque el sistema no tiene amortiguacin (es decir, r = 1).
Es interesante observar que la oscilacin sinusoidal obtenida del sistema de (5.4.51) tambin puede obtenerse
poniendo la entrada a cero y definiendo las condiciones iniciales como y(1) = 0, y(2) = A sen 0 . As, la
respuesta a la entrada nula del sistema de segundo orden descrito por la ecuacin en diferencias homognea
y(n) = a1 y(n 1) y(n 2)
(5.4.52)
con las condiciones iniciales y(1) = 0 e y(2) = A sen 0 , es exactamente la misma que la respuesta de
(5.4.51) a la excitacin de un impulso. De hecho, la ecuacin en diferencias de (5.4.52) se puede obtener
directamente a partir de la identidad trigonomtrica
sen + sen = 2 sin
+
cos
2
2
(5.4.53)
(5.4.54)
(5.4.55)
(5.4.56)
(5.4.57)
(5.4.58)
La estructura para la realizacin del oscilador acoplado se ilustra en la Figura 5.4.19. Observe que se trata
de un sistema de dos salidas que no estn excitadas por ninguna entrada, pero que requieren las condiciones
iniciales yc (1) = A cos 0 e ys (1) = A sen 0 para iniciar sus oscilaciones auto-mantenidas.
Por ltimo, es interesante destacar que (5.4.58) se corresponde con la rotacin de un vector en un sistema
de coordenadas bidimensional con las coordenadas yc (n) e ys (n). En consecuencia, el oscilador acoplado puede
tambin implementarse utilizando el algoritmo de CORDIC [vase el libro de Kung et al. (1985)].
En muchas aplicaciones prcticas, disponemos de una seal de salida de un sistema cuyas caractersticas son
desconocidas y necesitamos determinar la seal de entrada. Por ejemplo, en la transmisin de informacin digital
a alta velocidad a travs de canales telefnicos, sabemos que el canal distorsiona la seal y produce interferencias
entre los smbolos de los datos. Este tipo de interferencia puede generar errores cuando se quieren recuperar
las datos. En estas situaciones, el problema consiste en disear un sistema de correccin que, al conectarse en
cascada con el canal, genere una salida que, en cierto sentido, corrija la distorsin debida al canal y genere
a continuacin una rplica de la seal transmitida deseada. En las comunicaciones digitales, tales sistemas de
correccin se conocen como ecualizadores. Sin embargo, en el contexto general de la teora de sistemas lineales,
estos sistemas de correccin se denominan sistemas inversos, porque el sistema de correccin tiene una respuesta
en frecuencia que es, bsicamente, la inversa de la respuesta en frecuencia del sistema que causa la distorsin.
Adems, puesto que el sistema que origina la distorsin produce una salida y(n) que es la convolucin de la
entrada x(n) con la respuesta al impulso h(n), la operacin del sistema inverso que toma y(n) y genera x(n) se
denomina deconvolucin.
Si las caractersticas del sistema que produce la distorsin son desconocidas, a menudo ser necesario,
siempre que sea posible, excitar el sistema con una seal conocida, observar la salida, compararla con la entrada y,
de alguna manera, determinar las caractersticas del sistema. Por ejemplo, en el problema de las comunicaciones
digitales que acabamos de describir, en el que la respuesta en frecuencia del canal es desconocida, la medida
de la respuesta en frecuencia de ste puede realizarse transmitiendo un conjunto de sinusoides de la misma
amplitud a diferentes frecuencias con un conjunto de fases especificado, dentro de la banda de frecuencias del
canal. El canal atenuar y desplazar en fase cada una de las sinusoides. Comparando la seal recibida con la
seal transmitida, el receptor obtiene una medida de la respuesta en frecuencia del canal, que se puede utilizar
para disear el sistema inverso. El proceso de determinar las caractersticas del sistema inverso, h(n) o H( ),
mediante un conjunto de medidas realizadas sobre el sistema se conoce como proceso de identificacin del
sistema.
El trmino deconvolucin se utiliza a menudo en el procesamiento de seales ssmicas, y ms generalmente, en geofsica para describir la operacin de separar la seal de entrada de las caractersticas del sistema
que deseamos medir. La finalidad de la operacin de deconvolucin es identificar las caractersticas del sistema,
que en este caso, es la Tierra, y que tambin podemos interpretar como un problema de identificacin de sistema.
El sistema inverso en este caso tiene una respuesta en frecuencia que es la recproca del espectro de la seal
de entrada que se haya empleado para excitar el sistema.
(5.5.1)
como se ilustra en la Figura 5.5.1. Por ejemplo, el sistema definido por las relaciones de entradasalida y(n) =
ax(n) e y(n) = x(n 5) son invertibles, mientras que las relaciones y(n) = x 2 (n) e y(n) = 0 representan los
sistemas no invertibles.
Como hemos indicado anteriormente, los sistemas inversos son importantes en muchas aplicaciones prcticas, entre las que se incluyen las comunicaciones digitales y geofsicas. Consideremos en primer lugar el
problema de determinar el sistema inverso de un sistema dado. Vamos a centrarnos en los sistemas discretos e
invariantes en el tiempo.
Ahora supongamos que el sistema lineal invariante en el tiempo T tiene una respuesta al impulso h(n) y
sea hI (n) la respuesta al impulso del sistema inverso T 1 . Entonces la expresin (5.5.1) es equivalente a la
ecuacin de convolucin
Sistema identidad
x(n)
y(n)
Sistema
directo
w(n) = x(n)
Sistema
inverso
.
(5.5.2)
(5.5.3)
La ecuacin de convolucin dada por (5.5.3) se puede utilizar para obtener hI (n) para una respuesta h(n)
determinada. Sin embargo, la solucin de (5.5.3) en el dominio de tiempo normalmente es complicada. Un
mtodo sencillo consiste en transformar (5.5.3) en el dominio z y resolver para obtener T 1 . Por tanto, en el
dominio de la transformada z, (5.5.3) se convierte en
H(z)HI (z) = 1
y por tanto la funcin del sistema inverso es
HI (z) =
1
H(z)
(5.5.4)
H(z) =
B(z)
A(z)
(5.5.5)
HI (z) =
A(z)
B(z)
(5.5.6)
entonces
As, los ceros de H(z) sern los polos del sistema inverso, y viceversa. Adems, si H(z) es un sistema FIR,
entonces HI (z) es un sistema de slo polos; y si H(z) es un sistema de slo polos, entonces HI (z) es un sistema
FIR.
EJEMPLO 5.5.1
Determine el sistema inverso cuya respuesta al impulso es
1
h(n) = ( )n u(n)
2
Solucin. La funcin de sistema correspondiente a h(n) es
H(z) =
1
,
1 12 z1
1
2
El sistema es causal y estable. Dado que H(z) es un sistema de slo polos, su inverso es un sistema FIR y queda determinado
por la funcin de sistema
1
HI (z) = 1 z1
2
EJEMPLO 5.5.2
Determine el inverso del sistema cuya respuesta al impulso es
1
h(n) = (n) (n 1)
2
Se trata de un sistema FIR y su funcin de sistema es
1
H(z) = 1 z1 ,
2
1
z
1
=
=
H(z) 1 12 z1
z 12
Luego HI (z) tiene un cero en el origen y un polo en z = 12 . En este caso, existen dos posibles regiones de convergencia y, por
tanto, dos posibles sistemas inversos, como se ilustra en la Figura 5.5.2. Si elegimos como ROC de HI (z) la zona definida
por |z| > 12 , la transformada inversa es
1
hI (n) = ( )n u(n)
2
que es la respuesta al impulso de un sistema causal y estable. Por el contrario, si suponemos que la ROC es |z| < 12 , el sistema
inverso tiene una respuesta al impulso
n
1
hI (n) =
u(n 1)
2
En este caso, el sistema inverso es anticausal e inestable.
Observe que (5.5.3) no se puede resolver de forma unvoca utilizando (5.5.6) a menos que especifiquemos
la regin de convergencia para la funcin del sistema inverso.
ROC
ROC
plano-z
0
(a)
plano-z
1
2
1
2
(b)
En algunas aplicaciones prcticas, la respuesta al impulso h(n) no tiene una transformada z que se pueda
expresar de forma cerrada. Alternativamente, podemos resolver (5.5.3) directamente utilizando una computadora
digital. Dado que (5.5.3), en general, no tiene una solucin nica, suponemos que el sistema y su inverso son
causales. Luego la expresin (5.5.3) se simplifica como sigue
n
h(k)hI (n k) = (n)
(5.5.7)
k=0
(5.5.8)
h(n)hI (n k)
,
h(0)
k=1
n1
(5.5.9)
hI (n) = hI (n 1),
n1
En consecuencia,
hI (1) = ,
hI (2) = 2 ,
...,
hI (n) = n
5.5.2
La invertibilidad de un sistema lineal invariante en el tiempo est ntimamente relacionada con las caractersticas de la funcin espectral de fase del sistema. Para ilustrar esta cuestin, consideremos dos sistemas FIR,
caracterizados por las funciones de sistema
1
1
H1 (z) = 1 + z1 = z1 (z + )
2
2
(5.5.10)
1
1
+ z1 = z1 ( z + 1)
2
2
(5.5.11)
H2 (z) =
(a)
(b)
Figura 5.5.3. Caractersticas de fase de los sistemas dados por (5.5.10) y (5.5.11).
El sistema dado por (5.5.10) tiene un cero en z = 12 y una respuesta al impulso h(0) = 1, h(1) = 1/2. El sistema
dado por (5.5.11) tiene un cero en z = 2 y una respuesta al impulso h(0) = 1/2, h(1) = 1, que es la funcin
inversa del sistema de (5.5.10). Esto se debe a la relacin recproca entre los ceros de H1 (z) y H2 (z).
En el dominio de la frecuencia, los dos sistemas estn caracterizados por sus respuestas en frecuencia, que
se pueden expresar como
"
5
|H1 ( )| = |H2 ( )| =
+ cos
(5.5.12)
4
y
1 ( ) =
2 ( ) =
sen
+ cos
sen
+ tan1
2 + cos
+ tan1
1
2
(5.5.13)
(5.5.14)
Los mdulos de los dos sistemas son idnticos porque los ceros de H1 (z) y H2 (z) son recprocos.
Las grficas de 1 ( ) y 2 ( ) se ilustran en la Figura 5.5.3. Observe que la fase 1 ( ) del primer sistema
comienza en el valor de fase de cero para la frecuencia = 0 y termina tambin con el valor cero en la frecuencia
= . Por tanto, la variacin de la fase neta, 1 ( ) 1(0), es cero. Por el contrario, la fase del sistema que
tiene el cero fuera de la circunferencia unidad presenta una variacin neta de fase de 2( ) 2(0) = radianes.
Como consecuencia de estas caractersticas de fase diferentes, denominamos al primer sistema sistema de fase
mnima y al segundo sistema de fase mxima.
Estas definiciones pueden extenderse fcilmente a un sistema FIR de longitud arbitraria. Especficamente,
un sistema FIR de longitud M + 1 tiene M ceros y su respuesta en frecuencia se puede expresar como
H( ) = b0 (1 z1e j )(1 z2e j ) (1 zM e j )
(5.5.15)
donde {zi } designa los ceros y b0 es una constante arbitraria. Si todos los ceros se encuentran dentro de la
circunferencia unidad, cada trmino del producto de (5.5.15), correspondientes a un cero real, proporcionar
una variacin neta de fase de cero entre = 0 y = . Tambin, cada par de factores complejos conjugados
de H( ) producir una variacin neta de fase de cero. Por tanto,
H( ) H(0) = 0
(5.5.16)
y el sistema ser un sistema de fase mnima. Por el contrario, cuando todos los ceros estn fuera de la circunferencia unidad, un cero real contribuir con una variacin neta de fase de radianes cuando la frecuencia vara
entre = 0 y = , y cada par de ceros complejos conjugados contribuir con una variacin neta de fase de
2 radianes en el mismo rango de . Por tanto,
H( ) H(0) = M
(5.5.17)
que es la mxima variacin de fase posible en un sistema FIR con M ceros, por lo que se denomina sistema de
fase mxima. De esto se deduce que
Hmax ( ) Hmin ( )
(5.5.18)
Si el sistema FIR con M ceros tiene algunos de ellos en el interior de la circunferencia unidad y los ceros
restantes se encuentran en el exterior de la circunferencia, se dice que es un sistema de fase mixta o un sistema
de fase no mnima.
Puesto que la derivada de la fase del sistema es una medida del retardo temporal que sufren las componentes
de la seal al pasar a travs del sistema, una caracterstica de fase mnima implica una funcin de retardo mnima,
mientras que una caracterstica de fase mxima implica que el retardo tambin ser mximo.
Supongamos ahora que tenemos un sistema FIR con coeficientes reales. En este caso, el mdulo al cuadrado
de su respuesta en frecuencia es
|H( )|2 = H(z)H(z1 )|z=e j
(5.5.19)
Esta relacin implica que si reemplazamos un cero zk del sistema por su inverso 1/zk , el mdulo del sistema no
variar. Por tanto, si reflejamos un cero zk del interior de la circunferencia unidad en un cero 1/zk en el exterior
de dicha circunferencia, comprobamos que el mdulo de la respuesta en frecuencia es invariante a cualquier
cambio.
A partir de esto es evidente que si |H( )|2 es el mdulo al cuadrado de la respuesta en frecuencia de un
sistema FIR que tiene M zeros, existen 2M posibles configuraciones para los M ceros, de los que parte estarn
en el interior de la circunferencia unidad y el resto en el exterior de la misma. Evidentemente, una configuracin
con todos los ceros en el interior de la circunferencia, se corresponde con el sistema de fase mnima. Una
segunda configuracin ser aquella que tenga todos los ceros en el exterior de la circunferencia unidad, la
cual se corresponde con el sistema de fase mxima. Las 2M 2 configuraciones restantes se corresponden
con sistemas de fase mixta. Sin embargo, no todas las 2M 2 configuraciones de fase mixta necesariamente
se corresponden con sistemas FIR de coeficientes reales. Especficamente, cualquier par de ceros complejos
conjugados da lugar a slo a dos posibles configuraciones, mientras que un par de ceros reales proporciona
cuatro posibles configuraciones.
EJEMPLO 5.5.4
Determine los ceros para los siguientes sistemas FIR e indique para cada uno de ellos si es un sistema de fase mnima, de
fase mxima o de fase mixta.
H1 (z) = 6 + z1 z2
H2 (z) = 1 z1 6z2
5
3
H3 (z) = 1 z1 z2
2
2
5
2
H4 (z) = 1 + z1 z2
3
3
Solucin. Descomponiendo en factores las funciones de sistema obtenemos los ceros de los cuatro sistemas
1 1
H1 (z) z1,2 = , fase mnima
2 3
H2 (z) z1,2 = 2, 3 fase mxima
1
H3 (z) z1,2 = , 3 fase mixta
2
H4 (z) z1,2 = 2,
1
fase mixta
3
Puesto que los ceros de los cuatro sistemas son recprocos entre s, se concluye que el mdulo de la respuesta en frecuencia
de los cuatro sistemas son idnticos, pero las fases son distintas.
La propiedad de fase mnima de los sistemas FIR nos lleva a los sistemas IIR que tienen funciones de
sistema racionales. Especficamente, un sistema IIR definido mediante la funcin
H(z) =
B(z)
A(z)
(5.5.20)
se denomina sistema de fase mnima si todos sus polos y ceros se encuentran en el interior de la circunferencia
unidad. Para un sistema estable y causal [todas las races de A(z) caen dentro de la circunferencia unidad], el
sistema se denomina sistema de fase mxima si todos los ceros estn fuera de la circunferencia unidad y sistema
de fase mixta si algunos ceros, pero no todos, se encuentran en el exterior de la circunferencia unidad.
Esto nos lleva a una cuestin importante en la que debemos hacer hincapi: un sistema de polos y ceros
estable de fase mnima tiene asociado un sistema inverso que tambin es de fase mnima. El sistema inverso se
define mediante la funcin
A(z)
H 1 (z) =
(5.5.21)
B(z)
Luego la propiedad de fase mnima de H(z) asegura la estabilidad del sistema inverso H 1 (z) y la estabilidad
de H(z) implica la propiedad de fase mnima de H 1 (z). Los sistemas de fase mixta y de fase mxima dan lugar
a sistemas inversos inestables.
Descomposicin de sistemas de polos y ceros con fase no mnima. Cualquier sistema de polos y ceros con
fase no mnima se puede expresar como
H(z) = Hmin (z)Hap (z)
(5.5.22)
donde Hmin (z) es un sistema de fase mnima y Hap (z) es un sistema paso todo. Vamos a demostrar la validez
de esta afirmacin para sistemas causales y estables con una funcin de sistema racional H(z) = B(z)/A(z). En
general, si B(z) tiene una o ms races fuera de la circunferencia unidad, descomponemos el factor B(z) en el
producto B1 (z)B2 (z), donde B1 (z) tiene todas las races dentro de la circunferencia unidad y B2 (z) tiene todas
las races fuera de la misma. Luego B2 (z1 ) tiene todas sus races dentro de la circunferencia unidad. Definimos
el sistema de fase mnima como
B1 (z)B2 (z1 )
Hmin (z) =
A(z)
y el sistema paso todo como
Hap (z) =
B2 (z)
B2 (z1 )
Luego H(z) = Hmin (z)Hap (z). Observe que Hap (z) es un sistema estable paso todo de fase mxima.
Retardo de grupo de un sistema de fase no mnima. Basndonos en la descomposicin de un sistema de fase
no mnima dado por (5.5.22), podemos expresar el retardo de grupo de H(z) como
g ( ) = gmin ( ) + gap ( )
(5.5.23)
E(n) =
|h(k)|2
(5.5.24)
k=0
Se puede demostrar que entre todos los sistemas cuyas respuestas tienen el mismo mdulo y la misma energa
total E(), el sistema de fase mnima tiene la energa parcial mayor [es decir, Emin (n) E(n), donde Emin (n)
es la energa parcial del sistema de fase mnima].
5.5.3
Suponga que excitamos un sistema lineal invariante en el tiempo desconocido con una secuencia de entrada
x(n) y observamos la secuencia de salida y(n). Deseamos determinar a partir de la seal de salida la respuesta
al impulso del sistema desconocido. ste es un problema de identificacin del sistema, que podemos resolver
utilizando la deconvolucin. As, tenemos
y(n) = h(n) x(n)
=
h(k)x(n k)
(5.5.25)
k=
Puede obtenerse una solucin analtica del problema de la convolucin utilizando la transformada z de
(5.5.25). En el dominio de la transformada z tenemos
Y (z) = H(z)X(z)
y por tanto
H(z) =
Y (z)
X(z)
(5.5.26)
X(z) e Y (z) son las transformadas z de la seal de entrada disponible x(n) y la seal de salida observada y(n),
respectivamente. Este mtodo es apropiado slo cuando existen expresiones cerradas para X(z) e Y (z).
EJEMPLO 5.5.5
Un sistema causal produce la secuencia de salida
y(n) =
1,
n=0
7
10 ,
n=1
0,
en otro caso
x(n) =
1,
7,
10
n=0
n=1
1
10 ,
n=2
0,
en otro caso
7 z1
1 + 10
Y (z)
=
7 z1 + 1 z2
X(z) 1 10
10
7 z1
1 + 10
(1 12 z1 )(1 15 z1 )
Como el sistema es causal, su ROC es |z| > 12 . El sistema tambin es estable dado que sus polos se encuentran dentro de la
circunferencia unidad.
La ecuacin en diferencias de entradasalida es
y(n) =
1
7
7
y(n 1) y(n 2) + x(n) + x(n 1)
10
10
10
Su respuesta al impulso se determina realizando una expansin en fracciones parciales de H(z) y calculando la transformada
inversa del resultado. Este clculo proporciona
1
1
h(n) = [4( )n 3( )n ]u(n)
2
5
Observe que la expresin (5.5.26) determina el sistema desconocido de forma unvoca si se sabe que el
sistema es causal. Sin embargo, el ejemplo anterior es artificial, ya que la respuesta del sistema {y(n)} muy
probablemente ser infinita en duracin. En consecuencia, normalmente este mtodo no resulta prctico.
Alternativamente, podemos trabajar directamente con la expresin en el dominio del tiempo dada por
(5.5.25). Si el sistema es causal, tenemos
n
y(n) =
h(k)x(n k),
n0
k=0
y, por tanto,
h(0) =
h(n) =
y(0)
x(0)
n1
y(n) h(k)x(n k)
k=0
x(0)
(5.5.27)
,
n1
Esta solucin recursiva requiere que x(0) = 0. Sin embargo, observe de nuevo que cuando {h(n)} tiene duracin
infinita, este mtodo tampoco es prctico a menos que trunquemos la solucin recursiva en el mismo rango [es
decir, trunquemos {h(n)}].
Otro mtodo que permite identificar un sistema desconocido se basa en una tcnica que emplea la correlacin
cruzada. Recuerde que la funcin de correlacin cruzada de entradasalida obtenida en la Seccin 2.6.4 est
dada por
ryx (m) =
(5.5.28)
k=0
donde ryx (m) es la correlacin cruzada de la entrada {x(n)} al sistema con la salida {y(n)} del mismo, y rxx (m)
es la autocorrelacin de la seal de entrada. En el dominio de la frecuencia, la relacin correspondiente es
Syx ( ) = H( )Sxx( ) = H( )|X( )|2
Por tanto,
H( ) =
Syx ( )
Syx ( )
=
Sxx ( ) |X( )|2
(5.5.29)
Estas relaciones sugieren que la respuesta al impulso {h(n)} o la respuesta en frecuencia de un sistema
desconocido puede determinarse (medirse) a travs de la correlacin cruzada de la seal de entrada {x(n)}
con la salida {y(n)}, y luego resolver el problema de la deconvolucin de (5.5.28) por medio de la ecuacin
recursiva dada en (5.5.27). Alternativamente, podramos calcular simplemente la transformada de Fourier de
(5.5.28) y determinar la respuesta en frecuencia dada por (5.5.29). Adems, si seleccionamos la secuencia de
entrada {x(n)} tal que su secuencia de autocorrelacin {rxx (n)}, sea el impulso unitario, o lo que es equivalente,
que su espectro sea plano (constante) en la banda de paso de H( ), los valores de la respuesta al impulso {h(n)}
son iguales a los valores de la secuencia de correlacin cruzada {ryx (n)}.
En general, el mtodo de la correlacin cruzada descrita anteriormente es un mtodo efectivo y prctico
para identificar un sistema. En el Captulo 13 se describe otro mtodo prctico basado en la optimizacin por
mnimos cuadrados.
(5.5.31)
En consecuencia, el cepstro complejo de la secuencia de salida {y(n)} se expresa como la suma de los cepstros
de {x(n)} y {h(n)}, es decir,
cy (n) = cx (n) + ch(n)
(5.5.32)
Observe que la convolucin de las dos secuencias en el dominio del tiempo se corresponde con la suma de los
cepstros en el dominio cepstral. El sistema que realiza estas transformaciones se denomina sistema homormrfico
y se ilustra en la Figura 5.5.4.
En algunas aplicaciones, como por ejemplo en el tratamiento de seales ssmicas y seales de voz, las
caractersticas de las secuencias cepstrales {cx (n)} y {ch (n)} son los suficientemente diferentes como para poder
separarlas en el dominio cepstral. Especficamente, suponemos que {ch (n)} tiene sus principales componentes
(energa principal) en las vecindades de los valores ms pequeos de n, mientras que {cx (n)} tiene concentradas
sus componentes en los valores ms grandes de n. Podemos decir que {ch (n)} es paso bajo y {cx (n)} es
paso alto. Podemos entonces separar {ch (n)} de {cx (n)} utilizando las apropiadas ventanas paso bajo y
paso alto, como se ilustra en la Figura 5.5.5. Luego
{y(n)}
Transformada
z
Y(z)
Logaritmo
complejo
lnY(z)
Cy(z)
Transformada {cy(z)}
z inversa
Figura 5.5.4. Sistema homomrfico para obtener el cepstro {c y (n)} de la seuencia {y(n)}.
c^h(n)
wlp(n)
cy(n) = cx(n) + ch(n)
c^x(n)
whp(n)
Figura 5.5.5. Separacin de dos componentes cepstrales mediante ventanas paso bajo y paso alto.
(5.5.33)
(5.5.34)
y
donde
wlp (n) =
whp (n) =
1, |n| N1
0, en otro caso
(5.5.35)
0, |n| N1
1, |n| > N1
(5.5.36)
Una vez separadas las secuencias cepstro {ch (n)} y {cx (n)} mediante el uso de ventanas, las secuencias {x(n)}
y {h(n)} se obtienen haciendo pasar {ch (n)} y {cx (n)} a travs del sistema inverso homomrfico, como se
muestra en la Figura 5.5.6.
En la prctica, podra emplearse una computadora digital para calcular el cepstro de la secuencia {y(n)},
aplicar las funciones de ventana e implementar el sistema inverso homomrfico mostrado en la Figura 5.5.6.
En lugar de la transformada z y su inversa, emplearamos una forma especial de la transformada de Fourier y su
inversa. Esta forma especial, conocida como transformada discreta de Fourier, se presenta en el Captulo 7.
Transformada
z
Cx(x)
^
Ch(x)
X(z)
Exponencial
compleja
H(z)
^
x(n)
Transformada
z inversa
h(n)
Figura 5.5.6. Sistema inverso homomrfico para recuperar las secuencias {x(n)} y {h(n)} a partir de los
cepstros correspondientes.
H( ), que es la transformada de Fourier de la respuesta al impulso del sistema. Hemos observado tambin
que la respuesta en frecuencia determina el efecto del sistema sobre cualquier seal de entrada. En efecto,
transformando la seal de entrada en el dominio de frecuencia, hemos visto que es sencillo determinar el efecto
del sistema sobre la seal, as como determinar la salida del sistema. En el dominio de la frecuencia, un sistema
LTI realiza la conformacin espectral o filtrado espectral sobre la seal de entrada.
Tambin hemos considerado en este captulo el diseo de algunos filtros IIR desde el punto de vista de la
colocacin de los polos y los ceros. Por medio de este mtodo, hemos podido disear resonadores digitales,
filtros de hendidura, filtros peine, filtros paso todo y generadores digitales sinusoidales simples. El diseo de
filtros IIR ms complejos se aborda en el Captulo 10, que tambin incluye varias referencias. Los generadores
digitales sinusoidales pueden encontrarse en las aplicaciones de sntesis de frecuencia. En el texto editado por
Gorski-Popiel (1975) puede encontrar un amplio tratamiento de las tcnicas para la sntesis de frecuencia.
Por ltimo, hemos caracterizado los sistemas LTI como sistemas de fase mnima, fase mxima o fase mixta,
dependiendo de la posicin de sus polos y ceros en el dominio de la frecuencia. Empleando estas caractersticas
bsicas de los sistemas LTI, hemos abordado problemas prcticos como el filtrado inverso, la deconvolucin y
la identificacin del sistema. Para terminar, hemos descrito un mtodo de deconvolucin basado en el anlisis
espectral de la seal de salida de un sistema lineal.
Hay disponibles muchos libros tcnicos que se ocupan del filtrado inverso, la deconvolucin y la identificacin de sistemas. En el contexto de los sistemas de comunicaciones, el filtrado inverso y la identificacin del
sistema en lo que se refiere a la ecualizacin del canal se tratan en el libro de Proakis (2001). Las tcnicas de
deconvolucin se usan ampliamente en el procesamiento de seales ssmicas. Como referencia, recomendamos
los documentos de Wood y Treitel (1975), Peacock y Treitel (1969), y Robinson y Treitel (1978, 1980). La
deconvolucin homomrfica y sus aplicaciones al procesamiento de seales de voz se aborda en el libro de
Oppenheim y Schafer (1989).
Problemas
5.1 Se han observado las siguientes parejas de seales de entrada y de salida en varios sistemas en funcionamiento:
T
1
(a) x(n) = ( 12 )n
y(n) = ( 18 )n
2
(b) x(n) = ( 12 )n u(n)
y(n) = ( 18 )n u(n)
3
y(n) = 3e j /5
(c) x(n) = e j /5
4
(d) x(n) = e j /5 u(n)
y(n) = 3e j /5u(n)
5
(e) x(n) = x(n + N1)
y(n) = y(n + N2 ),
N1 = N2 ,
N1 , N2 primos
Determine su respuesta en frecuencia teniendo en cuenta que los sistemas anteriores son sistemas LTI.
5.2
n,
0 n M/2
M n, M/2 < 2 M
wT (n) =
0,
en otro caso
2 n
1
wc (n) =
1 + cos
wR (n)
2
M
1. x(n) = cos
n+
,
< n <
1. x(n) = cos n + 3 sen
10
3 10
2
2. x(n) = 10 + 5 cos
n+
,
< n <
5
2
x(n)
z1
z1
z1
z1
y(n)
Figura P.5.6.
5.6 Determine las respuestas transitoria y en rgimen permanente del filtro FIR mostrado en la Figura P.5.6
a la seal de entrada x(n) = 10e j n/2 u(n) y sean b = 2 e y(1) = y(2) = y(3) = y(4) = 0.
5.7 Considere el filtro FIR
y(n) = x(n) + x(n 4)
(a) Calcule y dibuje el mdulo y la fase de su respuesta.
(b) Calcule su respuesta a la entrada
< n <
(c) Explique los resultados obtenidos en el apartado (b) en funcin del mdulo y la fase de las respuestas
obtenidas en el apartado (a).
5.8 Determine las respuestas transitoria y en rgimen permanente del sistema
1
y(n) = [x(n) x(n 2)]
2
a la seal de entrada
x(n) = 5 + 3 cos
n + 60 ,
< n <
5.9 Como hemos visto en el captulo, es evidente que un sistema LTI no puede generar frecuencias en su
salida que sean diferentes a las aplicadas en su entrada. Por tanto, si un sistema crea frecuencias nuevas,
tiene que ser no lineal y/o variante en el tiempo. Determine el contenido en frecuencia de las salidas de
los siguientes sistemas a la seal de entrada
x(n) = A cos n
4
(a) y(n) = x(2n)
(b) y(n) = x2 (n)
(c) y(n) = (cos n)x(n)
5.10 Determine y dibuje el mdulo y la fase de la respuesta de los sistemas mostrados en la Figura P.5.10(a)
hasta (c).
5.11 Determine el mdulo y la fase de la respuesta del canal multitrayecto
y(n) = x(n) + x(n M)
En qu frecuencias se cumple que H( ) = 0?
x(n)
z1
1
2
y(n)
+
(a)
x(n)
z1
1
2
y(n)
(b)
x(n)
z1
z1
z1
1
8
y(n)
(c)
Figura P.5.10.
5.12 Considere el filtro
y(n) = 0.9y(n 1) + bx(n)
(a) Determine b de modo que |H(0)| = 1.
< n <
|ck0 |2
Px
donde
ck0 =
1 N1
x(n)e j(2 /N)k0n
N n=0
Px =
1 N1
|x(n)|2
N n=0
2 4 6
+
+
2!
4! 6!
calcule un perodo de x(n) para f 0 = 1/96, 1/32, 1/256 aumentando el nmero de trminos en la
expansin de Taylor de 2 a 8.
(c) Calcule la distorsin armnica total (THD) y dibuje la densidad espectral de potencia para cada
sinusoide del apartado (b), as como para las sinusoides obtenidas utilizando la funcin coseno de
la computadora. Comente los resultados.
5.14 Medida de la distorsin armnica total en sinusoides cuantizadas. Sea x(n) una seal peridica sinusoidal
de frecuencia f0 = k/N, es decir,
x(n) = sen 2 f 0 n
(a) Escriba un programa software que cuantifique la seal x(n) en b bits o, lo que es equivalente, en
L = 2b niveles utilizando redondeo. La seal resultante se designa mediante xq (n).
(b) Para f 0 = 1/50 calcule la THD de las seales cuantificadas xq (n) obtenidas empleando b = 4, 6, 8
y 16 bits.
(c) Repita el apartado (b) para f 0 = 1/100.
(d) Comente los resultados obtenidos en los apartados (b) y (c).
5.15 Considere el sistema discreto en el tiempo
y(n) = ay(n 1) + (1 a)x(n),
n0
1
10 , f 4
0 n 100
1
20 .
(b) Calcule y dibuje el mdulo y la fase de la respuesta del sistema y emplee estos resultados para
explicar la respuesta del sistema a la seales dadas en el apartado (a).
5.16 Considere un sistema LTI con la respuesta al impulso h(n) = ( 13 )|n| .
(a) Determine y dibuje el mdulo y la fase, H( )| y H( ), de la respuesta.
(b) Determine y dibuje el mdulo y la fase del espectro de las seales de entrada y de salida para las
siguientes seales de entrada:
3 n
, < n <
8
2. x(n) = {. . . , 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, . . .}
1. x(n) = cos
x(n)
z1
z1
y(n)
Figura P.5.17.
(b) Determine y dibuje el mdulo |H( )| y la fase H( ) de la respuesta del filtro y halle qu frecuencias
son bloqueadas por el filtro.
(c) Para 0 = /2, determine la salida y(n) para la entrada
x(n) = 3 cos
n + 30 ,
< n <
< n <
(c) Explique los resultados obtenidos en el apartado (b) en funcin de la respuesta dada en el apartado
(a).
5.19 Determine la respuesta en rgimen permanente del sistema
1
y(n) = [x(n) x(n 2)]
2
a la seal de entrada
x(n) = 5 + 3 cos
n + 60 + 4 sen( n + 45),
< n <
5.20 Como hemos mencionado en el Problema 5.9, un sistema LTI no puede generar en su salida frecuencias
que sean diferentes de las aplicadas en su entrada. Por tanto, si un sistema crea frecuencias nuevas, tiene
que ser no lineal y/o variante en el tiempo. Indique si los siguientes sistemas son no lineales y/o variantes
en el tiempo y determine el espectro de salida cuando el espectro de entrada es
X( ) =
1, | | /4
0, /4 | |
n
1
cos
n u(n)
4
4
n+
,
< n <
1. x(n) = cos n + 3 sen
10
3 10
2. x(n) = 5 + 6 cos 25 n +
,
< n <
2
5.23 La respuesta en frecuencia de un filtro paso banda ideal est dada por
0, | |
3
< | | <
1,
H( ) =
8
8
0, 3 | |
8
(a) Determine su respuesta al impulso.
(b) Demuestre que esta respuesta al impulso se puede expresar como el producto de cos(n /4) por la
respuesta al impulso de un filtro paso bajo.
5.24 Considere el sistema descrito por la ecuacin en diferencias
1
1
y(n) = y(n 1) + x(n) + x(n 1)
2
2
(a) Determine su respuesta al impulso.
(b) Determine la respuesta en frecuencia:
1. A partir de la respuesta al impulso.
2. A partir de la ecuacin en diferencias.
(c) Determine su respuesta a la entrada
x(n) = cos
n+
,
4
< n <
Circunferencia
unidad
Polo doble
Circunferencia
unidad
Polo en 0.9ej
Cero doble
(a)
(b)
0.9
0.9
Polo de orden 8
(c)
(d)
Figura P.5.25.
5.25 Dibuje de forma aproximada el mdulo |H( )| de las transformadas de Fourier correspondientes a los
patrones de polos y ceros de los sistemas dados en la Figura P.5.25.
5.26 Disee un filtro FIR que bloquee por completo la frecuencia 0 = /4 y luego calcule la salida si la
entrada es
x(n) = sen n u(n)
4
para n = 0, 1, 2, 3, 4. Se ajusta el filtro a sus expectativas? Explique su respuesta.
5.27 Un filtro digital se caracteriza por las siguientes propiedades:
1. Es un filtro paso alto y tiene un polo y un cero.
2. El polo se encuentra a una distancia de r = 0.9 del origen del plano z.
3. Las seales constantes no pasan a travs del sistema.
(a) Dibuje el patrn de polos y ceros del filtro y determine su funcin del sistema H(z).
(b) Calcule el mdulo |H( )| y la fase H( ) de la respuesta del filtro.
(c) Normalice la respuesta en frecuencia H( ) de modo que |H( )| = 1.
(d) Determine la relacin de entradasalida (ecuacin en diferencias) del filtro en el dominio del tiempo.
(e) Calcule la salida del sistema si la entrada es
n + 45 ,
x(n) = 2 cos
6
< n <
1 + bz1
1 + az1
(a) Dibuje las realizaciones de la forma directa I y la forma directa II de este filtro y determine las
ecuaciones en diferencias correspondientes.
(b) Para a = 0.5 y b = 0.6, dibuje el patrn de polosceros. Es estable el sistema? Por qu?
(c) Para a = 0.5 y b = 0.5, determine b0 , de modo que el valor mximo de |H( )| sea igual a 1.
(d) Dibuje el mdulo |H( )| y la fase H( ) de la respuesta del filtro obtenido en el apartado (c).
(e) En una aplicacin especfica se sabe que a = 0.8. Amplifica el filtro resultante las altas o las bajas
frecuencias de entrada? Seleccione el valor de b de modo que se mejoren las caractersticas de este
filtro (es decir, obtenga un filtro paso bajo o paso alto mejor).
5.29 Deduzca la expresin para la frecuencia de resonancia de un filtro de dos polos en p1 = re j y p2 = p1 ,
dada por (5.4.25).
5.30 Determine y dibuje el mdulo y la fase de la respuesta del filtro de Hanning caracterizado por la ecuacin
en diferencias (media mvil)
1
1
1
y(n) = x(n) + x(n 1) + x(n 2)
4
2
4
5.31 Un sistema LTI causal excitado por la entrada
1
x(n) = ( )n u(n) + u(n 1)
4
produce una salida y(n) cuya transformada z es
Y (z) =
34 z1
(1 14 z1 )(1 + z1)
M
1
x(n k)
2M + 1 k=M
(b) y(n) =
1 M1
1
1
x(n + M) +
x(n M)
x(n k) +
4M
2M k=M+1
4M
r sen( )
1 r cos( )
g ( ) =
r2 r cos( )
1 + r2 2r cos( )
(d) Dibuje el mdulo |H( )|dB , la fase ( ) y el retardo de grupo g ( ) para r = 0.7 y = 0, /2 y
.
5.37 En este problema consideramos el efecto de un solo polo sobre la respuesta en frecuencia de un sistema.
Sea
1
H p ( ) =
,
r<1
1 re j e j
Demuestre que
|H p ( )|dB = |Hz ( )|dB
H p ( ) = Hz ( )
gp ( ) = gz ( )
donde Hz ( ) y gz ( ) se definen en el Problema 5.36.
5.38 En este problema consideramos el efecto de pares de polos y ceros complejos conjugados sobre la respuesta
en frecuencia de un sistema. Sea
Hz ( ) = (1 re j e j )(1 re j e j )
(a) Demuestre que el mdulo de la respuesta en decibelios es
|Hz ( )|dB = 10 log10 [1 + r2 2r cos( )]
+10 log10 [1 + r2 2r cos( + )]
(b) Demuestre que la fase de la respuesta est dada por
z ( ) = tan1
r sen( )
r sen( + )
+ tan1
1 r cos( )
1 r cos( + )
gz ( ) =
r2 r cos( + )
r2 r cos( )
+
1 + r2 2r cos( ) 1 + r2 2r cos( + )
gp ( ) = gz ( )
(e) Dibuje |H p ( )|, p ( ) y gp ( ) para = 0.9 y = 0, /2.
5.39 Determine el ancho de banda a 3-dB de los filtros (0 < a < 1)
H1 (z) =
1a
1 az1
H2 (z) =
1 a 1 + z1
2 1 az1
(a) Determine las ecuaciones que describen un sistema con una entrada x(n) y las dos salidas yR (n) e
yI (n).
(b) Defina un diagrama de bloques
(c) Demuestre que si x(n) = (n), entonces
yR (n) = (cos 0 n)u(n)
yI (n) = (sen 0 n)u(n)
(d) Calcule yR (n), yI (n), n = 0, 1, . . . , 9 para 0 = /6. Comprelas con los valores verdaderos del seno
y el coseno.
5.42 Considere un filtro con la funcin del sistema
H(z) = b0
(1 e j0 z1 )(1 e j0 z1 )
(1 re j0 z1 )(1 re j0 z1 )
1 z1
,
1 az1
a<1
(a) Demuestre que los sistemas correspondientes a los patrones de polos y ceros de la Figura 5.4.16 son
paso todo.
(b) Qu cantidad de retardos y multiplicadores son necesarios para obtener una implementacin eficiente de un sistema paso todo de segundo orden?
5.52 Se necesita un filtro digital de hendidura para eliminar un zumbido a 60-Hz no deseado asociado con la
fuente de alimentacin de una aplicacin de registro ECG. La frecuencia de muestreo utilizada es Fs = 500
muestras/s. (a) Disee un filtro FIR de hendidura de segundo orden y (b) un filtro de hendidura con polos
y ceros de segundo orden para este propsito. En ambos casos, seleccione la ganancia b0 de modo que
|H( )| = 1 para = 0.
5.53 Determine los coeficientes {h(n)} de un filtro FIR de fase lineal paso alto de longitud M = 4 que tiene
una respuesta al impulso antisimtrica h(n) = h(M 1 n) y una respuesta en frecuencia que satisface
las condiciones
1
H 3 = 1
H
= ,
4
2
4
5.54 En un intento de disear un filtro digital paso banda de cuatro polos cuyo mdulo de la respuesta es
|Hd ( )| =
6
2
0, en otro caso
1,
2 /9
p3,4 = 0.8e j
4 /9
y cuatro ceros en
z1 = 1,
z2 = 1,
z3,4 = e3 /4
1, | | c
0, c < | | <
x(n)
y(n)
Figura P.5.57.
n=
n2 h2 (n)
0<a<1
>0
para << 1.
5.63 Determine las funciones del sistema y las posiciones de los polos y los ceros para los sistemas mostrados
en las Figuras P.5.63(a) hasta (c), e indique si los sistemas son o no estables.
x(n)
z 1
1
2
y(n)
+
(a)
x(n)
z 1
1
2
y(n)
(b)
x(n)
z 1
z 1
z 1
1
8
y(n)
(c)
Figura P.5.63.
x(n)
z1
z1
z1
z1
b
+
y(n)
Figura P.5.64.
5.64 Determine y dibuje la respuesta al impulso y el mdulo y la fase de la respuesta del filtro FIR mostrado
en la Figura P.5.64 para b = 1 y b = 1.
5.65 Considere el sistema
y(n) = x(n) 0.95x(n 6)
(a) Dibuje su patrn de polos y ceros.
(b) Dibuje el mdulo de la respuesta utilizando el diagrama de polos y ceros.
(c) Determine la funcin del sistema de su sistema inverso causal.
(d) Dibuje el mdulo de la respuesta del sistema inverso utilizando el diagrama de polos y ceros.
5.66 Determine la respuesta al impulso y la ecuacin en diferencias para todos los sistemas posibles especificados por las siguientes funciones de sistema
z1
1 z1 z2
1
(b) H(z) =
,
1 e4az4
(a) H(z) =
0<a<1
5.67 Determine la respuesta al impulso de un sistema LTI causal que produce la respuesta
y(n) = {1, 1, 3, 1, 6}
5.68 El sistema
1
y(n) = y(n 1) + x(n)
2
se excita con la entrada
1
x(n) = ( )n u(n)
4
Determine las secuencias rxx (l), rhh (l), rxy (l) y ryy (l).
5.69 Determine si los siguientes sistemas FIR son sistemas de fase mnima.
(a) h(n) = {10, 9, 7, 8, 0, 5, 3}
1
N
1 + ak zk
k=1
si se conoce su orden N y los valores h(0), h(1), . . . , h(L 1) de su respuesta al impulso? Cmo? Qu
ocurre si no conocemos N?
5.71 Considere un sistema con la respuesta al impulso
h(n) = b0 (n) + b1 (n D) + b2 (n 2D)
(a) Explique por qu genera el sistema ecos espaciados D muestras.
(b) Determine el mdulo y la fase de la respuesta del sistema.
(c) Demuestre que para |b0 + b2 | << |b1 |, las posiciones mxima y mnima de |H( )|2 se encuentran
en
k
= ,
k = 0, 1, 2, . . .
D
(d) Dibuje |H( )| y H( ) para b0 = 0.1, b1 = 1 y b2 = 0.05. Comente los resultados.
5.72 Considere el sistema de polos y ceros
H(z) =
B(z) 1 + bz1
=
=
h(n)zn
(b) Sea rhh (l) la autocorrelacin de h(n). Determine rhh (0), rhh (1), rhh (2) y rhh (3) en funcin de a y b.
5.73 Sea x(n) una secuencia real de fase mnima. Modifique x(n) para obtener una secuencia real de fase
mnima y(n) tal que y(0) = x(0) e y(n) = |x(n)|.
5.74 Se sabe que la respuesta en frecuencia de un sistema LTI estable es real y par. Es estable el sistema
inverso?
5.75 Sea h(n) un filtro real cuya fase de la respuesta es no lineal o lineal distinta de cero. Demuestre que las
siguientes operaciones son equivalentes a filtrar la seal x(n) con un filtro de fase cero.
(a) g(n) = h(n) x(n)
f (n) = h(n) g(n)
y(n) = f (n)
(b) g(n) = h(n) x(n)
f (n) = h(n) x(n)
y(n) = g(n) + f (n)
(Consejo: determine la respuesta en frecuencia del sistema compuesto y(n) = H[x(n)].)
5.76 Compruebe la validez de las siguientes afirmaciones:
(a) La convolucin de dos secuencias de fase mnima siempre es una secuencia de fase mnima.
(b) La suma de dos secuencias de fase mnima es siempre de fase mnima.
5.77 Determine el sistema de fase mnima cuyo mdulo al cuadrado de la respuesta est dado por:
(a)
|H( )|2
5
cos
= 104 2
cos
9 3
2(1 a2)
,
(1 + a2) 2a cos
|a| < 1
h2(n)
k=0
para cada sistema y utilcela para identificar los sistemas de fase mnima y de fase mxima.
5.79 Se sabe que el sistema causal
H(z) =
1
N
1 + ak zk
k=1
es inestable.
gk x(n kD)
k=0
1
1 azD
como un reverberador (es decir, como un dispositivo que genera reverberaciones artificiales). (Consejo: determine y dibuje su respuesta al impulso.)
(b) En la prctica, se usa el filtro peine paso todo
H(z) =
zD a
1 azD
para construir reverberadores digitales conectando en cascada de tres a cinco filtros de este tipo y
seleccionando apropiadamente los parmetros a y D. Calcule y dibuje la respuesta al impulso de dos
reverberadores as obtenidos conectando en cascada tres secciones con los parmetros siguientes
UNIDAD 1
Seccin
50
2
3
UNIDAD 2
a
Seccin
0.7
50
0.7
40
0.665
17
0.77
32
0.63175
0.847
(c) La diferencia entre eco y reverberacin es que en un eco puro se producen repeticiones claras de
la seal, pero con las reverberaciones no. Cmo se refleja esto en la respuesta al impulso del
reverberador? Qu unidad del apartado (b) es el mejor reverberador?
(d) Si los retardos D1 , D2 , D3 de una determinada unidad son nmeros primos, la respuesta al impulso
de la unidad es ms densa. Explique por qu.
(e) Dibuje la fase de la respuesta de las unidades 1 y 2, y comente los resultados.
(f) Dibuje h(n) para D1 , D2 y D3 no primos. Qu puede comentar?
Puede encontrar ms informacin sobre esta aplicacin en un documento de J. A. Moorer, Signal Processing Aspects of Computer Music: A Survey, Proc. IEEE, Vol. 65, No. 8, Agosto 1977, pgs. 11081137.
5.81 Disee un filtro paso bajo de tercer orden con la frecuencia de corte en c = /9 radianes/intervalo de
muestreo aplicando el mtodo de diseo de prueba y error. Comience con
(a) z1 = z2 = z3 = 0, p1 = r, p2,3 = re jc , r = 0.8
(b) r = 0.9, z1 = z2 = z3 = 1
5.82 Una seal de voz con un ancho de banda B = 10 kHz se muestrea a F2 = 20 kHz. Suponga que la seal
se distorsiona mediante cuatro sinusoides de frecuencias
F1 = 10,000 Hz, F3 = 7778 Hz
F2 = 8889 Hz,
F4 = 6667 Hz
6
Muestreo y
reconstruccin de
seales
En el Captulo 1 nos hemos ocupado del muestreo de seales continuas en el tiempo y hemos demostrado que si
las seales son de banda limitada es posible reconstruir la seal original a partir de las muestras, siempre que la
tasa de muestreo sea al menos dos veces la frecuencia ms alta contenida en la seal. Tambin hemos descrito
brevemente las operaciones subsiguientes de cuantificacin y codificacin que son necesarias para convertir una
seal analgica en una seal disgital adecuada para el tratamiento digital de la misma.
En este capitulo vamos a ocuparnos ms en detalle del muestreo en el dominio del tiempo, de la conversin
analgicadigital (A/D) (cuantificacin y codificacin) y de la conversin digitalanalgica (D/A) (reconstruccin de la seal). Consideraremos tambin el muestreo de seales que estn caracterizadas como seales paso
banda. El ltimo tema que vamos a tratar es el uso del sobremuestreo y la modulacin sigma-delta en el diseo
de alta precisin de convertidores A/D.
< n <
(6.1.1)
La relacin (6.1.1) describe el proceso de muestreo en el dominio del tiempo. Como se ha visto en el Captulo
1, la frecuencia de muestreo Fs = 1/T debe elegirse lo suficientemente grande como para que el muestreo no
cause ninguna prdida de informacin espectral (sin aliasing). De hecho, si el espectro de la seal analgica
puede recuperarse a partir del espectro de la seal discreta en el tiempo, no existe prdida de informacin. En
consecuencia, vamos a estudiar el proceso de muestreo calculando la relacin entre los espectros de las seales
xa (t) y x(n).
Si xa (t) es una seal aperidica con energa finita, su espectro (tensin) queda determinado por la transformada de Fourier
Xa (F) =
xa (t)e j2 Ft dt
(6.1.2)
y la seal xa (t) se puede recuperar a partir de su espectro mediante la transformada inversa de Fourier
xa (t) =
Xa (F)e j2 Ft dF
(6.1.3)
Observe que es necesario emplear las componentes de frecuencia dentro del rango de frecuencias infinito
< F < para recuperar la seal xa (t) si la seal xa (t) no es de banda limitada.
El espectro de una seal discreta en el tiempo x(n), obtenida muestreando xa(t), est dado por la transformada
de Fourier
X( ) =
o, lo que es equivalente,
X( f ) =
x(n)e j n
(6.1.4)
x(n)e j2 f n
(6.1.5)
n=
n=
1
2
1/2
1/2
X( )e j n d
X( f )e
j2 f n
(6.1.6)
df
Para determinar la relacin entre los espectros de la seal discreta en el tiempo y la seal analgica, nos
fijamos en que el muestreo peridico impone una relacin entre las variables independientes t y n en las seales
xa (t) y x(n), respectivamente. Es decir,
n
t = nT =
(6.1.7)
Fs
Esta relacin en el dominio del tiempo implica la correspondiente relacin entre las variables de frecuencia F
y f en Xa (F) y X( f ), respectivamente.
As, sustituyendo (6.1.7) en (6.1.3) tenemos
x(n) xa (nT ) =
Xa (F)e j2 nF/Fs dF
(6.1.8)
X( f )e j2 f n d f =
Xa (F)e j2 nF/Fs dF
(6.1.9)
A partir del desarrollo realizado en el Captulo 1 sabemos que un muestreo peridico impone una relacin
entre las variables de frecuencia F y f de las correspondientes seales analgica y discreta en el tiempo,
respectivamente. Es decir,
F
f=
(6.1.10)
Fs
Con la ayuda de (6.1.10), podemos hacer un simple cambio de variable en (6.1.9) y obtener as el resultado
1
Fs
Fs /2
Fs /2
X(F)e
j2 nF/Fs
dF =
Xa (F)e j2 nF/Fs dF
(6.1.11)
Centremos ahora nuestra atencin en la integral del lado derecho de la Ecuacin (6.1.11). El rango de
integracin de esta integral se puede dividir en un nmero infinito de intervalos de anchura Fs . Luego la integral
en el rango infinito se puede expresar como una suma de integrales, es decir,
Xa (F)e j2 nF/Fs dF =
(k+1/2)Fs
k= (k1/2)Fs
Xa (F)e j2 nF/Fs dF
(6.1.12)
(k+1/2)Fs
k= (k1/2)Fs
Xa (F)e
j2 nF/Fs
dF =
=
Fs /2
k= Fs /2
Fs /2
Fs /2
Xa (F kFs )e j2 nF/Fs dF
Xa (F kFs ) e j2 nF/Fs dF
(6.1.13)
k=
Xa (F kFs )
(6.1.14)
Xa [( f k)Fs ]
(6.1.15)
k=
o, lo que es equivalente,
X( f ) = Fs
k=
sta es la relacin buscada entre el espectro X(F) o X( f ) de la seal discreta en el tiempo y el espectro Xa (F)
de la seal analgica. El lado derecho de la Ecuacin (6.1.14) o (6.1.15) consta de una repeticin peridica del
espectro escalado Fs Xa (F) con perodo Fs . Esta periodicidad es necesaria porque el espectro X( f ) de la seal
discreta en el tiempo es peridica de perodo f p = 1 o Fp = Fs .
Por ejemplo, supongamos que el espectro de una seal analgica de banda limitada es el mostrado en la
Figura 6.1.1(a). El espectro es igual a cero para |F| B. Si la frecuencia de muestreo Fs se elige para que sea
mayor que 2B, el espectro X(Fs ) de la seal discreta en el tiempo ser como el mostrado en la Figura 6.1.1(b).
As, si la frecuencia de muestreo Fs se selecciona tal que Fs 2B, donde 2B es la frecuencia de Nyquist, entonces
X(F) = Fs Xa (F),
|F| Fs /2
(6.1.16)
En este caso, no existe aliasing y, por tanto, el espectro de la seal discreta en el tiempo es idntico (salvo la
variacin debida al factor de escala Fs ) al espectro de la seal analgica en el rango de la frecuencia fundamental
|F| Fs /2 o | f | 12 .
xa(t)
Xa(F)
1
t
(a)
x(n) = xa(nT)
X(F)
FsXa(F + Fs)
|T|
Fs
Fs
Fs
2
0
X(F)
(b)
FsXa(F Fs)
FsXa(F)
Fs
x(n)
Fs
| T |
Fs
(c)
0
X(F)
Fs
2
Fs
x(n)
| T |
n
(d)
Fs
xa(t)
Fs
X a(F)
t
(e)
Fs/2
Fs/2
Figura 6.1.1. Muestreo de una seal analgica de banda limitada y aliasing de las componentes espectrales.
Por el contrario, si la frecuencia de muestreo Fs se selecciona de modo que Fs < 2B, la continuidad peridica
de Xa (F) da lugar a un solapamiento espectral, como se ilustra en las Figuras 6.1.1(c) y (d). Por tanto, el espectro
X(F) de la seal discreta en el tiempo contiene componentes de frecuencia suavizadas del espectro de la seal
analgica Xa (F). El resultado final es que el aliasing que se produce nos impide recuperar la seal original xa (t)
a partir de las muestras.
Dada la seal discreta en el tiempo x(n) con el espectro X(F), que se ilustra en la Figura 6.1.1(b), sin
aliasing, es posible reconstruir la seal analgica original a partir de las muestras x(n). Debido a la ausencia de
aliasing
1 X(F), |F| F /2
s
Fs
Xa (F) =
(6.1.17)
0,
|F| > Fs /2
y teniendo en cuenta la transformada de Fourier dada por (6.1.5),
(6.1.18)
Fs /2
Fs /2
Xa (F)e j2 Ft dF
(6.1.19)
1 Fs /2
j2 Fn/Fs
e j2 Ft dF
xa (t) =
x(n)e
Fs Fs /2 n=
=
=
1
x(n)
Fs n=
n=
xa (nT )
Fs /2
Fs /2
e j2 F(tn/Fs ) dF
(6.1.20)
sen( /T )(t nT )
( /T )(t nT )
donde x(n) = xa (nT ) y siendo T = 1/Fs el intervalo de muestreo. sta es la frmula de reconstruccin dada por
(1.4.24) en la exposicin sobre el teorema de muestreo.
La frmula de reconstruccin dada en (6.1.20) utiliza la funcin
g(t) =
sen( /T )t
( /T )t
(6.1.21)
Seal reconstruida
2T
3T
4T
Figura 6.1.2. Reconstruccin de una seal continua en el tiempo utilizando interpolacin ideal.
De acuerdo con el teorema de muestreo y la frmula de reconstruccin dada por (6.1.20), la recuperacin
de xa (t) a partir de sus muestras x(n) requiere un nmero infinito de muestras. Sin embargo, en la prctica,
utilizaremos un nmero finito de muestras de la seal y trabajaremos con seales de duracin finita. por tanto,
slo vamos a tratar la reconstruccin de una seal de duracin finita a partir de una serie finita de muestras.
Cuando se produce el fenmeno de aliasing a causa de una tasa de muestreo muy lenta, el efecto puede
describirse reflejando mltiplos del eje de frecuencias de la variable de frecuencia F para la seal analgica. La
Figura 6.1.3(a) muestra el espectro Xa (F) de una seal analgica. De acuerdo con (6.1.14), el muestreo de la
seal con una frecuencia de muestreo Fs produce una repeticin peridica de Xa (F) de perodo Fs . Si Fs < 2B, las
rplicas desplazadas de Xa (F) se solapan. En la Figura 6.1.3(b) se ilustra el solapamiento que se produce dentro
del rango de la frecuencia fundamental Fs /2 F Fs /2. El espectro correspondiente de la seal discreta en
el tiempo dentro del rango de la frecuencia fundamental se obtiene sumando todas las partes desplazadas dentro
del rango | f | 12 , para proporcionar el espectro mostrado en la Figura 6.1.3(c).
Una inspeccin cuidadosa de las Figuras 6.1.3(a) y (b) revela que el espectro de la Figura 6.1.3(c) puede
obtenerse reflejando el espectro original como un acorden con los pliegues en todos los mltiples impares de
Fs /2. En consecuencia, la frecuencia Fs /2 se denomina frecuencia de solapamiento, como se ha dicho en el
Captulo 1. Est claro entonces que el muestreo peridico fuerza automticamente el reflejo del eje de frecuencias
de una seal analgica en mltiplos impares de Fs /2, y esto da como resultado la relacin F = f Fs entre las
frecuencias de las seales continuas en el tiempo y discretas en el tiempo. A causa del solapamiento del eje de
frecuencias, la relacin F = f Fs no es completamente lineal, sino lineal por tramos, con el fin de acomodar el
efecto de aliasing. Esta relacin se ilustra en la Figura 6.1.4.
Si la seal analgica es de banda limitada B Fs /2, la relacin entre f y F es lineal y uno a uno. En otras
palabras, no existe aliasing. En la prctica, normalmente se realiza un prefiltrado con un filtro de antialiasing
Xa(F)
F
Fs
1
X (F Fs)
T a
1
T
2Fs
Fs
Fs
0
(b)
0
(a)
Fs
Fs
(c)
2Fs
f
1
2
Fs
Fs
Fs
Fs
1
2
Xa(F) =
xa(t)ej2Ft dt
xa(t)
Par de transformadas
de Fourier
xa(t) =
Xa(F)ej2Ft dF
Xa(F)
F
Xf
Fs
|F| <
2
Xa(F) = TX
Reconstruccin:
sen (t nT)/T
(t nT)/T
D/A
D/A
A/D
n=
A/D
xa(t) = x(n)
X(f) = Fs
Muestreo:
x(n) = xa(nT)
k=
X(f) =
x(n)
()
Xa[(f k)Fs]
x(n)ej2fn
n=
X(f)
Par de transformadas
de Fourier
x(n) =
1/2
1/2
X(f)ej2fn df
Figura 6.1.5. Relaciones en el dominio del tiempo y en el dominio de la frecuencia para seales muestreadas.
antes de la operacin de muestreo. Esto asegura que las componentes de frecuencia de la seal anterior, F B,
se atenen lo suficiente de manera que si existe aliasing, causen una distorsin despreciable en la seal deseada.
Las relaciones entre las funciones en el dominio del tiempo y el dominio de la frecuencia xa (t), x(n), Xa (F)
y X( f ) se resumen en la Figura 6.1.5. La relacin que permite recuperar las funciones continuas en el tiempo,
xa (t) y Xa (F), a partir de las magnitudes discretas en el tiempo x(n) y X( f ), supone que la seal analgica es
de banda limitada y que se muestrea a la frecuencia de Nyquist (o una frecuencia mayor).
Los siguientes ejemplos ilustran el problema del aliasing de las componentes de frecuencia.
EJEMPLO 6.1.1
Aliasing en seales sinusoidales. La seal continua en el tiempo
1
1
xa (t) = cos 2 F0t = e j2 F0 t + e j2 F0 t
2
2
tiene un espectro discreto con lneas espectrales en F = F0 , como se muestra en la Figura 6.1.6(a). El proceso de muestrear
esta seal a una frecuencia de muestreo Fs introduce rplicas del espectro en mltiplos de Fs , lo que se ilustra en la Figura
6.1.6(b) para Fs /2 < F0 < Fs .
Para reconstruir la seal continua en el tiempo, tenemos que seleccionar frecuencias pertecientes al rango de frecuencias
fundamental |F| Fs /2. El espectro resultante puede verse en la Figura 6.1.6(c). La seal reconstruida es
Espectro
1
2
F0
0
(a)
Espectro
F0
1
2T
Fs
F0 Fs 0 Fs F0
(b)
Espectro
Fs
1
2
Fs (Fs F0) Fs F0 Fs
2
2
(c)
Espectro
1
2T
F0 Fs
Fs Fs F0 0 F0 Fs Fs
(d)
F0 + Fs
Espectro
1
2
Fs
Fs
0
2
2
Fs F0 F0 Fs
(e)
EJEMPLO 6.1.2
Muestreo y reconstruccin de una seal de banda no limitada. Considere la siguiente seal exponencial bilateral continua
en el tiempo:
2A
F
xa (t) = eA|t| Xa (F) = 2
, A>0
A + (2 F)2
(a) Determine el espectro de la seal muestreada x(n) = xa (nT ).
(b) Dibuje las seales xa (t) y x(n) = xa (nT ) para T = 1/3 seg. y T = 1 seg., y sus espectros.
(c) Dibuje la seal continua en el tiempo xa (t) despus de reconstruirla empleando interpolacin ideal de banda limitada.
Solucin.
(a) Si muestreamos xa (nT ) a una frecuencia de muestreo Fs = 1/T , tenemos
x(n) = xa (nT ) = eAT |n| = (eAT )|n| ,
xa(t)
Xa(F)
0.5
< n <
0
5
t (sec)
0
4
2 F (Hz) 4
(a)
T=
x(n) = xa(nt)
1
3
seg
0.5
Xa(F)
X(F)
1
Fs = 3 Hz
0
5
t (sec)
0
4
(b)
T = 1 seg
x(n) = xa(nt)
0.5
0
5
2 F (Hz) 4
Fs = 1 Hz
X(F)
1
0
t (sec)
0
4
5
(c)
Xa(F)
2 F (Hz) 4
Figura 6.1.7. (a) Seal analgica x a (t) y su espectro Xa (F). (b) x(n) = xa (nT ) y su espectro para Fs = 3 Hz.
(c) x(n) = xa (nT ) y su espectro para Fs = 1 Hz.
El espectro de x(n) puede hallarse fcilmente calculando directamente la transformada directa de Fourier en el tiempo.
Luego
1 a2
X(F) =
, a = eAT
1 2a cos 2 (F/Fs ) + a2
Evidentemente, dado que cos 2 (F/Fs ) es peridica de perodo Fs , tambin lo es el espectro X(F).
(b) Puesto que Xa (F) no es de banda limitada, el aliasing no se puede evitar. La Figura 6.1.7(a) muestra la seal original
xa (t) y su espectro Xa (F) para A = 1. En las Figuras 6.1.7(b) y (6.1.7(c) se ilustran la seal muestreada x(n) y
su espectro X(F) para Fs = 3 Hz y Fs = 1 Hz. La distorsin debida al aliasing es importante en el dominio de la
frecuencia cuando Fs = 1 Hz y apenas perceptible cuando Fs = 3 Hz.
(c) El espectro Xa (F) de la seal reconstruida xa (t) est dado por
Xa (F) =
T X(F),
0,
|F| Fs /2
en otro caso
Los valores de xa (t) pueden evaluarse con el fin de representarlos grficamente mediante la frmula de interpolacin
ideal para seales de banda limitada (6.1.20), para todos los valores significativos de x(n) y sen( t/T )/( t/T ). La
Figura 6.1.8 ilustra la seal reconstruida y su espectro para Fs = 3 Hz y Fs = 1 Hz. Es interesante observar en cada
caso que xa (nT ) = xa (nt), pero xa (nt) = xa (nT ) para t = nT . Los resultados del efecto de aliasing son evidentes
en el espectro de xa (t) para Fs = 1 Hz, donde podemos observar que el solapamiento del espectro en F = 0.5 Hz
incrementa el contenido en frecuencias de Xa (F).
xa(t)
0.5
Xa(F)
0
5
0
4
(a)
T=
1
3
x^a(t)
seg
0.5
Fs = 3 Hz
Xa(F)
X(F)
0
5
(b)
0
4
Fs = 1 Hz
X(F)
x^a(t)
T = 1 seg
0.5
1
^
0
5
(c)
0
4
Xa(F)
Xa(F)
Figura 6.1.8. (a) Seal analgica x a (t) y su espectro Xa (F). (b) Seal reconstruida xa (t) y su espectro para
Fs = 3 Hz. (c) Seal reconstruida xa (t) y su espectro para Fs = 1 Hz
Mediante el prefiltrado conseguimos reducir la potencia de ruido aditivo de modo que caiga dentro del ancho
de la seal deseada y rechazamos as el ruido que existe fuera de la banda.
Una vez que hemos especificado los requisitos del prefiltro y hemos seleccionado la frecuencia de muestreo,
podemos continuar con el diseo de las operaciones de tratamiento digital de seales que deben realizarse sobre
la seal discreta en el tiempo. La eleccin de la frecuencia de muestreo Fs = 1/T , donde T es el intervalo de
muestreo, no slo determina la frecuencia ms alta (Fs /2) que se va a conservar de la seal analgica, sino que
tambin sirve como factor de escala que influye en las especificaciones de diseo de los filtros digitales y de
otros sistemas discretos en el tiempo a travs de los que se procesa la seal.
Los convertidores ideales A/D y D/A proporcionan la interfaz entre los dominios discreto y continuo en
el tiempo. El sistema completo es equivalente a un sistema continuo en el tiempo, que puede o no ser lineal e
Seal
analgica
Prefiltro
xa(t)
A/D
ideal
Fs
x(n)
Sistema discreto
en el tiempo
y(n)
D/A
ideal
ya(t)
Fs
Figura 6.2.1. Sistema para el tratamiento discreto en el tiempo de seales continuas en el tiempo.
x(n)
xa(t)
t
10 1 2 3 4 5
xa(t)
Xa(F)
B F
Fs
xa(nT)
X (F )
Fs
1 Xa(F )
B
x(n)
A/D
ideal
X (F )
1/ T
Fs
Figura 6.2.2. Caractersticas de un convertidor A/D ideal en los dominios del tiempo y de la frecuencia.
invariante en el tiempo (incluso aunque el sistema discreto en el tiempo sea lineal e invariante en el tiempo) ya
que los convertidores ideales A/D y D/A realizan operaciones que varan en el tiempo.
La Figura 6.2.2 resume las caractersticas de entradasalida de un convertidor A/D ideal en los dominios del
tiempo y de la frecuencia. Recordemos que si xa (t) es la seal de entrada y x(n) es la seal de salida, tenemos
x(n) = xa (t)|t=nT = xa (nT ) (Dominio del tiempo)
X(F) =
(6.2.1)
1
Xa(F kFs) (Dominio de la frecuencia)
T k=
(6.2.2)
Bsicamente, el convertidor A/D ideal es un sistema lineal variante en el tiempo que (a) aplica un factor de
escala Fs = 1/T al espectro analgico y (b) crea una repeticin peridica del espectro escalado con un perodo
Fs .
La caracterstica de entradasalida del convertidor D/A ideal se muestra en la Figura 6.2.3. En el dominio
del tiempo, las seales de entrada y de salida estn relacionadas por
ya (t) =
donde
ga (t) =
n=
y(n)ga (t nT ),
sen( t/T ) F
Ga (F) =
t/T
y ( n)
(6.2.3)
T, |F| Fs /2
0, en otro caso
(6.2.4)
ya(t )
T
1 0 1 234 5
y(n)
ya(t )
D/A
ideal
Y (F )
1 Y (F)
Fs
Fs
Fs
Ya(F )
T Ya(F )
0
Figura 6.2.3. Caractersticas de un convertidor D/A ideal en los dominios del tiempo y de la frecuencia.
es la funcin de interpolacin del convertidor D/A ideal. Debemos destacar que (6.2.3) parece, aunque no lo
es, una operacin de convolucin porque el convertidor D/A es un sistema lineal variante en el tiempo con una
entrada discreta en el tiempo y una salida continua en el tiempo. Para obtener la descripcin en el dominio de
la frecuencia, calculamos la transformada de Fourier de la seal de salida
Ya (F) =
=
y(n)
n=
n=
ga (t nT )e j2 Ft dt
(dominio de la frecuencia)
(6.2.5)
donde Y (F) es la transformada discreta de Fourier en el tiempo de y(n). Observe que el convertidor D/A ideal
(a) aplica un factor escala T = 1/Fs al espectro de entrada y (b) elimina las componentes para las frecuencias
|F| > Fs /2. Bsicamente, el convertidor D/A ideal acta como una ventana de frecuencia que elimina la
periodicidad espectral discreta en el tiempo para generar una seal aperidica continua en el tiempo. Insistimos
una vez ms en que el convertidor D/A ideal no es un filtro paso bajo ideal continuo en el tiempo, porque la
expresin (6.2.3) no es una integral de convolucin continua en el tiempo.
Supongamos ahora que tenemos un sistema LTI continuo en el tiempo definido por
ya (t) =
ha ( )xa (t ) dt
(6.2.6)
(6.2.7)
y deseamos determinar si existe un sistema discreto en el tiempo H(F), tal que el sistema completo de la Figura
6.2.1 sea equivalente al sistema continuo en el tiempo Ha (F). Si xa (t) no es una seal de banda limitada o es
de banda limitada pero Fs < 2B, ser imposible hallar un sistema as debido a la presencia de aliasing. Sin
embargo, si xa (t) es una seal de banda limitada y Fs > 2B, tenemos X(F) = Xa (F)/T para |F| Fs /2. Por
tanto, la salida del sistema de la Figura 6.2.1 est dada por
H(F)Xa (F), |F| Fs /2
Ya (F) = H(F)X(F)Ga (F) =
(6.2.8)
0,
|F| > Fs /2
Para asegurar que ya (t) = ya (t), deberemos elegir el sistema discreto en el tiempo de modo que
Ha (F), |F| Fs /2
H(F) =
0,
|F| > Fs /2
(6.2.9)
Observe que, en este caso especial, la conexin en cascada del convertidor A/D (sistema lineal variante en el
tiempo), un sistema LTI y el convertidor D/A (sistema lineal variante en el tiempo) es equivalente a un sistema
LTI continuo en el tiempo. Este resultado es importante porque proporciona las bases tericas para el filtrado
discreto en el tiempo de seales continuas en el tiempo. Estos conceptos se ilustran en los siguientes ejemplos.
EJEMPLO 6.2.1
Simulacin de un integrador analgico. Considere el circuito integrador analgico mostrado en la Figura 6.2.4(a). Su
relacin de entradasalida est dada por
dya (t)
RC
+ ya (t) = xa (t)
dt
Tomando la transformada de Fourier en ambos lados de la expresin, podemos demostrar que la respuesta en frecuencia del
integrador es
1
Ya (F)
1
Ha (F) =
=
, Fc =
Xa (F) 1 + jF/Fc
2 RC
Evaluando la transformada inversa de Fourier obtenemos la respuesta al impulso
ha (t) = AeAt u(t),
A=
1
RC
Evidentemente, la respuesta al impulso ha (t) es una seal de banda no limitada. Definimos ahora un sistema discreto en el
tiempo muestreando la respuesta al impulso discreta en el tiempo como sigue:
h(n) = ha (nT ) = A(eAT )n u(n)
Decimos que el sistema discreto en el tiempo se obtiene a partir del sistema continuo en el tiempo por medio de una
transformacin de invarianza de impulso (vase la Seccin 10.3.2). La funcin del sistema y la ecuacin en diferencias del
sistema discreto en el tiempo son
H(z) =
A(eAT )n zn = 1 eAT z1
n=0
R
xa(t )
y(n)
x(n)
ha(t )
ya(t )
A
h(n)
T
eAT
_
z 1
Fs = 50 Hz
1
0.8
Mdulo
0.6
Fs = 100 Hz
0.4
Ha(F )
0.2
Fs = 1 KHz
0
20
40
60
Fs = 200 Hz
EJEMPLO 6.2.2
Diferenciador ideal de banda limitada. El diferenciador ideal continuo en el tiempo se define como sigue
ya (t) =
dxa (t)
dt
(6.2.10)
Ya (F)
= j2 F
Xa (F)
Para procesar seales de banda limitada, basta con emplear el diferenciador ideal de banda limitada definido por
j2 F, |F| Fc
Ha (F) =
0,
|F| > Fc
(6.2.11)
(6.2.12)
|F| Fs /2
(6.2.13)
Puesto que, por definicin, H(F) = k Ha (F kFs ), tenemos h(n) = ha (nT ). En funcin de = 2 F/Fs , H( ) es peridica
de perodo 2 . Por tanto, la respuesta al impulso discreta en el tiempo est dada por
h(n) =
1
2
H( )e j n d =
n cos n sen n
n2 T
(6.2.14)
o, de forma ms compacta
n=0
0,
h(n) =
(6.2.15)
cos
, n = 0
nT
El mdulo y la fase de las respuestas de los diferenciadores ideales continuo y discreto en el tiempo se muestran en la Figura
6.2.5.
EJEMPLO 6.2.3
Retardo fraccionario. Un sistema de retardo continuo en el tiempo se define mediante
ya (t) = xa (t td )
(6.2.16)
para cualquier td > 0. Aunque el concepto es simple, su implementacin prctica es bastante compleja. Si xa (t) es una seal
de banda limitada y se muestrea a la frecuencia de Nyquist, obtenemos
y(n) = ya (nT ) = xa (nT td ) = xa [(n )T ] = x(n )
(6.2.17)
donde = td /T . Si es un entero, retardar la secuencia x(n) es un proceso simple. Para valores no enteros de , el valor
retardado de x(n) estar en algn lugar entre dos muestras. Sin embargo, este valor no estar disponible y la nica forma
de generar un valor apropiado es mediante la interpolacin ideal de banda limitada. Una forma de atajar este problema es
considerando la respuesta en frecuencia
(6.2.18)
Hid ( ) = e j
del sistema de retardo dado por (6.2.17) y su respuesta al impulso
hid (n) =
1
2
H( )e j n d =
sen (n )
(n )
(6.2.19)
Figura 6.2.5. Respuestas en frecuencia del diferenciador ideal continuo en el tiempo de banda limitada (a) y
su contrapartida discreta en el tiempo (b).
Cuando el retardo toma valores enteros, hid (n) se reduce a (n ), porque la funcin seno se muestrea en los pasos por
cero. Cuando no es un entero, hid (n) se alarga hasta infinito porque los instantes de muestreo caen entre los pasos por cero.
Lamentablemente, la respuesta al impulso ideal para sistemas de retardo fraccionario no es causal y tiene duracin infinita.
Por tanto, la respuesta en frecuencia (6.2.18) tiene que aproximarse con un filtro FIR o IIR. Puede encontrar informacin
ms detallada sobre los filtros de retardo fraccionario en Laakso et al. (1996). La implementacin de retardos fraccionarios
utilizando tcnicas de conversin de muestreo se aborda en la Seccin 11.8.
Control
S/H
Muestreo y
retencin
(S/H)
Convertidor
A/D
Preamplificador
analgico
A la computadora
o al canal de
comunicaciones
Buffer
o bus
Estado
(a)
Seguimiento
de "muestras"
Entrada
Retencin
S
H
Salida S/H
(b)
Figura 6.3.1. (a) Diagrama de bloques de elementos bsicos de un convertidor A/D. (b) Respuesta en el
dominio del tiempo de un circuito de muestreo y retencin S/H ideal.
S/H es un circuito analgico controlado digitalmente, que sigue a la seal de entrada analgica durante el modo
de muestreo, y luego mantiene fijo, durante el modo de retencin, el valor instantneo de la seal hasta el instante
en que el sistema cambia del modo de muestreo al de retencin. La Figura 6.3.1(b) muestra la respuesta en el
dominio del tiempo de un circuito S/H ideal (es decir, un circuito S/H que responde de forma instantnea y
precisa).
El objetivo del circuito de muestreo y retencin es muestrear continuamente la seal de entrada y luego
mantener dicho valor constante hasta que el convertidor A/D lo toma para obtener su representacin digital. El
uso de este circuito S/H permite al convertidor A/D funcionar ms lentamente si se compara con el tiempo que
realmente emplea para adquirir la muestra. En ausencia de un circuito S/H, la seal de entrada no vara ms de
la mitad del paso de cuantificacin durante la conversin, lo que puede constituir una restriccin no prctica.
En consecuencia, el circuito S/H es fundamental en la conversin digital de alta resolucin (12 bits por muestra
o superior) de seales que tienen anchos de banda grandes (es decir, que varan muy rpidamente).
Un circuito S/H ideal no introduce distorsin en el proceso de conversin y puede modelarse de forma
precisa como un muestreador ideal. Sin embargo, en los dispositivos prcticos, las degradaciones relacionadas
con el tiempo, como errores en la periodicidad del proceso de muestreo (jitter), variaciones no lineales en
la duracin de la apertura de muestreo y variaciones en la tensin mantenida durante la conversin (droop)
pueden producirse.
El convertidor A/D inicia la conversin despus de recibir la orden de conversin. El tiempo requerido para
completar la conversin tiene que ser menor que la duracin del modo de retencin del S/H. Adems, el perodo
de retencin T tiene que ser mayor que la duracin del modo de muestreo y el modo de retencin.
En las secciones siguientes vamos a suponer que el circuito S/H introduce errores despreciables y vamos a
centrarnos en la conversin digital de las muestras analgicas.
6.3.2
Cuantificacin y codificacin
La tarea principal del convertidor A/D consiste en convertir una rango continuo de amplitudes de entrada en
un conjunto discreto de palabras en cdigo digital. Esta conversin implica los procesos de cuantificacin y
codificacin. La cuantificacin es un proceso no lineal y no invertible que asigna una amplitud determinada
x(n) x(nT ) en el instante t = nT a una amplitud xk , tomada de un conjunto finito de valores. El procedimiento
se ilustra en la Figura 6.3.2(a), donde el rango de amplitud de la seal se divide en L intervalos
Ik = {xk < x(n) xk+1 },
k = 1, 2, . . . , L
(6.3.1)
por los L + 1 niveles de decisin x1 , x2 , . . . , xL+1 . Las posibles salidas del cuantificador (es decir, los niveles
de cuantificacin) se designan como x1 , x2 , . . . , xL . El funcionamiento del cuantificador se define mediante la
relacin
xq (n) Q[x(n)] = xk ,
if x(n) Ik
(6.3.2)
En la mayora de las operaciones de tratamiento digital de seales, la correspondencia indicada en (6.3.2)
es independiente de n (es decir, la cuantificacin no tiene memoria y simplemente se designa como xq = Q[x]).
Adems, en el tratamiento de seales se suelen emplear cuantificadores uniformes o lineales definidos por
xk+1 xk = , k = 1, 2, . . . , L 1
xk+1 xk = , para xk , xk+1 finitos
(6.3.3)
donde es el tamao del escaln del cuantificacdor. La cuantificacin uniforme normalmente es un requisito si la
seal digital resultante va a ser procesada por un sistema digital. Sin embargo, en las aplicaciones de transmisin
y almacenamiento de seales de voz, por ejemplo, frecuentemente se emplean cuantificadores variantes en el
tiempo.
Si se asigna el valor cero a un nivel de cuantificacin, el cuantificador es de redondeo. Si se asigna cero a
un nivel de decisin, se dice que el cuantificador es de truncamiento. La Figura 6.3.2(b) ilustra un cuantificador
Niveles de
cuantificacin
Niveles de
decisin
Ik
x3
x^3
x4
x^4
x5
xk
x^k xk + 1
Amplitud instantnea
(a)
x^1 x2
x^2 x3
x^3
x4 x^4
x5
x^5
x6
x^6
x7
x^7
x8
x^8
Amplitud instantnea
Rango del cuantificador
(b)
< eq (n)
2
2
(6.3.4)
En otras palabras, el error de cuantificacin instantneo no puede exceder la mitad del escaln de cuantificacin.
Si el rango dinmico de la seal, definida como xmax xmin , es mayor que el rango del cuantificador, las
muestras que exceden el rango del cuantificador se recortan, dando como resultado un error de cuantificacin
grande (mayor que /2).
El funcionamiento del cuantificador se describe mejor mediante la funcin caracterstica de cuantificacin,
ilustrada en la Figura 6.3.3 para un cuantificador de redondeo con ocho niveles de cuantificacin. Esta caracterstica es preferible en la prctica sobre el truncamiento, porque proporciona una salida que no es sensible a las
variaciones infinitesimales de la seal de entrada alrededor de cero. Observe que las amplitudes de entrada de
un cuantificador de redondeo se redondean a los niveles de cuantificacin ms prximos.
El proceso de codificacin en un convertidor A/D asigna un nmero binario unvoco a cada nivel de
cuantificacin. Si tenemos L niveles, necesitamos al menos L nmeros binarios diferentes. Con una longitud de
palabra de b + 1 bits podemos representar 2b+1 nmeros binarios distintos. Por tanto, tenemos 2b+1 L o, lo
que es equivalente, b + 1 log2 L. Por tanto, el tamao del escaln o la resolucin del convertidor A/D viene
dada por
R
= b+1
(6.3.5)
2
donde R es el rango del cuantificador.
Salida x^ = Q[x]
Niveles de
cuantificacin
Palabras codificadas
en complemento a dos
011
Niveles de decisin
010
001
000
x
111
Entrada 110
101
100
Rango R = FSR
(Rango pico a pico)
Nmero
Fraccin decimal
Referencia Referencia
positiva
negativa
Signo +
Mdulo
Complemento
a dos
Offset
binario
Complemento
a uno
+7
+ 78
78
0111
0111
1111
0111
+6
68
58
48
38
28
18
0110
0110
1110
0110
0101
0101
1101
0101
0100
0100
1100
0100
0011
0011
1011
0011
0010
0010
1010
0010
+1
+ 68
+ 58
+ 48
+ 38
+ 28
+ 18
0001
0001
1001
0001
0+
0000
0000
1000
0000
0+
1000
(0 0 0 0)
(1 0 0 0)
1111
18
28
38
48
58
68
78
88
+ 18
+ 28
+ 38
+ 48
+ 58
+ 68
+ 78
+ 88
1001
1111
0111
1110
1010
1110
0110
1101
1011
1101
0101
1100
1100
1100
0100
1011
1101
1011
0011
1010
1110
1010
0010
1001
1111
1001
0001
1000
(1 0 0 0)
(0 0 0 0)
+5
+4
+3
+2
2
3
4
5
6
7
8
Cuantificador
Q[x(n)]
x(n)
xq(n)
x(n)
eq(n)
(b) Modelo matemtico
Px
Pn
(6.3.6)
donde Px = x2 = E[x2 (n)] es la potencia de la seal y Pn = e2 = E[e2q (n)] es la potencia del ruido de cuantificacin.
Si el error de cuantificacin est distribuido uniformemente en el rango (/2, /2), como se muestra en
la Figura 6.3.5, el valor medio del error es cero y la varianza (la potencia del ruido de cuantificacin) es
Pn = e2 =
! /2
/2 e
de =
2 p(e)
1 ! /2 2
/2 e
de =
2
12
(6.3.7)
Combinando (6.3.5) con (6.3.7) y sustituyendo el resultado en (6.3.6), la expresin para la relacin SQNR se
convierte en
SQNR = 10 log
Px
x
= 20 log
Pn
e
(6.3.8)
R
dB
x
El ltimo trmino de (6.3.8) depende del rango R del convertidor A/D y los valores estadsticos de la seal
de entrada. Por ejemplo, si suponemos que x(n) es una distribucin gaussiana y el rango del cuantificador se
extiende desde 3x hasta 3x (es decir, R = 6x ), entonces menos de 3 de cada 1000 amplitudes de la seal
de entrada darn lugar a una sobrecarga sobre la media. Para R = 6x , (6.3.8) es
SQNR = 6.02b + 1.25 dB
(6.3.9)
La frmula dada en (6.3.8) se utiliza frecuentemente para especificar la precisin necesaria en un convertidor
A/D. Quiere decir simplemente que cada bit adicional utilizado en el cuantificador aumenta la relacin sealruido de cuantificacin en 6 dB (es interesante destacar que se ha obtenido el mismo resultado en la Seccin
1.4 para una seal sinusoidal utilizando un mtodo determinista). Sin embargo, debemos tener presentes las
condiciones bajo las que hemos obtenido este resultado.
Debido a las limitaciones en la fabricacin de convertidores A/D, su rendimiento queda por debajo del valor
terico proprocionado por la Ecuacin (6.3.8). Como resultado, el nmero efectivo de bits puede ser menor que
el nmero de bits del convertidor A/D. Por ejemplo, un convertidor de 16 bits puede tener slo 14 bits efectivos
de precisin.
Seal de
entrada
digital
Convertidor
digital-analgico
Muestreo
y
retencin
Filtro
paso bajo
de suavizado
Seal
anlgica
de salida
Figura 6.3.6. Operaciones bsicas en la conversin de una seal digital en una seal analgica.
1, 0 t T
0, en otro caso
(6.3.10)
gSH (t)e j2 Ft dt = T
(6.3.11)
El mdulo de GSH (F) se muestra en la Figura 6.3.9, en la que hemos superpuesto el mdulo de la respuesta
del interpolador ideal de banda limitada con propsitos de comparacin. Puede verse que el circuito de muestreo
1
Entrada S/H
Salida S/H
0
1
0
Seal
analgica
20
40
60
80
100
Figura 6.3.8. Respuesta de un interpolador S/H a una seal sinusoidal discreta en el tiempo.
T
|GBL(F)|
4 dB
|GSH(F)|
1
T
1
2T
1
2T
1
T
Figura 6.3.9. Respuestas en frecuencia del circuito de muestreo y retencin y del interpolador ideal de banda
limitada.
y retencin no posee una frecuencia de corte abrupta. Esto se debe a un mayor grado de transiciones abruptas en
su funcin de interpolacin gSH(t). Por tanto, el circuito S/H deja hasta su salida pasar componentes de frecuencia
que presentan aliasing no deseadas (frecuencias por encima de Fs /2). Este efecto a veces se denomina postaliasing. Para solucionar este problema, se suele filtrar la salida del circuito S/H utilizando un filtro paso bajo,
que atena fuertemente las frecuencias mayores que Fs /2. En efecto, el filtro paso bajo que sigue al circuito de
muestreo y retencin suaviza su salida eliminando las discontinuidades abruptas. En ocasiones, la respuesta en
frecuencia del filtro paso bajo se define como
para compensar la distorsin de sen x/x del circuito S/H (efecto de apertura). La compensacin de la atenuacin
debida al efecto de apertura, que alcanza un mximo de 2/ o 4 dB en F = Fs /2, normalmente se desprecia. Sin
embargo, puede introducirse utilizando un filtro digital antes de aplicar la seal al convertidor D/A. El retardo
de media muestra que introduce el circuito S/H no se puede compensar, porque no podemos disear filtros
analgicos que aadan un adelanto temporal.
6.4.1
El muestreo uniforme o de primer orden es el muestreo peridico tpico presentado en la Seccin 6.1. Muestrear
la seal paso banda mostrada en la Figura 6.4.1(a) a la frecuencia Fs = 1/T produce una secuencia x(n) = xa (nT )
cuyo espectro es
1
X(F) =
(6.4.1)
Xa (F kFs)
T k=
|Xa(F)|
1
Fc
2Fs
Fs
3B
4B
FL Fc FH
0
(a)
2B
Zonas de Nyquist
|X(F)|
1
_
T
Fs
B
0
(b)
Ga(F)
T
Fc
4B
3B Fc 4B
3B
2B
2Fs
(c)
|Xa(F)|
1
Fc
FL Fc FH
(d)
2Fs
4B
|X(F)|
Fs
3B
2B
1
_
T
B
Fs
2
B
2Fs
3
2B
3B
4B
(e)
Figura 6.4.1. Ilustracin del muestreo de una seal paso banda en el caso de posicionamiento de la banda en
un entero.
El posicionamiento de las rplicas desplazadas X(FkFs ) se controla mediante un nico parmetro, la frecuencia
de muestreo Fs . Dado que, en general, las seales paso banda disponen de dos bandas espectrales, es ms
complicado controlar, con este nico parmetro Fs , sus posiciones para evitar el aliasing.
Posicionamiento de la banda en un entero. Inicialmente restringimos la frecuencia ms alta de la banda para
que sea un mltiplo entero del ancho de banda, es decir, FH = mB (posicionamiento de la banda en un entero).
El valor m = FH /B, que en general es fraccionario, se conoce como posicin de la banda. Las Figuras 6.4.1(a) y
6.4.1(d) muestran dos seales paso banda con posicionamiento de banda par (m = 4) e impar (m = 3). A partir
de la Figura 6.4.1(b) es fcil deducir que, para seales paso banda posicionadas sobre un entero, la eleccin de
Fs = 2B da como resultado una secuencia con un espectro sin aliasing. En la Figura 6.4.1(c), podemos ver que
la seal paso banda original puede reconstruirse utilizando la frmula de reconstruccin:
xa (t) =
n= xa (nT )ga (t nT )
(6.4.2)
sen Bt
cos 2 Fct
Bt
(6.4.3)
donde
ga (t) =
es la transformada inversa de Fourier de la funcin paso banda mostrada en la Figura 6.4.1(c). Observe que
ga (t) es igual a la funcin de interpolacin ideal para seales paso bajo [vase (6.1.21)], moduladas mediante
una portadora de frecuencia Fc .
Merece la pena fijarse en que, seleccionando apropiadamente la frecuencia central Fc de Ga (F), podemos
reconstruir una seal paso banda continua en el tiempo con bandas centradas en Fc = (kB + B/2), k =
0, 1, . . . . Para k = 0, obtenemos la seal banda base equivalente, ste es un proceso conocido como conversin
descendente. Una inspeccin de la Figura 6.4.1 demuestra que el espectro banda base para m = 3 tiene la misma
estructura espectral que el espectro original; sin embargo, el espectro banda base para m = 4 ha sido invertido.
En general, cuando la posicin de la banda se encuentra sobre un valor entero par, las imgenes espectrales banda
base son versiones invertidas de las originales. Es importante distinguir entre estos dos casos en aplicaciones
de comunicaciones.
Posicionamiento arbitrario de la banda. Consideremos ahora una seal paso banda con las bandas espectrales
situadas arbitrariamente, como se muestra en la Figura 6.4.2. Para evitar el aliasing, la frecuencia de muestreo
tiene que ser tal que las rplicas (k 1) y k desplazadas de la banda espectral negativa no se solapen con la
banda espectral positiva. A partir de la Figura 6.4.2(b) vemos que esto es posible si existe un entero k y una
frecuencia de muestreo Fs que satisfagan las siguientes condiciones:
2FH
kFs
(6.4.4)
(k 1)Fs
2FL
(6.4.5)
|Xa(F)|
B
B
1
Fc
FL Fc FH
(a)
|X(F)|
Fc
rplica k
rplica (k1)
1
_
T
0
(k1)Fs
Fc
2FL
2FH
kFs
(b)
Figura 6.4.2. Ilustracin del muestreo de una seal paso banda con posicionamiento de banda arbitrario.
que es un sistema de dos desigualdades con dos incgnitas, k y Fs . A partir de (6.4.4) y (6.4.5) podemos ver
fcilmente que Fs debe estar en el rango
2FL
2FH
Fs
(6.4.6)
k
k1
Para determinar el entero k, reescribimos (6.4.4) y (6.4.5) del siguiente modo:
1
k
Fs
2FH
(6.4.7)
(k 1)Fs 2FH 2B
(6.4.8)
FH
B
(6.4.9)
El valor mximo del entero k es el nmero de bandas que podemos encajar en el rango de 0 a FH , es decir,
# $
FH
(6.4.10)
kmax =
B
donde b designa la parte entera de b. La frecuencia de muestreo mnima necesaria para evitar el aliasing es
Fsmax = 2FH /kmax . Por tanto, el rango de frecuencias de muestreo uniforme aceptable queda determinado por
2FH
2FL
Fs
k
k1
donde k es un nmero entero dado por
FH
1k
B
(6.4.11)
$
(6.4.12)
Siempre que no exista aliasing, la reconstruccin se realiza utilizando (6.4.2) y (6.4.3), que son vlidas tanto
para el posicionamiento de la banda arbitrario como en un entero.
Eleccin de una frecuencia de muestreo. Para valorar las implicaciones de las condiciones (6.4.11) y (6.4.12)
se han descrito grficamente en la Figura 6.4.3, como sugiere Vaughan et al. (1991). La grfica indica que la
frecuencia de muestreo, normalizada por B, es una funcin de la posicin de la banda, FH /B. Podemos ver esto
ms fcilmene si escribimos (6.4.11) del siguiente modo:
2 FH
Fs
2
FH
1
(6.4.13)
k B
B
k1 B
Las reas sombreadas representan frecuencias de muestreo que son resultado del aliasing. El rango permitido
de frecuencias de muestreo es el definido por las cuas blancas. Para k = 1, tenemos 2FH Fs , que es el
teorema de muestreo para seales paso bajo. Cada cua de la grfica se corresponde con un valor diferente de k.
Para determinar las frecuencias de muestreo permitidas, para valores de FH y B dados, dibujamos una lnea
vertical en el punto determinado por FH /B. Los segmentos de la lnea que caen dentro de las reas permitidas
representan tasas de muestreo permisibles. Observemos que la frecuencia mnima de muestreo terica Fs = 2B,
correspondiente al posicionamiento de banda en un entero, se produce en los extremos de las cuas. Por tanto,
cualquier pequea variacin de la frecuencia de muestreo o de la frecuencia de la portadora de la seal desplazar
a la frecuencia de muestreo al interior de una zona prohibida. Una solucin prctica consiste en muestrear a una
tasa de muestreo ms alta, lo que es equivalente a aumentar el tamao de la banda de seal con una banda de
Fs =
2F
H
6
k=1
F
F
eN
yqu
Fre
cue
n
cia
d
4
Fs
B
k=3
ist:
k=2
2
Regin prohibida (produce aliasing)
1
10
FH
B
Figura 6.4.3. Regiones de la frecuencia de muestreo permitidas (en blanco) y prohibidas (sombreadas) para
seales paso banda. La frecuencia de muestreo mnima Fs = 2B, que se corresponde con las esquinas de las
cuas libres de aliasing, slo es posible para bandas colocadas sobre un entero.
guarda B = BL + BH . Las posiciones de la banda incrementadas y el ancho de banda quedan determinados
por
FL = FL BL
(6.4.14)
FH = FH + BH
(6.4.15)
B = B + B
(6.4.16)
La cua de orden inferior y el correspondiente rango de frecuencias de muestreo permitidas estn dados por
# $
2FL
F
2FH
donde k = H
(6.4.17)
Fs
k
k 1
B
La cua k con las bandas de guarda y las tolerancias de la frecuencia de muestreo se ilustran en la Figura
6.4.4. El rango permitido de frecuencias de muestreo se divide en valores por encima y por debajo de los puntos
prcticos de operacin como sigue
Fs =
2FH
2FL
= FsL + FsH
k 1
k
(6.4.18)
(6.4.19)
(6.4.20)
que indican que las bandas de guarda simtricas llevan a una tolerancia asimtrica de la frecuencia de muestreo.
2 FL
Fs
=
k1 B
B
FsH
B
Punto de operacin
prctico
Tolerancia de
la frecuencia
de muestreo
sL
2
Fs
=
k
B
FB
B
BH
BL
B
B
Anchuras de las bandas de guarda
Figura 6.4.4. Ilustracin, para la cua k, de la relacin entre el tamao de las bandas de guarda y las desviaciones
de la frecuencia de muestreo permitida de su valor nominal.
Si seleccionamos el punto de operacin prctico en el punto central vertical de la cua, la frecuencia de
muestreo es
1 2FH
2FL
Fs =
(6.4.21)
+
2
k
k 1
Luego, por construccin, FsL = FsH = Fs /2, y las bandas de guarda quedan definidas por
k 1
Fs
4
k
BH = Fs
4
BL =
(6.4.22)
(6.4.23)
2FH
= 50.0117 kHz
kmax
Para evitar el potencial aliasing debido a las imperfecciones del hardware, deseamos utilizar dos bandas de guarda de
anchura BL = 2.5 kHz y BH = 2.5 kHz en cada lado de la banda de la seal. El ancho de banda efectivo de la seal ser
entonces B = B + BL + BH = 30 kHz. Adems, FL = FL BL = 10,700 kHz y FH = FH + BH = 10,730 kHz. A partir
de (6.4.17), el ndice mximo de cua es
= FH /B = 357
kmax
Sustituyendo kmax en la desigualdad dada por (6.4.17) se obtiene el rango de frecuencias de muestreo aceptable
60.1120 kHz Fs 60.1124 kHz
Un anlisis detallado de cmo elegir en la prctica la frecuencia de muestreo para seales paso banda se
proporciona en los textos de Vaughan et al. (1991) y Qi et al. (1996).
< n <
(6.4.24)
(i)
ya (t) =
n=
(i)
(6.4.25)
(i)
(i)
Ya (F) =
n=
(i)
(i)
= Ga (F)Xi (F)e j2 Fi
(6.4.26)
(6.4.27)
donde Xi (F) es la transformada de Fourier de xi (nTi ). A partir del teorema de muestreo definido por (6.1.14), la
transformada de Fourier de xi (nTi ) se puede expresar en funcin de la transformada Xa (F)e j2 Fi de xa (t + i )
como
k
1
j2 (F Tk )i
i
e
Xi (F) =
Xa F
(6.4.28)
Ti k=
Ti
Sustituyendo (6.4.28) en (6.4.27) obtenemos
(i)
(i)
Ya (F) = Ga (F)
k
1
j2 k
Xa F Ti e Ti i
Ti k=
(6.4.29)
Si repetimos el proceso de muestreo (6.4.24) para i = 1, 2, . . . , p, obtenemos p secuencias muestreadas uniformemente intercaladas xi (nTi ), < n < . La suma de las p seales reconstruidas est dada por
p
ya (t) = ya (t)
(i)
(6.4.30)
i=1
(6.4.31)
i=1
donde
V (i) (F) =
k
1
j2 Tk i
i
F
e
X
a
Ti k=
Ti
(6.4.32)
1
=T
B
(6.4.33)
Figura 6.4.5. Ilustracin del muestreo de segundo orden de una seal paso banda. (a) Secuencias muestreadas
intercaladas. (b) Muestreo de segundo orden y sistema de reconstruccin.
En este caso, las relaciones (6.4.31) y (6.4.32) proporcionan (vase la Figura 6.4.5),
(1)
k=
donde
(2)
k Xa (F kB)
(6.4.34)
k=
= e j2 B
(6.4.35)
Para comprender la naturaleza de (6.4.34), en primer lugar separamos el espectro Xa (F) en una banda positiva
y una banda negativa como sigue:
Xa (F), F 0
Xa (F), F 0
Xa+ (F) =
, Xa (F) =
(6.4.36)
0,
F <0
0,
F >0
A continuacin, dibujamos las rplicas repetidas de Xa (F kB) y k Xa (F kB) como cuatro componentes
separadas, como se ilustra en la Figura 6.4.6. Observe que puesto que cada componente individual tiene un
ancho de banda B y una frecuencia de muestreo Fs = 1/B, sus copias repetidas llenan el eje de frecuencias
completo sin solaparse, es decir, sin aliasing. Sin embargo, cuando las combinamos, las bandas negativas
causan aliasing en las bandas positivas, y viceversa.
(1)
(2)
(2)
(6.4.37)
Figura 6.4.6. Ilustracin del aliasing en el muestreo de segundo orden de una seal paso banda.
(1)
(2)
Para determinar Ga (F) y Ga (F) para FL |F| FL + B, vemos a partir de la Figura 6.4.6 que slo las
componentes con k = m y k = (m + 1), donde
%
m=
2FL
B
&
(6.4.38)
es el mnimo entero mayor o igual que 2FL /B, que produce solapamiento con el espectro original.
En la regin FL F FL + mB, la Ecuacin (6.4.34) se convierte en
(1)
(2)
Ya+ (F) = BGa (F) + BGa (F) Xa+ (F) (componente de seal)
(1)
(2)
+ BGa (F) + B m Ga (F) Xa+ (F mB) (componente de aliasing)
Figura 6.4.7. Caracterizacin en el dominio de la frecuencia de la funcin de interpolacin paso banda para
un proceso de muestreo de segundo orden.
Las condiciones que aseguran la reconstruccin perfecta Ya+ (F) = Xa+ (F) son
(1)
(2)
(6.4.39)
=0
(6.4.40)
Ga (F) =
1
1
,
B 1 m
(2)
Ga (F) =
1 1
B 1 m
(6.4.41)
(2)
(2)
(6.4.42)
(6.4.43)
Ga (F) =
1
1
,
B 1 (m+1)
(2)
Ga (F) =
1
1
B 1 m+1
(6.4.44)
(2)
funcin Ga (F) tiene la respuesta paso banda mostrada en la Figura 6.4.7. Una grfica similar para Ga (F)
revela que
(2)
(1)
Ga (F) = Ga (F)
(2)
(1)
(6.4.45)
(1)
lo que implica que ga (t) = ga (t). Por tanto, con el fin de simplificar, adoptamos la notacin ga (t) = ga (t)
y escribimos la frmula de reconstruccin (6.4.30) del siguiente modo:
xa (t) =
n=
xa
n
n
n
ga t
+ xa
+ ga t + +
B
B
B
B
(6.4.46)
Tomando la transformada inversa de Fourier de la funcin mostrada en la Figura 6.4.7, podemos demostrar que
la funcin de interpolacin est dada por (vase el Problema 6.7)
ga (t) = a(t) + b(t)
(6.4.47)
a(t) =
(6.4.48)
b(t) =
(6.4.49)
cos(2 Bt B) cos( B)
2 Bt sen( B)
(6.4.50)
La restriccin adicional = 1/2B, que da lugar a una frecuencia de muestreo uniforme, proporciona una funcin
de interpolacin seno bien conocida gLP (t) = sen(2 Bt)/2 Bt.
Para seales paso banda con FL = mB/2 podemos elegir el desplazamiento temporal tal que (m+1) = 1.
Este requisito se satisface si
=
1
2k + 1
k
=
+
,
2B(m + 1) 4Fc 2Fc
k = 0, 1, 2, . . .
(6.4.51)
donde Fc = FL + B/2 = B(m + 1)/2 es la frecuencia central de la banda. En este caso, la funcin de interpolacin
se especifica mediante GQ (F) = 1/2 en el rango mB/2 |F| (m + 1)B/2 y GQ (F) = 0 en cualquier otro
caso. Tomando la transformada inversa de Fourier, obtenemos
gQ (t) =
sen Bt
cos 2 Fct
Bt
(6.4.52)
que es un caso especial de (6.4.47)(6.4.49). Este caso especial se conoce como muestreo en cuadratura directo,
porque las componentes en fase y en cuadratura se obtienen explcitamente a partir de la seal paso banda (vase
la Seccin 6.4.3).
Por ltimo, observe que es posible muestrear una seal paso banda y luego reconstruir la seal discreta en
el tiempo en una posicin de la banda distinta de la original. Esta reubicacin espectral o desplazamiento en
frecuencia de la seal paso banda se hace normalmente utilizando el muestreo en cuadratura directo [Coulson
et al. (1994)]. La importancia de este mtodo se encuentra en que se puede implementar utilizando tcnicas de
tratamiento digital de seales.
6.4.3
La causa principal de complicaciones en el muestreo de una seal paso banda real xa (t) es la presencia de las dos
bandas espectrales separadas en las regiones de frecuencia (FL + B) F FL y FL F FL + B. Puesto
que xa (t) es real, las frecuencias negativas y positivas de su espectro estn relacionadas por
Xa (F) = Xa (F)
(6.4.53)
Por tanto, la seal se puede especificar completamente mediante una mitad del espectro. A continuacin, vamos
a desarrollar esta idea para presentar las representaciones simplificadas de las seales paso banda. Comenzamos
con la identidad
1
1
cos 2 Fct = e j2 Fct + e j2 Fct
(6.4.54)
2
2
que representa la seal real cos 2 Fct mediante dos lneas espectrales de mdulo 1/2, una en F = Fc y la otra en
F = Fc . Tenemos ahora la identidad
1 j2 Fct
e
(6.4.55)
cos 2 Fct = 2
2
que representa la seal real como la parte real de una seal compleja. En trminos del espectro, ahora especificamos la seal real cos 2 Fct mediante la parte positiva de su espectro, es decir, la lnea espectral en F = Fc . La
amplitud de las frecuencias positivas se duplica para compensar la omisin de las frecuencias negativas.
La extensin a seales con espectro continuo es directa. De hecho, la integral de la transformada inversa de
Fourier de xa (t) se puede dividir en dos partes como
xa (t) =
0
Xa (F)e j2 Ft dF +
0
Xa (F)e j2 Ft dF
(6.4.56)
0
Xa (F)e j2 Ft dF +
0
Xa (F)e j2 Ft dF
(6.4.57)
(6.4.58)
a (t) =
0
2Xa (F)e j2 Ft dF
(6.4.59)
se conoce como seal analtica o pre-envolvente de x a (t). El espectro de la seal analtica puede expresarse en
funcin de la funcin escaln unidad Va (F) como sigue:
2Xa (F), F > 0
(6.4.60)
a (F) = 2Xa (F)Va (F) =
0,
F <0
Cuando Xa (0) = 0, definimos a (0) = Xa (0). Para expresar la seal analtica a (t) en funcin de xa (t), recordemos que la transformada inversa de Fourier de Va (F) est dada por
1
j
va (t) = (t) +
2
2 t
(6.4.61)
1
xa (t)
t
(6.4.62)
1
t
(6.4.63)
xa (t) =
xa ( )
(6.4.64)
y se conoce como transformada de Hilbert de x a(t), y se designa por x a(t). Debemos destacar que la transformada
de Hilbert es una convolucin y no cambia el dominio, por lo que tanto su entrada xa (t) como su salida xa (t)
son funciones del tiempo.
El filtro definido por (6.4.63) tiene la respuesta en frecuencia dada por
HQ (F) =
hQ (t)e j2 Ft dt =
j, F > 0
j,
F <0
(6.4.65)
HQ (F) =
/2, F > 0
/2,
F <0
(6.4.66)
El transformador de Hilbert HQ (F) es un filtro paso todo en cuadratura que simplemente desplaza la fase de
las componentes de frecuencia positiva /2 y la fase de las componentes negativas /2. A partir de (6.4.63),
vemos que hQ (t) es no causal, lo que significa que el transformador de Hilbert no se puede realizar fsicamente.
Podemos expresar la seal analtica mediante la transformada de Hilbert como
(6.4.67)
Vemos que la transformada de Hilbert de xa (t) proporciona la parte imaginaria de la representacin de la seal
analtica.
La seal analtica a (t) de xa (t) es una seal paso banda en la regin FL F FL + B. Por tanto, puede ser
desplazada a la regin de banda base B/2 F B/2 utilizando la propiedad de modulacin de la transformada
de Fourier
F
xLP (t) = e j2 Fct a (t) XLP (F) = a (F + Fc )
(6.4.68)
La seal paso bajo compleja xLP (t) se conoce como envolvente compleja de x a (t).
La envolvente compleja se puede expresar en coordenadas rectangulares como
xLP (t) = xI (t) + jxQ (t)
(6.4.69)
donde xI (t) y xQ (t) son seales paso bajo reales en la misma regin de frecuencias que xLP (t). Aplicando
(6.4.58), (6.4.68) y (6.4.69), podemos deducir fcilmente la representacin en cuadratura de las seales paso
banda
xa (t) = xI (t) cos 2 Fct xQ (t) sen 2 Fct
(6.4.70)
(a) Generacin
(b) Reconstruccin
Filtro
paso bajo
cos 2 Fc t
Oscilador
Fc
xI(t)
Oscilador
Fc
cos 2 Fc t
xa(t)
xa(t)
Desfasador
90o
Desfasador
90o
Filtro
paso bajo
xQ(t)
Figura 6.4.8. (a) Esquema para generar las componentes en fase y en cuadratura de una seal paso banda.
(b) Esquema para reconstruir una seal paso banda a partir de sus componentes en fase y en cuadratura.
Hacemos referencia a xI (t) como la componente en fase de la seal paso banda y a x Q (t) como la componente
en cuadratura, porque las portadoras cos 2 Fct y sen 2 Fct estn en cuadratura de fase una respecto de la otra.
Las componentes en fase y en cuadratura se pueden obtener a partir de la seal xa (t) utilizando la demodulacin
en cuadratura mostrada en la Figura 6.4.8(a). La seal paso banda puede reconstruirse utilizando el esquema de
la Figura 6.4.8(b).
Alternativamente, podemos expresar la envolvente compleja en coordenadas polares como
xLP (t) = A(t)e j (t)
(6.4.71)
donde A(t) y (t) son seales paso bajo reales. De acuerdo con esta representacin polar, la seal paso banda
xa (t) se puede escribir como
xa (t) = A(t) cos[2 Fct + (t)]
(6.4.72)
donde A(t) es la envolvente y (t) es la fase de la seal paso banda. La Ecuacin (6.4.72) representa una seal
paso banda utilizando una combinacin de modulacin en amplitud y ngulo. Podemos ver fcilmente que xI (t)
y xQ (t) estn relacionadas con A(t) y (t) del siguiente modo:
xI (t) = A(t) cos 2 Fct,
A(t) = x2I (t) + x2Q (t),
(6.4.73)
(6.4.74)
La fase (t) queda definida de forma unvoca en funcin de xI (t) y xQ (t), mdulo 2 .
6.4.4
La envolvente compleja dada por (6.4.68) y la representacin en cuadratura dada por (6.4.70) permiten el
muestreo de una seal paso banda a una frecuencia Fs = 2B, independientemente de la posicin de la banda.
Puesto que la seal analtica a (t) presenta una nica banda en FL F FL + B, se puede muestrear a una
velocidad de B muestras complejas por segundo o, 2B muestras reales por segundo sin que se produzca aliasing
(vase la segundo grfica de la Figura 6.4.6). De acuerdo con la expresin (6.4.67), estas muestras se pueden
obtener muestreando xa (t) y su tranformada de Hilbert xa (t) a una frecuencia de B muestras por segundo. La
reconstruccin requiere una funcin de interpolacin paso banda compleja definida por
sen Bt j2 Fct F
1, FL F FL + B
ga (t) =
e
(6.4.75)
Ga (F) =
0,
en otro caso
Bt
donde Fc = FL + B/2. El principal problema con este mtodo es el diseo, en la prctica, de transformadores de
Hilbert analgicos.
Del mismo modo, dado que las componentes en fase xI (t) y en cuadratura xQ (t) de la seal paso banda
xa (t) son seales paso bajo con una nica banda de ancho B/2, pueden representarse unvocamente mediante
las secuencias xI (nT ) y xQ (nT ), donde T = 1/B. Esto da como resultado una frecuencia de muestreo total de
Fs = 2B muestras reales por segundo. La seal paso banda original puede reconstruirse, reconstruyendo primero
las componentes en fase y en cuadratura mediante interpolacin ideal y recombinndolas despus aplicando la
frmula (6.4.70).
Las componentes en fase y en cuadratura se pueden obtener muestreando directamente la seal xa (t),
utilizando muestreo de segundo orden con una eleccin apropiada de . Esto nos lleva a una simplificacin
importante, porque podemos evitar el complejo proceso de demodulacin requerido para generar las seales en
fase y en cuadratura. Extraer directamente xI (t) de xa (t), es decir,
xa (tn ) = xI (tn )
(6.4.76)
n
, n = 0, 1, 2, . . .
2Fc
(6.4.77)
2n + 1
(2n + 1), or tn =
, n = 0, 1, 2, . . .
2
4Fc
(6.4.78)
lo que proporciona
xa (tn ) = xQ (tn )
(6.4.79)
que es equivalente al caso especial de muestreo de segundo orden definido por (6.4.51). Se describen algunas
variaciones de este mtodo en Grace y Pitt (1969), Rice y Wu (1982), Waters y Jarret (1982), y Jackson y
Matthewson (1986).
Por ltimo, sepa que el mtodo de cuadratura para muestrear seales paso banda ha sido ampliamente
empleado en sistemas de radar y de comunicaciones para generar las secuencias en fase y en cuadratura para
su posterior tratamiento. Sin embargo, con el desarrollo de convertidores A/D y procesadores digitales de seal
ms rpidos, resulta ms econmico y sencillo muestrear directamente la seal paso banda, como se ha descrito
en la Seccin 6.4.1, y obtener despus xI (n) y xQ (n) utilizando el mtodo discreto en el tiempo desarrollado en
la Seccin 6.5.
< n <
(6.5.1)
Sin perder generalidad, suponemos que x(n) se ha obtenido muestreando una seal xa (t) con un espectro
Xa (F) = 0, |F| > B a una tasa de muestreo Fs = 1/T 2B, es decir, x(n) = xa (nT ). Por tanto, el espectro X(F)
de x(n) est dado por
1
X(F) =
(6.5.2)
Xa (F kFs)
T k=
A continuacin, muestreamos xa (t) en los instantes de tiempo t = nDT , es decir, a una tasa de muestreo Fs /D.
El espectro de la secuencia xd (n) = xa (nDT ) est dado por
Xd (F) =
1
DT
Fs
F
k
X
a
D
k=
(6.5.3)
Este proceso se ilustra en la Figura 6.5.1 para D = 2 y D = 4. Podemos ver fcilmente a partir de la Figura
6.5.1(c) que el espectro Xd (F) se puede expresar en funcin del espectro peridico X(F) como
Xd (F) =
1 D1
Fs
X
F
D k=0
D
(6.5.4)
Para evitar el aliasing, la frecuencia de muestreo debe satisfacer la condicin Fs /D 2B. Si la frecuencia de
muestreo Fs es fija, podemos evitar el aliasing reduciendo el ancho de banda de x(n) a (Fs /2)/D. En funcin
de las variables de frecuencia normalizadas, podemos impedir el aliasing si la frecuencia ms alta f max o max
de x(n) satisface las condiciones
fmax
fs
1
=
2D
2
max
s
=
D
2
(6.5.5)
Cuando se efecta un muestreo continuo en el tiempo, el espectro Xa (F) se repite un nmero infinito de veces
para crear un espectro peridico que cubra el rango infinito de frecuencias. Cuando se efecta un muestreo
discreto en el tiempo, el espectro peridico X(F) se repite D veces para cubrir un perodo del dominio de la
frecuencia.
Para reconstruir la secuencia original x(n) a partir de la secuencia muestreada xd (n), empleamos en primer
lugar la frmula de interpolacin ideal
(t mDT )
sen
xa (t) = xd (m) DT
m=
(t mDT )
DT
(6.5.6)
que reconstruye xa (t) suponiendo que Fs /D 2B. Dado que x(n) = xa (nT ), sustituyendo en (6.5.6) tenemos
sen (n mD)
D
x(n) = xd (m)
m=
(n mD)
D
(6.5.7)
xa(t )
Xa(F)
(a)
0
x(n) = xa(nT )
(b)
T=
1
Fs
1
T
t
Fs
X (F )
2Fs
2T
Fs
x(n) = xa(n4T )
(d)
4T
3Fs 2Fs Fs
Fs =
1
2T
2Fs F
Fs
1
Fs =
4T
Xd (F)
1
4T
0
1
T
Fs F
Xd (F)
1
2T
0
Fs =
x(n) = xa(n2T )
(c)
Fs
2Fs 3Fs
Figura 6.5.1. Ilustracin del muestreo de una seal discreta en el tiempo en el dominio de la frecuencia.
ste no es un interpolador prctico, ya que la funcin sen(x)/x es infinita. En la prctica, utilizamos un sumatorio finito desde m = L hasta m = L. La calidad de esta aproximacin mejora cuando se incrementa L. La
transformada de Fourier de la secuencia de interpolacin de banda limitada ideal dada por (6.5.7) es
gBL (n) = D
sen( /D)n F
GBL ( ) =
n
D, | | /D
0, /D < | |
(6.5.8)
Por tanto, el interpolador ideal discreto en el timpo tiene una caracterstica en frecuencia ideal paso bajo.
Para comprender el proceso de interpolacin discreto en el tiempo, vamos a analizar el proceso ampliamente
utilizado de la interpolacin lineal. Para simplificar, emplearemos la notacin Td = DT para el perodo de
muestreo de xd (m) = xa (mTd ). El valor de xa (t) en el instante de tiempo entre mTd y (m + 1)Td se obtiene
tirando una lnea vertical desde t hasta el segmento de lnea que conecta las muestras xd (mTd ) y xd (mTd + Td ),
como se muestra en la Figura 6.5.2. El valor interpolado queda determinado por
xlin (t) = x(m 1) +
x(m) x(m 1)
[t (m 1)Td ], (m 1)Td t mTd
Td
(m l)Td
xlin(t)
x(m)
(6.5.9)
x(m)glin(t mTd )
C
B
t A mTd
(6.5.10)
m=
x(m)glin (t mTd )
(6.5.11)
tenga en cuenta que siempre tenemos t (m 1)Td = |t (m 1)Td | y mTd t = |t mTd | porque (m 1)Td
t mTd . Por tanto, podemos escribir (6.5.10) en la forma dada en (6.5.11) si definimos
glin (t) =
|t|
, |t| Td
Td
0,
|t| > Td
1
(6.5.12)
Las frmulas de interpolacin discretas en el tiempo se obtienen reemplazando t por nT en las expresiones
(6.5.11) y (6.5.12). Puesto que Td = DT , obtenemos
xlin (n) =
donde
m=
glin (n) =
x(m)glin (n mD)
(6.5.13)
|n|
, |n| D
D
0,
|n| > D
(6.5.14)
Como en cualquier funcin de interpolacin, glin (0) = 1 y glin (n) = 0 para n = D, 2D, . . .. El rendimiento
del interpolador lineal se puede valorar comparando su transformada de Fourier
1 sen( D/2) 2
Glin ( ) =
D sen( /2)
(6.5.15)
con la del interpolador ideal (6.5.8). Esto se ilustra en la Figura 6.5.3, que demuestra que el interpolador ideal
tiene un mejor rendimiento slo cuando el espectro de la seal interpolada es despreciable para | | > /D, es
decir, cuando la seal continua en el tiempo original ha sido sobremuestreada.
GBL()
L=5
Glin()
4
5
2
5
5
2
5
4
5
Las Ecuaciones (6.5.11) y (6.5.13) parecen definir una operacin de convolucin; sin embargo, no es as.
Esto se ilustra en la Figura 6.5.4, la cual muestra el clculo de las muestras interpoladas x(nT ) y x((n + 1)T )
para D = 5. Observe que slo se emplea en cada caso un subconjunto de los coeficientes del interpolador lineal.
Bsicamente, descomponemos glin (n) en D componentes y utilizamos uno cada vez de forma peridica para
calcular los valores interpolados. sta es la idea que hay esencialmente detrs de las estructuras de los filtros
polifsicos que se tratan en el Captulo 11. Sin embargo, si creamos una nueva secuencia x(n)
insertando (D 1)
muestras de valor cero entre las sucesivas muestras de xd (m), podemos calcular x(n) utilizando la convolucin
x(n) =
x(k)g
lin (n k)
(6.5.16)
k=
a costa de clculos innecesarios que implican valores iguales a cero. Podemos obtener una implementacin ms
eficaz utilizando la Ecuacin (6.5.13).
El muestreo e interpolacin de una seal discreta en el tiempo se corresponde esencialmente con un cambio de
su tasa de muestreo por un factor entero. El objeto de la conversin de la tasa de muestreo, que es extremadamente
importante en las aplicaciones prcticas, se trata en detalle en el Captulo 11.
x(m 1)
(m 1)Td
glin(nT mTd )
nT
x(m)
mTd
xlin(n)
nT
~
x(n)
glin(n k)
(n 1)T nT (n +1)T
6.5.2
Las representaciones paso banda de seales continuas en el tiempo vistas en la Seccin 6.4.3, pueden adaptarse
para las seales discretas en el tiempo con algunas modificaciones simples que tienen en cuenta la naturaleza
peridica de los espectros discretos en el tiempo. Puede que no podamos exigir que la transformada discreta de
Fourier en el tiempo sea cero para < 0 sin violar su periodicidad, as definimos la seal analtica (n) de una
seal paso banda x(n) como
2X( ), 0 <
( ) =
(6.5.17)
0,
< 0
donde X( ) y ( ) son las transformadas de Fourier de x(n) y (n), respectivamente.
El transformador ideal de Hilbert discreto en el tiempo definido por
H( ) =
j, 0 < <
j,
< < 0
(6.5.18)
aplica un desplazamiento de fase de 90-grados al igual que en el caso de seales continuas en el tiempo. Luego
podemos demostrar fcilmente que
)
( ) = X( ) + jX(
(6.5.19)
donde
) = H( )X( )
X(
(6.5.20)
Para calcular la seal analtica en el dominio del tiempo, necesitamos la respuesta al impulso del transformador
de Hilbert. sta se obtiene como sigue
h(n) =
lo que da
1
2
0
je j n d
1
2
0
je j n d
n = par
2 sen2 ( n/2)
0,
, n = 0
h(n) =
=
2 , n = impar
0,
n=0
n
(6.5.21)
(6.5.22)
La secuencia h(n) es distinta de cero para n < 0 y no es absolutamente sumable; por tanto, el transformador ideal
de Hilbert no es causal y es inestable. La respuesta al impulso y la respuesta en frecuencia del transformador
ideal de Hilbert se ilustran en la Figura 6.5.5.
Como en el caso de continuidad en el tiempo, la transformada de Hilbert x(n)
(6.5.23)
Las representaciones envolvente compleja, en cuadratura y envolvente/fase se obtienen mediante las correspondientes frmulas para seales continuas en el tiempo reemplazando t por nT en las ecuaciones relevantes.
Dada una seal paso banda x(n), 0 < L | | L + w con un ancho de banda normalizado w = 2 B/Fs,
podemos deducir las representaciones equivalentes paso bajo en cuadratura o en fase, o envolvente compleja
que pueden muestrearse a una frecuencia fs = 1/D compatible con el ancho de banda w. Si L = (k 1) /D y
w = /D, la secuencia x(n) puede muestrearse directamente sin que aparezca el aliasing, como se describe en
la Seccin 11.7.
h[n]
1
0
(a)
H( )
j
(b)
Figura 6.5.5. (a) Respuesta al impulso y (b) respuesta en frecuencia del transformador de Hilbert discreto en
el tiempo.
En muchas aplicaciones de sistemas de comunicaciones y de radar es necesario procesar una seal paso
banda xa (t), FL |F| FL + B en forma de seal paso bajo. Las tnicas convencionales emplean dos canales
analgicos en cuadratura y dos convertidores A/D que siguen a los dos filtros paso bajo, como se muestra en la
Figura 6.4.8. Una tcnica ms actual consiste en muestrear uniformemente la seal analgica y obtener luego la
representacin en cuadratura empleando la demodulacin digital en cuadratura, es decir, una implementacin
discreta en el tiempo de la primera parte de la Figura 6.4.8. Se puede emplear un mtodo similar para generar
digitalmente seales de una sola banda para aplicaciones de comunicaciones (Frerking 1994).
La idea fundamental de reducir el rango dinmico nos lleva a considerar la cuantificacin diferencial. Para
ilustrar este punto, vamos a evaluar la varianza de la diferencia entre dos muestras sucesivas de la seal. As,
tenemos
d(n) = x(n) x(n 1)
(6.6.1)
La varianza de d(n) es
(6.6.2)
2x2 [1 xx (1)]
donde xx (1) es el valor de la autocorrelacin xx (m) de x(n) evaluada en m = 1. Si xx (1) > 0.5, observe que
d2 < x2 . Bajo esta condicin, es mejor cuantificar la diferencia d(n) y recuperar x(n) a partir de los valores
cuantificados {dq (n)}. Para obtener una alta correlacin entre sucesivas muestras de la seal, requerimos que
la tasa de muestreo sea significamente mayor que la frecuencia de Nyquist.
Un mtodo incluso mejor consiste en cuantificar la diferencia
d(n) = x(n) ax(n 1)
(6.6.3)
donde a es un parmetro seleccionado para minimizar la varianza de d(n). Esto nos lleva al resultado (vase el
Problema 6.16) de que la eleccin ptima del valor de a es
a=
xx (1) xx (1)
=
xx (0)
x2
d2 = x2 [1 a2]
(6.6.4)
En este caso, d2 < x2 , ya que 0 a 1. La magnitud ax(n 1) se conoce como predictor de primer orden de
x(n).
La Figura 6.6.1 muestra un cuantificador de seales predictivo diferencial. Este sistema se utiliza para la
codificacin de seales de voz y su transmisin a travs de canales telefnicos y se conoce como modulacin
diferencial por impulsos codificados (DPCM, differential pulse code modulation). El objetivo del predictor es
proporcionar una estimacin x(n)
x(n)
=
ak x(n k)
(6.6.5)
k=1
x(n)
d(n)
Q[ ]
^
x(n)
PR
Codificador
dq(n)
xq(n)
xq(n)
+
^
x(n)
PR
Decodificador
Es preciso emplear el bucle de realimentacin en el cuantificador, como se muestra en la Figura 6.6.1, para evitar la
acumulacin de errores de cuantificacin en el decodificador. En esta configuracin, el error e(n) = d(n) dq (n)
es
e(n) = d(n) dq(n) = x(n) x(n)
dq(n) = x(n) xq(n)
Por tanto, el error en la seal cuantificada reconstruida xq (n) es igual al error de cuantificacin para la muestra
d(n). El decodificador para la demodulacin DPCM que reconstruye la seal a partir de los valores cuantificados
se muestra tambin en la Figura 6.6.1.
La forma ms simple de cuantificacin predictiva diferencial es la modulacin delta (DM, delta modulation).
Con este tipo de modulacin, el cuantificador es un cuantificador simple de 1 bit (dos niveles) y el predictor
es de primer orden, como se muestra en la Figura 6.6.2(a). Bsicamente, la modulacin delta proporciona una
aproximacin en escalera de la seal de entrada. En cada instante de muestreo, se determina el signo de la
diferencia entre la muestra de entrada x(n) y su aproximacin en escalera ms reciente x(n)
= axq (n 1) y a
continuacin la seal en escalera se actualiza con un escaln en la direccin de la diferencia.
En la Figura 6.6.2(a), observamos que
xq (n) = axq (n 1) + dq(n)
(6.6.6)
1
H(z)
X(z) +
E(z) = Hs (z)X(z) + Hn (z)E(z)
1 + H(z)
1 + H(z)
(6.6.8)
x(n)
d(n)
dq(n)
+1
^
x(n)
z1
xq(n)
xq(n)
1
^
x(n)
Codificador
z1
Decodificador
(a)
Distorsin de la
pendiente de
sobrecarga
x(n 1)
x(n)
Ruido granular
xa(t)
^
x(n)
Tiempo
1
T=
Fs
(b)
T
+1
x(t)
d(t)
+1
1
Reloj
^
x(t)
LPF
^
x(t)
^
x(t)
Integrador
(c)
Hn (z) = 1 z1
(6.6.9)
Luego Hs (z) no distorsiona la seal. El rendimiento del sistema SDM est determinado por tanto por la funcin
de sistema del ruido Hn (z), cuyo mdulo de la respuesta en frecuencia es
F
|Hn (F)| = 2 sen
Fs
(6.6.10)
Reloj
x(t)
Filtro
paso bajo
analgico
+1
Codificador
Decodificador
(a)
reloj
x(t)
Filtro
paso bajo
analgico
+1
Codificador
Decodificador
(b)
z1
e(n)
d(n)
+
dq(n)
n2 =
B
B
(6.6.11)
donde Se (F) = e2 /Fs es la densidad espectral de potencia del ruido de cuantificacin. A partir de esta relacin
podemos observar que duplicando Fs (aumentando la tasa de muestreo en un factor de 2) y manteniendo fijo B,
se reduce la potencia del ruido de cuantificacin en 3 dB. Este resultado es cierto para cualquier cuantificador.
Sin embargo, es posible una reduccin adicional seleccionando adecuadamente el filtro H(z).
Para el sistema SDM de primer orden, se puede demostrar que (vase el Problema 6.19) para Fs >> 2B, la
potencia del ruido de cuantificacin dentro de la banda es
3
1
2B
n2 2 e2
(6.6.12)
3
Fs
Observe que duplicando la frecuencia de muestreo se reduce la potencia de ruido en 9 dB, de los que 3 dB
se deben a la reduccin en Se (F) y los 6 dB restantes se deben a la caracterstica del filtro Hn (F). Se puede
conseguir una reduccin adicional de 6-dB utilizando un integrador doble (vase el Problema 6.20).
En resumen, la potencia de ruido n2 puede reducirse aumentando la tasa de muestreo para extender la
potencia del ruido de cuantificacin a lo largo de una amplia banda de frecuencias (Fs /2, Fs /2), y conformando
a continuacin la densidad espectral de potencia por medio de un filtro apropiado. Luego, el sistema SDM
proporciona una seal cuantificada de 1 bit a una frecuencia de muestreo de Fs = 2IB, donde el factor de
sobremuestreo (interpolacin) I determina la relacin SNR del cuantificador SDM.
A continuacin, vamos a explicar cmo convertir esta seal en una seal cuantificada de b bits a la frecuencia
de Nyquist. En primer lugar, recordemos que el decodificador SDM es un filtro paso bajo analgico con una
frecuencia de corte B. La salida de este filtro es una aproximacin a la seal de entrada x(t). Dada la seal de 1 bit
dq (n) a la frecuencia de muestreo Fs , podemos obtener una seal xq (n) en una frecuencia de muestreo inferior,
por ejemplo la frecuencia de Nyquist de 2B o incluso mayor, remuestreando la salida del filtro paso bajo a una
tasa de 2B. Para evitar el aliasing, primero filtramos el ruido fuera de la banda (B, Fs /2) procesando la seal de
banda ancha. La seal se pasa entonces a travs del filtro paso bajo y se vuelve a muestrear (submuestreo) a la
frecuencia ms baja. El proceso de submuestreo se denomina diezmado y se trata en detalle en el Captulo 11.
Por ejemplo, si el factor de interpolacin es I = 256, la salida del convertidor A/D se puede obtener
promediando bloques sucesivos de 128 bits que no se solapen. Este promedio resultar en una seal digital
con un rango valores desde cero hasta 256 (b 8 bits) a la frecuencia de Nyquist. El proceso de promediado
proporciona el filtrado de suavizado requerido.
La Figura 6.6.6 ilustra los elementos bsicos de un convertidor A/D con sobremuestreo. Normalmente, este
tipo de convertidor para aplicaciones de seales de voz (3 kHz) se fabrica como circuito integrado. Tpicamente,
operan a una frecuencia de muestreo de 2 MHz, realizan el submuestreo a 8 kHz y tienen una precisin de 16
bits.
Sr(F)
Fs
2
Hn(F)
Fs
2
Seccin digital
Seccin analgica
x(t)
Filtro de
suavizado
SDM
1-bit
dq(n) Filtro paso bajo
digital
Fs
(diezmador)
b>1
xq(n)
FN
Convertidor SDM-PCM
Seccin digital
b-bits
FN
Filtro paso
bajo digital
(interpolador)
b-bits
Seccin analgica
SDM
digital
Fs
1-bit
Fs
Filtro paso
bajo de datos
muestreados
Filtro de
suavizado
Filtros de antialiasing
Convertidor PCM-SDM
Filtro de
interpolacin
Modulador
sigmadelta
Seccin digital
D/A
de 1-bit
Filtro de
suavizado
analgico
Salida
analgica
Seccin analgica
Se trata de operaciones necesarias en el tratamiento digital de seales analgicas, bien realizadas mediante
una computadora de propsito general o en un procesador digital de seales diseado a medida. La cuestin
relacionada con la conversin D/A tambin se ha tratado. Adems de las tcnicas de conversin convencionales
A/D y D/A, hemos descrito tambin otro tipo de conversin A/D y D/A, basada en el principio de sobremuestreo
y en un tipo de codificacin de seales denominado modulacin sigmadelta. La tecnologa de conversin sigmadelta es especialmente adecuada para seales de audio debido a su relativamente pequeo ancho de banda (menor
que 20 kHz) y, en algunas aplicaciones, a los requisitos de alta fidelidad.
El teorema de muestreo fue presentado por Nyquist (1928) y, posteriormente, fue popularizado por Shannon
(1949). Las tcnicas de conversin D/A y A/D se tratan en un libro de Sheingold (1986). Las conversiones A/D
y D/A con sobremuestreo se han tratado en la literatura tcnica, especficamente, citamos el trabajo de Candy
(1986), Candy et al. (1981) y Gray (1990).
Problemas
6.1 Dada una seal continua en el tiempo xa (t) con Xa (F) = 0 para |F| > B, determine la frecuencia de
muestreo mnima Fs para una seal ya (t) definida por (a) dxa (t)/dt (b) x2a (t) (c) xa (2t) (d) xa (t) cos 6 Bt
y (e) xa (t) cos 7 Bt
6.2 La secuencia muestreada xa (nT ) se reconstruye utilizando un D/A ideal con una funcin de interpolacin
ga (t) = A para |F| < Fc y cero en cualquier otro caso, para generar una seal continua en el tiempo xa (t).
(a) Si el espectro de la seal original xa (t) satisface Xa (F) = 0 para |F| > B, halle el valor mximo de
T , y los valores de Fc y A tal que xa (t) = xa (t).
(b) Si X1 (F) = 0 para |F| > B, X2 (F) = 0 para |F| > 2B y xa (t) = x1 (t)x2 (t), halle el valor mximo de
T , y los valores de Fc y A tal que xa (t) = xa (t).
(c) Repita el apartado (b) para xa (t) = x1 (t)x2 (t/2).
6.3 Una seal peridica continua en el tiempo con coeficientes de Fourier ck = (1/2)|k| y perodo Tp = 0.1
segundos pasa a travs de un filtro paso bajo ideal que tiene una frecuencia de corte Fc = 102.5 Hz. La
seal resultante ya (t) se muestrea peridicamente con T = 0.005 segundos. Determine el espectro de la
seal y(n) = ya (nT ).
6.4 Repita el Ejemplo 6.1.2 para la seal xa (t) = tet ua (t).
6.5 Considere el sistema de la Figura 6.2.1. Si Xa (F) = 0 para |F| > Fs /2, determine la respuesta en frecuencia
!t
H( ) del sistema discreto en el tiempo tal que ya (t) =
xa ( )d .
6.6 Considere una seal xa (t) con espectro Xa (F) = 0 para 0 < F1 |F| F2 < y Xa (F) = 0 en otro caso.
(a) Determine la frecuencia de muestreo mnima requerida para muestrear xa (t) sin aliasing.
(b) Halle la frmula necesaria para reconstruir xa (t) a partir de las muestras xa (nT ), < n < .
6.7 Demuestre la frmula de interpolacin de muestreo no uniforme de segundo orden descrita por las Ecuaciones (6.4.47)(6.4.49).
6.8 Un interpolador discreto en el tiempo con circuito de muestreo y retencin, con un factor I, repite la ltima
muestra de entrada (I 1) veces.
(a) Determine la funcin de interpolacin gSH (n).
(b) Determine la transformada Fourier GSH ( ) de gSH (n).
(c) Dibuje el mdulo y la fase de la respuesta del interpolador ideal, el interpolador lineal y el interpolador
con muestreo y retencin para I = 5.
6.9 Muestreo en el dominio del tiempo. Considere la seal continua en el tiempo
j2 F t
0 ,
t 0
e
xa (t) =
0,
t <0
(a) Calcule analticamente el espectro Xa (F) de xa (t).
(b) Calcule analticamente el espectro de la seal x(n) = xa (nT), T = 1/Fs .
(c) Dibuje el mdulo del espectro |Xa (F)| para F0 = 10 Hz.
(d) Dibuje el mdulo del espectro |X(F)| para Fs = 10, 20, 40 y 100 Hz.
(e) Explique los resultados obtenidos en el apartado (d) en trminos del efecto del aliasing.
6.10 Considere el muestreo de la seal paso banda cuyo espectro se muestra en la Figura P.6.10. Determine la
tasa de muestreo mnima Fs para evitar el aliasing.
X(F)
1
60
50
40
40
50
60
Figura P.6.10.
6.11 Considere el muestreo de la seal paso banda cuyo espectro se muestra en la Figura P.6.11. Determine la
frecuencia de muestreo mnima Fs para evitar el aliasing.
X(F)
106 100 94
94
100 106
Figura P.6.11.
6.12 Considere los dos sistemas mostrados en la Figura P.6.12.
(a) Dibuje los espectros de las distintas seales si xa (t) tiene la transformada de Fourier indicada en la
Figura P.6.12(b) y Fs = 2B. Cmo estn relacionadas y1 (t) e y2 (t) con xa (t)?
(b) Determine y1 (t) e y2 (t) si xa (t) = cos2 F0t, F0 = 20 Hz y Fs = 50 Hz o Fs = 30 Hz.
6.13 Una seal continua en el tiempo xa (t) con ancho de banda B y su eco xa (t ) llegan simultneamente a
un receptor de TV. La seal analgica recibida
sa (t) = xa (t) + xa (t ),
| | < 1
se procesa con el sistema mostrado en la Figura P.6.13. Es posible especificar Fs y H(z) de modo que
ya (t) = xa (t) [es decir, elimine el eco xa (t ) de la seal recibida]?
xa(t)
A/D
ideal
x(n)
y(n) = x2(n)
(.)2
D/A
ideal
y1(t)
Fs
xa(t)
sa(t) = xa2(t)
(.)2
s(n)
A/D
ideal
D/A
ideal
y2(t)
Fs
Fs
(a)
Xa(F)
0
(b)
Figura P.6.12.
sa(t) Muestreador sa(n)
ideal
H(z)
y(n)
Interpolador ya(t)
BL
ideal
Fs
Figura P.6.13.
6.14 Una seal continua en el tiempo de banda limitada xa (t) se muestrea a una frecuencia de muestreo Fs 2B.
Determine la energa Ed de la seal discreta en el tiempo x(n) resultante en funcin de la energa de la
seal analgica, Ea , y el perodo de muestreo T = 1/Fs .
6.15 En un interpolador lineal se conectan los puntos de muestreo sucesivos mediante segmentos de lnea recta.
As, la seal interpolada resultante x(t)
puede expresarse como
x(t)
= x(nT T ) +
x(nT ) x(nT T )
(t nT ),
T
nT t (n + 1)T
) = x(nT T ) y en t = nT + T , x(nT
0t <T
t/T,
2 t/T, T t < 2T
h(t) =
0,
en otro caso
Deduzca la correspondiente respuesta en frecuencia H(F).
x(t)
^
x(t)
Figura P.6.15.
(b) Dibuje |H(F)| y compare esta respuesta en frecuencia con la del filtro de reconstruccin ideal para
una seal paso bajo de banda limitada.
6.16 Sea x(n) un proceso estacionario de media cero con una varianza x2 y autocorrelacin x (l).
(a) Demuestre que la varianza d2 del error de prediccin de primer orden
d(n) = x(n) ax(n 1)
est dado por
d2 = x2 [1 + a2 2ax(1)]
donde x (1) = x (1)/x (0) es la autocorrelacin normalizada.
(b) Demuestre que d2 alcanza su valor mnimo
d2 = x2 [1 x2(1)]
para a = x (1)/x (0) = x (1).
(c) Bajo qu condiciones se cumple que d2 < x2 ?
(d) Repita los apartados (a) hasta (c) para el error de prediccin de segundo orden
d(n) = x(n) a1x(n 1) a2x(n 2)
6.17 Considere un codificador DM con la entrada x(n) = A cos(2 nF/Fs ). Cul es la condicin para evitar la
distorsin debida a la pendiente de sobrecarga? Ilustre esta condicin grficamente.
6.18 Sea xa (t) una seal de banda limitada con ancho de banda fijo B y varianza x2 .
(a) Demuestre que la relacin seal-ruido de cuantificacin SQNR = 10 log10 (x2 /e2 ), aumenta 3 dB
cada vez que duplicamos la frecuencia de muestreo Fs . Suponga que el modelo de ruido de cuantificacin visto en la Seccin 6.3.3 es vlido.
(b) Si deseamos aumentar la relacin SQNR de un cuantificador duplicando su frecuencia de muestreo,
cul es la forma ms eficiente de hacerlo? Deberamos elegir un convertidor A/D lineal de mltiples
bits o uno con sobremuestreo?
n2 =
B
2e2 2 B
sen 2
Fs
Fs
(b) Utilizando dos trminos de la expansin en serie de Taylor de la funcin seno y suponiendo que
Fs >> B, demuestre que
3
2B
1
n2 2e2
3
Fs
6.20 Considere el modelo SDM de segundo orden mostrado en la Figura P.6.20.
(a) Determine las funciones de sistema de la seal y del ruido Hs (z) y Hn (z), respectivamente.
(b) Dibuje el mdulo de la respuesta de la funcin de sistema del ruido y comprela con la del sistema
SDM de primer orden. Puede explicar la diferencia de 6 dB de estas curvas?
(c) Demuestre que la potencia del ruido de cuantificacin dentro de la banda n2 est dada aproximadamente por
e2 2B 5
n2
5
Fs
lo que implica un incremento de 15 dB cada vez que se duplica la frecuencia de muestreo.
6.21 La Figura P.6.21 ilustra la idea bsica de un generador de seales sinusoidales basado en una tabla de
bsqueda. Las muestras de un perodo de la seal
2
n ,
n = 0, 1, . . . , N 1
x(n) = cos
N
se almacenan en memoria. Una seal digital sinusoidal se genera recorriendo la tabla paso a paso y volviendo al principio de la misma cuando el ngulo excede 2 . Esto puede hacerse utilizando direccionamiento
mdulo-N (es decir, utilizando un buffer circular). Las muestras de x(n) se aplican al convertidor D/A
ideal cada T segundos.
(a) Demuestre que variando Fs podemos ajustar la frecuencia F0 de la sinusoide analgica resultante.
(b) Suponga ahora que Fs = 1/T es fija. Cuntas sinusoides analgicas diferentes pueden generarse
utilizando la tabla de bsqueda dada? Explique su respuessta.
e(n)
x(n)
+
z1
dq(n)
z1
z1
Figura P.6.20.
x(0)
x(1)
x(N 1)
D/A
ideal
DSP
Fs =
1
T
Figura P.6.21.
6.22 Suponga que representamos un filtro paso banda analgico mediante la respuesta en frecuencia
H(F) = C(F Fc) + C (F Fc )
donde C( f ) es la respuesta en frecuencia de un filtro paso bajo equivalente, como se muestra en la Figura
P.6.22.
(a) Demuestre que la respuesta al impulso c(t) del filtro paso bajo equivalente est relacionada con la
respuesta al impulso h(t) del filtro paso banda como sigue:
h(t) = 2[c(t)e j2 Fct ]
(b) Suponga que el sistema paso banda con la respuesta en frecuencia H(F) se excita con una seal
paso banda de la forma
x(t) = [u(t)e j2 Fct ]
donde u(t) es la seal paso bajo equivalente. Demuestre que la salida del filtro se puede expresar
como
y(t) = [v(t)e j2 Fct ]
donde
v(t) =
c( )u(t )d
F
B
Figura P.6.22.
6.23 Considere el generador de seales sinusoidales de la Figura P.6.23, donde tanto los datos sinusoidales
almacenados
2A
n ,
0 n N1
x(n) = cos
N
como la frecuencia de muestreo Fs = 1/T son fijos. Un ingeniero que desea generar una sinusoide de
perodo 2N sugiere que utilicemos interpolacin (lineal) de orden cero o de primer orden para duplicar el
nmero de muestras por perodo en la sinusoide original, como se ilustra en la Figura P.6.23(a).
(a) Determine la seal y(n) generada utilizando interpolacin de orden cero e interpolacin lineal y
luego calcule la distorsin armnica total (THD) en cada caso para N = 32, 64, 128.
