Paso 4_ Realizar simulaciones aplicando herramientas

tipo software.
Pedroza, Alexis
Universidad Nacional Abierta y A Distancia (UNAD).
Electronic Engineering Department
Procesamiento Digital de Señales.
Palmira, Colombia
apedroza@unadvirtual.edu.co

Abstract — In this document, will be developed the configure
of filter in pass band mode, with determined specificate, that will
permitted the development the audio equalizer.
Keywords—component; filtro, matlab, software, Simulink, fir,
iir, diseño, respuesta, impulse.
I. INTRODUCTION (HEADING 1)
En el siguiente documento, se desarrollará las actividades
propuestas de la unidad 3 del paso 4, perteneciente al curso
procesamiento digital de señales, se seleccionará un tipo de
filtro sea FIR o IIR, de ciertas características, que será
caracterizado según sus condiciones, respuestas y
funcionalidad, que luego será simulado y configurado según
unas recomendaciones, para al final llegar al desarrollo de un
ecualizador de audio con 8 filtros pasa banda sea FIR ó IIR.
II. ACTIVIDAD.
1. Cada estudiante escogerá un (1) tipo de filtro que desee
diseñar, y reportará en el foro su decisión, esto con el fin
de que cada estudiante diseñe un ecualizador (banco de
filtros) diferente. A continuación, se muestra la lista de
filtros:
Tipos de filtro Pasa Banda (Bandpass).
➢ IIR Butterworth
➢ IIR Chebyshev tipo I
➢ IIR Chebyshev tipo II
➢ IIR Elliptic
➢ FIR Window Hamming
➢ FIR Window Gaussian
➢ FIR Window Hann
➢ FIR Window Rectangular
➢ FIR Window Kaiser
Filtro a trabajar FIR Window Hamming.
2. Cada estudiante investigará las características del filtro
escogido, si el filtro escogido es IIR, para realizar un
informe con los siguientes parámetros:
➢ Concepto básico de filtro IIR y un diagrama de bloque y
ecuación que lo describa.
➢ Definición específica del filtro escogido (Por
ejemplo, Butterworth, chebyshev, etc).
➢ Ecuación de respuesta en frecuencia y función de
transferencia.
➢ Definición de variables de las ecuaciones anteriores.
Si el Filtro es FIR, el estudiante deberá realizar el informe
con los siguientes parámetros:
2.2 CONCEPTO BÁSICO DE FILTRO FIR Y UN
DIAGRAMA DE BLOQUE Y ECUACIÓN QUE LO
DESCRIBA.
Los filtros FIR: respuesta de impulso infinita, tienen las
siguientes características:
• Pueden diseñarse con fase perfectamente lineal.
• Son filtros no recursivos, es decir, todos los
coeficientes 𝑎𝑖 de la ecuación en diferencias son cero.
• Son siempre estables al no tener realimentaciones.
• Implementación hardware sencilla.
• Sus respuestas al impulso coinciden con el vector de
coeficiente 𝑏ⅈ.
2.2.1. VENTAJAS:
• su respuesta al impulso es fácil de obtener a través del
vector de coeficientes.
• Es fácil de analizar su respuesta en frecuencia a través
de la transformada de Fourier.
• son fáciles de diseñar definiendo su respuesta en
frecuencia y usando la transformada inversa.
2.2.2 INCONVENIENTES:
• es necesario un gran numero de coeficientes para
conseguir las mismas prestaciones que daría en filtro
IIR de orden mucho menor.
• Para conseguir una buena resolución a bajas
frecuencias se requieren muchos coeficientes.
• Al necesitar mas coeficientes, tiene un retardo grande.
A veces no aptos para directos.
•
2.2.3 ECUACIÓN DE DIFERENCIA DEFINIDA EN
EL DOMINIO DEL TIEMPO.

