23-83-1-pb (2)
TRANSCRIPT
-
7/24/2019 23-83-1-PB (2)
1/104
-
7/24/2019 23-83-1-PB (2)
2/104
Series y Transformada de Fourier
S C
y Discretas en el Tiempo.
A j
Javier Gonzlez Barajas
-
7/24/2019 23-83-1-PB (2)
3/104
Series y Transformada de Fourier para Seales Continuas y Discretas en el Tiempo.
Algoritmos para el desarrollo de ejercicios prcticos
Autor:
Javier Gonzlez Barajasvzzb@..
F I E
Dv I
Uv S T D Aq
B D.C., Cb
ISBN: 978-84-944229-6-6
DOI: h://x../10.3926/.23
OS (O Pbh SL) 2015
D b: OS
Db b: 3--6: M Th CC-BY 3.0 Abk w
bw: bkh - F.
OS h b b
b q x.
-
7/24/2019 23-83-1-PB (2)
4/104
Agradecimientos
E x , q x-
b x
x. L h -
F I E, Uv S T- Cb.
I. Dv M, x b
T Wv C.
I. C Jv M, b x b
T R F.
-
7/24/2019 23-83-1-PB (2)
5/104
-
7/24/2019 23-83-1-PB (2)
6/104
5
Contenido
Presentacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Introduccin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Captulo1A
F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Captulo2
L T F. M . . . . . . . . . . . . . . . . . . . . 29
Captulo3
M T
F D: L FFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Captulo4
C
: M Lb . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Captulo5
P . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
-
7/24/2019 23-83-1-PB (2)
7/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
6
Captulo6
M . . . . . . . . . . . . . . . . 61
Captulo7
T C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Captulo8
I T Wv . . . . . . . . . . . . . . . . . . . . . 73
Captulo9
A T Wv vz . . . . . . . . 79
Captulo10E b . . . . . . . . . . . . . . . . . . . . . . . . . 85
Captulo11
M b . . . . . . . . . . 93
B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
-
7/24/2019 23-83-1-PB (2)
8/104
Xxxx
xxxx
7
Presentacin
Dv , -
h b
,
. E v
z , x
.
A ,
q T F
v
b q h .
C b v T F -
b -
q x .
A, v - , (T
Wavelets).
E x q v -
h Mb q h z -
v
.
-
7/24/2019 23-83-1-PB (2)
9/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
8
E x v
F v . L
, b x
x.
L b x, -
, v vz h
b, q b
.
-
7/24/2019 23-83-1-PB (2)
10/104
9
Introduccin
L T F, h J
B F x
-
. P v,
b x x
.
E x bv q ,
v F. S h
h Mb q
h
. E -
z
. P q F
q , z q
.
E b
T F, DFT (D F T).
S DFT v
q z x T
F . E bv
b .
-
7/24/2019 23-83-1-PB (2)
11/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
10
E , q
q
. Tb x b z
F b,
.
E h -
, b
. E b Lb, h
T F .
EL v T
F, C - vz x
.
P , x T O Wv, v -
q x-
b z : M Sb
Mx.
-
7/24/2019 23-83-1-PB (2)
12/104
11
Captulo 1
Algoritmo para reconstruccin
F
Contenido
-
7/24/2019 23-83-1-PB (2)
13/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
12
-
7/24/2019 23-83-1-PB (2)
14/104
13
L F, z
. E
. S F, b .
T T h T1, -
F 1. S F b E (1).
01
( ) jkw t
k
T
a x t e dt T
(1)
Figura 1. Onda cuadrada peridica, con periodo T= 4 seg. y ancho T1= 1 seg.
-
7/24/2019 23-83-1-PB (2)
15/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
14
T E (1) a0:
1
0
2Ta
T
01 ( )
T
a x t dt T
(2)
k 0 E (3):
0 10
2sink
kw Ta
kw T
01 jkw tk
T
a e dt T
(3)
S0 0
2w F
A v Mb,
q F P T h T
1:
N=100;
k=-N:N;
T1=1;
T=4;
wo=(2*pi)/T;
ak=2*sin(k*wo*T1)./(k*wo*T);ak(N+1)=2*T1/T;
E F 2 F N= 100.
-
7/24/2019 23-83-1-PB (2)
16/104
15
AlgoritmoparareconstruccindesealesperidicasaparrdesuscoecientesdeFourier
P hz, b q
v K, qv k x W0 /.
P , E (4):
0
( )
Nlkw t
k
k Nx t a e
(4)
A v Mb
. S b 5 5
0.001 . L x(t) F 3.
t=-5:0.001:5;
L=length(t);for i=1:L
c=0;
for k=-N:N
c=c+ak(k+1+N)*(cos(k*wo*t(i))+j*sin(k*wo*t(i)));
end
x(i)=real(c);
end
Figura 2. Serie de Fourier con N= 100.
