Intr Tele If 3 Soft

FACULTAD DE INGENIERÍA
ELECTRÓNICA Y
ELÉCTRICA
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
INFORME FINAL N°3
CURSO : INTRO. A LAS TELECOMUNICACIONES
PROFESOR : SIXTO LLOSA PORTUGAL
CICLO ACADEMICO : 2017-II
E.A.P. : INGENIERÍA ELECTRÓNICA
ALUMNO : CÓNDOR HUAMANÍ CÉSAR RAÚL 15190105
Ciudad Universitaria, Universidad Nacional Mayor de San Marcos

EXPERIMENTO N°3
TEMA 3 – DISEÑOR DE FILTROS Y ECUALIZADOR DIGITAL
I. OBJETIVO
Diseñar filtros de respuesta en frecuencia de audio, y determinar las características en el

dominio del tiempo y de la frecuencia. Asimismo, diseñar ecualizadores digitales de audio,
frecuencia, usando Matlab
II. MATERIAL Y EQUIPO
 Matlab Versión 4 y 5.3.6.12

 PC Intel Core i5
 Manual de Matlab
III. PROCEDIMIENTO
1. Diseñe un ecualizador digital usando el comando ELLIP y grafique las ondas en el dominio
del tiempo y su respectiva transformada de Fourier. Dibuje el esquema de bloques
correspondiente del ecualizador resultante.
Fs=8000;
t=(1:8000)/Fs;
f1=sin(2*pi*t*500); f2=sin(2*pi*t*1500); f3=sin(2*pi*t*3000); f4=sin(2*pi*t*4000);
s=f1+f2+f3+f4;
figure(1)
plot(t,s)
axis([0 0.01 -4 4])
pkg load signal [b,a]=ellip(4,0.1,40,[100 1000]*2/Fs)
[H,w]=freqz(b,a,512);
figure(2)
plot(w*Fs/(2*pi),abs(H));
sf1=filter(b,a,s);
figure(3)
plot(t,sf1)
xlabel('Tiempo(seg)'); ylabel('FORMA DE ONDA VS TIEMPO')
axis([0 0.01 -4 4])
S1=fft(s,513);
SF1=fft(sf1,513);
w=(0:255)/256*(Fs);
figure(4)
plot(w,abs([S1(1:256);SF1(1:256)]));
xlabel('FRECUENCIA(Hz)'); ylabel('MAG. DE TRANSF. DE FOURIER')
[b,a]=ellip(4,0.1,40,[1000 2000]*2/Fs)
figure(5)
sf2=filter(b,a,s);
figure(6)
plot(t,sf2)
axis([0 0.01 -4 4])
S2=fft(s,513);
SF2=fft(sf2,513);
w=(0:255)/256*(Fs);
figure(7)
plot(w,abs([S2(1:256);SF2(1:256)]));
[b,a]=ellip(4,0.1,40,[2500 3500]*2/Fs)
figure(8)
sf3=filter(b,a,s);
figure(9)
plot(t,sf3)
axis([0 0.01 -4 4])
S3=fft(s,513);
SF3=fft(sf2,513);
w=(0:255)/256*(Fs);
figure(10)
plot(w,abs([S3(1:256);SF3(1:256)]));
[b,a]=ellip(4,0.1,40,[3500 3900]*2/Fs)
figure(11)
sf4=filter(b,a,s);
figure(12)
plot(t,sf4)
axis([0 0.01 -4 4])
S4=fft(s,513);
SF4=fft(sf2,513);
w=(0:255)/256*(Fs);
figure(13)
plot(w,abs([S4(1:256);SF4(1:256)]));
zf5=0.8*sf1+0.5*sf2+0.2*sf3+0.4*sf4;
figure(14)
plot(t,zf5)
axis([0 0.01 -4 4])
S5=fft(s,513);
ZF5=fft(zf5,513);
w=(0:255)/256*(Fs);
figure(15)
plot(w,abs([S5(1:256);ZF5(1:256)]));
Figura 1
Figura 2
Figura 3
Figura 4
Figura 5
Figura 6
Figura 7
Figura 8
Figura 9
Figura 10
Figura 11
Figura 12
Figura 13
Figura 14
Figura 15
2. Verificar la respuesta en frecuencia de otros filtros: Modificar sus variables como ancho de
banda amplitud o atenuación de los 4 filtros.
f=[0 .4 .4 .6 .6 1]; xlabel('Frequency(Hz)')

H=[0 0 1 1 0 0]; ylabel('Magnitude')
fs=1000;
fhz=f*fs/2; N=4;
figure(1) passband=[.4 .6];
plot(fhz,H) ripple=.1;
title('Desire Frequency response') [Bb,Ab]=butter(N,passband);
xlabel('Frequency(Hz)') [Bc,Ac]=cheby1(N,ripple,passband);
ylabel('Magnitude') h=[abs(hh) abs(freqz(Bb,Ab,n))
abs(freqz(Bc,Ac,n))];
N=8; figure(3)
[Bh,Ah]=yulewalk(N,f,H); plot(ff,h)
n=256; title('Yulewalk,butterworth and
hh=freqz(Bh,Ah,n); chebyzhev filters')
hy=abs(hh); figure(4)
ff=fs/(2*n)*(0:n-1); plot(ff(2:n),20*log10(h(2:n)))
figure(2) title('Yulewalk,butterworth and
plot(fhz,H,ff,hy) chebyzhev filters')
title('Actual vs. Desired frequency xlabel('Frequency(Hz)')
response') ylabel('Magnitude in db')
Figura. 1
Figura. 2
Figura. 3
Figura. 4
3. De acuerdo al ejercicio anterior (1), diseñe un ecualizador digital de cuatro canales, usando
los filtros IIR, si la señal de entrada es
f==sin(2*pi*t*500)+sin(2*pi*t*1500)+sin(2*pi*t*2500)+sin(2*pi*t*3500).
Grafique la onda resultante en cada etapa del ecualizador en el dominio del tiempo y en el
dominio de la frecuencia.
clc Fs=8000; t=(1:8000)/Fs;
%defino la funcion y ploteo su grafica

