Beruflich Dokumente
Kultur Dokumente
SEÑALES
Profesor:
Mg. Ing. Rafael Bustamante Alvarez
Introducción:
• El procesamiento digital de señales tiene su origen en los
años 60 con el empleo de las primeras computadoras
digitales.
• El desarrollo de la FFT (Fast Fourier Transform) data de
1967.
• La guerra fría y la carrera espacial.
• 1980 aparece el primer DSP
1
Procesamiento Digital de Señales
• CONCEPTO.- Es el conjunto de algoritmos lógico matemáticos
que se aplican a un conjunto de números (muestras) para obtener
ciertos parámetros de una señal digitalizada; ejm, frecuencia,
ancho de banda, filtraje digital, espectro de frecuencias,
compresión, etc. Es también considerada un área de la ingeniería
que se dedica al análisis y procesamiento de señales.
• Tipos de Procesamiento Digital de señales:
• PDS de TIEMPO REAL
• PDS de TIEMPO DIFERIDO.
2
PDS de Audio
Las freuencias audibles de los seres humanos que está entre los 20 y los
20.000 hercios (Hz), aproximadamente
Señales Bioléctricas
• Son aquellas señales eléctricas producidas en un organismo vivo en este caso en
el ser humano.
• Principalmente:
• ECG provenientes del corazón.
• EMG provenientes de los músculos.
• EEG provenientes del cerebro.
3
Onda ECG
Ing. Rafael Bustamante Alvarez
Procesamiento de Imágenes
4
Procesamiento de Imágenes
PROCESADO DIGIGITAL
1.- Flexibilidad a la hora de efectuar las operaciones de reconfiguración.
2.- permite mejor control de precisión.
3.- Es muy rutinario.
4.- Bajo costo.
5
Redes Neuronales
6
Señales Analógicas y Señales
Digitales
• SEÑALES DE TIEMPO CONTINUO.- Esta definido para todos
los valores y pueden tomar cualquier valor continuo en el tiempo
en un intervalo.
• SEÑALES DE TIEMPO DISCRETO.- Esta definido para
ciertos valores en el tiempo.
• SEÑALES DE VALOR CONTINUO.- Son señales que toman
todos los valores dentro de un intervalo finito como infinito.
• SEÑALES DE VALOR DISCRETO.- Si toma valores de un
conjunto finito de valores.
Señales Analógicas
1
sin(2*pi*f*n), f=40Hz
0.5
-0.5
-1
0 20 40 60 80 100
cos(2*pi*f*n), f=40Hz
1
0.5
-0.5
-1
0 20 40 60 80 100
7
Señales Digitales
sin(2*pi*(f/fs)*n), f=40Hz fs=1000
1
0.5
-0.5
-1
0 5 10 15 20 25 30
0.5
-0.5
-1
0 5 10 15 20 25 30
8
Sistemas de Procesamiento Digital
de Señales
• Señal continua Señal Cont.
9
Sistemas de Procesamiento Digital
de Señales Bioléctricas
• Etapa de Amplificación y Aislamiento
• Señales a procesar:
• ECG Vin= 0 a 1mv Banda = 0 a 100Hz.
• EEG Vin= -10uv a 100uv Banda= 10Hz a 100Hz
• Vin= 50uv a 1mv Banda= 10- 3000 Hz.
• Amplificadores de instrumentación
• Opto acoplamiento.
10
Sistema de Procesamiento Digital
de Señales Bioeléctricas
•Conversión A/D.- Esta etapa se encarga de
convertir una señal analógica en digital.
Características:
• Velocidad de muestreo (muestras/seg)
• Resolución: Nº de bits por muestra
• Proceso muestreo, cuantificacion, codificación.
Conversión A/D
TEOREMA DE MUESTREO
Si la frecuencia más alta contenida en una señal
analógica Xa(t) es Fmax=B y la señal se muestrea a una
velocidad fs≥≥ 2fmax=2B entonces Xa(t) se puede
recuperar totalmente a partir de sus muestras.
fs ≥ 2fmax
Ing. Rafael Bustamante Alvarez
11
Sistema de Procesamiento Digital de
Señales Bioelectricas
• Teorema de muestreo.-
fs>= 2fm (Teoría)
fs>= 2.5fm (Práctica)
fs= 250Hz ECG,EEG 8 bits (muestra)
7500Hz EMG ó 16 bits
Teorrema de muestreo
12
TEOREMA DE MUESTREO
• ESPECTRO DE UNA SEÑAL PERIODICA
• Aliasing
fs/2 fs f
CUANTIFICACIÓN
• Es la conversión de una señal de tiempo discreto con valores
continuos, a una señal de tiempo discreto con valores discretos. El
valor de cada muestra de la señal se representa mediante un valor
seleccionado ce un conjunto finito de valores posibles.
