Академический Документы
Профессиональный Документы
Культура Документы
5 de Junio de 2017
ELO313 2017
1.1.1. Parte a
Se nos pide encontrar una expresion compacta para la respuesta en frecuencia (DTFT) de este
sistema, para ello tenemos que DTFT se define de la siguiente forma:
X
X() = x(n)ejn (1)
k=
Donde ademas sabemos que tenemos para un retardo la siguiente propiedad de la DTFT:
DT F T
x(n n0 ) X()ejn0 (2)
En donde si reemplazamos la senal en la definicion de la DTFT obtenemos lo siguiente, donde Y ()
es la Transformada Discreta de Fourier de y(n).
L
X 1 X
Y () = x(n i)ejn (3)
L+1
k= i=0
L
1 X
Y () = X() ekk (4)
L+1
k=0
Ahora para tomar respuesta en frecuencia utilizamos la funcion de transferencia entre la salida
Y
PL y X(), jn
() donde ademas utilizando la serie geometrica obtenemos el valor para la sumatoria de
i=0 x(n i)e .
Y () 1 1 ej(L+1)
H() = = (5)
X() L + 1 1 ej
jw(L+1) jwL
Luego factorizando por e 2 en el numerador y en el denominador por e 2 obtenemos lo
siguiente:
j(L+1) j(L+1)
ejL/2 e 2 e 2
H() = jL jL (6)
L+1 e 2 e 2
UTFSM 1
ELO313 2017
j(L+1) j(L+1)
1 e 2 e 2
|H()| = jL jL (8)
L+1 e 2 e 2
L
H() = (9)
2
En donde la fase proviene del termino ejL/2 de H() y la magnitud podemos apreciar que es una
sinc periodica a la cual denominamos psinc.
1.1.2. Parte b
Utilizando Matlab obtenemos las siguientes graficas para la magnitud y fase del sistema con un
largo L = 5.
En donde se puede apreciar que la magnitud corresponde a una psinc tal como se dijo anteriormente.
UTFSM 2
ELO313 2017
Ahora como tenemos lo siguiente en el dominio discreto Y (K) = X(k) H(k) sabemos que en el
dominio del tiempo tendremos lo siguiente y(n) = x(n) y(n) donde el numero de muestras de y(n) es
2N 1 donde en este caso N = 6 que es el numero de muestras de x(n) y h(n), por lo que con la inversa
de 8 puntos de estas senales no es posible recuperar la senal exactamente sino que con 2N 1 = 11, esto
podemos verlo en el siguiente ejemplo.
x(n) h(n) = [1, 4, 11, 24, 45, 76, 100, 116, 98, 60] (12)
Ahora tomando la Transformada Inversa de Fourier con la transformada discreta de 8 puntos de
cada una de las senales en frecuencia obtenemos lo siguiente:
IDF T (x(n)h(n)) = x(8) (k) h(8) (k) = [117, 102, 71, 24, 45, 76, 100, 116] (13)
Como se puede apreciar la senal recuperada no es como la recuperada en 12 pues como se dijo
anteriormente para poder recuperar la senal exactamente necesitamos 11 puntos para la Transformada
Inversa de Fourier por lo cual realizamos primera la DFT de 11 puntos para x(n) e y(n), luego utilizamos
la IDFT de 11 puntos para estas senales y obtenemos lo siguiente:
IDF T (x(n)h(n)) = x(11) (k) h(11) (k) = [1, 4, 11, 24, 45, 76, 100, 116, 98, 60] (14)
En la ecuacion 14 tenemos que la senal recuperada es como la de 12 por lo se cumple la hipotesis
antes dicha.
UTFSM 3
ELO313 2017
1.3.1. Parte a
Se nos pide encontrar la transformada de Fourier Discreta (DFT) de 10 puntos de esta senal x(n)
donde tenemos que se define de la siguiente forma la DFT.
N 1
X 2kn
x(k) = x(n)e N (16)
k=0
1k
En donde tenemos en este caso una frecuencia discretizada k = N , ahora reemplazando x(n)
obtenemos la DFT de esta senal donde N = 10.
