You are on page 1of 14

ANÁLISIS DE SEÑALES CON EL USO DE MATLAB

1.- OBJETIVOS:

 Hacer uso del MATLAB u OCTAVE (en este caso será solamente MATLAB) para
analizar las señales en el dominio de la frecuencia y en el dominio del tiempo.
 Desarrollar el ejercicio y obtener la gráfica correspondiente.
 Conocer las diferentes funciones que tiene el programa y lo útil que es para el
análisis de señales.
2.- MARCO TEÓRICO:
Antes de comenzar a ver las herramientas complementarias al audio que nos ayudarán
a analizar lo que escuchamos en forma objetiva, haremos una breve introducción a
algunos temas relacionados con la matemática y la física del sonido, los cuales
retomaremos en el módulo de Acústica. No es el objetivo del curso profundizar en
complicados cálculos y algoritmos. Sin embargo, analizaremos algunos conceptos claves
que nos serán de gran utilidad para comprender el comportamiento de algunos
fenómenos físicos y su forma de medirlos.
SEÑALES PERIÓDICAS:
Son aquellas que cada un cierto período 2T vuelven a repetir su patrón o
comportamiento. La función senoidal (que responde a un seno o coseno) es un tipo de
señal periódica, y será nuestro objeto de estudio de ahora en adelante.
Función senoidal:
Responde a la forma: a(t)=A0.sin(wt+ β)
Donde A0 es la amplitud máxima de la onda, t es el tiempo, ω es la pulsación 2πf y β es
la fase inicial.

Timbres:
Los múltiplos de una onda senoidal también son conocidos como armónicos. Los timbres
están formados por cantidades variables de armónicos o parciales que cambian a lo
largo del tiempo con respecto a un tono o frecuencia fundamental. Los parciales son las
ondas que complementan a la onda fundamental para crear un timbre, donde a las
frecuencias de los parciales que son múltiplos enteros de la frecuencia fundamental se
las llama parciales armónicos, y a las que no son múltiplos se las llama no armónicos.
Gracias a los parciales logramos distinguir a un instrumento de otro, aún cuando están
ejecutando una misma nota musical.
Espectro
El espectro de un sonido es la información sobre la distribución de las frecuencias que
lo componen y sus respectivas amplitudes. En la siguiente imagen podemos observar el
espectro de una hinchada de fútbol gritando un gol. Como era de esperarse, no hay una
única frecuencia tonal, sino la superposición de una infinidad de frecuencias.
Serie de Fourier
La serie de Fourier es una serie infinita que converge puntualmente a una función
continua y periódica. Las series de Fourier constituyen la herramienta matemática
básica del análisis de Fourier empleado para analizar funciones periódicas a través de la
descomposición de dicha función en la suma de infinitas funciones senoidales.
Las series de Fourier responden a la siguiente forma:

Si bien no vamos a profundizar mucho en el aspecto matemático, es importante saber


que mediante la Serie de Fourier podemos estudiar el comportamiento de cualquier
función periódica, pero rara vez en nuestro campo tengamos como objeto de estudio a
este tipo se señales. Es por ello que a la música no es posible estudiarla mediante su
desarrollo en Series de Fourier.
Transformada de Fourier
Para las señales no periódicas, la música, etc., poseemos otras poderosas herramientas,
como las Integrales de Fourier. De ellas deriva la Transformada de Fourier, la cual
responde a la fórmula

Mediante la Transformada de Fourier podemos descomponer a las señales en cada una


de sus frecuencias que la componen.
Sin profundizar mucho más, diremos que de la Transformada de Fourier llegamos a la
Transformada Discreta (conocida como DFT, Discrete Fourier Transform), descrita a
continuación:

Transformada Rápida de Fourier

Finalmente estamos en condiciones de hablar del análisis espectral propiamente dicho.


La herramienta fundamental del análisis espectral es la Transformada Rápida de Fourier,
más conocida como FFT (Fast Fourier Transform). La FFT es un algoritmo que nos
permite calcular en forma muy eficiente la DFT y su inversa. Es el arma principal del
manejo de señales digitales y filtros de este tipo. Hay muchos algoritmos que permiten
calcularla (no vamos a profundizar al respecto, pero se puede encontrar una rápida y
didáctica explicación de uno de ellos en http://www.dspguide.com/ch12/2.htm), pero
todos coinciden en que permiten realizar un número N de muestras donde N es potencia
de 2 (512, 1024, 2048, 4096 u 8192 muestras generalmente).
Aplicaciones
Vamos a analizar una señal periódica muy común, conocida como diente de sierra
descendente.