ALEDROZA – CHELA 2020 UNAD

 𝐌 • Wn : frecuencia de corte normalizada [0….1].
𝐲[𝐧] = ∑ 𝐛𝐤 𝐱[𝐧 − 𝐤] • b: coeficiente FIR.
𝐤=𝟎 por defecto usa ventana de haming si queremos otra ventana:
• b = fir1(n, wn, hanning(n + 1))
ESQUEMA DE FILTRO FIR. • b = fir1(n, wn, barlett(n + 1))

𝐄𝐣𝐞𝐦𝐩𝐥𝐨:
fc = 1000
fs = 48000
𝐛 = 𝐟𝐢𝐫𝟏(𝟐𝟎𝟎, 𝟏𝟎𝟎𝟎/(𝐟𝐬/𝟐));
plot (b);

𝟏𝟎𝟎𝟎
𝐛𝟐 = 𝐟𝐢𝐫𝟏 (𝟐𝟎𝟎, , 𝐡𝐚𝐧𝐧𝐢𝐧𝐠 (𝟐𝟎𝟏)) ;
𝐟𝐬
𝟐
hold
Figura 1: Esquema -filtro Fir 1 plot (b2, ′r′);
freqz(b,1,1024);

𝐱[𝐧]: secuencia de entrada. Ejemplo 1. Diseño filtro FIR en Matlab.

𝐱[𝐧 − 𝐍]: Secuencia de entrada retrasada N muestras.
𝐲[𝒏]: secuencia de salida (filtrada). 2.2.6.2 FILTRO FIR PASO ALTO CON MATLAB:
𝐁𝐧 = valor de los coeficientes ′b′ (no recursivos).
𝐳 −1 : Retardo de 1 muestra. • b = fir1(n, wn, ′high′).
• n: orden del filtro.
2.2.4. TECNICAS DE DISEÑO: • Wn : frecuencia de corte normalizada [0….1].
• Método de enventanado. • b: coeficiente FIR.
• Rizado Constante (Parks – McClellan / Remez). por defecto usa ventana de haming si queremos otra ventana:
• Error Cuadrático mínimo. • b = fir1(n, wn, ′high′, hanning(n + 1))
• b = fir1(n, wn,′ high′ , barlett(n + 1))
2.2.5. METODO DE ENVENTANADO:
• Se diseña una plantilla en el dominio de la frecuencia 𝐄𝐣𝐞𝐦𝐩𝐥𝐨:
con las características que desean para el filtro. fc = 1000
• Se realiza la transformada inversa de Fourier del filtro. fs = 48000
• Se procede a truncar la secuencia resultante mediante 𝟏𝟎𝟎𝟎
𝐛 = 𝐟𝐢𝐫𝟏(𝟐𝟎𝟎, , ′𝐡𝐢𝐠𝐡′);
un enventanado de dicha secuencia. 𝐟𝐬
• A tener en cuenta: 𝟐
o Por un lado, el número de muestras de la FFT plot (b);
respecto a la fs nos limitara la resolución en
frecuencia.
o Por otro lado, el tamaño de la ventana nos 𝟏𝟎𝟎𝟎
𝐛𝟐 = 𝐟𝐢𝐫𝟏 (𝟐𝟎𝟎, , ′𝒉𝒊𝒈𝒉′, 𝐡𝐚𝐧𝐧𝐢𝐧𝐠 (𝟐𝟎𝟏)) ;
limitara en segundo término la resolución en 𝐟𝐬
frecuencia. 𝟐
o Especialmente sensible a frecuencias bajas. hold
• Tipo de Ventana puede elegirse entre: Hamming, plot (b2, ′r′);
Hanning, Bartlett, Blackman, Kaiser y Chebwin. freqz(b,1,1024);