L= Niveles de Cuantificación.
∆= Escalón de Cuantificación.
Xmax-Xmin= Rango Dinámico
∆= Rango Dinámico/(L-1)
Cuantificador por Redondeo.- Asigna a cada muestra el
nivel de cuantificación mas cercano.
Cuantificador por Truncamiento.- Asigna a cada muestra el nivel
inmediatamente por debajo de la muestra.
Relación de Señal a Ruido de Cuantificación.-
SNRQ(dB)=1.76+6.02 b
b= resolución del Conversor.
Ing. Rafael Bustamante Alvarez
13
Cuantificación
Niveles
5∆
4∆
3∆
2∆
0 1 2 3 4 5 6 7
Ing. Rafael Bustamante Alvarez Nº de Muestras
CODIFICACIÓN
• Es el proceso mediante el cual cada valor discreto se representa
mediante una secuencia binaria de bits.
Código Binario
0110
0101
0100
0011
0010
0 1 2 3 4 5 6 7
Ing. Rafael Bustamante Alvarez Nº de Muestras
14
Sistema de Procesamiento Digital
de Señales
• Procesador Digital de Señales: Se ejecutan
algoritmos de filtraje digital, analisis en
frecuencia (FFT), sobre las muestras
provenientes de la etapa de conversión A/D.
• Procesos en tiempo real. (Basados en DSPs).
• Procesos en tiempo diferido.
15
Aplicaciones
Algoritmo
de PDS
16
Aplicaciones
Internal Buses
17
• Producto de dos vectores:
Repeticion de un
bloque de inst.
Instrucciones en
paralelo
18
Sistema de Procesamiento de Señales
Digitales Bioléctricas
• Etapa de conversión Digital Análogo.-
Convierte las muestras procesadas en senales
continuas en el tiempo.
• Componentes:
- Conversor D/A,
- Muestreo y retención (circuito retensor de orden cero que mantiene
fijo el voltaje correspondiente a una muestra hasta que venga otra
evita glitch (sobrepico).
• D/A Ing. Rafael Bustamante Alvarez
19
Muestreo
• Considere el sistema de procesado de la señal que se muestra en la figura
adjunta. Los periodos de los conversores A/D y D/A son T=5 ms y T’=1 ms,
respectivamente. Determine la salida del sistema ya(t) si la entrada es:
• 3
100
2
250
Muestreo
• Solución:
• Considerando que: t=nT donde T= período de muestreo y Fs= frecuencia de
muestreo
• Fs=200 y Fs’=1000Hz
• [] 3cos100
2cos250
• F1=50Hz y F2=125Hz
5
• [] 3cos12
2cos
4
• Por teoría:
ñ 1 1
• ⇒ − ≤≤
2 2
1 1
• Cumple
4
2 5
• No cumple
8
20
Muestreo
• En este caso se tiene que buscar su Fk “frecuencia alias” es decir el conjunto infinito de
señales senoidales que se pueden representar con el mismo conjunto de muestras,
entonces la Fk :
• Pero que se cumpla:
1 1
• − ≤≤ O que − ≤
ñ ≤
2 2 2 2
•
• #
ñ ± #
para # 1
•
• ⇒ # 125 − 1 200 −75
&'( (
) 2 esta dentro
del rango de frecuencias
•
• Ahora representando [] con la frecuencia alias de 2 :
• 3cos2 50
2cos2 −75
3
• 3cos12
− 2sen
4
Muestreo
• Ahora representando [-] con la frecuencia alias de . :
/ /
• - 3cos 2 50
01 2cos 2 −75
01
6
• - 3cos 345- − 2sen
-
7
• Para T’=1 ms
8
• Si
9:
•
• ;<8 3
500
− 2
750
• F1=250Hz y F2=375Hz ambas componentes de frecuencia están por debajo de
Fs/2=500Hz ∴ La señal pasa por el filtro de post filtrado.
21
PROCESAMIENTO DIGITAL
DE SEÑALES
Profesor:
Mg. Ing. Rafael Bustamante Alvarez
Y[n]=2x[n]
x[n]
•1
PROPIEDADES DE LOS SITEMAS DE
PROCESAMIENTO DIGITAL DE SEÑALES
3.-Causalidad.- Un sistema es causal si en cualquier instante de
tiempo depende solo de los valores presente y pasados. Ejm
y(n)=x(n-1) es un sistema causal
y(n)=x(n)-x(n+1) sistema no causal
4.-Estabilidad.- Intuitivamente, un sistema estable es aquel en el
que las entradas pequeñas conducen a respuestas que no
divergen ejm.
