Вы находитесь на странице: 1из 3

PROCESSAMENTO DIGITAL DE SINAIS (PDS) LABORATÓRIO 2 – SINAIS E SISTEMAS DISCRETOS Prof. Marcelo Pellenz

EXERCÍCIO 1 – Decomposição do Sinal em Componente Simétrica (Par) e Componente Assimétrica (Ímpar)

Qualquer seqüência discreta real, x[n], pode ser decomposta em suas componentes par e ímpar:

x par

[n]

=

1

2

{ x[]n

x[]n

x[

=

x

par

n]}

+

[]n

+

x

ímpar

x

ímpar

[n]

[]n

=

1

2

{ x[]n

x[

n]}

O programa a seguir utiliza a função [xe,xo,m]=evenodd(x,n) do toolbox do livro para decompor a seqüência discreta x[]n = u[]n u[n 10] em suas componentes par e ímpar. Verifique nos gráficos

gerados, que se adicionarmos as seqüências x []n

+

x

ímpar

[]n

obteremos a seqüência original x[n].

par

n

= [0:10];

x

= stepseq(0,0,10)-stepseq(10,0,10);

[xe,xo,m] = evenodd(x,n);

subplot(1,1,1)

subplot(2,2,1); stem(n,x); title('Pulso Retangular') xlabel('n'); ylabel('x(n)'); axis([-10,10,0,1.2]) subplot(2,2,2); stem(m,xe); title('Componente Par') xlabel('n'); ylabel('xe(n)'); axis([-10,10,0,1.2]) subplot(2,2,4); stem(m,xo); title('Componente Impar') xlabel('n'); ylabel('xo(n)'); axis([-10,10,-0.6,0.6])

EXERCÍCIO 2 – Convolução Linear

Para sistemas lineares invariantes no tempo (LTI – Linear Time-Invariant Systems), podemos relacionar os sinais de entrada e saída do sistema através da soma de convolução, definida pela equação:

Se conhecermos a resposta ao impulso do sistema (por exemplo um filtro digital) podemos calcular a saída y[n] fazendo a convolução do sinal de entrada, x[n], com a resposta ao impulso do sistema, h[n]. Utilize a função y=conv(x,h) do Matlab para calcular a convolução linear entre duas seqüências discretas de duração finita. A função conv assume que as duas seqüências iniciam no instante n=0.

[] []

y n

=

x n

[]

h n

=

k

=−∞

[]

x k

[

h n

k

]

=

k =−∞

[]

h k

[

x n

k

]

x[]n =

[ 3 11 7

h[]n

= [ 2 3 0

0 -1 4

2 1]

- 5

2] -

Sinal de entrada do sistema

- Resposta ao impulso do sistema

[] []

y n

=

x n * h n

[]

=

k =−∞

[]

x k

[

h n

k

]

- Saída do sistema

No programa trace os gráficos das seqüências x[n], h[n] e y[n]. Interprete graficamente a operação de convolução.

EXERCÍCIO 3 – Convolução Linear

Para se fazer a convolução entre seqüências genéricas

x

h

[

[

]

]

n ,

n ,

n

n

xb

hb

n n n n

xe

he

utilize a função [y,ny]=conv_m(x,nx,h,nh) do toolbox do livro. Esta função já retorna também um vetor para traçar o gráfico correto de y[n]. Faça a convolução linear entre as duas seqüências discretas abaixo:

x[]n

= [ 3 11 7

0 -1 4

2],

h[]n

= [ 2 3 0 - 5 2 1],

3 n 3

1 n 4

Trace o gráfico de x[n], h[n] e y[]n = x[]n h[]n . Interprete graficamente a convolução.

EXERCÍCIO 4 – Cálculo de Correlação entre Seqüências

A correlação é uma operação muito usada em aplicações de processamento digital de sinais. É uma

medida do grau de similaridade entre duas seqüências (sinais).

r

xy

[]l

=

n =−∞

x[n] y[n

l]

=

y[]l

*

x[ l]

A autocorrelação nos dá uma medida de auto-similaridade do sinal com versões deslocadas dele

mesmo:

r

xx

[]l

=

n =−∞

x[n] x[n

l]

=

x[]l

*

x[ l]

O cálculo da correlação e autocorrelação podem ser implementados usando a convolução.