2.2.6. EN MATLAB: Ejemplo 2. Diseño filtro FIR en Matlab.

• Fir1: calcula los coeficientes de filtros típicos (pasa
alto, bajo, banda y notch) en función del orden, la 2.2.6.3 FILTRO FIR PASO BANDA CON MATLAB:
frecuencia de corte normalizada y el tipo de ventana. • b = fir1(n, wn).
• Fir2: permite especificar cualquier patrón de • n: orden del filtro.
frecuencia. • Wn : vector [w1 w2] con las dos frecuencias.
• • b: coeficiente FIR
2.2.6.1. FILTRO FIR PASO BAJO CON MATLAB:
• b = fir1(n, wn). 𝐄𝐣𝐞𝐦𝐩𝐥𝐨:
• n: orden del filtro. fc = 1000

1 tomado de https://www.youtube.com/watch?v=ENIFBriOrHI

ALEDROZA – CHELA 2020 UNAD

 fs = 48000 2.3. DEFINICIÓN ESPECÍFICA DE LA VENTANA
ESCOGIDA (POR EJEMPLO, HAMMING, GAUSSIAN,
b2=fir1(200,[1000/(fs/2) 2000/(fs/2)],hanning(201)); ETC)
plot (b2);
freqz(b2,1,1024); Ventana de forma discreta de tamaño N, donde 0 ≤ 𝒏 ≤ 𝑵 − 𝟏,
Ejemplo 3. Diseño filtro FIR en Matlab. las ventanas son funciones matemáticas usadas con frecuencias
en el análisis y procesamiento de señales para evitar las
discontinuidades al principio y al final de los bloques analizados.
2.2.6.4 FILTRO FIR BANDA ELIMINADA CON
MATLAB:

• b = fir1(n, wn, ′stop′).

• n: orden del filtro.
• Wn : vector [w1 w2] con las dos frecuencias.
• b: coeficiente FIR.

2.2.6.5. FILTRO FIR ARBITRARIO CON MATLAB:

• b = fir2(n, f, m). Figura 2: Espectro de un filtro ideal con aplicación de

• n= orden del filtro. ventanas.2
• f= vector con frecuencias entre [0 1].
• m=vector con la magnitud a dichas frecuencias. El diseño de la ventana de haming que minimiza el nivel del
• b = coeficientes FIR. lóbulo lateral (a costa de un decaimiento más lento de la alta
frecuencia)., la más usada por qué se puede obtener una
EJEMPLO: atenuación considerable con una banda de transición estrecha; la
f=[0 20 40 100 300 500 1200 4000 6500 7000 9000 9500 ventana de Hamming, o también conocida ventana de coseno
20000 24000]; elevado, esta ventana tiene un comportamiento temporal de
m=[0 1 2 1 1.5 0.3 1 1.5 1 0 0 2 1 0]; medio ciclo de una señal cosenoidal y normalizado en amplitud
plot(f,m); a la unidad. Presenta las siguientes propiedades:
semilogx(f,m); • Discontinuidad “golpean a cero” en los extremos.
b=fir2(500,f/24000,m); • Lóbulos principales de 4ΩM de ancho como (Hann).
plot(b); • Lóbulos laterales decaen a una tasa de ≅ 6𝑑𝐵 /octava
freqz(b,1,1024); (pero “aliased”).
• Primer lóbulo lateral mejorado con respecto a Hann.
Ejemplo 4. Diseño filtro FIR en Matlab. • Lóbulos laterales cercanos a ser “rizados igual”
(“esequal ripple”).
2.2.6.6. VISUALIZACION DE LA RESPUESTA EN
FRECUENCIA Y FASE DE UN FILTRO, EN MATLAB.

• Frecuencia Normalizada:
Freqz ( a,b).
• Frecuencia Analógica:
Freqz (b,a,np,fs)
Fs= frecuencia de muestreo.
Np= un valor cualquiera entre 100 y 1000.

2.2.6.7. FILTRADO DE UNA SEÑAL CON UN FILTRO

FIR O IIR EN MATLAB.
Figura 3: Ventana Hamming y su espectro.3
• y= filter (b,a,x);
• x=señal de entrada.
• y=señal de salida filtrada.
• b,a = coeficientes FIR / IIR.