s=sin(2*pi*t*500)+sin(2*pi*t*1500)+sin(2*pi*t*2500)+sin(2*pi*t*3500); figure(1)
plot(t,s)
axis([0 0.01 -4 4]);
title('SEÑAL DE ENTRADA VS TIEMPO')
xlabel('tiempo (seg)'), ylabel('f(t)')
grid on
%ingresando los parametros del filtro

N=4; %orden del filtro
Rp=0.1;% rizado en la banda de paso en DB
Rs=409;%rizado en la banda de rechazo en DB
%Filtro f1
BW1=[100 1000]*2/Fs;
[b,a]=ellip(N,Rp,Rs,BW1); %FILTRO ELIPTICO
[H,w]=freqz(b,a,512); %respuesta en frecuencia del filtro
H=H*0.3;
figure(2)
title('RESPUESTA EN FRECUENCIA DEL FILTRO 1')
xlabel('FRECUENCIA (Hz)'), ylabel('GANANCIA')
sf1=filter(b,a,s); %filtra el contenido de "s" con lo descrito por los vectores b y a figure(3)
plot(t,sf1);
xlabel('tiempo(seg)');ylabel('FORMA DE ONDA VS. TIEMPO')
grid on
axis([0 0.01 -4 4]);

S1=fft(s,513);
SF1=fft(sf1,513);
w=(0:255)/256*(Fs/2);
figure(4)
plot(w,abs([S1(1:256)+SF1(1:256)]));
xlabel('FRECUENCIA (HZ)'); ylabel('MAG. DE TRANSF. DE FOURIER');
grid on
%Filtro f2
BW2=[1000 2000]*2/Fs;
[b,a]=ellip(N,Rp,Rs,BW2);
H=H*1.5;
figure(5)
grid on
sf2=filter(b,a,s);
figure(6)
plot(t,sf2);
grid on
axis([0 0.01 -4 4]);

S2=fft(s,513);
SF2=fft(sf2,513);
w=(0:255)/256*(Fs/2);
figure(7)
plot(w,abs([S2(1:256)+SF2(1:256)]));
grid on
%Filtro f3
BW3=[2000 3000]*2/Fs;
H=H*0.1;
figure(8)
grid on
sf3=filter(b,a,s);
figure(9)
plot(t,sf3);
grid on
axis([0 0.01 -4 4]);

S3=fft(s,513);
SF3=fft(sf3,513);
w=(0:255)/256*(Fs/2);
figure(10)
plot(w,abs([S3(1:256)+SF3(1:256)]));
grid on
%Filtro f4
BW4=[3000 3999]*2/Fs;
H=H*0.8;
figure(11)
title('RESPUESTA EN FRECUENCIA DEL FILTRO 4') xlabel('FRECUENCIA (Hz)'), ylabel('GANANCIA')
grid on
sf4=filter(b,a,s);
figure(12)
plot(t,sf4);
grid on
axis([0 0.01 -4 4]);
S4=fft(s,513);
SF4=fft(sf4,513);
w=(0:255)/256*(Fs/2);
figure(13)
plot(w,abs([S4(1:256)+SF4(1:256)]));
grid on
%ECUALIZADOR
zf5=0.3*sf1+1.5*sf2+0.1*sf3+0.8*sf4;
figure(14)
plot(t,zf5);
grid on
axis([0 0.01 -4 4]);

S5=fft(s,513);
ZF5=fft(zf5,513);
w=(0:255)/256*(Fs/2);
figure(15)
plot(w,abs([S5(1:256)+ZF5(1:256)]));
grid on
Figura- 1
Figura- 2
Figura- 3
Figura- 4
Figura- 5
Figura- 6
Figura- 7
Figura- 8
Figura- 9
Figura- 10
Figura- 11
Figura- 12
Figura- 13
Figura- 14
Figura- 15
IV. CUESTIONARIO FINAL
1. Explique en detalle la transformada discreta de Fourier DFT. Desarrolle 5 ejemplos de la

transformada de funciones discretas y su aplicación en el procesamiento de señales.
Es poco frecuente encontrar señales puramente periódicas en el procesado digital de señales.