-
7/24/2019 23-83-1-PB (2)
17/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
16
L F 3 N= 20.
E b q
N v-
. E F 4 -
N= 100 F.
Figura 3. Reconstruccin con N = 20.
Figura 4. Seal cuadrada reconstruida para N= 100.
-
7/24/2019 23-83-1-PB (2)
18/104
17
AlgoritmoparareconstruccindesealesperidicasaparrdesuscoecientesdeFourier
L F 5 N= 200.
E F 6 h N= 1000.
Figura 5. Reconstruccin con N= 200.
Figura 6. Seal cuadrada reconstruida para N= 1000.
-
7/24/2019 23-83-1-PB (2)
19/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
18
1. P z
S F, x(t)
ak, E (5) b b
to.
0 0
0( )
jkw t
kx t t a e
( )k
x t aSi
E (5)
A v q q -
ak x(t), (((k*w*)+ *(k*w*))), z , x(t) b
.
S :
ak=(2*sin(k*wo*T1)./(k*wo*T)).*(cos(k*wo*to)-j*sin(k*wo*to));
E k
((k*w*)+ *(k*w*)).
L F 7 ak , N= 100.
T ak , z , b-
v x(t) z to,q
F 8.
-
7/24/2019 23-83-1-PB (2)
20/104
19
AlgoritmoparareconstruccindesealesperidicasaparrdesuscoecientesdeFourier
Figura 7. Magnitud y fase de los coecientes akpara N= 100, al ser modicados
para obtener un retraso en la seal reconstruida.
Figura 8. Seal reconstruida con los coecientes akcon desfase
para generar un retraso con to= 2.5 segundos.
-
7/24/2019 23-83-1-PB (2)
21/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
20
2. Propiedad de linealidad
L F, E
(6), x(t) Y(t), T.
( )
ky t b
( ) ( )k k
x t y t a b
( )k
x t aSi
E (6)
E x q q -
vz F 1. E -
T1 = 1 T2 = 2.4.
E , ak b
k, T,
:
N=100;
k=-N:N;
T=4;
% Periodo de la sealwo=(2*pi)/T;
% Coeficientes para seal de ancho T1
T1=1;
ak=(2*sin(k*wo*T1)./(k*wo*T));
ak(N+1)=2*T1/T;
% Coeficientes para seal de ancho T2
T2=2.4;
bk=(2*sin(k*wo*T2)./(k*wo*T));
bk(N+1)=2*T2/T;
E F 9 ak b
k.
-
7/24/2019 23-83-1-PB (2)
22/104
21
AlgoritmoparareconstruccindesealesperidicasaparrdesuscoecientesdeFourier
Uz , ak b
k
x(t) y(t).
t=-5:0.001:5;
L=length(t);
for i=1:L
c=0;
for k=-N:N
c=c+ak(k+1+N)*(cos(k*wo*t(i))+j*sin(k*wo*t(i)));
end
x(i)=real(c);
endfor i=1:L
c=0;
for k=-N:N
c=c+bk(k+1+N)*(cos(k*wo*t(i))+j*sin(k*wo*t(i)));
end
y(i)=real(c);
end
Figura 9. Coecientes aky b
k.
-
7/24/2019 23-83-1-PB (2)
23/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
22
E F 10 x(t) y(t), N= 100.
C ck -
ak b
k. C
z(t), F 11. L z(t) qv x(t) y(t).
ck=ak+bk;
for i=1:L
c=0;
for k=-N:N
c=c+ck(k+1+N)*(cos(k*wo*t(i))+j*sin(k*wo*t(i)));
end z(i)=real(c);
end
Figura 10. Seales x(t) y (t) reconstruidas para N= 100.
-
7/24/2019 23-83-1-PB (2)
24/104
23
AlgoritmoparareconstruccindesealesperidicasaparrdesuscoecientesdeFourier
3. R S E F
E q F z
F0. L
hv coef.mat.
E hv . F q
, vb XF1.
XF1 = 0.0306 - 0.2912
0.1045 + 0.1070
0.1660 0.1993
0.4851 + 0.2971
0.2363 0.4382
0.5624 + 0.2922
0.6417 0.2724
0.6869 + 0.0461
0.5682 0.0270
0.5402 0.4401
0.5121 + 0.6731
0.0299 0.6975
0.2187 + 0.8459
0.5696 0.7458
0.9622 + 0.7620
1.0227 0.6641
0.9484 + 0.2450
1.1413 + 0.1069
0.3722 0.3293
0.2926 + 0.1378
1.2148 0.0371
1.5213 0.6171
2.2415 + 1.5051
3.0091 2.9823
3.4763 + 3.8879
Figura 11. Seal z(t) creada a parr de la reconstruccin de los coecientes k= a
k+ b
k.