2 3Tomado del libro de ashork Ambadar, Procesamiento de señales

Tomado del libro de ashork Ambadar, Procesamiento de señales
analógicas y digitales, 2da. analógicas y digitales, 2da.

ALEDROZA – CHELA 2020 UNAD

 2.7. ECUACIÓN DE LA VENTANA HAMMING:
2nπ
w(n) = 0.54 − 0.46 COS ( )
N−1

2.8. DEFINICIÓN DE VARIABLES DE LA

ECUACIÓN ANTERIOR.

N = longitud de la ventana.
n = índice (no es un entero, no obstante que se incrementa
cada unidad, y se requiere de un retraso no entero para
producir una secuencia causal).

−𝟎. 𝟓 (𝑵 − 𝟏) ≤ 𝒏 ≥ 𝟎. 𝟓(𝑵 − 𝟏)

Figura 4: Características de las ventanas de los filtros FIR.4 𝑪 𝑪

𝑭𝑻 = 𝑭𝑺 − 𝑭𝑷 = 𝑭𝑾𝑺 ≈ 𝑵=
𝑵 𝑭𝑺 − 𝑭𝑷

Aquí, 𝐹𝑃 y 𝐹𝑆 son las frecuencias digitales pasa banda y

supresores de banda. La longitud de la ventana depende de la
selección de ventana (que dicta la selección de C).

𝑭𝑪 = 𝟎. 𝟓 ( 𝑭𝑺 + 𝑭𝑷 )

Figura 5: Características espectrales de las funciones

ventana.5

Gp = Ganancias máximas del lóbulo principal.

Gs = Ganancias máximas del lóbulo lateral.
Ds = Atenuación de alta frecuencia (dB/década).
𝐺
ASL (dB) = Atenuación del lóbulo lateral ( 𝐺𝑃 ) en dB.
𝑠
W3 = 6 dB ancho medio.
Ws = Ancho medio del lóbulo principal para alcanzar Ps.
W6 = 3 dB ancho medio.
Wm = Ancho medio del lóbulo principal.

Figura 6. Caracteristicas del espectro con ventanas.

NOTA: Las ecuaciones deben estar realizadas en el editor de

ecuaciones de Word, no se admiten imágenes.

4 Tomado de https://www.youtube.com/watch?v=cv8q5Hj1W3E 5
Tomado del libro de ashork Ambadar, Procesamiento de señales
analógicas y digitales, 2da.

ALEDROZA – CHELA 2020 UNAD

 3. Cada estudiante diseñará ocho (8) filtros en la
herramienta Simulink de Matlab, específicamente
utilizará el bloque FDA TOOL para diseñar los filtros.
Todos los filtros deben ser del mismo tipo, por
ejemplo, si se escogió IIR Butterworth, entonces los
ocho (8) Filtros diseñados deben ser IIR Butterworth.
Cada uno de los filtros tendrá los siguientes rangos de
frecuencia

Figura 9: Coeficiente de 200 a 500 Hz.

Figura 7. Diseño de Filtros en simulink de Matlab. Figura 9: Coeficiente de 500 a 2000 Hz.
3.1. Se exportarán los coeficientes de cada uno de los ocho
filtros, los cuales equivalen a la respuesta el impulso en el filtro
FIR, y a los coeficientes de la función de transferencia en los
filtros IIR (matriz SOS). Para ello deben dirigirse al menú
archivo – exportar command window – coeficientes. Cuyos
coeficientes deben graficarse mediante la función plot de
Matlab.

Figura 10: Coeficiente de 2000 a 4000 Hz.

Figura 8: Coeficiente de 20 a 200 Hz.

Figura 11: Coeficiente de 4000 a 8000 Hz.