Señales y datos no periódicos con un número finito de valores es el entorno más comúnmente
empleado en los sistemas LTI prácticos.
La Transformada Discreta de Fourier (DFT) de una señal x[n] definida en el rango

0 N-1 se define como:
X[k] = ; 0 N-1 [1]
donde y los valores espectrales X[k] se evalúan en 0 N-1. Al término WN se

le denomina frecuentemente " twiddle factor" y es un conjunto de valores complejos.
La Transformada inversa de Fourier (IDFT), que permite generar la señal x[n] a partir de sus
muestras espectrales X[k] , se define:
x[n] = ; 0 N-1 [2]
donde los valores de x[n] son evaluados en el rango 0 N-1
Si se emplea la ecuación [1] para calcular valores adicionales de X[k] fuera del rango 0 N-1
encontraremos que se forma una secuencia espectral periódica, la DFT es periódica. Del mismo
modo, empleando la ecuación [2] para calcular valores adicionales de x[n] fuera del rango 0
(N-1) se obtiene una versión periódica de la señal x[n]. Por lo tanto, la DFT e IDFT
representan una secuencia finita periódica dentro de una señal no periódica x[n]. En efecto la
DFT considera a una señal no periódica x[n] como si fuese periódica a efecto de algoritmos de
cálculo. También es importante saber que tanto una señal periódica de periodo N y otra señal
no periódica de la que se han tomado N muestras, ambas están definidas por N valores o
muestras.
También debemos darnos cuenta que la única diferencia entre la DFT y la IDFT a efectos de
implementación es el factor de escala 1/N y el cambio de signo en la función exponencial. Por lo
tanto, si desarrollamos un algoritmo para calcular la DFT, el cálculo de la IDFT es inmediato. Este
hecho es una consecuencia directa de la simetría existente entre los dominios del tiempo y la
frecuencia.
Cuando los N valores de x[n] son reales, X[k] se descompone en su parte real e imaginaria
R( X[k] ) = ; I(X[k] ) = -
A partir de los cuales se calcula el |X[k] | y la potencia media cuadrática definida por la
expresión:
|X[k] |2 = |R(X[k])|2 + |I(X[k] )|2
Las ecuaciones [1]y [2] son esencialmente las mismas que las ecuaciones de análisis y síntesis
correspondientes a las series de Fourier correspondiente a una señal periódica x[n], la única
diferencia es que ahora se ha incorporado el factor de escala 1/N en la ecuación de síntesis.
La similitud entre la DFT y la serie discreta de Fourier puede interpretarse de dos formas. Si la
señal x[n] es realmente periódica la ecuación [1] proporciona una nueva forma de las series
discretas de Fourier; pero si x[n] es no periódica, y solamente es tratada como periódica a efecto
de cálculos computacionales, la ecuación [1] representa la DFT.
En principio parece redundante el estudio de la DFT puesto que ya desarrollamos una versión
discretizada de la Transformada de Fourier aplicable a tanto a señales discretizadas no
periódicas x[n] como a sistemas LTI. ¿Podemos emplear lo anteriormente desarrollado para
describir la correspondiente función espectral X[k]sin hacer ninguna suposición sobre la
periodicidad? La respuesta es sí y no. Por un lado, es posible encontrar una versión discretizada
de las funciones espectrales continuas X(W) o H(W), sin embargo, las dificultades surgen cuando
necesitamos procesar o estimar la información. Un sistema digital no puede operar con
funciones continuas, todo lo que puede hacer es estimar el valor de la función para un conjunto
de valores discretos de la frecuencia digital W, - en otras palabras, es necesario generar una
versión muestreada de X(W) o H(W). Este hecho operativo implica responder a la siguiente
pregunta; ¿Cuántas muestras de X(W) o H(W), son necesarias? Pocas muestras originarán una
respuesta inadecuada mientras que muestras en exceso implican una gran cantidad de cálculo
redundante. En las siguientes páginas se desarrollan estos conceptos.
Dominio
del tiempo la frecuencia
La DFT y la IDFT nos permiten representar una señal x[n] o un sistema LTI en uno u otro dominio
sin pérdida de información.
Por ejemplo, en el Tema 3, calculamos la respuesta en frecuencia H(W) de un sistema LTI

caracterizado por la ecuación en diferencias finitas y función de transferencia H(z):
y[n] = 1.5 y[n-1] - 0.85 y [n-2] + x[n]

Ejecutando el correspondiente programa observamos la representación de la respuesta en
frecuencia H(W) sobre 320 muestras que representan la variación de la frecuencia digital en el
rango.
En principio no existió ningún criterio inicial para representar H(W), se observa que con 320
muestras se obtiene una excelente representación, pero sin darnos cuenta del exceso de
cálculos redundantes que se han realizado. Por lo tanto, es necesario el cuantificar el número
de muestras necesarias.
El Teorema del Muestreo nos dice que una señal continua de banda limitada puede ser
completamente caracterizada en el dominio del tiempo por un conjunto de muestras tomadas
adecuadamente. En el dominio de la frecuencia también se puede aplicar el mismo teorema de
la siguiente forma:
"El espectro continuo de una señal de duración limitada a T0 segundos puede ser
completamente representada por muestras regularmente espaciadas a intervalos de
frecuencia inferiores a Hz."
Una señal aperiódica x[n] de la que se toman N muestras durante un tiempo T0 =NT, donde T
es el periodo de muestreo, su espectro frecuencial puede ser completamente representado en
el dominio de la frecuencia mediante muestras espaciadas frecuencialmente Hz. ó

rad/seg.
Al término df = se le denomina resolución espectral. Puesto que la frecuencia digital W