-
7/24/2019 23-83-1-PB (2)
25/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
24
3.2797 5.3207
2.9091 + 6.2133
1.8076 7.8318
0.9435 + 8.5737
0.2066 9.4362
2.6475 + 8.7986
4.6682 8.6571
7.0514 + 8.6604
7.7367 6.6058
8.2304 + 2.8991
7.5862 + 0.1233
3.0050
7.5862 0.1233
8.2304 2.8991
7.7367 + 6.6058
7.0514 8.6604
4.6682 + 8.6571
2.6475 8.7986
0.2066 + 9.4362
0.9435 8.5737
1.8076 + 7.8318
2.9091 6.2133
3.2797 + 5.3207
3.4763 3.8879
3.0091 + 2.9823
2.2415 1.5051
1.5213 + 0.6171
1.2148 + 0.0371
0.2926 0.1378
0.3722 + 0.3293
1.1413 0.1069
0.9484 0.2450
1.0227 + 0.6641
0.9622 0.7620
0.5696 + 0.7458
0.2187 0.8459
0.0299 + 0.6975
0.5121 0.6731
0.5402 + 0.4401
0.5682 + 0.0270
0.6869 0.0461
0.6417 + 0.2724
0.5624 0.2922
0.2363 + 0.4382
0.4851 0.2971
0.1660 + 0.1993
0.1045 0.1070
0.0306 + 0.2912
C z
F 12.
load coef
L=length(XF1);
N=(L-1)/2;
k=-N:N;ak=XF1;
subplot(2,1,1)
stem(k,abs(ak))
title(magnitud coeficientes ak)
subplot(2,1,2)
stem(k,angle(ak))
title(magnitud coeficientes bk)
-
7/24/2019 23-83-1-PB (2)
26/104
25
AlgoritmoparareconstruccindesealesperidicasaparrdesuscoecientesdeFourier
L F 13 .
Figura 12. Coecientes de Fourier en magnitud y fase de un ciclo
completo del complejo cardiaco.
Figura 13. Periodo del complejo cardiaco.
-
7/24/2019 23-83-1-PB (2)
27/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
26
P v , v-
riable F0q , q
.
Fo=0.5;
wo=2*pi*Fo;
t=-5:0.001:5;
L=length(t);
for i=1:L
c=0;
for k=-N:N
c=c+ak(k+1+N)*(cos(k*wo*t(i))+j*sin(k*wo*t(i)));
end
x(i)=real(c);
end
L F 14 b F0= 0.5 Hz,
2 .
Figura 14. Reconstruccin de una seal electrocardiogrca
con frecuencia fundamental F0= 0.5 Hz.
-
7/24/2019 23-83-1-PB (2)
28/104
27
AlgoritmoparareconstruccindesealesperidicasaparrdesuscoecientesdeFourier
E v F0 v 2Hz, b
F 15,
.
Figura 15. Reconstruccin de una seal electrocardiogrca
con frecuencia fundamental F0= 2 Hz.
-
7/24/2019 23-83-1-PB (2)
29/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
28
-
7/24/2019 23-83-1-PB (2)
30/104
29
Captulo 2
La Transformada de Fourier.
Mtodo computacional
Contenido
-
7/24/2019 23-83-1-PB (2)
31/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
30
-
7/24/2019 23-83-1-PB (2)
32/104
31
E v
q z T F -
. E b v . E b -
x q
RC. E
T F . P
T
F: DFT.
A x
x(t) q v RC, 100 1000 h.
Ts=0.001;
C=100E-6;
R=1000;
tao=1/(R*C);
t=0:Ts:5;
x=exp(-tao*t);
-
7/24/2019 23-83-1-PB (2)
33/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
32
L F 16 x(t) 0.001 .
P T F x(t).
E , z X(w).
N=length(x);
k=-N/2:N/2;
F=(k-1)/(N*Ts);
% Transformada de Fourier terica X(w) de la funcin x(t)
w=2*pi*F;
XW=1./(tao+j*w);
XWM=abs(XW);plot(w,XWM)
Figura 16. Seal x(t) que representa la cada de voltaje de un condensador.
-
7/24/2019 23-83-1-PB (2)
34/104
33
LaTransformadadeFourier.Mtodocomputacional
E F 17 T F x(t)
500 500 Hz.
Uz v T F DFT, z .