ALEDROZA – CHELA 2020 UNAD

 3.3. Una vez diseñados los filtros, cada uno de los
estudiantes procederá a ensamblar un ecualizador de sonido,
para ello debe agregar el bloque “From Multimedia File” el cual
servirá como fuente de entrada (audio) al ecualizador, este audio
debe tener como mínimo una frecuencia de muestreo de 44.1
Khz, y los filtros deben estar configurados a esta misma
frecuencia de muestreo. También se debe agregar el bloque
“Slider Gain” a la salida de cada uno de los filtros, con el fin de
controlar el nivel de salida en cada uno de los filtros. Finalmente
se sumarán todas las señales con el bloque “add”.

Figura 12: Coeficiente de 8000 a 12000 Hz.

Figura 8. Ecualizador de Sonido, en Matlab.

3.4. Una vez cada estudiante tenga su ecualizador
ensamblado y funcionando, se realizará análisis en frecuencia
mediante algún analizador de espectro que tenga Simulink.
Figura 13: Coeficiente de 12000 a 16000 Hz. Recuerden que pueden controlar los “Slider Gain” mientras el
modelo está corriendo. Se recomienda usar un tiempo de
simulación largo, por ejemplo 200.
III. SIMULATION RESULTS
20 a 200 Hz

-0.000371244040285788 -5.41010426869961e-19
0.000476421844467998 -3.87970814177334e-19
-0.00206623176481101 0.00460739989671089
-0.00466409138701451 2.98072385302403e-17
0.00747558794782580 -0.0118079908639776
0.00840676233199913 -3.13550352186888e-17
-0.00456127170480623 -3.68028395952897e-18
Figura 14: Coeficiente de 16000 a 20000 Hz. 0.00660429863786136 -2.59226613915042e-17
-0.0259149317789356 0.0539705429427665
-0.0515366420307854 5.09647630183610e-17
3.2. Para los estudiantes que hayan escogido un filtro IIR, 0.0789863924391917 -0.129436618532913
exportarán el matriz SOS y de ella podrán obtener los 0.102238979539996 0 -
coeficientes de la función de transferencia con el siguiente 0.115592953131269 0.165957508457766 -
comando: 0.115592953131269 0 0.102238979539996
[b,a] = sos2tf(SOS); -0.129436618532913 0.0789863924391917
5.09647630183610e-17 -0.0515366420307854
Y para obtener la respuesta al impulso, podrán 0.0539705429427665 -0.0259149317789356
realizarlo con el siguiente comando: -2.59226613915042e-17 0.00660429863786136
[h,t] = impz(SOS); -3.68028395952897e-18 -0.00456127170480623
-3.13550352186888e-17 0.00840676233199913
Y para graficar: -0.0118079908639776 0.00747558794782580
plot(t,h) 2.98072385302403e-17 -0.00466409138701451
0.00460739989671089 -0.00206623176481101

ALEDROZA – CHELA 2020 UNAD

 -3.87970814177334e-19 0.000476421844467998 0.00227393795672911 -0.00153535555379886 -
-5.41010426869961e-19 -0.000371244040285788 0.00104205419769685

200 a 500 Hz.

