Академический Документы
Профессиональный Документы
Культура Документы
Introducción.
El propósito u objetivo de este esta sesión fue observar y determinar el espectro de frecuencia de una señal
periódica usando la serie de Fourier.
Muchas ecuaciones de las ciencias se formulan con derivadas parciales y se resuelven, en ocasiones,
descomponiendo la incógnita en series (sumas infinitas). Las series más interesantes son las de potencias y
por supuesto las de Fourier. Dado el carácter periódico de tales sumas, las series de Fourier se aplican, por
ejemplo, donde surgen procesos oscilantes, como ocurre en las series temporales de naturaleza económica,
en electrónica (se aplican por ejemplo en teoría de señales), en acústica o en óptica. Los problemas teóricos
relacionados con la convergencia de las series de Fourier han impulsado avances fundamentales en distintos
ámbitos de las matemáticas y siguen siendo considerados hoy como problemas muy difíciles.
Las series de Fourier son de gran importancia ya que tienen muchas aplicaciones dentro de los campos de la
física y de la matemática entre otros. La idea básica de las series de Fourier es que toda función periódica de
periodo T puede ser expresada como una suma trigonométrica de senos y cosenos del mismo periodo T
(ecuacion 1). Este problema aparece por ejemplo en astronomía en donde Neugebauer (1952) descubrió que
los Babilonios utilizaron una forma primitiva de las series de Fourier en la predicción de ciertos eventos
celestiales.
(1)
1
Fig. 1 Ejemplo de una function periodica.
Metodologia e implementación.
3. Una vez calculados los coeficientes de la serie de Fourier desarrolle un programa en Matlab, que sea
capaz de hacer la reconstrucción de la forma de la señal original hasta el k-esimo armónico.
Fig. 2
5. Usando el comando de Matlab “wavplay” despliegue desde la computadora, como se muestra en la Figura
2, la reconstrucción de las señales para 2, 4, 8 y 32 armónicos. (Tenga mucho cuidado de no hacer corto con
la conexión del Jack, recuerde que el interno es tierra y el externo o superior es el voltaje)
6. Usando la función de FFT del osciloscopio capture los espectros de frecuencia de la señal y compare los
resultados obtenidos.
7. Grabe la frase “Esto es parte de la primera práctica del laboratorio de la materia de medción e
instrumentacón” usando el comando audiowrite o wavrite, dependiendo de su versión de matlab. La frase
debe ser grabada por ambos miembros del equipo de laboratorio.
2
8. Analice el espectro de frecuencia de las señales de la misma manera que lo hizo en el punto 5, capture el
espectro de frecuencia y observe las frecuencias máximas de la señal. Observe la diferencia entre el tono de
voz y el espectro observado.
Codigo Matlab
clc
close all
clear all
f=8000;
%Fs = 44100;
T=1/f;
%ts=1/Fs
%t=0:ts:10;
t=linspace(0,10*T,1024);
Vm=1;
N=30;
f=zeros(size(t));
a0=1;
for n=1:N
an=((8000*16000)/((16000*pi*n)^2))*((cos(2*pi*n)-1)+((2*pi*n)*sin(2*pi*n)));
An=an*cos(2*pi*n*t/T);
bn=((8000*16000)/((16000*pi*n)^2))*(sin(2*pi*n)-((2*pi*n)*cos(2*pi*n)));
Bn=bn*sin(2*pi*n*t/T);
f=f+An+Bn;
E(n)=sqrt(an^2+bn^2); %para el espectro
P(n)=atan(bn/an);
end
f1=f+a0;
THD=(sum(E) -E(1))/E(1);
Edb=abs(E);
figure(1);
plot(t,f1); %Fenomeno de Gibbs cuando hay oscilaciones en la grafica, se reduce si
aumentas el numero de armonicos
title('Dientes de Sierra');
figure(2)
subplot(2,1,1);
stem(E);
xlabel('Frecuencia Hz');
ylabel('Magnitud');
title('Analisis espectral de la sierra');
subplot(2,1,2);
stem(P);
xlabel('Frecuencia (Hz)');
ylabel('Phase');
title('Diagrama de fase');
% y = wavrecord(2*Fs,Fs,1);
% sound(f1,Fs);
% wavwrite(f1,Fs);
3
Análisis e Interpretación de los resultados Obtenidos
1.- Se calcularon los coeficientes de la serie de Fourier para un tren de pulsos unitarios y para la grafica de
dientes de sierras, se uso el siguiente código en Matlab para reconstruir las señales y realizar el análisis
espectral hasta el 9no armonico resultando lo siguiente:
Coeficientes:
a0=1;
an=((8000*16000)/((16000*pi*n)^2))*((cos(2*pi*n)-1)+((2*pi*n)*sin(2*pi*n)));
bn=((8000*16000)/((16000*pi*n)^2))*(sin(2*pi*n)-((2*pi*n)*cos(2*pi*n)));
Fig. 3 Reconstruccion de la señal con los coeficientes calculados de las serie de Fourier.
4
Fig. 4
a0=0;
an=0;
bn=(2-2*(-1)^n)/(pi*n);
5
Fig. 6
2.- Se uso el comando wavrecord y wavplay para ver las señales en el osciloscopio:
6
Funcion Tren de pulsos. 4 Armónicos
7
Funcion Tren de pulsos. 32 Armónicos
8
Función Dientes de Sierra. 4 Armónicos
9
Función Dientes de Sierra. 32 Armónicos
3.- Ahora se hizo para las voces de los miembros del equipo:
Sujeto 1: Paola
10
Sujeto 2: Diego
Sujeto 3: Fernando
11
Conclusiones
Referencias
[1] A student’s guide to Fourier transforms with applications in phisics and engineering, J. F. James, Third
edition.
[2] http://abcmatematico.blogspot.mx
12