Professional Documents
Culture Documents
de seales y
sistemas discretos.
Procesado Digital de Seales.
4 Ingeniera Electrnica, Universitat de Valncia, Profesor Emilio Soria
n
ales elementales en tiempo discreto:
SY ( w) = H ( j " w) " SX ( w)
Impulso unitario:
1, para n = 0
(n) =
0, para n != 0
n
ales elementales en tiempo
discreto:
!
x(n) = A " sin(# " n + $ )
Seales discretas. Tipos principales
Impulso
Impulso unitario
unitario:desplazado:
...
Impulsounitario
Unit sample
...
Unit sample
1
j
A = |A|e
Exponencial
compleja.
...
...
From Discrete-Time Signal Processing, 2e by Oppenheim, Schafer, and Buck 1999-2000 Prentice Hall, Inc.
From Discrete-Time Signal Processing, 2e by Oppenheim, Schafer, and Buck 1999-2000 Prentice Hall, Inc.
Discrete-Time
Signal Processing,
byBuck
Oppenheim,
Schafer,
and Buck
Prentice Hall, Inc.
From Discrete-Time SignalFrom
Processing,
2e by Oppenheim,
Schafer,2e
and
1999-2000
Prentice
Hall, 1999-2000
Inc.
Unit sample !
j" ( w" n + # )
10
1, para n = ...
... n
n0
n "je
x(n)nen
Unit sample
0A
x(n)
= |A|||
e=jwtiempo
e = discreto:
|A|||nej(w0n+)
Se
nales
elementales
0 (a)
n
...
(n n0) = 1, para n = 0 ...
(n) = 0, para n != n0
(a)
0
n
0, para n != 0
!Impulso
Unit step
Si ||
=n 1 unitario:
x(n) = |A|ej(w0n+) hablamos de una Secuen
0
(a)
Adems de estas seales
1
Escal
on unitario:
Unit
step
(a)
Exponencial
Compleja quepuede descomponerse en los corr
Impulso unitario
desplazado:
1
...
...
Escaln
unitario.
discretas bsicas se tienen
Unit step
1, para n = 0
...!
...
pondientes
fasores:
1
Unit step
sus
versiones
retardadas;
1, para n 0
(n)
=
0
n
1
...
...
0, para
n != 0 el
u(n) =
1, para n =...n0
0 (b)
a modo0nde
... n x(n) = |A|[cos(w
+
)ejemplo
+ jsin(w
0 n + )],
(n n0)
=0, para n < 0
(b)
0
n
0, para n != n0
impulso
unitario
retardado
Impulso unitario desplazado:
0
(b)
donde wn0 es la frecuencia
de la sinusoide.
Rampa unitaria:
queda definido
como
Real exponential
(b)
Escal
on unitario:
...
Exponencial
real.
Real exponential
1, para
Descomposici
on: Toda secuencia
se puede
como u
n = nexpresar
...
0
Real exponential
0
...
(n
n
)
=
n, para n
0
combinaci
on de s.
...
0, para n != n0
ur (n)
Real exponential
...
0
n
x =n=0,1,Apara
" # nnn<0 0
para
...
n
0 (c)
T
xu(n)
n =
=
A"#
... n
Por ejemplo:
Escal
on unitario:
(c)
0,
para
n
<
0
Sinusoidal ...
n
0
n
Exponencial: ue(n) = A , n y , A C. En funcion del vaUna ltima definicin es la de
Sinusoidal
0
n 3, 4, ...} x(n) = (n) + 2(n 1) + 3(n 2) +
(c)
x(n) = {1, 2,
Sinusoide
peridica que
lor de yunitaria:
A se tratar
a de una exponencial creciente/decreciente (c)
Rampa
...
seal discreta
Sinusoidal
1, para n 0
...
compleja o real.
y(
cumple
x(n+N)=
x(n)
Sinusoidal
u(n)
=
El
escal
o
n
unitario
se
puede
expresar
as
: " n;
n
0
x n= A=" cos
A " cos
#+ $" n + $...
