Professional Documents
Culture Documents
Formato de Publicación
Comunicaciones de la en
digitales Escuela Técnica
Python:
Superior de Ingeniería
estimación espectral
Autor:Autor: Alberto
F. Javier Manzanedo
Payán Somet Vicioso
Tutor:Tutor:
Juan Juan
José Murillo Fuentes
José Murillo Fuentes y Francisco Javier Payan Somet
Dpto.
Dep. Teoría
Teoría de ladeSeñal
la señal y comunicaciones
y Comunicaciones
Escuela Técnica
Escuela TécnicaSuperior de Ingeniería
Superior de Ingeniería
Universidad
Universidad de Sevilla
de Sevilla
Sevilla,
Sevilla, 20132022
Trabajo Fin de Grado
Grado en Ingeniería de las Tecnologías de Telecomunicación
Autor:
Alberto Manzanedo Vicioso
Tutor:
Juan José Murillo Fuentes y Francisco Javier Payan Somet
Profesor Titular
El tribunal nombrado para juzgar el trabajo arriba indicado, compuesto por los siguientes profesores:
Presidente:
Vocal/es:
Secretario:
Fecha:
Resumen
I
Índice
Resumen I
Notación V
1 Introducción 1
III
IV Índice
Índice de Figuras 83
Índice de Tablas 85
Índice de Códigos 87
Bibliografía 89
Glosario 91
Notación
V
VI Notación
En las últimas décadas, las comunicaciones digitales han cobrado más y más relevancia en el mundo
tecnológico. Hoy en día, infinidad de procesos y sistemas dependen en cierto punto de este tipo
de técnicas de comunicación. Estas son implementadas mediante modulaciones digitales que, de
manera resumida, consiste en agrupar los bits de información a enviar en M paquetes diferentes
de k bits cada uno de tal forma que a cada paquete de bit se le asigna una función denominada
pulso conformador. Estas funciones que representan las agrupaciones de bit se van transmitiendo
de manera sucesiva generándose así una transmisión digital.
Para caracterizar este tipo de modulaciones es necesario recurrir a la estadística, en concreto al
campo de los procesos aleatorios. Esto ofrece un modelo matemático independiente de la información
a enviar, es decir, no depende del conjunto de bit o mensaje que se quieran transmitir y, por tanto,
representa de manera fehaciente el sistema de comunicaciones digitales al completo ya que, es
válido para cualquier transmisión.
Tanto para diseñar este tipo de sistemas como para poder caracterizarlos, es de gran importancia
conocer cómo se distribuye la potencia inyectada en la transmisión a lo largo del espectro, de
esta forma, se puede entre otras cosas determinar el ancho de banda ocupado para así obtener el
canal requerido o la interferencia que podría provocar la transmisión en componentes espectrales
adyacentes pertenecientes a otras transmisiones. La función que mide esta distribución de potencia
en el espectro se denomina densidad espectral de potencia (PSD) y será el principal objeto de
estudio de este trabajo.
Puesto que las modulaciones digitales se definen a través de procesos aleatorios su determinación
experimental al completo carece de sentido. Pese a esto, se pueden estimar ciertas propiedades
mediante funciones de realizaciones del propio proceso, es decir, transmisiones concretas. A estas
funciones se las conoce como estimadores. En este punto, la palabra determinación debe ser
cambiada por la palabra estimación la cual da nombre al campo de estudio en que se enmarca este
trabajo, estimación espectral.
Con todo esto, el objetivo final será estimar la distribución espectral de potencia de modulaciones
digitales de tipo lineal. Para ello se hará un análisis deductivo donde, en el capítulo 2 se hará una
breve introducción teórica a la estimación de la PSD para señales deterministas de energía finita para
posteriormente dar el salto a señales de potencia como son los procesos aleatorios estacionarios,
donde se encontrará un primer estimador para la PSD, el periodograma.
A continuación, en el capítulo 3, se hará un recorrido por las principales técnicas de estimación
derivadas del periodograma, conocidas como métodos no paramétricos donde se hará un análisis
cualitativo de las principales características que estos ofrecen.
En el capítulo 4 se dará paso al análisis espectral de las modulaciones digitales lineales donde se
verá que estas pertenecen a una nueva categoría de procesos aleatorios denominados cicloestaciona-
rios (WSCS) para la cual, la esperanza y autocorrelación estadísticas presentan una distribución
periódica con periodo denominado periodo cíclico. cómo se estudiará en este capítulo, las técnicas
1
2 Capítulo 1. Introducción
de estimación derivadas del periodograma serán del todo válidas para estimar la PSD de este tipo
de procesos.
Debido a las propiedades cicloestacionarias, surge una nueva visión del concepto de distribución
de potencia en el espectro puesto que, existirán componentes espectrales correlacionados separados
por múltiplos de la frecuencia de ciclo fundamental (inversa del periodo cíclico) que mostrarán
distribuciones de potencia distintas de cero. Esta función de potencia espectral recibe el nombre
de espectro cíclico o función de correlación espectral (SCF). En el caso de los procesos aleatorios
WSS, estas correlaciones son nulas y, por tanto, la SCF es la propia PSD. De la misma forma,
tomando una diferencia de frecuencias nula, es decir, un múltiplo de cero en la frecuencia de ciclo,
se obtendrá la PSD del proceso WSCS.
Con todo esto, para finalizar este capítulo se analizará el periodograma cíclico, así como dos
métodos derivados de este capaces de estimar la SCF. Además, se verá que se mantiene la generalidad
respecto a la SCF con la PSD donde al tomar nula la frecuencia de ciclo en el periodograma cíclico,
este convergerá al periodograma visto en el capítulo 3.
En capítulo 5 se dará paso a la implementación en el lenguaje de programación Python de los
métodos de estimación estudiados para finalmente en el capítulo 6 hacer un supuesto experimental
donde se pondrán en práctica estas técnicas para estimar la PSD y la SCF de una modulación digital
lineal de tipo PAM. Como añadido, al final de este capítulo se realizarán una seria de aclaraciones y
generalizaciones respecto a los resultados obtenidos además de nuevos análisis donde se añadirá
ruido al sistema o se propondrá una nueva modulación.
2 Estimación de la densidad espectral:
Fundamento teórico
A lo largo del siguiente capítulo, se hará una introducción a la estimación espectral pasando
primeramente por la densidad espectral de energía hasta encontrar el estimador periodograma para
la densidad espectral de potencia de procesos aleatorios [15, 17].
Se va a considerar una señal determinista en tiempo continuo x (t) de energía finita la cual puede
obtenerse como:
Z ∞
E= |x(t)|2 dt < ∞ (2.1)
−∞
Además, se supondrá que su transformada de Fourier X( f ) existe. Según el teorema de Parseval [1],
la energía de x(t) puede describirse a través de su transformada de Fourier.
Z ∞ Z ∞
E= |x(t)|2 dt = |X( f )|2 d f (2.2)
−∞ −∞
Al termino |X( f )|2 se le denomina densidad espectral de energía de x(t) (ESD) puesto que
representa la distribución energética de esta a lo largo de todo el espectro de frecuencias.
Según lo expuesto, existen dos vías para obtener la ESD de x(t). Una de ellas es calcular primera-
mente la autocorrelación de x(t) para posteriormente hallar la transformada de Fourier de esta, lo
que se conoce como método indirecto. Y la segunda consiste en aplicar la ecuación (2.3) calculando
la transformada de Fourier de x(t) de manera directa para posteriormente obtener el módulo de esta
al cuadrado.
Si bien, ambos caminos implican funciones continuas que no pueden ser manejadas en softwares
de cálculo y, por tanto, impiden obtener técnicas de estimación realizables de manera practica
3
4 Capítulo 2. Estimación de la densidad espectral: Fundamento teórico
sobre funciones reales las cuales son discretas y de longitud finita. En un primer acercamiento para
solventar esta problemática, se realizará un muestreo periódico sobre la señal x(t) a una frecuencia
de muestreo Fm la cual se supondrá, cumple con el criterio de Nyquist (Fs > 2B). Esta versión
muestreada de la señal x(t) es una secuencia discreta que se denotará como x(n), −∞ < n < ∞.
En este caso, para obtener el espectro en frecuencia de x(n), se debe recurrir a la transformada de
Fourier en tiempo discreto (DTFT) definida como:
∞
X(F) = ∑ x(n)e− j2πFn (2.5)
n =−∞
Al igual que ocurría en el caso de la señal continua x(t), se puede demostrar, según el teorema de
Wiener-Khinchin [5], que la DTFT de rx (m) es la ESD definida en el dominio F de x(n).
∞
Sx (F) = ∑ rx (m)e− j2πFm (2.7)
m =−∞
A pesar de obtener una expresión para ESD de x(t) a través de su versión muestreada x(n), sigue
existiendo el problema de la infinitud de las muestras. De esta forma y para terminar de asimilar
el supuesto a un caso real, se supondrá un truncamiento finito de N muestras de x(n). Esto se
puede expresar matemáticamente como el producto de la señal x(n) de infinitas muestras, por una
señal rectangular de N muestras unitarias w(n) (ventana). A este procedimiento se le conoce como
enventanado, de tal forma que, la relación entre x(n) y la señal enventanada x̃(n) es
x(n), 0 ≤ n ≤ N − 1
x̃(n) = x(n)w(n) = (2.9)
0, e.o.c
Si ahora se pretende obtener el espectro de la señal truncada, es fácilmente notable que el resultado
será la convolución del espectro de la señal x(n) con el espectro de la ventana w(n).
Z 1/2
X̃(F) = X(α)W (F − α)dα (2.10)
−1/2
Al final de este capítulo se dedicará una sección a los efectos del enventanado, como adelanto,
decir que enventanar una señal provoca una distorsión o deformación del espectro de la señal real el
cual depende de manera directa de las características de la ventana. Aparece un fenómeno conocido
como fuga espectral donde el espectro se expande hacia frecuencias donde el espectro real debería
ser cero. Este fenómeno se muestra a través de la aparición de lóbulos los cuales tanto su ancho
como altura y número dependen de la ventana seleccionada. Además, como se ha adelantado ya,
existen multitud de ventanas diferentes que se adecuan a cada caso en cuestión ofreciendo diferentes
posibilidades en cuanto a resultados obtenidos.
De esta discusión se concluye que, puesto que la señal enventanada x̃(n) ofrece un espectro
aproximado al de la señal real x(n) que depende principalmente de la ventana, la densidad espectral
2.2 Estimación de la densidad espectral de potencia de procesos aleatorios WSS: Periodograma 5
de energía resultante heredará también estas propiedades, puesto que, según la ecuación (2.8) la
ESD de una ruta de muestras finitas x̃(n) será:
2
N−1
Sx̃ (F) = |X̃(F)|2 = ∑ x̃(n)e − j2πFn (2.11)
n = 0
lo cual mantiene los efectos del enventanado y, por esto, la ESD así obtenida será una versión
aproximada de la ESD real.
La expresión dada en (2.11) puede ser computada de manera numérica recurriendo al transformada
de Fourier discreta (DFT). Esta transformada es una versión discreta de la DTFT puesto que esta,
a pesar de estar definida a través de una señal discreta, el dominio F que resulta sigue siendo
continuo y, por esto, no puede ser calculado numéricamente. Para ello, la DFT plantea un muestreo
en un periodo de la función Sx̃ (F) de N frecuencias equiespaciadas. Existe un algoritmo altamente
eficiente conocido como FFT (transformada rápida de Fourier) que permite implementar la DFT de
cualquier señal discreta. Matemáticamente, esta operación se puede expresar como
N−1 2
k 2πk
Sx̃ F = = ∑ x̃(n)e− j N n = Sx̃ (k) (2.12)
N n = 0
Notar que, este resultado es aún más si cabe, una versión aproximada del espectro real Sx ( f ).
Hasta ahora se han considerado señales deterministas de energía finita las cuales poseen transformada
de Fourier y pueden ser caracterizadas a través de su densidad espectral de energía. Además de
este tipo de señales, existen multitud de casos en las que las señales involucradas no pueden ser
modeladas de esta manera puesto que no son deterministas o poseen energía infinita.
Como ejemplo de esto, el caso de las modulaciones digitales es claramente representativo de este
tipo de señales ya que, desde un punto de vista general no son deterministas puesto que dependen
de la información enviada en cada momento y, por tanto, para una correcta descripción de estas
señales, se acude al campo de la estadística, en concreto al ámbito de los procesos estocásticos o
aleatorios.
Siguiendo pues este enfoque la señal a estudiar será un proceso aleatorio [16] del tipo X(t,ν) y,
por consiguiente, dependerá no solo de la variable temporal t, sino también de una variable aleatoria
ν que modele el comportamiento estadístico. La característica principal de este tipo de funciones es
que, si se fija el valor de la variable aleatoria ν0 , se obtiene una señal determinista variable en el
tiempo x(t) a la que se le denomina realización del proceso aleatoria o muestra del proceso aleatorio.
De igual forma, fijar un instante temporal t0 implica obtener una variable aleatoria que se denotará
como X(t0 ).
Puesto que este proceso aleatorio posee dos dimensiones, una estadística y otra temporal, exis-
tirán dos enfoques distintos de caracterizarlo. Uno determinista basado en las propiedades de las
realizaciones de este y otro de tipo estadístico que arroje las características de la variable aleatoria
en cuestión.