=wT donde w es la frecuencia angular analógica. Concluimos diciendo que debemos muestrear
en el dominio frecuencial de W a intervalos menor o igual que
Por ejemplo, con una frecuencia de muestreo fs = 50 KHz (T = 0.02 msg) y capturando 256
muestras la resolución espectral df = = Hz. por eso una señal

senoidal de 3.125 kHz se representa como una simple ordenada en 16º
armónico ( ). Diversos aspectos relativos al análisis frecuencial serán

estudiados en el siguiente Tema 8.
Otro aspecto a recordar es que el espectro frecuencial de una señal o sistema digital LTI es
siempre una función periódica de periodo 2p. Sabemos que esto es una consecuencia
del Teorema del Muestreo. Puesto que un periodo es suficiente para definirlo, muestreando a
intervalos de se obtienen muestras en el dominio frecuencial.

Retornando a las ecuaciones que definen la DFT y la IDFT:
X[k] = 0 N-1
x[n] = ;0 N-1
observamos que hacen exactamente lo propuesto: la DFT proporciona N coeficientes

espectrales X[k] de una señal x[n] de la que se han tomado N muestras, e inversamente la IDFT
genera los N valores muestreados de la señal x[n] a partir de las N muestras espectrales. Los
valores de X[k] se pueden considerar como muestras separadas por la resolución espectral
df= tomadas en el dominio de la frecuencia y cuya envolvente es la Transformada de

Fourier X(W).
La DFT evalúa tanto valores reales como imaginarios:
X[k]= ;
0 N-1
R(X[k)) = ; I(X[k) = -
Si una señal tiene N valores imaginarios (cada uno con su parte real e imaginaria) existen 2N
grados de libertad en el dominio del tiempo. Los N valores de su espectro frecuencial
X[k] también tendrán 2N grados de libertad en el dominio frecuencial (parte real y parte
imaginaria). Si la señal es real tendrá N grados de libertad en el dominio del tiempo, es este caso
solo son necesarios la mitad de valores X[k] para definir completamente el espectro frecuencial
puesto que la otra mitad tiene simetría de espejo. En el desarrollo de este tema sólo se
procesarán señales reales.
Figura. 7.4
La Figura 7.4. resume las relaciones entre la DFT, la Transformada de Fourier, y las series
discretas de Fourier. La parte (a) muestra una señal real muestreada x[n], no periódica, de la que
se han tomado N muestras. Esta señal x[n] tiene asociada un espectro X(W)continuo y
periódico (periodo 2p) del cual se representa sólo la magnitud.
Recordar que la porción de espectro entre p y 2 p tiene simetría de espejo respecto del definido
entre 0 y p.
La parte (b) representa una versión periódica de la misma señal, así como los coeficientes de la
serie periódica de Fourier. Los coeficientes espectrales X[k] se puede interpretar como muestras
de X(W) tomadas con una determinada resolución espectral df = .
La TFD se ha desarrollado buscando técnicas basadas en un sistema digital de cálculo (DSP,

ordenador, …) para calcular la respuesta en frecuencia.
Ejemplo 1: Utilizar la DFT para calcular la respuesta en frecuencia discreta de una señal
x[n] definida por:
x[0] = 0; x[1] = 1, x[2] = 2, x[3] = 3 (Rampa truncada)
N=4 k=0,1,2,.....N-1
Ejemplo 2: Continuado con el ejemplo anterior, demostrar que los 4 puntos de la respuesta en
frecuencia son realmente necesarios para reconstruir la señal x[n].
El problema se resuelve encontrando x[n] en la IDFT.
n = 0, 1, 2, 3
x[1] = 1
x[2] = 2
Debemos tener en cuenta que la IDFT es periódica (periodo M) en este ejemplo M = 4
x[5] = x[1] , x[6] = x[2] ;...... etc M =4
Comprobación:
Pero:
Ejemplo 3: Una señal x(t) se muestrea a una frecuencia fs = 8 kHz. Los valores de las muestras son
x[0] = 1; x[T] = 0, x[2.T] = 0, x[3.T] =1. Representar en el dominio de la frecuencia el módulo y la
fase de la DFT. Calcular la IDFT
DFT de 4 puntos correspondiente a la secuencia x [0]= 1, x[1]= 0, x[2]= 0, x[3]= 1
N=4 k = 0,1,2, 3
La fase
Cuando se representa X[k] en función de la frecuencia debemos tener en cuenta que cuando de
una señal aperiódica x[n] se toman N muestras con un periodo de muestreo T, su espectro
frecuencial puede ser completamente representado en el dominio de la frecuencia
mediante muestras espaciadas frecuencialmente Hz. ó rd/sg. donde al término df=

se le denomina resolución espectral.
Si la frecuencia de muestreo son 8 kHz, el correspondiente periodo
será df= = 2 kHz. Por lo tanto X[1]= X[df] = 2 kHz, X[2] = X[2. df] = 4 kHz,
X[3] = X[3.df] =6 kHz. En la Figura 7.5. se representa |X[ k] | y en función de kW.
Fig. 7.5.
Para determinar x[n] a partir de las muestras espectrales se calcula la IDFT.
n = 0, 1, 2, 3
Resultados que coinciden con los anteriores.
2. ¿Qué es la transformada rápida de Fourier FFT? Desarrolle 5 ejemplos.
La Transformada Rápida de Fourier (Fast Fourier Transform) es una herramienta fundamental en el