9
X 2kn jk0 jk5
x(k) = x(n)e 10 =e 10 + 2e 10 (17)
k=0
Donde tenemos que k [0, 9] por lo cual finalmente tenemos que la senal de 10 puntos es la siguiente:
1.3.2. Parte b
2
En esta pregunta se nos pide resolver la DFT de Y (k) = ej2k 10 X(k) en donde x(k) es la DFT de
10 puntos realizada en la pregunta anterior.
DF T j2kn0
x(n n0 ) x(k)e N (19)
En este caso utilizando la misma propiedad de la ecuacion 19 podemos ver que tenemos en adelanto
de la senal en 2 muestras, por lo cual la senal que obtendramos para y(n) sera la siguiente:
1.3.3. Parte c
Se nos pide para el desarrollo de esta pregunta que se encuentre una secuencia de 10 puntos para
la Transformada de Fourier Discreta de Y (k) = X(k)W (k), en donde X(k) es la DFT de 10 puntos de
x(n), y W (k) es la DFT de 10 puntos de la siguiente secuencia:
1 si 0 n 6
w(n) = (21)
0 si e.o.c
Para poder desarrollar esto primero definiremos las dos senales x(n) e y(n) en el tiempo, ambas de
10 puntos, luego realizando la convolucion circular o periodica de ambas senales en el tiempo obtendremos
los puntos de la DFT Y (k) o simplemente la senal y(n) de 10 puntos. En frecuencia tenemos que la senal
UTFSM 4
ELO313 2017
Esta secuencia obtenida tiene un aliasing temporal debido a que como el largo de las senales era
7 y 6 el numero de muestras de la convolucion en el tiempo para poder recuperar la senal debe ser de
mnimo 7 + 6 1 = 12 muestras.
1 1 2 N
w(n) =+ cos( (n )) (25)
2 2 N 2
Se nos pide encontrar la DFT de la senal que enventanamos x(n)w(n) con los valores de la senal
sin enventanar x(n).
Para esto debemos calcular la DFT de la ventana, para ello utilizaremos 2 transformadas usuales
y una propiedad.
DF T
1 N (k) (26)
1k0 n DF T N
cos( ) ((k k0 ) + (k (N k0 ))) (27)
N 2
DF T j2kn0
x(n n0 ) x(k)e N (28)
De donde obtenemos que la DFT de la ventana de Hamming es la siguiente:
N (k) N
W (k) = + ((k 1)ejk1 + (k (N 1))ejkN 1 ) (29)
2 4
UTFSM 5
ELO313 2017
Donde tenemos que los valores de los k de los deltas retrasados es K1 = 1 y KN 1 = N 1 obte-
niendo as finalmente la siguiente DFT:
N (k) N
W (k) = + ((k 1) + ej(N 1) (k (N 1))) (30)
2 4
Por lo cual para calcular directamente la senal enventanada solo conociendo la senal sin ventana
debemos convolucionar en frecuencia X(k) con los tres deltas de la ecuacion 30.
De donde sabemos que la F F T utiliza la misma idea que la DF T solo que optimiza los computos,
que vendran siendo la multiplicacion y suma de terminos de un largo finito, realizados para resolver el
problema ya reduce el orden de operaciones. La Transformada rapida de Fourier surge de la idea de la
division de DF T de N puntos a N/2 que se presenta en el algoritmo divide y conquista.
Esto se realiza una division en el calculo de la DF T en los valores de N pares e impares en donde
luego se simplifica llegando a expresiones que son periodicas cada N/2 y escribiendo las expresiones uti-
lizadas para el calculo de DF T de manera tal que se pueda resolver de forma cclica. Esta misma idea
se puede utilizar para el calculo de una DF T de 2N muestras, separando de la misma forma los valores
pares e impares de la sumatoria con la cual se resuelve la DF T para luego solo calcular la DF T de N
con la F F T de N dada en un principio para resolver el problema.