Aplicando pues el enfoque estadístico, se pueden obtener dos propiedades que serán de interés a
lo largo de este estudio. la esperanza o media estadística que se define como
Z ∞
mX (t) = E[X(t)] = x fX(t) (x) dx (2.13)
−∞
y la autocorrelación estadística
6 Capítulo 2. Estimación de la densidad espectral: Fundamento teórico
Z ∞Z ∞
γX (t1 ,t2 ) = γX (t,t + τ) = E[X ∗ (t)X(t + τ)] = x1 x2 fXt ,Xt+τ (x1 ,x2 ;t,t + τ) dx1 dx2 (2.14)
−∞ −∞
Ambas expresiones operan sobre la dimensión estadística del proceso y, por ello, en general serán
funciones del tiempo. Existe un caso donde esta dependencia de la variable determinista no ocurre
y se dice que el proceso aleatorio en cuestión es estacionario. Cuando esto sucede únicamente en la
esperanza y la autocorrelación se dice que el proceso aleatorio es estacionario en sentido amplio
(WSS) o también conocido como estacionaridad débil. De esta forma, la esperanza estadística será
constante
Para entender un poco más esta definición, se tomará el siguiente procedimiento. En primer lugar,
se calculará la densidad espectral de potencia de una realización de dicho proceso. Para ello se
toma un valor fijo de la variable estadística, es decir, una realización cuyo resultado, como se vio
anteriormente, es una señal determinista dependiente del tiempo xν0 (t) de energía infinita, cuya
potencia se define como
Z T /2
1 1 1
Z ∞
Pxν = lı́m |xν0 (t)|2 dt = lı́m |xν0 T (t)|2 dt = lı́m R (0) = ⟨|xν0 T (t)|2 ⟩ (2.18)
0 T →∞ T −T /2 T →∞ T −∞ T →∞ T xν0 T
donde
xν0 (t), −T /2 ≤ t ≤ T /2
xν0 T (t) =
0, e.o.c
y que, según el teorema de Parseval,
1 1
Z ∞ Z ∞
Pxν = lı́m |xν0 T (t)|2 dt = lı́m |Xν0 T ( f )|2 d f (2.19)
0 T →∞ T −∞ T →∞ T −∞
De esta ecuación se concluye que, la PSD de una realización cualquiera del proceso aleatorio
estacionario X(t,ν) viene dada por
1
Sxν ( f ) = lı́m |X ( f )|2 (2.20)
0 T →∞ T ν0 T
Ahora bien, esta PSD obtenida, es a su vez un proceso aleatorio SX ( f ,ν0 ), puesto que depende
del valor tomado para ν. Por tanto, es lógico pensar que, tomando el promedio estadístico del nuevo
proceso obtenido, se obtendrá (ahora sí) la PSD del proceso aleatorio al completo.
1 1
2
ΓX ( f ) = E lı́m |XT ( f ,ν)| = lı́m E |X ( f ,ν)|2 (2.21)
T →∞ T T →∞ T T
2.2 Estimación de la densidad espectral de potencia de procesos aleatorios WSS: Periodograma 7
Por último, para conectar completamente con la ecuación (2.17), se puede operar a través de la
ecuación anterior, expresando esta en función del proceso aleatorio en el dominio del tiempo, es
decir
1 2 1 ∗
ΓX ( f ) = lı́m E |X ( f ,ν)| = lı́m E X ( f ,ν)XT ( f ,ν) =
T →∞ T T T →∞ T T
1 1
lı́m E F {XT (t,ν)} · F {XT (−t,ν)} = lı́m E
∗ F {XT (t,ν) ∗ XT (−t,ν)} =
∗
T →∞ T T →∞ T
Z∞
1 1
F lı́m E X (t,ν) ∗ XT (−t,ν) = F lı́m E
∗ ∗
X (t + τ,ν)XT (t,ν) dt =
T →∞ T T T →∞ T −∞ T
Z T /2
1 T /2
1
Z
F lı́m E ∗
X(t + τ,ν)X (t,ν) dt = F lı́m ∗
E [X(t + τ,ν)X (t,ν)] dt =
T →∞ T −T /2 T →∞ T −T /2
1 T /2
Z Z ∞
F lı́m γX (τ) dt = γX (τ)e− j2π f τ dτ
T →∞ T −T /2 −∞
En un caso real, no se puede disponer del proceso aleatorio al completo ya que, por propia
definición, al depender este de una variable aleatoria, se necesitarían infinitas realizaciones de este.
De lo que si se pude disponer es de una o más realizaciones del proceso sobre las cuales se pueden
estimar su media y autocorrelación, por ejemplo, para el caso de una muestra:
Z T /2
1
mx = lı́m x(t) dt (2.22)
T →∞ T −T /2
Z T /2
1
Rx (τ) = lı́m x∗ (t)x(t + τ) dt (2.23)
T →∞ T −T /2
Puesto que la realización (función muestra) de la que se dispondrá ser finitas, se puede suponer
que, para cuando la duración de esta (T0 ) sea suficientemente grande, se puede hacer la siguiente
aproximación:
Z T0 /2
1
mx ≈ x(t) dt (2.24)
T0 −T0 /2
Z T0 /2
1
Rx (τ) ≈ x∗ (t)x(t + τ) dt (2.25)
T0 −T0 /2
En este punto se puede plantear la pregunta, ¿De qué forma se pueden obtener datos estadísticos
referentes al proceso aleatorio con tan solo realizaciones de este? En respuesta a esto, se debe
pensar que, puesto que el proceso aleatorio bajo estudio es estacionario y, por tanto, su esperanza
estadística es constante y su autocorrelación no dependen del tiempo es lógico suponer que, teniendo
una realización del proceso de duración infinita, todos los posibles valores que aporta la variable
estadística del proceso aleatorio, han ocurrido y promediar esta en el tiempo sería equivalente
a calcular la esperanza estadística del proceso aleatorio que la generó. De igual forma ocurriría
con la autocorrelación que, convergería a la autocorrelación estadística. A esta propiedad se la
denomina ergodicidad [18], y es la conexión básica entre la teoría de procesos aleatorios y el estudio
experimental de estos. Matemáticamente,para el caso de lo momentos de primer y segundo orden,
se puede expresar como:
Z T0 /2
1
mX = lı́m mx = lı́m x∗ (t) dt (2.26)
T0 →∞ T0 →∞ T0 −T0 /2
8 Capítulo 2. Estimación de la densidad espectral: Fundamento teórico
Z T0 /2
1
γX (τ) = lı́m Rx (τ) = lı́m x∗ (t)x(t + τ) dt (2.27)
T0 →∞ T0 →∞ T0 −T0 /2
A las funciones que aparecen dentro de límite se les denomina estimadores [11] y forman parte de
una categoría a la que en teoría estadística se le conoce como estadísticos. Estas funciones, como
bien indica su nombre, se utilizan para estimar propiedades estadísticas que en este caso son la
esperanza y la autocorrelación. De tal forma que, al evaluar estas funciones para una determinada
longitud de la muestra del proceso, se obtendrá una estimación de la función o del valor al que
pretenden estimar. El alcance de un estimador viene descrito a través de una serie de propiedades
como son el sesgo, la eficiencia, la robustez, la consistencia, la suficiencia y la invarianza. En este
estudio, se tomará como condición suficiente para dar por válido un estimador si cumple con el
criterio de consistencia, el cual exige que:
1. La esperanza estadística del estimador debe converger a la función que pretende estimar a
medida que la duración de la muestra tiende a infinito.
2. La varianza estadística del estimador debe tender a cero a medida que la duración de la muestra
tiende a infinito.
En el caso de contar con más de un estimador para una misma propiedad estadística, se tomará
aquel con menor varianza. Esto se conoce como eficiencia del estimador.
Siguiendo este análisis, la ecuación (2.25) es un candidato a estimador de la autocorrelación del
proceso aleatorio estacionario y, según lo visto, se tendría que comprobar la validez de este para
que dicha estimación sea correcta.
Nuevamente se encuentra la misma tesitura que para el caso de señales deterministas de energía.
Si se pretenden realizar estimaciones sobre señales reales, debemos plantear estimadores basados
en señales discretas y finitas. Para ello se tomarán N muestras de la realización x(t) del proceso
aleatorio a una frecuencia de muestreo Fm > 2B donde B es la máxima frecuencia de la señal. Esta
nueva señal obtenida que se denotará como x(n) es un conjunto de N muestras de una realización
del proceso aleatorio estacionario, la cual es discreto, finita y hereda directamente las propiedades
de ergodicidad de su versión continua.
Siguiendo el mismo razonamiento que en el caso continuo, tendría sentido plantear un estimador de
la autocorrelación estadística (en tiempo discreto) del proceso aleatorio mediante la autocorrelación
discreta de x(n). Dicha función se puede expresar como
1 N−m−1 ∗
rx (m) = ∑ x (n)x(n + m) m = 0,1,...,N − 1
N − m n=0
N−1
(2.30)
1
rx (m) = ∑ x∗ (n)x(n + m)
N − |m| n=|m|
m = −1, − 2,...,1 − N
1 N−m−1
E[γ̂X (m)] = E[rx (m)] = ∑ E[x∗ (n)x(n + m)] = γX (m) (2.31)
N − |m| n=0
2.2 Estimación de la densidad espectral de potencia de procesos aleatorios WSS: Periodograma 9
Como se ve, no ha sido necesario tomar el límite de muestras a infinito. Cuando esto sucede se
dice que el estimador es insesgado o centrado.
Respecto al segundo criterio, la varianza del estimador se puede aproximar como
∞
N
Var[γ̂X (m)] = Var[rx (m)] ≈ ∑ [|γX (n)|2 + γX∗ (n − m)γX (n + m)] (2.32)
(N − |m|)2 n=−∞
donde al tomar el límite cuando las muestras tienden a infinito se cumple claramente que
lo cual demuestra que el estimador para la autocorrelación estadística del proceso aleatorio es
consistente. Si bien, la expresión encontrada para la varianza del estimador crece a medida que se
tienen valores mayores del parámetro m (para un número de muestras dada), esto motiva el intento
de encontrar un nuevo estimador que mejore las prestaciones respecto a la varianza y, por tanto,
según las propiedades de los estimadores, sea más eficiente. Para ello se da una expresión alternativa
para la autocorrelación media de la señal x(n) que será el nuevo candidato a estimador.
1 N−|m|−1 ∗
rx′ (m) = ∑ x (n)x(n + m) m = 1 − N,.., − 1,0,1,...,N − 1 (2.34)
N n=0
La esperanza de dicho estimador resulta
1 N−|m|−1
|m|
E[γ̂X (m)] = E[rx′ (m)] = ∗
∑ E[x (n)x(n + m)] = 1 − N γX (m) (2.35)
N n=0
En este caso, el nuevo estimador no es insesgado, pero cumple con el primer criterio de consis-
tencia puesto que, al tomar el límite de muestras infinitas sobre la función anterior converge a la
función de autocorrelación estadística. Se dice pues que el estimador es asintóticamente insesgado.
Respecto a la varianza, se puede demostrar que
1 ∞
Var[γ̂X (m)] = Var[rx′ (m)] ≈ ∑ [|γX (n)|2 + γX∗ (n − m)γX (n + m)] (2.36)
N n=−∞
Es fácilmente observable que esta varianza es inferior a medida que el retraso en la autocorrelación
de la señal x(n) crece
N
Var[rx (m)] (N−|m|)2 N2
= = ≥ 1 −→ Var[rx′ (m)] ≤ Var[rx (m)]
Var[rx′ (m)] 1
N
(N − |m|)2
y por consiguiente el estimador rx′ (m) es más eficaz que el estimador primeramente propuesto.
Además, se sigue cumpliendo el segundo criterio de consistencia lo cual hace más interesante
utilizar este nuevo estimador para este estudio. Por comodidad en la notación, se eliminará el
superíndice prima de rx′ (m) de la expresión (2.34) ya que a partir de aquí se trabajará solo con este
estimador.
Una vez se ha encontrado un estimador consistente para obtener de manera experimental la
autocorrelación estadística del proceso aleatorio estacionario a través de muestras de una realización
del este, es lógico pensar que, si se computa la DTFT del estimador encontrado se obtendría un
estimador de la densidad espectral de potencia en el dominio de F del mismo.
N−1
Px (F) = ∑ rx (m)e− j2πFm (2.37)
m=1−N
10 Capítulo 2. Estimación de la densidad espectral: Fundamento teórico
Desarrollando esta ecuación, sobre el termino rx (m), se encuentra una forma alternativa de
expresar el estimador Px (F)
2
1 N−1 1 2
Px (F) = ∑ x(n)e − j2πFn
= |X(F)| (2.38)
N n=0 N
Donde X(F) es la DTFT de la señal x(n). A la función Px (F) se le conoce con el nombre de pe-
riodograma la cual fue introducida por Schuster en el año 1898 para detectar y medir periodicidades
ocultas en muestras de señales. La obtención de dicha función viene descrita mediante dos formas,
que no son más que un método directo a través de la DTFT de la señal x(n) y un método indirecto
computándose primeramente la autocorrelación de la señal x(n) para posteriormente hallar su DTFT.
Estos métodos recuerdan a las ecuaciones (2.7) y (2.8) y de hecho, comparando la ecuación (2.38)
y (2.8) se puede ver la relación fundamental entre potencia y energía.
S xT ( f )
Px ( f ) = lı́m (2.39)
T →∞ T
donde SxT es la densidad espectral de energía de una señal determinista x(t) truncada entre −T /2
y T /2 y ΓX ( f ) es la densidad espectral de potencia de la señal x(t). Si se supone que esta señal
x(t) proviene de la realización de un proceso aleatorio estacionario, y que es muestreada a una
frecuencia Fm , se obtiene la señal xN (n) y, por ello, la ecuación (2.39)
SxN (F)
PxN (F) = lı́m (2.40)
N→∞ N
Donde Tm N = T . Si se toma un número de muestras suficientemente grande, la expresión anterior
se puede aproximar como
donde WB (F) es el espectro en frecuencia normalizada de la ventana Bartlett. Esta relación ofrece
un resultado bastante ilustrativo del resultado esperado al utilizar el periodograma como estimador
de la PSD de un proceso aleatorio estacionario. La consecuencia de esto es que la esperanza de dicho
estimador ofrece una versión distorsionada de la verdadera PSD ΓX (F) acorde con las propiedades
de la ventana. Este resultado de hecho es similar al problema que se planteó al inicio del estudio,
donde se analizaba la estimación de la ESD de una señal determinista la cual, también resultaba una
versión distorsionada del verdadero espectro. Al igual que ocurría en este caso, se puede demostrar
que, a medida que el número de muestras N crece, los efectos del enventanado desaparecen y la
esperanza del periodograma converge a la verdadera PSD del proceso. Se dice pues, que dicho
estimador es asintóticamente insesgado
" #
N−1
lı́m E[Px (F)] = lı́m E ∑ rx (m)e− j2πFm
N→∞ N→∞
m=1−N
(2.45)
N−1 ∞
|m|
= lı́m ∑ 1− γX (m)e− j2πFm = ∑ γX (m)e− j2πFm = ΓX (F)
N→∞
m=1−N N m=−∞
Si embargo, el problema se tiene al aplicar el segundo criterio de consistencia sobre este estimador
que, como se verá a continuación, no se cumple puesto que la varianza de este no decae a cero a
medida que las muestras tomadas N tienden a infinito.