(b) Repita el apartado (a) suponiendo que todos los valores de muestras se cuantifican con 8 bits.
(c) Demuestre que las secuencias interpoladas y(n) pueden obtenerse con el sistema mostrado en la
Figura P.6.23(b). El primer mdulo inserta una muestra de valor cero entre muestras sucesivas de
x(n). Determine el sistema H(z) y dibuje el mdulo de su respuesta para los casos de interpolacin
de orden cero e interpolacin lineal. Puede explicar la diferencia en rendimiento en trminos de las
respuestas en frecuencia?
(d) Determine y dibuje los espectros de las sinusoides resultantes en cada caso analticamente [utilizando
los resultados del apartado (c)] y evaluando la DFT de las seales resultantes.
(e) Dibuje los espectros de xi (n) e y(n), si x(n) tiene el espectro mostrado en la Figura P.6.23(c) tanto
para interpolacin de orden cero como interpolacin lineal. Puede sugerir una eleccin mejor para
H(z)?
Valores interpolados
x(n)
0
xt(n)
Insertar
ceros
H(z)
y(n)
(b)
(c)
Interpolacin lineal
(a)
Figura P.6.23.
6.24 Sea xa (t) una seal limitada en el tiempo; es decir, xa (t) = 0 para |t| > , cuya transformada de Fourier
es Xa (F). La funcin Xa (F) se muestra con el intervalo de muestreo F = 1/Ts .
(a) Demuestre que la funcin
x p (t) =
n=
xa (t nTs )
1
Xa (k F)
Ts
(b) Demuestre que Xa (F) puede recuperarse a partir de las muestras Xa (k F), < k < si Ts 2 .
(c) Demuestre que si Ts < 2 , existe aliasing en el dominio del tiempo que impide la reconstruccin
exacta de Xa (F).
(d) Demuestre que si Ts 2 , la reconstruccin perfecta de Xa (F) a partir de las muestras X(k F) es
posible utilizando la frmula de interpolacin
Xa (F) =
k=
Xa (k F)
7
Transformada discreta
de Fourier: propiedades
y aplicaciones
El anlisis en frecuencia de seales discretas en el tiempo suele realizarse donde es ms adecuado, en un
procesador digital de seales, que puede ser una computadora digital de propsito general o sobre un hardware
digital especialmente diseado. Para realizar el anlisis en frecuencia de una seal discreta en el tiempo {x(n)},
convertimos la secuencia en el dominio del tiempo en una representacin equivalente en el dominio de la
frecuencia. Sabemos que tal representacin est dada por la transformada de Fourier X( ) de la secuencia
{x(n)}. Sin embargo, X( ) es una funcin continua de la frecuencia y, por tanto, no es una representacin
adecuada computacionalmente de la secuencia {x(n)}.
En este captulo consideramos la representacin de una secuencia {x(n)} mediante muestras de su espectro
X( ). Una representacin en el dominio de la frecuencia como sta nos lleva a la transformada discreta de
Fourier (DFT, discrete Fourier transform), la cual es una potente herramienta de clculo para llevar a cabo el
anlisis en frecuencia de seales discretas en el tiempo.
(7.1.1)
2
k = x(n)e j2 kn/N ,
N
n=
k = 0, 1, . . . , N 1
(7.1.2)
El sumatorio de (7.1.2) puede subdividirse en un nmero infinito de sumas, donde cada suma consta de N
trminos. Por tanto,
X
1
N1
2
k = + x(n)e j2 kn/N + x(n)e j2 kn/N
N
n=N
n=0
+
2N1
n=N
x(n)e j2 kn/N +
lN+N1
x(n)e j2 kn/N
l= n=lN
x(n lN)
(7.1.4)
l=
obtenida por la repeticin peridica de x(n) cada N muestras, es claramente peridica de perodo fundamental
N. En consecuencia, puede expandirse en serie de Fourier como
x p (n) =
N1
ck e j2 kn/N ,
n = 0, 1, . . . , N 1
(7.1.5)
k=0
1 N1
x p(n)e j2 kn/N ,
N n=0
k = 0, 1, . . . , N 1
(7.1.6)
1 N1
X
N k=0
2
k ,
N
k = 0, 1, . . . , N 1
2
k e j2 kn/N ,
N
(7.1.7)
n = 0, 1, . . . , N 1
(7.1.8)
La relacin dada en (7.1.8) proporciona la reconstruccin de la seal peridica x p (n) a partir de las muestras
del espectro X( ). Sin embargo, no implica que podamos recuperar X( ) o x(n) a partir de las muestras. Para
conseguir esto, tenemos que considerar la relacin entre x p (n) y x(n).
Dado que x p (n) es la extensin peridica de x(n), como se expresa en (7.1.4), es evidente que x(n) puede
recuperarse a partir de x p (n) si no existe aliasing en el dominio del tiempo; es decir, si x(n) est limitada
en el tiempo por un perodo menor que N de x p (n). Esta situacin se ilustra en la Figura 7.1.2, donde sin
perder generalidad, consideramos una secuencia de duracin finita x(n), que es distinta de cero en el intervalo
0 n L 1. Observe que cuando N L,
x(n) = x p (n),
0 n N 1
de modo que x(n) se puede recuperar a partir de x p (n) sin ambiguedades. Por el contrario, si N < L, no es
posible recuperar x(n) a partir de su extensin peridica debido al aliasing en el dominio del tiempo. Por tanto,
concluimos que el espectro de una seal discreta en el tiempo aperidica con duracin finita L puede recuperarse
x(n)
0
xp(n)
N>L
xp(n)
N<L
Figura 7.1.2. Secuencia aperidica x(n) de longitud L y su extensin peridica para N L (sin aliasing) y
N < L (aliasing).
de forma exacta a partir de sus muestras en las frecuencias k = 2 k/N, si N L. El procedimiento consiste
en calcular x p (n), n = 0, 1, . . . , N 1 de acuerdo con (7.1.8); luego
x(n) =
x p (n), 0 n N 1
0,
(7.1.9)
en otro caso
1 N1
X
N k=0
2
k e j2 kn/N ,
N
0 n N 1
(7.1.10)
(7.1.11)
El sumatorio interno entre corchetes de (7.1.11) representa la funcin de interpolacin bsica desplazada
en la frecuencia 2 k/N. Si definimos
P( ) =
1 N1 j n
1 1 e j N
e
=
N n=0
N 1 e j
(7.1.12)
N1
k=0
X
2
2
k P
k ,
N
N
N L
(7.1.13)
La funcin de interpolacin P( ) no es la familiar (sen )/ , sino que en su lugar es una contrapartida peridica de ella, y se debe a la naturaleza peridica de X( ). El desplazamiento de fase en (7.1.12) refleja el hecho de
que la seal x(n) es una secuencia causal de duracin finita y longitud N. La funcin sen( N/2)/(N sen( /2))
se ha representado en la Figura 7.1.3 para N = 5. Observe que la funcin P( ) tiene la propiedad
1, k = 0
2
k =
P
(7.1.14)
N
0, k = 1, 2, . . . , N 1
En consecuencia, la frmula de interpolacin dada en (7.1.13) proporciona de forma exacta los valores de las
muestras X(2 k/N) para = 2 k/N. En las restantes frecuencias, la frmula proporciona una combinacin
lineal ponderada apropiadamente de las muestras espectrales originales.
El siguiente ejemplo ilustra el muestreo en el dominio de la frecuencia de una seal discreta en el tiempo y
el aliasing en el dominio del tiempo que genera.
x(n) = an u(n),
0<a<1
El espectro de esta seal se muestrea a las frecuencias k = 2 k/N, k = 0, 1, . . . , N 1. Determine los espectros reconstruidos
para a = 0.8 cuando N = 5 y N = 50.
Solucin. La transformada de Fourier de la secuencia x(n) es
X( ) =
an e j n = 1 ae j
n=0
x(n lN) =
l=
anlN
l=
= an alN =
l=0
an
,
1 aN
0 n N 1
donde el factor 1/(1 aN ) representa el efecto del aliasing. Puesto que 0 < a < 1, el error de aliasing tiende a cero cuando
N .
Para a = 0.8, la secuencia x(n) y su espectro X( ) se muestran en las Figuras 7.1.4(a) y 7.1.4(b), respectivamente. Las
secuencias con aliasing x p (n) para N = 5 y N = 50 y las correspondientes muestras espectrales se muestran en las Figuras
7.1.4(c) y 7.1.4(d), respectivamente. Observe que los efectos del aliasing son despreciables para N = 50.
Si definimos la secuencia de duracin finita con aliasing x(n) como
x(n)
=
x p (n),
0 n N 1
0,
en otro caso
x(n)
1.0
1.0
50
(a)
(b)
^
x(n)
X k
N
N=5
N=5
n
01234
(c)
X k
N
^
x(n)
1.0
N = 50
50
50
(d)
Figura 7.1.4. (a) Diagrama de la secuencia x(n) = (0.8) n u(n). (b) Transformada de Fourier (slo el mdulo).
(c) Efecto del aliasing con N = 5. (d) Efecto reducido del aliasing con N = 50.
entonces su transformada de Fourier es
) =
X(
=
N1
N1
j n
= x p (n)e j N
x(n)e
n=0
n=0
1 aN e j n
1 aN 1 ae j
1
1 aN
2
2
k =
k
=X
N
1 aN 1 ae j2 kN
N
x(n lN)
(7.1.15)
l=
Cuando la secuencia x(n) tiene una duracin finita de longitud L N, entonces x p (n) es simplemente una
repeticin peridica de x(n), donde x p (n) sobre un solo perodo est dada por
x(n), 0 n L 1
x p (n) =
(7.1.16)
0,
L n N 1
En consecuencia, las muestras en frecuencia X(2 k/N), k = 0, 1, . . . , N 1, representan de forma unvoca la
secuencia de duracin finita x(n). Puesto que x(n) x p (n) en un solo perodo (rellenado por N L ceros),
la secuencia de duracin finita original x(n) puede obtenerse a partir de las muestras en frecuencia {X(2 k/N}
por medio de la frmula (7.1.8).
Es importante destacar que el relleno con ceros no proporciona ninguna informacin adicional acerca del
espectro X( ) de la seal {x(n)}. Las L muestras equidistantes de X( ) son suficientes para reconstruir X( )
utilizando la frmula de reconstruccin (7.1.13). Sin embargo, rellenar la secuencia {x(n)} con N L ceros y
calcular una DFT de N puntos proporciona una mejor representacin de la transformada de Fourier X( ).
En resumen, una secuencia de duracin finita x(n) de longitud L [es decir, x(n) = 0 para n < 0 y n L]
tiene una transformada de Fourier
X( ) =
L1
x(n)e j n ,
0 2
(7.1.17)
n=0
donde los ndices superior e inferior del sumatorio reflejan el hecho de que x(n) = 0 fuera del rango 0 n L 1.
Si muestreamos X( ) en frecuencias igualmente espaciadas k = 2 k/N, k = 0, 1, 2, . . . , N 1, donde N L,
las muestras resultantes son
L1
2 k
X(k) X
= x(n)e j2 kn/N
N
n=0
(7.1.18)
N1
j2 kn/N
X(k) = x(n)e
,
k = 0, 1, 2, . . . , N 1
n=0
donde, por conveniencia, el ndice superior del sumatorio se ha incrementado de L 1 a N 1, ya que x(n) = 0
para n L.
La relacin dada por (7.1.18) es una frmula que permite transformar una secuencia {x(n)} de longitud
L N en una secuencia de muestras en frecuencia {X(k)} de longitud N. Puesto que las muestras de frecuencia
se obtienen evaluando la transformada de Fourier X( ) en un cojunto de N frecuencias discretas (igualmente
espaciadas), la relacin dada en (7.1.18) se denomina transformada discreta de Fourier (DFT) de x(n). A su vez,
la relacin dada en (7.1.10), que nos permite recuperar la secuencia x(n) a partir de las muestras de frecuencia
x(n) =
1 N1
X(k)e j2 kn/N ,
N k=0
n = 0, 1, . . . , N 1
(7.1.19)
se denomina DFT inversa (IDFT). Evidentemente, cuando x(n) tiene una longitud L < N, la IDFT de N puntos
da x(n) = 0 para L n N 1. Resumiendo, las frmulas para la DFT y la IDFT son:
DFT: X(k) =
N1
x(n)e j2 kn/N ,
k = 0, 1, 2, . . . , N 1
(7.1.20)
n=0
IDFT: x(n) =
1 N1
X(k)e j2 kn/N ,
N k=0
n = 0, 1, 2, . . . , N 1
(7.1.21)
EJEMPLO 7.1.2
Una secuencia de duracin finita de longitud L est dada por
1, 0 n L 1
x(n) =
0, en otro caso
Determine la DFT de N puntos de esta secuencia para N L.
Solucin. La transformada de Fourier de esta secuencia es
X( ) =
=
L1
x(n)e j n
n=0
L1
e j n =
n=0
1 e j L
sen( L/2) j (L1)/2
=
e
1 e j
sen( /2)
El mdulo y la fase de X( ) se ilustran en la Figura 7.1.5 para L = 10. La DFT de N puntos de x(n) es simplemente X( )
evaluada en el conjunto de N frecuencias igualmente espaciadas k = 2 k/N, k = 0, 1, . . . , N 1. Por tanto,
1 e j2 kL/N
,
k = 0, 1, . . . , N 1
1 e j2 k/N
sen( kL/N) j k(L1)/N
=
e
sen( k/N)
X(k) =
Figura 7.1.5. Mdulo y fase de la transformada de Fourier para la seal del Ejemplo 7.1.2.
7.1.3
Las frmulas para la DFT y la IDFT dadas por (7.1.18) y (7.1.19) se pueden expresar como
X(k) =
N1
x(n)WNkn ,
k = 0, 1, . . . , N 1
(7.1.22)
n=0
x(n) =
1 N1
X(k)WNkn ,
N k=0
n = 0, 1, . . . , N 1
(7.1.23)
(7.1.24)
1
1
1
x(0)
X(0)
1
WN
WN2
WNN1
x(1)
X(1)
2(N1)
2
4
WN
WN
WN
(7.1.25)
xN =
, XN =
, WN =
..
..
..
..
......
..
.
.
.
.
.
...
.
.
x(N 1)
X(N 1)
2(N1)
(N1)(N1)
N1
1 WN
WN
WN
(N )
10
8
6
N = 50
4
2
0
50
( )
N = 50
50
(a)
X
10
8
6
N = 100
4
2
0
100
( )
N = 100
100
(b)
Figura 7.1.6. Mdulo y fase de la DFT de N puntos del Ejemplo 7.1.2. (a) L = 10, N = 50. (b) L = 10, N = 100.
Con estas definiciones, la DFT de N puntos se puede expresar en forma matricial como
XN = WN xN
(7.1.26)
donde WN es la matriz de la transformacin lineal. Observe que WN es una matriz simtrica. Si suponemos que
existe la inversa de WN , entonces (7.1.26) se puede invertir premultiplicando ambos lados de la ecuacin por
W1
N . As obtenemos
xN = W1
N XN
(7.1.27)
1
W XN
N N
(7.1.28)
donde WN designa el conjugado complejo de la matriz WN . Comparando (7.1.27) con (7.1.28) concluimos que
1
W
N N
(7.1.29)
WN WN = NIN
(7.1.30)
W1
N =
lo que a su vez implica que
donde IN es una matriz identidad N N. Por tanto, la matriz WN de la transformacin es una matriz ortogonal
(unitaria). Adems, existe su inversa y est dada por WN /N. Por supuesto, la existencia de la inversa de WN se
ha establcido anteriormente a partir de la deduccin de la IDFT.
EJEMPLO 7.1.3
Calcule la DFT de la secuencia de cuatro puntos
x(n) = (0
3)
Solucin. El primer paso consiste en determinar la matriz W4 . Aplicando la propiedad de periodicidad de W4 y la propiedad
de simetra
k+N/2
= WNk
WN
la matriz W4 se puede expresar como sigue
0
W4
W 0
4
W4 =
W 0
4
W40
1
1
=
1
1
Por tanto,
W40
W41
W42
W43
1
j
1
j
W40
W42
W44
W46
1
1
1
1
1
W40
3
1
W4
=
W46 1
1
W49
1
W41
W42
W43
1
W42
W40
W42
1
3
W4
W42
W41
1
j
1
j
6
2 + 2 j
X4 = W4 x4 =
2
2 2 j
La IDFT de X4 puede determinarse conjugando los elementos de W4 para obtener W4 y aplicando a continuacin la frmula
(7.1.28).
La DFT y la IDFT son herramientas de clculo que desarrollan un importante papel en muchas aplicaciones
de tratamiento digital de la seal, como por ejemplo en el anlisis en frecuencia (anlisis de espectros) de
seales, en la estimacin del espectro de potencia y en el filtrado lineal. La importancia de la DFT y la IDFT en
tales aplicaciones prcticas se debe a la existencia de algoritmos de clculo eficientes, conocidos colectivamente
como algoritmos de la transformada rpida de Fourier (FFT, fast Fourier transform), que permiten calcular
dichas transformadas DFT e IDFT. Estos algoritmos se describen en el Captulo 8.
N1
ck e j2 nk/N ,
< n <
(7.1.31)
k=0
1 N1
x p(n)e j2 nk/N ,
N n=0
k = 0, 1, . . . , N 1
(7.1.32)
Si comparamos (7.1.31) y (7.1.32) con (7.1.18) y (7.1.19), observamos que la frmula para los coeficientes de la
serie de Fourier tiene la forma de una DFT. De hecho, si definimos una secuencia x(n) = x p (n), 0 n N 1,
la DFT de esta seal es simplemente
X(k) = Nck
(7.1.33)
Adems, (7.1.31) tiene la forma de una IDFT. As, la DFT de N puntos proporciona el espectro de lneas exacto
de una secuencia peridica de perodo fundamental N.
Relacin con la transformada de Fourier de una secuencia aperidica. Ya hemos demostrado que si x(n)
es una secuencia aperidica de energa finita con la transformada de Fourier X( ), la cual se muestrea a N
frecuencias igualmente espaciadas k = 2 k/N, k = 0, 1, . . . , N 1, las componentes espectrales
X(k) = X( )| =2 k/N =
n=
x(n)e j2 nk/N ,
k = 0, 1, . . . , N 1
(7.1.34)
x(n lN)
(7.1.35)
l=
As, x p (n) queda determinada por el aliasing {x(n)} en el intervalo 0 n N 1. La secuencia de duracin
finita
x p (n), 0 n N 1
x(n)
=
(7.1.36)
0,
en otro caso
no se parece a la secuencia original {x(n)}, a menos que x(n) sea de duracin finita y longitud L N, en cuyo
caso
x(n) = x(n),
0 n N 1
(7.1.37)
Slo en este caso la IDFT de {X(k)} proprocionar la secuencia original {x(n)}.
Relacin con la transformada z. Consideremos una secuencia x(n) con la transformada z
X(z) =
x(n)zn
(7.1.38)
n=
y una regin de convergencia que incluye la circunferencia unidad. Si X(z) se muestrea en N puntos igualmente
espaciados sobre la circunferencia unidad zk = e j2 k/N , 0, 1, 2, . . . , N 1, obtenemos
X(k) X(z)|z=e j2 nk/N ,
=
k = 0, 1, . . . , N 1
(7.1.39)
x(n)e j2 nk/N
n=
N1
x(n)zn
n=0
X(z) =
N1
n=0
1 N1
X(k)e j2 kn/N zn
N k=0
X(z) =
n
N1
1 N1
X(k) e j2 k/N z1
N k=0
n=0
X(z) =
1 zN
N
N1
k=0
(7.1.40)
X(k)
1 e j2 k/N z1
X(k)
1 e j N N1
1 e j( 2 k/N)
N
k=0
(7.1.41)
Esta expresin para la transformada de Fourier es una frmula de interpolacin polinmica (Lagrange) para X( )
expresada en funcin de los valores {X(k)} del polinomio en un conjunto de frecuencias discretas igualmente
espaciadas k = 2 k/N, k = 0, 1, . . . , N 1. Realizando algunas manipulaciones algebraicas, podemos reducir
la expresin (7.1.41) a la frmula de interpolacin dada anteriormente en (7.1.13).
Relacin con los coeficientes de la serie de Fourier de una seal continua en el tiempo. Supongamos que
xa (t) es una seal peridica continua en el tiempo de perodo fundamental Tp = 1/F0. La seal puede expresarse
como la serie de Fourier
xa (t) =
ck e j2 ktF0
(7.1.42)
k=
donde {ck } son los coeficientes de Fourier. Si muestreamos xa (t) a una tasa uniforme Fs = N/Tp = 1/T ,
obtenemos la secuencia discreta en el tiempo
x(n) xa (nT ) =
=
ck e j2 kF0nT = ck e j2 kn/N
k=
k=
N1
k=0
l=
cklN e j2 kn/N
(7.1.43)
X(k) = N
cklN N ck
(7.1.44)
l=
y
ck =
cklN
(7.1.45)
l=
N1
x(n)WNkn ,
k = 0, 1, . . . , N 1
(7.2.1)
n=0
IDFT: x(n) =
donde WN se define como
1 N1
X(k)WNkn ,
N k=0
n = 0, 1, . . . , N 1
WN = e j2 /N
(7.2.2)
(7.2.3)
En esta seccin presentamos las propiedades ms importantes de la DFT. Teniendo en cuenta las relaciones
establecidas en la Seccin 7.1.4 entre la DFT y la serie de Fourier, y las transformadas de Fourier y las transformadas z de las seales discretas en el tiempo, es de esperar que las propiedades de la DFT sean parecidas a las
propiedades de estas otras transformadas y series. Sin embargo, existen algunas diferencias importantes, siendo
una de ellas la propiedad de la convolucin circular que se deduce en la seccin siguiente. Un buen conocimiento
de estas propiedades resulta extremadamente til en la aplicacin de la DFT a los problemas prcticos.
La notacin que usamos a continuacin designa la pareja de transformadas DFT de N puntos x(n) y X(k)
DFT
x(n) X(k)
N
7.2.1
Periodicidad. Si x(n) y X(k) son una pareja de transformada DFT de N puntos, entonces
x(n + N) = x(n)
X(k + N) = X(k)
para todo n
para todo k
(7.2.4)
(7.2.5)
Estas periodicidades de x(n) y X(k) se obtienen de forma inmediata de las frmulas (7.2.1) y (7.2.2) para la
DFT y la IDFT, respectivamente.
Anteriormente hemos explicado la propiedad de periodicidad de la secuencia x(n) para una DFT dada. Sin
embargo, anteriormente no hemos visto la DFT X(k) como una secuencia peridica. En algunas aplicaciones
hacer esto resulta ventajoso.
Linealidad. Si
DFT
x1 (n) X1 (k)
N
y
DFT
x2 (n) X2 (k)
N
(7.2.6)
x(n lN)
(7.2.7)
l=
Suponga ahora que desplazamos k unidades hacia la derecha la secuencia peridica x p (n). As obtenemos otra
secuencia peridica
xp (n) = x p (n k) =
La secuencia de duracin finita
x (n) =
x(n k lN)
xp (n), 0 n N 1
0,
(7.2.8)
l=
en otro caso
(7.2.9)
est relacionada con la secuencia original x(n) por un desplazamiento circular. Esta relacin se ilustra en la
Figura 7.2.1 para N = 4.
En general, el desplazamiento circular de la secuencia se puede representar como el ndice de mdulo N.
As, podemos escribir
x (n) = x(n k, mdulo N)
(7.2.10)
x((n k))N
Por ejemplo, si k = 2 y N = 4, tenemos
x(n)
3
2
1
0
3
(a)
xp(n)
4 3 2 1
1
0
(b)
xp(n 2)
3
2
1
6 5 4 3 2 1
(c)
x'(n)
4
3
2
1
0
3
(d)
x(2)
x(1)
x'(1)
x(n)
x'(2)
x(0)
4
x(3)
x'(n)
x'(0)
2
(e)
x'(3)
1 n N 1
(7.2.11)
Se dice que una secuencia de N puntos es circularmente impar si es antisimtrica con respecto al punto cero de
la circunferencia. Esto implica que
x(N n) = x(n),
1 n N 1
(7.2.12)
La inversin temporal de una secuencia de N puntos se consigue invirtiendo sus muestras respecto del punto
cero de la circunferencia. Luego la secuencia x((n))N queda determinada por
x((n))N = x(N n),
0 n N 1
(7.2.13)
Esta inversin temporal es equivalente a representar x(n) en el sentido horario sobre una circunferencia.
Una definicin equivalente para las secuencias par e impar de la secuencia peridica asociada x p (n) es la
siguiente
par:
x p (n) = x p (n) = x p (N n)
(7.2.14)
impar: x p (n) = x p(n) = x p (N n)
Si la secuencia peridica es compleja, tenemos
par conjugada:
x p (n) = xp (N n)
(7.2.15)
(7.2.16)
1
[x p (n) + xp(N n)]
2
1
x po (n) = [x p (n) xp(N n)]
2
(7.2.17)
donde
x pe (n) =
Propiedades de simetra de la DFT. Las propiedades de simetra para la DFT pueden obtenerse aplicando
la metodologa empleada anteriormente para la transformada de Fourier. Supongamos que la secuencia de N
puntos x(n) y su DFT son complejas. Entonces las secuencias se pueden expresar como
x(n) = xR (n) + jxI (n),
0 n N 1
(7.2.18)
0 k N 1
(7.2.19)
(7.2.20)
(7.2.21)
Del mismo modo, sustituyendo (7.2.19) en la expresin de la IDFT dada por (7.2.2), obtenemos
1 N1
2 kn
2 kn
xR (n) =
XR(k) cos N XI (k) sen N
N k=0
1 N1
2 kn
2 kn
xI (n) =
XR(k) sen N + XI (k) cos N
N k=0
(7.2.22)
(7.2.23)
Secuencias reales. Si la secuencia x(n) es real, se deduce directamente a partir de (7.2.1) que
X(N k) = X (k) = X(k)
(7.2.24)
En consecuencia, |X(N k)| = |X(k)| y X(N k) = X(k). Adems, xI (n) = 0 y, por tanto, x(n) se puede
determinar a partir de (7.2.22), que es otra forma de la IDFT.
Secuencias reales pares. Si x(n) es real y par, es decir,
x(n) = x(N n),
0 n N 1
N1
x(n) cos
n=0
2 kn
,
N
0 k N 1
(7.2.25)
1 N1
2 kn
X(k) cos N ,
N k=0
0 n N 1
(7.2.26)
0 n N 1
N1
x(n) sen
n=0
2 kn
,
N
0 k N 1
(7.2.27)
1 N1
2 kn
,
X(k) sen
N k=0
N
0 n N 1
(7.2.28)
Secuencias imaginarias puras. En este caso, x(n) = jxI (n). Por tanto, (7.2.20) y (7.2.21) se reducen a
XR (k) =
N1
xI (n) sen
n=0
XI (k) =
N1
xI (n) cos
n=0
2 kn
N
(7.2.29)
2 kn
N
(7.2.30)
(7.2.31)
Todas las propiedades de simetra de la DFT se pueden deducir fcilmente a partir de la Ecuacin (7.2.31).
Por ejemplo, la DFT de la secuencia
1
x pe (n) = [x p (n) + xp(N n)]
2
es
Las propiedades de simetra de la DFT se resumen en la Tabla 7.1. En algunos de los problemas incluidos
al final de captulo se aplican estas propiedades al clculo eficiente de la DFT de varias secuencias especiales.
DFT de N puntos
x(n)
X(k)
x (n)
X (N k)
x (N n)
X (k)
xR (n)
jXI (n)
XR (k)
2 [x(n) x (N n)]
jXI (k)
xco (n) =
Seales reales
Cualquier seal real
X(k) = X (N k)
x(n)
XR (k) = XR (N k)
XI (k) = XI (N k)
|X(k)| = |X(N k)|
X(k) = X(N k)
xce (n) =
xco (n) =
1
2 [x(n) + x(N n)]
1
2 [x(n) x(N n)]
XR (k)
jXI (k)
j2 nk/N ,
X1 (k) = N1
n=0 x1 (n)e
X2 (k) =
N1
x2 (n)e j2 nk/N ,
n=0
k = 0, 1, . . . , N 1
k = 0, 1, . . . , N 1
(7.2.32)
(7.2.33)
Si multiplicamos las dos DFT, el resultado es otra DFT, por ejemplo, X3 (k) de una secuencia x3 (n) de longitud
N. Determinemos la relacin entre x3 (n) y las secuencias x1 (n) y x2 (n).
Tenemos
X3 (k) = X1 (k)X2 (k),
k = 0, 1, . . . , N 1
(7.2.34)
La IDFT de {X3 (k)} es
x3 (m) =
1 N1
X3(k)e j2 km/N
N k=0
1 N1
=
X1(k)X2 (k)e j2 km/N
N k=0
(7.2.35)
Suponga que sustituimos X1 (k) y X2 (k) en (7.2.35) utilizando las DFT dadas por (7.2.32) y (7.2.33). As,
obtenemos
N1
1 N1 N1
j2 kn/N
j2 kl/N
e j2 km/N
x3 (m) =
x1 (n)e
x2 (l)e
N k=0
n=0
l=0
(7.2.36)
N1
N1
N1
1
j2 k(mnl)/N
=
x1(n) x2 (l) e
N n=0
l=0
k=0
El sumatorio interno entre corchetes de (7.2.36) tiene la forma
a=1
N,
N1
ak = 1 aN , a =
1
k=0
1a
donde a se define como
(7.2.37)
a = e j2 (mnl)/N
Observe que a = 1 cuando m n l es un mltiplo de N. Por otro lado, aN = 1 para cualquier valor de a = 0.
Por tanto, la Ecuacin (7.2.37) se reduce a
N1
N, l = m n + pN = ((m n))N , p entero
(7.2.38)
ak = 0, en otro caso
k=0
Si sustituimos el resultado de (7.2.38) en (7.2.36), obtenemos la expresin deseada para x3 (m) en la forma
x3 (m) =
N1
x1 (n)x2((m n))N ,
n=0
m = 0, 1, . . . , N 1
(7.2.39)
La expresin de (7.2.39) tiene la forma de una convolucin. Sin embargo, no es la convolucin lineal
ordinaria que hemos presentado en el Captulo 2, que relaciona la secuencia de salida y(n) de un sistema lineal
con la secuencia de entrada x(n) y la respuesta al impulso h(n). La convolucin indicada por la expresin
(7.2.39) implica el ndice ((m n))N y se denomina convolucin circular. Por tanto, podemos concluir que la
multiplicacin de dos DFT de dos secuencias es equivalente a la convolucin circular de las dos secuencias en
el dominio del tiempo.
{2, 1, 2, 1}
x2 (n)
{1, 2, 3, 4}
Solucin. Cada secuencia consta de cuatro puntos distintos de cero. Con el fin de ilustrar las operaciones implicadas en
la convolucin circular, es aconsejable representar grficamente cada secuencia como puntos sobre una circunferencia. Por
ello, las secuencias x1 (n) y x2 (n) se han dibujado en la Figura 7.2.2(a). Observe que las secuencias se han representado
sobre la circunferencia en sentido antihorario, lo que establece la direccin de referencia para girar una secuencia respecto
de la otra.
Ahora, x3 (m) se obtiene calculando la convolucin circular de x1 (n) y x2 (n) como se especifica en la Ecuacin (7.2.39).
Comenzando por m = 0, tenemos
x3 (0) =
x1 (n)x2 ((n))N
n=0
La secuencia x2 ((n))4 es simplemente la secuencia x2 (n) reflejada y dibujada sobre una circunferencia, como se muestra
en la Figura 7.2.2(b). En otras palabras, la secuencia reflejada es simplemente x2 (n) representada en sentido horario.
La secuencia producto se obtiene multiplicando x1 (n) por x2 ((n))4 , punto por punto. Esta secuencia se muestra en la
Figura 7.2.2(b). Por ltimo, sumamos los valores de la secuencia producto para obtener
x3 (0) = 14
Para m = 1, tenemos
x3 (1) =
n=0
Es fcil verificar que x2 ((1 n))4 es simplemente la secuencia x2 ((n))4 girada en sentido antihorario una unidad de
tiempo sobre la circunferencia unidad, como se muestra en la Figura 7.2.2(c). Esta secuencia girada se multiplica por x1 (n)
proporcionando la secuencia producto, que tambin se muestra en la Figura 7.2.2(c). Por ltimo, sumamos los valores de la
secuencia producto para obtener x3 (1). As,
x3 (1) = 16
Para m = 2, tenemos
x3 (2) =
n=0
Ahora x2 ((2 n))4 es la secuencia reflejada de la Figura 7.2.2(b) girada dos unidades de tiempo en sentido antihorario. La
secuencia resultante se ilustra en la Figura 7.2.2(d) junto con la secuencia producto x1 (n)x2 ((2 n))4 . Sumando los cuatro
trminos de la secuencia producto, obtenemos
x3 (2) = 14
Para m = 3, tenemos
x3 (3) =
n=0
La secuencia reflejada x2 ((n))4 ahora se gira tres unidades de tiempo para proporcionar x2 ((3 n))4 y la secuencia
resultante se mutliplica por x1 (n) para dar la secuencia producto mostrada en la Figura 7.2.2(e). La suma de los valores de
la secuencia producto es
x3 (3) = 16
x1(1) = 1
x1(2) = 2
x1(n)
x2(1) = 2
x2(2) = 3
x1(0) = 2
x1(3) = 1
x2((n))4
x2(0) = 1
x2(1) = 2
Secuencia reflejada
x2((1 n))4
(b)
x2(1) = 2
(c)
x2(2) = 3
x1(n)x2((2 n))4
4
Secuencia producto
(d)
x2(2) = 3
x2((3 n))4
x2(3) = 4
Secuencia reflejada girada dos unidades de tiempo
x2(1) = 2
x1(n)x2((1 n))4
3
Secuencia producto
x2(1) = 2
x2((2 n))4
x2(2) = 3
Secuencia reflejada girada una unidad de tiempo
x2(0) = 1
x1(n)x2((n))4
2
Secuencia producto
x2(0) = 1
x2(3) = 4
x2(0) = 1
x2(3) = 4
(a)
x2(3) = 4
x2(2) = 3
x2(n)
x2(3) = 4
x2(0) = 1
Secuencia reflejada girada tres unidades de tiempo
(e)
x1(n)x2((3 n))4
1
Secuencia producto
Observe que si se continan realizando estos clculos ms all de m = 3, simplemente se repite la secuencia de los
cuatro valores que hemos obtenido. Por tanto, la convolucin circular de las dos secuencias x1 (n) y x2 (n) da como resultado
la secuencia
x3 (n) = {14, 16, 14, 16}
A partir de este ejemplo, podemos decir que la convolucin circular implica bsicamente los mismos
cuatro pasos que la convolucin lineal ordinaria presentada en el Captulo 2: reflejar (inversin temporal) una
secuencia, desplazar la secuencia reflejada, multiplicar las dos secuencias para obtener una secuencia producto
y, por ltimo, sumar los valores de la secuencia producto. La diferencia principal entre estos tipos de convolucin
es que, en la convolucin circular, las operaciones de reflexin y desplazamiento (rotacin) se realizan de forma
circular calculando el ndice de una de las secuencias de mdulo N. En la convolucin lineal, no existe la
operacin mdulo N.
El lector puede demostrar fcilmente a partir del desarrollo anterior que cualquiera de las dos secuencias se
puede reflejar y girar sin que cambie el resultado de su convolucin circular. Luego
x3 (m) =
N1
x2 (n)x1((m n))N ,
m = 0, 1, . . . , N 1
(7.2.40)
n=0
x1 (n)e j2 nk/4 ,
n=0
k = 0, 1, 2, 3
= 2 + e j k/2 + 2e j k + e j3 k/2
Por tanto,
X1 (0) = 6,
X1 (1) = 0,
X1 (2) = 2,
X1 (3) = 0
La DFT de x2 (n) es
X2 (k) =
x2 (n)e j2 nk/4 ,
n=0
k = 0, 1, 2, 3
= 1 + 2e j k/2 + 3e j k + 4e j3 k/2
Por tanto,
X2 (0) = 10,
X2 (1) = 2 + j2,
X2 (2) = 2,
X2 (3) = 2 j2
X3 (1) = 0,
X3 (2) = 4,
X3 (3) = 0
X3 (k)e j2 nk/4 ,
x3 (n) =
n = 0, 1, 2, 3
k=0
1
= (60 4e j n )
4
Por tanto,
x3 (0) = 14,
x3 (1) = 16,
x3 (2) = 14,
x3 (3) = 16
x1 (n) X1 (k)
N
y
DFT
x2 (n) X2 (k)
N
entonces
DFT
(7.2.41)
7.2.3
x(n) X(k)
N
entonces
DFT
(7.2.42)
ya que invertir la secuencia de N puntos en el tiempo es equivalente a invertir los valores de la DFT. La inversin
temporal de una secuencia x(n) se ilustra en la Figura 7.2.3.
Demostracin. A partir de la definicin de la DFT dada por (7.2.1), tenemos
x(2)
x(3)
x(4)
x(6)
x(5)
x(1)
x(n)
x(0)
x(7)
x(5)
x(6)
x(4)
x(7)
x(n)
x(0)
x(1)
x(3)
x(2)
j2 kn/N
DFT{x(N n)} = N1
n=0 x(N n)e
N1
x(m)e j2 k(Nm)/N
m=0
N1
x(m)e j2 km/N
m=0
N1
m=0
x(n) X(k)
N
entonces
DFT
(7.2.43)
N1
n=0
l1
n=0
N1
n=l
l1
n=0
n=0
N1
x(m)e j2 k(m+l)/N
m=Nl
Adems,
N1
N1l
n=l
m=0
x(m)e j2 k(m+l)/N
Por tanto,
DFT{x((n l))} =
N1
x(m)e j2 k(m+l)/N
m=0
= X(k)e j2 kl/N
x(n) X(k)
N
entonces
DFT
(7.2.44)
Por tanto, la multiplicacin de la secuencia x(n) por la secuencia exponencial compleja e j2 kn/N es equivalente
al desplazamiento circular de la DFT l unidades en frecuencia. sta es la propiedad dual de la propiedad de
desplazamiento temporal circular y su demostracin es similar a la misma.
Propiedades conjugadas complejas. Si
DFT
x(n) X(k)
N
entonces
DFT
x (n) X ((k))N = X (N k)
N
(7.2.45)
La demostracin de esta propiedad se deja como ejercicio para el lector. La IDFT de X (k) es
1 N1
1 N1
j2 kn/N
j2 k(Nn)/N
=
X (k)e
X(k)e
N k=0
N k=0
Por tanto,
x ((n))N = x (N n) NX (k)
DFT
(7.2.46)
x(n) X(k)
N
y
DFT
y(n) Y (k)
N
entonces
DFT
rxy (l) R xy (k) = X(k)Y (k)
N
(7.2.47)
donde rxy (l) es la correlacin cruzada circular (no normalizada), definida como
rxy(l) =
N1
n=0
Demostracin. Podemos escribir rxy (l) como la convolucin circular de x(n) e y (n), es decir,
N y (l)
rxy (l) = x(l)
Entonces, con la ayuda de las propiedades dadas por (7.2.41) y (7.2.46), la DFT de N puntos de rxy (l) es
R xy (k) = X(k)Y (k)
En el caso especial en que y(n) = x(n), tenemos que la expresin correspondiente para la autocorrelacin
circular es x(n),
DFT
(7.2.48)
x1 (n) X1 (k)
N
y
DFT
x2 (n) X2 (k)
N
entonces
1
N X2 (k)
X1 (k)
N
DFT
x1 (n)x2 (n)
N
(7.2.49)
Esta propiedad es la dual de (7.2.41). Su demostracin se obtiene simplemente intercambiando los papeles
del tiempo y la frecuencia en la expresin de la convolucin circular de dos secuencias.
Teorema de Parseval. En general, para secuencias complejas x(n) e y(n), si
DFT
x(n) X(k)
N
y
DFT
y(n) Y (k)
N
entonces
N1
x(n)y (n) =
n=0
1 N1
X(k)Y (k)
N k=0
(7.2.50)
Demostracin. La propiedad se obtiene de forma inmediata a partir de la propiedad de correlacin circular dada
en (7.2.47). Tenemos
N1
n=0
y
rxy (l) =
=
1 N1
Rxy (k)e j2 kl/N
N k=0
1 N1
X(k)Y (k)e j2 kl/N
N k=0
N1
|x(n)|2 = N |X(k)|2
n=0
(7.2.51)
k=0
que expresa la energa de la secuencia de duracin finita x(n) en funcin de las componentes de frecuencia
{X(k)}.
Las propiedades de la DFT descritas hasta aqu se resumen en la Tabla 7.2.
Propiedad
Dominio de la frecuencia
Notacin
x(n), y(n)
X(k),Y (k)
x(n) = x(n + N)
X(k) = X(k + N)
x(N n)
X(N k)
x((n l))N
X(k)e j2 kl/N
x(n)e j2 ln/N
X((k l))N
x (n)
X (N k)
N x2 (n)
x1 (n)
X1 (k)X2 (k)
Periodicidad
Linealidad
Inversin temporal
Conjugacin compleja
Convolucin circular
x1 (n)x2 (n)
N1
Teorema de Parseval
X(k)Y (k)
N y (n)
x(n)
Correlacin circular
x(n)y (n)
n=0
1
N X1 (k)
N X2 (k)
1 N1
X(k)Y (k)
N k=0
x(n) = 0,
n<0 y nL
h(n) = 0, n < 0 y n M
donde h(n) es la respuesta al impulso del filtro FIR.
La secuencia de salida y(n) del filtro FIR se puede expresar en el dominio del tiempo como la convolucin
de x(n) y h(n), es decir
y(n) =
M1
h(k)x(n k)
(7.3.1)
k=0
Puesto que h(n) y x(n) son secuencias de duracin finita, su convolucin tambin es de duracin finita. De
hecho, la duracin de y(n) es L + M 1.
El equivalente en el dominio de la frecuencia de (7.3.1) es
Y ( ) = X( )H( )
(7.3.2)
k = 0, 1, . . . , N 1
= X( )H( )| =2 k/N ,
k = 0, 1, . . . , N 1
entonces
Y (k) = X(k)H(k),
k = 0, 1, . . . , N 1
(7.3.3)
donde {X(k)} y {H(k)} son las DFT de N puntos de las correspondientes secuencias x(n) y h(n). Puesto que
las secuencias x(n) y h(n) tienen una menor duracin que N, simplemente estas secuencias se rellenan con
ceros para incrementar su longitud a N. Este incremento en tamao de las secuencias no altera sus espectros
X( ) y H( ), que son espectros continuos, ya que las secuencias son aperidicas. Sin embargo, muestreando
sus espectros en N puntos igualmente espaciados en la frecuencia (calculando las DFT de N puntos), hemos
incrementado el nmero de muestras que representan estas secuencias en el dominio de la frecuencia ms all
del nmero mnimo (L o M, respectivamente).
Dado que la DFT de (N = L + M 1) puntos de la secuencia de salida y(n) basta para representar y(n) en el
dominio de la frecuencia, se deduce que la multiplicacin de las DFT de N puntos de X(k) y H(k), segn (7.3.3),
seguida del clculo de la IDFT de N puntos, debe proporcionar la secuencia {y(n)}. A su vez, esto implica que
la convolucin circular de N puntos de x(n) y h(n) tiene que ser equivalente a la convolucin lineal de x(n) y
h(n). En otras palabras, aumentando la longitud de las secuencias x(n) y h(n) a N puntos (aadiendo ceros) y
haciendo la convolucin circular de las secuencias resultantes, obtenemos el mismo resultado que habramos
obtenido con la convolucin lineal. Por tanto, con el relleno con ceros, la DFT puede utilizarse para realizar el
filtrado lineal.
El siguiente ejemplo ilustra la metodologa para la aplicacin de la DFT en el filtrado lineal.
EJEMPLO 7.3.1
Utilizando la DFT y la IDFT, determine la respuesta del filtro FIR con la respuesta al impulso
h(n) = {1, 2, 3}
a la secuencia de entrada
x(n) = {1, 2, 2, 1}
Solucin. La secuencia de entrada tiene una longitud L = 4 y la respuesta al impulso tiene la longitud M = 3. La convolucin
lineal de estas dos secuencias produce una secuencia de longitud N = 6. En consecuencia, el tamao de las DFT tiene que
ser al menos seis.
Por simplicidad, vamos a calcular las DFT de ocho puntos. Tambin tenemos que mencionar que el clculo eficiente de
la DFT a travs del algoritmo de la transformada rpida de Fourier (FFT) normalmente se realiza para una longitud N que
es una potencia de 2. Por tanto, la DFT de ocho puntos de x(n) es
X(k) =
x(n)e j2 kn/8
n=0
k = 0, 1, . . . , 7
4+3 2
2+ 2
j
2
2
43 2
2 2
+j
X(3) =
2
2
2 2
43 2
X(5) =
j
2
2
2+ 2
4+3 2
X(7) =
+j
2
2
X(1) =
h(n)e j2 kn/8
n=0
= 1 + 2e j k/4 + 3e j k/2
Por tanto,
H(0) = 6,
H(3) = 1 2 + j 3 2 ,
H(5) = 1 2 j 3 2 ,
H(7) = 1 + 2 + j 3 + 2
H(1) = 1 + 2 j 3 + 2 ,
H(2) = 2 j2
H(4) = 2
H(6) = 2 + j2
Y (2) = j4,
Y (4) = 0,
Y (6) = j4,
Y (k)e j2 kn/8 ,
n = 0, 1, . . . , 7
k=0
Observe que los seis primeros valores de y(n) constituyen el conjunto de valores de salida deseados. Los dos ltimos
valores son cero porque hemos utilizado una DFT y una IDFT de ocho puntos, cuando, de hecho, el nmero mnimo de
puntos requerido era seis.
Aunque la multiplicacin de dos DFT corresponde a una convolucin circular en el dominio del tiempo,
hemos observado que rellenar las secuencias x(n) y h(n) con un nmero suficiente de ceros fuerza la convolucin
circular para proporcionar la misma secuencia de salida que la convolucin lineal. En el caso del problema del
filtro FIR del Ejemplo 7.3.1, es fcil demostrar que la convolucin circular de seis puntos de las secuencias
h(n) = {1, 2, 3, 0, 0, 0}
(7.3.4)
x(n) = {1, 2, 2, 1, 0, 0}
(7.3.5)
(7.3.6)
h(n)e j2 kn/4
n=0
H(k) = 1 + 2e j k/2 + 3e jk ,
k = 0, 1, 2, 3
Por tanto,
H(0) = 6,
H(1) = 2 j2,
H(2) = 2,
H(3) = 2 + j2
k = 0, 1, 2, 3
Por tanto,
X(0) = 6,
X(1) = 1 j,
X(2) = 0,
X(3) = 1 + j
Y (2) = 0,
Y (3) = j4
Y (1) = j4,
=
=
1 3
Y (k)e j2 kn/4 ,
4 k=0
n = 0, 1, 2, 3
1
(36 + j4e j n/2 j4e j3 n/2 )
4
Por tanto,
y(n)
= {9, 7, 9, 11}
El lector puede verificar que la convolucin circular de cuatro puntos de h(n) y x(n) proprociona la misma secuencia
y(n).
7.3.2
En las aplicaciones prcticas que implican filtrado lineal de seales, la secuencia de entrada x(n) a menudo
es una secuencia muy larga. Esto ocurre especialmente en algunas aplicaciones de tratamiento de seales en
tiempo real para monitorizacin y anlisis.
Dado que el filtrado lineal se realiza a travs de la DFT implica operaciones sobre un bloque de datos, el
cual tiene que estar limitado en tamao a causa de la memoria limitada de una computadora digital, una seal
de entrada de larga duracin debe segmentarse en bloques de tamao fijo antes de poder ser procesada. Dado
que el filtrado es lineal, pueden procesarse los bloques sucesivos uno cada vez a travs de la DFT y los bloques
de salida se unen para formar la secuencia de salida completa.
A continuacin describimos dos mtodos para llevar a cabo el filtrado FIR lineal de una secuencia de larga
duracin, bloque a bloque, utilizando la DFT. La secuencia de entrada se segmenta en bloques y cada bloque
se procesa a travs de la DFT e IDFT para generar un bloque de datos de salida. Los bloques de salida se unen
para formar la secuencia de salida completa, que es idntica a la secuencia que se obtendra si la secuencia de
larga duracin se hubiera procesado a travs de la convolucin en el dominio del tiempo.
Los dos mtodos son el mtodo de solapamiento y almacenamiento y el mtodo de solapamiento y adicin.
Para ambos mtodos suponemos que el filtro FIR tiene una duracin M. La secuencia de datos de entrada se
segmenta en bloques de L puntos, en los que, suponemos que L >> M sin perder generalidad.
Mtodo de solapamiento y almacenamiento. En este mtodo, el tamao de los bloques de datos de entrada
es N = L + M 1 y las DFT e IDFT tienen longitud N. Cada bloque de datos consta de los ltimos M 1 puntos
de datos del bloque de datos anterior seguido de L nuevos puntos de datos para formar una secuencia de datos
de longitud N = L + M 1. Se calcula una DFT de N puntos para cada bloque de datos. La respuesta al impulso
del filtro FIR se aumenta en longitud aadiendo L 1 ceros y se calcula una vez una DFT de N puntos de la
secuencia y se almacena. La multiplicacin de las dos DFT de N puntos {H(k)} y {Xm (k)} para el bloque de
datos m es
Ym (k) = H(k)Xm (k),
k = 0, 1, . . . , N 1
(7.3.7)
Luego la IDFT de N puntos es
Ym (n) = {ym (0)ym (1) ym (M 1)ym (M) ym (N 1)}
(7.3.8)
Dado que el registro de datos es de longitud N, los primeros M 1 puntos de ym (n) se ven distorsionados por
el aliasing y deben descartarse. Los ltimos L puntos de ym (n) son exactamente los mismos que el resultado
obtenido con la convolucin lineal y, en consecuencia,
ym (n) = ym (n), n = M, M + 1, . . ., N 1
(7.3.9)
Para evitar perder datos a causa del aliasing, los ltimos M 1 puntos de cada registro de datos se almacenan,
y dichos puntos pasan a ser los primeros M 1 puntos de datos del siguiente registro, como hemos indicado
anteriormente. Para comenzar el procesamiento, los M 1 primeros puntos del primer registro se fijan en cero.
As, los bloques de las secuencias de datos son
x1 (n) = {0, 0, . . . , 0, x(0), x(1), . . . , x(L 1)}
) *+ ,
(7.3.10)
(7.3.11)
(7.3.12)
M1 puntos
y as sucesivamente. Las secuencias de datos resultantes de la IDFT estn dadas por (7.3.8), donde los primeros
M 1 puntos se descartan a causa del aliasing y los restantes L puntos definen el resultado deseado de la
convolucin lineal. Esta segmentacin de los datos de entrada y la agrupacin de los bloques de datos de salida
para formar la secuencia de salida se ilustran grficamente en la Figura 7.3.1.
Mtodo de solapamiento y adicin. En este mtodo, el tamao del bloque de datos de entrada es de L puntos
y el tamao de las DFT y las IDFT es N = L + M 1. Para cada bloque de datos aadimos M 1 ceros y
calculamos la DFT de N puntos. Por tanto, los bloques de datos pueden representarse como
x1 (n) = {x(0), x(1), . . . , x(L 1), 0, 0, . . . , 0}
) *+ ,
(7.3.13)
(7.3.14)
(7.3.15)
M1 ceros
M1 ceros
M1 ceros
k = 0, 1, . . . , N 1
(7.3.16)
La IDFT proporciona bloques de datos de longitud N libres de aliasing, ya que el tamao de las DFT e IDFT
es N = L + M 1 y las secuencias se incrementan hasta N puntos aadiendo ceros a cada bloque.
Seal de entrada
x1(n)
M1
ceros
M1
x2(n)
Seal de salida
x3(n)
y1(n)
Descartar
M1
puntos
y2(n)
Descartar
M1
puntos
y3(n)
Descartar
M1
puntos
(7.3.17)
La segmentacin de los datos de entrada en bloques y la agrupacin de los bloques de datos de salida para
formar la secuencia de salida se representan grficamente en la Figura 7.3.2.
En este punto puede parecerle al lector que el uso de la DFT en el filtrado FIR lineal no slo es un mtodo
indirecto de calcular la salida de un filtro FIR, sino que tambin puede resultar ser ms caro en lo que respecta
a los clculos, ya que los datos de entrada deben convertirse primero al dominio de la frecuencia a travs de la
DFT, multiplicarse por la DFT del filtro FIR y, por ltimo, convertirse de nuevo al dominio del tiempo a travs
de la IDFT. Sin embargo, por el contrario, utilizando el algoritmo de la transformada rpida de Fourier, como
veremos en el Captulo 8, las DFT e IDFT requieren menos clculos para obtener la secuencia de salida que la
realizacin directa del filtro FIR en el dominio del tiempo. Esta eficiencia en la realizacin de los clculos tiene
la ventaja fundamental de utilizar la DFT para calcular la salida de un filtro FIR.
Entrada de datos
x1(n)
M1
ceros
x2(n)
M1
ceros
Salida de datos
x3(n)
y1(n)
Suma de
M 1 puntos
y2(n)
Suma de
M 1 puntos
y3(n)
w(n) =
1, 0 n L 1
0, en otro caso
(7.4.1)
(7.4.2)
Ahora supongamos que la secuencia x(n) consta de una sola sinusoide, es decir,
x(n) = cos 0 n
(7.4.3)
Luego la transformada de Fourier de la secuencia de duracin finita x(n) puede expresarse como
) = 1 [W ( 0 ) + W ( + 0 )]
X(
2
(7.4.4)
(7.4.5)
k )| para k = 2 k/N,
N puntos de la secuencia truncada (L puntos) {x(n)}.
(7.4.7)
El espectro W ( ) de la secuencia de ventana rectangular presenta su primer paso por cero en = 2 /L. Ahora,
si |1 2 | < 2 /L, las dos funciones de ventana W ( 1 ) y W ( 2 ) se solapan y, en consecuencia,
las dos lneas espectrales de x(n) no se diferencian. Slo si (1 2 ) 2 /L se vern dos lbulos separados
). Por tanto, nuestra capacidad para obtener lneas espectrales de diferentes frecuencias est
en el espectro X(
)|,
limitada por la anchura del lbulo principal de la ventana. La Figura 7.4.2 ilustra el mdulo del espectro |X(
calculado a travs de la DFT, para la secuencia
x(n) = cos 0 n + cos 1 n + cos 2 n
(7.4.8)
Mdulo
donde 0 = 0.2 , 1 = 0.22 y 2 = 0.6 . Las longitudes de ventana seleccionadas son L = 25, 50 y 100.
Observe que 0 y 1 no son distinguibles para L = 25 y 50, pero s para L = 100.
Para reducir los efectos de fuga, podemos elegir una ventana de datos w(n) que tenga lbulos secundarios
ms pequeos en el dominio de la frecuencia comparados con la ventana rectangular. Sin embargo, como se
Frecuencia
Figura 7.4.1. Mdulo del espectro para L = 25 y N = 2048; puede verse la aparicin del efecto de fuga.
describe ms detalladamente en el Captulo 10, una reduccin de los lbulos secundarios en una ventana W ( )
se obtiene a expensas de un incremento de la anchura del lbulo principal de W ( ) y, por tanto, una prdida de
resolucin. Para ilustrar esta cuestin, consideremos la ventana de Hanning, que se define como sigue
1
2
2 (1 cos L1 n), 0 n L 1
w(n) =
(7.4.9)
0,
en otro caso
)| dada por (7.4.4) para la ventana definida por (7.4.9). Sus lbulos
La Figura 7.4.3 muestra la expresin |X(
secundarios son significativamente ms pequeos que los de la ventana rectangular, pero su lbulo principal
tiene aproximadamente una anchura que es el doble. La Figura 7.4.4 muestra el espectro de la seal dada en
(7.4.8), y despus de pasar por la ventana de Hanning, para L = 50, 75 y 100. La reduccin de los lbulos
secundarios y la disminucin de la resolucin, con respecto a la ventana rectangular, es evidente.
Para una seal general {x(n)}, la relacin en el dominio de la frecuencia entre la secuencia pasada por la
ventana x(n)
X( )W ( )d
(7.4.10)
)| =2 k/N
X(k)
X(
1
2
X( )W
2 k
d ,
N
k = 0, 1, . . . , N 1
(7.4.11)
Mdulo
Mdulo
Frecuencia
Mdulo
Frecuencia
Frecuencia
Figura 7.4.2. Mdulo del espectro para la seal dada por (7.4.8), cuando se observa a travs de la ventana
rectangular.
Mdulo
Frecuencia
Mdulo
Mdulo
Frecuencia
Mdulo
Frecuencia
Frecuencia
Figura 7.4.4. Mdulo del espectro de la seal dada en (7.4.8) visto a travs de una ventana de Hanning.
Al igual que en el caso de la seal sinusoidal, si el espectro de la ventana es relativamente estrecho en comparacin
con el ancho del espectro X( ) de la seal, la funcin de ventana tendr slo un pequeo efecto de suavizado
sobre el espectro X( ). Por el contrario, si la funcin de ventana tiene una espectro ancho comparado con el de
X( ), estaramos en el mismo caso que cuando el nmero de muestras L es pequeo, el espectro de la ventana
enmascara el espectro de la seal y, en consecuencia, la DFT de los datos refleja las caractersticas espectrales
de la ventana. Por supuesto, esta situacin debe evitarse.
EJEMPLO 7.4.1
La seal exponencial
xa (t) =
et ,
0,
t0
t<0
se muestrea a la frecuencia Fs = 20 muestras por segundo, y se utiliza un bloque de 100 muestras para estimar su espectro.
Determine las caractersticas espectrales de la seal xa (t) calculando la DFT de la secuencia de duracin finita. Compare el
espectro de la seal truncada discreta en el tiempo con el espectro de la seal analgica.
Solucin. El espectro de la seal analgica es
1
1 + j2 F
Xa (F) =
La seal exponencial analgica muestreada a una frecuencia de 20 muestras por segundo proporciona la secuencia
x(n) = enT = en/20 ,
1/20 n
= (e
Ahora, sea
x(n) =
n0
n
) = (0.95) ,
n0
(0.95)n ,
0 n 99
0,
en otro caso
X(k)
=
99
j2 k/N
,
x(n)e
k = 0, 1, . . . , N 1
k=0
Para obtener con suficiente detalle el espectro, elegimos N = 200, lo que es equivalente a rellenar la secuencia x(n) con 100
ceros.
1.2
1.0
0.8
0.6
0.4
0.2
0
(a)
50
40
30
20
10
0
(b)
10
20
30
40
50
Figura 7.4.5. Efecto de aplicar la ventana (truncado) a la versin muestreada de la seal analgica del Ejemplo
7.4.1.
x(n) xa(nT) =
e nT,
0,
n = 0, 1, , 99
en otro caso
20
40
60
80
100
(c)
X(k)
L = 100
N = 200
20
40
60
80
100
120
140
160
180
200
120
140
160
180
200
(d)
X(k)
20
L = 20
N = 200
40
60
80
100
(e)
lugar, las variaciones de la envolvente sinusoidal ms alejadas del pico principal se deben a los grandes lbulos secundarios
de la ventana rectangular. En consecuencia, la DFT ya no es una buena aproximacin de la seal analgica.
(7.5.1)
La secuencia s(n) tiene simetra par respecto del punto de la muestra intermedia n = N + (1/2) (vase la
Figura 7.5.1). La DFT de 2N puntos de s(n) est dada por
S(k) =
2N1
n=0
nk
s(n)W2N
,
0 k 2N 1
(7.5.2)
N1
2N1
n=0
n=N
x(n)W2Nnk +
nk
x(2N n 1)W2N
(7.5.3)
2mN = 1 para m
Si cambiamos el segundo ndice del sumatorio utilizando n = 2N 1 m, recordemos que W2N
k/2
, obtenemos
k/2
S(k) = W2N
N1
x(n)
n=0
nk k/2
nk k/2
,
W2N
W2N + W2N
W2N
0 k 2N 1
(7.5.4)
N1
x(n) cos N
n=0
1
n+
k ,
2
0 k 2N 1
(7.5.5)
x(n)
N1
n
(a)
s(n)
Centro de
simetra
2N 1 n
N1 N
(b)
k/2
W2N
N1
x(n)W2Nkn
0 k 2N 1
(7.5.6)
1
n+
k ,
2
0 k N 1
(7.5.7)
0 k N 1
(7.5.8)
n=0
N1
x(n) cos
n=0
k/2
V (k) = 2
k/2
W2N
N1
n=0
kn
x(n)W2N
0 k N 1
(7.5.9)
Observe que V (k) es real y S(k) es compleja. S(k) es compleja porque la secuencia real s(n) satisface la relacin
de simetra s(2N 1 n) = s(n) en lugar de s(2N n) = s(n).
La DCT de x(n) puede calcularse tomando la DFT de 2N puntos de s(n), como en (7.5.2), y multiplicando
k/2
el resultado por W2N , como se ha hecho en (7.5.8). Otro mtodo, que sugiere la expresin (7.5.9), consiste en
k/2
tomar la DFT de 2N puntos de la secuencia original x(n) aadindola N ceros, multiplicar el resultado por W2N
y luego tomar dos veces la parte real.
1 2N1
S(k)W2Nnk
2N k=0
(7.5.10)
(7.5.11)
(7.5.12)
1 2N1
1 N1
kn
S(k)W2N
+
S(k)W2Nkn
2N k=0
2N k=N
1 N1
1 N
(2Nm)n
kn
S(k)W2N
+
S(2N m)W2N
2N k=0
2N m=1
1 N1
1
1 N1
kn
S(0) +
S(k)W2N
+
S (k)W2Nkn
2N
2N k=1
2N k=1
0 n 2N 1
1
1 V (0) N1
+ V (k) cos
n+
k , 0 n N1
x(n) =
N
2
N
2
k=1
(7.5.13)
(7.5.14)
Dada V (k), calculamos en primer lugar S(k) mediante (7.5.8). En el siguiente paso, tomamos la DFT inversa de
2N puntos indicada por (7.5.13). La parte real de esta DFT inversa proporciona s(n) y, por tanto, x(n).
Un mtodo para calcular la DCT y la DCT inversa utilizando una DFT de N puntos se aborda en Makhoul
(1980). En Rao e Yip (1990) se proprocionan muchos algoritmos especiales para implementaciones hardware
y software de la DCT.
0 k N 1
(7.5.15)
(2n + 1)k
,
2N
0 n N 1
(7.5.16)
N1
x(n) =
N1
(k)C(k) cos
k=0
donde
"
(0) =
1
,
N
"
(k) =
2
para 1 k N 1
N
(7.5.17)
Al igual que la DFT tratada en la Seccin 7.1.3, las frmulas para la DCT (7.5.15) y (7.5.16) pueden expresarse
en forma matricial utilizando la matriz DCT N N CN con los elementos
1
N ,
ckn =
"
2
(2n + 1)k
cos
,
N
2N
k = 0,
0 n N 1
(7.5.18)
1 k N 1, 0 n N 1
(7.5.19)
(7.5.20)
la DCT directa (7.5.15) y la DCT inversa (7.5.16) pueden escribirse en forma matricial como
c N = CN x N
(7.5.21)
xN = CTN cN
(7.5.22)
A partir de las expresiones (7.5.19) y (7.5.20) se deduce que CN es una matriz real ortogonal, es decir, que
cumple
T
C1
(7.5.23)
N = CN
La ortogonalidad simplifica el clculo de la transformada inversa porque reemplaza la inversin de la matriz por
la transposicin de la misma.
Si designamos por cN (k) las columnas de CTN , la DCT inversa puede escribirse como
xN =
N1
C(k)cN (k)
(7.5.24)
k=0
que representa la seal como una combinacin lineal de las secuencias base coseno de la DCT. El valor de los
coeficientes C(k) miden la similitud de la seal con el vector k.
EJEMPLO 7.5.1
Considere la seal sinusoidal discreta en el tiempo
x(n) = cos(2 k0 n/N),
0 n N 1
En la Figura 7.5.2 se muestran las grficas de la secuencia x(n), los valores absolutos de los coeficiente X(k) de la DFT de
N puntos y los coeficientes de la DCT de N putos para k0 = 5 y N = 32. Observe que, en contraste con la DFT, la DCT,
aunque presenta un pico en 2k0 , tambin exhibe una cantidad significativa de rizado en otras frecuencias. Por esta razn, la
DCT no resulta til en el anlisis en frecuencia de seales y sistemas.
Utilizando la propiedad de ortogonalidad dada por (7.5.23), podemos demostrar fcilmente que
N1
N1
k=0
n=0
(7.5.25)
x(n)
0.5
0
0.5
1
10
15
n
20
25
30
10
15
20
25
30
20
25
30
|X(k)|
15
10
5
0
k
3
C(k)
2
1
0
1
0
10
15
k
Figura 7.5.2. Una seal sinusoidal discreta en el tiempo y sus transformadas DFT y DCT.
Por tanto, la transformacin ortogonal conserva la energa de la seal o, lo que es equivalente, la longitud del
vector x en el espacio vectorial de N dimensiones (teorema de Parseval generalizado). Esto significa que una
transformacin ortogonal es simplemente una rotacin del vector x en el espacio vectorial de N dimensiones.
La mayor parte de las transformadas ortogonales tienden a empaquetar una fraccin importante de la energa
media de la seal en relativamente pocas componentes de los coeficientes de la transformada (propiedad de la
compactacin de la energa). Como la energa total se conserva, muchos de los coeficientes de la transformada
contendr muy poca energa. Sin embargo, como se ilustra en el siguiente ejemplo, diferentes transformadas
tienen distintas capacidades de compactacin de la energa.
EJEMPLO 7.5.2
Vamos a comparar las capacidades de compactacin de la energa de la DFT y la DCT utilizando la seal en rampa x(n) = n,
0 n N 1, mostrada en la Figura 7.5.3(a) para N = 32. Las Figuras 7.5.3(d) y 7.5.3(f) muestran los valores absolutos
de los coeficientes de la DFT y los valores de los coeficientes de la DCT, respectivamente. Es claro que los coeficientes
de la DCT presentan un mejor empaquetamiento de energa que los de la DFT. Esto implica que podemos representar la
secuencia x(n) utilizando un nmero menor de coeficientes de la DCT.
Con la DCT establecemos los k0 ltimos coeficientes en cero y tomamos la DCT inversa para obtener una aproximacin
xDCT (n) de la secuencia original. Sin embargo, puesto que la DFT de una secuencia real es compleja, la informacin est
contenida en los primeros N/2 valores (con el fin de simplificar, suponemos que N es un nmero par). Por tanto, tenemos que
eliminar los coeficientes de la DFT de manera que se conserve la simetra compleja conjugada. Esto se lleva a cabo eliminando
primero el coeficiente X(N/2), luego los coeficientes X(N/2 1) y X(N/2 + 1), etc. Evidentemente, slo podemos eliminar
20
MSE
x(n)
30
10
0
10
20
30
400
10
10
(c)
n
kcero=27
20
200
0
30
0
(d)
10
20
30
0
(f)
10
20
30
50
C(k)
20
10
0
5
10
15
20
25
30
(b) Nmero de coeficientes fijados en cero
20
xDCT(n)
n
kcero=27
|X(k)|
xDFT(n)
(a)
250
200
150
100
50
0
50
10
(e)
20
30
Figura 7.5.3. Seal sinusoidal discreta en el tiempo y sus transformadas DFT y DCT.
un nmero impar de coeficientes de la DFT, es decir, k0 = 1, 3, . . . , N 1. La secuencia reconstruida utilizando la DFT se
designa por xDFT (n).
El error de reconstruccin de la DCT, que es una funcin de k0 , se define como
EDCT (k0 ) =
1
N
N1
n=0
Para la DFT se emplea una definicin similar. La Figura 7.5.3(b) muestra los errores de reconstruccin para la DFT y la
DCT como una funcin de la cantidad k0 de coeficientes omitidos. Las Figuras 7.5.3(c) y 7.5.3(e) muestran las seales
reconstruidas cuando se conservan N k0 = 5 coeficientes. Podemos ver que se necesitan menos coeficientes de la DCT
que de la DFT para obtener una buena aproximacin de la seal original. En este ejemplo, la DFT (debido a su periodicidad
inherente) sirve para modelar una seal en diente de sierra. Por tanto, tiene que dedicar muchos coeficientes de alta frecuencia
para aproximar las discontinuidades en los extremos. En contraste, la DCT opera sobre la extensin par de x(n), que es
una onda triangular sin discontinuidades. Como resultado, la DCT puede aproximar mejor bloques pequeos de secuencias
que tienen valores muy diferentes en la primera y la ltima muestra.
Desde un punto de vista estadstico, la transformada ortogonal ptima para compresin de la seal es la
transformada de KarhunenLoeve (KL) u Hotelling (Jayant y Noll, 1984). La transformada KL presenta dos
propiedades de optimizacin: (a) minimiza el error de reconstruccin para cualquier nmero de coeficientes que
se mantega, y (b) genera un conjunto de coeficientes no correlados de la transformada. La transformada KL se
define por los autovectores de la matriz de covarianza de la secuencia de entrada. La DCT proporciona una buena
aproximacin a la transformada KL para seales que cumplen la ecuacin en diferencias x(n) = ax(n 1)+ w(n),
donde w(n) es ruido blanco y a (0 < a < 1) es un coeficiente constante con valores prximos a uno. Muchas
seales, incluyendo imgenes naturales, presentan esta caracterstica. Pueden encontrarse ms detalles sobre la
transformada ortogonal y sus aplicaciones en Jayant y Noll (1984), Clarke (1985), Rao y Yip (1990) y Goyal
(2001).
Problemas
7.1 Los cinco primeros puntos de la DFT de ocho puntos de una secuencia real son {0.25, 0.125 j0.3018,
0, 0.125 j0.0518, 0}. Determine los tres puntos restantes.
7.2 Calcule la convolucin circular de ocho puntos para las siguientes secuencias.
(a) x1 (n) = {1, 1, 1, 1, 0, 0, 0, 0}
3
0n7
x2 (n) = sen n,
8
1
(b) x1 (n) = ( )n ,
0n7
4
3
0n7
x2 (n) = cos n,
8
(c) Calcule la DFT de las dos convoluciones circulares utilizando las DFT de x1 (n) y x2 (n).
7.3 Sea X(k), 0 k N 1, la DFT de N puntos de la secuencia x(n), 0 n N 1. Definimos
X(k), 0 k kc , N kc k N 1
X(k)
=
0,
kc < k < N kc
2
n,
N
x2 (n) = sen
2
n,
N
0 n N 1
determine:
N x2 (n)
(a) La convolucin circular de N puntos x1 (n)
x1 (n)x2(n)
n=0
2
n,
N
2
n,
N
(c) x1 (n) = (n) + (n 8),
0 n N 1
2
n,
0 n N 1
N
x2 (n) = u(n) u(n N)
x2 (n) = sen
2 n
4 n
+ 0.08 cos
,
N 1
N 1
0 n N 1
7.7 Si X(k) es la DFT de la secuencia x(n), determine las DFT de N puntos de las secuencias
xc (n) = x(n) cos
2 k0 n
,
N
0 n N 1
2 k0 n
,
N
0 n N1
en funcin de X(k).
7.8 Determine la convolucin circular de las secuencias
x1 (n) = {1, 2, 3, 1}
x2 (n) = {4, 3, 2, 2}
2 k0 n
,
N
0 n N1
1, 0 n 3
0, 4 n 7
1, n = 0
0, 1 n 4
(a) x1 (n) =
1, 5 n 7
0, 0 n 1
1, 2 n 5
(b) x2 (n) =
0, 6 n 7
7.12 Considere una secuencia de duracin finita
x(n) = {0, 1, 2, 3, 4}
k = 0, 1, . . . , 6
(b) Determine la secuencia y(n) cuya DFT de seis puntos es Y (k) = |X(k)|.
(c) Determine la secuencia v(n) cuya DFT de seis puntos es V (k) = |X(k)|.
7.13 Sea x p (n) una secuencia peridica de perodo fundamental N. Considere las siguientes transformadas
DFT:
DFT
x p (n) X1 (k)
N
DFT
x p (n) X3 (k)
3N
s(n) = {1, 0, 0, 0, 0}
1
1 0.5z1
La salida y(n) del sistema es conocida para 0 n 63. Suponiendo que H(z) est disponible. Puede
desarrollar una DFT de 64 puntos para recuperar la secuencia x(n), 0 n 63? puede recuperar todos
los valores de x(n) en este intervalo?
7.16 La respuesta al impulso de un sistema LTI est dada por h(n) = (n) 14 (n k0 ). Para determinar la
respuesta al impulso g(n) del sistema inverso, un ingeniero calcula la DFT de N puntos H(k), N = 4k0 ,
de h(n) y luego define g(n) como la DFT inversa de G(k) = 1/H(k), k = 0, 1, 2, . . . , N 1. Determine
g(n) y la convolucin h(n) g(n), y comente si el sistema con la respuesta al impulso g(n) es el inverso
del sistema con la respuesta al impulso h(n).
7.17 Determine la DFT de ocho puntos de la seal
x(n) = {1, 1, 1, 1, 1, 1, 0, 0}
y dibuje su mdulo y su fase.
7.18 Un sistema lineal invariante en el tiempo con una respuesta en frecuencia H( ) se excita con la entrada
peridica
x(n) =
(n kN)
k=
Suponga que calculamos la DFT de N puntos Y (k) de las muestras y(n), 0 n N 1 de la secuencia
de salida. Cmo est Y (k) relacionada con H( )?
7.19 DFT de secuencias reales con simetras especiales.
(a) Utilizando las propiedades de simetra vistas en la Seccin 7.2 (especialmente las propiedades de
descomposicin), explique cmo se puede calcular la DFT de dos secuencias (pares) simtricas y
dos secuencias (impares) antisimtricas simultneamente utilizando slo una DFT de N puntos.
(b) Suponga ahora que tenemos cuatro secuencias reales xi (n), i = 1, 2, 3, 4, todas ellas simtricas [es
decir, xi (n) = xi (N n), 0 n N 1]. Demuestre que las secuencias
si (n) = xi (n + 1) xi(n 1)
son antisimtricas [es decir, si (n) = si (N n) y si (0) = 0].
(c) Forme una secuencia x(n) utilizando x1 (n), x2 (n), s3 (n) y s4 (n), y demuestre cmo calcular la DFT
Xi (k) de xi (n), i = 1, 2, 3, 4 a partir de la DFT X(k) de N puntos de x(n).
(d) Existe alguna muestra en frecuencia de Xi (k) que no pueda calcularse a partir de X(k)? Explique
su respuesta.
7.20 DFT de secuencias reales slo con armnicos pares. Sea x(n) una secuencia real de N puntos cuya DFT
de N (N par) puntos es X(k). Adems, x(n) satisface la siguiente propiedad de simetra:
N
x n+
= x(n),
2
n = 0, 1, . . . ,
N
1
2
k par
2
n,
10
< n <
1
y perodo fundamental N = 10. Determine la DFT de 10 puntos de la secuencia
de frecuencia f0 = 10
x(n) = x p (n), 0 n N 1.
= an ,
(d) x(n) =
0 < n0 < N
0 n N 1
1, 0 n N/2 1 (N par)
0, N/2 n N 1
0 n N 1
2
k0 n, 0 n N 1
N
2n
(g) x(n) = sen k0 n, 0 n N 1
N
1, n par
(h) x(n) =
0, n impar, 0 n N 1
(f) x(n) = cos
(n + lN) =
l=
1 N1 j(2 /N)kn
e
N k=0
y(n) =
x(n + lM), 0 n M 1
l=
0,
en otro caso
N
x(n) + x n +
, 0 n N 1
y(n) =
2
0,
en otro caso
y
DFT
y(n) Y (k)
N/2
a|n| , |n| L
0,
|n| > L
n=
1
X
N
2
K ,
N
k = 0, 1, . . . , N 1
para N = 30.
N1
k=0
Explique su respuesta.
(e) Calcule y dibuje la seal x1 (n) =
l= x(n lN), L n L para N = 30. Compare las seales
x(n)
y x1 (n).
(f) Repita los apartados (c) hasta (e) para N = 15.
7.29 Muestreo en el dominio de la frecuencia. La seal x(n) = a |n| , 1 < a < 1 tiene la transformada de
Fourier
1 a2
X( ) =
1 2a cos + a2
(a) Dibuje X( ) para 0 2 , a = 0.8. Reconstruya y dibuje X( ) a partir de sus muestras
X(2 k/N), 0 k N 1 para
(b) N = 20
(c) N = 100
(d) Compare los espectros obtenidos en los apartados (b) y (c) con el espectro original X( ) y explique
las diferencias.
(e) Ilustre el aliasing en el dominio del tiempo cuando N = 20.
7.30 Anlisis en frecuencia de seales discretas en el tiempo moduladas en amplitud. Sea la seal discreta en
el tiempo
x(n) = cos 2 f 1 n + cos2 f 2 n
donde f1 =
1
18
y f2 =
5
128 ,
donde fc =
50
128 .
1
1
1
sen t sen 2 t + sen 3 t sen 4 t
2
3
4
(b) Utilice una subrutina de N puntos para generar muestras de esta seal en el dominio del tiempo
utilizando los seis primeros trminos de la expansin para N = 64 y N = 128. Dibuje la seal x(t)
y las muestras generadas. Comente los resultados.
7.32 Recuerde que la transformada de Fourier de x(t) = e j0t es X( j) = 2 ( 0 ) y la transformada de
Fourier de
1, 0 t T0
p(t) =
0, en otro caso
es
P( j) = T0
sen T0 /2 jT0 /2
e
T0 /2
Figura P.7.31.
(e) Es el muestreo en frecuencia de la DFT del apartado (d) adecuado para obtener una aproximacin
de |Y ( )| directamente a partir del mdulo de la DFT |Y (k)|? Si no es as, explique brevemente
cmo puede incrementarse el muestreo, de modo que sea posible obtener una grfica aproximada
de |Y ( )| a partir de una secuencia apropiada |Y (k)|.
7.33 Desarrolle un algoritmo que calcule la DCT utilizando la DFT como se ha descrito en las Secciones 7.5.1
y 7.5.2.
7.34 Utilice el algoritmo desarrollado en el Problema 7.33 para reproducir los resultados del Ejemplo 7.5.2.
7.35 Repita el Ejemplo 7.5.2 utilizando la seal x(n) = a n cos(2 f0 n + ) con a = 0.8, f 0 = 0.05 y N = 32.
8
Clculo eficiente de la
DFT: algoritmos de la
transformada rpida de
Fourier
En el captulo anterior hemos visto que la transformada discreta de Fourier (DFT) desempea un papel importante
en muchas aplicaciones de tratamiento digital de la seal, entre las que se incluye el filtrado lineal, el anlisis
de la correlacin y el anlisis espectral. Una razn fundamental de su importancia es la existencia de algoritmos
eficientes para calcular la DFT.
El tema principal de este captulo es la descripcin de algoritmos de clculo eficientes que permitan evaluar
la DFT. Se describen dos mtodos diferentes. Uno de ellos es el mtodo de divide y vencers, en el que una
DFT de tamao N, donde N es un nmero compuesto, se reduce al clculo de transformadas DFT ms pequeas
que la que se va a calcular. En particular, vamos a presentar importantes algoritmos de clculo, conocidos como
algoritmos de la transformada rpida de Fourier (FFT, Fast Fourier Transform), para calcular la DFT cuando el
tamao N es una potencia de 2 y cuando es una potencia de 4.
El segundo mtodo se basa en la formulacin de la DFT como una operacin de filtrado lineal sobre los
datos. Este mtodo lleva a dos algoritmos: el algoritmo de Goertzel y el algoritmo de la transformada z chirp,
para calcular la DFT a travs del filtrado lineal de la secuencias de datos.
Bsicamente, el problema de calcular la DFT es calcular la secuencia {X(k)} de N valores complejos dada
otra secuencia de datos {x(n)} de longitud N, de acuerdo con la frmula
X(k) =
N1
x(n)WNkn ,
0 k N 1
(8.1.1)
n=0
donde
WN = e j2 /N
(8.1.2)
1 N1
X(k)WNnk ,
N k=0
0 n N 1
(8.1.3)
Puesto que tanto la DFT como la IDFT implican bsicamente el mismo tipo de clculos, nuestro estudio de los
algoritmos de clculo para la DFT se aplica tambin al clculo eficiente de la IDFT.
Observe que para cada valor de k, el clculo directo de X(k) implica N multiplicaciones complejas (4N
multiplicaciones reales) y N 1 sumas complejas (4N 2 sumas reales). En consecuencia, para calcular todos
los N valores de la DFT se necesitan N 2 multiplicaciones complejas y N 2 N sumas complejas.
El clculo directo de la DFT es ineficiente, principalmente porque no se aprovecha de las propiedades de
simetra y periodicidad del factor de fase WN . En este caso, estas dos propiedades son:
Propiedad de simetra:
Propiedad de periodicidad:
k+N/2
WN
= WNk
(8.1.4)
WNk+N = WNk
(8.1.5)
Los algoritmos eficientes de clculo descritos en esta seccin, conocidos colectivamente como algoritmos FFT,
aprovechan estas dos propiedades bsicas del factor de fase.
8.1.1
Para una secuencia compleja x(n) de N puntos, la DFT se puede expresar como sigue
XR (k) =
N1
n=0
XI (k) =
xR (n) cos
N1
n=0
2 kn
2 kn
+ xI (n) sen
N
N
2 kn
2 kn
xI (n) cos
xR (n) sen
N
N
(8.1.6)
(8.1.7)
8.1.2
(8.1.8)
La suposicin de que N no es un nmero primo no es restrictiva, ya que podemos rellenar cualquier secuencia
con ceros para asegurar una descomposicin en factores de la forma indicada en (8.1.8).
n
x(0)
x(1)
x(2)
N1
x(N 1)
(a)
ndice de columnas
M1
x(0, 0)
x(0, 1)
x(1, 0)
x(1, 1)
x(2, 0)
x(2, 1)
L1
m
ndice de filas
(b)
(8.1.9)
Esto nos lleva a una disposicin en la que la primera fila consta de los primeros M elementos de x(n), la segunda
fila est formada por los M elementos siguientes de x(n), y as sucesivamente, como se ilustra en la Figura
8.1.2(a). Por el contrario, la correspondencia
n = l + mL
(8.1.10)
almacena los L primeros elementos de x(n) en la primera columna, los siguientes L elementos en la segunda
columna, y as sucesivamente, como se ilustra en la Figura 8.1.2(b).
Por filas
m
l
x(0)
x(1)
x(2)
1
2
M1
x(M)
x(2M 1)
x(2M)
x(3M 1)
x(LM 1)
x(M 1)
L 1 x((L 1)M)
(a)
Por columnas
m
2
x(0)
x(L)
x(2L)
x(1)
x(2)
x(L 1)
x(2L 1)
x(3L 1)
L1
x((M 1)L)
M1
x(LM 1)
(b)
(8.1.12)
da como resultado un almacenamiento por columnas de X(k), donde los L primeros elementos se almacenan en la
primera columna, el segundo conjunto de L elementos se almacena en la segunda columna, y as sucesivamente.
Ahora suponga que x(n) se hace corresponder con una matriz rectangular x(l, m) y X(k) con la correspondiente matriz rectangular X(p, q). Luego la DFT se puede expresar como una suma doble sobre los elementos de
la matriz rectangular multiplicada por los correspondientes factores de fase. Ms especficamente, adoptamos
la correspondencia por columnas para x(n) dada por (8.1.10) y la correspondencia por filas para la DFT dada
por (8.1.11). Por tanto,
X(p, q) =
M1 L1
x(l, m)WN
(M p+q)(mL+l)
(8.1.13)
m=0 l=0
Pero
(M p+q)(mL+l)
WN
mqL
mq
= WNMLmpWNmLqWNM pl WNlq
(8.1.14)
mq
pl
= WN/L = WM , y WNM pl = WN/M
= WLpl .
L1
l=0
WNlq
M1
m=0
-
x(l, m)WMmq
WLl p
(8.1.15)
M1
x(l, m)WMmq ,
0 q M1
m=0
(8.1.16)
0 l L1
0 q M1
(8.1.17)
L1
G(l, q)WLl p
(8.1.18)
l=0
N(M + L + 1)
Sumas complejas:
N(M + L 2)
(8.1.19)
multiplicaciones complejas, lo que representa una reduccin de aproximadamente el 50 por ciento. El nmero
de sumas tambin se reduce aproximadamente en la misma cantidad.
Cuando N es un nmero compuesto muy alto, es decir, N puede descomponerse en factores para definir un
producto de nmeros primos de la forma
N = r1 r2 r
(8.1.20)
entonces la descomposicin anterior puede repetirse ( 1) ms veces. Este procedimiento da como resultado
transformadas DFT ms pequeas, lo que, a su vez, lleva a un algoritmo de clculo ms eficiente.
En efecto, la primera segmentacin de la secuencia x(n) en una matriz rectangular de M columnas con
L elementos en cada columna genera transformadas DFT de tamaos L y M. Adems, la descomposicin de
los datos implica la segmentacin de cada fila (o columna) en matrices rectangulares ms pequeas que darn
lugar a transformadas DFT ms pequeas. Este procedimiento termina cuando N se descompone en sus factores
primos.
EJEMPLO 8.1.1
Para ilustrar este procedimiento de clculo, consideremos el clculo de una DFT de N = 15 puntos. Como N = 5 3 = 15,
seleccionamos L = 5 y M = 3. En otras palabras, almacenamos por columnas la secuencia x(n) de 15 puntos como sigue:
Fila 1:
Fila 2:
Fila 3:
Fila 4:
Fila 5:
x(0, 0) = x(0)
x(1, 0) = x(1)
x(2, 0) = x(2)
x(3, 0) = x(3)
x(4, 0) = x(4)
x(0, 1) = x(5)
x(1, 1) = x(6)
x(2, 1) = x(7)
x(3, 1) = x(8)
x(4, 1) = x(9)
x(0, 2) = x(10)
x(1, 2) = x(11)
x(2, 2) = x(12)
x(3, 2) = x(13)
x(4, 2) = x(14)
Ahora comparamos la DFT de tres puntos para cada una de las cinco filas. Esto nos lleva a la siguiente matriz 5 3:
F(0, 0)
F(1, 0)
F(2, 0)
F(3, 0)
F(4, 0)
F(0, 1)
F(1, 1)
F(2, 1)
F(3, 1)
F(4, 1)
F(0, 2)
F(1, 2)
F(2, 2)
F(3, 2)
F(4, 2)
lq
lq
El siguiente paso consiste en multiplicar cada uno de los trminos F(l, q) por los factores de fase WN = W15 , 0 l 4
y 0 q 2. Este clculo da como resultado la matriz 5 3:
Columna 1
G(0, 0)
G(1, 0)
G(2, 0)
G(3, 0)
G(4, 0)
Columna 2
G(0, 1)
G(1, 1)
G(2, 1)
G(3, 1)
G(4, 1)
Columna 3
G(0, 2)
G(1, 2)
G(2, 2)
G(3, 2)
G(4, 2)
El paso final consiste en calcular las DFT de cinco puntos para cada una de las tres columnas. Este clculo proporciona
los valores deseados de la DFT en la forma
X(0, 0) = X(0)
X(1, 0) = X(3)
X(2, 0) = X(6)
X(3, 0) = X(9)
X(4, 0) = X(12)
X(0, 1) = X(1)
X(1, 1) = X(4)
X(2, 1) = X(7)
X(3, 1) = X(10)
X(4, 1) = X(13)
X(0, 2) = X(2)
X(1, 2) = X(5)
X(2, 2) = X(8)
X(3, 2) = X(11)
X(4, 2) = X(14)
lq
W 15
x(10)
5
0
11
x(0)
12
x(1)
13
x(2)
14
x(3)
1
7
2
8
3
9
4
s.
x(5)
T
DF
3
de
pto
X(1)
X(0)
DFT de 5 ptos.
10
x(4)
X(3)
X(6)
X(2)
X(5)
X(8)
X(11)
X(14)
X(9)
X(12)
Figura 8.1.3. Clculo de la DFT de N = 15 puntos por medio de transformadas DFT de 3 y 5 puntos.
Resulta interesante ver la secuencia de datos segmentada y la DFT resultante en trminos de matrices unidimensionales de salida. Cuando la secuencia de entrada x(n) y la DFT de salida X(k) se leen en sus representaciones matriciales
bidimensionales recorriendo desde la fila 1 hasta la fila 5, obtenemos las siguientes secuencias:
MATRIZ DE ENTRADA
x(0) x(5) x(10) x(1) x(6) x(11) x(2) x(7) x(12) x(3) x(8) x(13) x(4) x(9) x(14)
MATRIZ DE SALIDA
X(0) X(1) X(2) X(3) X(4) X(5) X(6) X(7) X(8) X(9) X(10) X(11) X(12) X(13) X(14)
Observe que la secuencia de datos de entrada se ha reestructurado respecto del orden normal en el clculo de la DFT.
Por el contrario, la secuencia de salida se genera en orden normal. En este caso, la reordenacin de la matriz de los datos de
entrada se debe a la segmentacin de la matriz unidimensional en una matriz rectangular y al orden en que se calculan las
DFT. Esta reestructuracin de la secuencia de datos de entrada o de la secuencia de los datos de salida es una caracterstica
de la mayora de los algoritmos FFT.
(8.1.21)
X(p, q) =
M1 L1
m=0 l=0
M1
m=0
WMmq
L1
l=0
x(l, m)WLl p
WNmp
(8.1.22)
n = 0, 1, . . . ,
N
1
2
(8.1.23)
As, f1 (n) y f2 (n) se obtienen mediante el diezmado de x(n) en un factor de 2 y, por tanto, el algoritmo FFT
resultante se conoce como algoritmo de diezmado temporal.
Ahora la DFT de N puntos se puede expresar en funcin de las DFT de las secuencias diezmadas como
sigue:
X(k) =
=
=
N1
x(n)WNkn , k = 0, 1, . . . , N 1
x(n)WNkn + x(n)WNkn
n=0
n par
(N/2)1
m=0
(8.1.24)
n impar
x(2m)WN2mk +
(N/2)1
m=0
k(2m+1)
x(2m + 1)WN
Pero WN2 = WN/2 . Aplicando esta sustitucin, (8.1.24) puede expresarse como
X(k) =
(N/2)1
m=0
km
f1 (m)WN/2
+ WNk
(N/2)1
m=0
km
f2 (m)WN/2
(8.1.25)
k = 0, 1, . . . , N 1
donde F1 (k) y F2 (k) son las DFT de N/2 puntos de las secuencias f1 (m) y f2 (m), respectivamente.
Puesto que F1 (k) y F2 (k) son peridicas de perodo N/2, tenemos F1 (k + N/2) = F1 (k) y F2 (k + N/2) =
k+N/2
N
1
2
N
k = 0, 1, . . . , 1
2
k = 0, 1, . . . ,
(8.1.26)
(8.1.27)
Observe que el clculo directo de F1 (k) requiere (N/2)2 multiplicaciones complejas. Lo mismo podemos
decir del clculo de F2 (k). Adems, son necesarias N/2 multiplicaciones complejas adicionales para calcular
WNk F2 (k). Por tanto, el clculo de X(k) requiere 2(N/2)2 + N/2 = N 2 /2 + N/2 multiplicaciones complejas. Este
primer paso reduce el nmero de multiplicaciones de N 2 a N 2 /2 + N/2, lo que es aproximadamente igual a
dividir entre 2 cuando N es grande.
Con el fin de ser coherentes con la notacin anterior, podemos definir
G1 (k) = F1 (k),
N
1
2
N
k = 0, 1, . . . , 1
2
k = 0, 1, . . . ,
N
) = G1 (k) G2 (k),
2
N
1
2
N
k = 0, 1, . . . , 1
2
k = 0, 1, . . . ,
(8.1.28)
(8.1.29)
N
1
4
N
v22 (n) = f2 (2n + 1), n = 0, 1, . . . , 1
4
(8.1.30)
y f2 (n) producir
n = 0, 1, . . . ,
n = 0, 1, . . . ,
x(N 2)
( )
F1 N 1
2
DFT de
2 puntos
k
WN
G2(k)
G1(k)
( )
X N1
2
X(0) X(1)
X(N 1)
() ( )
X N X N+1
2
2
k
V12 (k),
F1 (k) = V11 (k) + WN/2
N
k
= V11 (k) WN/2
V12 (k),
F1 k +
4
k = 0, 1, . . . ,
k
F2 (k) = V21 (k) + WN/2
V22 (k),
N
k
F2 k +
= V21 (k) WN/2
V22 (k),
4
k = 0, 1, . . . ,
k = 0, . . . ,
(8.1.31)
N
1
4
N
1
4
(8.1.32)
donde los {Vi j (k)} son las DFT de N/4 puntos de las secuencias {vi j (n)}.
Observe que el clculo de {Vi j (k)} requiere 4(N/4)2 multiplicaciones y, por tanto, el clculo de F1 (k) y
F2 (k) puede llevarse a cabo mediante N 2 /4 + N/2 multiplicaciones complejas. Son necesarias N/2 multiplicaciones complejas adicionales para calcular X(k) a partir de F1 (k) y F2 (k). En consecuencia, el nmero total de
multiplicaciones de nuevo se reduce, aproximadamente, a la mitad, es decir a N 2 /4 + N.
El diezmado de la secuencia de datos se puede repetir una y otra vez hasta que las secuencias resultantes
queden reducidas a secuencias de un punto. Para N = 2 , este diezmado puede realizarse = log2 N veces.
De esta manera, el nmero total de multiplicaciones complejas se reduce a (N/2) log2 N. El nmero de sumas
complejas es N log2 N. La Tabla 8.1 presenta una comparacin del nmero de multiplicaciones complejas
necesarias en el clculo de la FFT y en el clculo directo de la DFT.
Con fines ilustrativos, en la Figura 8.1.5 se muestra el clculo de una DFT de N = 8 puntos. Observe que el
clculo se realiza en tres etapas; se empieza calculando cuatro transformadas DFT de dos puntos, luego dos de
cuatro puntos y, por ltimo, una DFT de ocho puntos. La combinacin de las DFT ms pequeas para formar
la DFT ms grande se ilustra en la Figura 8.1.6 para N = 8.
Observe que el clculo bsico realizado en cada etapa, como se ilustra en la Figura 8.1.6, consiste en tomar
dos nmero complejos, por ejemplo, la pareja (a, b), multiplicar b por WNr , y luego sumar y restar el producto de
Nmero de
puntos,
N
Multiplicaciones complejas
en el clculo directo,
N2
Multiplicaciones complejas
en el algoritmo FFT,
(N/2) log2 N
Factor de
mejora de la
velocidad
4
8
16
32
64
128
256
512
1,024
16
64
256
1,024
4,096
16,384
65,536
262,144
1,048,576
4
12
32
80
192
448
1,024
2,304
5,120
4.0
5.3
8.0
12.8
21.3
36.6
64.0
113.8
204.8
Tabla 8.1. Comparacin de la complejidad del clculo directo de la DFT y del algoritmo FFT.
x(0)
x(4)
DFT de
2 puntos
x(2)
x(6)
DFT de
2 puntos
x(1)
x(5)
DFT de
2 puntos
x(3)
x(7)
DFT de
2 puntos
Combina
las DFT
de 2 puntos
Combina
las DFT
de 2 puntos
X(0)
X(1)
Combina
las DFT
de 4 puntos
X(2)
X(3)
X(4)
X(5)
X(6)
X(7)
Etapa 1
Etapa 2
Etapa 3
x(0)
X(0)
0
x(4)
W8
X(1)
1
0
W8
x(2)
x(6)
X(2)
1
W 08
W 28
X(3)
W8
x(1)
x(5)
1
W 08
W 18
1
1
0
x(7)
W8
1
W 08
W 28
1
X(5)
W8
x(3)
X(4)
1
W 38
X(6)
X(7)
WrN
1
B = a WrN b
Primer diezmado
de datos
Segundo diezmado
de datos
x(0)
x(0)
001
x(1)
x(2)
x(4)
010
x(2)
x(4)
x(2)
011
x(3)
x(6)
x(6)
100
x(4)
x(1)
x(1)
101
x(5)
x(3)
x(5)
110
x(6)
x(5)
x(3)
111
x(7)
x(7)
x(7)
Orden
natural
Orden binario
invertido
(a)
(n2 n 1 n 0 )
(n 1n 0 n 2 )
(n 0 n 1 n 2 )
(0 0 0)
(0 0 1)
(0 1 0)
(0 1 1)
(1 0 0)
(1 0 1)
(1 1 0)
(1 1 1)
(0 0 0)
(0 1 0)
(1 0 0)
(1 1 0)
(0 0 1)
(0 1 1)
(1 0 1)
(1 1 1)
(b)
(0 0 0)
(1 0 0)
(0 1 0)
(1 1 0)
(0 0 1)
(1 0 1)
(0 1 1)
(1 1 1)
X(k) =
(N/2)1
n=0
(N/2)1
n=0
kN/2
Puesto que WN
x(n)WNkn +
N1
n=N/2
x(n)WNkn
Nk/2
x(n)WNkn + WN
(N/2)1
n=0
N
WNkn
x n+
2
(8.1.33)
N
WNkn
x(n) + (1) x n +
2
(N/2)1
n=0
(8.1.34)
Ahora, dividimos (diezmamos) X(k) en muestras pares e impares. Por tanto, obtenemos
X(2k) =
N
kn
WN/2
x(n) + x n +
,
2
(N/2)1
n=0
k = 0, 1, . . . ,
N
1
2
(8.1.35)
y
X(2k + 1) =
(N/2)1
n=0
N
kn
WNn WN/2
x(n) x n +
,
2
k = 0, 1, . . . ,
N
1
2
(8.1.36)
N
n = 0, 1, 2, . . ., 1
2
(8.1.37)
entonces
X(2k) =
(N/2)1
n=0
X(2k + 1) =
(N/2)1
n=0
kn
g1 (n)WN/2
(8.1.38)
kn
g2 (n)WN/2
El clculo de las secuencias g1 (n) y g2 (n) de acuerdo con (8.1.37) y el subsiguiente uso de estas secuencias
para calcular las DFT de N/2 puntos se ilustran en la Figura 8.1.9. Observe que el clculo bsico en esta figura
implica la operacin mariposa mostrada en la Figura 8.1.10.
X(0)
x(0)
X(2)
x(1)
DFT de
4 puntos
x(2)
X(4)
x(3)
X(6)
x(4)
x(5)
x(6)
W 08
X(1)
W 18
1
W 28
1
X(3)
DFT de
4 puntos
X(5)
x(7)
W8
1
X(7)
A=a+b
r
WN
B = (a 2b)WN
l=0
lq
lp
WN F(l, q) W4 ,
p = 0, 1, 2, 3
(8.1.39)
(N/4)1
m=0
mq
x(l, m)WN/4
,
l = 0, 1, 2, 3,
q = 0, 1, 2, . . . ,
N
1
4
(8.1.40)
y
x(l, m)
X(p, q) =
x(4m + l)
N
p+q
X
4
(8.1.41)
(8.1.42)
Por tanto, las cuatro DFT de N/4 puntos obtenidas a partir de (8.1.40) se combinan de acuerdo con (8.1.39) para
proporcionar la DFT de N puntos. La expresin dada en (8.1.39) para combinar las DFT de N/4 puntos define
una operacin mariposa de diezmado temporal en base 4, que puede expresarse en forma matricial como
x(0)
X(0)
W 08
x(1)
W 08
x(2)
X(2)
W 28
x(3)
W 08
1
W 08
x(4)
W 18
W 08
W 28
x(6)
W 08
W 28
W8
x(7)
X(5)
X(3)
X(6)
X(1)
x(5)
X(4)
W 08
1
X(7)
0
WN F(0, q)
X(0, q)
1 1
1
1
q
X(1, q) 1 j 1
WN F(1, q)
j
2q
X(2, q) 1 1 1 1
WN F(2, q)
X(3, q)
1
j 1 j WN3q F(3, q)
(8.1.43)
X(0, q)
1
X(1, q) 0
=
X(2, q) 1
X(3, q)
0
0
1
0
1
1
0
1
0 j 1
1 0 0
0
j
0
0
0
1
1
0
WN F(0, q)
1
0
q
WN F(1, q)
1 0
2q
0
1
WN F(2, q)
3q
0 1 WN F(3, q)
(8.1.44)
WN
j
1
WN
0
q
2q
W 2q
N
3q
1
1
j
W 3q
N
1
j
(a)
(b)
(N/4)1
l=0
donde
G(l, q) = WNlq F(l, q),
lp
G(l, q)WN/4
q = 0, 1, 2, 3
l = 0, 1, . . . ,
(8.1.45)
N
1
4
(8.1.46)
y
F(l, q) =
x(l, m)W4mq ,
m=0
q = 0, 1, 2, 3
l = 0, 1, 2, 3, . . .,
N
1
4
(8.1.47)
Observe que X(p, q) = X(4p + q), q = 0, 1, 2, 3. En consecuencia, la DFT de N puntos se divide en cuatro
transformadas DFT de N/4 puntos y, por tanto, obtenemos un algoritmo FFT de diezmado en frecuencia. Los
clculos indicados en la Ecuaciones (8.1.46) y (8.1.47) definen la operacin mariposa bsica en base 4 para el
algoritmo de diezmado en frecuencia. Observe que las multiplicaciones por los factores WNlq se hacen despus
x(0)
X(0)
0
0
x(1)
x(2)
X(4)
X(8)
x(3)
X(12)
X(1)
x(4)
x(5)
x(6)
x(7)
x(8)
x(9)
x(10)
x(11)
X(5)
X(9)
X(13)
X(2)
0
0
2
4
0
0
x(12)
x(13)
x(14)
x(15)
1
2
X(6)
X(10)
X(14)
X(3)
3
6
X(7)
X(11)
X(15)
Figura 8.1.13. Algoritmo en base 4 de diezmado temporal para dieciseis puntos con la entrada en orden normal
y la salida en orden inverso. Los multiplicadores enteros indicados en la grfica representan los exponentes de
W16 .
de la combinacin de los puntos de datos x(l, m), al igual que en el caso del algoritmo de diezmado en frecuencia
en base 2.
En la Figura 8.1.14 se muestra un algoritmo de diezmado en frecuencia de 16 puntos en base 4. La entrada
est en orden normal y la salida en orden binario inverso. Presenta exactamente la misma complejidad de clculo
que el algoritmo FFT en base 4 de diezmado temporal.
Con propsitos de ilustracin, vamos a deducir de nuevo el algoritmo de diezmado en frecuencia en base 4
separando la frmula de la DFT de N puntos en cuatro transformadas DFT ms pequeas. As,
X(k) =
N1
x(n)WNkn
n=0
N/41
n=0
N/41
x(n)WNkn +
N/21
n=N/4
x(n)WNkn +
3N/41
n=N/2
x(n)WNkn +
N1
n=3N/4
x(n)WNkn
N
Nk/4
kn
= x(n)WN + WN
x n + 4 WNkn
n=0
n=0
N/41
N/41
N
3N
kN/2
3kN/4
nk
W
WNkn
+WN
x
n
+
+
W
x
n
+
N
N
2
4
n=0
n=0
N/41
(8.1.48)
WN
= ( j)k ,
Nk/2
WN
= (1)k ,
3Nk/4
WN
= ( j)k
(8.1.49)
x(0)
X(0)
0
x(1)
x(2)
x(3)
x(4)
x(6)
0
0
0
2
4
x(10)
x(11)
X(9)
X(2)
0
x(9)
X(5)
X(13)
x(8)
X(8)
X(1)
x(7)
X(4)
X(12)
0
0
x(5)
0
0
0
0
X(6)
X(10)
X(14)
0
3
x(12)
x(13)
X(3)
0
x(14)
x(15)
0
0
X(7)
X(11)
X(15)
Figura 8.1.14. Algoritmo de diezmado en frecuencia en base 4 de dieciseis puntos con la entrada en orden
normal y la salida en orden binario inverso.
Sustituyendo a continuacin (8.1.49) en (8.1.48), obtenemos
N
N
3N
+ (1)k x n +
+ ( j)k x n +
WNnk
x(n) + ( j)k x n +
4
4
4
N/41
X(k) =
n=0
(8.1.50)
La relacin dada en (8.1.50) no es una DFT de N/4 puntos porque el factor de fase depende de N y no
de N/4. Para convertirla en una DFT de N/4 puntos, subdividimos la secuencia DFT en cuatro secuencias de
N/4 puntos: X(4k), X(4k + 1), X(4k + 2) y X(4k + 3), k = 0, 1, . . . , N/4 1. As, obtenemos la siguiente DFT
diezmada en frecuencia en base 4
N
3N
N
kn
+
x
n
+
+
x
n
+
WN0WN/4
x(n)
+
x
n
+
4
2
4
n=0
N/41
N
3N
N
kn
x n+
+ jx n +
WNnWN/4
X(4k + 1) = x(n) jx n +
4
2
4
n=0
N/41
N
3N
N
kn
+ x n+
x n+
WN2nWN/4
X(4k + 2) = x(n) x n +
4
2
4
n=0
N/41
N
3N
N
kn
x n+
jx n +
WN3nWN/4
X(4k + 3) = x(n) + jx n +
4
2
4
n=0
N/41
X(4k) =
(8.1.51)
(8.1.52)
(8.1.53)
(8.1.54)
combinacin lineal de cuatro muestras de la seal escaladas por un factor de fase. Este procedimiento se repite
veces, donde = log4 N.
N/21
X(2k) =
n=0
k = 0, 1, . . . ,
N
1
2
(8.1.55)
Observe que estos puntos de la DFT se pueden obtener de una DFT de N/2 puntos sin ninguna multiplicacin
adicional. En consecuencia, para este clculo basta con el algoritmo en base 2.
Las muestras impares {X(2k + 1)} de la DFT requieren la premultiplicacin de la secuencia de entrada por
los factores de fase WNn . Para estas muestras, una descomposicin en base 4 da lugar a un clculo eficiente, porque
la DFT de cuatro puntos tiene la mayor mariposa libre de multiplicaciones. Por tanto, podemos demostrar que
utilizar una base mayor que 4 no lleva acarreada una reduccin significativa en la complejidad del clculo.
Si empleamos un algoritmo FFT de diezmado en frecuencia en base 4 para las muestras impares de la DFT
de N, obtenemos las siguientes DFT de N/4:
N/41
X(4k + 1) =
(8.1.56)
n=0
kn
j[x(n + N/4) x(n + 3N/4)]}WNnWN/4
N/41
X(4k + 3) =
n=0
(8.1.57)
kn
+ j[x(n + N/4) x(n + 3N/4)]}WN3nWN/4
Por tanto, la DFT de N puntos se descompone en una DFT de N/2 puntos sin factores de fase adicionales y
dos DFT de N/4 puntos con factores de fase. La DFT de N puntos se obtiene por el uso sucesivo de estas
descomposiciones hasta la ltima etapa. Por tanto, obtenemos un algoritmo SRFFT de diezmado en frecuencia.
La Figura 8.1.15 muestra el diagrama de flujo de un algoritmo SRFFT de diezmado en frecuencia de 32
puntos in situ. En la etapa A del clculo para N = 32, los 16 puntos superiores forman la secuencia
g0 (n) = x(n) + x(n + N/2),
0 n 15
(8.1.58)
sta es la secuencia que se necesita para el clculo de X(2k). Los siguientes ocho puntos definen la secuencia
g1 (n) = x(n) x(n + N/2),
0n7
(8.1.59)
0n7
(8.1.60)
W6 W4W2
j
j
j
j
j
j
j
j
j
4
W
W 12
W
W 6
W 1 12
j
j
j
W6 W5 W4 W3 W2 W1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
j
j
4
W
W 12
7
W
W3
W6
W9
W1
j
j
j
W1
5
W1
8
W2
j
j
W
W 12
0
16
8
24
4
20
12
28
2
18
10
26
6
22
14
30
1
17
9
25
5
21
13
29
3
19
11
27
7
23
15
31
Figura 8.1.15. Algoritmos FFT de base dividida de longitud 32 de Duhamel (1986); reimpreso con permiso
del IEEE.
Las secuencias g1 (n) y g2 (n) se utilizan con el clculo de X(4k + 1) y X(4k + 3). Por tanto, en la etapa A, hemos
completado el primer diezmado para la componente en base 2 del algoritmo. En la etapa B, los ochos puntos
3n
inferiores constituyen el clculo de [g1 (n) + jg2 (n)]W32
, 0 n 7, lo que se emplea para determinar X(4k + 3),
n , 0 n 7, que
0 k 7. Los ocho puntos inferiores siguientes constituyen el clculo de [g1 (n) jg2 (n)] W32
se utiliza para calcular X(4k + 1), 0 k 7. As, en la etapa B, hemos completado el primer diezmado del
algoritmo en base 4, que resulta en dos secuencias de 8 puntos. As, la operacin bsica mariposa del algoritmo
SRFFT tiene la forma de L mostrada en la Figura 8.1.16.
A continuacin repetimos los pasos del clculo anterior. Comenzamos en la etapa A con los primeros 16
puntos y repetimos la descomposicin para la DFT de 16 puntos. En otras palabras, descomponemos el clculo
en una DFT en base 2 de ocho puntos y dos DFT en base 4 de cuatro puntos. As, en la etapa B, los ocho puntos
superiores constituyen la secuencia (con N = 16)
g0 (n) = g0 (n) + g0(n + N/2),
0n7
(8.1.61)
x(n)
Utilizar para X(2k)
n
WN
j
W 3n
N
0n3
0n3
(8.1.62)
Los 16 puntos inferiores de la etapa B definen dos DFT de ocho puntos. Por tanto, cada DFT de ocho puntos se
descompone en una DFT en base 2 de cuatro puntos y una DFT en base 4 de cuatro puntos. En la etapa final,
los clculos implican la combinacin de secuencias de dos puntos.
La Tabla 8.2 presenta una comparacin del nmero de sumas y multiplicaciones reales no triviales necesarias
para calcular una DFT de N puntos con datos complejos utilizando transformadas FFT en base 2, base 4 y de
base dividida. Observe que el algoritmo SRFFT requiere el nmero mnimo de multiplicaciones y sumas. Por
ello, es el mtodo preferido en muchas aplicaciones prcticas.
Price (1990) desarroll otro tipo de algoritmo SRFFT. Su relacin con el algoritmo de Duhamel que acabamos de ver puede establecerse observando que los trminos de las DFT en base 4 X(4k + 1) y X(4k + 3) implican
Multiplicaciones reales
N
Sumas reales
24
32
88
64
264
128
712
256
1,800
512
4,360
1,024
10,248
20
208
204
1,392
3,204
7,856
20
152
68
408
196
1,032
516
2,504
1,284
5,896
3,076
13,566
7,172
30,728
Base 4
148
148
388
976
972
964
2,308
5,488
5,380
12,420
28,336
12,292
27,652
Tabla 8.2. Nmero de sumas y multiplicaciones no triviales para calcular una DFT de N puntos complejos.
las DFT de N/4 puntos de las secuencias [g1 (n) jg2 (n)]WNn y [g1 (n) + jg2 (n)]WN3n , respectivamente. En efecto,
8 ) y por W n para calcular
las secuencias g1 (n) y g2 (n) estn mutliplicadas por el factor (vector) (1, j) = (1,W32
N
8
) y WN3n . En lugar de
X(4k + 1), mientras que el clculo de X(4k + 3) requiere los factores (1, j) = (1,W32
8
, 1). Como
ello, se pueden reordenar los clculos de modo que el factor para X(4k + 3) sea ( j, 1) = (W32
resultado de esta rotacin de fase, los factores de fase para el clculo de X(4k + 3) se convierten exactamente
en los mismos que los de X(4k + 1), excepto en que se aplican en orden inverso. Por ejemplo, en la etapa B
de la Figura 8.1.15, los factores de fase W 21 , W 18 , . . . ,W 3 se reemplazan por W 1 , W 2 , . . . ,W 7 , respectivamente.
Esta simetra de reflexin se produce en cada etapa del algoritmo. Como consecuencia, el nmero de factores
de fase que se tienen que calcular y almacenar se reduce en un factor de 2 en comparacin con el algoritmo de
Duhamel. El algoritmo resultante es el algoritmo espejo para la FFT (MFFT, mirror FFT).
Puede obtenerse un ahorro adicional de factor 2 en lo que se refiere al almacenamiento de los factores de
fase, introduciendo un desplazamiento de fase de 90 en el punto medio de cada matriz de factores, la cual puede
borrarse, si es necesario, en la salida del clculo de la SRFFT. La incorporacin de esta mejora en la SRFFT (o
la MFFT) da lugar a otro algoritmo, tambin debido a Price (1990), conocido como algoritmo de fase para la
FFT (PFFT).
1 N1
X(k)WNnk
N k=0
(8.1.63)
La nica diferencia entre las dos transformadas es el factor de normalizacin 1/N y el signo del factor de fase
WN . En consecuencia, un algoritmo FFT para calcular la DFT puede convertirse en un algoritmo FFT para
calcular la IDFT, cambiando el signo de todos los factores de fase y dividiendo la salida final del algoritmo
entre N.
De hecho, si tomamos el algoritmo de diezmado temporal que hemos descrito en la Seccin 8.1.3, invertimos
la direccin de la grfica de flujo, cambiamos el signo de los factores de fase, intercambiamos la salida y la
entrada y, por ltimo, dividimos la entrada entre N, obtenemos un algoritmo FFT de diezmado en frecuencia
para calcular la IDFT. Por el contrario, si comenzamos con el algoritmo FFT de diezmado en frecuencia descrito
en la Seccin 8.1.3 y repetimos los cambios enumerados ms arriba, obtenemos un algoritmo FFT de diezmado
temporal para calcular la IDFT. De este modo tan simple podemos emplear los algoritmos FFT para calcular la
IDFT.
Por ltimo, fjese en que en nuestro estudio de los algoritmos FFT hemos hecho hincapi en los algoritmos
en base 2, en base 4 y de base dividida, ya que stos son, con mucho, los ms ampliamente utilizados. Cuando
el nmero de puntos de datos no es una potencia de 2 o de 4, basta con rellenar la secuencia x(n) con ceros, tal
que N = 2 o N = 4 .
La medida de la complejidad de los algoritmos de la FFT que hemos visto se encuentra en el nmero
necesario de operaciones aritmticas (multiplicaciones y sumas). Aunque ste es un marco de trabajo muy
importante para la complejidad del clculo, hay otras cuestiones que se deben considerar en la implementacin
prctica de los algoritmos para la FFT. Entre stas se incluyen la arquitectura del procesador, el conjunto de
instrucciones disponible, las estructuras de datos para almacenar los factores de fase y otras cuestiones.
En las computadoras de propsito general, en las que el coste de las operaciones nmericas domina, los algoritmos FFT en base 2, base 4 y de base dividida son buenos candidatos. Sin embargo, en el caso de procesadores
de seales digitales de propsito especial, que se caracterizan por la operacin de multiplicar y acumular en un
nico ciclo, por el direccionamiento en orden binario inverso y por un alto grado de paralelismo de instrucciones, la regularidad estructural del algoritmo es tan importante como la complejidad aritmtica. Por tanto, en los
procesadores DSP, los algoritmos FFT de diezmado en frecuencia en base 2 o base 4 son preferibles en trminos
de velocidad y precisin. La estructura irregular de la SRFFT puede resultar menos adecuada para la implementacin en procesadores digitales de seales. La regularidad estructural tambin es importante en la implementacin
de algoritmos FFT sobre procesadores de vectores, multiprocesadores y en VLSI. La comunicacin interprocesadores es una consideracin importante en estas implementaciones sobre procesadores paralelo.
Resumiendo, hemos presentado varias cuestiones importantes sobre la implementacin de los algoritmos
FFT. Los avances en la tecnologa del tratamiento digital de seales, tanto en el campo hardware como en el de
software, continuarn influyendo en la eleccin entre los distintos algoritmos FFT en las aplicaciones prcticas.
Suponga que x1 (n) y x2 (n) son dos secuencias reales de longitud N, y sea x(n) una secuencia compleja
definida como
x(n) = x1 (n) + jx2 (n),
0 n N1
(8.2.1)
La operacin de la DFT es lineal y, por tanto, la DFT de x(n) se puede expresar como
X(k) = X1 (k) + jX2 (k)
(8.2.2)
Las secuencias x1 (n) y x2 (n) pueden escribirse en trminos de x(n) como sigue:
x(n) + x(n)
2
x(n) x(n)
x2 (n) =
2j
x1 (n) =
(8.2.3)
(8.2.4)
(8.2.5)
(8.2.6)
(8.2.7)
(8.2.8)
As, realizando una nica DFT sobre la secuencia compleja x(n), hemos obtenido la DFT de dos secuencias
reales con slo unos pocos clculos adicionales que proporcionan X1 (k) y X2 (k) a partir de X(k) utilizando
(8.2.7) y (8.2.8).
(8.2.10)
(8.2.11)
Por ltimo, debemos expresar la DFT de 2N puntos en funcin de las DFT de dos DFT de N puntos, X1 (k)
y X2 (k). Para ello, continuamos con el algoritmo DDT de diezmado en frecuencia, as
G(k) =
=
N1
N1
n=0
n=0
N1
n=0
k
x1 (n)WNnk + W2N
(2n+1)k
N1
x2 (n)WNnk
n=0
En consecuencia,
G(k) = X1 (k) + W2k NX2 (k),
k = 0, 1, . . . , N 1
k = 0, 1, . . . , N 1
G(k + N)
(8.2.12)
De este modo hemos calculado la DFT de una secuencia real de 2N puntos a partir de una DFT de N puntos y
algunos clculos adicionales como se indica en (8.2.11) y (8.2.12).
8.2.3
Una aplicacin importante de los algoritmos FFT es el filtrado lineal FIR de secuencias de datos largas. En el
Captulo 7, hemos descrito dos mtodos, el mtodo de solapamiento y suma, y el mtodo de solapamiento y
almacenar, para el filtrado de una secuencia de datos larga con un filtro FIR basado en el uso de la DFT. En esta
seccin, hemos considerado el uso de estos dos mtodos junto con el algoritmo FFT para calcular la DFT y la
IDFT.
Sea h(n), 0 n M 1, la respuesta al impulso unitario del filtro FIR y sea x(n) la secuencia de datos
de entrada. El tamao de bloque del algoritmo FFT es N, donde N = L + M 1 y L es el nmero de muestras
de datos nuevas que el filtro va a procesar. Supongamos que para cualquier valor dado de M, el nmero L de
muestras de datos se selecciona de modo que N sea una potencia de 2. En esta exposicin vamos a considerar
slo los algoritmos en base 2.
La DFT de N puntos de h(n), que est rellenada con L 1 ceros, se designa por H(k). Este clculo se
realiza una vez por medio de la FFT y los N nmeros complejos resultantes se almacenan. Ms especficamente,
supongamos que se utiliza el algoritmo FFT de diezmado en frecuencia para calcular H(k). Esto proporciona
H(k) en orden binario inverso, que es la forma en la que se almacena en memoria.
En el mtodo de solapamiento y almacenar, los primeros M 1 puntos de datos de cada bloque son los
ltimos M 1 puntos de datos de los bloques de datos anteriores. Cada bloque de datos contiene L nuevos puntos
de datos, tal que N = L + M 1. La DFT de N puntos de cada bloque se obtiene gracias al algoritmo FFT. Si se
emplea un algoritmo FFT de diezmado en frecuencia, no es necesario reordenar el bloque de datos de entrada
y los valores de la DFT se obtienen en orden binario inverso. Puesto que ste es exactamente el orden de H(k),
podemos multiplicar la DFT de los datos, por ejemplo Xm (k), por H(k), y as el resultado
Ym (k) = H(k)Xm (k)
tambin estar en orden binario inverso.
La DFT inversa (IDFT) puede calcularse utilizando un algoritmo FFT que tome la entrada en orden binario
inverso y genere una salida en orden normal. Por tanto, no es necesario reordenar ningn bloque de datos al
calcular la DFT o la IDFT.
Si se emplea el mtodo de solapamiento y suma para llevar a cabo un filtrado lineal, el mtodo de clculo
que utiliza el algoritmo FFT es bsicamente el mismo. La nica diferencia es que los bloques de datos de N
puntos constan de L nuevos puntos de datos y M 1 ceros adicionales. Despus de calcular la IDFT para cada
bloque de datos, los bloques de N puntos filtrados se solapan como se ha dicho en la Seccin 7.3.2, y los M 1
puntos de datos que se solapan entre registros de salida sucesivos se suman.
Valoremos ahora la complejidad de clculo del mtodo FFT utilizado para el filtrado lineal. El clculo
de H(k) se hace una vez, por lo que es insignificante y puede ignorarse. Cada FFT requiere (N/2) log2 N
multiplicaciones complejas y N log2 N sumas. Dado que la FFT se realiza dos veces, una para la DFT y otra
para la IDFT, el grueso del clculo es N log2 N multiplicaciones complejas y 2N log2 N sumas. Tambin son
necesarias N multiplicaciones complejas y N 1 sumas para calcular Ym (k). Por tanto, tenemos (N log2 2N)/L
multiplicaciones complejas por punto de datos de salida y, aproximadamente, (2N log2 2N)/L sumas por punto
de datos de salida. El mtodo de solapamiento y suma implica un incremento de (M 1)/L operaciones de
suma.
Si comparamos, vemos que una realizacin de la forma directa del filtro FIR necesita M multiplicaciones
reales por punto de salida si el filtro no es de fase lineal y M/2 si es de fase lineal (simtrico). Adems, el nmero
de sumas necesario es M 1 por punto de salida (vase la Seccin 10.2).
Es interesante comparar la eficiencia del algoritmo FFT con la realizacin de la forma directa del filtro FIR.
Vamos a centrarnos en el nmero de multiplicaciones, ya que consumen ms tiempo que las sumas. Suponga
que M = 128 = 27 y N = 2 . As, el nmero de multiplicaciones complejas por punto de salida para un tamao
de FFT de N = 2 es
c( ) =
2 ( + 1)
N log2 2N
=
L
N M+1
2 ( + 1)
2 27
Los valores de c( ) para valores diferentes de se proporcionan en la Tabla 8.3. Observe que existe un valor
ptimo de que minimiza c( ). Para el filtro FIR de tamao M = 128, el valor ptimo se obtiene en = 10.
Es preciso destacar que c( ) representa el nmero de multiplicaciones complejas para el mtodo basado
en la FFT. El nmero de multiplicaciones reales es cuatro veces este nmero. Sin embargo, incluso si el filtro
FIR tiene fase lineal (vase la Seccin 10.2), el nmero de clculos por punto de salida es an menor que con
el mtodo basado en la FFT. Adems, la eficiencia del mtodo basado en la FFT puede mejorarse calculando
simultneamente la DFT de dos bloques de datos sucesivos, siguiendo el mtodo que acabamos de describir. En
consecuencia, el mtodo basado en la FFT es superior desde el punto de vista de clculo cuando la longitud del
filtro es relativamente grande.
El clculo de la correlacin cruzada entre dos secuencias utilizando el algoritmo FFT es similar al problema
del filtrado lineal que acabamos de describir. En las aplicaciones prcticas que implican la correlacin cruzada,
al menos una de las secuencias tiene duracin finita y es similar a la respuesta al impulso del filtro FIR. La
segunda secuencia puede ser una secuencia de larga duracin que contenga la secuencia deseada distorsionada
por ruido aditivo. Por tanto, la segunda secuencia es como la entrada del filtro FIR. Aplicando una inversin
temporal a la primera secuencia y calculando su DFT, hemos reducido la correlacin cruzada a un problema
Tamao de la FFT
= log2 N
c( ) Nmero de multiplicaciones
complejas por punto de salida
9
10
11
12
14
13.3
12.6
12.8
13.4
15.1
equivalente de convolucin (es decir, un problema de filtro FIR lineal). Por tanto, la metodologa que hemos
desarrollado para el filtrado lineal FIR usando la FFT se aplica directamente.
de la DFT como una operacin de filtrado lineal. Dado que WNkN = 1, podemos multiplicar la DFT por este
factor. Por tanto,
X(k) = WNkN
N1
N1
m=0
m=0
x(m)WNkm = x(m)WN
k(Nm)
(8.3.1)
Observe que la Ecuacin (8.3.1) tiene la forma de una operacin de convolucin. Por tanto, si definimos la
secuencia yk (n) como
yk (n) =
N1
x(m)WN
k(nm)
(8.3.2)
m=0
entonces es evidente que yk (n) es la convolucin de la secuencia de entrada de duracin finita x(n) de longitud
N con un filtro que tiene una respuesta al impulso
hk (n) = WNkn u(n)
(8.3.3)
(8.3.4)
1
1 WNk z1
(8.3.5)
Este filtro tiene un polo sobre la circunferencia unidad a la frecuencia k = 2 k/N. Luego se puede calcular
la DFT completa pasando el bloque de datos de entrada por un banco paralelo de N filtros de un solo polo
(resonadores), donde cada filtro tiene un polo en la frecuencia correspondiente de la DFT.
En lugar de calcular la DFT mediante convolucin empleando la Ecuacin (8.3.2), podemos utilizar la
ecuacin en diferencias correspondiente al filtro dada por (8.3.5) para calcular recursivamente yk (n). As,
tenemos
yk (n) = WNk yk (n 1) + x(n),
yk (1) = 0
(8.3.6)
La salida deseada es X(k) = yk (N), para k = 0, 1, . . . , N 1. Para efectuar este clculo, podemos hacer el clculo
una vez y almacenar los WNk factores de fase.
Las multiplicaciones y sumas complejas de (8.3.6) pueden evitarse combinando parejas de resonadores que
tengan polos complejos conjugados. Esto nos lleva a filtros de dos polos con funciones del sistema de la forma
1 WNk z1
1 2 cos(2 k/N)z1 + z2
Hk (z) =
(8.3.7)
La realizacin de la forma directa II del sistema se ilustra en la Figura 8.3.1 y se describe mediante las ecuaciones
en diferencias
vk (n) = 2 cos
2 k
vk (n 1) vk(n 2) + x(n)
N
(8.3.8)
(8.3.9)
vk(n)
yk(n)
z 1
+
2 cos
W nk
z 1
Figura 8.3.1. Realizacin de la forma directa II de resonadores de dos polos para calcular la DFT.
8.3.2
Hemos visto la DFT de una secuencia de datos de N puntos x(n) como la transformada z de x(n) evaluada
en N puntos igualmente espaciados sobre la circunferencia unidad. Tambin la hemos visto como N muestras
igualmente espaciadas de la transformada de Fourier de la secuencia de datos x(n). En esta seccin, vamos a
abordar la evaluacin de X(z) sobre otros contornos en el plano z, incluyendo la circunferencia unidad.
Suponga que deseamos calcular los valores de la transformada z de x(n) en un conjunto de puntos {zk }.
Luego,
X(zk ) =
N1
x(n)zn
k ,
k = 0, 1, . . . , L 1
(8.3.10)
n=0
Por ejemplo, si el contorno es una circunferencia de radio r y zk son los N puntos igualmente espaciados, luego
X(zk ) =
zk = re j2 kn/N ,
k = 0, 1, 2, . . . , N 1
[x(n)rn ]e j2 kn/N ,
k = 0, 1, 2, . . . , N 1
N1
n=0
(8.3.11)
En este caso, el algoritmo FFT puede aplicarse sobre la secuencia modificada x(n)r n .
De forma ms general, supongamos que los puntos zk del plano z caen sobre un arco que comienza en un
determinado punto
z0 = r0 e j0
y gira formando una espiral, bien hacia el origen, bien hacia fuera, de manera que los puntos {zk } estn definidos
como
zk = r0 e j0 (R0 e j0 )k ,
k = 0, 1, . . . , L 1
(8.3.12)
Observe que si R0 < 1, los puntos caen sobre un contorno que gira en espiral hacia el origen, y si R0 > 1, el
contorno gira alejndose del origen. Si R0 = 1, el contorno es un arco circular de radio r0 . Si r0 = 1 y R0 = 1,
el contorno es un arco de la circunferencia unidad. Este ltimo contorno nos permitir calcular el contenido en
frecuencia de la secuencia x(n) en un conjunto denso de L frecuencias en el rango cubierto por el archo sin tener
que calcular una DFT grande, es decir, una DFT de la secuencia x(n) rellenada con muchos ceros para obtener
la resolucin deseada en frecuencia. Por ltimo, si r0 = R0 = 1, 0 = 0, 0 = 2 /N, y L = N, el contorno ser
la circunferencia unidad completa y las frecuencias sern las de la DFT. En la Figura 8.3.2 se muestran los
distintos contornos.
Si sustituimos los puntos {zk } de la Ecuacin (8.3.12) en la expresin de la transformada z, obtenemos
X(zk ) =
N1
x(n)zn
k
n=0
N1
x(n)(r0 e
(8.3.13)
j 0 n nk
) V
n=0
(8.3.14)
(8.3.15)
Im(z)
Im(z)
Circunferencia
unidad
Circunferencia
unidad
r0
Re(z)
Re(z)
Im(z)
Im(z)
Circunferencia
unidad
Circunferencia
unidad
r0
Re(z)
Re(z)
R0 < 1
R0 > 1
Figura 8.3.2. Algunos ejemplos de contornos en los que se puede evaluar la transformada z.
Sustituyendo (8.3.15) en (8.3.13), obtenemos
X(zk ) = V k
2 /2
N1
(8.3.16)
n=0
2 /2
(8.3.17)
2 /2
N1
g(n)V (kn) /2
2
(8.3.18)
n=0
El sumatorio de (8.3.18) puede interpretarse con la convolucin de la secuencia g(n) con la respuesta al impulso
h(n) de un filtro, donde
h(n) = V n
2 /2
(8.3.19)
2 /2
y(k)
y(k)
,
h(k)
k = 0, 1, . . . , L 1
(8.3.20)
N1
g(n)h(k n),
n=0
k = 0, 1, . . . , L 1
(8.3.21)
n = 0, 1, . . . , M 1
(8.3.22)
y calculamos su DFT de M puntos a travs del algoritmo FFT para obtener H1 (k). A partir de x(n) calculamos
g(n) como especifica (8.3.17), rellenamos g(n) con L 1 ceros, y calculamos su DFT de M puntos para obtener
G(k). La IDFT del producto Y1 (k) = G(k)H1 (k) proporciona la secuencia de M puntos y1 (n), n = 0, 1, . . . , M 1.
Los primeros N 1 puntos de y1 (n) estn distorsionados por el aliasing y se descartan. Los valores deseados
son y1 (n) para N 1 n M 1, que corresponden con el intervalo 0 n L 1 de (8.3.21), es decir,
y(n) = y1 (n + N 1),
n = 0, 1, . . . , L 1
(8.3.23)
(8.3.24)
La DFT de M puntos de h2 (n) proporciona H2 (k), la cual si se multiplica por G(k) proporciona Y2 (k) =
G(k)H2 (k). La IDFT de Y2 (k) produce la secuencia y2 (n) para 0 n M 1. Los valores deseados de y2 (n) se
encuentran en el rango 0 n L 1, esto es,
y(n) = y2 (n),
n = 0, 1, . . . , L 1
(8.3.25)
Por ltimo, los valores complejos X(zk ) se calculan dividiendo y(k) entre h(k), k = 0, 1, . . . , L 1, como
especifica la Ecuacin (8.3.20).
En general, la complejidad de clculo del algoritmo de la transformada z chirp descrita anteriormente es
del orden de M log2 M multiplicaciones complejas, donde M = N + L 1. Este nmero debe compararse con el
producto, N L, el nmero de clculos necesarios en la evaluacin directa de la transformada z. Evidentemente,
si L es pequeo, el clculo directo es ms eficiente. Sin embargo, si L es grande, entonces el algoritmo de la
transformada z chirp resulta ms eficiente.
El mtodo de la transformada z chirp se ha implementado por hardware para calcular la DFT de seales.
Para efectuar este clculo, seleccionamos r0 = R0 = 1, 0 = 0, 0 = 2 /N y L = N. En este caso,
V n
= e j n /N
n2
n2
j sen
= cos
N
N
2 /2
(8.3.26)
2 /2
n2
n2
+ j sen
N
N
= hr (n) + jhi (n)
= cos
(8.3.27)
se ha implementado como una pareja de filtros FIR con coeficientes hr(n) y hi(n), respectivamente. En la prctica,
para los filtros FIR se han empleado tanto dispositivos SAW surface acoustic wave, onda acstica superficial
como dispositivos CCD charge coupled devices, dispositivo de carga acoplada. Las secuencias coseno y seno
dadas en (8.3.26) necesarias para las premultiplicaciones y postmultiplicaciones normalmente se almacenan en
memorias de slo lectura ROM (read-only memory). Adems, observe que si slo se desea obtener el mdulo
de la DFT, las postmultiplicaciones no son necesarias. En este caso,
ROM
cos
Filtro
FIR
hr(n) = cos
Filtro
FIR
hi(n) = sen
( )2
x(n)
Filtro
FIR
hi(n) = sen
x
sen
ROM
hr(n) = cos
y(n)
Filtro
FIR
+
+
( )2
Filtros chirp
Figura 8.3.3. Diagrama de bloques que ilustra la implementacin de la transformada z chirp para calcular la
DFT (slo el mdulo).
|X(zk )| = |y(k)|,
k = 0, 1, . . . , N 1
(8.3.28)
como se ilustra en la Figura 8.3.3. Por tanto, se ha implementado el mtodo de filtrado lineal FIR utilizando la
tranformada z chirp para calcular la DFT.
N1
x(n)WNkn ,
k = 0, 1, . . . , N 1
(8.4.1)
n=0
donde WN = e j2 /N . Suponga que, en general, {x(n)} es una secuencia compleja. Suponga tambin que las
componentes real e imaginaria de {x(n)} y {WNkn } estn representadas mediante b bits. Luego el clculo del
producto x(n)WNkn requiere cuatro multiplicaciones reales. Cada una de estas multiplicaciones se redondea de
2b bits a b bits, y son por tanto cuatro los errores de cuantificacin para cada multiplicacin compleja.
En el clculo directo de la DFT, hay N multiplicaciones complejas por cada punto de la DFT. Por tanto,
el nmero total de multiplicaciones reales en el clculo de un slo punto de la DFT es 4N. En consecuencia,
existen 4N errores de cuantificacin.
Evaluemos la varianza de los errores de cuantificacin en un clculo de la DFT con aritmtica de punto fijo.
En primer lugar, vamos a hacer las siguientes suposiciones sobre las propiedades estadsticas de los errores de
cuantificacin.
1. Los errores de cuantificacin debidos al redondeo son variables aleatorias uniformemente distribuidas en
el intervalo (/2, /2) donde = 2b .
2. Los 4N errores de cuantificacin estn mutuamente incorrelados.
3. Los 4N errores de cuantificacin estn incorrelados con la secuencia {x(n)}.
Dado que cada uno de los errores de cuantificacin tiene una varianza
1 Es
recomendable que el lector lea la Seccin 9.5 antes de abordar esta seccin.
e2 =
22b
2
=
12
12
(8.4.2)
q2
= 4N e2
=
N 2b
2
3
(8.4.3)
Por tanto, la varianza del error de cuantificacin es proporcional al tamao de la DFT. Observe que cuando N
es una potencia de 2 (es decir, N = 2 ), la varianza puede expresarse como
q2 =
22(b /2)
3
(8.4.4)
Esta expresin implica que cada incremento cudruple en el valor de N de la DFT requiere un bit adicional para
compensar los errores de cuantificacin adicionales.
Para evitar el desbordamiento, la secuencia de entrada de la DFT requiere que se le aplique un factor de
escala. Evidentemente, un lmite superior de |X(k)| es
|X(k)|
N1
|x(n)|
(8.4.5)
n=0
Si el rango dinmico de la suma es (1, 1), entonces |X(k)| < 1 requiere que
N1
|x(n)| < 1
(8.4.6)
n=0
Si inicialmente |x(n)| se escala de modo que |x(n)| < 1 para todo n, entonces cada punto de la secuencia puede
dividirse entre N para asegurar que la Ecuacin (8.4.6) se satisfaga.
El escalado aplicado por (8.4.6) es extremadamente severo. Por ejemplo, suponga que la secuencia {x(n)}
es ruido blanco y, despus de aplicarla un factor de escala, cada valor |x(n)| de la secuencia queda uniformente
distribuido en el intervalo (1/N, 1/N). Luego la varianza de la secuencia es
x2 =
1
(2/N)2
=
12
3N 2
(8.4.7)
X2 = N x2 =
1
3N
(8.4.8)
X2
22b
=
q2
N2
(8.4.9)
EJEMPLO 8.4.1
Utilice la Ecuacin (8.4.9) para determinar el nmero de bits necesarios para calcular la DFT de una secuencia de 1024
puntos con una relacin SNR de 30 dB.
Solucin. El tamao de la secuencia es N = 210 . Por tanto, la SNR es
10 log10
X2
= 10 log10 22b20
q2
En lugar de aplicar el cambio de escala a la secuencia de entrada {x(n)}, suponga que simplemente necesitamos que se cumpla |x(n)| < 1. A continuacin, debemos proporcionar un rango dinmico lo suficientemente
grande para la suma como para que se cumpla que |X(k)| < N. En este caso, la varianza de la secuencia {|x(n)|}
es x2 = 13 y, por tanto, la varianza de |X(k)| es
X2 = N x2 =
N
3
(8.4.10)
X2
= 22b
q2
(8.4.11)
Si repetimos el clculo del Ejemplo 8.4.1, comprobamos que el nmero de bits necesario para conseguir
una relacin SNR de 30 dB es b = 5 bits. Sin embargo, necesitamos 10 bits adicionales para el acumulador (el
sumador) con el fin de acomodar el incremento del rango dinmico para la suma. Aunque no hemos conseguido
ninguna reduccin en el rango dinmico para la suma, hemos conseguido reducir la precisin en la multiplicacin
de 15 bits a 5 bits, lo que es muy significativo.
8.4.2
Como hemos mencionado, los algoritmos FFT requieren muchas menos multiplicaciones que el clculo directo
de la DFT. En vista de esto, podemos concluir que el clculo de la DFT a travs de un algoritmo FFT dar lugar
a muchos menos errores de cuantificacin. Lamentablemente, ste no es el caso, como vamos a demostrar.
Considere que se emplea aritmtica de punto fijo en el clculo de un algoritmo FFT en base 2. Especficamente, seleccionamos el algoritmo de diezmado temporal en base 2 ilustrado en la Figura 8.4.1 para el caso de
N = 8. Los resultados sobre los errores de cuantificacin que podemos obtener para este algoritmo FFT en base
2 son tpicos de los resultados obtenidos con algoritmos en base 2 o superior.
Observe que cada operacin mariposa implica una multiplicacin compleja o, lo que es equivalente, cuatro
multiplicaciones reales. Ignoramos el hecho de que algunas operaciones mariposa contienen una multiplicacin
trivial por 1. Si consideramos las operaciones mariposa que afectan al clculo de cualquier valor de la DFT,
comprobamos que, en general, existen N/2 puntos en la primera etapa de la FFT, N/4 en la segunda etapa, N/8
en la tercera etapa, etc., hasta alcanzar la ltima etapa, en la que slo hay uno. En consecuencia, el nmero de
operaciones mariposa por punto de salida es
Etapa 1
Etapa 2
Etapa 3
x(0)
X(0)
0
x(4)
W8
W 08
x(2)
x(6)
X(1)
W 08
W 28
X(3)
W 08
x(1)
x(5)
1
W 08
X(4)
W8
1
1
0
W 28
W8
x(3)
x(7)
X(2)
1
W 08
W 28
1
X(5)
X(6)
W8
1
X(7)
2 1 + 2 2 + + 2 + 1
1
1
1
+ +
1+
=2
2
2
1
] = N 1
= 2 [1
2
1
(8.4.12)
Por ejemplo, las operaciones mariposa que afectan al clculo de X(3) en el algoritmo FFT de ocho puntos de la
Figura 8.4.1 se muestran en la Figura 8.4.2.
Los errores de cuantificacin que aparecen en cada operacin mariposa se propagan hasta la salida. Observe
que los errores de cuantificacin de la primera etapa se propagan a travs de ( 1) etapas, los correspondientes
a la segunda etapa se propagan a travs de ( 2) etapas, etc. Dado que estos errores de cuantificacin se
propagan a traves de las etapas subsiguientes, estn desfasados (giro de la fase) de acuerdo con los factores de
fase WNkn . Estas rotaciones de fase no cambian las propiedades estadsticas de los errores de cuantificacin y, en
particular, la varianza de cada error de cuantificacin no vara.
Si suponemos que los errores de cuantificacin de cada operacin mariposa no estn correlados con los
errores de otras operaciones de este tipo, entonces son 4(N 1) errores los que afectan a la salida de cada punto
de la FFT. En consecuencia, la varianza del error de cuantificacin total en la salida es
q2 = 4(N 1)
2 N2
12
3
(8.4.13)
x(0)
x(4)
W 08
1
x(2)
x(6)
W 08
W 28
1
X(3)
x(1)
x(5)
W 08
1
x(3)
x(7)
W 28
W 08
1
W 38
1
q2 =
N 2b
2
3
(8.4.14)
ste es exactamente el mismo resultado que el que hemos obtenido en el clculo directo de la DFT.
El resultado de (8.4.14) no debe sorprendernos. De hecho, el algoritmo FFT no reduce el nmero de multiplicaciones necesarias para calcular un solo punto de la DFT. Sin embargo, aplica la propiedad de periodicidad
de WNkn y reduce el nmero de multiplicaciones del clculo del bloque completo de N puntos de la DFT.
Como en el caso del clculo directo de la DFT, tenemos que aplicar un cambio de escala a la secuencia
de entrada para evitar el desbordamiento. Recuerde que si |x(n)| < 1/N, 0 n N 1, entonces |X(k)| < 1
para 0 k N 1. As el desbordamiento se evita. Con este cambio de escala, las relaciones dadas por (8.4.7),
(8.4.8) y (8.4.9) obtenidas anteriormente en el clculo directo de la DFT, aplican tambin el algoritmo FFT. En
consecuencia, se obtiene la misma relacin SNR para la FFT.
Dado que los algoritmos FFT constan de una secuencia de etapas, donde cada etapa contiene operaciones
mariposa que implican parejas de puntos, es posible establecer una estrategia de cambio de escala que no sea
tan estricta como la de dividir cada punto de entrada entre N. Esta estrategia de cambio de escala alternativa est
motivada por la observacin de que los valores intermedios |Xn (k)| en las etapas n = 1, 2, . . . , del algoritmo
FFT satisfacen las condiciones (vase el Problema 8.35)
max[|Xn+1 (k)|, |Xn+1 (l)|]
(8.4.15)
En vista de estas relaciones, podemos distribuir el cambio de escala total de 1/N en cada una de las etapas
del algoritmo FFT. En particular, si |x(n)| < 1, aplicamos un factor de escala 12 a la primera etapa de modo
que |x(n)| < 12 . Entonces la salida de cada etapa siguiente en el algoritmo FFT queda escalada por 12 , de modo
que despus de etapas hemos obtenido un factor de escala global ( 12 ) = 1/N. De esta manera se evita el
desbordamiento en el clculo de la DFT.
Este procedimiento de cambio de escala no afecta al nivel de la seal en la salida del algoritmo FFT, pero
reduce significativamente la varianza de los errores de cuantificacin en la salida. Especficamente, cada factor 12
reduce la varianza de un error de cuantificacin en un factor de 14 . Luego los 4(N/2) errores de cuantificacin de
la primera etapa reducen su varianza en ( 14 ) 1 , los 4(N/4) errores de cuantificacin introducidos en la segunda
(8.4.17)
Por tanto, distribuyendo el cambio de escala de 1/N uniformemente a travs del algoritmo FFT, hemos conseguido una relacin SNR que es inversamente proporcional a N en lugar de a N 2 .
EJEMPLO 8.4.2
Determine el nmero de bits necesario para calcular una FFT de 1024 puntos con una relacin SNR de 30 dB cuando el
cambio de escala se distribuye como se ha descrito anteriormente.
Solucin. El tamao de la FFT es N = 210 . Luego la SNR segn (8.4.17) es
10 log10 22b 1 = 30
3(2b 11) = 30
b=
21
(11 bits)
2
Esto puede compararse con los 15 bits necesarios si todo el escalado se hace en la primera etapa de los algoritmos FFT.
plicaciones complejas necesarias para calcular la DFT de N 2 a N log2 N cuando N es una potencia de 2. Como
hemos indicado, cualquier secuencia puede hacerse ms grande mediante ceros, de modo que N = 2 .
Durante dcadas, los algoritmos FFT interesaron a los matemticos que se ocupaban del clculo de los
valores de las series de Fourier de forma manual. Sin embargo, no fue hasta que Cooley y Tukey (1965) publicaron su documento bien conocido, que el impacto y la significancia del clculo eficiente fueron reconocidos.