Considere a seqüência x[]n =

versão deslocada e com ruído da seqüência x[n], ou seja, y[]n = x[n 2]+ w[]n .

a seqüência y[n] como sendo uma

[ 3 11 7

0 -1 4

2],

3 n 3

e

% sequencia com ruido 1

x = [3, 11, 7, 0, -1, 4, 2]; nx=[-3:3]; [y,ny] = sigshift(x,nx,2);

w = randn(1,length(y)); nw = ny;

[y,ny] = sigadd(y,ny,w,nw); [x,nx] = sigfold(x,nx); [rxy,nrxy] = conv_m(y,ny,x,nx);

subplot(1,1,1)

subplot(2,1,1);stem(nrxy,rxy)

axis([-4,8,-50,250]);xlabel('deslocamento l') ylabel('rxy');title('Autocorrelacao: sequencia com ruido 1') gtext('Maximo')

% sinal x(n) % x(n-2) % ruido w(n) % y(n) = x(n-2) + w(n) % x(-n) % autocorrelacao

%

sequencia com ruido 2

x

= [3, 11, 7, 0, -1, 4, 2]; nx=[-3:3];

% sinal x(n)

[y,ny] = sigshift(x,nx,2);

% x(n-2)

w

= randn(1,length(y)); nw = ny;

% ruido w(n)

[y,ny] = sigadd(y,ny,w,nw); [x,nx] = sigfold(x,nx); [rxy,nrxy] = conv_m(y,ny,x,nx);

% y(n) = x(n-2) + w(n) % x(-n) % autocorrelacao

subplot(2,1,2);stem(nrxy,rxy)

gtext('Maximum') axis([-4,8,-50,250]);xlabel('deslocamento l') ylabel('rxy');title('Autocorrelacao: sequence com ruido 2')

O MATLAB possui a função xcorr(x,y) e xcorr(x) para calcular a correlação e autocorrelação.

EXERCÍCIO 5 – Exemplo de Implementação de um Filtro Digital

Exemplo de aplicação do filtro de média móvel para filtragem de um sinal com ruído:

[

y n

]

=

1

1 M

M

i = 0

[

x n

k

]

% Filtro de média móvel para M=3 clear; clc;

figure(1);

N=50;

d=rand(N,1)-0.5;

n=0:1:N-1;

s=2*n.*(0.9.^n);

subplot(2,1,1); stem(n,s); xlabel('n'); ylabel('Amplitude'); title('s[n]'); subplot(2,1,2); stem(n,d); xlabel('n'); ylabel('Amplitude'); title('d[n]');

N=50;

d=rand(N,1)-0.5;

n=0:1:N-1;

s=2*n.*(0.9.^n);

x=s+d';

figure(2);

plot(n,d,'r-',n,s,'b-',n,x,'g-'); xlabel('n'); ylabel('Amplitude'); legend('r-','d[n]','b-','s[n]','g-','x[n]');

M=3;

b=ones(M,1)/M;

y=filter(b,1,x);

figure(3);

plot(n,s,'r-',n,y,'b-'); legend('r-','s[n]','b-','y[n]'); xlabel('n'); ylabel('Amplitude');

EXERCÍCIO 6 – Equações Lineares com Coeficientes Constantes

Um sistema discreto linear pode ser caracterizado por uma equação linear de coeficientes constantes

na forma

=

N

M

a

k

[]

y n

k

b

k

[]

x n

k

k

=

0

k

=

0

A

de diferenças

função y=filter(b,a,x) do Matlab resolve a equação de diferenças. Considere a seguinte equação

y[]n y[n 1]+ 0.9 y[n 2]= x[]n

Determine:

a) Determine a resposta ao impulso do sistema, h[n], no intervalo 20 n 120

b) Determine a resposta ao degrau do sistema, s[n], no intervalo 20 n 120

c) Implementar no matlab um programa para tempo real

PRÉ-RELATÓRIO PARA O LABORATÓRIO 3

Resolver os problemas P2.3, P2.4 (para itens a, b, c do P2.2), P2.5, P2.6 e P2.7 do livro Digital Signal Processing using MATLAB (Vinay K. Ingle and John G. Proakis).