Tomando como ejemplo, un proceso aleatorio estacionario de tipo gaussiano, la varianza del
periodograma es
" 2 #
sen (2πFN)
Var[Px (F)] = Γ2X (F) 1 + (2.46)
N sen (2πF)
En resumen, si bien el estimador de la autocorrelación estadística del proceso rx (m) dado por
la ecuación (2.34) es consistente, su transformada de Fourier, es decir, el estimador denominado
periodograma Px (F) no lo es. Dicho estimador contiene un sesgo cuando se tiene una duración
finita de N muestras que como se ve en la ecuación (2.44), se traduce en una distorsión de la PSD
real causa del enventanado. Por tanto, esto limita, entre otras cosas, la capacidad de resolución de
aquellos espectros que tengan fuertes componentes espectrales estrechamente espaciadas. Además
de esto, el periodograma presenta una varianza no nula cuando se tiene un número de muestras
infinito, lo que lo hace del todo inconsistente.
A pesar de estos problemas y debido a la fácil implementación de dicho estimador que, como se
ve en la ecuación (2.38), basta con aplicar el algoritmo de FFT sobre las muestras del proceso y
elevar el módulo de este resultado al cuadrado, motiva el estudio de técnicas que, aun asumiendo
estos problemas inherentes a la propia definición del estimador, mejoren los resultados de este y
aprovechando así la fácil implementación. Estas técnicas se agrupan en dos categorías principales
denominadas métodos no paramétricos o clásicos y métodos paramétricos.
Los métodos no paramétricos no hacen suposiciones sobre el origen de los datos y se centran
en encontrar un estimador consistente basado en el periodograma o en su defecto, que mejore las
prestaciones de este aumentando la capacidad de resolución y disminuyendo la varianza.
Los métodos paramétricos se construyen a partir de modelos basados en el origen de los datos y
que, por lo general, proporcionan una resolución significativamente mayor que los métodos clásicos.
12 Capítulo 2. Estimación de la densidad espectral: Fundamento teórico
Además de estas dos categorías, existen algunas técnicas más modernas como son el método de
Capon basado en reducir la varianza de la estimación, el método de Pisarenko de descomposición
harmónica o el método música.
En las siguientes secciones de este estudio, se analizarán los métodos paramétricos y cómo estos
se comportan a la hora de estimar señales típicas del mundo de las comunicaciones.
Como se ha visto en los capítulos anteriores, para estimar el espectro de potencia o energía, es
necesario tomar un numero finito de muestras N de una realización del proceso aleatorio. Esto se
traduce en lo que se conoce como enventanado [10] y está presente a lo largo de todo este estudio y,
por este motivo, es conveniente detenerse y analizar cómo influye esto en el espectro en frecuencia.
Si bien ya se han mencionado algunos de estos efectos como son la fuga espectral, existen otros
como la resolución espectral.
Para ilustrar esto en primer lugar, se supondrá que se tiene una señal dada por la siguiente
ecuación:
1 1
X( f ) = δ ( f − f0 ) + δ ( f + f0 ) (2.49)
2 2
Si ahora se quisiera computar numéricamente su espectro, se tendría que muestrear dicha señal a
una frecuencia Fm > F0 de tal forma que se eliminen los efectos del aliasing.
1 1
X̃(F) = W (F − F0 ) + W (F + F0 ), F = [−0.5, 0.5] (2.52)
2 2
Siendo W (F) la transformada discreta de Fourier de la ventana w(n)
Como se ve el espectro resultante difiere en gran medida del espectro ideal dado por (2.49). En
primer lugar, se observa el fenómeno de fuga espectral donde la potencia que en principio debería
de concentrarse únicamente en la frecuencia F0 , se "derrama" a lo largo del espectro en forma de
lóbulos secundarios. Dichos lóbulos pasan por 0 en frecuencias múltiplos de 1/N de tal forma que
2.3 Efectos de enventanado 13
el ancho del lóbulo principal viene dado por 1/N. Se puede observar que, si se aumenta el número
de puntos tomados en el muestreo, el ancho del lóbulo principal decrece y aparecen más lóbulos
secundarios, más estrechos y de menor potencia. De hecho, cuando N → ∞, el espectro converge a
una delta centrada en F0 el cual sí representa el espectro ideal de x(t).
Hasta el momento, solo se ha tenido en cuenta un enventanado de tipo de rectangular, pero en la
práctica, existen multitud de ventanas con diferentes propiedades que ofrecen distintas posibilidades
para adecuarse a las necesidades de cada caso. Un ejemplo de estas ventanas es la ventana de Bartlett
la cual está presente en la definición del periodograma de un proceso aleatorio estacionario. Esta
ventana tiene la forma
2
1 sin (πFM)
WB (F) = (2.54)
M sin (πF)
donde M = (N + 1)/2 y, aplicando esta ventana a la señal x(n), se tiene
1 1
X̃(F) = WB (F − F0 ) + WB (F + F0 ), F = [−0.5, 0.5] (2.55)
2 2
cuyo espectro resultante se muestra en la figura a continuación.
Como se ve, las características respecto al número de lóbulos cambia, es decir, el ancho de los
lóbulos aumenta pero la magnitud de los lóbulos secundarios es inferior y, en consecuencia, la
14 Capítulo 2. Estimación de la densidad espectral: Fundamento teórico
1
X̃(F) = [W (F − F1 ) +W (F − F2 ) +W (F + F1 ) +W (F + F2 )] , F = [−0.5, 0.5] (2.57)
2
Siguiendo el mismo razonamiento anterior, se puede intuir el hecho de que para ciertos valores
de N los lóbulos principales de W (F ± F1 ) y W (F ± F2 ) podrán solaparse de tal forma que no se
puedan distinguir visualmente y es por esto por lo que surge el concepto de resolución espectral.
Para resolver este problema, se puede recurrir a una regla práctica que defina una condición para
el número de muestras N que permita distinguir dos componentes de frecuencias separados una
2.3 Efectos de enventanado 15
cierta cantidad ∆F. De manera aproximada se puede decir que, cuando ∆F es mayor o igual que
el ancho del lóbulo principal tomado cuando este reduce 3 dB respecto al valor máximo, serán
distinguibles y, por tanto, queda definido la resolución espectral máxima (separación de frecuencias
mínima distinguible) como:
β
∆F = (2.58)
N
Siendo β un factor que depende exclusivamente del tipo de ventana y también del criterio
seleccionado. En este caso se optado por un criterio poco restrictivo que toma como ancho del
lóbulo principal una reducción de 3 dB de referencia, pero hay algunos libros que optan por 6 dB.
Una idea cualitativa de la resolución espectral que ofrecen las principales ventanas se recoge la
tabla 2.1.
Tabla 2.1 Resolución espectral máxima para diferentes tipos de ventanas de igual longitud N [10].
Figura 2.5 Espectro de la señal x(n) definida en (2.56) con enventanado rectangular para N = 10,
F1 = 0.20 y F2 = 0.23.
Por lo tanto, según este criterio, se puede justificar la diferencia en el ancho del lóbulo principal
entre la ventana rectangular y de Bartlett. Tomando por ejemplo el caso donde N = 50, se representa
en la figura 2.7 el espectro de la señal x(n) definida en (2.48) con enventanado rectangular y de
Bartlett respectivamente en dB. Si se mide el ancho del lóbulo principal para ambos caso, se ve que
casa perfectamente con los valores de resolución espectral máxima dados en la tabla 2.1.
Respecto a cómo afecta todo esto al estimador periodograma es fácil ver que, según la propia
definición del estimador, ecuación (2.38), los efectos se manifiestan de manera directa y es por esto
que a la hora de realizar estimaciones de la PSD habrá que tener presente los efectos de fuga y
resolución espectral.
16 Capítulo 2. Estimación de la densidad espectral: Fundamento teórico
Figura 2.6 Espectro de la señal x(n) definida en (2.56) con enventanado rectangular para N = 50,
F1 = 0.20 y F1 = 0.23.
Figura 2.7 Espectro de la señal x(n) definida en (2.48) en dB con enventanado rectangular y de
Bartlett, N = 50 y F0 = 0.2.
El zero padding [13] es una técnica utilizada en el cálculo de espectros a través del algoritmo FFT.
Esta consiste en añadir valores nulos al final de la señal muestreada para mejorar las cualidades
de su espectro. Es muy importante tener claro que esta técnica no ofrece mejores resultados del
espectro en cuanto a resolución espectral se refiera. Lo que se consigue con esto en realidad es
mejorar las cualidades de la representación en cuanto a interpolación de los puntos. Para ilustrar
con mayor claridad esto, se aplicará esta técnica al estimador periodograma.
Para ello se puede partir de la ecuación (2.38) donde dicho estimador queda definido a partir de la
DTFT de N muestras de la realización del proceso aleatorio x(n). Como se vio ya en la sección 2.1, el
resultado de la DTFT está definido en una variable continua F y, por tanto, será necesario muestrear
este dominio para una serie de frecuencias determinadas. Para esto se recurre al algoritmo FFT el
cual, si se tienen N puntos de la señal x(n), calcula N frecuencias equiespaciadas pertenecientes a
un periodo de la DTFT. Aplicando esto a la ecuación (2.38), se obtendrá el periodograma evaluado
en las frecuencias F = k/N con k = 0,1,...,N − 1.
2.4 Zero padding 17
2
1 N−1 2πk
Px (k/N) = ∑ x(n)e −j N n
k = 0,1,...,N − 1 (2.59)
N n=0
Como se ve, dicho algoritmo evalúa únicamente N frecuencias del espectro continuo de x(n) lo
cual implica una pérdida de información y en muchos casos no proporciona una buena representación
del espectro estimado. Una solución simple pero eficaz para esto, consiste en rellenar la señal x(n)
hasta L muestras añadiendo ceros (zero padding) de tal forma que el computo de periodograma
quedaría.
2
1 N−1 2πk
− j
Px (k/L) = ∑ x(n)e L n k = 0,1,...,L − 1 (2.60)
N n=0
Esto implica que, cuando se le aplique el algoritmo a la nueva señal rellenada de ceros, se
obtendrán L puntos de la PSD estimada. Si bien, este método no mejora la resolución espectral
de la señal, únicamente ofrece mejoras en la interpolación de aquellos puntos que pertenecen al
espectro real y, por tanto, mejorando los resultados en cuanto a la representación pero no en cuanto
a la resolución espectral se refiere.
3 Periodograma: métodos no
paramétricos
A continuación, se dará paso al estudio y análisis de los principales métodos clásicos denominados
no paramétricos utilizados para estimar la densidad espectral de potencia de procesos aleatorios
estacionarios [15, 17]. Todas estas técnicas implementan en última instancia la DTFT de la señal
discreta de N puntos resultantes de la realización del proceso y no hacen suposiciones sobre el origen
de dichas muestras. Las principales diferencias de estos métodos se dan en cómo es tratada esta
cadena de información previa a ser transformada. Dado que las estimaciones se basan completamente
en un registro finito de datos, la resolución espectral cómo se ha visto en la sección 2.3, dependerá
del tipo de ventana utilizada y del número de muestras tomadas. Además, se podrá comprobar que
cuando se encuentren mejoras respecto a la varianza inherente de dicho estimador, la resolución
espectral se verá repercutida negativamente. Al final de este capítulo se realizará una comparación
cualitativa referido a la resolución espectral y al coeficiente de Pearson ofrecido por los diferentes
métodos.
El método Bartlett consigue una reducción en la varianza del periodograma mediante tres pasos.
Primeramente, se divide la señal de información x(n) en K segmentos de longitud M siendo
M = N/K de tal forma que no existe solapamiento entre estos.
1 K−1 i
PxB (F) = ∑ Px (F) (3.3)
K i=0
19
20 Capítulo 3. Periodograma: métodos no paramétricos
El súper índice B denota que este estimador periodograma implementa el método Bartlett. Sus
propiedades estadísticas se pueden obtener de manera sencilla en función de las propiedades del
periodograma clásico. La esperanza estadística se puede expresar como
" #
1 K−1 i 1 K−1
B
E[Px (F)] = E ∑ x P (F) = ∑ E[Pxi (F)] = E[Pxi (F)] (3.4)
K i=0 K i=0
y utilizando la ecuación (2.42) y (2.44) se obtiene que
M−1
|m|
E[Pxi (F)] = ∑ 1− γX (m)e− j2πFm =
M
m=1−M
Z 1/2 (3.5)
= ΓX (υ)Wb (F − υ) dυ
−1/2
donde
2
1 sen (πFM)
WB (F) = (3.6)
M sen (πF)
es la respuesta en frecuencia de la ventana de Bartlett. De este resultado se puede extraer que, la
esperanza del periodograma de Bartlett es la convolución en frecuencia de la verdadera densidad
espectral de potencia del proceso por la ventana de Bartlett de parámetro M. A diferencia del
resultado obtenido por en la ecuación (2.42) donde, en este caso, la ventana tenía una longitud de
2N − 1 puntos, ahora el ancho de muestras de la ventana se ha reducido a M = N/K, o lo que es lo
mismo, el ancho en frecuencia de la ventana ha aumentado por un factor K. Esto se traduce en una
mayor pérdida de resolución espectral.
Para darle consistencia a este resultado, se puede demostrar que este nuevo estimador es, al
igual que el periodograma básico, asintóticamente insesgado ya que, manteniendo un valor de K
constante, cuando N → ∞, M → ∞ y, por tanto
y, de igual forma que se hizo para obtener la esperanza estadística de Pxi (F), se toma la ecuación
(2.46) y se llega al siguiente resultado
" #
sen (2πFM) 2
1 2
B
Var[Px (F)] = ΓX (F) 1 + (3.9)
K M sen (2πF)
Si ahora, se toma el límite para un número de muestras infinitas se obtiene una reducción en la
varianza respecto al periodograma básico en un factor K.