N=length(x);
for k=1:N
c=0;
for n=1:N
c=c+x(n)*(cos(2*pi*n*k/N)+j*sin(2*pi*n*k/N));
end XF(k)=c;
end
k=1:N;
F=(k-1)/(N*Ts);
figure
plot(F,abs(XF))
Figura 17. Transformada de Fourier de x(t).
-
7/24/2019 23-83-1-PB (2)
35/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
34
L F 18 b v T
F v DFT.
L F 19 T F
b .
E x b . P, b
q T F ,
, W= 2xpixF.
P v ,
KxFs/N.
C , F 19 q
q v T F
v .
Figura 18. Calculo de la Transformada de Fourier de la seal x(t)
a travs del mtodo de la DFT.
-
7/24/2019 23-83-1-PB (2)
36/104
35
LaTransformadadeFourier.Mtodocomputacional
Figura 19. Comparacin entre el resultado obtenido con el algoritmo de la DFT
y los datos obtenidos a travs de la Transformada de Fourier.
-
7/24/2019 23-83-1-PB (2)
37/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
36
-
7/24/2019 23-83-1-PB (2)
38/104
37
Captulo 3
M de la Transformada de Fourier Discreta:
La FFT matricial
Contenido
-
7/24/2019 23-83-1-PB (2)
39/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
38
-
7/24/2019 23-83-1-PB (2)
40/104
39
M T F -
x(t) E (7).
( ) j tX w x t e dt
(7)
P x(t), h z
b Nmuestrasx(n), z T D
F (T.D.F.) x E (7).
21
0
( )
knNj
N
n
X k x n e
(8)
E q T
D F v , b -
. P v -
T.D.F. vh .
S N x(n), zA(n,k) N N b v
x q b
T.D.F. (v E (3)).
,A n k e
2 kn
jN
(9)
-
7/24/2019 23-83-1-PB (2)
41/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
40
P N= 4, z :
N=4;
for k=1:N
for n=1:N
A(n,k)=cos(2*pi*(k-1)*(n-1)/N)-j*sin(2*pi*(k-1)*(n-1)/N);
end
end
S b z:
1.0000 1.0000 1.0000 1.0000
1.0000 0.0000 1.0000 1.0000 0.0000 0.0000 + 1.0000
1.0000 1.0000 0.0000 1.0000 + 0.0000 1.0000 0.0000
1.0000 0.0000 + 1.0000 1.0000 0.0000 0.0000 1.0000
Al tener la matrizAv , b h
q v z 2*N2 .
C b z x(n):
x(n) = [1 2 3 4]
-
7/24/2019 23-83-1-PB (2)
42/104
41
MtodoecienteparaelclculodelaTransformadadeFourierDiscreta:LaFFTmatricial
L T.D.F. z zA(n,k)
x(n):
XF = x*A
XF = 10.0000 2.0000 + 2.0000i 2.0000 0.0000i 2.0000 2.0000i
E q x(n)
N= 100, 200, 300, 400, 500, 1000, 2000, 3000
4000 . E bz T F FFT v
DFT.
L F 20 v T-
F DFT.
Figura 20. Tiempo de cmputo para clculo de la DFT.
-
7/24/2019 23-83-1-PB (2)
43/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
42
L F 21, T F-
v . S q v
b v DFT.
Figura 21. Tiempo de cmputo para clculo de la Transformada de Fourier
por medio del mtodo matricial.
-
7/24/2019 23-83-1-PB (2)
44/104
43
Captulo 4
Clculo de la densidad espectral de
potencia para seales con muestreo
irregular: Mtodo de Lomb
Contenido
-
7/24/2019 23-83-1-PB (2)
45/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
44
-
7/24/2019 23-83-1-PB (2)
46/104
45
P T FX(w) (v E (7))
b b b
, (PSD). V E- (10).
2
X w (10)
A v , h q
x(t), q Ts
Nq b x(n). T -, PSD v T F (v
E 8).
E b
, Lb, 1976,
bv -
. E x, q x q
q q bv
.
E Lb xn(t
n)
q -
v f bv E (11).
-
7/24/2019 23-83-1-PB (2)
47/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
46
2 2
1 1
2 2 2
1 1
.cos 2 .sin 21
2 cos 2 sin 2
N N
n n n n n nn n
N N
n nn n
x t x f t x t x f tP f
f t f t
(11)
E E (4), 2 vz xn(t
n)
vb z v E (12).
1
1
sin(4 )tan 4
cos(4 )
N
nn
N
nn
t
t
(12)
P Lb h
q b (N= 500 )
(30Hz, 80Hz
120Hz) Fs= 1000 /, q z q
Ts= 0.001 .