procesado digital de señales. Su origen es relativamente reciente puesto que fueron J. W.
Cooley y J.W Tukey, quienes hacia 1965 abordaron por primera vez el problema de la programación
de un algoritmo para el cálculo de series complejas.
Ante todo, debe quedar claro que la FFT no es una nueva transformada, sino que se trata de un
algoritmo para el cálculo de la Transformada Discreta de Fourier (DFT). Su importancia radica en el
hecho que elimina una gran parte de los cálculos repetitivos a que está sometida la DFT, por lo tanto,
se logra un cálculo más rápido. Además, la FFT generalmente permite una mayor precisión en el
cálculo de la DFT disminuyendo los errores de redondeo.
La implementación del algoritmo de la FFT puede realizarse de dos formas distintas:
1. Mediante un programa que pueda ejecutarse tanto en un PC como en una tarjeta que posea
un microprocesador específico para este tipo de operaciones (DSP).
2. Mediante el desarrollo de una tarjeta (HARDWARE) en la cual se emplean circuitos
integrados específicos. Tal es el caso de los modernos analizadores de espectro.
Por lo tanto, el objetivo de este apartado es mostrar la redundancia implícita en el cálculo de la DFT,
para luego comprobar cómo un determinado algoritmo de la FFT elimina esta redundancia. La DFT
de una serie de muestras x[n] para 0 n N se define:
; 0 k N
donde : y
Antes de entrar en detalles sobre la FFT comprobemos la naturaleza periódica del término , de
hecho, la periodicidad y simetría de contribuyen a la redundancia de la DFT.
En la siguiente tabla se evalúa
Desarrollo intuitivo Para mostrar el algoritmo de la FFT empecemos por elegir un número de
muestras N = 2m donde m es un número entero. Estudiemos el caso de N= 4
{x[ 0] , x[ 1] , x[ 2] , x[ 3] } <---------- {X[ 0] , X[ 1] , X[ 2] , X[ 3] }

Este cálculo implica 12 sumas y 9 multiplicaciones complejas
Observando que es periódica, con un periodo igual a 4 , el cálculo de X[2] y X[3] se expresa
como:
Y el anterior sistema de ecuaciones se puede reescribir como:
Cuyo cálculo implica 12 sumas y 5 multiplicaciones complejas. El diagrama en bloques se representa

en la Figura 7.21.
Fig. 7.21.
Esta interpretación de la FFT de 4 puntos sugiere que la organización de la FFT se

obtuvo dividiendo la DFT de 4 puntos en dos TDF de 2 puntos y combinando sus coeficientes.
Observar que en el desarrollo del algoritmo, el dato x[0] se empareja con x[2] , y x[1] con x[3] . El
algoritmo empleado se representa mediante el diagrama de flujo mostrado en la Figura 7.22.
Fig. 7.22.
Esto implica que la organización de una FFT de 8 puntos se puede dividir en dos DFT de 4
puntos y a continuación una combinación de ambos conjuntos de coeficientes.
Desarrollo de la DFT de 8 puntos:
Las dos sumas en que se ha dividido X[k] tienen la apariencia de dos DFT de 4 puntos. Definamos
las secuencias de puntos pares e impares x[pn] y x[i n] :
k= 0, 1, 2,.....7
Por lo tanto, la DFT de 8 puntos es la combinación de los dos conjuntos de 4 puntos. A primera vista
parece que existe un problema con la ecuación anterior. Los coeficientes de la DFT de 8
puntos demandan que el índice k varíe entre 0 y 7, sin embargo, las DFT de 4 puntos únicamente
calculan cuatro coeficientes cada uno. Sin embargo, debemos recordar que los coeficientes de la DFT
son periódicos y aunque calculamos solamente N coeficientes para una transformada de N puntos,
la periodicidad de los coeficientes significa que están definidos para todo k. Estos aspectos quedan
explicados en el resumen adjunto.
En la Figura 7.23. se representa mediante un diagrama de flujo la FFT de 8 puntos.