1 2
lı́m Var[PxB (F)] =
Γ (F) (3.10)
N→∞ K X
En resumen, el método de Bartlett consiste en promediar K periodogramas de segmentos no
solapadas de la realización del proceso aleatorio. Este método genera un nuevo estimador para la
densidad espectral de potencia del proceso denominado periodograma de Bartlett PxB (F) que, al
3.2 Método de Welch 21
igual que el periodograma básico, es asintóticamente insesgado, pero presenta una varianza k veces
menor. Como contrapartida, se sacrifica resolución espectral.
El método de estimación de Welch toma como punto de partida el método de Bartlett al cual se le
aplican una serie de modificaciones en sus pasos previos a la obtención del estimador final. Estas
modificaciones se resumen en dos. En primer lugar, se tomarán en este caso L segmentos de longitud
M de la realización del proceso aleatorio de tal forma que haya solapamiento.
iD es la muestra de inicio del segmento i que, para que exista solapamiento, tendrá que ser
menor que la longitud de cada uno de ellos. La segunda modificación añade en el cómputo del
periodograma de cada segmento Pxi (F), un enventanado a cada uno de ellos. Esto se puede expresar
como
2
1 M−1
P̃xi (F) = ∑ xi (n)w(n)e− j2πFn i = 0,1,...,L − 1 (3.12)
MU n=0
1 M−1 2
U= ∑ w (n) (3.13)
M n=0
Finalmente, igual que para el método de Bartlett, el periodograma de Welch es el promediado de
los periodograma modificados de los segmentos, es decir
1 L−1 i
PxW (F) = ∑ P̃x (F) (3.14)
L i=0
La esperanza estadística de este estimador es
" #
L−1
1 1 L−1
E[PxW (F)] = E ∑ P̃xi (F) = ∑ E[P̃xi (F)] = E[P̃xi (F)] (3.15)
L i=0 L i=0
M−1 M−1
1
E[P̃xi (F)] =
MU ∑ ∑ w(n)w(m)E[xi (n)xi∗ (m)]e− j2πF(n−m)
n=0 m=0
(3.16)
M−1 M−1
1
=
MU ∑ ∑ w(n)w(m)γX (n − m)e− j2πF(n−m)
n=0 m=0
Sabiendo que
Z 1/2
γX (n) = ΓX (ν) dν (3.17)
−1/2
22 Capítulo 3. Periodograma: métodos no paramétricos
" #
Z 1/2 M−1 M−1
1
E[P̃xi (F)] =
MU −1/2
ΓX (ν) ∑ ∑ w(n)w(m)e− j2π( f −ν)(n−m) dν
Z 1/2
n=0 m=0
(3.18)
= ΓX (ν)W ( f − ν) dν
−1/2
donde
2
1 M−1
W(f) = ∑ w(n)e− j2πFn (3.19)
MU n=0
se puede comprobar que, este estimador modificado es asintóticamente insesgado ya que, cuando
el límite de muestras M tiende a infinito, la ventana se hace infinitamente ancha y, por tanto, su
respuesta en frecuencia tiende a una delta. De esta forma, la convolución en frecuencia de la ecuación
(3.16) daría como resultado la verdadera densidad espectral de potencia del proceso.
1 L−1 L−1
Var[PxW (F)] = 2 ∑ ∑ E[P̃xi (F)P̃xj (F)] − E 2 [PxW (F)] (3.21)
L i=0 j=0
Es lógico pensar que, suponiendo que no haya solapamiento (L = K), es decir que se esté en el
supuesto del método de Bartlett, se deberían obtener los mismos resultados.
1
Var[PxW (F)] = Var[P̃xi (F)] (3.22)
L
de tal forma que, cuando N → ∞ y M → ∞
1
Var[PxW (F)] ≈ Γ2X (F) (3.23)
L
Suponiendo un caso más propio de esta nueva técnica donde si exista solapamiento, por ejemplo,
el caso que utilizó Welch para su estudio donde suponía un 50 % de solapamiento (L = 2K) se tiene
un resultado para la varianza de
9 2 1
Var[PxW (F)] ≈ Γ (F) = 0.5625 · Γ2X (F) (3.24)
8L X K
En resumen, el método de Welch redefine el estimador de Bartlett de manera que los segmentos
presentan solapamientos entre ellos. Este efecto mantiene las propiedades de estimador insesgado
y reduce la varianza de este. Cabe decir que, el valor de la varianza dependerá del porcentaje de
solapamiento elegido, así como de la ventana utilizada en el periodograma de los segmentos.
y por lo tanto se les debe dar un peso menor en la formación de la estimación. El estimador de
Blackman-Tukey se define como
M−1
PxBT (F) = ∑ rx (m)w(m)e− j2πFm (3.25)
m=1−M
donde la ventana w(m) tendrá un ancho de 2M − 1 muestras y es cero para |m| ≥ M. Este resultado
se puede expresar de manera alternativa a través de la convolución del espectro de la ventana por el
espectro de autocorrelación, es decir el periodograma.
Z 1/2
PxBT (F) = Px (u)W (F − u) du (3.26)
−1/2
Por tanto, como era de esperar, esta propuesta ofrece una versión suavizada del periodograma
básico. Además, se pueden intuir algunas propiedades que debe cumplir la ventana, como son
paridad para asegurar que la estimación es real y debe ser no negativa para |F| ≤ 1/2 puesto que la
PSD debe ser positiva.
La esperanza estadística de este estimador es
Z 1/2
E[PxBT (F)] = E[Px (u)]W (F − u) du (3.27)
−1/2
Equivalente a esto, se puede analizar la esperanza estadística trabajando en el dominio del tiempo
M−1
E[PxBT (F)] = ∑ E[rx (m)]w(m)e− j2πFm
m=1−M
(3.30)
M−1
= ∑ γX (m)wB (m)w(m)e− j2πFm
m=1−M
1 − |m| ,
|m| < N
wB (m) = N (3.31)
0, e.o.c
Si se elige una longitud para la ventana w(m) tal que M << N, provocará que esta sea más
estrecha que WB (m) y entonces se cumple la siguiente aproximación:
Z 1/2
WB (u − v)W (F − u) du ≈ W (F − v) (3.32)
−1/2
Z 1/2
E[PxBT (F)] ≈ ΓX (v)W (F − v) dv (3.33)
−1/2
" 2 2 #
sen (π(v + u)N) sen (π(v − u)N)
E[Px (u)Px (v)] = ΓX (u)ΓX (v) 1 + + (3.37)
N sen (π(v + u)) N sen (π(v − u))
Z 1/2
2
E[[P̃xBT (F)]2 ] = ΓX (v)W (F − v) dv
−1/2
Z 1/2 Z 1/2
+ ΓX (u)ΓX (v)W (F − u)W (F − v) (3.38)
−1/2 −1/2
" #
sen (π(v + u)N) 2 sen (π(v − u)N) 2
· + dudv
N sen (π(v + u)) N sen (π(v − u))
Analizando ahora el segundo sumando de la varianza en la ecuación (3.35) es fácil ver que, dicho
término se puede expresar como
Z 1/2
2
E 2 [PxBT (F)] = ΓX (v)W (F − v) dv (3.39)
−1/2
y que junto con el resultado expuesto en la ecuación (3.38) ofrece un resultado para la varianza de
Z 1/2 Z 1/2
Var[PxBT (F)] = ΓX (u)ΓX (v)W (F − u)W (F − v)
−1/2 −1/2
" 2 2 # (3.40)
sen (π(v + u)N) sen (π(v − u)N)
· + dudv
N sen (π(v + u)) N sen (π(v − u))
Z 1/2
" 2 2 #
sen (π(v + u)N) sen (π(v − u)N)
ΓX (v)W (F − v) + dv
−1/2 N sen (π(v + u)) N sen (π(v − u))
(3.41)
Γ (−u)W (F + u) + ΓX (u)W (F − u)
≈ X
N
Aplicando esto a la ecuación (3.40) se obtiene
Z 1/2
1
Var[PxBT (F)] ≈ ΓX (u)W (F − u)[ΓX (−u)W (F + u) + ΓX (u)W (F − u)] du (3.42)
N −1/2
y nuevamente, se puede hacer otra aproximación aplicando los mismos razonamientos expuestos
anteriormente Z 1/2
ΓX (u)ΓX (−u)W (F − u)W (F + u) du ≈ 0 (3.43)
−1/2
Este resultado puede aproximarse aún más suponiendo el caso donde W (F) sea más estrecha que
ΓX (F). Asumiendo este hecho, la ecuación (3.44) queda
Z 1/2
1
Var[PxBT (F)] ≈ Γ2X (F) W 2 (v) dv
N −1/2
" # (3.45)
1 M−1 2
≈ Γ2X (F) ∑ w (m)
N m=1−M
hincapié en encontrar una expresión para la varianza de los diferentes métodos y no de la desviación
típica, será más conveniente utilizar el cuadrado del coeficiente de Pearson para así expresarlo en
función de la varianza.
Var[PxA (F)]
rA2 = (3.47)
E 2 [PxA (F)]
Otro detalle comparativo importante es la resolución espectral máxima ofrecida entendida (según
lo visto en la sección 2.3) como la mínima separación de frecuencias que se puede distinguir en la
estimación. Esta propiedad vendrá dada por la ventana utilizada en cada método, (ver tabla 2.1).
Tomando como referencia el periodograma estándar, ecuación (2.38), se tiene que
2
1 N−1 1
Px (F) = ∑ x(n)e− j2πFn = |X(F)|2 (3.48)
N n=0 N
Donde se encontró que, cuando N → ∞
1. Esperanza:
E[Px (F)] → ΓX (F) (3.49)
2. Varianza:
Var[Px (F)] → Γ2X (F) (3.50)
Γ2X (F)
r2 = =1 (3.51)
Γ2X (F)
Este resultado muestra que, si los diferentes métodos de estimación mejoran el periodograma
básico reduciendo la varianza del estimador, se cumplirá que
0.89
∆F = (3.53)
N
3.4.1 Estimador PSD de Bartlett
1 K−1 i
PxB (F) = ∑ Px (F) (3.54)
K i=0
Siendo la esperanza y la varianza de este cuando N → ∞ y M → ∞, con K fijado
1. Esperanza:
E[PxB (F)] → Γ2X (F) (3.55)
3.4 Comparación de prestaciones 27
2. Varianza:
1 2
Var[PxB (F)] → Γ (F) (3.56)
K X
0.89 M
∆F = = 0.89 (3.59)
K N
3.4.2 Estimador PSD de Welch
El método de Welch es una modificación del método de Bartlett donde se tienen L segmentos de
longitud M que en este caso presentan solapamiento entre ellos. Además, a la hora del cálculo del
periodograma de cada segmento, se realiza un enventanado de la misma longitud que estos, pero
dando la posibilidad de usar ventanas diferentes a la rectangular. En la sección 3.2 se definió el
periodograma de Welch como
2
L−1 L−1 M−1
1 1 1
W i
Px (F) = ∑ P̃x (F) = ∑ ∑ xi (n)w(n)e − j2πFn (3.60)
L i=0 L i=0 MU n=0
• Esperanza:
E[PxW (F)] = E[Pxi (F)] → ΓX (F) (3.61)
• varianza:
1 2
Var[PxW (F)] → Γ (F) (3.62)
L X
1.28
∆F = (3.65)
M
28 Capítulo 3. Periodograma: métodos no paramétricos
• Esperanza:
E[PxBT (F)] → ΓX (F) (3.67)
1.28 0.64
∆F = ≈ (3.70)
2M − 1 M
Para concluir con esta sección, es interesante ver que las dos figuras de mérito encontradas para
los diferentes métodos de estimación (resolución espectral y coeficiente de Pearson) se pueden
relacionar a través de los parámetros longitud de muestras N y de segmentos M. En la tabla 3.1, se
recogen estas relaciones, en concreto, se ha introducido el coeficiente de Pearson al cuadrado en
función de la resolución espectral.
Tabla 3.1 Coeficiente de Pearson al cuadrado en función de la resolución espectral máxima para el
periodograma de Bartlett, el periodograma de Welch con ventana de Bartlett y 50 % de
overlap y periodograma de Blackman-Tukey de ventana de Bartlett.
será necesario llegar a un punto de equilibrio que se adapte a las necesidades de nuestro proceso
aleatorio de estudio. Si por ejemplo se da la mínima de ∆F necesaria (la resolución espectral
requerida), se puede ajustar el número de muestras tomadas para obtener una determinada relación
entre varianza y esperanza de la estimación. De igual forma, si se tiene un número de muestras dado
se deberá, o sacrificar resolución espectral en favor de tener menor desviación en la estimación, o
por lo contrario, aumentar la desviación en favor de mejorar la resolución espectral.
4 Estimación espectral de procesos
cicloestacionarios
Donde An es un proceso aleatorio discreto estacionario en sentido débil (WSS) que depende,
para cada n del símbolo que se transmitirá. En general, An podrá tomar valores reales o complejos
dependiendo del tipo de modulación tomada. La esperanza estadística de dicho proceso es
" #
∞ ∞
mX (t) =E[X(t)] = E ∑ An p(t − nTs ) = ∑ E[An ]p(t − nTs )
n=−∞ n=−∞
(4.2)
∞
=mA ∑ p(t − nTs )
n=−∞
Como se puede ver, no se cumple la condición (2.15) puesto que la expresión encontrada para la
esperanza depende del tiempo de manera periódica con periodo TS y, por esto, se cumple que
mX (t) = mX (t + λ Ts ), λ ∈Z (4.3)
Respecto a la autocorrelación del proceso, se tiene que
31
32 Capítulo 4. Estimación espectral de procesos cicloestacionarios
" #
∞ ∞
γX (t1 ,t2 ) =E[X(t1 )X ∗ (t2 )] = E ∑ ∑ An A∗m p(t1 − nTs )p∗ (t2 − mTs )
n=−∞ m=−∞
(4.4)
∞ ∞
= ∑ ∑ E[An A∗m ]p(t1 − nTs )p∗ (t2 − mTs )
n=−∞ m=−∞
∞ ∞
γX (t1 ,t2 ) =E[X(t1 )X ∗ (t2 )] = ∑ ∑ E[Am+k A∗m ]p(t1 − (m + k)Ts )p∗ (t2 − mTs )
k=−∞ m=−∞
∞
"
∞
# (4.5)
= ∑ γA (k) ∑ p(t1 − (m + k)Ts )p∗ (t2 − mTs )
k=−∞ m=−∞
n/T
El termino γX 0 (τ) son los coeficientes complejos de la serie de Fourier y en este caso recibe el
nombre de función de autocorrelación cíclica que puede expresarse como
Z T0 /2
n/T 1 − j2π Tn t
γX 0 (τ) = γX (t,t + τ)e 0 dt (4.8)
T0 −T0 /2
Las frecuencias n/T0 se denominan frecuencias cíclicas y muestran aquellas frecuencias para las
cuales la función de autocorrelación es distinta de cero. La frecuencia 1/T0 se denomina frecuencia
cíclica fundamental. Es fácil ver que, para procesos puramente estacionarios (WSS), el termino
33
n/T
γX 0 (τ) solo es distinto de cero en el caso γX0 (τ) ya que no posee frecuencias cíclicas. De este
hecho se deduce la generalidad de esta nueva función de autocorrelación cíclica la cual engloba a la
función de autocorrelación para procesos WSS dada por la ecuación (2.14) cuando n = 0.