0.00143297046750240 0.00165306093032297 2000 a 4000 Hz.
0.00203912645465917 0.00262491728573793 0.000284953544942768 -3.15107276013936e-19 -
0.00343832437684090 0.00450031184517635 0.000365684236613806 -0.000689858899645818 -
0.00582405360953910 0.00741430296356713 0.000704970822008702 3.71518874139942e-18
0.00926701675919850 0.0113692480775228 0.00185313838186101 0.00506205975354944
0.0136993129910912 0.0162272285314968 0.00934504435818360 0.0137549431639320
0.0189154105351893 0.0217196119150181 0.0167175352988912 0.0163486051559845
0.0245900743518486 0.0274728596594530 0.0110152847601679 -6.43065750222797e-18 -
0.0303113213614654 0.0330476725143905 0.0159491113104658 -0.0344047451631766 -
0.0356246026605504 0.0379868951020603 0.0515339639296893 -0.0628694380996693 -
0.0400829955081859 0.0418664842127658 0.0644246591988245 -0.0538641039648329 -
0.0432974073866523 0.0443434264962550 0.0313829004039939 0 0.0348825812646599
0.0449807509528923 0.0451948254481946 0.0665947819398814 0.0887249846214431
0.0449807509528923 0.0443434264962550 0.0966606479781507 0.0887249846214431
0.0432974073866523 0.0418664842127658 0.0665947819398814 0.0348825812646599 0
0.0400829955081859 0.0379868951020603 -0.0313829004039939 -0.0538641039648329 -
0.0356246026605504 0.0330476725143905 0.0644246591988245 -0.0628694380996693 -
0.0515339639296893 -0.0344047451631766 -
0.0303113213614654 0.0274728596594530
0.0159491113104658 -6.43065750222797e-18
0.0245900743518486 0.0217196119150181 0.0110152847601679 0.0163486051559845
0.0189154105351893 0.0162272285314968 0.0167175352988912 0.0137549431639320
0.0136993129910912 0.0113692480775228 0.00934504435818360 0.00506205975354944
0.00926701675919850 0.00741430296356713 0.00185313838186101 3.71518874139942e-18 -
0.00582405360953910 0.00450031184517635 0.000704970822008702 -0.000689858899645818 -
0.00343832437684090 0.00262491728573793 0.000365684236613806 -3.15107276013936e-19
0.00203912645465917 0.00165306093032297 0.000284953544942768
0.00143297046750240

500 a 2000 Hz. 4000 a 8000 Hz

-0.00104205419769685 -0.00153535555379886 - 0.000371244040285783 -5.41010426869960e-19 -

0.00227393795672911 -0.00335465316441719 - 0.000476421844468007 2.32782488506400e-18
0.00484839368005423 -0.00677459536501380 - 0.00206623176481101 0.00460739989671091
0.00907955815917894 -0.0116224188348686 - 0.00466409138701450 -4.78958446784645e-18 -
0.0141718532524256 -0.0164153512660722 - 0.00747558794782582 -0.0118079908639776 -
0.0179813380711288 -0.0184727051549134 - 0.00840676233199911 2.19485246530822e-17
0.0175086826472861 -0.0147706516402847 - 0.00456127170480621 -3.68028395952896e-18 -
0.0100466482050140 -0.00326908230467021 0.00660429863786140 2.59226613915042e-17
0.00545935872767882 0.0158555590772900 0.0259149317789356 0.0539705429427665
0.0274638837944683 0.0396824751316909 0.0515366420307852 -1.69882543394536e-17 -
0.0518061603839442 0.0630822266103533 0.0789863924391918 -0.129436618532912 -
0.0727737241164318 0.0802239440668510 0.102238979539996 0 0.115592953131269
0.0849154100824424 0.0865171781113664 0.165957508457766 0.115592953131269 0
0.0849154100824424 0.0802239440668510 -0.102238979539996 -0.129436618532912 -
0.0727737241164318 0.0630822266103533 0.0789863924391918 -1.69882543394536e-17
0.0518061603839442 0.0396824751316909 0.0515366420307852 0.0539705429427665
0.0274638837944683 0.0158555590772900 0.0259149317789356 2.59226613915042e-17 -
0.00545935872767882 -0.00326908230467021 - 0.00660429863786140 -3.68028395952896e-18
0.0100466482050140 -0.0147706516402847 - 0.00456127170480621 2.19485246530822e-17 -
0.0175086826472861 -0.0184727051549134 - 0.00840676233199911 -0.0118079908639776 -
0.0179813380711288 -0.0164153512660722 - 0.00747558794782582 -4.78958446784645e-18
0.0141718532524256 -0.0116224188348686 - 0.00466409138701450 0.00460739989671091
0.00907955815917894 -0.00677459536501380 - 0.00206623176481101 2.32782488506400e-18 -
0.00484839368005423 -0.00335465316441719 - 0.000476421844468007 -5.41010426869960e-19
0.000371244040285783