Fig. 7.23.
El proceso continúa en sucesivas subdivisiones hasta llegar a dos términos. Una descomposición de
este tipo se conoce bajo el nombre de estimación en el tiempo en base 2 y es uno de los algoritmos
más empleados para evaluar la FFT. Por ejemplo para N=8 partiendo por la secuencia { x[0] , x[1] ,
x[2] , x[3] , x[4] , x[5] , x[6] , x[7] } formamos las subsecuencias formadas por lo términos pares { x[0] ,
x[2] , x[4] , x[6] }; e impares { x[1] , x[3] , x[5] , x[7] }. Cada subsecuencia se vuelve a dividir quedando
finalmente:
{ x[0] , x[4] }; { x[2] , x[6] }; { x[1] , x[5] }; {x[3,x[7] }
3. Explique sobre los fundamentos de los filtros digitales FIR y IIR.
FILTROS IIR Y FIR
Otro método de clasificación de los filtros se basa en su respuesta de impulso. ¿Pero qué es una
respuesta de impulso? La respuesta de un filtro a una entrada que es un impulso ( y
para toda ) se le llama respuesta de impulso de un filtro (ver Figura). La
Transformada de Fourier de la respuesta de impulso se conoce como respuesta de frecuencia
de un filtro. La respuesta de frecuencia de un filtro dice cuál va a ser la salida del filtro en
diferentes frecuencias. En otras palabras, te da la ganancia del filtro en diferentes frecuencias.
Para un filtro ideal, la ganancia debiera ser 1 en la pasa banda y 0 en detiene banda. De manera
que, todas las frecuencias en la pasa banda pasan como son a la salida, pero no hay salida para
las frecuencias en detiene banda.
Si la respuesta de impulso de un filtro cae a cero después de un tiempo finito, se conoce como
filtro de Respuesta de Impulso Finita (FIR). De todas maneras, si la respuesta de impulso existe
indefinidamente, se conoce como filtro de Respuesta de Impulso Infinita (IIR). Dependiendo de
si la respuesta de impulso en finita o no (es decir, si el filtro es FIR o IIR) depende se calcule la
salida.
La diferencia más básica entre los filtros FIR e IIR es que para los filtros IIR, la salida solo depende
de la corriente y de los valores de entrada pasados, mientras que en los filtros IIR, la salida
depende no solo en la corriente y valores de entrada pasados, sino que también en los valores
de salida pasados.
Ventajas y desventajas de los filtros FIR e IIR

Comparando los filtros IIR y los FIR, la ventaja de los filtros digitales IIR frente a los FIR es que
normalmente requieren menores coeficientes para hacer operaciones similares de filtrado. Por
lo tanto, los filtros IIR se ejecutan más rápido y no requieren de memoria extra.
La desventaja de los filtros IIR la respuesta de fase es no lineal. Si la aplicación no requiere

información de la fase, como una señal de monitorización, los filtros IIR podrían ser apropiados.
Se deben usar los filtros FIR para esas aplicaciones que requieran respuesta de fase lineal. La
naturaleza recursiva de los filtros IIR hace que sean más difíciles de diseñar e implementar.
Filtros de Impulso de Respuesta Infinita

Los filtros de impulso de respuesta infinita son filtros digitales cuya salida se calcula añadiendo
la suma de las salidas pasadas con la suma de entradas pasadas y actuales. Llamando a os valores
de entrada y los valores de salida , la ecuación general diferencial que caracteriza a los filtros
IIR es
(6.1)
Donde es el número de coeficientes forward y es el número de

coeficientes reverse . La muestra de salida en la muestra actual del índice es y es la suma
de las entradas escaladas presentes y pasadas ( y cuando ) y salidas escaladas
pasadas ( cuando ). Normalmente, y son iguales y el orden del filtro es
Filtros IIR prácticos
Un orden menor reduce las operaciones aritméticas y por consiguiente reduce el error de
computación. Un problema con los filtros de orden alto es que rápidamente caen en errores de
precisión con órdenes mayores a 20-30. Esta es la mayor razón para la “cascada” de
implementaciones en vez de la forma “directa”. Se recomiendan las órdenes del 1 al 20, ya que
son razonables, y siendo 30 el límite superior.
La respuesta de impulso del filtro descrita en la ecuación 6.1 tiene una longitud finita para
coeficientes que no sean cero. De todas maneras, en las aplicaciones prácticas de los filtros la
respuesta de impulso estable de los filtros IIR decae casi a cero en un número finito de muestras.
En la práctica, la respuesta de frecuencia de los filtros difiere de la de los filtros ideales.

Dependiendo de la forma de la respuesta de la frecuencia, los filtros IIR se pueden clasificar de
la siguiente manera:
 Filtros Butterworth
 Filtros Chevyshev
 Chevyshev II o filtros inversos de Chevyshev
 Filtros elípticos o Cauer
Filtros Butterworth
Los filtros Butterworth no tienen rizado ni en la pasa banda ni en detiene banda. Debido a la
falta de rizado, también se le conoce como filtro máximamente plano. Su respuesta de
frecuencia se caracteriza por su respuesta suave a todas las frecuencias. La Figura 6.7 muestra
la respuesta de un filtro de pasa baja Butterworth de diferentes órdenes. En el eje de las x se
muestra los términos de (donde es la frecuencia de muestreo) y en el eje de las y se
muestra la ganancia de la pasa banda para que sea la unidad.
La región en que la salida del filtro es igual a 1 (o muy cercano a 1) es la pasa banda del filtro. La
región donde la salida es 0 (o muy cerca de 0) en la detiene banda. La región de entre medio de
la pasa banda y detiene banda donde la salida cambia gradualmente de 1 a 0 es la región de
transición.
Las ventajas del filtro Butterworth es que es suave, la respuesta de la frecuencia decrece
monótonamente en la región de transición. Como se puede ver en la figura, cuanto mayor sea
el orden del filtro más brusca es la transición.
Filtros Chebyshev
La respuesta de frecuencia del filtro Butterworth no es siempre una buena aproximación de la