El espectro de esta nueva función de autocorrelación se denomina espectro cíclico o función de
correlación espectral (SCF) [8]. Esta relación se engloba dentro del teorema de Wiener-Khinchin.
Z ∞
n/T n/T0
ΓX 0 ( f ) = γX (τ)e− j2π f τ dτ (4.9)
−∞
El espectro encontrado muestra la correlación entre componentes espectrales del proceso se-
parados por múltiplos de 1/T0 . Al igual que ocurre con la función de autocorrelación cíclica,
particularizando para n = 0, se obtiene en este caso la densidad espectral de potencia
Z ∞ Z ∞
Γ0X ( f ) = γX0 (τ)e− j2π f τ dτ = < γX (t,t + τ) >t e− j2π f τ dτ = ΓX ( f ) (4.10)
−∞ −∞
De este análisis se concluye como afecta la periodicidad temporal a los procesos aleatorios
generando una nueva dimensión formada por las frecuencias cíclicas del mismo. Es por esto por
lo que hablar de densidad espectral de potencia de un proceso cicloestacionario, no es más que
promediar el espectro en su dimensión temporal o lo que es lo mismo, tomar como frecuencia de
ciclo el valor nulo. Asumiendo este hecho, el análisis de la PSD de un proceso cicloestacionario y
de un proceso estacionario es idéntico.
En este punto, se puede obtener la función de autocorrelación cíclica del proceso WSCS descrito
por (4.4), sustituyendo la ecuación (4.5) en (4.8). Suponiendo además que el proceso An es de media
cero (lo cual es común en la mayoría de las modulaciones digitales lineales), se tiene que
Z Ts /2
" #
∞
n/T 1 n
γX s (τ) = γA (0) ∑ p(t + τ − mTs )p∗ (t − mTs ) e− j2π Ts t dt
Ts −Ts /2 m=−∞
(4.11)
γA (0) ∞
Z
− j2π Tns t
= p(t + τ)p∗ (t)e dt
Ts −∞
Sustituyendo esto en la ecuación (4.9), se obtiene la función de correlación espectral teórica del
proceso
γA (0) ∞
Z ∞ Z
n/T n
ΓX s ( f ) = p(t + τ)p∗ (t)e− j2π Ts t dte− j2π f τ dτ
−∞ Ts −∞
γA (0) ∞ ∞
Z Z
n
= p(t + τ)e− j2π f τ dτ p∗ (t)e− j2π Ts t dt
Ts −∞ −∞
(4.12)
γA (0)
Z ∞
n
= P( f ) p∗ (t)e− j2π Ts t e j2π f t dt
Ts −∞
γ (0) n
= A P( f )P∗ ( f + )
Ts Ts
La densidad espectral de potencia de este proceso se puede obtener de manera directa aplicando
el resultado visto en (4.10)
γA (0) γ (0)
Γ0X ( f ) = P( f )P∗ ( f ) = A |P( f )|2 = ΓX ( f ) (4.13)
Ts Ts
34 Capítulo 4. Estimación espectral de procesos cicloestacionarios
Como se ha visto, el espectro cíclico de un proceso WSCS incluye la PSD cuando se toma en
(4.9) la frecuencia de ciclo igual a cero. Es por esto por lo que encontrar un estimador para la
SCF del proceso debe conducir de alguna manera al periodograma clásico o en su defecto, a un
estimador alternativo para la PSD. En cualquier caso, el procedimiento a seguir para encontrar
este estimador, será similar al que se utilizó para encontrar el periodograma. Para poder introducir
cualquier estimador para un proceso aleatorio, es necesario que este posee propiedades ergódicas.
En el caso de los procesos WSCS el concepto es un poco más complejo puesto que la ruta de
muestras infinitas de la realización del proceso debe poder contener las propiedades de periodicidad
que representan a este. Esta suposición no es descabellada y de hecho los procesos aleatorios de
interés para este trabajo (modulaciones lineales) lo cumplen y, por tanto, tiene sentido expresar la
autocorrelación cíclica del proceso a través de la autocorrelación cíclica de la realización de este.
Matemáticamente, el estimador planteado se puede expresar como
Z T /2
n/T0 1 − j2π Tn t
Rx (τ) = x(t + τ)x∗ (t)e 0 dt (4.14)
T −T /2
n/T0 n/T0
γX (τ) = lı́m E[Rx (τ)] (4.15)
T →∞
Al igual que se hizo con la función de autocorrelación cíclica para obtener la función de correlación
espectral, se recurrirá a la relación cíclica de Wiener-Khinchin dada por la ecuación (4.9) para
obtener a través del estimador planteando en (4.14) un candidato a estimador para la SCF.
1 T /2
Z
n/T ∗ − j2π Tn t
Px 0 ( f ) =F x(t + τ)x (t)e 0 dt
T −T /2
Z ∞
1 − j2π Tn t
= F ∗
xT (t + τ)xT (t)e 0 dt
T −∞ (4.16)
1 n − j2π Tn τ ∗
o
= F xT (τ) ∗ xT (−τ)e 0
T
1
= XT ( f )XT∗ ( f − n/T0 )
T
Este estimador se denomina periodograma cíclico [4, 14] y será el punto de partida para encontrar
de manera experimental las propiedades del espectro de potencia de un proceso WSCS.
1 T /2
Z
n/T ∗ − j2π 2Tn t − j2π 2Tn t
Px 0 ( f ) =F x(t + τ)x (t)e 0 e 0 dt
T −T /2
Z ∞
1 − j2π 2Tn (t+τ) ∗ − j2π 2Tn t j2π 2Tn τ
= F xT (t + τ)e 0 xT (t)e 0 dte 0
T −∞
1 nh − j2π 2Tn τ − j2π 2Tn τ ∗ j2π 2Tn τ
i o
= F xT (τ)e 0 ∗ x (−τ)e
T 0 e 0 (4.17)
T
1 n ∗ n n
= X f+ XT f − ∗δ f −
T T 2T 2T0 2T0
0
n/T n
=Px,sym0 ( f ) ∗ δ f −
2T0
n/T
El termino Px,sym0 ( f ) es la versión simétrica del periodograma cíclico. De la misma forma, se
puede obtener la versión simétrica del estimador de la autocorrelación cíclica a partir de la relación
de Wiener–Khinchin como
n/T
n
n/T0
o
n/T0 n n/T0 jπ n τ
Rx 0 (τ) = F −1 Px ( f ) = F −1 Px,sym ( f ) ∗ δ f − = Rx,sym (τ)e T0 (4.18)
2T0
n/T
Donde Rx,sym
0
(τ) es la versión simétrica del estimador de la autocorrelación cíclica
Z T /2
n/T0 1 − j2π Tn t
Rx,sym (τ) = x(t + τ/2)x∗ (t − τ/2)e 0 dt (4.19)
T −T /2
La asimetría tanto en la autocorrelación cíclica como en la SCF surge a la hora de tomar como
instantes t1 = t y t2 = t + τ en la autocorrelación cíclica. Para hacerlo simétrico basta con redefinir
los instantes t1 = t − τ/2 y t2 = t + τ/2. De esta forma se obtendrá directamente la SCF simétrica.
Al igual que ocurre en el caso de la estimación de la PSD para procesos estacionarios, en la
práctica no solamente se carece del proceso cicloestacionario en cuestión, sino que además la
realización de la que se dispone tampoco es infinita ni continua y, por esto, será necesario encontrar
una expresión para estos nuevos estimadores que tomen como punto de partida una ruta de muestras
x(n) de longitud finita N.
Para el estimador de autocorrelación cíclica planteado en (4.14) se puede definir su versión en
tiempo discreto como
a/L 1 N−|m|−1 a
rx (m) = ∑ x(k + m)x∗ (k)e− j2π L k ,
N k=0
m = 0,1,...,N − 1
(4.20)
a/L 1 N−1 a
rx (m) = ∑ x(k + m)x∗ (k)e− j2π L k , m = −1, − 2,...,1 − N
N k=|m|
a/L 1 N−|m|−1 a
E[rx (m)] = ∑ E[x(k + m)x∗ (k)]e− j2π L k
N k=0
N−|m|−1
1 b/L b a
= ∑ b ∑1 1 γx (m)e j2π L k e− j2π L k
N k=0
L ∈ [− 2 , 2 )
(4.21)
!
N−|m|−1
1 b/L b−a
= ∑ γx (m) ∑ e j2π L k
N b
L ∈ [− 21 , 12 ) k=0
N − |m| b/L
= ∑ γx (m), b = a±λL
N b
L ∈ [− 21 , 12 )
N − |m| a
±λ
= ∑ γxL (m)
N a
L ±λ ∈ [− 12 , 12 )
N − |m| a/L a/L
= γx (m) = wB (m) · γx (m)
N
donde el termino wB (m) es una ventana de Bartlett de longitud 2N − 1 que representa el sesgo
del estimador. La consistencia de la esperanza estadística es fácilmente notable puesto que
a/L a/L |m| a/L
lı́m E[rx (m)] = γx (m) lı́m 1− = γx (m) (4.22)
N→∞ N→∞ N
Nuevamente, se debe recurrir al teorema de Wiener–Khinchin. En este caso la transformada de
Fourier para tiempo continuo pasará a ser la transformada de Fourier de tiempo discreto (DTFT) y,
por ello, el estimador resultante para el SCF es
N−1
a/L a/L
Px (F) = ∑ rx (m)e− j2πFm (4.23)
m=1−N
Debido a las similitudes de este estimador con el periodograma, este recibe el nombre de perio-
dograma cíclico puesto que pretende estimar el espectro cíclico de un proceso WSCS. La esperanza
estadística de este periodograma es también sesgada puesto que
N−1
a/L a/L
E[Px (F)] = ∑ E[rx (m)]e− j2πFm
m=1−N
N−1
= ∑
a/L
wB (m) · γx (m)e− j2πFm (4.24)
m=1−N
Z 1/2
a/L
= ΓX (υ)Wb (F − υ) dυ
−1/2
cuyo sesgo es la ventana de Bartlett WB (F). Pese a esto, se puede ver que este estimador es
asintóticamente insesgado ya que al tomar el límite cuando N → ∞ converge al verdadero espectro
cíclico puesto que el espectro de la ventana tiende a ser una delta.
4.2 Métodos de estimación de la función de correlación espectral o espectro cíclico 37
a/L a/L
lı́m Var[Px (F)] = ΓX (F) (4.26)
N→∞
A partir de la ecuación (4.23), se puede obtener una expresión alternativa sustituyendo en esta la
ecuación (4.20).
n/T0 1 a
Px (F) = X (F) X ∗ F − (4.27)
N L
O la versión simétrica
a/L 1 a ∗ a
Px,sym (F) = X F+ X F− (4.28)
N 2L 2L
Al igual que en la ecuación (4.17), también se cumple que
n/T0 a/L a
Px (F) = Px,sym (F) ∗ δ (F −
) (4.29)
2L
Un detalle del periodograma cíclico es que este, al igual que su versión continua, engloba al
periodograma tomando la frecuencia de ciclo nula, de tal manera que
1
Px0 (F) = |X(F)|2 = Px (F) (4.30)
N
De la misma forma ocurre con el estimador para la autocorrelación cíclica, rx0 (m) = rx (m), donde
rx (m) viene dado por la ecuación (2.34).
Estas congruencias reflejan el motivo de la notación seguida en este capítulo puesto que los
estimadores cíclicos dan lugar a la versión no cíclica vista en el capítulo 3 para la frecuencia de
ciclo nula.
Finalmente, para poder implementar este estimador en un programa de cálculo se debe recurrir al
algoritmo FFT el cual, como se ha visto en anteriores capítulos, computa la DTFT presente en la
propia definición del estimador para una serie de frecuencias equiespaciadas en un periodo. De esta
forma, la versión simétrica y discreta del periodograma cíclico queda
a/L 1 k a k a
Px,sym (k/N) = X + X ∗ − k = 0,1,...,N − 1 (4.31)
N N 2L N 2L
A lo largo de este capítulo se ha buscado encontrar una expresión que permita estimar las propiedades
espectrales de los procesos aleatorios cicloestacionarios que como se ha visto, se amplía al concepto
de función de correlación espectral, donde surge una nueva dimensión de frecuencias que representa
las frecuencias de ciclo. El resultado de esto es el denominado periodograma cíclico que quedó
definido en la ecuación (4.28). Este estimador ofrece una forma directa a través de una realización del
proceso aleatorio de obtener el espectro cíclico para un múltiplo de la frecuencia de ciclo fundamental
dado. Esta metodología de estimación es válida, pero presenta dos problemas fundamentales.