La misma corresponde a la siguiente sumatoria .Eso significa que es la


sumatoria de infinitos senos aumentan su frecuencia y disminuyen su amplitud a medida
que i crece. Esa descomposición en senos corresponde a la serie de Fourier de esta
función. Para ver más claramente el aporte de cada término, vamos a tomar solamente
los primeros tres senos presentes:
Si sumamos estas tres sinusoides, obtendremos como resultado:

Vemos que si seguimos con la sumatoria, convergerá a la señal diente de sierra


descendente.
Otra forma de ver la descomposición en sinusoides del análisis por series de Fourier es
aplicando la transformada de Fourier, donde obtendremos la frecuencia de cada una de
estas sinusoides y sus respectivas amplitudes.

Y finalmente hemos hecho un análisis espectral de la señal!


Funciones Ventana
Son funciones matemáticas utilizadas generalmente en el análisis y procesamiento de
señales, que nos permite aislar una porción de la señal a analizar y desechar el resto en
mayor o menor medida. Serán de gran importancia para los analizadores de espectro,
ya que cada banda a estudiar estará definida por una ventana distinta que dejará pasar
sólo las frecuencias comprendidas dentro de esa banda en cuestión. Para obtener la
información en dicha banda, simplemente multiplicamos a la señal por la función
ventana. Deberemos tener en cuenta que una señal real dura un determinado tiempo t.
Para realizar esta multiplicación, la señal deberá durar un tiempo finito, y el cálculo
además será posible a partir de un número finito de puntos. De ahí radican las
limitaciones de los analizadores de espectro, que para anchos de banda muy reducidos
necesitarán más tiempo para procesar con mayor precisión, dada poca cantidad de
puntos. Eso es un problema a la hora de trabajar a tiempo real, como veremos más
adelante.

 Ventana Rectangular

 Hann
Las ventanas de Hann y de Hamming son de la familia de las ventanas de “cosenos
elevados”, y comúnmente son confundidas una con la otra.
 Hamming
La altura máxima de los lóbulos laterales es de alrededor de un quinto del de la ventana
de Hann, un coseno elevado con coeficientes más simples.

 Blackman

 Gaussiana
Existen muchas otras ventanas, y cada una poses sus características particulares. Si bien
para el audio, a grandes rasgos, cualquiera puede ser de utilidad, para realizar
mediciones que precisan de gran exactitud, no dará lo mismo cualquier elección. La
ventana de Hamming posee buena resolución tanto en frecuencia como en amplitud
(aunque a bajas amplitudes puede dificultarse su interpretación en aplicaciones de
audio). La ventana de Blackman posee buena resolución en frecuencia, pero regular
resolución en amplitud, y se la suele utilizar para medir distorsiones.
3.- TRABAJJO PREPARATORIO:
a) Traslación en la frecuencia: El teorema de traslación en frecuencia, establece
que la multiplicación de una señal f(t) por una señal sinusoidal de frecuencia Wc,
traslada su espectro de frecuencia en ± Wc radianes.

b) Presentar el desarrollo matemático para la obtención de los coeficientes A0, An,


Bn de la serie de Fourier y el espectro en magnitud de la siguiente función.

f (t )  a0    an cos(nw0t )  bn sen(nw0t ) 
n 1
T
1
a0 
T  f (t )dt
0
T
2
an 
T  f (t ) cos(nw t )dt
0
0