+M
1
y[n] = ∑
2M + 1 k =−M
x[n − k]
Si x[n] max = B
⇒ y[n] max = B ∴ El sistema es estable
Τ
x ( n ) → y( n ) - - - - - -(1)
Τ
x ( n − k ) → y( n − k ) - - - -(2)
En general, podemos escribir la salida como :
y(n, k) = T[x(n - k)], debemos demostrar que : y(n, k) = y(n - k) - - (3)
Entonces el sistema es INVARIANTE EN EL TIEMPO.
•2
PROPIEDADES DE LOS SITEMAS DE
PROCESAMIENTO DIGITAL DE SEÑALES
T[a 1 x 1 (n ) + a 2 x 2 (n )] = a 1T[ x 1 ( n )] + a 2 T[ x 2 (n )]
•3
Representación de Sistemas Discretos
Mediante Diagramas de Bloques
C)Multiplicador de señal
D)Retardo de un elemento
X[n] Y[n]=X[n-1]
Z-1
E) Adelanto de un elemento:
X[n] Y[n]=X[n+1]
Z
Ejemplo:Y[n]=1/4Y[n-1]+1/2X[n]+1/2X[n-1]
•4
Secuencias fundamentales
•Impulso
•Escalon Unitario
Secuencias fundamentales
Exponencial
•a>1 Potencial creciente
•a=1 Secuencia constante
•1>a>0 Potencial decreciente
•0>a>-1 Pot. dec. con signo alterno
•a=-1 secuencia alterna de 1 y -1
•a<-1 Potenc. decrec. sig. alternos
Propiedades:
1) δ(n)=x(0) δ(n) 3)
2) δ(n)=u(n)-u(n-1) 4)
•5
Secuencias fundamentales
•Resolver:
Secuencias fundamentales
•Resolver:
•6
PROCESAMIENTO DIGITAL
DE SEÑALES
Profesor:
Mg. Ing. Rafael Bustamante Alvarez
Mg.Ing Rafael Bustamante Alvarez
Τ[δ(n − k )] = h k (n ) - - > h k (n ) = h (n − k )
∞ ∞
y[n ] = Τ[x (n )] = T x (k )δ(n − k ) =
∑ ∑ x (k )Τ[δ(n − k )]
k = −∞ k =−∞
∞
y (n ) = ∑ x(k )h (n ) k
k = −∞
Mg.Ing Rafael Bustamante Alvarez
1
CONVOLUCIÓN
Propiedades:
1)x[n]* δ[n]=x[n]
2)x[n]* δ[n-k]=x[n-k]
3)x[n]*y[n]=y[n]*x[n]
4)x[n]*(y[n]*z[n])=(x[n]*y[n])*z[n]
5)x[n]*(y[n]+z[n])=x[n]*y[n]+x[ n]*z[n]
La Transformada Z
Sea: [f(k)]= f(0), f(1), f(2), f(3),........
f(k)
Z-k f(k)
Ejm.
f(-1) Zf(-1)
f(1) --> Z-1f(1)
2
Definición de la Transformada Z
∞
[f(k)]=
∑ f (k) Z −k
k = −∞
[f(k)] F(z)
F(z) es la transformada Z de f(k) y queda definida como:
∞
F(z)= ∑ f (k)Z −k
k = −∞
1
µ[n] Z <1
1- Z-1
α Z -1
n α n µ (n ) Z > α
(1 - α Z -1 ) 2
1
− α n µ ( − n − 1) Z < α
1 - α Z -1
Mg.Ing Rafael Bustamante Alvarez
3
PROPIEDADES DE LA TRANSFORMADA Z
Secuencia Transformada
x [n ] X(Z)
x 1[n ] X1(Z)
x 2[n ] X2(Z)
ax1[n ] + bx 2[n ] ax1[n ] + bx 2[n ]
x[n − no] Z -no X( Z)
x1[n ] * x 2[n ] X1(Z).X2(Z)
dX(Z)
nx[n ] -Z
dZ
LA TRANSFORMADA Z INVERSA
Se trata de hallar la secuencia x(k) a partir de X(z).
Métodos:
1)Por división
10Z -1
X ( Z) =
1 − 3Z −1 + 2 Z − 2
Tras dividir:
4
2) Por Fracciones parciales:
10 Z X(Z) − 10 10
X(Z)= ==> = +
( Z − 1)( Z − 2 ) Z Z −1 Z − 2
1 1
X(Z)= − 10 −1 + 10 −1
1 − Z 1 − 2 Z
[ [ ]]
X[k]= − 10 1µ k + 10 2 k µ k[ [ ]]
X[k]= 10(-1 + 2k)µ[k ] k = 1,2,3,4,.........
