Escolar Documentos
Profissional Documentos
Cultura Documentos
INTRODUCCION
Los filtros digitales se emplean en el procesado de seales para
eliminar partes no deseadas de la misma, tales como ruido o slo
permitir el paso de un cierto rango de frecuencias.
El presente trabajo tiene como fin el consolidar los conceptos
aprendidos durante el desarrollo de la unidad dos sobre el diseo de
filtros digitales identificando su terminologa y clasificacin.
En primer lugar se desarrolla una investigacin de los temas
planteados por el tutor realizando primero una comparacin entre las
caractersticas y diferencias que presentan los filtros FIR e IIR, para
luego estudiar las diferentes formas en que se puede realizar sus
anlisis y verificacin de su comportamiento.
1) Investigacin
a) Realizar un cuadro comparativo donde indique las
caractersticas principales del los filtros IIR y los filtros FIR
IIR
Ejemplo 1
Para la funcin de transferencia:
[] =
50
3 + 9 2 + 30 + 40
[] =
1
2 + 0.5 + 1
Digitamos en Matlab
>> bode(1,[1 0.5 1]), grid, title 'EJEMPLO 2'
II.
=
( ) + [ ( + )] +
de
de
la
de
+ +
1
=
2
2
=
2
2 =
Butterworth
R1 = R2 = 10.8 k
C1 = .02 uF
C2 = .01 uF
Chebyshev 3-dB
R1 = R2 = 49.4 k
C1 = 0.01 uF
C2 = 1470 pF
un
es
es
de
DE
FOURIER
CON
VENTANA
PERIODOGRAMA
Una forma de estimar la densidad del espectro de potencia (PSD) de
una seal es simplemente encontrar la transformada discreta de
Fourier (usualmente hecha con FFT) y tomar la magnitud al cuadrado
del resultado. Este estimado es llamado periodograma.
El periodograma estimado del PSD de una seal x de longitud N es:
parte como dato. Entre los modelos mas recientes utilizados estn
los autorregresivos (AR) y mixtos de medias mviles y
autorregresivas (ARMA).
Un modelo autorregresivo de orden m, (AR(m)), tiene la expresin:
deben
I=1,,n,
por
entero
Donde:
EJEMPLO 1
Encontrar los componentes de frecuencia de la seal en un momento
de ruido de una seal dominante.
Primero creamos algunos datos. Considere los datos incluidos en la
muestra 1000 Hz. Empezaremos formando un eje de tiempo para
nuestros datos, a partir de t=0 hasta t=.25 en pasos de 1
milisegundo. Luego se forma una seal, x, que contiene ondas seo
de 50 Hz y 120 Hz.
>> t=0:.001:.25;
>> x=sin(2*pi*50*t)+sin(2*pi*120*t);
>> Y=fft(y,226);
Pyy=Y.*conj(Y)/256;
f=1000/256*(0:127);
plot(f,Pyy(1:128))
title('Densidad espectral de la potencia')
xlabel('Frecuencia (Hz)')
La acercamos y graficamos solo por encima de 200 Hz. Note los picos
a 50 Hz y 120 Hz. Esas son las frecuencias de la seal original.
V.
Seal a muestrear .
: Seal muestreadora.
Sd(t): Seal muestreada
Muestreo de seales
Teorema del muestreo (Teorema de Nyquist-Shannon)
A.
B.
C.
D.
Teorema de Nyquist-Shannon
El Teorema del Muestreo, o Teorema de Nyquist-Shannon, establece
que la frecuencia mnima de muestreo necesaria para evitar el
aliasing debe ser.
fs > 2.BW
Con fs: frecuencia de muestreo, BW: ancho de banda de la seal a
muestrear
BW = fmax - fmin
Para seales con fmin = 0, se puede expresar como
fs > 2 .fmax
Para demostrar el teorema se recurre a los conceptos bsicos de
series de Fourier y trigonometra.
[ + 0.1]
[( + 0.1)2 + 16]
digital =
se cumplam ya que:
2
= 21 (
)
2
>> [B,A]=bilinear(num,den,2)
B=
0.1250
0.0061
-0.1189
0.0006
0.9512
A=
1.0000
[]
[( + 0.1)2 + 16]
= 21 (
>> [B,A]=bilinear(num,den,2)
B=
0.0305
0.0610
0.0305
)
2
A=
1.0000
0.0006
0.9512
o normalizado ).
2
CONCLUSIONES
REFERENCIAS BIBLIOGRAFICAS