T
2
bn 
T  f (t ) sen(nw t )dt
0
0

2 1  n t   n t  
2t 6 t1

bn    5sen   dt   5sen   dt 
T  0  10  5 t1  10  
1   10  n t   2t1    10  n t   6t1 
bn  5  cos    |0   5  cos   | 
10   n  10      n  10   5t1 
5   2t n   6t1n   5t1n  
bn    cos  1   1  cos    cos  
n   10   10   10  
2  1  n t   n t  
2t 6 t1

an   5 cos   dt   5 cos   dt 
20  0  10  5 t1  10  
1   10  n t   2t1    10  n t   6 t1 
an  5  sen    |0   5  sen   | 
10   n  10      n  10   5t1 
5   2t1n   6t1n   5t1n 
an   sen  10   sen  10   sen  10 
n       
1  1 
2t 6 t1

a0    5dt   5dt 
20  0 5 t1 
1
a0  10t1  5t1 
20
t
a0  1
4
c) Consultar las siguientes comandos:
o fft: La función fft de MATLAB convierte un vector de valores de la señal x en
función del tiempo t en un vector g en función de la frecuencia ω.
o ifft: Esta función MATLAB calcula la transformada de Fourier discreta inversa de
Y utilizando un algoritmo de transformada de Fourier rápida.
o Linspace: Es similar al operador de dos puntos, “:”, pero proporciona control
directo sobre el número de puntos y siempre incluye los extremos. “lin” en el
nombre “linspace” se refiere a generar valores espaciados linealmente, a
diferencia de su función hermana logspace, que genera valores espaciados
logarítmicamente.
o Stem: traza la secuencia de datos Y como vástagos que se extienden desde
valores igualmente espaciados y generados automáticamente a lo largo del eje
x.
4.- EQUIPO Y MATERIALES:
 Computadora
 Softaware MATLAB
 Guía proporcionada en clase

6.- INFORME:
 Realizar una comparación entre el método de obtención de la serie de Fourier
mediante el uso exclusivo de integrales y método de uso de propiedades.
 Realizar el cálculo de la serie de Fourier para la función indicada usando
propiedades.
1  t1 2t1 A 3t1 A 4t1 A 5t1 A 6t1 
a0  
6t1  0
Tdt  t1 2
dt  2 t1

2
dt  3t1

2
dt  4 t1

2
dt  5t1
Tdt 
1
a0  Tt1  At1  Tt1 
6t1
1
a0   2Tt1  At1 
6t1
A
a0  2t1 
6
2  t1 4 t1 A 5t1 A 6 t1 
6t1  0 3t1 2 4t1 2 5t1
an  T cos wtdwt   cos wtdwt   cos wtdwt  T cos wtdwt 
1  A A 
an  T ( senwt )  ( senw 4t  senw3t )  ( senw5t  senw4t )  Tsenw6t  Tsenw5t
3t1  
1 1 1 1 1 1 1
2 2
 A 
an   2( senwt1  senw6t1  senw5t1 )  ( senw3t1  senw5t1 ) 
 6t1 
2  t1 4 t1 A 5t1 A 6 t1 
bn    Tsenwtdwt    senwtdwt    senwtdwt   Tsenwtdwt 
6t1  0 3t1 2 4 t1 2 5t1