UTFSM 6
ELO313 2017
b. Tenemos ahora un valor de N = 4096, utilizando la misma idea que en el caso anterior obtene-
mos que el tiempo de computo para el caso de calcular la DF T de forma directa es t1 = 16777216[s] =
16,777216[s] y utilizando la F F T obtenemos que el tiempo de computo es t2 = 2048log2 (21 2)[s] =
24576[s] = 24,576[ms], que de igual forma es mucho menor que para el calculo de la DF T de forma
directa.
UTFSM 7
ELO313 2017
2. Zero-Padding
Para el desarrollo de la siguiente seccion de nuestra tarea utilizaremos consideraremos la siguiente
senal en tiempo discreto :
sin( n
10 ) si 0 n 49
x(n) = (31)
0 si e.o.c
Se nos pide calcular la DF T para N = 50 y N = 200 donde las denotaremos X 50 (k) y X 200 (k)
respectivamente, ademas estas tendran que ser graficadas en magnitud entre [, ]. Obteniendo as la
DF T en magnitud para N = 50 y N = 200 respectivamente en las figuras 2a y 2b.
Para la DF T de 50 tenemos que su maximo valor es alcanzado en 0,1846 y es de casi 18, en cambio
para la DF T de 200 puntos podemos ver que alcanza un valor maximo de 25 a una frecuencia normalizada
de 0,297 que es muy cercano a 10 por lo cual difieren en donde se ubican sus valores maximos y los valores
de estos. Esto se debe principalmente a que la DF T de estas senales es diferente ya que va a depender
de la multiplicacion de sin( n
10 ) por la ventana de la cantidad de muestras que en este caso son 50 y 200.
La senal que mas se acercara a la DT F T es la de 200 muestras ya que la DTFT se define como
una sumatoria de una ventana de largo infinito y como la ventana de 200 muestras es mas grande que la
de 50 muestras, claramente la de 200 muestras se acerca mucho mas al valor de la DT F T .
Se nos pide ahora repetir el ejercicio con N mayores, donde realizaremos con 500, 750 y 1000
muestras la DF T obteniendo as lo siguiente.
UTFSM 8
ELO313 2017
(a) DFT 500 muestras (b) DFT 750 muestras (c) DFT 1000 muestras
Como se puede apreciar las 3 graficas alcanzan un valor maximo casi parecido y todos tienen su
maximo valor ubicado aproximadamente a 10 , que es lo que se espera al multiplicar la senal por una
ventana cuadrada del largo 50 y calcular su DT F T . A pesar de introducir ceros en la DF T se puede
apreciar que mejora los resultados, acercandose cada vez mas al valor de la DT F T , a esto se le puede ver
como una interpolacion de datos.
Como con todos estos casos sera posible recuperar nuestra senal nos parece acertado que el criterio
para realizar una DF T cercana a una DT F T para el valor de N segun lo obtenido con nuestros resultados
es :
10L N (32)
UTFSM 9
ELO313 2017
(a) DFT x1 con 256 muestras (b) DFT x1 con 500 muestras (c) DFT x1 con 4096 muestras
Ahora realizamos el mismo proceso para x2 (t) obteniendo as las siguientes DF T para los distintos
valores de N en la figura 5.
(a) DFT x2 con 256 muestras (b) DFT x2 con 500 muestras (c) DFT x2 con 4096 muestras
Analizando las DF T de ambas senales los peacks de la senal x2 (t) se encuentran el doble de separa-
dos con respecto a x1 (t). Ademas como al realizar la DFT con un largo definido (enventanamos la senal)
en frecuencia debemos obtener una sinc(t) en cada uno de los peacks lo que se puede apreciar mucho
mejor a medida que aumentamos la cantidad de muestras.
UTFSM 10
ELO313 2017
Ahora presentaremos las graficas de la IDFT de las DFT anteriores para los distintos valores de N,
primero tenemos en la figura 6 las IDFT de x1 (t) comparadaras con la senal a recuperar x1 .