38 Capítulo 4. Estimación espectral de procesos cicloestacionarios
a/L a/L
Px, FSM (k/N) = W (k) ∗ Px,sym (k/N) (4.32)
donde W (F) representa el filtro de media móvil simple cuya respuesta al impulso es
k
1
W (k) = ∑ δ ( j) (4.33)
D j=k−D+1
k
a/L 1 a/L
Px, FSM (k/N) = ∑ Px,sym ( j/N) (4.34)
D j=k−D+1
4.2 Métodos de estimación de la función de correlación espectral o espectro cíclico 39
k
a/L 1 a/L
E[Px, FSM (k/N)] = ∑ E[Px,sym ( j/N)]
D j=k−D+1
1 a/L a/L a/L
= E[Px,sym ((k − D + 1)/N] + E[Px,sym ((k − D + 2)/N] + ... + E[Px,sym (k/N]
D
a/L
=E[Px,sym (k/N)]
(4.35)
De lo que se deduce que, el efecto de este filtrado no afecta a la esperanza del estimador (se
mantiene la consistencia para este estadístico).
Respecto a la varianza, mantenido un valor fijado de D, cuando N → ∞ se tiene que
k
a/L 1 a/L
Var[Px, FSM (k/N)] = ∑ Var[Px,sym ( j/N)]
D2 j=k−D+1
1 a/L a/L a/L
≈ 2 Var[Px,sym ((k − D + 1)/N] +Var[Px,sym ((k − D + 2)/N] + ... +Var[Px,sym (k/N]
D
1 a/L
= Var[Px,sym (k/N)]
D
(4.36)
lo que provoca una reducción teórica en la varianza de las estimaciones en un factor de 1/D.
En definitiva, el método de suavizado de frecuencia (FSM), se hace convolucionar una ventana
de suavizado con el periodograma cíclico para formar una estimación del SCF. Una ventaja de
este método es que permite un control fino sobre la resolución espectral de la estimación según la
elección de la ventana, pero tiene como inconveniente que requiere una transformada de Fourier
sobre todo el conjunto de datos y posteriormente una convolución lo cual, desde el punto de vista
del coste computacional, podría ser muy elevado.
El método de suavizado en tiempo (TSM, surge como alternativa al problema del alto costo compu-
tacional del método FSM. En lugar de promediar (suavizar) el periodograma cíclico sobre el dominio
frecuencial, se promedian múltiples periodogramas cíclicos a lo largo del tiempo. Esto se con sigue
con una segmentación de la ruta de muestras x(n) obteniendo así una estimación del SCF mediante
el promediado de los periodogramas cíclicos de cada segmento. Matemáticamente, los segmentos
obtenidos se pueden expresar como
a/L 1 a ∗ a
Pxi ,sym (F) = Xi F + Xi F − i = 0,1,...,K − 1 (4.38)
M 2L 2L
40 Capítulo 4. Estimación espectral de procesos cicloestacionarios
donde WB (F) es la ventana de Bartlett de longitud 2M − 1 que muestra el sesgo del estimador.
Al tomar el límite cuando N → ∞ y manteniendo un valor fijo de K, M → ∞ lo que provoca que se
mantenga la asintoticidad insesgada del estimador y, por tanto, la consistencia de este estadístico.
En cuanto a la varianza, al igual que en el método de Bartlett, se reduce en un factor K respecto a
la estimación básica.
" #
a/L 1 K−1 a/L
Var[Px, T SM (F)] =Var ∑ Pxi ,sym (F)
K i=0
1 K−1 h
a/L
i
= 2 ∑ Var Pxi ,sym (F)
K i=0 (4.42)
1 h
a/L
i
= Var Pxi ,sym (F)
K
1 h
a/L
i
= Var Px,sym (F)
K
En conclusión, se puede ver claramente la reducción del costo computacional de esta técnica
respecto a su homóloga FSM. La segmentación de x(n) y posteriormente aplicar la FFT es mucho
menos costoso que aplicar la FFT a x(n) al completo. Además, el promediado de periodogramas
cíclicos es también mucho menos costoso que realizar una convolución por una señal de alta longitud
de muestra.
5 Técnicas de estimación espectral en
Python
A lo largo de los capítulos anteriores, se han presentado y analizado diferentes técnicas de estimación
tanto para la densidad espectral de potencia de procesos estacionarios como para la función de
correlación espectral de procesos cicloestacionarios. El fin último de estas técnicas como de este
trabajo es poder implementarlas utilizando algún software de cálculo numérico de programación para
poder aplicarlas a señales reales. Es por esto por lo que, a lo largo de este capítulo, se propondrán una
serie de algoritmos basados en el lenguaje de programación Python, que permitan posteriormente
poner en práctica las diferentes técnicas vistas.
Como punto de partida, se implementarán los diferentes métodos de estimación vistos en el capítulo
3 para estimar la PSD. El periodograma, el periodograma de Bartlett, el de Welch y por último el
de Blackman-Tukey.
5.1.1 Periodograma
Para implementar un algoritmo que compute el periodograma de una ruta de muestras, se recurrirá
a una función denominada periodograma que recibirá como argumentos:
• La ruta de muestras x, que en este caso representará una realización del proceso aleatorio en
cuestión.
• Una variable de tipo string donde se indica el método de cómputo del periodograma, directo
(a través de la FFT de x) o indirecto (mediante la FFT de la autocorrelación estimada de x).
41
42 Capítulo 5. Técnicas de estimación espectral en Python
10 Devuelve:
P_x = Periodograma
F = Dominio de frecuencia normalizada de P_x
'''
# Método directo
if metodo == 'directo':
P_x = (1/N)*abs(fftshift(fft(x)))**2
20
# Método indirecto
elif metodo == 'indirecto':
r_x = np.correlate(x,x,mode='full')/N
P_x = fftshift(fft(r_x))
25
# Error en el método seleccionado
else:
print('método incorrecto')
return
30
# Dominio de frecuencia normalizada
F = np.linspace(-1/2,1/2,len(P_x))
return [P_x,F]
35
• La ruta de muestras x, que en este caso representará una realización del proceso aleatorio en
cuestión.
• El número K de segmentos en los que se dividirá x.
10 Devuelve:
Pb_x = Periodograma de Bartlett
F = Dominio de frecuencia normalizada de Pb_x
'''
return [Pb_x,F]
• La ruta de muestras x, que en este caso representará una realización del proceso aleatorio en
cuestión.
• El número L de segmentos en los que se dividirá x.
• El overlap medido como el cociente entre el número de muestras que comparten dos segmentos
adyacentes (M −D) entre la longitud de los segmentos (M) en tanto por ciento. Para simplificar
y debido a que pequeños cambios en este parámetro no producen variaciones notables en la
estimación, se tomarán porcentajes de solapamientos múltiplos de 5 y menores que 100 %.
y devolverá:
• Una variable que representa el dominio de frecuencias normalizadas donde está definido el
periodograma de Welch. Esta variable contendrá M frecuencias normalizadas y equiespaciadas
entre −0.5 y 0.5 donde M es la longitud en muestras de los segmentos.
• El número L de segmentos.
65 else:
print('El overlap debe ser multiplo de 5')
return
resultante de la ventana.
y devolverá:
Código 5.4 Función que implementa el método de Blackman y Tukey para el periodograma.
def periodograma_blackman_tukey(r_x, ventana, PEV):
'''
Función que computa el periodograma de Blackman y Tukey de
una ruta de muestras.
5
Entradas:
46 Capítulo 5. Técnicas de estimación espectral en Python
if ventana == 'rectangular':
20 # Creacion de ventana de rectangular
w = np.ones(2*M-1)
else:
print('Error de ventana seleccionada')
Tomando la ecuación (4.34), se puede definir una función de nombre periodograma_ciclico que
recibirá únicamente como argumento de entrada, La ruta de muestras x y devolverá el periodograma
cíclico (simétrico).
Esta técnica requiere aplicar un desplazamiento en frecuencia, tanto negativo (retraso), como
positivo (adelanto). Esto se puede realizar fácilmente apoyándonos en las propiedades periódicas
del espectro de una señal discreta. Puesto que dicho espectro posee un periodo unidad (medido en
frecuencias normalizadas), la operación de adelanto y atraso es un movimiento circular del espectro
obtenido tras computar la FFT. Si, por ejemplo, se tiene un espectro centrado en cero, este estará
comprendido entre −1/2 y 1/2 y, por tanto, atrasar el espectro b muestras, implica que las ultimas
b muestras del espectro se coloquen delante de la que, previo al atraso, era la primera muestra.
En el caso de un adelanto, las b primeras muestras del espectro, se colocan en la parte final. Esta
5.2 Algoritmos de estimación de la SCF: periodograma cíclico y sus métodos derivados 47
operación circular se puede realizar mediante el método de la librería numpy de Python, roll. En el
caso que ocupa, un desplazamiento de ± 2L a
, implica un desplazamiento de ±N 2La
muestras.
De forma alternativa, este desplazamiento se puede realizar aplicando la propiedad de desplaza-
miento de la transformada de Fourier
N−1
k a a 2πk
X ± = ∑ x(n)e∓ j2π 2L n e− j N n (5.1)
N 2L n=0
Esto es menos eficiente (desde el punto de vista del coste computacional) puesto que requiere
aplicar dos veces el algoritmo de FFT sobre todo la ruta muestras, mientras que usando el método
roll, el algoritmo FFT solo se realiza una vez.
Siguiendo este razonamiento, el código de la función periodograma_ciclico es:
10 Devuelve:
CP_x = Periodograma cíclico
F = Dominio de frecuencia normalizada de CP_x
'''
• La ruta de muestras x
• La frecuencia de ciclo a evaluar Fc.
Código 5.6 Función que implementa el método de suavizado en frecuencia para el periodograma
cíclico.
def periodograma_ciclico_FSM(x, Fc):
'''
Función que computa el periodograma cíclico de una
ruta de muestras mediante el método de suavizado
5 en frecuencia.
Entradas:
x = Ruta de muestras
Fc = Frecuencia de ciclo
10
Devuelve:
CP_x = Periodograma cíclico
F = Dominio de frecuencia normalizada de CP_x
'''
15
N = len(x) # Longitud de la muestra completa
D = int(N*0.005) # Longitud del filtro de media móvil
• La ruta de muestras x.
• La frecuencia de ciclo a evaluar Fc.
• El número de segmentos o bloques en los que se dividirá x.
y devolverá:
Código 5.7 Función que implementa el método de suavizado en tiempo para el periodograma
cíclico.
def periodograma_ciclico_TSM(x, Fc, K):
'''
Función que computa el periodograma cíclico de una
ruta de muestras mediante el método de suavizado
5 en tiempo.
Entradas:
x = Ruta de muestras
Fc = Frecuencia de ciclo
10 K = Número de segmentos
Devuelve:
CP_x = Periodograma cíclico
F = Dominio de frecuencia normalizada de CP_x
15 '''
# Matriz de segmentos
x_k = x[0:K*M].reshape(K,M)
25 # Matriz formada por el espectro de cada segmento
X_k = fftshift(fft(x_k))
51
52 Capítulo 6. Ejemplo experimental de estimación espectral: modulación digital lineal
Puesto que el objetivo será estimar las propiedades espectrales de esta señal, conviene introducir
el resultado teórico que, para la PSD siguiendo la ecuación (4.19) y particularizando para los
parámetros seleccionados, se tiene
a/Ts
Γx,sym ( f ) = Eb log2 M · sinc( f Ts + a/2) · sinc( f Ts − a/2)
a/L
(6.5)
Γx,sym (F) = Fm Eb log2 M · sinc(FL + a/2) · sinc(FL − a/2)
y devuelve:
5 Entradas:
Bn = Secuencia de dígitos binarios
Eb = Energía media por bit transmitida en Julios
M = Número de síímbolos del código PAM
p = Pulso paso de baja o paso de banda
10 L = Número de puntos a utilizar en la representación de
un símbolo
Devuelve:
Xn = la señal de información (discreta)
15 Bn = La secuencia de dígitos binarios realmente
transmitidos
An = La secuencia de niveles de amplitud transmitidos
phi = Pulso básico real normalizado (energía unidad)
alfabetopam = Los niveles de amplitud asociados a cada
20 símbolo
'''
k = int(np.ceil(np.log2(M)))
30 M = 2**(k) # Se Ajusta M a una potencia de dos
# La secuencia generada
45 if M>2:
An = alfabetopam[gray2de(np.reshape(Bn,[Ns,k]))]
else:
An = alfabetopam[Bn]
return [Xn,Bn,An,phi,alfabetopam]
Una vez ha sido implementada la función que se utilizará para generar las transmisiones digitales
PAM, se definirán a continuación los parámetros de estas transmisiones que serán utilizadas poste-
riormente como entradas para las funciones de estimación (algunos de estos parámetros podrán ser
modificados según el tipo de análisis requerido).
En este punto, es necesario tener en cuenta algunos detalles. Puesto que se está operando con señales
discretas, el espectro resultante de las estimaciones proviene en última instancia de aplicar la DTFT
ya bien sea sobre la propia realización del proceso (método directo) o sobre su autocorrelación
estimada (método indirecto). Esto se hace mediante al algoritmo FFT el cual toma un periodo de
la DTFT y lo muestrea para un número de frecuencias equiespaciadas. Es conocido que la DTFT
es una suma infinita periódica del verdadero espectro de la señal con periodo Fm lo cual implica
dos cosas; el dominio de las estimaciones estará definido en [−Fm /2, Fm /2] o tomando frecuencias
normalizadas [−1/2, 1/2] y puesto que el espectro teórico dado en (6.2) y (6.4) es infinito, existirá
aliasing el cual será más notable en frecuencias cercanas a los extremos.
Otro detalle importante es lo referido a la magnitud de las estimaciones. Al inicio de este estudio,
para definir el periodograma, se partió de una realización de un proceso aleatorio estacionario que
era una función continua. Si bien, puesto que dicha función no era manejable desde el punto de
vista computacional, no solo se realizó un enventanado de la señal, sino que también se realizó un
muestreo de esta a una frecuencia Fm (en nuestro caso esta Fm vendrá determinada por el número de
puntos tomados para el pulso conformador p(t)).
Además de todo esto, es necesario prestar atención al tipo de señal tomada como entrada para las
estimaciones. Al inicio de este estudio, se partió de una señal continua x(t) que representaba una
realización del proceso aleatorio en cuestión pero que, al ser de carácter continuo, era necesario
tomar una versión muestreada y finita de esta para poder computar numéricamente las estimaciones.