Posteriormente al algoritmo FFT de CooleyTukey y sus diversas formas, los algoritmos de Singleton (1967,
1969), por ejemplo, han tenido una tremenda influencia en el uso de la DFT en la convolucin, correlacin y el
anlisis espectral. El lector que desee ver una perspectiva histrica de los algoritmos FFT, puede consultar los
documentos de Cooley et al. (1967).
El algoritmo FFT de base dividida (SRFFT), descrito en la Seccin 8.1.5, se debe a Duhamel y Hollmann
(1984, 1986). Los algoritmos FFT de espejo (MFFT, FFT mirror) y FFT de fase (PFFT, phase FFT) fueron
descritos a los autores por R. Price. La aplicacin de las propiedades de simetra a los datos para reducir el
tiempo de clculo se describe en un documento de Swarztrauber (1986).
A lo largo de los aos, se han publicado una serie de tutoriales de los algoritmos FFT. Algunos de los
primeros documentos son los de Brigham y Morrow (1967), Cochran et al. (1967), Bergland (1969) y Cooley
et al. (1967, 1969).
El conocimiento de que la DFT puede reordenarse y calcularse como una convolucin lineal es tambin muy
importante. Goertzel (1968) indic que la DFT puede calcularse a travs del filtrado lineal, aunque el ahorro
en los clculos que proporciona este mtodo es bastante modesto, como hemos visto. Tambin es importante el
trabajo de Bluestein (1970), quien demostr que el clculo de la DFT puede formularse como una operacin de
filtrado lineal chirp. Este trabajo de Rabiner et al. (1969) lleva al desarrollo del algoritmo de la transformada z
chirp.
Adems de los algoritmos FFT descritos en este captulo, existen otros algoritmos de coeficientes que permiten calcular la DFT, algunos de los cuales reducen an ms el nmero de multiplicaciones, pero normalmente
requieren ms sumas. De particular importancia es el algoritmo debido a Rader y Brenner (1976), la clase de algoritmos de factor primo, como el algoritmo de Good (1971) y el algoritmo de Winograd (1976, 1978). El lector
puede consultar los textos de Blahut (1985) para ver una descripcin de estos y otros algoritmos relacionados.
Problemas
8.1 Demuestre que cada uno de los nmeros
e j(2 /N)k ,
0 k N 1
corresponde a una raz N de la unidad. Represente estos nmeros como fasores en el plano complejo y
demuestre, por medio de esta representacin, la propiedad de ortogonalidad.
N1
n=0
8.2
N, si k = l
0, si k = l
(a) Demuestre que los factores de fase pueden calcularse de forma recursiva mediante la relacin
ql
q(l1)
WN = WN WN
(b) Realice este clculo una vez utilizando aritmtica en punto flotante de simple precisin y otra vez
utilizando slo cuatro dgitos significativos. Observe el deterioro debido a la acumulacin de errores
de redondeo en el caso anterior.
(c) Demuestre cmo los resultados del apartado (b) pueden mejorarse reestableciendo el resultado al
valor correcto j, cada ql = N/4.
8.3 Sea x(n) una secuencia real de N puntos (N = 2 ). Desarrolle un mtodo para calcular una DFT de N
puntos X (k), que slo contenga los armnicos impares [es decir, X (k) = 0 si k es par] utilizando slo la
DFT real de N/2 puntos.
8.4 Un diseador dispone de una serie de chips FFT de ocho puntos. Demuestre explcitamente cmo debe
interconectar tres de tales chips para calcular una DFT de 24 puntos.
8.5 La transformada z de la secuencia x(n) = u(n) u(n 7) se muestrea en cinco puntos sobre la circunferencia unidad como sigue:
x(k) = X(z)|z = e j2 k/5 ,
k = 0, 1, 2, 3, 4
Determine la DFT inversa x (n) de X(k). Comprela con x(n) y explique los resultados.
8.6 Considere una secuencia de duracin finita x(n), 0 n 7, cuya transformada z es X(z). Deseamos
calcular X(z) en el siguiente conjunto de valores:
zk = 0.8e j[(2 k/8)+( /8)],
0k7
x(n) = cos n,
2
0 n 15
8.13 Considere la grfica de flujo del algoritmo de diezmado temporal de ocho puntos de la Figura 8.1.6.
(a) Cul es la ganancia en el camino de la seal que va desde x(7) a X(2)?
(b) Cuntos caminos llevan desde la entrada hasta una muestra de salida dada? Se cumple esto para
todas las muestras de salida?
(c) Calcule X(3) utilizando las operaciones indicadas por este diagrama.
8.14 Dibuje el diagrama para el algoritmo de diezmado en frecuencia SRFFT para N = 16. Cul es el nmero
de multiplicaciones no triviales?
8.15 Deduzca el algoritmo y dibuje la grfica para N = 8 correspondiente al algoritmo de diezmado temporal
SRFFT. Compare su grfica con el diagrama FFT en base 2 mostrado en la Figura 8.1.11.
8.16 Demuestre que el producto de dos nmeros complejos (a + jb) y (c + jd) puede realizarse con tres
multiplicaciones reales y cinco sumas utilizando el algoritmo
xR = (a b)d + (c d)a
xI = (a b)d + (c + d)b
donde
x = xR + jxI = (a + jb)(c + jd)
8.17 Explique cmo puede utilizarse la DFT para calcular N muestras equiespaciadas de la transformada z de
una secuencia de N puntos sobre un crculo de radio r.
8.18 Una secuencia real de N puntos x(n) es una DFT de banda limitada si su DFT X(k) = 0 para k 0 k N k0 .
Insertamos (L 1)N ceros en el centro de X(k) para obtener la siguiente DFT de LN puntos:
X(k),
0 k k0 1
0,
k0 k LN k0
X (k) =
X(k + N LN), LN k0 + 1 k LN 1
Demuestre que
Lx (Ln) = x(n),
donde
0 n N1
DFT
x (n) X (k)
LN
8.21
2 n
/2.
(a) Determine la transformada z W (z) de la ventana de Hanning w(n) = 1 cos N1
(b) Determine una frmula para calcular la DFT de N puntos Xw (k) de la seal xw (n) = w(n)x(n),
0 n N 1, a partir de la DFT de N puntos X(k) de la seal x(n).
8.22 Cree una tabla de coeficientes de la DFT que slo utilice N/4 posiciones de memoria para almacenar el
primer cuadrante de la secuencia seno (suponga N par).
8.23 Determine la complejidad de clculo del algoritmo dado por (8.2.12) y comprela con la complejidad que
necesita la DFT de 2N puntos de g(n). Suponga que el algoritmo FFT es un algoritmo en base 2.
8.24 Considere el sistema IIR descrito por la ecuacin en diferencias
N
k=1
k=0
2
k , k = 0, 1, . . ., N 1 utilizando
N
8.25 Desarrolle un algoritmo FFT de diezmado temporal en base 3 para N = 3 y dibuje el correspondiente
diagrama de flujo para N = 9. Cul es el nmero de multiplicaciones complejas necesarias? Pueden
realizarse las operaciones in situ?
8.26 Repita el Problema 8.25 para el algoritmo de diezmado en frecuencia.
8.27 Recorte de la entrada y la salida de la FFT En muchas aplicaciones deseamos calcular slo unos pocos
puntos M de la DFT de N puntos de una secuencia de duracin finita de longitud L (es decir, M << N y
L << N).
(a) Dibuje el diagrama de flujo del algoritmo FFT de diezmado en frecuencia en base 2 para N = 16 y
elimine [es decir, recorte] todos los caminos de la seal que dan lugar a entradas nulas suponiendo
que slo x(0) y x(1) son distintas de cero.
(b) Repita el apartado (a) para el algoritmo de diezmado temporal en base 2.
(c) Qu algoritmo es mejor si queremos calcular todos los puntos de la DFT? Qu sucede si deseamos
calcular slo los puntos X(0), X(1), X(2) y X(3)? Establezca una regla para elegir entre el recorte
del algoritmo de diezmado temporal y el algoritmo de diezmado en frecuencia dependiendo de los
valores de M y L.
(d) Proporcione una estimacin del ahorro en los clculos en funcin de M, L y N.
8.28 Clculo paralelo de la DFT Suponga que deseamos calcular una DFT de N = 2 p 2 puntos utilizando
2 p procesadores digitales de seales (DSP, digital signal processors). Para simplificar, suponemos que
p = = 2. En este caso, cada DSP realiza todos los clculos necesarios para calcular los puntos de la
DFT 2 .
(a) Utilizando el diagrama de flujo de diezmado en frecuencia en base 2, demuestre que para evitar la
reestructuracin de los datos, es preciso cargar la secuencia completa x(n) en la memoria de cada
DSP.
(b) Identifique y dibuje de nuevo la parte del diagrama de flujo que es ejecutada por el DSP que calcula
las muestras de la DFT X(2), X(10), X(6) y X(14).
(c) Demuestre que, si utilizamos M = 2 p procesadores DSP, la velocidad de clculo S est dada por
S=M
log2 N
log2 N log2 M + 2(M 1)
8.29 Desarrolle un algoritmo FFT de diezmado temporal en base 2 basndose en la definicin. Dibuje el
diagrama de flujo para llevar a cabo el clculo y comprelo con el diagrama de flujo correspondiente a la
FFT directa. Puede obtenerse el diagrama de flujo IFFT a partir del de la FFT directa?
8.30 Repita el Problema 8.29 para el algoritmo de diezmado en frecuencia.
8.31 Demuestre que una FFT sobre datos con simetra hermitiana puede obtenerse invirtiendo el diagrama de
flujo de una FFT para datos reales.
8.32 Determine la funcin del sistema H(z) y la ecuacin en diferencias del sistema que utiliza el algoritmo
de Goertzel para calcular el valor X(N k) de la DFT .
8.33
(a) Suponga que x(n) es una secuencia de duracin finita de N = 1024 puntos. Se desea evaluar la
transformada z X(z) de la secuencia en los puntos
zk = e j(2 /1024)k ,
utilizando el mtodo o algoritmo ms eficiente posible. Describa un algoritmo para realizar este
clculo de forma eficiente. Explique cmo ha llegado a su respuesta indicando las distintas opciones
o algoritmos que se pueden utilizar.
(b) Repita el apartado (a) si X(z) va a evaluarse en
zk = 2(0.9)k e j[(2 /5000)k+ /2],
k = 0, 1, 2, . . . , 999
8.34 Repita el anlisis para la varianza del error de cuantificacin explicado en la Seccin 8.4.2, para el
algoritmo FFT de diezmado en frecuencia en base 2.
8.35 La operacin mariposa bsica del algoritmo FFT de diezmado temporal en base 2 es
Xn+1 (k) = Xn (k) + WNm Xn (l)
Xn+1 (l) = Xn (k) WNm Xn (l)
(a) Si se requiere que |Xn (k)| <
1
2
8.36 Clculo de la DFT Utilice una subrutina FFT para calcular las siguientes DFT y dibuje los mdulos
|X(k)| de las DFT.
(N1 = 8)
(N1 = 64)
N1
n=0
calcule los valores tericos para el valor de continua y comprubelos con los resultados proprocionados por la computadora.
3. En los diagramas (a), (b) y (c), cul es el intervalo de frecuencias entre nulos sucesivos del
espectro? Cul es la relacin entre N1 de la secuencia x(n) y el intervalo de frecuencias entre
nulos sucesivos?
4. Explique la diferencia entre los diagramas obtenidos en los apartados (a) y (c).
8.37 Identificacin de las posiciones de los polos en un sistema Considere el sistema descrito por la ecuacin
en diferencias
y(n) = r2 y(n 2) + x(n)
(a) Sea r = 0.9 y x(n) = (n). Genere la secuencia de salida y(n) para 0 n 127. Calcule la DFT de
N = 128 puntos {Y (k)} y represente {|Y (k)|}.
(b) Calcule la DFT de N = 128 puntos de la secuencia
w(n) = (0.92)ny(n)
donde y(n) es la secuencia generada en el apartado (a). Represente los valores de la DFT |W (k)|.
Qu puede concluir de los diagramas obtenidos en los apartados (a) y (b)?
(c) Repita el apartado (a) para r = 0.5.
(d) Repita el apartado (b) para la secuencia
w(n) = (0.55)ny(n)
donde y(n) es la secuencia generada en el apartado (c). Qu puede concluir de los diagramas de
los apartados (c) y (d)?
(e) Ahora la secuencia generada en el apartado (c) se ve distorsionada por un secuencia de ruido
medida que es gaussiana de media cero y varianza 2 = 0.1. Repita los apartados (c) y (d) para
la seal distorsionada por el ruido.
9
Implementacin de
sistemas discretos en el
tiempo
Este captulo se centra en la realizacin de los sistemas lineales discretos e invariantes en el tiempo bien por
software o por hardware. Como hemos mencionado en el Captulo 2, existen varias configuraciones o estructuras
para la realizacin de cualquier sistema discreto en el tiempo FIR e IIR. En el Captulo 2 hemos descrito la
ms sencilla de estas estructuras, las realizaciones de la forma directa. Sin embargo, existen otras estructuras
ms prcticas que ofrecen algunas otras ventajas, especialmente cuando se tienen en cuenta los efectos de
cuantificacin.
De particular importancia son las estructuras en cascada, en paralelo y en celosa, que presentan una gran
robustez en implementaciones con longitud de palabra finita. En el captulo tambin se describe la implementacin aplicando el muestreo en frecuencia de un sistema FIR, que a menudo tiene la ventaja de ser eficiente
en lo que respecta a los clculos comparada con las realizaciones FIR alternativas. Otras estructuras de filtro se
obtienen empleando una formulacin de estadoespacio para sistemas lineales invariantes en el tiempo. Debido
a las limitaciones de espacio, las estructuras estadoespacio no se cubren.
Adems de describir las distintas estructuras para la realizacin de sistemas discretos en el tiempo, hemos
abordado tambin los problemas asociados con los efectos de la cuantificacin en la implementacin de filtros
digitales utilizando aritmtica de precisin finita. Este tratamiento incluye los efectos sobre la respuesta en
frecuencia del filtro que resulta de la cuantificacin de los coeficientes y los efectos del ruido de redondeo
inherente en la implementacin digital de sistemas discretos en el tiempo.
(9.1.1)
Como hemos demostrado utilizando la transformada z, los sistemas discretos en el tiempo lineales e invariantes
en el tiempo de esta clase tambin se caracterizan por la funcin del sistema racional.
M
H(z) =
bk zk
k=0
N
(9.1.2)
1 + ak z
k=1
que es una relacin de dos polinomios en z1 . A partir de la ltima caracterizacin, obtenemos los ceros y los
polos de la funcin del sistema, que depende de la eleccin de los parmetros del sistema bk } y {ak } y que
determina la respuesta en frecuencia del mismo.
Nuestro objetivo en este captulo se encuentra en los distintos mtodos de implementar (9.1.1) o (9.1.2)
bien por hardware o por software utilizando una computadora digital programable. Demostraremos que (9.1.1)
o (9.1.2) pueden implementarse en una amplia variedad de formas dependiendo de la manera en que se ordenen
estas dos caractersticas.
En general, podemos ver (9.1.1) como un procedimiento de clculo (un algoritmo) que permite determinar
la secuencia de salida y(n) del sistema a partir de la secuencia de entrada x(n). Sin embargo, los clculos
indicados en (9.1.1) pueden ordenarse en conjuntos equivalentes de ecuaciones en diferencias. Cada conjunto
de ecuaciones define un procedimiento de clculo o algoritmo para implementar el sistema. A partir de cada
conjunto de ecuaciones podemos construir un diagrama de bloques que conste de una interconexin de elementos
de retardo, multiplicadores y sumadores. En la Seccin 2.5, establecemos que un diagrama de bloques de este
tipo es una realizacin del sistema o, lo que es equivalente, una estructura para implementar el sistema .
Si el sistema va a implementarse por software, el diagrama de bloques o, lo que es lo mismo, el conjunto
de ecuaciones que se obtiene reordenando (9.1.1), puede convertirse en un programa que se ejecute en una
computadora digital. Alternativamente, la estructura de un diagrama de bloques implica una configuracin
hardware que permite implementar el sistema.
Quiz, hay una cuestin que puede no haber quedado clara al lector y es por qu consideramos cualquier
reordenacin de las Ecuaciones (9.1.1) o (9.1.2). Por qu no nos limitamos simplemente a implementar directamente 9.1.1) o (9.1.2) sin hacer ninguna reordenacin? Si las Ecuaciones (9.1.1) o (9.1.2) se reordenan de
alguna manera, qu ventajas se obtienen en la implementacin correspondiente?
En este captulo vamos a responder a estas interesantes preguntas. En el punto de desarrollo que nos encontramos, simplemente establecemos que los principales factores que influyen en la eleccin de una realizacin
especfica son la complejidad del clculo, los requisitos de memoria y los efectos de la longitud de palabra finita
sobre los clculos.
La complejidad de clculo hace referencia al nmero de operaciones aritmticas (multiplicaciones, divisiones y sumas) necesarias para calcular un valor de salida y(n) para el sistema. Hace tiempo, stos eran los nicos
elementos que se empleaban para medir la complejidad de clculo. Sin embargo, con los recientes desarrollos en
el diseo y la fabricacin de complejos chips programables para el tratamiento digital de seales, otros factores,
como el nmero de veces que hay que hacer una extraccin de memoria o el nmero de veces que se realiza una
comparacin entre dos nmeros por muestra de salida, se han convertido en factores importantes en la valoracin
de la complejidad de clculo de una realizacin dada de un sistema.
Los requisitos de memoria hacen referencia al nmero de posiciones de memoria necesario para almacenar
los parmetros del sistema, las entradas pasadas, las salidas pasadas y cualquier valor calculado intermedio.
Los efectos de la longitud de palabra finita o efectos de la precisin finita hacen referencia a los efectos de la
cuantificacin que son inherentes a cualquier implementacin digital del sistema, sea hardware o software. Los
parmetros del sistema deben representarse necesariamente con precisin finita. Los clculos que se realizan en
el proceso de clculo de la salida del sistema deben redondearse o truncarse para ajustarse a las restricciones
de precisin de la computadora o del hardware empleado en la implementacin. Otra consideracin es si los
clculos se realizan en aritmtica de punto fijo o de punto flotante. Todos estos problemas que normalmente se
anan en los efectos de longitud de palabra finita, son extremadamente importantes e influyen en la eleccin
de la realizacin de un sistema. Veremos que estructuras diferentes de un sistema, que son equivalentes para
precisin infinita, presentan un comportamiento diferente cuando se emplea aritmtica de precisin finita en
la implementacin. Por tanto, en la prctica, es muy importante seleccionar una implementacin que no sea
demasiado sensible a los efectos de la longitud de palabra finita.
Aunque estos tres factores son los que principalmente influyen en la eleccin de la realizacin de un sistema
del tipo descrito por (9.1.1) o (9.1.2), otros factores, como por ejemplo, si la estructura o la realizacin lleva a
un procesamiento paralelo, o si los clculos puede pipelinizarse, pueden desempear un papel en la eleccin
de una implementacin especfica. Estos factores adicionales normalmente son importantes en la realizacin de
algoritmos ms complejos de tratamiento digital de seales.
Cuando abordemos estas realizaciones alternativas, nos concentraremos en los tres factores principales que
acabamos de enumerar. Ocasionalmente, incluiremos algunos factores adicionales que puedan tener importancia
en determinadas implementaciones.
M1
bk x(n k)
(9.2.1)
k=0
M1
bk zk
(9.2.2)
k=0
Adems, la respuesta al impulso unitario del sistema FIR es idntica a los coeficientes {bk }, es decir,
bn , 0 n M 1
h(n) =
0, en otro caso
(9.2.3)
La longitud del filtro FIR se selecciona como M de acuerdo con la notacin establecida en la literatura tcnica.
El lector debe tener en cuenta este cambio de notacin en el tratamiento de los filtros FIR y en los captulos
siguientes.
Vamos a presentar varios mtodos que permiten implementar un sistema FIR, y comenzaremos por la
estructura ms simple, la cual se conoce como forma directa. Una segunda estructura es la realizacin en
cascada. La tercera estructura que vamos a describir es la realizacin basada en el muestreo de frecuencia.
Por ltimo, presentaremos una realizacin en celosa de un sistema FIR. En esta exposicin vamos a seguir el
convenio que se emplea en la literatura tcnica, que consiste en emplear {h(n)} para los parmetros del sistema
FIR.
Adems de mediante estas cuatro realizaciones, un sistema FIR puede realizarse empleando la DFT, como
se describe en la Seccin 8.2. Desde este punto de vista, la DFT puede considerarse como un procedimiento de
clculo ms que como una estructura de un sistema FIR. Sin embargo, cuando el procedimiento de clculo se
implementa por hardware, existe la correspondiente estructura para el sistema FIR. En la prctica, las implementaciones hardware de la DFT se basan en el uso de los algoritmos para la transformada rpida de Fourier
(FFT) descritos en el Captulo 8.
M1
h(k)x(n k)
(9.2.4)
k=0
(9.2.5)
En un sistema como ste, el nmero de multiplicaciones se reduce de M a M/2 para M par y a (M 1)/2 para
M impar. Por ejemplo, la estructura que aprovecha esta condicin de simetra se ilustra en la Figura 9.2.2 para
el caso en que M es impar.
9.2.2
Estructuras en cascada
La realizacin en cascada se obtiene naturalmente de la funcin del sistema dada por (9.2.2). Es simple factorizar
H(z) en los sistemas FIR de segundo orden de modo que
K
H(z) = Hk (z)
(9.2.6)
k=1
donde
k = 1, 2, . . . , K
(9.2.7)
y K es la parte entera de (M + 1)/2. El parmetro del filtro b0 puede distribuirse igualmente entre las K secciones
del filtro, tal que b0 = b10 b20 bK0 o puede asignarse a una sola seccin del filtro. Los ceros de H(z) se agrupan
por parejas para generar sistemas FIR de segundo orden de la forma dada en (9.2.7). Resulta ventajoso siempre
formar parejas de races complejas conjugadas de modo que los coeficientes {bki } de (9.2.7) sean valores reales.
x(n)
z1
z1
h(0)
z1
h(1)
h(2)
z1
h(M 2)
h(3)
h(M 1)
y(n)
x(n)
z 1
Entrada
z 1
z 1
z 1
h(1)
z 1
z 1
h(0)
y(n)
z 1
z 1
h(2)
z 1
M3
2
z 1
M1
2
Salida
Figura 9.2.2. Realizacin en la forma directa de un sistema FIR de fase lineal (M impar).
Por otro lado, la races reales pueden emparejarse de manera arbitraria. La realizacin en cascada junto con la
seccin bsica de segundo orden se muestran en la Figura 9.2.3.
En el caso de filtros FIR de fase lineal, la simetra de h(n) implica que los ceros de H(z) tambin exhiben una
forma de simetra. En particular, si zk y zk son una pareja de ceros complejos conjugados, entonces 1/zk y 1/zk
tambin son una pareja de ceros complejos conjugados (vase la Seccin 10.2). En consecuencia, conseguimos
cierta simplificacin definiendo secciones de cuarto orden del sistema FIR de la manera siguiente:
Hk (z) = ck0 (1 zk z1 )(1 zk z1 )(1 z1/zk )(1 z1/zk )
(9.2.8)
donde los coeficientes {ck1 } y {ck2 } son funciones de zk . Luego combinando las dos parejas de polos para
formar una seccin del filtro de cuarto orden, hemos reducido el nmero de multiplicaciones de seis a tres (es
decir, en un factor del 50 %). La Figura 9.2.4 ilustra la estructura del filtro FIR de cuarto orden.
x(n) = x1(n)
H1(z)
y1(n) =
H2(z)
x2(n)
y2(n) =
x3(n)
yK 1(n) =
xK(n)
HK(z)
yK(n) = y(n)
(a)
xk(n)
z 1
z 1
bk1
bk0
bk2
yk(n) = xk + 1(n)
(b)
xk(n)
z 1
z 1
z 1
z 1
ck0
ck1
ck2
yk(n)
Figura 9.2.4. Seccin de orden cuatro de una realizacin en cascada de un sistema FIR.
9.2.3
1 En
la realizacin basada en el muestreo en frecuencia de un filtro FIR, los parmetros que caracterizan el filtro
son los valores de la respuesta en frecuencia deseada en lugar de la respuesta al impulso h(n). Para obtener la
estructura basada en el muestreo en frecuencia, especificamos la respuesta en frecuencia deseada en un conjunto
de frecuencias igualmente espaciadas, a saber
k =
2
M1
(k + ), k = 0, 1, . . . ,
,
M
2
M
k = 0, 1, . . . , 1,
2
1
=0o
2
M impar
M par
y resolvemos para obtener la respuesta al impulso h(n) a partir de esta especificacin de frecuencias igualmente
espaciadas. Por tanto, podemos escribir la respuesta en frecuencia como
H( ) =
M1
h(n)e j n
n=0
M1
2
(k + )
M
h(n)e
n=0
(9.2.9)
j2 (k+ )n/M
k = 0, 1, . . . , M 1
1 El lector puede consultar la Seccin 10.2.3 para obtener informacin adicional sobre los filtros FIR basados en el muestreo en frecuencia.
1 M1
H(k + )e j2 (k+ )n/M ,
M k=0
n = 0, 1, . . . , M 1
(9.2.10)
M1
h(n)zn
n=0
M1
n=0
1 M1
j2 (k+ )n/M
zn
H(k + )e
M k=0
(9.2.11)
Intercambiando el orden de los dos sumatorios en la Ecuacin (9.2.11) y calculando el sumatorio para el
ndice n, obtenemos
H(z) =
M1
1 M1 j2 (k+ )/M 1 n
z )
(e
M n=0
H(k + )
k=0
1 zM e j2
=
M
M1
k=0
H(k + )
1 e j2 (k+ )/M z1
(9.2.12)
Por tanto, la funcin del sistema H(z) queda caracterizada por el conjunto de muestras en frecuencia {H(k + )}
en lugar de por {h(n)}.
Podemos interpretar esta realizacin del filtro FIR como una conexin en cascada de dos filtros [es decir,
H(z) = H1 (z)H2 (z)]. Uno de ellos es un filtro de todo ceros, o filtro peine, con la funcin del sistema
H1 (z) =
1
(1 zM e j2 )
M
(9.2.13)
k = 0, 1, . . . , M 1
M1
k=0
H(k + )
1 e j2 (k+ )/M z1
(9.2.14)
k = 0, 1, . . . , M 1
Observe que las posiciones de los polos son idnticas a las posiciones de los ceros y que ambas se producen
en k = 2 (k + )/M, que son las frecuencias a las que se ha especificado la respuesta en frecuencia deseada.
Los beneficios del paralelo de los filtros resonantes se encuentran simplemente en los parmetros complejos
{H(k + )}. Esta realizacin en cascada se ilustra en la Figura 9.2.5.
z 1
z 1
x(n)
1
M
z M
z 1
1
2
y(n)
z 1
H2 (z) =
(M1)/2
A(k) + B(k)z1
H(0)
+
,
1
1 + z2
1z
k=1 1 2 cos(2 k/M)z
M impar
(9.2.15)
A(k) + B(k)z1
H(0)
H(M/2) (M/2)1
+
+
, M par
H2 (z) =
1
1
1 + z2
1z
1+z
k=1 1 2 cos(2 k/M)z
donde, por definicin,
A(k) = H(k) + H(M k)
(9.2.16)
B(k) = H(k)e j2 k/M + H(M k)e j2 k/M
Pueden obtenerse expresiones similares para = 12 .
EJEMPLO 9.2.1
Dibuje el diagrama de bloques para las realizaciones en forma directa y basada en el muestreo en frecuencia del filtro FIR
de fase lineal (simtrico) con M = 32, = 0, que tiene las muestras en frecuencia siguientes
1, k = 0, 1, 2
2 k
1
=
H
, k=3
32
2
0, k = 4, 5, . . . , 15
Compare la complejidad de clculo de estas dos estructuras.
Solucin. Puesto que el filtro es simtrico, aplicamos esta simetra para reducir el nmero de multiplicaciones por punto
de salida en un factor de 2, de 32 a 16 en la realizacin de la forma directa. El nmero de sumas por punto de salida es 31.
El diagrama de bloques de la realizacin directa se ilustra en la Figura 9.2.6.
Utilizamos la forma dada en (9.2.13) y (9.2.15) para la realizacin basada en el muestreo en frecuencia y eliminamos
todos los trminos que tengan coeficientes de ganancia cero {H(k)}. Los coeficientes distintos de cero son H(k) y los pares
x(n)
z 1
z 1
y(n)
z 1
h(1)
z 1
z 1
z 1
h(2)
z 1
z 1
h(0)
h(14)
h(15)
z 1
A(1)
+
x(n)
1
32
+
+
z 1
2 cos
+
B(1)
16
z 32
z 1
1
A(2)
+
z 1
2 cos
+
B(2)
z 1
1
A(3)
+
z 1
2 cos
+
y(n)
B(3)
16
z 1
Figura 9.2.7. Realizacin basada en el muestreo en frecuencia para el filtro FIR del Ejemplo 9.2.1.
correspondientes son H(M k), para k = 0, 1, 2, 3. El diagrama de bloques de la realizacin resultante se muestra en la
Figura 9.2.7. Dado que H(0) = 1, el filtro de un slo polo no requiere ninguna multiplicacin. Los tres filtros de dos polos
requieren tres multiplicaciones cada uno, lo que da un total de nueve multiplicaciones. El nmero total de sumas es 13. Por
tanto, la realizacin basada en el muestreo en frecuencia de este filtro FIR es ms eficiente en lo que respecta a la complejidad
computacional que la realizacin de la forma directa.
x(n)
z 1
z 1
z 1
z 1
m(m)
y(n)
y(n)
x(n)
z 1
z 1
z 1
z 1
z 1
m = 0, 1, 2, . . . , M 1
(9.2.17)
Am (z) = 1 + m (k)zk ,
m1
(9.2.18)
k=1
(9.2.19)
k=1
En la Figura 9.2.8 se ilustran dos estructuras de la forma directa del filtro FIR.
En el Captulo 12, demostramos que las estructuras FIR de la Figura 9.2.8 estn ntimamente relacionadas
con el tema de la prediccin lineal, donde
m
x(n)
= m (k)x(n k)
(9.2.20)
k=1
es el valor directo predicho de un escaln de x(n), basado en las m entradas pasadas e y(n) = x(n) x(n),
dada
por (9.2.19), representa la secuencia del error de prediccin. En este contexto, la estructura del filtro superior
de la Figura 9.2.8 se conoce como filtro de prediccin de error.
(9.2.21)
Esta salida tambin puede obtenerse a partir del filtro en celosa de primer orden o de una sola etapa, mostrado
en la Figura 9.2.9, excitando ambas entradas con x(n) y seleccionando la salida de la rama superior. As, la salida
es exactamente (9.2.21), si seleccionamos K1 = 1 (1). El parmetro K1 de la celosa se denomina coeficiente
de reflexin.
A continuacin, considere un filtro FIR para el que m = 2. En este caso, la salida de una estructura en forma
directa es
y(n) = x(n) + 2 (1)x(n 1) + 2(2)x(n 2)
(9.2.22)
Conectando en cascada dos etapas en celosa como se muestra en la Figura 9.2.10, es posible obtener la misma
salida que la dada por (9.2.22). Por tanto, la salida de la primera etapa es
f1 (n) = x(n) + K1 x(n 1)
(9.2.23)
(9.2.24)
Si centramos nuestra atencin en f2 (n) y sustituimos f1 (n) y g1 (n 1) dadas por (9.2.23) en (9.2.24), obtenemos
f2 (n) = x(n) + K1 x(n 1) + K2[K1 x(n 1) + x(n 2)]
= x(n) + K1 (1 + K2)x(n 1) + K2x(n 2)
(9.2.25)
Ahora la Ecuacin (9.2.25) es idntica a la salida de la realizacin de la forma directa del filtro FIR dada por
(9.2.22), si igualamos los coeficientes, es decir,
2 (2) = K2 ,
2 (1) = K1 (1 + K2)
(9.2.26)
o, lo que es equivalente,
K2 = 2 (2),
K1 =
f0(n)
2 (1)
1 + 2(2)
(9.2.27)
f1(n) = y(n)
g1(n)
K1
x(n)
K1
g0(n)
z 1
g0(n 1)
f0(n)
f1(n)
K1
x(n)
K2
K1
g0(n)
f2(n) = y(n)
z 1
K2
+
g1(n)
z 1
g2(n)
(9.2.28)
m = 1, 2, . . . , M 1
(9.2.29)
m = 1, 2, . . . , M 1
(9.2.30)
Entonces la salida del filtro de (M 1) etapas se corresponde con la salida de un filtro FIR de orden (M 1),
es decir,
y(n) = f M1 (n)
La Figura 9.2.11 ilustra un filtro en celosa de (M 1) etapas en forma de diagrama de bloques junto con una
etapa tpica que muestra los clculos especificados por (9.2.29) y (9.2.30).
Como consecuencia de la equivalencia entre un filtro FIR y un filtro en celosa, la salida fm (n) de un filtro
en celosa de m etapas se puede expresar como
fm (n) =
m (k)x(n k),
m (0) = 1
(9.2.31)
k=0
x(n)
f0(n)
g0(n)
f1(n)
Primera
etapa
f2(n)
g1(n)
fM 1(n) = y(n)
fM 2(n)
Segunda
etapa
gM 2(n)
g2(n)
Etapa
(M 1)
gM 1(n)
(a)
fm 1(n)
fm(n)
Km
gm 1(n)
Km
z 1
gm(n)
(b)
Fm (z) = Am (z)X(z)
o, lo que es equivalente,
Am (z) =
Fm (z) Fm (z)
=
X(z)
F0 (z)
(9.2.32)
La otra componente de salida de la celosa, gm (n), tambin se puede expresar en forma de una suma de
convolucin como en la Ecuacin (9.2.31), utilizando otro conjunto de coeficientes, por ejemplo {m (k)}. En
realidad, este caso es evidente si observamos (9.2.23) y (9.2.24). En (9.2.23), vemos que los coeficientes del filtro
para el filtro en celosa que produce f1 (n) son {1, K1 } = {1, 1 (1)}, mientras que los coeficientes para el filtro
que tiene la salida g1 (n) son {K1 , 1} = {1 (1), 1}. Fjese en que estos dos conjuntos de coeficientes estn en
orden inverso. Si consideramos el filtro en celosa de dos etapas, con la salida dada por (9.2.24), comprobamos
que g2 (n) puede expresarse en la forma
g2 (n) = K2 f1 (n) + g1(n 1)
= K2 [x(n) + K1 x(n 1)] + K1x(n 1) + x(n 2)
= K2 x(n) + K1 (1 + K2)x(n 1) + x(n 2)
= 2 (2)x(n) + 2 (1)x(n 1) + x(n 2)
En consecuencia, los coeficientes del filtro son {2 (2), 2 (1), 1}, mientras que los coeficientes del filtro que
generan la salida f2 (n) son {1, 2 (1), 2 (2)}. De nuevo, los dos conjuntos de coeficientes del filtro estn en
orden inverso.
A partir de este desarrollo se deduce que la salida gm (n) de un filtro en celosa de m etapas puede expresarse
mediante la suma de convolucin de la forma
gm (n) =
m (k)x(n k)
(9.2.33)
k=0
donde los coeficientes del filtro {m (k)} estn asociados con un filtro que produce fm (n) = y(n) pero en orden
inverso. En consecuencia,
m (k) = m (m k),
k = 0, 1, . . . , m
(9.2.34)
con m (m) = 1.
En el contexto de la prediccin lineal, suponga que los datos x(n), x(n 1), . . . , x(n m + 1) se utilizan
para predecir linealmente el valor de la seal x(n m) utilizando un filtro lineal con coeficientes {m (k)}.
Luego el valor predicho es
x(n
m) =
m1
m (k)x(n k)
(9.2.35)
k=0
Dado que los datos se procesan en orden inverso a travs del predictor, la prediccin especificada por (9.2.35)
se conoce como prediccin inversa. Por el contrario, el filtro FIR con la funcin del sistema A m (z) se denomina
predictor directo.
En el dominio de la transformada z, (9.2.33) se convierte en
Gm (z) = Bm (z)X(z)
(9.2.36)
o, lo que es equivalente,
Bm (z) =
Gm (z)
X(z)
(9.2.37)
donde Bm (z) representa la funcin del sistema del filtro FIR con coeficientes {m (k)}, es decir,
m
Bm (z) =
m (k)zk
(9.2.38)
k=0
m (m k)zk
k=0
m
m (l)zlm
l=0
(9.2.39)
= zm m (l)zl
l=0
= zm Am (z1 )
La relacin dada en (9.2.39) implica que los ceros del filtro FIR cuya funcin de sistema es Bm(z) son simplemente
los recprocos de los ceros de Am (z). Por tanto, Bm (z) es el polinomio recproco o inverso de Am (z).
Ahora que hemos establecido estas interesantes relaciones entre el filtro FIR en forma directa y la estructura
en celosa, volvamos a las ecuaciones recursivas del filtro en celosa dadas por las expresiones (9.2.28) hasta
(9.2.30) y pasmoslas al dominio z. As, tenemos
F0 (z) = G0 (z) = X(z)
(9.2.40)
m = 1, 2, . . . , M 1
(9.2.41)
m = 1, 2, . . . , M 1
(9.2.42)
Si dividimos cada ecuacin entre X(z), obtenemos los resultados deseados en la forma
A0 (z) = B0 (z) = 1
(9.2.43)
m = 1, 2, . . . , M 1
(9.2.44)
m = 1, 2, . . . , M 1
(9.2.45)
(9.2.46)
Antes de terminar con esta exposicin, es aconsejable desarrollar la relacin para convertir los parmetros
de la estructura en celosa {Ki }, es decir, los coeficientes de reflexin, en los coeficientes del filtro en forma
directa {m (k)}, y viceversa.
Conversin de los coeficientes de la estructura en celosa en los coeficientes del filtro en forma directa.
Los coeficientes del filtro FIR en forma directa {m (k)} se pueden obtener a partir de los coeficientes en celosa
{Ki } utilizando las siguientes relaciones:
A0 (z) = B0 (z) = 1
(9.2.47)
m = 1, 2, . . . , M 1
m = 1, 2, . . . , M 1
(9.2.48)
(9.2.49)
1
+ z1
4
En consecuencia, la realizacin de la forma directa del filtro FIR deseado queda caracterizada por los coeficientes
3 (0) = 1,
3 (1) =
13
,
24
5
3 (2) = ,
8
3 (3) =
1
3
Como ilustra este ejemplo, la estructura en celosa con parmetros K1 , K2 , . . . , Km , corresponde a m filtros
FIR en su forma directa, cuyas funciones de sistema son A1 (z), A2 (z), . . . , Am (z). Es interesante destacar que
una caracterizacin de estos m filtros FIR en su forma directa requiere m(m + 1)/2 coeficientes del filtro. En
contraste, la caracterizacin en la forma de celosa requiere slo los m coeficientes de reflexin {Ki }. La razn de
que la estructura en celosa proporcione una representacin ms compacta para los m filtros FIR es simplemente
que la adicin de etapas a la celosa no altera los parmetros de las etapas anteriores. Por otro lado, la adicin
de la etapa m a la celosi con (m 1) etapas da lugar a un filtro FIR con la funcin de sistema Am (z) que tiene
coeficientes completamente diferentes de los componentes del filtro FIR de orden ms bajo con la funcin de
sistema Am1 (z).
Puede obtenerse fcilmente una frmula para determinar los coeficientes del filtro {m (k)} recursivamente
a partir de las relaciones polinmicas dadas en (9.2.47) hasta (9.2.49). A partir de la relacin (9.2.48), tenemos
Am (z) = Am1 (z) + Km z1 Bm1 (z)
m
m1
m1
k=0
k=0
k=0
(9.2.50)
Igualando los coeficientes correspondientes a los trminos de la misma potencia de z1 y teniendo en cuenta
que m (0) = 1 para m = 1, 2, . . . , M 1, obtenemos la ecuacin recursiva deseada para los coeficientes del filtro
FIR en la forma
m (0) = 1
m (m) = Km
m (k) = m1 (k) + Km m1 (m k)
(9.2.51)
(9.2.52)
1 k m1
m = 1, 2, . . . , M 1
(9.2.53)
Observe que (9.2.51) hasta (9.2.53) son simplemente las ecuaciones recursivas de LevinsonDurbin que se
proporcionan en el Captulo 12.
Conversin de los coeficientes del filtro FIR en su forma directa en los coeficientes de la estructura en
celosa. Suponga que disponemos de los coeficientes FIR para la realizacin en forma directa o, lo que es
equivalente, del polinomio Am (z), y que deseamos determinar los parmetros del filtro en celosa correspondientes {Ki }. Para la celosa de m etapas obtenemos de forma inmediata el parmetro Km = m (m). Para obtener
Km1 , necesitamos los polinomios Am1 (z) ya que, en general, Km se obtiene a partir del polinomio Am (z)
para m = M 1, M 2, . . . , 1. En consecuencia, tenemos que calcular los polinomios Am (z) comenzando en
m = M 1 y descendiendo escaln a escaln sucesivamente hasta m = 1.
La relacin recursiva deseada para los polinomios se determina fcilmente a partir de (9.2.44) y (9.2.45).
Tenemos
Am (z) = Am1 (z) + Km z1 Bm1 (z)
= Am1 (z) + Km [Bm (z) Km Am1 (z)]
Si despejamos para obtener Am1 (z)
Am1 (z) =
Am (z) Km Bm (z)
,
1 Km2
m = M 1, M 2, . . ., 1
(9.2.54)
As calculamos todos los polinomios de menor grado que Am (z) comenzando por AM1 (z) y obtenemos los
coeficientes de la estructura en celosa a partir de la relacin Km = m (m). Observe que el procedimiento es
vlido siempre que |Km | = 1 para m = 1, 2, . . . , M 1.
EJEMPLO 9.2.3
Determine los coeficientes de la estructura en celosa correspondientes al filtro FIR cuya funcin de sistema es
H(z) = A3 (z) = 1 +
13 1 5 2 1 3
z + z + z
24
8
3
1 5 1 13 2 3
+ z + z +z
3 8
24
A2 (z) =
1
2
y B2 (z) =
1
2
A1 (z) =
Luego K1 = 1 (1) = 14 .
A partir de la ecuacin recursiva descendente dada por (9.2.54), es relativamente fcil obtener una frmula
para calcular de forma recursiva Km , comenzando por m = M 1 y descendiendo hasta m = 1. Para m = M 1,
M 2, . . ., 1, tenemos
Km = m (m),
m1 (k) =
=
m1 (0) = 1
(9.2.55)
m (k) Km m (k)
1 Km2
m (k) m (m)m (m k)
,
1 m2 (m)
1 k m1
(9.2.56)
Como hemos mencionado anteriormente, la ecuacin recursiva dada por (9.2.56) deja de ser vlida si resulta
que cualquiera de los parmetros de la estructura en celosa cumple que |Km | = 1. Si esto ocurre, quiere decir
que el polinomio Am1 (z) tiene una raz sobre la circunferencia unidad. Esta raz se puede extraer de Am1 (z)
y el proceso iterativo dado por (9.2.56) se aplica al sistema de orden reducido.
(9.3.1)
donde H1 (z) consta de los ceros de H(z) y H2 (z) consta de los polos de H(z),
H1 (z) =
bk zk
(9.3.2)
k=0
y
H2 (z) =
1
N
(9.3.3)
1 + ak z
k=1
En la Seccin 2.5 hemos descrito dos realizaciones de la forma directa caracterizadas por si H1 (z) precede
a H2 (z), o viceversa. Dado que H1 (z) es un sistema FIR, su realizacin en la forma directa es la mostrada en
la Figura 9.2.1. Conectando el sistema de slo polos en cascada con H1 (z), obtenemos la forma directa I de la
Figura 9.3.1. Esta realizacin requiere M + N + 1 multiplicaciones, M + N sumas y M + N + 1 posiciones de
memoria.
Si el filtro de slo polos H2 (z) se coloca antes que el filtro de slo ceros H1 (z), se consigue una estructura
ms compacta, como se ha visto en la Seccin 2.5. Recuerde que la ecuacin en diferencias del filtro de slo
polos es
N
(9.3.4)
k=1
b0
x(n)
y(n)
z 1
z 1
b1
a1
z 1
z 1
b2
a2
z 1
z 1
a3
bM 1
b3
aN 1
z 1
z 1
bM
aN
x(n)
b0
y(n)
z 1
+
a1
b1
z 1
aN 1
b2
a2
bN 1
z 1
aN
bN
y(n) =
bk w(n k)
(9.3.5)
k=0
Observe que tanto (9.3.4) como (9.3.5) implican versiones retardadas de la secuencia {w(n)}. En consecuencia,
slo se necesita una nica lnea de retardo o un nico conjunto de posiciones de memoria para almacenar los
valores pasados de {w(n)}. La estructura resultante que implementa (9.3.4) y (9.3.5) es la realizacin de la
forma directa II y se muestra en la Figura 9.3.2. Esta estructura requiere M + N + 1 multiplicaciones, M + N
sumas y un mximo de {M, N} posiciones de memoria. Dado que la realizacin de la forma directa II minimiza
el nmero de posiciones de memoria, se dice que est en forma cannica. Sin embargo, debemos indicar que
otras estructuras IIR tambin poseen esta propiedad, de modo que esta terminologa quiz no sea muy adecuada.
Las estructuras de las Figuras 9.3.1 y 9.3.2 corresponden a las realizaciones de la forma directa porque se
obtienen directamente a partir de la funcin de sistema H(z) sin aplicarla ningn tipo de reordenacin. Lamentablemente, en general, ambas estructuras son extremadamente sensibles a los parmetros de cuantificacin,
por lo que no se recomienda su uso. Este tema se trata en detalle en la Seccin 9.6, donde demostraremos que
cuando N es grande, un pequeo cambio en un coeficiente del filtro debido a la cuantificacin de los parmetros
da lugar a una variacin importante en la posicin de los polos y los ceros del sistema.
x(n)
b0
y(n)
z 1
+
a1
b1
z 1
a2
b2
(a)
Nodo fuente
x(n)
b0
a1
Nodo sumidero
y(n)
z 1
b1
a2
4
z 1
b2
5
(b)
Figura 9.3.3. (a) Estructura de un filtro de segundo orden y (b) su diagrama de flujo de seal.
que los otros tres nodos representan los puntos de rama. Las transmitancias de rama se indican en las ramas
del diagrama de flujo. Observe que un retardo se indica mediante la transmitancia de rama z1 . Cuando la
transmitancia de rama es igual a la unidad, no se etiqueta. La entrada al sistema se aplica a un nodo fuente y la
seal de salida se toma en un nodo sumidero.
Observe que el diagrama de flujo de seal contiene la misma informacin bsica que el diagrama de bloques
del sistema. La nica diferencia aparente es que los puntos de rama y los sumadores del diagrama de bloques se representan mediante nodos en el diagrama de flujo de la seal.
Los diagramas de flujo de seal lineales son importantes en el tratamiento de redes y proporcionan resultados
muy interesantes. Un punto bsico es la transformacin de un diagrama de flujo en otro sin modificar la relacin
de entradasalida bsica. Especficamente, una tcnica que resulta til para obtener estructuras nuevas para
sistemas FIR e IIR resulta del teorema de trasposicin o teorema del diagrama de flujo inverso. Este teorema
simplemente establece que si invertimos las direcciones de todas las transmitancias de rama e intercambiamos la
entrada y la salida en el diagrama de flujo, la funcin del sistema no vara. La estructura resultante se denomina
estructura transpuesta o forma transpuesta.
Por ejemplo, la transposicin del diagrama de flujo de la seal de la Figura 9.3.3(b) se ilustra en la Figura
9.3.4(a). La realizacin del diagrama de bloques correspondiente a la forma transpuesta se muestra en la Figura 9.3.4(b). Es interesante observar que la transposicin del diagrama de flujo original hace que los nodos de
rama se conviertan en nodos sumadores, y viceversa.
Aplicamos el teorema de transposicin a la estructura de la forma directa II. En primer lugar, en la Figura
9.3.2 invertimos todas las direcciones del diagrama de la seal. A continuacin, cambiamos los nodos por
sumadores y los sumadores por nodos y, por ltimo, intercambiamos la entrada y la salida. Estas operaciones
dan lugar a la estructura transpuesta de la forma directa II mostrada en la Figura 9.3.5. Esta estructura puede
y(n) 1
b0
2
z 1
a1
x(n)
b1
4
z 1
a2
b2
5
(a)
b0
y(n)
x(n)
z 1
a1
b1
z 1
a2
b2
(b)
Figura 9.3.4. (a) Diagrama de flujo de seal de la estructura transpuesta y (b) su realizacin.
volver a dibujarse como se muestra en la Figura 9.3.6, donde se coloca la entrada a la izquierda y la salida a la
derecha.
La realizacin transpuesta de la forma directa II que hemos obtenido puede describirse mediante el conjunto
de ecuaciones en diferencias
y(n) = w1 (n 1) + b0x(n)
(9.3.6)
k = 1, 2, . . . , N 1
(9.3.7)
(9.3.8)
Sin perder generalidad, hemos supuesto que M = N al escribir las ecuaciones. Tambin queda claro al observar
la Figura 9.3.6 que este conjunto de ecuaciones en diferencias es equivalente a la ecuacin en diferencias
N
k=1
k=0
(9.3.9)
Por ltimo, fjese en que la estructura transpuesta en la forma II requiere el mismo nmero de multiplicaciones,
sumas y posiciones de memoria que la estructura original en la forma directa II.
Aunque esta explicacin sobre las estructuras transpuestas esta relacionada con la forma general de un
sistema IIR, es interesante observar que un sistema FIR, obtenido a partir de (9.3.9) haciendo ak = 0, k = 1,
2, . . . , N,, tambin es una forma directa transpuesta, como se puede ver en la Figura 9.3.7. Esta estructura se
y(n)
b0
x(n)
z1
a1
b1
+
z1
a2
b2
aN 1
bN 1
+
z1
aN
bN
b0
y(n)
+
z 1
w1(n)
b1
a1
z 1
bN 1
w2(n)
aN 1
+
z 1
bN
wN(n)
+
aN
k = M 1, M 2, . . ., 1
(9.3.10)
(9.3.11)
(9.3.12)
x(n)
bM1
bM
z 1
wM(n)
b2
b1
w2(n)
z 1
b0
w1(n)
z 1
y(n)
b0 + b1z1 + b2 z2
1 + a1z1 + a2z2
(9.3.13)
ste es el bloque bsico de construccin de la realizacin en cascada de los sistemas IIR de orden superior,
la cual se describe en la siguiente seccin. De las tres estructuras de la forma directa dadas en la Tabla 9.1, son
Estructura
b0
x(n)
Forma directa I
Ecuaciones de implementacin
y(n)
z1
z1
b1
a1
z1
z1
b0
y(n)
z1
+
a2
b2
x(n)
a1
w (n 1)
b1
z1
a2
w (n 2)
b2
x(n)
b0
y(n)
z1
b1
w1(n)
+
a1
z1
b2
w2(n)
+
a2
preferibles las estructuras de la forma directa II debido al menor nmero de posiciones de memoria necesario
para su implementacin.
Por ltimo, observe que en el dominio z, el conjunto de ecuaciones en diferencias que describe el diagrama
de flujo lineal de la seal constituye un conjunto lineal de ecuaciones. Cualquier reordenacin de dicho conjunto
de ecuaciones es equivalente a una reordenacin del diagrama de flujo de la seal, para obtener una nueva
estructura, y viceversa.
9.3.3
Estructuras en cascada
Considere un sistema IIR de orden superior cuya funcin del sistema es la dada por (9.1.2). Sin perder generalidad,
podemos suponer que N M. El sistema puede descomponerse en factores de una conexin en cascada de
subsistemas de segundo orden, tal que H(z) puede expresarse como
K
H(z) = Hk (z)
(9.3.14)
k=1
(9.3.15)
Como en el caso de los sistemas FIR basados en la realizacin en cascada, el parmetro b0 puede distribuirse
igualmente entre las K secciones del filtro, de modo que b0 = b10 b20 . . . bK0 .
Los coeficientes {aki } y {bki } de los subsistemas de segundo orden son reales. Esto implica que al configurar
los subsistemas de segundo orden o factores cuadrticos de la Ecuacin (9.3.15), tendremos que agrupar una
pareja de polos complejos conjugados y agrupar una pareja de ceros complejos conjugados. El emparejamiento
de dos polos complejos conjugados con dos ceros complejos conjugados o con ceros reales para formar un
subsistema del tipo dado por (9.3.15) puede hacerse de forma arbitraria. Adems, cualesquiera dos ceros reales
pueden emparejarse para formar un factor cuadrtico y, de la misma forma, cualesquiera dos polos reales pueden
emparejarse para dar lugar a un factor cuadrtico. En consecuencia, el factor cuadrtico del numerador de (9.3.15)
puede estar formado por una pareja de races reales o por una pareja de races complejas conjugadas. Esta misma
afirmacin se aplica tambin al denominador de la Ecuacin (9.3.15).
Si N > M, algunos de los subsistemas de segundo orden tendrn coeficientes del numerador iguales a cero,
es decir, bk2 = 0 o bk1 = 0, o ambos bk2 = bk1 = 0 para algn valor de k. Adems, si N es impar, en uno de
los subsistemas, por ejemplo Hk (z), se cumplir que ak2 = 0, de modo que el subsistema ser un subsistema de
primer orden. Para conservar la modularidad de la implementacin de H(z), a menudo es preferible utilizar los
subsistemas de segundo orden bsicos en la estructura en cascada y tener algunos coeficientes iguales a cero en
algunos de los subsistemas.
Cada uno de los subsistemas de segundo orden cuya funcin de sistema es la dada por la Ecuacin (9.3.15)
puede implementarse segn la forma directa I, la forma directa II o la forma directa transpuesta II. Puesto que
existen muchas formas de emparejar los polos y los ceros de H(z) en una conexin en cascada de secciones
de segundo orden, y diversas maneras de ordenar los subsistemas resultantes, se pueden obtener distintas
realizaciones en cascada. Aunque todas las realizaciones en cascada son equivalentes cuando se emplea aritmtica
de precisin infinita, estas diversas realizaciones pueden diferir significativamente cuando se implementan
utilizando aritmtica de precisin finita.
La forma general de la estructura en cascada se muestra en la Figura 9.3.8. Si utilizamos la estructura en la
forma directa II para cada uno de los subsistemas, el algoritmo de clculo para implementar el sistema IIR con
la funcin de sistema H(z) se describe mediante el siguiente conjunto de ecuaciones.
y0 (n) = x(n)
(9.3.16)
x(n) = x1(n)
H1(z)
x2(n)
xK(n)
H2(z)
y1(n)
y2(n)
HK(z)
y(n)
(a)
xk(n)
bk0
1
+
yk(n) = xk + 1(n)
z1
ak1
bk1
z1
ak2
bk2
(b)
Figura 9.3.8. Estructura en cascada de los sistemas de segundo orden y una realizacin de cada seccin de
segundo orden.
wk (n) = ak1 wk (n 1) ak2wk (n 2) + yk1(n),
k = 1, 2, . . . , K
(9.3.17)
k = 1, 2, . . . , K
(9.3.18)
y(n) = yK (n)
(9.3.19)
As, este conjunto de ecuaciones proporciona una descripcin completa de la estructura en cascada basada en
las secciones de la forma directa II.
Ak
1
k=1 1 pk z
H(z) = C +
(9.3.20)
donde {pk } son los polos, {Ak } son los coeficientes (residuos) de la expansin en fracciones parciales y la
constante C se define como C = bN /aN . La estructura que implica (9.3.20) se muestra en la Figura 9.3.9, la cual
es una estructura en paralelo de filtros de un nico polo.
En general, algunos de los polos de H(z) pueden ser complejos. En tal caso, los coeficientes correspondientes
Ak tambin son valores complejos. Para evitar multiplicaciones por nmeros complejos, podemos combinar
parejas de polos complejos conjugados para formar subsistemas de dos polos. Adems, podemos combinar, de
forma arbitraria, parejas de polos reales para formar subsistemas de dos polos. Cada uno de estos subsistemas
tiene la forma
bk0 + bk1 z1
Hk (z) =
(9.3.21)
1 + ak1z1 + ak2 z2
donde los coeficientes {bki } y {aki ] son los parmetros reales del sistema. La funcin global puede expresarse
ahora como
H2(z)
HK(z)
x(n)
H1(z)
y(n)
bk0
yk(n)
z1
ak1
bk1
z1
ak2
Figura 9.3.10. Estructura de una seccin de segundo orden de una realizacin en paralelo de un sistema IIR.
K
H(z) = C + Hk (z)
(9.3.22)
k=1
donde K es la parte entera de (N + 1)/2. Si N es impar, una de las Hk (z) es un sistema de un nico polo (es
decir, bk1 = ak2 = 0).
Las secciones de segundo orden individuales, que son los bloques bsicos de construccin para H(z), se
pueden implementar bien aplicando las formas directas o la forma directa transpuesta. La estructura en la forma
directa II se ilustra en la Figura 9.3.10. Empleando esta estructura como un bloque bsico de construccin, la
realizacin en paralelo del sistema FIR se describe mediante el siguiente conjunto de ecuaciones:
wk (n) = ak1 wk (n 1) ak2wk (n 2) + x(n),
yk (n) = bk0 wk (n) + bk1wk (n 1),
k = 1, 2, . . . , K
k = 1, 2, . . . , K
(9.3.23)
(9.3.24)
(9.3.25)
k=1
EJEMPLO 9.3.1
Determine las realizaciones en cascada y en paralelo para el sistema descrito por la funcin de sistema
H(z) =
Solucin. La realizacin en cascada se obtiene fcilmente a partir de esta forma. Un posible emparejamiento de polos y
ceros es
1 23 z1
H1 (z) =
7
3 z2
1 8 z1 + 32
H2 (z)
1 + 32 z1 z2
1 z1 + 12 z2
y por tanto
H(z) = 10H1 (z)H2 (z)
La realizacin en cascada se muestra en la Figura 9.3.11(a).
Para obtener la realizacin en paralelo, hay que expandir H(z) en fracciones parciales. As, tenemos
x(n)
+
z1
+
7
8
10
y(n)
z1
2
3
2
z1
z1
32
(a)
14.75
+
+
z1
x(n)
7
8
12.9
+
y(n)
z1
3
32
24.5
+
10
z1
+
1
26.82
z1
1
2
(b)
Figura 9.3.11. Realizaciones en cascada y en paralelo para el sistema del Ejemplo 9.3.1.
H(z) =
A3
A1
A2
A3
+
+
+
1
1
3
1
1
1
1 z1 1 z1 1 ( + j )z1 1 ( j )z1
4
8
2
2
2
2
donde hay que determinar los coeficientes A1 , A2 , A3 y A3 . Efectuando algunos clculos aritmticos, obtenemos
A1 = 2.93,
A2 = 17.68,
A3 = 12.25 j14.57,
A3 = 12.25 + j14.57
9.3.5
En la Seccin 9.2.4 hemos desarrollado una estructura de filtro en celosa que es equivalente a un sistema FIR.
En esta seccin, vamos a extender el desarrollo a los sistemas IIR.
Partimos de un sistema de slo polos cuya funcin de sistema es
H(z) =
1
N
1 + aN (k)z
1
AN (z)
(9.3.26)
k=1
La realizacin en la forma directa de este sistema se ilustra en la Figura 9.3.12. La ecuacin en diferencias para
este sistema IIR es
N
(9.3.27)
k=1
Es interesante destacar que si intercambiamos los papeles de la entrada y de la salida [es decir, intecambiamos
x(n) e y(n) en la Ecuacin (9.3.27)], obtenemos
N
o, lo que es equivalente,
N
(9.3.28)
k=1
z1
aN(N)
x(n)
z1
aN(N 1)
z1
aN(2)
aN(1)
y(n)
Observe que la Ecuacin (9.3.28) describe un sistema FIR que tiene la funcin de sistema H(z) = AN (z),
mientras que el sistema descrito por la ecuacin en diferencias (9.3.27) representa un sistema IIR cuya funcin
de sistema es H(z) = 1/AN (z). Puede obtenerse un sistema a partir del otro simplemente intercambiando los
papeles de la entrada y de la salida.
Entrada
x(n)
fN(n)
f2(n)
fN 1(n)
KN
KN
gN(n)
f1(n)
K2
K2
z1
g2(n)
f0(n) = y(n)
Salida
K1
K1
z1
g1(n)
z1
g0(n)
(9.3.30)
stas son exactamente las definiciones opuestas del filtro de slo ceros. Estas definiciones imponen que los
valores { fm (n)} se calculen en orden descendente [es decir, fN (n), f N1 (n), . . .]. Este clculo puede llevarse a
cabo reordenando la ecuacin recursiva dada en (9.2.29) y expresando a continuacin fm1 (n) en funcin de
fm (n), es decir,
fm1 (n) = fm (n) Km gm1 (n 1),
m = N, N 1, . . . , 1
La Ecuacin (9.2.30) para gm (n) no vara.
El resultado de estos cambios es el conjunto de ecuaciones
fN (n) = x(n)
(9.3.31)
m = N, N 1, . . ., 1
m = N, N 1, . . . , 1
(9.3.32)
(9.3.33)
(9.3.34)
(9.3.35)
y(n) = f 0 (n)
= x(n) K1 y(n 1)
(9.3.36)
Observe que (9.3.35) representa un sistema IIR de slo polos de primer orden mientras que la Ecuacin (9.3.36)
representa un sistema FIR de primer orden. El polo es el resultado de la realimentacin introducida por la
solucin de { fm (n)} en orden descendente. Esta realimentacin se representa en la Figura 9.3.14(a).
A continuacin, considere el caso en que N = 2, el cual corresponde a la estructura mostrada en la Figura
9.3.14(b). Las ecuaciones correspondientes a esta estructura son
f2 (n) = x(n)
f1 (n) = f2 (n) K2 g1 (n 1)
g2 (n) = K2 f1 (n) + g1(n 1)
(9.3.37)
f0 (n) = f1 (n) K1 g0 (n 1)
g1 (n) = K1 f0 (n) + g0(n 1)
y(n) = f 0 (n) = g0 (n)
Despus de llevar a cabo algunas sustituciones y manipulaciones obtenemos
y(n) = K1 (1 + K2 )y(n 1) K2y(n 2) + x(n)
(9.3.38)
(9.3.39)
Directa
f0(n)
x(n)
f1(n)
y(n)
K1
Realimentacin
K1
g1(n)
z1
g0(n)
Inversa
(a)
Directa
f1(n)
x(n)
f2(n)
K2
K2
g2(n)
f0(n)
y(n)
K1
K1
z1
g1(n)
z1
g0(n)
Inversa
(b)
Evidentemente, la ecuacin en diferencias dada por (9.3.38) representa un sistema IIR de dos polos y la relacin
(9.3.39) es la ecuacin de entradasalida de un sistema FIR de dos ceros. Observe que los coeficientes del
sistema FIR son idnticos a los del sistema IIR, excepto en que se producen en orden inverso.
En general, estas conclusiones son aplicables para cualquier N. As, con la definicin de Am (z) dada por
(9.2.32), la funcin del sistema para el sistema IIR de slo polos es
Ha (z) =
F0 (z)
1
Y (z)
=
=
X(z) Fm (z) Am (z)
(9.3.40)
Gm (z) Gm (z)
=
= Bm (z) = zm Am (z1 )
Y (z)
G0 (z)
(9.3.41)
donde hemos empleado las relaciones establecidas anteriormente en las expresiones (9.2.36) hasta (9.2.42).
Luego los coeficientes del sistema FIR Hb (z) son idnticos a los coeficientes de Am (z), excepto en que aparecen
en orden inverso.
Es interesante destacar que la estructura en celosa de slo polos dispone de un camino de slo ceros con
entrada g0 (n) y salida gN (n), que es idntico a su contrapartida en la estructura en celosa de slo ceros. El
polinomio Bm (z), que representa la funcin del sistema del camino de slo ceros para ambas estructuras en
celosa, normalmente se denomina funcin de sistema inversa, porque proporciona un camino inverso en la
estructura en celosa de slo ceros.
El lector debe darse cuenta de que las estructuras en celosa de slo ceros y de slo polos quedan caracterizadas por el mismo conjunto de parmetros de la celosa, es decir, por K1 , K2 , . . . , KN . Las dos estructuras en
celosa difieren slo en las interconexiones de sus diagramas de flujo de la seal. En consecuencia, los algoritmos
para efectuar la conversin entre los parmetros del sistema {m (k)} de la realizacin en la forma directa de un
sistema FIR y los parmetros de su contrapartida en celosa se aplican tambin a la estructura de slo polos.
Recuerde que las races del polinomio AN (z) se encuentran dentro de la circunferencia unidad si y slo si los
parmetros de la estructura en celosa cumplen que |Km | < 1 para todo m = 1, 2, . . . , N. Por tanto, la estructura
en celosa es un sistema estable si y slo si sus parmetros cumplen que |Km | < 1 para todo m.
En las aplicaciones prcticas, la estructura en celosa de slo polos se ha empleado para modelar el tracto
bucal humano y la estratificacin del terreno. En tales casos, los parmetros de la estructura en celosa, {Km },
tienen el significado fsico de ser idnticos a los coeficientes de reflexin en el medio fsico. sta es la razn
por la que los parmetros de la estructura en celosa se denominan a menudo coeficientes de reflexin. En
tales aplicaciones, un modelo estable del medio requiere que los coeficientes de reflexin, obtenidos a partir de
medidas realizadas sobre las seales de salida del medio, sean menores que la unidad.
La estructura en celosa de slo polos proporciona el bloque de construccin bsico para estructuras de
tipo celosa que implementan sistemas IIR que contengan tanto polos como ceros. Para desarrollar la estructura
apropiada, consideremos un sistema IIR cuya funcin de sistema es
M
H(z) =
cM (k)zk
k=0
N
1 + aN (k)z
CM (z)
AN (z)
(9.3.42)
k=1
donde la notacin empleada en el polinomio del numerador se ha cambiado para evitar la confusin con el
desarrollo anterior. Sin perder generalidad, supongamos que N M.
En la estructura de la forma directa II, el sistema dado por (9.3.42) queda descrito por las ecuaciones en
diferencias
(9.3.43)
y(n) = M
k=0 cM (k)w(n k)
(9.3.44)
Observe que (9.3.43) es la relacin entradasalida de un sistema IIR de slo polos y que (9.3.44) es la
relacin entradasalida de un sistema de slo ceros. Adems, observe que la salida del sistema de slo ceros es
simplemente una combinacin lineal de las salidas retardadas del sistema de slo polos. Esto puede comprobarse
fcilmente fijndose en la estructura de la forma directa II representada como se muestra en la Figura 9.3.15.
Dado que los ceros son el resultado de formar una combinacin lineal de las salidas anteriores, podemos
trasladar esta observacin a la construccin de un sistema IIR de polos y ceros utilizando la estructura en celosa
de slo polos como el bloque bsico de construccin. Ya hemos mencionado que gm (n) es una combinacn
lineal de las salidas actual y pasadas. En realidad, el sistema
Hb (z) =
Gm (z)
= Bm (z)
Y (z)
es un sistema de slo ceros. Por tanto, cualquier combinacin lineal de {gm (n)} tambin es un sistema de slo
ceros.
As, partimos de una estructura en celosa de slo polos con parmetros Km , 1 m N, y aadimos una
estructura en escalera tomando como salida una combinacin lineal ponderada de {gm (n)}. El resultado es
un sistema IIR de polos y ceros que tiene la estructura en celosaescalera mostrada en la Figura 9.3.16 para
M = N. Su salida es
M
y(n) =
vm gm (n)
(9.3.45)
m=0
donde {vm } son los parmetros que determinan los ceros del sistema. La funcin del sistema correspondiente a
(9.3.45) es
M
Gm (z)
Y (z)
H(z) =
= vm
(9.3.46)
X(z) m=0
X(z)
Puesto que X(z) = FN (z) y F0 (z) = G0 (z), la expresin (9.3.46) puede escribirse como
x(n)
+
a1
w(n)
z 1
w(n 1)
cM(0)
a2
z1
w(n 2)
cM(1)
aM 1
z1
w(n M + 1)
aM
z1
w(n M)
cM(M 1)
cM(2)
cM(M)
y(n)
x(n)
fN(n)
f1(n)
z1
gN 1(n)
vN
vN 1
K2
g2(n)
z1
g1(n)
v2
K1
K1
z1
g0(n)
v0
v1
f0(n)
K2
KN
KN
gN(n)
f2(n)
fN 1(n)
y(n)
H(z) =
Gm (z) F0 (z)
vm G0 (z) FN (z)
m=0
Bm (z)
vm AN (z)
m=0
(9.3.47)
vm Bm (z)
m=0
AN (z)
vm Bm (z)
(9.3.48)
m=0
sta es la relacin que podemos utilizar para determinar los coeficientes de ponderacin {vm }. As, hemos
demostrado que los coeficientes del polinomio del numerador CM (z) determinan los parmetros de la estructura
en escalera {vm }, mientras que el polinomio del denominador AN (z) determina los parmetros de la celosa
{Km }.
Dados los polinomios CM (z) y AN (z), donde N M, primero se determinan los parmetros de la estructura
en celosa de slo polos, como se ha descrito anteriormente, mediante el algoritmo de conversin dado en la
Seccin 9.2.4, que convierte los coeficientes de la forma directa en los parmetros de la estructura en celosa.
Por medio de las relaciones recursivas reductoras dadas por (9.2.54), obtenemos los parmetros de la celosa
{Km } y los polinomios Bm (z), m = 1, 2, . . . , N.
Los parmetros de la estructura en escalera se determinan a partir de la Ecuacin (9.3.48), que se puede
escribir como sigue
Cm (z) =
m1
vk Bk (z) + vm Bm (z)
(9.3.49)
k=0
o, lo que es equivalente,
Cm (z) = Cm1 (z) + vm Bm (z)
(9.3.50)
Luego Cm (z) puede calcularse de forma recursiva a partir de los polinomios inversos Bm (z), m = 1, 2, . . . , M.
Puesto que m (m) = 1 para todo m, los parmetros vm , m = 0, 1, . . . , M se pueden determinar teniendo en cuenta
en primer lugar, que
vm = cm (m),
m = 0, 1, . . . , M
(9.3.51)
Luego, reescribiendo (9.3.50) como
Cm1 (z) = Cm (z) vm Bm (z)
(9.3.52)
y calculando esta relacin recursiva en sentido descendente de m (es decir, m = M, M 1, . . . , 2), obtenemos
cm (m) y, por tanto, los parmetros de la estructura en escalera de acuerdo con (9.3.51).
Las estructuras del filtro en celosa-escalera que hemos presentado requieren la cantidad de memoria mnima, pero no el nmero mnimo de multiplicaciones. Aunque existen las estructuras en celosa con slo un
multiplicador por etapa en celosa, el uso de las estructuras en celosa con dos multiplicadores por etapa que
hemos descrito es con mucho el ms extendido en las aplicaciones prcticas. En conclusin, las caractersticas
de modularidad y estabilidad implcitas en los coeficientes {Km }, y su robustez frente a los efectos de la longitud
de palabra finita hacen a la estructura en celosa muy atractiva en muchas aplicaciones prcticas, entre las que
se incluyen los sistemas de tratamiento de voz, los filtros adaptativos y el tratamiento de seales geofsicas.
bi ri ,
0 bi (r 1)
(9.4.1)
i=A
X = 0.b1 b2 bB = bi 2i ,
X 0
(9.4.2)
i=1
Observe que el MSB b0 se pone a cero para representar el signo positivo. Considere ahora la fraccin negativa
B
X = 0.b1b2 bB = bi 2i
(9.4.3)
i=1
Este nmero puede representarse utilizando uno de los tres formatos siguientes.
Formato signo magnitud. En este formato, el MSB se pone a 1 para representar el signo negativo,
XSM = 1.b1 b2 bB ,
para X 0
(9.4.4)
Formato en complemento a uno. En este formato, los nmeros negativos se representan como
X1C = 1.b1 b2 bB ,
X 0
(9.4.5)
(9.4.6)
i=1
Formato en complemento a dos. En este formato, un nmero negativo se representa formando el complemento
a dos del correspondiente nmero positivo. En otras palabras, el nmero negativo se obtiene sustrayendo el
nmero positivo de 2.0. Ms sencillo, el complemento a dos se obtiene complementando el nmero positivo y
sumndole uno. As
X2C = 1.b1 b2 bB + 00 01,
X <0
(9.4.7)
donde + representa la suma en mdulo 2 que ignora cualquier acarreo generado por el bit de signo. Por ejemplo,
el nmero 38 se obtiene hallando el complemento de 0011 ( 38 ) para obtener 1100 y sumando luego 0001, lo
que da como resultado 1101, que representa 38 en complemento a dos.
(9.4.8)
Para demostrar que (9.4.7) realmente representa un nmero negativo, utilizamos la identidad
B
1 = 2i + 2B
(9.4.9)
i=1
X2C = bi 2i + 1 1
i=1
= 1 + (1 bi)2i + 2B
i=1
B
= 1 + bi 21 + 2B
i=1
7
8
Las operaciones aritmticas bsicas de suma y multiplicacin dependen del formato utilizado. En complemento a uno y complemento a dos, la suma se realiza sumando los nmeros bit a bit. Los formatos slo difieren
en la forma en que un bit de acarreo afecta al MSB. Por ejemplo, 48 38 = 18 . En complemento a dos, tenemos
0100 1101 = 0001
donde indica la suma en mdulo 2. Observe que el bit de acarreo, si est presente en el MSB, se elimina. Por
otro lado, en la aritmtica en complemento a uno, el acarreo en el MSB, si est presente, se lleva al LSB. Por
tanto, el clculo 48 38 = 18 se convierte en
0100 1100 = 0000 0001 = 0001
0
1
001
110
0.5
001
110
011
100
010
101
3
0.75
0.25
000
111
010
101
3
0.25
000
111
0.0
0.5
011
100
01.0
(a)
(b)
0.75
Figura 9.4.1. Rueda de recuento para nmeros en complemento a dos de 3 bits: (a) enteros y (b) fraccionarios.
La suma en el formato signo-magnitud es ms compleja y puede implicar comprobaciones de signo, operaciones
de complemento y de generacin de un acarreo. Por otro lado, la multiplicacin directa de dos nmeros en
formato de signo-magnitud es relativamente sencilla, mientras que se suele emplear un algoritmo especial para
la multiplicacin en complemento a uno y en complemento a dos.
La mayora de los procesadores digitales de seal de punto fijo utilizan la aritmtica en complemento a dos.
Por tanto, el intervalo para nmeros de (B + 1) bits va desde 1 a 1 2B . Estos nmeros pueden visualizarse
en forma de rueda como se muestra en la Figura 9.4.1 para B = 2. La aritmtica en complemento a dos es
bsicamente aritmtica mdulo 2B+1 [es decir, cualquier nmero que caiga fuera del rango (desbordamiento por
encima o por debajo) se reduce a este rango restando un mltiplo apropiado de 2B+1 ]. Este tipo de aritmtica
puede interpretarse como un contador utilizando la rueda de la Figura 9.4.1. Una propiedad muy importante de la
suma en complemento a dos es que si la suma final de una cadena de nmeros X1 , X2 , . . . , XN se encuentra dentro
del rango, el resultado ser correcto, incluso aunque las sumas parciales individuales den lugar a desbordamiento.
sta y otras caractersticas de la aritmtica en complemento a dos se tratan en el Problema 9.29.
En general, la multiplicacin de dos nmeros en punto fijo de b bits cada uno de longitud da lugar a un
producto de 2b bits de longitud. En la aritmtica de punto fijo, el producto se trunca o se redondea a b bits.
Como resultado, obtenemos un resultado que tiene un error de truncamiento o de redondeo en los b bits menos
significativos. La caracterizacin de tales errores se aborda ms adelante.
La mantisa necesita un bit de signo para poder representar nmeros positivos y negativos, y el exponente precisa
un bit de signo adicional. Puesto que la mantisa es una fraccin con signo, podemos emplear cualquiera de las
cuatro representaciones en punto fijo que acabamos de describir.
Por ejemplo, el nmero X1 = 5 se representa mediante la mantisa y el exponente siguientes:
M1 = 0.101000
E1 = 011
mientras que el nmero X2 =
3
8
Por ejemplo, si tenemos una computadora que emplea un tamao de palabra de 32 bits, es posible representar
232 nmeros. Si deseamos representar los enteros positivos a partir de cero, el posible entero ms grande que
podremos escribir ser
232 1 = 4,294,967,295
La distancia entre nmeros sucesivos (la resolucin) es 1. Alternativamente, podemos designar el bit ms a la
izquierda como el bit de signo y utilizar los 31 bits restantes para el mdulo. En tal caso, una representacin en
punto fijo nos permite cubrir el rango
(231 1) = 2,147,483,647 a
(231 1) = 2,147,483,647
o, o lo que es equivalente,
2,097,151.999 a 2,097,151.999
En este caso, la resolucin es 210 . Por tanto, el rango dinmico se ha reducido en un factor de aproximadamente
1000 (en realidad, 210 ), mientras que la resolucin se ha incrementado en el mismo factor.
Con fines comparativos, suponga que se utiliza una palabra de 32 bits para representar nmeros en punto
flotante. En particular, la mantisa se representa mediante 23 bits ms un bit de signo y el exponente mediante 7
bits ms un bit de signo. Ahora, el nmero ms pequeo en mdulo tendr la representacin,
signo 23 bits
0.
100 0
signo 7 bits
1
1111111 = 12 2127 0.3 1038
En el otro extremo, el nmero ms grande que puede representarse con esta representacin en punto flotante es
signo 23 bits
0
111 1
signo 7 bits
0
1111111 = (1 223) 2127 1.7 1038
Luego, hemos conseguido un rango dinmico de aproximadamente 1076, pero con resolucin variable. En
particular, disponemos de una resolucin precisa para nmeros pequeos y de una resolucin ms basta para
nmeros grandes.
La representacin del cero plantea algunos problemas especiales. En general, slo la mantisa tiene que ser
cero, pero no el exponente. La eleccin de M y E, la representacin del cero, el manejo de los desbordamientos
y otras cuestiones relacionadas han dado lugar a las diversas representaciones en punto flotante en las diferentes
computadoras digitales. En un esfuerzo por definir un formato en punto flotante comn, el IEEE (Institute of
Electrical and Electronic Engineers) present el estndar IEEE 754, el cual es ampliamente utilizado en la
prctica. En una mquina de 32 bits, un nmero en punto flotante de simple precisin que cumpla el estndar
IEEE 754, se representa como X = (1)s 2E127 (M), donde
0
S
8
E
31
M
+
,)
*
x = 0.1011 01
que consta de bu bits antes de la cuantificacin se representa como
b
+ ,) *
x = 0.101 1
despus de la cuantificacin, donde b < bu . Por ejemplo, si x representa la muestra de una seal analgica,
entonces bu puede considerarse como infinito. En cualquier caso, si el cuantificador trunca el valor de x, el error
de truncamiento se define como
Et = Qt (x) x
(9.4.10)
En primer lugar, consideramos el rango de valores del error para las representaciones signomagnitud y en
complemento a dos. En ambas representaciones, los nmeros positivos tienen representaciones idnticas. Para
nmeros positivos, el truncamiento da lugar a un nmero que es ms pequeo que el nmero no cuantificado.
En consecuencia, el error de truncamiento que resulta de reducir el nmero de bits significativos de bu a b es
(2b 2bu ) Et 0
(9.4.11)
donde el error ms grande se produce al descartar bu b bits, que son todos uno.
(9.4.13)
(9.4.17)
Estas relaciones se resumen en la Figura 9.4.2 cuando x es una amplitud de la seal continua (bu = ).
En una representacin en punto flotante, la mantisa se redondea o se trunca. A causa de la resolucin no
uniforme, el error correspondiente en la representacin en punto flotante es proporcional al nmero que se va a
cuantificar. Una representacin apropiada para el valor cuantificado es
Q(x) = x + ex
(9.4.18)
Q(x) x = ex
(9.4.19)
(9.4.20)
x>0
(9.4.21)
Qr(x)
2 b
x
2 b
2
Er = Qr(x) x
1 . b
1 b
2
2
Er
2
2
(a)
Qt(x)
Qt(x)
2 b
2 b
2 b
2 b
Et = Qt(x) x
2 b Et 0
Et = Qt(x) x
2 b Et 2 b
(b)
(c)
Figura 9.4.2. Errores de cuantificacin debidos al redondeo y el truncamiento: (a) redondeo; (b) truncamiento
en complemento a dos; (c) truncamiento para el formato signomagnitud.
y, por tanto,
0 et < 2b+1 ,
x<0
(9.4.22)
En el caso en el que la matisa se redondea, el error resultante es simtrico respecto a cero y tiene un valor
mximo de 2b /2. En consecuencia, el error de redondeo es
2E 2b /2 < er x 2E 2b /2
(9.4.23)
De nuevo, dado que x se encuentra dentro del intervalo 2E1 x < 2E , dividimos entre 2E1 de modo que
2b < er 2b
(9.4.24)
Cuantificador
Q(x)
(a)
x
(b)
Figura 9.4.3. Modelo del ruido aditivo para el proceso de cuantificacin no lineal: (a) sistema real; (b) modelo
para la cuantificacin.
En clculos aritmticos que implican cuantificacin a travs del truncamiento y el redondeo, es conveniente
adoptar un mtodo estadstico para caracterizar tales errores. El cuantificador puede modelarse introduciendo
un ruido aditivo al valor cuantificado x. Luego podemos escribir
Q(x) = x +
donde = Er para el caso de redondeo y = Et para el caso de truncamiento. Este modelo se ilustra en la Figura
9.4.3.
Dado que x puede ser cualquier nmero que se encuentre dentro de cualquiera de los niveles del cuantificador, el error de cuantificacin normalmente se modela como una variable aleatoria definida dentro de los
lmites especificados. Suponemos que esta variable aleatoria est uniformemente distribuida dentro de los rangos
especificados para las representaciones en punto fijo. Adems, en la prctica, bu >> b, por lo que podemos
despreciar el factor 2bu en las frmulas que se propocionan ms adelante. Bajo estas condiciones, las funciones
de densidad de probabilidad para los errores de redondeo y truncamiento en las dos representaciones en punto
fijo se ilustran en la Figura 9.4.4. Observe que en el caso de truncamiento de la representacin en complemento
a dos del nmero, el valor medio del error presenta una desviacin de 2b /2, mientras que en todos los dems
casos, como hemos ilustrado, el error tiene un valor medio de cero.
Utilizaremos esta caracterizacin estadstica de los errores de cuantificacin para tratar tales errores en las
operaciones de filtrado digital y para el clculo de la DFT en implementaciones que usen aritmtica de punto
fijo.
p(Er)
1
Er
0
2
2
(a)
p(Et)
1
Et
(b)
p(Et)
Et
(c)
Figura 9.4.4. Caracterizacin estadstica de los errores de cuantificacin. (a) Error de redondeo. (b) Error de
truncamiento para el formato signomagnitud. (c) Error de truncamiento para el formato en complemento a dos.
H(z) =
bk zk
k=0
N
(9.5.1)
1 + ak z
k=1
La realizacin de la forma directa del filtro IIR con coeficientes cuantificados tiene la funcin de sistema
M
H(z) =
bk zk
k=0
N
(9.5.2)
1 + ak z
k=1
donde los coeficientes cuantificados {bk } y {ak } pueden relacionarse con los coeficientes no cuantificados {bk }
y {ak } mediante las relaciones
ak = ak + ak ,
k = 1, 2, . . . , N
(9.5.3)
bk = bk + bk ,
k = 0, 1, . . . , M
donde {ak } y {bk } representan los errores de cuantificacin.
El denominador de H(z) puede expresarse de la forma
N
k=0
k=1
D(z) = 1 + ak zk = (1 pk z1 )
(9.5.4)
donde {pk } son los polos de H(z). De forma similar, podemos expresar el denominador de H(z) como
N
D(z) = (1 pk z1 )
(9.5.5)
k=1
pi
ak ak
(9.5.6)
k=1
( D(z)/ ak )z=pi
pi
=
ak
( D(z)/ z)z=pi
El numerador de (9.5.8) es
D(z)
ak
z=pi
El denominador de (9.5.8) es
D(z)
z
z=pi
= zk |z=pi = pk
i
k=1
1
= N
pi
(9.5.8)
(9.5.9)
-
(1 pl z1 )
l=1
z=pi
pk N
1
(1
p
z
)
l
z2 l=1
l=i
(9.5.10)
z=pi
(pi pl )
l=1
l=i
pi
=
ak
pNk
i
(9.5.11)
(pi pl )
l=1
l=i
pi =
k=1
(pi pl )
ak
(9.5.12)
l=1
l=i
Esta expresin proporciona una medida de la sensibilidad del polo i-simo a las variaciones de los coeficientes
{ak }. Puede obtenerse un resultado anlogo para la sensibilidad de los ceros con los errores de los parmetros
{bk }.
Los trminos (pi pl ) en el denominador de la Ecuacin (9.5.12) representan los vectores en el plano z de
los polos {pl } al polo pi . Si los polos estn muy prximos entre s, como en el caso de un filtro de banda estrecha,
como el mostrado en la Figura 9.5.1, las longitudes |pi pl | son pequeas para los polos en las vecindades de
pi . Estas longitudes pequeas contribuirn a aumentar los errores y, por tanto, se obtiene un error de pertubacin
pi mayor.
El error pi puede minimizarse maximizando las longitudes |pi pl |. Esto puede conseguirse implementando el filtro de orden ms alto mediante filtros de un slo polo o de doble polo. Sin embargo, en general, las
secciones de filtros de un slo polo (y de un slo cero) tienen polos complejos y requieren operaciones aritmticas complejas para sus realizaciones. Este problema se puede evitar combinando polos complejos (y ceros)
para formar secciones de filtros de segundo orden. Dado que los polos complejos suelen estar lo suficientemente
separados, los errores de perturbacin {pi } estn minimizados. En consecuencia, el filtro resultante con coeficientes cuantificados tiene una respuesta en frecuencia que es una muy buena aproximacin a la respuesta en
frecuencia del filtro con coeficientes no cuantificados.
Es interesante destacar que incluso en el caso de una seccin de un filtro de dos polos, la estructura empleada
para implementar la seccin del filtro desempea un papel importante en los errores causados por la cuantificacin
de los coeficientes. Ms especficamente, consideremos un filtro de dos polos con una funcin de sistema
H(z) =
1
1 (2r cos )z1 + r2 z2
(9.5.13)
Este filtro tiene polos en z = re j . Cuando se implementa como se muestra en la Figura 9.5.2, tiene dos
coeficientes, a1 = 2r cos y a2 = r2 . Con precisin infinita, es posible obtener un nmero infinito de posiciones
de polos. Evidentemente, con precisin finita (es decir, con coeficientes cuantificados a1 y a2 ), las posiciones
de los polos son tambin finitas. De hecho, cuando se emplean b bits para representar los mdulos de a1 y a2 ,
existen como mximo (2b 1)2 posibles posiciones para los polos en cada cuadrante, excluyendo el caso a1 = 0
y a2 = 0.
Por ejemplo, supongamos que b = 4. En este caso, existen 15 posibles valores distintos de cero para a1 .
Tambin, existen 15 posibles valores para r2 . Estos posibles valores se ilustran en la Figura 9.5.3 slo para el
primer cuadrante del plano z. En este caso, existen 169 posibles posiciones para los polos. La no uniformidad
en sus posiciones se debe al hecho de que estamos cuantificando r2 , mientras que las posiciones de los polos
caen en un arco circular de radio r. De particular importancia es el conjunto disperso de polos para los valores
de prximos a cero y, debido a la simetra, prximos a = . Esta situacin es muy desfavorable para filtros
paso bajo y paso alto que normalmente presentan polos agrupados en las proximidades de = 0 y = .
Im(z)
Circunferencia
unidad
Re(z)
Figura 9.5.1. Posiciones de los polos para un filtro IIR paso banda.
Una realizacin alternativa del filtro de polos es la estructura acoplada mostrada en la Figura 9.5.4. Las dos
ecuaciones de la realizacin acoplada son
y1 (n) = x(n) + r cos y1 (n 1) r sen y(n 1)
y(n) = r sen y1 (n 1) + r cos y(n 1)
(9.5.14)
(9.5.15)
En la realizacin acoplada podemos observar que existen tambin dos coeficientes, 1 = r sen y 2 =
r cos . Dado que ambos son lineales en r, ahora las posibles posiciones de los polos se encuentran en puntos
igualmente espaciados sobre una cuadrcula rectangular, como se muestra en la Figura 9.5.5. En consecuencia,
las posiciones de los polos ahora estn uniformemente distribuidas dentro de la circunferencia unidad, la cual
es una situacin ms deseable que la realizacin anterior, especialmente para filtros paso bajo (en este caso,
x(n)
y(n)
z1
2rcos
z 1
r2
Figura 9.5.3. Posibles posiciones de los polos para la realizacin del filtro IIR de dos polos de la Figura 9.5.2.
x(n)
y1(n)
z1
y1(n 1)
y(n)
z1
y(n 1)
Dado que un filtro IIR de orden superior debera implementarse como una combinacin de secciones de
segundo orden, es preciso decidir si emplear una configuracin paralelo o una configuracin en cascada. En
otras palabras, debemos decidir entre la realizacin
bk0 + bk1 z1 + bk2z2
1 + a z2
k2
k=1 1 + ak1 z
K
H(z) =
(9.5.16)
y la realizacin
H(z) =
ck0 + ck1 z1
1 + a z2
k2
k=1 1 + ak1 z
(9.5.17)
Si el filtro IIR tiene ceros sobre la circunferencia unidad, como ocurre generalmente en el caso de los filtros
elptico y de Chebyshev de tipo II, cada seccin de segundo orden de la configuracin en cascada de (9.5.16)
contiene un par de ceros complejos conjugados. Los coeficientes {bk } determinan directamente la posicin de
estos ceros. Si los coeficientes {bk } estn cuantificados, la sensibilidad de la respuesta del sistema a los errores
de cuantificacin se controla fcil y directamente asignando un nmero lo suficientemente grande de bits para la
representacin de los {bki }. De hecho, podemos evaluar fcilmente el efecto de la perturbacin resultante de la
cuantificacin de los coeficientes {bki } con una determinada precisin. Luego tenemos un control directo tanto
de los polos como de los ceros que resultan del proceso de cuantificacin.
Por otro lado, la realizacin en paralelo de H(z) slo proporciona un control directo de los polos del sistema.
Los coeficientes del numerador {ck0 } y {ck1 } no especifican la posicin de los ceros directamente. De hecho,
{ck0 } y {ck1 } se obtienen mediante una expansin en fracciones parciales de H(z). Por tanto, no influyen
directamente en la posicin de los ceros, aunque s indirectamente a travs de la combinacin de todos los
factores de H(z). En consecuencia, es ms difcil determinar el efecto de los errores de cuantificacin en los
coeficientes {cki } sobre la posicin de los ceros del sistema.
Figura 9.5.5. Posibles posiciones de los polos para el filtro acoplado de dos polos de la Figura 9.5.4.
Es evidente que la cuantificacin de los parmetros {cki } probablemente produce una perturbacin importante en las posiciones de los ceros y, normalmente, es lo suficientemente grande en implementaciones de punto
fijo como para eliminar los ceros de la circunferencia unidad. sta es una situacin bastante indeseable, que se
puede solucionar fcilmente utilizando una representacin en punto flotante. En cualquier caso, la realizacin
en cascada es ms robusta frente a la cuantificacin de coeficientes y ser la opcin preferible en las aplicaciones
prcticas, especialmente donde se emplee la representacin en punto fijo.
EJEMPLO 9.5.1
Determine el efecto de la cuantificacin de parmetros en la respuesta en frecuencia del filtro elptico de orden siete dado
en la Tabla 10.6, si se implementa conectando en cascada secciones de segundo orden.
Solucin. Los coeficientes del filtro elptico dado en la Tabla 10.6 estn especificados para la conexin en cascada que
proporciona seis dgitos significativos. Cuantificamos estos coeficientes (mediante redondeo) a cuatro y luego a tres dgitos
significativos y representamos grficamente el mdulo (en decibelios) y la fase de la respuesta en frecuencia. Los resultados
se muestran en la Figura 9.5.6 junto con la respuesta en frecuencia del filtro con coeficientes no cuantificados (seis dgitos
significativos). Observe que existe una degradacin insignificante debida a la cuantificacin de coeficientes en la realizacin
en cascada.
EJEMPLO 9.5.2
Ganancia (dB)
Repita el clculo de la respuesta en frecuencia para el filtro elptico considerado en el Ejemplo 9.5.1 cuando se implementa
conectando en paralelo secciones de segundo orden.
10
0
10
20
30
40
50
60
70
80
90
100
0
No cuantificado
Cuantificado a 3 y 4 dgitos
.1
.2
.3
.4
.5
.4
.5
180
Fase (grado)
120
60
0
60
120
180
0
.1
.2
.3
Frecuencia relativa
Figura 9.5.6. Efecto de la cuantificacin de los coeficientes del mdulo y la fase de la respuesta de un filtro
elptico de orden N = 7 implementado en cascada.
Solucin. La funcin del sistema para el filtro elptico de orden siete dado en la Tabla 10.6 es
H(z) =
0.2781304 + 0.0054373108z1
1 0.790103z1
+
0.3867805 + 0.3322229z1
1 1.517223z1 + 0.714088z2
0.1277036 0.1558696z1
1 1.421773z1 + 0.861895z2
0.015824186 + 0.38377356z1
1 1.387447z1 + 0.962242z2
La respuesta en frecuencia de este filtro con coeficientes cuantificados a cuatro dgitos se muestra en la Figura 9.5.7(a).
Cuando este resultado se compara con la respuesta en frecuencia de la Figura 9.5.6, puede observarse que los ceros de
la realizacin en paralelo han sido lo suficientemente perturbados como para que los nulos del mdulo de la respuesta se
encuentren ahora en 80, 85 y 92 dB. La fase de la respuesta tambin se ha visto perturbada aunque en un grado mucho
menor.
Cuando los coeficientes se cuantifican a tres dgitos significativos, la respuesta en frecuencia se deteriora de forma
significativa, tanto en mdulo como en fase, como se ilustra en la Figura 9.5.7(b). Es evidente a partir del mdulo de
la respuesta que los ceros ya no se encuentran sobre la circunferencia unidad como resultado de la cuantificacin de los
coeficientes. Este resultado ilustra claramente la sensibilidad de los ceros a la cuantificacin de los coeficientes en la
realizacin en paralelo.
Si comparamos con los resultados del Ejemplo 9.5.1, tambin es evidente que la realizacin en cascada es defintivamente
ms robusta en lo que se refiere a la cuantificacin de parmetros que la realizacin en paralelo.
9.5.2
Como hemos visto en la seccin anterior, el anlisis de sensibilidad realizado sobre los polos de un sistema
tambin se aplica directamente a los ceros de los filtros IIR. En consecuencia, una expresin anloga a (9.5.12)
puede obtenerse para los ceros de un filtro FIR. En efecto, generalmente, implementaremos los filtros FIR con
un nmero grande de ceros como una cascada de filtros de primer orden y de segundo orden para minimizar la
sensibilidad a la cuantificacin de coeficientes.
En la prctica, tiene un especial inters la realizacin de los filtros FIR de fase lineal. Las realizaciones en
la forma directa mostradas en las Figuras 9.2.1 y 9.2.2 mantienen la propiedad de fase lineal incluso cuando se
cuantifican los coeficientes. Esto puede deducirse fcilmente teniendo en cuenta que la funcin de sistema de
un filtro FIR de fase lineal satisface la propiedad
H(z) = z(M1) H(z1 )
independientemente de si los coeficientes se cuantifican o no (vase la Seccin 10.2). En consecuencia, la
cuantificacin de coeficientes no afecta a la fase del filtro FIR, sino slo al mdulo. Por tanto, los efectos de
cuantificacin no son tan severos en un filtro FIR de fase lineal, ya que slo influyen sobre el mdulo.
EJEMPLO 9.5.3
Determine el efecto de la cuantificacin de parmetros sobre la respuesta en frecuencia de un filtro FIR paso banda de fase
lineal de orden M = 32. El filtro se implementa en su forma directa.
Solucin. La respuesta en frecuencia de un filtro FIR paso banda de fase lineal con coeficientes sin cuantificar se muestra
en la Figura 9.5.8(a). Cuando los coeficientes se cuantifican a cuatro dgitos significativos, el efecto sobre la respuesta en
Ganancia (dB)
frecuencia es insignificante. Sin embargo, cuando los coeficientes se cuantifican a tres dgitos significativos, los lbulos
secundarios aumentan en varios decibelios, como se muestra en la Figura 9.5.8(b). Este resultado indica que deberamos
utilizar un mnimo de 10 bits para representar los coeficientes de este filtro FIR y, preferiblemente, de 12 a 14 bits, si es
posible.
10
0
10
20
30
40
50
60
70
80
90
100
0
.1
.2
.3
.4
.5
.4
.5
.4
.5
.4
.5
180
Fase (grados)
120
60
0
60
Ganancia (dB)
120
180
0
.1
10
0
10
20
30
40
50
60
70
80
90
100
0
.1
.2
.3
Frecuencia relativa
(a) Cuantizacin a 4 dgitos
.2
.3
180
Fase (grados)
120
60
0
60
120
180
0
.1
.2
.3
Frecuencia relativa
(b) Cuantizacin a 3 dgitos
Ganancia (dB)
10
0
10
20
30
40
50
60
70
80
90
100
0
.1
.2
.3
Frecuencia relativa
.4
.5
.4
.5
Ganancia (dB)
.1
.2
.3
Frecuencia relativa
Figura 9.5.8. Efecto de la cuantificacin de coeficientes en el mdulo del filtro FIR de fase lineal y orden
M = 32 implementado en forma directa: (a) sin cuantificacin; (b) cuantificacin a tres dgitos.
A partir de este ejemplo, podemos concluir que se necesita un mnimo de 10 bits para representar los
coeficientes de una realizacin en la forma directa de un filtro FIR de longitud media. Cuando la longitud del
filtro aumente, el nmero de bits por coeficiente tendr que incrementarse para mantener el mismo error en la
respuesta en frecuencia del filtro.
Por ejemplo, suponga que cada coeficiente del filtro se redondea a (b + 1) bits. As, el error mximo del
valor de un coeficiente queda limitado en el intervalo
2(b+1) < eh (n) < 2(b+1)
Dado que los valores cuantificados pueden representarse como h(n) = h(n) + eh(n), el error en la respuesta en
frecuencia es
EM ( ) =
M1
eh (n)e j n
n=0
Puesto que eh (n) tiene media cero, se deduce que EM ( ) tambin tiene media cero. Suponiendo que la secuencia
del error de los coeficientes, eh (n), 0 n M 1, no est correlada, la varianza del error EM ( ) de la respuesta
en frecuencia es simplemente la suma de las varianzas de los M trminos. As, tenemos
E2 =
22(b+1)
22(b+2)
M=
M
12
3
Observe que la varianza del error en H( ) aumenta linealmente con M. Por tanto, la desviacin estndar del
error en H( ) es
2(b+2)
E =
M
3
En consecuencia, por cada incremento de M en un factor de 4, la precisin de los coeficientes del filtro debe
incrementarse en un bit adicional para as mantener la desviacin estndar fijada. Este resultado, junto con los
obtenidos en el Ejemplo 9.5.3, implica que el error en frecuencia es tolerable para longitudes de filtro de hasta
256, siempre que los coeficientes del filtro se presenten mediante 12 o 13 bits. Si la longitud de palabra del
procesador digital de seales es menor que 12 bits o si excede el valor de 256, el filtro debera implementarse
como una cascada de filtros de longitudes ms pequeas con el fin de reducir los requisitos de precisin.
En una realizacin en cascada de la forma
K
H(z) = G Hk (z)
(9.5.18)
k=1
(9.5.19)
Los coeficientes de los ceros complejos se expresan como bk1 = 2rk cos k y bk2 = rk2 . La cuantificacin de
bk1 y bk2 da lugar a las posiciones de los ceros que se muestran en la Figura 9.5.3, salvo que la cuadrcula se
ampla a puntos exteriores a la circunferencia unidad.
En este caso, puede surgir un problema al mantener la propiedad de fase lineal, ya que la pareja cuantificada
de ceros en z = (1/rk )e jk puede no ser la imagen reflejada de los ceros cuantificados en z = rk e jk . Este
problema puede evitarse reordenando los factores correspondientes al cero reflejado. Es decir, podemos escribir
el factor de la imagen reflejada como
2
1
1
1 cos k z1 + 2 z2 = 2 (rk2 2rk cos k z1 + z2 )
rk
rk
rk
(9.5.20)
Los factores {1/rk2 } pueden combinarse con el factor de ganancia total G, o pueden distribuirse en cada uno de
los filtros de segundo orden. El factor de (9.5.20) contiene exactamente los mismos parmetros que el factor
(1 2rk cos k z1 + rk2 z2 ) y, en consecuencia, ahora los ceros se producen como parejas reflejas incluso cuando
se cuantifican los parmetros.
En esta breve exposicin hemos proporcionado al lector una introduccin a los problemas de la cuantificacin
de los coeficientes en los filtros IIR y FIR. Hemos demostrado que un filtro de orden superior tiene que reducirse
a una realizacin en cascada (en el caso de los filtros FIR o IIR) o en paralelo (para los filtrso IIR), para
minimizar los efectos de los errores de cuantificacin en los coeficientes. Esto es especialmente importante en
las realizaciones en punto fijo en las que los coeficientes se representan mediante un nmero relativamemte
pequeo de bits.
tenerse especial cuidado al escalar la seal de entrada, con el fin de evitar completamente el desbordamiento o,
al menos, para minimizar su tasa de aparicin.
Los efectos no lineales debidos al uso de una aritmtica de precisin finita hace extremadamente complicado
analizar de forma precisa el funcionamiento de un filtro digital. Para llevar a cabo un anlisis de los efectos
de cuantificacin, adoptamos una caracterizacin estadstica de los errores de cuantificacin, que da lugar a un
modelo lineal del filtro. De este modo, podemos cuantificar los efectos de los errores de cuantificacin en la
implementacin de los filtros digitales. Nuestra exposicin est limitada a las realizaciones en punto fijo, donde
los efectos de cuantificacin son muy importantes.
9.6.1
En la realizacin de un filtro digital, por hardware o software empleando una computadora digital, la cuantificacin inherente de las operaciones aritmticas de precisin finita representan al sistema no lineal. En los sistemas
recursivos, las no linealidades debidas a las operaciones aritmticas de precisin finita a menudo producen
oscilaciones peridicas en la salida, incluso si la secuencia de entrada es cero o un valor constante distinto de
cero. Tales oscilaciones que se producen en los sistemas recursivos se denominan oscilaciones de ciclo lmite y
se atribuyen directamente a los errores de redondeo de las multiplicaciones y a los errores de desbordamiento
de las sumas.
Para ilustrar las caractersticas de una oscilacin de ciclo lmite, consideremos el sistema de un slo polo
descrito por la ecuacin en diferencias lineal
y(n) = ay(n 1) + x(n)
(9.6.1)
donde el polo est en z = a. El sistema ideal se implementa como se muestra en la Figura 9.6.1. Por el contrario,
el sistema real, que se describe mediante la ecuacin en diferencias no lineal
v(n) = Q[av(n 1)] + x(n)
(9.6.2)
y(n)
z1
x(n)
z1
Q[ ]
0.1111
0.1000
0.0100
0.0010
0.0001
0.0001
0.0001
0.0001
0.0001
1
2
15
16
8
16
4
16
2
16
1
16
1
16
1
16
1
16
1
16
a = 1.1000 = 12
0.1111
1.1000
0.0100
1.0010
0.0001
1.0001
0.0001
1.0001
0.0001
15
16
8
16
4
16
2
16
1
16
1
16
1
16
1
16
1
16
a = 0.1100 =
0.1011
0.1000
0.0110
0.0101
0.0100
0.0011
0.0010
0.0010
0.0010
3
4
11
16
8
16
6
16
5
16
4
16
3
16
2
16
2
16
2
16
a = 1.1100 = 34
0.1011
1.1000
0.0110
1.0101
0.0100
1.0011
0.0010
1.0010
11
16
8
16
6
16
5
16
4
16
3
16
2
0.0010
16
2
16
2
16
Tabla 9.2. Ciclos lmite para el filtro paso bajo de un slo polo.
Estos ciclos lmite se producen como resultado de los efectos de cuantificacin de las multiplicaciones.
Cuando la secuencia de entrada x(n) al filtro se hace igual a cero, la salida del mismo, despus de una serie de
iteraciones, entra en un ciclo lmite. La salida permanece dentro del ciclo lmite hasta que se aplica otra entrada
del tamao suficiente como para hacer que el sistema salga de dicho ciclo. Del mismo modo, se producen ciclos
lmite para la entrada nula a partir de las condiciones iniciales para la entrada x(n) = 0. Las amplitudes de la
salida durante un ciclo lmite estn confinadas dentro de un rango de valores que se denomina banda muerta
del filtro.
Es interesante destacar que cuando la respuesta de un filtro de un slo polo se encuentra en el ciclo lmite,
el sistema no lineal real funciona como un sistema lineal equivalente con un polo en z = 1 cuando el polo es
positivo y en z = 1 cuando el polo es negativo. Es decir,
v(n 1),
a>0
Qr [av(n 1)] =
(9.6.3)
v(n 1), a < 0
Puesto que el producto cuantificado av(n 1) se obtiene por redondeo, se deduce que el error de cuantificacin
queda limitado como sigue
1
|Qr [av(n 1)] av(n 1)| 2b
(9.6.4)
2
donde b es el nmero de bits (excluido el signo) utilizado en la representacin del polo a y v(n). En consecuencia,
(9.6.4) y (9.6.3) llevan a
1
|v(n 1)| |av(n 1)| 2b
2
y por tanto
|v(n 1)|
2b
1 |a|
1
2
(9.6.5)
La expresin dada en (9.6.5) define la banda muerta para un filtro de un slo polo. Por ejemplo, cuando
1 1
b = 4 y |a| = 12 , tenemos una banda muerta con un intervalo de amplitudes ( 16
, 16 ). Si b = 4 y |a| = 34 , la
banda muerta aumenta a ( 18 , 18 ).
El comportamiento del ciclo lmite en un filtro de dos polos es mucho ms complejo y puede producir una
amplia variedad de oscilaciones. En este caso, el sistema ideal de dos polos est descrito por la ecuacin en
diferencias lineal,
y(n) = a1 y(n 1) + a2y(n 2) + x(n)
(9.6.6)
mientras que el sistema real est descrito por la ecuacin en diferencias no lineal
v(n) = Qr [a1 v(n 1)] + Qr[a2 v(n 2)] + x(n)
(9.6.7)
Cuando los coeficientes del filtro satisfacen la condicin a21 < 4a2, los polos del sistema se producen en
z = re j
donde a2 = r2 y a1 = 2r cos . Como en el caso del filtro de un slo polo, si el sistema se encuentra en un
ciclo lmite de la entrada nula o del estado nulo,
Qr [a2 v(n 2)] = v(n 2)
(9.6.8)
En otras palabras, el sistema se comporta como un oscilador con polos complejos conjugados sobre la circunferencia unidad (es decir, a2 = r2 = 1). Redondear el producto a2 v(n 2) implica que
|Qr [a2 v(n 2)] a2v(n 2)|
1 b
2
2
(9.6.9)
1 b
2
2
o lo que es equivalente,
|v(n 2)|
2b
1 |a2|
1
2
(9.6.10)
La expresin dada en (9.6.10) define la banda muerta del filtro de dos polos siendo stos polos complejos
conjugados. Observe que los lmites de la banda muerta slo dependen de |a2 |. El parmetro a1 = 2r cos
determina la frecuencia de oscilacin.
Otro posible modo de ciclo lmite con la entrada nula, que se produce como resultado del redondeo de las
multiplicaciones, se corresponde con un sistema de segundo orden equivalente cuyos polos se encuentran en
z = 1. En este caso, Jackson (1969) demostr que el filtro de dos polos presenta oscilaciones con una amplitud
que cae dentro de la banda muerta limitada por 2b /(1 |a1| a2).
Es interesante destacar que estos ciclos lmite resultan del redondeo del producto de los coeficientes del
filtro por las salidas anteriores v(n 1) y v(n 2). En lugar de redondear, podemos elegir truncar los productos
a b bits. Con el truncamiento, podemos eliminar muchos, aunque no todos, los ciclos lmite como demuestra
Claasen et al (1973). Sin embargo, recuerde que el truncamiento da lugar a un error de desviacin a menos que
x(n)
y(n)
+
z1
a1
z1
a2
(9.6.11)
donde la funcin g[] representa la suma en complemento a dos. Puede verificarse fcilmente que la funcin
g(v) en funcin de v se describe mediante la grfica de la Figura 9.6.4.
Figura 9.6.4. Relacin funcional caracterstica de la suma en complemento a dos de dos o ms nmeros.
9.6.2
Como acabamos de explicar, la aritmtica de saturacin elimina los ciclos lmite debidos al desbordamiento,
pero produce una distorsin no deseada en la seal debida a la no linealidad del recortador. Para limitar la
cantidad de distorsin no lineal, es importante aplicar un cambio de escala a la seal de entrada y a la respuesta
al impulso unidad, entre la entrada y cualquier nodo suma interno, de tal manera que el desbordamiento pase a
ser un suceso raro.
En el caso de aritmtica de punto fijo, consideremos en primer lugar la condicin extrema de que no est
permitido el desbordamiento en ningn nodo del sistema. Sea yk (n) la respuesta del sistema en el nodo k cuando
la secuencia de entrada es x(n) y sea hk (n) la respuesta al impulso unidad entre el nodo y la entrada. Luego
|yk (n)| = hk (m)x(n m) |hk (m)||x(n m)|
m=
m=
Suponga que Ax es el lmite superior de x(n). As,
|yk (n)| Ax
m=
|hk (m)|,
para todo n
(9.6.13)
m=
(9.6.14)
|hk (m)|
para todos los posibles nodos del sistema. La condicin dada en (9.6.14) es necesaria y suficiente para impedir
el desbordamiento.
Sin embargo, la condicin dada en (9.6.14) es demasiado conservadora hasta el punto que la seal de entrada
puede haberse escalado demasiado. En tal caso, gran parte de la precisin utilizada para representar x(n) se pierde.
Esto es especialmente cierto en secuencias de banda estrecha, como por ejemplo sinusoides, donde el cambio de
escala que implica la Ecuacin (9.6.14) es demasiado severo. Para seales de banda estrecha podemos emplear la
respuesta en frecuencia del sistema para determinar el cambio de escala apropiado. Puesto que |H( )| representa
la ganancia del sistema en la frecuencia , un cambio de escala menos severo y razonablemente adecuado sera
requerir que
1
Ax <
(9.6.15)
max |Hk ( )|
0
(9.6.16)
M1
|hk (m)|
m=0
que es la suma de los M trminos distintos de cero de la respuesta al impulso unitario del filtro.
Otro mtodo de escalado consiste en aplicar un cambio de escala a la entrada tal que
n=
|yk (n)|2 C2
n=
|x(n)|2 = C2 Ex
(9.6.17)
n=
|yk (n)|2 =
1
2
Ex
1
2
(9.6.18)
|H( )|2 d
n=
|hk (n)|2
(1/2 )
|H( )|2 d
(9.6.19)
n=
1/2
|hk (n)|
max |Hk ( )|
n=
|hk (n)|
(9.6.20)
(9.6.21)
El efecto de redondear el producto av(n 1) se modela como una secuencia de ruido e(n) sumada al produto
real av(n 1), es decir,
Qr [av(n 1)] = av(n 1) + e(n)
(9.6.22)
Con este modelo para el error de cuantificacin, el sistema que estamos considerando se describe mediante la
ecuacin en diferencias lineal
v(n) = av(n 1) + x(n) + e(n)
(9.6.23)
El sistema correspondiente se ilustra en el diagrama de bloques de la Figura 9.6.6.
Es evidente a partir de (9.6.23) que la secuencia de salida v(n) del filtro puede separarse en dos componentes.
Uno de ellos es la respuesta del sistema a la secuencia de entrada x(n). El segundo es la respuesta del sistema
al ruido de cuantificacin aditivo e(n). En realidad, podemos expresar la secuencia de salida v(n) como la suma
de estos dos componentes, es decir,
v(n) = y(n) + q(n)
(9.6.24)
x(n)
z1
e(n)
Figura 9.6.6. Modelo de ruido aditivo para el error de cuantificacin en un filtro de un slo polo.
donde y(n) representa la respuesta del sistema a x(n) y q(n) representa la respuesta del sistena al error de
cuantificacin e(n). Sustituyendo la expresin de v(n) dada por (9.6.24) en (9.6.23), obtenemos
y(n) + q(n) = ay(n 1) + aq(n 1) + x(n) + e(n)
(9.6.25)
Para simplificar el anlisis, realizamos las siguientes suposiciones acerca de la secuencia de error e(n).
1. Para cualquier n, la secuencia de error {e(n)} est uniformemente distribuida en el intervalo ( 12 2b ,
1
2
e2 =
22b
12
(9.6.26)
2. El error {e(n)} es una secuencia de ruido blanco estacionario. En otras palabras, el error e(n) y el error
e(m) son incorrelados para n = m.
3. La secuencia de error {e(n)} no est correlada con la seal {x(n)}.
La ltima suposicin nos permite separar la ecuacin en diferencias dada en (9.6.25) en dos ecuaciones en
diferencias desacopladas, como
y(n) = ay(n 1) + x(n)
(9.6.27)
(9.6.28)
La ecuacin en diferencias dada por (9.6.27) representa la relacin de entradasalida del sistema deseado y la
ecuacin en diferencias dada por (9.6.28) representa la relacin para el error de cuantificacin en la salida del
sistema.
Para completar el anlisis, vamos a utilizar dos importantes relaciones desarrolladas en la Seccin 12.1.
La primera relacin define el valor medio de la salida q(n) de un filtro lineal invariante en desplazamiento con
respuesta al impulso h(n) cuando se excita mediante una secuencia aleatoria e(n) que tiene un valor medio me .
El resultado es
m q = me
h(n)
(9.6.29)
n=
o, lo que es equivalente,
mq = me H(0)
(9.6.30)
qq (n) =
h(k)h(l)ee (k l + n)
(9.6.31)
k= l=
En el importante caso especial en el que la secuencia aleatoria es ruido blanco (espectralmente plano), la
autocorrelacin ee (n) es un impulso unidad al que se le ha aplicado un factor de escala igual a la varianza e2 ,
es decir,
ee (n) = e2 (n)
(9.6.32)
qq (n) = e2
h(k)h(k + n)
(9.6.33)
k=
La varianza q2 del ruido de salida se obtiene simplemente evaluando qq (n) en n = 0. Por tanto,
q2 = e2
h2 (k)
(9.6.34)
k=
q2 =
e2
2
|H( )|2 d
(9.6.35)
En el caso del filtro de un slo polo que estamos considerando, la respuesta al impulso unidad es
h(n) = an u(n)
(9.6.36)
Ya que el error de cuantificacin debido al redondeo tiene valor medio cero, el valor medio del error en la salida
del filtro es mq = 0. La varianza del error en la salida del filtro es
q2 = e2 a2k
k=0
e2
=
1 a2
(9.6.37)
Observe que la potencia de ruido q2 en la salida del filtro ha mejorado respecto a la potencia de ruido
de entrada e2 segn el factor 1/(1 a2). Este factor aumenta cuando el polo se mueve aproximndose a la
circunferencia unidad.
Para obtener una imagen ms clara del efecto del error de cuantificacin, tambin tenemos que considerar
el efecto del cambio de escala en la entrada. Supongamos que la secuencia de entrada {x(n)} es ruido blanco
(seal de banda ancha), cuya amplitud se ha escalado de acuerdo con (9.6.14) para impedir que se produzcan
desbordamientos en las operaciones de suma. Luego,
Ax < 1 |a|
Si suponemos que x(n) est uniformemente distribuida en el intervalo (Ax , Ax ), entonces, segn (9.6.31) y
(9.6.34), la potencia de seal a la salida del filtro es
y2 = x2 a2k
k=0
x2
=
1 a2
(9.6.38)
y2
x2
=
q2
e2
(9.6.39)
= (1 |a|)2 22(b+1)
Esta expresin para la relacin SNR de salida ilustra claramente la fuerte penalizacin que se paga como
consecuencia del escalado de la entrada, especialmente cuando el polo se encuentra prximo a la circunferencia
unidad. Comparando, si la entrada no se escala y el sumador tiene el nmero suficiente de bits para evitar el
desbordamiento, entonces la amplitud de la seal se puede confinar en el intervalo (1, 1). En este caso, x2 = 13 ,
lo que es independiente de la posicin del polo. Luego
y2
= 22(b+1)
q2
(9.6.40)
La diferencia entre las realciones SNR dadas en (9.6.40) y (9.6.39) demuestra claramente la necesidad de utilizar
ms bits en la suma que en la multiplicacin. El nmero adicional de bits depende de la posicin del polo y
debera incrementarse cuando el polo se aproxime a la circunferencia unidad.
A continuacin, consideremos un filtro de dos polos con precisin infinita, el cual se describe mediante la
ecuacin en diferencias lineal
y(n) = a1 y(n 1) + a2y(n 2) + x(n)
(9.6.41)
donde a1 = 2r cos y a2 = r2 . Cuando los dos productos se redondean, tenemos el sistema descrito por la
ecuacin en diferencias no lineal
v(n) = Qr [a1 v(n 1)] + Qr[a2 v(n 2)] + x(n)
(9.6.42)
(9.6.43)
Un diagrama de bloques para el modelo correspondiente se muestra en la Figura 9.6.8. Observe que las secuencias
de error e1 (n) y e2 (n) pueden desplazarse directamente a la entrada del filtro.
Como en el caso del filtro de primer orden, la salida del filtro de segundo orden puede separarse en dos
componentes, la seal deseada y el error de cuantificacin. La primera se describe mediante la ecuacin en
diferencias
y(n) = a1 y(n 1) + a2y(n 2) + x(n)
(9.6.44)
x(n)
z1
Qr[ ]
a1
z1
Qr[ ]
a2
x(n)
+
e1(n)
z1
a1
+
e2(n)
z1
a2
Figura 9.6.8. Modelo de ruido aditivo para los errores de cuantificacin en una realizacin de un filtro de dos
polos.
mientras que la segunda satisface la ecuacin en diferencias
q(n) = a1 q(n 1) + a2q(n 2) + e1(n) + e2(n)
(9.6.45)
Es razonable suponer que las dos secuencias e1 (n) y e2 (n) son incorreladas.
Ahora el filtro de segundo orden tiene una respuesta al impulso unidad
h(n) =
Por tanto,
rn
sen(n + 1) u(n)
sen
1 + r2
(9.6.46)
(9.6.47)
n=0
Aplicando (9.6.34), obtenemos la varianza de los errores de cuantificacin en la salida del filtro en la forma
1
1 + r2
(9.6.48)
q2 = e2
1 r2 r4 + 1 2r2 cos 2
En el caso de la componente de seal, si aplicamos un cambio de escala a la entrada de acuerdo con (9.6.14)
para evitar el desbordamiento, la potencia en la seal de salida es
y2 = x2
h2(n)
(9.6.49)
n=0
x2 =
3
2
(9.6.50)
|h(n)|
n=0
y2 x2
22(b+1)
=
=
2
q2 e2
|h(n)|
(9.6.51)
n=0
Aunque es difcil determinar el valor exacto del trmino del denominador de (9.6.51), es fcil obtener un
lmite superior y un lmite inferior. En particular, |h(n)| est limitado por arriba por
|h(n)|
de modo que
1 n
r ,
sen
1
n0
n=0
(9.6.52)
(9.6.53)
n=0
|H( )| = h(n)e j n |h(n)|
n=0
n=0
Pero
H( ) =
1
(1 re j e j )(1 re j e j )
En = , que es la frecuencia de resonancia del filtro, obtenemos el valor mximo de |H( )|. Luego,
(9.6.54)
n=0
Por tanto, la relacin SNR est limitada por encima y por debajo de acuerdo con la relacin
22(b+1)(1 r)2 sen2
y2
22(b+1)(1 r)2 (1 + r2 2r cos2 )
q2
(9.6.55)
y2
22(b+1)(1 r)2 (1 + r)2
q2
(9.6.56)
El trmino dominante en este lmite es (1 r)2 , que acta para reducir la relacin SNR dramticamente
cuando los polos se desplazan hacia la circunferencia unidad. Por tanto, el efecto del cambio de escala en el
filtro de segundo orden es ms severo que en el filtro de un slo polo. Observe que si d = 1 r es la distancia
del polo a la circunferencia unidad, la relacin SNR dada en (9.6.56) se reduce en d 2 , mientras que en el
filtro de un nico polo la reduccin es proporcional a d. Estos resultados sirven para reforzar la afirmacin
anterior, independientemente del uso de ms bits en las operaciones de suma que en las multiplicaciones como
mecanismos para evitar la importante penalizacin debida al cambio de escala.
El anlisis de los efectos de cuantificacin en un filtro de segundo orden puede aplicarse directamente a
los filtros de orden superior basados en la implementacin paralelo. En este caso, cada seccin de filtro de
segundo orden es independiente de las restantes secciones y, por tanto, la potencia de ruido de cuantificacin
total en la salida del paralelo es simplemente la suma lineal de las potencias de ruido de cuantificacin de
cada seccin individual. Por el contrario, la implementacin en cascada es ms compleja de analizar. En este
caso, el ruido generado en cualquier filtro de segundo orden es filtrado por las secciones que le siguen. En
consecuencia, aparece la cuestin de cmo emparejar los polos reales para formar secciones de segundo orden
y cmo ordenar los filtros de segundo orden resultantes para minimizar la potencia de ruido total en la salida
del filtro de orden superior. Este tema fue investigado por Jackson (1970a, b), quien demostr que los polos
prximos a la circunferencia unidad deben emparejarse con los ceros ms prximos, con el fin de reducir la
ganancia de cada filtro de segundo orden. Cuando se disponen en cascada las secciones de segundo orden, una
estrategia razonable consiste en colocar las secciones en orden decreciente partiendo de la de mxima ganancia
en frecuencia. De este modo, la potencia de ruido generada en las primeras secciones de alta ganancia no ser
amplificada significativamente por las secciones posteriores.
El siguiente ejemplo ilustra la cuestin de que ordenar apropiadamente las secciones en una realizacin en
cascada es importante para controlar el ruido de redondeo en la salida del filtro completo.
EJEMPLO 9.6.1
Determine la varianza del ruido de redondeo en la salida de las dos realizaciones en cascada del filtro cuya funcin de sistema
es
H(z) = H1 (z)H2 (z)
donde
H1 (z) =
1
1 12 z1
H2 (z) =
1
1 14 z1
Solucin. Sean h(n), h1 (n) y h2 (n) respuestas al impulso unidad correspondientes a las funciones de sistema H(z), H1 (z)
y H2 (z), respectivamente. Se deduce que
h1 (n) = ( 12 )n u(n),
h2 (n) = ( 14 )n u(n)
h(n) = [2( 12 )n ( 14 )n ]u(n)
Las dos realizaciones en cascada se muestran en la Figura 9.6.9.
En la primera realizacin en cascada, la varianza de la salida es
2
q1
= e2
n=0
(n) +
n=0
h22 (n)
Ahora
= e2
n=0
h21 (n)
1
1 14
h22 (n)
1
1
1 16
h2 (n)
4
1 14
n=0
n=0
m=0
(n) +
=
=
n=0
h21 (n)
4
3
16
15
14 1 + 11 1 = 1.83
8
16
Por tanto,
2 = 2.90 2
q1
e
2 = 3.16 2
q2
e
x(n)
y(n)
+
z 1
+
z 1
+
1
2
e1(n)
1
4
e2(n)
(a) Realizacin en cascada I
x(n)
y(n)
+
z 1
+
z 1
+
1
4
e1(n)
1
2
e2(n)
(b) Realizacin en cascada II
Figura 9.6.9. Las dos realizaciones en cascada del Ejemplo 9.6.1.(a) Realizacin en cascada I. (b) Realizacin
en cascada II.
y la relacin de las varianzas de ruido es
2
q2
2
q1
= 1.09
En consecuencia, la potencia de ruido en la segunda realizacin en cascada es un 9 % mayor que en la primera realizacin.
Problemas
9.1 Determine una realizacin de la forma directa de los siguientes filtros de fase lineal.
(a) h(n) = {1, 2, 3, 4, 3, 2, 1}
3
x(n)
y(n)
z 1
1
2
Figura P.9.3.
9.2 Considere un filtro FIR cuya funcin de sistema es
H(z) = 1 + 2.88z1 + 3.4048z2 + 1.74z3 + 0.4z4
Dibuje las realizaciones en la forma directa y en celosa del filtro y determine en detalle las correspondientes
ecuaciones de entradasalida. Se trata de un sistema de fase mnima?
9.3 Determine la funcin del sistema y la respuesta al impulso del sistema mostrado en la Figura P.9.3.
9.4 Determine la funcin del sistema y la respuesta al impulso del sistema mostrado en la Figura P.9.4.
9.5 Determine la estructura transpuesta del sistema de la Figura P.9.4 y verifique que tanto el sistema original
como el transpuesto tienen la misma funcin de sistema.
9.6 Determine a1 , a2 , c1 , y c0 en funcin de b1 y b2 , de modo que los dos sistemas de la Figura P.9.6 sean
equivalentes.
9.7 Considere el filtro mostrado en la Figura P.9.7.
(a) Determine su funcin de sistema.
5
x(n)
z 1
y(n)
1
3
+
z 1
1
2
Figura P.9.4.
x(n)
+
y(n)
z 1
b1
+
z 1
b2
x(n)
c0
+
z 1
y(n)
z 1
a1
a2
c1
Figura P.9.6.
(b) Dibuje el diagrama de polos y ceros y compruebe su estabilidad si
1. b0 = b2 = 1,
2. b0 = b2 = 1,
b1 = 2,
b1 = 2,
a1 = 1.5, a2 = 0.9
a1 = 1, a2 = 2
b1
z1
a2
b0
z1
y(n)
a1
Figura P.9.7.
r sen 0
z1
y(n)
+
z1
r cos 0
r cos 0
r sen 0
x(n)
y(n)
+
z1
2r cos 0
z1
r2
Figura P.9.10.
9.12 Determine el conjunto de ecuaciones en diferencias que describe una realizacin de un sistema IIR basada
en el uso de la estructura transpuesta de la forma directa II para los susbisistemas de segundo orden.
9.13 Escriba un programa que implemente una realizacin en paralelo basada en mdulos de segundo orden
con estructura transpuesta de la forma directa II.
9.14 Escriba un programa que implemente una realizacin en cascada basada en mdulos de segundo orden
de la forma directa II normal.
9.15 Determine los parmetros {Km } del filtro en celosa correspondientes al filtro FIR descrito por la funcin
del sistema
H(z) = A2 (z) = 1 + 2z1 + z2
9.16
(a) Determine los ceros y represente el patrn de ceros del filtro FIR en celosa que tiene los parmetros
siguientes:
1
1
K1 = ,
K2 = ,
K3 = 1
2
3
(b) Lo mismo que en el apartado (a) pero con K3 = 1.
(c) Se comprueba que todos los ceros caen exactamente sobre la circunferencia unidad. Puede generalizarse este resultado? Cmo?
(d) Dibuje la fase de la respuesta de los filtros de los apartados (a) y (b). Qu observaciones puede
hacer? Puede generalizarse este resultado? Cmo?
9.17 Considere un filtro FIR en celosa con coeficientes K1 = 0.65, K2 = 0.34 y K3 = 0.8.
(a) Halle su respuesta al impulso haciendo un seguimiento de un impulso unidad de entrada a travs de
la estructura en celosa.
(b) Dibuje la estructura de la forma directa equivalente.
9.18 Considere un sistema IIR causal cuya funcin de sistema es
H(z) =
1
1 (2r cos 0 )z1 + r2 z2
(a) Determine la respuesta al impulso de un filtro FIR en celosa con los parmetros K1 = 0.6, K2 = 0.3,
K3 = 0.5 y K4 = 0.9.
(b) Dibuje los filtros de slo ceros y de slo polos en la forma directa y en celosa especificados por los
parmetros K dados en el apartado (a).
z 1
z 1
y(n)
x(n)
Figura P.9.19.
9.22
1 z1
1 (2r cos 0 )z1 + r2z2
(b) Qu ocurre si r = 1?
9.23 Dibuje la estructura en celosaescalera para el sistema
H(z) =
1 0.8z1 + 0.15z2
1 + 0.1z1 0.72z2
1 + z1
(1 z1)(1 0.8e j /4z1 )(1 0.8e j /4z1 )
01.M 2E
10.M 2E
X=
si S = 0
si S = 1
si E es el valor en complemento a dos ms negativo
Determine el rango de nmeros positivos y negativos para los dos formatos siguientes:
bit de signo
E
exponente
mantisa
Figura P.9.26.
15
12
E
(a)
10
31
24
E
(b)
11
23
formato corto
22
9.27 Considere el filtro IIR recursivo mostrado en la Figura P.9.27 y sean hF (n), hR (n) y h(n) las respuestas al
impulso de la seccin FIR, la seccin recursiva y el filtro total, respectivamente.
(a) Halle todas la secciones de segundo orden causales y estables con coeficientes enteros (a1 , a2 ) y determine y dibuje sus respuestas al impulso y en frecuencia. Estos filtros no requieren multiplicaciones
complicadas ni cuantificacin despus de realizar las multiplicaciones.
(b) Demuestre que tres de las secciones obtenidas en el apartado (a) pueden obtenerse mediante la
interconexin de otras secciones.
(c) Halle la ecuacin en diferencias que describe la respuesta al impulso h(n) del filtro y determine las
condiciones para que el filtro completo sea de tipo FIR.
(d) Vuelva a obtener los resultados de los apartados (a) hasta (c) utilizando consideraciones en el dominio
z.
9.28 Este problema ilustra el desarrollo de estructuras de filtros digitales utilizando la regla de Horner para
evaluar los polinomios. Considere el polinomio
p(x) = p x p + a p1x p1 + + a1x + a0
que calcula p(x) con el coste mnimo de p multiplicaciones y p sumas.
(a) Dibuje la estructuras correspondientes a las descomposiciones en factores
H1 (z) = b0 (1 + b1z1 (1 + b2z1 (1 + b3z1 )))
H(z) = b0 (z3 + (b1z2 + (b2z1 + b3)))
x(n)
z 1
z 1
z 1
+
a2
y(n)
+
a1
z 1
z 1
Figura P.9.27.
H(z) = z
0 + (z
+ z )k
k=1
9.29 Sean x1 y x2 nmeros binarios de (b + 1) bits con mdulos menores que 1. Para calcular la suma de x1 y
x2 utilizando la representacin en complemento a dos y tratndolos como nmeros sin signo de (b + 1)
bits, realice la suma en mdulo 2 e ignore cualquier acarreo debido al bit de signo.
(a) Demuestre que si la suma de dos nmeros con el mismo signo tiene el signo opuesto, ello corresponde
a un desbordamiento.
(b) Demuestre que cuando calculamos la suma de varios nmeros empleando la representacin en
complemento a dos, el resultado ser correcto, incluso si se producen desbordamientos, si la suma
correcta es menor que 1 en mdulo. Ilustre este argumento construyendo un ejemplo simple con tres
nmeros.
9.30 Considere el sistema descrito por la ecuacin en diferencias
y(n) = ay(n 1) ax(n) + x(n 1)
(a) Demuestre que se trata de un sistema paso todo.
(b) Obtenga la realizacin en la forma directa II del sistema.
(c) Si cuantifica los coeficientes del sistema del apartado (b), sigue siendo paso todo?
(d) Obtenga una realizacin reescribiendo la ecuacin en diferencias como
y(n) = a[y(n 1) x(n)] + x(n 1)
(e) Si cuantifica los coeficientes del sistema del apartado (d), contina siendo paso todo?
9.31 Considere el sistema
1
y(n) = y(n 1) + x(n)
2
(a) Calcule su respuesta a la entrada x(n) = ( 14 )n u(n) suponiendo que se aplica aritmtica de precisin
infinita.
(b) Calcule la respuesta del sistema y(n), 0 n 5 para la misma entrada, suponiendo aritmtica de
precisin finita, aritmtica fraccionaria en formato signomagnitud con cinco bits (es decir, el bit
de signo ms cuatro bits fraccionarios). La cuantificacin se realiza por truncamiento.
(c) Compare los resultados obtenidos en los apartados (a) y (b).
9.32 La entrada al sistema
y(n) = 0.999y(n 1) + x(n)
se cuantifica empleando b = 8 bits. Cul es la potencia producida por el ruido de cuantificacin en la
salida del filtro?
9.33 Considere el sistema
y(n) = 0.875y(n 1) 0.125y(n 2) + x(n)
1 12 z1
(1 14 z1 )(1 + 14 z1 )
y1(n)
z 1
Figura P.9.35.
Filtro H(z)
(8 bits)
x(t)
Convertidor
A/D
x(n)
y(n)
6 bits
z1
0.75
Atenuador
Figura P.9.36.
(d) Cul es la relacin SNR en la salida del filtro debida a todas las fuentes de ruido de cuantificacin?
9.37 Demuestre que la Figura P.9.37 es la implementacin en forma acoplada de un filtro de dos polos, cuyos
polos estn en x = re j . Existen cuatro multiplicaciones reales por punto de salida. Sea ei (n), i = 1, 2,
3, 4 el ruido de redondeo en una implementacin de punto fijo del filtro. Suponga que las fuentes de ruido
son secuencias de ruido blanco estacionarias mutuamente incorreladas y de media cero. Para cada n, la
densidad de probabilidad p(e) es uniforme en el intervalo /2 e /2, donde = 2b .
(a) Escriba las dos ecuaciones en diferencias acopladas para y(n) y v(n), incluyendo las fuentes de ruido
y la secuencia de entrada x(n).
(b) A partir de estas dos ecuaciones en diferencias, demuestre que las funciones del sistema del filtro
H1 (z) y H2 (z) entre los trminos del ruido de entrada e1 (n) + e2(n) y e3 (n) + e4(n) y la salida y(n)
x(n)
e2(n)
e1(n)
e3(n)
z 1
y(n)
e4(n)
z1
y(n 1)
Figura P.9.37.
son:
H1 (z)
r sen z1
1 2r cos z1 + r2 z2
H2 (z)
1 r cos z1
1 2r cos z1 + r2 z2
Sabemos que
H(z) =
1 n
1
h(n) =
r sen(n + 1) u(n)
1
2
1 2r cos z + r2z
sen
1
1 12 z1
H2 (z) =
1
1 13 z1
9.39 Efectos de cuantificacin en los filtros FIR en su forma directa. Considere una realizacin en la forma
directa de un filtro FIR de longitud M. Suponga que la multiplicacin de cada coeficiente por la correspondiente muestra de la seal se realiza en aritmtica de punto fijo con b bits y que cada producto se
redondea a b bits. Determine la varianza del ruido de cuantificacin en la salida del filtro usando una
caracterizacin estadstica del ruido de redondeo como en la Seccin 9.6.3.
9.40 Considere el sistema especificado por la funcin de sistema
B(z)
A(z)
(1 + 14 z1 )(1 58 z1 )
(1 0.8e j /4z1 )(1 0.8e j /4z1 )
G2
= G1
(1 0.8e j /3z1 )(1 0.8e j /3z1 )
(1 12 z1 )(1 + 13 z1 )
H(z) =
(a) Seleccione G1 y G2 de modo que la ganancia de cada seccin de segundo orden en = 0 sea igual
a 1.
(b) Dibuje las realizaciones en la forma directa I, la forma directa II y en cascada del sistema.
(c) Escriba un programa que implemente la forma directa I y la forma directa II, y calcule las primeras
muestras de la respuesta al impulso y el escaln del sistema.
(d) Dibuje los resultados del apartado (c) para ilustrar el funcionamiento de los programas.
9.41 Considere el sistema dado en el Problema 9.40 con G1 = G2 = 1.
x(n)
y(n)
z 1
z 1
1
2
e1(n)
1
3
e2(n)
(a) Realizacin en cascada I
x(n)
y(n)
z 1
z 1
1
3
e1(n)
1
2
e2(n)
(b) Realizacin en cascada II
Figura P.9.38.
(a) Determine una realizacin en celosa para el sistema
H(z) = B(z)
(b) Determine una realizacin en celosa para el sistema
H(z) =
1
A(z)
10
Diseo de filtros
digitales
Con los temas que hemos desarrollado en los captulos anteriores, ahora estamos preparados para abordar el
diseo de filtros digitales. Describiremos varios mtodos para disear filtros digitales FIR e IIR.
En el diseo de filtros selectivos en frecuencia, la caracterstica del filtro deseado se especifica en el dominio
de la frecuencia en funcin del mdulo y de la fase de la respuesta del filtro. En el proceso de diseo del filtro,
determinamos los coeficientes de un filtro FIR o IIR causal que es buena aproximacin de las especificaciones
de la respuesta en frecuencia deseada. El tipo de filtro que se disee, FIR o IIR, depende de la naturaleza del
problema y de las especificaciones de la respuesta en frecuencia deseada.
En la prctica, los filtros FIR se emplean en problemas de filtrado en los que se precisa una caracterstica
de fase dentro de la banda de paso del filtro. Si no se necesita esta caracterstica de fase lineal, puede emplearse
un filtro IIR o FIR. Sin embargo, por regla general, un filtro IIR tiene lbulos secundarios ms pequeos en la
banda eliminada que un filtro FIR con el mismo nmero de parmetros. Por esta razn, si es tolerable cierta
distorsin, es preferible un filtro IIR, principalmente porque su implementacin precisa muy pocos parmetros,
requiere menos memoria y presenta menos complejidad de clculo.
Junto con el diseo de filtros digitales, vamos a describir tambin las transformaciones en frecuencia tanto
en el dominio analgico como en el digital, para transformar un filtro paso bajo prototipo en otro filtro paso
bajo, paso banda, de banda eliminada o paso alto.
Actualmente, el diseo de filtros FIR e IIR digitales es mucho ms simple gracias a la disponibilidad de
numerosos programas software. Al describir en este captulo los mtodos de diseo de filtros, nuestro primer
objetivo ser proporcionar al lector los conocimientos necesarios para seleccionar el filtro que mejor se adapte
a la aplicacin y satisfacer los requisitos de diseo.
10.1.1
1, | | c
0, c <
(10.1.1)
,
n=0
h(n) =
sen c n
c
, n=
0
c n
(10.1.2)
Un diagrama de h(n) para c = /4 se muestra en la Figura 10.1.1. Est claro que el filtro paso bajo ideal es
un filtro no causal y por tanto no se puede implementar en la prctica.
Una posible solucin consiste en introducir un retardo grande n0 en h(n) y establecer arbitrariamente
h(n) = 0 para n < n0 . Sin embargo, el sistema resultante ya no presenta una respuesta en frecuencia ideal. No
obstante, si hacemos h(n) = 0 para n < n0 , la expansin en serie de Fourier de H( ) da lugar al fenmeno de
Gibbs, como se describe en la Seccin 10.2.
Aunque esta exposicin va a limitarse a la realizacin de un filtro paso bajo, las conclusiones que saquemos
pueden generalizarse para los restantes filtros ideales. En resumen, ninguna de las caractersticas del filtro
mostradas anteriormente en la Figura 5.4.1 son causales, por lo que no es posible implementarlos fsicamente.
Una pregunta que naturalmente surge en este punto es la siguiente: cules son las condiciones necesarias
y suficientes que debe satisfacer una respuesta en frecuencia H( ) para que el filtro resultante sea causal? El
teorema de PaleyWiener proporciona la respuesta a esta pregunta. Podemos enunciar este teorema como sigue:
Teorema de PaleyWiener. Si h(n) tiene energa finita y h(n) = 0 para n < 0, entonces [puede consultar
Wiener y Paley (1934)]
(10.1.3)
Inversamente, si |H( )| es integrable y si la integral dada en (10.1.3) es finita, entonces podemos asociar con
|H( )| una fase de la respuesta ( ), por lo que el filtro resultante con la respuesta en frecuencia
H( ) = |H( )|e j( )
es causal.
h(n)
0.25
20
n
20
Una conclusin importante que podemos extraer del teorema de PaleyWiener es que el mdulo |H( )|
puede ser cero para algunas frecuencias, pero no puede ser cero en ninguna banda finita de frecuencias, ya que
la integral es infinita. En consecuencia, cualquier filtro ideal es no causal.
Aparentemente, la causalidad impone algunas restricciones estrictas en un sistema lineal e invariante en el
tiempo. Adems de la condicin de PaleyWiener, la causalidad tambin implica una relacin fuerte entre HR ( )
y HI ( ), las componentes real e imaginaria de la respuesta en frecuencia H( ). Para ilustrar esta dependencia,
descomponemos h(n) en una secuencia par y una secuencia impar, es decir,
h(n) = he (n) + ho(n)
(10.1.4)
1
he (n) = [h(n) + h(n)]
2
(10.1.5)
1
ho (n) = [h(n) h(n)]
2
(10.1.6)
donde
Ahora, si h(n) es causal, es posible recuperar h(n) a partir de su componente par h e (n) para 0 n , o a partir
de su componente impar ho (n) para 1 n .
Podemos ver fcilmente que
n0
(10.1.7)
n1
(10.1.8)
Dado que ho (n) = 0 para n = 0, no podemos recuperar h(0) a partir de ho (n) y por tanto tambin necesitamos
conocer h(0). En cualquier caso, es evidente que ho (n) = he (n) para n 1, por lo que existe una relacin fuerte
entre ho (n) y he (n).
Si h(n) es absolutamente sumable (es decir, BIBO estable), la respuesta en frecuencia H( ) existe, y
H( ) = HR ( ) + jHI ( )
(10.1.9)
Adems, si h(n) es real y causal, las propiedades de simetra de la transformada de Fourier implican que
F
he (n) HR ( )
(10.1.10)
ho (n) HI ( )
Dado que h(n) queda completamente especificada por he (n), se deduce que H( ) queda completamente
determinada si conocemos HR( ). Alternativamente, H( ) queda completamente determinada a partir de HI( )
y h(0). En resumen, HR ( ) y HI ( ) son independientes y no pueden especificarse de forma independiente si
el sistema es causal. Esto es equivalente a decir que el mdulo y la fase de la respuesta de un filtro causal son
interdependientes y por tanto no se pueden especificar de manera independiente.
Dada HR ( ) para una secuencia real, par y absolutamente sumable he (n), podemos determinar H( ). El
siguiente ejemplo ilustra el procedimiento.
EJEMPLO 10.1.1
Considere un sistema LTI estable con una respuesta real y par al impulso h(n). Determine H( ) si
HR ( ) =
1 a cos
,
1 2a cos + a2
|a| < 1
Solucin. El primer paso consiste en determinar he (n). Esto puede hacerse teniendo en cuenta que
HR ( ) = HR (z)|z=e j
donde
HR (z) =
1 a(z + z1 )/2
z a(z2 + 1)/2
=
(z a)(1 az)
1 a(z + z1 ) + a2
La regin de convergencia tiene que estar restringida por los polos en p1 = a y p2 = 1/a y debe incluir la circunferencia
unidad. Por tanto, la ROC es |a| < |z| < 1/|a|. En consecuencia, he (n) es una secuencia de dos lbulos, con el polo en z = a
que contribuye a la componente causal y p2 = 1/a que contribuye a la componente anticausal. Utilizando una expansin en
fracciones parciales, obtenemos
1
1
he (n) = a|n| + (n)
(10.1.11)
2
2
Sustituyendo (10.1.11) en (10.1.7), obtenemos h(n) como
h(n) = an u(n)
Por ltimo, obtenemos la transformada de Fourier de h(n) como
H( ) =
1
1 ae j
La relacin entre las componentes real e imaginaria de la transformada de Fourier de una secuencia real,
causal y absolutamente sumable puede establecerse fcilmente a partir de (10.1.7). Esta relacin es
H( ) = HR ( ) + jHI ( ) =
HR ( )U( )d he (0)
(10.1.12)
dondeU( ) es la transformada de Fourier del escaln unidad u(n). Aunque el escaln unidad no es absolutamente
sumable, tiene transformada de Fourier (vase la Seccin 4.2.8).
1
1 e j
1
1
= ( ) + j cot ,
2
2
2
U( ) = ( ) +
(10.1.13)
1
2
HR ( ) cot
d
2
(10.1.14)
Luego HI ( ) queda determinada de forma unvoca a partir de HR ( ) a travs de esta relacin integral. La
integral se conoce como transformada discreta de Hilbert. Dejamos como ejercicio para el lector establecer la
relacin entre HR ( ) y la funcin de la transformada discreta de Hilbert de HI ( ).