N=500;
Fs=1000;Ts=1/Fs;
n=1:N;
f1=30;
f2=80;
f3=120;
x=cos(2*pi*f1*Ts*n)+cos(2*pi*f2*Ts*n)+cos(2*pi*f3*Ts*n);
L F 22 b .
-
7/24/2019 23-83-1-PB (2)
48/104
47
Clculodeladensidadespectraldepotenciaparasealesconmuestreoirregular:MtododeLomb
A v T F, -
b. C v F 23, PSD
b v b -
v .
Figura 22. Seal de prueba, compuesta por la suma de tres sinusoides de frecuencias: 30Hz,
80Hz y 120Hz. Con frecuencia de muestreo F= 100Hz y candad de muestras N= 500.
Figura 23. PSD de la seal de prueba, compuesta por tres impulsos unitarios
ubicados en las frecuencias: 30Hz, 80Hz y 120Hz. Con frecuencia de muestreo
F= 100Hz y candad de muestras N= 500.
-
7/24/2019 23-83-1-PB (2)
49/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
48
L b v x
. E q
q x b.
c=0;
for i=1:N
t(i)=c+Ts;
c=t(i);
end
c=round(rand(N,1));
x1=x.*c;
k=0;
for i=1:N
if x1(i)==0
x1(i)=x1(i);
else
k=k+1;xr(k)=x1(i);
tr(k)=t(i);
end
end
E b v xr(t
n),
v . E r, v - xr.
-
7/24/2019 23-83-1-PB (2)
50/104
49
Clculodeladensidadespectraldepotenciaparasealesconmuestreoirregular:MtododeLomb
L F 24 b z -
.
P Lb, b vz
b:
xm=(1/N)*sum(xr);
var=(1/(N-1))*sum((xr-xm).^2);
P b v (Hz) -
q PSD.
for h=1:N/2
f(h)=Fs*(h-1)/(N);
end
Figura 24. Seal con muestreo irregular.
-
7/24/2019 23-83-1-PB (2)
51/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
50
Tb v . S z v
v .
s=0;
for i=1:N
W2= 0.54+0.46*cos(2*pi*t(i)/t(N));
xr(i)=xr(i)*W2;
s=s+W2;
end
A PSD v
Lb:
NOR=N/(s*s);
R=length(f);
N=length(xr);
for r=1:R
c=0;
b=0;
Sh=0;Ch=0;
S2=0;
C2=0;
for i=1:N
Sh=Sh+( (xr(i)-xm)*sin( 2*pi*f(r)*(tr(i)) ) );
Ch=Ch+((xr(i)-xm)*cos(2*pi*f(r)*(tr(i))));
S2=S2+sin(2*pi*f(r)*(tr(i)));
C2=C2+cos(2*pi*f(r)*(tr(i))) ;
endtao=(atan(S2/C2))/(4*pi*w(r));
A=Ch*cos(2*pi*f(r)*tao)+Sh*sin(2*pi*f(r)*tao);
B=Sh*cos(2*pi*f(r)*tao)-Ch*sin(2*pi*f(r)*tao);
A2=(N/2)+0.5*C2*cos(4*pi*f(r)*tao)+0.5*S2*sin(4*pi*f(r)*tao);
B2=(N/2)-0.5*C2*cos(4*pi*f(r)*tao)-0.5*S2*sin(4*pi*f(r)*tao);
P(r)=NOR*(((A^2)/A2)+((B^2)/B2));
end
-
7/24/2019 23-83-1-PB (2)
52/104
51
Clculodeladensidadespectraldepotenciaparasealesconmuestreoirregular:MtododeLomb
figure
plot(w,P)
title(espectro de lomb(muestreo uniforme))
xlabel(Frecuencia)
ylabel(Magnitud)
L F 25, b PSD
Lb .
Figura 25. PSD calculada por medio del mtodo de Lomb,
para muestras tomadas irregularmente.
-
7/24/2019 23-83-1-PB (2)
53/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
52
-
7/24/2019 23-83-1-PB (2)
54/104
53
Captulo 5
Promediado de espectros
Contenido
-
7/24/2019 23-83-1-PB (2)
55/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
54
-
7/24/2019 23-83-1-PB (2)
56/104
55
Ex , b
. A v
, b - bv q q .
E bv vz h v
z
.
E vz b
44100 Hz, hv .. L
vz q v v v. S v ,
b b 28000 .
A1=load sonido;
a1=A1.sonido.
plot(a1)
-
7/24/2019 23-83-1-PB (2)
57/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
56
L F 26 vz .
P z v
(v F 27).