Esto se realizaba suponiendo un muestreo ideal dando como resultado una señal denominada x(n)
la cual se tomaba como punto de partida para definir los estimadores.
Esta asignación hay que tomarla con cierta cautela puesto que x(n) no está definido en el dominio
n sino en nTm lo cual no es lo mismo como se vio al inicio de este capítulo al analizar el pulso con-
formador p(t) de la modulación PAM (la magnitud de la señal en ambos dominios está relacionada
√
directamente con un factor Tm para mantener las mismas propiedades energéticas y, por tanto
hagan referencia a la misma señal). Por esto a la hora de realizar las estimaciones se debe tomar
como entrada la modulación muestreada es decir x(nTm ) en su dominio temporal discretizado y no
su versión en el dominio n de valores enteros.
Finalmente, como se ha mencionado anteriormente, aplicar los métodos basados en el periodo-
grama a este tipo de procesos cicloestacionarios es del todo valido puesto que el periodograma y el
periodograma cíclico son idénticos para una frecuencia de ciclo nula y por tanto es esperable que
las estimaciones realizadas sea válidas independientemente de otros factores como el tipo de pulso
conformador o el orden y energía de la modulación elegida.
Como punto de partida del análisis experimental de estimación espectral de potencia para la
modulación PAM, se verá el comportamiento del periodograma. Para ilustrarlo, se genera el siguiente
código donde para una misma transmisión, se aplicará el algoritmo del periodograma tanto directo
como indirecto para diferentes longitudes de muestra.
Para el método directo se propone el siguiente código:
Código 6.3 Algoritmo propuesto para aplicar el periodograma sobre la transmisión PAM.
# Vector de longitudes para la muestra
N = (len(Xt)*np.array([1,1/10,1/100,1/1000])).astype(int)
En el caso del método indirecto, se utilizará el mismo código cambiando únicamente el tipo de
acceso en la función periodograma de directo a indirecto.
6.3 Resultados experimentales 57
Figura 6.1 Estimación de la PSD mediante periodograma por método directo para distintas longitu-
des de la realización del proceso aleatorio WSCS definido en (6.1).
Figura 6.2 Estimación de la PSD mediante periodograma por método indirecto para distintas longi-
tudes de la realización del proceso aleatorio WSCS definido en (6.1).
En la figura 6.1 se pueden observar los resultados obtenidos al aplicar el método directo del
periodograma sobre la ruta de muestras generada a través de una transmisión PAM. De este análisis
se pueden obtener diversas conclusiones. En primer lugar, se observa que a medida que la longitud
58 Capítulo 6. Ejemplo experimental de estimación espectral: modulación digital lineal
EL método de Bartlett segmenta la ruta de muestras completa en K segmentos para los cuales
aplica el algoritmo del periodograma para después realizar un promediado de estos. De esta forma
el parámetro característico de esta técnica es K, el número de segmentos. Para ofrecer una visión
completa de las capacidades de este método, se mostrará en una misma figura los resultados de las
estimaciones para diferentes valores de K con ayuda del siguiente código:
Código 6.4 Algoritmo propuesto para aplicar el periodograma de Bartlett sobre la transmisión PAM.
K = [10,30,100] # vector de valores de K
color = ['b','g','r'] # vector de colores
En la figura 6.3 se muestran los resultados obtenidos tras aplicar el método de Bartlett sobre la ruta
de muestras para 10, 30 y 100 segmentos. Es evidente que, a medida que aumentan los segmentos,
la varianza de la estimación se reduce lo cual concuerda con lo esperado en la ecuación (3.10). Si
bien, tomar un valor excesivo de segmentos, puede provocar que M, sea demasiado pequeña y, por
consiguiente, los periodogramas obtenidos para cada uno de ellos sean insuficientes para obtener
un buen resultado tras el promediado. Es por esto por lo que, el valor de K máximo deberá ser tal
que M sea aproximadamente mayor que 100 muestras para que la estimación sea aceptable.
Figura 6.3 Estimación de la PSD mediante método de Bartlett para distintas segmentaciones de la
realización del proceso aleatorio WSCS definido en (6.1).
Código 6.5 Algoritmo propuesto para aplicar el periodograma de Welch sobre la transmisión PAM
para diferentes valores del overlap.
OL = [90,70,50,10] # vector de valores de overlap
color = ['b','r','g','y'] # vector de colores
Figura 6.4 Estimación de la PSD del proceso aleatorio WSCS definido en (6.1) mediante método
de Welch para distintos solapamientos entre segmentos.
A medida que el overlap se reduce del tamaño máximo seleccionado (90 %), la estimación mejora
puesto que la desviación típica disminuye y la gráfica resultante tiende a la PSD teórica, pero cuando
se alcanzan valores cercanos al 50 % e inferiores, la desviación parece que se mantiene en un valor
constante como se ve entre las gráficas de color verde y amarillo.
Tomando un valor significativo de overlap, por ejemplo, un 50 %, se puede comprobar ahora
cómo evolucionan las estimaciones variando el número de segmentos. Para esto se puede reutilizar
el código anterior, pero cambiando el vector de OL por un vector de L
6.3 Resultados experimentales 61
Código 6.6 Algoritmo propuesto para aplicar el periodograma de Welch sobre la transmisión PAM
para diferentes valores de segmentación.
L = [10,30,100] # vector de valores de L
color = ['b','r','g'] # vector de colores
En la figura 6.5 se muestra el resultado de las estimaciones del método de Welch para un overlap
fijo del 50 % y distintos valores de segmentación. Nuevamente, se observa lo predicho por la teoría.
A medida que el número de segmentos crece, la varianza de la estimación se reduce tal y como
marca (en este caso) la ecuación (3.24). De igual forma que ocurre con el método de Bartlett, para
una longitud de muestra N finita, el número de segmentos posible queda limitado hasta tal punto
que la longitud M de cada segmento sea lo suficientemente grande como para ofrecer una buena
estimación. Si bien, puesto que en este caso existe solapamiento entre muestras, el número de
segmentos para un mismo valor de N puede ser superior que en el caso del método de Bartlett.
En cualquier caso, este método ofrece más posibilidades que su predecesor puesto que posee tres
grados de libertad, el overlap, el número de segmentos y tipo de enventanado de estos.
62 Capítulo 6. Ejemplo experimental de estimación espectral: modulación digital lineal
Figura 6.5 Estimación de la PSD del proceso aleatorio WSCS definido en (6.1) mediante método
de Welch para diferente número de segmentos.
Código 6.7 Algoritmo propuesto para aplicar el periodograma de Blackman-Tukey sobre la trans-
misión PAM para diferentes tamaños de ventana.
PEV = [50,10,1,0.25] # vector de valores de PEV
color = ['b','r','g','y'] # vector de colores
plt.plot(F , Pbt_x_dB,
color[i],
label = r'$P^{BT}_x(PEV='+str(PEV[i])+'\%)$')
15
# Representación de la magnitud de la P.S.D teórica en dBW
plt.plot(F_teor, Sx_dB, 'k', label = r'$\Gamma_x$')
Figura 6.6 Estimación de la PSD del proceso aleatorio WSCS definido en (6.1) mediante método
de Blackman y Tukey para distintos porcentajes de enventanado de tipo rectangular.
Según lo predicho por la teoría, para valores de M << N, se obtiene una varianza de la estimación
proporcional a la energía de la ventana utilizada. Es por esto por lo que, a medida que el ancho de
la ventana se reduce, la desviación también se reduce y las prestaciones de la estimación mejoran,
asemejándose la gráfica obtenida a la real. Se concluye por tanto que, el PEV deberá ser de entre
un 5 % y un 0.1 % para que la desviación obtenida sea aceptable.
Para la ventana triangular, basta con cambiar el tipo de ventana utilizada en la llamada a la función
periodograma_blackman_tukey. En este caso, en la figura 6.7 se recogen los resultados obtenidos.
Es notable la mejoría en la desviación de los puntos de la estimación con la ventana triangular
respecto a la ventana rectangular. Esto es debido a que, para un mismo porcentaje de enventanado,
la energía de la ventana triangular es menor que la rectangular y, por tanto, según la ecuación (3.45),
la varianza también será menor.
64 Capítulo 6. Ejemplo experimental de estimación espectral: modulación digital lineal
Figura 6.7 Estimación de la PSD del proceso aleatorio WSCS definido en (6.1) mediante método
de Blackman y Tukey para distintos porcentajes de enventanado de tipo triangular.
Hasta el momento, solo se han aplicado los métodos de estimación no paramétricos derivados del
periodograma para la PSD de la modulación PAM. Puesto que este tipo de señales pertenecen a
la categoría de procesos aleatorios WSCS el espectro de potencia no queda definido al completo
únicamente con la PSD. Por esto, en este punto se aplicarán los algoritmos de estimación del espectro
cíclico basados en el periodograma cíclico.
En una primera aproximación, se empleará la función periodograma_ciclico. Para ello es necesario
tener en cuenta ciertos aspectos. En primer lugar, el espectro cíclico está definido en 3 dimensiones
(dos continuas y una discreta). Por esto, se harán 2 representaciones diferentes, una de ellas en
formato tridimensional y otra en dos dimensiones, donde se solapará la dimensión discreta formada
por las frecuencias de ciclo.
En segundo lugar, puesto que para el número de puntos tomados en un tiempo de símbolo (L = 10)
existen 9 múltiplos de la frecuencia de ciclo fundamental que generan resultados diferentes en
cuanto a la magnitud del espectro (1/10, 2/10, ..., 9/10) y teniendo en cuenta que, para el espectro
cíclico simétrico en frecuencia normalizada, Fc = a/L = −a/L, se estimará el espectro para 5
frecuencias de ciclo diferentes evitando así que las representaciones sean muy engorrosas.
Por último, debido a que los resultados esperados de las estimaciones para el periodograma
cíclico sin suavizar presentan una alta variación, hacer este tipo de representación será complicada
desde el punto de vista de interpretar los resultados. Por ello se optará por separar la dimensión
discreta en figuras diferentes.
Siguiendo este razonamiento, se propone el siguiente código para aplicar la función periodogra-
ma_ciclico a la modulación PAM descrita:
6.3 Resultados experimentales 65
Código 6.8 Algoritmo propuesto para aplicar el periodograma cíclico sobre la transmisión PAM.
color = ['r','b','g','c','m','y'] # vector de colores
for a in np.arange(6):
plt.figure(a)
Fc = a/L # Selección de Frecuencia de ciclo
5
# Generación de la SCF real/ideal
Fp = np.linspace(-1/2,1/2,1000)
SCF_x = (Fm*Eb*k)*np.conj(np.roll(np.sinc(Fp*L), int(np.round
((Fc/2) * 1000))))*np.roll(np.sinc(Fp*L), -int(np.round((Fc/2) *
1000)))
SCF_x_dB = 10*np.log10(abs(SCF_x))
10
# Estimación de la SCF para Fc seleccionada
[PC_x, F] = periodograma_ciclico(Xt, Fc)
PC_x_dB = 10*np.log10(abs(PC_x))
El resultado tras la ejecución se muestra en la figura 6.8. Se puede observar que, para los 5
casos de frecuencias de ciclo seleccionadas, la estimación es buena desde el punto de vista de la
tendencia de los puntos respecto a sus valores teóricos (esperanza), pero es muy mala a la vista de
la varianza o desviación típica de los puntos estimados, lo cual es lo esperado teniendo en cuenta
las características de dicho estimador. De hecho, lo ocurrido aquí es idéntico al caso anterior donde
se analizó el periodograma siendo necesario recurrir a técnicas que reduzcan esta varianza.
66 Capítulo 6. Ejemplo experimental de estimación espectral: modulación digital lineal
Figura 6.8 Estimación de la SCF del proceso aleatorio WSCS definido en (6.1) para diferentes
frecuencias de ciclo.
6.3 Resultados experimentales 67
Código 6.9 Algoritmo propuesto para aplicar el método FSM del periodograma cíclico sobre la
transmisión PAM.
# Código para generar una representación bidimensional con los
diferentes espectros obtenidos para las frecuencias de ciclo
seleccionadas.
En las figuras 6.9 y 6.10 se muestran los resultados obtenidos de las estimaciones. El objetivo de
reducir la varianza o desviación en los puntos estimados se consigue de manera clara y evidente.
basta con comparar estos con los resultados obtenidos aplicando el periodograma cíclico sin suavizar
6.3 Resultados experimentales 69
(figura 6.8) para ver que el ajuste de los puntos estimados es mucho más acertado en el caso suavizado
lo cual, es lo esperado. Teniendo en cuenta la ecuación 4.39, y sabiendo que D = 0.005N = 500,
la varianza de la estimación se reduce con un factor de D−1 = 0.002, es decir un 0.2 % del valor
teórico sin suavizar. El mayor inconveniente de esta técnica es que requiere aplicar la FFT de toda la
ruta de muestras al completo lo cual puede incurrir en altos tiempos de computación para longitudes
largas. En este ejemplo realizado, se tiene una media de tiempo de cálculo de 0.018 seg.
Figura 6.9 Magnitud de la SCF estimada en dBW del proceso aleatorio WSCS definido en (6.1)
mediante suavizado en frecuencia del periodograma cíclico para las 5 primeras frecuen-
cias de ciclo (además de la frecuencia de ciclo nula) utilizando un filtro de media móvil
simple de ancho de banda normalizado igual a 0.005 (0.005N muestras).
70 Capítulo 6. Ejemplo experimental de estimación espectral: modulación digital lineal
Figura 6.10 Magnitud de la SCF estimada del proceso aleatorio WSCS definido en (6.1) mediante
suavizado en frecuencia del periodograma cíclico para las 5 primeras frecuencias de
ciclo (además de la frecuencia de ciclo nula) utilizando un filtro de media móvil simple
de ancho de banda normalizado igual a 0.005 (0.005N muestras).
Para finalizar con las técnicas de estimación vistas en este trabajo y como alternativa al método de
suavizado en frecuencia, se aplicará ahora el método de suavizado en tiempo para el periodograma
cíclico. Para ello se utilizará el código del apartado anterior, pero cambiando el método de estimación
por la función periodograma_ciclico_FSM para un valor de K = 200.