En resumen, la causalidad tiene implicaciones muy importantes en el diseo de filtros selectivos en frecuencia. stas son: (a) la respuesta en frecuencia H( ) no puede ser cero excepto en un conjunto finito de puntos de
frecuencia; (b) el mdulo |H( )| no puede ser constante en cualquier intervalo finito de frecuencia y la transicin de la banda de paso a la banda eliminada no puede ser infinitamente abrupta (esto es una consecuencia del
fenmeno de Gibbs, que resulta del truncamiento de h(n) para conseguir la causalidad); y (c) las componentes
real e imaginaria de H( ) son interdependientes y estn relacionadas por la transformada discreta de Hilbert.
En consecuencia, el mdulo |H( )| y la fase ( ) de H( ) no se pueden elegir arbitrariamente.
Ahora que conocemos las restricciones que impone la causalidad a la respuesta en frecuencia y teniendo
en cuenta el hecho de que los filtros ideales no pueden implementarse en la prctica, vamos a limitar nuestra
atencin a la clase de sistemas lineales e invariantes en el tiempo especificados por la ecuacin en diferencias
N
M1
k=1
k=0
y(n) = ak y(n k) +
bk x(n k)
que son causales y pueden implementarse fsicamente. Como hemos demostrado, tales sistemas tienen una
respuesta en frecuencia
M1
H( ) =
b k e j k
k=0
N
(10.1.15)
1 + a k e j k
k=1
El problema de diseo de un filtro digital bsico consiste en aproximar cualquiera de las caractersticas de la
respuesta en frecuencia ideal a un sistema que tenga la respuesta en frecuencia dada por (10.1.15), seleccionando
apropiadamente los coeficientes {ak } y {bk }. El problema de la aproximacin se trata en detalle en las Secciones
10.2 y 10.3, donde se exponen tcnicas para el diseo de filtros digitales.
10.1.2
Como hemos visto en la seccin anterior, los filtros ideales son no causales y, por tanto, no fsicamente irrealizables para aplicaciones de tratamiento de seales en tiempo real. La causalidad implica que la respuesta en
frecuencia H( ) del filtro no puede ser cero, excepto en un conjunto finito de puntos del intervalo de frecuencias. Adems, H( ) no puede presentar un corte infinitamente abrupto al pasar de la banda de paso a la banda
eliminada, es decir, H( ) no puede pasar de la unidad a cero abruptamente.
Aunque la respuesta en frecuencia de los filtros ideales puede resultar deseable, no es absolutamente necesaria en la mayora de las aplicaciones prcticas. Si relajamos estas condiciones, es posible implementar
filtros causales que pueden aproximarse a los filtros ideales tanto como deseemos. En particular, no es necesario
insistir en que el mdulo |H( )| tenga que ser constante en la banda de paso completa del filtro. Normalmente,
es tolerable un pequeo rizado en la banda de paso, como se ilustra en la Figura 10.1.2. De forma similar, no es
Rizado de la banda
de paso
Banda eliminada
Banda de
transiccin
0
necesario que la respuesta del filtro |H( ) sea cero en la banda eliminada. Un valor pequeo distinto de cero
de rizado en la banda eliminada tambin es tolerable.
La transicin de la respuesta en frecuencia de la banda de paso a la banda eliminada define la banda de
transicin o regin de transicin del filtro, como se ilustra en la Figura 10.1.2. La frecuencia de corte p define
el lmite superior de la banda de paso y la frecuencia s designa el comienzo de la banda eliminada. Por tanto,
la anchura de la banda de transicin es s p. La anchura de la banda de paso normalmente se denomina
ancho de banda del filtro. Por ejemplo, si se trata de un filtro paso bajo con una frecuencia de corte de la banda
de paso p , su ancho de banda es p .
Si existe rizado en la banda de paso del filtro, su valor se designa mediante 1 , y el mdulo |H( )| vara
entre los lmites 1 1. El rizado de la banda eliminada del filtro se designa como 2 .
Para acomodar un rango dinmico grande en la grfica de la respuesta en frecuencia de cualquier filtro, es
habitual utilizar una escala logartmica para el mdulo |H( )|. En consecuencia, el rizado en la banda de paso
es 20 log10 1 decibelios, y en la banda eliminada es 20 log10 2 .
En cualquier problema de diseo de filtros podemos especificar: (1) el rizado mximo de la banda de paso
tolerable, (2) el rizado mximo de la banda eliminada tolerable, (3) la frecuencia de corte de la banda de paso
p y (4) la frecuencia de corte de la banda eliminada s . Basndonos en estas especificaciones, podemos
seleccionar los parmetros {ak } y {bk } de la respuesta en frecuencia, dada por (10.1.15), que proporcionen la
mejor aproximacin a la especificacin deseada. El grado en que H( ) se aproxime a la especificacin depende
en parte de los criterios utilizados para seleccionar los coeficientes del filtro {ak } y {bk }, as como de las
cantidades (M, N) de coeficientes.
En la seccin siguiente vamos a presentar un mtodo para disear filtros FIR de fase lineal.
10.2.1
Un filtro FIR de longitud M con entrada x(n) y salida y(n) se describe mediante la ecuacin en diferencias
y(n) = b0 x(n) + b1x(n 1) + + bM1x(n M + 1)
=
M1
(10.2.1)
bk x(n k)
k=0
donde {bk } es el conjunto de coeficientes del filtro. Alternativamente, podemos expresar la secuencia de salida
como la convolucin de la respuesta del sistema al impulso unidad h(n) con la seal de entrada. As, tenemos
y(n) =
M1
h(k)x(n k)
(10.2.2)
k=0
donde los lmites inferior y superior de la convolucin reflejan la causalidad y la caracterstica de duracin
finita de filtro. Evidentemente, (10.2.1) y (10.2.2) son idnticas en la forma y, por tanto, podemos deducir que
bk = h(k), k = 0, 1, . . . , M 1.
El filtro tambin puede caracterizarse mediante su funcin de sistema
H(z) =
M1
h(k)zk
(10.2.3)
k=0
que es un polinomio de grado M 1 en la variable z1 . Las races de este polinomio son los ceros del filtro.
Un filtro FIR tiene fase lineal si su respuesta al impulso unidad satisface la condicin
h(n) = h(M 1 n),
n = 0, 1, . . . , M 1
(10.2.4)
1
+ h(n) z(M12k)/2 z(M12k)/2 , M impar
= z(M1)/2 h
2
n=0
= z(M1)/2
(M/2)1
n=0
h(n)[z(M12k)/2 z(M12k)/2],
M par
(10.2.5)
Si ahora sustituimos z1 por z en (10.2.3) y multiplicamos ambos lados de la ecuacin resultante por z(M1) ,
obtenemos
z(M1) H(z1 ) = H(z)
(10.2.6)
Este resultado implica que las races del polinomio H(z) son idnticas a las races del polinomio H(z1 ). En
consecuencia, las races de H(z) deben producir parejas recprocas. En otras palabras, si z1 es una raz o un cero
de H(z), entonces 1/z1 tambin es una raz. Adems, si la respuesta al impulso unidad h(n) del filtro es real, las
races complejas deben producir parejas complejas conjugadas. Por tanto, si z1 es una raz compleja, z1 tambin
es una raz. Como consecuencia de (10.2.6), H(z) tambin tiene un cero en 1/z1 . La Figura 10.2.1 ilustra la
simetra que existe en las posiciones de los ceros de un filtro FIR de fase lineal.
La respuesta en frecuencia de los filtros FIR de fase lineal se obtiene evaluando (10.2.5) en la circunferencia
unidad. Esta sustitucin proporciona la expresin para H( ).
Cuando h(n) = h(M 1 n), H( ) puede expresarse como
H( ) = Hr ( )e j (M1)/2
(10.2.7)
M1
2
(M3)/2
+ 2 n=0
h(n) cos
M1
2
n ,
M impar
(10.2.8)
1
z*1
1
z*3
z3
z*3
z1
z2
z*1
1
z2
1
z3
Circunferencia
unidad
1
z1
Figura 10.2.1. Simetra de las posiciones de los ceros en un filtro FIR de fase lineal.
Hr ( ) = 2 n=0
h(n) cos
M1
2
n ,
M par
(10.2.9)
La caracterstica de fase del filtro tanto para M impar como para M par es
M1
,
si Hr ( ) > 0
2
( ) =
M1
+ , si Hr ( ) < 0
2
(10.2.10)
Si
h(n) = h(M 1 n)
la respuesta al impulso unidad es antisimtrica. Para M impar, el punto central de la secuencia h(n) antisimtrica
es n = (M 1)/2. En consecuencia,
M1
=0
h
2
Sin embargo, si M es par, cada trmino de h(n) tiene el trmino correspondiente de signo opuesto.
Es sencillo demostrar que la respuesta en frecuencia de un filtro FIR con una respuesta al impulso antisimtrica pueda expresarse como
H( ) = Hr ( )e j[ (M1)/2+ /2]
(10.2.11)
donde
M1
n
,
2
n=0
(M/2)1
M1
Hr ( ) = 2 h(n) sen
n ,
2
n=0
Hr ( ) = 2
(M3)/2
h(n) sen
M impar
(10.2.12)
M par
(10.2.13)
La caracterstica de fase del filtro tanto para M impar como para M par es
M1 ,
si Hr ( ) > 0
2
2
( ) =
M1
3
, si Hr ( ) < 0
2
2
(10.2.14)
Estas frmulas generales de la respuesta en frecuencia pueden emplearse para disear filtros FIR de fase
lineal con respuestas al impulso simtricas y antisimtricas. Observe que, para h(n) simtrica, el nmero de
coeficientes del filtro que especifica la respuesta en frecuencia es (M + 1)/2 cuando M es impar, o M/2 cuando
M es par. Por el contrario, si la respuesta al impulso unidad es antisimtrica,
M1
h
2
=0
de modo que existen (M 1)/2 coeficientes de filtro cuando M es impar y M/2 coeficientes cuando M es par
que tienen que ser especificados.
La eleccin de una respuesta al impulso simtrica o antisimtrica depende de la aplicacin. Como veremos
ms adelante, una respuesta al impulso simtrica es adecuada para algunas aplicaciones, mientras que la respuesta
al impulso antisimtrica es ms adecuada para otras aplicaciones. Por ejemplo, si h(n) = h(M 1 n) y M es
impar, (10.2.12) implica que Hr (0) = 0 y Hr ( ) = 0. En conseuencia, (10.2.12) no es adecuada ni para un filtro
paso bajo ni para un filtro paso alto. Del mismo modo, la respuesta al impulso unidad antisimtrico con M par
da como resultado Hr (0) = 0, lo que puede verificarse fcilmnte a partir de (10.2.13). Por tanto, no utilizaremos
la condicin de antisimetra en el diseo de un filtro FIR paso bajo de fase lineal. Por otro lado, la condicin
de simetra h(n) = h(M 1 n) proporciona un filtro FIR de fase lineal con una respuesta distinta de cero en
= 0, es decir,
Hr (0) = h
Hr (0) = 2
(M3)/2
M1
+ 2 h(n),
2
n=0
(M/2)1
h(n),
M impar
M par
(10.2.15)
(10.2.16)
n=0
En resumen, el problema de disear un filtro FIR consiste simplemente en determinar los M coeficientes de
h(n), n = 0, 1, . . . , M 1, a partir de una especificacin de la respuesta en frecuencia deseada Hd ( ) del filtro
FIR. Los parmetros importantes de la especificacin de Hd ( ) se proporcionan en la Figura 10.1.2.
En las siguientes secciones se describen los mtodos de diseo basados en la especificacin de Hd ( ).
10.2.2
1
2
hd (n)e j n
(10.2.17)
n=0
Hd ( )e j n d
(10.2.18)
Por tanto, dada Hd ( ), podemos determinar la respuesta al impulso unidad hd (n) evaluando la integral dada en
(10.2.17).
En general, la respuesta al impulso unidad hd (n) obtenida a partir de (10.2.17) es infinita en duracin y
tiene que truncarse en algn punto, por ejemplo en n = M 1, para proporcionar un filtro FIR de longitud M.
Truncar hd (n) a una longitud M 1 es equivalente a multiplicar hd (n) por una ventana rectangular, definida
como
1, n = 0, 1, . . . , M 1
w(n) =
(10.2.19)
0, en otro caso
Luego ahora la respuesta al impulso unidad del filtro FIR es
h(n) = hd (n)w(n) =
hd (n), n = 0, 1, . . . , M 1
0,
en otro caso
(10.2.20)
M1
w(n)e j n
(10.2.21)
n=0
Luego la convolucin de Hd ( ) con W ( ) proporciona la respuesta en frecuencia del filtro FIR (truncado). Es
decir,
1
H( ) =
Hd ( )W ( )d
(10.2.22)
2
La transformada de Fourier de la ventana rectangular es
W ( ) =
M1
e j n
n=0
sen( M/2)
1 e j M
=
= e j (M1)/2
1e
sen( /2)
(10.2.23)
| sen( M/2)|
,
| sen( /2)|
(10.2.24)
M1
,
cuando sen( M/2) 0
2
( ) =
M1
+ , cuando sen( M/2) < 0
2
(10.2.25)
Mdulo (dB)
El mdulo de la respuesta de la funcin de ventana se ilustra en la Figura 10.2.2 para M = 31 y 61. La anchura
del lbulo principal [la anchura que se mide en el primer cero de W ( )] es 4 /M. Luego, cuando M aumenta, el
lbulo principal se hace ms estrecho.Sin embargo, la altura de los lbulos secundarios de |W( )| es ligeramente
mayor, pero no se ven afectados por un incremento de M. De hecho, incluso aunque la anchura de cada lbulo
secundario disminuye cuando se produce un incremento de M, su altura aumenta cuando aumenta M de tal
manera que el rea bajo el lbulo secundario permanece invariante ante los cambios de M. Este comportamiento
caracterstico no es evidente a partir de la observacin de la Figura 10.2.2 porque W ( ) se ha normalizado
mediante M, de modo que los valores de pico normalizados de los lbulos secundarios permanecen invariantes
ante un incremento de M.
Las caractersticas de la ventana rectangular desempean un papel importante en la determinacin de
la respuesta en frecuencia resultante del filtro FIR obtenido por truncamiento de hd (n) a una longitud M.
Especficamente, la convolucin de Hd ( ) con W ( ) tiene el efecto de suavizar Hd ( ). Cuando M aumenta,
W ( ) se hace ms estrecha y el suavizado proporcionado por W ( ) se reduce. Por otro lado, los grandes lbulos
Frecuencia normalizada
Figura 10.2.2. Respuesta en frecuencia de una ventana rectangular de longitud (a) M = 31 y (b) M = 61.
Nombre de la ventana
Bartlett (triangular)
Blackman
Hamming
Hanning
Kaiser
Lanczos
Tukey
4 n
2 n
+ 0.08 cos
M1
M1
2 n
M1
2 n
1
1 cos
2
M1
2
2
M
1
M
n
I0
2
2
M1
I0
2
3
L
M1
(M 1)
sen 2 n 2
3
, L>0
M1
M1
2 n
2
2
M 1
M1
1, n
,
0< <1
2
2
n (1 + a)(M 1)/2
1
1 + cos
2
(1 )(M 1)/2
M 1 M 1
(M 1)/2 n
2
2
para estas ventanas si se comparan con la ventana rectangular. En consecuencia, estas funciones de ventana
proporcionan ms suavizado a travs de la operacin de convolucin en el dominio de la frecuencia y, como
resultado, la regin de transicin de la respuesta del filtro FIR es ms ancha. Para reducir la anchura de esta
regin de transicin, podemos simplemente aumentar la longitud de la ventana, lo que da lugar a un filtro ms
grande. La Tabla 10.2 resume estas importantes caractersticas en el dominio de la frecuencia de las distintas
funciones de ventana.
Esta tcnica basada en las funciones de ventana se describe mejor a travs de un ejemplo concreto. Suponga
que deseamos disear un filtro FIR paso bajo simtrico de fase lineal cuya respuesta en frecuencia es,
1
Rectangular
Hamming
0.6
Hanning
0.4
Blackman
0.2
Kaiser
0.8
Mdulo
Mdulo
0.8
Tukey
0.6
Bartlett
0.4
Lanczos
0.2
0
M1
M1
Mdulo (dB)
Frecuencia normalizada
Mdulo (dB)
Figura 10.2.4. Respuestas en frecuencia de la ventana de Hanning para (a) M = 31 y (b) M = 61.
Frecuencia normalizada
Figura 10.2.5. Respuestas en frecuencia de la ventana Hamming para (a) M = 31 y (b) M = 61.
Mdulo (dB)
Frecuencia normalizada
Figura 10.2.6. Respuestas en frecuencia de la ventana de Blackman para (a) M = 31 y (b) M = 61.
Hd ( ) =
1e j (M1)/2 , 0 | | c
0,
(10.2.26)
en otro caso
Se aade un retardo de (M 1)/2 unidades a Hd ( ) para forzar que el filtro tenga una longitud M. La correspondiente respuesta al impulso, obtenida a partir del clculo de la integral de (10.2.18), es
1
hd (n) =
2
c
c
e j (n
M1
2
)d
M1
sen c n
2
,
=
M1
n
2
(10.2.27)
n =
M1
2
Anchura aproximada
de la regin de transicin
del lbulo principal
Rectangular
4 /M
13
Bartlett
8 /M
25
Hanning
8 /M
31
Hamming
8 /M
41
Blackman
12 /M
57
Tipo de ventana
Mdulo
Mdulo
Frecuencia normalizada
Figura 10.2.7. Filtro paso bajo diseado con una ventana rectangular. (a) M = 61 y (b) M = 101.
Si se selecciona M para que sea impar, el valor de h(n) en n = (M 1)/2 es
M1
h
2
=
(10.2.29)
Mdulo (dB)
Frecuencia normalizada
Figura 10.2.8. Filtro FIR paso bajo diseado con una ventana rectangular (M = 61).
Mdulo (dB)
los efectos de rizado en el lmite de la banda y dan lugar a lbulos secundarios ms pequeos a expensas de un
incremento de la anchura de la banda de transicin del filtro.
Frecuencia normalizada
Mdulo (dB)
Figura 10.2.9. Filtro FIR paso bajo diseado con una ventana de Hamming (M = 61).
Frecuencia normalizada
Mdulo (dB)
Figura 10.2.10. Filtro FIR paso bajo diseado con una ventana de Blackman (M = 61).
Frecuencia normalizada
Figura 10.2.11. Filtro FIR paso bajo diseado con una ventana de Kaiser para = 4, (M = 61).
10.2.3
En el mtodo basado en el muestreo en frecuencia para el diseo de filtros FIR, especificamos la respuesta en
frecuencia deseada Hd ( ) en un conjunto de frecuencias equiespaciadas, es decir,
k =
2
M (k + ),
M1
,
2
M
k = 0, 1, . . . , 1,
2
1
=0 o 2
k = 0, 1, . . . ,
M impar
M par
(10.2.30)
y resolvemos para obtener la respuesta al impulso unidad h(n) del filtro FIR a partir de esta especificacin en
frecuencia. Para reducir los lbulos secundarios, es deseable optimizar la especificacin en frecuencia en la banda
de transicin del filtro. Esta optimizacin puede llevarse a cabo numricamente utilizando una computadora
digital y aplicando tcnicas de programacin lineal, como puede verse en Rabiner et al. (1970).
En esta seccin aplicamos la propiedad de simetra bsica de la respuesta en frecuencia muestreada para
simplificar los clculos. La respuesta en frecuencia deseada del filtro es [para simplificar, hemos eliminado el
subndice en Hd ( )],
H( ) =
M1
h(n)e j n
(10.2.31)
n=0
Suponga que especificamos la respuesta en frecuencia del filtro en las frecuencias dadas por (10.2.30). Luego a
partir de (10.2.31), obtenemos
H(k + )
H(k + )
2
(k + )
M
M1
n=0
k = 0, 1, . . . , M 1
(10.2.32)
Es una manera sencilla de invertir (10.2.32) y expresar h(n) en funcin de H(k + ). Si mutliplicamos
ambos lados de la Ecuacin (10.2.32) por la exponencial exp( j2 km/M), m = 0, 1, . . . , M 1, y sumamos para
k = 0, 1, . . . , M 1, el lado derecho de dicha ecuacin se reduce a Mh(m) exp( j2 m/M). Luego obtenemos
h(n) =
1 M1
H(k + )e j2 (k+ )n/M ,
M k=0
n = 0, 1, . . . , M 1
(10.2.33)
La relacin dada por (10.2.33) nos permite calcular los valores de la respuesta al impulso unidad h(n) a partir
de la especificacin de las muestras en frecuencia H(k + ), k = 0, 1, . . . , M 1. Observe que cuando = 0,
(10.2.32) se reduce a la transformada discreta de Fourier (DFT) de la secuencia {h(n)} y la Ecuacin (10.2.33)
es la DFT inversa (IDFT).
Puesto que {h(n)} es real, podemos demostrar fcilmente que las muestras en frecuencia {H(k + )}
satisfacen la condicin de simetra
H(k + ) = H (M k )
(10.2.34)
Esta condicin de simetra, junto con las condiciones de simetra para {h(n)}, pueden emplearse para reducir
las especificaciones de frecuencia de M puntos a (M + 1)/2 puntos para M impar y a M/2 puntos para M
par. Por tanto, las ecuaciones lineales para determinar {h(n)} a partir de {H(k + )} se simplifican de forma
considerable.
En particular, si (10.2.11) se muestrea en las frecuencias k = 2 (k + )/M, k = 0, 1, . . . , M 1, obtenemos
H(k + ) = Hr
2
(k + ) e j[ /22 (k+ )(M1)/2M]
M
(10.2.35)
donde = 0 cuando {h(n)} es simtrica y = 1 cuando {h(n)} es antisimtrica. Podemos hacer una simplificacin definiendo un conjunto de muestras en las frecuencia reales {G(k + x)}
G(k + ) = (1)k Hr
2
(k + ) ,
M
k = 0, 1, . . . , M 1
(10.2.36)
(10.2.37)
Ahora la condicin de simetra para H(k + ) dada por (10.2.34) se traduce en la correspondiente condicin
de simetra para G(k + ), la cual se puede aplicar sustituyendo en (10.2.33), con el fin de simplificar las
expresiones para la respuesta al impulso del filtro FIR {h(n)} para los cuatros casos: = 0, = 12 , = 0 y
= 1. Los resultados se resumen en la Tabla 10.3. Las demostraciones detalladas se dejan como ejercicio para
el lector.
Aunque el mtodo basado en el muestreo en frecuencia nos proporciona otro medio para disear filtros FIR
de fase lineal, su principal ventaja est ligada a la eficiente estructura del muestreo en frecuencia, la cual se
obtiene cuando la mayora de las muestras en frecuencia son cero, como se demuestra en la Seccin 9.2.3.
Los siguientes ejemplos ilustran el diseo de filtros FIR de fase lineal basado en el mtodo de muestreo en
frecuencia. Los valores ptimos para las muestras en la banda de transicin se obtienen a partir de la tablas del
Apndice B, las cuales se han extraido de los estudios de Rabiner et al. (1970).
EJEMPLO 10.2.1
Determine los coeficientes de un filtro FIR de fase lineal de longitud M = 15 que tiene una respuesta al impulso unidad
simtrica y una respuesta en frecuencia que satisface las siguientes condiciones
Hr
2 k
15
1,
0.4,
=
0,
k = 0, 1, 2, 3
k=4
k = 5, 6, 7
Solucin. Puesto que h(n) es simtrica y las frecuencias se seleccionan para que se correspondan con el caso de = 0,
utilizamos la frmula correspondiente de la Tabla 10.3 para evaluar h(n). En este caso,
G(k) = (1)k Hr
2 k
15
,
k = 0, 1, . . . , 7
= 0.014112893
h(1) = h(13)
= 0.001945309
h(2) = h(12)
= 0.04000004
h(3) = h(11)
= 0.01223454
h(4) = h(10)
= 0.09138802
h(5) = h(9)
= 0.01808986
h(6) = h(8)
= 0.3133176
h(7)
= 0.52
La respuesta en frecuencia de este filtro se muestra en la Figura 10.2.12. Debemos resaltar que Hr ( ) es exactamente igual
a los valores proporcionados por las especificaciones anteriores en k = 2 k/15.
Mdulo (dB)
Figura 10.2.12. Respuesta en frecuencia del filtro FIR de fase lineal del Ejemplo 10.2.1.
EJEMPLO 10.2.2
Determine los coeficientes de un filtro FIR de fase lineal de longitud M = 32 que tiene una respuesta al impulso simtrica y
una respuesta en frecuencia que satisface la siguiente condicin
Hr
2 (k + )
32
1,
T1 ,
=
0,
k = 0, 1, 2, 3, 4, 5
k=6
k = 7, 8, . . . , 15
donde T1 = 0.3789795 para = 0 y T1 = 0.3570496 para = Estos valores de T1 se han obtenido a partir de la tablas
que especifican los parmetros ptimos de transicin incluidas en el Apndice B.
1.
2
Solucin. Las ecuaciones adecuadas para este clculo se proporcionan en la Tabla 10.3 para = 0 y = 12 . Estos clculos
proporcionan las respuestas al impulso unidad mostradas en la Tabla 10.4. Las respuestas en frecuencia correspondientes se
ilustran en las Figuras 10.2.13 y 10.2.14, respectivamente. Observe que el ancho de banda del filtro para = 12 es mayor
que para = 0.
sen
M1
G(k + )
2
H( ) =
k=0 sen
(k + )
2 M
e j (M1)/2
(10.2.38)
Simtrica
=0
1
2
1,
M
par
2
1 j /2 j (2k+1)/2M
1
= G k+
e
H k+
e
2
2
2
k + 12
G k + 12 = (1)k Hr
M
1
1
= G Mk
G k+
2
2
1
2 U
1
2
1
h(n) = M k=0 G k + 2 sen M k + 2 n +
2
Antisimtrica
=0
1
2
donde
G(k + ) =
=0
G(M k),
G(M k 12 ), = 12
(10.2.39)
M = 32
ALPHA = 0.
T1 = 0.3789795E+00
h( 0)
h( 1)
h( 2)
h( 3)
h( 4)
h( 5)
h( 6)
h( 7)
h( 8)
h( 9)
h(10)
h(11)
h(12)
h(13)
h(14)
h(15)
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
M = 32
ALPHA = 0.5
T1 = 0.3570496E+00
0.7141978E-02
0.3070801E-02
0.5891327E-02
0.1349923E-01
0.8087033E-02
0.1107258E-01
0.2420687E-01
0.9446550E-02
0.2544464E-01
0.3985050E-01
0.2753036E-02
0.5913959E-01
0.6841660E-01
0.3175741E-01
0.2080981E+00
0.3471138E+00
h( 0)
h( 1)
h( 2)
h( 3)
h( 4)
h( 5)
h( 6)
h( 7)
h( 8)
h( 9)
h(10)
h(11)
h(12)
h(13)
h(14)
h(15)
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
0.4089120E-02
0.9973779E-02
0.7379891E-02
0.5949799E-02
0.1727056E-01
0.7878412E-02
0.1798590E-01
0.2670584E-01
0.3778549E-02
0.4191022E-01
0.2839344E-01
0.4163144E-01
0.8254962E-01
0.2802212E-02
0.2013655E+00
0.3717532E+00
Mdulo (dB)
Tabla 10.4.
Figura 10.2.13. Respuesta en frecuencia del filtro FIR de fase lineal del Ejemplo 10.2.2 (M = 32 y = 0).
Del mismo modo, para el filtro FIR de fase lineal antisimtrico, obtenemos
sen
M1
G(k + )
2
e j (M1)/2 e j /2
H( ) =
k=0 sen
(k + )
2 M
(10.2.40)
Mdulo (dB)
Figura 10.2.14. Respuesta en frecuencia del filtro FIR de fase lineal del Ejemplo 10.2.2 (M = 32 y = 12 ).
donde
G(k + ) =
G(M k),
=0
1
G M k 2 , = 12
(10.2.41)
Con estas expresiones para la respuesta en frecuencia H( ) en funcin de las muestras en frecuencias
deseadas {G(k + )}, podemos explicar fcilmente el mtodo de seleccin de los parmetros {G(k + )} en la
banda de transicin que resultan de minimizar el pico del lbulo secundario en la banda eliminada. En resumen,
los valores de G(k + ) en la banda de paso se fijan en (1)k y en la banda eliminada se fijan en cero. Para
cualquier eleccin de G(k + ) en la banda de transicin, el valor de H( ) se calcula en un conjunto denso
de frecuencias (en n = 2 n/K, n = 0, 1, . . . , K 1, donde, por ejemplo, K = 10M). Se determina el valor del
lbulo secundario mximo y los valores de los parmetros {G(k + )} en la banda de transicin se modifican
en la direccin de mximo descenso, lo que efectivamente reduce el lbulo secundario mximo. A continuacin
se repite el clculo de H( ) con la nueva eleccin de {G(k + )}. De nuevo se determina el mximo lbulo
secundario de H( ) y los valores de los parmetros {G(k + )} en la banda de transicin en la direccin
de mximo descenso, lo que a su vez reduce el lbulo secundario. Este proceso iterativo se realiza hasta que
converge a la eleccin ptima de los parmetros {G(k + )} en la banda de transicin.
Existe un potencial problema en la realizacin basada en el muestreo en frecuencia de los filtros FIR de fase
lineal. Esta realizacin del filtro FIR introduce polos y ceros en puntos equiespaciados sobre la circunferencia
unidad. En el caso ideal, los ceros cancelan a los polos y, en consecuencia, los ceros reales de H(z) quedan
determinados por la seleccin de las muestras en frecuencia {H(k + )}. Sin embargo, en una implementacin
prctica de la realizacin basada en el muestreo de frecuencia, los efectos de cuantificacin impiden una cancelacin perfecta de los polos y los ceros. De hecho, la localizacin de los polos sobre la circunferencia unidad no
proporciona un amortiguamiento del ruido debido al redondeo de los clculos. Como resultado, el ruido tiende
a aumentar con el tiempo pudiendo finalmente destruir el funcionamiento normal del filtro.
Para mitigar este problema, podemos desplazar los polos y los ceros desde la circunferencia unidad a una
circunferencia interior a la circunferencia unidad, por ejemplo de radio r = 1 , donde es un valor muy
pequeo. As, la funcin de sistema del filtro FIR de fase lineal se convierte en
H(z) =
1 rM zM e j2
M
M1
k=0
H(k + )
1 re j2 (k+ )/M z1
(10.2.42)
La correspondiente realizacin del filtro de dos polos vista en la Seccin 9.2.3 puede modificarse de acuerdo
con esto. El amortiguamiento que proprociona la seleccin de un radio r < 1 garantiza la limitacin del ruido
de redondeo evitndose as la inestabilidad.
10.2.4
El mtodo de aplicar una ventana y el mtodo basado en el muestreo en frecuencia son tcnicas relativamente
simples de diseo de filtros FIR. Sin embargo, tambin presentan algunas desventajas menores, descritas en la
Seccin 10.2.6, que pueden ser indeseables en algunas aplicaciones. Un problema importante es la falta de un
control preciso sobre frecuencias crticas tales como p y s .
El mtodo de diseo de filtros descrito en esta seccin se formula como problema de la aproximacin de
Chebyshev. Esto puede verse como un criterio de diseo ptimo en el sentido de que el error de la aproximacin
ponderado entre la respuesta en frecuencia deseada y la respuesta en frecuencia real se dispersa a lo largo de
la banda de paso e igualmente a lo largo de la banda eliminada del filtro, minimizando de este modo el error
mximo. El filtro resultante diseado presenta rizados tanto en la banda de paso como en la banda eliminada.
Para describir el procedimiento de diseo, consideremos el diseo de un filtro paso bajo con una frecuencia
de corte en la banda de paso p y una frecuencia de corte en la banda eliminada s . A partir de la especificacin
general dada en la Figura 10.1.2 podemos ver que en la banda de paso, la respuesta en frecuencia del filtro
satisface la condicin
1 1 Hr ( ) 1 + 1,
| | p
(10.2.43)
Del mismo modo, en la banda eliminada, la respuesta en frecuencia del filtro est especificada para caer entre
los lmites 2 , es decir,
2 Hr ( ) 2 ,
| | > s
(10.2.44)
Por tanto, 1 representa el rizado de la banda de paso y 2 representa la atenuacin o el rizado en la banda
eliminada. El otro parmetro del filtro es M, su longitud o nmero de coeficientes.
Vamos a centrarnos en los cuatro casos distintos de un filtro FIR de fase lineal. Estos casos se abordan en
la Seccin 10.2.2 y que se resumen a continuacin.
Caso 1: respuesta al impulso unidad simtrica: h(n) = h(M 1 n) y M impar. En este caso, la respuesta
en frecuencia real Hr ( ) es
(M3)/2
M1
M1
+ 2 h(n) cos
n
Hr ( ) = h
2
2
n=0
(10.2.45)
Si hacemos k = (M 1)/2 n y definimos un nuevo conjunto de parmetros del filtro {a(k)} como
M1
,
k=0
h
2
a(k) =
(10.2.46)
M1
M1
k , k = 1, 2, . . . ,
2h
2
2
la Ecuacin (10.2.45) se reduce a la forma compacta
Hr ( ) =
(M1)/2
a(k) cos k
(10.2.47)
k=0
Caso 2: respuesta al impulso unidad simtrica: h(n) = h(M 1 n) y M par. En este caso, Hr ( ) se expresa
como
(M/2)1
M1
Hr ( ) = 2 h(n) cos
n
(10.2.48)
2
n=0
De nuevo, cambiamos el ndice del sumatorio de n a k = M/2 n y definimos un nuevo conjunto de parmetros
del filtro {b(k)} como
M
k ,
k = 1, 2, . . . , M/2
(10.2.49)
b(k) = 2h
2
Con estas sustituciones, (10.2.48) puede escribirse como sigue
1
Hr ( ) = b(k) cos k
2
k=1
M/2
(10.2.50)
(M/2)1
cos k
b(k)
(10.2.51)
k=0
b(0)
= b(1)
2
1),
b(k)
= 2b(k) b(k
M
M
b
1 = 2b
2
2
k = 1, 2, 3, . . . ,
M
2
2
(10.2.52)
(M3)/2
h(n) sen
n=0
M1
n
2
(10.2.53)
(M1)/2
c(k) sen k
(10.2.55)
k=1
(M3)/2
c(k)
cos k
(10.2.56)
k=0
estn relacionados linealmente con los parmetros {c(k)}. Esta relacin puede
deducirse a partir de (10.2.55) y (10.2.56) y es simplemente
M3
M1
=c
2
2
M3
M5
= 2c
c
2
2
..
..
.
.
c(k
1) c(k + 1) = 2c(k),
(10.2.57)
2k
c(0)
+ 12 c(2)
= c(1)
M5
2
Caso 4: respuesta al impulso unidad antisimtrica: h(n) = h(M 1 n) y M par. En este caso, la respuesta
en frecuencia real Hr ( ) es
(M/2)1
M1
n
(10.2.58)
Hr ( ) = 2 h(n) sen
2
n=0
Un cambio en el ndice del sumatorio de n a k = M/2 n combinado con una definicin de un nuevo conjunto
de coeficientes del filtro {d(k)}, relacionados con {h(n)} segn
d(k) = 2h
da lugar a la expresin
M
k ,
2
k = 1, 2, . . . ,
M
2
1
Hr ( ) = d(k) sen k
2
k=1
(10.2.59)
M/2
(10.2.60)
Como en los dos casos anteriores, es conveniente reordenar (10.2.60) de la forma siguiente
Hr ( ) = sen
(M/2)1
cos k
d(k)
(10.2.61)
k=0
d
1 = 2d
2
2
1) d(k)
= 2d(k),
d(k
2k
M
1
2
(10.2.62)
= d(1)
1 d(1)
d(0)
2
Las expresiones de Hr ( ) en estos cuatro casos se resumen en la Tabla 10.5. Fjese en que las reordenaciones
realizadas en los casos 2, 3 y 4 nos han permitido expresar Hr ( ) como
Hr ( ) = Q( )P( )
(10.2.63)
Tipo de filtro
Q( )
h(n) = h(M 1 n)
M impar
(Caso 1)
h(n) = h(M 1 n)
M par
(Caso 2)
cos
P( )
(M1)/2
a(k) cos k
k=0
h(n) = h(M 1 n)
M impar
(Caso 3)
sen
h(n) = h(M 1 n)
M even
(Case 4)
sen
(M/2)1
cos k
b(k)
k=0
(M3)/2
c(k)
cos k
k=0
(M/2)1
cos k
d(k)
k=0
Tabla 10.5. Funciones de respuesta en frecuencia reales para los filtros FIR de fase lineal.
donde
cos
2
Q( ) =
sen
sen
2
Caso 1
Caso 2
Caso 3
(10.2.64)
Caso 4
(k) cos k
(10.2.65)
k=0
representando { (k)} los parmetros del filtro, los cuales estn linealmente relacionados con la respuesta
al impulso unidad h(n) del filtro FIR. El lmite superior L del sumatorio es L = (M 1)/2 para el caso 1,
L = (M 3)/2 para el caso 3 y L = M/2 1 para los casos 2 y 4.
Adems del marco de trabajo comn especificado para la representacin de Hr ( ), tambin definimos la
respuesta en frecuencia real deseada Hdr ( ) y la funcin de ponderacin W ( ) para el error de la aproximacin.
La respuesta en frecuencia real deseada Hdr ( ) se define simplemente como igual a la unidad en la banda de paso
y cero en la banda eliminada. Por ejemplo, la Figura 10.2.15 ilustra varios tipos diferentes de la caracterstica
de Hdr ( ). La funcin de ponderacin para el error de aproximacin nos permite seleccionar el tamao relativo
de los errores en las diferentes bandas de frecuencia (es decir, en la banda de paso y en la banda eliminada). En
particular, es conveniente normalizarW ( ) para que sea igual a la unidad en la banda eliminada y W ( ) = 2 /1
en la banda de paso, es decir,
W ( ) =
2 /1 , en la banda de paso
1,
en la banda eliminada
(10.2.66)
As, simplemente seleccionamos W ( ) en la banda de paso para resaltar nuestro inters en el tamao relativo
del rizado en la banda eliminada respecto del rizado en la banda de paso.
0
(a)
0
(b)
0
(c)
0
(d)
Figura 10.2.15. Respuestas en frecuencia deseadas para los diferentes tipos de filtros.
Con la especificacin de Hdr ( ) y W ( ), ahora podemos definir el error de aproximacin ponderado como
E( ) = W ( )[Hdr ( ) Hr ( )]
= W ( )[Hdr ( ) Q( )P( )]
Hdr ( )
P( )
= W ( )Q( )
Q( )
(10.2.67)
Por conveniencia matemtica, definimos una funcin de ponderacin modificada W ( ) y una respuesta en
frecuencia modificada H dr ( ) como
W ( ) = W ( )Q( )
Hdr ( )
(10.2.68)
H dr ( ) =
Q( )
Luego el error de aproximacin ponderado se expresa como
E( ) = W ( )[H dr ( ) P( )]
(10.2.69)
de { (k)}
max |E( )| = mn
S
de {a(k)}
(10.2.70)
k=0
donde S representa el conjunto (unin disjunta) de bandas de frecuencia sobre las que se va a realizar la
optimizacin. Bsicamente, el conjunto S consta de las bandas de paso y eliminadas del filtro deseado.
La solucin a este problema se debe a Parks y McClellan (1972a), quienes aplicaron un teorema a la teora
de la aproximacin de Chebyshev, denominado teorema de alternancia, el cual enunciamos a continuacin,
aunque no lo vamos a demostrar.
Teorema de alternancia. Sea S un subconjunto compacto del intervalo [0, ). Una condicin necesaria y
suficiente para que
P( ) =
(k) cos k
k=0
i = 1, 2, . . . , L + 2
Fjese en que la funcin de error E( ) alterna en signo entre dos frecuencias extremas sucesivas. De aqu,
que este teroema se conozca como teorema de alternancia.
Con el fin de explicar ms en detalle el teorema de alternancia, consideremos el diseo de un filtro paso
bajo con la banda de paso 0 p y la banda eliminada s . Dado que la respuesta en frecuencia
deseada Hdr ( ) y la funcin de ponderacin W ( ) son constantes, tenemos
dE( )
d
=
{W ( )[Hdr ( ) Hr ( )]}
d
d
dHr ( )
=0
=
d
En consecuencia, las frecuencias {i } correspondientes a los picos de E( ) tambin corresponden a los picos
en los que Hr ( ) cumple la tolerancia de error. Dado que Hr ( ) es un polinomio trigonomtrico de grado L,
para el caso 1, por ejemplo,
Hr ( ) =
(k) cos k
k=0
=
=
(k) nk (cos )n
k=0
L
(10.2.71)
n=0
(k)(cos )k
k=0
se deduce que Hr ( ) puede tener como mximo L 1 mximos y mnimos locales en el intervalo abierto
0 < < . Adems, normalmente = 0 y = son extremos de Hr ( ) y tambin de E( ). Por tanto, Hr ( )
tiene como mximo L + 1 frecuencias extremas. Adems, las frecuencias de corte de la banda p y s son
tambin los extremos de E( ), ya que |E( )| es mxima en = p y = s . En consecuencia, existen como
mximo L + 3 frecuencias extremas en E( ) para la mejor y unvoca aproximacin del filtro paso bajo ideal. Por
otro lado, el teorema de alternancia establece que existen al menos L + 2 frecuencias extremas en E( ). Luego
la funcin de error para el filtro paso bajo tiene L + 3 o L + 2 frecuencias extremas. En general, los diseos de
filtros que contienen ms de L + 2 alternancias o rizados se denominan filtros con rizados adicionales. Cuando
el diseo del filtro contiene el nmero mximo de alternancias, se conoce como filtro de rizado mximo.
El teorema de alternancia garantiza una solucin nica para el problema de la optimizacin de Chebyshev
dada en (10.2.70). En las frecuencias extremas deseadas {n }, tenemos el conjunto de ecuaciones
(n )[H dr (n ) P(n )] = (1)n ,
W
n = 0, 1, . . . , L + 1
(10.2.72)
(1)n
= H dr (n ),
(n )
W
n = 0, 1, . . . , L + 1
(k) cos n k +
k=0
(1)n
= H dr (n ),
(n )
W
n = 0, 1, . . . , L + 1
(10.2.73)
Si tratamos los {a(k)} y como los parmetros que se van a determinar, (10.2.73) puede expresarse en
forma matricial como
(0)
1
cos
cos
2
cosL
H
(
)
0
0
0
dr 0
W (0 )
1 (1)
1 cos
cos 21
cosL1
Hdr (1 )
1
W (1 )
..
..
..
.
.
(10.2.74)
..
..
.
.
(L)
L+1
(1)
H dr (L+1 )
1 cos L+1 cos 2L+1 cosLL+1
(L+1 )
W
Inicialmente, no conocemos ni el conjunto de frecuencias extremas {n } ni los parmetros { (k)} y . Para
obtener los parmetros, utilizamos un algoritmo iterativo, denominado algoritmo de intercambio de Remez [vase
Rabiner et al. (1975)], en el que se comienza proponiendo un conjunto de frecuencias extremas, se determinan
P( ) y , y luego se calcula la funcin de error E( ). A partir de E( ), determinamos otro conjunto de
L + 2 frecuencias extremas y repetimos el proceso de forma iterativa hasta que converja al conjunto ptimo
de frecuencias extremas. Aunque la ecuacin matricial dada por (10.2.74) puede emplearse en el procdimiento
iterativo, la inversin de matrices es un proceso que consume tiempo y es ineficiente.
Un procedimiento ms eficiente, sugerido por Rabiner et al. (1975), consiste en calcular analticamente,
de acuerdo con la frmula
0 H dr (0 ) + 1H dr (1 ) + + L+1 H dr (L+1 )
0
1
(1)L+1 L+1
+ +
W (0 ) W (1 )
W (L+1 )
(10.2.75)
donde
k =
L+1
cos k cos n
(10.2.76)
n=0
n=k
La expresin para dada por (10.2.75) se deduce de forma inmediata de la ecuacin matricial (10.2.74). Por
tanto, con una eleccin inicial de las L + 2 frecuencias extremas, calculamos .
Ahora dado que P( ) es un polinomio trigonomtrico de la forma
P( ) =
(k)xk ,
x = cos
k=0
y puesto que sabemos que el polinomio en los puntos xn cos n , n = 0, 1, . . . , L + 1, toma los valores
(1)n
P(n ) = H dr (n )
,
(n )
W
n = 0, 1, . . . , L + 1
(10.2.77)
podemos emplear la frmula de interpolacin de Lagrange para P( ). Luego P( ) se puede expresar como
[vase Hamming (1962)]
L
P( ) =
k=0
(10.2.78)
[k /(x xk )]
k=0
k =
n=0
n=k
1
xk xn
(10.2.79)
(10.2.80)
sobre un conjunto denso de puntos de frecuencia. Normalmente, basta con un nmero de puntos igual a 16M,
donde M es la longitud del filtro. Si |E( )| para algunas frecuencias del conjunto denso, entonces se
selecciona un nuevo conjunto de frecuencias correspondientes a los L + 2 picos ms grandes de |E( )| y se
repite el procedimiento de clculo utilizando (10.2.75). Puesto que el nuevo conjunto de L + 2 frecuencias
extremas se selecciona para que corresponda con los picos de la funcin de error |E( )|, el algoritmo fuerza a
que aumente en cada iteracin hasta converger en el lmite superior y por tanto llegar a la solucin ptima para
el problema de la aproximacin de Chebyshev. En otras palabras, cuando |E( )| para todas las frecuencias
del conjunto denso, la solucin ptima se determina en funcin del polinomio H( ). En la Figura 10.2.16 se
muestra un diagrama de flujo del algoritmo debido a Remez (1957).
Una vez que se ha obtenido la solucin ptima en funcin de P( ), la respuesta al impulso unidad h(n)
puede calcularse directamente, sin tener que calcular los parmetros { (k)}. En efecto, hemos determinado
Hr ( ) = Q( )P( )
que se puede evaluar en = 2 k/M, k = 0, 1, . . . , (M 1)/2, para M impar o M/2 para M par. A continuacin,
dependiendo del filtro que se est diseando, h(n) puede determinarse a partir de la frmulas dadas en la Tabla
10.3.
Parmetros de entrada
del filtro
Eleccin inicial de M + 2
frecuencias extremas.
Calcular el ptimo
en el conjunto
Ms de
M + 2 frecuencias
extremas?
Mantener las
M + 2 frecuencias
ms extremas
No
Cambio
Mejor aproximacin
LGRID: la densidad de la cuadrcula para interpolar la funcin de error E( ). El valor predeterminado es 16,
si no se especifica.
EDGE: las bandas de frecuencia especificadas por las frecuencias de corte inferior y superior, hasta un mximo
de 10 bandas (una matriz de tamao 20 como mximo). Las frecuencias se proporcionan en funcin de
la variable f = /2 , donde f = 0.5 corresponde a la frecuencia de solapamiento.
FX: una matriz de tamao mximo 10 que especifique la respuesta en frecuencia deseada Hdr ( ) en cada
banda.
WTX: una matriz de tamao mximo 10 que especifique la funcin de ponderacin en cada banda.
Los siguientes ejemplos muestran el uso de este programa para disear un filtro paso bajo y un filtro paso
banda.
EJEMPLO 10.2.3
Disee un filtro paso bajo de longitud M = 61 con una frecuencia de corte en la banda de paso de f p = 0.1 y una frecuencia
de corte de la banda eliminada f s = 0.15.
Solucin. El filtro paso bajo es un filtro de dos bandas con frecuencias de corte de la banda de paso (0, 0.1) y frecuencias de corte de la banda eliminada (0.15, 0.5). La respuesta deseada es (1, 0) y la funcin de ponderacin se selecciona
arbitrariamente como (1, 1).
61, 1, 2
0.0, 0.1, 0.15, 0.5
1.0, 0.0
1.0, 1.0
La respuesta al impulso y la respuesta en frecuencia se muestran en la Figura 10.2.17. El filtro resultante tiene una atenuacin
en la banda eliminada de 56 dB y un rizado en la banda de paso de 0.0135 dB.
Si aumentamos la longitud del filtro a M = 101 manteniendo todos los dems parmetros iguales, el filtro
resultante tiene la respuesta al impulso y la respuesta en frecuencia mostradas en la Figura 10.2.18. Ahora, la
atenuacin de la banda eliminada es 85 dB y el rizado de la banda de paso se reduce a 0.00046 dB.
Debemos indicar que es posible incrementar la atenuacin en la banda eliminada manteniendo la longitud
del filtro fija, por ejemplo con M = 61, y disminuyendo la funcin de ponderacin W ( ) = 2 /1 en la banda
de paso. Con M = 61 y una funcin de ponderacin (0.1, 1), obtenemos un filtro que tiene una atenuacin de
65 dB en la banda eliminada y un rizado en la banda de paso de 0.049 dB.
EJEMPLO 10.2.4
Disee un filtro paso banda de longitud M = 32 con frecuencias de corte de la banda paso f p1 = 0.2 y f p2 = 0.35 y frecuencias
de corte de la banda eliminada fs1 = 0.1 y fs2 = 0.425.
Solucin. Este filtro paso banda es un filtro de tres bandas con una banda eliminada definida en el intervalo (0, 0.1),
una banda de paso definida en el intervalo (0.2, 0.35) y una segunda banda eliminada definida en (0.425, 0.5). La funcin
de ponderacin se selecciona como (10.0, 1.0, 10.0), o como (1.0, 0.1, 1.0) y la respuesta deseada en las tres bandas es
(0.0, 1.0, 0.0). Por tanto, los parmetros de entrada al programa son
32, 1, 3
0.0, 0.1, 0.2, 0.35, 0.425, 0.5
0.0, 1.0, 0.0
10.0, 1.0, 10.0
0.3
h(n)
0.2
0.1
0
0.1
0
10
20
30
n
40
50
60
0
Mdulo (dB)
20
40
60
80
100
0
0.05
0.1
0.15
0.2
0.25
f
0.3
0.35
0.4
0.45
0.5
Figura 10.2.17. Respuestas al impulso y en frecuencia del filtro FIR de longitud M = 61 del Ejemplo 10.2.3.
0.3
h(n)
0.2
0.1
0
-0. 1
0
10
20
30
40
50
n
60
70
80
90
100
0.05
0.1
0.15
0.2
0.25
f
0.3
0.35
0.4
0.45
0.5
0
Mdulo (dB)
-20
-40
-60
-80
-100
Figura 10.2.18. Respuestas al impulso y en frecuencia del filtro FIR de longitud M = 101 del Ejemplo 10.2.3.
Observe que el rizado de las bandas eliminadas 2 es 10 veces menor que el rizado en la banda de paso, debido al hecho
de que los errores en el banda eliminada se han proporcionado con un peso de 10 comparados con el peso asignado en la
0.4
h(n)
0.2
0
-0. 2
-0. 4
0
10
15
n
20
25
30
0
Mdulo (dB)
-20
-40
-60
-80
-100
0
0.05
0.1
0.15
0.2
0.25
f
0.3
0.35
0.4
0.45
0.5
Figura 10.2.19. Respuestas al impulso y en frecuencia del filtro FIR de longitud M = 32 del Ejemplo 10.2.4.
banda de paso que es igual a la unidad. La respuesta al impulso y la respuesta en frecuencia del filtro paso banda se ilustran
en la Figura 10.2.19.
Estos ejemplos sirven para ilustrar la facilidad relativa con la que pueden disearse filtros ptimos paso
bajo, paso alto, de banda eliminada, paso banda y filtros ms generales FIR de fase lineal y mltiples bandas
basndose en el criterio de la aproximacin de Chebyshev e implementados mediante el algoritmo de intercambio
de Remez. En las dos secciones siguientes vamos a abordar el diseo de diferenciadores y transformadores de
Hilbert.
10.2.5
Los diferenciadores se emplean en muchos sistemas analgicos y digitales para calcular la derivada de una
seal. Un diferenciador ideal tiene una respuesta en frecuencia que es linealmente proporcional a la frecuencia.
De forma similar, un diferenciador digital ideal se define como aqul que tiene la respuesta en frecuencia
Hd ( ) = j ,
(10.2.81)
hd (n) =
(10.2.82)
n = 0
Observe que el diferenciador ideal tiene una respuesta al impulso antisimtrica [es decir, hd (n) = hd (n)].
Por tanto, hd (0) = 0.
En esta seccin vamos a ocuparnos del diseo de diferenciadores FIR de fase lineal basado en la aproximacin
de Chebyshev. Teniendo en cuenta el hecho de que el diferenciador ideal tiene una respuesta al impulso unidad
antisimtrica, vamos a centrar nuestra atencin en los diseos FIR en los que h(n) = h(M 1 n). Luego
trabajaremos con los filtros clasificados en la seccin anterior correspondientes a los casos 3 y 4.
Recordemos que en el caso 3, donde M es impar, la respuesta en frecuencia real del filtro FIR Hr ( ) tiene
la caracterstica en la que Hr (0) = 0. Una respuesta igual a cero en la frecuencia cero es la nica condicin
que un diferenciador debe satisfacer. En la Tabla 10.5, podemos ver que ambos tipos de filtros satisfacen esta
condicin. Sin embargo, si se desea un diferenciador de banda completa, esto es imposible de conseguir con
un filtro FIR que tenga un nmero impar de coeficientes, ya que Hr ( ) = 0 para M impar. Sin embargo, en la
prctica, rara vez se necesitan diferenciadores de banda completa.
En la mayora de los casos prcticos, la respuesta en frecuencia deseada slo tiene que ser lineal en un
intervalo de frecuencias limitado 0 2 f p , donde f p es el ancho de banda del diferenciador. En el intervalo
de frecuencias 2 f p < , la respuesta deseada puede estar o no registrada a cero.
En el diseo de diferenciadores FIR basados en la aproximacin de Chebyshev, la funcin de ponderacin
W ( ) se especifica en el programa como
W ( ) =
1
,
0 2 f p
(10.2.83)
con el fin de que el rizado relativo en la banda de paso sea constante. Por tanto, el error absoluto entre la
respuesta deseada y la aproximacin Hr ( ) aumenta cuando vara de 0 a 2 f p . Sin embargo, la funcin
de ponderacin dada por (10.2.83) garantiza que el error relativo
= max0 2 f p {W ( )[ Hr ( )]}
= max0 2 f p 1 Hr( )
(10.2.84)
2,
0.1,
0.0
1.0
2
0.15,
0.5
La respuesta en frecuencia se ilustra en la Figura 10.2.20. En la misma figura tambin se muestra el error de la aproximacin
en la banda de paso 0 f 0.1 del filtro.
Los parmetros importantes en un diferenciador son su longitud M, su ancho de banda {frecuencia de corte
de la banda} f p , y el error relativo de pico de la aproximacin. La interrelacin entre estos tres parmetros
se pueden visualizar fcilmente de forma paramtrica. En particular, el valor de 20 log10 en funcin de f p
con M como parmetro se ilustra en la Figura 10.2.21 para M par y en la Figura 10.2.22 para M impar. Estos
resultados, debidos a Rabiner y Schafer (1974a), son tiles en la seleccin de la longitud del filtro, dadas las
especificaciones referentes al rizado dentro de la banda y la frecuencia de corte f p .
0.1
h(n)
0.05
0
-0.05
-0. 1
0
10
20
30
n
40
50
Mdulo
0.8
0.6
0.4
0.2
0
x 10
0.05
0.1
0.15
0.2
0.25
f
0.3
0.35
0.4
0.45
0.5
0.01
0.02
0.03
0.04
0.05
f
0.06
0.07
0.08
0.09
0.1
0.01
0.02
0.03
0.04
0.05
f
0.06
0.07
0.08
0.09
0.1
Error
Error normalizado
x 10
5
0
5
Figura 10.2.20. Respuesta en frecuencia y error de la aproximacin para M = 60 del diferenciador FIR del
Ejemplo 10.2.5.
Una comparacin de las grficas de las Figuras 10.2.21 y 10.2.22 revela que los diferenciadores de longitud
par dan lugar a un error de aproximacin significativamente ms pequeo que el de los diferenciadores de
longitud impar comparable. Los diseos basados en un valor de M impar son particularmente pobres si el ancho
0
10
20
M=4
30
40
8
50
60
70
16
80
90
32
100
64
110
120
130
0.20
0.25
0.30
0.35
0.40
Frecuencia de corte de la banda de paso (fp)
0.45
0.5
Figura 10.2.21. Curvas de 20 log 10 en funcin de f p para M = 4, 8, 16, 32 y 64. [De los documentos de
Rabiner y Schafer (1974a). Reimpreso con permiso de AT&T.
de banda excede f p = 0.45. El problema es bsicamente el cero de la respuesta en frecuencia en = ( f = 1/2).
Cuando f p < 0.45, se obtienen buenos diseos para M impar, aunque los diferenciadores de longitud comparable
con M par siempre son mejores en el sentido de que el error de aproximacin es ms pequeo.
En vista de la obvia ventaja de los diferenciadores de longitud par sobre los de longitud impar,podemos sacar
la conclusin de que los diferenciadores de longitud impar son siempre preferibles en los sistemas prcticos.
Esto es particularmente cierto en muchas aplicaciones. Sin embargo, tenemos que destacar que el retardo de
seal introducido por cualquier filtro FIR de fase lineal es (M 1)/2, que no es un entero cuando M es par.
En muchas aplicaciones prcticas, esto no es importante. En otras aplicaciones en las que es deseable tener un
retardo de valor entero en la seal de salida del diferenciador, deberemos seleccionar M para que sea impar.
Estos resultados numricos estn basados en diseos que resultan de la aproximacin de Chebyshev. Tenemos que sealar tambin que es posible y relativamente fcil disear diferenciadores FIR de fase lineal basados
en el mtodo de muestreo en frecuencia. Por ejemplo, la Figura 10.2.23 ilustra la respuesta en frecuencia de
un diferenciador con ancho de banda ( f p = 0.5) de longitud M = 30. La grfica del valor absoluto del error de
aproximacin como funcin de la frecuencia tambin se incluye en esta figura.
10.2.6
Un transformador ideal de Hilbert es un filtro paso todo que aplica un desplazamiento de fase de 90 a sus
seales de entrada. Por tanto, la respuesta en frecuencia del transformador ideal de Hilbert se especifica como
sigue
j, 0 <
Hd ( ) =
(10.2.85)
j,
< < 0
0
10
M=5
9
20
30
17
40
50
33
60
70
80
90
65
100
110
120
130
0.20
0.40
0.25
0.30
0.35
0.45
Frecuencia de corte de la banda de paso (fp)
0.5
Figura 10.2.22. Curvas de 20log 10 en funcin de Fp para M = 5, 9, 17,33 y 65 [De los documentos de
Rabiner y Schafer (1974a). Reimpreso con permiso de AT&T.
Los transformadores de Hilbert se utilizan frecuentemente en sistemas de comunicacin y de tratamiento de
seales como, por ejemplo, en la generacin de seales moduladas de una nica banda lateral, seales de radar
y procesamiento de seales de voz.
La respuesta al impulso unidad de un transformador ideal de Hilbert es
hd (n) =
1
2
Hd ( )e j n d
0
1
je j n d
je j n d
2
0
2
2 sen ( n/2) , n = 0
=
0,
n=0
=
(10.2.86)
Como era de esperar, hd (n) tiene duracin infinita y es no causal. Observe que hd (n) es antisimtrica [es
decir, hd (n) = hd (n)]. Teniendo en cuenta esta caracterstica, vamos a centrar nuestra atencin en el diseo
de los tranformadores FIR de Hilbert de fase lineal con una respuesta al impulso unidad antisimtrica [es
decir, h(n) = h(M 1 n)]. Podemos observar tambin que la eleccin de una respuesta al impulso unidad
antisimtrica es coherente con disponer de una respuesta en frecuencia Hd ( ) puramente imaginaria.
Recordemos una vez ms que cuando h(n) es antisimtrica, la respuesta en frecuencia real Hr ( ) es cero
en = 0 tanto para M impar como par y en = cuando M es impar. Evidentemente, es imposible disear un
transformador digital paso todo de Hilbert. Afortunadamente, en las aplicaciones de procesamiento de seales
prcticas, un transformador paso todo de Hilbert no es necesario. Su ancho de banda slo tiene que cubrir
el ancho de banda de la seal que se va a desplazar en fase. En consecuencia, especificamos la respuesta en
frecuencia real de un filtro transformador de Hilbert como
Hdr ( ) = 1,
2 f l 2 f u
(10.2.87)
Mdulo
Frecuencia normalizada
Figura 10.2.23. Respuesta en frecuencia y error de aproximacin para un diferenciador FIR con M = 30
diseado por el mtodo de muestreo en frecuencia.
donde fl y fu son las frecuencias de corte inferior y superior, respectivamente.
Es interesante destacar que el transformador ideal de Hilbert con una respuesta al impulso unidad hd (n)
dada por (10.2.86) es cero para n par. El transformador FIR de Hilbert cumple esta propiedad bajo determinadas
condiciones de simetra. En particular, consideremos el tipo de filtro del caso 3 para el que
Hr ( ) =
(M1)/2
c(k) sen k
(10.2.88)
k=1
y suponga que fl = 0.5 fu . Esto asegura una banda de paso simtrica alrededor de la frecuencia central
f = 0.25. Si la respuesta en frecuencia presenta esta propiedad de simetra, Hr ( ) = Hr ( ) y, por tanto,
(10.2.88) proporciona
(M1)/2
c(k) sen k =
k=1
=
=
(M1)/2
c(k) sen k( )
c(k)(1)k+1 sen k
k=1
(M1)/2
k=1
(M1)/2
k=1
o, lo que es equivalente,
(M1)/2
[1 (1)k+1]c(k) sen k = 0
(10.2.89)
k=1
M1
k
2
M1
1
h
k = c(k)
2
2
(10.2.90)
h(k) =
0, k = 0, 2, 4, . . . ,
0, k = 1, 3, 5, . . . ,
M1
par
2
M1
impar
para
2
para
(10.2.91)
Lamentablemente, (10.2.91) slo se cumple para M impar; no se cumple para M par. Esto significa que para
valores comparables de M, el caso de M impar es preferible, ya que la complejidad de clculo (nmero de
multiplicaciones y sumas por punto de salida) es casi la mitad que para el caso en que M es par.
Cuando el diseo del transformador de Hilbert se implementa mediante la aproximacin de Chebyshev utilizando el algoritmo de Remez, seleccionamos los coeficientes del filtro para minimizar el error de aproximacin
de pico
=
max [Hdr ( ) Hr ( )]
2 f l 2 f u
(10.2.92)
=
max [1 Hr ( )]
2 f l 2 f u
As, la funcin de ponderacin se fija a la unidad y la optimizacin se realiza en una nica banda de frecuencias
(es decir, la banda de paso del filtro).
EJEMPLO 10.2.6
Disee un transformador de Hilbert con los siguientes parmetros: M = 31, fl = 0.05 y f u = 0.45.
Solucin. Observe que la respuesta en frecuencia es simtrica, ya que f u = 0.5 fl . Los parmetros para ejecutar el
algoritmo de Remez son:
31,
3,
1
0.05,
0.45
1.0
1.0
El resultado de este diseo es la respuesta al impulso unidad y la respuesta en frecuencia mostradas en la Figura 10.2.24.
Observe que, realmente, cualquier otro valor de h(n) es prcticamente cero.
Rabiner y Schafer (1974b) han investigado las caractersticas de los diseos de transformadores de Hilbert
tanto para M impar como para M par. Si el diseo del filtro se restringe a una respuesta en frecuencia simtrica,
h(n)
0.5
-0.5
0
10
15
n
20
25
30
Mdulo (dB)
-50
-100
0.05
0.1
0.15
0.2
0.25
f
0.3
0.35
0.4
0.45
0.5
Figura 10.2.24. Frecuencia del filtro transformador FIR de Hilbert del Ejemplo 10.2.6.
entonces hay bsicamente tres parmetros de inters, M, y fl . La Figura 10.2.25 es ua grfica de 20 log10
en funcin de fl (la anchura de la banda de transicin) con M como parmetro. Observe que para valores
comparables de M, no existe ninguna ventaja de rendimiento por emplear un valor de M impar en lugar de par,
y viceversa. Sin embargo, la complejidad de clculo en la implementacin de un filtro para M impar es menor
en un factor de 2 respecto a si M es par, como se ha indicado previamente. Por tanto, en la prctica, es preferible
emplear un valor impar para M.
Para propsitos de diseo, las grficas de la Figura 10.2.25 sugieren como regla que,
M fl 0.61 log10
(10.2.93)
Luego esta frmula puede utilizarse para estimar el tamao de uno de los tres parmetros bsicos del filtro
cuando se conocen los otros dos.
10.2.7
Histricamente, el mtodo de diseo basado en el uso de ventanas para truncar la respuesta al impulso hd (n)
y obtener la forma espectral deseada fue el primer mtodo propuesto para disear filtros FIR de fase lineal. El
mtodo basado en el muestreo en frecuencia y la aproximacin de Chebyshev se desarrollaron en la dcada de
los aos setenta y se han hecho muy populares en el diseo de filtros FIR de fase lineal prcticos.
La principal desventaja del mtodo de diseo mediante ventanas es la falta de un control preciso de las
frecuencias crticas, tales como p y s , en el diseo de un filtro FIR paso bajo. Los valores de p y s , en
general, dependen del tipo de ventana y de la longitud del filtro M.
El mtodo basado en el muestreo en frecuencia proporciona una mejora respecto del mtodo de diseo
mediante ventanas, ya que Hr ( ) se especifica en las frecuencias k = 2 k/M u k = (2k + 1)/M y la banda
de transicin es un mltiplo de 2 /M. Este mtodo de diseo es especialmente atractivo cuando el filtro FIR se
implementa en el dominio de la frecuencia utilizando la DFT o mediante cualquiera de las realizaciones basadas
en el muestreo en frecuencia. La caracterstica ms atractiva de estas realizaciones es que Hr (k ) es igual a cero
o a la unidad en todas las frecuencias, excepto en la banda de transicin.
Transformadores de Hilbert
M=3
10
20
30
40
15
50
16
60
70
80
31
90
32
100
64
63
110
120
0
0.02
0.04
0.06
0.08
0.10
Figura 10.2.25. Curvas 20 log 10 en funcin de f para M = 3, 4, 7, 8, 15, 16, 31, 32, 63, 64. [De los
documentos de Rabiner y Schafer (1974b). Reimpreso con permiso de AT&T.]
La aproximacin de Chebyshev proporciona un control total sobre las especificaciones del filtro y, en
consecuencia, normalmente es preferible a los otros dos mtodos. Para un filtro paso bajo, las espcificaciones
se proporcionan en funcin de los parmetros p , s , 1 , 2 y M. Podemos especificar los parmetros p , s ,
M y , y optimizar los filtros respecto a 2 . Si extendemos el error de la aproximacin a la banda de paso y a la
banda eliminada del filtro, este mtodo da lugar a un filtro ptimo, en el sentido de que para un conjunto dado
de especificaciones como el descrito, el nivel mximo del lbulo secundario se minimiza.
El procedimiento de diseo de Chebyshev basado en el algoritmo de intercambio de Remez requiere que
especifiquemos la longitud del filtro, las frecuencias crticas p y s , y la relacin 2 /1 . Sin embargo, en el
diseo de filtros es ms natural especificar p , s , 1 y 2 , para determinar la longitud del filtro que satisface
las especificaciones. Aunque no existe una frmula simple que permita determinar la longitud del filtro a partir
de estas especificaciones, se han propuesto una serie de aproximaciones que permiten estimar M a partir de p ,
s , 1 y 2 . Una frmula simple atribuida a Kaiser para aproximar M es
M =
20 log10 1 2 13
+1
14.6 f
(10.2.94)
donde f es la anchura de la banda de transicin, definida como f = (s p )/2 . Esta frmula se proporciona
en los documentos de Rabiner et al. (1975). Una frmula ms precisa propuesta por Herrmann et al. (1973) es
D (1 , 2 ) f (1 , 2 )( f )2
+1
M =
f
(10.2.95)
(10.2.96)
(10.2.97)
Estas frmulas son extremadamente tiles para obtener una buena estimacin de la longitud del filtro
requerida para conseguir las especificaciones dadas para f , 1 y 2 . El valor estimado se utiliza para llevar a
cabo el diseo y si el valor resultante de excede el valor especificado de 2 , la longitud puede incrementarse
hasta obtener un nivel en el lbulo secundario que cumpla las especificaciones.
Ha (s) =
B(s)
=
A(s)
k sk
k=0
N
(10.3.1)
k sk
k=0
donde {k } y {k } son los coeficientes del filtro, o mediante su respuesta al impulso, que est relacionada con
Ha (s) mediante la transformada de Laplace
Ha (s) =
h(t)est dt
(10.3.2)
Alternativamente, el filtro analgico cuya funcin de sistema relacional es H(s) [dada por la Ecuacin (10.3.1)],
puede describirse mediante la ecuacin en diferencias lineal de coeficientes constantes
N
k=0
M
d k y(t)
d k x(t)
=
dt k
dt k
k=0
(10.3.3)
donde x(t) designa la seal de entrada e y(t) designa la salida del filtro.
Cada una de estas tres caracterizaciones equivalentes de un filtro analgico nos lleva a mtodos alternativos
para convertir el filtro al dominio digital, como se describe en las Secciones 10.3.1 hasta 10.3.3. Recuerde que
el sistema analgico lineal e invariante en el tiempo H(s) es estable si todos sus polos se encuentran en la
mitad izquierda del plano s. En consecuencia, para que la tcnica de conversin sea efectiva, deber poseer las
siguientes propiedades:
1. El eje j del plano s debe corresponderse con la circunferencia unidad en el plano z. As, existir una
relacin directa entre las dos variables de frecuencia en ambos dominios.
2. El semiplano izquierdo del plano s debe corresponderse con el interior de la circunferencia unidad en el
plano z. Por tanto, un filtro analgico estable se convertir en un filtro digital estable.
En la seccin anterior hemos mencionado que los filtros IIR estables y fsicamente realizables no pueden
tener fase lineal. Recuerde que un filtro de fase lineal debe tener una funcin de sistema que satisfaga la condicin
H(z) = zN H(z1 )
(10.3.4)
donde zN representa un retardo de N unidades de tiempo. Pero si ste fuera el caso, el filtro tendra un polo
reflejado en el exterior de la circunferencia unidad por cada polo ubicado en el interior de dicha circunferencia.
Por tanto, el filtro sera inestable. En consecuencia, un filtro IIT causal y estable no puede tener una fase lineal.
Si eliminamos la restriccin sobre la implementabilidad fsica, en principio, sera posible obtener un filtro
IIR de fase lineal. Este mtodo implica llevar a cabo una inversin temporal de la seal de entrada x(n), haciendo
pasar x(n) a travs de un filtro digital H(z), una inversin temporal de la salida de H(z) y, por ltimo, hacer
pasar de nuevo el resultado a travs de H(z). Este procesamiento de seales es enormemente complejo en lo
que se refiere a los clculos y no ofrece ninguna ventaja sobre los filtros FIR de fase lineal. En consecuencia,
cuando una aplicacin requiere un filtro de fase lineal, debe emplearse un filtro FIR.
En el diseo de filtros IIR, especificaremos las caractersticas deseadas del filtro slo para el mdulo de la
respuesta. Esto no significa que no consideremos importante la fase de la respuesta. Ya que el mdulo y la fase
de la respuesta estn relacionados, como se ha indicado en la Seccin 10.1, especificamos las caractersticas
deseadas del mdulo y aceptamos la fase que se obtiene a partir de la metodologa del diseo.
10.3.1
Uno de los mtodos ms sencillos para convertir un filtro analgico en un filtro digital consiste en aproximar
la ecuacin diferencial dada por (10.3.3) mediante una ecuacin en diferencias equivalente. Este mtodo se
utiliza a menudo para resolver numricamente una ecuacin diferencial de coeficientes constantes utilizando
una computadora digital.
En la expresin de la derivada dy(t)/dt en el instante t = nT , sustituimos la diferencia [y(nT)y(nT 1)]/T .
As
dy(t)
y(nT ) y(nT T )
=
dt t=nT
T
(10.3.5)
y(n) y(n 1)
=
T
donde T representa el intervalo de muestreo e y(n) y(nT ). El diferenciador analgico cuya salida es dy(t)/dt
tiene la funcin de sistema H(s) = s, mientras que el sistema digital que genera la salida [y(n) y(n 1)]/T
tiene la funcin de sistema H(z) = (1 z1 )/T . En consecuencia, como se muestra en la Figura 10.3.1, el
equivalente en el dominio de la frecuencia para la relacin (10.3.5) es
s=
1 z1
T
(10.3.6)
y(t)
dy(t)
dt
H(s) = s
(a)
y(n)
H(z) =
1 z 1
T
y(n) y(n 1)
T
(b)
(10.3.7)
1 z1
T
2
(10.3.8)
(10.3.10)
donde Ha (s) es la funcin de sistema del filtro analgico caracterizado por la ecuacin diferencial dada por la
Ecuacin (10.3.3).
Vamos a investigar las implicaciones de la correspondencia entre el plano s y el plano z como se especifica
en (10.3.6) o, lo que es equivalente,
1
z=
(10.3.11)
1 sT
Si sustituimos s = j en (10.2.11), tenemos que
1
1 jT
1
T
=
+j
1 + 2 T 2
1 + 2 T 2
z=
(10.3.12)
Cuando vara entre e , el lugar geomtrico de los puntos en el plano z es una circunferencia de radio
con centro en z =
1
2,
1
2
Circunferencia unidad
plano-z
plano-s
1
2
Figura 10.3.2. La relacin s = (1 z 1 )/T establece la correspondencia entre el semiplano izquierdo s y los
puntos interiores de la circunferencia de radio
1
2
y centro z =
1
2
en el plano z.
Puede demostrarse fcilmente que la relacin dada por (10.3.11) establece la correspondencia entre los
puntos del semiplano izquierdo s y los puntos interiores de la circunferencia en el plano z, y entre los puntos del
semiplano derecho s y los puntos exteriores a la circunferencia. En consecuencia, esta correspondencia tiene la
propiedad de que un filtro analgico estable se transforma en un filtro digital estable. Sin embargo, la posible
ubicacin de los polos del filtro digital est confinada a frecuencias relativamente bajas y, como consecuencia, la
correpondencia se restringe al diseo de filtros paso bajo y filtros paso banda que tienen frecuencias de resonancia
relativamente bajas. Por ejemplo, no es posible transformar un filtro analgico paso alto en el correspondiente
filtro digital paso alto.
En un intento por vencer las limitaciones de la correspondencia anterior, se han propuesto sustituciones ms
complejas para la derivadas. En particular, se ha propuesto una diferencia de orden L de la forma
dy(t)
y(nT + kT ) y(nT kT )
1 L
(10.3.13)
=
k
dt t=nT T k=1
T
donde los {k } son un conjunto de parmetros que se pueden seleccionar para optimizar la aproximacin. La
correspondencia resultante entre el plano s y el plano z ahora es
s=
1
T
k (zk zk )
Cuando z = e j , tenemos
s= j
(10.3.14)
k=1
2
T
k=1
2
T
k sen k
k sen k
(10.3.15)
(10.3.16)
k=1
es la correspondencia resultante entre las dos variables de frecuencia. Mediante la eleccin apropiada de los
coeficientes {k } es posible asignar el eje j a la circunferencia unidad. Adems, los puntos del semiplano
izquierdo s puede corresponderse con los puntos interiores de la circunferencia unidad en el plano z.
A pesar de haber conseguido las dos caractersticas deseables mediante la correspondencia definida por
(10.3.16), el problema de elegir el conjunto de coeficientes {k } contina. En general, este problema es complicado. Puesto que existen tcnicas ms sencillas para convertir filtros analgicos en fitros IIR digitales, no
vamos a insistir en el uso de las diferencias de orden L como sustituto de la derivada.
EJEMPLO 10.3.1
Convierta el filtro analgico paso banda cuya funcin de sistema es
Ha (s) =
1
(s + 0.1)2 + 9
1 z1
T
2
+ 0.1 + 9
La funcin de sistema H(z) tiene la forma de un resonador siempre que T se seleccione para ser lo suficientemente pequeo
(por ejemplo, T 0.1), con el fin de que los polos se encuentren en las proximidades de la circunferencia unidad. Observe
que se cumple la condicin a21 < 4a2 , por lo que los polos son complejos.
Por ejemplo, si T = 0.1, los polos se localizan en
p1,2 = 0.91 j0.27
= 0.949e j16.5
Observe que el intervalo de frecuencias de resonancia est limitado a las bajas frecuencias, a causa de las
caractersticas de la correspondencia. Animamos al lector a representar grficamente la respuesta en frecuencia
H( ) del filtro digital para diferentes valores de T y a comparar los resultados con la respuesta en frecuencia
del filtro analgico.
EJEMPLO 10.3.2
Convierta el filtro analgico paso banda del Ejemplo (10.3.1) en un filtro IIR digital utilizando la correspondencia
s=
1
(z z1 )
T
z z1
T
2
+ 0.1 + 9
z2 T 2
Observe que esta correspondencia ha introducido dos polos adicionales en la conversin de Ha (s) en H(z). Por tanto, el
filtro digital es significativamente ms complejo que el analgico. ste es un inconveniente importante de la correspondencia
dada.
10.3.2
En el mtodo basado en la invarianza del impulso, nuestro objetivo es disear un filtro IIR que tenga una respuesta
al impulso unidad h(n) que sea la versin muestreada de la respuesta al impulso del filtro analgico. Es decir,
h(n) h(nT ),
n = 0, 1, 2, . . .
(10.3.17)
Xa [( f k)Fs ]
(10.3.18)
k=
donde f = F/Fs es la frecuencia normalizada. Si la frecuencia de muestreo Fs es menor que dos veces la
frecuencia ms alta contenida en Xa (F) se produce aliasing.
Expresado en el contexto del muestreo de la respuesta al impulso de un filtro analgico con la respuesta en
frecuencia Ha (F), el filtro digital con la respuesta al impulso h(n) ha (nT ) tiene la respuesta en frecuencia
H( f ) = Fs
Ha [( f k)Fs ]
(10.3.19)
Ha [( 2 k)Fs]
(10.3.20)
2 k
Ha T
k=
(10.3.21)
k=
o, lo que es equivalente,
H( ) = Fs
k=
o
1
H(T ) =
T
La Figura 10.3.3 muestra la respuesta en frecuencia de un filtro analgico paso bajo y la respuesta en
frecuencia del filtro digital correspondiente.
Est claro que el filtro digital con la respuesta en frecuencia H( ) tiene la respuesta en frecuencia del filtro
analgico correspondiente si el intervalo de muestreo T se selecciona para que sea lo suficientemente pequeo
como para impedir por completo o al menos para minimizar los efectos del aliasing. Tambin est claro que el
mtodo basado en la invarianza del impulso es inapropiado para disear filtros paso alto debido al aliasing que
resulta del proceso de muestreo.
Para investigar la correspondencia de puntos entre el plano z y el plano s debida al proceso de muestreo,
nos basamos en una generalizacin de (10.3.21) que relaciona la transformada z de h(n) con la transformada de
Laplace de ha (t). Esta relacin es
2 k
1
(10.3.22)
H(z)|z=esT =
Ha s j T
T k=
25
25
25T
25T
Figura 10.3.3. Respuesta en frecuencia Ha() del filtro analgico y respuesta en frecuencia del correspondiente
filtro digital con aliasing.
donde
H(z)
H(z)|z=esT =
h(n)zn
n=0
h(n)esT n
(10.3.23)
n=0
(10.3.24)
= T
(10.3.25)
Por tanto, < 0 implica que 0 < r < 1 y > 0 implica que t r > 1. Cuando = 0, tenemos que r = 1. Por tanto,
el semiplano izquierdo s se corresponde con el interior de la circunferencia unidad en el plano z y el semiplano
derecho en s se corresponde con el exterior de la circunferencia unidad en el plano z.
j
3
T
plano-s
plano-z
z = esT
Circunferencia
unidad
3
T
Figura 10.3.4. La correspondencia z = e sT asigna bandas de anchura 2 /T (para < 0) en el plano s con
puntos de la circunferencia unidad en el plano z.
Tambin, el eje j se corresponde con la circunferencia unidad en el plano z, como se ha indicado anteriormente. Sin embargo, esta correspondencia entre el eje j y la circunferencia unidad no es una correspondencia
uno-a-uno. Dado que es nica en el intervalo ( , ), la correspondencia = T implica que el intervalo
/T /T se corresponde con los valores del intervalo . Adems, el intervalo de frecuencias /T 3 /T tambin se corresponde con el intervalo y, en general, con intervalos
(2k 1) /T (2k + 1) /T, cuando k es un entero. Luego la correspondencia de la frecuencia analgica
con la variable de frecuencia en el dominio digital es una correspondencia muchos-a-uno, que simplemente
refleja los efectos del aliasing debidos al muestreo. La Figura 10.3.4 ilustra la correspondencia entre el plano s
y el plano z segn la relacin dada en (10.3.24).
Para saber un poco ms sobre el efecto del diseo basado en la invarianza del impulso sobre las caractersticas
del filtro resultante, vamos a expresar la funcin de sistema del filtro analgico en forma de fracciones parciales.
Suponiendo que los polos del filtro analgico son distintos, podemos escribir
Ha (s) =
ck
s pk
(10.3.26)
k=1
donde {pk } son los polos del filtro analgico y {ck } son los coeficientes de la expansin en fracciones parciales.
En consecuencia,
ha (t) =
ck e p k t ,
t 0
(10.3.27)
ck e p k T n
(10.3.28)
k=1
k=1
Sustituyendo ahora el valor dado por (10.3.28), la funcin de sistema del filtro IIR digital resultante es
H(z) =
n=0
n=0
k=1
h(n)zn = ck e pk T n
zn =
k=1
n=0
ck (e pk T z1 )n
(10.3.29)
(e pk T z1 )n = 1 e pkT z1
(10.3.30)
n=0
ck
1 e pkT z1
(10.3.31)
k=1
k = 1, 2, . . . , N
(10.3.32)
Aunque los polos del plano s se corresponden con los del plano z de acuerdo con la relacin (10.3.32), debemos
destacar que los ceros de ambos dominios no satisfacen esta misma relacin. Por tanto, el mtodo basado en
la invarianza del impulso no se define mediante la simple correspondencia de puntos dada por la Ecuacin
(10.3.24).
El desarrollo obtenido para H(z) dado por (10.3.31) est basado en un filtro que tiene polos distintos. Puede
generalizarse para incluir polos de orden mltiple. Sin embargo, por abreviar, no vamos a ver la generalizacin
de la expresin (10.3.31).
EJEMPLO 10.3.3
Convierta el filtro analgico cuya funcin de sistema es
Ha (s) =
s + 0.1
(s + 0.1)2 + 9
1
2
s + 0.1 j3
1
2
s + 0.1 + j3
Por tanto,
H(z) =
1
2
0.1T
1e
e j3T z1
1
2
0.1T
1e
e j3T z1
Luego como los dos polos son complejos conjugados, podemos combinarlos para formar un filtro de slo dos polos
con la funcin de sistema
1 (e0.1T cos 3T )z1
H(z) =
1 (2e0.1T cos 3T )z1 + e0.2T z1
El mdulo de la respuesta en frecuencia de este filtro se muestra en la Figura 10.3.6 para T = 0.1 y T = 0.5. Con propsitos
de comparacin, tambin hemos representado el mdulo de la respuesta en frecuencia del filtro analgico en la Figura 10.3.7.
Observe que el aliasing es significativamente ms predominante cuando T = 0.5 que cuando T = 0.1. Observe tambin el
desplazamiento de la frecuencia de resonancia cuando T vara.
Mdulo (dB)
Figura 10.3.5. Posiciones de los polos y los ceros del filtro analgico del Ejemplo 10.3.3.
Frecuencia normalizada
Mdulo (dB)
Figura 10.3.6. Respuesta en frecuencia del filtro digital del Ejemplo 10.3.3.
Frecuencia
Figura 10.3.7. Respuesta en frecuencia del filtro analgico del Ejemplo 10.3.3.
El ejemplo anterior ilustra la importancia de seleccionar un valor pequeo para T con el fin de minimizar
el efecto de aliasing. A causa de la presencia del aliasing, el mtodo basado en la invarianza del impulso es
apropiado para el diseo de solamente filtros paso bajo y paso banda.
10.3.3
Las tcnicas de diseo de filtros IIR descritas en las dos secciones anteriores presentan serias limitaciones que
slo las hacen apropiadas para los filtros paso bajo y una clase limitada de filtros paso banda.
En esta seccin describimos una correspondencia entre el plano s y el plano z, denominada tranformacin
bilineal, que permite superar la limitacin de los otros dos mtodos de diseo descritos anteriormente. La
transformacin bilineal es una correspondencia que transforma el eje j en la circunferencia unidad en el plano
z una sola vez, evitando as el efecto de aliasing en las componentes de frecuencia. Adems, todos los puntos
del semiplano izquierdo s se corresponden con el interior de la circunferencia unidad en el plano z y todos los
puntos del semiplano derecho s se corresponden con los puntos externos a la circunferencia unidad en el plano
z.
La transformacin bilineal puede ligarse a la frmula trapezoidal de integracin numrica. Por ejemplo,
consideremos un filtro analgico lineal cuya funcin de sistema es
H(s) =
b
s+a
(10.3.33)
(10.3.34)
En lugar de sustituir la derivada por una diferencia finita, suponga que la integramos y aproximamos la integral
mediante la frmula trapezoidal. As,
y(t) =
t
t0
y ( )d + y(t0 )
(10.3.35)
donde y (t) designa la derivada de y(t). La aproximacin de la integral dada en (10.3.35) mediante la frmula
trapezoidal en t = nT y t0 = nT T da
y(nT ) =
T
[y (nT ) + y(nT T )] + y(nT T )
2
(10.3.36)
(10.3.37)
Utilizamos (10.3.37) para sustituir la derivada dada en (10.3.36) y luego obtenemos una ecuacin en diferencias
para el sistema discreto en el tiempo equivalente. Con y(n) y(nT ) y x(n) x(nT ), obtenemos el resultado
aT
aT
bT
1+
y(n) 1
y(n 1) =
[x(n) + x(n 1)]
2
2
2
(10.3.38)
o, lo que es lo mismo,
H(z) =
2
T
b
1 z1
+a
1 + z1
(10.3.39)
2
T
1 z1
1 + z1
(10.3.40)
2 z1
T z+1
2 re j 1
T re j + 1
r2 1
2
2r sen
=
+j
T 1 + r2 + 2r cos
1 + r2 + 2r cos
Luego,
2
r2 1
T 1 + r2 + 2r cos
2r sen
2
=
T 1 + r2 + 2r cos
(10.3.41)
(10.3.42)
Observe en primer lugar que si r < 1, entonces < 0, y si r > 1, entonces > 0. En consecuencia, el
semiplano izquierdo s se corresponde con el interior de la circunferencia unidad en el plano z y el semiplano
derecho se corresponde con el exterior de la circunferencia unidad. Si r = 1, entonces = 0 y
2 sen
T 1 + cos
2
= tan
T
2
o, lo que es equivalente,
= 2 tan1
T
2
(10.3.43)
(10.3.44)
la relacin definida en (10.3.44) entre las variables de frecuencia en los dos dominios se ilustra en la Figura
10.3.8. Observe que el rango completo de se hace corresponder slo una vez con el intervalo .
10
10
15
Figura 10.3.8. Correspondencia entre las variables de frecuencia y resultante de la transformacin bilineal.
Sin embargo, la correspondencia es extremadamente no lineal. Observe que hay una compresin de frecuencia o
deformacin de frecuencia, como normalmente se denomina, debida a la no linealidad de la funcin arcotangente.
Es interesante destacar tambin que la transformacin bilineal hace corresponder el punto s = con el
punto z = 1. En consecuencia, el filtro paso bajo de un slo polo dado por (10.3.33), que tiene un cero en
s = , da lugar a un filtro digital que tiene un cero en z = 1.
EJEMPLO 10.3.4
Convierta el filtro analgico cuya funcin de sistema es
Ha (s) =
s + 0.1
(s + 0.1)2 + 16
en un filtro digital IIR aplicando la transformacin bilineal. El filtro digital tiene una frecuencia de resonancia de r = /2.
Solucin. Observe en primer lugar que el filtro analgico tiene una frecuencia de resonancia r = 4. Esta frecuencia se hace
corresponder con r = /2 seleccionando el valor del parmetro T . A partir de la relacin (10.3.43), debemos seleccionar
T = 12 para obtener r = /2. Luego la correspondencia deseada es
s=4
1 z1
1 + z1
Observe que el coeficiente del trmino z1 del denominador de H(z) es extremadamente pequeo y se puede aproximar a
cero. Luego tenemos la funcin de sistema
H(z) =
y ceros en
z1,2 = 1, 0.95
Por tanto, hemos diseado con xito un filtro de dos polos cuya frecuencia de resonancia est prxima a = /2.
2
0.65
tan 0.1 =
T
T
0.65/T
s + 0.65/T
0.245(1 + e j )
1 0.509e j
10.3.4
Como hemos visto anteriormente, los filtros IIR digitales puede obtenerse fcilmente partiendo de un filtro
analgico y aplicando a continuacin una correspondencia para transformar el plano s en el plano z. De este
modo, el diseo de un filtro digital se reduce a disear un filtro analgico adecuado y a continuacin llevar a
cabo la conversin de H(s) en H(z), de tal forma que se conserve, en la medida de lo posible, la caracterstica
deseada del filtro analgico.
El diseo de filtros analgicos es un campo ya muy desarrollado en muchos libros que se ocupan de este tema.
En esta seccin describiremos brevemente caractersticas importantes de los filtros analgicos comnmente
utilizados y veremos los parmetros relevantes de los filtros. Vamos a centrarnos en los filtros paso bajo. A
continuacin, expondremos varias transfomaciones en frecuencia que convierten un filtro paso bajo prototipo
en un filtro paso banda, paso alto o de banda eliminada.
Filtros de Butterworth. Los filtros paso bajo de Butterworth son filtros de slo polos caracterizados por el
mdulo al cuadrado de la respuesta en frecuencia
|H()|2 =
1
1
=
1 + (/c)2N
1 + 2 (/ p)2N
(10.3.45)
donde N es el orden del filtro, c es su frecuencia a 3-dB (normalmente denominada frecuencia de corte), p
es la frecuencia de corte de la banda de paso y 1/(1 + 2 ) es el valor en la frecuencia de corte de la banda de
|H()|2 . Puesto que H(s)H(s) evaluado en s = j es simplemente igual a |H()|2 , se deduce que
H(s)H(s) =
1
1 + (s2/2c )N
(10.3.46)
Los polos de H(s)H(s) se producen en una circunferencia de radio c en puntos equidistantes. A partir de
(10.3.46), tenemos que
s2
= (1)1/N = e j(2k+1) /N ,
2c
k = 0, 1, . . . , N 1
y, por tanto,
sk = c e j /2 e j(2k+1) /2N ,
k = 0, 1, . . . , N 1
(10.3.47)
Por ejemplo, la Figura 10.3.9 ilustra las posiciones de los polos para los filtros de Butterworth con N = 4 y
N = 5.
La respuesta en frecuencia de los filtros de Butterworth se muestra en la Figura 10.3.10 para distintos valores
de N. Observe que |H()|2 es monotnica tanto en la banda de paso como en la banda eliminada. El orden del
filtro necesario para tener una atenuacin 2 en una frecuencia especificada s se determina fcilmente a partir
de (10.3.45). Luego en = s , tenemos
1
= 22
1 + 2(s / p )2N
y, por tanto,
N=
log[(1/22 ) 1]
log( / )
=
2 log(s /c )
log(s / p )
(10.3.48)
donde, por definicin, 2 = 1/ 1 + 2. As, el filtro de Butterworth queda completamente caracterizado por
los parmetros N, 2 , , y la relacin s / p .
EJEMPLO 10.3.6
Determine el orden y los polos de un filtro paso bajo de Butterworth que tenga un ancho de banda a 3-dB de 500 Hz y una
atenuacin de 40 dB a 1000 Hz.
Polos de
H(s)
Polos de
H(s)
2
8
N=4
(a)
10
Polos de
H(s)
Polos de
H(s)
N=5
(b)
log10 (104 1)
2 log10 2
= 6.64
Para cumplir las especificaciones deseadas, seleccionamos N = 7. Las posiciones de los polos son
sk = 1000 e j[ /2+(2k+1) /14] ,
k = 0, 1, 2, . . . , 6
Filtros de Chebyshev. Existen dos tipos de filtros de Chebyshev. Los filtros de Chebyshev de tipo I son filtros
de slo polos que presentan un rizado constante en la banda de paso y una caracterstica monotnica en la
1.1
1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
N=1
0.2
N=3
0.1
N=5
N=2
N=4
1
1 + 2TN2 (/ p )
(10.3.49)
donde es un parmetro del filtro relacionado con el rizado en la banda de paso y TN (x) es un polinomio de
Chebyshev de orden N que se define como
TN (x) =
|x| 1
cos(N cos1 x),
1
cosh(N cosh x), |x| > 1
(10.3.50)
N = 1, 2, . . .
(10.3.51)
donde T0 (x) = 1 y T1 (x) = x. A partir de (10.3.51), obtenemos T2 (x) = 2x2 1, T3 (x) = 4x3 3x, y as sucesivamente.
Algunas de las propiedades de estos polinomios son las siguientes:
1. |TN (x)| 1 para todo |x| 1.
2. TN (1) = 1 para todo N.
3. Todas las races del polinomio TN (x) se producen en el intervalo 1 x 1.
El parmetro del filtro est relacionado con el rizado en la banda de paso, como se ilustra en la Figura
10.3.11, para N impar y N par. Para N impar, TN (0) = 0 y por tanto |H(0)|2 = 1. Por otro lado, para N par,
TN (0) = 1 y por tanto |H(0)|2 = 1/(1 + 2). En la frecuencia de corte de la banda = p , tenemos TN (1) = 1,
de modo que
1
= 1 1
1 + 2
o, lo que es equivalente,
2 =
1
1
(1 1)2
(10.3.52)
2 +1
2
(10.3.53)
r2 = p
2 1
2
(10.3.54)
y el eje menor es
N impar
1 + 2 + 1
1/N
(10.3.55)
N par
Las posiciones de los polos pueden determinarse fcilmente para un filtro de orden N calculando en primer
lugar los polos para un filtro de Butterworth equivalente de orden N que caen sobre circunferencias de radio r1
o radio r2 , como puede verse en la Figura 10.3.12. Si designamos las posiciones angulares de los polos del filtro
de Butterworth como
(2k + 1)
,
k = 0, 1, 2, . . . , N 1
(10.3.56)
k = +
2
2N
entonces las posiciones de los polos del filtro de Chebyshev caen sobre la elipse en las coordenadas (xk , yk ),
k = 0, 1, . . . , N 1, donde
xk = r2 cos k ,
k = 0, 1, . . . , N 1
(10.3.57)
yk = r1 sen k ,
k = 0, 1, . . . , N 1
Un filtro de Chebyshev de tipo II contiene tanto ceros como polos. El mdulo al cuadrado de su respuesta
en frecuencia est dado por
1
|H()|2 =
(10.3.58)
1 + 2[TN2 (s / p)/TN2 (s /)]
donde TN (x) es, de nuevo, el polinomio de Chebyshev de orden N y s es la frecuencia de la banda eliminada
como se ilustra en la Figura 10.3.13. Los ceros se encuentran sobre el eje imaginario en los puntos
sk = j
s
,
sen k
k = 0, 1, . . . , N 1
(10.3.59)
k = 0, 1, . . . , N 1
(10.3.60)
s yk
,
wk =
x2k + y2k
k = 0, 1, . . . , N 1
(10.3.61)
r2
r1
N par
N impar
1/N
1 + 1 22
=
(10.3.62)
2
A partir de esta descripcin, observe que los filtros de Chebyshev estn caracterizados por los parmetros N, ,
2 y la relacin s / p . Para un conjunto dado de especificaciones de , 2 y s / p , podemos determinar el
orden del filtro mediante la ecuacin
2
2
2
log
1 2 + 1 2 (1 + ) /2
N=
(10.3.63)
log (s / p ) + (s / p)2 1
=
cosh1 ( / )
cosh1 (s / p )
2 = 0.259
= 0.5088
Tambin,
20 log10 2 = 40
2 = 0.01
log10 196.54
= 4.0
log10 (2 + 3)
Luego un filtro de Chebyshev de tipo I que tiene cuatro polos cumple las especificaciones.
Las posiciones de los polos se determinan a partir de las relaciones (10.3.53) hasta (10.3.57). En primer lugar, calculamos
, r1 y r2 . As,
= 1.429
r1 = 1.06 p
r2 = 0.365 p
Los ngulos {k } son
k =
(2k + 1)
+
,
2
8
k = 0, 1, 2, 3
Las especificaciones del filtro del Ejemplo 10.3.7 son muy similares a las especificaciones dadas en el Ejemplo 10.3.6, las cuales implican el diseo de un filtro de Butterworth. En este caso, el nmero de polos necesario
para cumplir las especificaciones era de siete. Por el contrario, el filtro de Chebyshev requiere slo cuatro. Este
resultado es tpico en tales comparaciones. En general, el filtro de Chebyshev cumple las especificaciones con
muchos menos polos que el correspondiente filtro de Butterworth. Alternativamente, si comparamos un filtro
de Butterworth con un filtro de Chebyshev que tengan el mismo nmero de polos y las mismas especificaciones
para las banda de paso y eliminada, el filtro de Chebyshev tendr una banda de transicin ms pequea. Si el
lector desea ver una tabulacin de las caractersticas de los filtros de Chebyshev y de sus posiciones de polos y
ceros, puede consultar el manual de Zverev (1967).
Filtros elpticos. Los filtros elpticos (o de Cauer) presentan un rizado constante en la banda de paso y en la
banda eliminada como se muestra en la Figura 10.3.14 para N impar y N par. Este tipo de filtros presenta tanto
polos como ceros y se caracteriza por tener el mdulo al cuadrado de la respuesta en frecuencia
|H()|2 =
1
1 + 2UN (/ p )
(10.3.64)
donde UN (x) es la funcin elptica jacobiana de orden N, la cual est tabulada en el documento de Zverev (1967),
y es un parmetro relacionado con el rizado de la banda de paso. Los ceros se sitan sobre el eje j.
Como hemos visto al estudiar los filtros FIR, los diseos ms eficientes se obtienen cuando se extiende el
error de aproximacin igualmente en la banda de paso y la banda eliminada. Los filtros elpticos consiguen este
objetivo y, en consecuencia, son los ms eficientes desde el punto de vista de conseguir el filtro de orden mnimo
para un conjunto dado de especificaciones. As, podemos decir que para un determinado orden y un conjunto
de especificaciones dado, un filtro elptico es el que tiene la banda de transicin ms pequea.
El orden del filtro necesario para obtener un determinado conjunto de especificaciones para el rizado de la
banda de paso 1 , el rizado de la banda eliminada 2 y la relacin de transicin p /s est dado por
1 ( 2/ 2 )
K( p /s )K
N=
K( / )K
1 ( p/s )2
(10.3.65)
1
1
2
2
2
2
N par
N par
Figura 10.3.14. Cuadrado del mdulo de la respuesta en frecuencia de los filtros elpticos.
donde K(x) es la integral elptica completa de primera clase, definida como
K(x) =
/2
0
1 x2 sen2
(10.3.66)
y 2 = 1/ 1 + 2. Los valores de esta integral estn tabulados en numerosos libros de texto, como por ejemplo,
los libros de Jahnke y Emde (1945) y Dwight (1957)]. El rizado de la banda de paso es 10 log10 (1 + 2 ).
No vamos a describir las funciones elpticas en detalle porque queda fuera del mbito del libro. Baste con
decir que hay disponibles programas software para disear filtros elpticos a partir de las especificaciones de
frecuencia indicadas anteriormente.
En vista de lo ptimos que resultan los filtros elpticos, el lector puede plantearse por qu tener en cuenta
los filtros de Butterworth o de Chebyshev en las aplicaciones prcticas. Una razn importante por la que estos
tipos de filtros pueden resultar preferibles en determinadas aplicaciones es que poseen mejores respuestas en
fases. La fase de la respuesta de los filtros elpticos es menos lineal en la banda de paso que en el caso de un
filtro de Butterworth o de Chebyshev comparable, especialmente cerca de la frecuencia de corte de la banda.
Filtros de Bessel. Los filtros de Bessel son filtros de slo polos caracterizados por la funcin de sistema
H(s) =
1
BN (s)
(10.3.67)
donde BN (s) es el polinomio de Bessel de orden N. Estos polinomios pueden expresarse en la forma
BN (s) =
ak sk
(10.3.68)
k=0
(2N k)!
,
2Nk k!(N k)!
k = 0, 1, . . . , N
(10.3.69)
Alternativamente, los polinomios de Bessel pueden generarse de forma recursiva a partir de la relacin
Mdulo
1.0
0.8
0.6
Bessel
0.4
Butterworth
0.2
0
N=4
Fase
180
135
90
45
0
45
90
Bessel
135
180
Butterworth
Figura 10.3.15. Mdulo y fase de las respuestas de los filtros de Bessel y Butterworth de orden N = 4.
(10.3.70)
10.3.5
En esta seccin vamos a presentar varios ejemplos de diseos de filtros digitales obtenidos a partir de filtros
analgicos aplicando la transformacin bilineal para convertir H(s) en H(z). Estos diseos de filtros deben
realizarse con la ayuda de alguno de los diversos paquetes de software disponibles actualmente que se pueden
utilizar en una computadora personal.
Un filtro paso bajo est diseado para cumplir las especificaciones siguientes: un rizado mximo de 12 dB
en la banda de paso, 60-dB de atenuacin en la banda eliminada, una frecuencia de corte en la banda de paso
p = 0.25 y una frecuencia de corte en la banda eliminada s = 0.30 .
Se necesita un filtro de Butterworth de orden N = 37 para satisfacer las especificaciones. Su respuesta en
frecuencia se ilustra en la Figura 10.3.16. Si se utiliza un filtro de Chebyshev, un filtro de orden N = 13 satisfar
Fase (grados)
Mdulo (dB)
Frecuencia normalizada
H(z) =
(10.3.71)
Aunque en la seccin anterior slo hemos descrito filtros analgicos paso bajo, es sencillo convertir un
filtro analgico paso bajo en un filtro analgico paso banda, de banda eliminada o paso alto aplicando una
tranformacin en frecuencia como se ha descrito en la Seccin 10.4. La transformacin bilineal se aplica
entonces para convertir el filtro analgico en el filtro digital equivalente. Como en el caso de los filtros paso bajo
descritos anteriormente, el diseo completo puede llevarse a cabo en una computadora.
10.4.1
En primer lugar, consideraremos las transformaciones en frecuencia en el dominio analgico. Suponga que
disponemos de un filtro paso bajo con una frecuencia de corte en la banda de paso p y deseamos convertirlo
en otro filtro paso bajo cuya frecuencia de corte en la banda de paso sea p . La transformacin que cumple esto
es
p
s s,
(paso bajo a paso bajo)
(10.4.1)
p
As obtenemos un filtro paso cuya funcin de sistema es Hl (s) = H p [( p /p)s], donde H p (s) es la funcin de
sistema del filtro prototipo con una frecuencia de corte en la banda de paso p .
Si deseamos convertir un filtro paso bajo en un filtro paso alto con una frecuencia de corte de la banda de
paso p , la transformacin deseada es
s
p p
,
s
(10.4.2)
Fase (grados)
Mdulo (dB)
Frecuencia normalizada
s2 + l u
,
s(u l )
(10.4.3)
Igualmente podemos obtener el mismo resultado en un slo paso por medio de la transformacin
s p
s2 + l u
,
s(u l )
(10.4.4)
donde
l = frecuencia de corte inferior
u = frecuencia de corte superior
As, obtenemos
s2 + l u
Hb (s) = H p p
s(u l )
Por ltimo, si deseamos convertir un filtro paso bajo analgico con una frecuencia de corte p en un filtro de
banda eliminada, la transformacin consiste simplemente en aplicar la inversa de (10.4.3) con el factor adicional
p que sirve para normalizar la frecuencia de corte del filtro paso bajo. Luego la transformacin es
Fase (grados)
Mdulo (dB)
Frecuencia normalizada
s p
lo que nos lleva a
s(u l )
,
s2 + ul
(10.4.5)
s(u l )
Hbs (s) = H p p 2
s + u l
Las correspondencias dadas en (10.4.1), (10.4.2), (10.4.3) y (10.4.5) se resumen en la Tabla 10.7. Las
correspondencias (10.4.4) y (10.4.5) son no lineales y puede aparecer distorsin en la respuesta en frecuencia
del filtro paso bajo. Sin embargo, los efectos de la no linealidad en la respuesta en frecuencia son menores y
afecta principalmente a la escala de frecuencias conservando la caracterstica de amplitud del filtro. Por tanto,
un filtro paso bajo con rizado constante se transforma en un filtro paso alto, paso banda o de banda eliminada
con rizado constante.
EJEMPLO 10.4.1
Transforme el filtro paso bajo de un slo polo de Butterworth con la funcin de sistema
H(s) =
p
s + p
en un filtro paso banda cuyas frecuencias de corte superior e inferior son u y l , respectivamente.
Tipo de
transformacin
Transformacin
p
s
p
p
p p
s
p
Paso bajo
Paso alto
Frecuencias de corte
del nuevo filtro
Paso banda
s p
s2 + l u
s(u l )
l , u
Banda eliminada
s p
s(u c )
s2 + u l
l , u
Tabla 10.7. Transformaciones en frecuencia para filtros analgicos (el filtro paso bajo prototipo tiene una
frecuencia de corte p ).
Solucin. La transformacin deseada est dada por (10.4.4). Luego tenemos
H(s) =
1
s2 + l u
+1
s(u l )
(u l )s
s2 + (u l )s + l u
10.4.2
(u l )
2u + 2l 6u l
Como en el dominio analgico, las transformaciones de frecuencia pueden realizarse en un filtro paso bajo
digital para convertirlo en un filtro paso alto, de banda eliminada o paso banda. La transformacin implica
reemplazar la variable z1 por una funcin racional g(z1 ), que debe satisfacer las siguientes propiedades:
1. La correspondencia z1 g(z1 ) debe hacer corresponder los puntos del interior de la circunferencia
unidad en el plano z con ellos mismos.
2. La circunferencia unidad tambin debe corresponderse consigo misma.
La condicin (2) implica que para r = 1,
e j = g(e j ) g( )
= |g( )|e jarg[g( )]
Es evidente que |g( )| = 1 para todo . Es decir, la correspondencia tiene que ser paso todo. Por tanto, tiene
la forma
Tipo de
transformacin
Transformacin
Paso bajo
z1 a
z1
1 az1
Paso alto
z1 + a
z1
1 + az1
Paso banda
Banda eliminada
z1
z1
Parmetros
sen[( p p )/2]
sen[( p + p )/2]
z2 a1z1 + a2
a2 z2 a1 z1 + 1
cos[( p + p )/2]
cos[( p p )/2]
l
u
a1
a2
l
u
a1
a2
z2 a1 z1 + a2
a2 z1 a1z1 + 1
Tabla 10.8. Transformacin de frecuencia para filtros digitales (el filtro paso bajo prototipo tiene una frecuencia
de corte p ).
z1 ak
1
k=1 1 ak z
n
g(z1 ) =
(10.4.6)
donde |ak | < 1 para garantizar que un filtro estable se transforma en otro filtro estable (es decir, para satisfacer
la condicin 1).
A partir de la forma general dada en (10.4.6), obtenemos el conjunto deseado de transformaciones digitales
para convertir un filtro paso bajo digital prototipo en otro filtro digital paso bajo o paso banda, de banda eliminada
o paso banda. Estas transformaciones se han tabulado en la Tabla 10.8.
EJEMPLO 10.4.2
Convierta el filtro paso bajo de un solo polo de Butterworth cuya funcin de sistema es
H(z) =
0.245(1 + z1 )
1 0.509z1
en un filtro paso banda con frecuencias de corte superior e inferior u y l , respectivamente. El filtro paso bajo tiene un
ancho de banda a 3-dB igual a p = 0.2 (vase el Ejemplo 10.3.5).
Solucin. La transformacin deseada es
z1
z2 a1 z1 + a2
a2 z2 a1 z1 + 1
0.245(1 a2 )(1 z2 )
(1 + 0.509a2 ) 1.509a1 z1 + (a2 + 0.509)z2
Observe que el filtro resultante tiene ceros en z = 1 y un par de polos que dependen de la eleccin de u y l .
Por ejemplo, suponga que u = 3 /5 y l = 2 /5. Puesto que p = 0.2 , tenemos que K = 1, a2 = 0 y a1 = 0. Luego
H(z) =
0.245(1 z2 )
1 + 0.509z2
Este filtro tiene polos en z = j0.713 y por tanto resuena en la frecuencia = /2.
Dado que una transformacin de frecuencia puede realizarse en el dominio analgico o en el dominio digital,
el diseador del filtro tiene la posibilidad de elegir qu mtodo utilizar. Sin embargo, debe tener cuidado a la
hora de elegir el mtodo dependiendo del tipo de filtro que vaya a disear. En particular, sabemos que el mtodo
basado en la invarianza del impulso y el de la correspondencia de derivadas son inapropiados para disear filtros
paso alto y muchos filtros paso banda, debido al problema del aliasing. En consecuencia, no debe emplearse
una transformacin de frecuencia en el dominio analgico seguida de la conversin del resultado en el dominio
digital utilizando estas dos correspondencias. En su lugar, es mucho mejor aplicar la correspondencia entre un
filtro paso bajo analgico y un filtro paso bajo digital y luego realizar la transformacin de frecuencia en el
dominio digital. As se evita el problema del aliasing.
En el caso de la transformacin bilineal, donde el aliasing no es un problema, independientemente de si la
transformacin de frecuencia se realiza en el dominio analgico o en el dominio digital. De hecho, slo en este
caso los dos mtodos dan como resultado filtros digitales idnticos.
Los filtros IIR se emplean generalmente en aplicaciones en las que la distorsin de fase es tolerable. De
entre los tipos de filtros IIR, los elpticos son los ms eficientes a la hora de implementarlos en el sentido de
que dado un conjunto de especificaciones, un filtro elptico es el de menor orden o tiene menos coeficientes que
cualquier otro tipo de filtro IIR. Si se compara con los filtros FIR, el filtro elptico tambin es considerablemente
ms eficiente. En vista de esto, puede considerarse el uso de un filtro elptico para obtener la selectividad de
frecuencia deseada, seguido de un ecualizador de fase paso todo que compense la distorsin de fase producida por
el filtro elptico. Sin embargo, esto da como resultado filtros con una cantidad de coeficientes de la combinacin
en cascada que es igual o mayor que la cantidad de coeficientes de un filtro FIR de fase lineal equivalente.
En consecuencia, no se consigue ninguna reduccin en la complejidad de clculo con la utilizacin de filtros
elpticos con ecualizacin de fase.
Existe actualmente mucha literatura dedicada al diseo de filtros digitales no siendo posible citar todas las
referencias importantes, por lo que slo vamos a enumerar unas pocas. Algunos de los primeros trabajos sobre
diseo de filtros digitales fueron realizados por Kaiser (1963, 1966), Steiglitz (1965), Golden y Kaiser (1964),
Rader y Gold (1967a), Shanks (1967), Helms (1968), Gibbs (1969, 1970) y, Gold y Rader (1969).
El diseo de filtros analgicos se trata en los libros clsicos de Storer (1957), Guillemin (1957), Weinberg
(1962) y Daniels (1974).
El mtodo basado en el muestreo en frecuencia para disear filtros digitales fue propuesto por Gold y
Jordan (1968, 1969), y optimizado por Rabiner et al. (1970). Herrmann (1970), Herrmann y Schuessler (1970a)
y, Hofstetter et al. (1971) publicaron resultados adicionales. El mtodo de la aproximacin de Chebyshev
(minimax) para el diseo de filtros FIR de fase lineal fue propuesto por Parks y McClellan (1972a,b) y ampliado
por Rabiner et al. (1975). El diseo de filtros elpticos digitales se aborda en el libro de Gold y Rader (1969)
y en los documentos de Gray y Markel (1976). Este ltimo incluye un programa software para disear filtros
elpticos digitales.
La utilizacin de transformaciones de frecuencia en el dominio digital fue propuesta por Constantinides
(1967, 1968, 1970). Estas transformaciones son apropiadas slo para filtros IIR. El lector debe darse cuenta de
que si estas transformaciones se aplican a un filtro FIR paso bajo, el filtro resultante es IIR.
Las tcnicas de diseo directas de filtros digitales se han considerado en numerosos estudios, entre los que
se incluyen autores como Shanks (1967), Burrus y Parks (1970), Steiglitz (1970), Deczky (1972), Brophy y
Salazar (1973) y, Bandler y Bardakjian (1973).
Problemas
10.1 Disee un filtro FIR digital de fase lineal, aproximando la respuesta en frecuencia ideal
1, para | |
6
Hd ( ) =
0, para < | |
6
(a) Determine los coeficientes de un filtro de 25 retardos basado en el mtodo de ventana empleando
una ventana rectangular.
(b) Determine y represente el mdulo y la fase de la respuesta del filtro.
(c) Repita los apartados (a) y (b) utilizando la ventana de Hamming.
(d) Repita los apartados (a) y (b) utilizando una ventana de Bartlett.
10.2 Repita el Problema 10.1 para un filtro de banda eliminada que tiene la respuesta ideal
1, para | | 6
0, para 6 < | | < 3
Hd ( ) =
1, para 3 | |
10.3 Redisee el filtro del Problema 10.1 utilizando las ventanas de Hanning y Blackman.
10.4 Redisee el filtro del Problema 10.2 utilizando las ventanas de Hanning y Blackman.
10.5 Determine la respuesta al impulso unidad {h(n)} de un filtro FIR de fase lineal de longitud M = 4 cuya
respuesta en frecuencia en = 0 y = /2 se especifica como
Hr (0) = 1,
Hr
1
2
10.6 Determine los coeficientes {h(n)} de un filtro FIR de fase lineal de longitud M = 15 que tiene una respuesta
al impulso unidad simtrica y una respuesta en frecuencia que satisface la condicin
Hr
2 k
15
=
1, k = 0, 1, 2, 3
0, k = 4, 5, 6, 7
10.7 Repita el problema de diseo de filtro del Problema 10.6 con las especificaciones de respuesta en frecuencia
Hr
2 k
15
k = 0, 1, 2, 3
1,
0.4, k = 4
=
0,
k = 5, 6, 7
dxa (t)
dt
| |
Justifique esta definicin comparando con la respuesta en frecuencia |H( )|, H( ) con la del
apartado (b).
(d) Calculando la respuesta en frecuencia H( ), demuestre que el sistema discreto en el tiempo
y(n) = x(n) x(n 1)
es una buena aproximacin de un diferenciador a bajas frecuencias.
(e) Calcule la respuesta del sistema a la entrada
x(n) = A cos(0 n + )
10.9 Utilice el mtodo de ventanas con una ventana de Hamming para disear un diferenciador de 21 retardos
como se muestra en la Figura P.10.9. Calcule y dibuje el mdulo y la fase de la respuesta del filtro
resultante.
Figura P.10.9.
10.10 Utilice la transformacin bilineal para convertir el filtro analgico cuya funcin de sistema es
H(s) =
s + 0.1
(s + 0.1)2 + 9
en un filtro IIR digital. Seleccione T = 0.1 y compare la ubicacin de los ceros en H(z) con las posiciones
de los ceros obtenidos aplicando el mtodo basado en la invarianza al impulso en la conversin de H(s).
10.11 Convierta el filtro analgico paso banda del Ejemplo 10.4.1 en un filtro digital mediante la transformacin
bilineal. Deduzca las caractersticas del filtro digital obtenidas en el Ejemplo 10.4.2 mediante el mtodo
alternativo y verifique que la transformacin bilineal aplicada al filtro analgico da como resultado el
mismo filtro digital paso banda.
10.12 Un integrador analgico ideal se describe mediante la funcin de sistema Ha (s) = 1/s. Un integrador
digital con la funcin de sistema H(z) puede obtenerse utilizando la transformacin bilineal. Es decir,
H(z) =
T 1 + z1
Ha (s)|s=(2/T )(1z1 )/(1+z1)
2 1 z1
(a) Escriba la ecuacin en diferencias para el integrador digital que relaciona la entrada x(n) con la
salida y(n).
(b) Dibuje el mdulo |Ha ( j)| y la fase () del integrador analgico.
(c) Es fcil verificar que la respuesta en frecuencia del integrador digital es
H( ) = j
T
T cos( /2)
= j cot
2 sen( /2)
2
2
|z | =
1
2
|z | = 1
3 ceros
@ z = 1
60
60
Figura P.10.13.
(b) Dibuje los diagramas de bloques indicando los valores numricos de las ganancias de las siguientes
formas:
(a) Forma directa II (forma cannica).
(b) Realizacin en cascada (hacer cada seccin cannica con coeficientes reales).
10.14 Considere el diagrama de polos y ceros mostrado en la Figura P.10.14.
(a) Representa un filtro FIR?
(b) Es un sistema de fase lineal?
|z| =
4
3
|z| = 1
|z| =
3
4
60
60
Figura P.10.14.
(c) Proporcione una realizacin en la forma directa que utilice todas las simetras para minimizar el
nmero de multiplicaciones. Indique las ganancias de todas las ramas.
10.15 Un filtro digital paso bajo tiene que cumplir las siguientes especificaciones:
Rizado de la banda de paso: 1 dB
Frecuencia de corte de la banda de paso: 4 kHz
Atenuacin de la banda eliminada: 40 dB
Frecuencia de corte de la banda eliminada: 6 kHz
Frecuencia de muestreo: 24 kHz
El filtro se va a disear realizando una transformacin bilineal sobre una funcin de sistema analgica.
Determine qu orden de los filtros analgicos de Butterworth, Chebyshev y elptico tiene que emplearse
para cumplir las especificaciones de la implementacin digital.
10.16 Se requiere que un filtro paso bajo digital IIR cumpla las siguientes especificaciones:
Rizado de la banda de paso (o rizado pico-a-pico): 0.5 dB
Frecuencia de corte de la banda de paso: 1.2 kHz
Atenuacin de la banda eliminada: 40 dB
Frecuencia de corte de la banda eliminada: 2.0 kHz
Frecuencia de muestreo: 8.0 kHz
Utilice las frmulas de diseo proprocionadas en el libro para determinar el orden del filtro para
(a) Un filtro digital de Butterworth
(b) Un filtro digital de Chebyshev
(c) Un filtro digital elptico
10.17 Determine la funcin de sistema H(z) del filtro digital de Chebyshev de menor orden que cumpla las
siguientes especificaciones:
(a) Rizado de 1-dB en la banda de paso 0 | | 0.3 .
(b) Al menos 60 dB de atenuacin en la banda eliminada 0.35 | | . Utilice la transformacin
bilineal.
10.18 Determine la funcin de sistema H(z) del filtro digital de Chebyshev de menor orden que cumpla las
siguientes especificaciones:
1
-dB de rizado en la banda de paso 0 | | 0.24 .
2
(b) Como mnimo 50-dB de atenuacin en la banda eliminada 0.35 | | . Utilice la transformacin
bilineal.
(a)
10.19 Una seal analgica x(t) est formada por la suma de dos componentes x1 (t) y x2 (t). En la Figura P.10.19
se muestran las caractersticas espectrales de x(t). La seal x(t) est limitada a 40 kHz y se muestrea a la
frecuencia de 100 kHz para proporcionar la secuencia x(n).
Se desea suprimir la seal x2 (t) pasando la secuencia x(n) a travs de un filtro paso bajo digital. La
distorsin de amplitud permitida en |X1 ( f )| es 2 %(1 = 0.02) en el intervalo 0 |F| 15 kHz. Por
encima de 20 kHz, el filtro debe presentar una atenuacin de al menos 40 dB (2 = 0.01).
|X(F)|
Espectro de
x1(t)
Espectro de
x2(t)
20
40
Frecuencia en kilohercios
Figura P.10.19.
(a) Utilice el algoritmo de intercambio de Remez para disear el filtro FIR de fase lineal de orden
mnimo que cumpla las especificaciones anteriores. A partir del diagrama del mdulo de la respuesta
en frecuencia del filtro, indique las especificaciones reales que tiene el filtro.
(b) Compare el orden M obtenido en el apartado (a) con las frmulas aproximadas dadas por las Ecuaciones (10.2.94) y (10.2.95).
(c) Para el orden M obtenido en el apartado (a), disee un filtro FIR digital paso bajo utilizando la
tcnica de ventanas y la ventana de Hamming. Compare la respuesta en frecuencia de este diseo
con la obtenida en el apartado (a).
(d) Disee el filtro elptico de orden mnimo que cumple las especificaciones de amplitud dadas. Compare
la respuesta en frecuencia del filtro elptico con la del filtro FIR del apartado (a).
(e) Compare la complejidad de implementar el filtro FIR del apartado (a) con el filtro elptico del
apartado (d). Suponga que el filtro FIR se implementa en la forma directa y el filtro elptico se
implementa como una cascada de filtros de dos polos. Utilice los requisitos de almacenamiento y el
nmero de multiplicaciones por punto de salida para hacer la comparacin de complejidad.
10.20 La respuesta al impulso de un filtro analgico se muestra en la Figura P.10.20.
(a) Sea h(n) = h a (nT ), donde T = 1, la respuesta al impulso de un filtro discreto en el tiempo. Determine
la funcin de sistema H(z) y la respuesta en frecuencia H( ) de este filtro FIR.
(b) Represente grficamente (de forma aproximada) |H( ) y compare esta respuesta en frecuencia con
|Ha ( j)|.
10.21 En este problema tendr que comparar algunas de las caractersticas de las implementaciones analgica
y digital del sistema analgico paso bajo de un solo polo
Ha (s) =
ha (t) = e t
s+
ha(t)
5
10
Figura P.10.20.
(a) Cul es la ganancia en continua? Para qu frecuencia (en radianes) est la respuesta en frecuencia
analgica 3 dB por debajo de su valor en continua? Para qu frecuencia la respuesta en frecuencia
analgica es cero? En qu instante de tiempo la respuesta al impulso analgica decae a 1/e de su
valor inicial?
(b) Proporcione la funcin del sistema digital H(z) para el diseo invariante en el tiempo de este filtro.
Cul es la ganancia en continua? Proporcione una expresin para la frecuencia a 3-dB en radianes.
Para qu frecuencia (valor real) la respuesta es cero? Cuntas muestras hay en la respuesta en el
dominio tiempo al impulso unidad antes de que disminuya a 1/e de su valor inicial?
(c) Deforme previamente el parmetro y realice la transformacin bilineal para obtener la funcin
de sistema digital H(z) a partir del diseo analgico. Cul es la ganancia en continua? Para qu
frecuencia (valor real) la respuesta es cero? Proporcione una expresin para la frecuencia a 3-dB (en
radianes). Cuntas muestras hay en la respuesta en el dominio del tiempo al impulso unidad antes
de que disminuya a 1/e de su valor inicial?
10.22 Deseamos disear un filtro paso banda FIR que tenga una duracin M = 201. Hd ( ) representa la
caracterstica ideal del filtro paso banda no causal, la cual se muestra en la Figura P.10.22.
(a) Determine la respuesta al impulso unidad hd (n) correspondiente a Hd ( ).
(b) Explique cmo utilizara la ventana de Hamming
2 n
,
w(n) = 0.54 + 0.46 cos
N 1
M1
M1
n
2
2
para disear un filtro paso banda FIR que tenga una respuesta al impulso h(n) para 0 n 200.
(c) Suponga que hemos diseado el filtro FIR con M = 201 utilizando la tcnica basada en el muestreo
en frecuencia especificando los coeficientes de la DFT H(k) en lugar de h(n). Proporcione los
valores de H(k) para 0 k 200 corerspondientes a Hd (e j ) e indique en qu difiere la respuesta
en frecuencia del filtro real del ideal. Es el filtro real un buen diseo? Explique su respuesta.
10.23 Deseamos disear un filtro paso banda digital a partir de un filtro prototipo paso bajo de Butterworth
analgico de orden dos utilizando la transformacin bilineal. Las especificaciones del filtro digital se
muestran en la Figura P.10.23(a). Las frecuencias de corte (medidas en los puntos de potencia mitad) para
el filtro digital deben estar en = 5 /12 y = 7 /12. El prototipo analgico se define mediante
H(s) =
s2 +
2s + 1
Figura P.10.22.
6
1
puntos de potencia mitad
0
(a)
1
I.
1
2
200
285
1
II.
1
2
111
200
1
III.
1
2
300
547
1
IV.
1
2
600
1019
(b)
Figura P.10.23.
(a) Determine la funcin de sistema para el filtro paso banda digital.
(b) Utilizando las mismas especificaciones para el filtro digital que en el apartado (a), determine cules de
los filtros prototipo paso banda analgicos mostrados en la Figura P.10.23(b) podran transformarse
directamente utilizando la transformacin bilineal para dar como resultado el apropiado filtro digital.
Slo se proporciona el mdulo al cuadrado de la respuesta en frecuencia.
10.24 La Figura P.10.24 muestra un filtro digital diseado utilizando el mtodo basado en el muestreo en
frecuencia.
(a) Dibuje un diagrama de polos y ceros en el plano z para este filtro.
(b) Es el filtro paso bajo, paso alto o paso banda?
(c) Determine el mdulo |H( )| de la respuesta en las frecuencias k = k/6 para k = 0, 1, 2, 3, 4, 5,
6.
(d) Utilice los resultados del apartado (c) para dibujar el mdulo de la respuesta en el intervalo 0
y confirmar su respuesta al apartado (b).
10.25 Una seal analgica de la forma xa (t) = a(t) cos 2000 t tiene su banda limitada en el intervalo 900
F 1100 Hz y se utiliza como entrada al sistema mostrado en la Figura P.10.25.
(a) Determine y dibuje los espectros para las seales x(n) y w(n).
(b) Utilice una ventana de Hamming de longitud M = 31 para disear un filtro FIR paso bajo de fase
lineal H( ) que deje pasar {a(n)}.
1
6
z 1
x(n)
1
+
+
1
12
v(n)
z 1
z 12
+
1
2
z 1
1
1
12
z 1
+
1
2
z 1
1
Figura P.10.24.
xa(t)
Convertidor
A/D
Rx = 1 = 2500
Tx
x(n)
(n)
v(n)
H()
Convertidor
D/A
(t)
cos (0.8 n)
Figura P.10.25.
(c) Determine la frecuencia de muestreo del convertidor A/D que nos permitira eliminar la conversin
de frecuencia en el diagrama de la Figura P.10.25.
10.26 Identificacin del sistema Considere un sistema LTI desconocido y un modelo de sistema FIR como
se muestra en la Figura P.10.26. Ambos sistemas se excitan con la misma secuencia de salida {x(n)}. El
problema consiste en determinar los coeficientes {h(n), 0 n M 1} del modelo FIR del sistema, de
manera que se minimice el error cuadrtico medio entre las salidas de los dos sistemas.
(a) Determine la ecuacin para los coeficientes {h(n), 0 n M 1} del filtro FIR que minimicen el
error por mnimos cuadrados.
E =
[y(n) y(n)]
n=0
donde
y(n)
=
M1
h(k)x(n k),
n = K, K + 1, . . ., N
k=0
y N M.
(b) Repita el apartado (a) si la salida del sistema desconocido se distorsiona mediante un ruido blanco
aditivo {w(n)} cuya varianza es w2 .
Sistema
LTI
desconocido
y(n)
x(n)
Modelo
FIR
y(n)
Minimizar
la suma de los
errores
al cuadrado
Figura P.10.26.
10.27 Un sistema lineal invariante en el tiempo tiene una secuencia de entrada x(n) y una secuencia de salida y(n).
El usuario slo tiene acceso a la salida del sistema y(n). Adems, se dispone de la siguiente informacin:
La seal de entrada es peridica de perodo fundamental N y tiene una envolvente espectral plana, es
decir,
x(n) =
N1
para todo n
k=0
1
P
1 + ak zk
k=1
pero el orden p y los coeficientes (ak , 1 k p) son desconocidos. Es posible determinar el orden p
y los valores numricos de los coeficientes {ak , 1 k p} tomando medidas en la salida y(n)? En caso
afirmativo, explique cmo. Es esto posible para todo valor de p?
10.28 Modelado de sistema FIR Considere un sistema FIR desconocido con la respuesta al impulso h(n),
0 n 11, dada por
h(0) = h(11) = 0.309828 101
h(1) = h(10) = 0.416901 101
h(2) = h(9) = 0.577081 101
h(3) = h(8) = 0.852502 101
h(4) = h(7) = 0.147157 100
h(5) = h(6) = 0.449188 100
Un usuario potencial tiene acceso a la entrada y a la salida del sistema pero no dispone de ninguna otra
informacin sobre su respuesta, slo sabe que se trata de un sistema FIR. En un esfuerzo por determinar
la respuesta al impulso del sistema, el usuario lo excita con una secuencia aleatoria de valor medio cero
x(n) uniformemente distribuida en el intervalo [0.5, 0.5], y registra la seal x(n) y la correspondiente
salida y(n) para 0 n 199.
(a) Utilizando la informacin disponible sobre el sistema FIR desconocido, el usuario aplica el mtodo
de los mnimos cuadrados para obtener un modelo FIR h(n), 0 n M 1. Establezca las ecuaciones
lineales, especificando los parmetros h(0), h(1), . . . , h(M 1). Especifique las frmulas que deben
emplearse para determinar los valores necesarios de la autocorrelacin y la correlacin cruzada.
(b) Puesto que el orden del sistema es desconocido, el usuario decide probar modelos de diferentes
rdenes y comprobar el error cuadrtico total correspondiente. Evidentemente, este error ser cero
(o muy prximo a cero si el orden del modelo es igual al orden del sistema). Calcule los modelos
FIR hM (n), 0 n M 1 para M = 8, 9, 10, 11, 12, 13, 14, as como los correspondientes errores
cuadrticos totales correspondientes EM , M = 8, 9, . . . , 14. Qu puede comentar?
(c) Determine y dibuje la respuesta en frecuencia del sistema y los modelos para M = 11, 12, 13.
Comente los resultados.
(d) Suponga ahora que la salida del sistema se distorsiona con un ruido aditivo, por lo que en lugar de
la seal y(n), 0 n 199, disponemos de la seal
v(n) = y(n) + 0.01w(n)
donde w(n) es una secuencia aletoria gaussiana con valor medio igual a cero y varianza 2 = 1.
Repita el apartado (b) del Problema 10.27 utilizando v(n) en lugar de y(n) y comente los resultados.
La calidad del modelo tambin se puede determinar utilizando la magnitud
Q=
[h(n) h(n)]
n=0
h2(n)
n=0
10.29 Diseo de filtro mediante la aproximacin de Pad Sea h d (n), n 0, la respuesta al impulso deseada
del filtro IIR que va a ser especificado. El filtro que se va a disear para aproximar {hd (n)} tiene la funcin
de sistema
k
M
k=0 bk z
H(z) =
=
h(k)zk
1 + Nk=1 ak zk k=0
H(z) tiene L = M + N + 1 parmetros, es decir, los coeficientes {ak } y {bk } que se van a determinar.
Suponga que la entrada aplicada al filtro es x(n) = (n). Entonces, la respuesta del filtro es y(n) = h(n),
y, por tanto,
h(n) = a1 h(n 1) a2h(n 2) aN h(n N)
(1)
+b0 (n) + b1 (n 1) + + bM (n M)
(a) Demuestre que la ecuacin (1) se reduce a
h(n) = a1 h(n 1) a2h(n 2) aN h(n N) + bn,
0nM
(2)
n>M
(3)
(c) Explique cmo se pueden utilizar las ecuaciones (2) y (3) para determinar {ak } y {bk } haciendo
h(n) = hd (n) para 0 n N + M (este mtodo de diseo de filtros en el que h(n) se corresponde exactamente con la respuesta deseada hd (n) para 0 n M + N se conoce como mtodo de
aproximacin de Pad).
10.30 Suponga que la respuesta al impulso unidad es
n
1
hd (n) = 2
u(n)
2
(a) Utilice la aproximacin de Pad descrita en el Problema 10.29 para determinar h(n).
(b) Compare la respuesta en frecuencia de H( ) con la respuesta del filtro deseada Hd ( ).
10.31 Mtodo de Shanks para el diseo de filtros por mnimos cuadrados Suponga que se conoce la respuesta
deseada hd (n), n 0, y deseamos determinar los coeficientes {ak } y {bk } de un filtro IIR cuya funcin
de sistema es
k
M
k=0 bk z
H(z) =
1 + Nk=1 ak zk
tal que la suma de los errores al cuadrado entre hd (n) y h(n) est minimizada.
(a) Si la entrada a H(z) es x(n) = (n), cul es la ecuacin en diferencias que satisface el filtro H(z)?
(b) Demuestre que para n > M, una estimacin de hd (n) es
N
h d (n) = ak hd (n k)
k=1
y determine las ecuaciones para los coeficientes {ak} minimizando la suma de los errores al cuadrado.
E1 =
n=M+1
As quedan determinados los coeficientes del filtro {ak } que definen el denominador de H(z).
(c) Para determinar los parmetros {bk }, considere el sistema mostrado en la Figura P.10.31, donde
H1 (z) =
H2 (z) =
1
1 + Nk=1 ak zk
N
bk zk
k=1
y la salida de H2 (z) se designa como h d (n), determine la ecuacin para los parmetros {bk } que
minimiza la suma de los errores al cuadrado
E2 =
n=0
(El mtodo anterior de mnimos cuadrados para el diseo del filtro se debe a Shanks (1967)).
10.32 Utilice el mtodo de diseo de filtros de Shanks descrito en el Problema 10.31 para determinar los
parmetros {ak } y {bk } de
k
M
k=0 bk z
H(z) =
N
1 + k=1 ak zk
cuando la respuesta deseada es la respuesta al impulso del filtro digital paso bajo de Chebyshev de tipo II
con tres polos y tres ceros, cuya funcin de sistema es
Hd (z) =
(n)
Filtro de
slo polos
H1(z)
v(n)
Filtro de
slo ceros
hd(n)
H2(z)
Figura P.10.31.
(a) Dibuje hd (n) y observe a continuacin que hd (n) 0 para n > 50.
(b) Determine las posiciones de los polos y los ceros del filtro H(z) obtenido mediante el mtodo de
Shanks para (N, M) = (3, 2), (N, M) = (3, 3) y (N, M) = (4, 3), y compare estos resultados con los
polos y ceros de Hd (z). Comente las similitudes y diferencias.
11
Tratamiento digital de
seales de tasa mltiple
En muchas aplicaciones prcticas de tratamiento digital de seales, hay que enfrentarse con el problema de
cambiar la tasa o frecuencia de muestreo de una seal, aumentndola o disminuyndola en cierta cantidad.
Por ejemplo, en sistemas de telecomunicaciones que transmiten y reciben diferentes tipos de seales (como
teletipo, facsmil, voz, vdeo, etc.), existe un requisito para procesar las diversas seales a diferentes frecuencias
asociadas a los correspondientes anchos de banda de las seales. El proceso de convertir una seal de una tasa
dada a una tasa diferente se denomina conversin de la tasa o frecuencia de muestreo. A su vez, los sistemas
que emplean mltiples tasas de muestreo en el procesamiento de seales digitales se conocen como sistemas de
tratamiento digital de seales de tasa mltiple.
La conversin de la tasa de muestreo de una seal digital puede llevarse a cabo mediante uno de dos mtodos
generales. Uno de estos mtodos consiste en pasar la seal digital a travs de un convertidor D/A, filtrarla si fuera
necesario y luego volver a muestrear la seal analgica resultante a la frecuencia deseada (es decir, hacer pasar
la seal analgica a travs de un convertidor A/D). El segundo mtodo consiste en realizar toda la conversin
de la frecuencia de muestreo en el dominio digital.
Una ventaja evidente del primer mtodo es que la nueva frecuencia de muestreo puede elegirse arbitrariamente y no tiene que tener ninguna relacin especial con la antigua frecuencia de muestreo. Sin embargo, un
inconveniente importante es la distorsin de la seal introducida por el convertidor D/A en la reconstruccin de
la seal y por los efectos de cuantificacin en la conversin A/D. La conversin de la frecuencia de muestreo
en el dominio digital evita esta desventaja.
En este captulo vamos a describir la conversin de la tasa o frecuencia de muestreo en el dominio digital. En
primer lugar, describimos la conversin de la frecuencia de muestreo mediante un factor racional. Presentaremos
varios mtodos para implementar el convertidor de frecuencia, incluyendo implementaciones de una sola etapa
y multietapa. A continuacin describiremos un mtodo para realizar la conversin de la frecuencia de muestreo
mediante un factor arbitrario y veremos su implementacin. Presentaremos varias aplicaciones de esta conversin
en sistemas de procesamiento de seales multitasa, lo que incluye la implementacin de filtros de banda estrecha,
bancos de filtros digitales, codificacin de subbanda, transmultiplexores y filtros espejo en cuadratura.
11.1 Introduccin
El proceso de conversin de la tasa de muestreo se puede desarrollar y comprender utilizando la idea de
remuestreo despus de la reconstruccin. En este mtodo terico, una seal discreta en el tiempo se reconstruye
idealmente y la seal continua en el tiempo resultante vuelve a muestrearse a una frecuencia de muestreo
diferente. Esta idea nos lleva a una formulacin matemtica que permite la realizacin del proceso completo
mediante tcnicas de procesamiento digital de seales.
Sea x(t) una seal continua en el tiempo que se muestrea a una frecuencia Fx = 1/Tx para generar una seal
discreta en el tiempo x(nTx ). A partir de las muestras x(nTx ) podemos generar una seal continua en el tiempo
utilizando la frmula de interpolacin
y(t) =
n=
(11.1.1)
Si el ancho de banda de x(t) es menor que Fx /2 y la funcin de interpolacin est dada por
g(t) =
sen( t/Tx ) F
G(F) =
t/Tx
Tx , |F| Fx /2
0, en otro caso
(11.1.2)
entonces y(t) = x(t); en caso contrario, y(t) = x(t). En la prctica, no es posible la recuperacin perfecta de x(t)
porque el sumatorio infinito de (11.1.1) debera reemplazarse por un sumatorio finito.
Para realizar la conversin de la frecuencia de muestreo simplemente evaluamos (11.1.1) en los instantes
de tiempo t = mTy , donde Fy = 1/Ty es la frecuencia de muestreo deseada. Por tanto, la frmula general para la
conversin de la frecuencia de muestreo es
y(mTy ) =
n=
(11.1.3)
que expresa directamente las muestras de la secuencia deseada en funcin de las muestras de la secuencia original
y de los valores muestreados de la funcin de reconstruccin en las posiciones (mTy nTx ). El clculo de y(nTy )
requiere (a) la secuencia de entrada x(nTx ), (b) la funcin de reconstruccin g(t) y (c) los instantes de tiempo
nTx y mTy de las muestras de entrada y de salida. Los valores y(mTy ) calculados mediante esta ecuacin son
precisos slo si Fy > Fx . Si Fy < Fx , habr que filtrar las componentes de frecuencia de x(t) por encima de Fy /2
antes de volver a muestrear con el fin de evitar el aliasing. Por tanto, la frmula de conversin de la frecuencia de
muestreo dada en (11.1.3) es y(mTy ) = x(mTy ) si utilizamos (11.1.2) y X(F) = 0 para |F| mn{Fx /2, Fy /2}.
Si Ty = Tx , la Ecuacin (11.1.3) se transforma en una suma de convolucin, la cual se corresponde con un
sistema LTI. Para comprender el significado de (11.1.3) para Ty = Tx , reordenamos el argumento de g(t) como
sigue:
mTy
y(mTy ) = x(nTx )g Tx
n
(11.1.4)
Tx
n=
El trmino mTy /Tx puede descomponerse en una parte entera km y una parte fraccionaria m , 0 m < 1, como
sigue
mTy
= km + m
(11.1.5)
Tx
donde
#
km =
mTy
Tx
$
(11.1.6)
$
#
mTy
mTy
m =
Tx
Tx
(11.1.7)
El smbolo a designa el mayor entero contenido en a. La magnitud m especifica la posicin de la muestra
actual dentro del perodo de muestreo Tx . Sustituyendo (11.1.5) en (11.1.4), obtenemos
y(mTy ) =
n=
(11.1.8)
(11.1.9)
k=
(11.1.10)
para cada muestra de salida y(mTy ). Por tanto, tiene que calcularse un nuevo conjunto de coeficientes o recuperarse de un almacenamiento dedicado a los clculos de todas las muestras de salida (vase la Figura 11.1.2).
Este procedimiento resulta ineficiente cuando la funcin g(t) es complicada y el nmero de valores necesarios
es grande. Esta dependencia de m prohbe el uso de estructuras recursivas, porque los valores de salida pasados
necesarios tienen que calcularse utilizando una respuesta al impulso para el valor actual de m .
g(
Instantes de muestreo
(k m 1) Tx
de la entrada
mT
km = y
Tx
mT x)
(k m+1) T x (k m+2) T x
km Tx
x(t)
g(t)
t
Instantes de
muestreo
de la salida
(m1) T y
m Ty
- mmTTxx
(m+ 1) T y
Intervalo fraccionario
y(mTy)
x(nTx)
g m(n)
x(n)
y(m)
Figura 11.1.2. Sistema lineal discreto y variante en el tiempo para el proceso de conversin de la frecuencia
de muestreo.
Se obtiene una simplificacin significativa cuando la relacin Ty /Tx se restringe a un nmero racional, es
decir,
Ty
Fx
D
(11.1.11)
=
=
Tx
Fy
I
donde D e I son enteros relativamente primos. Para terminar, expresamos el desplazamiento m como
#
$
#
$
mD
1
mD
1
mD
=
mD
I = (mD)I
m =
I
I
I
I
I
(11.1.12)
donde (k)I designa el valor de k mdulo I. A partir de (11.1.12), es evidente que m slo puede tomar I valores
unvocos 0, 1/I, . . ., (I 1)/I, por tanto, slo existen I posibles respuestas al impulso distintas. Dado que gm(nTx )
puede tomar I conjuntos distintos de valores, es peridica en m; es decir,
gm (nTx ) = gm+rI (nTx ),
r = 0, 1, 2, . . .
(11.1.13)
Luego el sistema gm (nTx ) es un sistema discreto en el tiempo lineal y variante peridicamente en el tiempo.
Este tipo de sistemas ha sido estudiado en profundidad para un amplio rango de aplicaciones (Meyers y Burrus,
1975). sta es una importante simplificacin si la comparamos con el sistema discreto en el tiempo y variante
de forma continua en el tiempo dado por (11.1.10).
Para ilustrar estos conceptos vamos a considerar dos casos especialmente importantes. Comenzaremos con
el proceso de reducir la frecuencia de muestreo mediante un factor entero D, lo que se conoce como diezmado
o submuestreo. Si hacemos Ty = DTx en (11.1.3), tenemos
y(mTy ) = y(mDTx ) =
(11.1.14)
k=
Observe que la seal de entrada y la respuesta al impulso se muestrean con un perodo Tx . Sin embargo, la
respuesta al impulso se desplaza a incrementos de Ty = DTx porque necesitamos calcular slo una de entre las
D muestras. Dado que I = 1, tenemos que m = 0 y, por tanto, slo existe una respuesta al impulso g(nTx ), para
todo m. Este proceso se ilustra en la Figura 11.1.3 para D = 2.
Consideremos ahora el proceso de incrementar la frecuencia de muestreo en un factor entero I, lo que se
denomina supermuestreo o interpolacin. Si hacemos Ty = Tx /I en (11.1.3), tenemos
y(mTy ) =
(11.1.15)
k=
Observe que tanto x(t) como g(t) se muestrean con un perodo Tx ; sin embargo, la respuesta al impulso se
desplaza a incrementos de Ty = Tx /I para el clculo de cada muestra de salida. Esto es necesario para rellenar
con un nmero adicional de (I 1) muestras dentro de cada perodo Tx . Esto se ilustra en la Figura 11.1.4(a)
(b) para I = 2. Cada desplazamiento fraccionario requiere que remuestremos g(t), lo que resulta en una
nueva respuesta al impulso gm (nTx ) = g(nTx + mTx /I), para m = 0, 1, . . . , I 1 de acuerdo con (11.1.14). Una
t = mTy
t = (m + 1)Ty
x(t)
g(t)
(n 1)Tx
nTx
(n + 1)Tx (n + 2)Tx
y(t)
(m 1)Ty
mTy
(m + 1)Ty
Figura 11.1.3. Ilustracin de las relaciones temporales para reducir la frecuencia de muestreo en un factor
entero D = 2. Una respuesta al impulso simple, muestreada con un perodo Tx , se desplaza a escalones iguales
a Ty = DTx para generar las muestras de salida.
inspeccin detenida de la Figura 11.1.4(a)(b) demuestra que si determinamos una respuesta al impulso g(nTy )
y creamos una nueva secuencia v(nTy ) insertando (I 1) muestras de valor cero entre muestras sucesivas de
x(nTx ), podemos calcular y(mTy ) como la convolucin de las secuencias g(nTy ) y x(nTy ). Esta idea se ilustra en
la Figura 11.1.4(c) para I = 2.