ALEDROZA – CHELA 2020 UNAD

 16000 a 20000 Hz
8000 a 12000 Hz. -0.000371244040285788 -5.41010426869961e-19
0.000476421844467998 -3.87970814177334e-19
0.000135962062921371 -5.41318240902894e-19 - -0.00206623176481101 0.00460739989671089
0.000174481714897857 0.00140198675075756 -0.00466409138701451 2.98072385302403e-17
0.00206740737086389 -0.00230501066463107 - 0.00747558794782580 -0.0118079908639776
0.00637489232520866 7.98718259396769e-18 0.00840676233199913 -3.13550352186888e-17 -
0.0102176531891503 0.00590735457731037 - 0.00456127170480623 -3.68028395952897e-18
0.00841154545500157 -0.00890259866643510 0.00660429863786136 -2.59226613915042e-17 -
0.00167049122203530 -3.68237789892765e-18 - 0.0259149317789356 0.0539705429427665 -
0.00241871644932316 0.0187350318566239 0.0515366420307854 5.09647630183610e-17
0.0259296763739894 -0.0270006250483734 - 0.0789863924391917 -0.129436618532913
0.0704404173262520 2.83298666664898e-17 0.102238979539996 0 -0.115592953131269
0.107958808088199 0.0647551314842741 - 0.165957508457766 -0.115592953131269 0
0.102297149569726 -0.135339272998054 0.102238979539996 -0.129436618532913
0.0423340300757474 0.166051931868918 0.0789863924391917 5.09647630183610e-17 -
0.0423340300757474 -0.135339272998054 - 0.0515366420307854 0.0539705429427665 -
0.102297149569726 0.0647551314842741 0.0259149317789356 -2.59226613915042e-17
0.107958808088199 2.83298666664898e-17 - 0.00660429863786136 -3.68028395952897e-18 -
0.0704404173262520 -0.0270006250483734 0.00456127170480623 -3.13550352186888e-17
0.0259296763739894 0.0187350318566239 - 0.00840676233199913 -0.0118079908639776
0.00241871644932316 -3.68237789892765e-18 0.00747558794782580 2.98072385302403e-17 -
0.00167049122203530 -0.00890259866643510 - 0.00466409138701451 0.00460739989671089 -
0.00841154545500157 0.00590735457731037 0.00206623176481101 -3.87970814177334e-19
0.0102176531891503 7.98718259396769e-18 - 0.000476421844467998 -5.41010426869961e-19
0.00637489232520866 -0.00230501066463107 -0.000371244040285788
0.00206740737086389 0.00140198675075756 -
0.000174481714897857 -5.41318240902894e-19
0.000135962062921371
IV. CONCLUSIONS
Para el procesamiento de señales digitales, los filtros y su buen
12000 a 16000 Hz desarrollo y selección, permiten un excelente desempeño en el
tratamiento de señales digitales, permitiendo lograr efectos
-0.000135962062921362 -5.41318240902894e-19
específicos de alta calidad, además del manejo de señales
0.000174481714897863 0.00140198675075755
-0.00206740737086390 -0.00230501066463105 análogas en el mundo digital eliminando cualquier tipo de
0.00637489232520867 -1.11820556315548e-17 - señales parasitas que puedan distorsionar la señal original y
0.0102176531891503 0.00590735457731040 limitar su conversión y tratamiento digital.
0.00841154545500156 -0.00890259866643507 -
0.00167049122203526 -3.68237789892765e-18 Tantos los filtros FIR como los IIR, cumplen ciertas
0.00241871644932318 0.0187350318566239 - características, y condiciones que, según la caracteriscas de las
0.0259296763739895 -0.0270006250483733 señales a tratar, así mismos estos deben ser elegidos.
0.0704404173262520 -3.96618133330856e-17 -
0.107958808088199 0.0647551314842742 En la actualidad no hay un filtro especifico para todas las
0.102297149569726 -0.135339272998054 - señales digitales y su tratamiento, sino diferentes tipos que sea
0.0423340300757474 0.166051931868918 - adaptan de mejor manera a lograr las condiciones deseadas, de
0.0423340300757474 -0.135339272998054 forma rápida y sencilla.
0.102297149569726 0.0647551314842742 -
0.107958808088199 -3.96618133330856e-17 El modulo DSP, de simulink de Matlab, permite diseñar filtros
0.0704404173262520 -0.0270006250483733 - digitales de la manera más sencilla y práctica, permitiendo
0.0259296763739895 0.0187350318566239 realizar tratamientos digitales de forma rápida y sencilla con los
0.00241871644932318 -3.68237789892765e-18 - resultados esperados.
0.00167049122203526 -0.00890259866643507
0.00841154545500156 0.00590735457731040 - V. REFERENCIAS
0.0102176531891503 -1.11820556315548e-17
0.00637489232520867 -0.00230501066463105 -
0.00206740737086390 0.00140198675075755 [1] N. Instruments, «Comprender FFTs y Funciones
0.000174481714897863 -5.41318240902894e-19 Ventana,» [En línea]. Available:
-0.000135962062921362 https://www.ni.com/es-co/innovations/white-

