Вы находитесь на странице: 1из 5

Reconocimiento Del Curso Fase 1

Presentado Por:

Diana Patricia Gutierrez Urrea

Código 1.061.690.676

Tratamiento Digital De Señales

Grupo: 208052_10

Tutor

Mauricio Alberto García

Universidad Nacional Abierta y a Distancia – Unad

Ingeniería De Telecomunicaciones
1. Resumen del proyecto final

Realizar lectura e investigación sobre el proyecto final (Ver Anexo 2 -Proyecto Final). Es
necesario investigar información adicional a lo entregado en el Anexo 2. Puede consultar
diferentes referencias bibliográficas sobre filtros FIR e IRR, para dar mayor soporte al
resumen

Filtros FIR

Los filtros F.I.R. son sistemas que por definición presentan una respuesta al impulso de
duración finita. Si se considera al sistema causal, la expresión indicada a continuación
caracteriza a un filtro F.I.R. de coeficientes bk.

Filtros FIR de fase lineal La ventaja de los filtros FIR es que pueden diseñarse para que
presenten FASE LINEAL. La linealidad de fase implica que se verifiquen ciertas
condiciones de simetría: Si consideramos sistemas FIR con coeficientes reales, una
secuencia conjugada simétrica se dice que es una secuencia PAR, y una secuencia
conjugada antisimétrica es una secuencia IMPAR. Dependiendo del número de coeficientes
del filtro y del tipo de simetría tenemos varias posibilidades.

La identificación y modelado de filtros digitales IIR es de gran importancia en diversas


áreas de la ingeniería, tales como procesamiento de señales, control, sistemas de
comunicaciones, procesamiento de imágenes y eliminación de ruido (Howell y Gordon,
2001). El proceso de identificación consiste en alterar los coeficientes de un determinado
filtro modelo para estimar los parámetros de un sistema desconocido, a partir del
conocimiento de su entrada y salida. Para desempeñar esta tarea es necesario la
minimización de una función objetivo, típicamente el error cuadrático medio (MSE, mean
square error) existente entre la respuesta del sistema desconocido y la salida del filtro
modelado.
Aún y tomando en cuenta la amplia gama de aplicaciones de los filtros IIR, su
identificación y modelado se considera un proceso complejo que requiere de algoritmos de
optimización globales capaces de operar sobre superficies de error multi-modales típicas de
estos procesos. Para resolver este problema, se han desarrollado numerosos algoritmos que
hacen uso de diversas técnicas heurísticas. Algunos ejemplos son: el trabajo realizado por
Howell y Gordon en 2001, en el cual se emplea un algoritmo de identificación basado en
autómatas de aprendizaje. La propuesta de Kalinli y Karaboga (2005), que introdujeron el
uso de algoritmos inmunológicos (IA) como algoritmo de optimización para el diseño de
filtros IIR. Recientemente, el enfoque presentado por Rashedi (2011), en el cual se propone
el modelado de filtros digitales usando el método de búsqueda gravitational (GSA). Otra
propuesta, que además en la literatura se usa como forma de comparación estándar, es la
presentada en Lin et al. (2008), en la cual se propone un algoritmo de identificación basado
en el popular métodoParticle Swarm Optimization (PSO). A pesar de la gran aceptación
que tienen estas propuestas, existen algunas deficiencias que afectan significativamente su
desempeño (Shilane et al., 2008). Entre ellas se destacan la necesidad de un gran número de
iteraciones y de elementos de la población para encontrar una solución lo más parecida al
mínimo global, repercutiendo directamente en el costo computacional del algoritmo
(Elbeltagia et al., 2005). Además, para la mayoría de estos métodos, la convergencia no
está comprobada, por lo tanto no existe garantía de que los valores encontrados como
solución, puedan ser considerados como los mejores.

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.

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.

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.
BIBLIOGRAFIA

http://www.ehu.eus/procesadoinsvirtual/T6_filtros%20iir%20y%20fir5.html