(a) IDFT x1 con 256 muestras (b) IDFT x1 con 500 muestras (c) IDFT x1 con 4096 muestras
En la figura 7 tenemos las IDFT para x2 (t) para todos los valores de N en donde todos se encuen-
tran comparadas con respecto a la senal a recuperar x2 .
(a) IDFT x2 con 256 muestras (b) IDFT x2 con 500 muestras (c) IDFT x2 con 4096 muestras
Para la IDFT podemos ver que las diferencias a simple vista para ambas senales a recuperar, en
donde en ambos casos ocurrio que para una IDF T de N = 256 no se logro obtener la senal original ya
que solo toma 256 puntos de los 500 que son, esto se puede apreciar en las figuras 6a y 7a.
Para los casos con N = 500 y N = 4096 la senal original con la reconstruida con la IDFT no se logra
distinguir, tanto para x1 como x2 . En el caso en que N = 4096 vemos que primero se reconstruye la senal
y luego no existe senal por lo cual se agregan 3596 en ambas graficas de la IDF T , por lo que con 500 ya es
posible recuperar la senal completamente y con menos puntos solo es posible recuperar parte de esta senal.
Ahora se nos pide realizar un analisis espectral de x1 (t) y x2 (t) utilizando una ventana hann(N )
con N = 500 y N = 256 donde luego debemos mostrar los graficos de: i) Magnitud vs Frecuencia, ii)
UTFSM 11
ELO313 2017
1 2n
hann(N ) = (1 cos( )) (33)
2 N
Primero obtendremos los graficos de la DFT de x1 (t) multiplicada en el tiempo con la ventana
hann(N ) para los valores N = 256 y N = 500 en las figuras 9 y 8 respectivamente.
(a) Magnitud DFT x1 (t) hann(N ) con 500 (b) Parte real DFT x1 con 500 muestras (c) Parte imaginaria DFT x1 con 500 mues-
muestras tras
Figura 8: DFT de x1 (t) hann(N ) con 500 muestras con su magnitud, parte real e imaginaria
(a) Magnitud DFT x1 (t) hann(N ) con 256 (b) Parte real DFT x1 con 256 muestras (c) Parte imaginaria DFT x1 con 256 mues-
muestras tras
Figura 9: DFT de x1 (t) hann(N ) con 256 muestras con su magnitud, parte real e imaginaria
Analogamente realizaremos el mismo proceso pero esta vez para x2 (t) obteniendo lo siguiente para
UTFSM 12
ELO313 2017
(a) Magnitud DFT x2 (t) hann(N ) con 500 (b) Parte real DFT x2 con 500 muestras (c) Parte imaginaria DFT x2 con 500 mues-
muestras tras
Figura 10: DFT de x2 (t) hann(N ) con 500 muestras con su magnitud, parte real e imaginaria
Ahora para N = 256 tenemos las siguientes respuestas para la DFT de x2 (t)hann(N ) que se puede
apreciar en la figura 11.
(a) Magnitud DFT x2 (t) hann(N ) con 256 (b) Parte real DFT x2 con 256 muestras (c) Parte imaginaria DFT x2 con 256 mues-
muestras tras
Figura 11: DFT de x2 (t) hann(N ) con 256 muestras con su magnitud, parte real e imaginaria
Se nos pide comparar las DFT de x1 y x2 con la ventana hann(N ) con la DFT de estas mismas
senales pero con una senal rectangular para N = 500 y N = 256, estas magnitudes ya fueron graficadas
anteriormente por lo cual solo debemos graficar las partes real e imaginaria de estas DFT.
Para la senal x1 (t) tenemos para 256 muestras la figura 12 con la magnitud, parte real e imaginaria
de la DFT.
UTFSM 13
ELO313 2017
(a) Magnitud DFT x1 con 256 muestras (b) Parte real DFT x1 con 256 muestras (c) Parte imaginaria DFT x1 con 256 mues-
tras
Figura 12: Magnitud, parte real e imaginaria DFT de x1 (t) con ventana rectangular y 256 muestras
Ahora realizamos la misma idea pero para un N = 500 obteniendo asi en la figura 13 la magnitud,
parte real e imaginaria de la DFT para x1 .