...
x
n
#
"
n
!
para n <
n
0
!
aqu N es el0,nperiodo
de0la !
n, para n 0
...
...
!
ur (n) =
n
0 n de Seales.
=
||ejwDigital
(2.1)0 (d)
...
Rampa unitaria:u(n) = seal.(k)
Procesado
N 2Emilio
4 Ingeniera Electrnica,
0,Universitat
parade Valncia,
nN<2 0Profesor
n
% a...NSoria +% aaNN(d)0 (+ a N (
x(
k=
1
21 basic sequences.
3
2
Figure
2.3
Some
a
=
a
#
a
=
+
N
+
N
"1
(d)
'
*
n +d+
a
=
a
d
#
a
=
+
N
+
N
"1
k
k"1
n
1
2
The
sequences
shown
play
important
'
*
!
Exponencial: ue(n) =
n y , A C. En funci
o2
nin del
vak A31 ,k"1
1
2
Figure
Some
sequences.
roles2.3
the
analysis
and
representation
n, para n 0
(d)
& nThe
)basic
De forma general:
2
shown
play and
important
&
)
ofsequences
discrete-time
signals
systems.
k=N 1 creciente/decreciente
! y A se tratara de una exponencial
lor !
de
in the
representation
Figure
2.3analysis
Someand
basic
sequences.
ur (n) =
k=N 1 roles
ofThe
discrete-time
sequencessignals
shownand
playsystems.
important
0, para n < 0
Figure 2.3 Some basic sequences.
N2
compleja o real.
roles in the analysis and representation
y
!
sequences
shown
play important
(
N 2 % a N ofThe
+
r
"
a
discrete-time
signals
and
systems.
N
in
the
analysis
and
representation
2 roles
1
% a N +signals
( x(n)
=
x(k)(n
k) n, n y , A C. En funcion del var* "andasystems.
ak = a k"1 + r #
an = '
of discrete-time
Exponencial:
ue(n)
= A
N1
2
k=
ak = a k"1 jw
+ r0k=N
#
a
=
r
"1
!
*
& n ' (2.1))
lor de y A se tratara de una exponencial creciente/decreciente
= ||e n 1
r
"1
&
)
compleja o real.
k=N 1
y(
()
()
( )( )
( (
$$
( )
$$
Clasificaci
de se
nales en tiempo discreto:
Seales discretas. Energa
yonpotencia.
!
T {a " x1 (31
n) + b " x 2 (n)} = a "T {x1 (n)} + b "T {x 2 (nEnerg
)} a y potencia:
La T
energa
queda
forma
+ bseal
" x 2 (ndiscreta
n)} + b de
"Tla
)} = a "T
{a " x1 (den)una
{x1 (definida
{xsiguiente
2 (n)}
!
!
!
Energia : E
Si este valor es finito se dice que la seal es una seal de energa
31
M
$M
|x(n)|2
La potencia
ak " y(n #media
k) = debsuna
" x(nseal
# s) discreta queda definida de la siguiente forma
k=0
s=0
N
!
1
P otencia
media : P lm
|x(n)|2
cero
la seal
N 2N + 1
n=N
A modo
ak " y Hde(nejemplo
# k) = 0 es inmediato
!
potencia (su energa es infinita) y el impulsoPodemos
unitariollegar
es una
a: funcin energa (su potencia
k=0M
media
es 0).
M
N =0
ak " y H (n # k)
1
EN jwn tiene
Pcompleja
lm
A modo
de
ejercicio
intenta
demostrar
que
la
seal
discreta
x(n)=
N
2N
+ 1 A!e
a
"
y
(n
#
k)
=
b
"
x(n
#
s)
s
k=0k P
!
energa
infinita y potencia
media igual a A ydonde
queEla
seal rampa
ni esN
seal
a de lax(n)=n!u(n)
senal en el intervalo
n N.
N es la energ
k=0
s=0
$a
$ b " x(n # s)
" y P (n # k) =
Simetricas y antisimetricas:
k=0
y(
h(
s=0
M
de energa
ni de potencia.N
!