Código 6.10 Algoritmo propuesto para aplicar el método TSM del periodograma cíclico sobre la
transmisión PAM.
# Código para generar una representación bidimensional con los
diferentes espectros obtenidos para las frecuencias de ciclo
seleccionadas.
else:
label_srt = r'$P^{'+str(0)+'}_{x,sym}$'
Los resultados obtenidos se muestran en las figuras 6.11 y 6.12. Nuevamente y como es de
esperar, la varianza de la estimación se reduce notablemente, en concreto, suponiendo una longitud
infinita de muestras de la realización del proceso, se tiene un factor de reducción en la varianza
de K −1 = 0.005. Además, debido a la segmentación, el número de muestras estimadas se reduce
notablemente lo cual reduce el tiempo de computación respecto al método anterior lo que lo hace
más apto para rutas de muestras muy largas donde esta diferencia será más notable. En este caso, el
tiempo de cómputo medio es de 0.015 seg.
6.3 Resultados experimentales 73
Figura 6.11 Magnitud de la SCF estimada en dBW del proceso aleatorio WSCS definido en (6.1)
mediante suavizado en tiempo del periodograma cíclico para las 5 primeras frecuencias
de ciclo (además de la frecuencia de ciclo nula) utilizando una segmentación de 200
bloques de la muestra completa.
Figura 6.12 Magnitud de la SCF estimada del proceso aleatorio WSCS definido en (6.1) mediante
suavizado en frecuencia del periodograma cíclico para las 5 primeras frecuencias de
ciclo (además de la frecuencia de ciclo nula) utilizando una segmentación de 200
bloques de la muestra completa..
74 Capítulo 6. Ejemplo experimental de estimación espectral: modulación digital lineal
Respecto a los resultados de las estimaciones de la densidad espectral de potencia para la modulación
PAM, se pueden obtener las siguientes conclusiones.
En primer lugar, se ha comprobado que, como se vio en el capítulo 4, las técnicas de estimación
basadas en el periodograma son totalmente válidas y aplicables para procesos aleatorios de tipo
WSCS como es el caso de la modulación PAM tomada como ejemplo en este estudio. Esto se puede
comprobar observando la convergencia de estas estimaciones hacia la PSD teórica.
En segundo lugar y enfocando más el análisis en la propia forma de esta función, existen diversos
detalles que merecen mención. Teniendo en cuenta la expresión teórica de la PSD, se tiene que el
espectro depende de manera directa del módulo al cuadrado de la transformada de Fourier del pulso
conformador de la modulación, es decir, |P( f )|2 . Es por esto que, para determinar el porqué de la
forma de onda de la PSD, se deberá analizar el espectro del pulso conformador el cual, para el caso
tomado como ejemplo es un rectángulo de altura unidad y longitud Ts , cuyo espectro al cuadrado es
0.1 medido en el dominio de frecuencias normalizado (F). Por tanto, el ancho de banda en Hercios
es BW ≈ 0.1Fm = 5 Hz
Finalmente, se puede obtener la potencia del proceso aleatorio una vez se ha encontrado una
estimación de la PSD de este. Teniendo en cuenta la ecuación (2.17), la potencia teórica de la
modulación PAM seleccionada al inicio de este capítulo es:
Eb log2 M Eb
Z ∞ Z ∞
PX = Γx ( f ) d f = Eb log2 Msinc2 ( f Ts ) d f = = = 40 [W ] (6.9)
−∞ −∞ Ts Tb
∑N−1 k
Z 0.5
Px
PX ≈ Γx (F) dF ≈ k=0 N
(6.10)
−0.5 N
Esto se puede implementar en Python de manera sencilla para cualquier PSD estimada aproxi-
mando la integral como el sumatorio de esta función multiplicado por la diferencia en frecuencia
normalizada entre dos puntos consecutivos, es decir uno partido del número de puntos estimados.
En la tabla 6.1 se recogen los resultados de las potencias estimadas para el periodograma, el
método de Bartlett de parámetro K = 100, el de Welch para L = 50 y OL = 50 % y el de Blackman-
Tukey con ventana triangular y PEV = 1 %.
Potencia_estimada = sum(Px)/len(Px)
Figura 6.13 Magnitud de la PSD teórica en dBW del proceso aleatorio WSCS definido en (6.1) para
diferente número de puntos muestreados del pulso conformador.
(b) Estimación de la SCF mediante suavizado en frecuencia. (c) Estimación de la SCF mediante suavizado en tiempo.
(b) Estimación de la SCF mediante suavizado en frecuencia. (c) Estimación de la SCF mediante suavizado en tiempo.
Se observa que, aumentar de L = 10 a L = 20, implica obtener una frecuencia de muestreo mayor
lo que permite obtener más puntos de la transmisión PAM (aumenta N). Esto afecta a la dimensión
de frecuencias puras normalizadas, donde en este caso los anchos de los lóbulos se reducen teniendo
por tanto que aumentar su magnitud puesto que la potencia no se ve alterada (La potencia del sistema
depende de Eb y Ts ) y afecta también a las frecuencias de ciclo puesto que Fc = a/L se obtienen en
este caso el doble respecto al caso donde L = 10.
Todo lo anterior ocurre de la misma forma expresando la SCF teórica en el dominio f . En este
caso el parámetro que marco el ancho de los lóbulos y el valor de la frecuencia de ciclo fundamental
es Ts .
6.4 Conclusiones y análisis finales 79
Hasta el momento solo se han realizado estimaciones sobre la modulación digital de tipo PAM,
¿Qué se podría esperar para otro tipo de modulaciones lineales? Aprovechando la librería de Python
aportada por el departamento de Teoría de la señal y Comunicaciones donde aparte de la modulación
PAM están definidas las de tipo PSK y QAM, se puede plantear estimar el espectro para alguna de
ellas.
Para el caso de la PSK, por ejemplo, se propone la siguiente configuración de parámetros
característicos de la modulación:
Aplicando para esta modulación los métodos de suavizado en tiempo y frecuencia de la misma
manera que en el caso de la modulación PAM anterior, Se obtiene el resultado mostrado en las
figuras 6.16 y 6.17.
(a) Estimación de la SCF mediante suavizado en frecuencia. (b) Estimación de la SCF mediante suavizado en
frecuencia.
Figura 6.16 Estimación de la SCF de modulación QPSK mediante suavizado en frecuencia del
periodograma cíclico.
(a) Estimación de la SCF mediante suavizado en tiempo. (b) Estimación de la SCF mediante suavizado en
tiempo.
Figura 6.17 Estimación de la SCF de modulación QPSK mediante suavizado en tiempo del perio-
dograma cíclico.
6.4 Conclusiones y análisis finales 81
Para finalizar este estudio se supondrá un caso más real de cualquier sistema de comunicaciones
digitales típico, donde la señal recibida posee un ruido aditivo. Para esto, se añadirá a la modulación
PAM que se había definido al inicio de este capítulo un ruido blanco gaussiano.
Para definir este ruido blanco, se propone el siguiente código, donde la potencia del ruido
dependerá de la relación señal a ruido (SNR) que se supone proporciona el sistema.
Con la nueva señal generada Zt, se puede ahora estimar su espectro de tal forma que, aplicando
por ejemplo el método de Bartlett, se obtienen los siguientes resultados mostrados en la figura 6.18
para diferentes valores de SNR_dB.
Figura 6.18 PSD estimada de la modulación QPSK más un ruido aditivo de tipo gaussiano.
82 Capítulo 6. Ejemplo experimental de estimación espectral: modulación digital lineal
Se puede observar que, a medida que disminuye la relación señal a ruido, aumenta la varianza
del ruido y, por tanto, la potencia del ruido lo que provoca un aumento de la potencia neta de la
señal Zt que se refleja en un aumento de la magnitud de los lóbulos. Este aumento de la potencia
del ruido también influye en la varianza de la estimación, la cual aumenta en este caso.
Índice de Figuras
6.1 Estimación de la PSD mediante periodograma por método directo para distintas longitudes
de la realización del proceso aleatorio WSCS definido en (6.1) 57
6.2 Estimación de la PSD mediante periodograma por método indirecto para distintas longitu-
des de la realización del proceso aleatorio WSCS definido en (6.1) 57
6.3 Estimación de la PSD mediante método de Bartlett para distintas segmentaciones de la
realización del proceso aleatorio WSCS definido en (6.1) 59
6.4 Estimación de la PSD del proceso aleatorio WSCS definido en (6.1) mediante método de
Welch para distintos solapamientos entre segmentos 60
6.5 Estimación de la PSD del proceso aleatorio WSCS definido en (6.1) mediante método de
Welch para diferente número de segmentos 62
6.6 Estimación de la PSD del proceso aleatorio WSCS definido en (6.1) mediante método de
Blackman y Tukey para distintos porcentajes de enventanado de tipo rectangular 63
6.7 Estimación de la PSD del proceso aleatorio WSCS definido en (6.1) mediante método de
Blackman y Tukey para distintos porcentajes de enventanado de tipo triangular 64
6.8 Estimación de la SCF del proceso aleatorio WSCS definido en (6.1) para diferentes
frecuencias de ciclo 66
6.9 Magnitud de la SCF estimada en dBW del proceso aleatorio WSCS definido en (6.1)
mediante suavizado en frecuencia del periodograma cíclico para las 5 primeras frecuencias
de ciclo (además de la frecuencia de ciclo nula) utilizando un filtro de media móvil simple
de ancho de banda normalizado igual a 0.005 (0.005N muestras) 69
6.10 Magnitud de la SCF estimada del proceso aleatorio WSCS definido en (6.1) mediante
suavizado en frecuencia del periodograma cíclico para las 5 primeras frecuencias de ciclo
(además de la frecuencia de ciclo nula) utilizando un filtro de media móvil simple de ancho
de banda normalizado igual a 0.005 (0.005N muestras) 70
83
84 Índice de Figuras
6.11 Magnitud de la SCF estimada en dBW del proceso aleatorio WSCS definido en (6.1)
mediante suavizado en tiempo del periodograma cíclico para las 5 primeras frecuencias
de ciclo (además de la frecuencia de ciclo nula) utilizando una segmentación de 200
bloques de la muestra completa 73
6.12 Magnitud de la SCF estimada del proceso aleatorio WSCS definido en (6.1) mediante
suavizado en frecuencia del periodograma cíclico para las 5 primeras frecuencias de ciclo
(además de la frecuencia de ciclo nula) utilizando una segmentación de 200 bloques de la
muestra completa. 73
6.13 Magnitud de la PSD teórica en dBW del proceso aleatorio WSCS definido en (6.1) para
diferente número de puntos muestreados del pulso conformador 76
6.14 SCF para 10 puntos muestreados del pulso conformador 77
6.15 SCF para 20 puntos muestreados del pulso conformador 78
6.16 Estimación de la SCF de modulación QPSK mediante suavizado en frecuencia del perio-
dograma cíclico 79
6.17 Estimación de la SCF de modulación QPSK mediante suavizado en tiempo del periodo-
grama cíclico 80
6.18 PSD estimada de la modulación QPSK más un ruido aditivo de tipo gaussiano 81
Índice de Tablas
2.1 Resolución espectral máxima para diferentes tipos de ventanas de igual longitud N [10] 15
85
Índice de Códigos
87
Bibliografía
[1] The analysis of time series, 4 ed., Chapman & Hall/CRC Texts in Statistical Science, Chapman
and Hall, London, England, September 1989.
[2] Sergio Benedetto and Ezio Biglieri, Principles of digital transmission, 1999 ed., Information
Technology: Transmission, Processing and Storage, Springer, New York, NY, July 1999 (en).
[3] Jacob Benesty, Jingdong Chen, Israel Cohen, and Yiteng Huang, Noise reduction in speech
processing, Springer Topics in Signal Processing, Springer, Berlin, Germany, April 2009 (en).
[4] P. Borghesani, The envelope-based cyclic periodogram, Mechanical Systems and Signal
Processing 58-59 (2015), 245–270.
[5] L Cohen, The generalization of the Wiener-Khinchin theorem, Proceedings of the 1998 IEEE
International Conference on Acoustics, Speech and Signal Processing, ICASSP ’98 (Cat.
No.98CH36181), IEEE, 2002.
[6] Thomas James Frederick, Time-frequency estimation for cyclostationary signals, Florida
Atlantic University, 1997.
[7] W Gardner and L Franks, Characterization of cyclostationary random signal processes, IEEE
Trans. Inf. Theory 21 (1975), no. 1, 4–14 (en).
[8] William A. Gardner, The spectral correlation theory of cyclostationary time-series, Signal
Processing 11 (1986), no. 1, 13–36.
[9] William A. Gardner, Antonio Napolitano, and Luigi Paura, Cyclostationarity: Half a century
of research, Signal Processing 86 (2006), no. 4, 639–697.
[10] F J Harris, On the use of windows for harmonic analysis with the discrete fourier transform,
Proc. IEEE Inst. Electr. Electron. Eng. 66 (1978), no. 1, 51–83.
[11] L V Jones and John Wilder Tukey, The collected works of john w. tukey, Chapman & Hall/CRC,
Philadelphia, PA, May 1987.
[12] Oualid Khatbi, Zakaria Hachkar, and Ahmed Mouhsen, Cyclostationary spectrum sensing
based on FFT accumulation method in cognitive radio technology, Advances in Intelligent
Systems and Computing, Springer International Publishing, 2018, pp. 542–552.
[13] Jiufei Luo, Zhijiang Xie, and Ming Xie, Interpolated dft algorithms with zero padding for
classic windows, Mechanical Systems and Signal Processing 70-71 (2016), 1011–1025.
89
90 Bibliografía
[14] Antonio Napolitano, Generalizations of cyclostationary signal processing, Wiley - IEEE, John
Wiley & Sons, Nashville, TN, October 2012 (en).
[16] Charles W. Therrien, Discrete random signals and statistical signal processing, 1st ed., Prentice
Hall PTR, USA, 1992.
[17] Saeed V. Vaseghi, Advanced digital signal processing and noise reduction, John Wiley &
Sons, Ltd, February 2008.
[18] Peter Walters, An introduction to ergodic theory, Graduate texts in mathematics, Springer,
New York, NY, October 2000 (en).
Glosario
91