En las siguientes secciones vamos a ver en detalle las propiedades, el diseo y las estructuras que permiten
implementar la conversin de la frecuencia de muestreo completamente en el dominio discreto en el tiempo. Por
comodidad, normalmente eliminaremos los perodos de muestreo Tx y Ty del argumento de las seales discretas
en el tiempo. Sin embargo, ocasionalmente, en beneficio del lector volveremos a incorporarlos y pensaremos
en trminos de unidades y magnitudes continuas en el tiempo.
h(k)x(n k)
(11.2.2)
k=0
t = m Ty
t = (m + 1) Ty
g0(nTx)
(a)
x(t)
g1(nTx)
x(nTx)
g(t)
(n1)Tx
nTx
(n + 1)Tx (n + 2)Tx
y(t)
y(nTy)
(b)
(m 1) Ty (m +1) Ty
mTy
x(t)
g(nTy)
(c)
mTy
v(nTy)
(m + 2)Ty
Figura 11.1.4. Ilustracin de relaciones temporales para aumentar la frecuencia de muestreo en un factor entero
I = 2. El mtodo indicado en (a) requiere una respuesta al impulso para las muestras de salida pares y otra para
las impares. El mtodo indicado en (c) slo requiere una respuesta al impulso, la cual se obtiene entrelazando
las respuestas al impulso dadas en (a).
la cual se submuestrea por el factor D para generar y(m). As,
y(m) = v(mD)
=
(11.2.3)
h(k)x(mD k)
k=0
como
x(n)
Fx =
1
Tx
h(n)
v(n)
Submuestreador
D
y(m)
Fy =
Fx
D
v(n)
=
v(n), n = 0, D, 2D, . . .
0,
en otro caso
(11.2.4)
Evidentemente, v(n)
puede verse como una secuencia obtenida multiplicando v(n) por un tren de impulsos
peridico p(n), con un perodo D, como se ilustra en la Figura 11.2.2. La representacin en serie discreta de
Fourier de p(n) es
p(n) =
1 D1 j2 kn/D
e
D k=0
(11.2.5)
Por tanto,
v(n)
= v(n)p(n)
(11.2.6)
y(m) = v(mD)
= v(mD)p(mD) = v(mD)
(11.2.7)
y
Ahora la transformada z de la secuencia de salida y(m) es
Y (z) =
=
Y (z) =
y(m)zm
m=
m
v(mD)z
(11.2.8)
m=
m/D
v(m)z
m=
1 D1 j2 mk/D m/D
Y (z) = v(m)
z
e
D k=0
m=
=
1 D1
v(m)(e j2 k/Dz1/D )m
D k=0
m=
1 D1
V (e j2 k/Dz1/D )
D k=0
1 D1
HD (e j2 k/Dz1/D )X(e j2 k/Dz1/D )
D k=0
(11.2.9)
y =
2 F
= 2 FTy
Fy
(11.2.10)
Fx
D
(11.2.11)
v(n)
6
0
p(n)
~
v(n) = v(n)p(n)
6
n
y(n) = ~
v(nD) = v(nD)
3
0
Figura 11.2.2. Pasos necesarios para facilitar la descripcin matemtica del submuestreo por un factor D,
utilizando una secuencia sinusoidal para ilustrarlo.
se deduce que las variables de frecuencia y y
x =
estn relacionadas por
2 F
= 2 FTx
Fx
y = Dx
(11.2.12)
(11.2.13)
Por tanto, como era de esperar, mediante el proceso de submuestreo, el rango de frecuencias 0 |x | /D
se estrecha al rango de frecuencias correspondiente 0 |y | .
Concluimos que el espectro Y (y ), el cual se obtiene evaluando (11.2.9) sobre la circunferencia unidad,
puede expresarse como
y 2 k
y 2 k
1 D1
Y (y ) =
X
(11.2.14)
HD
D k=0
D
D
Con un filtro diseado adecuadamente HD ( ), el aliasing se elimina y, en consecuencia, todos excepto el primer
trmino de (11.2.14) desaparecen. Por tanto,
Y (y ) =
1
1
y
y
y
HD
X
= X
D
D
D
D
D
(11.2.15)
para 0 |y | . Los espectros de las secuencias x(n), v(n) e y(m) se ilustran en la Figura 11.2.3.
EJEMPLO 11.2.1
Disee un diezmador que submuestree una seal de entrada x(n) por un factor D = 2. Utilice el algoritmo de Remez para
determinar los coeficientes del filtro FIR con un rizado de 0.1-dB en la banda de paso y una atenuacin de al menos 30 dB
en la banda eliminada.
Solucin. Una longitud de filtro M = 30 proporciona las especificaciones de diseo dadas anteriormente. La respuesta en
frecuencia se ilustra en la Figura 11.2.4. Observe que la frecuencia de corte es c = /2.
x(m/I), m = 0, I, 2I, . . .
0,
en otro caso
(11.3.1)
X(x)
0
HD(x)
D
V(x)
D
Y(y)
Figura 11.2.3. Espectros de las seales en el proceso de diezmado de x(n) por un factor D.
Ganancia (dB)
Frecuencia relativa
Figura 11.2.4. Mdulo de la respuesta del filtro FIR de fase lineal de longitud M = 30 del Ejemplo 11.2.1
y su frecuencia de muestreo es idntica a la frecuencia de y(m). Esta secuencia tiene una transformada z
V (z) =
=
v(m)zm
m=
x(m)zmI
(11.3.2)
m=
= X(zI )
El espectro correspondiente de v(m) se obtiene evaluando (11.3.2) sobre la circunferencia unidad. As,
V (y ) = X(y I)
(11.3.3)
donde y designa la relacin entre la variable de frecuencia y la nueva frecuencia de muestreo Fy (es decir,
y = 2 F/Fy ). Ahora la relacin entre las frecuencias de muestreo es Fy = IFx y, por tanto, las variables de
frecuencia x y y estn relacionadas de acuerdo con la frmula
y =
x
I
(11.3.4)
Los espectros X(x ) y V (y ) se ilustran en la Figura 11.3.1. Observe que el aumento de la frecuencia de
muestreo, obtenido por la adicin de I 1 muestras de valor cero entre valores sucesivos de x(n), da lugar a una
seal cuyo espectro V (y ) es una repeticin peridica y solapada I veces del espectro de la seal de entrada
X(x ).
Dado que las componentes de frecuencia de x(n) en el rango 0 y /I son nicas, las imgenes de
X( ) por encima de y = /I deben rechazarse pasando la secuencia v(m) a travs del filtro paso bajo, cuya
respuesta en frecuencia HI (y ), que idealmente presenta la caracterstica
HI (y ) =
C, 0 |y | /I
0,
en otro caso
(11.3.5)
|X(x)|
|V(y)|
I=2
2
I
2
I
|HI(y)|
|Y(y)|
CX(y I),
0 |y | /I
0,
en otro caso
(11.3.6)
El factor de escala C se selecciona de modo que la salida y(m) = x(m/I) para m = 0, I, +2I, . . . . Por
comodidad matemtica, seleccionamos el punto m = 0. As,
y(0) =
1
2
C
2
Y (y )d y
/I
/I
(11.3.7)
X(y I)d y
C 1
X(x )d x
I 2
C
= x(0)
I
y(0) =
(11.3.8)
Por ltimo, indicamos que la secuencia de salida y(m) puede expresarse como una convolucin de la
secuencia v(n) con la respuesta al impulso unidad h(n) del filtro paso bajo. Por tanto,
y(m) =
h(m k)v(k)
(11.3.9)
k=
Dado que v(k) = 0 excepto en los mltiplos de I, donde v(kI) = x(k), la Ecuacin (11.3.9) se convierte en
y(m) =
k= h(m kI)x(k)
(11.3.10)
EJEMPLO 11.3.1
Disee un interpolador que aumente la frecuencia de muestreo de entrada por un factor l = 5. Utilice el algoritmo de Remez
para determinar los coeficientes de un filtro FIR con un rizado de 0.1-dB en la banda de paso y una atenuacin de al menos
30 dB en la banda eliminada.
Solucin. Un filtro de longitud M = 30 cumple las especificaciones de diseo dadas anteriormente. La respuesta en
frecuencia del filtro FIR se ilustra en la Figura 11.3.2. Observe que la frecuencia de corte es c = /5.
Ganancia (dB)
Una vez vistos los casos especiales de diezmado (submuestreo por un factor D) e interpolacin (sobremuestreo
por un factor I), vamos a considerar ahora el caso general de conversin de la frecuencia de muestreo por un
factor racional I/D. Bsicamente, podemos conseguir esta conversin de la frecuencia de muestreo interpolando
en primer lugar por el factor I y luego submuestreando la salida del interpolador por el factor D. En otras palabras,
una conversin de la frecuencia de muestreo por un factor racional I/D se consigue conectando en cascada un
interpolador y un diezmador, como se ilustra en la Figura 11.4.1.
Frecuencia relativa
Figura 11.3.2. Mdulo de la respuesta del filtro FIR de fase lineal de longitud M = 30 del Ejemplo 11.3.1
Debemos destacar que la importancia de realizar la interpolacin en primer lugar y luego el diezmado es
conservar la caracterstica espectral deseada de x(n). Adems, con la configuracin en cascada mostrada en
la Figura 11.4.1, los dos filtros con respuestas al impulso {hu (k)} y {hd (k)} trabajan a la misma frecuencia,
es decir, IFx , y por tanto se pueden combinar en un solo filtro paso bajo con una respuesta al impulso h(k),
como se ilustra en la Figura 11.4.2. La respuesta en frecuencia H(v ) del filtro combinado debe incorporar las
operaciones de filtrado tanto para la interpolacin como para el diezmado, por lo que idealmente debe poseer la
respuesta en frecuencia
I, 0 |v | mn( /D, /I)
H(v ) =
(11.4.1)
0, en otro caso
donde v = 2 F/Fv = 2 F/IFx = x /I.
En el dominio del tiempo, la salida del sobremuestreador es la secuencia
v(l) =
x(l/I), l = 0, I, 2I, . . .
0,
(11.4.2)
en otro caso
w(l) =
=
h(l k)v(k)
h(l kI)x(k)
k=
(11.4.3)
k=
Por ultimo, la salida del convertidor de la frecuencia de muestreo es la secuencia {y(m)}, la cual se obtiene
muestreando la secuencia {w(l)} por un factor D. Luego
y(m) = w(mD)
(11.4.4)
h(mD kI)x(k)
k=
Resulta prctico expresar la Ecuacin (11.4.4) de otra manera haciendo un cambio de variable. Sea
#
k=
x(n)
$
mD
n
I
Filtro
hu(k)
Frecuencia Fx
Interpolador
(11.4.5)
Filtro
hd(k)
Submuestreador
D
y(m)
Diezmador
Frecuencia = I Fx
Frecuencia =
I
Fx = Fy
D
Figura 11.4.1. Mtodo para llevar a cabo la conversin de la frecuencia de muestreo por un factor I/D.
x(n)
v(k)
Filtro
paso bajo
h(k)
Fx
w(l)
Submuestreador
D
y(m)
Frecuencia =
I
Fx= F y
D
Frecuencia = IFx = Fv
Figura 11.4.2. Mtodo para la conversin de la frecuencia de muestreo por un factor I/D.
donde la notacin r designa el mayor entero contenido en r. Con este cambio de variable, (11.4.4) se transforma
en
$
#
$
#
mD
mD
I + nI x
n
(11.4.6)
y(m) = h mD
I
I
n=
Observe que
mD
6 mD 7
I
I = mD,
= (mD)I
mdulo I
n=
#
h(nI + (mD)I )x
$
mD
n
I
(11.4.7)
< m, n <
(11.4.8)
donde h(k) es la respuesta al impulso del filtro paso bajo invariante en el tiempo para la frecuencia de muestreo
IFx . Observe adems que para cualquier entero k,
g(n, m + kI) = h(nI + (mD + kDI) I )
= h(nI + (mD)I )
= g(n, m)
(11.4.9)
donde y = Dv . Puesto que el filtro lineal impide que se produzca el aliasing, como puede verse en la Ecuacin
(11.4.10), el espectro de la secuencia de salida dada por (11.4.11) se reduce a
I X y , 0 |y | mn , D
D
D
I
Y (y ) =
(11.4.12)
0,
en otro caso
EJEMPLO 11.4.1
Disee un convertidor de la frecuencia de muestreo que aumente dicha frecuencia de muestreo en un factor de 2.5. Utilice
el algoritmo de Remez para determinar los coeficientes del filtro FIR que presenta un rizado de 0.1-dB en la banda de paso
y una atenuacin de al menos 30 dB en la banda eliminada. Especifique los conjuntos de los coeficientes variantes en el
tiempo g(n, m) empleados en la realizacin del convertidor de la frecuencia de muestreo.
Solucin. El filtro FIR que cumple las especificaciones de este problema es exactamente el mismo que el filtro diseado
en el Ejemplo 11.3.1. Su ancho de banda es /5.
Los coeficientes del filtro FIR estn dados por la Ecuacin (11.4.8), luego
g(n, m) = h(nI + (mD)I )
mD
= h nI + mD
I
I
Sustituyendo I = 5 y D = 2 obtenemos
2m
g(n, m) = h 5n + 2m 5
5
h(4)
h(9)
h(14)
h(19)
h(24)
h(29)
h(1)
h(6)
h(11)
h(16)
h(21)
h(26)
h(3) }
h(8) }
h(13)}
h(18)}
h(23)}
h(28)}
En resumen, la conversin de la frecuencia de muestreo por un factor I/D puede llevarse a cabo aumentando
primero la frecuencia de muestreo en un factor I, lo que se consigue insertando I 1 ceros entre valores sucesivos
de la seal de entrada x(n), realizando un filtrado lineal a continuacin de la secuencia resultante para eliminar
las imgenes no deseadas de X( ) y submuestreando por ltimo la seal filtrada por el factor D. Cuando Fy > Fx ,
el filtro paso bajo acta como un postfiltro que elimina las rplicas espectrales en los mltiplos de Fx , pero no
en los mltiplos de IFx . Cuando Fy < Fx , el filtro paso bajo acta como un prefiltro de anti-aliasing que elimina
las rplicas espectrales desplazadas hacia abajo en mltiplos de Fy para evitar el solapamiento. El diseo del
filtro paso bajo puede hacerse aplicando las tcnicas de diseo de filtros descritas en el Captulo 10.
11.5.1
Las estructuras polifsicas de filtros FIR se desarrollaron para permitir la implementacin eficiente de los
convertidores de la frecuencia de muestreo; sin embargo, pueden emplearse tambin en otras aplicaciones. La
estructura polifsica se basa en el hecho de que cualquier funcin de sistema puede separarse como sigue
H(z) = + h(0) + h(M)zM +
+ h(1)z1 + h(M + 1)z(M+1) +
..
.
+ h(M 1)z(M1) + h(2M 1)z(2M1) +
Si a continuacin sacamos el factor z(i1) de la fila i-sima, obtenemos
H(z) = [ + h(0) + h(M)zM + ]
+ z1 [ + h(1) + h(M + 1)zM + ]
..
.
+ z(M1) [ + h(M 1) + h(2M 1)zM + ]
La ltima ecuacin puede expresarse de forma compacta como
H(z) =
M1
zi Pi (zM )
(11.5.1)
i=0
donde
Pi (z) =
n=
h(nM + i)zn
(11.5.2)
La relacin (11.5.1) se conoce como descomposicin polifsica en M componentes y Pi (z) son las componentes
polifsicas de H(z). Cada subsecuencia
pi (n) = h(nM + i),
i = 0, 1, . . . , M 1
(11.5.3)
se obtiene muestreando una versin retardada (en fase) de la respuesta al impulso original.
Para desarrollar una estructura de filtro polifsico de M componentes, utilizamos la Ecuacin (11.5.1) para
M = 3, con el fin de expresar la transformada z de la secuencia de salida como
Y (z) = H(z)X(z)
= P0 (z3 )X(z) + z1 P1 (z3 )X(z) + z2 P2 (z3 )X(z)
1
(11.5.4)
(11.5.5)
La Ecuacin (11.5.4) lleva a la estructura polifsica de la Figura 11.5.1. Del mismo modo, (11.5.5) lleva a
la estructura polifsica mostrada en la Figura 11.5.2. sta se conoce como estructura polifsica transpuesta
porque es similar a la realizacin transpuesta del filtro FIR. Las estructuras polifsicas obtenidas son vlidas
para cualquier filtro, FIR o IIR, y cualquier valor finito de M y nos bastan para cubrir nuestras necesidades.
Puede encontrar estructuras y detalles adicionales en Vaidyanathan (1993).
P0(z3)
x(n)
y(n)
z 1
P1(z3)
z 1
P2(z3)
x(n)
P0(z3)
y(n)
z 1
P1(z3)
z 1
P2(z3)
11.5.2
En general, el orden de un convertidor de la frecuencia de muestreo (el cual es un sistema lineal y variante en el
tiempo) y un sistema lineal invariante en el tiempo no pueden intercambiarse. A continuacin vamos a obtener
dos identidades, conocidas como identidades nobles, que permiten intercambiar la posicin de un filtro con la
de un submuestreador o un sobremuestreador modificando el filtro de la forma adecuada.
Para demostrar la primera identidad (vase la Figura 11.5.3), recordemos que la relacin entradasalida de
un submuestreador es
1 D1
Z
y(n) = x(nD) Y (z) =
(11.5.6)
X(z1/DWDi )
D i=0
donde WD = e j2 /D . La salida del sistema en la Figura 11.5.3(a) puede expresarse como
D
x(n)
v1(m)
H(z)
y(m)
(a)
H(zD)
x(n)
v2(n)
D
y(m)
(b)
Y (z) =
1 D1
1 D1
V1 (z1/DWDi ) =
H(zWDiD )X(z1/DWDi )
D i=0
D i=0
(11.5.7)
porque V1 (z) = H(zD )X(z). Teniendo en cuenta WDiD = 1 y la Figura 11.5.3(b), la relacin (11.5.7) queda
Y (z) =
D1
1
H(z) X(z1/DWDi ) = H(z)V2 (z)
D
i=0
(11.5.8)
(11.5.10)
porque V1 (z) = X(zI ). La salida del sistema en la Figura 11.5.4(b) est dada por
Y (z) = V2 (zI ) = H(zI )X(zI )
(11.5.11)
que es igual a (11.5.10). Esto demuestra que los dos sistemas de la Figura 11.5.4 son idnticos.
En conclusin, hemos demostrado que es posible intercambiar la operacin de filtrado lineal y el submuestreo
o sobremuestreo, si modificamos adecuadamente la funcin de sistema del filtro.
11.5.3
La implementacin hardware del filtro paso bajo necesario para la conversin de la frecuencia de muestreo puede
simplificarse de forma importante si elegimos un filtro peine cuya funcin de sistema sea (vase la Seccin 5.4.5)
H(z) =
M1
zk =
k=0
1 zM
1 z1
(11.5.12)
H(z)
x(n)
v1(n)
I
y(m)
(a)
I
x(n)
v2(m)
H(zI)
y(m)
(b)
x(n)
1
1 z1
1 zD
D
y(m)
(a)
x(n)
1
1 z1
1 z1
y(m)
(b)
Figura 11.5.5. Uso de la primera identidad noble para obtener un filtro CIC eficiente para diezmado.
Este sistema puede implementarse conectando en cascada el integrador 1/(1 z1 ) con el filtro peine (1
zM ), o viceversa. Esto nos lleva a la citada estructura de filtro CIC cascaded integrator comb, filtro peine
con integrador en cascada. Esta estructura CIC no requiere ninguna multiplicacin o almacenamiento para los
coeficientes del filtro.
Para obtener una estructura de diezmado eficiente, partimos de un filtro CIC peineintegrador seguido de un
submuestreador y luego aplicamos la primera identidad noble, como se muestra en la Figura 11.5.5. Para el caso
de interpolacin, utilizamos un sobremuestreador seguido de un filtro CIC peine-integrador y luego aplicamos la
segunda identidad noble, como se muestra en la Figura 11.5.6. Para mejorar la respuesta en frecuencia del filtro
paso bajo necesario para llevar a cabo la conversin de la frecuencia de muestreo, podemos conectar en cascada
K filtros CIC. En este caso, podemos colocar todos los integradores en un lado del filtro y los filtros peine en el
otro lado, y luego aplicar las identidades nobles como en el caso de una sola etapa. El integrador 1/(1 z1 )
es un sistema inestable. Por tanto, su salida puede crecer sin lmites, haciendo que aparezca un desbordamiento
cuando la seccin del integrador est en primer lugar, como en el caso de la estructura de diezmado mostrada en
la Figura 11.5.5(b). Sin embargo, este desbordamiento puede ser tolerable si el filtro completo se implementa
utilizando aritmtica de punto fijo en complemento a dos. Si D = M o I = M, el filtro peine 1 z1 de las Figuras
11.5.5(a) y 11.5.6(b) debe reemplazarse por 1 zM/D o 1 zM/I , respectivamente. Puede ver un tratamiento
detallado de los filtros CIC para operaciones de diezmado e interpolacin en Hogenauer (1981). Por ltimo,
observe que los filtros CIC son casos especiales de la estructura de muestreo en frecuencia vista en la Seccin
10.2.3.
Si el orden del filtro CIC es una potencia de 2, es decir, M = 2K , podemos descomponer la funcin de
sistema (11.5.12) como sigue:
1
1 z1
y(m)
1
1 z1
y(m)
1 zI
I
x(n)
(a)
1 z1
x(n)
(b)
Figura 11.5.6. Uso de la segunda identidad noble para obtener un filtro CIC eficiente para interpolacin.
2
x(n)
z 1
z 1
y(m)
z 1
Figura 11.5.7. Estructura de filtro eficiente para llevar a cabo un diezmado por el factor D = 8 utilizando filtros
peine.
H(z) = (1 + z1)(1 + z2 )(1 + z4) . . . (1 + z2
K1
(11.5.13)
Utilizando esta descomposicin podemos desarrollar estructuras de diezmadores utilizando filtros CIC no recursivos. La Figura 11.5.7 muestra un ejemplo de un diezmador para D = M = 8. Esta estructura puede obtenerse
conectando en cascada N filtros CIC siempre y cuando haya M secciones de primer orden (1 z1 ) entre cada
etapa de diezmado. Podemos relajar la restriccin M = 2K descomponiendo M en un producto de nmeros
primos, como se puede ver en Jang y Yang (2001).
11.5.4
Para desarrollar una estructura polifsica para diezmado, partimos de la implementacin directa del proceso de
diezmado mostrado en la Figura 11.5.8. La secuencia diezmada se obtiene pasando la secuencia de entrada x(n)
a travs de un filtro lineal y luego submuestreando la salida del filtro por un factor D. En esta configuracin,
el filtro opera a la frecuencia de muestreo superior Fx , mientras que slo se precisa una de cada D muestras de
salida. Una solucin lgica sera encontrar una estructura en la que slo se calculen las muestras necesarias.
Vamos a desarrollar dicha implementacin utilizando la estructura polifsica de la Figura 11.5.1. Puesto que
el submuestreo conmuta con la suma, combinando las estructuras de las Figuras 11.5.8 y 11.5.1 obtenemos la
estructura de la Figura 11.5.9(a). Si a continuacin aplicamos la identidad de la Figura 11.5.3, obtenemos la
estructura de implementacin deseada mostrada en la Figura 11.5.9(b). En esta estructura de filtrado, slo se
calculan las muestras necesarias y todas las multiplicaciones y sumas se realizan a la frecuencia de muestreo
inferior Fx /D. As hemos obtenido la eficiencia deseada. Puede conseguirse una reduccin adicional de los
clculos utilizando un filtro FIR de fase lineal y aplicando la propiedad de simetra de su respuesta al impulso.
En la prctica es ms conveniente implementar el diezmador polifsico utilizando un modelo de conmutador
como el mostrado en la Figura 11.5.10. El conmutator gira en sentido horario a partir del instante n = 0 y
distribuye un bloque de D muestras de entrada a los filtros polifsicos comenzando por el filtro i = D 1 y
x(n)
H(z)
D
v(n)
y(m) = v(mD)
x(n)
3
y(m)
z 1
P1(z3)
P2(z3)
z 1
(a)
P0(z)
x(n)
y(m)
z 1
3
P1(z)
P2(z)
z 1
(b)
Figura 11.5.9. Implementacin de un sistema de diezmado utilizando una estructura polifsica antes (a) y
despus (b) de utilizar la primera identidad noble.
continuando en orden inverso hasta i = 0. Por cada bloque de D muestras de entrada, los filtros polifsicos
reciben una nueva entrada y sus salidas se calculan y suman para generar una muestra de la seal de salida y(m).
Puede aprender cmo funciona esta realizacin haciendo una inspeccin detenida de la Figura 11.1.3.
Consideremos ahora la implementacin eficiente de un interpolador, el cual se realiza insertando en primer
lugar I 1 ceros entre muestras sucesivas de x(n) y filtrando a continuacin la secuencia resultante (vase la
Figura 11.5.11). El principal problema con esta estructura es que los clculos para el filtro se efectan a la
frecuencia de muestreo superior IFx . La simplificacin deseada se consigue reemplazando en primer lugar el
filtro de la Figura 11.5.11 por la estructura polifsica transpuesta de la Figura 11.5.2, como se muestra en la
Figura 11.5.12(a). A continuacin, utilizamos la segunda identidad noble (vase la Figura 11.5.4) para obtener
la estructura de la Figura 11.5.12(b). As, todas las multiplicaciones de la operacin de filtrado se efectan a
la frecuencia Fx . Es interesante destacar que la estructura de un interpolador se puede obtener transponiendo la
estructura de un diezmador, y viceversa (Crochiere y Rabiner, 1981).
Fy = Fx / D
Frecuencia de conmutacin = Fx
P0(z)
y(m)
P1(z)
Fx
..
.
x(n)
..
.
PD 1(z)
x(n)
H(z)
v(m)
y(m)
11.5.5
Un convertidor de frecuencia de muestreo con una relacin I/D se puede implementar de forma eficiente
utilizando un interpolador polifsico seguido de un submuestreador. Sin embargo, puesto que el submuestreador
slo conserva D salidas del subfiltro polifsico, no es necesario calcular los I valores interpolados entre muestras
de entrada sucesivas. Para determinar qu salidas del subfiltro polifsico hay que calcular, consideremos un
ejemplo con I = 5 y D = 3. La estructura polifsica del interpolador tiene I = 5 subfiltros que proporcionan
muestras interpoladas en un perodo efectivo de muestreo T = Tx /I. El submuestreador toma D de estas muestras,
dando lugar a una seal discreta en el tiempo con un perodo de muestreo Ty = DT = DTx /I. Es recomendable
pensar en trminos de bloques de duracin
Tbloque = ITy = DTx = IDT
(11.5.14)
que contengan L muestras de salida o I muestras de entrada. Las posiciones temporales relativas de las distintas
secuencias y un bloque de datos se ilustran en la Figura 11.5.14. La secuencia de entrada x(nTx ) se interpola
para generar una secuencia v(kT ), la cual se diezma a continuacin para obtener y(mTy ). Si utilizamos un filtro
FIR con M = KI coeficientes, los subfiltros polifsicos estn dados por pi (n) = h(nI + i), i = 0, 1, . . . , I 1,
donde n = 0, 1, . . . , K 1. Para calcular la muestra de salida y(m), utilizamos el subfiltro polifsico con ndice
im que requiere las muestras de entrada x(km ), x(km 1), . . . , x(km K + 1). A partir de la relacin (11.1.9) y de
la Figura 11.5.14, podemos deducir fcilmente que
x(n)
P0(z3)
y(m)
z 1
P1(z3)
z 1
P2(z3)
(a)
x(n)
P0(z)
3
y(m)
z 1
P1(z)
z 1
P2(z)
(b)
Figura 11.5.12. Implementacin de un sistema de interpolacin utilizando una estructura polifsica antes (a)
y despus (b) de utilizar la segunda identidad noble.
km =
6 mD 7
I
im = (Dm)I
(11.5.15)
Fx
P0(z)
x(n)
Fy = I Fx
y(m)
..
.
PI1(z)
Tx
T
Entrada
Interpolado
Salida
Ty
0 1 2 3 4 5 6 7 8 9 10
...
15
km
im
4
...
5
...
20
25
Figura 11.5.14. Ilustracin del clculo del ndice para una implementacin polifsica de la conversin de la
frecuencia de muestreo para una relacin racional I/D = 5/3.
(11.6.1)
I1Fx
x(n)
h1(n)
Fx
h2(n)
Etapa 1
hL(n)
I1I2Fx
Etapa 2
y(m)
Fy = IFx
Etapa L
D = Di
(11.6.2)
i=1
es posible implementarlo como una conexin en cascada de J etapas de filtrado y diezmado como se ilustra en
la Figura 11.6.2. Por tanto, la frecuencia de muestreo en la salida de la etapa i es
Fi =
Fi1
,
Di
i = 1, 2, . . . , J
(11.6.3)
(11.6.4)
donde Fsc Fx /2D. As, el aliasing en la banda 0 F Fsc se evita seleccionando las bandas de frecuencia de
cada filtro de la manera siguiente:
Banda de paso: 0 F Fpc
Banda de transicin: Fpc F Fi Fsc
Banda eliminada: Fi Fsc F
(11.6.5)
Fi1
2
Fx
D1
x(n)
Fx
h1(n)
Etapa 1
h2(n)
Etapa 2
Fx
D1D2
hJ(n)
Etapa J
y(m)
Fx
D
Por ejemplo, en la primera etapa de filtrado tenemos F1 = Fx /D1 , y el filtro se disea para tener las siguientes
bandas de frecuencia:
Banda de paso: 0 F Fpc
Banda de transicin: Fpc F F1 Fsc
(11.6.6)
F0
2
Despus del diezmado por D1 , existe aliasing procedente de las componentes de seal que caen en la banda
de transicin del filtro, pero el aliasing se produce a frecuencias por encima de Fsc . Luego no existe aliasing
en la banda de frecuencias 0 F Fsc . Diseando los filtros de las etapas subsiguientes para satisfacer las
especificaciones dadas en (11.6.5), garantizamos que no se producir aliasing en la banda de frecuencias principal
0 F Fsc .
Banda eliminada: F1 Fsc F
EJEMPLO 11.6.1
Considere una seal de audio con un ancho de banda nominal de 4 kHz que ha sido muestreada a una frecuencia de 8 kHz.
Suponga que deseamos aislar las componentes de frecuencia que estn por debajo de 80 Hz con un filtro que tiene una banda
de paso 0 F 75 y una banda de transicin 75 F 80. Luego Fpc = 75 Hz y Fsc = 80. La seal existente en la banda
0 F 80 puede diezmarse por el factor D = Fx /2Fsc = 50. Especificamos tambin que el filtro tiene un rizado en la banda
de paso 1 = 102 y un rizado en la banda eliminada 2 = 104 .
La longitud del filtro FIR de fase lineal necesario para satisfacer estas especificaciones se puede estimar a partir de las
frmulas bien conocidas dadas en la Seccin 10.2.7. Recuerde que una frmula especialmente simple que permite obtener
una aproximacin de la longitud M, atribuida a Kaiser, es
10 log10 1 2 13
+1
M =
14.6 f
(11.6.7)
donde f es la anchura normalizada (mediante la frecuencia de muestreo) de la regin de transicin [es decir, f =
(Fsc Fpc )/Fs ]. Una frmula ms precisa propuesta por Herrmann et al. (1973) es
D (1 , 2 ) f (1 , 2 )( f )2
M =
+1
f
(11.6.8)
(11.6.9)
(11.6.10)
Ahora un slo filtro FIR seguido por un diezmador requerir (utilizando la frmula de Kaiser) un filtro de longitud (aproximada)
10 log10 106 13
M =
+ 1 5152
14.6(5/8000)
Como alternativa, considere un proceso de diezmado en dos etapas con D1 = 25 y D2 = 2. En la primera etapa tenemos las
especificaciones F1 = 320 Hz y
Banda de paso: 0 F 75
Banda de transicin: 75 < F 240
165
8000
11 = 1 ,
2
f =
21 = 2
Observe que hemos reducido el rizado de la banda de paso 1 en un factor de 2, por lo que el rizado total en la banda de
paso de la conexin en cascada de los dos filtros no excede el valor de 1 . Por otro lado, el rizado de la banda eliminada se
mantiene en 2 en ambas etapas. Ahora la frmula de Kaiser proporciona un valor estimado de M1
10 log10 11 21 13
M 1 =
+ 1 167
14.6 f
En la segunda etapa, tenemos F2 = F1 /2 = 160 y las especificaciones
Banda de paso: 0 F 75
Banda de transicin: 75 < F 80
5
320
12 = 1 ,
2
f =
22 = 2
Es evidente a partir de los clculos realizados en el Ejemplo 11.6.1 que la reduccin de la longitud del
filtro es resultado de incrementar el factor f , el cual aparece en el denominador de las Ecuaciones (11.6.7)
y (11.6.8). Llevando a cabo el proceso de diezmado en mltiples etapas, podemos aumentar la anchura de la
regin de transicin a travs de una reduccin de la frecuencia de muestreo.
En el caso de un interpolador multietapa, la frecuencia de muestreo de la salida de la etapa i es
Fi1 = Ii Fi ,
i = J, J 1, . . ., 1
< | | < k
D
D
(11.7.1)
1, (k 1) D < | | < k D
0, en otro caso
(11.7.2)
normalmente se emplea para eliminar las componentes de frecuencia de la seal que se encuentran fuera del
rango de frecuencias deseado. As, un diezmado directo de la seal filtrada v(n) por el factor D da lugar a una
rplica peridica del espectro paso banda V ( ) cada 2 /D radianes segn la Ecuacin (11.2.14). El espectro
de la seal diezmada y(m) se obtiene aplicando un cambio de escala en el eje de frecuencias de y = Dx . Este
proceso se ilustra en la Figura 11.7.1 para la seal paso banda con posicionamiento en una banda impar (k = 3)
y en la Figura 11.7.2 para seales con posicionamiento en una banda par (k = 4). En el caso en que k es impar,
se produce una inversin del espectro de la seal al igual que en el caso continuo en el tiempo (vase la Figura
6.4.1(b)). La inversin puede deshacerse simplemente mediante el proceso y (m) = (1)m y(m). Observe que
la violacin de la restriccin del ancho de banda dada por (11.7.1) da lugar a la aparicin del efecto de aliasing
en la seal.
El proceso de interpolacin paso banda por un factor entero I es el inverso del proceso de diezmado y
se puede llevar a cabo de manera similar. El proceso de sobremuestreo insertando ceros entre las muestras de
x(n) produce I imgenes en la banda 0 . La imagen elegida se puede seleccionar mediante un filtro
paso banda. Esto puede interpretarse como la inversin del proceso mostrado en la Figura 11.7.1. Observe
que el proceso de interpolacin tambin proporciona la oportunidad de obtener una traslacin en frecuencia del
espectro.
Por ltimo, la conversin de la frecuencia de muestreo para una seal paso banda por un factor racional I/D
puede obtenerse conectando en cascada un interpolador de manera que dependa de la eleccin de los parmetros
D e I. Normalmente, se necesita un filtro paso banda que preceda al convertidor de frecuencia, con el fin de
aislar la banda de frecuencias de inters de la seal. Observe que este mtodo nos proporciona un mtodo libre
de modulacin para obtener una traslacin en frecuencia de una seal seleccionando D = I.
x(n)
HBP(z)
v(n)
y(m) = v(mD)
(a)
D=4
0
(b)
D=4
0
(c)
D=4
0
(d)
Figura 11.7.1. Interpretacin espectral del diezmado de la seal paso banda para posicionamiento de la banda
en un entero (posicionamiento en un entero impar).
0
(a)
D=4
0
(b)
Figura 11.7.2. Interpretacin espectral del diezmado de la seal paso banda para posicionamiento de la banda
en un entero (posicionamiento en un entero par).
aplicaciones, esto no resulta eficiente e incluso, en ocasiones, es imposible emplear tal esquema de conversin
de frecuencia exacto.
Por ejemplo, suponga que necesitamos efectuar una conversin de frecuencia por un nmero racional I/D,
donde I es un entero muy grande (por ejemplo, I/D = 1023/511). Aunque podamos conseguir la conversin de
frecuencia exacta por este nmero, necesitaramos un filtro polifsico con 1023 subfiltros. Tal implementacin
es obviamente ineficiente en lo que se refiere al uso de memoria, porque es necesario almacenar un nmero muy
grande de coeficientes de filtro.
En algunas aplicaciones, la frecuencia de conversin exacta no es conocida cuando se est diseando el
convertidor, o bien la frecuencia est cambiando continuamente durante el proceso de conversin. Por ejemplo,
podemos encontrarnos en una situacin en la que las muestras de entrada y de salida estn controladas por
dos relojes independientes. Incluso aunque en este caso sea an posible definir una frecuencia de conversin
nominal que sea un nmero racional, la frecuencia real sera ligeramente diferente, dependiendo de la diferencia
de frecuencias entre los dos relojes. Obviamente, no es posible disear un convertidor exacto en este caso.
En principio, podemos convertir cualquier frecuencia Fx en cualquier frecuencia Fy (fija o variable) utilizando
la frmula (11.1.9), la cual repetimos a continuacin por comodidad:
y(mTy ) =
K2
(11.8.1)
k=K1
Esto requiere el clculo de una nueva respuesta al impulso pm (k) = g(kTx + m Tx ) para cada muestra de salida.
Sin embargo, si se mide m con una precisin finita, slo existir un conjunto finito de respuestas al impulso, el
cual podr precalcularse y cargarse de la memoria cuando sea necesario. A continuacin vamos a exponer dos
mtodo prcticos para llevar a cabo la conversin de la frecuencia de muestreo por un factor arbitrario.
11.8.1
Si empleamos un intepolador polifsico con I subfiltros podemos generar muestras espaciadas Tx /I. Por tanto,
el nmero I de etapas determina la granularidad del proceso de interpolacin. Si Tx /I es lo suficientemente
pequeo como para que valores sucesivos de la seal no cambien de forma significativa o la variacin sea menor
que el escaln de cuantificacin, podemos determinar el valor en cualquier posicin t = nTx + Tx , 0 1,
utilizando el valor del vecino ms prximo (interpolacin de orden cero).
Puede obtenerse una mejora adicional utilizando interpolacin lineal de dos puntos
y(nTx + Tx ) = (1 )x(n) + x(n + 1)
(11.8.2)
En la Seccin 6.5 se ha visto cmo funcionan estas tcnicas de interpolacin y se han analizado sus caractersticas
en el dominio de la frecuencia. Puede encontrar detalles prcticos adicionales en Ramstad (1984).
11.8.2
En la prctica, normalmente implementamos convertidores de frecuencia utilizando filtros FIR paso bajo causales. Si empleamos un filtro FIR con M = KI coeficientes, los coeficientes de los filtros polifsicos se obtienen
mediante la correspondencia
pi (n) = h(nI + i), i = 0, 1, . . . , I 1
(11.8.3)
Esta correspondencia se puede visualizar fcilmente como la correspondencia entre la secuencia unidimensional
h(n) y una matriz bidimensional con I filas y K columnas, rellenando las columnas sucesivas siguiendo el orden
natural de la manera siguiente:
p0 (k)
p1 (k)
h(0)
h(1)
..
.
h(I)
h(I + 1)
...
...
h((K 1)I)
h((K 1)I + 1)
pi (k)
pi+1 (k)
h(i)
h(i + 1)
..
.
h(I + i)
...
h(I + i + 1) . . .
h((K 1)I + i)
...
(11.8.4)
h(KI 1)
Los filtros polifsicos pi (n) se emplean para calcular las muestras en I posiciones equidistantes t = nTx + i(Tx /I),
i = 0, 1, . . . , I 1, que cubren el intervalo de muestreo de entrada. Suponga ahora que deseamos calcular una
muestra en t = nTx + Tx , donde = i/I y 0 1. Esto requiere un subfiltro polifsico que no existe,
designado como p (k), que caera entre dos subfiltros existentes, por ejemplo, pi (k) y pi+1 (k). Este conjunto
de coeficientes dara lugar a una fila entre las filas cuyos ndices son i e i + 1. Observe que cada columna de
(11.8.4) consta de un segmento de I muestras consecutivas de la respuesta al impulso h(n) y cubre un intervalo
de muestreo Tx . Suponga a continuacin que podemos aproximar el conjunto de coeficientes de cada columna
mediante un polinominio de grado L
Bk () =
b
(k)
=0
k = 0, 1, . . . , K 1
(11.8.5)
Observe que evaluando (11.8.5) en = i/I obtenemos los coeficientes del subfiltro polifsico pi (k). El tipo de
polinomio (Lagrange, Chebyschev, etc.) y el orden L pueden elegirse de manera que se evite la degradacin
del comportamiento del filtro comparado con el filtro original h(n). La muestra en la posicin t = nTx + Tx se
determina mediante
y((n + )Tx ) =
K1
Bk ()x((n k)Tx ),
01
(11.8.6)
k=0
donde los coeficientes del filtro necesario se calculan utilizando la Ecuacin (11.8.5). Si sustituimos los polinomios (11.8.5) en la frmula de filtrado (11.8.6) y cambiamos el orden de los sumatorios, obtenemos
y((n + )Tx ) =
=
K1 L
b
(k)
k=0 =0
L
K1
=0
k=0
x((n k)Tx )
b
(k)
x((n k)Tx )
v()
(11.8.7)
=0
donde
v() =
K1
b
(k)
x((n k)Tx ),
= 0, 1, . . . , L
(11.8.8)
k=0
La Ecuacin (11.8.7) puede interpretarse como una representacin en serie de Taylor de la secuencia de salida,
donde los trminos v() son las derivadas locales sucesivas determinadas a partir de la secuencia de entrada. La
relacin (11.8.8) puede implementarse utilizando estructuras de filtrado FIR con funciones de sistema
H (z) =
K1
b
(k) k
(11.8.9)
k=0
El clculo ms eficiente del polinomio (11.8.7) puede llevarse a cabo empleando la regla anidada de Horner, la
cual se ilustra a continuacin para L = 4:
y() = c0 + c1 + c22 + c3 3 + c4 4
= c0 + (c1 + (c2 + (c3 + c4 )))
(11.8.10)
x(nTx)
HL(z)
HL1(z)
...
v(L1)
v(L)
H1(z)
H0(z)
v(1)
v(0)
...
y(nTx+ Tx)
Figura 11.8.1. Diagrama de bloques de la estructura de Farrow para cambiar la frecuencia de muestreo por un
factor arbitrario.
Este mtodo nos lleva al diagrama de bloques mostrado en la Figura 11.8.1, el cual se conoce como estructura
de Farrow (Farrow 1988). La estructura de Farrow bsicamente realiza la interpolacin entre los valores de
la seal mediante la interpolacin de los coeficientes del filtro. Puede encontrar informacin ms detallada en
Gardner (1993), Erup et al. (1993), Ramstad (1984), Harris (1997) y Laakso et al. (1996).
11.9.1
Suponga que deseamos disear una red que retarde la seal x(n) una fraccin de una muestra. Supongamos que
el retardo es una fraccin racional de un intervalo de muestreo Tx [es decir, d = (k/I)Tx , donde k e I son enteros
positivos relativamente primos]. En el dominio de la frecuencia, el retardo se corresponde con un desplazamiento
de fase lineal de la forma
k
( ) =
(11.9.1)
I
El diseo de un filtro paso todo de fase lineal es algo complicado. Sin embargo, podemos utilizar los mtodos
de conversin basados en el muestreo en frecuencia para obtener un retardo de (k/I)Tx , de forma exacta, sin
introducir ninguna distorsin significativa en la seal. Ms especificamente, considere el sistema mostrado en la
Figura 11.9.1. La frecuencia de muestreo se aumenta en un factor I utilizando un interpolador estndar. El filtro
paso bajo elimina las imgenes en el espectro de la seal interpolada y su salida aparece retardada k muestras a
la frecuencia de muestreo IFx . La seal retardada se diezma por un factor D = I. Por tanto, hemos conseguido
el retardo deseado de (k/I)Tx .
Una implementacin eficiente del interpolador es el filtro polifsico mostrado en la Figura 11.9.2. El retardo
de k muestras se consigue colocando la posicin inicial del conmutador en la salida del subfiltro k. Puesto que
x(n)
Fx
IFx
Filtro
paso bajo
IFx
Retardo de
k muestras
IFx
y(n)
Fx
Figura 11.9.1. Mtodo para generar un retardo en una seal discreta en el tiempo.
x(n)
p0(n)
p1(n)
p2(n)
Salida
Tasa = IFx
pk(n)
pI1(n)
Figura 11.9.2. Estructura de filtros polifsicos para implementar el sistema mostrado en la Figura 11.9.1.
el diezmado por D = I significa que tomamos una de cada I muestras del filtro polifsico, la posicin del
conmutador puede fijarse a la salida del subfiltro k. As, un retardo en k/I puede lograrse utilizando slo los
k subfiltros del filtro polifsico. Observe que el filtro polifsico introduce un retardo adicional de (M 1)/2
muestras, donde M es la longitud de su respuesta al impulso.
Por ltimo, debemos mencionar que si el retardo deseado es un factor no racional del intervalo de muestreo
Tx , los mtodos descritos en la Seccin 11.8 pueden utilizarse para obtener el retardo.
11.9.2
En la prctica, nos encontraremos con frecuencia con el problema de definir la interfaz entre dos sistemas
digitales que estn controlados por dos relojes que operan de forma independiente. Una solucin analgica a
este problema consiste en convertir la seal procedente del primer sistema en analgica y luego remuestrearla
a la entrada del segundo sistema utilizando el reloj de dicho sistema. Sin embargo, un mtodo ms sencillo es
aqul en el que la interfaz se establece mediante un mtodo digital utilizando los mtodos de conversin bsicos
de la frecuencia de muestreo descritos en este captulo.
Ms especficamente, consideremos la interfaz entre los dos sistemas que emplean relojes diferentes que se
muestra en la Figura 11.9.3. La salida del sistema A a la frecuencia Fx se aplica a un interpolador que aumenta
su frecuencia en un factor I. La salida del interpolador se aplica a la frecuencia IFx a un circuito digital de
muestreo y retencin que sirve como interfaz con el sistema B a la frecuencia de muestreo superior IFx . Las
seales procedentes del circuito de muestreo y retencin se leen en el sistema B a la frecuencia de reloj DFy del
sistema B. As, la frecuencia de salida del circuito de muestreo y retencin no est sincronizada con la frecuencia
de entrada.
En el caso especial en que D = I y las dos frecuencias de reloj son comparables pero no idnticas, algunas
muestras en la salida del circuito de muestreo y retencin pueden repetirse o eliminarse. La cantidad de distorsin
resultante debida a este mtodo puede mantenerse pequea si el factor del interpolador/diezmador es grande.
Utilizando la interpolacin lineal en lugar del sistema de muestreo y retencin digital podemos reducir an ms
la distorsin y reducir despus el tamao del factor del interpolador.
Sistema
A
x(n)
IFx
Muestreo
y retencin
digital
IFy
Fx
x(m)
DFy
Reloj
A
IFx
Sistema
B
Fy
Reloj
B
Figura 11.9.3. Interfaz de dos sistemas digitales con diferentes frecuencias de muestreo.
11.9.3
En la Seccin 11.6 hemos demostrado que una implementacin de un convertidor de la frecuencia de muestreo
a menudo proporciona una realizacin ms eficiente, especialmente cuando las especificaciones del filtro son
muy estrictas (por ejemplo, una banda de paso estrecha y una banda de transicin estrecha). Bajo condiciones
similares, un filtro FIR paso bajo de fase lineal puede implementarse de manera ms eficiente en una configuracin multietapa de diezmadorinterpolador. Ms especficamente, podemos emplear una implementacin
multietapa de un diezmador de tamao D, seguido de una implementacin multietapa de un interpolador de
tamao I, donde I = D.
Vamos a mostrar el procedimiento utilizando un ejemplo para el diseo de un filtro paso bajo que tiene las
mismas especificaciones que el filtro dado en el Ejemplo 11.6.1.
EJEMPLO 11.9.1
Disee un filtro FIR de fase lineal que satisfaga las siguientes especificaciones:
Frecuencia de muestreo:
Banda de paso:
Banda de transicin:
Banda eliminada:
Rizado de la banda de paso:
Rizado de la banda eliminada:
8000 Hz
0 F 75 Hz
75 Hz F 80 Hz
80 Hz F 4000 Hz
1 = 102
2 = 104
Solucin. Si hemos diseado este filtro como un filtro FIR de fase lineal y tasa nica, la longitud del filtro necesaria para
cumplir las especificaciones es (a partir de la frmula de Kaiser)
M 5152
Supongamos ahora que empleamos una implementacin multitasa del filtro paso bajo basada en un factor de diezmado
e interpolacin D = I = 100. Una implementacin de una sola etapa del diezmador-interpolador requiere un filtro FIR de
longitud
10 log10 (1 2 /2) 13
M 1 =
+ 1 5480
14.6 f
Sin embargo, se obtiene un ahorro significativo en la complejidad de clculo implementando los filtros diezmador e interpolador mediante sus correspondientes filtros polifsicos. Si empleamos filtros de diezmado e interpolacin (simtricos) de
fase lineal, el uso de filtros polifsicos reduce la tasa de multiplicaciones en un factor de 100.
Una implementacin significativamente ms eficiente se obtiene empleando dos etapas de diezmado seguidas de dos
etapas de interpolacin. Por ejemplo, suponga que seleccionamos D1 = 50, D2 = 2, I1 = 2 y I2 = 50. Luego las longitudes
de los filtros requeridas son
10 log(1 2 /4) 13
M 1 =
+ 1 177
14.6 f
10 log10 (1 2 /4) 13
M 1 =
+ 1 233
14.6 f
Por tanto, obtenemos una reduccin en la longitud del filtro global de 2(5480)/2(177 + 233) 13.36. Adems, obtenemos
ms reduccin en la tasa de multiplicaciones utilizando filtros polifsicos. En la primera etapa de diezmado, la reduccin en
la tasa de multiplicaciones es de 50, mientras que en la segunda etapa la reduccin en la tasa de multiplicaciones es de 100.
Pueden obtenerse reducciones adicionales incrementando el nmero de etapas de diezmado y de interpolacin.
11.9.4
Se han desarrollado diversas tcnicas para representar de forma eficiente seales de voz en formato digital, bien
con fines de transmisin o de almacenamiento. Puesto que la mayor parte de la energa de las seales de voz
est contenida en las frecuencias ms bajas, sera interesante codificar la banda de frecuencias inferior con ms
bits que la banda de frecuencias ms altas. La codificacin subbanda es un mtodo en el que la seal de voz se
subdivide en varias bandas de frecuencia y cada banda se codifica digitalmente por separado.
Un ejemplo de una subdivisin en frecuencia se muestra en la Figura 11.9.4(a). Supongamos que la seal de
voz se muestrea a una tasa de Fs muestras por segundo. La primera subdivisin en frecuencia divide el espectro
de la seal en dos segmentos de la misma anchura, una seal paso bajo (0 F Fs /4) y una seal paso alto
(Fs /4 F Fs /2). La segunda subdivisin en frecuencia divide la seal paso bajo de la primera etapa en dos
bandas iguales, una seal paso bajo (0 < F Fs /8) y una seal paso alto (Fs /8 F Fs /4). Por ltimo, la
tercera subdivisin en frecuencia divide la seal paso bajo de la segunda etapa en dos seales con el mismo
ancho de banda. Por tanto, la seal se subdivide en cuatro bandas de frecuencia que cubren tres octavas, como
se muestra en la Figura 11.9.4(b).
El diezmado por un factor de 2 se realiza despus de la subdivisin en frecuencia. Asignando un nmero
diferente de bits por muestra a la seal en las cuatro subbandas, podemos conseguir una reduccin en la tasa de
bits de la seal de voz digitalizada.
Filtro
paso bajo
Filtro
paso bajo
Filtro
paso alto
Filtro
paso alto
Diezmador
D=2
Diezmador
D=2
Codificador
Al
canal
Filtro
paso alto
Diezmador
D=2
Codificador
Al
canal
Diezmador
D=2
Diezmador
D=2
Seal
de voz
Filtro
paso bajo
Diezmador
D=2
Codificador
Al
canal
Al
canal
Codificador
(a)
0
8
2
(b)
Filtros ideales
Decodificador
Filtro
Decodificador
Filtro
Decodificador
Filtro
Filtro
Decodificador
Filtro
Filtro
Salida
2 k
,
k = 1, 2, . . . , N 1
(11.10.1)
k = 0, 1, . . . , N 1
(11.10.2)
donde h0 (n) es la respuesta al impulso del filtro prototipo, que en general puede ser un filtro FIR o IIR. Si H0 (z)
designa la funcin de transferencia del filtro prototipo, la funcin de transferencia del filtro k es
Hk (z) = H0 (ze j2 k/N ),
1 k N 1
(11.10.3)
La Figura 11.10.2 proporciona una ilustracin conceptual de la respuesta en frecuencia de los N filtros.
El banco de filtros de anlisis DFT uniforme puede implementarse como se muestra en la Figura 11.10.3(a),
donde las componentes de frecuencia de la secuencia {x(n)} se trasladan en frecuencia a paso bajo mutliplicando
y1(n)
H1(z)
y2(n)
x(n)
H0(z)
yN1(n)
HN1(z)
Banco de filtros de anlisis
(a)
G0(z)
y2(n)
G1(z)
x(n)
y1(n)
yN1(n)
GN1(z)
Banco de filtros de sntesis
(b)
k = 0, 1, . . . , N 1
m = 0, 1, . . .
(11.10.4)
X0(m)
h0(n)
X1(m)
x(n)
h0(n)
Xk(m)
h0(n)
h0(n)
XN1(m)
Anlisis
(a)
Y0(m)
g0(n)
Y1(m)
g0(n)
YN1(m)
v(n)
g0(n)
Sntesis
(b)
mI)
k 0
N k=0
m
1 N1
j2 nk/N
= g0 (n mI)
Yk (m)e
N k=0
m
v(n) =
(11.10.5)
= g0 (n mI)yn(m)
m
donde el factor 1/N es un factor de normalizacin, {yn (m)} representa muestras de la secuencia de la DFT
inversa correspondiente a {Yk (m)}, {g0 (n)} es la respuesta al impulso del filtro de interpolacin e I = D.
La relacin entre la salida {Xk (n)} del banco de filtros de anlisis y la entrada {Yk (m)} al banco de filtros
de sntesis depende de la aplicacin. Normalmente, {Yk (m)} es una versin modificada de {Xk (m)}, donde la
modificacin especfica es determinada por la aplicacin.
h1(n)
X1(m)
X0(m)
x(n)
h0(n)
hN1(n)
XN1(m)
Anlisis
(a)
Y0(m)
g0(n)
Y1(m)
v(n)
g1(n)
YN1(m)
gN1(n)
Sntesis
(b)
k = 0, 1, . . . , N 1
(11.10.6)
La salida de cada filtro paso banda se diezma por un factor D y se mutliplica por exp( j2 mk/N) para
generar la secuencia DFT {Xk (m)}. La modulacin mediante la exponencial compleja nos permite desplazar el
espectro de la seal desde k = 2 k/N a 0 = 0. As esta realizacin es equivalente a la realizacin dada en la
Figura 11.10.3. La salida del banco de filtros de anlisis puede escribirse como
Xk (m) =
x(n)h0(mD n)e
j2 k(mDn)/N
e j2 mkD/N
(11.10.7)
El correspondiente banco de filtros sintentizador puede implementarse como se muestra en la Figura 11.10.4(b), donde las secuencias de entrada primero se multiplican por los factores exponenciales [exp( j2 kmD/N)],
se sobremuestrean por el factor I = D y las secuencias resultantes se filtran a travs de los filtros de interpolacin
paso banda con las respuestas al impulso
gk (n) = g0 (n)e j2 nk/N
(11.10.8)
donde {g0 (n)} es la respuesta al impulso del filtro prototipo. Las salidas de estos filtros se suman entonces para
proporcionar
1 N1
j2 kmI/N
v(n) =
[Y
(m)e
]g
(n
mI)
(11.10.9)
k
k
N k=0
m
donde I = D.
En la implementacin de bancos de filtros digitales, la eficiencia de clculo puede conseguirse utilizando
filtros polifsicos para los procesos de diezmado e interpolacin. De particular inters es el caso donde el factor
de diezmado D se selecciona para ser igual al nmero N de bandas de frecuencia. Cuando D = N, decimos que
el banco de filtros se muestrea crticamente.
11.10.1
En el banco de filtros de anlisis, definimos un conjunto de N = D filtros polifsicos con respuestas al impulso
pk (n) = h0 (nN k),
k = 0, 1, . . . , N 1
(11.10.10)
k = 0, 1, . . . , N 1
(11.10.11)
Observe que esta definicin de {pk (n)} implica que el conmutador para el diezmador gira en sentido horario.
La estructura del banco de filtros de anlisis basada en el uso de filtros polifsicos puede obtenerse sustituyendo (11.10.10) y (11.10.11) en (11.10.7) y reordenando el sumatorio de la forma siguiente
Xk (m) =
N1
pn (l)xn (m l)
n=0
e j2 nk/N ,
k = 0, 1, . . . , D 1
(11.10.12)
donde N = D. Observe que el sumatorio interno representa la convolucin de {pn (l)} con {xn (l)}. El sumatorio
externo representa la DFT de N puntos de las salidas de filtro. La estructura del filtro correspondiente a este
clculo se ilustra en la Figura 11.10.5. Cada barrido del conmutador da lugar a N salidas, designadas como
{rn (m), n = 0, 1, . . . , N 1}, de los N filtros polifsicos. La DFT de N puntos de esta secuencia proporciona las
muestras espectrales {Xk (m)}. Para valores grandes de N, el algoritmo FFT proporciona un medio eficiente de
calcular la DFT.
Suponga ahora que las muestras espectrales {Xk(m)} se modifican de alguna manera establecida de antemano
por la aplicacin, para generar {Yk (m)}. Un banco de filtros de sntesis basado en una estructura de filtros
polifsicos puede implementarse de manera similar. En primer lugar, definimos la respuesta al impulso de los
N (D = I = N) filtros polifsicos para el filtro de interpolacin como
qk (n) = g0 (nN + k),
k = 0, 1, . . . , N 1
(11.10.13)
k = 0, 1, . . . , N 1
(11.10.14)
Observe que esta definicin de {qk (n)} implica que el conmutador para la interpolacin gira en sentido antihorario.
Sustituyendo (11.10.13) en (11.10.5), podemos expresar la salida vl (n) del primer filtro polifsico como
1 N1
j2 kl/N
,
vl (n) = ql (n m)
Yk (m)e
N k=0
m
l = 0, 1, . . . , N 1
(11.10.15)
x0(m)
p0(m)
r0(m)
X0(m)
p1(m)
r1(m)
X1(m)
m=0
x1(m)
xN1(m)
DFT de
N puntos
rn(m)
pN1(m)
Xk(m)
pn(m)
xn(m)
x(l)
rN1(m)
XN1(m)
l = 0, 1, . . . , N 1
(11.10.16)
y0(m)
Y1(m)
y1(m)
q0(m)
YN1(m)
yl(m)
yN1(m)
DFT
inversa
q1(m)
ql(m)
Yk(m)
m=0
qN1(m)
Figura 11.10.6. Estructura del banco de filtros digital para el clculo de (11.10.16).
factor de sobremuestreo. En este caso, podemos demostrar que las estructuras de bancos de filtros polifsicos
para formar filtros de anlisis y sntesis pueden implementarse utilizando N subfiltros y transformadas DFT de
N puntos y sus DFT inversas.
11.10.2
Transmultiplexores
Una aplicacin de los bancos de filtros digitales es el diseo e implementacin de transmultiplexores digitales,
los cuales son dispositivos que permiten convertir seales multiplexadas por divisin en el tiempo (MDT) y
seales multiplexadas por divisin en la frecuencia (MDF).
En un transmultiplexor utilizado para convertir seales MDT en seales MDF, la seal de entrada {x(n)}
es una seal mutliplexada por divisin en el tiempo que consta de L seales, las cuales son separadas mediante
un conmutador. Cada una de estas L seales es modulada sobre una frecuencia portadora diferente para obtener
una seal MDF que pueda ser transmitida. En un transmultiplexor para convertir seales MDF en seales MDT,
la seal compuesta se separa filtrando las L componentes de seal, las cuales a continuacin son multiplexadas
por divisin en el tiempo.
En telefona, se utiliza la transmisin de banda lateral nica con canales espaciados que tienen un ancho
de banda nominal de 4-kHz. Normalmente, se apilan doce canales en frecuencia para formar un canal de grupo
bsico, con un ancho de banda de 48 kHz. Las seales MDF con un ancho de banda ms grande se forman por
la traslacin en frecuencia de mltiples grupos en bandas de frecuencia adyacentes. Vamos a centrar nuestro
estudio en los transmultiplexores digitales para seales MDF y MDT de 12 canales.
En primer lugar consideremos la conversin de seales MDF en MDT. La seal analgica MDF se pasa a
travs de un convertidor A/D, como se muestra en la Figura 11.10.7(a). La seal digital se demodula entonces
para ser una seal banda base por medio de demoduladores de banda nica. La salida de cada demodulador se
diezma y se aplica al conmutador del sistema MDT.
Ms especficamente, supongamos que la seal MDF de 12 canales se muestrea a la frecuencia de Nyquist
de 96 kHz y se pasa a travs de un banco de demoduladores. El bloque de construccin bsico del demodulador
de seales MDF consta de un convertidor de frecuencia, un filtro paso bajo y un diezmador, como se ilustra en
la Figura 11.10.7(b). La conversin en frecuencia puede implementarse de forma eficiente mediente el banco
de filtros DFT descrito anteriormente. El filtro paso bajo y el diezmador se implementan mediante la estructura
de filtros polifsicos. Luego la estructura bsica del convertidor MDF-MDT tiene la forma de un analizador
formado por un banco de filtros DFT. Puesto que la seal de cada canal ocupa un ancho de banda de 4 kHz, su
frecuencia de Nyquist es de 8 kHz y, por tanto, la salida del filtro polifsico puede diezmarse por un factor de
12. En consecuencia, el conmutador MDT trabaja a una frecuencia de 12 8 kHz, es decir 96 kHz.
En la conversin MDT-MDF, la seal MDT de 12 canales se demultiplexa en 12 seales individuales, donde
la frecuencia de cada seal es de 8 kHz. La seal de cada canal se interpola por un factor de 12 y se convierte en
frecuencia mediante un modulador de banda lateral nica, como se muestra en la Figura 11.10.8. Las salidas de
los 12 moduladores de banda lateral nica se suman y se aplican al convertidor D/A. De este modo se obtiene la
seal MDF analgica que vamos a transmitir. Como en el caso de la conversin MDF-MDT, el interpolador y el
filtro modulador se combinan y se implementan de manera eficiente mediante un filtro polifsico. La translacin
en frecuencia puede llevarse a cabo mediante la DFT. En consecuencia, el convertidor MDT-MDF abarca los
principios bsicos enumerados anteriormente en nuestro estudio sobre el banco de filtros DFT de sntesis.
MDF
Diezmador
Demodulador
BLU
Diezmador
s1(n)
s2(n)
Multiplexor
MDT
Convertidor
A/D
Seal
MDT
Seal
Demodulador
BLU
Demodulador
BLU
Diezmador
sN(n)
(a)
FPB
h(n)
FPB
h(n)
x(n)
(b)
Interpolador
Modulador
BLU
Interpolador
Modulador
BLU
Seal
MDT
Interpolador
Convertidor Seal
D/A
MDF
Modulador
BLU
2
2
1
Xa0 ( ) =
X
H0
+X
H0
2
2
2
2
2
(11.11.1)
2
1
Xa1 ( ) =
X
H1
+ X 2
H
1
2
2
2
2
2
Xa0
Xs0
G0(z)
~
~
FPB
H0(z)
x(n)
Xs1
G1(z)
~
~
Xa1
FPA
H1(z)
Seccin
de anlisis
x(n)
Seccin
de sntesis
(11.11.2)
Suponga ahora que conectamos el filtro de anlisis al correspondiente filtro de sntesis, de modo que Xa0 ( ) =
Xs0 ( ) y Xa1 ( ) = Xs1 ( ). Luego sustituyendo (11.11.1) en (11.11.2), obtenemos
) = 1 [H0 ( )G0 ( ) + H1 ( )G1 ( )] X( )
X(
2
1
+ [H0 ( )G0 ( ) + H1( )G1( )] X( )
2
(11.11.3)
El primer trmino de (11.11.3) es la salida deseada del banco de filtros QMF. El segundo trmino representa
el efecto de aliasing, el cual deseamos eliminar.
En el dominio de la transformada z, la Ecuacin (11.11.3) se expresa como
1
X(z)
= [H0 (z)G0 (z) + H1 (z)G1 (z)] X(z)
2
1
+ [H0 (z)G0 (z) + H1 (z)G1 (z)] X(z)
2
= Q(z)X(z) + A(z)X(z)
(11.11.4)
11.11.1
1
[H0 (z)G0 (z) + H1 (z)G1 (z)]
2
1
= [H0 (z)G0 (z) + H1 (z)G1 (z)]
2
=
(11.11.5)
(11.11.6)
(11.11.7)
G1 ( ) = H0 ( )
(11.11.8)
As, el segundo trmino de (11.11.3) desaparece y el banco de filtros queda libre de aliasing.
Supongamos ahora que H0 ( ) es un filtro paso bajo y que H1 ( ) es un filtro paso alto espejo, como se
muestra en la Figura 11.11.2. As, podemos expresar H0 ( ) y H1 ( ) como
H0 ( ) = H( )
(11.11.9)
H1 ( ) = H( )
donde H( ) es la respuesta en frecuencia de un filtro paso bajo. En el dominio del tiempo, las relaciones
correspondientes son
h0 (n) = h(n)
(11.11.10)
h1 (n) = (1)n h(n)
En consecuencia, H0 ( ) y H1 ( ) presentan simetra respecto de la frecuencia = /2, como puede verse en
la Figura 11.11.2. Para ser coherentes con la restriccin especificada en (11.11.8), seleccionamos el filtro paso
bajo G0 ( ) como
G0 ( ) = H( )
(11.11.11)
y el filtro paso alto G1 ( ) como
G1 ( ) = H( )
(11.11.12)
(11.11.13)
(11.11.14)
G0 (z) = H(z)
G1 (z) = H(z)
H0()
H1()
11.11.2
Con A(z) = 0, considere ahora la condicin para la que la salida x(n) del banco de filtros QMF es idntica
a la entrada x(n), excepto por un retardo arbitrario, para todas las posibles entradas. Cuando esta condicin
se satisface, el banco de filtros se dice que es un banco de filtros QMF de reconstruccin perfecta. Luego,
necesitamos que
1
Q(z) = [H0 (z)G0 (z) + H1 (z)G1 (z)] = zk
(11.11.15)
2
Utilizando las relaciones dadas en (11.11.14), la condicin de reconstruccin perfecta puede expresarse
como
H 2 (z) H 2 (z) = 2zk
(11.11.16)
o, lo que es equivalente,
H 2 ( ) H 2 ( ) = 2e j k
(11.11.17)
Por tanto, para conseguir una reconstruccin perfecta, la respuesta en frecuencia H( ) del filtro paso bajo del
banco de filtros QMF de dos canales tiene que satisfacer la siguiente condicin
2
H ( ) H 2( ) = C
(11.11.18)
donde C es una constante positiva, como por ejemplo, C = 2. Observe que si H( ) satisface la condicin para su
mdulo dada en (11.11.18) y se disea para tener una fase lineal, entonces la salida del filtro x(n) es simplemente
una versin retardada de la secuencia de entrada x(n). Sin embargo, la fase lineal no es una condicin necesaria
para conseguir una reconstruccin perfecta.
11.11.3
El banco de filtros QMF de dos canales libre de aliasing puede implementarse de forma eficiente empleando
filtros polifsicos. Pensando en este objetivo, H0 (z) y H1 (z) pueden expresarse como
H0 (z) = P0 (z2 ) + z1P1 (z2 )
H1 (z) = P0 (z2 ) z1P1 (z2 )
(11.11.19)
11.11.4
Considere ahora el uso de un filtro de fase lineal H( ). Por tanto, H( ) puede expresarse de la forma
H( ) = Hr ( )e j (N1)/2
(11.11.21)
x(n)
P0(z2)
P1(z2)
P1(z2)
P0(z2)
x(n)
(a)
x(n)
P0(z2)
P1(z2)
P1(z2)
P0(z2)
Seccin de anlisis
Seccin de sntesis
x(n)
(b)
Figura 11.11.3. Implementacin polifsica del banco de filtros QMF de dos canales.
H 2 ( ) = Hr2 ( )e j (N1)
= |H( )|2 e j (N1)
(11.11.22)
y
H 2 ( ) = Hr2 ( )e j( )(N1)
= (1)N1 |H( )|2e j (N1)
(11.11.23)
Por tanto, la funcin de transferencia global del filtro QMF de dos canales, que emplea filtros FIR de fase lineal
es
) .
/
X(
= |H( )|2 (1)N1 |H( )|2 e j (N1)
(11.11.24)
X( )
Fjese en que el filtro completo presenta un retardo de N 1 muestras y tiene un mdulo igual a
M( ) = |H( )|2 (1)N1 |H( )|2
(11.11.25)
Observe tambin que cuando N es impar, M( /2) = 0, porque |H( /2)| = |H(3 /2)|. sta es una propiedad
no deseable en un diseo de filtros QMF. Por el contrario, cuando N es par,
M( ) = |H( )|2 + |H( )|2
(11.11.26)
lo que evita el problema de un cero en = /2. Para N par, el QMF de dos canales ideal debe satisfacer la
condicin
M( ) = |H( )|2 + |H( )|2 = 1 para todo
(11.11.27)
lo que se deduce a partir de (11.11.25). Lamentablemente, la nica respuesta en frecuencia del filtro que satisface
la Ecuacin (11.11.27) es la funcin trivial |H( )|2 = cos2 a . En consecuencia, cualquier filtro FIR de fase
lineal no trivial H( ) introduce cierta distorsin en la amplitud.
La cantidad de distorsin en la amplitud introducida por el filtro FIR de fase lineal no trivial del banco de
filtros QMF puede minimizarse optimizando los coeficientes del filtro FIR. Un mtodo especialmente efectivo
consiste en seleccionar los coeficientes del filtro de H( ) tales que M( ) sea tan plana como sea posible a la vez
que se minimiza (o restringe) la energa en la banda eliminada de H( ). Este mtodo lleva a la minimizacin
del error cuadrtico integral
J=w
s
|H( )| d + (1 w)
2
0
[M( ) 1]2 d
(11.11.28)
donde w es un factor de ponderacin en el intervalo 0 < w < 1. Para implementar la optimizacin, la respuesta al
impulso del filtro se restringe para ser simtrico (fase lineal). Esta optimizacin se puede realizar numricamente
empleando una computadora digital. Este mtodo ha sido empleado por Johnston (1980) y Jain y Crochiere
(1984) para disear bancos de filtros QMF de dos canales. Las tablas de coeficientes del filtro ptimo han sido
tabuladas por Johnston (1980).
11.11.5
Como alternativa a los filtros FIR de fase lineal, podemos disear un filtro IIR que satisfaga la restriccin de paso
todo dada por (11.11.18). Para este objetivo, los filtros elpticos proporcionan diseos especialmente eficientes.
Puesto que el filtro QMF introduce cierta distorsin de fase, la seal en la salida del filtro QMF puede pasarse
a travs de un ecualizador de fase paso todo diseado especficamente para minimizar la distorsin de fase.
11.11.6
Observe que ni los filtros FIR de fase lineal ni los filtros IIR descritos anteriormente proporcionan una reconstruccin perfecta en un banco de filtros QMF de dos canales. Sin embargo, como demostraron Smith y Barnwell
(1984), puede conseguirse una reconstruccin perfecta diseando H( ) como un filtro FIR de media banda con
fase lineal de longitud 2N 1.
Un filtro de media banda se define como un filtro FIR de fase cero cuya respuesta al impulso {b(n)} satisface
la condicin
constante, n = 0
b(2n) =
(11.11.29)
0,
n = 0
Por tanto, todas las muestras pares son cero excepto en n = 0. El requisito de fase cero implica que b(n) = b(n).
La respuesta en frecuencia de tal filtro es
B( ) =
b(n)e j n
(11.11.30)
n=K
donde K es impar. Adems, B( ) satisface la condicin de que B( ) + B( ) es igual a una constante para
todas las frecuencias. La respuesta en frecuencia tpica de un filtro de media banda se muestra en la Figura
11.11.4. Observe que la respuesta del filtro es simtrica con respecto a /2, las frecuencias de corte de la banda
p y s son simtricas respecto de = /2, y los errores de pico en la banda de paso y en la banda eliminada
son iguales. Fjese tambin en que el filtro puede hacerse causal introduciendo un retardo de K muestras.
Suponga ahora que diseamos un filtro FIR de media banda de longitud 2N 1, donde N es par y con la
respuesta en frecuencia mostrada en la Figura 11.11.5(a). A partir de B( ) construimos otro filtro de media
banda cuya respuesta en frecuencia es
B+ ( ) = B( ) + e j (N1)
(11.11.31)
como se muestra en la Figura 11.11.5(b). Observe que B+ ( ) no es negativa y por tanto puede escribirse como
el producto de factores espectral
B+ (z) = H(z)H(z1 )z(N1)
(11.11.32)
(11.11.33)
donde H( ) es la respuesta en frecuencia de un filtro FIR de longitud N con coeficientes reales. Gracias a la
propiedad de simetra que presenta B+ ( ) con respecto a = /2, tambin tenemos que
B+ (z) + (1)N1 B+ (z) = z(N1)
(11.11.34)
B+ ( ) + (1)N1 B+ ( ) = e j (N1)
(11.11.35)
o, lo que es equivalente,
donde es una constante. As, sustituyendo (11.11.32) en (11.11.34), obtenemos
H(z)H(z1 ) + H(z)H(z1) =
(11.11.36)
Puesto que H(z) satisface la Ecuacin (11.11.36) y se elimina el aliasing cuando G0 (z) = H1 (z) y G1 (z) =
H0 (z), se concluye que estas condiciones se satisfacen eligiendo H1 (z), G0 (z) y G1 (z) como sigue
H0 (z) = H(z)
H1 (z) = z(N1) H0 (z1 )
G0 (z) = z(N1) H0 (z1 )
(11.11.37)
11.11.7
En la Seccin 11.9.4 hemos descrito un mtodo para realizar una codificacin eficiente de una seal de voz basada
en la subdivisin de la seal en varias subbandas y codificando por separado cada subbanda. Por ejemplo, en la
Figura 11.11.5. Respuesta en frecuencia de los filtros FIR de media banda B( ) y B + ( ). (Vaidyanathan
(1987))
Figura 11.9.4 se ilustra la separacin de la seal en cuatro subbandas, a saber, 0 F Fs /16, Fs /16 < F Fs /8,
Fs /8 < F Fs /4 y Fs /4 < F Fs /2, donde Fs es la frecuencia de muestreo. La subdivisin en cuatro subbandas
puede llevarse a cabo utilizando tres secciones de anlisis de filtros QMF de dos canales. Despus de codificar
y transmitir a travs del canal, cada seal subbanda se decodifica y reconstruye pasando las subbandas a travs
de tres filtros QMF de sntesis de dos canales. La configuracin del sistema para la codificacin subbanda que
emplea cuatro subbandas se ilustra en la Figura 11.11.6.
Codific.
Codific.
QMF de
anlisis
QMF de
sntesis
Codific.
QMF de
anlisis
Codificador
Muestras QMF de
de la seal anlisis
x(n)
Codific.
QMF de
sntesis
Canal
QMF de Seal de
sntesis
salida
x(n)
Codific.
Codificador
Codific.
(a)
x(n)
P0(z)
P1(z)
z1
z1
P1(z)
x(n)
+
P0(z)
(b)
(c)
Figura 11.11.6. Sistema de codificacin subbanda que utiliza bancos de filtros QMF de dos canales.
(a)
(s)
xk (n), 0 k M 1, son las salidas de los filtros de anlisis, xk (n), 0 k M 1 son las entradas a los
filtros de sntesis y x(n)
Xk (z) =
1 M1
1/M m
1/M m
Hk z WM X z WM ,
M m=0
0 k M1
(11.12.1)
X(z)
=
(s) M
M1
Xk
Gk (z)
(11.12.2)
k=0
x(a)1 (n)
x(s)
1 (n)
x(a)2 (n)
x(s)
2 (n)
(s)
(a)
xM1
(n) xM1(n)
~
~
HM1(z)
G0(z)
G1(z)
G2(z)
x(n)
Xz
...
...
~
~
H2(z)
...
x(s)
0 (n)
~
~
H1(z)
x(n)
x(z)
x(a)0 (n)
~
~
H0(z)
GM1(z)
(s)
Como en el caso del banco de filtros QMF de dos conales, hacemos Xk (z) = Xk (z). As, si sustituimos
(11.12.1) en (11.12.2), obtenemos
1 M1
M1
m
m
Hk (zWM ) X (zWM )
X(z) = k=0 Gk (z)
M m=0
1 M1
m ) X (zW m )
G
(z)H
(zW
= M1
k
k
M
M
m=0
M k=0
(11.12.3)
1 M1
Gk (z)Hk (zWMm ),
M k=0
0 m M1
(11.12.4)
X(z)
= M1
m=0 Rm (z)X(zWN )
m
= R0 (z)X(z) + M1
m=1 Rm (z)X (zWM )
(11.12.5)
Fjese en que el primer trmino de (11.12.5) es la componente sin aliasing del banco de filtros QMF y el segundo
trmino es la componente con aliasing.
11.12.1
1 m M1
(11.12.6)
Con la eliminacin de los trminos con aliasing, el banco de filtros QMF de M canales se convierte en un sistema
lineal invariante en el tiempo que satisface la relacin de entradasalida
X(z)
= R0 (z)X(z)
(11.12.7)
donde
R0 (z) =
1 M1
Hk (z)Gk (z)
M k=0
(11.12.8)
Entonces la condicin para obtener una reconstruccin perfecta con un banco de filtros QMF de M canales es
R0 (z) = Czk
(11.12.9)
11.12.2
Una implementacin eficiente del banco de filtros QMF de M canales se consigue empleando filtros polifsicos.
Para obtener la forma polifsica del banco de filtros de anlisis, el filtro k Hk (z) se representa como
Hk (z) =
M1
zm Pkm(z),
0 k M1
(11.12.10)
m=0
Podemos expresar las ecuaciones para el filtro polifsico M en forma matricial como
donde
(11.12.11)
(11.12.12)
P00 (z)
P10 (z)
P(z) =
..
PM1 0 (z)
P01 (z)
P11 (z)
P0M1 (z)
P1M1 (z)
PM1 M1 (z)
PM1 1 (z)
(11.12.13)
La forma polifsica del banco de filtros de anlisis se muestra en la Figura 11.12.2(a), y despus de aplicar
la primera identidad noble obtenemos la estructura mostrada en la Figura 11.12.2(b).
La seccin de sntesis puede construirse de manera similar. Suponga que utilizamos una forma (transpuesta)
de tipo II (vase el Problema 11.15) para la representacin polifsica de los filtros {Gk (z)}. As,
Gk (z) =
M1
z(M1m)Qkm (zM ),
0 k M1
(11.12.14)
m=0
(11.12.15)
Q00 (z)
Q01 (z)
Q0 M1 (z)
Q (z)
Q11 (z)
Q1 M1 (z)
10
Q(z) =
..
.
QM1 0 (z) QM1 1 (z) QM1 M1 (z)
x(a)
0 (n)
z1
P(zM)
x(a)
0 (n)
z1
(a)
x 1 (n)
z1
P(z)
...
x(a)
2 (n)
...
x(a)
2 (n)
...
z1
(a)
x 1 (n)
x(n)
...
x(n)
(11.12.16)
z1
z1
(a)
(a)
xM1(n)
(a)
xM1(n)
(b)
Figura 11.12.2. Estructura polifsica de la seccin de anlisis de un banco de filtros QMF de M canales (a)
antes y (b) despus de aplicar la primera identidad noble.
x(s)
0 (n)
x(s)
0 (n)
z1
x(s)
1 (n)
z1
x(s)
1 (n)
z1
(s)
xM1
(n)
x(s)
2 (n)
Q(z)
+
...
x(s)
2 (n)
z1
...
Q(zM)
z1
z1
x(n)
(s)
xM1
(n)
(a)
x(n)
(b)
Figura 11.12.3. Estructura polifsica de la seccin de sntesis de un banco de filtros QMF de M canales (a)
antes y (b) despus de aplicar la primera identidad noble.
Por tanto, la seccin de sntesis del banco de filtros QMF de M canales se implementa como se muestra en la
Figura 11.11.3. Combinando las Figuras 11.12.2(b) y 11.12.3(b), obtenemos la estructura polifsica del banco
de filtros QMF de M canales mostrada en la Figura 11.12.4.
A partir de la estructura del banco de filtros QMF de M canales mostrada en la Figura 11.12.4, fjese en que
la condicin de reconstruccin perfecta puede reestablecerse como
Q(z)P(z) = Czk I
(11.12.17)
donde I es la matriz identidad M M. Por tanto, si la matriz polifsica P(z) es conocida, entonces la matriz de
sntesis polifsica Q(z) es
Q(z) = Czk [P(z)]1
(11.12.18)
x(n)
z1
z1
+
z1
z1
+
...
Q(z)
... ...
P(z)
z1
z1
+
x(n)
EJEMPLO 11.12.1
Suponga que la matriz polifsica para un banco de filtros FIR QMF de tres canales con reconstruccin perfecta es
3
P(z ) = 2
1
1
H0 (z)
1
H1 (z) = 2
H2 (z)
1
1 z1
z2
Por tanto,
H0 (z) = 1 + z1 + 2z2 ,
H1 (z) = 2 + 3z1 + z2 ,
La inversa de P(z3 ) es
P(z3 )
1
1
= 1
2
1
H2 (z) = 1 + 2z1 + z2
3
1
1
1
G0 (z)
1
2
G1 (z) = z 1
1
G2 (z)
3
1
1
1
5
3 z
1
z2
Por tanto,
G0 (z) = 5 + 3z1 + z2 ,
G1 (z) = 3 z1 z2 ,
G3 (z) = 1 z1 + z2
Vaidyanathan (1992) aborda el diseo de bancos de filtros QMF de M canales con reconstruccin perfecta
seleccionando los filtros de anlisis Hk (z) para que sean filtros FIR con una estructura polifsica paraunitaria,
es decir,
P(z)P(z)
= dI,
d>0
(11.12.19)
donde P(z)
es el paraconjugado de P(z). Es decir, P(z)
est formado por la transpuesta de P(1/z), con los
coeficientes de P(z) reemplazados por sus conjugados complejos. Por tanto, los filtros polifsicos en la seccin
de sntesis se disean para satisfacer
C > 0, k > 0
(11.12.20)
Es posible demostrar (vase Vaidyanathan et al. (1989)) que cualquier matriz paraunitaria FIR de grado L
P(z) puede escribirse en forma de producto como
P(z) = VL (z)VL1 (z) V1 (z)U
(11.12.21)
H0
H1
H2
0
3
Figura 11.12.5. Mdulo de la respuesta de los filtros de anlisis en un banco de filtros QMF con M = 3.
donde U es una matriz unitaria y {Vm (z)} son matrices paraunitarias de la forma
Vm (z) = I m mH + z1 m mH
(11.12.22)
donde m es un vector de M dimensiones de norma unidad. Entonces, el diseo de los filtros de sntesis se
reduce a la optimizacin de los componentes de m y ui minimizando una funcin objetivo, que puede ser una
generalizacin de la funcin objetivo del filtro QMF de dos canales dada por (11.11.28). En particular, podemos
minimizar la funcin objetivo
J=
M1
k=0
banda eliminada k
|Hk ( )|2 d
(11.12.23)
empleando una tcnica de optimizacin no lineal para determinar los componentes de m y ui . Por tanto, los
vectores m y ui determinan por completo P(z) y, en consecuencia, los filtros de anlisis Hk (z). Los filtros de
sntesis se determinan entonces a partir de (11.12.20).
Considere por ejemplo el diseo de un banco de filtros QMF de tres canales con reconstruccin perfecta
cuyos mdulos de las respuestas sean los mostrados en la Figura 11.12.5. El procedimiento de diseo descrito
anteriormente proporciona los mdulos de las respuestas de los filtros de anlisis que se muestran en la Figura
11.12.6. La longitud del filtro es N = 14. Observe que la atenuacin en la banda eliminada de los filtros es de
aproximadamente 20 dB.
0
10
dB
20
30
40
50
60
0.0
0.1
0.2
0.3
0.4
0.5
Figura 11.12.6. Mdulo de la respuesta de los filtros de anlisis optimizados para un banco de filtros QMF con
M = 3 y reconstruccin perfecta FIR. (De Multirate Systems and Filter Banks, por P.P. Vaidyanathan, 1993,
Prentice Hall. Reimpreso con permiso del editor).
Problemas
11.1 Sea la seal analgica xa (t) de banda limitada en el intervalo 900 F 1100 Hz. Esta seal se emplea
como entrada al sistema mostrado en la Figura P.11.1. En este sistema, H( ) es un filtro paso bajo ideal
con una frecuencia de corte Fc = 125 Hz.
(a) Determine y dibuje los espectros de las seales x(n), w(n), v(n) e y(n).
(b) Demuestre que es posible obtener y(n) muestreando xa (t) con un perodo T = 4 milisegundos.
xa(t)
Convertidor x(n)
A/D
Fx =
w(n)
y(n)
v(n)
Fy =
1
= 2500
Tx
1
= 250
Ty
Figura P.11.1.
n par
x(n/2),
y(n) =
1
n1
n+1
x
+x
, n impar
2
2
2
(a) Demuestre que este esquema de interpolacin lineal puede implementarse mediante elementos bsicos de tratamiento digital de seales.
(b) Determine el espectro de y(n) si el espectro de x(n) es
1, 0 | | 0.2
X( ) =
0, en otro caso
(c) Determine el espectro de y(n) si el espectro de x(n) es
1, 0.7 | | 0.9
X( ) =
0, en otro caso
11.4 Considere la seal x(n) cuya transformada de Fourier es
X( ) = 0, n < | |
fm < | f |
1
2
(a) Demuestre que la seal x(n) se puede recuperar a partir de sus muestras x(mD) si la frecuencia de
muestreo es s = 2 /D 2m ( fs = 1/D 2 fm ).
(b) Demuestre que x(n) puede reconstruirse utilizando la frmula
x(n) =
x(kD)hr (n kD)
k=
donde
hr (n) =
sen(2 fc n)
,
2 n
fm < fc < fs fm
m < c < s m
(c) Demuestre que la interpolacin de banda limitada del apartado (b) puede llevarse a cabo a travs de
un proceso de dos pasos, siendo el primero de ellos el incremento de la frecuencia de muestreo por
un factor D por medio de la insercin de (D 1) muestras de valor cero entre muestras sucesivas de
la seal diezmada xa (n) = x(nD), y el segundo el filtrado de la seal resultante utilizando un filtro
paso bajo ideal con una frecuencia de corte c .
x(n)
1
2 1 0 1 2
0
3
Figura P.11.5.
11.5 En este problema queremos ilustrar los conceptos de muestreo y diezmado para seales discretas en el
tiempo. Para ello, considere una seal x(n) con la transformada de Fourier X( ) mostrada en la Figura
P.11.5.
(a) Muestreando x(n) con un perodo de muestreo D = 2 se obtiene la seal
xs (n) =
x(n), n = 0, 2, 4, . . .
0,
n = 1, 3, 5, . . .
para todo n
x(n)
y1(n)
(a)
x(n)
y2(n)
(b)
Figura P.11.9.
x(n)
H(z)
y(n)
x(n)
y(n)
H(zD)
(a)
x(n)
H(z)
y(n)
x(n)
H(zI)
y(n)
(b)
Figura P.11.10.
11.10 Demuestre la equivalencia de las dos configuraciones de diezmador e interpolador mostradas en la Figura
P.11.10 (identidades nobles) (vase Vaidyanathan, 1990).
11.11 Considere un filtro digital arbitrario con la funcin de transferencia
H(z) =
h(n)zn
n=
(a) Realice una descomposicin polifsica de dos componentes de H(z) agrupando las muestras pares
h0 (n) = h(2n) y las muestras impares h1 (n) = h(2n + 1). Demuestre a continuacin que H(z) se
puede expresar como
H(z) = H0 (z2 ) + z1 H1 (z2 )
y determine H0 (z) y H1 (z).
(b) Generalize el resultado del apartado (a) demostrando que H(z) puede descomponerse en una estructura de filtros polifsicos de D componentes con una funcin de transferencia
H(z) =
D1
zk Hk (zD )
k=0
Determine Hk (z).
(c) Para el filtro IIR cuya funcin de transferencia es
H(z) =
1
1 az1
11.12 Una secuencia x(n) se sobremuestrea por un factor I = 2, se pasa a travs de un sistema LTI H1 (z), y
luego se submuestrea por un factor D = 2. Podemos reemplazar este proceso por un nico sistema LTI
H2 (z)? Si su respuesta es afirmativa, determine la funcin de sistema correspondiente.
11.13 Dibuje las seales y sus correspondientes espectros de un proceso de conversin de la frecuencia de
muestreo por un factor (a) I/D = 5/3 y por un factor (b) I/D = 3/5. Suponga que el espectro de la seal
de entrada x(n) ocupa el intervalo completo x .
11.14 Queremos disear un diezmador eficiente no recursivo para D = 8 utilizando la descomposicin en
factores
K1
H(z) = [(1 + z1)(1 + z2)(1 + z4 ) . . . (1 + z2 )]5
(a) Deduzca una implementacin eficiente utilizando filtros con la funcin de sistema Hk (z) = (1 +
z1 )5 .
(b) Demuestre que cada etapa del diezmador obtenido puede implementarse de forma ms eficiente
utilizando una descomposicin polifsica.
11.15 Considere una descomposicin polifsica alternativa definiendo nuevos filtros polifsicos Qm (zN ) como
H(z) =
N1
z(N1m) Qm (zN )
m=0
Banda de paso:
Banda de transicin:
Frecuencia de muestreo de entrada:
Rizado:
D = 100
0 F 50
50 F 55
10,000 Hz
1 = 101, 2 = 103
11.18 Disee un filtro FIR de fase lineal que satisfaga las siguientes especificaciones basadas en una estructura
multitasa de una sola etapa y de dos etapas:
Frecuencia de muestreo:
Banda de paso:
Banda de transicin:
Rizado:
10,000 Hz
0 F 60
60 F 65
1 = 101 , 2 = 103
11.19 Demuestre que los coeficientes impares y pares de un filtro de media banda que satisface la expresin
(11.11.35) siempre son iguales a cero.
11.20 Disee interpoladores de una etapa y de dos etapas que cumplan las siguientes especificaciones:
I = 20
10,000 Hz
0 F 90
90 F 100
1 = 102, 2 = 103
11.21 Utilizando la expresin (11.10.15) deduzca las ecuaciones correspondientes a la estructura de la seccin
de sntesis polifsica mostrada en la Figura 11.10.6.
11.22 Demuestre que la forma transpuesta de un interpolador de L etapas que permite aumentar la frecuencia
de muestreo por un factor entero I es equivalente a un diezmador de L etapas que hace que la frecuencia
de muestreo disminuya en un factor D = I.
11.23 Dibuje la estructura del filtro polifsico que proporciona un avance temporal de (k/I)Tx en una secuencia
x(n).
11.24 Demuestre las siguientes expresiones para un interpolador de orden I.
(a) La respuesta al impulso h(n) se puede expresar como
I1
h(n) =
pk (n k)
k=0
donde
pk (n/I), n = 0, I, 2I, . . .
pk (n) =
0,
en otro caso
I1
zk pk (z)
k=0
1 I1
h(n)e j2 l(nk)/I z(nk)/I
I n=
l=0
1 I1
2 l
e j( 2 l)k/I
Pk ( ) = H
I l=0
I
(c) Pk (z) =
11.25 Considere la interpolacin de una seal por un factor I. El filtro de interpolacin con la funcin de transferencia H(z) se implementa mediante la estructura de filtros polifsicos basada en una descomposisin
alternativa (tipo II), a saber
H(z) =
I1
z(I1m)Qm (zI )
m=0
Determine y dibuje la estructura del interpolador que emplea los filtros polifsicos Qm (z), 0 m I 1.
11.26 En las estructuras de filtros polifsicos para un banco de filtros DFT uniforme descritas en la Seccin
11.10.1, los filtros polifsicos de la seccin de anlisis se han definido de acuerdo con la Ecuacin
(11.10.10). En lugar de esta definicin, suponga que definimos los filtros polifsicos de N bandas para el
filtro prototipo paso bajo, H0 (z), como
H0 (z) =
donde
N1
zi Pi (zN )
i=0
Pi (z) =
h0(nN + i)zn,
0 i N 1
n=0
Por tanto,
Hk (z) = H0 (z e j2 k/N ) = H0 (zWNk )
donde WN = e j2 /N .
(a) Demuestre que los filtros Hk (z), 1 k N 1, pueden expresarse como
(N1)k
k
2k
Hk (z) = 1 WN WN WN
P0 (zN )
z1 P1 (zN )
..
.
H0 (z)
P0 (zN )
H1 (z)
z1 P1 (zN )
= NW1
..
..
.
.
(N1)
N
HN1 (z)
PN1 (z )
z
donde W es la matriz DFT
WN2
WN
WN4
WN
1
WN1
1
WN2
W=
.
..
.
.
.
(N1)
1 WN
1
(N1)
2(N1)
..
.
2(N1)
WN
..
.
(N1)(N1)
WN
(a) Determine las funciones de transferencia de los filtros H1 (z), H2 (z) y H3 (z) de la seccin de anlisis.
(b) Determine las funciones de transferencia de los filtros de la seccin de sntesis.
(c) Dibuje las secciones de anlisis y de sntesis del banco de filtros DFT uniforme.
11.28 Considere la siguiente funcin de transferencia del filtro FIR:
H(z) = 3 + 19z2 + 32z3 + 19z4 3z6
(a) Demuestre que H(z) es un filtro de fase lineal.
(b) Demuestre que H(z) es un filtro de media banda.
(c) Dibuje el mdulo y la fase de la respuesta del filtro.
11.29 El filtro de anlisis H0 (z) de un filtro QMF de dos canales tiene la funcin de transferencia
H0 (z) = 1 + z1
(a) Determine los filtros polifsicos P0 (z2 ) y P1 (z2 ).
(b) Determine el filtro de anlisis H1 (z) y dibuje la seccin de anlisis de dos canales que emplean los
filtros polifsicos.
(c) Determine los filtros de sntesis G0 (z) y G1 (z), y dibuje el filtro QMF de dos canales completo
basado en filtros polifsicos.
(d) Demuestre que el banco de filtros QMF da lugar a una reconstruccin perfecta.
11.30 Los filtros de anlisis de un banco de filtros QMF de tres canales tienen las funciones de transferencia
H0 (z)
= 1 + z1 + z2
H1 (z)
= 1 z1 + z2
H2 (z)
= 1 z2
(a) Determine la matriz polifsica P(z3 ) y exprese los filtros de anlisis en la forma (11.12.11).
(b) Determine los filtros de sntesis G0 (z), G1 (z) y G2 (z) que dan lugar a una reconstruccin perfecta.
(c) Dibuje el banco de filtros QMF de tres canales que emplea filtros polifsicos en las secciones de
anlisis y de sntesis.
11.31 Anlisis en frecuencia Considere el sistema de la Figura P.11.31(a).
(a) Dibuje el espectro de la seal y(n) = yR (n) + jyI (n) si la seal de entrada x(n) tiene el espectro
mostrado en la Figura P.11.31(b).
(b) Suponga que estamos interesados en el anlisis de las frecuencias de la banda f0 f f0 + f ,
donde f0 = /6 y f = /3. Determine la frecuencia de corte de un filtro paso bajo y el factor de
diezmado D necesarios para mantener la informacin contenida en esta banda de frecuencias.
(c) Suponga que
p1
k
cos 2 fk n
x(n) = 1
2p
k=0
donde p = 40 y fk = k/p, k = 0, 1, . . . , p 1. Calcule y dibuje la DFT de 1024 puntos de x(n).
yR(n)
x(n)
FPB
DFT
yI (n)
FPB
(a)
0
(b)
Figura P.11.31.
(d) Repita el apartado (b) para la seal x(n) dada en el apartado (c) utilizando un filtro FIR paso bajo y
de fase lineal diseado adecuadamente para determinar la seal diezmada s(n) = sR (n) + jsI (n).
(e) Calcule la DFT de 1024 puntos de s(n) e investigue si ha obtenido los resultados esperados.
12
Prediccin lineal y filtros
lineales ptimos
El diseo de filtros para realizar estimaciones de seales es un problema que frecuentemente surge en el diseo
de sistemas de comunicaciones, sistemas de control, en geofsica y en muchas otras aplicaciones y disciplinas.
En este captulo, vamos a abordar el problema de disear el filtro ptimo desde un punto de vista estadstico. Los
filtros se restringen a los lineales y los criterios de optimizacin se basan en la minimizacin del error cuadrtico
medio. En consecuencia, slo son necesarios los parmetros estadsticos de segundo orden (la autocorrelacin
y la correlacin cruzada) de un proceso estacionario para poder determinar los filtros ptimos.
Dentro de este tratamiento se incluye el diseo de filtros ptimos para prediccin lineal. La prediccin
lineal es un tema especialmente importante en el tratamiento digital de seales, con aplicaciones en una amplia
variedad de reas, como por ejemplo el tratamiento de seales de voz, el tratamiento de imgenes y la supresin
del ruido en sistemas de comunicaciones. Como podremos ver, la determinacin del filtro lineal ptimo para
prediccin requiere la solucin de un conjunto de ecuaciones lineales que tienen cierta propiedad de simetra
especial. Para resolver estas ecuaciones lineales, describimos dos algoritmos, el algortimo de LevinsonDurbin
y el algoritmo de Schur, el cual proporciona la solucin para las ecuaciones a travs de procedimientos de clculo
eficientes que aplican las propiedades de simetra.
La ltima seccin del captulo se ocupa de una importante clase de filtros ptimos conocida como filtros
de Wiener. El uso de estos filtros est muy extendido en muchas aplicaciones que implican la estimacin de
seales distorsionadas a causa de ruido aditivo.
12.1.1
Procesos aleatorios
Muchos fenmenos fsicos que pueden encontrarse en la naturaleza se caracterizan mejor utilizando parmetros
estadsticos. Por ejemplo, los fenmenos metereolgicos como la temperatura y la presin del aire fluctan
aleatoriamente como una funcin del tiempo. Las tensiones de ruido trmico generadas en las resistencias de
los dispositivos electrnicos, como por ejemplo un receptor de radio o de televisin, tambin son fenmenos
que fluctan aleatoriamente. Estos son slo unos pocos ejemplos de seales aleatorias. Tales seales suelen
modelarse como seales de energa y duracin infinitas.
Suponga que tomamos el conjunto de formas de onda correspondientes a la temperatura del aire en diferentes
ciudades del mundo. Para cada ciudad, disponemos de la correspondiente forma de onda, que es una funcin del
tiempo como se ilustra en la Figura 12.1.1. El conjunto de todas las posibles formas de onda se denomina conjunto
de funciones temporales o, lo que es lo mismo, proceso aleatorio. La forma de onda para la temeperatura en
cualquier ciudad es una realizacin o funcin muestra del proceso aleatorio.
Del mismo modo, la tensin de ruido trmico generada en una resistencia es una realizacin o funcin
muestra del proceso aleatorio que consta de todas las formas de onda de tensin de ruido generadas por el
conjunto de todas las resistencias.
El conjunto de todas las posibles formas de onda de ruido de un proceso aleatorio se designa como X(t, S),
donde t representa el ndice de tiempo y S representa el conjunto (espacio de muestras) de todas las posibles
funciones de muestra. Una nica forma de onda del conjunto se designa por x(t, s). Normalmente, no emplearemos la variables s (o S) por hacer ms cmoda la notacin, de modo que el proceso alaetorio se designar como
X(t) y una nica realizacin se designar mediante x(t).
Una vez definido un proceso aleatorio X(t) como un conjunto de funciones muestra, consideremos los
valores del proceso para cualquier conjunto de instantes de tiempo t1 > t2 > > tn , donde n es cualquier
entero positivo. En general, las muestras Xti x(ti ), i = 1, 2, . . . , n son n variables aleatorias caracterizadas
estadsticamente por su funcin de densidad de probabilidad conjunta designada como p(xt1 , xt2 , . . . , xtn ) para
cualquier n.
12.1.2
Suponga que disponemos de n muestras del proceso aleatorio X(t) en t = ti , i = 1, 2, . . . , n, y de otro conjunto de
n muestras desplazadas en el tiempo respecto del primer conjunto una cantidad . Luego el segundo conjunto
de muestras es Xti + X(ti + ), i = 1, 2, . . . , n, como se muestra en la Figura 12.1.1. Este segundo conjunto
de n variables aleatorias se caracteriza por su funcin de densidad de probabilidad conjunta p(xti + , . . . , xtn + ).
Las funciones de densidad de probabilidad conjuntas de los dos conjuntos de variables aleatorias pueden o no
ser idnticas. Si son idnticas, entonces
p(xt1 , xt2 , . . . , xtn ) = p(xt1 + , xt2 + , . . . , xtn + )
(12.1.1)
para todo y todo n, y se dice que el proceso aleatorio es estacionario en sentido estricto. En otras palabras,
las propiedades estadsticas de un proceso aleatorio estacionario son invariantes ante una translacin del eje
de tiempos. Por el contrario, si las funciones de densidad de probabilidad conjuntas son diferentes, el proceso
aleatorio no ser estacionario.
12.1.3
Promedios estadsticos
Consideremos un proceso aleatorio X(t) muestreado en los instantes de tiempo t = ti . As, X(ti ) es una variable
aleatoria cuya funcin de densidad de probabilidad es p(xti ). El momento de primer orden de la variable aleatoria
se define como el valor esperado de X l (ti ), es decir,
E(Xtli ) =
(12.1.2)
En general, el valor del momento de primer orden depende del instante de tiempo ti , si la funcin de densidad de
probabilidad de Xti depende de ti . Sin embargo, cuando el proceso es estacionario, p(xti + ) = p(xti ) para todo
. Luego la funcin de densidad de probabilidad es independiente del tiempo y, en consecuencia, el momento
de primer orden es independiente del tiempo (una constante).
Consideremos ahora las dos variables aleatorias Xti = X(ti ), i = 1, 2, correspondientes a las muestras de
X(t) tomadas en t = t1 y t = t2 . La correlacin estadstica entre Xt1 y Xt2 se mide mediante el momento conjunto
E(Xt1 Xt2 ) =
(12.1.3)
Dado que el momento conjunto depende de los instantes de tiempo t1 y t2 , se designa como xx (t1 , t2 ) y se
denomina funcin de autocorrelacin del proceso aleatorio. Cuando el proceso X(t) es estacionario, la funcin
de densidad de probabilidad conjunta de la pareja (Xt1 , Xt2 ) es idntica a la funcin de densidad de probabilidad
conjunta de la pareja (Xt1 + , Xt2 + ) para cualquier arbitraria. Esto implica que la funcin de autocorrelacin
X(t) depende de la diferencia de tiempos t1 t2 = . Por tanto, para un proceso aleatorio real estacionario, la
funcin de autocorrelacin es
xx ( ) = E[Xt1 + Xt1 ]
(12.1.4)
Por otro lado,
(12.1.5)
Por tanto, xx ( ) es una funcin par. Observe tambin que xx (0) = E(Xt21 ) es la potencia media del proceso
aleatorio.
Existen procesos no estacionarios con la propiedad de que el valor medio del proceso es una constante
y la funcin de autocorrelacin satisface la propiedad xx (t1 , t2 ) = xx (t1 t2 ). Un proceso as se dice que es
estacionario en sentido amplio. Evidentemente, la estacionariedad en sentido amplio es una condicin menos
restrictiva que la condicin de estacionariedad en sentido estricto. En nuestro estudio slo vamos a requerir que
los procesos sean estacionarios en sentido amplio.
Relacionada con la funcin de autocorrelacin tenemos la autocovarianza , que se define como
cxx (t1 ,t2 ) = E{[Xt1 m(t1 )][Xt2 m(t2 )]}
= xx (t1 ,t2 ) m(t1)m(t2 )
(12.1.6)
donde m(t1 ) = E(Xt1 ) y m(t2 ) = E(Xt2 ) son los valores medios de Xt1 y Xt2 , respectivamente. Cuando el proceso
es estacionario,
cxx (t1 ,t2 ) = cxx (t1 t2 ) = cxx ( ) = xx ( ) m2x
(12.1.7)
donde = t1 t2 . Adems, la varianza del proceso es x2 = cxx (0) = xx (0) m2x .
12.1.4
Sean X(t) e Y (t) dos procesos aleatorios y sean Xti X(ti ), i = 1, 2, . . . , n, e Yt j Y (t j ), j = 1, 2, . . . , m, las
variables aleatorias en los instantes t1 > t2 > > tn y t1 > t2 > > tm , respectivamente. Los dos conjuntos
de variables aleatorias se caracterizan estadsticamente por la funcin de densidad de probabilidad conjunta
p(xt1 , xt2 , . . . , xtn , yt , yt , . . . , ytm )
1
para cualquier conjunto de instantes de tiempo {ti } y {t j } y para cualquier valor entero positivo de m y n.
La funcin de correlacin cruzada de X(t) e Y (t), designada como xy (t1 , t2 ), se define como el momento
conjunto
(12.1.8)
(12.1.9)
Cuando los procesos aleatorios son conjunta e individualmente estacionarios, tenemos xy (t1 , t2 ) = xy (t1 t2 )
y cxy (t1 , t2 ) = cxy (t1 t2). En este caso,
(12.1.10)
Los procesos aleatorios X(t) e Y (t) se dice que son estadsticamente independientes si y slo si
p(xt1 , xt2 , . . . , xtn , yt1 , yt2 , . . . , ytm ) = p(xt1 , . . . , xtn )p(yt1 , . . . , ytm )
para todas las elecciones de ti, ti y para todos los enteros positivos n y m. Se dice que los procesos son incorrelados
si
xy (t1 ,t2 ) = E(Xt1 )E(Yt2 )
(12.1.11)
de modo que cxy (t1 , t2 ) = 0.
Un proceso aleatorio complejo Z(t) se define como
Z(t) = X(t) + jY (t)
(12.1.12)
donde X(t) e Y (t) son procesos aleatorios. La funcin de densidad de probabilidad conjunta de las variables
aleatorias conjugadas Zti Z(ti ), i = 1, 2, . . . , queda determinada por la funcin de densidad de probabilidad conjunta de las componentes (Xti , Yti ), i = 1, 2, . . . , n. Luego la funcin de densidad de probabilidad que
caracteriza Zti , i = 1, 2, . . . , n es
p(xt1 , xt2 , . . . , xtn , yt1 , yt2 , . . . , ytn )
Un proceso aleatorio complejo Z(t) puede encontrarse en la representacin de las componentes en fase y
en cuadratura del equivalente paso bajo de una seal aleatoria de banda estrecha o de ruido. Una caracterstica
importante de un proceso as es su funcin de autocorrelacin, la cual se define como
(12.1.13)
zz ( ) = E(Zt1 Zt1 ) = zz ( )
(12.1.14)
Supongamos ahora que Z(t) = X(t) + jY (t) y W (t) = U(t) + jV (t) son dos procesos aleatorios complejos.
Su funcin de correlacin cruzada se define como
(12.1.15)
zw
( ) = E(Zt1 Wt1 ) = E(Zt1 + Wt1 ) = wz ( )
12.1.5
(12.1.16)
Un proceso aleatorio estacionario es una seal de energa infinita y por tanto su transformada de Fourier no existe.
La caracterstica espectral de un proceso aleatorio se obtiene de acuerdo con el teorema de WienerKhintchine,
calculando la transformada de Fourier de la funcin de autocorrelacin. Es decir, la distribucin de potencia con
la frecuencia est dada por la funcin
xx (F) =
xx ( )e j2 F d
(12.1.17)
xx ( ) =
xx (F)e j2 F dF
(12.1.18)
Observe que
xx (0) =
xx (F)dF
(12.1.19)
= E(Xt2 ) 0
Puesto que E(Xt2 ) = xx (0) representa la potencia media del proceso aleatorio, que es el rea bajo xx (F), se
deduce que xx (F) es la distribucin de potencia como una funcin de la frecuencia. Por esta razn, xx (F) se
conoce como espectro de densidad de potencia del proceso aleatorio.
Si el proceso aleatorio es real, xx ( ) es real y par, y por tanto, xx (F) es real y par. Si el proceso aleatorio
( ) y, por tanto
es complejo, xx ( ) = xx
xx (F)
=
=
xx
( )e j2 F d
xx
( )e j2 F d
xx ( )e j2 F d = xx (F)
xy ( )e j2 F d
(12.1.20)
que es el espectro de densidad de potencia cruzada. Puede demostrarse fcilmente que xy (F) = yx (F). Para
procesos aleatorios reales, la condicin es yx (F) = xy (F).
12.1.6
Esta caracterizacin de seales aleatorias continuas en el tiempo puede trasladarse fcilmente a seales discretas
en el tiempo. Tales seales se obtienen normalmente muestreando uniformemente un proceso aleatorio continuo
en el tiempo.
Un proceso aleatorio discreto en el tiempo X(n) consta de un conjunto de secuencias muestra x(n). Las
propiedades estadsticas de X(n) son similares a la caracterizacin de X(t), con la restriccin de que n es
ahora una variable entera (tiempo). Ms especficamente, establezcamos ahora la forma para los momentos que
utilizamos en este texto.
El momento de primer orden de X(n) se define como
E(Xnl ) =
(12.1.21)
y la secuencia de autocorrelacin es
xx (n, k) = E(Xn Xk ) =
(12.1.22)
(12.1.23)
xx (n k)
= xx (m)
(12.1.24)
donde mx = E(Xn ) es la media del proceso aleatorio. La varianza se define como 2 = cxx (0) = xx (0) m2x .
Para un proceso estacionario complejo Z(n) = X(n) + jY (n), tenemos
(12.1.25)
(12.1.26)
Como en el caso de un proceso aleatorio continuo en el tiempo, un proceso aleatorio discreto en el tiempo
tiene energa infinita pero una potencia media finita y est dada por
E(Xn2 ) = xx (0)
(12.1.27)
Utilizando el teorema de WienerKhintchine, obtenemos el espectro de densidad de potencia del proceso aleatorio discreto en el tiempo calculando la transformada de Fourier de la autocorrelacin xx (m), es decir,
xx ( f ) =
La transformada inversa es
xx (m) =
xx (m)e j2 f m
(12.1.28)
xx ( f )e j2 f m d f
(12.1.29)
m=
1/2
1/2
xx (0) =
1/2
1/2
xx ( f )d f
(12.1.30)
12.1.7
Aunque hemos caracterizado un proceso aleatorio en funcin de promedios estadsticos, como la media y
la autocorrelacin, en la prctica, normalmente dispondremos de una sola realizacin del proceso aleatorio.
Consideremos el problema de obtener los promedios del proceso aleatorio a partir de una sola realizacin. Para
conseguir esto, el proceso aleatorio tiene que ser ergdico.
Por definicin, un proceso aleatorio X(n) es ergdico si, con probabilidad 1, todos los promedios estadsticos
pueden determinarse a partir de una sola funcin muestra del proceso. En efecto, el proceso aleatorio es ergdico
si los promedios temporales obtenidos a partir de una sola realizacin son iguales a los promedios estadsticos
del conjunto. Bajo esta condicin, podemos intentar estimar los promedios del conjunto utilizando promedios
temporales de una sola realizacin.
Para ilustrar este punto, consideremos la estimacin de la media y de la autocorrelacin del proceso aleatorio
a partir de una sola realizacin x(n). Como slo estamos interesados en estos dos momentos, definimos la ergodicidad con respecto a estos parmetros. Para obtener informacin detallada sobre los requisitos de ergodicidad
respecto de la media y ergodicidad respecto de la autocorrelacin que se proporcionan a continuacin, el lector
puede consultar el libro de Papoulis (1984).
12.1.8
N
1
x(n)
2N + 1 n=N
(12.1.31)
En general, interpretamos el valor de m x dado en (12.1.31) como un estimado de la media estadstica, cuyo valor
variar con las diferentes realizaciones del proceso aleatorio. Dado que m x es una variable aleatoria con una
funcin de densidad de probabilidad p(m x ), calculamos el valor esperado de m x sobre todas las realizaciones
posibles de X(n). Como el sumatorio y la esperanza son operaciones lineales, podemos intercambiarlas, de
modo que
N
N
1
1
E(m x ) =
E[x(n)] =
m x = mx
(12.1.32)
2N + 1 n=N
2N + 1 n=N
Dado que el valor medio de la estimacin es igual a la media estadstica, decimos que el estimado m x no est
polarizado.
A continuacin calculamos la varianza de m x . Tenemos
var(m x ) = E(|m x |2 ) |mx |2
Pero
E(|m x |2 ) =
N
N
1
E[x (n)x(k)]
2
(2N + 1) n=N k=N
N
N
1
xx (k n)
(2N + 1)2 n=N
k=N
2N
|m|
1
=
1 2N + 1 xx (m)
2N + 1 m=2N
Por tanto,
2N
|m|
1
var(m x ) =
1 2N + 1 xx |mx |2
2N + 1 m=2N
2N
|m|
1
cxx (m)
1
2N + 1 m=2N
2N + 1
(12.1.33)
Si var(mx ) 0 cuando N , el estimado converge con probabilidad 1 a la media estadstica mx . Por tanto,
el proceso X(n) es ergdico respecto de la media si
2N
1
|m|
lm
1 2N + 1 cxx (m) = 0
N 2N + 1
m=2N
(12.1.34)
Bajo esta condicin, el estimado m x en el lmite cuando N se hace igual a la media estadstica, es decir,
N
1
x(n)
N 2N + 1
n=N
mx = lm
(12.1.35)
m=
(12.1.36)
lo que implica que cxx (m) 0 cuando m . Esta condicin se cumple para la mayora de los procesos de
media cero que pueden encontrarse en el mundo real.
12.1.9
Consideremos ahora el estimado de la autocorrelacin xx (m) a partir de una sola realizacin del proceso.
Continuando con la notacin anterior, designamos el estimado (en general, para una seal compleja) como
rxx (m) =
N
1
x (n)x(n + m)
2N + 1 n=N
(12.1.37)
De nuevo, consideremos rxx (m) como una variable aleatoria para cualquier m dado, ya que es una funcin de
una realizacin particular. El valor esperado (valor medio de todas las realizaciones) es
E[rxx (m)] =
=
N
1
E[x (n)x(n + m)]
2N + 1 n=N
N
1
xx (m) = xx (m)
2N + 1 n=N
(12.1.38)
Por tanto, el valor esperado de la autocorrelacin temporal es igual a la media estadstica. Por tanto, tenemos
un estimado no polarizado de xx (m).
Para determinar la varianza del estimado rxx (m), calculamos el valor esperado de |rxx (m)|2 y restamos el
cuadrado del valor medio. As
var[rxx (m)] = E[|rxx (m)|2 ] |xx (m)|2
(12.1.39)
Pero
E[|rxx (m)|2 ] =
N
N
1
E[x (n)x(n + m)x(k)x (k + m)]
2
(2N + 1) n=N k=N
(12.1.40)
El valor esperado del trmino x (n)x(n + m)x(k)x (k + m) es slo la autocorrelacin de un proceso aleatorio
definido como
vm (n) = x (n)x(n + m)
E[|rxx (m)|2 ] =
y la varianza es
var[rxx (m)] =
2N
|n|
1
(m)
1
2N + 1 n=2N
2N + 1
(12.1.41)
(12.1.42)
Si var[rxx (m)] 0 cuando N , el estimado rxx (m) converge con probabilidad 1 a la autocorrelacin
estadstica xx (m). Bajo estas condiciones, el proceso es ergdico respecto de la correlacin y la correlacin
temporal es idntica a la media estadstica, es decir,
N
1
x (n)x(n + m) = xx (m)
N 2N + 1 n=N
lm
(12.1.43)
En nuestro estudio de las seales aleatorias, suponemos que los procesos aletorios son ergdicos respecto
de la media y ergdicos respecto de la correlacin, por lo que podemos trabajar con promedios temporales de
la media y la autocorrelacin obtenidos a partir de una sola realizacin del proceso.
m=
xx (m)zm
(12.2.1)
a partir de la cual obtenemos la densidad espectral de potencia evaluando xx (z) sobre la circunferencia unidad
[es decir, sustituyendo z = exp( j2 f )].
Ahora suponemos que log xx (z) es analtica (posee derivadas de todos los rdenes) en una regin anular
del plano z que incluye la circunferencia unidad (es decir, r1 < |z| < r2 donde r1 < 1 y r2 > 1). Luego, log xx (z)
se puede expandir en una serie de Laurent de la forma
log xx (z) =
v(m)zm
(12.2.2)
m=
donde los {v(m)} son los coeficientes de las series. Podemos interpretar {v(m)} como la secuencia cuya transformada z es V (z) = log xx (z). Del mismo modo, podemos evaluar log xx (z) sobre la circunferencia unidad,
log xx ( f ) =
v(m)e j2 f m
(12.2.3)
m=
de modo que los {v(m)} son los coeficientes de Fourier de la expansin en serie de Fourier de la funcin
peridica log xx ( f ). Por tanto,
v(m) =
1
2
12
[log xx ( f )]e j2 f m d f ,
m = 0, 1, . . .
(12.2.4)
v(m)zm
m=
(12.2.5)
= w2 H(z)H(z1 )
donde, por definicin, w2 = exp[v(0)] y
H(z) = exp
v(m)zm
|z| > r1
(12.2.6)
m=1
v(m)e j2 f m
m=
A partir de la definicin de H(z) dada por (12.2.6), es evidente que la parte causal de la serie de Fourier de
(12.2.3) est asociada con H(z) y la parte anticausal est asociada con H(z1 ). Los coeficientes de la serie de
Fourier {v(m)} son los coeficientes cepstrales y la secuencia {v(m)} es el cepstro de la secuencia {xx (m)},
como se ha definido en la Seccin 4.2.7.
El filtro con la funcin de sistema H(z) dada por (12.2.6) es analtica en la regin |z| > r1 < 1. Por tanto,
en esta regin, tiene una expansin en serie de Taylor como un sistema causal de la forma
H(z) =
h(n)zn
(12.2.8)
m=0
La salida de este filtro en respuesta a un ruido blanco de entrada w(n) con densidad espectral de potencia w2 es un
proceso aleatorio estacionario {x(n)} con densidad espectral de potencia xx ( f ) = w2 |H( f )|2 . En consecuencia,
el proceso aleatorio estacionario {x(n)} con densidad espectral de potencia xx ( f ) puede transformarse en
un proceso de ruido blanco pasando {x(n)} a travs de un filtro lineal con funcin de sistema 1/H(z). Este
filtro se conoce como filtro blanqueador de ruido. Su salida, designada como {w(n)} se denomina proceso de
innovaciones asociado con el proceso aleatorio estacionario {x(n)}. Estas dos relaciones se ilustran en la Figura
12.2.1.
La representacin del proceso estocstico estacionario {x(n)} como la salida de un filtro IIR con la funcin
de sistema H(z) dada por (12.2.8) y excitado por una secuencia de ruido blanco {w(n)} es conocida como
representacin de Wold.
12.2.1
Ahora vamos a centrarnos en el caso en el que la densidad espectral de potencia del proceso aleatorio estacionario
{x(n)} es una funcin racional, que se expresa como
xx (z) = w2
B(z)B(z1 )
,
A(z)A(z1 )
(12.2.9)
donde los polinomios B(z) y A(z) tienen races que caen dentro de la circunferencia unidad en el plano z. Luego
el filtro lineal H(z) para generar el proceso aleatorio {x(n)} a partir de la secuencia de ruido blanco {w(n)}
tambin es racional y se expresa como
q
B(z)
H(z) =
=
A(z)
bk zk
k=0
p
|z| > r1
1 + ak zk
(12.2.10)
k=1
donde {bk } y {ak } son los coeficientes del filtro que determinan la ubicacin de los ceros y los polos de
H(z), respectivamente. Luego H(z) es causal, estable y de fase mnima. Su recproco 1/H(z) tambin es un
sistema lineal causal, estable y de fase mnima. Por tanto, el proceso aleatorio {x(n)} representa nicamente las
propiedades estadsticas del proceso de innovaciones {w(n)}, y viceversa.
Para el sistema lineal con la funcin de sistema racional H(z) dada por (12.2.10), la salida x(n) est
relacionada con la entrada w(n) por la ecuacin en diferencias
p
x(n) + ak x(n k) =
k=1
bk w(n k)
(12.2.11)
k=0
(12.2.12)
k=1
A su vez, el filtro blanqueador de ruido para generar el proceso de innovaciones es un filtro de slo ceros.
w(n)
Ruido blanco
h(k)w(n k)
Filtro
lineal
causal
H(z)
k=0
(a)
x(n)
Filtro
lineal
causal
1/H(z)
w(n)
Ruido blanco
(b)
Figura 12.2.1. Filtros para generar (a) el proceso aleatorio x(n) a partir de ruido blanco y (b) del filtro inverso.
Proceso de media mvil a k = 0, k 1. En este caso, el filtro lineal H(z) = B(z) es un filtro de slo ceros y la
ecuacin en diferencias correspondiente a la relacin de entradasalida es
q
x(n) =
bk w(n k)
(12.2.13)
k=0
El filtro blanqueador de ruido para el proceso de media mvil es un filtro de slo polos.
Proceso de media mvil auto-regresivo (ARMA). En este caso, el filtro lineal H(z) = B(z)/A(z) tiene polos
y ceros finitos en el plano z y la correspondiente ecuacin en diferencias dada por (12.2.11). El sistema inverso
para generar el proceso de innovaciones a partir de x(n) es tambin un sistema de polos y ceros de la forma
1/H(z) = A(z)/B(z).
12.2.2
Si la densidad espectral de potencia del proceso aleatorio estacionario es una funcin racional, existe una relacin
bsica entre la autocorrelacin {xx (m)} y los parmetros {ak } y {bk } del filtro lineal H(z) que genera el proceso
filtrando el ruido blanco w(n). Esta relacin puede obtenerse multiplicando la ecuacin en diferencias dada en
(12.2.11) por x (n m) y tomando el valor esperado en ambos lados de la ecuacin resultante. As, tenemos
p
(12.2.14)
k=0
Por tanto,
k=1
k=0
xx (m) = ak xx (m k) + bk wx (m k)
(12.2.15)
h(k)w (n k)w(n + m)
(12.2.16)
k=0
= w2 h(m)
donde, en el ltimo paso, hemos utilizado el hecho de que la secuencia w(n) es ruido blanco. Por tanto,
0,
m>0
wx (m) =
(12.2.17)
w2 h(m), m 0
Combinando (12.2.17) con (12.2.15), obtenemos la relacin deseada:
m>q
ak xx (m k),
k=1
qm
p
xx (m) =
ak xx (m k) + w2 h(k)bk+m , 0 m q
k=0
k=1
xx (m),
m<0
(12.2.18)
Esto representa una relacin no lineal entre xx (m) y los parmetros {ak }, {bk }.
La relacin dada en (12.2.18) se aplica, en general, a los procesos de media mvil auto-regresivos. En el
caso de un proceso auto-regresivo, (12.2.18) se simplifica como sigue
m>0
ak xx (m k),
k=1
p
xx (m) =
(12.2.19)
ak xx (m k) + w2 , m = 0
k=1
xx (m),
m<0
Por tanto, tenemos una relacin lineal entre xx (m) y los parmetros {ak }. Estas ecuaciones, conocidas como
ecuaciones de YuleWalker, pueden expresarse en forma matricial como sigue
xx (0) xx (1)
xx (2)
xx (p)
1
w2
(1)
xx (0)
xx (1) xx (p + 1) a1 0
xx
(12.2.20)
.. = ..
..
..
..
..
.
. .
.
.
.
ap
0
(p) (p 1) (p 2)
(0)
xx
xx
xx
xx
Esta matriz de correlacin tiene la propiedad de simetra de Toeplitz, y por tanto puede invertirse de forma
eficiente utilizando los algoritmos descritos en la Seccin 12.4.
Por ltimo, haciendo ak = 0, 1 k p y h(k) = bk , 0 k q, en (12.2.18), obtenemos la relacin para la
autocorrelacin en el caso de un proceso de media mvil, a saber
bk bk+m , 0 m q
xx (m) =
k=0
0,
xx (m),
m>q
(12.2.21)
m<0
12.3.1
Comencemos por el problema de predecir un valor futuro (prediccin directa) de un proceso aleatorio estacionario
a partir de la observacin de los valores pasados del proceso. En particular, consideremos el predictor lineal
directo de una muestra, que forma la prediccin del valor x(n) mediante una combinacin lineal ponderada de
los valores pasados x(n 1), x(n 2), . . ., x(n p). As, el valor linealmente predicho de x(n) es
p
x(n)
= a p (k)x(n k)
(12.3.1)
k=1
donde los {a p(k)} representan los pesos en la combinacin lineal. Estos pesos son los coeficientes de prediccin
del predictor lineal directo de una muestra de orden p. El signo negativo de la definicin de x(n) se usa por
comodidad matemtica y conforme a las prcticas actuales de la literatura tcnica.
x(n)
fp(n)
Predictor
lineal
directo
x(n 1)
z 1
x(n)
p
(12.3.2)
= x(n) + a p (k)x(n k)
k=1
Podemos ver la prediccin lineal como un equivalente al filtrado lineal donde el predictor se integra en el
filtro lineal, como se muestra en la Figura 12.3.1. Se trata de un filtro de error de prediccin con la secuencia de
entrada {x(n)} y la secuencia de salida { f p (n)}. Una realizacin equivalente para el filtro de error de prediccin
se muestra en la Figura 12.3.2. Esta realizacin es un filtro FIR en la forma directa con la funcin de sistema
p
A p (z) =
a p(k)zk
(12.3.3)
k=0
z 1
1
m = 1, 2, . . . , p
z 1
ap(1)
(12.3.4)
z 1
ap(2)
ap(3)
ap(p 1)
ap(p)
+
fp(n)
donde {Km } son los coeficientes de reflexin y gm (n) es el error de prediccin inverso que se define en la
siguiente seccin. Observe que para datos complejos, el conjugado de Km se utiliza en la ecuacin para gm (n).
La Figura 12.3.3 muestra el diagrama de bloques de un filtro en celosa de p etapas junto con una etapa tpica
que ilustra los clculos dados por (12.3.4).
Como consecuencia de la equivalencia entre la forma directa del filtro FIR de error de prediccin y el filtro
FIR en celosa, la salida del filtro en celosa de p etapas se expresa como
p
f p (n) =
a p(k)x(n k),
a p (0) = 1
(12.3.5)
k=0
(12.3.6)
o, lo que es equivalente,
A p (z) =
Fp (z) Fp(z)
=
X(z)
F0 (z)
(12.3.7)
E p = E[| f p (n)|2 ]
= xx (0) + 2
ap(k)xx (k)
k=1
(12.3.8)
ap(l)a p (k)xx (l k)
k=1 l=1
E p es una funcin cuadrtica de los coeficientes del predictor y su minimizacin lleva al conjunto de ecuaciones
lineales
p
l = 1, 2, . . . , p
(12.3.9)
k=1
stas son las ecuaciones normales para los coeficientes del predictor lineal. El error de prediccin cuadrtico
medio mnimo es simplemente
p
(12.3.10)
k=1
f0(n)
x(n)
g0(n)
f1(n)
Primera
etapa
g1(n)
Segunda
etapa
fm1(n)
f2(n)
g2(n)
fp(n)
Etapa
p
gp(n)
fm(n)
K*m
Km
gm1(n)
z 1
gm(n)
En la siguiente seccin ampliamos el desarrollo anterior al problema de predecir el valor de una serie
temporal en la direccin opuesta, es decir, hacia atrs en el tiempo.
12.3.2
Supongamos que tenemos la secuencia de datos x(n), x(n 1), . . . , x(n p + 1) de un proceso aleatorio estacionario y deseamos predecir el valor x(n p) del proceso. En este caso, empleamos un predictor lineal inverso
de una muestra de orden p. Por tanto,
p1
x(n
p) = b p (k)x(n k)
(12.3.11)
k=0
g p (n) = x(n p) +
p
b p(k)x(n k)
k=0
b p(k)x(n k),
(12.3.12)
b p (p) = 1
k=0
El predictor lineal inverso puede implementarse utilizando la estructura en forma directa del filtro FIR
similar a la estructura mostrada en la Figura 12.3.1 o una estructura en celosa. La estructura en celosa mostrada
en la Figura 12.3.3 proporciona el predictor lineal inverso, as como el predictor lineal directo.
Los coeficientes de ponderacin del predictor lineal inverso son los complejos conjugados de los coeficientes
del predictor lineal directo, pero en orden inverso. As, tenemos
b p (k) = ap (p k),
k = 0, 1, . . . , p
(12.3.13)
(12.3.14)
o, lo que es equivalente,
B p (z) =
G p (z) G p (z)
=
X(z)
G0 (z)
(12.3.15)
donde B p (z) representa la funcin de sistema del filtro FIR con coeficientes b p (k).
Como b p (k) = a (p k), G p (z) est relacionado con A p (z)
p
B p (z) =
b p(k)zk
k=0
p
ap(p k)zk
k=0
(12.3.16)
= zp ap (k)zk
k=0
= zp Ap (z1 )
La relacin (12.3.16) implica que los ceros del filtro FIR cuya funcin de sistema es B p (z) son simplemente los
recprocos (conjugados) de los ceros de A p (z). Por tanto, B p (z) es el polinomio inverso o recproco de A p (z).
Ahora que hemos establecido estas interesantes relaciones entre los predictores directo e inverso de una sola
muestra, volvamos sobre las ecuaciones en celosa recursivas dadas en (12.3.4) y transformmoslas al dominio
z. As, tenemos
F0 (z) = G0 (z) = X(z)
Fm (z) = Fm1 (z) + Km z1 Gm1 (z), m = 1, 2, . . . , p
Gm (z) = Km Fm1 (z) + z1 Gm1 (z), m = 1, 2, . . . , p
(12.3.17)
Si dividimos cada ecuacin entre X(z), obtenemos los resultados deseados en la forma
A0 (z) = B0 (z) = 1
Am (z) = Am1 (z) + Km z1 Bm1 (z), m = 1, 2, . . . , p
Bm (z)
(12.3.18)
m = 1, 2, . . . , p
(12.3.19)
Las relaciones dadas en (12.3.18) para Am(z) y Bm (z) nos permiten obtener los coeficientes del filtro FIR en forma
directa {am (k)} a partir de los coeficientes de reflexin {Km }, y viceversa. Estas relaciones se han proporcionado
en la Seccin 9.2.4 en las Ecuaciones (9.2.51) hasta (9.2.53).
La estructura en celosa con parmetros K1 , K2 , . . . , K p corresponde a una clase de filtros FIR en la forma
directa de orden p con funciones de sistema A1 (z), A2 (z), . . . , A p (z). Es interesante observar que una caracterizacin de esta clase de filtros FIR de orden p en la forma directa requiere p(p + 1)/2 coeficientes del filtro. En
contraste, la caracterizacin en forma de celosa slo requiere los p coeficientes de reflexin {Ki }. La razn de
que la estructura en celosa proporcione una representacin ms compacta para la clase de filtros FIR de orden
p es que la adicin de etapas a la celosa no altera los parmetros de las etapas anteriores. Por otro lado, aadir
una etapa p a una celosa con (p 1) etapas es equivalente a incrementar la longitud de un filtro FIR en un
coeficiente. El filtro FIR resultante con funcin de sistema A p (z) tiene coeficientes totalmente diferentes de los
coeficientes del filtro FIR de orden inferior con una funcin de sistema A p1 (z).
La frmula para determinar los coeficientes del filtro {a p (k)} de forma recursiva se deduce fcilmente a
partir de las relaciones polinmicas dadas en (12.3.18). As, tenemos
Am (z)
m1
m1
k=0
k=0
k=0
(12.3.20)
Igualando los coeficientes de las potencias iguales de z1 y teniendo en cuenta que am (0) = 1 para m = 1,
2, . . . , p, obtenemos la ecuacin recursiva deseada para los coeficientes del filtro FIR en la forma
am (0) = 1
am (m) = Km
am (k) = am1 (k) + Km am1 (m k)
= am1 (k) + am (m)am1 (m k),
1 k m1
m = 1, 2, . . . , p
(12.3.21)
La frmula de conversin de los coeficientes del filtro FIR en la forma directa {a p (k)} en los coeficientes de
reflexin de la celosa {Ki } es tambin muy simple. Para la celosa de p etapas obtenemos de forma inmediata
los coeficientes de reflexin K p = a p (p). Para obtener K p1 , . . . , K1 , necesitamos los polinomios Am (z) para
m = p 1, . . ., 1. A partir de (12.3.19), obtenemos
Am1 (z) =
Am (z) Km Bm (z)
,
1 |Km |2
m = p, . . . , 1
(12.3.22)
que es slo una recursin en orden descendente. A continuacin calculamos todos los polinomios de grado
inferior Am (z) comenzando por A p1 (z) y obtenemos los coeficientes de reflexin de la celosa deseada a partir
de la relacin Km = am (m). Observe que el procedimiento funciona siempre y cuando |Km | = 1 para m = 1,
2, . . . , p 1. A partir de esta recursin descendente para los polinomios, es relativamente fcil obtener una
frmula para calcular de forma recursiva y directa Km , m = p 1, . . ., 1. Para m = p 1, . . ., 1, tenemos
Km = am (m)
am1 (k) =
=
am (k) Km bm (k)
1 |Km |2
(12.3.23)
am (k) am (m)am (m k)
1 |am(m)|2
g p (n) = x(n p) +
b p(k)x(n k)
k=0
p
= x(n p) +
k=1
(12.3.24)
ap (k)x(n
p + k)
(12.3.25)
La minimizacin de E pb con respecto a los coeficientes de prediccin proporciona el mismo conjunto de ecuaciones lineales que (12.3.9). Por tanto, el error cuadrtico medio mnimo (MSE, minimum mean-square error)
es
mn[E pb ] E pb = E pf
(12.3.26)
el cual queda determinado por la Ecuacin (12.3.10).
12.3.3
En las Secciones 12.3.1 y 12.3.2, hemos obtenido el conjunto de ecuaciones lineales que proporcionan los
coeficientes del predictor que minimizan el valor cuadrtico medio del error de prediccin. En esta seccin,
vamos a abordar el problema de optimizar los coeficientes de reflexin en el predictor en celosa y de expresarlos
en funcin de los errores de prediccin directo e inverso.
El error de prediccin directo en el filtro en celosa se expresa como
fm (n) = fm1 (n) + Km gm1 (n 1)
(12.3.27)
(12.3.28)
Km =
(12.3.29)
o, lo que es equivalente,
f
b
= Em1
= E[|gm1 (n 1)|2] = E[| fm1 (n)|2 ].
donde Em1
Observe que la eleccin ptima de los coeficientes de reflexin en el predictor en celosa es la negacin de
los coeficientes de la correlacin cruzada (normalizada) entre los errores de prediccin directo e inverso en la
celosa.1 Dado que a partir de (12.3.28) es evidente que |Km | 1, se deduce que el valor cuadrtico medio
mnimo del error de prediccin, que se puede expresar en forma recursiva como
f
Emf = (1 |Km |2 )Em1
(12.3.30)
12.3.4
Los parmetros de un proceso auto-regresivo AR(p) estn ntimamente relacionados con un predictor de orden
p para el mimso proceso. Recordemos que en un proceso auto-regresivo AR(p), la autocorrelacin {xx (m)}
est relacionada con los parmetros {ak } por medio de las ecuaciones de YuleWalker dadas en (12.2.19) o
(12.2.20). Las ecuaciones correspondientes para el predictor de orden p estn dadas por (12.3.9) y (12.3.10).
Una comparacin directa de estos dos conjuntos de relaciones revela que existe una correspondencia unoa-uno entre los parmetros {ak } del proceso auto-regresivo AR(p) y los coeficientes del predictor {a p (k)} de
orden p. De hecho, si el proceso subyacente {x(n)} es un proceso auto-regresivo AR(p), los coeficientes de
prediccin del predictor de orden p son idnticos a {ak }. Adems, el error cuadrtico medio en el predictor
f
de orden p, E p , es idntico a w2 , la varianza del proceso de ruido blanco. En este caso, el filtro del error de
prediccin es un filtro blanqueador de ruido que produce la secuencia de innovaciones {w(n)}.
a p(k)xx (l k) = 0
k=0
l = 1, 2, . . . , p
(12.4.1)
a p (0) = 1
1 Los coeficientes de la correlacin cruzada normalizados entre los errores de prediccin directo e inverso en la celosa (es decir, {K })
m
con frecuencia se denominan coeficientes de la correlacin parcial.
El error cuadrtico medio mnimo resultante queda definido por (12.3.10). Si aadimos (12.3.10) a las
ecuaciones normales dadas por (12.4.1) obtenemos el conjunto de ecuaciones normales aumentadas, que pueden
escribirse como
f
p
Ep , l = 0
(12.4.2)
a p(k)xx (l k) =
0,
l = 1, 2, . . . , p
k=0
Observe tambin que si el proceso aleatorio es un proceso auto-regresivo AR(p), el error cuadrtico medio
mnimo es E pf = w2 .
En esta seccin se describen dos algoritmos de clculo eficiente para resolver las ecuaciones normales. Uno
de ellos, debido originalmente a Levinson (1947) y modificado por Durbin (1959), es el algoritmo de Levinson
Durbin. Este algoritmo es adecuado para el procesamiento en serie y tiene una complejidad de clculo de O(p2 ).
El segundo algoritmo, debido a Schur (1917), tambin calcula los coeficientes de reflexin mediante O(p2 )
operaciones, pero empleando procesadores paralelo, los clculos se pueden realizar en un tiempo O(p). Ambos
algoritmos aplican la propiedad de simetra de Toeplitz inherente a la matriz de autocorrelacin.
Comenzamos por el algoritmo de LevinsonDurbin.
12.4.1
Algoritmo de LevinsonDurbin
El algoritmo de Levinson-Durbin es un algoritmo de clculo eficiente que permite resolver las ecuaciones
normales dadas en (12.4.1) para los coeficientes de prediccin. Este algoritmo aplica la propiedad de simetra
especial de la matriz de autocorrelacin
(1)
(p 1)
xx (0)
xx
xx
(p 2)
xx (0)
xx
xx (1)
(12.4.3)
p =
..
..
.
.
xx (p 1) xx (p 2)
xx (0)
Observe que p (i, j) = p (i j), por lo que la matriz de autocorrelacin es una matriz de Toeplitz. Como
p (i, j) = p ( j, i), la matriz tambin es hermitiana.
La clave del mtodo de solucin de LevinsonDurbin, que aplica la propiedad de Toeplitz de la matriz
est en trabajar recursivamente, comenzando por un predictor de orden m = 1 (un coeficiente), y aumentando
a continuacin el orden recursivamente, empleando las soluciones de orden inferior para obtener la solucin
correspondiente al predictor de orden inmediatamente superior. Luego la solucin para el predictor de primer
orden obtenida resolviendo la Ecuacin (12.4.1) es
a1 (1) =
xx (1)
xx (0)
(12.4.4)
(12.4.5)
(12.4.6)
(12.4.7)
As hemos obtenido los coeficientes del predictor de segundo orden. De nuevo, tenga en cuenta que a2 (2) = K2 ,
el segundo coeficiente de reflexin del filtro en celosa.
Continuando con este mismo mtodo, podemos expresar los coeficientes del predictor de orden m en funcin
de los coeficientes del predictor de orden (m 1). Por tanto, podemos expresar el vector de coeficientes am
como la suma de dos vectores, es decir,
am (1)
am1
dm1
a (2)
(12.4.8)
am =
+
.. =
.
0
Km
am (m)
donde am1 es el vector de coeficientes del predictor de orden (m 1) y el vector dm1 y el escalar Km tienen
que ser determinados. Partimos de nuevo de la matriz de autocorrelacin m m xx
b
m1 m1
m =
(12.4.9)
bt
m1 xx (0)
bt
b )t , el asterisco ( ) designa el complejo conjugado y t
= [xx (m 1) xx (m 2) xx (1)] = (m1
donde m1
m
t
designa la transpuesta de m . El superndice b de m1 designa el vector m1
= [xx (1) xx (2) xx (m 1)]
con los elementos tomados en orden inverso.
La solucin a la ecuacin m am = m puede expresarse como
b
m1
dm1
am1
m1 m1
=
+
(12.4.10)
bt
0
Km
xx (m)
m1
xx (0)
ste es el paso clave en el algoritmo de LevinsonDurbin. A partir de (12.4.10), obtenemos las dos ecuaciones
siguientes,
b
m1 am1 + m1 dm1 + Km m1
= m1
(12.4.11)
bt
bt
m1
am1 + m1
dm1 + Km xx (0) = xx (m)
(12.4.12)
b
dm1 = Km 1
m1 m1
(12.4.13)
b
Pero m1
es simplemente m1 con los elementos tomados en orden inverso y conjugados. Por tanto, la solucin
de (12.4.13) es simplemente
am1 (m 1)
a (m 2)
m1
(12.4.14)
dm1 = Km abm1 = Km
..
am1 (1)
La ecuacin escalar (12.4.12) ahora se puede utilizar para obtener Km. Si eliminamos dm1 en (12.4.12) utilizando
(12.4.14), obtenemos
bt
bt
Km [xx (0) + m1
abm1 ] + m1
am1 = xx (m)
Luego,
Km =
bt a
xx (m) + m1
m1
bt ab
xx (0) + m1
m1
(12.4.15)
Por tanto, sustituyendo las soluciones dadas en (12.4.14) y (12.4.15) en (12.4.8), obtenemos la recursin
deseada para los coeficientes del predictor en el algoritmo de LevinsonDurbin como
am (m) = Km =
bt a
bt a
xx (m) + m1
xx (m) + m1
m1
m1
=
f
bt
b
xx (0) + m1 am1
Em1
(12.4.16)
k = 1, 2, . . . , m 1
m = 1, 2, . . . , p
(12.4.17)
El lector debe fijarse en que la relacin recursiva dada en (12.4.17) es idntica a la relacin recursiva dada en
(12.3.21) para los coeficientes del predictor, obtenida a partir de los polinomios Am (z) y Bm (z). Adems, Km
es el coeficiente de reflexin de la etapa m del predictor en celosa. Este desarrollo ilustra claramente que el
algoritmo de LevinsonDurbin proporciona los coeficientes de reflexin para el filtro de prediccin en celosa
ptimo, as como los coeficientes del predictor FIR ptimo en la forma directa.
Por ltimo, determinemos la expresin para el error cuadrtico medio mnimo. Para el predictor de orden
m, tenemos
m
(12.4.18)
k=1
m = 1, 2, . . . , p
donde E0f = xx (0). Puesto que los coeficientes de reflexin satisfacen la propiedad de que |Km | 1, el error
cuadrtico medio mnimo para la secuencia de predictores satisface la condicin
f
E0 E1 E2 E pf
(12.4.19)
Esto lleva a la demostracin del algoritmo de LevinsonDurbin para resolver las ecuaciones lineales m am =
m , para m = 0, 1, . . . , p. Observe que las ecuaciones lineales tienen la propiedad especial de que el vector
del lado derecho de la ecuacin aparece tambin como un vector en m . En el caso ms general, en que
el vector del lado derecho es algn otro vector, por ejemplo cm , el conjunto de ecuaciones lineales puede
resolverse recursivamente introduciendo una segunda ecuacin recursiva para resolver las ecuaciones lineales
ms generales m bm = cm . El resultado es el algoritmo de LevinsonDurbin generalizado (vase el Problema
12.12).
La recursin de LevinsonDurbin dada por (12.4.17) requiere O(m) multiplicaciones y sumas (operaciones)
para pasar de la etapa m a la etapa m + 1. Por tanto, para p etapas, se necesitan 1 + 2 + 3 + + p(p + 1)/2,
o O(p2 ) operaciones para obtener los coeficientes del filtro de prediccin, o coeficientes de reflexin, frente a
las O(p3 ) operaciones necesarias si no se aplica la propiedad de Toeplitz de la matriz de correlacin.