!
n=
(2.1)
32
Mk=0
= ||ejw0n
s=0
y(
y(
k=
Sistemas discretos.
y = f (x y)
nn
= f (xn )
T is a linear
for any ifpair
sequences
{xn } and {x
T is system
a linearifsystem
for ofany
pair of sequences
{xn"Figure
{xn"Representation
}
n}} and
2.6
Un sistema discreto es lineal si para cualquier par de constantes a y b se cumple la of a
discrete-time
system, i.e., a
"
siguiente igualdad.
T {a xn T
+{a
b xxn" n} +
= ba xTn" {x
+ bT{x
T {x
}. b Ttransformation
n} a
}=
{xn" }.
that maps an input
n }n+
Types of discrete s
Respuesta
impulsional.
Convolucin.
impulse sequences: Any A
delay {x
system
shifts
a sequence
in time:sum
sequence
decomposed
into a weighted
be represented
by convolution?
n } can be
Tenemos un sistema discreto L.T.I (lineal e invariante temporal) y estamos interesados en determinar la
#
1
= xnd
RkXX {
(m)
=}
SX ( w) " eyjmw
n dw
{x
}
=
x
n
nk
T
is
a
time-invariant
system
if for any d
!
2
"
#
k=
unitarios
$#
()
()
}=
xk {nk }
2
Lets see what happens if we apply a Slinear
time-invariant
system
Y ( w) = H ( j " w) " S X ( w)
Si
queremos
determinar
la
salida
de
la
seal
discreta
{x
}
aplicaremos
k=
T to such a decomposed
{ynif}we
=apply
T {xanlinear
} ()
{ynd(
!
Letsnsequence:
see what happens
time-invariant
2
#
"
n
SY ( w) = H ( j " w)" "
STX (to
w)such a decomposed
# x(n)
= A " sequence:
e
!
!
()
()
!
()
Aqu
se aplicaiflafor
2 cuestin
we apply a linear
time-invariant
system
"
#
T
is
a
linear
system
T {xn }se tiene
=# " n T
xk {nk } = xk T {nk
} any pair of seque
Recordando la expresin anterior
!
!
clave
el "sistema
es
lineal
x(n) = A " e
x(n)
=
A
sin
#
"
n
+
$()
(
) !
equence:
k=
k=
T {xn } = T
x
{
}
=
xk T {nk }
k
nk
"
#"
#
!
!
T
{a
x
+
b
x
}
=
a T {xn }
!
k=
Sex(n)
tiene= la
actuacin
del
seal impulso
retardado.
! sobre la k=
j" ( w"nnunitario
+#
n
A "()
sin # " n +
$ sistema
= (
xk) {nk } T {n
} = = A "e x
{)nk } "T {
}
x(n)
() !
n
k
la
impulsional
de un
!sistema discreto, hk , como!
{nk } =
xk T {nk } Definimos la respuesta
()
k=
k=
=
x
{
}
T
{
}
=
!
j" w" n + # )
! es el impulso kunitario
$ nkesto es hn =T{# }.
$ xk {nk }
k=
salida
la{
entrada
x(n)del
= sistema
A "=
e ( cuando
{xn } T
q.e.d.
n}
k
k
"
#
k=
x k " hn# k & y(n)k=
=
x(k) " h(n #
{ yn } =
!
!
=
q.e.d.
$
$ {xn } T {n }
!
Finalmente
como
el
k= #$
k= #$
xk {nk }
TThe
{n }impulse response TEl{anterior
k } T {n } =
se conoce
como
characterizes
an
LTI system.
n } fullyproducto-suma
y
=
x
"
h
&
y(n)
=
x(k)
"
h(n
#
k)
{
}
sistema
es
invariante
n
k
n#
k
k=
la convolucin
de xkTy{
hkn }y se
designa
por 15 an LTI
The
impulse
response
fully
characterizes
k= #$
k= #$
temporal se!llega a
impulse sequences:
decomposed
intodeadicho
weighted
of shifted
!
salida
sistemasum
cuando
se tiene una cierta seal a la entrada........
q.e.d.