N=length(a1);
k=1:N/2;
F=(k-1)*44100/N;
a1f=abs(fft(a1.*(hamming(N))));
plot(F,a1f(1:N/2));
Figura 26. Seal de voz.
-
7/24/2019 23-83-1-PB (2)
58/104
57
Promediadodeespectros
P z , b
. C b
. E q v :
15000, 54000, 132000 170000.
ma1=a1(15000:15000+27999);
L=length(ma1);
ma2=a1(54000:54000+27999);
ma3=a1(132000:132000+27999);
ma4=a1(170000:170000+27999);
Figura 27. Magnitud del espectro de la seal de voz.
-
7/24/2019 23-83-1-PB (2)
59/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
58
L F 28 .
D , b v z
(v F 29).
W=hamming(L);
ma1w=ma1.*W;
ma2w=ma2.*W;
ma3w=ma3.*W;
ma4w=ma4.*W;
ma1f=abs(fft(ma1w));
ma2f=abs(fft(ma2w));
ma3f=abs(fft(ma3w));
ma4f=abs(fft(ma4w));
Figura 28. Segmentado de la seal.
-
7/24/2019 23-83-1-PB (2)
60/104
59
Promediadodeespectros
E z .
maf= (ma1f + ma2f + ma3f + ma4f)/4;
figure
plot(f,maf(1:3000))
title(Espectro promedio vocal a)
Figura 29. Espectros en magnitud de cada segmento.
-
7/24/2019 23-83-1-PB (2)
61/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
60
L F 30 -
b F 29 bv z v .
E F 30 v v -
. S z.
Figura 30. Promedio del espectro.
-
7/24/2019 23-83-1-PB (2)
62/104
61
Captulo 6
Manipulacin del espectro
de una seal unidimensional
Contenido
-
7/24/2019 23-83-1-PB (2)
63/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
62
-
7/24/2019 23-83-1-PB (2)
64/104
63
E x(n), -
q . E -
v b: b . E z
x(n)
b.
S h ,
v
.
E -.
N=500;
n=1:N;
Fs=500;
Ts=1/Fs;
x=cos(2*pi*10*n*Ts)+ cos(2*pi*20*n*Ts)+ cos(2*pi*30*n*Ts)+
cos(2*pi*100*n*Ts)+ cos(2*pi*150*n*Ts)+ cos(2*pi*200*n*Ts);
E F 31 b.
-
7/24/2019 23-83-1-PB (2)
65/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
64
P ( ) v
h T F (v F 32).
xf=(fft(x));
k=1:N/2;f=(k-1)*Fs/N;
Figura 31. Seal de prueba x(n).
Figura 32. Espectro en frecuencia de la seal x(n).
-
7/24/2019 23-83-1-PB (2)
66/104
65
Manipulacindelespectrodeunasealunidimensional
D b vb
x1f , b.
xf1=xf;
xf1(50:449)=0;
C x2 v h
T v F. E b
F 33.
x2=real(ifft(xf1));
S b
(v F 34).
xf1(1:201)=0;
xf1(801:N)=0;
Figura 33. Seal con efecto pasa bajos.
-
7/24/2019 23-83-1-PB (2)
67/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
66
Figura 34. Seal con efecto pasa altos.
-
7/24/2019 23-83-1-PB (2)
68/104
67
Captulo 7
Transformada Cepstrum
Contenido
-
7/24/2019 23-83-1-PB (2)
69/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
68
-
7/24/2019 23-83-1-PB (2)
70/104
69
E C T F.
S
q v T F.
E b z -
. E
b q
.
E vz hv .
A1=load sonido;
Fs=44100;
Ts=1/Fs;
a1=A1.andreaa;
E q -
z v a(v F 35).
ma1=a1(15000: 15000 + 27999);
-
7/24/2019 23-83-1-PB (2)
71/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
70
P b q b
v, v (v F 36).
c=zeros(1,1000);x1=[ma1 c ma1 c ma1 c];
N=length(x1);
x1=x1/max(x1);
t=(1:N)/44100;
figure
plot(t,x1)
Figura 35. Segmento de seal de voz que representa
la pronunciacin de la vocal a.
-
7/24/2019 23-83-1-PB (2)
72/104
71
TransformadaCepstrum
T q , C
.
c = cceps(x1);
figureplot(t,c)
E F 37, bv b, q
v , z .
Figura 36. Repeciones del segmento de voz, emulando un eco.
-
7/24/2019 23-83-1-PB (2)
73/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
72
E F 38 z -
C.
c=c/max(c);
figureplot(t,x1,t,c)
xlabel(Tiempo(Seg))
legend(Seal de voz, Coeficientes Cepstrum)
Figura 37. Coeentes Cepstrum de la seal que conene un eco emulado.