respuesta del filtro ideal, por la diferencia entre la pasa banda (la parte interesante del espectro)
y detiene banda (la parte que no interesa del espectro). Por otro lado, los filtros Chevyshev
tienen una región de transición menor que la de los filtros Butterworth del mismo orden. Sin
embargo, esto se consigue metiendo algo de rizado en la pasa banda. Usando LabVIEW o
BridgeLabVIEW, se puede especificar la máxima cantidad de rizado (en dB) en la pasa banda para
los filtros Chevyshev. Las características de la respuesta de frecuencia de los filtros Chevyshev
tienen el mismo rizado, es decir, de la misma magnitud en la pasa banda, y el rango de detiene
banda decrece de forma monótona y una respuesta más “khiug” en la región de transición
comparando con los filtros Butterworth del mismo orden.
El gráfico de la Figura 6.8 muestra la respuesta de un filtro Chevyshev de pasa baja de diferentes
órdenes. En este caso, la escala del eje y está en decibelios. Una vez más, se puede observar que
la falta de inclinación (empinado) en la región de transición se incrementa en orden ascendente.
También, el número de ondas (rizado) en la pasa banda incrementa en orden ascendente.
La ventaja de los filtros Chebyshev sobre los filtros Butterworth es el ángulo de inclinación entre
la pasa banda y detiene banda con un filtro de orden inferior. Como se menciona anteriormente,
esto produce errores absolutos menos y aumenta la velocidad de ejecución.
Chebyshev II o Filtros inversos Chebyshev
Los filtros Chebyshev II, también conocidos como Chebyshev inversos o filtros Chebyshev de tipo
II, son similares a los filtros Chebyshev exceptuando que los filtros Chebyshev tienen un rizo
(onda) en la banda de detención y son planos en la banda de paso. Para los filtros Chebyshev II,
se puede especificar la cantidad de atenuación (en decibelios) de la banda de detención. La
respuesta de frecuencia característica en los filtros Chebyshev II en la banda de detención es de
magnitud “equiripple”, en la banda de paso la respuesta de magnitud es monótonamente
decreciente, y una respuesta de giro más aguda que los filtros Butterworth del mismo orden. El
gráfico en la Figura 6.9 traza la respuesta de un filtro Chebyshev de pasabaja de diferentes
órdenes.
La ventaja de los filtros Chebysehv II sobre los Butterworth es que los filtros Chebyshev II tienen
una transición más fuerte entre la banda de paso y la banda de detención con un filtro de orden
bajo. Esta diferencia se corresponde a un error absoluto mínimo y una velocidad de ejecución
mayor. Una ventaja de los filtros Chebyshev II frente a los filtros Chebyshev regulares es que los
filtros Chebyshev II tienen rizado (ondas) en las bandas de detención en lugar de en la banda de
paso.
Filtros elípticos
Se ha visto como los filtros Chebyshev tienen una región de transición más “fuerte” (sharp) que
los filtros Butterworth del mismo orden. Esto es porque admiten rizado en ambas bandas, la de
paso y la de detención. Los filtros elípticos distribuyen el rizado por las dos bandas. El que tengan
el mismo rizado en la banda de paso y en la banda de detención es una característica de la
respuesta de magnitud de los filtros elípticos. Por lo tanto, comparado con un filtro Butterworth
o un filtro Chebyshev del mismo orden, los filtros elípticos proporcionan la transición más fuerte
entre la banda de paso y la banda de detención. Por esta razón, los filtros elípticos son bastante
populares en aplicaciones donde se requieren bandas de transiciones cortas y donde el rizado
es admitido. El gráfico en la Figura 6.10 traza la respuesta de un filtro de pasabaja de diferentes
órdenes.
Filtros IIR de comparación
Una comparación de las

respuestas de frecuencias
para los cuatro tipos de
diseños de filtros IIR en
pasabaja, todos del mismo
orden (cinco), se muestra
en la Figura 6.11. El filtro
elíptico tiene la región de
transición más estrecha,
mientras que el filtro
Butterworth tiene la más
ancha.
El diseño de filtros de varios filtros IIR se comparan en la siguiente tabla:
Ancho de región Onden requerida para

Diseño Filtros Respuesta
de transición para especificaciones de
IIR característica
un orden fijado filtro dadas.
Butterworth Sin rizado Más ancho Mayor
Rizado en banda de
Chebyshev
paso
Chebyshev Rizado en banda de
inverso detección
Rizado en ambas
Elíptico Menos ancho Menor
bandas
Las VIs de filtros digitales que tienen LabVIEW y BridgeLabVIEW manejan todos los diseños
posibles. No se necesita ser un experto en filtros digitales o en teoría de filtros digitales para
procesar los datos. Lo único que se necesita es especificar los parámetros de control de cómo el
orden del filtro, frecuencias de corte, cantidad de rizado y atenuación de la banda de detención.
¿Cómo decidir que filtro utilizar?