{ x n } " { hn } =
&x
# hn$ k
k= $%
15
Cascade connection:
h1[n]
h2[n]
Dan Ellis
2004-09-14
28
Propiedades
h(n):
Asociativa:
h2(n) de
[h1(n)
x(n)] = [h2(n) h1(n)] x(n)
Asociativa.
!
Propiedades
de x[n]
h(n):LTI es estable
Un
< , entonces
y[n]sistema
y[n] x[n] k= |h(k)|y[n]
h1[n] h2 [n]
=
h2[n] h1[n]
=
h1[n]* h2[n]
!
los sistemas
h(n)
= k=
0, n|h(k)|
n<
todos estables.
Un sistema
es con
estable
, entonces
Propiedades
deLTI
la convoluci
on:
0 son
los sistemas con h(n)LTI
= 0, es
ncausal
n0 son
todos estables.
si h(n)
= 0, n < 0.
[n] Un sistema
h1Conmutativa:
h(n) x(n) =
x(n) h(n)
x[n] LTI es causal
y[n]
x[n]
y[n] x[n]
Un sistema
si
h(n)
=
0,
n
<
0.
n]x[n] h2 [n]
= y[n]
h2[n] (n)+x(n)h
h [n]
= 2(n) h1[n]* h2[n] y[n]
y[n]h1[x(n)[h
x[n] Distributiva:
= x(n)h
1 (n)+h2 (n)]
1 1
x[n]
Distributiva.
=
h1[n]+h2 [n]
Asociativa: h2(n) [h1(n) x(n)] = [h2(n) h1(n)] x(n)
h1[n]
h 2[n]
Propiedades de h(n):
y[n] x[n]
y[n]
x[n]
!
= !h1[n]+h2 [n]
Un sistema LTI es estable k= |h(k)| < , entonces
los sistemas conh 2h(n)
[n] = 0, n n0 son todos estables.
Un sistema LTI es causal si h(n) = 0, n < 0.
"#$%&'() *+,-+'./0+,1+21/3+14(5/$,6'(71!!""8
39
N= 6
x[k]
1
0
x[k] y[n]
x[7 k]
x[1k]
x[k]
x[2 k]
x[k]
x[5 k]
x[k]
0
10
x[k] x[8 k]
x[k] x[11k]
x[k]
39
x[17k]
k
k
k
n = 7
y =0
n = 1
y=0
n =2
y = 39
3
n =5
y = 6!
n =8
y=
n = 11
y=
n =17
y=0
!"
Propiedades de la convoluci
on:
Conmutativa: h(n) x(n) = x(n) h(n)
Estabilidad. Causalidad.
Distributiva:
x(n)[h
x(n)hlas
2 (n)]
1 (n)+x(n)h
Una vez
vista1(n)+h
la forma
de=obtener
salidas de2(n)
un sistema discreto es necesario
definir
el concepto
estabilidad
unsistema
Asociativa:
h2(n)
[h1(n) dex(n)]
= [h2(n)BIBO;
h1(n)]
x(n) digital es estable BIBO si, ante
cualquier entrada acotada, la salida del sistema permanece acotada.
Propiedades de h(n):
Propiedades
de la
n:
Se puede
demostrar que
la convoluci
definicin oanterior
se transforma en la siguiente
!
condicin
matemtica
Un sistema
LTI es
estable k=
< x(n)
, entonces
Conmutativa:
h(n) |h(k)|
x(n) =
h(n)
los sistemas con h(n) = 0, n n0 son todos estables.
Distributiva:
x(n)[himpulsional
= x(n)h
1 (n)+h2 (n)]del
2 (n) lo que se
Si nos fijamos
en la respuesta
sistema1(n)+x(n)h
discreto aparece
Un sistema LTI es causal si h(n) = 0, n < 0.
conoce como
sistema F.I.R
I.I.R
(Infinite Impulse
Asociativa:
h2(n) (Finite
[h1(n) Impulse
x(n)] =Response)
[h2(n) h1e(n)]
x(n)
Response). Evidentemente (lo ves?) los sistemas FIR siempre son estables.