Figura 38. Coecientes Cepstrum indicando cuando empieza
cada repecin de la seal de la voz.
-
7/24/2019 23-83-1-PB (2)
74/104
73
Captulo 8
Introduccin a la Transformada
Wv
Contenido
-
7/24/2019 23-83-1-PB (2)
75/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
74
-
7/24/2019 23-83-1-PB (2)
76/104
75
E bv
-
.
E b .
Ts=0.01;
Fs=1/Ts;
t=-10:Ts:10;
x=cos(2*pi*1*t)+cos(2*pi*1.5*t)+cos(2*pi*2*t);
subplot(2,1,1)plot(t,x)
E F 39, b .
-
7/24/2019 23-83-1-PB (2)
77/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
76
E . P z
Sb x (v F 40).
L=length(t);f=0.01:0.05:5;
N=length(f);
for u=1:N
ta=t/f(u);
mex(u,:)=((pi^(0.25))/sqrt(3))*(1-ta.*ta).*exp(-ta.*ta/2);
end
figure
mesh(t,f,mex)
Figura 39. Seal de prueba conformada por una sumatoria de sinusoidales.
-
7/24/2019 23-83-1-PB (2)
78/104
77
IntroduccinalaTransformadaWaveletconnua
E b.
for u=1:N TW(u,:)=filter(mex(u,:),1,x);
end
figure
t=-10:Ts:10;
mesh(t,f,TW)
L F 41 b.
Figura 40. Ondaleta Sombrero Mexicano.
-
7/24/2019 23-83-1-PB (2)
79/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
78
Figura 41. Anlisis de la seal de prueba a travs de la Transformada Wavelet connua.
-
7/24/2019 23-83-1-PB (2)
80/104
79
Captulo 9
Aplicacin de la Transformada Wavelet
vz
Contenido
-
7/24/2019 23-83-1-PB (2)
81/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
80
-
7/24/2019 23-83-1-PB (2)
82/104
81
E bv
vz.
E hv vz h z
z, b .
Fs=44100;
Ts=1/Fs;
A1=load sonido;
ma1=A1.andreaa;x1=ma1(15000: 15000 + 27999);
xa=decimate(x1,5);
x=xa(1:4000);
Fs=8000;
-
7/24/2019 23-83-1-PB (2)
83/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
82
L F 42 b.
E . P z M.
t=-2:Ts:2;
L=length(t);
f=0.1:1:10;
N=length(f);
for u=1:N
ta=t/f(u);mor(u,:)=(exp(-(ta.*ta)/2)).*cos(5*ta);
end
figure
mesh(t,f,mor)
Figura 42. Seal de Voz de prueba.
-
7/24/2019 23-83-1-PB (2)
84/104
83
AplicacindelaTransformadaWaveletconnuaensealesdevoz
L F 43 M.
P vz, b -
F 44.
for u=1:N
TW(u,:)=filter(mor(u,:),1,x);
end
figure
t=(1:4000)/Fs;mesh(t,f,TW)
Figura 43. Ondaleta Morlet en el dominio del empo y frecuencia.
-
7/24/2019 23-83-1-PB (2)
85/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
84
Figura 44. Resultado obtenido despus de analizar la seal de voz a travs
de la Transformada Wavelet usando la ondaleta Morlet.
-
7/24/2019 23-83-1-PB (2)
86/104
85
Captulo 10
Espectro de una seal discreta
bidimensional
Contenido
-
7/24/2019 23-83-1-PB (2)
87/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
86
-
7/24/2019 23-83-1-PB (2)
88/104
87
P bA(x,y), x T-
D F :
2 21 1
0 0
1, ( , )
ux vy M Nj
M N
x y
A u v A x y eMN
(13)
E q -
b T D F b.
P b, - z q v
0 255.
N=200;
n=1:N;
x=128*cos(2*pi*10*n*0.01);
x=uint8(x+128);
for i=1:N
A(i,:)=x;
end
mesh(double(A))
figure
imshow(A)
-
7/24/2019 23-83-1-PB (2)
89/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
88
E F 45 b (
mesh). S q q x
y, v .
L b, b b , v 0 x 255. L F 46
( z imshow).
Figura 45. Funcin sinusoidal bidimensional.
Figura 46. Funcin sinusoidal representada como una imagen monocromca.
-
7/24/2019 23-83-1-PB (2)
90/104
89
Espectrodeunasealdiscretabidimensional
A v , -
T F b.
AF=fftshift(abs(fft2(double(A))));
figure
mesh((AF))
figure
imshow(uint8(AF))
L F 47 b T-
F b b .
C F 47, b
b hz. E b
T F
.