ALEDROZA – CHELA 2020 UNAD

 papers/06/understanding-ffts-and-windowing.html.
[Último acceso: 24 04 2020].
[2] F. Gonzales, «Ventana de Hamming,» scrib, 10 09
2017. [En línea]. Available:
https://es.scribd.com/document/358481883/Ventanas
-de-Hamming. [Último acceso: 24 04 2020].
[3] J. P. Caceres, «An´alisis Espectral 1: Transformada
Corta de,» Standford University, 08 2007. [En línea].
Available:
https://ccrma.stanford.edu/workshops/cm2007/topics
/clases/PDFs/07espectral1_handout.pdf. [Último
acceso: 24 04 2020].
[4] A. Ambardar, Procesamiento de señales analogicas y
digitales, 2da, Mexico: Bookscole, 1999.
[5] U. P. d. V.-. UPV, «FIltros Fir UPV,» Youtube, 11
12 2015. [En línea]. Available:
https://www.youtube.com/watch?v=ENIFBriOrHI.
[Último acceso: 22 04 2020].
[6] U. P. d. V. -. UPV, «Ventajas e inconvenientes de los
filtros FIR | 22/84 | UPV,» youtube, 11 12 2015. [En
ALEDROZA – CHELA 2020 UNAD
línea]. Available:
https://www.youtube.com/watch?v=TujgKMko_rg.
[Último acceso: 24 04 2020].
[7] U. P. d. V. -. UPV, «Diseño de filtros FIR por
enventanado | 23/84 | UPV,» youtube, 11 12 2015.
[En línea]. Available:
https://www.youtube.com/watch?v=cv8q5Hj1W3E.
[Último acceso: 24 04 2020].
[8] U. P. d. V. -. UPV, «Funciones MATLAB de diseño
FIR por enventado (i) | 24/84 | UPV,» youtube, 11 12
2015. [En línea]. Available:
https://www.youtube.com/watch?v=Xyvtwh0nJOo.
[Último acceso: 24 04 2020].
[9] U. P. d. V. -. UPV, «Diseño de filtros FIR por
enventanado | 25/84 | UPV,» youtube, 11 12 2015.
[En línea]. Available:
https://www.youtube.com/watch?v=cv8q5Hj1W3E.
[Último acceso: 24 04 2020].