12.4.2
El algoritmo de Schur
El algoritmo de Schur est ntimamente relacionado con una prueba recursiva que permite determinar que una
matriz de correlacin es definida positiva. Ms especficamente, considere la matriz de autocorrelacin p+1
asociada a las ecuaciones normales aumentadas dadas por (12.4.2). A partir de los elementos de esta matriz
formamos la funcin
xx (1)z1 + xx (2)z2 + + xx (p)zp
R0 (z) =
(12.4.20)
xx (0) + xx(1)z1 + + xx (p)zp
y la secuencia de funciones Rm (z) definida recursivamente como
Rm (z) =
m = 1, 2, . . .
(12.4.21)
El teorema de Schur establece que una condicin necesaria y suficiente para que la matriz de correlacin
sea definida positiva es que |Rm ()| < 1 para m = 1, 2, . . . , p.
Vamos a demostrar que la condicin de definicin positiva de la matriz de autocorrelacin p+1 es equivalente
a la condicin de que los coeficientes de reflexin del filtro en celosa equivalente satisfagan la condicin |Km| < 1,
m = 1, 2, . . . , p.
En primer lugar, fjese en que R0 () = 0. Luego a partir de (12.4.21) tenemos
R1 (z) =
(12.4.22)
xx (2) + K1 xx (1)
xx (0)(1 |K1 |2 )
De nuevo, observe que R2 () = K2 . Continuando con este procedimiento, hallamos que Rm () = Km , para
m = 1, 2, . . . , p. Por tanto, la condicin |Rm ()| < 1 para m = 1, 2, . . . , p, es idntica a la condicin |Km | < 1
para m = 1, 2, . . . , p, y asegura la definicin positiva de la matriz de autocorrelacin p+1 .
Dado que los coeficientes de reflexin pueden obtenerse a partir de la secuencia de funciones Rm (z), m = 1,
2, . . . , p, disponemos de otro mtodo para resolver las ecuaciones normales. Este mtodo es el algoritmo de
Schur.
Pm (z)
,
Qm (z)
m = 0, 1, . . . , p
(12.4.23)
(12.4.24)
Pm (z)
Qm (z)
As tenemos
=
Km1
z1
Km1
z1
Pm1 (z)
Qm1 (z)
,
m = 1, 2, . . . , p
y
K1 =
xx (1)
P1 (z)
=
Q1 (z) z=
xx (0)
(12.4.25)
(12.4.26)
(12.4.27)
A continuacin se obtienen los coeficientes de reflexin K2 determinando P2 (z) y Q2 (z) a partir de (12.4.25),
dividiendo P2 (z) entre Q2 (z) y evaluando el resultado en z = . Por tanto, hemos hallado que
P2 (z) = P1 (z) + K1 Q1 (z)
= [xx (2) + K1xx (1)]z2 +
+[xx (p) + K1 xx (p 1)]zp
Q2 (z) = z1 [Q1 (z) + K1 P1 (z)]
(12.4.28)
(12.4.29)
donde los elementos de la primera fila son los coeficientes de P0 (z) y los elementos de la segunda fila son los
coeficientes de Q0 (z).
Paso 1. Desplazamos la segunda fila de la matriz generadora hacia la derecha una posicin y descartamos el
ltimo elemento de esta fila. En la posicin que queda vacante se coloca un cero. As obtenemos una nueva
matriz generadora,
xx (p)
0 xx (1) xx (1) xx (2)
(12.4.30)
G1 =
0 xx (0) xx (1) xx (1) xx (p 1)
La relacin (negativa) de los elementos de la segunda fila proporcionan el coeficiente de reflexin K1 =
xx (1)/xx (0).
Paso 2. Multiplicamos la matriz generadora por la matriz 2 2
V1 =
K1
K1
(12.4.31)
As, obtenemos
V1 G 1 =
0 xx (0) + K1 xx (1)
xx (2) + K1 xx (1)
xx (p) + K1 xx (p 1)
xx (p 1) + K1xx (p)
(12.4.32)
Paso 3. Desplazamos la segunda fila de V1 G1 una posicin hacia la derecha y luego formamos la nueva matriz
generadora
G2 =
0
0
xx (p) + K1 xx (p 1)
(12.4.33)
1
Vm =
Km
Km
1
(12.4.34)
Adems, g0 (0) = xx (0) = E0f . En el instante n = 2, la entrada a la segunda etapa es, segn (12.3.4),
f1 (2) = f0 (2) + K1 g0 (1) = xx (2) + K1xx (1)
y despus de la unidad de retardo de la segunda etapa, tenemos
g1 (1) = K1 f0 (1) + g0(0) = K1 xx (1) + xx(0)
Ahora la relacin f1 (2)/g1 (1) es
Por tanto,
f1 (2) + K2 g1 (1) = 0
f
g1 (1) = E1
Continuando de esta forma, podemos demostrar que en la entrada de la etapa en celosa m, se cumple la relacin
f
. En consecuencia, los coeficientes del filtro en celosa
fm1 (m)/gm1 (m 1) = Km y gm1 (m 1) = Em1
obtenidos a partir del algoritmo de Levinson son idnticos a los coeficientes obtenidos mediante el algoritmo
de Schur. Adems, la estructura de filtro en celosa proporciona un mtodo para calcular los coeficientes de
reflexin del predictor en celosa.
Arquitectura pipeline para implementar el algoritmo de Schur. Kung y Hu (1983) desarrollaron un procesador pipeline de tipo celosa para implementar el algoritmo de Schur. El procesador consta de una cascada de p
etapas de tipo celosa, donde cada etapa consta de dos elementos de procesamiento (EP), los cuales designamos
como elementos de procesamiento superior A1 , A2 , . . . , A p , y elementos de procesamiento inferior B1 , B2 , . . . , B p ,
como se muestra en la Figura 12.4.1. El elemento de procesamiento (PE) designado como A1 se asigna a la tarea
de realizar divisiones. Los restantes elementos de procesamiento realizan una multiplicacin y una suma por
iteracin (un ciclo de reloj).
Inicialmente, los elementos de procesamiento superiores estn cargados con los elementos de la primera fila
de la matriz generadora G0 , como se muestra en la Figura 12.4.1. Los elementos de procesamiento inferiores
estn cargados con elementos de la segunda fila de la matriz generadora G0 . El proceso de clculo comienza
con el elemento de procesamiento de divisin, A1 , que calcula el primer coeficiente de reflexin como K1 =
K*m
A1
xx(1)
K*m
B1
xx(0)
Km
K*m
A2
xx(2)
B2
xx(1)
Km
K*m
A3
xx(3)
B3
xx(2)
Km
Km
K*m
K*m
Ap1
xx(p1)
Bp1
xx(p2)
Km
K*m
Ap
xx(p)
Bp
xx(p1)
Emf
Figura 12.4.1. Procesador paralelo en pipeline para el cculo de los coeficientes de reflexin.
xx (1)/xx (0). El valor de K1 se enva simlutneamente a todos los dems elementos de procesamiento de las
ramas superior en inferior.
El segundo paso del clculo consiste en actualizar los contenidos de todos los elementos de procesamiento
de manera simultnea. Los contenidos de los elementos de procesamiento superiores e inferiores se actualizan
como sigue:
EP Am : Am Am + K1 Bm , m = 2, 3, . . . , p
EP Bm : Bm Bm + K1 Am , m = 1, 2, . . . , p
El tercer paso implica desplazar los contenidos de los elementos de procesamiento superiores una posicin
hacia la izquierda. As, tenemos
EP Am : Am1 Am ,
m = 2, 3, . . . , p
En este punto, el EP A1 contiene xx (2) + K1 xx (1) mientras que el EP B1 contiene xx (0) + K1 xx (1). Por tanto,
el procesador A1 est preparado para iniciar el segundo ciclo calculando el segundo coeficiente de reflexin
K2 = A1 /B1 . Los tres pasos del clculo que comienzan con la divisin A1 /B1 se repiten hasta que se han
calculado los p coeficientes de reflexin. Observe que el EP B1 proporciona el error cuadrtico medio mnimo
f
Em de cada iteracin.
Si d designa el tiempo para el EP A1 para realizar una divisin (compleja) y ma es el tiempo necesario
para realizar una multiplicacin (compleja) y una suma, el tiempo necesario para calcular los p coeficientes de
reflexin es p(d + ma ) con el algoritmo de Schur.
En primer lugar, demostramos que si E pf > 0, los ceros estn en |zi | < 1 para todo i. Realizamos la demostracin por induccin. Evidentemente, para p = 1, la funcin de sistema del filtro de error de prediccin
es
A1 (z) = 1 + K1z1
(12.5.1)
Por tanto, z1 = K1 y E1f = (1 |K1 |2 )E0f > 0. Supongamos ahora que la hiptesis es cierta para p 1. Por
tanto, si zi es una raz de A p (z), tenemos a partir de las expresiones (12.3.16) y (12.3.18),
Por tanto,
(12.5.2)
zp
1
i A p1 (1/zi )
Q(zi )
=
Kp
A p1 (zi )
(12.5.3)
Observe que la funcin Q(z) es paso todo. En general, una funcin paso todo de la forma
zzk + 1
,
k=1 z + zk
N
P(z) =
|zk | < 1
(12.5.4)
satisface la propiedad de que |P(z)| > 1 para |z| < 1, |P(z)| = 1 para |z| = 1, y |P(z)| < 1 para |z| > 1. Puesto
que Q(z) = P(z)/z, se deduce que |zi | < 1 si |Q(z)| > 1. Evidentemente, ste es el caso, ya que Q(zi ) = 1/K p
y E pf > 0.
f
Por el contrario, supongamos que E p1
> 0 y E pf = 0. En este caso, |K p | = 1 y |Q(zi )| = 1. Como el
error cuadrtico medio mnimo es cero, el proceso aleatorio x(n) se dice que es predecible o determinstico.
Especficamente, un proceso aleatorio puramente sinusoidal de la forma
x(n) =
k e j(nk +k )
(12.5.5)
k=1
donde las fases {k } son estadsticamente independientes y estn uniformemente distribuidas en el intervalo
(0, 2 ) y tienen la autocorrelacin
xx (m) =
k2 e jmk
(12.5.6)
k=1
k2 ( f fk ),
xx ( f ) =
fk =
k=1
k
2
(12.5.7)
1/2
1/2
1/2
xx ( f )|A p ( f )|2 d f
1/2 k=1
k2 ( f
fk ) |A p ( f )|2 d f
(12.5.8)
k2 |A p( fk )|2
k=1
Seleccionando M de los p ceros del filtro de error de prediccin de modo que coincidan con las frecuencias
{ fk }, el error cuadrtico medio E pf puede forzarse para que sea igual a cero. Los restantes p M ceros se pueden
seleccionar arbitrariamente en cualquier posicin interior de la circunferencia unidad.
Por ltimo, el lector puede demostrar que si un proceso aleatorio es una mezcla de una densidad espectral
de potencia continua y un espectro discreto, el filtro de error de prediccin tiene que tener todas sus races en el
interior de la circunferencia unidad.
Propiedad de fase mxima del filtro de error de prediccin inverso. La funcin de sistema para el filtro de
error de prediccin inverso de orden p es
B p (z) = zp Ap (z1 )
(12.5.9)
En consecuencia, las races de B p (z) son las recprocas de las races del filtro de error de prediccin directo
cuya funcin de sistema es A p (z). Por tanto, si A p (z) es de fase mnima, entonces B p (z) es de fase mxima. Sin
embargo, si el proceso x(n) es predecible, todas las races de B p (z) estarn sobre la circunferencia unidad.
Propiedad de blanqueo. Suponga que el proceso aleatorio x(n) es un proceso aleatorio estacionario autoregresivo AR(p) que se genera pasando un ruido blanco cuya varianza es w2 a travs de un filtro de slo polos
cuya funcin de sistema es
1
H(z) =
(12.5.10)
p
1 + ak zk
k=1
A p (z) = 1 + a p (k)zk
(12.5.11)
k=1
donde los coeficientes del predictor cumplen que a p (k) = ak . La respuesta de un filtro de error de prediccin es
una secuencia de ruido blanco {w(n)}. En este caso, el filtro de error de prediccin blanquea el proceso aleatorio
de entrada x(n) y se denomina filtro blanqueador, como se ha indicado en la Seccin 12.3.4.
De forma ms general, incluso aunque el proceso de entrada x(n) no sea un proceso auto-regresivo, el filtro
de error de prediccin intenta eliminar la correlacin entre las muestras de la seal del proceso de entrada.
Cuando el orden del predictor se incrementa, la salida del mismo x(n)
k=0
l
j=0
m
j=0
bl ( j)
bm (k)xx ( j k)
k=0
Pero las ecuaciones normales del predictor lineal inverso requieren que
m
0,
j = 1, 2, . . . , m 1
bm (k)xx ( j k) = E b , j = m
k=0
m
Por tanto,
E[gm (n)gl (n)]
Emb = Emf , m = l
0,
(12.5.13)
0 l m1
(12.5.14)
(12.5.15)
Propiedades adicionales. Existen otras propiedades interesantes relacionadas con los errores de prediccin
directo e inverso en los filtros FIR en celosa, las cuales se indican a continuacin para datos reales. Las
correspondientes demostraciones se dejan como ejercicio para el lector.
1im
0 i m1
(g) E[ f i (n + i) f j (n + j)] =
i> j
1 t i j, i < j
1 t i j,
0 t i j,
i> j
0 t i j + 1, i < j
Ei , i = j
0,
i = j
K j Ei , i j,
0,
i, j 0,
K0 = 1
i< j
A p (z) = 1 + a p (k)zk
(12.6.1)
k=1
cuando se excita con un proceso aleatorio de entrada {x(n)}, genera una salida que se aproxima a una secuencia
de ruido blanco si p . Por otro lado, si el proceso de entrada es un proceso AR(p), la salida de A p (z) es
ruido blanco. Dado que A p (z) genera un proceso de media mvil MA(p) cuando se excita con una secuencia
de ruido blanco, la celosa de slo ceros en ocasiones se denomina celosa de media mvil (MA).
En la siguiente seccin, se desarrolla la estructura en celosa del filtro inverso 1/A p(z), denominada celosa
auto-regresiva (AR) y la estructura en celosaescalera para un proceso auto-regresivo de media mvil (ARMA).
12.6.1
1
p
1 + a p (k)zk
(12.6.2)
k=1
(12.6.3)
k=1
Supongamos ahora que intercambiamos los papeles de la entrada y de la salida [es decir, intercambiamos x(n)
con y(n) en la expresin (12.6.3)], obteniendo la ecuacin en diferencias
p
o, lo que es equivalente,
p
(12.6.4)
k=1
Observe que (12.6.4) es una ecuacin en diferencias para un sistema FIR con una funcin de sistema A p (z).
Luego un sistema IIR de slo polos puede convertirse en un sistema de slo ceros intercambiando los papeles
de la entrada y de la salida.
Basndonos en esta observacin, podemos obtener la estructura de una forma en celosa AR(p) a partir de
una celosa MA(p) intercambiando la entrada y la salida. Puesto que la celosa MA(p) tiene y(n) = f p (n) como
salida y x(n) = f 0 (n) como entrada, tenemos
x(n) = f p (n)
(12.6.5)
y(n) = f 0 (n)
Estas definiciones dictan que las magnitudes { fm (n)} se han calculado en sentido descendente. Este clculo
puede llevarse a cabo reordenando la ecuacin recursiva para { fm (n)} en (12.3.4) y obteniendo fm1 (n) en
funcin de fm (n). As, obtenemos
fm1 (n) = fm (n) Km gm1 (n 1),
m = p, p 1, . . ., 1
(12.6.6)
x(n) = fp(n)
Entrada
gp(n)
+
Kp
fp1(n)
f2(n)
K*p
f1(n)
+
K*2
K2
z 1
K1
z 1
g2(n)
g1(n)
f0(n) = y(n)
Salida
K*1
z 1
g0(n)
12.6.2
La celosa de slo polos proporciona el bloque de construccin bsico de las estructuras de tipo celosa que implementan sistemas IIR que contienen tanto polos como ceros. Para construir la estructura apropiada, consideremos
un sistema IIR cuya funcin de sistema es
q
H(z) =
cq (k)zk
k=0
p
1 + a p (k)z
Cq (z)
A p (z)
(12.6.7)
k=1
y(n) =
k=1
cq (k)v(n k)
(12.6.8)
k=0
obtenidas viendo el sistema como una cascada de un sistema de slo polos seguido de un sistema de slo ceros.
A partir de la expresin (12.6.8), observamos que la salida y(n) es simplemente una combinacin lineal de las
salidas retardadas del sistema de slo polos.
Puesto que los ceros resultan de formar una combinacin lineal de las salidas anteriores, podemos trasladar
esta observacin a la construccin del sistema de polos y ceros utilizando la estructura en celosa de slo polos
como bloque de construccin bsico. Hemos visto que gm (n) en la celosa de slo polos puede expresarse como
una combinacin lineal de las salidas presente y pasadas. De hecho, el sistema
Hb (z)
Gm (z)
= Bm (z)
Y (z)
(12.6.9)
es un sistema de slo ceros. Por tanto, cualquier combinacin lineal de {gm (n)} tambin es un filtro de slo
ceros.
Comenzamos con un filtro en celosa de slo polos con coeficientes Km , 1 m p, y aadimos una escalera
tomando como salida una combinacin lineal ponderada de {gm (n)}. El resultado es un filtro de polos y ceros
que tiene ls estructura en celosa-escalera mostrada en la Figura 12.6.2. Su salida es
q
k gk (n)
y(n) =
(12.6.10)
k=0
donde {k } son los parmetros que determinan los ceros del sistema. La funcin de sistema correspondiente a
(12.6.10) es
q
Gk (z)
Y (z)
= k
(12.6.11)
H(z) =
X(z) k=0 X(z)
Dado que X(z) = Fp (z) y F0 (z) = G0 (z), la Ecuacin (12.6.11) puede expresarse como
q
H(z) =
G (z) F0 (z)
k=0
(12.6.12)
q
1
k Bk (z)
=
A p (z) k=0
Por tanto,
k Bk (z)
Cq (z) =
(12.6.13)
k=0
sta es la relacin deseada que se puede emplear para determinar los coeficientes ponderados {k } como se ha
demostrado anteriormente en la Seccin 9.3.5.
Entrada
x(n) = fp(n)
gp(n)
fp1(n)
Etapa
p
gp1(n)
fp2(n)
Etapa
p1
f1(n)
f0(n)
Etapa
1
gp2(n)
g1(n)
g0(n)
p1
Salida
+
fm1(n)
+
Km
gm(n)
K*m
z 1
gm1(n)
Dados los polinomios Cq (z) y A p (z), donde p q, los coeficientes de reflexin {Ki } se determinan primero
a partir de los coeficientes {a p(k)}. Por medio de la relacin recursiva dada por (12.3.22), tambin obtenemos
los polinomios Bk (z), k = 1, 2, . . . , p. As los parmetros de la escalera se pueden obtener a partir de (12.6.13),
la cual puede expresarse como
Cm (z) =
m1
(12.6.14)
k=0
m = p, p 1, . . ., 1
(12.6.15)
Ejecutando esta relacin recursiva inversa, podemos generar todos los polinomios de grado inferior, Cm (z),
m = p 1, . . ., 1. Como bm (m) = 1, los parmetros m se determinan a partir de (12.6.15) haciendo
m = cm (m),
m = p, p 1, . . ., 1, 0
Cuando se excita mediante una secuencia de ruido blanco, este filtro en celosa-escalera genera un proceso
auto-regresivo de media mvil ARMA(p, q) que tiene el siguiente espectro de densidad de potencia
xx ( f ) = w2
|Cq ( f )|2
|A p ( f )|2
(12.6.16)
y una funcin de autocorrelacin que satisface (12.2.18), donde w2 es la varianza de la secuencia de ruido blanco
de entrada.
s(n)
Seal
x(n)
Filtro
lineal
ptimo
y(n)
e(n)
w(n)
Ruido
12.7.1
Suponga que el filtro est restringido para tener una longitud M con coeficientes {hk , 0 k M 1). Puesto
que su salida y(n) depende del registro de datos finito x(n), x(n 1), . . ., x(n M + 1),
y(n) =
M1
h(k)x(n k)
(12.7.1)
k=0
El valor cuadrtico medio del error entre la salida deseada d(n) e y(n) es
EM = E|e(n)|2
2
M1
= E d(n) h(k)x(n k)
k=0
(12.7.2)
Puesto que se trata de una funcin cuadrtica de los coeficientes del filtro, la minimizacin de EM proporciona
el conjunto de ecuaciones lineales
M1
h(k)xx (l k) = dx (l),
l = 0, 1, . . . , M 1
(12.7.3)
k=0
donde xx (k) es la autocorrelacin de la secuencia de entrada {x(n)} y dx (k) = E[d(n)x (n k)] es la correlacin
cruzada entre la secuencia deseada {d(n)} y la secuencia de entrada {x(n), 0 n M 1}. El conjunto de
ecuaciones lineales que especifica el filtro ptimo se denomina ecuacin de WienerHopf. Estas ecuaciones
tambin se conocen como ecuaciones normales, las cuales hemos visto anteriormente en el captulo al estudiar
la prediccin lineal de una muestra.
En general, las ecuaciones de (12.7.3) pueden expresarse en forma matricial como
M hM = d
(12.7.4)
y el error cuadrtico medio mnimo (MMSE) resultante que se consigue con el filtro de Wiener es
MMSEM = mn EM = d2
M1
hM
hopt(k)dx (k)
(12.7.6)
k=0
o, lo que es equivalente,
MMSEM = d2 dt 1
M d
(12.7.7)
donde d2 = E|d(n)|2 .
Considere ahora algunos casos especiales de (12.7.3). Si estamos en el caso de filtrado, d(n) = s(n). Adems,
si s(n) y w(n) son secuencias aleatorias incorreladas, como suele ocurrir habitualmente en los casos prcticos,
entonces
xx (k) = ss (k) + ww (k)
(12.7.8)
dx (k) = ss (k)
y las ecuaciones normales de (12.7.3) se transforman en
M1
l = 0, 1, . . . , M 1
(12.7.9)
k=0
Si estamos en el caso de prediccin, entonces d(n) = s(n + D) donde D > 0. Suponiendo que s(n) y w(n)
son secuencias aleatorias incorreladas, tenemos
dx (k) = ss (l + D)
(12.7.10)
l = 0, 1, . . . , M 1
(12.7.11)
k=0
En todos estos casos, la matriz de correlacin que se tiene que invertir es Toeplitz. Luego puede emplearse
el algoritmo de LevinsonDurbin (generalizado) para obtener los coeficientes del filtro ptimo.
EJEMPLO 12.7.1
Considere una seal x(n) = s(n) + w(n), donde s(n) es un proceso AR(1) que satisface la ecuacin en diferencias
s(n) = 0.6s(n 1) + v(n)
donde {v(n)} es una secuencia de ruido blanco con varianza v2 = 0.64 y {w(n)} es una secuencia de ruido blanco con
varianza w2 = 1. Disearemos un filtro de Wiener de longitud M = 2 para estimar {s(n)}.
Solucin. Dado que {s(n)} se obtiene excitando un filtro de un nico polo con ruido blanco, la densidad espectral de
potencia de s(n) es
ss ( f ) = v2 |H( f )|2
0.64
|1 0.6e j2 f |2
0.64
1.36 1.2 cos 2 f
ss (m) = (0.6)|m|
Las ecuaciones para los coeficientes del filtro son
2h(0) + 0.6h(1) = 1
0.6h(0) + 2h(1) = 0.6
La solucin de estas ecuaciones proporciona el resultado
h(0) = 0.451,
h(1) = 0.165
1 0.451 (0.165)(0.6)
0.45
Este error puede reducirse an ms aumentando la longitud del filtro de Wiener (vase el Problema 12.35).
12.7.2
Las ecuaciones normales para los coeficientes del filtro ptimo dadas por (12.7.3) pueden obtenerse directamente
aplicando el principio de ortogonalidad en la estimacin lineal por mnimos cuadrados. El error cuadrtico medio
EM definido en (12.7.2) es un mnimo si los coeficientes del filtro {h(k)} se seleccionan de manera que el error
sea ortogonal en cada uno de los puntos de datos del estimado,
E[e(n)x (n l)] = 0,
l = 0, 1, . . . , M 1
(12.7.12)
donde
e(n) = d(n)
M1
h(k)x(n k)
(12.7.13)
k=0
Inversamente, si los coeficientes del filtro satisfacen la expresin (12.7.12), el error cuadrtico medio resultante
es un mnimo.
Geomtricamente, la salida del filtro, que es el estimado
=
d(n)
M1
h(k)x(n k)
(12.7.14)
k=0
es un vector en el subespacio ocupado por los datos {x(k), 0 k M 1}. El error e(n) es un vector de d(n) a
[es decir, d(n) = e(n) + d(n)],
d(n)
como se muestra en la Figura 12.7.2. El principio de ortogonalidad establece
2
que la longitud EM = E|e(n)| es un mnimo cuando e(n) es perpendicular al subespacio de datos [es decir, e(n)
es ortogonal a cada punto de datos x(k), 0 k M 1].
Observe que la solucin obtenida a partir de las ecuaciones normales dadas en (12.7.3) es nica si los datos
son linealmente independientes. En este caso, la matriz de correlacin M es no
{x(n)} en el estimado d(n)
singular. Por otro lado, si los datos son linealmente dependientes, el rango de M es menor que M y, por tanto,
d(n)
e(n)
h(0)x(1)
x(1)
h(1)x(2)
d(n)
x(2)
Figura 12.7.2. Interpretacin geomtrica del problema del error cuadrtico medio lineal.
puede expresarse como una combinacin lineal de un
la solucin no es nica. En este caso, el estimado d(n)
conjunto reducido de puntos de datos linealmente independientes igual al rango de M .
Dado que el error cuadrtico medio se minimiza seleccionando los coeficientes del filtro para satisfacer el
principio de ortogonalidad, el error cuadrtico medio mnimo (MMSE) residual es simplemente
MMSEM = E[e(n)d (n)]
(12.7.15)
12.7.3
En la seccin anterior hemos restringido el filtro para que fuera un sistema FIR y hemos obtenido un conjunto de
M ecuaciones lineales para los coeficientes del filtro ptimo. En esta seccin, consideramos que el filtro puede
ser de duracin infinita (IIR) y la secuencia de datos tambin es infinita. Por tanto, la salida del filtro es
y(n) =
h(k)x(n k)
(12.7.16)
k=0
Los coeficientes del filtro se seleccionan para minimizar el error cuadrtico medio entre la salida deseada d(n)
e y(n), es decir,
E = E|e(n)|2
2
(12.7.17)
= E d(n) h(k)x(n k)
k=0
La aplicacin del principio de ortogonalidad lleva a la ecuacin de WienerHopf,
h(k)xx (l k) = dx (l),
l0
(12.7.18)
k=0
El error cuadrtico medio mnimo (MMSE) residual se obtiene de manera sencilla mediante la aplicacin de la
condicin dada por (12.7.15). As, obtenemos
(12.7.19)
k=0
La ecuacin de WienerHopf dada por (12.7.18) no puede resolverse directamente con las tcnicas de la
transformada z, porque la ecuacin se cumple slo para l 0. Resolvemos el filtro ptimo IIR basado en la
representacin de las innovaciones del proceso aleatorio estacionario {x(n)}.
Recuerde que un proceso aleatorio estacionario {x(n)} con autocorrelacin xx (k) y densidad espectral de
potencia xx ( f ) puede representarse mediante un proceso de innovacin equivalente, {i(n)}, pasando la funcin
{x(n)} a travs de un filtro blanqueador de ruido con una funcin de sistema 1/G(z), donde G(z) es la parte de
fase mnima obtenida a partir de la factorizacin espectral de xx (z):
xx (z) = i2 G(z)G(z1 )
(12.7.20)
q(k)i(n k)
(12.7.21)
k=0
y e(n) = d(n) y(n), la aplicacin del principio de ortogonalidad proporciona la nueva ecuacin de WienerHopf
como
q(k)ii (l k) = di (l),
l0
(12.7.22)
k=0
Pero dado que {i(n)} es blanca, se deduce que ii (l k) = 0 a menos que l = k. Luego obtenemos la solucin
q(l) =
di (l) di (l)
,
=
ii (0)
i2
l0
(12.7.23)
q(k)zk
k=0
1
= 2 di (k)zk
i k=0
(12.7.24)
di (z) =
di (k)zk
(12.7.25)
di (k)zk
(12.7.26)
k=
k=0
entonces
Q(z) =
1
[di (z)]+
i2
(12.7.27)
Para determinar [di (z)]+ , comenzamos con la salida del filtro blanqueador de ruido, que se puede expresar
como
i(n) =
v(k)x(n k)
(12.7.28)
k=0
1
V (z) = v(k)zk
G(z)
k=0
(12.7.29)
Entonces
v(m)E[d(n)x (n m k)]
(12.7.30)
m=0
v(m)dx (k + m)
m=0
v(m)dx (k + m)
k= m=0
m=0
k=
v(m)
dx (k + m)zk
m=0
k=
v(m)zm
zk
(12.7.31)
dx (k)zk
dx (z)
G(z1 )
1 dx (z)
Q(z) = 2
i G(z1 ) +
(12.7.32)
Hopt (z) =
(12.7.33)
En resumen, la solucin del filtro IIR de Wiener ptimo requiere que llevemos a cabo la factorizacin
espectral de xx (z) para obtener G(z), la componente de fase mnima, y entonces resolvemos para obtener la
parte causal de dx (z)/G(z1 ). El siguiente ejemplo ilustra el procedimiento.
EJEMPLO 12.7.2
Determine el filtro IIR ptimo de Wiener para la seal dada en el Ejemplo 12.7.1.
Solucin. Para esta seal tenemos
xx (z) = ss (z) + 1 =
1.8(1 13 z1 )(1 13 z)
(1 0.6z1 )(1 0.6z)
donde i2 = 1.8 y
1 13 z1
1 0.6z1
G(z) =
La transformada z de la correlacin cruzada dx (m) es
dx (z) = ss (z) =
0.64
(1 0.6z1 )(1 0.6z)
Luego
dx (z)
G(z1 )
0.64
=
(1 13 z)(1 0.6z1 ) +
0.8
0.266z
=
+
1 0.6z1 1 13 z
+
0.8
1 0.6z1
=
El filtro IIR ptimo tiene la funcin de sistema
1
Hopt (z) =
1.8
=
1 0.6z1
1 13 z1
0.8
1 0.6z1
4
9
1 13 z1
4
9
n
1
,
3
n0
Podemos terminar esta seccin expresando el error cuadrtico medio mnimo dado por (12.7.19) en funcin
de las caractersticas en el dominio de la frecuencia del filtro. En primer lugar, destacamos que d2 E|d(n)|2
es simplemente el valor de la secuencia de autocorrelacin {dd (k)} evaluada en k = 0. Dado que
dd (k) =
1
2 j
dd (z)zk1 dz
se deduce que
d2 = dd (0) =
1
2 j
dd (z)
dz
z
(12.7.34)
(12.7.35)
donde la integral de contorno se evala a lo largo de un camino cerrado que encierra el origen de la regin de
convergencia de dd (z).
El segundo trmino de (12.7.19) tambin se transforma fcilmente mediante la aplicacin del teorema de
Parseval. Dado que hopt (k) = 0 para k < 0, tenemos
k=
hopt (k)dx
(k) =
1
2 j
(12.7.36)
donde C es un camino cerrado que encierra el origen que cae dentro de la regin comn de convergencia de
Hopt (z) y dx (z1 ).
Combinando (12.7.35) con (12.7.36), obtenemos la expresin deseada para el error cuadrtico medio mnimo
MMSE en la forma
1
[dd (z) Hopt(z)dx (z1 )]z1 dz
(12.7.37)
MMSE =
2 j
EJEMPLO 12.7.3
Para el filtro ptimo de Wiener del Ejemplo 12.7.2, el error cuadrtico medio mnimo es
0.3555
1
dz
MMSE =
2 j
(z 13 )(1 0.6z)
Existe un nico polo dentro de la circunferencia unidad en z = 13 . Evaluando el residuo en el polo, obtenemos
MMSE = 0.444
Observe que este error cuadrtico medio mnimo es slo ligeramente ms pequeo que el correspondiente para el filtro
ptimo de Wiener de dos retardos del Ejemplo 12.7.1.
12.7.4
En la seccin anterior hemos restringido el filtro ptimo de Wiener para que sea causal [es decir, hopt (n) = 0
para n < 0]. En esta seccin vamos a eliminar esta condicin y vamos a permitir que el filtro incluya las infinitas
muestras pasadas y futuras de la secuencia {x(n)} para formar la salida y(n), es decir,
y(n) =
h(k)x(n k)
(12.7.38)
k=
El filtro resultante no es realizable fsicamente. Puede verse tambin un filtro de suavizado en el que los valores
= y(n) de la seal deseada d(n).
futuros infinitos de la seal se utilizan para suavizar el estimado d(n)
La aplicacin del principio de ortogonalidad proporciona la ecuacin de WienerHopf para el filtro no
causal en la forma
h(k)xx (l k) = dx (l),
< l <
(12.7.39)
k=
k=
h(k)dx
(k)
(12.7.40)
Dado que (12.7.39) se cumple para < l < , esta ecuacin puede transformarse directamente para
especificar el filtro ptimo de Wiener no causal como
Hnc (z) =
dx (z)
xx (z)
(12.7.41)
El error cuadrtico medio mnimo MMSEnc tambin puede expresarse simplemente en el dominio z como
MMSEnc =
1
2 j
C
(12.7.42)
En el siguiente ejemplo comparamos la forma del filtro ptimo no causal con el filtro ptimo causal obtenido
en la seccin anterior.
EJEMPLO 12.7.4
El filtro ptimo de Wiener no causal para las caractersticas de seal dadas en el Ejemplo 12.7.1 queda definido por (12.7.41),
donde
0.64
dx (z) = ss (z) =
(1 0.6z1 )(1 0.6z)
y
xx (z) = ss (z) + 1
=
Luego,
Hnc (z) =
0.3555
(1 13 z1 )(1 13 z)
Por tanto, el error cuadrtico medio mnimo alcanzable con el filtro ptimo de Wiener no causal es
MMSEnc = 0.40
Observe que es menor que el error cuadrtico medio mnimo del filtro causal, como era de esperar.
un nico procesador. Sin embargo, cuando se emplea procesamiento paralelo, el algoritmo de Schur resuelve
las ecuaciones normales en O(p) unidades de tiempo, mientras que el algoritmo de LevinsonDurbin requiere
O(p log p) unidades de tiempo.
Adems del filtro en celosa de slo ceros resultante de la prediccin lineal, tambin hemos obtenido
una estructura de filtro en celosa auto-regresivo (de slo polos) y una estructura de filtro (de polos y ceros) en
celosa-escalera auto-regresivo de media mvil (ARMA). Por ltimo, hemos descrito el diseo de filtros lineales
ptimos, conocidos como filtros de Wiener.
La teora de estimacin lineal tiene una larga y rica historia de desarrollo en las ltimas cuatro dcadas.
Kailath (1974) presenta informacin histrica que cubre las tres primeras dcadas. El trabajo pionero de Wiener
(1949) sobre el filtrado ptimo lineal para seales estadsticamente estacionarias es especialmente importante.
La generalizacin de la teora de filtros de Wiener a sistemas dinmicos con entradas aleatorias fue desarrollado
por Kalman (1960), y Kalman y Bucy (1961). Los filtros de Kalman se tratan en los libros de Meditch (1969),
Brown (1983), y Chui y Chen (1987). El monogrfico de Kailath (1981) se ocupa tanto de los filtros de Wiener
como de Kalman.
Existen numerosas referencias sobre los filtros de prediccin lineales y en celosa. Han publicado tutoriales
sobre estos temas en diversas revistas Makhoul (1975, 1978) y Friedlander (1982a, b). Los libros de Haykin
(1991), Markel y Gray 1976), y Tretter (1976) proporcionan estudios exhaustivos sobre estos temas. Las aplicaciones de la prediccin lineal al anlisis de espectros se aborda en los libros de Kay (1988) y Marple (1987),
aplicaciones a la geofsica en el libro de Robinson y Treitel (1980), y al filtrado adaptativo en el libro de Haykin
(1991).
El algoritmo de LevinsonDurbin para resolver las ecuaciones normales de forma recursiva fue proporcionado por Levinson (1947) y ms tarde modificado por Durbin (1959). Las variaciones de este clsico algoritmo son
los algoritmos split-Levinson, y han sido desarrollados por Delsarte y Genin (1986) y por Krishna (1988). Estos
algoritmos aplican simetras adicionales en la matriz de correlacin de Toeplitz y ahorran aproximadamente en
un factor de 2 el nmero de multiplicaciones.
El algoritmo de Schur fue descrito originalmente por Schur (1917) en un documento publicado en alemn.
Una traduccin al ingls de dicho documento apareci en el libro editado por Gohberg (1986). El algoritmo de
Schur est ntimamente relacionado con los polinomios {Am (z)}, que se pueden interpretar como polinomios
ortogonales. Un tratamiento de los polinomios ortogonales puede verse en los libros de Szeg (1967), Grenander
y Szeg (1958) y Geronimus (1958). La tsis de Vieira (1977) y los documentos de Kailath et al. (1978), Delsarte
et al. (1978), y Youla y Kazanjian (1978) proporcionan resultados adicionales sobre los polinomios ortogonales.
Kailath (1985, 1986) proporciona tutoriales sobre el algoritmo de Schur y sus relaciones con los polinomios
ortogonales y el algoritmo de LevinsonDurbin. La estructura de procesamiento pipeline paralelo para calcular
los coeficientes de reflexin basado en el algoritmo de Schur y el problema relacionado con la resolucin
de sistemas Toeplitz de ecuaciones lineales se describe en el documento de Kung y Hu (1983). Por ltimo,
mencionaremos que puede conseguirse cierta eficiencia en los clculos del algoritmo de Schur, explotando an
ms las propiedades de simetra de las matrices de Toeplitz, como se describe en Krishna (1988). Esto nos lleva
al algoritmo split-Schur, que es anlogo al algoritmo split-Levinson.
Problemas
12.1 El espectro de densidad de potencia de un proceso auto-regresivo {x(n)} est dado por
xx ( ) =
=
w2
|A( )|2
25
|1 e j + 12 e j2 |2
(a) Determine la ecuacin en diferencias para generar el proceso auto-regresivo cuando la excitacin
es ruido blanco.
(b) Determine la funcin de sistema para el filtro blanqueador.
12.2 Un proceso ARMA tiene una autocorrelacin {xx (m)} cuya transformada z est dada por
xx (z) = 9
(z 13 )(z 3)
(z 12 )(z 2)
1
< |z| < 2
2
(a) Determine el filtro H(z) para generar {x(n)} a partir de una secuencia de entrada de ruido blanco.
Es H(z) nica? Explique su respuesta.
(b) Determine un filtro blanqueador estable y lineal para la secuencia {x(n)}.
12.3 Considere el proceso ARMA generado por la ecuacin en diferencias
x(n) = 1.6x(n 1) 0.63x(n 2) + w(n) + 0.9w(n 1)
(a) Determine la funcin de sistema del filtro blanqueador y sus polos y ceros.
(b) Determine el espectro de densidad de potencia de {x(n)}.
12.4 Determine los coeficientes de la celosa correspondientes al filtro FIR cuya funcin de sistema es
H(z) = A3 (z) = 1 +
13 1 5 2 1 3
z + z + z
24
8
3
12.5 Determine los coeficientes de reflexin {Km } del filtro en celosa FIR descrito por la funcin de sistema
1
H(z) = A2 (z) = 1 + 2z1 + z2
3
12.6
(a) Determine los ceros y dibuje el patrn de ceros para el filtro FIR en celosa con coeficientes de
reflexin
1
1
K1 = ,
K2 = ,
K3 = 1
2
3
(b) Repita el apartado (a) pero con K3 = 1.
(c) Los ceros deben encontrarse sobre la circunferencia unidad. Puede generalizarse este resultado?
cmo?
12.7 Determine la respuesta al impulso del filtro FIR que se describe mediante los coeficientes de la celosa
K1 = 0.6, K2 = 0.3, K3 = 0.5 y K4 = 0.9.
12.8 En la Seccin 12.3.4 hemos indicado que el filtro blanqueador de ruido A p (z) para un proceso autoregresivo AR(p) causal es un filtro de error de prediccin lineal directo de orden p. Demuestre que el
filtro de error de prediccin lineal inverso de orden p es el filtro blanqueador de ruido del correspondiente
proceso AR(p) anticausal.
12.9 Utilice el principio de ortogonalidad para determinar las ecuaciones normales y el error cuadrtico medio
mnimo resultante para un predictor directo de orden p, que prediga m muestras (m > 1) futuras (predictor
directo de m muestras). Dibuje el filtro de error de prediccin.
bt
c(m) m1
bm1
f
Em1
k = 1, 2, . . . , m 1
m = 1, 2, . . . , p
donde b1 (1) = c(1)/xx (0) = c(1)/E0 y am (k) estn dados por (12.4.17). Es necesaria despus una
segunda recursin para resolver la ecuacin m bm = cm .
12.13 Utilice el algoritmo generalizado de LevinsonDurbin para resolver las ecuaciones normales recursivamente para los predictores directo e inverso de m muestras.
12.14 Considere el proceso AR(3) generado por la ecuacin
x(n) =
14
9
1
24 x(n 1) + 24 x(n 2) 24 x(n 3) + w(n)
4w2 5 2z 2z1
9 10 3z1 3z
a3 (2) = 1.25,
a3 (3) = 1
1,
m=0
m = 1
0.5,
0.625, m = 2
xx (m) =
0.6875, m = 3
0
en otro caso
Determine las funciones de sistema Am (z) para los filtros de prediccin de error para m = 1, 2, 3, los
coeficientes de reflexin {Km } y los correspondientes errores cuadrticos medios de prediccin.
12.19 La autocorrelacin para un proceso AR x(n) es
1
xx (m) = ( )|m|
4
(a) Determine la ecuacin en diferencias para x(n).
(b) Es nica su respuesta? Si no lo es, proporcione cualesquiera otras soluciones posibles.
12.20 Repita el Problema 12.19 para un proceso AR cuya autocorrelacin es
m
2
A p (z) = 1 + a p (k)zk
k=1
y cuyos coeficientes de reflexin son |Kk | < 1 para 1 k p 1 y |K p | > 1 es un sistema de fase mxima
[todas las races de A p (z) quedan fuera de la circunferencia unidad].
Km
1
1
Vm =
Km
1 0
J=
0 1
= 2 exp{
1/2
1/2
ln xx ( f ) d f }
12.27 Determine la salida de un predictor directo de m muestras y longitud infinita (p = ) y el error cuadrtico
medio resultante cuando la seal de entrada es un proceso auto-regresivo de primer orden de la forma
x(n) = ax(n 1) + w(n)
12.28 Un proceso AR(3) {x(n)} est caracterizado por la secuencia de autocorrelacin xx (0) = 1, xx (1) = 12 ,
xx (2) =
1
8
y xx (3) =
1
64 .
(a) Utilice el algoritmo de Schur para determinar los tres coeficientes de reflexin K1 , K2 y K3 .
(b) Dibuje el filtro en celosa para sintetizar {x(n)} a partir de una excitacin de ruido blanco.
12.29 El propsito de este problema es demostrar que los polinomios {Am (z)}, que son las funciones de
sistema de los filtros de error de prediccin directa de orden m, m = 0, 1, . . . , p, pueden considerarse como
ortogonales sobre la circunferencia unidad. Con este fin, suponga que xx ( f ) es la densidad espectral de
potencia de un proceso aleatorio {x(n)} de media cero y sean {Am (z)}, m = 0, 1, . . . , p}, las funciones
del sistema de los correspondientes filtros de error de prediccin. Demuestre que los polimonios {Am (z)}
satisfacen la propiedad de ortogonalidad
1/2
1/2
m, n = 0, 1, . . . , p
12.30 Determine la funcin de sistema del filtro de slo polos descrito por los coeficientes de la celosa K1 = 0.6,
K2 = 0.3, K3 = 0.5 y K4 = 0.9.
12.31 Determine los parmetros y dibuje la estructura del filtro en celosa-escalera para el sistema cuya funcin
de sistema es
1 0.8z1 + 0.15z2
H(z) =
1 + 0.1z1 0.72z2
12.32 Considere una seal x(n) = s(n) + w(n), donde s(n) es un proceso AR(1) que satisface la ecuacin en
diferencias
s(n) = 0.8s(n 1) + v(n)
donde {v(n)} es una secuencia de ruido blanco con varianza v2 = 0.49 y {w(n)} es una secuencia de
ruido blanco con varianza w2 = 1. Los procesos {v(n)} y {w(n)} son incorrelados.
(a) Determine las secuencias de autocorrelacin {ss (m)} y {xx (m)}.
(b) Disee un filtro de Wiener de longitud M = 2 para estimar {s(n)}.
(c) Determine el error cuadrtico medio mnimo (MMSE) para M = 2.
12.33 Determine el filtro ptimo IIR de Wiener causal para la seal dada en el Problema 12.32 y el correspondiente error cuadrtico medio mnimo MMSE .
12.34 Determine la funcin de sistema para el filtro IIR de Wiener no causal para la seal dada en el Problema
12.32 y el correspondiente error cuadrtico medio mnimo MMSEnc .
12.35 Determine el filtro FIR de Wiener ptimo de longitud M = 3 para la seal del Ejemplo 12.7.1 y el
correspondiente error cuadrtico medio mnimo MMSE3 . Compare el error MMSE3 con MMSE2 y
comente las diferencias.
12.36 Un proceso AR(2) se define mediante la ecuacin en diferencias
x(n) = x(n 1) 0.6x(n 2) + w(n)
donde {w(n)} es un proceso de ruido blanco de varianza w2 . Utilice las ecuaciones de YuleWalker para
obtener los valores de la autocorrelacin xx (0), xx (1) y xx (2).
12.37 Un proceso aleatorio {x(n)} se define como la suma de un proceso AR(p) de la forma
p
y un proceso de ruido blanco {w(n)} con varianza w2 . El proceso aleatorio {v(n)} tambin es ruido blanco
con varianza v2 . Las secuencias {v(n)} y {w(n)} son incorreladas.
Demuestre que el proceso observado {x(n) = s(n) + w(n)} es un proceso de media mvil auto-regresivo
(p, p) y determine los coeficientes del polinomio del numerador (componente de media mvil) en la
correspondiente funcin de sistema.
13
Filtros adaptativos
En contraste con las tcnicas de diseo de filtros descritas en el Captulo 12, que estaban basadas en el conocimiento de los parmetros estadsticos de segundo orden de las seales, existen muchas aplicaciones de tratamiento
digital de seales en las que dichos parmetros estadsticos no se pueden especificar a priori. Tales aplicaciones
incluyen: la ecualizacin del canal, la cancelacin de eco y el modelado de sistemas entre otras, como se describe en este captulo. En estas aplicaciones se emplean filtros con coeficientes ajustables denominados filtros
adaptativos. Estos filtros incorporan algoritmos que permiten adaptar los coeficientes del filtro a los parmetros
estadsticos de la seal.
Los filtros adaptativos han recibido una atencin considerable por parte de los investigadores durante los
ltimos 25 aos. Como resultado, se han desarrollado muchos algoritmos de clculo eficientes para el filtrado
adaptativo. En este captulo, describimos dos algoritmos bsicos: el algoritmo de mnimos cuadrados (LMS,leastmean-square), que se basa en una optimizacin de gradiente para determinar los coeficientes y los algoritmos
recursivos de mnimos cuadrados, que incluyen las realizaciones FIR en forma directa y en celosa. Antes de
describir estos algoritmos, presentamos varias aplicaciones prcticas en las que el uso de los filtros adaptativos
ha tenido xito en la estimacin de seales distorsionadas por ruido y otras interferencias.
Aunque tanto los filtros IIR como FIR se han considerado para el filtrado adaptativo, el filtro FIR es con
mucho el ms prctico y ampliamente utilizado. La razn de esta preferencia es bastante simple: el filtro FIR
slo tiene ceros ajustables; por tanto, no presenta los problemas de estabilidad que tienen asociados los filtros
IIR, que tienen tanto polos como ceros ajustables. Sin embargo, no debemos concluir que los filtros FIR sean
siempre estables. Por el contrario, la estabilidad del filtro depende crticamente del algoritmo empleado para
ajustar sus coeficientes, como demostraremos en la Secciones 13.2 y 13.3.
De las distintas estructuras de filtro FIR que son posibles, la forma directa y la forma en celosa son las
que se emplean en las aplicaciones de filtrado adaptativo. La realizacin en la forma directa del filtro FIR
con coeficientes ajustables h(n) se ilustra en la Figura 13.1.1. Por el contrario, los parmetros ajustables de la
estructura en celosa del filtro FIR son los coeficientes de reflexin Kn .
Una consideracin importante en el uso de un filtro adaptativo es el criterio de optimizar los parmetros
ajustables del filtro. El criterio no slo debe proporcionar una medida significativa del rendimiento del filtro,
sino tambin debe dar como resultado un algoritmo que sea realizable en la prctica.
Por ejemplo, un ndice de rendimiento deseable en un sistema digital de comunicaciones es la probabilidad
media de error. En consecuencia, al implementar un ecualizador adaptativo, tenemos que considerar la seleccin
de los coeficientes del ecualizador que minimicen la probabilidad media de error como la base de nuestro criterio
de optimizacin. Lamentablemente, sin embargo, el ndice de rendimiento (la probabilidad media de error) para
este criterio es una funcin fuertemente no lineal de los coeficientes del filtro y de los parmetros estadsticos de
la seal. Por tanto, la implementacin de un filtro adaptativo que optimice tal ndice de rendimiento es compleja
y poco prctica.
En algunos casos, un ndice de rendimiento que no es una funcin lineal de los parmetros del filtro posee
muchos mnimos (o mximos) relativos, por lo que no se puede estar seguro de que el filtro adaptativo converja
a la solucin ptima o a una solucin mnima (o mxima) relativa. Por esto, algunos ndices de rendimiento
deseables, como por ejemplo la probabilidad media de error en un sistema digital de comunicaciones, tienen
que rechazarse por no llevar a una implementacin posible en la prctica.
Dos criterios que proporcionan buenas medidas del rendimiento en las aplicaciones de filtrado adaptativo
son el criterio de mnimos cuadrados y su contrapartida en una formulacin estadstica del problema, es decir,
el error cuadrtico medio (MSE, mean-square-error). El criterio de mnimos cuadrados (y el MSE) da lugar a
un ndice de rendimiento cuadrtico como una funcin de los coeficientes del filtro y, por tanto, posee un nico
mnimo. Los algoritmos resultantes que permiten ajustar los coeficientes del filtro son relativamente fciles de
implementar, como veremos en las Secciones 13.2 y 13.3.
En la siguiente seccin, describiremos varias aplicaciones de los filtros adaptativos que sirven como motivacin para el desarrollo matemtico de los algoritmos tratados en las Secciones 13.2 y 13.3. Es conveniente
Entrada
h(0)
z1
z1
z1
h(1)
h(2)
h(3)
z1
h(4)
Salida
Ajuste de
coeficientes
emplear en estos ejemplos la estructura FIR en la forma directa. Aunque no vamos a desarrollar los algoritmos
recursivos para ajustar automticamente los coeficientes del filtro en esta seccin, es instructivo formular la
optimizacin de los coeficientes del filtro como un problema de optimizacin por mnimos cuadrados. Este
desarrollo servir para establecer un marco de trabajo comn para los algoritmos que se vern en las dos
secciones siguientes.
13.1.1
M1
h(k)x(n k)
(13.1.1)
k=0
n = 0, 1, . . .
(13.1.2)
n=0
y(n)
M1
2
h(k)x(n k)
(13.1.3)
k=0
l = 0, 1, . . . , M 1
(13.1.4)
k=0
En la Ecuacin (13.1.4), rxx (l) es la autocorrelacin de la secuencia x(n) y ryx (l) es la correlacin cruzada de la
salida del sistema con la secuencia de entrada.
Resolviendo (13.1.4), obtenemos los coeficientes del filtro para el modelo. Dado que los parmetros del
filtro se obtienen directamente a partir de la medida de los datos en la entrada y la salida del sistema, sin tener
conocimiento previo del sistema desconocido, decimos que el modelo de filtro FIR es un filtro adaptativo.
Si nuestro nico objetivo fuera identificar el sistema utilizando el modelo FIR, la solucin de (13.1.4) sera
suficiente. Sin embargo, en las aplicaciones de sistemas de control, el sistema que se va a modelar puede variar
lentamente en el tiempo, y nuestro propsito de tener un modelo es para, en ltima instancia, emplearlo en el
diseo de un controlador que controle al sistema desconocido, adems de medir el ruido normalmente presente
en la salida de dicho sistema. Este ruido introduce incertidumbre en las medidas y corrompe los estimados de los
coeficientes del filtro en el modelo. Este escenario se ilustra en la Figura 13.1.2. En este caso, el filtro adaptativo
debe identificar y hacer un seguimiento de las caractersticas variantes en el tiempo del sistema desconocido
en presencia del ruido medido en la salida del mismo. Los algoritmos que se describen en las Secciones 13.2 y
13.3 son aplicables a este problema de identificacin de sistemas.
13.1.2
La Figura 13.1.3 muestra un diagrama de bloques de un sistema digital de comunicaciones en el que se emplea un
ecualizador adaptativo para compensar la distorsin causada por el medio de transmisin (canal). La secuencia
digital de smbolos de informacin a(n) se aplica al filtro transmisor, cuya salida es
Ruido
Sistema
variante en el
tiempo
desconocido
d(n)
y(n)
x(n)
y(n)
Modelo de
filtro FIR
Algoritmo
adaptativo
Seal de error
a(k)p(t kTs)
(13.1.5)
k=0
donde p(t) es la respuesta al impulso del filtro en el transmisor y Ts es el intervalo de tiempo entre los smbolos
de informacin; es decir, 1/Ts es la frecuencia de smbolos. En esta exposicin, vamos a suponer que a(n) es
una secuencia multinivel que toma valores del conjunto 1, 3, 5, . . ., (K 1), donde K es el nmero de
posibles valores de los smbolos.
Tpicamente, el impulso p(t) est diseado para tener las caractersticas ilustradas en la Figura 13.1.4.
Observe que p(t) tiene una amplitud p(0) = 1 en t = 0 y p(nTs) = 0 en t = nTs , n = 1, 2, . . . . En consecuencia,
los pulsos sucesivos transmitidos secuencialmente cada Ts segundos no interfieren entre s cuando se muestrea
en los instantes de tiempo t = nTs . Por tanto, a(n) = s(nTs ).
El canal, que normalmente est modelado como un filtro lineal, distorsiona los pulsos y, por tanto, produce
interferencias entre smbolos. Por ejemplo, en los canales telefnicos, los filtros se utilizan a travs del sistema
para separar seales en diferentes rangos de frecuencia. Estos filtros producen distorsin de fase y amplitud. La
Figura 13.1.5 ilustra el efecto de la distorsin del canal sobre el impulso p(t) a medida que aparece en la salida
de un canal telefnico. Ahora observe que las muestras tomadas cada Ts segundos estn distorsionadas por las
a(n)
Secuencia
de datos
Transmisor
(filtro)
Canal
(filtro variante
en el tiempo)
Receptor
(filtro)
Muestreador
Ruido
a(n)
Seal de
referencia
d(n)
Dispositivo
de decisin
a(n)
Ecualizador
adaptativo
Seal de error
Algoritmo
adaptativo
p(t)
1
0
5Ts 4Ts 3Ts 2Ts
Ts
t
Ts
2Ts
3Ts
4Ts
5Ts
Figura 13.1.4. Pulsos para transmisin digital de smbolos a una frecuencia de 1/Ts smbolos por segundo.
interferencias de los distintos smbolos adyacentes. La seal distorsionada tambin se ve corrompida por ruido
aditivo, que normalmente es ruido de banda ancha.
En el extremo receptor del sistema de comunicaciones, la seal se pasa primero a travs de un filtro que est
diseado fundamentalmente para eliminar el ruido de fuera de la banda de frecuencias ocupada por la seal.
Podemos suponer que este filtro es un filtro FIR de fase lineal que limita el ancho de banda del ruido, aunque
produce una distorsin adicional despreciable sobre la seal distorsionada por el canal.
Las muestras de la seal recibida en la salida de este filtro reflejan la presencia de interferencias intersmbolos
y ruido aditivo. Si ignoramos por el momento las posibles variaciones temporales en el canal, podemos expresar
la salida muestreada en el receptor como
x(nTs ) =
k=0
k=0
k=n
(13.1.6)
q(t)
t
Ts
2Ts
3Ts
4Ts
5Ts
Figura 13.1.5. Efecto de la distorsin del canal sobre el impulso de la Figura 13.1.4.
donde w(t) representa el ruido aditivo y q(t) representa el impulso distorsionado en la salida del filtro receptor.
Para simplificar esta exposicin, suponemos que la muestra q(0) est normalizada a la unidad por medio
de un sistema de control automtico de ganancia (CAG) contenido en el receptor. Luego, la seal muestreada
dada en (13.1.6) puede expresarse como
(13.1.7)
k=0
k=n
donde x(n) x(nTs ), q(n) q(nTs ) y w(n) w(nTs ). El trmino a(n) de la Ecuacin (13.1.7) es el smbolo
deseado en el instante de muestreo n. El segundo trmino,
a(k)q(n k)
k=0
k=n
constituye la interferencia intersmbolos debida a la distorsin del canal y w(n) representa el ruido aditivo del
sistema.
En general, los efectos de distorsin del canal incluidos a travs de los valores muestreados q(n) son
desconocidos en el receptor. Adems, el canal puede variar lentamente con el tiempo de modo que los efectos
de las interferencias intersmbolos son variantes en el tiempo. El propsito del ecualizador adaptativo es el de
compensar la seal en lo que se refiere a la distorsin del canal, de modo que la seal resultante pueda detectarse
con fiabilidad. Supongamos que el ecualizador es un filtro FIR con M coeficientes ajustables h(n). Su salida se
puede expresar como
a(n)
=
M1
h(k)x(n + D k)
(13.1.8)
k=0
donde D es un determinado retardo nominal que se produce al procesar la seal a travs del filtro y a(n)
representa
un estimado del smbolo de informacin n-simo. Inicialmente, el ecualizador se prepara transmitiendo una
secuencia de datos conocida d(n). As, la salida del ecualizador, a(n),
[d(n) a(n)]
n=0
d(n)
n=0
M1
h(k)x(n + D k)
2
(13.1.9)
k=0
l = 0, 1, 2, . . . , M 1
(13.1.10)
k=0
donde rxx (l) es la autocorrelacin de la secuencia x(n) y rdx (l) es la correlacin cruzada entre la secuencia
deseada d(n) y la secuencia recibida x(n).
Aunque la solucin dada por (13.1.10) en la prctica se obtiene recursivamente (como se muestra en las dos
secciones siguientes), en principio, observe que estas ecuaciones dan lugar a valores de los coeficientes para el
ajuste inicial del ecualizador. Despus de un corto perodo de aprendizaje, que normalmente dura menos de un
segundo para la mayora de los canales, el transmisor comienza a transmitir la secuencia de informacin a(n).
Para hacer un seguimiento de las posibles variaciones temporales del canal, los coeficientes del ecualizador
deben ajustarse continuamente de una manera adaptativa mientras se reciben los datos. Como se ilustra en la
Figura 13.1.3, normalmente esto se consigue tratando las decisiones en la salida del dispositivo de decisin
como correctas, y utilizando las decisiones en lugar de la referencia d(n) para generar la seal de error. Este
mtodo funciona bien cuando los errores de decisin se producen de forma infrecuente (por ejemplo, menos
de un error de decisin por cada cien smbolos). Los errores de decisin ocasionales slo dan lugar a pequeos
desajustes en los coeficientes del ecualizador. En las Secciones 13.2 y 13.3, describimos algoritmos adaptativos
para ajustar recursivamnte los coeficientes del ecualizador.
13.1.3
a(k)p(t kTs)
(13.1.11)
b(k)p(t kTs)
(13.1.12)
k=0
k=0
a(n)
Terminal
de datos
A
b(n)
Transmisor
A
Receptor
B
a(n)
Receptor
A
Transmisor
B
b(n)
Mdem A
Canal
telefnico
de cuatro hilos
Terminal
de datos
B
Mdem B
o muy frecuentemente, como en el caso por ejemplo de sistemas dedicados a transacciones bancarias o de
reservas de aerolneas, el sistema descrito en la Figura 13.1.6 puede compensar su relacin coste-prestaciones.
En cualquier otro caso, no resultar prctico.
Una solucin alternativa para el caso de bajo volumen o transmisin infrecuente de datos consiste en emplear
una red telefnica de marcacin conmutada. En este caso, el enlace local de comunicaciones entre el abonado y la
central telefnica local es una lnea de dos hilos, lo que se conoce como bucle local. En la central, la lnea de dos
hilos del abonado se conecta a los canales telefnicos de cuatro hilos principales que interconectan las diferentes
centrales, llamadas lneas troncales, mediante un dispositivo denominado hbrido. Utilizando un acoplamiento
mediante transformador, el hbrido se ajusta para proporcionar aislamiento entre los canales de transmisin y
de recepcin en el funcionamiento full-duplex. Sin embargo, a causa de la desadaptacin de impedancias entre
el hbrido y el canal telefnico, el nivel de aislamiento a menudo es insuficiente y, en consecuencia, parte de la
seal del lado del transmisor se acopla y distorsiona la seal del lado del receptor, produciendo el eco que en
ocasiones puede escucharse en las comunicaciones de voz a travs de los canales telefnicos.
Para mitigar los ecos en las transmisiones de voz, las compaas telefnicas emplean un dispositivo conocido
como supresor de eco. En transmisiones de datos, la solucin consiste en emplear un cancelador de eco dentro
de cada mdem. Los canceladores de eco se implementan como filtros adaptativos con coeficientes ajustables
automticamente, al igual que en el caso de los ecualizadores transversales.
Utilizando hbridos para acoplar dos hilos a un canal de cuatro hilos y canceladores de eco en cada mdem
para estimar y eliminar los ecos, el sistema de comunicaciones de datos para la red de marcacin conmutada
toma la forma mostrada en la Figura 13.1.7. Se necesita un hbrido en cada mdem para aislar al transmisor del
receptor y acoplar el bucle local de dos hilos. El hbrido A se encuentra fsicamente en la central del abonado
A, mientras que el hbrido B se encuentra en la central a la que el abonado B est conectado. Las dos centrales
estn conectadas mediante una lnea de cuatro hilos, un par para la transmisin de A a B y el otro par para la
transmisin en la direccin contraria, de B a A. Un eco en el terminal A debido al hbrido A se denomina eco
del extremo prximo, mientras que un eco en el terminal A debido al hbrido B se denomina eco del extremo
alejado. Ambos tipos de eco normalmente estn presentes en las transmisiones de datos y el cancelador de eco
debe eliminarlos.
Suponga que despreciamos la distorsin del canal a efectos de la siguiente explicacin, con el fin de
ocuparnos exclusivamente de los ecos. La seal recibida en el mdem A puede expresarse como
sRA (t) = A1 sB (t) + A2sA (t d1 ) + A3sA (t d2 )
(13.1.13)
donde sB (t) es la seal deseada que va a ser demodulada en el mdem A; sA (t d1 ) es el eco del extremo
prximo debido al hbrido A, sA (t d2 ) es el eco del extremo alejado debido al hbrido B; Ai , i = 1, 2, 3, son
las amplitudes correspondientes a las tres componentes de la seal, y d1 y d2 son los retardos asociados con las
componentes de eco. Una perturbacin adicional que distorsiona la seal recibida es el ruido aditivo, de modo
que la seal recibida en el mdem A es
rA (t) = sRA (t) + w(t)
(13.1.14)
donde w(t) representa el proceso de ruido aditivo.
El cancelador de eco adaptativo intenta estimar adaptativamente las dos componentes de eco. Si sus coeficientes son h(n), n = 0, 1, . . . , M 1, su salida es
sA (n) =
M1
h(k)a(n k)
(13.1.15)
k=0
que es un estimado de las componentes de la seal de eco. Este estimado se resta de la seal recibida muestreada, y la seal de error resultante puede minimizarse por mnimos cuadrados para ajustar de forma ptima los
coeficientes del cancelador de eco. Existen varias configuraciones posibles para colocar el cancelador de eco
en el mdem, y para formar la correspondiente seal de error. La Figura 13.1.8 ilustra una configuracin, en la
que la salida del cancelador se resta de la salida muestreada del filtro receptor con entrada rA (t). La Figura 13.1.9
Mdem B
Receptor
B
Mdem A
Algoritmo
adaptativo
Receptor
A
Datos
de salida
Datos
de entrada
Hbrido
Bucle
local
Hbrido
A
Canal telefnico
Hbrido
B
Bucle
local
Hbrido
Cancelador
de eco
Cancelador
de eco
Algoritmo
adaptativo
Transmisor
B
Transmisor
A
Datos
de salida
Datos
de entrada
Figura 13.1.7. Diagrama de bloques de un sistema de comunicaciones digital que utiliza canceladores de eco
en los modems.
ilustra una segunda configuracin, en la que el cancelador de eco est generando muestras a la frecuencia de
Nyquist en lugar de a la frecuencia de los smbolos; en este caso, la seal de error que se emplea para ajustar los
Datos de entrada
a(n)
Filtro
transmisor
Cancelador
de eco
Hbrido
Algoritmo
adaptativo
b(n)
Muestreador a la
frecuencia de
los smbolos
Dispositivo
de decisin
Filtro
receptor
rA(t)
13.1.4
Ahora vamos a ocuparnos del problema que surge en la prctica, especialmente en la deteccin de seales y
en las comunicaciones digitales. Suponga que tenemos una secuencia v(n) formada por una seal de banda
ancha deseada w(n) distorsionada por una interferencia de banda estrecha aditiva x(n). Las dos secuencias son
incorreladas. Estas secuencias resultan del muestreo de una seal analgica v(t) a la frecuencia de Nyquist
(o mayor) de la seal de banda ancha w(t). La Figura 13.1.11 ilustra las caractersticas espectrales de w(n) y
a(n)
Filtro
transmisor
Cancelador
de eco
Hbrido
Algoritmo
adaptativo
Seal de error
b(n)
Dispositivo
de decisin
Filtro
receptor
Muestreador
a la frecuencia
de Nyquist
Datos de entrada
a(n)
Filtro
transmisor
Cancelador
de eco
Hbrido
Algoritmo
adaptativo
b(n)
Dispositivo
de decisin
Ecualizador
Filtro
receptor
Muestreador
Seal de error
Algoritmo
adaptativo
|W(f)|
fw
Figura 13.1.11. Interferencia de banda muy estrecha X( f ) en una seal de banda ancha W ( f ).
correlacionadas debido a la alta frecuencia de muestreo. Por otro lado, las muestras w(n) no estn excesivamente
correlacionadas, ya que las muestras se toman a la frecuencia de Nyquist de w(n). Explotando la alta correlacin
entre x(n) y las muestras pasadas de la secuencia v(n), es posible obtener un estimado de x(n), que pueda ser
extraido de v(n).
La configuracin general se ilustra en la Figura 13.1.12. La seal v(n) se retarda D muestras, donde D
se selecciona lo suficientemente grande como para que las componentes de la seal de banda ancha w(n) y
w(n D) contenidas en v(n) y v(n D), respectivamente, sean incorreladas. Normalmente, es adecuada una
eleccin de D = 1 o 2. La seal retardada v(n D) se pasa a travs de un filtro FIR, lo que se caracteriza mejor
como un predictor lineal del valor x(n) basado en M muestras v(n D k), k = 0, 1, . . . , M 1. La salida del
predictor lineal es
x(n)
=
M1
h(k)v(n D k)
(13.1.16)
k=0
Este valor predicho de x(n) se sustrae de v(n) para proporcionar un estimado de w(n), como se ilustra en la Figura
13.1.12. Evidentemente, la calidad del estimado x(n)
e(n) (n)
v(nD)
zD
Retardo de la
decorrelacin
Predictor
lineal
FIR
Seal de error
x (n)
Algoritmo
adaptativo
(a)
h(0)
z1
z1
h(1)
h(2)
z1
v(nD)
z1
h(M 1)
x (n)
(b)
Figura 13.1.12. Filtro adaptativo para estimar y suprimir una interferencia de banda estrecha en una seal de
banda ancha.
(13.1.17)
Si aplicamos el criterio de mnimos cuadrados para seleccionar ptimamente los coeficientes de prediccin,
obtenemos el conjunto de ecuaciones lineales
M1
l = 0, 1, . . . , M 1
(13.1.18)
k=0
donde rvv (l) es la secuencia de autocorrelacin de v(n). Observe sin embargo que el lado derecho de la Ecuacin
(13.1.18) puede escribirse como
rvv (l + D) =
v(n)v(n l D)
n=0
n=0
(13.1.19)
Las correlaciones de (13.1.19) son secuencias de correlacin de media temporal. El valor esperado de
rww (l + D) es
E[rww (l + D)] = 0,
l = 0, 1, . . . , M 1
(13.1.20)
porque w(n) es de banda ancha y D es ms grande que w(n) y w(n D) son incorreladas. Tambin, suponemos
que
E[rxw (l + D)] = E[rwx (l + D)] = 0
(13.1.21)
Por ltimo,
E[rxx (l + D)] = xx (l + D)
(13.1.22)
Por tanto, el valor esperado de rvv (l + D) es simplemente la autocorrelacin estadstica de la seal de banda
estrecha x(n). Adems, si la seal de banda ancha es dbil respecto a la interferencia, la autocorrelacin rvv (l)
en el lado izquierdo de (13.1.18) es aproximadamente rxx (l). La principal influencia de w(n) se produce en los
elementos de la diagonal de rvv (l). Por tanto, los valores de los coeficientes del filtro determinados a partir de
las ecuaciones lineales dadas en (13.1.18) son una funcin de las caractersticas estadsticas de la interferencia
x(n).
La estructura global del filtro de la Figura 13.1.12 define un filtro de error de prediccin FIR adaptativo con
coeficientes
k=0
1,
h (k) =
h(k D), k = D, D + 1, . . ., D + M 1
(13.1.23)
0,
en otro caso
y una respuesta en frecuencia
H( ) =
M1
h(k + D)e j k
(13.1.24)
k=0
Este filtro se comporta como un filtro de hendidura para la interferencia. Por ejemplo, la Figura 13.1.13
ilustra el mdulo de la respuesta en frecuencia de un filtro adaptativo con M = 15 coeficientes, que sirve para
suprimir una interferencia de banda estrecha que ocupa el 20 por ciento de la banda de frecuencias de una seal
de espectro extendido. Los datos se han generado pseudoaleatoriamente aadiendo una interferencia que consta
de 100 sinusoides de la misma amplitud y fase aleatoria a la seal de espectro extendido de pseudoruido. Los
coeficientes del filtro se han obtenido resolviendo las ecuaciones de (13.1.18), con D = 1, donde la correlacin
0.00
5.00
10.00
15.00
20.00
25.00
30.00
35.00
0.00
0.06
0.12
0.19
0.25
0.31
Frecuencia (ciclos/muestra)
0.37
0.44
0.50
13.1.5
En el ejemplo anterior, el predictor lineal adaptativo se ha empleado para estimar la interferencia de banda
estrecha con el fin de suprimir la interferencia de la secuencia de entrada v(n). Un mejorador de lnea adaptativo
(ALE, adaptive line enhancer) tiene la misma configuracin que el filtro supresor de interferencias de la Figura
13.1.12, pero su objetivo es diferente.
En el mejorador de lnea adaptativo, x(n) es la seal deseada y w(n) representa una componente de ruido
de banda ancha que enmascara a x(n). La seal deseada x(n) es o una lnea espectral o una seal de banda
relativamente estrecha. El predictor lineal mostrado en la Figura 13.1.12(b) opera exactamente de la misma
forma que en la Figura 13.1.12(a), y proporciona un estimado de la seal de banda estrecha x(n). Es evidente
que el mejorador de lnea adaptativo (es decir, el filtro de prediccin FIR) es un filtro auto-ajustable que presenta
un pico en su respuesta en frecuencia a la frecuencia de la sinusoide o, lo que es lo mismo, en la banda de
frecuencias de la seal de banda estrecha x(n). Con un ancho de banda estrecho, el ruido w(n) de fuera de la
banda se suprime y, por tanto, la lnea espectral se mejora en amplitud respecto de la potencia de ruido en w(n).
Esto explica por qu el predictor FIR se denomina mejorador de lnea adaptativo (ALE). Sus coeficientes se
determinan resolviendo la expresin (13.1.18).
13.1.6
M1
h(k)v(n k)
(13.1.25)
k=0
Esta secuencia de error se utiliza para ajustar adaptativamente los coeficientes del filtro FIR.
Si se emplea el criterio de mnimos cuadrados para determinar los coeficientes del filtro, el resultado de la
optimizacin es el conjunto de ecuaciones lineales
M1
l = 0, 1, . . . , M 1
(13.1.26)
k=0
donde rvv (l) es la autocorrelacin (media temporal) de muestras de la secuencia v(n) y ryv (l) es la correlacin
cruzada de muestras de las secuencias y(n) y v(n). Evidentemente, el problema de la cancelacin de ruido es
similar a las tres ltimas aplicaciones de filtrado adaptativo descritas.
13.1.7
A lo largo de las ltimas cuatro dcadas se han desarrollado diversos mtodos para la codificacin digital de
las seales de voz. En los sistemas telefnicos, por ejemplo, habitualmente los dos mtodos que se emplean
x(n) w1(n)
Salida
w 2(n)
w2(n)
v2(n)
w3(n)
Filtro
FIR
adaptativo
Seal
de error
Algoritmo
adaptativo
para codificar la voz son la modulacin PCM (pulse code modulation, modulacin por impulsos codificados) y
la modulacin DPCM (differential PCM, PCM diferencial). Ambos son ejemplos de mtodos de codificacin
de formas de onda. Tambin se han desarrollado otros mtodos de codificacin de formas de onda, como por
ejemplo la modulacin delta (DM, delta modulation) y la modulacin DPCM adaptativa.
Dado que la seal digital de voz se transmite desde el origen hasta un destino, uno de los principales objetivos
de los codificadores de voz es el de minimizar el nmero de bits necesario para representar la seal de voz, a la
vez que se mantiene la inteligibilidad de la voz. Este objetivo ha llevado al desarrollo de un tipo de mtodos de
codificacin de seales de voz de baja velocidad de bit (10.000 bits por segundo e inferiores), que se basa en la
construccin de un modelo de la fuente de la seal de voz y en la transmisin de los parmetros del modelo. El
filtrado adaptativo tiene aplicacin en estos sistemas de codificacin de las seales de voz basados en modelos.
A continuacin se describe un mtodo muy efectivo conocido como codificacin lineal predictiva (LPC).
En la codificacin lineal predictiva, el tracto bucal se modela como un filtro lineal de slo polos cuya funcin
de sistema es
G
H(z) =
(13.1.27)
p
1 k=1
ak zk
donde p es el nmero de polos, G es la ganancia del filtro y ak son los parmetros que determinan los polos.
Existen dos funciones de excitacin mutuamente excluyentes, utilizadas para modelar los sonidos sonoros y
sordos. En un perodo de tiempo corto, los sonidos sonoros tienen una frecuencia fundamental F0 , o un perodo
1/F0, que depende del orador. Luego, los sonidos sonoros son generados excitando el modelo de filtro de slo
polos mediante un tren de impulsos peridico con un perodo igual al del tono deseado. Los sonidos sordos se
generan excitando el modelo de filtro de slo polos con la salida de un generador de ruido aleatorio. Este modelo
se muestra en la Figura 13.1.15.
Dado un segmento corto de tiempo de una seal de voz, el codificador de voz en el transmisor debe determinar
la funcin de excitacin apropiada, el perodo deseado de los sonidos sonoros, el parmetro de ganancia G y los
coeficientes {ak }. En la Figura 13.1.16 se ilustra un diagrama de bloques del sistema de codificacin en origen.
Los parmetros del modelo se determinan de forma adaptativa a partir de los datos. A continuacin, las muestras
de voz se sintetizan utilizando el modelo y se genera una seal de error (como se muestra en la Figura 13.1.16)
tomando la diferencia entre la secuencia real y la sintetizada. La seal de error y los parmetros del modelo se
codifican en una secuencia binaria y se transmiten al destino. En el receptor, la seal de voz se sintetiza a partir
del modelo y de la seal de error.
Los parmetros del modelo de filtro de slo polos se determinan fcilmente a partir de las muestras de voz
por medio de la operacin de prediccin lineal. Ms especficamente, considere el sistema mostrado en la Figura
13.1.17 y suponga que tenemos N muestras de la seal. La salida del filtro FIR es
p
x(n)
=
ak x(n k)
(13.1.28)
k=1
Generador
de ruido
blanco
Conmutador de sonidos
sonoros y sordos
Filtro de
slo polos
Seal
de voz
Generador
de impulsos
peridicos
Salida
x(n)
muestreada
del origen
de voz
Determina
los parmetros
del modelo
y de
excitacin
e(n)
x(n)
C
o
d
i
f
i
c
a
d
o
r
Parmetro {ak, G}
Excitacin
Modelo de
todo polos
Canal
x(n)
(13.1.29)
k=1
Aplicando el criterio de mnimos cuadrados, podemos determinar los parmetros del modelo ak . El resultado
de esta optimizacin es un conjunto de ecuaciones lineales
p
l = 1, 2, . . . , p
(13.1.30)
k=1
donde rxx (l) es la autocorrelacin (media temporal) de la secuencia x(n). El parmetro de ganancia para el filtro
puede obtenerse teniendo en cuenta que su ecuacin de entradasalida es
p
x(n) =
ak x(n k) + Gv(n)
(13.1.31)
k=1
= e(n)
As,
G2
N1
N1
n=0
n=0
v2 (n) = e2 (n)
(13.1.32)
Si, por diseo, la excitacin de entrada se normaliza para tener energa unidad, entonces
G2 =
N1
e2(n)
n=0
(13.1.33)
k=1
x(n)
Muestras de voz
Seal de error
Predictor
FIR
adaptativo
z1
x(n)
Algoritmo
adaptativo
Figura 13.1.17. Estimacin de los parmetros de los polos para la codificacin lineal predictiva.
Por tanto, G2 es igual a la energa residual resultante de la optimizacin de mnimos cuadrados.
En este desarrollo, hemos descrito el uso de la prediccin lineal para determinar adaptativamente los parmetros de los polos y la ganancia de un modelo de filtro de slo polos para la generacin de la seal de voz.
En la prctica, debido al carcter no estacionario de las seales de voz, este modelo se aplica a segmentos de
tiempo cortos (de 10 a 20 milisegundos) de una seal de voz. Normalmente, se determina un nuevo conjunto de
parmetros para cada segmento corto de tiempo. Sin embargo, a menudo tiene ventajas utilizar los parmetros
del modelo medidos en los segmentos anteriores para suavizar las discontinuidades abruptas que normalmente
existen en los estimados de los parmetros del modelo de un segmento a otro. Aunque nuestra exposicin se
ha hecho por completo en trminos de la estructura del filtro FIR, mencionaremos que la sntesis de voz normalmente se realiza utilizando la estructura FIR en celosa y los coeficientes de reflexin Ki . Puesto que el rango
dinmico de Ki es significativamente ms pequeo que el de ak , los coeficientes de reflexin requieren menos
bits para representarlos. Por tanto, los Ki se transmiten a travs del canal. En consecuencia, es normal sintetizar
la voz en el punto de destino utilizando la estructura en celosa de slo polos.
Al ocuparnos de la codificacin de prediccin lineal para la codificacin de seales de voz, no hemos
considerado algoritmos para la estimacin o la excitacin y el perodo deseado. Un estudio de los algoritmos
apropiados para determinar estos parmetros del modelo queda fuera del mbito del libro y, por tanto, se ha
omitido. El lector interesado puede consultar los textos de Rabiner y Schafer (1978), y Deller, Hansen y Proakis
(2000) para obtener una informacin detallada de los mtodos de anlisis y sntesis de las seales de voz.
13.1.8
Matrices adaptativas
En los ejemplos anteriores, hemos considerado el filtrado adaptativo sobre una sola secuencia de datos. Sin
embargo, el filtrado adaptativo tambin ha sido ampliamente utilizado sobre mltiples secuencias de datos
resultantes de matrices de antenas, hidrfonos y sismgrafos, donde los sensores (antenas, hidrfonos y sismgrafos) estn dispuestos formando una determinada configuracin espacial. Cada elemento de la matriz de
sensores proporciona una secuencia. Combinando apropiadamente las seales procedentes de los diferentes
sensores, es posible cambiar el patrn de directividad de la matriz. Por ejemplo, considere una matriz de antenas lineales formada por cinco elementos, como se muestra en la Figura 13.1.18(a). Si las seales se suman
linealmente, obtenemos la secuencia
x(n) =
xk (n)
(13.1.34)
k=1
que da lugar al patrn de directividad de la antena mostrado en la Figura 13.1.18(a). Suponga ahora que se recibe
una interferencia procedente de una direccin que corresponde a uno de los lbulos secundarios de la matriz.
Ponderando adecuadamente las secuencias xk (n) antes de combinarlas, es posible alterar el patrn del lbulo
secundario, tal que la matriz contenga un nulo en la direccin de la interferencia, como se muestra en la Figura
13.1.18(b). Luego, obtenemos
(13.1.35)
hk xk (n nk)
(13.1.36)
k=1
x1(n)
Lbulos secundarios
x2(n)
Lbulo principal
Combinar
x3(n)
Direccin principal
x4(n)
Int
erf
x5(n)
ere
nci
(a)
x1(n)
x2(n)
Combinar
x3(n)
Direccin principal
x4(n)
In
ter
fer
x5(n)
en
cia
(b)
Figura 13.1.18. Matriz lineal de antenas: (a) con patrn de antena; (b) con un nulo en la direccin de la
interferencia.
donde los hk son los pesos y los nk corresponden a un retardo de la muestra nk de la seal x(n). La eleccin de
los pesos puede utilizarse para colocar nulos en las direcciones especficas.
Ms generalmente, podemos filtrar simplemente cada secuencia antes de combinarla. En tal caso, la secuencia de salida tiene la forma general
y(n) =
yk (n)
k=1
K M1
hk (l)xk (n nk l)
(13.1.37)
k=1 l=0
donde hk (l) es la respuesta al impulso del filtro para procesar la salida del sensor k y los nk son los retardos que
dirigen el patrn del haz.
El algoritmo LMS descrito en la Seccin 13.2.2 se utiliza frecuentemente en la seleccin adaptativa de
los pesos hk o las respuestas al impulso hk (l). Los algoritmos de mnimos cuadrados recursivos ms potentes
descritos en la Seccin 13.3 tambin pueden aplicarse a los problemas con datos procedentes de varios sensores
(multicanal).
l = 0, 1, 2, . . . , M 1
(13.2.1)
k=0
donde rxx (l) es la autocorrelacin de la secuencia x(n) y rdx (l) es la correlacin cruzada de las secuencias d(n)
y x(n). El parmetro de retardo D es cero en algunos casos y distinto de cero en otros.
Observe que la autocorrelacin rxx (l) y la correlacin cruzada rdx (l) se obtienen a partir de los datos y, por
tanto, representan estimados de la autocorrelacin y la correlacin cruzada (estadsticas) reales. Como resultado,
los coeficientes h(k) obtenidos a partir de (13.2.1) son estimados de los coeficientes reales. La calidad de los
estimados depende de la longitud del registro de datos que est disponible para estimar rxx (l) y rdx (l). ste es
un problema que hay que tener en cuenta en la implementacin de un filtro adaptativo.
Un segundo problema que hay que considerar es que el proceso aleatorio subyacente x(n) normalmente es
no estacionario. Por ejemplo, en el proceso de ecualizacin del canal, la respuesta en frecuencia del canal puede
variar con el tiempo. En consecuencia, la autocorrelacin y la correlacin cruzada estadsticas y, por tanto, sus
estimados varan con el tiempo. Esto implica que los coeficientes del filtro adaptativo deben variar con el tiempo
para incorporar las caractersticas estadsticas variantes en el tiempo de la seal del filtro. Esto tambin implica
que la calidad de los estimados no puede establecerse arbitrariamente aumentando simplemente el nmero de
muestras de la seal utilizadas en la estimacin de la autocorrelacin y la correlacin cruzada.
Existen varias formas mediante las que los coeficientes del filtro adaptativo pueden variarse con el tiempo
para seguir las caractersticas variantes en el tiempo de la seal. El mtodo ms popular consiste en adaptar el
filtro recursivamente muestra a muestra, a medida que se recibe una nueva muestra de la seal. Un segundo
mtodo consiste en estimar rxx (l) y rdx (l) bloque a bloque, sin intentar mantener la continuidad en los valores
de los coeficientes del filtro de un bloque de datos a otro. En un esquema de este tipo, el tamao del bloque
tiene que ser relativamente pequeo, abarcando un intervalo de tiempo que es corto comparado con el intervalo
de tiempo sobre el que las caractersticas estadsticas de los datos cambian de forma significativa. Adems de
este mtodo de procesamiento de bloques, pueden obtenerse otros esquemas de procesamiento de bloques que
incorporan cierta continuidad bloque a bloque en los coeficientes del filtro.
En nuestro estudio sobre los algoritmos para filtrado adaptativo, vamos a considerar slo los algoritmos
recursivos en el tiempo que actualizan los coeficientes del filtro muestra por muestra. En particular, vamos a
considerar dos tipos de algoritmos, los algoritmos LMS, que se basan en una bsqueda de tipo gradiente para
llevar a cabo un seguimiento de las caractersticas de la seal variante en el tiempo y los algoritmos recursivos
por mnimos cuadrados, que son significativamente ms complejos que el algoritmo LMS, pero proporcionan
una convergencia ms rpida a los cambios en los parmetros estadsticos de la seal.
13.2.1
El algoritmo LMS que se describe en la siguiente subseccin se obtiene ms fcilmente formulando la optimizacin de los coeficientes del filtro FIR como un problema de estimacin basado en la minimizacin del error
cuadrtico medio. Supongamos que disponemos de la secuencia de datos (posiblemente complejos) x(n), la cual
consta de muestras procedentes de un proceso aleatorio estacionario con la secuencia de autocorrelacin
(13.2.2)
A partir de estas muestras, formamos un estimado de la secuencia deseada d(n) pasando los datos observados
x(n) a travs de un filtro FIR de coeficientes h(n), 0 n M 1. La salida del filtro puede expresarse como
=
d(n)
M1
h(k)x(n k)
(13.2.3)
k=0
M1
h(k)x(n k)
(13.2.4)
k=0
El error cuadrtico medio como una funcin de los coeficientes del filtro es
EM = E[|e(n)|2 ]
2
M1
= E d(n) h(k)x(n k)
k=0
= E |d(n)| 2Re
2
M1
h (l)d(n)x
k=0
d2 2Re
M1
h (l)dx (l) +
l=0
(n l) +
M1 M1
h (l)h(k)x (n l)x(n k)
k=0 l=0
M1 M1
h (l)h(k)xx (l k)
(13.2.5)
l=0 k=0
h(k)xx (l k) = dx (l),
l = 0, 1, . . . , M 1
(13.2.6)
k=0
El filtro con los coeficientes obtenidos a partir de (13.2.6), que es la ecuacin de WienerHopf anteriormente
obtenida en la Seccin 12.7.1 se conoce como filtro de Wiener.
Si comparamos (13.2.6) con (13.2.1), es evidente que estas ecuaciones son similares en lo que respecta a
la forma. En (13.2.1), utilizamos estimados de la autocorrelacin y la correlacin cruzada para determinar los
coeficientes del filtro, mientras que en (13.2.6) utilizamos la autocorrelacin y la correlacin cruzada estadsticas.
Por tanto, (13.2.6) proporciona los coeficientes del filtro ptimos (Wiener) en lo que respeta al error cuadrtico
medio, mientras que (13.2.1) proporciona estimados de los coeficientes ptimos.
Las ecuaciones dadas en (13.2.6) pueden expresarse en forma matricial como sigue
M hM = d
(13.2.7)
donde hM designa el vector de coeficientes, M es una matriz de Toeplitz M M (hermitiana) con elementos
lk = xx (l k), y d es un vector de correlacin cruzada M 1 cuyos elementos son dx (l), l = 0, 1, . . . , M 1.
El complejo conjugado de hM se designa como hM y la transpuesta como htM . La solucin para los coeficientes
ptimos del filtro es
hopt = 1
(13.2.8)
M d
y el error cuadrtico medio mnimo resultante que se obtiene con los coeficientes ptimos dado por (13.2.8) es
EM mn = d2
M1
hopt(k)dx (k)
k=0
= d2 dH 1
M d
(13.2.9)
M1
h(k)e(n)x
(n k) =
k=0
o, lo que es lo mismo,
(13.2.10)
M1
h(k)E[e(n)x (n k)] = 0
k=0
E[e(n)x (n l)] = 0,
l = 0, 1, . . . , M 1
(13.2.11)
Si sustituimos e(n) en (13.2.11) utilizando la expresin dada en (13.2.4), y calculamos la esperanza, obtenemos
las ecuaciones dadas en (13.2.6).
es ortogonal a e(n), el error cuadrtico medio residual (mnimo) es
Puesto que d(n)
EM mn = E[e(n)d (n)]
= E[|d(n)|2 ]
M1
(13.2.12)
k=0
13.2.2
El algoritmo LMS
Pueden emplearse diversos mtodos numricos para resolver el conjunto de ecuaciones lineales dado por (13.2.6)
o (13.2.7) para los coeficientes ptimos del filtro FIR. A continuacin, consideremos los mtodos recursivos
que hemos visto para hallar el mnimo de una funcin de varias variables. En nuestro problema, el ndice de
rendimiento es el error cuadrtico medio dado por (13.2.5), que es una funcin cuadrtica de los coeficientes
del filtro. Por tanto, esta funcin tiene un slo mnimo, que determinaremos mediante una bsqueda iterativa.
Por el momento, suponemos que la matriz de autocorrelacin M y el vector de correlacin cruzada d son
conocidos. Por tanto, EM es una funcin conocida de los coeficientes h(n), 0 n M 1. Los algoritmos para
calcular recursivamente los coeficientes del filtro y, por tanto, para buscar el mnimo de EM , tienen la forma
1
hM (n + 1) = hM (n) + (n)S(n),
2
n = 0, 1, . . .
(13.2.13)
donde hM (n) es el vector de coeficientes del filtro en la iteracin n, (n) es el tamao del paso en la iteracin
n y S(n) es un vector de direccin para la iteraccin n. El vector inicial hM (0) se elige arbitrariamente. En este
tratamiento, excluimos los mtodos que requieren los clculos de 1
M , como por ejemplo el mtodo de Newton,
y slo consideramos los mtodos de bsqueda basados en el uso de vectores gradiente.
El mtodo ms simple para hallar el mnimo de EM recursivamente es el basado en una bsqueda de la
pendiente descendente mxima (vase Murray (1972)). En este mtodo, el vector de direccin S(n) = g(n),
donde g(n) es el vector gradiente en la iteracin n, se define como
g(n) =
dEM (n)
dhM (n)
= 2[M hM (n) d ],
n = 0, 1, 2, . . .
(13.2.14)
As, calculamos el vector gradiente en cada iteraccin y cambiamos los valores de hM(n) en una direccin opuesta
al gradiante. Por tanto, el algoritmo recursivo basado en el mtodo de bsqueda de la pendiente descendente
mxima es
1
hM (n + 1) = hM (n) (n)g(n)
(13.2.15)
2
o, lo que es equivalente,
(13.2.16)
Podemos establecer, aunque no lo vamos a demostrar, que el algoritmo lleva a la convergencia de hM (n) a hopt
en el lmite cuando n , siempre que la secuencia de pasos de tamao (n) sea absolutamente sumable, con
(n) 0 cuando n . Se deduce que cuando n , g(n) 0.
Otros algoritmos que proporcionan una convergencia rpida son el algoritmo de gradiente conjugado y el
algortimo de FletcherPowell. En el algoritmo de gradiente conjugado, los vectores de direccin estn dados
por
S(n) = (n 1)S(n 1) g(n)
(13.2.17)
donde (n) es una funcin escalar de los vectores gradiente (vase Beckman (1960)). En el algoritmo de
FletcherPowell, los vectores de direccin estn dados por
S(n) = H(n)g(n)
(13.2.18)
donde H(n) es una matriz definida positiva M M, calculada iterativamente, que converge al inverso de M
(vase Fletcher y Powell (1963)). Evidentemente, los tres algoritmos difieren en la forma en que se calculan los
vectores de direccin.
Estos tres algoritmos son apropiados cuando M y d son conocidos. Sin embargo, ste no es el caso en las
aplicaciones de filtrado adaptativo, como ya hemos indicado anteriormente. Si no se conocen M y d , podemos
(13.2.20)
Evidentemente, el vector gradiente g(n) = 0 cuando el error es ortogonal a los datos en el estimado d(n).
Un estimado no polarizado del vector gradiente en la iteracin n se obtiene simplemente a partir de (13.2.20)
como
g (n) = 2e(n)XM (n)
(13.2.21)
y XM (n) es el conjunto de M muestras de seal en el filtro en la iteracin n. Por tanto,
donde e(n) = d(n) d(n)
con g (n) sustituido por g(n), tenemos el algoritmo
hM (n + 1) = hM (n) + (n)e(n)XM (n)
(13.2.22)
ste es un algoritmo estocstico de gradiente descendente. Como se puede ver en la Ecuacin (13.2.22), presenta
un tamao de paso variable.
Es habitual en el proceso de filtrado adaptativo utilizar un algoritmo de tamao de paso fijo por dos razones.
La primera de ellas es que un algoritmo con tamao de paso fijo se implementa fcilmente por hardware o
software. La segunda es que un tamao de paso fijo es apropiado para hacer un seguimiento de los parmetros
estadsticos de la seal variante en el tiempo, mientras que si (n) 0 cuando n , la adaptacin a las
variaciones de la seal no puede producirse. Por estas razones, (13.2.22) se modifica al algoritmo
hM (n + 1) = hM (n) + e(n)XM (n)
(13.2.23)
donde ahora es el tamao de paso fijo. Este algoritmo fue propuesto por primera vez por Widrow y Hoff (1960)
y actualmente es ampliamente conocido como el algoritmo de mnimos cuadrados (LMS, least-mean-squares).
Evidentemente, se trata de un algoritmo estocstico de gradiente.
El algoritmo LMS es relativamente simple de implementar. Por tanto, se ha empleado en muchas aplicaciones
de filtrado adaptativo. Sus propiedades y limitaciones tambin han sido investigadas. En la siguiente seccin,
proporcionamos un breve estudio de sus propiedades relativas a la convergencia, estabilidad y ruido resultantes de
utilizar los vectores de gradiente. A continuacin compararemos sus propiedades con los algoritmos recursivos
ms complejos de mnimos cuadrados.
13.2.3
En la literatura tcnica se han propuesto diversas variantes del algoritmo de mnimos cuadrados (LMS) bsico
y se han implementado en aplicaciones de filtrado adaptativo. Una de estas variantes se obtiene promediando
los vectores gradiante en varias iteraciones al ajustar los coeficientes del filtro. Por ejemplo, el promedio de K
vectores gradiente es
g (nK) =
2 K1
e(nK + k)XM (nK + k)
K k=0
(13.2.24)
y la correspondiente ecuacin recursiva para actualizar los coeficientes del filtro una vez cada K iteraciones es
1
hM ((n + 1)K) = hM (nK) g(nK)
2
(13.2.25)
En efecto, la operacin de promediado realizada en (13.2.24) reduce el ruido en el estimado del vector gradiente,
como demostr Gardner (1984).
Un mtodo alternativo consiste en filtrar los vectores gradiente mediante un filtro paso bajo y utilizar la
salida del filtro como un estimado del vector gradiente. Por ejemplo, un filtro paso bajo simple para los gradientes
proporciona como salida
1) g (n),
S(n)
= S(n
S(0) = g(0)
(13.2.26)
donde la eleccin de 0 < 1 determina el ancho de banda del filtro paso bajo. Cuando el valor de es
prximo a la unidad, el ancho de banda del filtro es pequeo y el clculo del promedio efectivo se realiza sobre
muchos vectores gradiente. Por otro lado, cuando el valor de es pequeo, el filtro paso bajo tiene un ancho
de banda grande y, por tanto, proporciona un promedio pequeo de los vectores gradiente. Con los vectores
gradiente filtrados dados por (13.2.26) en lugar de g (n), obtenemos la versin filtrada del algoritmo LMS dada
por
1
hM (n + 1) = hM (n) + S(n)
(13.2.27)
2
Un anlisis del algoritmo LMS de gradiente filtrado est disponible en Proakis (1974).
Se obtienen otras tres variantes del algoritmo LMS bsico dadas en (13.2.23) utilizando la informacin de
signo contenida en la seal de error e(n) y/o en los componentes del vector de seal XM (n). Por tanto, las tres
posibles variantes son
hM (n + 1) = hM (n) + csgn[e(n)]XM (n)
(13.2.28)
(13.2.29)
(13.2.30)
1 + j, si Re(x) > 0
1 j, si Re(x) > 0
csgn[x] =
1
+ j, si Re(x) < 0
1 j, si Re(x) < 0
e
e
e
e
Im(x) > 0
Im(x) < 0
Im(x) > 0
Im(x) < 0
y csgn[X] designa la funcin signo compleja aplicada a cada elemento del vector X. Estas tres variantes del
algoritmo LMS suelen denominarse algoritmos LMS de complejidad reducida, ya que en la Ecuacin (13.2.30)
se evitan las multiplicaciones por completo, y en las Ecuaciones (13.2.28) y (13.2.29) pueden ser completamente
evitadas seleccionando para que sea una potencia de 1/2. El precio que hay que pagar por esta reduccin en
la complejidad de los clculos es una convergencia ms lenta de los coeficientes del filtro a sus valores ptimos.
Otra versin de los algoritmos LMS, conocida como algoritmo LMS normalizado (NLMS), que se emplea
frecuentemente en la prctica est dada por
hM (n + 1) = hM (n) +
e(n)XM (n)
||XM (n)||2
(13.2.31)
Dividiendo el tamao del paso por la norma del vector de datos XM (n), el algoritmo LMS normalizado es
equivalente a emplear el tamao de paso variable de la forma
(n) =
||XM (n)||2
(13.2.32)
Por tanto, el tamao del paso en cada iteracin es inversamente proporcional a la energa en el vector de
datos recibido XM (n). Este cambio de escala es ventajoso en las aplicaciones de filtrado adaptativo donde el
rango dinmico de la entrada al filtro adaptativo es grande, como en el caso por ejemplo de la implementacin
de los ecualizadores adaptativos para atenuar lentamente los canales de comunicacin. En tales aplicaciones,
puede resultar ventajoso aadir una constante positiva pequea al denominador de (13.2.32), para evitar las
inestabilidades numricas que pueden resultar cuando la norma de XM (n) es pequea. As, otra versin del
algoritmo LMS normalizado puede emplear un tamao de paso variable de la forma
(n) =
+ ||XM (n)||2
(13.2.33)
13.2.4
En esta seccin, vamos a considerar las propiedades bsicas del algoritmo LMS dado por (13.2.23). En particular,
vamos a centrarnos en las propiedades de convergencia, su estabilidad y el exceso de ruido generado como
resultado de utilizar vectores gradiente ruidosos, en lugar de los vectores gradiente reales. El uso de estimados
ruidosos de los vectores implica que los coeficientes del filtro fluctan aleatoriamente y, por tanto, un anlisis
de la caractersticas del algoritmo debera llevarse a cabo en trminos estadsticos.
La convergencia y estabilidad del algoritmo LMS puede investigarse determinando cmo el valor medio de
hM (n) converge a los coeficientes ptimos hopt . Si calculamos el valor esperado de (13.2.23), obtenemos
h M (n + 1) = h M (n) + E[e(n)XM (n)]
= h M (n) + [ M h M (n)]
d
= (I M )h M (n) + d
(13.2.34)
(13.2.35)
donde U es la matriz modal normalizada de M y es una matriz diagonal con elementos en la diagonal
k , 0 k M 1, iguales a los auto-valores de M .
Si sustituimos (13.2.35) en (13.2.34), la expresin anterior puede expresarse como
h 0M (n + 1) = (I )h 0M (n) + d0
(13.2.36)
donde los vectores transformados (ortogonalizados) son h 0M (n) = UH h M (n) y d0 = UH d . El conjunto de las M
ecuaciones en diferencias de primer orden dado en (13.2.36) ahora estn desacopladas. Su convergencia y su
estabilidad quedan determinadas por la ecuacin homognea
h 0M (n + 1) = (I )h 0M (n)
(13.2.37)
g(n)
(n 1)
h
M
Filtro
H(z)
z1
M h M(n)
M
hM (n)
z1
Figura 13.2.1. Representacin del sistema de control en bucle cerrado de la Ecuacin 13.2.34
Si centramos nuestra atencin en la solucin de la ecuacin k dada en (13.2.37), observamos que
h 0 (k, n) = C(1 k )n u(n),
k = 0, 1, 2, . . . , M 1
(13.2.38)
donde C es una constante arbitraria y u(n) es la secuencia del impulso unitario, Evidentemente, h 0 (k, n) converge
a cero exponencialmente, siempre que
|1 k | < 1
o, lo que es equivalene,
0<<
2
,
k
k = 0, 1, . . . , M 1
(13.2.39)
La condicin dada por (13.2.39) para la convergencia de la ecuacin en diferencias homogna para el
coeficiente k-simo del filtro normalizado (modo k del sistema en bucle cerrado) debe satisfacerse para todo
k = 0, 1, . . . , M 1. Por tanto, el rango de valores de que asegura la convergencia de la media del vector de
coeficientes en el algoritmo LMS es
2
0<<
(13.2.40)
max
donde max es el autovalor mximo de M .
Dado que M es una matriz de autocorrelacin, sus autovalores son no negativos. Por tanto, un lmite
superior sobre max es
max <
M1
(13.2.41)
k=0
donde xx (0) es la potencia de la seal de entrada, la cual se estima fcilmente a partir de la seal recibida. Por
tanto, un lmite superior del tamao de la muestra es 2/M xx (0).
A partir de (13.2.38), puede observarse que la convergencia rpida del algoritmo LMS se produce cuando
|1 k | es pequeo, es decir, cuando los polos del sistema en bucle cerrado de la Figura 13.2.1 estn alejados
de la circunferencia unidad. Sin embargo, no podemos conseguir esta deseable condicin y satisfacer el lmite
superior dado por la Ecuacin (13.2.39) si existe una diferencia grande entre los autovalores mnimo y mximo
de M . En otras plabras, incluso si seleccionamos para que sea igual a 1/max , la velocidad de convergencia
del algoritmo LMS quedar determinada por la disminucin del modo correspondiente al autovalor mnimo
min . En este modo, con = 1/max sustituido en (13.2.38), tenemos
mn n
0
hM (k, n) = C 1
u(n)
(13.2.42)
max
En consecuencia, la relacin min /max determina en ltima instancia la velocidad de convergencia. Si el valor
de min /max es pequeo (mucho menor que la unidad), la velocidad de convergencia ser lenta. Por el contrario,
si min /max es prximo a la unidad, la velocidad de convergencia del algoritmo ser ms rpida.
La otra caracterstica importante del algoritmo LMS es el ruido que resulta de emplear los estimados de los
vectores gradiente. El ruido en estos estimados da lugar a fluctuaciones aleatorias en los coeficientes alrededor
de sus valores ptimos y, por tanto, nos lleva a un incremento del error cuadrtico medio mnimo (MMSE) en
la salida del filtro adaptativo. Por tanto, el MSE total es EM mn + E, donde E es el error cuadrtico medio en
exceso.
Para cualquier conjunto dado de coeficientes del filtro hM (n), el MSE total en la salida del filtro adaptativo
puede expresarse como
Et (n) = EM mn + (hM (n) hopt)t M (hM (n) hopt )
(13.2.43)
donde hopt representa los coeficientes ptimos del filtro definidos por (13.2.8). Una grfica de Et (n) como funcin
de la iteracin n es una curva de aprendizaje. Si sustituimos (13.2.35) para M y realizamos la transformacin
ortogonal lineal utilizada anteriormente, obtenemos
Et (n) = EM mn +
M1
2
k h0(k, n) h0opt(k)
(13.2.44)
k=0
donde el trmino h0 (k, n) h0opt (k) representa el error en el coeficiente k-simo del filtro (en el sistema de
coordenadas ortogonales). El error cuadrtico medio en exceso se define como el valor esperado del segundo
trmino de la Ecuacin (13.2.44),
E =
M1
k E
k=0
/
. 0
h (k, n) h0 (k)2
opt
(13.2.45)
Para obtener una expresin para el MSE en exceso E , suponemos que los valores medios de los coeficientes
del filtro hM (n) han convergido a sus valores ptimos hopt . Luego, el trmino e(n)XM (n) en el algoritmo LMS
dado por (13.2.23) es un vector de ruido de media cero. Su covarianza es
.
/
cov[e(n)XM (n)] = 2 E |e(n)|2 XM (n)XH
(13.2.46)
M (n)
En una primera aproximacin, suponemos que |e(n)|2 no est correlado con el vector de seal. Aunque esta
suposicin no es estrictamente cierta, simplifica la deduccin y proporciona resultados tiles. El lector puede
consultar los textos de Mazo (1979), Jones, Cavin y Reed (1982), y Gardner (1984) para conocer ms detalles
acerca de esta suposicin. Luego,
.
/
cov[e(n)XM (n)] = 2 E[|e(n)|2 ]E XM (n)XH
M (n)
= 2 EM mn M
(13.2.47)
Para el vector de coeficientes ortonormalizados h0M (n) con ruido aditivo, tenemos la ecuacin
h0M (n + 1) = (I )h0M (n) + d0 + w0 (n)
(13.2.48)
donde w0 (n) es el vector de ruido aditivo, que est relacionado con el vector de ruido e(n) XM (n) a travs de
la transformacin
w0 (n) = UH [e(n)XM (n)]
= e(n)UH XM (n)
(13.2.49)
(13.2.50)
Por tanto, los M componentes de w0 (n) estn incorrelados y cada componente tiene la varianza k2 =
2 EM mn k , k = 0, 1, . . . , M 1.
Puesto que las componentes de ruido de w0 (n) estn incorreladas, podemos considerar por separado las M
ecuaciones en diferencias desacopladas de la Ecuacin (13.2.48). Cada una de las ecuaciones en diferencias de
primer orden representa un filtro con la respuesta al impulso (1 k )n . Cuando un filtro as se excita con una
secuencia de ruido w0k (n), la varianza del ruido en la salida del filtro es
2 /
.
E h0 (k, n) h0opt(k) =
(1 k)n (1 k)m E
n=0 m=0
. 0
/
wk (n)w0
k (m)
(13.2.51)
Con el fin de simplificar, suponemos que la secuencia de ruido es una secuencia de ruido blanco w0k (n). Luego
(13.2.51) se reduce a
2 /
.
E h0 (k, n) h0opt(k) =
k2
2 EM mn k
=
2
1 (1 k)
1 (1 k)2
(13.2.52)
M1
k=0
k2
2k
M1
1
EM mn k
2
k=0
MEM mn xx (0)
2
(13.2.54)
<1
EM mn
2
o, lo que es equivalente,
<
2
M xx (0)
(13.2.55)
Pero, ste es slo el lmite superior que hemos obtenido anteriormente para max . Cuando se trabaja en rgimen
permanente, debe satisfacer el lmite superior dado en (13.2.55); en caso contrario, el MSE en exceso causa
una degradacin significativa en el funcionamiento del filtro adaptativo.
El anlisis anterior del MSE en exceso se ha basado en la suposicin de que los valores medios de los
coeficientes del filtro convergen a la solucin ptima hopt . Bajo esta condicin, el paso fijo debe satisfacer
el lmite dado en (13.2.55). Por otro lado, hemos determinado que la convergencia del vector de coeficientes
medio requiere que < 2/max. Mientras que una eleccin del valor de prximo al lmite superior 2/max
puede llevarnos a la convergencia inicial del algoritmo de gradiente determinstico (conocido), un valor grande
de normalmente dar lugar a la inestabilidad del algoritmo LMS de gradiente estocstico.
La convergencia inicial o comportamiento transitorio del algoritmo LMS ha sido investigado por varios
investigadores. Sus resultados indican claramente que el tamao de paso debe reducirse en proporcin directa a
la longitud del filtro adaptativo, como en (13.2.55). El lmite superior dado en la Ecuacin (13.2.55) es necesario
para garantizar la convergencia inicial del algoritmo LMS de gradiente estocstico. En la prctica, normalmente
se elige < 1/M xx (0). Sayed (2003), Gitlin y Weinstein (1979), y Ungerboeck (1972) proporcionan un anlisis
del comportamiento transitorio y de las propiedades de convergencia del algoritmo LMS.
En una implementacin digital del algoritmo LMS, la eleccin del tamao del paso puede llegar a ser
incluso ms crtica. En un intento de reducir el error cuadrtico medio en exceso, es posible reducir el tamao
del paso hasta el punto en que el MSE de salida total realmente aumente. Esta condicin se produce cuando las
componentes del gradiente estimado e(n)x (n l), l = 0, 1, M 1, despus de la multiplicacin por el tamao
del paso , son ms pequeas que la mitad del bit menos significativo en la representacin de punto fijo de los
coeficientes del filtro. En tal caso, la adaptacin cesa. En consecuencia, es importante que el tamao del paso
sea lo suficientemente grande como para llevar los coeficientes del filtro a las vecindades de hopt . Si se desea
disminuir el tamao del paso de forma significativa, es necesario aumentar la precisin de los coeficientes del
filtro. Normalmente, pueden emplearse dieciseis bits de precisin para los coeficientes del filtro, con los doce
bits ms significativos utilizados para las operaciones aritmticas en el filtrado de los datos. Los cuatro bits
menos significativos son necesarios para proporcionar la precisin necesaria para el proceso de adaptacin. Por
tanto, las componentes escaladas del gradiente estimado e(n)x (n l) normalmente slo afectan a los bits
menos significativos. En efecto, la precisin aadida tambin permite que el ruido sea promediado, dado que
son necesarios varios cambios incrementales en los bits antes de que se produzca ningn cambio en los bits ms
significativos utilizados en las operaciones aritmticas para el filtrado de los datos. Para ver un anlisis de los
errores de redondeo en una implementacin digital del algoritmo LMS, el lector puede consultar los textos de
Gitlin y Weinstein (1979), Gitlin, Meadors y Weinstein (1982), y Caraiscos y Liu (1984).
Para terminar, indicaremos que el algoritmo LMS es apropiado para seguir los parmetros estadsticos de una
seal que vara lentamente en el tiempo. En tal caso, el error cuadrtico medio mnimo y el vector de coeficientes
ptimos ser variante en el tiempo. En otras palabras, EM mn es una funcin del tiempo y la superficie del error
M-dimensional se mueve con el ndice de tiempo n. El algoritmo LMS intenta seguir el mnimo mvil EM mn
en el espacio M-dimensional, pero siempre est retrasado debido a su uso de los vectores gradiente (estimados).
En consecuencia, el algoritmo LMS incurre en otra forma de error, denominado error de retardo, cuyo valor
cuadrtico medio disminuye cuando el tamao de paso aumenta. El error cuadrtico medio total ahora se
puede expresar como
Etotal = EM mn + E + El
(13.2.56)
donde El designa el MSE debido al retardo.
En cualquier problema de filtrado adaptativo no estacionario, si dibujamos E y El como una funcin de ,
veremos que estos errores se comportan como se muestra en la Figura 13.2.2. Observe que E aumenta cuando
aumenta , mientras que El disminuye cuando aumenta. El error total presenta un mnimo, el cual determinar
la eleccin ptima del tamao del paso.
Cuando las variaciones temporales estadsticas de la seal se producen rpidamente, el error de retardo
dominar en el funcionamiento del filtro adaptativo. En tal caso, El EM mn + E , incluso cuando se emplee el
valor ms grande posible de .
EJEMPLO 13.2.1
En la Figura 13.2.3 se ilustran las curvas de aprendizaje para el algoritmo LMS, cuando se emplean para ecualizar adaptativamente un canal de comunicacin. El ecualizador FIR fue implementado en la forma directa y tena una longitud M = 11.
La matriz de autocorrelacin M tiene una dispersin del autovalor igual a max /min = 11. Estas tres curvas de aprendizaje
l
Error cuadrtico medio
Figura 13.2.2. Error cuadrtico medio E y el error de retardo El como funcin del tamao de paso .
se han obtenido con los tamaos de paso = 0.045, 0.09 y 0.115, promediando el MSE (estimado) en 200 simulaciones. La
potencia de la seal de entrada se ha normalizado a la unidad. Por tanto, el lmite superior dado en (13.2.55) es igual a 0.18.
Seleccionando = 0.09 (la mitad del lmite superior), obtenemos una curva de aprendizaje que decae rpidamente, como
se muestra en la Figura 13.2.3. Si dividimos entre 2 para obtener 0.045, la velocidad de convergencia se reduce pero el
MSE en exceso tambin se reduce, por lo que el algoritmo da mejores resultados en el entorno de una seal invariante en el
tiempo. Por ltimo, observe que una eleccin de = 0.115 produce grandes fluctuaciones indeseables en el MSE de salida
del algoritmo. Observe que = 0.115 es significativamente menor que el lmite superior dado por (13.2.55).
101
MSE de salida
0.045
0.115
102
0.09
103
100
200
300
Nmero de iteraciones
400
500
Figura 13.2.3. Curvas de aprendizaje para el algoritmo LMS aplicado a un ecualizador adaptativo de longitud
M = 11 y un canal con una dispersin del autovalor igual a max /min = 11.
13.3.1
Algoritmo RLS
Con el fin de simplificar la notacin, es conveniente expresar los algoritmos de mnimos cuadrados en forma
matricial. Dado que los algoritmos sern recursivos en el tiempo, tambin es necesario introducir un ndice de
tiempo en el vector de coeficientes del filtro y en la secuencia de error. As, definimos el vector de coeficientes
del filtro en el instante n como
h(0, n)
h(1, n)
hM (n) = h(2, n)
(13.3.1)
.
.
h(M 1, n)
donde el subndice M denota la longitud del filtro. De forma similar, el vector de la seal de entrada en el instante
n se designa como
x(n)
x(n 1)
XM (n) = x(n 2)
(13.3.2)
..
x(n M + 1)
Suponga que x(n) = 0 para n < 0. Esto normalmente se conoce como ventana de preseleccin de los datos de
entrada.
Ahora el problema de los mnimos cuadrados recursivos puede formularse como sigue. Suponga que hemos
observado los vectores XM (l), l = 0, 1, . . . , n, y que deseamos determinar el vector de coeficientes del filtro
hM (n) que minimiza la suma ponderada de los mdulos al cuadrado de los errores.
EM =
(13.3.3)
l=0
n),
donde el error se define como la diferencia entre la secuencia deseada d(l) y la estimada d(l,
n)
eM (l, n) = d(l) d(l,
= d(l) htM (n)XM (l)
(13.3.4)
n=0
(13.3.5)
(13.3.7)
l=0
wnl XM (l)d(l)
(13.3.8)
l=0
La solucin de (13.3.6) es
hM (n) = R1
M (n)DM (n)
(13.3.9)
(13.3.10)
R1 (n 1)XM (n)XtM (n)R1
1 1
M (n 1)
RM (n 1) M
w
w + XtM (n)R1
M (n 1)XM (n)
(13.3.11)
Por tanto, R1
M (n) puede calcularse de forma recursiva.
1
PM (n 1)XM (n)
w + M (n)
(13.3.12)
(13.3.13)
/
1.
PM (n 1) KM (n)XtM (n)PM (n 1)
w
(13.3.14)
PM (n)XM (n) =
(13.3.15)
Por tanto, el vector de ganancia de Kalman tambin puede definirse como PM (n)XM (n).
Ahora podemos utilizar el lema de inversin de matrices para obtener una ecuacin que permita calcular
los coeficientes del filtro de forma recursiva. Puesto que,
(13.3.16)
(13.3.17)
/
1.
PM (n 1) KM (n)XtM (n)PM (n 1)
w
[wDM (n 1) + d(n)XM (n)]
= PM (n 1)DM (n 1) +
1
d(n)PM (n 1)XM (n)
w
(13.3.18)
Observe que XtM (n)hM (n 1) es la salida del filtro adaptativo en el instante n basada en el uso de los
coeficientes del filtro en el instante n 1. Puesto que
n 1) d(n)
(13.3.19)
n 1) eM (n)
eM (n, n 1) = d(n) d(n,
(13.3.20)
se deduce que la ecuacin de actualizacin en el tiempo para hM (n) puede expresarse como
o, lo que es equivalente,
(13.3.21)
(13.3.22)
En resumen, suponga que disponemos de los coeficientes ptimos del filtro hM (n 1), la matriz PM (n 1) y
el vector XM (n1). Cuando se obtiene la nueva componente de seal x(n), formamos el vector XM(n) eliminando
el trmino x(n M) de XM (n 1) y aadiendo el trmino x(n) como primer elemento. A continuacin, el clculo
recursivo para los coeficientes del filtro es el siguiente:
1. Calcular la salida del filtro:
= XtM (n)hM (n 1)
d(n)
(13.3.23)
(13.3.24)
2. Calcular el error:
3. Calcular el vector de ganancia de Kalman:
KM (n) =
PM (n 1)XM (n)
w + XtM (n)PM (n 1)XM (n)
(13.3.25)
/
1.
PM (n 1) KM (n)XtM (n)PM (n 1)
w
(13.3.26)
(13.3.27)
El algoritmo recursivo especificado por las ecuaciones (13.3.23) hasta (13.3.27) se denomina algoritmo RLS
(recursive least-squares) recursivo de mnimos cuadrados en la forma directa. ste se inicializa configurando
hM (1) = 0 y PM (1) = 1/ IM , donde es un nmero positivo pequeo.
El MSE residual resultante de la optimizacin anterior es
EM mn =
(13.3.28)
l=0
A partir de (13.3.27), puede observar que los coeficientes del filtro varan con el tiempo en una cantidad
igual al error eM (n) multiplicado por el vector de ganancia de Kalman KM (n). Puesto que KM (n) es un vector Mdimensional, cada coeficiente del filtro se controla mediante uno de los elementos de KM (n). En consecuencia,
se consigue una convergencia rpida. En contraste, la ecuacin de actualizacin en el tiempo para los coeficientes
del filtro ajustados por el uso del algoritmo LMS es
hM (n) = hM (n 1) + X(n)eM (n)
(13.3.29)
que slo dispone del parmetro para controlar la velocidad de ajuste de los coeficientes.
13.3.2
El algoritmo recursivo de mnimos cuadrados es muy sensible al ruido de redondeo de una implementacin del
algoritmo cuando se emplea aritmtica de precisin finita. El problema principal con los errores de redondeo se
produce al actualizar PM (n). Para remediar este problema, podemos realizar una descomposicin de la matriz
de correlacin RM (n) o de su inversa PM (n).
Ms concretamente, consideremos una descomposicin LDU (lower-triangular / diagonal / upper-triangular,
triangular inferior / diagonal / triangular superior) de PM (n). As, podemos escribir
M (n)LH
PM (n) = LM (n)D
M (n)
(13.3.30)
M (n 1)LH
VM (n 1) = D
M (n 1)XM (n)
(13.3.32)
El trmino entre corchetes de (13.3.31) es una matriz hermitiana y se puede expresar como la siguiente descomposicin LDU
1
VM (n 1)VH
M (n 1)
w + M (n)
(13.3.33)
/
1.
H
M (n)L H
M (n 1)D
M (n 1)L
H
LM (n 1)L
LM (n)D
M (n) =
M (n 1)LM (n 1)
w
(13.3.34)
M (n 1)L
H
L M (n 1)D
M (n 1) = DM (n 1)
Si sustituimos (13.3.33) en (13.3.31), obtenemos
(13.3.35)
lik dk l jk = pi j ,
1 j i 1,
i2
(13.3.36)
k=1
= p11
j1
li j d j = pi j lik dk l jk ,
k=1
i1
di = pii |lik |2 dk ,
1 j i 1,
2iM
(13.3.37)
2iM
k=1
for j = 1, . . . , 2, . . . , M do
f j = xj (n)
end loop j
for j = 1, 2, . . . , M 1 do
for i = j + 1, j + 2, . . ., M do
f j = f j + li j (n 1) f i
end loop j
for j = 1, 2, . . . , M do
d j (n) = d j (n 1)/w
v j = d j (n) f j
end loop j
M = 1 + vM fM
dM (n) = dM (n)/M
k M = vM
for j = M 1, M 2, . . ., 1 do
k j = v j
j = j+1 + v j f j
j = f j / j+1
d j (n) = d j (n) j+1 /1
for i = M, M 1, . . . , j + 1 do
li j (n) = li j (n 1) + k i j
down to j = 2)
k i = k i + v j lij (n 1)
end loop i
end loop j
M (n) = [k 1 , k 2 , . . . , k M ]t
K
13.3.3
El algoritmo RLS en la forma directa y los algoritmos de raz cuadrada presentan una complejidad de clculo
proporcional a M 2 , como se ha indicado. Por otro lado, los algoritmos RLS en celosa que se estudian en la
Seccin 13.4, presentan una complejidad de clculo proporcional a M. Bsicamente, los algoritmos en celosa
evitan las multiplicaciones de matrices implicadas en el clculo del vector de ganancia de Kalman KM (n).
Utilizando las frmulas de prediccin directa e inversa obtenidas en la Seccin 13.4 para el algoritmo RLS
en celosa, es posible obtener ecuaciones de actualizacin en el tiempo para el vector de ganancia de Kalman
que eviten por completo las multiplicaciones de matrices. Los algoritmos resultantes tienen una complejidad
que es proporcional a M (multiplicaciones y divisiones) y, por tanto, se denominan algoritmos RLS rpidos para
los filtros FIR en forma directa.
Existen varias versiones de los algoritmos rpidos, que difieren en cuestiones menores. En las Tablas
13.2 y 13.3 se proporcionan dos versiones para seales complejas. Las variables utilizadas en los algoritmos
rpidos enumeradas en estas tablas se definen en la Seccin 13.4. La complejidad de clculo para la versin
A es de 10M 4 multiplicaciones y divisiones (complejas), mientras que la versin B tiene una complejidad
de 9M + 1 multiplicaciones y divisiones. Es posible conseguir una reduccin adicional en la complejidad de
clculo a 7M. Por ejemplo, Carayannis, Manolakis y Kalouptsidis (1983) describen un algoritmo RLS rpido,
denominado algoritmo FAEST (fast a posteriori error sequential technique, tcnica rpida secuencial del error
a posteriori), con una complejidad de cluclo de 7M; este algoritmo se proporciona en la Seccin 13.4. Se han
propuesto otras versiones de estos algoritmos con una complejidad de 7M, pero muchos de estos algoritmos
son extremadamente sensibles al ruido de redondeo y presentan problemas de inestabilidad (Falconer y Ljung
(1978), Carayannis, Manolakis y Kalouptsidis (1983; 1986) y Cioffi y Kailath (1984)). Slock y Kailath (1988;
1991) han demostrado cmo estabilizar estos algoritmos rpidos (7M) con un incremento relativamente pequeo
del nmero de clculos; en la Seccin 13.4 se exponen dos algoritmos RLS rpidos estabilizados.
fM1 (n)
gM1 (n)
aM1 (n)
fM1 (n, n)
f
EM1
(n)
CM1 (n)
cMM (n)
= x(n) + atM1(n)XM1 (n 1)
f
= wEM1
(n 1) + f M1(n) fM1
(n, n)
1
0
fM1
(n, n)
KM (n) =
+ f
KM1 (n 1)
EM1 (n) aM1 (n)
KM1 (n)
bM1 (n)
d(n)
eM (n)
= d(n) d(n)
hM (n)
= hM (n 1) + KM (n)eM (n)
Inicializacin
aM1 (1)
= bM1 (1) = 0
KM1 (1)
=0
hM1 (1)
=0
EM1 (1)
= ,
>0
fM1 (n)
gM1 (n)
aM1 (n)
fM1 (n, n)
= M1 (n 1) f M1 (n)
f
(n)
EM1
f
= wEM1
(n 1) + M1(n 1)| f M1 (n)|2
fM1
(n, n)
1
0
KM (n) =
+ f
KM1 (n 1)
EM1 (n) aM1 (n)
KM1 (n)
bM1 (n)
f
(n) f (n,n)
1 M1 f M1
EM1 (n)
= M1 (n 1)
1 cMM(n)gM1 (n)
CM1 (n)
cMM (n)
M1 (n)
eM (n)
= d(n) d(n)
hM (n)
= hM (n 1) + KM (n)eM (n)
d(n)
Inicializacin
aM1 (1)
= bM1 (1) = 0
KM1 (1)
= 0,
f
EM1
(1)
= >0
hM1 (1) = 0
13.3.4
Una ventaja importante del algoritmo RLS en la forma directa sobre el algoritmo LMS es su rpida velocidad
de convergencia. Este comportamiento caracterstico se ilustra en la Figura 13.3.1, la cual muestra la velocidad
de convergencia de los algoritmos LMS y RLS en la forma directa para un ecualizador de canal FIR adaptativo
de longitud M = 11. La matriz de autocorrelacin estadstica M para la seal recibida tiene una relacin de
autovalor igual a max /mn = 11. Todos los coeficientes del ecualizador se ponen incialmente a cero. El tamao
de paso para el algoritmo LMS se ha seleccionado como igual a = 0.02, lo que representa un buen compromiso
entre la velocidad de convergencia y el error cuadrtico medio en exceso.
La superioridad del algoritmo RLS en alcanzar ms rpidamente la convergencia es evidente. El algoritmo
converge en menos de 70 iteraciones (70 muestras de seal) mientras que el algoritmo LMS no converje hasta
las 600 iteraciones. Esta rpida velocidad de convergencia del algoritmo RLS es extremadamete importante en
aplicaciones en las que los parmetros estadsticos de la seal varan con el tiempo rpidamente. Por ejemplo,
las variaciones temporales de las caractersticas de un canal de radio de alta frecuencia ionosfrico da lugar a
un desvanecimiento de la seal hasta el punto en el que la amplitud de la seal es comparable o incluso ms
pequea que el ruido aditivo. Durante un desvanecimiento de la seal, tanto el algoritmo LMS como el RLS
no pueden seguir las caractersticas del canal. Cuando la seal sale del desvanecimiento, las caractersticas del
100
101
Algoritmo de gradiente
Algoritmo RLS
w 0.999
102
00
100
200
300
400
500
Nmero de iteraciones
600
700
Figura 13.3.1. Curvas de aprendizaje para los algoritmos RLS y LMS para el ecualizador adaptativo de longitud
M = 11. La dispersin de autovalor del canal es max /min = 11. El tamao de paso para el algoritmo LMS es
= 0.02. (De Digital Communication por John G. Proakis, 1983, McGraw-Hill Book Company. Reimpreso
con permiso del editor).
canal generalmente son diferentes a las que tena antes del desvanecimiento. En un caso as, el algoritmo LMS
es ms lento en adaptarse a las nuevas caractersticas del canal. Por el contrario, el algoritmo RLS se adapta lo
suficientemente rpido como para seguir dichas rpidas variaciones (Hsu (1982)).
A pesar de su superior velocidad de convergencia, los algoritmos RLS para el filtrado adaptativo FIR
descritos en la seccin anterior presentan dos importantes desventajas. Una es su complejidad de clculo. Los
algoritmos de raz cuadrada tienen una complejidad proporcional a M 2 . Los algoritmos RLS rpidos tienen una
complejidad de clculo proporcional a M, pero el factor de proporcionalidad es de cuatro a cinco veces el del
algoritmo LMS.
La segunda desventaja de los algoritmos es su sensibilidad a los errores de redondeo que acumulan como
resultado de los clculos recursivos. En algunos casos, los errores de redondeo hacen que estos algoritmos sean
inestables.
Las propiedades numricas de los algoritmos RLS han sido estudiadas por diversos investigadores, entre
los que se incluyen Ling y Proakis (1984a), Ljung y Ljung (1985), y Cioffi (1987b). Con fines ilustrativos,
la Tabla 13.4 incluye los resultados de la simulacin sobre el error cuadrtico (promedio temporal) en estado
permanente para el algoritmo RLS de raz cuadrada, el algoritmo RLS rpido de la Tabla 13.2 y el algoritmo
LMS, para diferentes longitudes de palabra. La simulacin ha sido realizada con un ecualizador adaptativo lineal
con M = 11 coeficientes. El canal tiene una relacin de autovalor de max /mn = 11. El factor de ponderacin
exponencial utilizado en los algoritmos RLS era w = 0.975 y el tamao de paso para los algoritmos LMS era
= 0.025. El ruido aditivo tiene una varianza de 0.001. El error cuadrtico medio de salida con precisin infinita
es 2.1 103.
Es importante mencionar que el algoritmo RLS en la forma directa se hace inestable y, por tanto, no funciona
apropiadamente con aritmtica de punto fijo de 16 bits. Para este algoritmo, determinamos experimentalmente
que son necesarios aproximadamente de 20 a 24 bits de precisin para que el algoritmo funcione bien. Por otro
lado, el algoritmo de raz cuadrada funciona hasta con unos 9 bits, pero la degradacin en su funcionaminto es
significativa por debajo de 11 bits. El algoritmo RLS rpido funciona bien hasta con 11 bits para duraciones
cortas del orden de 500 iteraciones. Para un nmero mucho mayor de iteraciones, el algoritmo se vuelve inestable
debido a la acumulacin de errores de redondeo. En tal caso, se han propuesto varios mtodos para reiniciar el
Nmero de bits
(incluyendo el signo)
16
13
11
10
9
8
a
Algoritmo
RLS
de raz cuadrada RLS rpido
2.17
2.33
6.14
17.6
75.3
2.17
2.21
3.34
a
a
LMS
2.30
2.30
19.0
77.2
311.0
1170.0
Tabla 13.4. Precisin numrica de los algoritmos de filtrado adaptativo FIR (error por mnimos cuadrados
103 ).
algoritmo con el fin de prevenir el desbordamiento de los coeficientes. El lector interesado puede consultar los
textos de Eleftheriou y Falconer (1987), Cioffi y Kailath (1984), y Hsu (1982). Alternativamente, el algoritmo
puede modificarse como proponen Slock y Kailath (1988; 1991) y estabilizarlo.
Observe a partir de los resultados de la Tabla 13.4 que el algoritmo LMS es bastante robusto en lo que
respecta al ruido de redondeo. Se produce un deterioro como era de esperar disminuyendo la precisin de los
coeficientes del filtro, pero no se produce un fallo catastrfico (inestabilidad) con 8 o 9 bits de precisin. Sin
embargo, la degradacin en el funcionamiento por debajo de 12 bits es significativa.
13.4.1
En el Captulo 12, hemos demostrado la relacin entre la estructura del filtro en celosa y un predictor lineal,
y hemos obtenido las ecuaciones que relacionan los coeficientes del predictor con los coeficientes de reflexin
de la celosa (y viceversa). Tambin hemos establecido la relacin entre las recursiones de Levinson-Durbin
para los coeficientes del predictor lineal y los coeficientes de reflexin del filtro en celosa. A partir de estos
desarrollos, obtendremos el filtro en celosa formulando el problema de la estimacin por mnimos cuadrados
en trminos de la prediccin lineal.
Los algoritmos por mnimos cuadrados recursivos para las estructuras FIR en la forma directa descritos en
la Seccin 13.3.1 slo son recursivos en el tiempo. La longitud del filtro es fija. Una variacin (incremento o
decremento) de la longitud del filtro da lugar a un nuevo conjunto de coeficientes del filtro que es completamente
diferente al conjunto anterior.
En contraste, el filtro en celosa es recursivo. En consecuencia, el nmero de secciones que contenga puede
incrementarse o decrementarse sin afectar a los coeficientes de reflexin de las restantes secciones; sta y otras
ventajas (que se describen en sta y en las siguientes secciones) hacen al filtro en celosa muy atractivo para
aplicaciones de filtrado adaptativo.
Suponga que observamos la seal x(n l), l = 1, 2, . . . , m, y considere la prediccin lineal de x(n). Sea
fm (l, n) el error de prediccin directo para un predictor de orden m, definido como
fm (l, n) = x(l) + atm (n)Xm (l 1)
(13.4.1)
donde el vector am (n) est formado por los coeficientes de prediccin directos, es decir,
atm (n) = [am (1, n) am (2, n) am (m, n)]
(13.4.2)
(13.4.3)
y el vector de datos Xm (l 1) es
Los coeficientes del predictor am (n) se seleccionan para minimizar el error cuadrtico ponderado (media temporal)
Emf (n) =
(13.4.4)
l=0
La minimizacin de Emf (n) con respecto a am (n) nos lleva al conjunto de ecuaciones lineales
Rm (n 1)am(n) = Qm (n)
(13.4.5)
wnl x(l)Xm (l 1)
(13.4.6)
l=0
La solucin de (13.4.5) es
am (n) = R1
m (n 1)Qm(n)
(13.4.7)
El valor mnimo de Emf (n), obtenido con el predictor lineal especificado por (13.4.7), se designa como Emf (n) y
est dado por
Emf (n) = nl=0 wnl x (l) [x(l) + atm (n)Xm (l 1)]
= q(n) + atm(n)Qm (n)
(13.4.8)
wnl |x(l)|2
(13.4.9)
l=0
Las ecuaciones lineales de (13.4.5) y la ecuacin para Emf (n) de (13.4.8) pueden combinarse en una nica
ecuacin matricial de la forma
f
q(n)
QH
Em (n)
1
m (n)
=
(13.4.10)
Qm (n) Rm (n 1) am (n)
Om
l=0
wnl
x (l)
Xm (l 1)
l=0
/
x(l)Xtm (l 1)
q(n)
QH
m (n)
=
Qm (n) Rm (n 1)
(13.4.11)
Emb (n) =
(13.4.12)
l=0
(13.4.13)
y btm (n) = [bm (1, n) bm (2, n). . .bm (m, n)] es el vector de coeficientes para el predictor inverso. La minimizacin
de Emb (n) nos lleva a la ecuacin
(13.4.14)
Rm (n)bm (n) = Vm (n)
y, por tanto, a la solucin
bm (n) = R1
m (n)Vm (n)
donde
(13.4.15)
Vm (n) =
(13.4.16)
l=0
wnl
l=0
/
x(l m) + btm(n)Xm (l) x (l m)
(13.4.17)
(13.4.18)
l=0
Rm (n) Vm (n)
v(n)
VH
m (n)
Om
bm (n)
= b
1
Em (n)
(13.4.19)
Observe tambin que la matriz de autocorrelacin (estimada) Rm+1 (n) puede expresarse como
Xm (l)
n
nl
[Xtm (l)x(l m)]
Rm+1 (n) = l=0 w
x (l m)
Rm (n) Vm (n)
=
v(n)
VH
m (n)
(13.4.20)
Por tanto, hemos obtenido las ecuaciones para los predictores de mnimos cuadrados directo e inverso de orden
m.
A continuacin, obtenemos las ecuaciones de actualizacin de orden para estos predictores, lo que nos lleva
a la estructura del filtro en celosa. Al derivar las ecuaciones de actualizacin de orden para am (n) y bm (n),
utilizaremos las dos identidades de inversin matricial para una matriz de la forma
A11 A12
(13.4.21)
A=
A21 A22
donde A, A11 y A22 son matrices cuadradas. La inversa de A puede expresarse de dos formas diferentes, a saber
1
1
1
1
A1
A11 + A1
11 A12 A22 A21 A11
11 A12 A22
1
(13.4.22)
A =
1 A21 A1
1
A
A
22
A
11
22
1
A
11
1 A12 A1
A
11
22
1
A1
22 A21 A11
1
1
1
A1
22 A21 A11 A12 A22 + A22
11 y A
12 se definen como
donde A
11
A
22
A
= A11 A12 A1
22 A21
(13.4.23)
(13.4.24)
= A22 A21 A1
11 A12
Recursiones de actualizacin de orden. Utilicemos ahora la frmula dada en (13.4.22) para obtener la inversa
de Rm+1 (n) utilizando la forma dada en (13.4.20). En primer lugar, tenemos
1
22 = v(n) VH
A
m (n)Rm (n)Vm (n)
(13.4.25)
Por tanto,
bm (n)bH
m (n)
Pm (n) +
b (n)
E
1
m
Rm+1 (n) Pm+1 (n) =
bH
m (n)
Emb (n)
(13.4.26)
bm (n)
Emb (n)
1
Emb (n)
o, lo que es equivalente,
/
bm (n) . H
Pm (n) 0
1
Pm+1 (n) =
+ b
bm (n) 1
Em (n)
0
0
1
(13.4.27)
(13.4.28)
(13.4.29)
Observe que la Ecuacin (13.4.28) es una recursin de tipo Levinson para los coeficientes del predictor.
Para obtener la correspondiente actualizacin de orden para bm (n), utilizamos la frmula de inversin de
matrices dada en (13.4.23) para la inversa de Rm+1 (n), junto con la forma dada en (13.4.11). En este caso,
tenemos
1
11 = q(n) QH
A
m (n)Rm (n 1)Qm(n)
(13.4.30)
f
= q(n) + atm(n)Qm (n) = Em (n)
y
1
A1
22 A21 = Rm (n 1)Qm(n) = am (n)
Por tanto,
aH
m (n)
(13.4.31)
Em (n)
H
am (n)am (n)
Pm (n 1) +
Emf (n)
o, lo que es equivalente,
0
Pm+1 (n) =
0
.
/
1
0
1
+ f
1 aH
m (n)
Pm (n 1)
Em (n) am (n)
(13.4.32)
0
Pm (n 1) Vm (n 1)
.
/
1
1
1 aH
f
m (n) Vm+1 (n)
Em (n) am (n)
1
0
km+1
(n)
f
=
bm (n 1)
Em (n) am (n)
0
bm+1 (n) =
0
(13.4.33)
donde
.
1
/
. t
/
aH
m (n) Vm+1 (n) = bm (n 1) 1 Qm+1 (n) = km+1 (n)
(13.4.34)
La demostracin de (13.4.34) y su relacin con (13.4.29) se deja como ejercicio para el lector. As, (13.4.28)
y (13.4.33) especifican las ecuaciones de actualizacin de orden para am (n) y bm (n), respectivamente.
Ahora pueden obtenerse las ecuaciones de actualizacin de orden para Emf (n) y Emb (n). A partir de la
f
Em+1
(n) = q(n) + atm+1(n)Qm+1 (n)
(13.4.35)
= Emf (n)
|km+1 (n)|2
Emb (n 1)
(13.4.36)
b (n), en la
Del mismo modo, utilizando (13.4.17) y (13.4.33), obtenemos la actualizacin de orden para Em+1
forma
|km+1 (n)|2
b
(n) = Emb (n 1)
Em+1
(13.4.37)
Emf (n)
El filtro en celosa se especifica mediante dos ecuaciones acopladas que implican los errores directo e inverso
fm (n, n 1) y gm (n, n 1), respectivamente. A partir de la definicin del error directo dado en (13.4.1), tenemos
fm+1 (n, n 1) = x(n) + atm+1(n 1)Xm+1(n 1)
(13.4.38)
/
km+1 (n 1) . t
bm (n 2) 1 Xm+1 (n 1)
b
Em (n 2)
/
km+1 (n 1) .
x(n m 1) + btm(n 2)Xm(n 1)
= fm (n, n 1) b
Em (n 2)
= fm (n, n 1)
km+1 (n 1)
gm (n 1, n 2)
Emb (n 2)
(13.4.39)
fm (n) = fm (n, n 1)
gm (n) = gm (n, n 1)
(13.4.40)
km+1 (n 1)
gm (n 1)
Emb (n 2)
(13.4.41)
Del mismo modo, partiendo de la definicin del error inverso dado por (13.4.13), tenemos
gm+1 (n, n 1) = x(n m 1) + btm+1(n 1)Xm+1(n)
(13.4.42)
km+1
(n 1)
Emf (n 1)
km+1
(n 1)
f
Em (n 1)
fm (n, n 1)
(13.4.43)
fm (n)
(13.4.44)
Las dos ecuaciones recursivas dadas en (13.4.41) y (13.4.44) especifican el filtro en celosa ilustrado en la
Figura 13.4.1 donde, por comodidad de notacin, hemos definido los coeficientes de reflexin para la celosa
como
km (n)
f
Km (n) = b
Em1 (n 1)
(13.4.45)
k (n)
Kmb (n) = f m
Em1 (n)
Las condiciones iniciales para las actualizaciones de orden son
f0 (n) = g0 (n) = x(n)
E0f (n) = E0b (n) =
(13.4.46)
l=0
Observe que (13.4.46) tambin es una ecuacin de actualizacin temporal para E0f (n) y E0b (n).
gm1(n)
z1
gm(n)
bm (n1)
fm (n1)
fm1(n)
fm(n)
(a)
x(n)
g1(n)
gM(n)
Etapa
2
Etapa
3
Etapa
M
Etapa
1
g2(n)
g0(n)
f0(n)
f1(n)
f2(n)
fM(n)
(b)
Recursiones de actualizacin temporal. Nuestro objetivo es determinar una ecuacin de actualizacin temporal para km (n), la cual es necesaria si el filtro en celosa va a ser adaptativo. Esta deduccin requerir las
ecuaciones de actualizacin temporal para los coeficientes de prediccin. Partimos de la forma
1
H
km+1 (n) = Vm+1 (n)
(13.4.47)
am (n)
La ecuacin de actualizacin temporal para Vm+1 (n) es
Vm+1 (n) = wVm+1 (n 1) + x(n m 1)Xm+1(n)
(13.4.48)
Las ecuaciones de actualizacin temporal para los coeficientes de prediccin se determinan como sigue. A partir
de (13.4.6), (13.4.7) y (13.3.14), tenemos
am (n) = Pm (n 1)Qm(n)
=
/
1.
Pm (n 2) Km(n 1)Xtm(n 1)Pm (n 2)
w
(13.4.49)
(13.4.50)
En un desarrollo paralelo, utilizando (13.4.15), (13.4.16) y (13.3.14), obtenemos las ecuaciones de actualizacin temporal para los coeficientes del predictor inverso, en la forma
bm (n) = bm (n 1) Km(n)gm (n)
(13.4.51)
Ahora a partir de (13.4.48) y (13.4.50), la ecuacin de actualizacin temporal para km+1 (n) es
.
/
t
km+1 (n) = wVH
m+1 (n 1) + x (n m 1)Xm+1(n)
1
0
Km (n 1) f m (n)
am (n 1)
= wkm+1 (n 1) wVH
m+1(n 1)
0
f (n)
Km (n 1) m
1
am (n 1)
+x
(n m 1)Xtm+1(n)
(n m 1)Xtm+1(n)
0
fm (n)
Km (n 1)
(13.4.52)
Pero
.
/
1
1
t
= x(n) Xm (n 1)
= fm (n)
am (n 1)
am (n 1)
Xtm+1 (n)
(13.4.53)
y
0
VH
= VH
m+1 (n 1)
m (n 2)Km(n 1)
Km (n 1)
VH
m (n 2)Pm(n 2)Xm(n 1)
w + m (n 1)
bH
m (n 2)Xm (n 1)
w + m (n 1)
gm (n 1) x(n m 1)
w + m (n 1)
(13.4.54)
(13.4.55)
Sustituyendo los resultados de (13.4.53), (13.4.54) y (13.4.55) en (13.4.52) obtenemos la ecuacin de actualizacin temporal deseada en la forma
km+1 (n) = wkm+1 (n 1) +
w
fm (n)gm (n 1)
w + m (n 1)
(13.4.56)
w
w + m (n)
(13.4.57)
m (n) =
Evidentemente, m(n) es un valor real y se encuentra en el rango 0 < m (n) < 1. As, la ecuacin de actualizacin
en el tiempo (13.4.56) se convierte en
km+1 (n) = wkm+1 (n 1) + m(n 1) f m (n)gm (n 1)
(13.4.58)
Actualizacin del orden para m (n). Aunque m (n) puede calcularse directamente para cada valor de m y de
n, es ms eficiente utilizar una ecuacin de actualizacin de orden, la cual se determina del modo siguiente. En
primer lugar, a partir de la definicin de Km (n) dada por (13.3.12), puede verse fcilmente que
(13.4.59)
Para obtener una ecuacin de actualizacin de orden para m (n), necesitamos una ecuacin de actualizacin de
orden para el vector de ganancia de Kalman Km (n). Pero Km+1 (n) puede expresarse como
Km+1 (n) = Pm+1 (n)Xm+1 (n)
/
bm (n) . H
1
Xm (n)
Pm (n) 0
+ b
=
bm (n) 1
0
0
x (n m)
Em (n)
1
gm (n, n) bm (n)
Km (n)
+ b
=
0
Em (n)
1
(13.4.60)
(13.4.61)
Por tanto, la ecuacin de actualizacin del orden para Km (n) dada en (13.4.60) tambin se puede escribir como
Km (n)
m (n)gm (n) bm (n)
Km+1 (n) =
+
Emb (n)
0
1
(13.4.62)
Utilizando (13.4.62) y la relacin dada en (13.4.59), obtenemos la ecuacin de actualizacin del orden para
m (n) como sigue:
.