(a) Magnitud DFT x1 con 500 muestras (b) Parte real DFT x1 con 500 muestras (c) Parte imaginaria DFT x1 con 500 mues-
tras
Figura 13: Magnitud, parte real e imaginaria DFT de x1 (t) con ventana rectangular y 500 muestras
Finalmente tenemos para x2 (t) la siguiente DFT para N = 500 y N = 256 en las figuras 14 y 15
respectivamente.
UTFSM 14
ELO313 2017
(a) Magnitud DFT x2 con 500 muestras (b) Parte real DFT x2 con 500 muestras (c) Parte imaginaria DFT x2 con 500 mues-
tras
Figura 14: Magnitud, parte real e imaginaria DFT de x2 (t) con ventana rectangular y 500 muestras
(a) Magnitud DFT x2 con 256 muestras (b) Parte real DFT x2 con 256 muestras (c) Parte imaginaria DFT x2 con 256 mues-
tras
Figura 15: Magnitud, parte real e imaginaria DFT de x2 (t) con ventana rectangular y 256 muestras
Ahora analizando primero x1 (t) tenemos que con la ventana hann(N ) tenemos una modulacion
hecha por el coseno con el que se multiplica nuestras senal, tambien se puede apreciar que al aumentar el
numero de muestras la parte real disminuye, esto se debe a que al tener menos puntos la ventana hann
afecta mas en el espectro de la senal, ya que existira una mayor cantidad de deltas generados por el
coseno que tiene la ventana hann(N ). En el caso de la parte imaginaria se puede apreciar que ocurre lo
contrario debido a que la senal x1 (t) es un sin(t) por lo que es puramente imaginario, y para el caso
de 500 puntos la magnitud de la parte imaginaria es mayor que para 256 puntos debido a que con 500
puntos logra ser mas parecida a su DTFT.
Ahora viendo la senal x2 (t) tenemos que ocurre algo similar solo que en este caso tenemos un
cos(t) de senal, por lo cual para el caso en que la ventana hann es de 500 puntos como consigue
ser mas cercano a calcular la DTFT es que su parte imaginaria es menor que en el caso de 256 puntos,
por lo cual la parte imaginaria debe tender a valer cero tal como se puede apreciar en las figuras anteriores.
En cambio tenemos el caso en que utilizamos una ventana cuadrada para realizar esto, en donde
UTFSM 15
ELO313 2017
para el caso de N = 500 en las figuras 14 y 13 que se cumple para el caso de x1 que la parte real tiende
a ser cero y en el caso de x2 que la parte imaginaria tienda a ser cero.
Por lo que la ventana rectangular vendra siendo una buena eleccion si queremos recuperar la senal
pero es mas confiable utilizar la ventana hann en algunos casos, debido a que dependera tambien de
cuanto sea el numero de muestras utilizadas para recuperar la senal, ya que si tenemos una ventana
rectangular con un menor numero de muestras que la senal a recuperar nos entrega datos muy diferentes
al caso en que tenemos la una ventana de N = 500. Por lo tanto resumiendo la ventana hann es la mejor
solucion y el numero de muestras mejor es N = 500.
UTFSM 16
ELO313 2017
9
1 X
h(n) = ( x(n)(n k)) (34)
10
k=0
4.1. Pregunta a
Para obtener las graficas de la magnitud, fase y diagrama de polos utilizaremos Matlab, obteniendo
as lo siguiente:
(a) Magnitud DFT (b) Fase DFT (c) Diagrama polos y ceros
El filtro corresponde a un filtro pasabajos al ver el grafico de la magnitud de la DFT del filtro.
Para obtener el diagrama de polos y ceros utilizamos la herramienta de M atlab sisotool con la cual
utilizando la transformada Z del filtro pudimos graficar el filtro, que en el plano de z es el siguiente:
1 1 1 1
H(z) = (1 + + 2 + .... + 9 ) (35)
10 z z z
En el cual tenemos que existen 9 polos en z = 0.
UTFSM 17