Propiedades de h(n):
Otra definicin importante es la de causalidad;
! un sistema discreto es causal cuando
Un
sistemainstante
LTI es no
estable
dek=
|h(k)|
< ,
entonces o salidas.
la salidaen
cualquier
depende
valores
futuros
de entradas
los sistemas con h(n) = 0, n n0 son todos estables.
Es inmediato comprobar que un
Un sistema LTI es causal si h(n) = 0, n < 0.
sistema es causal si se cumple que
Procesado Digital de Seales.
4 Ingeniera Electrnica, Universitat de Valncia, Profesor Emilio Soria
Correlacin. Autocorrelacin.
Existen situaciones en las que estamos interesados en determinar como va cambiando
una seal a lo largo del tiempo; nos preguntamos si existe cierto parecido en la forma de
onda x(n) si consideramos diferentes intervalos temporales. Esta informacin es muy
til cuando se modelizan sistemas y existen periodicidades
Las operaciones de procesado digital que nos proporcionan esa informacin son la
autocorrelacin; cuando quiero determinar parecido dentro de una misma seal x(n); y
39
la correlacin cruzada
cuando quiero determinar parecido entre formas de onda
diferentes.
Se pueden distinguir
entonces dos operaciones; la autocorrelacin cuando se utiliza
Autocorrelation
una seal y la correlacin cruzada cuando se utilizan dos secuencias discretas.
! Autocorrelation (AC) is correlation of
signal with itself:
Se define la autocorrelacin
de una seal discreta x(n) a la secuencia definida por la
"
siguiente expresin,
La energa de la
rxx [l] = # x[n]x[n39! l] = rxx [!l]
n=!"
seal se corresponde
"
2
Energy of
con rxx(0)
! Note: rxx [0] = # x [n] = $ x
sequence x[n]
10
!"##$%&'(")*+,&-.%$
!
!
/#"0(1$2*&*-$&23#$*"4*2(-(%&#('5*6$'7$$)*8*2(9)&%2
:5.(;&%*&..%(;&'(")*(2*%";&'()9*&*<)"7)*2(9)&%
!
+=9=>*'#&)2-('*&*2(9)&%*&)1*2$$*(4*5"3*#$;$(0$*('*6&;<*
&)1*&%2"*&'*7?&'*'(-$*5"3*#$;$(0$*('*6&;<
Correlacin cruzada.
2.5.
Correlaci
on y convoluci
n
Se define
la correlacin
cruzada oentre
!"##$%&'(")*+,&-.%$*/0")'12
!"#"$
! 34()5*#&6*8$*'#&)4-('*'9$*4(5)&%*49"8)*:$%"8
k=#$
!
,-,*./
$ rxy (l) =
x(n)y(n l), l = 0, 1, 2, . . .
(l)hace
=
x (k )cambio
" y(kk=
# l)de
l = ndices
0,1,2,....
Sirxyse
un
en la
!"##$%&'(")*+,&-.%$*/0")'12
%$
expresin
anterior
llegar
a
rxy (l) = %
x (n + les
yinmediato
3$*#$0$(4$*'5$*6"%%"7()8*/)"'$*'5$*)"(9$:2
) "!
(n) l = 0,1,2,....
la siguiente igualdad.
k=#$
rxy (l)
n=#$
$
!
!
rxy (l) =
k=
x(n + l)y(n), l = 0, 1, 2, . . .
n=#$=
ryx(l)
k= y(n)x(n l) =
"
= k= y(n + l)x(n) = rxy (l), l = 0, 1, 2, . . .
!"##$%&'(")*+,&-.%$*/0")'12
Por tanto, ryx(l) es solo la version reflejada de rxy (l) donde la reflexion se hace con respecto a l = 0. Por tanto, la matriz de correlacion
cruzada entre dos secuencias es simetrica; nos da la misma informacion hacer la correlacion entre x(n) e y(n) que viceversa.
43
11