Ahora que ya hemos visto todos los tipos de filtros y sus características, la cuestión es que
diseño de filtro es el que mejor se adecua a nuestra aplicación. En general, algunos de los
factores que afectan a la elección de un filtro adecuado pueden ser que nuestra aplicación
requiera fase lineal, que pueda tolerar el rizado, o incluso que requiera una transición de
banda estrecha. El diagrama de flujo que sigue sirve como guía para poder seleccionar el filtro
correcto. Hay que tener en cuenta que en la práctica se pueda necesitar experimentar con
varias opciones antes de obtener la adecuada.
V. DATOS FIRMADOS
VI. BIBLIOGRAFÍA
 http://bibing.us.es/proyectos/abreproy/11375/fichero/MEMORIA%252FFundamentos+te
oricos.pdf
 http://www.ehu.eus/procesadoinsvirtual/T6_actividad1.html
 https://es.wikipedia.org/wiki/Transformada_de_Fourier_discreta
 https://www.eumus.edu.uy/eme/ensenanza/electivas/dsp/presentaciones/clase10.pdf
 https://es.scribd.com/document/339587363/Filtros-Fir-e-Iir
 https://uvadoc.uva.es/bitstream/10324/20958/1/TFG-G%202270.pdf
 ocw.uv.es/ingenieria-y-arquitectura/filtros-digitales/guiafd.pdf

Intr Tele If 3 Soft

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Intr Tele If 3 Soft

Загружено:

Авторское право:

Доступные форматы

FACULTAD DE INGENIERÍA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

INFORME FINAL N°3

CURSO : INTRO. A LAS TELECOMUNICACIONES

PROFESOR : SIXTO LLOSA PORTUGAL

CICLO ACADEMICO : 2017-II

E.A.P. : INGENIERÍA ELECTRÓNICA

ALUMNO : CÓNDOR HUAMANÍ CÉSAR RAÚL 15190105

Ciudad Universitaria, Universidad Nacional Mayor de San Marcos

Diseñar filtros de respuesta en frecuencia de audio, y determinar las características en el

II. MATERIAL Y EQUIPO

 Matlab Versión 4 y 5.3.6.12

f=[0 .4 .4 .6 .6 1]; xlabel('Frequency(Hz)')

clc Fs=8000; t=(1:8000)/Fs;

%defino la funcion y ploteo su grafica

%ingresando los parametros del filtro

axis([0 0.01 -4 4]);

axis([0 0.01 -4 4]);

axis([0 0.01 -4 4]);

axis([0 0.01 -4 4]);

1. Explique en detalle la transformada discreta de Fourier DFT. Desarrolle 5 ejemplos de la

Es poco frecuente encontrar señales puramente periódicas en el procesado digital de señales.

La Transformada Discreta de Fourier (DFT) de una señal x[n] definida en el rango

X[k] = ; 0 N-1 [1]

donde y los valores espectrales X[k] se evalúan en 0 N-1. Al término WN se

x[n] = ; 0 N-1 [2]

donde los valores de x[n] son evaluados en el rango 0 N-1

|X[k] |2 = |R(X[k])|2 + |I(X[k] )|2

Por ejemplo, en el Tema 3, calculamos la respuesta en frecuencia H(W) de un sistema LTI

y[n] = 1.5 y[n-1] - 0.85 y [n-2] + x[n]

frecuencia inferiores a Hz."

el dominio de la frecuencia mediante muestras espaciadas frecuencialmente Hz. ó

Al término df = se le denomina resolución espectral. Puesto que la frecuencia digital W

en el dominio frecuencial de W a intervalos menor o igual que

muestras la resolución espectral df = = Hz. por eso una señal

armónico ( ). Diversos aspectos relativos al análisis frecuencial serán

intervalos de se obtienen muestras en el dominio frecuencial.

observamos que hacen exactamente lo propuesto: la DFT proporciona N coeficientes

df= tomadas en el dominio de la frecuencia y cuya envolvente es la Transformada de

La DFT evalúa tanto valores reales como imaginarios:

de X(W) tomadas con una determinada resolución espectral df = .

La TFD se ha desarrollado buscando técnicas basadas en un sistema digital de cálculo (DSP,

x[0] = 0; x[1] = 1, x[2] = 2, x[3] = 3 (Rampa truncada)

El problema se resuelve encontrando x[n] en la IDFT.

Debemos tener en cuenta que la IDFT es periódica (periodo M) en este ejemplo M = 4

x[5] = x[1] , x[6] = x[2] ;...... etc M =4

DFT de 4 puntos correspondiente a la secuencia x [0]= 1, x[1]= 0, x[2]= 0, x[3]= 1

mediante muestras espaciadas frecuencialmente Hz. ó rd/sg. donde al término df=

Si la frecuencia de muestreo son 8 kHz, el correspondiente periodo

Resultados que coinciden con los anteriores.

2. ¿Qué es la transformada rápida de Fourier FFT? Desarrolle 5 ejemplos.

La Transformada Rápida de Fourier (Fast Fourier Transform) es una herramienta fundamental en el

La implementación del algoritmo de la FFT puede realizarse de dos formas distintas:

En la siguiente tabla se evalúa

{x[ 0] , x[ 1] , x[ 2] , x[ 3] } <---------- {X[ 0] , X[ 1] , X[ 2] , X[ 3] }

Y el anterior sistema de ecuaciones se puede reescribir como:

Cuyo cálculo implica 12 sumas y 5 multiplicaciones complejas. El diagrama en bloques se representa

Esta interpretación de la FFT de 4 puntos sugiere que la organización de la FFT se

Desarrollo de la DFT de 8 puntos:

En la Figura 7.23. se representa mediante un diagrama de flujo la FFT de 8 puntos.

{ x[0] , x[4] }; { x[2] , x[6] }; { x[1] , x[5] }; {x[3,x[7] }

3. Explique sobre los fundamentos de los filtros digitales FIR y IIR.

FILTROS IIR Y FIR