/
m+1 (n) = 1 Xtm+1(n)Km+1 (n) = 1 Xtm (n)x(n m)
m (n)gm (n) bm (n)
Km (n)
+
0
1
Emb (n)
/ bm (n)
m (n)gm (n) . t
= m (n)
Xm (n) x(n m)
1
Emb (n)
= m (n)
m (n)gm (n)
gm (n, n)
Emb (n)
= m (n)
m2 (n)|gm (n)|2
Emb (n)
(13.4.63)
Por tanto, hemos obtenido las ecuaciones de actualizacin de orden y de actualizacin temporal para la
celosa bsica del algoritmo por mnimos cuadrados mostrada en la Figura 13.4.1. Las ecuaciones bsicas son
(13.4.41) y (13.4.44) para los errores directo e inverso, normalmente denominados errores residuales, (13.4.36)
y (13.4.37) para los correspondientes errores de mnimos cuadrados, la ecuacin de actualizacin temporal
(13.4.58) para km (n) y la ecuacin de actualizacin de orden (13.4.63) para el parmetro m (n). Inicialmente,
tenemos
Emf (1) = Emb (1) = Emb (2) = > 0
fm (1) = gm (1) = km (1) = 0
m (1) = 1, 1 (n) = 1 (n 1) = 1
(13.4.64)
Estimacin de procesos conjuntos. El ltimo paso en este proceso es la obtencin de los estimados por
mnimos cuadrados de la seal deseada d(n) a partir de la celosa. Suponga que el filtro adaptativo tiene m + 1
coeficientes, los cuales se determinan para minimizar el error cuadrtico ponderado medio
Em+1 =
(13.4.65)
l=0
donde
(13.4.66)
(13.4.67)
El estimado lineal
que obtendremos a partir de la celosa utilizando los residuales gm (n), es el estimado del proceso conjunto.
A partir de los resultados obtenidos en la Seccin 13.3.1, ya hemos establecido que los coeficientes del filtro
adaptativo que minimizan (13.4.65) estn dados por la ecuacin
hm+1 (n) = Pm+1 (n)Dm+1 (n)
(13.4.68)
Tambin hemos establecido que hm (n) satisface la ecuacin de actualizacin temporal dada en (13.3.27).
Ahora vamos a obtener una ecuacin de actualizacin de orden para hm (n). A partir de (13.4.68) y (13.4.27),
tenemos
/
bm (n) . H
Pm (n) 0 Dm (n)
1
hm+1 (n) =
(13.4.69)
+ b
bm (n) 1 Dm+1 (n)
Em (n)
0
0
1
Definimos una magnitud escalar compleja m (n) como
.
/
m (n) = bH
m (n) 1 Dm+1 (n)
(13.4.70)
(13.4.71)
El escalar m (n) satisface una ecuacin de actualizacin de orden que se obtiene a partir de las ecuaciones
de actualizacin temporal para bm (n) y Dm (n), definidas por (13.4.51) y (13.3.17), respectivamente. Luego,
.
/
H
m (n) = bH
m (n 1) Km (n)gm (n) 1 [wDm+1 (n 1) + d(n)Xm+1(n)]
.
/
= wm (n 1) + bH
m (n 1) 1 Xm+1 (n)d(n)
(13.4.72)
.
/
. H
/
wgm (n) KH
m (n) 0 Dm+1 (n 1) gm(n)d(n) Km (n) 0 Xm+1 (n)
Pero
/
. H
bm (n 1) 1 Xm+1 (n) = x (n m) + bH
m (n 1)Xm(n) = gm (n)
(13.4.73)
(n
1)
D
1
m
[Xt (n)Pm (n 1) 0]
w + m (n) m
1
Xt (n)hm (n 1)
=
w + m (n) m
(13.4.74)
Tambin,
. H
/
Km (n) 0 Dm+1 (n 1) =
m (n)
=
w + m (n)
(13.4.75)
/
m1 (n 1) . t
bm1 (n 1) 1 Xm (n)
b
Em1 (n 1)
= em1 (n)
m1 (n 1)gm1(n)
b (n 1)
Em1
(13.4.77)
(13.4.78)
M1
k=0
k (n 1)
gk (n)
Ekb (n 1)
(13.4.79)
e1(n)
e2(n)
e3(n)
eM1(n)
eM(n)
0(n1)
1(n1)
2(n1)
M2(n1)
M1(n1)
Eb0(n1)
Eb1(n1)
Eb2(n1)
EbM2 (n1)
EbM1 (n1)
gM1(n)
d(n)
g0(n)
g1(n)
Etapa
1
gM2(n)
Etapa
2
Etapa
M1
x(n)
g2(n)
f0(n)
f1(n)
f2(n)
fM2(n)
fM1(n)
En la Figura 13.4.2 se ilustra el estimador LS adaptativo en celosa/de proceso conjunto. Esta estructura en
celosa-escalera es equivalente matemticamente al filtro FIR RLS en la forma directa. Las ecuaciones recursivas
se resumen en la Tabla 13.5. Se trata de la forma a priori del algoritmo RLS en celosa-escalera que debemos
diferenciar de otra forma del algoritmo, conocida como forma a posteriori, en la que se emplea el vector de
coeficientes hM (n) en lugar de hM (n 1) para calcular el estimado d(n). En muchos problemas de filtrado
adaptativo, como por ejemplo la ecualizacin del canal y la cancelacin de eco, no puede utilizarse la forma a
posteriori, porque hM (n) no puede calcularse antes de calcular d(n).
A continuacin describimos una serie de modificaciones que pueden realizarse en el algoritmo convencional RLS en celosa-escalera dado en la Tabla 13.5.
Algoritmos RLS en celosa modificados. Las ecuaciones recursivas del algoritmo RLS en celosa dadas
en la Tabla 13.5 no constituyen el nico medio. Pueden realizarse modificaciones en algunas ecuaciones sin
afectar al carcter ptimo del algoritmo. Sin embargo, algunas modificaciones dan lugar a algoritmos que son
numricamente ms robustos cuando se utiliza aritmtica de punto fijo en la implementacin de los algoritmos.
Predictor en celosa: se comienza con n = 1 y se calculan las actualizaciones de orden para m = 0, 1, . . . , M 2
km+1 (n 1)
f
Km+1
(n 1)
b
Km+1
(n 1)
km+1 (n 1)
Emb (n 2)
km+1
(n 1)
Emf (n 1)
f
fm+1 (n)
gm+1 (n)
b
= gm (n 1) + Km+1
(n 1) f m (n)
f
(n 1)
Em+1
= Emf (n 1)
b (n 1)
Em+1
= Emb (n 2)
|km+1 (n 1)|2
Emb (n 2)
|km+1 (n 1)|2
Emf (n 1)
m2 (n 1)|gm(n 1)|2
Emb (n 1)
Filtro en escalera: se comienza con n = 1 y se calculan las actualizaciones de orden para m = 0, 1, . . . , M 1
m+1 (n 1)
= m (n 1)
m (n 1)
m (n 1)
em+1 (n)
m (n 1)
Emb (n 1)
= em (n) + m (n 1)gm(n)
Inicializacin
0 (n 1)
f
E0 (n)
= 1, e0 (n) = d(n),
=
m (1)
= 1, km (1) = 0
Emb (1)
A continuacin proporcionamos una serie de relaciones bsicas que pueden establecerse fcilmente a partir de
los desarrollos anteriores.
En primer lugar, disponemos de una relacin entre los residuales del error a priori y a posteriori.
Los errores a priori:
fm (n, n 1) f m (n) = x(n) + atm(n 1)Xm (n 1)
gm (n, n 1) gm (n) = x(n m) + btm(n 1)Xm (n)
(13.4.80)
(13.4.81)
(13.4.82)
(13.4.83)
(13.4.84)
Normalmente, se emplean (13.4.83) y (13.4.84) en lugar de las ecuaciones sexta y sptima de la Tabla 13.5.
En tercer lugar, obtenemos la ecuacin de actualizacin del orden para el vector de ganancia de Kalman,
que no se emplea explcitamente en el algoritmo en celosa, pero que se usa en los algoritmos del filtro FIR
rpidos. Para llevar a cabo esta derivacin, tambin empleamos las ecuaciones de actualizacin temporal para
los coeficientes de prediccin directos e inversos dados por (13.4.50) y (13.4.51). As, tenemos
Km (n) = Pm (n)Xm (n)
x (n)
0
0
=
0 Pm1 (n 1) Xm1 (n 1)
.
/
1
1
x (n)
H
+ f
1 am1 (n)
Xm1 (n 1)
Em1 (n) am1 (n)
f (n, n)
1
0
+ m1
=
f
Km1 (n 1)
Em1
(n) am1 (n)
Cm1 (n)
cmm (n)
(13.4.85)
donde, por definicin, Cm1 (n) consta de los (m 1) primeros elementos de Km (n) y cmm (n) es el ltimo
elemento. A partir de (13.4.60), tambin obtenemos la ecuacin de actualizacin de orden para Km (n) como
Km1 (n)
gm1 (n, n) bm1 (n)
+ b
(13.4.86)
Km (n) =
0
1
Em1 (n)
Igualando (13.4.85) y (13.4.86), obtenemos el resultado
cmm (n) =
gm1 (n, n)
(13.4.87)
b (n)
Em1
y, por tanto,
Km1 (n) + cmm(n)bm1 (n) = Cm1 (n)
(13.4.88)
Sustituyendo la expresin de bm1 (n) dada en (13.4.51) en la Ecuacin (13.4.88), obtenemos la ecuacin de
actualizacin de orden para el vector de ganancia de Kalman de (13.4.85) como
Km1 (n) =
(13.4.89)
Existe tambin una ecuacin de actualizacin temporal para el escalar m (n). A partir de (13.4.63), tenemos
m (n) = m1 (n)
2 (n)|g
2
m1
m1 (n)|
b (n)
Em1
(13.4.90)
Podemos obtener una segunda relacin utilizando (13.4.85) para eliminar Km1 (n) en la expresin para m (n).
Luego,
fm1
(n, n) f m1 (n)
(13.4.91)
Em1 (n)
Igualando (13.4.90) y (13.4.91), obtenemos la ecuacin de actualizacin temporal para m (n) como
m1 (n) = m1 (n 1)
(n,n) f
f m1
m1 (n)
f
Em1 (n)
1 cmm(n)gm1 (n)
(13.4.92)
Por ltimo, tenemos que distinguir entre dos mtodos distintos para actualizar los coeficientes de reflexin
del filtro en celosa y la parte correspondiente a la escalera: el mtodo convencional (indirecto) y el mtodo
directo. En el mtodo convencional (indirecto),
f
Km+1
(n) =
b
Km+1
(n) =
m (n) =
km+1 (n)
Emb (n 1)
km+1
(n)
Emf (n)
m (n)
Emb (n)
(13.4.93)
(13.4.94)
(13.4.95)
donde km+1 (n) se ha actualizado a partir de (13.4.58), m (n) se ha actualizado de acuerdo con (13.4.76), y Emf (n)
y Emb (n) se han actualizado de acuerdo con (13.4.83) y (13.4.84). Sustituyendo la expresin de km+1 (n) dada en
(13.4.58) en la Ecuacin (13.4.93), y utilizando (13.4.84) y la octava ecuacin de la Tabla 13.5, obtenemos
m (n 1) fm (n)gm (n 1)
km+1 (n 1) wEmb (n 2)
f
Km+1 (n) = b
Em (n 2)
Emb (n 1)
Emb (n 1)
=
f
Km+1 (n 1)
m (n 1)|gm(n 1)|2
1
Emb (n 1)
m (n 1) fm (n)gm (n 1)
Emb (n 1)
f
= Km+1 (n 1)
m (n 1) fm+1(n)gm (n 1)
Emb (n 1)
(13.4.96)
que es una frmula para actualizar directamente los coeficientes de reflexin de la celosa. De forma similar,
sustituyendo (13.4.58) en (13.4.94), y utilizando (13.4.83) y la octava ecuacin de la Tabla 13.5, obtenemos
b
b
Km+1
(n) = Km+1
(n 1)
m (n 1) fm (n)gm+1 (n)
f
Em (n)
(13.4.97)
Por ltimo, la ganancia de la escalera tambin se puede actualizar directamente usando la relacin
m (n) = m (n 1)
(13.4.98)
El algoritmo RLS en celosa-escalera que utiliza las relaciones de actualizacin directas dadas en (13.4.96
13.4.98) y (13.4.8313.4.84) se enumeran en la Tabla 13.6.
Una caracterstica importante del algoritmo de la Tabla 13.6 es que los errores residuales directo e inverso
se realimentan para actualizar en el tiempo los coeficientes de reflexin de la etapa en celosa, y em+1 (n) se
realimenta para actualizar la ganancia de la escalera m(n). Por esta razn, este algoritmo RLS en celosa-escalera
se conoce como forma con realimentacin del error. Puede obtenerse una forma similar para el algoritmo RLS
en celosa-escalera a posteriori. Para obtener ms informacin sobre la forma con realimentacin del error de
los algoritmos RLS en celosa-escalera, el lector interesado puede consultar los textos de Ling, Manolakis y
Proakis (1986).
Algoritmos RLS rpidos. Las dos versiones de los algoritmos RLS rpidos dadas en la Seccin 13.3.3 se
deducen directamente de las relaciones que hemos obtenido en esta seccin. En concreto, fijamos el tamao de
la celosa y los predictores directo e inverso asociados en M 1 etapas. A continuacin, obtenemos las siete
primeras ecuaciones recursivas en las dos versiones del algoritmo. El resto del problema consiste en determinar
la ecuacin de actualizacin temporal para el vector de ganancia de Kalman, el cual se ha determinado en las
Ecuaciones (13.4.8513.4.89). En la versin B del algoritmo, dada en la Tabla 13.3, hemos empleado el escalar
m (n) para reducir los clculos de 10M a 9M. La versin A del algoritmo, dada en la Tabla 13.2, evita el uso
de este parmetro. Puesto que estos algoritmos proporcionan una actualizacin directa del vector de ganancia
de Kalman, reciben el nombre de algoritmos rpidos de Kalman (como referencia puede consultar Falconer y
Ljung (1978) y Proakis (1989)).
Para reducir an ms la complejidad de clculo a 7M se puede actualizar directamente el siguiente vector
de ganancia de Kalman alternativo (vase Carayannis, Manolakis y Kalouptsidis (1983)) definido como
M (n) = 1 PM (n 1)XM (n)
K
w
(13.4.99)
fm+1 (n)
gm+1 (n)
b
= gm (n 1) + Km+1
(n 1) f m (n)
f
(n 1)
Em+1
f
= wEm+1
(n 2) + m+1(n 2)| f m+1(n 1)|2
m+1 (n 1)
= m (n 1)
b
(n 1)
Em+1
b
= wEm+1
(n 2) + m+1(n 1)|gm+1(n 1)|2
m2 (n 1)|gm(n 1)|2
Emb (n 1)
m (n 1)
em+1 (n)
m (n 1)gm(n 1)em+1(n 1)
Emb (n 1)
= em (n) + m (n 1)gm(n)
= m (n 2)
Inicializacin
0 (n 1)
E0f (n)
m (1)
Emb (1)
= 1, e0 (n) = d(n),
f 0 (n) = g0 (n)
f
= E0b (n) = wE0 (n 1) + |x(n)|2
= 1, Kmf (1) = Kmb (1) = 0
= Emf (0) = > 0
= x(n)
Tabla 13.6. Forma de actualizain directa (realimentacin del error) del algoritmo RLS a priori en celosaescalera.
Han sido propuestos varios algoritmos rpidos utilizando este vector de ganancia, con complejidades en el rango
de 7M a 10M. La Tabla 13.7 proporciona el algoritmo FAEST (Fast A Posteriori Error Sequential Technique) con
una complejidad de clculo de 7M (para ver una demostracin, consulte Carayannis, Manolakis y Kalouptsidis
(1983; 1986) y el Problema 13.7).
En general, los algoritmos RLS rpidos con una complejidad de 7M y algunas variaciones son muy sensibles
al ruido de redondeo y presentan problemas de inestabilidad (Falconer y Ljung (1978), Carayannis, Manolakis
y Kalouptsidis (1983; 1986), y Cioffi y Kailath (1984)). El problema de la inestabilidad en los algoritmos con
una complejidad de 7M ha sido abordado por Slock y Kailath (1988; 1991), y se han propuesto modificaciones
que estabilizan estos algoritmos. Los algoritmos estabilizados resultantes presentan una complejidad de clculo
en el rango de 8M a 9M. Por tanto, su complejidad de clculo se ve aumentada en una cantidad relativamente
pequea comparada con los algoritmos inestables de complejidad 7M.
Para comprender los algoritmos RLS rpidos estabilizados, comenzamos comparando el algoritmo RLS
rpido dado en la Tabla 13.3 y el algoritmo FAEST de la Tabla 13.7. Como se ha indicado, existen dos diferencias
importantes entre estos dos algoritmos. En primer lugar, el algoritmo FAEST utiliza un vector de ganancia
(Kalman) alternativo en lugar del vector de ganancia de Kalman. En segundo lugar, el algoritmo RLS rpido
calcula el error de prediccin inverso a priori gM1 (n) a travs del filtro FIR utilizando el vector de coeficientes
de prediccin inversa bm1 (n 1), mientras que el algoritmo FAEST calcula la misma magnitud a travs de
fM1 (n)
M1 (n 1)
(n, n)
EM1 (n) = wEM1 (n 1) + f M1(n) fM1
M1 (n)
fM1
(n)
1
0
C
=
+
KM (n)
f
M1 (n 1
cMM (n)
K
wEM1 (n 1) aM1 (n 1
b
(n 1)cMM(n)
gM1 (n) = wEM1
M1 (n) bM1 (n 1)cMM(n)
M1 (n) = C
K
M (n) = M1 (n 1) +
| fM1 (n)|2
f
wEM1
(n 1)
gM1 (n)
M1 (n)
b
b
EM1
(n) = wEM1
(n 1) + gM1(n)gM1 (n, n)
M1(n)gM1 (n, n)
bM1 (n) = bM1 (n 1) + K
eM (n)
M (n)
M (n)eM (n, n)
hM (n) = hM (n 1) + K
Inicializacin: poner todos los vectores a cero
f
b
(1) = EM1
(1) = > 0
EM1
M1 (1) = 1
Tabla 13.7. Algoritmo FAEST.
una operacin escalar, teniendo en cuenta que el ltimo elemento del vector de ganancia alternativo, cMM (n), es
b
igual a wEM1
gM1 (n). Puesto que estos dos algoritmos son algebraicamente equivalentes, los errores de la
prediccin inversa calculados de diferentes formas deberan ser idnticos si se emplea en los clculos precisin
infinita. En la prctica, cuando se utiliza aritmtica de precisin finita, los errores de prediccin inversa calculados
utilizando diferentes frmulas son slo aproximadamente iguales. De aqu en adelante, los designaremos por
(f)
(s)
gM1 y gM1 (n), respectivamente. Los subndices ( f ) y (s) indican que se calculan utilizando filtrado o la
operacin escalar, respectivamente.
Hay otras magnitudes en los algoritmos que se pueden calcular de forma diferente. En particular, el parmetro
M1 (n) y XM1 (n) como
M1 (n) se puede calcular a partir de las magnitudes vectoriales K
tM1(n)XM1 (n)
M1 (n) = 1 + K
(13.4.100)
(s)
o a partir de magnitudes escalares. Designamos estos valores como M1 (n) y M1 (n), respectivamente. Para
M (n), designado como c( f ) (n), puede calcularse a partir de la relacin
terminar, el ltimo elemento de K
MM
(f)
cMM (n) =
(f)
gM1 (n)
(13.4.101)
b
wEM1
(n 1)
(f)
(s)
(f)
(s)
(f)
Las dos magnitudes de cada una de las tres parejas [gM1 (n), gM1 (n)], [M1 (n), M1 (n)], y [cMM (n),
(s)
cMM (n)] son algebraicamente equivalentes. Por tanto, bien las dos magnitudes o su combinacin lineal (de la for-
ma k (s) + (1 k) ( f ) , donde representa cualquiera de los tres parmetros) son algebraicamente equivalentes
a las magnitudes originales, y pueden utilizarse en el algoritmo. Slock y Kailath (1988; 1991) determinaron que
emplear la magnitud apropiada o su combinacin lineal en el algoritmo RLS rpido, era suficiente para corregir
la realimentacin positiva inherente en los algoritmos RLS rpidos. La implementacin de esta nocin bsica
lleva al algoritmo RLS rpido estabilizado dado en la Tabla 13.8.
Observe en la Tabla 13.8 que el algoritmo RLS rpido estabilizado emplea constantes ki , i = 1, 2, . . . , 5, para
formar cinco combinaciones lineales de las tres parejas de magnitudes anteriormente descritas. Los mejores
valores de ki son los hallados por Slock y Kailath mediante bsquedas por computadora, y son k1 = 1.5, k2 =
2.5, k3 = 1, k4 = 0, k5 = 1. Si ki = 0 o 1, slo empleamos una de las magnitudes de la combinacin lineal.
Por tanto, no es necesario calcular algunos de los parmetros de las tres parejas. Tambin determinaron que
(f)
la estabilidad del algoritmo slo se ve ligeramente afectada si no se emplea M1 (n). Estas simplificaciones
dan lugar al algoritmo proporcionado en la Tabla 13.9, que presenta una complejidad de clculo de 8M y es
numricamente estable.
El funcionamiento de los algoritmos RLS rpidos estabilizados depende fuertemente de una inicializacin
(f)
apropiada. Por otro lado, un algoritmo que utilice gM1 (n) en sus clculos no se ver afectado crticamente
por una inicializacin apropiada (aunque, eventualmente, divergir). En consecuencia, inicialmente podemos
(f)
(s)
utilizar gM1 (n) en lugar de gM1 (n) (o su combinacin lineal) para los primeros cientos de iteraciones y luego
cambiar a la forma del algoritmo RLS rpido estabilizado. De este modo, obtenemos un algoritmo RLS rpido
estabilizado que tampoco es sensible a las condiciones iniciales.
13.4.2
Podemos obtener otro tipo de algoritmo RLS en celosa normalizando los errores en la prediccin directa
e inversa a travs de la divisin de los errores entre Emf (n) y Emb (n), respectivamente, y multiplicando
por m (n 1) y m (n), respectivamente. El algoritmo en celosa resultante se denomina algoritmo RLS
de celosa de raz cuadrada o de ngulo y potencia. Este algoritmos tiene una forma ms compacta que las
otras formas de los algoritmos RLS en celosa. Sin embargo, el algoritmo requiere muchas operaciones de raz
cuadrada, por lo que puede resultar complejo respecto de los clculos. Este problema puede resolverse utilizando
procesadores CORDIC, que calculan una raz cuadrada en N ciclos de reloj, donde N es el nmero de bits de
la longitud de palabra de la computadora. Puede verse una descripcin del algoritmo RLS en celosa de raz
cuadrada/normalizada y del algoritmo CORDIC en el libro de Proakis et al. (2002).
Tambin puede simplificarse la complejidad de clculo de los algoritmos RLS descritos en la seccin
anterior a costa del compromiso establecido para la velocidad de convergencia. Un algoritmo as se conoce
como algoritmo de gradiente-celosa. En este algoritmo, cada etapa del filtro en celosa se caracteriza por las
relaciones de entradasalida
fm (n) = fm1 (n) km (n)gm1 (n 1)
(13.4.102)
fM1
(n)
cM1 (n) =
f
wEM1 (n 1)
CM1 (n)
0
1
+
c
=
(n)
M1
(s)
M1 (n 1)
aM1 (n 1)
K
cMM (n)
fM1 (n, n) =
(f)
( f )
gM1 (n)
b
wEM1
(n 1)
(f)
(s)
KM (n)=
cMM (n)
(s)
(s)
b
gM1 (n)= wEM1
(n 1)cMM(n)
(i)
(f)
(s)
KM1 (n)= C
o,
f
f
(n)= wEM1
(n 1) + f M1(n) fM1
(n, n)
EM1
1
1
1
|cM1 (n)|2
=
(s)
f
f
wE
E
(n)
(n 1)
(n)
M1
(i)
M1
(i)
gM1 (n)
M1 (n)
M1
i = 1, 2
(1)
M1(n)g
bM1 (n)= bM1 (n 1) + K
M1 (n, n)
(2)
(2)
b
b
(n)= wEM1
(n 1) + gM1(n)gM1 (n, n)
EM1
eM (n, n)=
Esta forma del filtro en celosa es idntica a la del algoritmo de Levinson-Durbin, excepto en que ahora
km (n) puede variar con el tiempo de modo que el filtro en celosa se adapte a las variaciones temporales de
los parmetros estadsticos de la seal. Los coeficientes de reflexin {km (n)} pueden optimizarse empleando el
mtodo de mnimos cuadrados, lo que da lugar a la solucin
km (n) =
m = 1, 2, . . . M 1
(13.4.103)
Estos coeficientes tambin se pueden actualizar recursivamente en el tiempo. Los coeficientes en escalera se
calculan recursivamente en el tiempo empleando un algoritmo de tipo LMS que se obtiene aplicando el criterio
del error cuadrtico medio. Puede ver una descripcin de este algoritmo en los documentos de Griffiths (1978)
y en el libro de Proakis et al. (2002).
fM1 (n) = x(n) + atM1(n 1)XM1(n 1)
fM1 (n, n) =
fM1 (n)
M1 (n 1)
M1(n 1) f M1 (n, n)
aM1 (n) = aM1 (n 1) K
cM1 (n) =
fM1
(n)
f
wEM1
(n 1)
fM1
(n)
0
1
=
+
KM1 (n 1)
wE f (n 1) aM1 (n 1)
M1
(s)
b
gM1 (n) = wEM1
(n 1)cMM(n)
(i)
(f)
(s)
(n, n)
EM1 (n) = wEM1 (n 1) + f M1(n) fM1
(i)
gM1 (n, n)
(i)
g
(n)
,
= M1
M1 (n)
i = 1, 2
M1(n)g(1) (n, n)
bM1 (n) = bM1 (n 1) + K
M1
(2)
(2)
b
b
(n) = wEM1
(n 1) + gM1(n)gM1 (n, n)
EM1
eM (n)
M (n)
M (n)eM (n, n)
hM (n) = hM (n 1) + K
Tabla 13.9. Algoritmo RLS rpido estabilizado y simplificado.
13.4.3
Los algoritmos en celosa que hemos visto en las dos subsecciones anteriores presentan una serie de propiedades interesantes. En esta subseccin, vamos a considerar dichas propiedades y vamos a compararlas con las
correspondientes propiedades del algoritmo LMS y de los algoritmos RLS de filtrado FIR en la forma directa.
Velocidad de convergencia. Los algoritmos RLS para filtros en celosa-escalera tienen bsicamente la misma
velocidad de convergencia que las estructuras de filtros FIR RLS en la forma directa. Este comportamiento
caracterstico no es sorprendente, ya que ambas estructuras de filtros son ptimas en el sentido de que aplican
mnimos cuadrados. Aunque el algoritmo de gradiente en celosa mantiene algunas de las caractersticas ptimas
del algoritmo RLS en celosa, no es ptimo en lo que se refiere a mnimos cuadrados, y, por tanto, su velocidad
de convergencia es menor.
Con propsitos de comparacin, las Figuras 13.4.3 y 13.4.4 ilustran las curvas de aprendizaje de un ecualizador adaptativo de longitud M = 11, implementado como un filtro en celosa-escalera de gradiente, y un
filtro FIR en la forma directa utilizando el algoritmo LMS, para una matriz de autocorrelacin del canal que
tiene relaciones de autovalor max /mn = 11 y max /mn = 21, respectivamente. A partir de estas curvas de
aprendizaje, observe que el algoritmo de gradiente en celosa emplea aproximadamente el doble de iteraciones
para coverger que el algoritmo ptimo RLS en celosa. Adems, el algoritmo de gradiente en celosa proporciona
una convergencia significativamente ms rpida que el algoritmo LMS. Para ambas estructuras en celosa, la
relacin de convergencia no depende de la dispersin del autovalor de la matriz de correlacin.
Requisitos de clculo. Los algoritmos RLS en celosa descritos en la subseccin anterior presentan una
complejidad de clculo que es proporcional a M. En contraste, la complejidad computacional de los algoritmos
RLS de raz cuadrada es proporcional a M 2 . Por otro lado, los algoritmos rpidos en la forma directa, que derivan
del algoritmo en celosa, tienen una complejidad proporcional a M, y son menos eficientes que los algoritmos
en celosa-escalera.
En la Figura 13.4.5 se ilustra la complejidad de clculo (nmero de multiplicaciones y divisiones complejas)
de los distintos algoritmos de filtrado adaptativo que hemos descrito. Evidentemente, el algoritmo LMS es el
que requiere menos clculos. Los algoritmos RLS rpidos de las Tablas 13.3 y 13.9 son los ms eficientes de los
2.0
3.0
ptimo
100
200
300
400
500
600
Nmero de iteraciones
700
800
900
Figura 13.4.3. Curvas de aprendizaje para los algoritmos RLS en celosa, de gradiente en celosa y LMS
para un ecualizador adaptativo de longitud M = 11. (De Digital Communications por John G. Proakis. 1989,
McGraw-Hill Book Company. Reimpreso con permiso del editor).
1.0
2.0
3.0
100
200
300
400
500
600
Nmero de iteraciones
700
800
900
Figura 13.4.4. Curvas de aprendizaje para los algoritmos RLS en celosa, de gradiente en celosa y LMS
para un ecualizador adaptativo de longitud M = 11. (De Digital Communications por John G. Proakis. 1989,
McGraw-Hill Book Company. Reimpreso con permiso del editor).
algoritmos mencionados, seguidos muy cerca por el algoritmo de gradiente en celosa y luego por los algoritmos
RLS en celosa y, por ltimo, por los algoritmos de raz cuadrada. Observe que para valores pequeos de M,
existe una diferencia muy pequea en lo que se refiere a la complejidad entre los algoritmos que ms rapidamente
convergen.
Propiedades numricas. Adems de proporcionar convergencia rpida, los algoritmos RLS de gradiente en
celosa son numricamente robustos. En primer lugar, estos algoritmos en celosa son numricamente estables,
lo que significa que el error de estimacin de salida del procedimiento de clculo est limitado cuando se aplica
una seal de error limitada a la entrada. En segundo lugar, la precisin numrica de la solucin ptima tambin
es relativamente buena cuando se compara con los algoritmos LMS y RLS para filtros FIR en la forma directa.
Con propsitos de comparacin ilustramos en la Tabla 13.10 el error cuadrtico medio en estado permanente
o error cuadrtico medio mnimo (estimado) obtenido mediante una simulacin por computadora para los dos
algoritmos RLS en celosa y los algoritmos de filtros FIR en la forma directa descritos en la Seccin 13.2. El
resultado sorprendente de la Tabla 13.10 es el superior rendimiento obtenido con el algoritmo RLS en celosaescalera, en el que los coeficientes de reflexin y la ganancia de la escalera se actualizan directamente de acuerdo
con las Ecuaciones (13.4.9613.4.98); sta es la forma con realimentacin del error del algoritmo RLS en celosa.
Es evidente que la actualizacin directa de estos coeficientes es significativamente ms robusta para errores de
redondeo que los restantes algoritmos adaptativos, incluyendo el algoritmo LMS. Tambin es evidente que el
proceso en dos pasos utilizado en el algoritmo RLS en celosa convencional para estimar los coeficientes de
reflexin no es tan preciso. Adems, los errores de estimacin que se generan en los coeficientes de cada etapa
se propagan de una etapa a otra, produciendo errores adicionales.
El efecto de cambiar el factor de ponderacin w se ilustra en los resultados numricos proporcionados en la
Tabla 13.11. En esta tabla, proporcionamos el error cuadrtico medio mnimo (estimado) obtenido con las formas
convencional y con error de realimentacin del algoritmo RLS en celosa. Observe que el error cuadrtico medio
de salida disminuye cuando se produce un incremento del factor de ponderacin si la precisin es alta (13 bits
y 16 bits). Esto refleja la mejora obtenida en el rendimiento al aumentar el intervalo de observacin. Cuando el
nmero de bits de precisin disminuye, puede observarse que el factor de ponderacin tambin debera disminuir
para mantener el buen funcionamiento. En efecto, con precisiones bajas, el efecto de considerar un intervalo
de tiempo ms largo da lugar a un ruido de redondeo mayor. Por supuesto, estos resultados se han obtenido
700
Forma directa del
algoritmo RLS de
raz cuadrada
600
500
Algoritmo RLS
en celosaescalera
400
Algoritmo de gradiente
en celosa-escalera
300
Algoritmo
RLS rpido
200
100
Algoritmo LMS
0
10
15
20
25
Algoritmo
Nmero de bits
(incluyendo el signo)
RLS de
raz cuadrada
RLS
rpido
RLS en celosa
convencional
LMS
16
13
11
9
a El algoritmo no converge.
2.17
2.33
6.14
75.3
2.17
2.21
3.34
2.16
3.09
25.2
365
2.16
2.22
3.09
31.6
2.30
2.30
19.0
311
Tabla 13.10. Precisin numrica en funcin del error cuadrtico medio de salida para un canal con max /mn =
11 y w = 0.975, MSE 103
para parmetros estadsticos invariantes en el tiempo de la seal. Si los parmetros estadsticos de la seal son
variantes en el tiempo, la velocidad de las variaciones temporales tambin influir en la eleccin de w.
El algoritmo de gradiente en celosa, los coeficientes de reflexin y las ganancias en escalera tambin se
actualizan directamente. En consecuencia, la precisin numrica de este algoritmo es comparable a la obtenida
con la actualizacin de la forma directa del algoritmo RLS en celosa.
w = 0.99
Algoritmo
w = 0.975
w = 0.95
Nmero de bits
con signo
Convenc.
Realiment.
del error
Convenc.
Realiment.
del error
Convenc.
Realiment.
del error
16
13
11
9
2.14
7.08
39.8
750
2.08
2.11
3.88
44.1
2.18
3.09
25.2
365
2.16
2.22
3.09
31.6
2.66
3.65
15.7
120
2.62
2.66
2.78
15.2
Tabla 13.11. Precisin numrica en funcin del error cuadrtico medio de salida de un algoritmo en celosa
LS a priori con valores diferentes del factor de ponderacin w, MSE, 103
Los resultados analticos y de la simulacin sobre la estabilidad y la precisin numricas en la implementacin de punto fijo de estos algoritmos puede encontrarse en Ling y Proakis (1984), Ling, Manolakis y Proakis
(1985; 1986), Ljung y Ljung (1985), y Gardner (1984).
Consideraciones de implementacin. Como hemos visto, la estructura del filtro en celosa es altamente
modular y permite canalizar los datos. Gracias al alto grado de modularidad, los algoritmos RLS en celosa y
de gradiente son particularmente adecuados para la implementacin en VLSI. Como resultado de esta ventaja
en la implementacin y las propiedades deseables de estabilidad, la excelente precisin numrica y la rpida
convergencia, podemos anticipar que en un futuro prximo el uso de los filtros adaptativos implementados como
estructuras en celosa-escalera crecer considerablemente.
En los algoritmos RLS en la forma directa y en celosa hemos empleado ponderacin exponencial para
reducir la memoria efectiva del proceso de adaptacin. Como alternativa a la ponderacin exponencial, podemos
utilizar una ponderacin uniforme de longitud finita hacia atrs. Este mtodo lleva a la clase de estructuras RLS
en la forma directa y en celosa de memoria finita descritas por Cioffi y Kalaith (1985) y Manolakis, Ling y
Proakis (1987).
Adems de los distintos algoritmos que se han presentado en este captulo, existen muchas investigaciones
relativas a la implementacin eficiente de los mismos utilizando matrices sistlicas y arquitecturas paralelas. El
lector interesado puede consultar los textos de Kung (1982), y Kung, Whitehouse y Kailath (1985).
Problemas
13.1 Utilice el criterio de mnimos cuadrados para determinar las ecuaciones de los parmetros del modelo de
filtro FIR de la Figura 13.1.2, cuando la salida del sistema desconocido est distorsionada por un ruido
aditivo w(n).
13.2 Determine las ecuaciones para los coeficientes de un cancelador de eco adaptativo basado en el criterio
de mnimos cuadrados. Utilice la configuracin de la Figura 13.1.8 y suponga que slo existe eco en el
extremo prximo.
13.3 Si las secuencias w1 (n), w2 (n) y w3 (n) del sistema de cancelacin de ruido adaptativo mostrado en la Figura
13.1.14 estn mutuamente incorreladas, determine el valor esperado de las secuencias de correlacin
estimadas rvv (k) y ryv (k) contenidas en (13.1.26).
13.4 Demuestre el resultado obtenido en (13.4.34).
13.5 Deduzca la ecuacin para la actualizacin directa de la ganancia de escalera dada por (13.4.98).
13.6 Deduzca la ecuacin para los coeficientes de reflexin de un algoritmo de gradiente en celosa dado por
(13.4.103).
13.7 Deduzca el algoritmo FAEST dado en la Tabla 13.7 utilizando el vector de ganancia de Kalman alternativo
M (n) = 1 PM (n 1)XM (n)
K
w
en lugar del vector de ganancia de Kalman KM (n).
13.8 El algoritmo LMS propuesto por Gitlin, Meadors y Weinstein (1982) se puede expresar como
hM (n + 1) = whM (n) + e(n)XM (n)
donde 0 < w < 1, es el tamao de paso y XM (n) es el vector de datos en el instante n. Determine la
condicin para la convergencia del valor medio de hM (n).
13.9 El algoritmo LMS del Problema 13.8 se puede obtener minimizando la funcin de coste
E (n) = |e(n)|2 + c||hM (n)||2
donde c es una constante y e(n) es el error entre la salida del filtro deseado y la salida real del filtro.
Demuestre que la minimizacin de E (n) con respecto al vector de coeficientes del filtro hM (n) nos lleva
al siguiente algoritmo LMS
hM (n + 1) = (1 c)hM (n) + e(n)XM (n)
13.10 Para el algoritmo LMS normalizado dado por (13.2.31), determine el rango de valores del tamao de
paso que garantice la estabilidad del algoritmo en cuanto al error cuadrtico medio.
13.11 Utilizando el vector de ganancia de Kalman alternativo dado en el Problema 13.8, modifique los algoritmos
rpidos de mnimos cuadrados a priori dados en las Tablas 13.2 y 13.3, y luego reduzca el nmero de
clculos.
13.12 Considere el proceso aleatorio
x(n) = gv(n) + w(n),
n = 0, 1, . . . , M 1
donde v(n) es una secuencia conocida, g es una variable aleatoria con E[g] = 0 y E[g 2 ] = G. El proceso
w(n) es una secuencia de ruido blanco con
ww (m) = w2 (m)
Determine los coeficientes del estimador lineal para g, es decir,
g =
M1
h(n)x(n)
n=0
(a) Determine el rango de valores de que proporciona un sistema sobreamortiguado para el proceso
de ajuste.
(b) Dibuje la expresin para J como una funcin de n para un valor de perteneciente a este rango.
13.15 Considere el filtro adaptativo para cancelacin de ruido mostrado en la Figura 13.1.14. Suponga que los
procesos de ruido aditivo son blancos y mutuamente incorrelados, con varianzas iguales a w2 . Suponga
que el sistema lineal tiene una funcin de sistema conocida
1
H(z) =
1 12 z1
Determine los pesos ptimos de un cancelador de ruido de tres etapas que minimice el error cuadrtico
medio.
13.16 Determine los coeficientes a 1 y a2 del predictor lineal mostrado en la Figura P.13.16, sabiendo que la
autocorrelacin xx (n) de la seal de entrada es
xx (m) = a|m| ,
0<a<1
13.17 Determine el filtro en celosa y sus coeficientes de reflexin ptimos para el predictor lineal del Problema
13.16.
13.18 Considere el filtro FIR adaptativo mostrado en la Figura P.13.18. El sistema C(z) se caracteriza por la
funcin de sistema
1
C(z) =
1 + 0.9z1
Determine los coeficientes ptimos del filtro FIR adaptativo B(z) = b0 + b1 z1 que minimizan el error
cuadrtico medio (MSE). El ruido aditivo es blanco con varianza w2 = 0.1.
13.19 En el algoritmo de gradiente en celoss, los errores de prediccin directo e inverso estn dados por
(13.4.102).
x(n)
Z1
Z1
a1
a2
e(n)
Figura P.13.16.
w(n)
x(n)
Filtro
FIR
adaptativo
C(z)
e(n)
Figura P.13.18.
(a) Demuestre que la minimizacin del error de mnimos cuadrados
EmLS =
l=0
con respecto a los coeficientes de reflexin {km (n)} da lugar a la ecuacin dada por (13.4.103).
(b) Para determinar una ecuacin para el clculo recursivo de los coeficientes de reflexin dada por
(13.4.103) se define
um (n) = wum (n 1) + 2 f m1(n)gm1 (n 1)
n
+ w(n)
4
(b) Repita el apartado (a) para 10 pruebas, utilizando diferentes secuencias de ruido y superponga los
10 diagramas de a1 (n) y a2 (n).
(c) Dibuje la curva de aprendizaje para el error cuadrtico medio (sobre las 10 pruebas) para los datos
del apartado (b).
13.22 Un proceso aleatorio x(n) se especifica como
x(n) = s(n) + w(n)
= sen(0 n + ) + w(n),
0 = /4, = 0
donde w(n) es una secuencia de ruido blanco aditivo con varianza w2 = 0.1.
(a) Genere N = 1000 muestras de x(n) y simule un mejorador lineal adaptativo de longitud L = 4.
Utilice el algoritmo LMS para adaptar el mejorador ALE.
(b) Dibuje la salida del mejorador.
(c) Calcule la autocorrelacin xx (m) de la secuencia x(n).
(d) Determine los valores tericos de los coeficientes del mejorador y comprelos con los valores
experimentales.
(e) Calcule y dibuje la respuesta en frecuencia del predictor lineal (ALE).
(f) Calcule y dibuje la respuesta en frecuencia del filtro de error de prediccin.
(g) Calcule y dibuje los valores experimentales de la autocorrelacin ree (m) de la secuencia de error de
salida para 0 m < 10.
(h) Repita el experimento para 10 pruebas, utilizando diferentes secuencias de ruido y superponga las
respuestas en frecuencia en una misma grfica.
(i) Comente los resultados de los apartados (a) hasta (h).
14
Estimacin del espectro
de potencia
En este captulo vamos a abordar la estimacin de las caractersticas espectrales de seales caracterizadas como
procesos aleatorios. Muchos de los fenmenos que ocurren en la naturaleza se caracterizan mejor estadsticamente en trminos de promedios. Por ejemplo, los fenmenos meteorolgicos tales como las fluctuaciones en la
temperatura y la presin del aire se caracterizan mejor estadsticamente como procesos aleatorios. Las tensiones
de ruido trmico generadas en las resistencias y dispositivos electrnicos son ejemplos adicionales de seales
fsicas que estn modeladas como procesos aleatorios.
Debido a las fluctuaciones aleatorias en tales seales, debemos adoptar un punto de vista estadstico, que
trate con las caractersticas promedio de seales aleatorias. En particular, la funcin de autocorrelacin de un
proceso aleatorio es la media estadstica apropiada que se utilizar para caracterizar las seales aleatorias en
el dominio del tiempo, y la transformada de Fourier de la funcin de autocorrelacin, que da el espectro de la
densidad de potencia, y proporciona la transformacin del dominio del tiempo al dominio de la frecuencia.
Los mtodos de estimacin del espectro de potencia tienen una historia relativamente larga. Para adquirir una
perspectiva histrica, el lector puede consultar los documentos de Robinson (1982) y el libro de Marple (1987).
Nosotros vamos a cubrir los mtodos de estimacin del espectro de potencia clsicos basados en el periodograma,
desarrollado originalmente por Schuster (1898) y por Yule (1927), que dieron origen a los modernos mtodos
paramtricos o basados en modelo. Estos mtodos fueron desarrollados posteriormente y aplicados por Walker
(1931), Bartlett (1948), Parzen (1957), Blackman y Tukey (1958), Burg (1967), y otros. Describimos tambin
el mtodo de Capon (1969) y los mtodos basados en el autoanlisis de la matriz de correlacin de datos.
de la seal no son estacionarios, no podemos seleccionar un registro de datos arbitrariamente largo para estimar
el espectro. En tal caso, la longitud del registro de datos que seleccionemos se determina por la rapidez de las
variaciones temporales en los parmetros estadsticos de la seal. Por ltimo, nuestro objetivo es seleccionar
un registro de datos tan corto como sea posible que nos permita resolver las caractersticas espectrales de las
diferentes componentes de seal en el registro de datos que contiene espectros muy poco espaciados.
Uno de los problemas con los que solemos encontrarnos en los mtodos de estimacin de los espectros de
potencia basados en un registro de datos de longitud finita es la distorsin del espectro que estamos intentando
estimar. Este problema se produce tanto en el clculo del espectro de una seal determinstica como en la
estimacin del espectro de potencia de una seal aleatoria. Puesto que es ms fcil observar el efecto de la
longitud finita del registro de datos sobre una seal determinstica, vamos a abordar este caso en primer lugar.
A continuacin, consideraremos slo las seales aleatorias y la estimacin de sus espectros de potencia.
14.1.1
Considere el clculo del espectro de una seal determinstica a partir de una secuencia finita de datos. La secuencia
x(n) normalmente es el resultado de muestrear una seal continua en el tiempo xa(t) a una determinada frecuencia
de muestreo uniforme Fs . Nuestro objetivo es obtener un estimado del espectro real de una secuencia de duracin
finita x(n).
Recuerde que si x(t) es una seal de energa finita, es decir,
E=
xa (t)e j2 Ft dt
|xa (t)|2 dt =
|Xa (F)|2 dF
(14.1.1)
La magnitud |Xa (F)|2 representa la distribucin de la energa de la seal como una funcin de la frecuencia
y se conoce como espectro de densidad de potencia de la seal, es decir,
Sxx (F) = |Xa (F)|2
(14.1.2)
como se ha descrito en el Captulo 4. Por tanto, la energa total de la seal es simplemente la integral de Sxx (F)
para todo F [es decir, el rea total bajo Sxx (F)].
Tambin es interesante destacar que Sxx (F) puede interpretarse como la transformada de Fourier de otra
funcin, Rxx ( ), conocida como funcin de autocorrelacin de la seal de energa finita x a (t), definida como
Rxx ( ) =
xa (t)xa (t + ) dt
(14.1.3)
(14.1.4)
de modo que Rxx ( ) y Sxx (F) forman una pareja de transformadas de Fourier.
Supongamos ahora que calculamos el espectro de densidad de potencia de la seal xa (t) a partir de sus
muestras tomadas a la frecuencia de Fs muestras por segundo. Para garantizar que no existe aliasing espectral
resultante del proceso de muestreo, se supone que la seal ser prefiltrada, de modo que, para propsitos
prcticos, su ancho de banda est limitado a B hercios. Entonces la frecuencia de muestreo Fs se selecciona de
manera que Fs > 2B.
La versin muestreada de xa (t) es una secuencia x(n), < n < , que tiene la transformada de Fourier
(espectro de tensin)
X( ) =
o, lo que es equivalente,
X( f ) =
x(n)e j n
n=
x(n)e j2 f n
(14.1.5)
n=
Recuerde que X( f ) puede expresarse en trminos del espectro de tensin de la seal analgica xa (t) como
F
= Fs Xa (F kFs )
(14.1.6)
X
X(F)
k=
donde f = F/Fs es la variable de frecuencia normalizada.
En ausencia de aliasing, en el rango fundamental |F| Fs /2, tenemos
F
= Fs Xa (F), |F| Fs /2
X
X(F)
(14.1.7)
Por tanto, el espectro de tensin de la seal muestreada es idntico al espectro de tensin de la seal analgica.
Como consecuencia, el espectro de densidad de potencia de la seal muestreada es
Sxx
F
Sxx (F)
2
F
= F 2 |Xa (F)|2
= X
s
X(F)
(14.1.8)
n=
x (n)x(n + k)
(14.1.9)
rxx (k)e j2 k f
(14.1.10)
k=
Por tanto, el espectro de densidad de potencia puede obtenerse mediante la transformada de Fourier de la
autocorrelacin de la secuencia {x(n)}.
Las relaciones anteriores nos llevan a diferenciar entre dos mtodos distintos para calcular el espectro de
densidad de potencia de una seal xa (t) a partir de sus muestras x(n). Uno es el mtodo directo, que implica el
clculo de la transformada de Fourier de {x(n)}, y as
Sxx ( f )
= |X( f )|2
2
j2 f n
= x(n)e
n=
(14.1.11)
El segundo mtodo es el mtodo indirecto porque requiere dos pasos. En primer lugar, la autocorrelacin r xx (k)
se calcula a partir de x(n) y luego se calcula la transformada de Fourier de la autocorrelacin como en (14.1.10)
para obtener el espectro de densidad de potencia.
Sin embargo, en la prctica, slo la secuencia de duracin finita x(n), 0 n N 1, est disponible para
calcular el espectro de la seal. En efecto, limitar la duracin de la secuencia x(n) a N puntos es equivalente a
multiplicar x(n) por una ventana rectangular. Por tanto, tenemos
x(n)
= x(n)w(n) =
x(n), 0 n N 1
0,
en otro caso
(14.1.12)
A partir de nuestra exposicin sobre el diseo de filtros FIR basado en el uso de ventanas para limitar la duracin
de la respuesta al impulso, recordemos que la multiplicacin de dos secuencia es equivalente a convolucionar
sus espectros de tensin. En consecuencia, la relacin correspondiente en el dominio de la frecuencia a (14.1.12)
es
f ) = X( f ) W ( f )
X(
=
1/2
1/2
X( )W ( f )d
(14.1.13)
X( f ) =
1,
| f | 0.1
0,
en otro caso
Como en el caso de diseo del filtro FIR, podemos reducir las fugas del lbulo secundario seleccionando
ventanas que tengan lbulos secundarios pequeos. Esto implica que las ventanas tienen un corte suave en el
dominio del tiempo en lugar del abrupto corte de la ventana rectangular. Aunque tales funciones de ventana
reducen las fugas del lbulo secundario, dan lugar a un aumento del suavizado o dispersin de la caracterstica
espectral X( f ). Por ejemplo, el uso de la ventana de Blackman de longitud N = 61 del Ejemplo 14.1.1 da lugar
10
Densidad de energa (dB)
0
10
20
30
40
50
60
70
80
90
100
.1
.3
.2
Frecuencia (ciclos/muestra)
.4
.5
Figura 14.1.1. Espectro obtenido convolucionando una ventana rectangular de longitud M = 61 con el espectro
paso bajo ideal del Ejemplo 14.1.1.
f ) mostrada en la Figura 14.1.2. Las fugas del lbulo secundario se han reducido
a la caracterstica espectral X(
notablemente, aunque la anchura espectral ha aumentado aproximadamente en un 50 %.
La dispersin del espectro que se est estimando mediante el uso de ventanas es especialmente un problema
cuando deseamos resolver las seales con componentes de frecuencia muy poco espaciadas. Por ejemplo, la
seal con la caracterstica espectral X( f ) = X1 ( f ) + X2 ( f ), como la mostrada en la Figura 14.1.3, no se puede
resolver como dos seales separadas a menos que la anchura de la funcin de ventana sea significativamente
ms estrecha que la separacin de frecuencia f . Por tanto, observe que utilizar ventanas de suavizado en el
dominio de tiempo reduce las fugas a expensas de una disminucin de la resolucin en frecuencia.
10
Densidad de energa (dB)
0
10
20
30
40
50
60
70
80
90
100
.1
.3
.2
Frecuencia (ciclos/muestra)
.4
.5
Figura 14.1.2. Espectro obtenido convolucionando una ventana de Blackman de longitud M = 61 con el
espectro paso bajo ideal en el Ejemplo 14.1.1.
X(f)
X1(f)
X2(f)
f
0
0.5
es una aproximacin del espectro deseado de la secuencia {x(n)}. La densidad espectral obtenida a partir
de {x(n)}
es
2
N1
j2
f
n
f )| = x(n)e
Sxx( f ) = |X(
n=0
2
(14.1.14)
El espectro dado por (14.1.14) puede calcularse numricamente en el conjunto de N puntos de frecuencia
por medio de la DFT. Por tanto,
X(k)
=
N1
j2 kn/N
x(n)e
(14.1.15)
n=0
As,
2
|X(k)|
= Sxx ( f )| f =k/N = Sxx
y por tanto
k
N
2
N1
k
j2 kn/N
Sxx
= x(n)e
n=0
N
(14.1.16)
(14.1.17)
14.1.2
Las seales de energa finita consideradas en la seccin anterior tienen transformada de Fourier y se caracterizan
en el dominio espectral por su espectro de densidad de potencia. Por el contrario, la importante clase de seales
caracterizadas como procesos aleatorios estacionarios no tienen energa finita y por tanto no tienen transformada
de Fourier. Tales seales tienen una potencia media finita y se caracterizan, por tanto, mediante el espectro de
densidad de potencia. Si x(t) es un proceso aleatorio estacionario, su funcin de autocorrelacin es
xx ( ) = E[x (t)x(t + )]
(14.1.18)
donde E[] designa la media estadstica. Luego, por medio del teorema de WienerKhintchine, el espectro
de densidad de potencia del proceso aleatorio estacionario es la transformada de Fourier de la funcin de
autocorrelacin, es decir,
xx (F) =
xx ( )e j2 F dt
(14.1.19)
En la prctica, trabajamos con una nica realizacin del proceso aleatorio a partir de la cual estimamos el
espectro de potencia del proceso. La funcin de autocorrelacin real xx ( ) no es conocida y, como consecuencia,
no podemos calcular la transformada de Fourier en (14.1.19) para obtener xx (F). Por el contrario, a partir de
una nica realizacin del proceso aleatorio podemos calcular la funcin de autocorrelacin con respecto a la
media temporal
T0
1
Rxx ( ) =
x (t)x(t + ) dt
(14.1.20)
2T0 T0
donde 2T0 es el intervalo de observacin. Si el proceso aleatorio estacionario es ergdico en los momentos de
primer y segundo orden (media y funcin de autocorrelacin), luego
xx ( ) = lm Rxx ( )
T0
1
T0 2T0
= lm
T0
T0
x (t)x(t + ) dt
(14.1.21)
Esta relacin justifica el uso de la autocorrelacin temporal Rxx ( ) como un estimado de la funcin de
autocorrelacin estadstica xx ( ). Adems, la transformada de Fourier de Rxx ( ) proporciona un estimado
Pxx (F) del espectro de la densidad de potencia, es decir,
T0
Rxx ( )e j2 F d
T0 T0
1
=
x (t)x(t + )dt e j2 F d
2T0 T0 T0
2
1 T0
j2 Ft
=
x(t)e
dt
2T0 T0
Pxx (F)
T0
(14.1.22)
El espectro de densidad de potencia real es el valor esperado de Pxx (F) en el lmite cuando T0 ,
xx (F)
= lm E[Pxx (F)]
T0
2
1 T0
j2 Ft
= lm E
x(t)e
dt
T0
2T0 T0
(14.1.23)
A partir de (14.1.20) y (14.1.22) de nuevo debemos trabajar con dos posibles mtodos para calcular Pxx(F), el
mtodo directo dado por (14.1.22) o el mtodo indirecto, en el que obtenemos Rxx ( ) primero y luego calculamos
la transformada de Fourier.
Consideremos la estimacin del espectro de densidad de potencia a partir de las muestras de una nica
realizacin del proceso aleatorio. En particular, suponemos que xa (t) se muestrea a una frecuencia Fs > 2B,
donde B es la frecuencia ms alta contenida en el espectro de densidad de potencia del proceso aleatorio. Por
tanto, obtenemos una secuencia de duracin finita x(n), 0 n N 1, muestreando xa (t). A partir de estas
muestras calculamos la secuencia de autocorrelacin temporal
rxx
(m) =
1 Nm1
x (n)x(n + m),
N m n=0
m = 0, 1, . . . , N 1
(14.1.24)
N1
m=N+1
rxx
(m)e j2 f m
(14.1.25)
E[rxx
(m)] =
(14.1.26)
(m) es un estimado no
donde xx (m) es la secuencia de autocorrelacin real (estadstica) de x(n). Por tanto, rxx
(m) es aproximadamente
desviado de la funcin de xx (m). La varianza del estimado rxx
(m)]
var[rxx
N
|xx (n)|2 + xx
(n m)xx (n + m)
[N m]2 n=
(14.1.27)
siempre que
n=
(14.1.28)
Dado que E[rxx
(m)] = xx (m) y la varianza del estimado converge a cero cuando N , se dice que el estimado
rxx (m) es coherente.
(m) dado por (14.1.24) tiene una varianza
Para valores grandes del parmetro de retardo m, el estimado rxx
grande, especialmente cuando m se aproxima a N. Esto se debe al hecho de que se han empleado muy pocos
puntos de datos en el estimado para retardos grandes. Como alternativa a (14.1.24) podemos emplear el estimado
rxx (m) =
1 Nm1
x (n)x(n + m),
N n=0
1 N1
rxx (m) =
x (n)x(n + m),
N n=|m|
0 m N 1
(14.1.29)
m = 1, 2, . . ., 1 N
E[rxx (m)] =
(14.1.30)
Sin embargo, este estimado tiene una varianza menor, dada aproximadamente por
var[rxx (m)]
1
[xx (n)|2 + xx (n m)xx(n + m)]
N n=
(14.1.31)
(14.1.32)
y su varianza converge a cero cuando N . Por tanto, el estimado rxx (m) tambin es un estimado coherente
de xx (m).
Utilizaremos el estimado rxx (m) dado por (14.1.29) en nuestro tratamiento de la estimacin del espectro de
potencia. El correspondiente estimado del espectro de densidad de potencia es
Pxx ( f ) =
N1
rxx (m)e j2 f m
(14.1.33)
m=(N1)
Si sustituimos la expresin de rxx (m) dada en (14.1.29) en la Ecuacin (14.1.33), el estimado Pxx ( f ) tambin se
puede expresar como
2
1 N1
1
j2 f n
Pxx ( f ) = x(n)e
(14.1.34)
= |X( f )|2
N n=0
N
donde X( f ) es la transformada de Fourier de la secuencia de muestras x(n). Esta forma bien conocida del
estimado del espectro de densidad de potencia se denomina periodograma. Originalmente fue presentado por
Schuster (1898) para detectar y medir las periodicidades ocultas en los datos.
A partir de (14.1.33), el valor medio del estimado del periodograma Pxx ( f ) es
E[Pxx ( f )] = E
N1
rxx (m)e
m=(N1)
j2 f m
= N1
E[rxx (m)]e j2 f m
m=(N1)
(14.1.35)
|m|
1
E[Pxx ( f )] =
xx (m)e j2 f m
N
m=(N1)
N1
La interpretacin que damos a (14.1.35) es que el valor medio del espectro estimado es la transformada de
Fourier de la funcin de autocorrelacin tratada mediante ventanas
|m|
xx (m) = 1
xx (m)
(14.1.36)
N
donde la funcin de ventana es la ventana de Bartlett (triangular). Por tanto, el valor medio del espectro estimado
es
E[Pxx ( f )] =
m=
xx (m)e j2 f m =
1/2
1/2
xx ( )WB ( f )d
(14.1.37)
dondeWB( f ) es la caracterstica espectral de la ventana de Bartlett. La relacin (14.1.37) ilustra que el valor medio
del espectro estimado es la convolucin del espectro de densidad de potencia real xx ( f ) con la transformada
de Fourier WB ( f ) de la ventana de Bartlett. En consecuencia, la media del espectro estimado es una versin
suavizada del espectro real y sufre los mismos problemas de fugas espectrales, que se deben al nmero finito
de puntos de datos.
Observe que el espectro estimado est desviado asintticamente, es decir,
lm E
N1
m=(N1)
rxx (m)e j2 f m =
m=
xx (m)e j2 f m = xx ( f )
Sin embargo, en general, la varianza del estimado Pxx ( f ) no disminuye a cero cuando N . Por ejemplo,
cuando la secuencia de datos es un proceso aleatorio gaussiano, puede demostrarse fcilmente que la varianza
es (vase el Problema 14.4)
sen 2 f N 2
2
var[Pxx ( f )] = xx ( f ) 1 +
(14.1.38)
N sen 2 f
(14.1.39)
Por tanto, concluimos que el periodograma no es un estimado coherente del espectro de densidad de potencia
real (es decir, no converge al espectro de densidad de potencia real).
En resumen, la autocorrelacin estimada rxx (m) es un estimado coherente de la funcin de autocorrelacin
real xx (m). Sin embargo, su transformada de Fourier Pxx ( f ), el periodograma, no es un estimado coherente del
espectro de densidad de potencia real. Ya hemos mencionado que Pxx( f ) es un estimado desviado asintticamente
de xx ( f ), pero para una secuencia de duracin finita, el valor medio de Pxx ( f ) presenta una desviacin, la cual
es evidente a partir de (14.1.37) como una distorsin del espectro de la densidad de potencia real. Por tanto, el
espectro estimado se ve afectado por los efectos de suavizado y las fugas incluidas en la ventana de Bartlett.
En ltima instancia, el suavizado y las fugas limitan nuestra capacidad para resolver los espectros muy poco
espaciados.
Los problemas de fugas y de resolucin en frecuencia que acabamos de describir, as como el problema
de que el periodograma no es un estimado coherente del espectro de potencia, son la causa de los mtodos de
estimacin del espectro de potencia que se describen en las Secciones 14.2, 14.3 y 14.4. Los mtodos descritos
en la Seccin 14.2 son mtodos clsicos no paramtricos, que no plantean ninguna suposicin acerca de la
secuencia de datos. El nfasis de los mtodos clsicos est puesto en la obtencin de un estimado coherente
del espectro de potencia a travs de operaciones de promediado o suavizado realizadas directamente sobre el
periodograma o la autocorrelacin. Como veremos, el efecto de estas operaciones es reducir la resolucin de
frecuencia an ms, a la vez que se disminuye la varianza del estimado.
Los mtodos de estimacin del espectro descritos en la Seccin 14.3 estn basados en un determinado
modelo que define cmo fueron generados los datos. En general, los mtodos basados en modelo que se han
desarrollado en las ltimas dcadas proporcionan una resolucin significativamente ms alta que los mtodos
clsicos.
En las Secciones 14.4 y 14.5 se describen mtodos adicionales. En la Seccin 14.4, se abordan mtodos
basados en bancos de filtros que permiten estimar el espectro de potencia. Los mtodos descritos en la Seccin
14.5 estn basados en la descomposicin autovalor/autovector de la matriz de correlacin de datos.
14.1.3
Como se indica en las Ecuaciones (14.1.14) y (14.1.34), el espectro de densidad de potencia estimado Sxx ( f )
y el periodograma Pxx ( f ), respectivamente, pueden calcularse utilizando la DFT, la cual a su vez se calcula
eficientemente mediante un algoritmo FFT. Si tenemos N puntos de datos, calculamos como un mnimo la DFT
de N puntos. Por ejemplo, el clculo proporciona muestras del periodograma
2
1 N1
k
j2 nk/N
Pxx
= x(n)e
,
N
N n=0
k = 0, 1, . . . , N 1
(14.1.40)
k = 0, 1, . . . , L 1
(14.1.41)
Debemos resaltar que rellenar con ceros y evaluar la DFT en L > N puntos no mejora la resolucin en
frecuencia del estimado espectral. Simplemente nos proporciona un mtodo para interpolar los valores del
espectro medido en ms frecuencias. La resolucin en frecuencia en el estimado espectral Pxx ( f ) se determina
mediante la longitud N del registro de datos.
EJEMPLO 14.1.2
Obtenemos una secuencia de N = 16 muestras muestreando una seal analgica que consta de dos componentes en frecuencia.
La secuencia discreta en el tiempo resultante es
x(n) = sen 2 (0.135)n + cos 2 (0.135 + f )n,
n = 0, 1, . . . , 15
donde f es la separacin de frecuencia. Evale el espectro de potencia P( f ) = (1/N)|X( f )| 2 en las frecuencias f k = k/L,
k = 0, 1, . . . , L 1, para L = 8, 16, 32 y 128 para los valores f = 0.06 y f = 0.01.
Solucin. Rellenando con ceros, aumentamos la secuencia de datos para obtener el estimado del espectro de potencia
Pxx (k/L). Los resultados para f = 0.06 se han dibujado en la Figura 14.1.4. Observe que el relleno de ceros no cambia
la resolucin, pero tiene el efecto de interpolar el espectro Pxx ( f ). En este caso, la separacin de frecuencia f es lo
suficientemente grande como para que las dos componentes en frecuencia sean resolubles.
16
32
128
16
32
128
Cuando slo se necesitan unos pocos puntos del periodograma, el algoritmo de Goertzel descrito en el
Captulo 8 puede proporcionar un clculo ms eficiente. Puesto que el algoritmo de Goertzel ha sido interpretado
como un mtodo de filtrado lineal para calcular la DFT, es evidente que el estimado del periodograma puede
obtenerse pasando la seal a travs de un banco de filtros sintonizados en paralelo y elevando al cuadrado sus
salidas (vase el Problema 14.5).
Dado que los estimados se basan por completo en un registro finito de datos, la resolucin en frecuencia de
estos mtodos es, en el mejor de los casos, igual a la anchura espectral de la ventana rectangular de longitud N,
que es aproximadamente 1/N en los puntos a 3-dB. Debemos ser ms precisos al especificar la resolucin en
frecuencia de los mtodos especificados. Todas las tcnicas de estimacin descritas en esta seccin disminuyen
la resolucin en frecuencia con el fin de reducir la varianza en el estimado espectral.
En primer lugar, describimos los estimados y obtenemos la media y la varianza de cada uno. En la Seccin
14.2.4 se proporciona una comparativa de los tres mtodos. Aunque los estimados espectrales se expresan como
una funcin de la variable continua en frecuencia f , en la prctica, los estimados se calculan en frecuencias
discretas mediante el algoritmo FFT. Los requisitos de clculo basados en algoritmos FFT se abordan en la
Seccin 14.2.5.
14.2.1
El mtodo de Bartlett para reducir la varianza en el periodograma es un proceso de tres pasos. En primer lugar,
la secuencia de N puntos se subdivide en K segmentos no solapados, donde cada segmento tiene una longitud
M. Esto da como resultado K segmentos de datos
i = 0, 1, . . . , K 1
n = 0, 1, . . . , M 1
(14.2.1)
2
1 M1
j2 f n
= xi (n)e
,
M n=0
i = 0, 1, . . . , K 1
(14.2.2)
Por ltimo, promediamos los periodogramas para los K segmentos para obtener el estimado del espectro de
potencia de Bartlett [Bartlett (1948)]
B
Pxx
(f) =
1 K1 (i)
Pxx ( f )
K i=0
(14.2.3)
Las propiedades estadsticas de este estimado pueden obtenerse fcilmente. En primer lugar, el valor medio
es
B ( f )]
E[Pxx
1 K1
(i)
E[Pxx ( f )]
K i=0
(14.2.4)
(i)
= E[Pxx ( f )]
A partir de (14.1.35) y (14.1.37) obtenemos el valor esperado para el periodograma como
(i)
|m|
1
xx (m)e j2 f m
M
m=(M1)
1 1/2
sen ( f )M 2
=
xx ( )
d
M 1/2
sen ( f )
E[Pxx ( f )] =
M1
donde
WB ( f ) =
1
M
sen f M
sen f
(14.2.5)
2
(14.2.6)
|m|
, |m| M 1
wB (n) =
M
0,
en otro caso
1
(14.2.7)
A partir de (14.2.5) observe que el espectro real ahora se ha convolucionado con la caracterstica en frecuencia
WB ( f ) de la ventana de Bartlett. El efecto de reducir la longitud de los datos de N puntos a M = N/K da lugar
a una ventana cuya anchura espectral se ha incrementado en un factor de K. En consecuencia, la resolucin en
frecuencia se ha reducido en un factor K.
A cambio de esta reduccin en la resolucin, hemos reducido la varianza. La varianza del estimado de
Bartlett es
K1
(i)
B ( f )] = 1
var[Pxx
var[Pxx ( f )]
K 2 i=0
(14.2.8)
1
(i)
var[Pxx ( f )]
=
K
Si utilizamos (14.1.38) en (14.2.8), obtenemos
2
f
M
1
sen
2
B
var[Pxx
( f )] = 2xx ( f ) 1 +
K
M sen 2 f
(14.2.9)
Por tanto, la varianza del estimado del espectro de potencia de Bartlett se ha reducido por el factor K.
14.2.2
Welch (1967) realiz dos modificaciones bsicas al mtodo de Bartlett. En primer lugar, permiti que los
segmentos de datos se solaparan. Por tanto, los segmentos de datos pueden representarse como
xi (n) = x(n + iD),
n = 0, 1, . . . , M 1
i = 0, 1, . . . , L 1
(14.2.10)
donde iD es el punto de partida de la secuencia i. Observe que si D = M, los segmentos no se solapan y el nmero
L de segmentos de datos es idntico al nmero K en el mtodo de Bartlett. Sin embargo, si D = M/2, existe un
50 % de solapamientos entre segmentos de datos sucesivos y se obtienen L = 2K segmentos. Alternativamente,
podemos formar K segmentos de datos de longitud 2M cada uno.
La segunda modificacin hecha por Welch al mtodo de Bartlett consiste en enventanar los segmentos de
datos antes de calcular el periodograma. El resultado es un periodograma modificado
(i)
Pxx ( f )
1
=
MU
2
M1
xi (n)w(n)e j2 f n ,
n=0
i = 0, 1, . . . , L 1
(14.2.11)
1 M1 2
w (n)
M n=0
(14.2.12)
El estimado del espectro de potencia de Welch es la media de estos periodogramas modificados, es decir,
W
(f) =
Pxx
1 L1 (i)
Pxx ( f )
L i=0
(14.2.13)
1 L1 (i)
E[Pxx ( f )]
L i=0
(14.2.14)
(i)
E[Pxx ( f )]
E[Pxx ( f )] =
1
MU
1
=
MU
M1 M1
n=0 m=0
(14.2.15)
M1 M1
n=0 m=0
Puesto que
xx (n) =
1/2
1/2
xx ( )e j2 n d
d
xx ( ) w(n)w(m)e
E[Pxx ( f )] =
MU 1/2
n=0 m=0
=
1/2
1/2
(14.2.16)
(14.2.17)
xx ( )W ( f )d
2
M1
j2 f n
w(n)e
n=0
(14.2.18)
W ( f )d f = 1
(14.2.19)
1 L1 L1 (i)
( j)
E[Pxx ( f )Pxx ( f )] {E[PxxW ( f )]}2
L2 i=0
j=0
(14.2.20)
En el caso de que no se produzca ningn solapamiento entre segmentos de datos sucesivos (L = K), Welch
demostr que
(i)
W ( f )] = 1 var[P
xx
var[Pxx
( f )]
L
(14.2.21)
1
2xx ( f )
L
En el caso de un solapamiento del 50 % entre segmentos de datos sucesivos (L = 2K), la varianza del
estimado del espectro de potencia de Welch con la ventana de Bartlett (triangular), tambin obtenida en los
estudios de Welch, es
9 2
W
(f)
var[Pxx
( f )]
(14.2.22)
8L xx
Aunque hemos considerado slo la ventana triangular en los clculos de la varianza, pueden emplearse otras
funciones de ventana. En general, stas nos proporcionarn una varianza diferente. Adems, es posible variar
el solapamiento del segmento de datos ms o menos del 50 % que se ha considerado en esta seccin con el fin
de mejorar las caractersticas relevantes del estimado.
14.2.3
Blackman y Tukey (1958) propusieron y analizaron el mtodo en el que la secuencia de autocorrelacin de las
muestras se hace pasar a travs de una ventana en primer lugar y a continuacin se le aplica la transformada
de Fourier para proporcionar el estimado del espectro de potencia. El razonamiento para aplicar una funcin
de ventana a la secuencia de autocorrelacin estimada rxx (m) es que, para retardos largos, los estimados son
menos fiables porque se emplea un nmero menor (N m) de puntos de datos en los mismos. Para valores de
m prximos a N, la varianza de estos estimados es muy alta y, por tanto, estos estimados deben tener un peso
menor en la formacin del espectro de potencia estimado. Por tanto, el estimado de BlackmanTukey es
M1
BT
Pxx
(f) =
rxx (m)w(m)e j2 f m
(14.2.23)
m=(M1)
donde la funcin de ventana w(n) tiene una longitud de 2M 1 y es cero para |m| M. Con esta definicin para
w(n), los lmites del sumatorio de la Ecuacin (14.2.23) pueden ampliarse a (, ). Por tanto, la expresin
equivalente en el dominio de la frecuencia para (14.2.23) es la convolucin integral
BT
Pxx
(f) =
1/2
1/2
Pxx ( )W ( f )d
(14.2.24)
donde Pxx ( f ) es el periodograma. Est claro a partir de (14.2.24) que el efecto de la ventana sobre la autocorrelacin es suavizar el estimado del periodograma, de modo que disminuya la varianza del estimado a costa de
reducir la resolucin.
La secuencia de ventana w(n) debe ser simtrica (par) alrededor de m = 0, para garantizar que el estimado
del espectro de potencia es real. Adems, es deseable seleccionar el espectro de la ventana para que sea no
negativo, es decir,
W ( f ) 0,
| f | 1/2
(14.2.25)
BT ( f ) 0 para | f | 1/2, que es una propiedad deseable para cualquier estimado
Esta condicin asegura que Pxx
del espectro de potencia. Sin embargo, debemos indicar que algunas de las funciones de ventana que hemos
presentado no satisfacen esta condicin. Por ejemplo, a pesar de sus bajos niveles en el lbulo secundario, las
ventanas de Hamming y Hann (o Hanning) no satisfacen la propiedad dada en (14.2.25) y, por tanto, pueden
dar lugar a estimados del espectro negativos en algunas partes del rango de frecuencia.
El valor esperado del estimado del espectro de potencia segn el mtodo de BlackmanTukey es
BT
E[Pxx
( f )] =
1/2
1/2
E[Pxx ( )]W ( f )d
(14.2.26)
xx ( )WB ( )d
(14.2.27)
1/2
1/2
1/2 1/2
1/2 1/2
xx ( )WB ( )W ( f )d d
(14.2.28)
De manera similar, trabajando en el dominio del tiempo, el valor esperado del estimado del espectro de
potencia de BlackmanTukey es
BT ( f )]
E[Pxx
M1
E[rxx (m)]w(m)e j2 f m
m=(M1)
M1
(14.2.29)
j2 f m
xx (m)wB (m)w(m)e
m=(M1)
wB (m) =
0,
|m|
,
N
|m| < N
(14.2.30)
en otro caso
Evidentemente, deberamos seleccionar la longitud de la ventana para w(n), tal que M << N, es decir, w(n) debe
ser ms estrecho que wB (m) para proporcionar un suavizado adicional del periodograma. Bajo esta condicin,
(14.2.28) se transforma en
BT
E[Pxx
( f )]
ya que
1/2
1/2
1/2
1/2
xx ( )W ( f )d
WB ( )W ( f )d =
1/2
1/2
(14.2.31)
WB ( )W ( f )d
(14.2.32)
W(f )
(14.2.33)
donde la media puede aproximarse como en (14.2.31). El momento de segundo orden en la Ecuacin (14.2.33)
es
BT
E{[Pxx
( f )]2 } =
1/2 1/2
1/2 1/2
(14.2.34)
Suponiendo que el proceso aleatorio es gaussiano (vase el Problema 14.5), tenemos que
sen ( + )N
E[Pxx ( )Pxx ( )] = xx ( )xx ( ) 1 +
N sen ( + )
sen ( )N
+
N sen ( )
2 (14.2.35)
1/2
1/2
1/2 1/2
1/2 1/2
2
xx ( )W ( f )d
xx ( )xx ( )W ( f )W ( f )
sen ( + )N
N sen ( + )
sen ( )N
+
N sen ( )
2 -
d d
(14.2.36)
BT ( f ), la cual se va a sustraer
El primer trmino de (14.2.36) es simplemente la media al cuadrado de Pxx
de acuerdo con (14.2.33). Esto deja el segundo trmino de (14.2.36), que es la varianza. Para el caso en que
N M, las funciones sen ( + )N/N sen ( + ) y sen ( )N/N sen ( ) son relativamente
estrechas comparadas con W ( f ) en las vecindades de = y = , respectivamente. Por tanto,
1/2
sen ( + )N 2
sen ( )N 2
d
xx ( )W ( f )
+
N sen ( + )
N sen ( )
1/2
(14.2.37)
xx ( )W ( f + ) + xx( )W ( f )
N
BT
Con esta aproximacin, la varianza de Pxx
( f ) es
1 1/2
xx ( )W ( f )[xx ( )W ( f + ) + xx ( )W ( f )]d
N 1/2
1 1/2 2
( )W 2 ( f )d
N 1/2 xx
BT ( f )]
var[Pxx
(14.2.38)
xx ( )xx ( )W ( f )W ( f + )d 0
(14.2.39)
)d
xx
N 1/2
(14.2.40)
1 M1
2
2
xx ( f )
w
(m)
N m=(M1)
14.2.4
En esta seccin comparamos la calidad de los estimados del espectro de potencia de Bartlett, Welch, y Blackman
y Tukey. Como medida de la calidad, utilizamos la relacin de su varianza respecto de la media al cuadrado del
estimado del espectro de potencia, es decir,
QA =
A ( f )]}2
{E[Pxx
A ( f )]
var[Pxx
(14.2.41)
donde A = B, W , o BT son los tres estimados del espectro de potencia. El recproco de esta magnitud, denominado
variabilidad, tambin se puede emplear como medida de rendimiento.
Como referencia, el periodograma tiene la media y la varianza siguientes:
E[Pxx ( f )] =
1/2
1/2
xx ( )WB ( f )d
var[Pxx ( f )]
= 2xx ( f )
sen 2 f N
1+
N sen 2 f
(14.2.42)
2
(14.2.43)
donde
1
WB ( f ) =
N
sen f N
sen f
2
(14.2.44)
1/2
1/2
WB ( )d = wB (0)xx ( f ) = xx ( f )
(14.2.45)
var[Pxx ( f )] 2xx ( f )
Por tanto, como se ha indicado previamente, el periodograma es un estimado asintticamente insesgado del
espectro de potencia, pero no es coherente porque su varianza no tiende a cero cuando N tiende a infinito.
Asintticamente, el periodograma se caracteriza por el factor de calidad
QP =
2xx ( f )
=1
2xx ( f )
(14.2.46)
El hecho de que QP sea fijo e independiente de la longitud de los datos N es otra indicacin de la mala calidad
de este estimado.
Estimado del espectro de potencia de Bartlett. La media y la varianza del estimado del espectro de potencia
de Bartlett
B
E[Pxx
( f )] =
1/2
1/2
xx ( )WB ( f )d
2
f
M
1
sen
2
B
( f )] = 2xx ( f ) 1 +
var[Pxx
K
M sen 2 f
y
1
WB ( f ) =
M
sen f M
sen f
(14.2.47)
(14.2.48)
2
(14.2.49)
xx ( f ),
1/2
1/2
WB ( f )d f = xx ( f )wB (0) = xx ( f )
B
( f )]
var[Pxx
1 2
(f)
K xx
(14.2.50)
Observe que el estimado del espectro de potencia de Bartlett es asintticamente insesgado y si se permite
que K aumente al aumentar N, el estimado tambin es coherente. Por tanto, asintticamente, este estimado se
caracteriza por el factor de calidad
N
QB = K =
(14.2.51)
M
La resolucin en frecuencia del estimado de Bartlett, medido tomando la anchura a 3-dB del lbulo principal
de la ventana rectangular, es
0.9
f =
(14.2.52)
M
N
= 1.1N f
0.9/ f
(14.2.53)
Estimado del espectro de potencia de Welch. La media y la varianza del estimado del espectro de potencia
de Welch son
W
E[Pxx
( f )] =
1/2
1/2
donde
1
W(f) =
MU
y
1 2
xx ( f ),
L
W
var[Pxx ( f )] =
9 2xx ( f ),
8L
xx ( )W ( f )d
2
M1
j2 f n
w(n)e
n=0
(14.2.54)
(14.2.55)
sin solapamiento
para un 50 % de solapamiento y
ventana triangular
(14.2.56)
(14.2.57)
sin solapamiento
L= ,
M
QW =
8L = 16N , para un 50 % de solapamiento y
ventana triangular
9
9M
(14.2.58)
1.28
M
1.39N f ,
ventana triangular
(14.2.59)
(14.2.60)
Estimado del espectro de potencia de BlackmanTukey. La media y la varianza de este estimado se aproximan
como sigue
BT ( f )]
E[Pxx
BT ( f )]
var[Pxx
1/2
xx ( )W ( f )d
1 M1
2
2
xx ( f )
w (m)
N m=(M1)
1/2
(14.2.61)
Estimado
Factor de calidad
Bartlett
Welch (50 % de solapamiento)
BlackmanTukey
1.11N f
1.39N f
2.34N f
N n=(M1)
2M/3N, ventana triangular
Es evidente a partir de (14.2.61) que el valor medio del estimado es asintticamente insesgado. Su factor
de calidad para la ventana triangular es
N
(14.2.63)
QBT = 1.5
M
Como la longitud de la ventana es 2M 1, la resolucin en frecuencia mediada en los puntos a 3-dB es
f =
1.28 0.64
=
2M
M
(14.2.64)
y, por tanto,
1.5
N f = 2.34N f
(14.2.65)
0.64
Estos resultados se resumen en la Tabla 14.1. Es evidente a partir de los resultados que hemos obtenido que
los estimados del espectro de potencia de Welch y BlackmanTukey son algo mejores que el estimado de Bartlett.
Sin embargo, las diferencias en lo que se refiere a las prestaciones son relativamente poco significativas. Lo
importante es que el factor de calidad aumenta cuando aumenta la longitud N de los datos. Este comportamiento
caracterstico no es compartido por el estimado del periodograma. Adems, el factor de calidad depende del
producto de la longitud de los datos N por la resolucin en frecuencia Delta f . Para obtener un determinado
nivel de calidad, puede disminuirse f (aumentar la resolucin de frecuencia) aumentando la longitud N de los
datos, y viceversa.
QBT =
14.2.5
El otro aspecto importante de los estimados no paramtricos del espectro de potencia son los requisitos de
clculo. Para esta comparacin, suponemos que los estimados se basan en una cantidad fija de datos N y una
resolucin especificada f . Se supone que se emplea el algoritmo FFT de raz 2 para todos los clculos. Slo
contabilizaremos el nmero de multiplicaciones complejas necesarias para calcular el estimado del espectro de
potencia.
Estimado del espectro de potencia de Bartlett.
Longitud FFT = M = 0.9/ f
N
Nmero de transformadas FFT =
= 1.11N f
M
N M
N
Nmero de operaciones =
log2 M = log2 0.9
f
M 2
2
1.28
5.12
= N log2
f
f
Estimado del espectro de potencia de BlackmanTukey. En el mtodo de BlackmanTukey, la autocorrelacin rxx (m) puede calcularse de forma eficiente a travs del algoritmo FFT. Sin embargo, si la cantidad de
puntos de datos es grande, puede no ser posible calcular una DFT N puntos. Por ejemplo, podemos tener N = 105
puntos de datos pero slo la capacidad de realizar transformadas DFT de 1024 puntos. Dado que la secuencia de
autocorrelacin se enventana a 2M 1 puntos, donde M N, es posible calcular los 2M 1 puntos deseados de
rxx (m) segmentando los datos en K = N/2M registros y luego calculando las DFT de 2M puntos y una IDFT de
2M puntos mediante el algoritmo FFT. Rader (1970) describe un mtodo que permite llevar a cabo este clculo
(vase el Problema 14.7).
Si basamos la complejidad de clculo del mtodo de BlackmanTukey en este mtodo, obtenemos los
siguientes requisitos de clculo.
Longitud FFT = 2M = 1.28/ f
Nmero de transformadas FFT = 2K + 1 = 2
Nmero de operaciones =
N
2M
+1
N
M
N
1.28
(M log2 2M) = N log2
M
f
Podemos despreciar las M multiplicaciones adicionales necesarias para enventanar la secuencia de autocorrelacin rxx (m), ya que se trata de una cantidad relativamente pequea. Por ltimo, hay un clculo que es necesario
realizar para obtener la transformada de Fourier de la secuencia de autocorrelacin. Puede utilizarse el algoritmo
FFT para llevar a cabo este clculo rellenando con algunos ceros con el fin de interpolar el estimado espectral.
Como resultado de estos clculos adicionales, el nmero de clculos se incrementa en una pequea cantidad.
A partir de estos resultados concluimos que el mtodo de Welch requiere algo ms de potencia de clculo
que los otros dos mtodos. El mtodo de Bartlett es el que requiere aparentemente menos clculos. Sin embargo,
las diferencias en los requisitos de clculo de estos tres mtodos son poco significativas.
uso de ventanas, que son inherentes a los registros de datos de longitud finita. A menudo, las fugas espectrales
enmascaran a las seales dbiles que estn presentes en los datos.
Desde un punto de vista, la limitacin bsica de los mtodos no paramtricos es la suposicin de que el
estimado de la autocorrelacin rxx (m) es cero para m N, como implica la Ecuacin (14.1.33). Esta suposicin
limita severamente la resolucin en frecuencia y la calidad del estimado del espectro de potencia que se obtiene.
Desde otro punto de vista, la suposicin inherente en el estimado del periodograma es que los datos son peridicos
de perodo N. Ninguna de estas suposiciones es realista.
En esta seccin describimos los mtodos de estimacin del espectro de potencia que no precisan tales
suposiciones. De hecho, estos mtodos extrapolan los valores de la autocorrelacin para retardos m N. La
extrapolacin es posible si disponemos de alguna informacin a priori sobre cmo se generan los datos. En
tal caso, un modelo para la generacin de la seal se puede construir con una serie de parmetros que pueden
estimarse a partir de los datos observados. A partir del modelo y de los parmetros estimados, podemos calcular
el espectro de densidad de potencia implicado por el modelo.
En efecto, el mtodo de modelado elimina la necesidad de emplear funciones de ventana y de suponer que
la secuencia de autocorrelacin es cero para |m| N. En consecuencia, los mtodos paramtricos (basados en
modelo) de la estimacin del espectro de potencia evitan el problema de las fugas y proporcionan una mejor
resolucin en frecuencia que los mtodos no paramtricos basados en el algoritmo FFT descritos en la seccin
anterior. Esto es especialmente cierto en aplicaciones en las que hay disponibles registros de datos cortos debidos
a fenmenos transitorios o variantes en el tiempo.
Los mtodos paramtricos considerados en esta seccin estn basados en el modelado de la secuencia de
datos x(n) como la salida de un sistena lineal caracterizado por una funcin del sistema racional de la forma
q
B(z)
H(z) =
=
A(z)
bk zk
k=0
p
1 + ak z
(14.3.1)
k=1
k=1
k=0
(14.3.2)
donde w(n) es la secuencia de entrada al sistema y los datos observados, x(n), representan la secuencia de salida.
En la estimacin del espectro de potencia, la secuencia de entrada no es observable. Sin embargo, si los datos
observados se caracterizan como un proceso aleatorio estacionario, entonces la secuencia de salida tambin se
supone que va a ser un proceso aleatorio estacionario. En tal caso, el espectro de densidad de potencia de los
datos es
xx ( f ) = |H( f )|2 ww ( f )
donde ww ( f ) es el espectro de densidad de potencia de la secuencia de entrada y H( f ) es la respuesta en
frecuencia del modelo.
Dado que nuestro objetivo es estimar el espectro de densidad de potencia xx ( f ), es conveniente suponer
que la secuencia de entrada w(n) es una secuencia de ruido blanco de media cero con la autocorrelacin
ww (m) = w2 (m)
donde w2 es la varianza (es decir, w2 = E[|w(n)|2 ]). Entonces el espectro de densidad de potencia de los datos
observados es simplemente
|B( f )|2
xx ( f ) = w2 |H( f )|2 = w2
(14.3.3)
|A( f )|2
En la Seccin 12.2 hemos descrito la representacin de un proceso aleatorio estacionario como el dado por
(14.3.3).
En el mtodo basado en modelo, el procedimiento de estimacin del espectro consta de dos pasos. Dada la
secuencia de datos x(n), 0 n N 1, estimamos los parmetros {ak } y {bk } del modelo. Entonces, a partir
de estos estimados, calculamos el estimado del espectro de potencia de acuerdo con (14.3.3).
Recuerde que el proceso aleatorio x(n) generado por el modelo de polos y ceros definido por (14.3.1) o
(14.3.2) es un proceso de auto-regresivo de media mvil (ARMA) autoregressive moving average de orden (p, q)
y normalmente se designa como ARMA (p, q). Si q = 0 y b0 = 1, el modelo de sistema resultante tiene una
funcin de sistema H(z) = 1/A(z) y su salida x(n) se dice que es un proceso auto-regresivo (AR, autoregressive
de orden p, que se designa como AR(p). El tercer modelo posible se obtiene haciendo A(z) = 1, de modo que
H(z) = B(z). Su salida x(n) se denomina proceso de media mvil (MA, moving average) de orden q y se designa
como MA(q).
De estos tres modelos lineales, el modelo AR es con mucho el ms ampliamente utilizado. Las razones de ello
son dos. En primer lugar, el modelo AR es adecuado para representar espectros con picos estrechos (resonancias).
En segundo lugar, el modelo AR da lugar a ecuaciones lineales muy simples para los parmetros AR. Por otro
lado, el modelo MA, por regla general, requiere muchos ms coeficientes para representar un espectro estrecho.
En consecuencia, raramente se utiliza por s solo como modelo para la estimacin del espectro. Combinando
polos y ceros, el modelo ARMA proporciona una representacin ms eficiente, desde el punto de vista del
nmero de parmetros del modelo, del espectro de un proceso aleatorio.
El teorema de descomposicin debido a Wold (1938) afirma que cualquier proceso ARMA o MA puede
representarse de forma unvoca mediante un modelo AR de orden posiblemente infinito, y cualquier proceso
ARMA o AR puede ser representado por un modelo MA de orden posiblemente infinito. En vista de este
teorema, el problema de la seleccin del modelo se reduce a elegir el modelo que requiera el menor nmero de
parmetros que sea tambin fcil calcular. Normalmente, la eleccin en la prctica es el modelo AR. El modelo
ARMA es el de uso menos extendido.
Antes de describir los mtodos para estimar los parmetros en los modelos AR(p), MA(q) y ARMA(p, q),
resulta til establecer las relaciones bsicas entre los parmetros del modelo y la secuencia de autocorrelacin
xx (m). Adems, relacionamos los parmetros del modelo AR con los coeficientes de un predictor lineal para el
proceso x(n).
14.3.1
En la Seccin 12.2.2 hemos establecido las relaciones bsicas entre la autocorrelacin {xx (m)} y los parmetros
del modelo {ak } y {bk }. Para el proceso ARMA(p, q), la relacin dada por (12.2.18) es
xx (m) =
ak xx (m k),
k=1
p
m>q
qm
ak xx (m k) + w2 h(k)bk+m , 0 m q
k=0
k=1
xx (m),
m<0
(14.3.4)
Las relaciones dadas en (14.3.4) proporcionan una frmula para determinar los parmetros del modelo {ak }
restringiendo nuestra atencin al caso en que m > q. Luego el conjunto de ecuaciones lineales
xx (q)
xx (q + 1)
..
.
xx (q 1)
xx (q)
..
.
xx (q p + 1) a1
xx (q + 1)
xx (q + 2)
xx (q + p + 2)
a2
.. =
..
xx (q + p 1) xx (q + p 2)
xx (q)
ap
(14.3.5)
xx (q + p)
puede emplearse para obtener los parmetros del modelo {ak } utilizando estimados de la secuencia de autocorrelacin en lugar de xx (m) para m q. Este problema se estudia en la Seccin 14.3.8.
Otra interpretacin de la relacin dada en (14.3.5) es que los valores de la autocorrelacin xx (m) para
m > q se determinan nicamente a partir de los parmetros de los polos {ak } y los valores de xx (m) para
0 m p. En consecuencia, el modelo de sistema lineal extiende automticamente los valores de la secuencia
de autocorrelacin xx (m) para m > p.
Si los parmetros del polo {ak } se obtienen a partir de (14.3.5), el resultado no nos ayuda a determinar los
parmetros MA {bk }, ya que la ecuacin
w2
qm
k=0
k=1
0mq
depende de la respuesta al impulso h(n). Aunque la respuesta al impulso puede expresarse en funcin de los
parmetros {bk } mediante la divisin de B(z) por la conocida A(z), este mtodo da lugar a un conjunto de
ecuaciones no lineales para los paramtros MA.
Si adoptamos un modelo AR(p) para los datos observados, la relacin entre los parmetros AR y la secuencia
de autocorrelacin se obtiene haciendo q = 0 en (14.3.4). As, obtenemos
ak xx (m k),
m>0
k=1
p
xx (m) =
(14.3.6)
ak xx (m k) + w2 , m = 0
k=1
xx (m),
m<0
En este caso, los parmetros AR {ak } se obtienen a partir de la solucin de las ecuaciones de YuleWalker o
normales
..
xx (1) . xx (p + 1) a1
xx (1)
xx (0)
.. (p + 2)
xx (2)
xx (1)
a2
xx (0)
xx
(14.3.7)
.
.
..
..
..
..
(p 1) (p 2) .
(0)
(p)
a
xx
xx
xx
xx
w2 = xx (0) + ak xx (k)
(14.3.8)
k=1
Las ecuaciones dadas en (14.3.7) y (14.3.8) normalmente se combinan en una nica ecuacin matricial de la
forma
2
1
xx (0) xx (1)
xx (p)
w
a 0
(1)
(0)
(p
+
1)
xx
xx
1
xx
=
(14.3.9)
..
..
.. ..
..
. .
.
.
.
xx (p) xx (p 1)
xx (0)
ap
Dado que la matriz de correlacin de (14.3.7), o de (14.3.9), es Toeplitz, puede invertirse de forma eficiente
utilizando el algoritmo de LevinsonDurbin.
Luego todos los parmetros del sistema del modelo AR(p) pueden determinarse fcilmente a partir del
conocimiento de la secuencia de autocorrelacin xx (m) para 0 m p. Adems, (14.3.6) puede utilizarse para
ampliar la secuencia de autocorrelacin para m > p, una vez que se determinan los {ak }.
Por ltimo, para completar, indicamos que en un modelo MA(q) para los datos observados, la secuencia de
autocorrelacin xx (m) est relacionada con los parmetros MA {bk } mediante la ecuacin
w bk bk+m , 0 m q
k=0
xx (m) =
(14.3.10)
0,
m>q
xx (m),
m<0
la cual fue establecida en la Seccin 12.2.
Una vez establecidas las bases, vamos a describir los mtodos de estimacin del espectro de potencia para
los modelos AR(p), ARMA(p, q) y MA(q).
14.3.2
En el mtodo de YuleWalker simplemente estimamos la autocorrelacin a partir de los datos y utilizamos los
estimados dados en (14.3.7) para obtener los parmetros del modelo AR. En este mtodo, es deseable emplear
la forma sesgada del estimado de la autocorrelacin,
rxx (m) =
1 Nm1
x (n)x(n + m),
N n=0
m0
(14.3.11)
para garantizar que la matriz de autocorrelacin es semidefinida positiva. El resultado es un modelo AR estable.
Aunque la estabilidad no es un problema crtico en la estimacin del espectro de potencia, se supone que un
modelo AR estable representa mejor los datos.
El algoritmo de LevinsonDurbin descrito en el Captulo 12 con rxx (m) sustituido por xx (m) proporciona
los parmetros AR. El estimado del espectro de potencia correspondiente es
YW
Pxx
(f) =
2
wp
p
|1 + k=1 a p (k)e j2 f k |2
(14.3.12)
donde a p (k) son los estimados de los parmetros AR obtenidos a partir de las recursiones de LevinsonDurbin
y
p
2
wp
= E pf = rxx (0) [1 |ak (k)|2 ]
(14.3.13)
k=1
es el valor cuadrtico medio mnimo estimado del predictor de orden p. Un ejemplo que ilustra las capacidades
de la resolucin en frecuencia de este estimador se proporciona en la Seccin 14.3.9.
En la estimacin del espectro de potencia de seales sinusoidales mediante modelos AR, Lacoss (1971)
demostr que los picos espectrales de un estimado del espectro AR son proporcionales al cuadrado de la potencia
de la seal sinusoidal. Por otro lado, el rea bajo el pico del espectro de densidad de potencia es linealmente
proporcional a la potencia de la sinusoide. Este comportamiento caracterstico se da en todos los mtodos de
estimacin basados en el modelo AR.
14.3.3
El mtodo descrito por Burg (1968) para estimar los parmetros AR puede interpretarse como un mtodo de
orden recursivo de mnimos cuadrados en celosa, basado en la minimizacin de los errores directo e inverso de
los predictores lineales, con la restriccin de que los parmetros AR satisfacen la recursin de LevinsonDurbin.
Para derivar el estimador, suponemos que se conocen los datos x(n), n = 0, 1, . . . , N 1, y consideremos
los estimados de la prediccin lineal directa e inversa de orden m, definidos como
m
x(n)
= am (k)x(n k)
k=1
m
x(n
m) = am (k)x(n + k m)
(14.3.14)
k=1
y los correspondientes errores directo e inverso fm (n) y gm (n) definidos como fm (n) = x(n) x(n)
y gm (n) =
x(n m) x(n m) donde am (k), 0 k m 1, m = 1, 2, . . . , p, son los coeficientes de prediccin. El error
de mnimos cuadrados es
Em =
N1
[| fm (n)|2 + |gm(n)|2 ]
(14.3.15)
n=m
Este error se minimiza seleccionando los coeficientes de prediccin, sujetos a la restriccin de satisfacer la
recursin de LevinsonDurbin dada por
1 k m1
1m p
(14.3.16)
donde Km = am (m) es el coeficiente de reflexin m de la realizacin del filtro en celosa del predictor. Cuando
se sustituye la Ecuacin (14.3.16) en las expresiones de fm (n) y gm (n), el resultado es la pareja de ecuaciones
de orden recursivo para los errores de prediccin directo e inverso dados por (12.3.4).
Si ahora sustituimos (12.3.4) en (14.3.16) y realizamos la minimizacin de Em con respecto a los coeficientes
de reflexin complejos Km , obtenemos el resultado
K m =
N1
n=m
fm1 (n)gm1 (n 1)
1 N1
[| fm1 (n)|2 + |gm1(n 1)|2]
2 n=m
m = 1, 2, . . . , p
(14.3.17)
El trmino del numerador de la Ecuacin (14.3.17) es un estimado de la correlacin cruzada entre los errores
de prediccin directo e inverso. Con los factores de normalizacin del denominador de (14.3.17), es evidente
que |Km | < 1, por lo que el modelo de slo polos obtenido a partir de los datos es estable. El lector debe fijarse
en la similitud de la Ecuacin (14.3.17) con sus contrapartidas dadas en (12.3.28).
Observe que el denominador de (14.3.17) es simplemente el estimado de mnimos cuadrados de los errores
f
b , respectivamente. Luego (14.3.17) puede expresarse como
directo e inverso, Em1
y Em1
Km =
N1
fm1 (n)gm1 (n 1)
n=m
1 f
b
2 [Em1 + Em1 ]
m = 1, 2, . . . , p
(14.3.18)
f
b
+ Em1
es un estimado del error cuadrtico total Em . Dejamos como ejercicio para el lector la
donde Em1
verificacin de que el trmino del denominador de (14.3.18) puede calcularse en orden recursivo de acuerdo
con la relacin
Em = (1 |K m |2 )Em1 | fm1 (m 1)|2 |gm1(m 2)|2
(14.3.19)
f
donde Em Em + E mb es el error de mnimos cuadrados total. Este resultado se debe a Andersen (1978).
Resumiento, el algoritmo de Burg calcula los coeficientes de reflexin de la estructura en celosa equivalente
como se especifica mediante las expresiones (14.3.18) y (14.3.19), y el algoritmo de LevinsonDurbin se usa
para obtener los parmetros del modelo AR. A partir de los estimados de los parmetros AR, formamos el
estimado del espectro de potencia
E p
BU
Pxx
(f) =
2
p
j2 f k
1 + a p (k)e
k=1
(14.3.20)
Las principales ventajas del mtodo de Burg para estimar los parmetros del modelo AR son: (1) da lugar
a una resolucin en alta frecuencia, (2) proporciona un modelo AR estable y (3) es eficiente en lo que respecta
a los clculos.
Sin embargo, se sabe que el mtodo de Burg presenta varias desventajas. En primer lugar, presenta lneas
espectrales divididas para relaciones seal-ruido altas [vase el documento de Fougere et al. (1976)]. Por
divisin de las lneas, queremos decir que el espectro de x(n) puede presentar un nico pico abrupto, pero el
mtodo de Burg puede dar lugar a dos o ms picos muy prximos. Para modelos de orden superior, el mtodo
tambin introduce picos espreos. Adems, para seales sinusoidales de ruido, el mtodo de Burg presenta una
sensibilidad a la fase inicial de una sinusoide, especialmente en registros de datos cortos. Esta sensibilidad se
manifiesta como un desplazamiento de frecuencia desde la frecuencia real, dando lugar a una desviacin de
frecuencia dependiente de la fase. Para conocer ms detalles sobre estas limitaciones, el lector puede consultar
las publicaciones de Chen y Stegen (1974), Ulrych y Clayton (1976), Fougere et al. (1976), Kay y Marple
(1979), Swingler (1979a, 1980), Herring (1980) y Thorvaldsen (1981).
Se han propuesto diversas modificaciones para superar algunas de las limitaciones ms importantes del
mtodo de Burg: a saber, la divisin de las lneas, los picos espreos y la desviacin de la frecuencia. Bsicamente,
las modificaciones implican la introduccin de una secuencia de ponderacin (ventana) en los errores cuadrticos
directo e inverso. Es decir, se realiza la optimizacin de mnimos cuadrados sobre los errores cuadrticos
ponderados
EmWB =
N1
(14.3.21)
n=m
K m =
N1
n=m
1 N1
wm1 (n)[| fm1 (n)|2 + |gm1(n 1)|2]
2 n=m
(14.3.22)
En particular, mencionamos el uso de una ventana de Hamming empleada por Swingler (1979b), una ventana
cuadrtica o parablica utilizada por Kaveh y Lippert (1983), el mtodo de ponderacin de energa de Nikias y
Scott (1982), y la ponderacin de energa de datos adaptativos empleada por Helme y Nikias (1985).
Estos mtodos basados en ventanas y en la ponderacin de la energa han demostrado su efectividad
reduciendo la ocurrencia de la divisin de lneas y picos espreos, y tambin son efectivos en lo que respecta a
la reduccin de la desviacin de frecuencia.
El mtodo de Burg para estimar el espectro de potencia normalmente est asociado con la estimacin del
espectro de mxima entropa, un criterio utilizado por Burg (1967, 1975) como base para el modelado AR en
la estimacin del espectro por mtodos paramtricos. El problema considerado por Burg fue cmo extrapolar
mejor a partir de los valores dados de la secuencia de autocorrelacin xx (m), 0 m p; los valores para m > p,
tales que la secuencia de autocorrelacin es semidefinida positiva. Puesto que son posibles un nmero infinito
de extrapolaciones, Burg postul que la extrapolacin se hace sobre la base de maximizar la incertidumbre
(entropa) o aleatoriedad, en el sentido que el espectro xx ( f ) del proceso es el ms plano de todos los espectros
que presentan los valores de la autocorrelacin xx (m), 0 m p. En concreto, la entropa por muestra es
proporcional a la integral [vase Burg (1975)]
1/2
1/2
ln xx ( f )d f
(14.3.23)
xx ( f )e j2 f m d f = xx (m),
0m p
(14.3.24)
es el proceso AR(p) para el que la secuencia de autocorrelacin xx (m), 0 m p est relacionado con los
parmetros AR mediante la Ecuacin (14.3.6). Esta solucin proporciona una justificacin adicional para el uso
del modelo AR en la estimacin del espectro de potencia.
Teniendo en cuenta el trabajo bsico de Burg sobre la estimacin espectral de entropa mxima, el procedimiento de la estimacin del espectro de potencia de Burg se denomina a menudo mtodo de mxima entropa.
Sin embargo, debemos destacar que el espectro de entropa mxima es idntico al espectro del modelo AR slo
cuando la autocorrelacin exacta xx (m) es conocida. Cuando slo esta disponible un estimado de xx (m) para
0 m p, los estimados del modelo AR de YuleWalker y Burg no son estimados espectrales de entropa
mxima. La formulacin general para el espectro de entropa mxima basada en los estimados de la secuencia
de autocorrelacin da lugar a un conjunto de ecuaciones no lineales. Las soluciones para el espectro de entropa
mxima con errores de medida en la secuencia de correlacin ha sido obtenidos por Newman (1981) y Schott
y McClellan (1984).
14.3.4
Como se ha descrito en la seccin anterior, el mtodo de Burg para determinar los parmetros del modelo AR es
bsicamente un algoritmo de mnimos cuadrados en celosa con la restriccin adicional de que los coeficientes
del predictor satisfacen la recursin de Levinson. Como resultado de esta restriccin, un incremento del orden
del modelo AR slo requiere una nica optimizacin del parmetro en cada etapa. En contraste con este mtodo,
podemos usar un algoritmo de mnimos cuadrados no restringidos para determinar los parmetros AR.
Para continuar, formamos los estimados de la prediccin lineal directa e inversa y sus correspondientes
errores directo e inverso como se indica en (14.3.14) y (14.3.15). A continuacin minimizamos la suma de los
cuadrados de ambos errores, es decir,
Ep =
N1
[| f p (n)|2 + |g p(n)|2]
n=p
2
p
= x(n) + a p (k)x(n k)
n=p
k=1
N1
(14.3.25)
2
p
+ x(n p) + ap (k)x(n + k p)
k=1
que es el mismo ndice de rendimiento que en el mtodo de Burg. Sin embargo, no imponemos la recursin de
LevinsonDurbin dada en (14.3.25) para los parmetros AR. La minimizacin no restringida de E p con respecto
a los coeficientes de prediccin proporciona el conjunto de ecuaciones lineales
l = 1, 2, . . . , p
(14.3.26)
k=1
N1
(14.3.27)
n=p
(14.3.28)
k=1
(14.3.29)
La matriz de correlacin dada en (14.3.27), con los elementos rxx (l, k), no es Toeplitz, de modo que el
algoritmo de LevinsonDurbin no puede aplicarse. Sin embargo, la matriz de correlacin tiene una estructura
suficiente para hacer posible la deduccin de algoritmos eficientes en lo que respecta a los clculos con una
complejidad de clculo proporcional a p2 . Marple (1980) dedujo un algoritmo as, el cual tiene una estructura
en celosa y emplea las recursiones de orden de tipo LevinsonDurbin y recursiones de tiempo adicionales.
Esta forma del mtodo de mnimos cuadrados no restringido descrita tambin se conoce como mtodo de
mnimos cuadrados de datos no enventanados. Este mtodo ha sido propuesto para la estimacin de espectros
en varias publicaciones, incluyendo las de Burg (1967), Nuttall (1976), y Ulrych y Clayton (1976). Sus caractersticas de rendimiento son superiores al mtodo de Burg, en el sentido de que el mtodo de mnimos cuadrados
no restringido no presenta la misma sensibilidad a tales problemas como la divisin de lneas, la desviacin de
frecuencia y los picos espreos. En vista de la eficiencia de clculo del algoritmo de Marple, que es comparable
a la eficiencia del algoritmo de LevinsonDurbin, el mtodo de mnimos cuadrados resulta muy atractivo. Con
este mtodo no hay garanta de que los parmetros AR estimados proporcionen un modelo AR estable. Sin
embargo, en la estimacin de espectros, no se considera que esto sea un problema.
14.3.5
Los tres mtodos de estimacin del espectro de potencia descritos en las secciones anteriores para el modelo
AR pueden clasificarse como mtodos de procesamiento de bloques. Estos mtodos obtienen estimados de los
parmetros AR de un bloque de datos, como por ejemplo x(n), n = 0, 1, . . . , N 1. Los parmetros AR, basados
en el bloque de N puntos de datos, se utilizan entonces para obtener el estimado del espectro de potencia.
En situaciones donde los datos estn disponibles de manera continua, podemos segmentar los datos en
bloques de N puntos y realizar la estimacin del espectro bloque a bloque. Esto se hace a menudo en la prctica,
tanto para aplicaciones de tiempo real o de no tiempo real. Sin embargo, en tales aplicaciones, existe un mtodo
alternativo basado en la estimacin secuencial (en el tiempo) de los parmetros del modelo AR una vez que
cada nuevo punto de datos est disponible. Introduciendo una funcin de ponderacin en las muestras de datos
pasadas, es posible atenuar el efecto de las muestras de datos antiguas cuando se reciben nuevos datos.
Los mtodos secuenciales en celosa basados en mnimos cuadrados recursivos se pueden emplear para
estimar ptimamente los coeficientes de prediccin y de reflexin en la realizacin en celosa de los predictores
lineales directa e inversa. Las ecuaciones recursivas para los coeficientes de prediccin estn relacionados
directamente con los parmetros del modelo AR. Adems de la naturaleza de orden recursivo de estas ecuaciones,
implicada por la estructura en celosa, podemos tambin obtener las ecuaciones recursivas temporales para los
coeficientes de reflexin en la celosa y para los coeficientes de prediccin directa e inversa.
Los algoritmos secuenciales recursivos de mnimos cuadrados son equivalentes a los mtodos de procesamiento de bloques de mnimos cuadrados no restringidos descritos en la seccin anterior. Por tanto, los estimados
del espectro de potencia obtenidos mediante el mtodo secuencial recursivo de mnimos cuadrados mantienen
las propiedades deseables del algoritmo de procesamiento de bloques descritos en la Seccin 14.3.4. Ya que los
parmetros AR se estiman de forma continua en un algoritmo de estimacin secuencial, los estimados del espectro de potencia pueden obtenerse tan a menudo como se desee, desde una vez por muestra hasta una vez cada
N muestras. Ponderando adecuadamente las muestras de datos pasadas, los mtodos de estimacin secuencial
son particularmente adecuados para estimar y hacer un seguimiento de los espectros de potencia variantes en el
tiempo resultantes de las estadsticas de la seal no estacionaria.
La complejidad de clculo de los mtodos de estimacin secuencial es generalmente proporcional a p, el
orden del proceso AR. En consecuencia, los algoritmos de estimacin secuencial son eficientes en lo que respecta
al clculo y, desde este punto de vista, puede ofrecer algunas ventajas sobre los mtodos de procesamiento de
bloques.
Existen numerosas referencias que tratan los mtodos de estimacin secuenciales. Las publicaciones de
Griffiths (1975), Friedlander (1982a, b), y Kalouptsidis y Theodoridis (1987) son particularmente relevantes en
lo que se refiere al problema de la estimacin del espectro.
14.3.6
Uno de los aspectos ms importantes del uso del modelo AR es la seleccin del orden p. Por regla general,
si seleccionamos un modelo con un orden muy bajo, obtenemos un espectro extremadamente suavizado. Por
otro lado, si se selecciona p para que sea muy alto, corremos el riesgo de introducir picos espreos de bajo
nivel en el espectro. Hemos mencionado anteriormente que una indicacin del rendimiento del modelo AR es
el valor cuadrtico medio del error residual, el cual, en general, es diferente para cada uno de los estimadores
descritos anteriormente. La caracterstica de este error residual es que disminuye cuando el orden del modelo
AR aumenta. Podemos monitorizar la velocidad de decrecimiento y decidir terminar el proceso cuando dicha
velocidad de decrecimiento se hace relativamente lenta. Sin embargo, es evidente que este mtodo puede ser
impreciso y poco definido, y otros mtodos deberan ser investigados.
Diversos investigadores han trabajado sobre este problema y se han proporcionado muchos resultados
experimentales en la literatura tcnica [por ejemplo, en las publicaciones de Gersch y Sharpe (1973), Ulrych y
Bishop (1975), Tong (1975, 1977), Jones (1976), Nuttall (1976), Berryman (1978), Kaveh y Bruzzone (1979),
y Kashyap (1980)].
Dos de los criterios mejor conocidos para seleccionar el orden del modelo han sido propuestos por Akaike
(1969, 1974). El primero de ellos, conocido como criterio del error de prediccin final, EPF, el orden se
selecciona para minimizar el ndice de rendimiento
N + p+1
2
EPF(p) = wp
(14.3.30)
N p1
2 es la varianza estimada del error de prediccin lineal. Este ndice de rendimiento est basado en la
donde wp
minimizacin del error cuadrtico medio de un predictor de un paso.
El segundo criterio propuesto por Akaike (1974), conocido como criterio de informacin de Akaike (AIC,
Akaike information criterion) est basado en la seleccin del orden que minimiza
2
+ 2p/N
AIC(p) = ln wp
(14.3.31)
un cuarto criterio fue propuesto por Parzen (1974). Se trata del criterio de transferencia auto-regresivo (CAT,
criterion autoregressive transfer) y se define como
CAT(p) =
1 p 1
2
N k=1
wk
donde
2wk =
1
2
wp
N
2
N k wk
(14.3.33)
(14.3.34)
14.3.7
Como se ha demostrado en al Seccin 14.3.1, los parmetros de un modelo MA(q) estn relacionados con la
autocorrelacin estadstica xx (m) por la Ecuacin (14.3.10). Sin embargo,
B(z)B(z1 ) = D(z) =
m=q
dm zm
(14.3.35)
donde los coeficientes {dm } estn relacionados con los parmetros MA por la expresin
q|m|
dm =
bk bk+m ,
|m| q
(14.3.36)
k=0
Evidentemente, entonces
xx (m) =
w2 dm , |m| q
0,
|m| > q
(14.3.37)
m=q
xx (m)e j2 f m
(14.3.38)
Es evidente a partir de estas expresiones que no tenemos que obtener los parmetros MA {bk } para estimar
el espectro de potencia. El estimado de la autocorrelacin xx (m) para |m| q es suficiente. A partir de tales
estimados calculamos el espectro de potencia MA estimado, dado como
q
MA
Pxx
(f) =
m=q
rxx (m)e j2 f m
(14.3.39)
que es idntico al estimado del espectro de potencia clsico (no paramtrico) descrito en la Seccin 14.1.
Existe un mtodo alternativo para determinar {bk } basado en una aproximacin AR de orden superior al
proceso MA. Ms especficamente, el proceso MA(q) va a ser modelado por un modelo AR(p), donde p >> q.
Luego B(z) = 1/A(z), o lo que es equivalente, B(z)A(z) = 1. Luego los parmetros {bk} y {ak } estn relacionados
por una suma de convolucin, que puede expresarse como
q
1, n = 0
an + bk ank =
(14.3.40)
0, n = 0
k=1
donde {an } son los parmetros obtenidos ajustando los datos a un modelo AR(p).
Aunque este conjunto de ecuaciones puede resolverse fcilmente para los {bk }, se obtiene un mejor ajuste
utilizando un criterio de error de mnimos cuadrados. Es decir, formamos el error cuadrtico
2
p
E =
n=0
an + bk ank
1,
a0 = 1,
ak = 0,
k<0
(14.3.41)
k=1
que se minimiza seleccionando los parmetros {bk } del proceso MA(q). El resultado de esta minimizacin es
b = R1
aa raa
(14.3.42)
n=0
an an+|i j| ,
i, j = 1, 2, . . . , q
(14.3.43)
pi
raa (i) =
an an+i,
n=0
i = 1, 2, . . . , q
Este mtodo de mnimos cuadrados que permite determinar los parmetros del modelo MA(q) ha sido atribuido a Durbin (1959). Kay (1988) demostr que este mtodo de estimacin es la probabilidad aproximadamente
mxima suponiendo que el proceso observado es gaussiano.
El orden q del modelo MA puede ser determinado empricamente mediante diversos mtodos. Por ejemplo,
el AIC de los modelos MA tiene la misma forma que para los modelos AR,
2
AIC(q) = ln wq
+
2q
N
(14.3.44)
2 es un estimado de la varianza del ruido blanco. Otro mtodo, propuesto por Chow (1972b), consiste
donde wq
en filtrar los datos con el filtro MA(q) inverso y probar la salida filtrada para detectar el blanqueo.
14.3.8
El algoritmo de Burg, sus variaciones y el mtodo de mnimos cuadrados descritos en las secciones anteriores
proporciona estimados fiables del espectro de alta resolucin basados en el modelo AR. Un modelo ARMA nos
proporciona una oportunidad de mejorar el estimado del espectro AR, quiz, empleando unos pocos parmetros
del modelo.
El modelo ARMA es particularmente apropiado cuando la seal ha sido distorsionada por ruido. Por ejemplo,
suponga que los datos x(n) son generados por un sistema AR, donde la salida del sistema est distorsionada por
ruido blanco aditivo. La transformada z de la autocorrelacin de la seal resultante puede expresarse como
xx (z)
w2
+ n2
A(z)A(z1 )
(14.3.45)
2 + n2 A(z)A(z1 )
= w
A(z)A(z1 )
donde n2 es la varianza del ruido aditivo. Por tanto, el proceso x(n) es ARMA(p, p), donde p es el orden del
proceso de autocorrelacin. Esta relacin proporciona cierta motivacin para investigar los modelos ARMA
para la estimacin del espectro de potencia.
Como hemos demostrado en la Seccin 14.3.1, los parmetros del modelo ARMA estn relacionados con la
autocorrelacin por la ecuacin dada en (14.3.4). Para retardos |m| > q, la ecuacin slo emplea los parmetros
AR {ak }. Utilizando los estimados en lugar de xx (m), podemos resolver las p ecuaciones de (14.3.5) para
obtener ak . Sin embargo, para modelos de orden superior, este mtodo proporciona estimados pobres de los
parmetros AR a causa de los pobres estimados de la autocorrelacin para retardos largos. En consecuencia,
este mtodo no es recomendable.
Un mtodo ms fiable consiste en construir un conjunto sobredeterminado de ecuaciones lienales para
m > q, y utilizar el mtodo de mnimos cuadrados sobre el conjunto de ecuaciones sobredeterminadas, como
propuso Cadzow (1979). Supongamos ahora que la secuencia de autocorrelacin se puede estimar de forma
precisa hasta un retardo M, donde M > p + q. Entonces podemos escribir el siguiente conjunto de ecuaciones
lineales:
rxx (q)
rxx (q + 1)
rxx (q 1) rxx (q p + 1) a1
rxx (q + 1)
rxx (q + 2)
rxx (q)
rxx (q p + 2)
a2
(14.3.46)
.. =
..
..
..
.
.
.
rxx (M 1) rxx (M 2)
rxx (M p)
ap
rxx (M)
o lo que es equivalente,
Rxx a = rxx
(14.3.47)
Dado que Rxx tiene dimensin (M q) p y M q > p, podemos utilizar el criterio de mnimos cuadrados
para obtener el vector de parmetros a. El resultado de esta minimizacin es
a = (Rtxx Rxx )1 Rtxx rxx
(14.3.48)
Este procedimiento es el mtodo de mnimos cuadrados de YuleWalker modificado. Tambin puede aplicarse
un factor de ponderacin a la secuencia de autocorrelacin para desestimar los estimados menos fiables en el
caso de retardos largos.
Una vez que los parmetros de la parte AR del modelo se han estimado como se ha indicado anteriormente,
tenemos el sistema
p
= 1 + ak zk
A(z)
(14.3.49)
k=1
n = 0, 1, . . . , N 1
(14.3.50)
k=1
MA
Pvv
(f) =
m=q
rvv (m)e j2 f m
(14.3.51)
En primer lugar, observe que los parmetros {bk } no son necesarios para determinar el espectro de potencia. En
segundo lugar, observe que rvv (m) es un estimado de la autocorrelacin para el modelo MA dado por (14.3.10).
Al formar el estimado rvv (m), puede ponderarse (por ejemplo, con la ventana de Bartlett) para desestimar los
estimados de correlacin para retardos largos. Adems, los datos pueden filtrarse mediante un filtro inverso,
creando as otra secuencia, por ejemplo vb (n), de modo que tanto v(n) como vb (n) pueden emplearse para
formar los estimados de la autocorrelacin rvv (m), como propuso Kay (1980). Por ltimo, el espectro de potencia
estimado ARMA es
MA
(f)
Pvv
ARMA
Pxx
(f) =
(14.3.52)
2
p
1 + ak e j2 f k
k=1
El problema de seleccin del orden para el modelo ARMA(p, q) ha sido investigado por Chow (1972a, b)
y Bruzzone y Kaveh (1980). Para este propsito, puede utilizarse el mnimo del ndice AIC
2
AIC(p, q) = ln wpq
+
2(p + q)
N
(14.3.53)
2 es un estimado de la varianza del error de entrada. Una prueba adicional sobre la adecuacin de un
donde wpq
determinado modelo ARMA(p, q) consiste en filtrar los datos a travs del modelo y probar su nivel de blanqueado
de los datos de salida. Esto requiere que los parmetros del modelo MA se calculen a partir de la autocorrelacin
estimada, utilizando la factorizacin espectral para determinar B(z) a partir de D(z) = B(z)B(z1 ).
Para obtener informacin adicional sobre la estimacin del espectro de potencia ARMA, el lector puede
consultar las publicaciones de Graupe et al. (1975), Cadzow (1981, 1982), Kay (1980) y Friedlander (1982b).
14.3.9
Resultados experimentales
En esta seccin vamos a presentar algunos resultados experimentales sobre el funcionamiento de los estimados
del espectro de potencia AR y ARMA obtenidos mediante el uso de datos generados artificialmente. Nuestro
objetivo es comparar los mtodos de estimacin espectral en base a su resolucin en frecuencia, sesgado y su
robustez en presencia de ruido aditivo.
Los datos constan de una o dos sinusoides y de ruido aditivo gaussiano. Las dos sinusoides estn espaciadas una distancia f . Evidentemente, el proceso subyacente es ARMA(4, 4). Los resultados que se muestran
emplean un modelo AR(p) para estos datos. Para relaciones seal-ruido altas (SNR), suponemos que el modelo
AR(4) es adecuado. Sin embargo, para relaciones SNR bajas, es necesario un modelo AR de orden superior para
aproximar el proceso ARMA(4, 4). Los resultados que se proporcionan a continuacin son coherentes con esta
afirmacin. La relacin SNR se define como 10 log10 A2 /2 2 , donde 2 es la varianza del ruido aditivo y A es
la amplitud de la sinusoide.
En la Figura 14.3.1 se muestran los resultados para N = 20 puntos de datos basados en un modelo AR(4)
con una relacin SNR = 20 dB y f = 0.13. Observe que el mtodo de YuleWalker proporciona un estimado
espectral extremadamente suave (disperso) con picos pequeos. Si se disminuye f a f = 0.07, el mtodo de
YuleWalker ya no resuelve los picos como se muestra en la Figura 14.3.2. En el mtodo de Burg tambin puede
verse un cierto sesgado. Por supuesto, aumentando el nmero de puntos de datos, el mtodo de YuleWalker
puede resolver los picos. Sin embargo, los mtodos de Burg y de mnimos cuadrados son claramente superiores
para registros de datos cortos.
El efecto del ruido aditivo sobre el estimado se ilustra en la Figura 14.3.3 para el mtodo de mnimos
cuadrados. El efecto del orden del filtro sobre los mtodos de Burg y de mnimos cuadrados se ilustra en las
Figuras 14.3.4 y 14.3.5, respectivamente. Ambos mtodos presentan picos espreos cuando el orden se aumenta
a p = 12.
El efecto de la fase inicial se ilustra en las Figuras 14.3.6 y 14.3.7 para los mtodos de Burg y de mnimos
cuadrados. Es evidente que el mtodo de mnimos cuadrados presenta menos sensibilidad a la fase inicial que
el algoritmo de Burg.
En la Figura 14.3.8 se muestra un ejemplo de divisin de las lneas espectrales para el mtodo de Burg con
p = 12. Esto no courre para el modelo AR(8). El mtodo de mnimos cuadrados no presenta divisin de lneas
bajo las mismas condiciones. Por otro lado, la divisin de lneas en el mtodo de Burg desaparece cuando se
aumenta el nmero de puntos de datos N.
Las Figuras 14.3.9 y 14.3.10 ilustran las propiedades de resolucin de los mtodos de Burg y de mnimos
cuadrados para f = 0.07 y N = 20 puntos para una relacin SNR (3 dB) baja. Puesto que el proceso de
ruido aditivo es de tipo ARMA, se necesita un modelo AR de orden superior para proporcionar una buena
aproximacin a la relacin SNR baja. Por tanto, la resolucin en frecuencia mejora cuando el orden aumenta.
0
5
Mnimos
cuadrados
Burg
10
15
20 puntos
4 polos
SNR = 20 dB
20
25
30
35
YuleWalker
.20
.22
.24
.26
.30
.32
.34
.28
Frecuencia (ciclos/muestra)
.36
.38
.40
0
Burg
Mnimos
cuadrados
10
15
20
YuleWalker
25
20 puntos
4 polos
SNR = 20 dB
30
35
.20
.22
.24
.26
.28
.30
.32
.34
Frecuencia (ciclos/muestra)
.36
.38
.40
0
5
10
SNR = 20 dB
20 puntos
2 polos
15
SNR = 10 dB
20
25
SNR = 5 dB
30
35
.20
.22
.24
.26
.28
.30
.32
.34
Frecuencia (ciclos/muestra)
.36
.38
.40
0
5
20 puntos
SNR = 10 dB
10
6 polos
15
8 polos
20
25
12 polos
12 polos
12 polos
30
35
.00
12 polos
.05
.10
.15
.20
.25
.30
.35
Frecuencia (ciclos/muestra)
.40
.45
.50
0
5
20 puntos
SNR = 10 dB
10
15
20
25
8 polos
12 polos
30
35
.00
12 polos
6 polos
8 polos
.05
.10
.15
.20
.25
.30
.35
Frecuencia (ciclos/muestra)
.40
.45
.50
Figura 14.3.5. Efecto del orden del filtro en el mtodo de mnimos cuadrados.
polos complejos conjugados) y seleccionando una parte de la secuencia de salida para el registro de datos. La
Figura 14.3.12 ilustra la superposicin de 20 registros de datos de 20 puntos cada uno. Observe que aparece
una variabilidad relativamente pequea. En contraste, el mtodo de Burg presentaba una variabilidad mucho
0
2
4
20 puntos
4 polos
SNR = 15 dB
f1 = .23
f2 = .36
6
8
10
16 fases de sinusoide
12
14
.20
.22
.24
.26
.28
.30
.32
.34
Frecuencia (ciclos/muestra)
.36
.38
.40
0
2
4
20 puntos
4 polos
SNR = 15 dB
f1 = .23
f2 = .36
6
8
10
16 fases de sinusoide
12
14
.20
.22
.24
.26
.28
.30
.32
.34
Frecuencia (ciclos/muestra)
.36
.38
.40
5
12 polos
10
15
8 polos
20
25
30
35
.20
.22
.24
.26
.30
.32
.34
.28
Frecuencia (ciclos/muestra)
.36
.38
.40
8 polos
7 polos
5
10
6 polos
5 polos
4 polos
15
20
25
30
35
.20
.22
.24
.26
.30
.32
.34
.28
Frecuencia (ciclos/muestra)
.36
.38
.40
8 polos
7 polos
5
10
15
6 polos
5 polos
4 polos
20
25
30
35
.20
.22
.24
.26
.30
.32
.34
.28
Frecuencia (ciclos/muestra)
.36
.38
.40
Figura 14.3.10. Resolucin en frecuencia del mtodo de mnimos cuadrados con N = 20 puntos.
1.1
1.0
0.9
Error de prediccin final
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
6
8
10 12
Nmero de polos
14
16
18
2
4
20 puntos
4 polos
6
8
10
12
14
.20
.22
.24
.26
.30
.32
.34
.28
Frecuencia (ciclos/muestra)
.36
.38
.40
Figura 14.3.12. Efecto del punto de inicio de la secuencia sobre el mtodo de mnimos cuadrados.
filtro. Por tanto, un estimado del espectro de potencia a una determinada frecuencia se obtiene como se ilustra
en el sistema mostrado en la Figura 14.4.1.
Comenzamos demostrando que el periodograma convencional puede calcularse utilizando un banco de
filtros, donde los filtros FIR funcionan bsicamente como ventanas rectangulares sobre la seal {x(n)}. A
continuacin describimos un mtodo para disear los filtros que explotan las caractersticas de los datos. Este
mtodo lleva a un mtodo de estimacin espectral de alta resolucin que se adapta a los datos.
14.4.1
El estimado del espectro de potencia a una determinada frecuencia fk = k/N que se obtiene a partir del periodograma es
2
1 N1
j2 f k n
Pxx ( fk ) =
x(n)e
N n=0
(14.4.1)
2
1 N1
=
x(n)e j2 fk (Nn)
N n=0
donde {x(n), 0 n N 1} es la seal. Siguiendo un mtodo similar al desarrollo del algoritmo de Goertzel
(Seccin 8.3.1), definimos un filtro lineal con la respuesta al impulso.
hk (n) =
1 e j2 f k n ,
N
0,
n0
n<0
(14.4.2)
A continuacin, despus de sustituir hk (n) en la Ecuacin (14.4.1), obtenemos el estimado espectral de potencia
en fk como
N = 100
p = q = 10
f1 = 0.2
SNR1 = 0 dB
f2 = 0.3
SNR2 = 0 dB
10
20
30
0.0
0.1
0.2
0.3
0.4
Frecuencia (ciclos/muestra)
(a)
0.5
10
N = 100
p = q = 10
f1 = 0.2
SNR1 = 5 dB
f2 = 03.
SNR2 = 10 dB
20
30
40
0.0
0.1
0.2
0.3
0.4
Frecuencia (ciclos/muestra)
(b)
0.5
Figura 14.3.13. Estimados del espectro de potencia ARMA (10, 10) tomados de las publicaciones de Kay
(1980). Reimpreso con permiso del IEEE.
2
2
N1
N1
Pxx ( f ) = x(n)hk (N n) = x(n)hk (l n)
n=0
n=0
(14.4.3)
l=N
Luego, el estimado espectral de potencia en f = fk = k/N puede obtenerse pasando la seal {x(n), 0 n N 1}
a travs de un filtro FIR lineal con la respuesta al impulso hk (n), definida de acuerdo con la Ecuacin (14.4.2),
evaluando la salida del filtro en l = N, y calculando el mdulo al cuadrado de la salida del filtro.
x(n)
Filtro FIR
< n
<N1
hk(n)
0
y kn
Hk(f)
fk
h0(n)
Pxx(f0)
h1(n)
Pxx(f1)
Pxx(fN1)
x(n)
<N1
0<
n
Muestra en
n=N
hN1(n)
Figura 14.4.2. Implementacin del banco de filtros del estimador del periodograma.
La funcin de sistema del filtro es
Hk (z) =
hk (n)zn
n=0
1/ N
=
1 e j2 fk z1
(14.4.4)
Este filtro es un filtro de un solo polo con el mismo situado sobre la circunferencia unidad, en el punto correspondiente a la frecuencia fk .
El desarrollo anterior sugiere que el periodograma puede calcularse mediante el filtrado lineal de la seal
{x(n), 0 n N 1} empleando un banco de filtros paralelo con respuestas al impulso {hk (n), 0 n N 1},
como se muestra en la Figura 14.4.2. El ancho de banda a 3-dB de cada uno de estos filtros es aproximadamente
1/N ciclos por intervalo de muestra.
En la Figura 14.4.3 se muestra otra implementacin del banco de filtros equivalente que genera el periodograma. En este banco de filtros, la seal {x(n), 0 n N 1} se multiplica por los factores exponenciales
{e j2 kn/N , 0 k N 1} y cada producto resultante se pasa a travs de un filtro paso bajo rectangular cuya
respuesta al impulso es
1/ N, 0 n N 1
h0 (n) =
(14.4.5)
0,
en otro caso
y cuya salida compleja en l = N 1 es una magnitud cuadrtica que proporciona el estimado espectral en la
frecuencia correspondiente f = fk . Podemos denominar a este estimado espectral periodograma no enventanado.
ej2pf0n
h0(n)
Pxx(f0)
h0(n)
Pxx(f1)
Pxx(fN1)
ej2pf1n
x(n)
<N1
0<
n
Muestra en
n=N
ej2pfN-1n
h0(n)
Figura 14.4.3. Implementacin del banco de filtros alternativa del estimador del periodograma.
Podemos reemplazar la ventana rectangular de la Figura 14.4.3 por otra ventana temporal h0 (n), por ejemplo
una ventana de Bartlett, de Hamming o de Kaiser que tenga la misma duracin temporal 0 n N 1. Esto
generar un periodograma enventanado, que se puede expresar como
2
1 N1
Pxx ( f ) = x(n)e j2 f n h0 (N n)
N n=1
(14.4.6)
Aplicar una funcin de ventana a la seal es similar al mtodo de Welch. Sin embargo, en el caso anterior, la
funcin de ventana se aplica a cada uno de los diversos segmentos de la secuencia de datos y los periodogramas
enventanados de cada segmento individual se promedian. En consecuencia, la variabilidad del estimado espectral
obtenido por el mtodo de Welch es significativamente menor que la variabilidad del estimado espectral obtenido
por el periodograma enventanado de la Ecuacin (14.4.6). Por otro lado, la resolucin resultante del periodograma
enventanado es mayor que la resolucin obtenida con el mtodo de Welch. Como hemos observado al tratar los
mtodos no paramtricos, existe un compromiso entre la resolucin en frecuencia y la varianza de los estimados
espectrales. Segmentando la seal en varias secuencias ms pequeas, calculando el periodograma enventanado
(modificado) para cada una de las subsecuencias y, por ltimo, promediando los periodogramas enventandos,
podamos reducir la varianza del estimado a costa de disminuir la resolucin en frecuencia.
La interpretacin del banco de filtros del periodograma nos lleva a considerar otras caractersticas del
filtro que pueden dar lugar a estimados espectrales de alta resolucin. Observe que los filtros utilizados en las
implementaciones de bancos de filtros mostradas en las Figuras 14.4.2 y 14.4.3 no se han optimizado de ninguna
manera. Por tanto, podemos decir que los filtros se han seleccionado sin tener en cuenta las caractersticas de
los datos (es decir, los filtros utilizados son independientes de los datos). En la siguiente seccin, describimos
una implementacin de un banco de filtros del estimador espectral desarrollada por Capon (1969), en la que
los filtros se han diseado basndose en las caractersticas estadsticas de los datos (es decir, las respuestas al
impulso del filtro estn adaptadas a las caractersticas de los datos).
14.4.2
El estimador espectral propuesto por Capon (1969) tena el objetivo de utilizarse en matrices de datos ssmicos
grandes para estimar el nmero de onda. Ms tarde fue adaptado por Lacoss (1971) para realizar la estimacin del
espectro de series temporales simples, quien demostr que el mtodo proporcionaba un estimado insesgado de
varianza mnima de las componentes espectrales de la seal. Este estimador tambin se conoce como estimador
espectral de probabilidad mxima, porque el mtodo de diseo del filtro produce el estimado espectral insesgado
de varianza mnima cuando la seal se distorsiona con un ruido gaussiano aditivo.
Siguiendo el desarrollo de Lacoss, consideremos el diseo de un filtro FIR de coeficientes h(k), 0 k p,
que se tiene que determinar. Si a continuacin observamos los datos x(n), 0 n N 1, despus de pasar a
travs del filtro, la respuesta es
p
y(n) =
h(k)x(n k) Xt (n)h
(14.4.7)
k=0
donde Xt (n) = [x(n) x(n 1) x(n p)] es el vector de datos y h es el vector de coeficientes del filtro.
Si suponemos que E[x(n)] = 0, la varianza de la secuencia de salida es
(14.4.8)
Los coeficientes del filtro se seleccionan de manera que en la frecuencia fl , la respuesta en frecuencia del
filtro FIR est normalizada a la unidad, es decir,
p
h(k)e j2 k fl = 1
k=0
Et ( fl ) = [1
e j2 fl
(14.4.9)
e j2 p fl ]
Minimizando la varianza y2 sujeta a la restriccin dada por (14.4.9), obtenemos un filtro FIR que deja pasar
la componente en frecuencia fl no distorsionada, mientras que atenua severamente las componentes alejadas de
fl . El resultado de esta minimizacin nos lleva al vector de coeficientes
H
1
h opt = 1
xx E( fl )/E ( f l )xx E( fl )
(14.4.10)
1
EH ( fl )1
xx E( fl )
(14.4.11)
La expresin dada en (14.4.11) es el estimado del espectro de potencia de varianza mnima a la frecuencia
fl . Cambiando fl en el intervalo 0 fl 0.5, podemos obtener el estimado del espectro de potencia. Por tanto,
el mtodo de la varianza mnima consiste bsicamente en una implementacin de un banco de filtros para el
estimador del espectro. Difiere fundamentalmente de la interpretacin del banco de filtro del periodograma en
que los coeficientes del filtro en el mtodo de Capon estn optimizados. Debemos destacar que aunque E( f )
cambia con la eleccin de la frecuencia, 1
xx se calcula una sola vez. Como demostr Lacoss (1971), el clculo
de la forma cuadrtica EH ( f )1
E(
f
)
puede
hacerse con una nica DFT.
xx
Con un estimado Rxx de la matriz de autocorrelacin en lugar de xx , obtenemos el estimado del espectro
de potencia de varianza mnima de Capon como
MV
Pxx
(f) =
1
EH ( f )R1
xx E( f )
(14.4.12)
Lacoss (1971) demostr que este estimador del espectro de potencia proporciona estimados de los picos espectrales proporcionales a la potencia en dicha frecuencia. En constraste, los mtodos AR descritos en la Seccin
14.3 dan lugar a estimados de los picos espectrales proporcionales al cuadrado de la potencia en dicha frecuencia.
Lacoss (1971) y otros han realizado experimentos sobre el rendimiento de este mtodo comparado con el
rendimiento del mtodo de Burg. Por ejemplo, la Figura 14.4.4, tomada de publicaciones de Lacoss (1971),
ilustra una comparacin de tres estimados espectrales, el estimado de Bartlett, el estimado de varianza mnima
y el estimado de Burg para una seal que contiene dos picos de banda estrecha a las frecuencias de 0.15 y
0.30. Esta figura ilustra que el estimador espectral de varianza mnima proporciona un estimado espectral mejor
que el estimado de Bartlett, pero un estimado ms pobre comparado con el estimado de Burg. El espectro
de potencia real de la seal tambin se muestra en esta figura. En general, el estimado de varianza mnima
dado en (14.4.12) sobrepasa los estimadores espectrales no paramtricos en resolucin de frecuencia, pero no
0
Bartlett
MV
12
18
Burg
24
Espectro real
0.0
0.1
0.2
0.3
Frecuencia (Hz)
0.4
0.5
Figura 14.4.4. Comparacin de tres estimados espectrales (Barlett, varianza mnima (MV) y Burg) para una
seal con dos picos de banda estrecha a las frecuencias de 0.15 y 0.30. (Tomadas de R.I. Lacoss, Data Adaptive
Spectral Analysis Methods, Geophysics, Vol. 36, pgs. 661675, agosto 1971. Reproducida con su permiso).
proporciona la resolucin en alta frecuencia obtenida con los mtodos AR de Burg y de mnimos cuadrados
no restringido. Adems, Burg (1972) demostr que para una secuencia de correlacin conocida, el espectro de
varianza mnima est relacionado con el espectro del modelo AR a travs de la ecuacin
1
MV
xx ( f )
1
1 p
AR ( f , k)
p k=0
xx
(14.4.13)
donde AR
xx ( f , k) es el espectro de potencia AR obtenido con un modelo AR(k). Por tanto, el recproco del
estimado de varianza mnima es igual a la media de los recprocos de todos los espectros obtenidos con modelos
AR(k) para 1 k p. Puesto que los modelos AR de orden inferior, en general, no proporcionan una buena
resolucin, la operacin de promediado dada en (14.4.13) reduce la resolucin en frecuencia del estimado
espectral. Por tanto, concluimos que el estimado del espectro de potencia AR de orden p es superior al estimado
de varianza mnima de orden p + 1.
La relacin dada por (14.4.13) representa una relacin en el dominio de la frecuencia entre el estimado de
varianza mnima de Capon y el estimado AR de Burg. Tambin puede establecerse una relacin en el dominio
del tiempo entre estos dos estimados como demostr Musicus (1985). sta ha llevado a un algoritmo de clculo
eficiente para el estimado de varianza mnima.
Pueden encontrarse en la literatura tcnica otras referencias al mtodo de Capon y comparaciones con otros
estimadores. Podemos citar las publicaciones de Capon y Goodman (1971), Marzetta (1983), Marzetta y Lang
(1983, 1984), Capon (1983) y McDonough (1983).
(14.5.1)
donde a1 = 2 cos 2 fk , a2 = 1, e inicialmente, x(1) = 1, x(2) = 0. Este sistema tiene una pareja de polos
complejos conjugados (en f = fk y f = fk ) y, por tanto, genera la sinusoide x(n) = cos 2 f k n, para n 0.
En general, una seal que consta de p componentes sinusoidales satisface la ecuacin en diferencias
2p
x(n) =
am x(n m)
(14.5.2)
m=1
H(z) =
2p
1+
(14.5.3)
am z
m=1
El polinomio
2p
A(z) = 1 +
am zm
(14.5.4)
m=1
tiene 2p races sobre la circunferencia unidad que corresponden a las frecuencias de las sinusoides.
Supongamos ahora que las sinusoides son distorsionadas por una secuencia de ruido blanco w(n) con
E[|w(n)|2 ] = w2 . A continuacin observamos que
y(n) = x(n) + w(n)
(14.5.5)
y(n) w(n) =
m=1
o lo que es equivalente,
2p
2p
m=0
m=0
am y(n m) = am w(n m)
(14.5.6)
(14.5.7)
donde Yt = [y(n) y(n 1) y(n 2p)] es el vector de datos observados de dimensin (2p + 1), Wt =
[w(n) w(n 1) w(n 2p)] es el vector de ruido y a = [1 a1 a2p ] es el vector de coeficientes.
Si premultiplicamos (14.5.7) por Y y tomamos el valor esperado, obtenemos
E(YYt )a = E(YWt )a = E[(X + W)Wt ]a
(14.5.8)
yy a = w2 a
donde hemos utilizado la suposicin de que la secuencia w(n) tiene media cero y es ruido blanco, y que X es
una seal determinstica.
La ecuacin dada en (14.5.8) tiene la forma de una autoecuacin, es decir,
(yy w2 I)a = 0
(14.5.9)
14.5.1
Para p sinusoides de fases aleatorias en ruido blanco aditivo, los valores de la autocorrelacin son
p
yy (0) = w2 + Pi
i=1
yy (k) =
(14.5.10)
Pi cos 2 fik,
k = 0
i=1
donde Pi = A2i /2 es la potencia media de la sinusoide i y Ai es la correspondiente amplitud. Por tanto, podemos
escribir
P1
cos 2 f1
cos 2 f2 cos 2 f p
yy (1)
cos 4 f1
cos 4 f2 cos 4 f p
P2 yy (2)
(14.5.11)
=
..
.
.
..
..
.. ..
.
.
.
cos 2 p f 1
cos 2 p f 2
cos 2 p f p
Pp
yy (p)
Si conocemos las frecuencias fi , 1 i p, podemos utilizar esta ecuacin para determinar las potencias de
las sinusoides. En lugar de xx (m), utilizamos los estimados rxx (m). Una vez que se conocen las potencias, la
varianza de ruido puede obtenerse a partir de (14.5.10) como sigue
p
w2 = ryy (0) Pi
(14.5.12)
i=1
El problema que todava queda es determinar las p frecuencias fi , 1 i p, las cuales, a su vez, requieren
que se conozca el autovector a correspondiente al autovalor w2 . Pisarenko (1973) observ [vase tambin
Papoulis (1984) y Grenander y Szeg (1958)] que para un proceso ARMA que conste de p sinusoides en ruido
blanco aditivo, la varianza w2 corresponde al autovalor mnimo de yy cuando la dimensin de la matriz de
autocorrelacin es igual o mayor que (2p + 1) (2p + 1). El vector de coeficientes ARMA corresponde con
el autovector asociado con el autovalor mnimo. Por tanto, las frecuencias fi , 1 i p se obtienen a partir
de las races del polinomio dado en (14.5.4), donde los coeficientes son los elementos del autovector a, que
corresponde al autovalor mnimo w2 .