Figura 47. Magnitud de la Transformada de Fourier Bidimensional.
-
7/24/2019 23-83-1-PB (2)
91/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
90
A v ,
b v v.
for i=1:N
B(:,i)=x;
end
figure
mesh(double(B))
figure
imshow(B)
L F 48 v .
Figura 48. Funcin sinusoidal bidimensional travs del eje .
-
7/24/2019 23-83-1-PB (2)
92/104
91
Espectrodeunasealdiscretabidimensional
Uz T F b-
, .
BF=fftshift(abs(fft2(double(B))));
figure
mesh((BF))
figure
imshow(uint8(BF))
L F 49 b T-
F b v y.
Figura 49. Magnitud de la Transformada de Fourier bidimensional (funcin rotada).
-
7/24/2019 23-83-1-PB (2)
93/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
92
-
7/24/2019 23-83-1-PB (2)
94/104
93
Captulo 11
Manipulacin del espectro
de una seal discreta bidimensional
Contenido
-
7/24/2019 23-83-1-PB (2)
95/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
94
-
7/24/2019 23-83-1-PB (2)
96/104
95
E b,
x .
E bA(x,y), -
b z.
A=ones(200,200);
A(1:50,1:50)=0;
A(1:50,100:150)=0;
A(100:150,1:50)=0;
A(50:100,50:100)=0.4;
L F 50 b A(x,).
Figura 50. Funcin bidimensional A(x,).
-
7/24/2019 23-83-1-PB (2)
97/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
96
E v Bwh
A(x,y). E v:
b .
[a,b]=size(A);
for i=1:a
for j=1:b
D(i,j)=(((i-(a/2))^2)+((j-(b/2))^2))^(0.5);
end
end
Do=10;
n=4;
for i=1:a
for j=1:b
d=D(i,j);
Hpb(i,j)= 1 / (1+ (d/Do)^(2*n) );
%pasa bajos
Hpa(i,j)= 1 / (1+ (Do/d)^(2*n) );
%pasa altos
end
end
-
7/24/2019 23-83-1-PB (2)
98/104
97
Manipulacindelespectrodeunasealdiscretabidimensional
E F 51 b.
E T b F
A(x,y) (v F 52).
AF=(fft2(double(A)));
Figura 51. Mscara para efecto pasa bajos y para efecto pasa altos.
Figura 52. Magnitud del espectro de la funcin A(x,).
-
7/24/2019 23-83-1-PB (2)
99/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
98
P z q
H(u,v).
AF2=fftshift(AF);
Y b.
AG=AF2.*Hpa;
E b
F 43.
Figura 43. Magnitud del espectro de la funcin A(x,)
despus de la aplicacin de la mscara pasa bajos.
-
7/24/2019 23-83-1-PB (2)
100/104
99
Manipulacindelespectrodeunasealdiscretabidimensional
E vv z b v
A2(x,y) T v F
b.
AG=fftshift(AG);
A2=ifft2(AG);
figure
imshow(A2)
L F 54 b .
E b . E F 55 A(x,y)
.
E F 56, z
b A(x,y).
Figura 54. Resultado en el dominio espacial de la aplicacin de la mscara pasa bajos.
-
7/24/2019 23-83-1-PB (2)
101/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
100
Figura 55. Magnitud del espectro de la funcin A(x,)
despus de la aplicacin de la mscara pasa altos.
Figura 56. Resultado en el dominio espacial de la aplicacin de la mscara pasa altos.
-
7/24/2019 23-83-1-PB (2)
102/104
101
Bibliografa
L z x h b q -
.
Transformada de Fourier
Oh A, Wk A. S S. P H. Mx 2011.
Pk Jh, Mk DI. T D S. P. E 2010.
M S. P D S D. M Gw H. E 2008.
W T. V. N R 3 E. Cb Uv P 2007.
Seales Bidimensionales
Gzz R. W Rh. D I P. 2007.
P Gz. D z J. V C. A R-MA.
E 2002.
Gzz Jv M Dv. A Tx Tv P-
D I. E USTA. Cb, 2013.
Contenido
-
7/24/2019 23-83-1-PB (2)
103/104
SeriesyTransformadadeFourierparaSealesConnuasyDiscretasenelTiempo.
Algoritmosparaeldesarrollodeejerciciosprccos
102
Voz humana
Fz Z M. T D Vz I. A M-
b. Mx 2001.
Transformada Wavelet
M Dv. P b -
. E USTA. Cb, 2013.
Algoritmo de la Tcnica de Lomb
P W. N R C: Th A S C. E. C-
b USA 2002.
-
7/24/2019 23-83-1-PB (2)
104/104