X(0)=0;
X(1)=10;
X(2)=30;
X(3)=70;
X(4)=150;
3)Método de Matlab
X[k ] = [1,0,0,0,0,.....,0]
Ejm 20 datos
B = [0,10] ; A = [1,-3,2]
Y[k ] = filter(B, A, X)
5
Filtro Digital
Es un conjunto de operaciones lógico matemáticos que permiten el paso que
permiten el paso de una señal a través de un sistema dentro de un rango de
frecuencias.
Si se tiene:
∑ a n Z −n ∑ a n Z −n
y(Z ) n H( Z) = n
= M M
x ( Z)
∑ b m Z −m Mg.Ing Rafael Bustamante Alvarez 1 + ∑
−m
1+ bmZ
m m
Clasificación :
1) Filtros IIR (bm≠0)
2) Filtros FIR (bm=0)
6
FILTROS IIR
La salida depende tanto de las entradas presentes y previas así como las salidas
previas.
bm≠0
X(K)
Y(k)
Z-1
N Z-1
∑ a n Z −n
n
H( Z) = M
1+ ∑ b m Z −m s=
2 1 − z −1
m
T 1 + z −1
Z=esT Relación de Z con la S
T= periodo de muestreo. Transformador bilineal
Mg.Ing Rafael Bustamante Alvarez
|H(w)|
W
Wc Ws
7
FILTRO FIR
Z-1
N
y[n ] = ∑ h (k )x(n − k )
k
h[0]BS = 1 - h[0]BP
h [k ]BS = -h[k ]BP
METODO DE PARKS –Mc CLELLAN
m=[1 1 1 0 0 0];
f= [0 0.1 0.3 0.7 0.8 1];
8
OPTIMIZANDO LA RESPUESTA DEL FILTRO FIR
METODO DE VENTANAS
h (K ) = h (k ).w (k )
1 K ≤ N
W (k )R =
0, K > N
kπ
α + (1 − α ) cos( ), K ≤ N
W (k )H = N
0, K >N
α = 0 .54 Ventana de Hamming
α = 0 .56
Mg.IngVentana
Rafael Bustamantede Hanning
Alvarez
9
25/03/2017
Filtros Adaptativos
• Los filtros adaptativos son sistemas variantes en el tiempo de forma que se
adaptan a cambios a su entorno , optimizando su funcionamiento de acuerdo a
una serie de algoritmos conocidos como algoritmos adaptativos.
d(n)
y(n)
x(n) Sistema
+
-
adaptativo
e(n)
Algoritmo
adaptativo
+
Mg.Ing Rafael Bustamante Alvarez
Estructura Directa
Aplicación:
Identificar
Sistema
Desconocido
sistemas
d(n)
x(n) y(n) +
Sistema -
adaptativo
e(n)
1
25/03/2017
Estructura Inversa
Aplicación:
Ecualización de
canales de
comunicación
d(n)
y(n) +
x(n) Sistema
Desconocido
Sistema -
adaptativo
e(n)
Estructura Predictor
Aplicación:
Sistemas de control –
Control Adaptativo y
neuronal
d(n)
x(n-p) +
x(n) Retardo Sistema y(n) -
adaptativo
e(n)
2
25/03/2017
d(n)= s(n)+ro(n)
y(n) +
x(n)=r1(n) Sistema -
adaptativo
e(n)
2 2
e (n) = (d (n) − y(n)) = ( s (n) + ro (n) − f (r1 (n))) 2
Mg.Ing Rafael Bustamante Alvarez
2
Algoritmo Least means square (LMS)
e (n) = (d (n) − y(n))
2
= ( s (n) + ro ( n) − f (r1( n))) 2
L−1
∂J J = E{e2 (n)} = E{d (n) − wnT .xn } = E{((d (n) − ∑ wn (k ) x(n − k ))2}
an+1 = an − µ
∂an k =0
J = e2 (n)
∂J
wn+1 = wn − µ
∂wn
J = (d (n) − y(n))2
∂J ∂E{(e2 (n))} ∂e(n)
x(n)=r1(n) = = 2e(n)
L−1 ∂wn (k ) ∂wn (k ) ∂wn (k )
y(n) = ∑ wn (k )x(n − k ) L−1
k =0 ∂E{(d (n) − ∑ wn (k ) x(n − k ))}
∂e(n) k =0
wn = [wn (0), wn (1),.....wn (L − T )]T .xn = = −x(n − k )
∂wn (k ) ∂wn (k )
y(n) = wnT .xn (notaciónvectorial) ∂J ∂E{(e2 (n))}
= = 2e(n) x(n − k )
∂wn (k ) ∂wn (k )
3
25/03/2017
wn +1 (k ) = wn + 2 µe( n) xn (n − k ) 0 ≤ k ≤ L -1