En resumen, el mtodo de descomposicin armnica de Pisarenko tiene las siguientes partes. En primer
lugar, estimamos yy a partir de los datos (es decir, formamos la matriz de autocorrelacin Ryy ). Luego hallamos
el autovalor mnimo y el correspondiente autovector mnimo. El autovector mnimo proporciona los parmetros
del modelo ARMA(2p, 2p). A partir de (14.5.4) podemos calcular las races que constituyen las frecuencias
{ fi }. Utilizando estas frecuencias, podemos resolver (14.5.11) para las potencias de seal {Pi } sustituyendo los
estimados ryy (m) para yy (m).
Como veremos en el ejemplo siguiente, el mtodo de Pisarenko est basado en el uso de un autovector del
subespacio de ruido para estimar las frecuencias de las sinusoides.
EJEMPLO 14.5.1
Suponga que disponemos de los valores de la autocorrelacin yy (0) = 3, yy (1) = 1 y yy (2) = 0 para un proceso que consta
de una sola sinusoide distorsionada con ruido blanco aditivo. Determine la frecuencia, su potencia y la varianza del ruido
aditivo.
Solucin. La matriz de correlacin es
3
yy = 1
0
1
3
1
0
1
3
w2 = min = 3 2
El autovalor correspondiente es el vector que satisface (14.5.9), es decir,
2 1
0
0
1
1
2 1 a1 = 0
0
2 a2
0
1
La solucin es a1 = 2 y a2 = 1.
El siguiente paso consiste en utilizar los valores a1 y a2 para determinar las races del polinomio dado en (14.5.4).
Tenemos
z2 2z + 1 = 0
Por tanto,
1
1
z1 , z2 = j
2
2
Observe que |z1 | = |z2 | = 1, por lo que las races se encuentran sobre la circunferencia unidad. La frecuencia correspondiente
se obtiene a partir de
1
1
zi = e j2 f1 = + j
2
2
1
que proporciona f1 = . Por ltimo, la potencia de la sinusoide es
8
P1 cos 2 f1 = yy (1) = 1
P1 = 2
y su amplitud es A = 2P1 = 2 2.
Como comprobacin de los cculos, tenemos
w2 = yy (0) P1
= 3 2
lo que est de acuerdo con min .
14.5.2
En la exposicin anterior hemos supuesto que la seal sinusoidal constaba de p sinusoides reales. Por comodidad
matemtica, ahora supondremos que la seal consta de p sinusoides complejas de la forma
p
(14.5.13)
i=1
donde las amplitudes {Ai } y las frecuencias { fi } son desconocidas y las fases {i } son variables aleatorias
estadsticamente independientes distribuidas en el intervalo (0, 2 ). En este caso, el proceso aleatorio x(n) es
estacionario en sentido amplio con una funcin de autocorrelacin
p
xx (m) = Pi e j2 fi m
(14.5.14)
i=1
m = 0, 1, . . . , (M 1)
(14.5.15)
(14.5.16)
done xx es la matriz de autocorrelacin para la seal x(n) y w2 I es la matriz de autocorrelacin para el ruido.
Observe que si seleccionamos M > p, xx , que es de dimensin M M, no abarca el rango completo, ya que su
rango es p. Sin embargo, yy es de rango completo porque w2 I es de rango M.
De hecho, la matriz de la seal xx puede representarse como
p
xx = Pi si sH
i
(14.5.17)
i=1
(14.5.18)
Realicemos ahora la autodescomposicin de la matriz yy . Los autovalores {i } se ordenan en valor decreciente con 1 2 3 M y sean los autovectores correspondientes designados como {vi, i = 1, . . . , M}.
Suponemos que los autovectores estn normalizados de modo que vH
i v j = i j . En ausencia de ruido, los autovalores i , i = 1, 2, . . . , p, son distintos de cero siempre que p+1 = p+2 = = M = 0. Adems, se deduce
que la matriz de correlacin de la seal puede expresarse de la manera siguiente
p
xx = i vi vH
i
(14.5.19)
i=1
Por tanto, los autovectores vi , i = 1, 2, . . . , p extienden el subespacio de seal cuando lo hacen los vectores de
seal si , i = 1, 2, . . . , p. Estos p autovectores para el subespacio de seal son los autovectores principales y los
correspondientes autovalores son los autovalores principales.
En presencia de ruido, la matriz de autocorrelacin del ruido dada en (14.5.16) se puede representar como
M
w2 I = w2 vi vH
i
(14.5.20)
i=1
i=1
p
i=1
2
H
yy = i vi vH
i + w vi vi
= (i + w2 )vi vH
i +
i=1
i=p+1
(14.5.21)
w2 vi vH
i
Esta autodescomposicin separa los autovectores en dos conjuntos. El conjunto {vi , i = 1, 2, . . . , p}, que son
los autovectores principales, extienden el subespacio de seal, mientras que el conjunto {vi , i = p + 1, . . . , M},
que son ortogonales a los autovectores principales, se dice que pertenecen al subespacio de ruido. Dado que los
vectores de seal {si , i = 1, 2, . . . , p} estn en el subespacio de seal, se deduce que los {si } son simplemente
combinaciones lineales de los autovectores principales y son tambin ortogonales a los vectores del subespacio
de ruido.
En este contexto vemos que el mtodo de Pisarenko est basado en una estimacin de las frecuencias
utilizando la propiedad de ortogonalidad entre los vectores de seal y los vectores del subespacio de ruido. Para
sinusoides complejas, si seleccionamos M = p + 1 (para sinusoides reales seleccionamos M = 2p + 1), slo
existe un autovector en el subespacio de ruido (correspondiente al autovalor mnimo) que tiene que ser ortgonal
a los vectores de seal. Luego tenemos
sH
i v p+1 =
i = 1, 2, . . . , p
(14.5.22)
k=0
Pero (14.5.22) implica que las frecuencias { fi } pueden determinarse obteniendo los ceros del polinomio
p
V (z) =
v p+1(k + 1)zk
(14.5.23)
k=0
estando todos ellos sobre la circunferencia unidad. Los ngulos de estas races son 2 fi , i = 1, 2, . . . , p.
Cuando el nmero de sinusoides es desconocido, la determinacin de p puede resultar complicada, especialmente si el nivel de la seal no es mucho mayor que el nivel de ruido. En teora, si M > p + 1, existe una
multiplicidad (M p) del autovalor mnimo. Sin embargo, en la prctica, los (M p) autovalores ms pequeos
de Ryy probablemente sern diferentes. Calculando todos los autovalores es posible determinar p agrupando los
M p autovalores ms pequeos (ruido) en un conjunto y promedindolos para obtener un estimado de w2 . A
continuacin, el valor medio puede emplearse en (14.5.9) junto con Ryy para determinar el correspondientes
autovector.
14.5.3
Algoritmo MUSIC
El mtodo de clasificacin de seales mltiples (MUSIC, multiple signal classification) es tambin un estimador
de frecuencia en el subespacio de ruido. Para desarrollar el mtodo, consideremos en primer lugar el estimado
espectral ponderado
M
P( f ) =
wk |sH ( f )vk |2
(14.5.24)
k=p+1
donde {vk , k = p + 1, . . ., M} son los autovectores del subespacio de ruido, {wk } son un conjunto de los pesos
positivos y s( f ) es el vector sinusoidal complejo
s( f ) = [1, e j2 f , e j4 f , . . . , e j2 (M1) f ]
(14.5.25)
1
2
wk sH ( f )vk
(14.5.27)
k=p+1
Aunque tericamente 1/P( f ) es infinita en f = fi , en la prctica los errores de estimacin dan lugar a valores
finitos para 1/P( f ) en todas las frecuencias.
El estimador de frecuencia sinusoidal MUSIC propuesto por Schmidt (1981, 1986) es un caso especial de
(14.5.27) en el que los pesos son wk = 1 para todo k. Por tanto,
PMUSIC ( f ) =
1
H
s ( f )vk 2
(14.5.28)
k=p+1
Los estimados de las frecuencias sinusoidales son los picos de PMUSIC ( f ). Una vez que se han estimado las
frecuencias sinusoidales, puede obtenerse la potencia de cada una de las sinusoides resolviendo la Ecuacin
(14.5.11).
EJEMPLO 14.5.2
La matriz de autocorrelacin para una seal que consta de una exponencial compleja en ruido blanco est dada por
3
yy = 2 j
2
2 j
3
2j
2
2 j
3
Utilice el mtodo MUSIC para determinar las frecuencias y las potencias de la exponencial compleja y la varianza del ruido
aditivo.
Solucin. Resolviendo para obtener las races del polinomio
3 2 j
2
3 2 j = 3 9 2 + 15 7 = 0
g( ) = 2 j
2
2j
3
comprobamos que los autovalores son 1 = 7, 2 = 1 y 3 = 1. Por tanto, concluimos que existe una nica exponencial
compleja, correspondiente al autovalor = 7. Los autovectores correspondientes a los subespacios de seal y de ruido,
respectivamente, son
0
2 j/ 6
1/ 3
v1 = j/ 3 ,
v2 = j/ 2 ,
v3 = 1/ 6
1/3
1/ 2
j/ 6
Calculando el denominador de (14.5.28), obtenemos
3
2
sH ( f )vk
= 2+
k=2
2
5
1
cos 2 f +
+ cos 4 f + cos 2 f
3
2
3
3
2
Es sencillo verificar que este trmino es cero en f = 1/4. Adems, a partir de la relacin (14.5.15) y conociendo w2 = 1,
concluimos que la potencia de la seal exponencial compleja es P = 2.
Comparando el mtodo de Pisarenko con el algoritmo MUSIC, observamos que el primero seleciona M =
p + 1 y proyecta los vectores de seal sobre un nico autovector de ruido. Por tanto, el mtodo de Pisarenko
supone un conocimiento preciso del nmero de componentes sinusoidales de la seal. En contraste, el mtodo
MUSIC selecciona M > p + 1 y, despus de realizar el autoanlisis, subdivide los autovalores en dos grupos,
los (p) correspondientes al subespacio de seal y los (M p) correspondientes al subespacio de ruido. A
continuacin, los vectores de seal se proyectan sobre los M p autovectores en el subespacio de ruido. Por
tanto, no es necesario tener un conocimiento preciso de p. Los mtodos de seleccin del orden descritos en la
Seccin 14.5.5 pueden emplearse para obtener un estimado de p y para seleccionar M tal que M > p + 1.
14.5.4
Algoritmo ESPRIT
La estimacin de los parmetros de la seal a travs de tcnicas de invarianza rotacional (ESPRIT, estimation
of signal parameters via rotational invariance techniques) es otro mtodo que permite estimar las frecuencias
de una suma de sinusoides utilizando un mtodo de autodescomposicin. Como veremos en el desarrollo que
sigue, debido a Roy et al. (1986), ESPRIT explota una invarianza rotacional subyacente de los subespacios de
seal repartidos en dos vectores de datos desplazados en el tiempo.
Consideremos de nuevo la estimacin de p sinusoides complejas en ruido blanco aditivo. La secuencia
recibida est dada por el vector
y(n) = [y(n), y(n + 1), . . ., y(n + M 1)]t
= x(n) + w(n)
(14.5.29)
donde x(n) es el vector de seal y w(n) es el vector de ruido. Para explotar el carcter determinstico de las
sinusoides, definimos el vector desplazado en el tiempo z(n) = y(n + 1). As,
z(n) = [z(n), z(n + 1), . . ., z(n + M 1)]t
= [y(n + 1), y(n + 2), . . ., y(n + M)]t
(14.5.30)
Con estas definiciones podemos expresar los vectores y(n) y z(n) como
y(n) = Sa + w(n)
(14.5.31)
z(n) = Sa + w(n)
donde a = [a1 , a2 , . . . , a p ]t , ai = Ai e j i , y es una matriz diagonal p p que consta de las fases relativas entre
las muestras adyacentes temporales de cada una de las sinusoides complejas,
= diag[e j2 f1 , e j2 f2 , . . . , e j2 f p ]
(14.5.32)
Observe que la matriz relaciona los vectores desplazados en el tiempo y(n) y z(n), por lo que puede decirse que
es un operador de rotacin. Observe tambin que es unitario. La matriz S es la matriz M p de Vandermonde
especificada por los vectores columna
si = [1, e j2 fi , e j4 fi , . . . , e j2 (M1) fi ],
i = 1, 2, . . . , p
(14.5.33)
(14.5.34)
= SPSH + w2 I
donde P es la matriz diagonal p p que consta de las potencias de las sinusoides complejas,
P = diag[|a1 |2 , |a2 |2 , . . . , |a p |2 ]
= diag[P1 , P2 , . . . , Pp ]
(14.5.35)
Observe que P es una matriz diagonal ya que las sinusoides complejas de diferentes frecuencias son ortogonales en el intervalo infinito. Sin embargo, debemos destacar que el algoritmo ESPRIT no requiere que P sea
una matriz diagonal. Por tanto, el algoritmo es aplicable al caso en que la matriz de covarianza se estime a partir
de registros de datos finitos.
La matriz de covarianza cruzada de los vectores de seal y(n) y z(n) es
yz = E[y(n)zH (n)] = SPH SH + w
donde
w = E[w(n)wH (n + 1)]
0 0 0
1 0 0
= w2 0 1 0
. . .
..
. . .
.
. . .
0 0 0
0
0
0
..
.
1
0
w2 Q
(14.5.36)
(14.5.37)
yy (0
yy (1)
yy (M 1)
(1)
yy (0)
yy (M 2)
yy
yy =
..
..
..
.
.
.
yy (M 1) yy (M 2)
yy (0)
(14.5.38)
yy (1)
yy (2)
yy (M)
yy (0)
yy (1)
yy (M 1)
yz =
..
..
..
.
.
.
(M 2) (M 3)
yy
(1)
yy
yy
(14.5.39)
donde yy (m) = E[y (n)y(n + m)]. Observe que tanto yy como yz son matrices Toeplitz.
Basndonos en esta formulacin, el problema es determinar las frecuencias { fi } y sus potencias {Pi } a partir
de la secuencia de autocorrelacin {yy (m)}.
Partiendo del modelo subyacente, es evidente que la matriz SPSH es de rango p. En consecuencia, yy est
dada por (14.5.34) la cual tiene (M p) autovalores idnticos a w2 . Por tanto,
yy w2 I = SPSH Cyy
(14.5.40)
yz w2 w = SPH SH Cyz
(14.5.41)
Consideremos ahora la matriz Cyy Cyz , la cual se puede escribir como sigue
Cyy Cyz = SP(I H )SH
(14.5.42)
(14.5.43)
Dado que el espacio de columna de (Cyy i Cyz ) es idntico al espacio de columna expandido por los vectores
{s j , j = i} dados por (14.5.33), se deduce que el autovector generalizado vi es ortogonal a s j , j = i. Puesto que
P es diagonal, se deduce a partir de (14.5.43) que las potencias de la seal son
Pi =
14.5.5
vH
i Cyy vi
,
2
|vH
i si |
i = 1, 2, . . . , p
(14.5.44)
Los mtodos basados en autoanlisis descritos en esta seccin para estimar las frecuencias y las potencias de
las sinusoides tambin proporcionan informacin sobre el nmero de componentes sinusoidales. Si existen
p sinusoides, los autovalores asociados con el subespacio de seal son {i + w2 , i = 1, 2 . . . , p} mientras
que los restantes (M p) autovalores son todos ellos iguales a w2 . Basndonos en esta descomposicin de
autovalores, puede disearse una prueba que compare los autovalores con un determinado umbral. Existe un
mtodo alternativo que tambin utiliza la desposicin de autovectores de la matriz de autocorrelacin estimada
de la seal observada y se basa en el anlisis de perturbacin de matrices. Este mtodo se describe en un artculo
de Fuchs (1988).
Otro mtodo basado en una extensin y en la modificacin del criterio AIC al mtodo de autodescomposicin
fue propuesto por Wax y Kailath (1985). Si los autovalores de la matriz de autocorrelacin estn ordenados de
manera que 1 2 M , where M > p, el nmero de sinusoides en el subespacio de seal se estima
mediante la seleccin del valor mnimo de MDL(p), dado por
MDL(p) = log
G(p)
A(p)
N
+ E(p)
(14.5.45)
donde
G(p) =
i=p+1
i ,
p = 0, 1, . . . , M 1
M
1
A(p) =
i
M p i=p+1
Mp
(14.5.46)
1
p(2M p) log N
2
N : nmero de muestras utilizadas para estimar los M retardos de la autocorrelacin
E(p) =
Algunos resultados sobre la calidad de este criterio de seleccin del orden se proporcionan en el artculo de Wax
y Kailath (1985). El criterio MDL est garantizado para ser coherente.
14.5.6
Resultados experimentales
En esta seccin ilustramos mediante un ejemplo las caractersticas de resolucin de los algoritmos de estimacin
espectral basados en autoanlisis y comparamos su rendimiento con los algoritmos basados en modelos y los
mtodos no paramtricos. La seal es
4
Potencia
Frecuencia
Potencia
Frecuencia
Figura 14.5.2. Estimados del espectro de potencia por el mtodo de varianza mnima.
Potencia
Frecuencia
Potencia
y
son prcticamente
indistinguibles
Frecuencia
w2
f1
f2
f3
f4
0.1
0.5
1.0
Valores reales
0.2227
0.2219
0.222
0.222
0.1668
0.167
0.167
0.166
0.1224
0.121
0.1199
0.122
0.10071
0.0988
0.1013
0.100
a travs del IEEE (Programs for Digital Signal Processing, IEEE Press, 1979); as como otros comercialmente
disponibles.
Problemas
14.1
(a) Expandiendo (14.1.23), tomando el valor esperado y finalmente tomando el lmite cuando T0 ,
demuestre que el lado derecho de la ecuacin converge a xx (F).
(b) Demuestre que
2
N1
1
rxx (m)e j2 f m = N x(n)e j2 f n
m=N
n=0
N
14.2 Para las variables aleatorias conjuntamente gaussianas de media cero X1 , X2 , X3 , X4 , se sabe que [vase
Papoulis (1984)]
E(X1 X2 X3 X4 ) = E(X1 X2 )E(X3 X4 ) + E(X1X3 )E(X2 X4 ) + E(X1X4 )E(X2 X3 )
(m), dado por (14.1.27) y la varianza,
Utilice este resultado para obtener el valor cuadrtico medio de rxx
que es
var[rxx
(m)] = E[|rxx
(m)|2 ] |E[rxx
(m)]|2
14.3 Utilizando la expresin del momento conjunto de cuarto orden para variables aleatorias gaussianas,
demuestre que
2
2
(
f
+
f
)N
(
f
f
)N
sen
sen
1
2
1
2
+
(a) E[Pxx ( f1 )Pxx ( f2 )] = x4 1 +
N sen ( f1 + f2 )
N sen ( f1 f2 )
sen ( f1 + f2 )N 2
sen ( f1 f2 )N 2
4
(b) cov[Pxx ( f1 )Pxx ( f2 )] = x
+
N sen ( f1 + f2 )
N sen ( f1 f2 )
sen 2 f N 2
bajo la condicin de que la secuencia x(n) es una secuencia
(c) var[Pxx ( f )] = x4 1 +
N sen 2 f
gaussiana de ruido blanco de media cero y varianza x2 .
14.4 Generalice los resultados del Problema 14.3 a un proceso de ruido gaussiano de media cero con el espectro
de densidad de potencia xx ( f ). A continuacin obtenga la varianza del periodograma Pxx ( f ), como se
expresa en (14.1.38). (Consejo: suponga que el proceso de ruido coloreado gaussiano es la salida de un
sistema lineal excitado por ruido gaussiano blanco. A continuacin utilice las relaciones apropiadas de la
Seccin 12.1).
14.5 Demuestre que los valores del periodograma a las frecuencias f k = k/L, k = 0, 1, . . . , L 1, dadas por
(14.1.41) pueden calcularse pasando la secuencia a travs de un banco de N filtros IIR, donde cada filtro
tiene la respuesta al impulso
hk (n) = e j2 nk/N u(n)
y luego calcule el valor del mdulo al cuadrado de las salidas del filtro en n = N. Observe que cada filtro
tiene un polo sobre la circunferencia unidad a la frecuencia fk .
14.6 Demuestre que el factor de normalizacin dado por (14.2.12) garantiza que se satisface (14.2.19).
14.7 Considere el uso de la DFT (calculada a travs del algoritmo FFT) para calcular la autocorrelacin de la
secuencia compleja x(n), es decir,
rxx (m) =
1 Nm1
x (n)x(n + m),
N n=0
m0
Suponga que el tamao M de la FFT es mucho menor que la longitud de los datos N. Especficamente,
suponga que N = KM.
(a) Determine los pasos necesarios para dividir x(n) y calcular rxx (m) para (M/2) + 1 m (M/2)
1, utilizando 4K DFT de M puntos y una IDFT de M puntos.
(b) Considere ahora las tres secuencias siguientes x1(n), x2 (n) y x3 (n), cada una de ellas con una duracin
M. Sean las secuencias x1 (n) y x2 (n) con valores arbitrarios en el intervalo 0 n (M/2) 1, pero
iguales a cero para (M/2) n M 1. La secuencia x3 (n) se define como
x1 (n),
0 1
2
x3 (n) =
M
M
x2 n
,
n M1
2
2
Determine una relacin simple entre las DFT de M puntos X1 (k), X2 (k) y X3 (k).
(c) Utilizando el resultado del apartado (b), demuestre que el clculo de las DFT del apartado (a) puede
reducirse en nmero de 4K a 2K.
14.8 El mtodo de Bartlett se emplea para estimar el espectro de potencias de una seal x(n). Sabemos que el
espectro de potencia consta de un slo pico con un ancho de banda a 3-dB de 0.01 ciclos por muestra,
pero no sabemos en qu posicin se encuentra el pico.
(a) Suponiendo que N es grande, determine el valor de M = N/K de modo que la ventana espectral sea
ms estrecha que el pico.
(b) Explique por qu no interesa aumentar M por encima del valor obtenido en el apartado (a).
14.9 Suponga que disponemos de N = 1000 muestras procedentes de una secuencia de muestras de un proceso
aleatorio.
(a) Determine la resolucin en frecuencia de los mtodos de Bartlett, Welch (50 % de solapamiento) y
BlackmanTukey para un factor de calidad de Q = 10.
(b) Determine las longitudes de los registros (M) para los mtodos de Bartlett, Welch (50 % de solapamiento) y BlackmanTukey.
14.10 Considere el problema de estimar contiuamente el espectro de potencia de una secuencia x(n) basado
(0)
Pxx ( f ) =
|m| (i)
rxx (m)e j2 f m
1
M
m=(M1)
M1
(i)
donde rxx (m) es la secuencia de autocorrelacin estimada obtenida a partir del bloque de datos i. Demuestre
(i)
(i)
Pxx ( f ) = EH ( f )Rxx E( f )
donde
.
E( f ) = 1
e j2 f
e j4 f
e j2 (M1) f
/t
y, por tanto,
B
Pxx
(f) =
1 K H
(k)
E ( f )Rxx E( f )
K k=1
6w , 2 m = 0
4w , m = 1
xx (m) =
2
w2 , m = 2
0,
en otro caso
(a) Determine los coeficientes del proceso MA(2) que tiene la autocorrelacin anterior.
(b) Es nica la solucin? Si no lo es, proporcione todas las soluciones posibles.
14.16 Un proceso MA(2) tiene la secuencia de autocorrelacin
2
,
m=0
w35
2
w , m = 1
xx (m) =
62
6 w2 ,
m = 2
62
(a) Determine los coeficientes del sistema de fase mnima para el proceso MA(2).
(b) Determine los coeficientes del sistema de fase mxima para el proceso MA(2).
(c) Determine los coeficientes del sistema de fase mixta para el proceso MA(2).
14.17 Considere el sistema lineal descrito por la ecuacin en diferencias
y(n) = 0.8y(n 1) + x(n) + x(n 1)
donde x(n) es un proceso aleatorio estacionario en sentido amplio con media cero y autocorrelacin
xx (m) =
|m|
1
2
A p (z) = 1 + a p (k)zk
k=1
tiene todas sus races dentro de la circunferencia unidad (es decir, es de fase mnima).
14.19 Un proceso AR(2) se describe mediante la ecuacin en diferencias
x(n) = 0.81x(n 2) + w(n)
donde w(n) es un proceso de ruido blanco con varianza w2 .
(a) Determine los parmetros de los modelos MA(2), MA(4) y MA(8) que proporcionen un error
cuadrtico medio mnimo ajustado a los datos x(n).
(b) Dibuje el espectro real y los espectros de los modelos MA(q), q = 2, 4, 8, y compare los resultados.
Comente cmo se aproximan los modelos MA(q) al proceso AR(2).
14.20 Un proceso MA(2) se describe mediante la ecuacin en diferencias
x(n) = w(n) + 0.81w(n 2)
donde w(n) es un proceso de ruido blanco de varianza w2 .
(a) Determine los parmetros de los modelos AR(2), AR(4) y AR(8) que proporcionen un error cuadrtico medio mnimo ajustado a los datos x(n).
(b) Dibuje el espectro real y los correspondientes a AR(p), p = 2, 4, 8, y compare los resultados.
Comente cmo se aproximan los modelos AR(p) al proceso MA(2).
14.21
(a) Determine los espectros de potencia de los procesos aleatorios generados por las siguientes ecuaciones en diferencias.
1. x(n) = 0.81x(n 2) + w(n) w(n 1)
2. x(n) = w(n) w(n 2)
3. x(n) = 0.81x(n 2) + w(n)
donde w(n) es un proceso de ruido blanco con varianza w2 .
(b) Dibuje los espectros para los procesos dados en el apartado (a).
(c) Determine la autocorrelacin xx (m) para los procesos (2) y (3).
14.22 El mtodo de Bartlett se usa para estimar el espectro de potencia de una seal a partir de una secuencia
x(n) que consta de N = 2400 muestras.
(a) Determine la longitud mnima M de cada segmento en el mtodo de Bartlett que proporciona una
resolucin en frecuencia de f = 0.01.
(b) Repita el apartado (a) para f = 0.02.
(c) Determine los factores de calidad QB para los apartados (a) y (b).
14.23 Un proceso aleatorio x(n) se caracteriza por el espectro de densidad de potencia
xx ( f ) = w2
|e j2 f 0.9|2
|e j2 f j0.9|2|e j2 f + j0.9|2
N1
x(n)e j2 nk/N
n=0
Suponga que E[x(n)] = 0 y E[x(n)x(n + m)] = x2 (m) [es decir, x(n) es un proceso de ruido blanco].
(a) Determine la varianza de X(k).
(b) Determine la autocorrelacin de X(k).
14.25 Suponga que representamos un proceso ARMA(p, q) como una cascada de un modelo MA(q) seguido
por un modelo AR(p). La ecuacin de entradasalida para el modelo MA(q) es
v(n) =
bk w(n k)
k=0
donde w(n) es un proceso de ruido blanco. La ecuacin de entradasalida para el modelo AR(p) es
p
vv (m) = w2
qm
bk bk+m
k=0
vv (m) =
ak vx (m + k),
ao = 1
k=0
y
y(n) = x(n) + v(n)
14.28
Ak cos(k n + k) + w(n)
k=1
donde {Ak } son amplitudes constantes, {k } son frecuencias constantes y {k } son fases alaeatorias
uniformemente distribuidas y estadstica y mutuamente independientes. La secuencia w(n) es ruido
blanco de varianza w2 .
(b) Determine el espectro de densidad de potencia de x(n).
14.29 El problema de descomposicin armnica considerado por Pisarenko se puede expresar como la solucin
a la ecuacin
aH yy a = w2 aH a
La solucin para a se puede obtener minimizando la forma cuadrtica aH yy a sujeta a la restricccin de
que aH a = 1. La restriccin puede incorporarse al ndice de rendimiento por medio de un multiplicador
de Lagrange. Luego el ndice de rendimiento es
E = aH yy a + (1 aH a)
Minimizando E con respecto a a, demuestre que esta formulacin es equivalente al problema del autovalor
de Pisarenko dado en (14.5.9) con el multiplicador de Lagrange desempeando el papel del autovalor.
Demuestre qu mnimo de E es el autovalor mnimo w2 .
14.30 La autocorrelacin de una secuencia que consta de una sinusoide con fase aleatoria en ruido es
e j2 f
e j4 f
e j2 p f ]
1
xx E( f )
H
E ( f )1
xx E( f )
1
|X( f )|2
N
donde
X( f ) =
N1
x(n)e j2 f n
n=0
= EH ( f )X(n)
X( f ) es el vector de datos y E( f ) se define como
E t ( f ) = [1
e j2 f
e j4 f
e j2 f (N1) ]
Demuestre que
E[Pxx ( f )] =
1 H
E ( f )xx E( f )
N
3,
0,
yy (m) =
2,
0,
m=0
m=1
m=2
|m| > 2
14.34 La seal y(n) est formada por exponenciales complejas en ruido blanco. Su matriz de autocorrelacin
es
2 j 1
2 j
yy = j
1
j
2
Utilice el algoritmo MUSIC para determinar las frecuencias de las exponenciales y sus niveles de potencia.
14.35 Demuestre que PMUSIC ( f ) puede expresarse como
PMUSIC ( f ) =
sH ( f )
1
M
M
k=p+1 k k
s( f )
14.36 Algoritmo MUSIC de races Definimos los polinomios del subespacio de ruido como
Vk (z) =
M1
k (n + 1)zn,
n=0
k = p + 1, . . ., M
donde k (n) son los elementos del vector del subespacio de ruido k .
M
k=p+1 Vk ( f )Vk ( f )
M
k=p+1 Vk (z)Vk
1
z
z=e j2 f
k=p+1
Vk (z)Vk
1
z
tiene a cero en z = e j2 fi , i = 1, 2, . . . , p. Por tanto, este polinomio tiene p races sobre la circunferencia unidad en el plano z, donde cada raz es una raz doble. La determinacin de las frecuencias
factorizando el polinomio Q(z) se conoce como mtodo MUSIC de races. Para la matriz de correlacin dada en el Problema 14.34, determine las frecuencias de las exponenciales mediante el mtodo
MUSIC de races. Las races adicionales obtenidas por este mtodo son races espreas y pueden
descartarse.
14.37 Este problema implica el uso de la correlacin cruzada para detectar una seal en ruido y estimar el retardo
temporal de la seal. Una seal x(n) consta de sinusoides pulsadas distorsionadas por una secuencia de
ruido blanco estacionario de media cero. Es decir,
x(n) = y(n n0) + w(n),
0 n N 1
N1
y(n m)x(n)
n=0
la secuencia de correlacin cruzada entre x(n) e y(n). En ausencia de ruido, esta funcin presenta un pico
retardado en m = n0 . Luego n0 se determina sin error. La presencia de ruido puede llevar a errores al
determinar el retardo desconocido.
(a) Para m = n0 , determine E[rxy (n0 )]. Determine tambin la varianza, var[rxy (n0 )], debida a la presencia
del ruido. En ambos clculos, suponga que las medias de los trminos en frecuencia son cero. Es
decir, M 2 /0.
(b) Determine la relacin seal-ruido, definida como
SNR =
1
12 , utilizando
1 10
rk (m)
10 k=1
1
(1 + az1 + 0.99z2)(1 az1 + 0.98z2)
(a) Dibuje un diagrama tpico del espectro de potencia terico xx ( f ) para un valor pequeo del parmetro a (es decir, 0 < a < 0.1). Preste atencin al valor de los dos picos espectrales y al valor de
Pxx ( ) para = /2.
(b) Sea a = 0.1. Determine la longitud de la seccin M necesaria para resolver los picos espectrales de
xx ( f ) utilizando el mtodo de Bartlett.
(c) Considere el mtodo de BlackmanTukey para suavizar el periodograma. Cuntos retardos del
estimado de la correlacin deben emplearse para obtener una resolucin comparable a la que se
obtiene con el estimado de Bartlett considerado en el apartado (b)? Cuntos puntos de datos deben
emplearse si la varianza del estimado debe ser comparable con el estimado de Bartlett de cuatro
secciones?
(d) Para a = 0.05, ajuste un modelo AR(4) a 100 muestras de los datos basados en el mtodo de Yule
Walker y dibuje el espectro de potencia. Evite los efectos transitorios descartando las primeras 200
muestras de los datos.
(e) Repita el apartado (d) con el mtodo de Burg.
(f) Repita los apartados (d) y (e) para 50 muestras de datos y comente las similitudes y diferencias en
los resultados.
A
Generadores de
nmeros aleatorios
En algunos de los ejemplos proporcionados en el texto, los nmeros aleatorios se generan para simular el efecto
del ruido sobre las seales y para ilustrar cmo puede emplearse el mtodo de correlacin para detectar la
presencia de una seal enterrada en ruido. En el caso de seales peridicas, la tcnica de la correlacin tambin
nos permite estimar el perodo de la seal.
En la prctica, los generadores de nmeros aleatorios a menudo se emplean para simular el efecto de las
seales de ruido y otros fenmenos aleatorios que pueden encontrarse en el mundo fsico. Dicho ruido suele
estar presente en sistemas y dispositivos electrnicos y, normalmente, limita nuesta capacidad de comunicarnos
a larga distancia y de poder dectectar seales relativamente dbiles. Generando dicho ruido en una computadora,
podemos estudiar sus efectos a travs de la simulacin de sistemas de comunicaciones, sistemas de deteccin
de radar y valorar las prestaciones de dichos sistemas en presencia de ruido.
La mayor parte de las bibliotecas de software incluyen un generador de nmeros aleatorios uniforme. Tales
generadores de nmeros aleatorios generan un nmero entre cero y uno con la misma probabilidad. Decimos
que la salida del generador de nmeros aleatorios es una variable aleatoria. Si A designa tal variable aleatoria,
su rango es el intervalo 0 A 1.
Sabemos que la salida numrica de una computadora digital tiene precisin limitada, y en consecuencia,
es imposible representar el continuo de nmeros en el intervalo 0 A 1. Sin embargo, podemos suponer que
nuestra computadora representa cada salida mediante un nmero grande de bits en punto flotante o en punto fijo.
En consecuencia, para propsitos prcticos, el nmero de salidas en el intervalo 0 A 1 es suficientemente
grande, por lo que podemos suponer justificadamente que cualquier valor del intervalo es una posible salida del
generador.
La funcin de densidad de probabilidad uniforme para la variable aleatoria A, designada como p(A), se
ilustra en la Figura A.1(a). Observe que el valor medio de A, designado como mA , es mA = 12 . La integral
de la funcin de densidad de probabilidad, que representa el rea bajo p(A), es la funcin de distribucin de
probabilidad de la variable aleatoria A y se define como
F(A) =
A
p(x)dx
(A.1)
p(A)
1
1
2
1
(a)
F(A)
1
1
(b)
Figura A.1.
Para cualquier variable aleatoria, ste rea tiene que ser siempre igual a la unidad, que es el valor mximo que
una funcin de distribucin puede tener. Por tanto,
F(1) =
1
p(x)dx = 1
(A.2)
1
2
1
2
1
2
(a)
F(B)
1
2
(b)
Figura A.2.
F(C)
1
F(C) = A
C = F1(A)
A = F(C)
Figura A.3.
una variable aleatoria C con la funcin de distribucin de probabilidad F(C), que se ilustra en la Figura A.3.
Dado que el rango de F(C) es el intervalo (0, 1), comenzamos generando una variable aleatoria uniformemente
distribuida A en el intervalo (0, 1). Si hacemos
entonces
F(C) = A
(A.4)
C = F 1 (A)
(A.5)
As utilizamos (A.4) para obtener C, y la solucin de (A.5) proporciona el valor de C para el que F(C) =
A. De esta forma, obtenemos una nueva variable aleatoria C con la distribucin de probabilidad F(C). Esta
correspondencia inversa de A a C se ilustra en la Figura A.3.
EJEMPLO A.1
Genere una variable aleatoria C que tenga la funcin de densidad de probabilidad mostrada en la Figura A.4(a), es decir,
C, 0 C 2
2
p(C) =
0,
en otro caso
p(C)
1
C
2
2
(a)
F(C)
1
1
C
2
(b)
Figura A.4.
C<0
0,
1
2
F(C) =
4C , 0 C 2
1,
C>2
la cual se ilustra en la Figura A.4(b). Generamos una variable aleatoria uniformemente distribuida A y hacemos F(C) = A.
Luego
F(C) = 14 C2 = A
Despejando para obtener C, obtenemos
C=2 A
As, generamos una variable aleatoria C con la funcin de probabilidad F(C), como se muestra en la Figura A.4(b).
En el Ejemplo A.1, la correspondencia inversa C = F 1 (A) era simple. En algunos otros casos, no lo es.
Este problema surge al intentar generar nmeros aleatorios que tengan una funcin de distribucin normal.
A menudo el ruido que se encuentra en los sistemas fsicos se caracteriza por la funcin de distribucin de
probabilidad normal o gaussiana, que se ilustra en la Figura A.5. La funcin de densidad de probabilidad est
dada por
2
2
1
p(C) =
eC /2 ,
< C <
(A.6)
2
donde 2 es la varianza de C, que es una medida de la dispersin de la funcin densidad de probabilidad p(C).
La funcin de distribucin de probabilidad F(C) es el rea bajo p(C) en el intervalo (,C). Luego
F(C) =
C
p(x)dx
(A.7)
Lamentablemente, la integral dada en (A.7) no se puede expresar en trminos de funciones simples. En consecuencia, la correspondencia inversa es difcil de conseguir.
p(C)
0
(a)
F(C)
1
1
2
0
(b)
Figura A.5.
Existe una forma de resolver este problema. A partir de la teora de la probabilidad se sabe que una variable
aleatoria R (distribuida de Rayleigh), con la funcin de distribucin de probabilidad
0,
R<0
F(R) =
(A.8)
2/2 2
R
1e
, R0
est relacionada con una pareja de variables aleatorias gaussianas C and D, a travs de la transformacin
C = R cos
D = R sen
(A.9)
(A.10)
2/2 2
=A
2 2 ln[1/(1 A)]
(A.11)
donde A es una variable aleatoria distribuida uniformemente en el intervalo (0, 1). Si ahora generamos una
segunda variable aleatoria distribuida uniformente B y definimos
= 2 B
(A.12)
entonces a partir de (A.9) y (A.10), obtenemos dos variables aleatorias distribuidas gaussianas estadsticamente
independientes C y D.
C
SUBROUTINE GAUSS CONVERTS A UNIFORM RANDOM
C
SEQUENCE XIN IN [0,1] TO A GAUSSIAN RANDOM
C
SEQUENCE WITH G(0,SIGMA**2)
C
PARAMETERS
:
C
XIN
:UNIFORM IN [0,1] RANDOM NUMBER
C
B
:UNIFORM IN [0,1] RANDOM NUMBER
C
SIGMA
:STANDARD DEVIATION OF THE GAUSSIAN
C
YOUT
:OUTPUT FROM THE GENERATOR
C
SUBROUTINE GAUSS 9XIN,B,SIGMA,YOUT)
PI=4.0*ATAN (1.0)
B=2.0*PI*B
R=SQRT (2.0*(SIGMA**2)*ALOG(1.0/(1.0-XIN)))
YOUT=R*COS(B)
RETURN
END
C
NOTE: TO USE THE ABOVE SUBROUTINE FOR A
C
GAUSSIAN RANDOM NUMBER GENERATOR
C
YOU MUST PROVIDE AS INPUT TWO UNIFORM RANDOM NUMBERS
C
XIN AND B
C
XIN AND B MUST BE STATISTICALLY INDEPENDENT
Figura A.6 Subrutina para generar variables aleatorias gaussianas.
El mtodo descrito a menudo se utiliza en la prctica para generar variables aleatorias distribuidas gaussianas.
Como se muestra en la Figura A.5, estas variables aleatorias tienen un valor medio de cero y una varianza 2 . Si
se desea una variable aleatoria gaussiana con media distinta de cero, entonces C y D pueden trasladarse mediante
la adicin del valor medio.
En la Figura A.6 se proporciona una subrutina que implementa este mtodo para generar variables aleatorias
distribuidas gaussianas.
B
Tablas de los
coeficientes de
transicin para el diseo
de filtros FIR de fase
lineal
En la Seccin 10.2.3 hemos descrito un mtodo de diseo de filtros FIR de fase lineal que implicaba la especificacin de Hr ( ) en un conjunto de frecuencias equiespaciadas k = 2 (k + )/M, donde = 0 o = 12 ,
k = 0, 1, . . . , (M 1)/2 para M impar y k = 0, 1, 2, . . . , (M/2) 1 para M par, donde M es la longitud del filtro.
Dentro de la banda de paso del filtro, seleccionamos Hr (k ) = 1, y en la banda eliminada, Hr (k ) = 0. Para
las frecuencias de la banda de transiccin, los valores de Hr (k ) se optimizan con el fin de minimizar el lbulo
secundario mximo en la banda eliminada; sto es lo que se conoce como criterio de optimizacin minimax.
La optimizacin de los valores de Hr ( ) en la banda de transicin fue relizada por Rabiner et al. (1970) y
las tablas que especifican los valores de transicin se proporcionan en dichas publicaciones. En este apndice
hemos incluido unas pocas tablas seleccionadas para los filtros FIR paso bajo.
Proporcionamos cuatro tablas. La Tabla B.1 enumera los coeficientes de transicin para el caso en que
= 0 y un coeficiente de la banda de transicin tanto para M impar como para M par. La Tabla B.2 enumera
los coeficientes de transicin para el caso en que = 0, y dos coeficientes de la banda de transicin para M
impar y M par. La Tabla B.3 enumera los coeficientes de transicin para el caso en que = 12 , M par y un
coeficiente de la banda de transicin. Por ltimo, la Tabla B.4 enumera los coeficientes de transicin para el
caso en que = 12 , M par y dos coeficientes de la banda de transicin. Las tablas tambin incluyen el nivel del
lbulo secundario mximo y el parmetro que define el ancho de banda, designado como BW.
Para utilizar las tablas, partimos de un conjunto de especificaciones, entre las que se incluyen: (1) el ancho
de banda del filtro, que puede definirse como (2 /M)(BW + ), donde BW es el nmero de frecuencias
consecutivas en las que H(k ) = 1, (2) la anchura de la regin de transicin, que es aproximadamente 2 /M
veces el nmero de coeficientes de transicin y (3) el lbulo secundario mximo tolerable en la banda eliminada.
La longitud del filtro puede seleccionarse a partir de las tablas para satisfacer las especificaciones.
M impar
BW
Minimax
1
2
3
4
5
6
M = 15
42.30932283
41.26299286
41.25333786
41.94907713
44.37124538
56.01416588
M par
T1
0.43378296
0.41793823
0.41047636
0.40405884
0.39268189
0.35766525
BW
Minimax
T1
1
2
3
4
5
6
M = 16
39.75363827
37.61346340
36.57721567
35.87249756
35.31695461
35.51951933
0.42631836
0.40397949
0.39454346
0.38916626
0.38840332
0.40155639
M = 33
1
2
3
4
6
8
10
12
14
15
43.03163004
42.42527962
42.40898275
42.45948601
42.52403450
42.44085121
42.11079407
41.92705250
44.69430351
56.18293285
M = 32
0.42994995
0.41042481
0.40141601
0.39641724
0.39161377
0.39039917
0.39192505
0.39420166
0.38552246
0.35360718
1
2
3
4
5
8
10
12
14
M = 65
1
2
3
4
5
6
10
14
43.16935968
42.61945581
42.70906305
42.86997318
43.01999664
43.14578819
43.44808340
43.54684496
42.24728918
41.29370594
41.03810358
40.93496323
40.85183477
40.75032616
40.54562140
39.93450451
38.91993237
0.42856445
0.40773926
0.39662476
0.38925171
0.37897949
0.36990356
0.35928955
0.34487915
0.34407349
M = 64
0.42919312
0.40903320
0.39920654
0.39335937
0.38950806
0.38679809
0.38129272
0.37946167
1
2
3
4
5
6
10
14
42.96059322
42.30815172
42.32423735
42.43565893
42.55461407
42.66526604
43.01104736
43.28309965
0.42882080
0.40830689
0.39807129
0.39177246
0.38742065
0.38416748
0.37609863
0.37089233
Apndice B Tablas de los coeficientes de transicin para el diseo de filtros FIR de fase lineal 933
M impar
M par
BW
Minimax
T1
BW
Minimax
T1
18
22
26
30
31
43.48173618
43.19538212
42.44725609
44.76228619
59.21673775
0.37955322
0.38162842
0.38746948
0.38417358
0.35282745
18
22
26
30
43.56508827
43.96245098
44.60516977
43.81448936
0.36605225
0.35977783
0.34813232
0.29973144
M = 125
1
2
3
4
6
8
10
18
26
34
42
50
58
59
60
61
M = 128
43.20501566
42.66971111
42.77438974
42.95051050
43.25854683
43.47917461
43.63750410
43.95589399
44.05913115
44.05672455
43.94708776
43.58473492
42.14925432
42.60623264
44.78062010
56.22547865
0.42899170
0.40867310
0.39868774
0.39268189
0.38579101
0.38195801
0.37954102
0.37518311
0.37384033
0.37371826
0.37470093
0.37797851
0.39086304
0.39063110
0.38383713
0.35263062
1
2
3
4
5
7
10
18
26
34
42
50
58
62
43.15302420
42.59092569
42.67634487
42.84038544
42.99805641
43.25537014
43.52547789
43.93180990
44.18097305
44.40153408
44.67161417
45.17186594
46.92415667
49.46298973
0.42889404
0.40847778
0.39838257
0.39226685
0.38812256
0.38281250
0.3782638
0.37251587
0.36941528
0.36686401
0.36394653
0.35902100
0.34273681
0.28751221
2 k
M
1, k = 0, 1, 2, 3
T1 , k = 4
=
0, k = 5, 6, 7
M impar
BW
1
2
3
4
5
1
2
3
5
7
9
11
13
14
1
2
3
4
5
9
13
17
21
25
29
30
1
2
3
5
7
9
17
25
33
41
49
57
58
59
60
Minimax
M par
T1
M = 15
70.60540585 0.09500122
69.26168156 0.10319824
69.91973495 0.10083618
75.51172256 0.08407953
103.45078300 0.05180206
M = 33
70.60967541 0.09497070
68.16726971 0.10585937
67.13149548 0.10937500
66.53917217 0.10965576
67.23387909 0.10902100
67.85412312 0.10502930
69.08597469 0.10219727
75.86953640 0.08137207
104.04059029 0.05029373
M = 65
70.66014957 0.09472656
68.89622307 0.10404663
67.90234470 0.10720215
67.24003792 0.10726929
66.86065960 0.10689087
66.27561188 0.10548706
65.96417046 0.10466309
66.16404629 0.10649414
66.76456833 0.10701904
68.13407993 0.10327148
75.98313046 0.08069458
104.92083740 0.04978485
M = 125
70.68010235 0.09464722
68.94157696 0.10390015
68.19352627 0.10682373
67.34261131 0.10668945
67.09767151 0.10587158
67.05801296 0.10523682
67.17504501 0.10372925
67.22918987 0.10316772
67.11609936 0.10303955
66.71271324 0.10313721
66.62364197 0.10561523
69.28378487 0.10061646
70.35782337 0.09663696
75.94707718 0.08054886
104.09012318 0.04991760
T2
0.58995418
0.59357118
0.58594327
0.55715312
0.49917424
1
2
3
4
5
0.58985167
0.59743846
0.59911696
0.59674101
0.59417456
0.58771575
0.58216391
0.54712777
0.49149549
1
2
3
5
7
9
11
13
T1
M = 16
65.27693653 0.10703125
62.85937929 0.12384644
62.96594906 0.12827148
66.03942485 0.12130127
71.73997498 0.11066284
M = 32
67.37020397 0.09610596
63.93104696 0.11263428
62.49787903 0.11931763
61.28204536 0.12541504
60.82049131 0.12907715
59.74928167 0.12068481
62.48683357 0.13004150
70.64571857 0.11017914
0.58945943
059.476127
0.59577449
0.59415763
0.59253047
0.58845983
0.58660485
0.58862042
0.58894575
0.58320831
0.54500379
0.48965181
1
2
3
4
5
9
13
17
21
25
29
M = 64
70.26372528 0.09376831
67.20729542 0.10411987
65.80684280 0.10850220
64.95227051 0.11038818
64.42742348 0.11113281
63.41714096 0.10936890
62.72142410 0.10828857
62.37051868 0.11031494
62.04848146 0.11254273
61.88074064 0.11994629
70.05681992 0.10717773
0.58789222
0.59421778
0.59666158
0.59730067
0.59698496
0.59088884
0.58738641
0.58968142
0.59249461
0.60564501
0.59842159
0.58933268
0.59450024
0.59508549
0.59187505
0.59821869
0.58738706
0.58358265
0.58224835
0.58198956
0.58245499
0.58629534
0.57812192
0.57121235
0.54451285
0.48963264
1
2
3
4
6
9
17
25
33
41
49
57
61
M = 128
70.58992958 0.09445190
68.62421608 0.10349731
67.66701698 0.10701294
66.95196629 0.10685425
66.32718945 0.10596924
66.01315498 0.10471191
65.89422417 0.10288086
65.92644215 0.10182495
65.95577812 0.10096436
65.97698021 0.10094604
65.67919827 0.09865112
64.61514568 0.09845581
71.76589394 0.10496826
0.58900996
0.59379058
0.59506081
0.59298926
0.58953845
0.58593906
0.58097354
0.57812308
0.57576437
0.57451694
0.56927420
0.56604486
0.59452277
BW
Minimax
T2
0.60559357
0.62201631
0.62855407
0.61952704
0.60979204
0.59045212
0.60560235
0.61192546
0.61824023
0.62307031
0.60685586
0.62821502
0.60670943
Apndice B Tablas de los coeficientes de transicin para el diseo de filtros FIR de fase lineal 935
BW
1
2
3
4
5
6
1
2
3
4
6
8
10
12
14
1
2
3
4
5
6
10
14
18
22
26
30
1
2
3
4
5
7
10
18
26
34
42
50
58
62
Minimax
M = 16
51.60668707
47.48000240
45.19746828
44.32862616
45.68347692
56.63700199
M = 32
52.64991188
49.39390278
47.72596645
46.68811989
45.33436489
44.30730963
43.11168003
42.97900438
56.32780266
M = 64
52.90375662
49.74046421
48.38088989
47.47863007
46.88655186
46.46230555
45.46141434
44.85988188
44.34302616
43.69835377
42.45641375
56.25024033
M = 128
52.96778202
49.82771969
48.51341629
47.67455149
47.11462021
46.43420267
45.88529110
45.21660566
44.87959814
44.61497784
44.32706451
43.87646437
42.30969715
56.23294735
T1
0.26674805
0.32149048
0.34810181
0.36308594
0.36661987
0.34327393
0.26073609
0.30878296
0.32984619
0.34217529
0.35704956
0.36750488
0.37810669
0.38465576
0.35030518
0.25923462
0.30603638
0.32510986
0.33595581
0.34287720
0.34774170
0.35859375
0.36470337
0.36983643
0.37586059
0.38624268
0.35200195
0.25885620
0.30534668
0.32404785
0.33443604
0.34100952
0.34880371
0.35493774
0.36182251
0.36521607
0.36784058
0.37066040
0.37500000
0.38807373
0.35241699
BW
Minimax
1
2
3
4
5
77.26126766
73.81026745
73.02352142
77.95156193
105.23953247
1
2
3
5
7
9
11
13
80.49464130
73.92513466
72.40863037
70.95047379
70.22383976
69.94402790
70.82423878
104.85642624
1
2
3
4
5
9
13
17
21
25
29
80.80974960
75.11772251
72.66662025
71.85610867
71.34401417
70.32861614
69.34809303
68.06440258
67.99149132
69.32065105
105.72862339
1
2
3
4
6
9
17
25
33
41
49
57
61
80.89347839
77.22580583
73.43786240
71.93675232
71.10850430
70.53600121
69.95890045
69.29977322
68.75139713
67.89687920
66.76120186
69.21525860
104.57432938
T1
M = 16
0.05309448
0.07175293
0.07862549
0.07042847
0.04587402
M = 32
0.04725342
0.07094727
0.08012695
0.08935547
0.09403687
0.09628906
0.09323731
0.04882812
M = 64
0.04658203
0.06759644
0.07886963
0.08393555
0.08721924
0.09371948
0.09761963
0.10051880
0.10289307
0.10068359
0.04923706
M = 128
0.04639893
0.06295776
0.07648926
0.08345947
0.08880615
0.09255371
0.09628906
0.09834595
0.10077515
0.10183716
0.10264282
0.10157471
0.04970703
T2
0.41784180
0.49369211
0.51966134
0.51158076
0.46967784
0.40357383
0.49129255
0.52153983
0.54805908
0.56031410
0.56637987
0.56226952
0.48479068
0.40168723
0.48390015
0.51850058
0.53379876
0.54311474
0.56020256
0.56903714
0.57543691
0.58007699
0.57729656
0.48767025
0.40117195
0.47399521
0.51361278
0.53266251
0.54769675
0.55752959
0.56676912
0.57137301
0.57594641
0.57863142
0.58123560
0.57946395
0.48900685
Referencias y
bibliografa
Ackaike, H. 1969. Power Spectrum Estimation Through Autoregression Model Fitting, Ann. Inst. Stat. Math.,
Vol. 21, pgs. 407149.
Ackaike, H. 1974. A New Look at the Statistical Model Identification, IEEE Trans. Automatic Control,
Vol. AC-19, pgs. 716723, diciembre.
Acndersen, N. O. 1978. Comments on the Performance of Maximum Entropy Algorithm, Proc. IEEE, Vol. 66,
pgs. 15811582, noviembre.
Acntoniou, A. 1979. Digital Filters: Analysis and Design, McGraw-Hill, Nueva York.
Acuer, E. 1987. A Digital Filter Structure Free of Limit Cycles, Proc. 1987 ICASSP, pgs. 21.11.121.11.4,
Dallas, TX, abril.
Acvenhaus, E., y Scchuessler, H. W. 1970. On the Approximation Problem in the Design of Digital Filters
with Limited Wordlength, Arch. Elek. Ubertragung, Vol. 24, pgs. 571572.
Bcaggeroer, A. B. 1976. Confidence Intervals for Regression (MEM) Spectral Estimates, IEEE Trans. Information Theory, Vol. IT-22, pgs. 534545, septiembre.
Bcandler, J. W. y Bcardakjian, B. J. 1973. Least pth Optimization of Recursive Digital Filters, IEEE Trans.
Audio and Electroacoustics, Vol. AU-21, pgs. 460470, octubre.
Bcarnes, C. W. y Fcam, A. T. 1977. Minimum Norm Recursive Digital Filters That Are Free of Overflow
Limit Cycles, IEEE Trans. Circuits and Systems, Vol. CAS-24, pgs. 569574, octubre.
Bcartlett, M. S. 1948. Smoothing Periodograms from Time Series with Continuous Spectra, Nature (Londres),
Vol. 161, pgs. 686687, mayo.
Bcartlett, M. S. 1961. Stochastic Processes, Cambridge University Press, Cambridge, UK.
Bceckman, F. S. 1960 The Solution of Linear Equations by the conjugate Gradient Method in Mathematical
Methods for Digital Computers, A. Ralston and H.S. Wilf, eds., Wiley, Nueva York
Bcergland, G. D. 1969. A Guided Tour of the Fast Fourier Transform, IEEE Spectrum, Vol. 6, pgs. 4152,
julio.
Bcerk, K. N. 1974. Consistent Autoregressive Spectral Estimates, Ann. Stat., Vol. 2, pgs. 489502.
Bcernhardt, P. A., Acntoniadis, D. A. y Dca Rcosa, A. V. 1976. Lunar Perturbations in Columnar Electron
Content and Their Interpretation in Terms of Dynamo Electrostatic Fields, J. Geophys. Res., Vol. 81,
pgs. 59575963, diciembre.
Bcerryman, J. G. 1978. Choice of Operator Length for Maximum Entropy Spectral Analysis, Geophysics,
Vol. 43, pgs. 13841391, diciembre.
Bcierman, G. J. 1977. Factorization Methods for Discrete Sequential Estimation, Academic, Nueva York.
Bclackman, R. B. y Tcukey, J. W. 1958. The Measurement of Power Spectra, Dover, Nueva York.
Bclahut, R. E. 1985. Fast Algorithms for Digital Signal Processing, Addison-Wesley, Reading, MA.
Bcluestein, L. I. 1970. A Linear Filtering Approach to the Computation of the Discrete Fourier Transform,
IEEE Trans. Audio and Electroacoustics, Vol. AU-18, pgs. 451455, diciembre.
Bcolt, B. A. 1988. Earthquakes, W. H. Freeman and Co., Nueva York.
Bcomar, B. W. 1985. New Second-Order State-Space Structures for Realizing Low Roundoff Noise Digital
Filters, IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-33, pgs. 106110, febrero.
Bcracewell, R. N. 1978. The Fourier Transform and Its Applications, 2d ed., McGraw-Hill, Nueva York.
Bcrigham, E. O. 1988. The Fast Fourier Transform and Its Applications, Prentice Hall, Upper Saddle River,
NJ.
Bcrigham, E. O.y Mcorrow, R. E. 1967. The Fast Fourier Transform, IEEE Spectrum, Vol. 4, pgs. 6370,
diciembre.
Bcrillinger, D. R. 1974. Fourier Analysis of Stationary Processes, Proc. IEEE, Vol. 62, pgs. 16281643,
diciembre.
Bcrophy, F. y Scalazar, A. C. 1973. Considerations of the Pad Approximant Technique in the Synthesis of
Recursive Digital Filters, IEEE Trans. Audio and Electroacoustics, Vol. AU-21, pgs. 500505, diciembre.
Bcrown, J. L., Jcr., 1980. First-Order Sampling of Bandpass SignalsA New Approach, IEEE Trans.
Information Theory, Vol. IT-26, pgs. 613615, septiembre.
Bcrown, R. C. 1983. Introduction to Random Signal Analysis and Kalman Filtering, Wiley, Nueva York.
Bcrubaker, T. A. y Gcowdy, J. N. 1972. Limit Cycles in Digital Filters, IEEE Trans. Automatic Control,
Vol. AC-17, pgs. 675677, octubre.
Bcruzzone, S. P. y Kcaveh, M. 1980. On Some Suboptimum ARMA Spectral Estimators, IEEE Trans.
Acoustics, Speech, and Signal Processing, Vol. ASSP-28, pgs. 753755, diciembre.
Bcurg, J. P. 1967. Maximum Entropy Spectral Analysis, Proc. 37th Meeting of the Society of Exploration
Geophysicists, Oklahoma City, OK, octubre. Reimpreso en Modern Spectrum Analysis, D. G. Childers,
ed., IEEE Press, Neuva York.
Bcurg, J. P. 1968. A New Analysis Technique for Time Series Data, NATO Advanced Study Institute on Signal
Processing with Emphasis on Underwater Acoustics, agosto 1223. Reimpreso en Modern Spectrum
Analysis, D. G. Childers, ed., IEEE Press, Nueva York.
Bcurg, J. P. 1972. The Relationship Between Maximum Entropy and Maximum Likelihood Spectra, Geophysics, Vol. 37, pgs. 375376, abril.
Bcurg, J. P. 1975. Maximum Entropy Spectral Analysis, Ph.D. dissertation, Department of Geophysics,
Stanford University, Stanford, CA, mayo.
Bcurrus, C. S. y Pcarks, T. W. 1970. TimeDomain Design of Recursive Digital Filters, IEEE Trans. Audio
and Electroacoustics, Vol. 18, pgs. 137141, junio.
Bcurrus, C. S. y Pcarks, T. W. 1985. DFT/FFT and Convolution Algorithms, Wiley, Nueva York.
Bcutterweck, H. J., cvan Mceer, A. C. P.y Vcerkroost, G. 1984. New Second-Order Digital Filter Sections
Without Limit Cycles, IEEE Trans. Circuits and Systems, Vol. CAS-31, pgs. 141146, febrero.
Ccadzow, J. A. 1979. ARMA Spectral Estimation: An Efficient Closed-Form Procedure, Proc. RADC Spectrum Estimation Workshop, pgs. 8197, Rome, NY, octubre.
Ccadzow, J. A. 1981. AutoregressiveMoving Average Spectral Estimation: A Model Equation Error Procedure, IEEE Trans. Geoscience Remote Sensing, Vol. GE-19, pgs. 2428, enero.
Ccadzow, J. A. 1982. Spectral Estimation: An Overdetermined Rational Model Equation Approach, Proc.
IEEE, Vol. 70, pgs. 907938, septiembre.
Ccandy, J. C. 1986. Decimation for Sigma Delta Modulation, IEEE Trans. Communications, Vol. COM-34,
pgs. 7276, enero.
Ccandy, J. C., Wcooley, B. A. y Bcenjamin, D. J. 1981. A Voiceband Codec with Digital Filtering, IEEE
Trans. Communications, Vol. COM-29, pgs. 815830, junio.
Ccapon, J. 1969. High-Resolution FrequencyWavenumber Spectrum Analysis, Proc. IEEE, Vol. 57, pgs. 1408
1418, agosto.
Ccapon, J. 1983. Maximum-Likelihood Spectral Estimation, en Nonlinear Methods of Spectral Analysis, 2d
ed., S. Haykin, ed., Springer-Verlag, Nueva York.
Ccapon, J. y Gcoodman, N. R. 1971. Probability Distribution for Estimators of the Frequency-Wavenumber
Spectrum, Proc. IEEE, Vol. 58, pgs. 17851786, octubre.
Ccaraiscos, C. y Lciu, B. 1984. A Roundoff Error Analysis of the LMS Adaptive Algorithm, IEEE Trans.
Acoustics, Speech, and Signal Processing, Vol. ASSP-32, pgs. 3441, enero.
Ccarayannis, G., Mcanolakis, D. G. y Kcalouptsidis, N. 1983. A Fast Sequential Algorithm for LeastSquares Filtering and Prediction, IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-31,
pgs. 13941402, diciembre.
Ccarayannis, G., Mcanolakis, D. G. y Kcalouptsidis, N. 1986. A Unified View of Parametric Processing
Algorithms for Prewindowed Signals, Signal Processing, Vol. 10, pgs. 335368, junio.
Ccarlson, N. A. y Cculmone, A. F. 1979. Efficient Algorithms for On-Board Array Processing, Record 1979
International Conference on Communications, pgs. 58.1.158.1.5, Boston, 1014 junio .
Cchan, D. S. K. y Rcabiner, L. R. 1973a. Theory of Roundoff Noise in Cascade Realizations of Finite Impulse
Response Digital Filters, Bell Syst. Tech. J., Vol. 52, pgs. 329345, marzo.
Cchan, D. S. K. y Rcabiner, L. R. 1973b. An Algorithm for Minimizing Roundoff Noise in Cascade Realizations of Finite Impulse Response Digital Filters, Bell Sys. Tech. J., Vol. 52, pgs. 347385, marzo.
Cchan, D. S. K. y Rcabiner, L. R. 1973c. Analysis of Quantization Errors in the Direct Form for Finite Impulse
Response Digital Filters, IEEE Trans. Audio and Electroacoustics, Vol. AU-21, pgs. 354366, agosto.
Cchang, T. 1981. Suppression of Limit Cycles in Digital Filters Designed with One Magnitude-Truncation
Quantizer, IEEE Trans. Circuits and Systems, Vol. CAS-28, pgs. 107111, febrero.
Cchen, C. T. 1970. Introduction to Linear System Theory, Holt, Rinehart and Winston, Nueva York.
Cchen, W. Y. y Sctegen, G. R. 1974. Experiments with Maximum Entropy Power Spectra of Sinusoids,
J. Geophys. Res., Vol. 79, pgs. 30193022, julio.
Cchilders, D. G., ed. 1978. Modern Spectrum Analysis, IEEE Press, Nueva York.
Cchow, J. C. 1972a. On the Estimation of the Order of a Moving-Average Process, IEEE Trans. Automatic
Control, Vol. AC-17, pgs. 386387, junio.
Cchow, J. C. 1972b. On Estimating the Orders of an Autoregressive-Moving Average Process with Uncertain
Observations, IEEE Trans. Automatic Control, Vol. AC-17, pgs. 707709, octubre.
Cchow, Y. y Ccassignol, E. 1962. Linear Signal Flow Graphs and Applications, Wiley, Nueva York.
Cchui, C. K. y Cchen, G. 1987. Kalman Filtering, Springer-Verlag, Nueva York.
Ccioffi, J. M. 1987, Limited Precision Effects in Adaptive Filtering, IEEE Trans. Circuits and Systems,
Vol. CAS-34, pgs. 821833, julio.
Ccioffi, J. M. y Kcailath, T. 1984. Fast Recursive-Least-Squares Transversal Filters for Adaptive Filtering,
IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-32, pgs. 304337, abril.
Ccioffi, J. M. y Kcailath, T. 1985. Windowed Fast Transversal Filters Adaptive Algorithms with Normalization, IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-33, pgs. 607625, junio.
Cclaasen, T. A. C. M., Mcecklenbrauker, W. F. G. y Pceek, J. B. H. 1973. Second-Order Digital Filter with
Only One Magnitude-Truncation Quantizer and Having Practically No Limit Cycles, Electron. Lett.,
Vol. 9, noviembre.
Cclarke, R. J. 1985. Transform Coding of Images. Academic Press, Londres, Inglaterra.
Ccochran, W. T., Ccooley, J. W., Fcavin, D. L., Hcelms, H. D., Kcaenel, R. A., Lcang, W. W., Mcaling, G. C.,
Ncelson, D. E., Rcader, C. E. y Wcelch, P. D. 1967. What Is the Fast Fourier Transform, IEEE Trans.
Audio and Electroacoustics, Vol. AU-15, pgs. 4555, junio.
Cconstantinides, A. G. 1967. Frequency Transformations for Digital Filters, Electron. Lett., Vol. 3, pgs. 487
489, noviembre.
Cconstantinides, A. G. 1968. Frequency Transformations for Digital Filters, Electron. Lett., Vol. 4, pgs. 115
116, abril.
Cconstantinides, A. G. 1970. Spectral Transformations for Digital Filters, Proc. IEEE, Vol. 117, pgs. 1585
1590, agosto.
Ccooley, J. W. y Tcukey, J. W. 1965. An Algorithm for the Machine Computation of Complex Fourier Series,
Math. Comp., Vol. 19, pgs. 297301, abril.
Ccooley, J. W., Lcewis, P. y Wcelch, P. D. 1967. Historical Notes on the Fast Fourier Transform, IEEE Trans.
Audio and Electroacoustics, Vol. AU-15, pgs. 7679, junio.
Ccooley, J. W., Lcewis, P. y Wcelch, P. D. 1969. The Fast Fourier Transform and Its Applications, IEEE
Trans. Education, Vol. E-12, pgs. 2734, marzo.
Ccoulson, A. 1995. A Generalization of Nonuniform Bandpass Sampling. IEEE Trans. on Signal Processing,
Vol. 43(3), pgs. 694704, marzo.
Ccoulson, A., Vcaugham, R. y Pcouletti, M, 1994. Frequency Shifting Using Bandpass Sampling. IEEE
Trans. on Signal Processing, Vol 42(6), pgs. 15561559, junio.
Ccrochiere, R. E. 1977. On the Design of Sub-Band Coders for Low Bit Rate Speech Communication, Bell
Syst. Tech. J., Vol. 56, pgs. 747711, mayojunio.
Ccrochiere, R. E. 1981. Sub-Band Coding, Bell Syst. Tech. J., Vol. 60, pgs. 16331654, septiembre.
Ccrochiere, R. E. y Rcabiner, L. R. 1975. Optimum FIR Digital Filter Implementations for Decimation, Interpolation, and Narrowband Filtering, IEEE Trans. Acoustics, Speech and Signal Processing, Vol. ASSP-23,
pgs. 444456, octubre.
Ccrochiere, R. E. y Rcabiner, L. R. 1976. Further Considerations in the Design of Decimators and Interpolators, IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-24, pgs. 296311, agosto.
Ccrochiere, R. E. y Rcabiner, L. R. 1981. Interpolation and Decimation of Digital SignalsA Tutorial
Review, Proc. IEEE, Vol. 69, pgs. 300331, marzo.
Ccrochiere, R. E. y Rcabiner, L. R. 1983. Multirate Digital Signal Processing, Prentice Hall, Upper Saddle
River, NJ.
Dcaniels, R. W. 1974. Approximation Methods for the Design of Passive, Active and Digital Filters, McGrawHill, Nueva York.
Dcavenport, W. B., Jcr. 1970. Probability and Random Processes: An Introduction for Applied Scientists and
Engineers, McGraw-Hill, Nueva York.
Dcavis, H. F. 1963. Fourier Series and Orthogonal Functions, Allyn and Bacon, Boston.
Dceczky, A. G. 1972. Synthesis of Recursive Digital Filters Using the Minimum p-Error Criterion, IEEE
Trans. Audio and Electroacoustics, Vol. AU-20, pgs. 257263, octubre.
Dceller, J. R. Jr., Hcansen, J. H. L. y Pcroakis, J. G. 2000. Discrete-Time Processing of Speech Signals, Wiley,
Nueva York.
Dcelsarte, P. y Gcenin, Y. 1986. The Split Levinson Algorithm, IEEE Trans. Acoustics, Speech, and Signal
Processing, Vol. ASSP-34, pgs. 470478, junio.
Dcelsarte, P., Gcenin, Y. y Kcamp, Y. 1978. Orthogonal Polynomial Matrices on the Unit Circle, IEEE Trans.
Circuits and Systems, Vol. CAS-25, pgs. 149160. enero.
DceRcusso, P. M., Rcoy, R. J. y Cclose, C. M. 1965. State Variables for Engineers, Wiley, Nueva York.
Dcuhamel, P. 1986. Implementation of Split-Radix FFT Algorithms for Complex, Real, and Real-Symmetric
Data, IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-34, pgs. 285295, abril.
Dcuhamel, P. y Hcollmann, H. 1984. Split-Radix FFT Algorithm, Electron. Lett., Vol. 20, pgs. 1416, enero.
Dcurbin, J. 1959. Efficient Estimation of Parameters in Moving-Average Models, Biometrika, Vol. 46,
pgs. 306316.
Dcwight, H. B. 1957. Tables of Integrals and Other Mathematical Data, 3d ed., Macmillan, Nueva York.
Dcym, H. y MccKcean, H. P. 1972. Fourier Series and Integrals, Academic, Nueva York.
Ecbert, P. M., Mcazo, J. E. y Tcaylor, M. G. 1969. Overflow Oscillations in Digital Filters, Bell Syst. Tech.
J., Vol. 48, pgs. 29993020, noviembre.
Ecleftheriou, E. y Fcalconer, D. D. 1987. Adaptive Equalization Techniques for HF Channels, IEEE J. Selected Areas in Communications, Vol. SAC-5, pgs. 238247, febrero.
Eclup, L., Gcardner, F. M. y Hcarris F. A., 1993 Interpolation in digital Modems, Part II: Fundamentals and
performance. IEEE trans. on Communications, Vol, 41(6), pgs. 9981008, junio.
Fcalconer, D. D. y Lcjung, L. 1978. Application of Fast Kalman Estimation to Adaptive Equalization, IEEE
Trans. Communications, Vol. COM-26, pgs. 14391446, octubre.
Fcam, A. T. y Bcarnes, C. W. 1979. Non-minimal Realizations of Fixed-Point Digital Filters That Are Free of
All Finite Wordlength Limit Cycles, IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP27, pgs. 149153, abril.
Fcarrow, C. W. 1998. A Continiously Variable Digital Delay Element. Proc. IEEE Intern. Symposium on
Circuits and Systems, pgs. 26412645.
Fcettweis, A. 1971. Some Principles of Designing Digital Filters Imitating Classical Filter Structures, IEEE
Trans. Circuit Theory, Vol. CT-18, pgs. 314316, marzo.
Fcletcher, R. y Pcowell, M. J. D. 1963. A Rapidly Convergent Descent Method for Minimization, Comput.
J., Vol. 6, pgs. 163168.
Fcougere, P. F., Zcawalick, E. J. y Rcadoski, H. R. 1976. Spontaneous Line Splitting in Maximum Entropy
Power Spectrum Analysis, Phys. Earth Planet. Inter., Vol. 12, 201207, agosto.
Fcrerking, M. E. 1994. Digital Signal Processing in Communication Systems, Kluwer Academic Publishers,
Boston.
Fcriedlander, B. 1982a. Lattice Filters for Adaptive Processing, Proc. IEEE, Vol. 70, pgs. 829867, agosto.
Fcriedlander, B. 1982b. Lattice Methods for Spectral Estimation, Proc. IEEE, Vol. 70, pgs. 9901017,
septiembre.
Fcuchs, J. J. 1988. Estimating the Number of Sinusoids in Additive White Noise, IEEE Trans. Acoustics,
Speech, and Signal Processing, Vol. ASSP-36, pgs. 18461853, diciembre.
Gcantmacher, F. R. 1960. The Theory of Matrices, Vol. I., Chelsea, Nueva York.
Gcardner, F. M. 1993. Interpolation in Digital Modems, Part I: Fundamentals. IEEE Trans. on Communications, Vol. 41(3), pgs. 502508, marzo.
Gcardner, W. A. 1984. Learning Characteristics of Stochastic-Gradient-Descent Algorithms: A General Study,
Analysis and Critique, Signal Processing, Vol. 6, pgs. 113133, abril.
Gcardner, W. A. 1987. Statistical Spectral Analysis: A Nonprobabilistic Theory, Prentice Hall, Upper Saddle
River, NJ.
Gcarlan, C. y Ecsteban, D. 1980. 16 Kbps Real-Time QMF Sub-Band Coding Implementation, Proc. 1980
International Conference on Acoustics, Speech, and Signal Processing, pgs. 332335, abril.
Gceorge, D. A., Bcowen, R. R. y Sctorey, J. R. 1971. An Adaptive Decision-Feedback Equalizer, IEEE
Trans. Communication Technology, Vol. COM-19, pgs. 281293, junio.
Gceronimus, L. Y. 1958. Orthogonal Polynomials (en ruso) (traducido al ingls por Consultants Bureau, Nueva
York, 1961).
Gcersch, W. y Scharpe, D. R. 1973. Estimation of Power Spectra with Finite-Order Autoregressive Models,
IEEE Trans. Automatic Control, Vol. AC-18, pgs. 367369, agosto.
Gcersho, A. 1969. Adaptive Equalization of Highly Dispersive Channels for Data Transmission, Bell Syst.
Tech. J., Vol. 48, pgs. 5570, enero.
Gcibbs, A. J. 1969. An Introduction to Digital Filters, Aust. Telecommun. Res., Vol. 3, pgs. 314, noviembre.
Gcibbs, A. J. 1970. The Design of Digital Filters, Aust. Telecommun. Res., Vol. 4, pgs. 2934, mayo.
Gcitlin, R. D. y Wceinstein, S. B. 1979. On the Required Tap-Weight Precision for Digitally Implemented
Mean-Squared Equalizers, Bell Syst. Tech. J., Vol. 58, pgs. 301321, febrero.
Gcitlin, R. D., Mceadors, H. C. y Wceinstein, S. B. 1982. The Tap-Leakage Algorithm: An Algorithm for the
Stable Operation of a Digitally Implemented Fractionally Spaced, Adaptive Equalizer, Bell Syst. Tech.
J., Vol. 61, pgs. 18171839, octubre.
Gcoertzel, G. 1968. An Algorithm for the Evaluation of Finite Trigonometric Series, Am. Math. Monthly,
Vol. 65, pgs. 3435, enero.
Gcohberg, I., ed. 1986. I. Schr Methods in Operator Theory and Signal Processing, Birkhauser Verlag,
Stuttgart, Alemania.
Gcold, B. y Jcordan, K. L., Jcr. 1986. A Note on Digital Filter Synthesis, Proc. IEEE, Vol. 56, pgs. 1717
1718, octubre.
Gcold, B. y Jcordan, K. L., Jcr. 1969. A Direct Search Procedure for Designing Finite Duration Impulse
Response Filters, IEEE Trans. Audio and Electroacoustics, Vol. AU-17, pgs. 3336, marzo.
Gcold, B. y Rcader, C. M. 1966. Effects of Quantization Noise in Digital Filters. Proc. AFIPS 1966 Spring
Joint Computer Conference, Vol. 28, pgs. 213219.
Gcold, B. y Rcader, C. M. 1969. Digital Processing of Signals, McGraw-Hill, Nueva York.
Gcolden, R. M. y Kcaiser, J. F. 1964. Design of Wideband Sampled Data Filters, Bell Syst. Tech. J., Vol. 43,
pgs. 15331546, julio.
Gcood, I. J. 1971. The Relationship Between Two Fast Fourier Transforms, IEEE Trans. Computers, Vol. C20, pgs. 310317.
Gcorski-Pcopiel, J., ed. 1975. Frequency Synthesis: Techniques and Applications, IEEE Press, Nueva York.
Gcoyal, V. 2001. Theoretical Foundations of Transform Coding. IEEE Signal Processing Magazine, pp 9-21,
septiembre.
Gcrace, O. D. y Pcitt, S. P. 1969. Sampling and Interpolation of Bandlimited Signals by Quadrature Methods.
J. Acoust. Soc. Amer., Vol. 48(6), pgs. 13111318, noviembre.
Gcraupe, D., Kcrause, D. J. y Mcoore, J. B. 1975. Identification of AutoregressiveMoving Average Parameters of Time Series, IEEE Trans. Automatic Control, Vol. AC-20, pgs. 104107, febrero.
Gcray, A. H. y Mcarkel, J. D. 1973. Digital Lattice and Ladder Filter Synthesis, IEEE Trans. Acoustics,
Speech, and Signal Processing, Vol. ASSP-21, pgs. 491500, diciembre.
Gcray, A. H. y Mcarkel, J. D. 1976. A Computer Program for Designing Digital Elliptic Filters, IEEE Trans.
Acoustics, Speech, and Signal Processing, Vol. ASSP-24, pgs. 529538, diciembre.
Hcsu, F. M. 1982. Square-Root Kalman Filtering for High-Speed Data Received Over Fading Dispersive HF
Channels, IEEE Trans. Information Theory, Vol. IT-28, pgs. 753763, septiembre.
Hcsu, F. M. y Gciordano, A. A. 1978. Digital Whitening Techniques for Improving Spread Spectrum Communications Performance in the Presence of Narrowband Jamming and Interference, IEEE Trans. Communications, Vol. COM-26, pgs. 209216, febrero.
Hcwang, S. Y. 1977. Minimum Uncorrelated Unit Noise in State Space Digital Filtering, IEEE Trans.
Acoustics, Speech, and Signal Processing, Vol. ASSP-25, pgs. 273281, agosto.
Icncinbono, B.1978. Adaptive Signal Processing for Detection and Communication, en communication
Systems and Random Process Theory, J.K. Skwirzynski, ed., Sijthoff en Noordhoff, Alphen aan den Rijn,
Pases Bajos.
Jcayant, N. S. y Ncoll, P. 1984. Digital Coding of waveforms, Prentice Hall, Upper Saddle River, NJ.
Jcackson, L. B. 1969. An Analysis of Limit Cycles Due to Multiplication Rounding in Recursive Digital (Sub)
Filters, Proc. 7th Annual Allerton Conference on Circuit and System Theory, pgs. 6978.
Jcackson, L. B. 1970a. On the Interaction of Roundoff Noise and Dynamic Range in Digital Filters, Bell
Syst. Tech. J., Vol. 49, pgs. 159184, febrero.
Jcackson, L. B. 1970b. Roundoff Noise Analysis for Fixed-Point Digital Filters Realized in Cascade or Parallel
Form, IEEE Trans. Audio and Electroacoustics, Vol. AU-18, pgs. 107122, junio.
Jcackson, L. B. 1976. Roundoff Noise Bounds Derived from Coefficients Sensitivities in Digital Filters,
IEEE Trans. Circuits and Systems, Vol. CAS-23, pgs. 481485, agosto.
Jcackson, L. B. 1979. Limit Cycles on State-Space Structures for Digital Filters, IEEE Trans. Circuits and
Systems, Vol. CAS-26, pgs. 6768, enero.
Jcackson, L. B., Lcindgren, A. G. y Kcim, Y. 1979. Optimal Synthesis of Second-Order State-Space Structures
for Digital Filters, IEEE Trans. Circuits and Systems, Vol. CAS-26, pgs. 149153, marzo.
Jcackson, M. y Mcatthewson, P. 1986. Digital Processing of Bandpass Signals. GEC Journal of Research,
Vol. 4(1), pgs. 3241.
Jcahnke, E. y Ecmde, F. 1945. Tables of Functions, 4 ed., Dover, Nueva York.
Jcain, V. K. y Ccrochiere, R. E. 1984. Quadrature Mirror Filter Design in the Time Domain, IEEE Trans.
Acoustics, Speech, and Signal Processing, Vol. ASSP-32, pgs. 353361, abril.
Jcang, Y. y Ycang, S. 2001. Recursive Cascaded Integrator-Comb Decimation Filters with Integer Multiple
factors, 44th IEEE Midwest Symposium on circuits and Systems, Daytona, OH, agosto.
Jcenkins, G. M. y Wcatts, D. G. 1968. Spectral Analysis and Its Applications, Holden-Day, San Francisco.
Jcohnson, D. H. 1982. The Application of Spectral Estimation Methods to Bearing Estimation Problems,
Proc. IEEE, Vol. 70, pgs. 10181028, septiembre.
Jcohnston, J. D. 1980. A Filter Family Designed for Use in Quadrature Mirror Filter Banks, IEEE International Conference on Acoustics, Speech, and Signal Processing, pgs. 291294, abril.
Jcones, R. H. 1976. Autoregression Order Selection, Geophysics, Vol. 41, pgs. 771773, agosto.
Jcones, S. K., Ccavin, R. K. y Rceed, W. M. 1982. Analysis of Error-Gradient Adaptive Linear Equalizers for
a Class of Stationary-Dependent Processes, IEEE Trans. Information Theory, Vol. IT-28, pgs. 318329,
marzo.
Jcury, E. I. 1964. Theory and Applications of the z-Transform Method, Wiley, Nueva York.
Kcailath, T. 1974. A View of Three Decades of Linear Filter Theory, IEEE Trans. Information Theory,
Vol. IT-20, pgs. 146181, marzo.
Kcailath, T. 1981. Lectures on Wiener and Kalman Filtering, 2d printing, Springer-Verlag, Nueva York.
Kcailath, T. 1985. Linear Estimation for Stationary and Near-Stationary Processes, en Modern Signal Processing, T. Kailath, ed., Hemisphere Publishing Corp., Washington, DC.
Kcailath, T. 1986. A Theorem of I. Schr and Its Impact on Modern Signal Processing, en Gohberg 1986.
Kcailath, T., Vcieira, A. C. G, and Mcorf, M. 1978. Inverses of Toeplitz Operators, Innovations, and Orthogonal
Polynomials, SIAM Rev., Vol. 20, pgs. 10061019.
Kcaiser, J. F. 1963. Design Methods for Sampled Data Filters, Proc. First Allerton Conference on Circuit
System Theory, pgs. 221236, noviembre.
Kcaiser, J. F. 1966. Digital Filters, in System Analysis by Digital Computer, F. F. Kuo y J. F. Kaiser, eds.,
Wiley, Nueva York.
Kcalouptsidis, N. y Tcheodoridis, S. 1987. Fast Adaptive Least-Squares Algorithms for Power Spectral
Estimation, IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-35, pgs. 661670, mayo.
Kcalman, R. E. 1960. A New Approach to Linear Filtering and Prediction Problems, Trans. ASME, J. Basic
Eng., Vol. 82D, pgs. 3545, marzo.
Kcalman, R. E. y Bcucy, R. S. 1961. New Results in Linear Filtering Theory, Trans. ASME, J. Basic Eng.,
Vol. 83, pgs. 95108.
Kcashyap, R. L. 1980. Inconsistency of the AIC Rule for Estimating the Order of Autoregressive Models,
IEEE Trans. Automatic Control, Vol. AC-25, pgs. 996998, octubre.
Kcaveh, J. y Bcruzzone, S. P. 1979. Order Determination for Autoregressive Spectral Estimation, Record of
the 1979 RADC Spectral Estimation Workshop, pgs. 139145, Griffin Air Force Base, Rome, NY.
Kcaveh, M. y Lcippert, G. A. 1983. An Optimum Tapered Burg Algorithm for Linear Prediction and Spectral
Analysis, IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-31, pgs. 438444, abril.
Kcay, S. M. 1980. A New ARMA Spectral Estimator, IEEE Trans. Acoustics, Speech, and Signal Processing,
Vol. ASSP-28, pgs. 585588, octubre.
Kcay, S. M. 1988. Modern Spectral Estimation, Prentice Hall, Upper Saddle River, NJ.
Kcay, S. M. y Mcarple, S. L., Jcr. 1979. Sources of and Remedies for Spectral Line Splitting in Autoregressive
Spectrum Analysis, Proc. 1979 ICASSP, pgs. 151154.
Kcay, S. M. y Mcarple, S. L., Jcr. 1981. Spectrum Analysis: A Modern Perspective, Proc. IEEE, Vol. 69,
pgs. 13801419, noviembre.
Kcesler, S. B., ed. 1986. Modern Spectrum Analysis II, IEEE Press, Nueva York.
Kcetchum, J. W. y Pcroakis, J. G. 1982. Adaptive Algorithms for Estimating and Suppressing Narrow-Band
Interference in PN Spread-Spectrum Systems, IEEE Trans. Communications, Vol. COM-30, pgs. 913
923, mayo.
Kcnowles, J. B. y Oclcayto, E. M. 1968. Coefficient Accuracy and Digital Filter Response, IEEE Trans.
Circuit Theory, Vol. CT-15, pgs. 3141, marzo.
Kcohlenburg, A. 1953. Exact Interpolation of Bandlimited Functions. Journal of Applied Physics, Vol. 24(12),
pgs. 14321436, mayo.
Kcrishna, H. 1988. New Split Levinson, Schr, and Lattice Algorithms for Digital Signal Processing, Proc.
1988 International Conference on Acoustics, Speech, and Signal Processing, pgs. 16401642, Nueva
York, abril.
Kcromer, R. E. 1969. Asymptotic Properties of the Autoregressive Spectral Estimator, Ph.D. dissertation,
Department of Statistics, Stanford University, Stanford, CA.
Kcung, H. T. 1982. Why Systolic Architectures? IEEE Computer, Vol. 15, pgs. 3746.
Kcung, S. Y. y Hcu, Y. H. 1983. A Highly Concurrent Algorithm and Pipelined Architecture for Solving
Toeplitz Systems, IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-31, pgs. 6676,
enero.
Kcung, S. Y., Wchitehouse, H. J. y Kcailath, T., eds. 1985. VLSI and Modern Signal Processing, Prentice Hall,
Upper Saddle River, NJ.
Lcaakso, T., Vcalimaki, V., Kcarjalainen, M. y Lcaine, U. 1996. Splitting the Unit Delay. IEEE Signal
Processing Magazine, No. 1, pgs. 3054, enero.
Lcacoss, R. T. 1971. Data Adaptive Spectral Analysis Methods, Geophysics, Vol. 36, pgs. 661675, agosto.
Lcang, S. W. y MccCclellan, J. H. 1980. Frequency Estimation with Maximum Entropy Spectral Estimators,
IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-28, pgs. 716724, diciembre.
Lcevinson, N. 1947. The Wiener RMS Error Criterion in Filter Design and Prediction, J. Math. Phys., Vol. 25,
pgs. 261278.
Lcevy, H. y Lcessman, F. 1961. Finite Difference Equations, Macmillan, Nueva York.
Lcin, D. W. 1984. On Digital Implementation of the Fast Kalman Algorithm, IEEE Trans. Acoustics, Speech,
and Signal Processing, Vol. ASSP-32, pgs. 9981005, octubre.
Lcinden, cd. A. 1959. A Discussion of Sampling Theorems. Proc. of the IRE, Vol. 47(11), pgs. 12191226,
noviembre.
Lcing, F. y Pcroakis, J. G. (1984a). Numerical Accuracy and Stability: Two Problems of Adaptive Estimation
Algorithms Caused by Round-Off Error, Proc. ICASSP-84, pgs. 30.3.l30.3.4, San Diego, CA, marzo.
Lcing, F. y Pcroakis, J. G. (1984b). Nonstationary Learning Characteristics of Least-Squares Adaptive Estimation Algorithms, Proc. ICASSP-84, pgs. 3.7.13.7.4, San Diego, CA, marzo.
Lcing, F., Mcanolakis, D. y Pcroakis, J. G. 1985, New Forms of LS Lattice Algorithms and Analysis of Their
Round-Off Error Characteristics, Proc. ICASSP-85, pgs. 17391742, Tampa, FL, abril.
Lcing, F., Mcanolakis, D. y Pcroakis, J. G. 1986. Numerically Robust Least-Squares Lattice-Ladder Algorithms with Direct Updating of the Reflection Coefficients, IEEE Trans. Acoustics, Speech, and Signal
Processing, Vol. ASSP-34, pgs. 837845, agosto.
Lciu, B. 1971. Effect of Finite Word Length on the Accuracy of Digital FiltersA Review, IEEE Trans.
Circuit Theory, Vol. CT-18, pgs. 670677, noviembre.
Lcjung, S. y Lcjung, L. 1985. Error Propagation Properties of Recursive Least-Squares Adaptation Algorithms, Automatica, Vol. 21, pgs. 157167.
Lcucky, R. W. 1965. Automatic Equalization for Digital Communications, Bell Syst. Tech. J., Vol. 44,
pgs. 547588, abril.
Mcagee, F. R. y Pcroakis, J. G. 1973. Adaptive Maximum-Likelihood Sequence Estimation for Digital Signaling in the Presence of Intersymbol Interference, IEEE Trans. Information Theory, Vol. IT-19, pgs. 120
124, enero.
Mcakhoul, J. 1975. Linear Prediction: A Tutorial Review, Proc. IEEE, Vol. 63, pgs. 561580, abril.
Mcakhoul, J. 1978. A Class of All-Zero Lattice Digital Filters: Properties and Applications, IEEE Trans.
Acoustics, Speech, and Signal Processing, Vol. ASSP-26, pgs. 304314, agosto.
Mcakhoul, J. 1980. A Fast Cosine Transform In One and Two Dimentions. IEEE Trans. on ASSP, Vol. 28(1),
pgs. 2734, febrero.
Mcarkel, J. D. y Gcray, A. H., Jcr. 1976. Linear Prediction of Speech, Springer-Verlag, Nueva York.
Mcanolakis, D., Lcing, F. y Pcroakis, J. G. 1987. Efficient Time-Recursive Least-Squares Algorithms for
Finite-Memory Adaptive Filtering, IEEE Trans. Circuits and Systems, Vol. CAS-34, pgs. 400408,
abril.
Mcarple, S. L., Jcr. 1980. A New Autoregressive Spectrum Analysis Algorithm, IEEE Trans. Acoustics,
Speech, and Signal Processing, Vol. ASSP-28, pgs. 441454, agosto.
Mcarple, S. L., Jcr. 1987. Digital Spectral Analysis with Applications, Prentice Hall, Upper Saddle River, NJ.
Mcartucci, S. A. 1994. Symmetric Convolution and the Discrete Sine and Cosine Transforms. IEEE Trans.
on Signal Processing, Vol. 42(5), pgs. 10381051, mayo.
Mcarzetta, T. L. 1983. A New Interpretation for Capons Maximum Likelihood Method of Frequency
Wavenumber Spectral Estimation, IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-31,
pgs. 445449, abril.
Mcarzetta, T. L. y Lcang, S. W. 1983. New Interpretations for the MLM and DASE Spectral Estimators,
Proc. 1983 ICASSP, pgs. 844846, Boston, abril.
Mcarzetta, T. L. y Lcang, S. W. 1984. Power Spectral Density Bounds, IEEE Trans. Information Theory,
Vol. IT-30, pgs. 117122, enero.
Mcason, S. J. y Zcimmerman, H. J. 1960. Electronic Circuits, Signals and Systems, Wiley, Nueva York.
Mcazo, J. E. 1979. On the Independence Theory of Equalizer Convergence, Bell Syst. Tech. J., Vol. 58,
pgs. 963993, mayo.
MccCclellan, J. H. 1982. Multidimensional Spectral Estimation, Proc. IEEE, Vol. 70, pgs. 10291039,
septiembre.
MccDconough, R. N. 1983. Application of the Maximum-Likelihood Method and the Maximum Entropy
Method to Array Processing, en Nonlinear Methods of Spectral Analysis, 2d ed., S. Haykin, ed., SpringerVerlag, Nueva York.
MccGcillem, C. D. y Ccooper, G. R. 1984. Continuous and Discrete Signal and System Analysis, 2 ed., Holt
Rinehart and Winston, Nueva York.
Mceditch, J. E. 1969. Stochastic Optimal Linear Estimation and Control, McGraw-Hill, Nueva York.
Mceyer, R.,and Bcurrus, S. 1975. A Unified Analysis of Multirate and Periodically Time-Varying Digital
Filters. IEEE Trans. on Circuits and Systems, Vol. 22(3), pgs. 162168, marzo.
Mcills, W. L., Mcullis, C. T. y Rcoberts, R. A. 1981. Low Roundoff Noise and Normal Realizations of
Fixed-Point IIR Digital Filters, IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-29,
pgs. 893903, agosto.
Mcoorer, J. A. 1977. Signal Aspects of Computer Music; A Survey, Proc. IEEE, Vol. 65, pgs. 11081137,
agosto.
Mcorf, M., Vcieira, A. y Lcee, D. T. 1977. Ladder Forms for Identification and Speech Processing, Proc.
1977 IEEE Conference Decision and Control, pgs. 10741078, Nueva Orleans, LA, diciembre.
Mcullis, C. T. y Rcoberts, R. A. 1976a. Synthesis of Minimum Roundoff Noise Fixed-Point Digital Filters,
IEEE Trans. Circuits and Systems, Vol. CAS-23, pgs. 551561, septiembre.
Mcullis, C. T. y Rcoberts, R. A. 1976b. Roundoff Noise in Digital Filters: Frequency Transformations and
Invariants, IEEE Trans. Acoustics, Speech and Signal Processing, Vol. ASSP-24, pgs. 538549, diciembre.
Mcurray, W., ed. 1972 Numerical Methods for Unconstrained Minimization, Acedemic, Nueva York.
Mcusicus, B. 1985. Fast MLM Power Spectrum Estimation from Uniformly Spaced Correlations, IEEE
Trans. Acoustics, Speech, and Signal Proc., Vol. ASSP-33, pgs. 13331335, octubre.
Ncewman, W. I. 1981. Extension to the Maximum Entropy Method III, Proc. 1st ASSP Workshop on Spectral
Estimation, pgs. 1.7.11.7.6, Hamilton, ON, agosto.
Ncichols, H. E., Gciordano, A. A. y Pcroakis, J. G. 1977. MLD and MSE Algorithms for Adaptive Detection of
Digital Signals in the Presence of Interchannel Interference, IEEE Trans. Information Theory, Vol. IT-23,
pgs. 563575, septiembre.
Ncikias, C. L. y Rcaghuveer, M. R. 1987. Bispectrum Estimation: A Digital Signal Processing Framework,
Proc. IEEE, Vol. 75, pgs. 869891, julio.
Ncikias, C. L. y Sccott, P. D. 1982. Energy-Weighted Linear Predictive Spectral Estimation: A New Method
Combining Robustness and High Resolution, IEEE Trans. Acoustics, Speech, and Signal Processing,
Vol. ASSP-30, pgs. 287292, abril.
Ncuttall, A. H. 1976. Spectral Analysis of a Univariate Process with Bad Data Points, via Maximum Entropy
and Linear Predictive Techniques, NUSC Technical Report TR-5303, New London, CT, marzo.
Ncyquist, H. 1928. Certain Topics in Telegraph Transmission Theory, Trans. AIEE, Vol. 47, pgs. 617644,
abril.
Ocppenheim, A. V. 1978. Applications of Digital Signal Processing, Prentice Hall, Upper Saddle River, NJ.
Ocppenheim, A. V. y Scchafer, R. W. 1989. Discrete-Time Signal Processing, Prentice Hall, Upper Saddle
River, NJ.
Ocppenheim, A. V. y Wceinstein, C. W. 1972. Effects of Finite Register Length in Digital Filters and the Fast
Fourier Transform, Proc. IEEE, Vol. 60, pgs. 957976. agosto.
Ocppenheim, A. V. y Wcillsky, A. S. 1983. Signals and Systems, Prentice Hall, Upper Saddle River, NJ.
Pcapoulis, A. 1962 The Fourier Integral and Its Applications, McGraw-Hill, Nueva York.
Pcapoulis, A. 1984. Probability, Random Variables, and Stochastic Processes, 2 ed., McGraw-Hill, Nueva
York.
Pcarker, S. R. y Hcess, S. F. 1971. Limit-Cycle Oscillations in Digital Filters, IEEE Trans. Circuit Theory,
Vol. CT-18, pgs. 687696, noviembre.
Pcarks, T. W. y MccCclellan, J. H. 1972a. Chebyshev-Approximation for Nonrecursive Digital Filters with
Linear Phase, IEEE Trans. Circuit Theory, Vol. CT-19, pgs. 189194, marzo.
Pcarks, T. W. y MccCclellan, J. H. 1972b. A Program for the Design of Linear Phase Finite Impulse Response
Digital Filters, IEEE Trans. Audio and Electroacoustics, Vol. AU-20, pgs. 195199, agosto.
Pcarzen, E. 1957. On Consistent Estimates of the Spectrum of a Stationary Time Series, Am. Math. Stat.,
Vol. 28, pgs. 329348.
Pcarzen, E. 1974. Some Recent Advances in Time Series Modeling, IEEE Trans. Automatic Control, Vol. AC19, pgs. 723730, diciembre.
Pceacock, K. L, and Tcreitel, S. 1969. Predictive DeconvolutionTheory and Practice, Geophysics, Vol. 34,
pgs. 155169.
Pceebles, P. Z., Jcr. 1987. Probability, Random Variables, and Random Signal Principles, 2d ed., McGraw-Hill,
Nueva York.
Pcicinbono, B. 1978. Adaptive Signal Processing for Detection and Communication, en Communication
Systems and Random Process Theory, J. K. Skwirzynski, ed., Sijthoff en Noordhoff, Alphen aan den Rijn,
Pases Bajos.
Pcisarenko, V. F. 1973. The Retrieval of Harmonics from a Convariance Function, Geophys. J. R. Astron.
Soc., Vol. 33, pgs. 347366.
Pcoole, M. A. 1981. Autoregressive Methods of Spectral Analysis, E.E. degree thesis, Department of Electrical
and Computer Engineering, Northeastern University, Boston, mayo.
Pcrice, R. 1990. Mirror FFT and Phase FFT Algorithms, unpublished work, Raytheon Research Division,
mayo.
Pcroakis, J. G. 1970. Adaptive Digital Filters for Equalization of Telephone Channels, IEEE Trans. Audio
and Electroacoustics, Vol. AU-18, pgs. 195200, junio.
Pcroakis, J. G. 1974, Channel Identification for High Speed Digital Communications, IEEE Trans. Automatic
Control, Vol. AC-19, pgs. 916922, diciembre.
Pcroakis, J. G. 1975. Advances in Equalization for Intersymbol Interference, en Advances in Communication
Systems, Vol. 4, A. J. Viterbi, ed., Academic, Nueva York.
Pcroakis, J. G. 1989. Digital Communications, 2 ed., McGraw-Hill, Nueva York.
Pcroakis, J. G. y Mciller, J. H. 1969. Adaptive Receiver for Digital Signaling through Channels with Intersymbol Interference, IEEE Trans. Information Theory, Vol. IT-15, pgs. 484497, julio.
Pcroakis, J. G., Rcader, C. M., Lcing, F., Ncikias, C. L., Mcoonen, M. and Pcroudler, I. K. 2002. Algorithms
for Statistical Signal Processing, Prentice-Hall, Upper Saddle River, NJ.
Pcroakis, J. G. 2001. Digital Communications, 4 ed., McGraw-Hill, Nueva York.
Qci, R., Ccoakley, F. y Ecvans, B. 1996. Practical Consideration for Bandpass Sampling. Electronics Letters,
Vol. 32(20), pgs. 18611862, septiembre.
Rcabiner, L. R. y Scchaefer, R. W. 1974a. On the Behavior of Minimax Relative Error FIR Digital Differentiators, Bell Syst. Tech. J., Vol. 53, pgs. 333362, febrero.
Rcabiner, L. R. y Scchafer, R. W. 1974b. On the Behavior of Minimax FIR Digital Hilbert Transformers,
Bell Syst. Tech. J., Vol. 53, pgs. 363394, febrero.
Rcabiner, L. R. y Scchafer, R. W. 1978. Digital Processing of Speech Signals, Prentice Hall, Upper Saddle
River, NJ.
Rcabiner, L. R., Scchafer, R. W. y Rcader, C. M. 1969. The Chirp z-Transform Algorithm and Its Applications,
Bell Syst. Tech. J., Vol. 48, pgs. 12491292, mayojunio.
Rcabiner, L. R., Gcold, B. y MccGconegal, C. A. 1970. An Approach to the Approximation Problem for
Nonrecursive Digital Filters, IEEE Trans. Audio and Electroacoustics, Vol. AU-18, pgs. 83106, junio.
Rcabiner, L. R., MccCclellan, J. H. y Pcarks, T. W. 1975. FIR Digital Filter Design Techniques Using Weighted
Chebyshev Approximation, Proc. IEEE, Vol. 63, pgs. 595610, abril.
Rcader, C. M. 1970. An Improved Algorithm for High-Speed Auto-correlation with Applications to Spectral
Estimation, IEEE Trans. Audio and Electroacoustics, Vol. AU-18, pgs. 439441, diciembre.
Rcader, C. M. y Bcrenner, N. M. 1976. A New Principle for Fast Fourier Transformation, IEEE Trans.
Acoustics, Speech and Signal Processing, Vol. ASSP-24, pgs. 264266, junio.
Rcader, C. M. y Gcold, B. 1967a. Digital Filter Design Techniques in the Frequency Domain, Proc. IEEE,
Vol. 55, pgs. 149171, febrero.
Rcader, C. M. y Gcold, B. 1967b. Effects of Parameter Quantization on the Poles of a Digital Filter, Proc.
IEEE, Vol. 55, pgs. 688689, mayo.
Rcamstad, T. A. 1984. Digital Methods for Conversion Between Arbitrary Sampling Frequencies, IEEE
Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-32, pgs. 577591, junio.
Rcao, K. y Hcuang, J. 1996. Techniques and Standards for Image, Video, and Audio Coding, Prentice Hall,
Upper Saddle River, NJ.
Rcao, K. R. y Ycip, P 1990. Discrete Cosine Transform, Academic Press, Boston.
Rcemez, E. Yca. 1957. General Computational Methods of Chebyshev Approximation, Atomic Energy Translation 4491, Kiev, USSR.
Rcice, D. y Wcu, K. 1982. Quatature Sampling with High Dynamic Range. IEEE Trans. Aerospace and
Electronic Systems, Vol. 18(4), pgs. 736739, noviembre.
Rcissanen, J. 1983. A Universal Prior for the Integers and Estimation by Minimum Description Length, Ann.
Stat., Vol. 11, pgs. 417431.
Rcoberts, R. A. y Mcullis, C. T. 1987. Digital Signal Processing, Addison-Wesley, Reading, MA.
Rcobinson, E. A. 1962. Random Wavelets and Cybernetic Systems, Charles Griffin, London.
Rcobinson, E. A. 1982. A Historical Perspective of Spectrum Estimation, Proc. IEEE, Vol. 70, pgs. 885907,
septiembre.
Rcobinson, E. A. y Tcreitel, S. 1978. Digital Signal Processing in Geophysics, en Applications of Digital
Signal Processing, A. V. Oppenheim, ed., Prentice Hall, Upper Saddle River, NJ.
Rcobinson, E. A. y Tcreitel, S. 1980. Geophysical Signal Analysis, Prentice Hall, Upper Saddle River, NJ.
Rcoy, R., Pcaulraj, A. y Kcailath, T. 1986. ESPRIT: A Subspace Rotation Approach to Estimation of Parameters of Cisoids in Noise, IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-34,
pgs. 13401342, octubre.
Scafranek, R. J., McacKcay, K. Jcayant, N. W. y Kcim, T. 1988. Image Coding Based on Selective Quantization
of the Reconstruction Noise in the Dominant Sub-Band, Proc. 1988 IEEE International Conference on
Acoustics, Speech, and Signal Processing, pgs. 765768, abril.
Scakai, H. 1979. Statistical Properties of AR Spectral Analysis, IEEE Trans. Acoustics, Speech, and Signal
Processing, Vol. ASSP-27, pgs. 402409, agosto.
Scandberg, I. W. y Kcaiser, J. F. 1972. A Bound on Limit Cycles in Fixed-Point Implementations of Digital
Filters, IEEE Trans. Audio and Electroacoustics, Vol. AU-20, pgs. 110112, junio.
Scatorius, E. H. y Aclexander J. T. 1978. High Resolution Spectral Analysis of Sinusoids in Correlated Noise,
Proc. 1978 ICASSP, pgs. 349351, Tulsa, OK, abril 1012.
Scayed, A. H. 2003 Adaptive Filters, Wiley, Nueva York.
Scchafer, R. W. y Rcabiner, L. R. 1973. A Digital Signal Processing Approach to Interpolation, Proc. IEEE,
Vol. 61, pgs. 692702, junio.
Sccheuermann, H. y Gcockler, H. 1981. A Comprehensive Survey of Digital Transmultiplexing Methods,
Proc. IEEE, Vol. 69, pgs. 14191450.
Scchmidt, R. D. 1981. A Signal Subspace Approach to Multiple Emitter Location and Spectral Estimation,
Ph.D. dissertation, Department of Electrical Engineering, Stanford University, Stanford, CA, noviembre.
Scchmidt, R. D. 1986. Multiple Emitter Location and Signal Parameter Estimation, IEEE Trans. Antennas
and Propagation, Vol. AP 34, pgs. 276280, marzo.
Scchott, J. P. y MccCclellan, J. H. 1984. Maximum Entropy Power Spectrum Estimation with Uncertainty
in Correlation Measurements, IEEE Trans. Acoustics, Speech, and Signal Processing, Vol. ASSP-32,
pgs. 410418, abril.
Scchur, I. 1917. On Power Series Which Are Bounded in the Interior of the Unit Circle, J. Reine Angew.
Math., Vol. 147, pgs. 205232, Berlin. For an English translation of the paper, see Gohberg 1986.
Scchuster, Scir Acrthur. 1898. On the Investigation of Hidden Periodicities with Application to a Supposed
Twenty-Six-Day Period of Meteorological Phenomena, Terr. Mag., Vol. 3, pgs. 1341, marzo.
Scedlmeyer, A. y Fcettweis, A. 1973. Digital Filters with True Ladder Configuration, Int. J. Circuit Theory
Appl., Vol. 1, pgs. 510, marzo.
Schanks, J. L. 1967. Recursion Filters for Digital Processing, Geophysics, Vol. 32, pgs. 3351, febrero.
Schannon, C. E. 1949. Communication in the Presence of Noise, Proc. IRE, pgs. 1021, enero.
Scheingold, D. H., ed. 1986. Analog-Digital Conversion Handbook, Prentice Hall, Upper Saddle River, NJ.
Sciebert, W. M. 1986. Circuits, Signals and Systems, McGraw-Hill, Nueva York.
Scingleton, R. C. 1967. A Method for Computing the Fast Fourier Transform with Auxiliary Memory and
Limit High Speed Storage, IEEE Trans. Audio and Electroacoustics, Vol. AU-15, pgs. 9198, junio.
Scingleton, R. C. 1969. An Algorithm for Computing the Mixed Radix Fast Fourier Transform, IEEE Trans.
Audio and Electroacoustics, Vol. AU-17, pgs. 93103, junio.
Sclock, D. T. M. y Kcailath, T 1988. Numerically Stable Fast Recursive Least Squares Transversal Filters,
Proc. 1988 Int. Conf. Acoustics, Speech, and Signal Processing, pgs. 13641368, Nueva York, abril.
Sclock, D. T. M. y Kcailath, T 1991. Numerically Stable Fast Transversal Filters for Recursive Least Squares
Adaptive Filtering, IEEE Trans. Signal Processing, Vol. 39, pgs. 92114, enero.
Scmith, M. J. T. y Bcarwell, T. P. 1984. A Procedure for Designing Exact Reconstruction Filter Banks for
Tree Structured Subband Coders, Proc. 1984 IEEE International Conference on Acoustics, Speech, and
Signal Processing, pgs. 27.1.127.1.4, San Diego, marzo.
Scmith, M. J. T. y Ecddins, S. L. 1988. Subband Coding of Images with Octave Band Tree Structures, Proc.
1987 IEEE International Conference on Acoustics, Speech, and Signal Processing, pgs. 13821385,
Dallas, abril.
Sctark, H, and Wcoods, J. W. 1994. Probability, Random Processes, and Estimation Theory for Engineers,
2nd Ed., Prentice Hall, Upper Saddle River, NJ.
Scteiglitz, K. 1965. The Equivalence of Digital and Analog Signal Processing, Inf. Control, Vol. 8, pgs. 455
467, octubre.
Scteiglitz, K. 1970. Computer-Aided Design of Recursive Digital Filters, IEEE Trans. Audio and Electroacoustics, Vol. AU-18, pgs. 123129, junio.
Sctockham, T. G. 1966. High Speed Convolution and Correlation, 1966 Spring Joint Computer Conference,
AFIPS Proc., Vol. 28, pgs. 229233.
Sctorer, J. E. 1957. Passive Network Synthesis, McGraw-Hill, Nueva York.
Sctrang, G. 1999. The Discrete Cosine Transform. SIAM Review, Vol. 41(1), pgs. 135137.
Scwarztrauber, P. 1986. Symmetric FFTs, Mathematics of Computation, Vol. 47, pgs. 323346, julio.
Scwingler, D. N. 1979a. A Comparison Between Burgs Maximum Entropy Method and a Nonrecursive
Technique for the Spectral Analysis of Deterministic Signals, J. Geophys. Res., Vol. 84, pgs. 679685,
febrero.
Scwingler, D. N. 1979b. A Modified Burg Algorithm for Maximum Entropy Spectral Analysis, Proc. IEEE,
Vol. 67, pgs. 13681369, septiembre.
Scwingler, D. N. 1980. Frequency Errors in MEM Processing, IEEE Trans. Acoustics, Speech, and Signal
Processing, Vol. ASSP-28, pgs. 257259, abril.
Sczego, G. 1967. Orthogonal Polynomials, 3d ed., Colloquium Publishers, No. 23, American Mathematical
Society, Providence, RI.
Tchorvaldsen, T. 1981. A Comparison of the Least-Squares Method and the Burg Method for Autoregressive
Spectral Analysis, IEEE Trans. Antennas and Propagation, Vol. AP-29, pgs. 675679, julio.
Tcong, H. 1975. Autoregressive Model Fitting with Noisy Data by Akaikes Information Criterion, IEEE
Trans. Information Theory, Vol. IT-21, pgs. 476480, julio.
Tcong, H. 1977. More on Autoregressive Model Fitting with Noise Data by Akaikes Information Criterion,
IEEE Trans. Information Theory, Vol. IT-23, pgs. 409410, mayo.
Tcretter, S. A. 1976. Introduction to Discrete-Time Signal Processing, Wiley, Nueva York.
Tcufts, D. W. y Kcumaresan, R. 1982. Estimation of Frequencies of Multiple Sinusoids: Making Linear
Prediction Perform Like Maximum Likelihood, Proc. IEEE, Vol. 70, pgs. 975989, septiembre.
Uclrych, T. J. y Bcishop, T. N. 1975. Maximum Entropy Spectral Analysis and Autoregressive Decomposition, Rev. Geophys. Space Phys., Vol. 13, pgs. 183200, febrero.
Uclrych, T. J. y Cclayton, R. W. 1976. Time Series Modeling and Maximum Entropy, Phys. Earth Planet.
Inter., Vol. 12, pgs. 188200, agosto.
Ucngerboeck, G. 1972. Theory on the Speed of Convergence in Adaptive Equalizers for Digital Communication, IBM J. Res. Devel., Vol. 16, pgs. 546555, noviembre.
Vcaidyanathan, P. P. 1990. Multirate Digital Filters, Filter Banks, Polyphase Networks, and Applications: A
Tutorial, Proc. IEEE, Vol. 78, pgs. 5693, enero.
Vcaidyanathan, P. P. 1993. Multirate Systems and Filter Banks, Prentice Hall, Upper Saddle River, NJ.
Vcaughan, R., Sccott, N. y Wchite, D. 1991. The Theory of Bandpass Sampling. IEEE Trans. on signal
Procesing, Vol. 39(9), pgs. 19731984.
Vcetterli, J. 1984. Multi-dimensional Sub-Band Coding: Some Theory and Algorithms, Signal Processing,
Vol. 6, pgs. 97112, abril.
Vcetterli, J. 1987. A Theory of Multirate Filter Banks, IEEE Trans. Acoustics, Speech, and Signal Processing,
Vol. ASSP-35, pgs. 356372, marzo.
Vcieira, A. C. G. 1977. Matrix Orthogonal Polynomials with Applications to Autoregressive Modeling and
Ladder Forms, Ph.D. dissertation, Department of Electrical Engineering, Stanford University, Stanford,
CA, diciembre.
Wcalker, G. 1931. On Periodicity in Series of Related Terms, Proc. R. Soc., Ser. A, Vol. 313, pgs. 518532.
Wcang, Z. 1984. Fast Algorithms for the Discrete W Transform for the Discrete foruier Transform. IEEE
Trans. on ASSP, Vol. 32(4), pgs. 803816, agosto.
Wcaters, W, y Jcarrett, B. 1982. Bandpass Signal Sampling and Coherent Dection. IEEE Trans. on Aerospace
and Electronic Systems, Vol. 18(4), pgs. 731736, noviembre.
Wcax, M. y Kcailath, T. 1985. Detection of Signals by Information Theoretic Criteria, IEEE Trans. Acoustics,
Speech, and Signal Processing, Vol. ASSP-32, pgs. 387392, abril.
Wceinberg, L. 1962. Network Analysis and Synthesis, McGraw-Hill, Nueva York.
Wcelch, P. D. 1967. The Use of Fast Fourier Transform for the Estimation of Power Spectra: A Method
Based on Time Averaging over Short Modified Periodograms, IEEE Trans. Audio and Electroacoustics,
Vol. AU-15, pgs. 7073, junio.
Wcidrow, B. y Hcoff, M. E., Jr. 1960. Adaptive Switching Circuits, IRE WESCON Conv. Rec., pt. 4, pgs. 96
104.
Wcidrow, B., Mcantey, P. y Gcriffiths, L. J. 1967. Adaptive Antenna Systems, Proc. IEEE, Vol. 55, pgs. 2143
2159, diciembre.
Wcidrow, B. et al. 1975. Adaptive Noise Cancelling Principles and Applications, Proc. IEEE, Vol. 63,
pgs. 16921716, diciembre.
Wcidrow, B., Mcantey, P. y Gcriffiths, L. J. 1967. Adaptive Antenna syatems. Proc. IEEE, Vol. 55, pgs. 2143
2159, diciembre.
Wciener, N. 1949. Extrapolation, Interpolation and Smoothing of Stationary Time Series with Engineering
Applications, Wiley, Nueva York.
Wciener, N. y Pcaley, R. E. A. C. 1934. Fourier Transforms in the Complex Domain, American Mathematical
Society, Providence, RI.
Wcinograd, S. 1976. On Computing the Discrete Fourier Transform, Proc. Natl. Acad. Sci., Vol. 73,
pgs. 105106.
Wcinograd, S. 1978. On Computing the Discrete Fourier Transform, Math. Comp., Vol. 32, pgs. 177199.
Wcold, H. 1938. A Study in the Analysis of Stationary Time Series, reprinted by Almqvist & Wiksell, Estocolmo,
1954.
Wcood, L. C. y Tcreitel, S. 1975. Seismic Signal Processing, Proc. IEEE, Vol. 63, pgs. 649661, abril.
Wcoods, J. W. y ONceil, S. D. 1986. Subband Coding of Images, IEEE Trans. Acoustics, Speech, and Signal
Processing, Vol. ASSP-34, pgs. 12781288, octubre.
Ycoula, D. y Kcazanjian, N. 1978. Bauer-Type Factorization of Positive Matrices and the Theory of Matrices
Orthogonal on the Unit Circle, IEEE Trans. Circuits and Systems, Vol. CAS-25, pgs. 5769, enero.
Ycule, G. U. 1927. On a Method of Investigating Periodicities in Disturbed Series with Special References
to Wolfers Sunspot Numbers, Philos. Trans. R. Soc. Londres, Ser. A, Vol. 226, pgs. 267298, julio.
Zcadeh, L. A. y Dcesoer, C. A. 1963. Linear System Theory: The State-Space Approach, McGraw-Hill, Nueva
York.
Zcverev, A. I. 1967. Handbook of Filter Synthesis, Wiley, Nueva York.
Respuestas a los
problemas
seleccionados
Captulo 1
1.1
1.3
2
5 .
(b) N = 7; k = 0 1 2 3 4 5 6 7; GCD(k, N) = 7 1 1 1 1 1 1 1 7; N p = 1 7 7 7 7 7 1.
T
(b) Si x(n) es peridica, entonces f = k/N donde N es el perodo. Luego, Td = kf T = k Tp T = kTp . Por tanto,
toma k perodos (kTp ) de la seal analgica para formar 1 perodo (Td ) de la seal discreta.
1.8
1.10
Fx
2
= 125 Hz.
10
1023 .
Captulo 2
2.7
Si el sistema fuera invariante en el tiempo, la respuesta a x3 (n) sera 3, 2, 1, 3, 1 . Pero ste no es el caso.
2.16
(b) (1) y(n) = h(n) x(n) = {1, 3, 7, 7, 7, 6, 4}; n y(n) = 35, k h(k) = 5, k x(k) = 7
(4) y(n) = {1, 2, 3, 4, 5}; n y(n) = 15, n h(n) = 1, n x(n) = 15
(7) y(n) = {0, 1, 4, 4, 5, 1, 3} n y(n) = 2, n h(n) = 1, n x(n) = 2
2.22
9
8
Entonces, x(n) = 1. 32 , 32 , 74 , 32
n
2n
2.38
n= |h(n)| = n=0,n par |a| ; n= |a| ; =
1
1|a|2
(a) hc (n) = h1 (n) h2 (n) h3 (n) = [ (n) (n 1)] u(n) h(n) = h(n)
(b) No.
2.51
b
1a
b
1a
17 ,
4
y(1) =
47 ,
8
= 1 b = 1a
= 1 b = 1a
4
5
correlacin: 1 (n) = 1, 3, 7, 7, 7 , 6, 4
4
5
(b) convolucin: y4 (n) = 1 , 4, 10, 20, 25, 24, 16
4
5
correlacin: 4 (n) = 4, 11, 20, 30 , 20, 11, 4
2.58
2.61 x(n) =
1,
n0 N n n0 + N
en otro caso
rxx (l) =
2N + 1 |l|,
1
2
2N l 2N
.
en otro caso
2N + 1 |l|,
2N l 2N
en otro caso
Captulo 3
3.1
3.2
(a) X(z) =
(d) X(z) =
1
(1z1 )2
(h) X(z) =
1( 12 z1 )
1 12 z1
(a) X(z) =
z1 ,
(1+z1 )2
, |z| < a
10
3.4
, |z| >
1
2
|z| > 1
(f) X(z) = 1 z2 + z4 z5 , z = 0
3.8
(a) Y (z) =
X (z)
1z1
3.12
3.14
n
n
17
cos 4 n + 23
(c) x(n) = 35 1
10 1 2 sen 4 n + 20 (12) u(n)
2
n1
n+1
u(n) + 1a
u(n 1)
(j) x(n) = 1a
3.16
n
n
u(n)
(a) y(n) = 43 14 + 13 + 12
3.19
3.24
3.35
3.38
3.42
3.44
3.49
3.56
Captulo 4
4.2
(a) Xa ( f ) =
4.5
(a) x(n) =
A
a+ j2 F ;
11
3
2 ,2+ 4
A
2;
a2 +(2 F)
|Xa (F)| =
Xa ( f ) = tan 1 2a f
5
2, 1, 2 34 2, 12 , 2 34 2, 1, 2 + 34 2 Por tanto, c0 = 2, c1 = c7 = 1, c2 = c6 = 12 , c3 =
c5 = 14 , c4 = 0
(b) P =
4.6
(a) ck =
53
8
(d) c0 = 0,
c1 =
c2 =
2j
5
2j
5
1
2l ,
1,
2
1,
2
1
2j ,k
0,
k=3
k=5
k = 10
= 12
en otro caso
.
/
sen 25 + 2 sen 45
. 4
/
sen 5 2 sen 25 ;
c3 = c2 ; c4 = c1
(h) N = 2; ck = 12 (1 e j k ); c0 = 0, c1 = 1
4.9
(a) X( ) =
1e j6
1e j
(e)
n= |x(n)| . Por tanto, la transformada de Fourier no existe.
(h) X( ) = (2M + 1)A + 2A M
k=1 (2M + 1 k) cos wk
4.14
4.17
= 2 n |x(n)|2 = (2 )(19) = 38
(a) n x (n)e j n = n x(n)e j( )n) = X ( )
(e)
|X( |
2d
(c) Y ( ) = X( ) + X( )e j = (1 e j )X( )
4.19
(f) Y ( ) = X(2 )
.
/
(a) X1 ( ) = 21j X 4 + X + 4
(d) X4 ( ) = 12 [X( ) + X( + )] = X( )
e j /2
1ae j /2
4.22
(a) X1 ( ) =
4.23
Captulo 5
5.1
(a) Puesto que el rango de n es (, ), las transformadas de Fourier de x(n) e y(n) no existen. Sin embargo, la
relacin implicada por las formas de x(n) e y(n) es y(n) = x3 (n). En este caso, el sistema H1 es no lineal.
(b) En este caso, H( ) =
5.3
5.4
(a) |H( )| =
1 12 e j
1 18 e j
1
5
2
4 cos
sen
H( ) = tan1 12 1 cos
2
(a) H( ) = (sen )e j /2
(j) H( ) = (cos ) cos 2 e j3 /2
b
10.9e j ; |H(0)| = 1,
M
cos 2M
2 ,
=
2M , cos 2M
(a) H( ) =
( )
1
2
b
1.811.8 cos 0
2
b = 0.1
>0
<0
=
1
2
0 = 0.105
5.16
(a) |H( )| =
5.18
(a) H( ) = 2e j2 e j /2 sen 2
(b) y(n) = 2 cos n/4, H 4 = 2, H 4 = 0
4
53 cos ;
H( ) = 0
5.20
5.22
5.24
| | 2
2 | | p
0,
(b) Y ( ) = 12 [X( ) + X( + )] =
1,
2
(a) Y ( ) = X
1,
0,
| | 34
3 | | <
4
(
(b) H 10 = 2, H 10 = 0; H 3 = 3, 3 = H 3 = 6
|H( )| = cos2 2 ;
5.33
( ) = H( ) =
1
(a) H( ) = 2M+1
1 + 2 M1
k=1 cos k
1 cos M + 1 1 + 2 M1 cos k
(b) H( ) = 2M
k=1
2M
5.39
5.30
1
2
cos w2 =
4a1a2
2a
2a
(b) |H2 ( )|2 = ( 12 cos 1+a
2
Comparando los resultados de (a) y (b) concluimos que 2 < 1 . Por tanto, el segundo filtro tiene el ancho de banda
a 3dB ms pequeo.
5.49
1.85h(0) + 0.765h(1) =
1
2
0.765h(0) + 1.85h(1) = 1
h(1) = 0.56, h(0) = 0.04
5.59
(a) H(z) =
0.1
;
10.9z1
Hbp ( ) = H 2 =
n
(b) h(n) = 0.1 0.9 e j /2 u(n)
5.61
(a) H(z) =
b ;
1=az1
(a) h(n)
b
1=ae j
; b = (1 a)
2
= 12 ; 3 = cos1 4a1a
2a
b
1+a2 2a cos
n
= 1 1+2 5 + 1
5
5
H( ) =
2
0.1
10.9e j 2
n
1 5
2
16 1 n
16
4 1 n
4
n
n
15 4 u(n) + 15 (4) u(n 1); rhh (n) = 3 2 u(n) + 3 (2) u(n 1)
16
16
128 1 n
n
n
17 (2) u(n 1) 15 (4) u(n 1) 105 4 u(n)
64 (2)n u(n 1) 128 (4)n u(n 1) + 64 1 n u(n) 128 1 n u(n)
21
105
21 2
105 4
5.77
(a) H(z)H(z1 ) =
H(z) =
5.82
5
1
1
4 2 (z+z )
10
1
1 )
(z+z
9
3
1 12 z1
1 13 z1
10k
7.777k
8.889k
6.667k
= 0.5; z2 =
= 0.3889; z3 =
= 0.4445; z4 =
=
20k
20k
20k
20k
0.3334; H(z) = (z 0.5)(z 0.3889)(z 0.4445)(z 0.3334)
Captulo 6
6.9
(a) Xa (F) =
1
j2 (F + F0 )
1
1 e j2 (F+F0 /Fs )
B
Fc +
2 = 50 + 10 = 3 es un entero, entonces F = 2B = 40 Hz
6.10 Dado que
s
B
20
1 !
Ea
2
6.14
|X(w)|2 dw =
n= x (n) =
2
T
6.18 Sea Pd la densidad espectral de potencia del ruido de cuantificacin. As,
(b) X( f ) =
Pn =
B
Fs
FBs
Pd d f =
2B P
Fs d
= e2
x Fs
x Fs
SQNR = 10 log 10 x2 = 10 log10 2BP
= 10 log10 2BP
+ 10 log 10Fs
d
d
2
Captulo 7
7.1 Dado que x(n) es real, la parte real de la DFT es par, y la parte imaginaria es impar. Por tanto, los puntos que quedan
son {0.125 + j0.0518, 0, 0.125 + j0.3018}
7.2 (a) x2 (l) = sen 38 |l|, |l| 7
Por tanto, x1 (n) 8 x2 (n) = {1.25, 2.55, 2.55, 1.25, 0.25, 1.06, 1.06, 0.25}
2
(c) R xx (k) = X1 (k)X1 (k) = N4 [ (k 1) + (k + 1)]
rxx (n) = N2 cos 2N n
7.5
2
(d) R yy (k) = X2 (k)X2 (k) = N4 [ (k 1) + (k + 1)]
ryy (n) = N2 cos 2N n
2
2
1 N1
j N n + e j 2N n
=
(a) N1
n=0 x1 (n)x2 (n) = 4 n=0 e
N
2
7.12
7.14
7.21
1
6000
(a) X(k) = N1
n=0 (n)e
2
kn
N = 1, 0 k N 1
(e) X(k) = N (k k0 )
(h) X(k) =
7.25
7.31
7.32
1
2
1e j N k
Captulo 8
8.5 X(k) = 2 + 2e j
8.8 W8 =
1 (1
2
2
5
+ e j
4
5
+ + e j
8
5
j)
Vase la Figura 8.1.9. La primera etapa de operaciones mariposa produce {2, 2, 2, 2, 0, 0, 0, 0}. Las multiplicaciones
del factor de fase no cambian esta secuencia. La siguiente etapa produce {4, 4, 0, 0, 0, 0, 0.0}, que de nuevo permanece
invariable sin que la modifiquen los factores de fase. La ltima etapa produce {8, 0, 0, 0, 0, 0, 0, 0}. La inversin de
bits para permutar la secuencia en el orden apropiado slo afecta a los ceros, de modo que el resultado sigue siendo
{8, 0, 0, 0, 0, 0, 0, 0}.
8.13
8.16
x
e
xR
xI
8.19 X(k) =
N1
x(n)WNkn
n=0
N1
k=0
8.21
(a) W (z) =
1 1zN
2 1z1
14
N
j 2
1 z1 e N1
1z1 e
2
j N1
14
N
j 2
1 z1 e N1
1z1 e
2
j N1
8.32 X(k) = N1
m0 x(m)WN
Esto puede interpretarse como la convolucin de la secuencia x(n) de longitud N con la respuesta al impulso de un
filtro lineal.
hk (n)WNkn u(n), evaluado en el instante N
kn n =
Hk (z) =
n0 WN z
1
1WNk z1
Yu (z)
X (z)
N
2
en la primera etapa,
q2 = 4(N 1)
2 .
12
2
N 2
=
12
3
Captulo 9
8z1
10.5z1
h(n) = 8(0.5)n u(n) (0.5)n1 u(n 1)
9.3 H(z) =
9.6 c0 = 1; c1 = (b1 + b2 ); d1 = b1 ; c2 = b2
n
n
9.8 (a) h(n) = 12 12 + 12
u(n)
53 z1 + 0.52z2 0.74z3 + 1 z4 , donde C es una constante
9.11 H(z) = C 1 150
3
9.15 k2 = 13 ; k1 =
3
2
a2 2a cos w + 1
= 1w
1 2a cos w + a2
1 1
9.32 y(n) = 0.999y(n 1) + e(n) donde e(n) es ruido blanco, uniformemente distribuido en el intervalo 9 , 9 .
2 2
Luego, E{y2 (n)} = 0.9992 E{y2 (n 1)} + E{e2 (n)} = 6.361x104
.1/
= 0 e y(2) = y(3) = y(4) = 0; sin ciclo
9.35 (a) y(n) = Q[0.1 (n)] + Q[0.5y(n 1)]; y(0) = Q[0.1] = 18 ; y(1) = Q 16
lmite
9.37 Se define c = r cos , s = r sin por conveniencia, (a)
9.38
q2 =
9.40
(a) G1
G2
64 2 16 2
+
35 e1 15 e2
10.8e j 4
10.8e j 4
(10.5)(1+ 13 )
(1+0.25)(1 58 )
10.8e j 3
10.8e j 3
= 1; G1 = 1.1381
= 1; G2 = 1.7920
9.41
(a) k1 = 49 ;
k2 =
5
32
(b) k2 = 16 ;
k1 = 15
Captulo 10
(n 12)
6
10.1 hd (n) =
; h(n) = hd (n)w(n) donde w(n) es una ventana rectangular de longitud N = 25.
(n 12)
sen (n2)
sen (n12)
3
6
10.2 hd (n) = (n) (n12) + (n12)
; h(n) = hd (n)w(n)
sen
hd (n)
cos (n10)
(n10) ,
= 0,
0 n 20, n = 10
n = 10
1 + z1
y(n) = y(n 1) + x(n) + x(n 1)
1 z1
)(1+2z1 +z2 )
(1+z1
1 1
1
1 z
1 z1 + 14 z2
2
2
3
1
1
1
H(z)|z=1 = 1; A = , b1 = 2, b2 = 1, a1 = 1, c1 = , d1 = , d2 =
64
2
2
4
10.13 H(z) = A
1
1
10.15 A partir de las especificaciones de diseo, obtenemos = 0.509, = 99.995, f p = , f s =
6
4
10.19
Filtro de Butterworth:
Nmin
Filtro de Chebyshev:
Nmin
Filtro elptico:
Nmin
cos h1
= 5.212 N = 6
cos h1 k
k(sen ) k(cos )
,
= 3.78 N = 4
k(cos ) k(sen )
(a) MATLAB se utiliza para disear el filtro FIR empleando el algoritmo de Remez. Comprobamos que un filtro de
longitud M = 37 cumple las especificaciones. Observe que en MATLAB, la escala de frecuencia se normaliza
a 12 de la frecuencia de muestreo.
(b) 1 = 0.02, 2 = 0.01, f =
20
100
15
= 0.05
100
log
= 9.613 N = 10
log k
20 log10 ( 1 2 )13
14.6 f
+ 1 34
D (1 2 ) f (1 2 )( f )2
f
+ 1 36
1
3
1
10.24 H(z) = (1 z6 )(1 z1 ) 2 + z1 + z + z3 + z4
6
2
2
j
j5
j
6 , 0.55528 j0.6823 y 0.3028 j0.7462
Este filtro es FIR con ceros en z = 1, e 6 , e 2 , e
10.21
10.25
900
1100
= 0.36; fH =
= 0.44
2500
2500
2 sin 0.08 (n 15)
hd (n) =
; h(n) = hd (n)wH (n)
(n 15)
(a) fL =
2 (n 15)
30
INDICE_PROAKIS.qxd
13/04/2007
10:38
Pgina 967
ndice
A
Acumulador, 50
Algoritmos, 3
de base dividida, 477
de la transformada z chirp, 486
Goertzel, 485
Remez, 611
Algoritmos de filtros en celosa, 825
estimacin de procesos conjuntos, 834
forma a posteriori, 837
forma a priori, 837
forma gradiente, 845
forma modificada, 837
forma normalizada , 843
forma raz cuadrada, 843
propiedades, 847
realimentacin del error, 840
Algoritmos rpidos de Kalman, 840
Algoritmos recursivos de mnimos cuadrados, 819
en celosa, 825
propiedades, 822
FIR en la forma directa, 821
Algoritmos RLS en celosa
de gradiente, 845
estimacin de procesos conjuntos, 834
forma a posteriori, 837
forma a priori, 837
forma modificada, 837
forma normalizada, 843
propiedades, 847
Algoritmos, FFT, 458
Aliasing
dominio de la frecuencia, 18, 348
dominio del tiempo, 350
Amplitud, 12
Anlisis en frecuencia
dualidades, 240
seales aperidicas continuas en el tiempo, 211
seales aperidicas discretas en el tiempo, 224
seales peridicas continuas en el tiempo, 205
seales peridicas discretas en el tiempo, 217
B
Banco de filtros
espejo en cuadratura, 711
Banda de transicin, 589
Banda muerta, 559
Bessel, filtro, 646
Bucle local, 792
Butterworth, filtros de, 639
C
Calidad, 872
estimado de Bartlett, 873
estimado de Welch, 874
Cancelacin de ruido adaptativa, 798
Cancelador de eco, 792
Cauchy, teorema de la integral de, 139
Causalidad, implicaciones de la, 584
Cepstral, coeficiente, 745
Cepstro, 235
Ceros, 152
Chebyshev, filtros de, 640
Chirp, seal, 489
Circunferencia unidad, 235
Codificacin, 17
Codificacin lineal predictiva, 800
voz, 799
Codificacin subbanda, 703
Cdigos binarios, 363
Coeficientes de prediccin, 748
INDICE_PROAKIS.qxd
13/04/2007
10:38
Pgina 968
968 ndice
uniforme, 361
Curvas de aprendizaje, 812
D
Deconvolucin, 236, 312, 320
homomrfica, 236, 322
Desbordamiento, 562
Diagramas de flujo, 522
de seal, 522
Diezmado, 673
Diferenciador
diseo, 616
Dirichlet, condiciones de
para la transformada de Fourier, 214
series de Fourier, 206
Distorsin
amplitud, 279
armnica, 327, 400
fase, 280
retardo, 292
Distribucin uniforme, 365, 491, 543
E
Eco del extremo alejado, 792
Eco del extremo prximo, 792
Ecuaciones en diferencias, 79
de coeficientes constantes, 83, 87
de la transformada z unilateral, 188
para sistemas recursivos, 83
solucin completa, 91
solucin homognea, 87
solucin particular, 90
Ecuaciones normales
algoritmo de Schur, 758
Levinson--Durbin, algoritmo, 755
solucin de, 754
Elptico, filtro, 645
Energa
definicin, 42
espectro de densidad de, 215, 228
parcial, 320, 341
seal de, 41
Entrada nula, respuesta, 84
Ergdico, 741
Error
cuadrtico medio, 805
de prediccin final, criterio, 885
de redondeo, 543, 564
de truncamiento, 28, 543
Espectral
anlisis, 205
estimacin, 205
Espectro, 203
INDICE_PROAKIS.qxd
13/04/2007
10:38
Pgina 969
ndice 969
F
Fase, 10
mxima, 316
mnima, 316
mixta, 316
Fibonacci, secuencia de, 188
Filtrado
de secuencias de larga duracin, 434
mtodo de solapamiento y adicin, 435
mtodo de solapamiento y almacenamiento, 434
mediante la DFT, 430
Filtrado lineal, 429
basado en la DFT, 429
mtodo de solapamiento y adicin, 435
mtodo de solapamiento y almacenamiento, 434
Filtro, 291, 292
de hendidura, 302
de media mvil, 272
de prediccin de error, 513
de suavizado, 31
de Wiener, 769
definicin, 279, 291
diseo de filtros IIR, 291, 294, 625
distorsin, 279
estructuras, 503
ideal, 292
inverso, 312
lineal de prediccin, 513
no ideal, banda de transicin, 589
no ideal, rizado de la banda de paso, 588
no ideal, rizado de la banda eliminada, 589
paso alto, 292, 294
paso bajo, 292, 294
paso banda, 292, 297
paso todo, 308
peine, 304
resonador digital, 299
selectivo de frecuencia, 291
sin distorsin, 292
transformaciones, 298, 647
Filtro de error de prediccin, 749
propiedades, 762
Filtros
bancos de, 704
en celosa, 513, 531, 779
espejo en cuadratura, 704, 711
Filtros adaptativos, 785
cancelacin de eco, 791
cancelacin de ruido, 798
codificacin lineal predictiva, 799
ecualizacin del canal, 787
en celosa, propiedades, 847
en celosa-escalera, 825
en celosa-escalera con algoritmo de gradiente, 845
en celosa-escalera con algoritmo LS a priori, 837
en celosa-escalera con el algoritmo de realimentacin del error, 840
INDICE_PROAKIS.qxd
13/04/2007
10:38
Pgina 970
970 ndice
multiplicacin, 258
propiedades de seales con polos en la
circunferencia unidad, 236
relacin con la transformada z, 233
seales aperidicas continuas en el tiempo, 211
seales aperidicas discretas en el tiempo, 224
simetra, 244
tabla, 260
teorema de Parseval, 257
Frecuencia, 10, 14
alias, 14, 21
contenido en, 23
de solapamiento, 22
ms alta, 14
negativa, 12
normalizada, 19
positiva, 12
rango fundamental, 15
relativa, 19
Frecuencia de solapamiento, 348
Fuga, 858
Full duplex, transmisin, 791
Funcin de densidad de probabilidad, 735
Funcin de distribucin de probabilidad, 925
Funcin de transferencia, 158
de sistemas LTI, 158
sistema de slo polos, 160
sistema de todo ceros, 158
Funcin del sistema, 281
relacin con la respuesta en frecuencia, 281
Funcin muestra, 736
G
Generadores de nmeros aleatorios, 925
Gibbs, fenmeno de, 228, 597
Goertzel, algoritmo, 485
Gradiante conjugado, algoritmo, 807
H
Hbrido, 792
Hilbert, transformada de, 587
Hilbert, transformador de, 619
Homomrfica, deconvolucin, 322
Homomrfico, sistema, 322
I
Identificacin del sistema, 313, 320
IIR, filtro
aproximacin de Pad, 666
diseo, 294
diseo mediante la transformacin adaptada z, 638
diseo a partir de filtros analgicos, 625
diseo basado en la invarianza del impulso, 630
INDICE_PROAKIS.qxd
13/04/2007
10:38
Pgina 971
ndice 971
de seales sinusoidales, 20
dominio de la frecuencia, 403
efectos del aliasing, 21
en el dominio del tiempo, 20, 344
frecuencia de, 18
frecuencia de Nyquist, 25
intervalo de, 18
perodo, 18
peridico, 18
tasa de, 18
uniforme, 18
teorema de, 344
y retencin, 360
Multicanal, seal, 7
Multidimensional, seal, 5
M
Mtodo de solapamiento y adicin, 435
Mtodo de solapamiento y almacenamiento, 434
Mnimos cuadrados
diseo de filtros, 665
Matrices adaptativas, 802
Mxima entropa, mtodo de, 883
Media mvil, proceso de, 747
autocorrelacin de, 747
Mejorador de lnea adaptativo, 798
Modelado de sistemas, 746
Modulacin delta, 390
Momento, 737
Muestreo, 8, 17, 18, 344
de seales analgicas, 18, 344
de seales discretas en el tiempo, 669
P
Paley--Wiener, teorema de, 585
Parseval, relaciones de, 429
DFT, 429
seales aperidicas (de energa), 215, 230, 257
seales peridicas (de potencia), 208, 222
Paso bajo, filtro, 292
Paso banda, filtro, 292, 297
Peine, filtro, 304
Perodo fundamental, 13
Periodograma
estimacin de, 860
valor medio, 862
varianza, 862
Pisarenko, mtodo, 901
Polinomio caracterstico, 88
Polinomio inverso (recproco), 517, 751
funcin de sistema inversa, 517, 751
Polos, 152
complejos conjugados, 169, 182
de orden mltiple, 168
diferentes, 166
posicin, 155
Potencia, 42
definicin, 42
media, 738
seal de, 43
INDICE_PROAKIS.qxd
13/04/2007
10:38
Pgina 972
972 ndice
R
Rgimen permanente, respuesta en, 174
Rango dinmico, 29, 362, 540
Relleno con ceros, 409
Representacin de nmeros, 537
punto fijo, 537
punto flotante, 540
Representacin de seales discretas en el tiempo, 32
Resonador digital, 299
Respuesta en frecuencia, 274
a exponenciales, 270
a sinusoides, 274
clculo, 283
S
Schur, algoritmo de, 758
arquitectura pipeline, 761
Seales, 3
analgicas, 8
aperidicas, 43
armnicamente relacionadas, 15
asimtricas, 43
causales, 76
de alta frecuencia, 238
de baja frecuencia, 238
de banda ancha, 238
de banda estrecha, 238
de banda limitada, 238
deterministas, 9
digitales, 9
electrocardiograma (ECG), 7
limitadas en el tiempo, 239
multicanal, 7
multidimensionales, 5
naturales, 240
paso banda, 238
peridicas, 11
ssmicas, 241
simtricas, 43
sinusoidales, 10
voz, 3
Seales aleatorias, 10, 735
en sentido estricto, 737
ergdicas, 736
ergdicas respecto de la correlacin, 743
ergdicas respecto de la media, 743
estacionarias en sentido amplio, 738
INDICE_PROAKIS.qxd
13/04/2007
10:38
Pgina 973
ndice 973
no recursivos, 82
recursivos, 80
respuesta al impulso, 65
respuesta al impulso de duracin finita, 79
respuesta al impulso de duracin infinita, 79
sin memoria, 51
tringulo de estabilidad, 181
Sobremuestreo, 388
Subespacio de ruido, 904
Subespacio de seal, 906
Submuestreo, 47
Sumatorio de superposicin, 66
Supresor de eco, 792
T
Tabla de transformadas z, 151
Teorema de alternancia, 610
Teorema de muestreo, 23
Teorema del valor final, 187
Teorema del valor inicial, 150
Toeplitz, matriz, 755, 770
Transformacin bilineal, 634
Transformaciones de filtros
dominio analgico, 649
dominio digital, 652
Transformaciones en frecuencia, 648
Transformada z, 131
bilateral, 131
cambio de escala, 144
convolucin, 147
correlacin, 148
definicin, 131
desplazamiento temporal, 142
diferenciacin, 146
inversin temporal, 145
linealidad, 140
multiplicacin, 149
propiedades, 140, 151
regin de convergencia (ROC), 131
relacin con la transformada de Fourier, 233
relacin de Parseval, 150
tabla, 151
teorema del valor inicial, 150
unilateral, 183
Transformada z inversa, 138, 161
expansin en fracciones parciales, 165
integracin de contorno, 138
integral, 138
por integracin de contorno, 161
serie de potencias, 163
Transformada z racional, 152, 165
ceros, 152
polos, 152
INDICE_PROAKIS.qxd
13/04/2007
10:38
Pgina 974
974 ndice
U
Unilateral, transformada z, 183
V
Valor esperado, 737
Variabilidad, 872
Variable aleatoria gaussiana, 928
Variable aleatoria gaussiana, subrutina, 929
Varianza, 491, 564
Ventana, funciones de, 596
W
Welch, mtodo de, 868, 874, 875
Wiener, filtro, 769
estructura FIR, 770
estructura IIR, 773
no causal, 777
para filtrado, 770
para prediccin, 770
para suavizado, 770
Wiener, filtro de, 806
Wiener--Hopf, ecuacin, 770
Wiener--Khintchine, teorema de, 256
Wold, representacin, 745
Wolfer, nmero de manchas solares, 8
autocorrelacin, 110
Y
Yule--Walker, ecuaciones, 754, 888
Yule--Walker, mtodo de, 880