1  A 
bn  T (1  cos wt1  cos w5t1  cos w6t1 )  (cos w5t1  cos w3t1 ) 
3t1  2 
A
bn  2(1  cos wt1  cos w5t1  cos w6t1 )  (cos w5t1  cos w3t1 )
6t1
 Eexplique cuál es la utilidad/es en la vida real de las gráficas en el dominio de la
frecuencia. Indique 2 ejemplos:
- FRECUENCIAS INFRASÓNICAS: Se considera como frecuencia infrasónica a
las frecuencias mecánicas inferiores a 20 hz, éstas frecuencias casi no las
percibe el oído humano aunque si algunos animales, los humanos lo perciben
a través del tacto, así nosotros la podemos percibir mediante las manos o
todo nuestro cuerpo como vibraciones; son generadas por los movimientos
telúricos u objetos de gran dimensión, por ejemplo cuando arranca o decola
un avión. Aplicaciones Estas señales son utilizadas por animales de gran
tamaño para comunicarse, tales como los elefantes, ballenas. Las empresas
que trabajan con cables, tales como las empresas eléctricas, telefónicas para
detectar las interrupciones que se producen en estos cables. En estos casos
se hace uso de las señales infrasónicas por sufrir memos absorción de energía
con respecto a las señales ultrasónicas. La forma de determinar la
localización de una falla es emitiendo una señal infrasónica y midiendo el
tiempo de retorno del eco que se genera cuando se detecta la falla; si se
conoce la velocidad con que se desplazan las ondas y se conoce el tiempo
que le ha demandado para ir donde se encuentra la falla y el tiempo de
retorno se puede calcular la distancia en que se encuentra el desperfecto.
- FRECUENCIAS ULTRASÓNICAS O ULTRASONIDO: Se considera frecuencias
ultrasónicas a todas aquellas superiores a los 20 khz.; estas frecuencias no
pueden ser percibidas por el oído humano pero sí por muchos animales y son
a estas frecuencias con las que se comunican o con las que navegan. Las
frecuencias ultrasónicas tienen un campo de aplicación relativamente
grande. Para su entendimiento es necesario conocer los factores que
intervienen en su entendimiento y aplicación: la frecuencia, potencia
radiada, la duración de su radiación, la velocidad de desplazamiento en el
medio y los efectos sobre el medio, la reflexión, dispersión y difracción de
estas ondas cuando inciden o atraviesan un medio. Del análisis de todas estas
variables nos es posible sacar conclusiones del medio u objeto que se
estudia. Aplicaciones Entre las aplicaciones más importantes de los
ultrasonidos se citan: en la navegación submarina utilizados para detectar en
el mar bancos de peces, presencia de objetos en las profundidades del mar
(barcos, rocas, iceberg); para estas aplicaciones se lanzan pulsos de ondas
ultrasónicas, luego de un intervalo de tiempo se recibe el rebote (eco) de
estas ondas, conociendo la velocidad de propagación y el tiempo
transcurrido se puede determinar la distancia en que se encuentra el objeto
que ha ocasionado la reflexión. Ecocardiografía Sismógrafo Se aplica como
detectores de grietas en los materiales metálicos (opacos a las radiaciones
electromagnéticas), en este caso se toma en cuenta la velocidad de
propagación de los ultrasónicas y la densidad del medio por el cual se
propaga; si el metal por el que se propaga la onda tiene una densidad y en su
trayectoria encuentra otra densidad, produce un efecto de reflexión.
Midiendo el tiempo transcurrido entre el instante en que se emite la onda
ultrasónica y el instante en que se mide la reflexión nos da la posición de la
grieta.
7.- CONCLUSIONES Y RECOMENDACIONES:

 Se puede notar la utilidad de Mmatlab tambien en 3D (tres dimensiones)


 Es posible usar colores para diferenciae gráficas que se tracen en una misma
hoja.
 Podemos obtener varias gráficas en una misma hoja, en varias figuras dentro de
la misma.
 S e disponen de herramientas útiles para sacar conclusiones de las gráficas, tales
como la grilla, el editor de la figura,etc.
 Es cierto que existe funciones (y relaciones) matemáticas más complejas que
otras, pero es posible obtenerlas todas con este potente software Matlab.
8.- BIBLIOGRAFÍA:

 [1] A.V. Oppenheim, A.S. Willsky, S. Hamid, “Signals and systems”, 2da ed., Ed.: Prentice
Hall, 1997.
 [2] S.S. Solimán, M.D. Srinath, “Señales y Sistemas Continuos y Discretos”, 2da ed., Ed.
Madrid: Prentice Hall, 1999.
 [3] MathWorks, «MathWorks,» 2017. [En línea]. Disponible:
https://www.mathworks.com/help/comm/blocklist.html. [Último acceso: 10 enero
2018].
 [4] MATLAB - GNU Octave Tutorial, Disponible:
 https://www.tutorialspoint.com/matlab/matlab_gnu_octave.htm
 https://es.slideshare.net/marvinconcha1901/lab-02-analisis-de-seales
 https://www.monografias.com/trabajos22/procesamiento-seniales/procesamiento-
seniales.shtml
UNIVERSIDAD NACIONAL DEL CALLAO
FACULTAD DE INGENIERÍA ELÉCTRICA Y
ELECTRÓNICA

CURSO: TELECOMUNICACIONES II

TEMA: ANÁLISIS DE SEÑALES CON EL


USO DE MATLAB

ALUMNO: ALVAREZ VENTOCILLA YEVIT


AMPARO

DOCENTE: MG.ING. WILBERT CHÁVEZ IRAZÁBAL


CODIGO: 1523220645

2019- I