326880093-Senales-y-Filtros-Con-Matlab.ppt

Práctica 1. Generación de ondas
Generar una señal que consiste en la suma de 2 senoidales, una
senoidal de 50 Hz y la otra de 120 Hz; después añadir señal de
ruido.
g_ruido = g + 0.25*randn(1,size(t)); % sumar vector aleatorio

Práctica 2. Generación de señales periódicas:
diente de sierra y cuadrada

4. Análisis del dominio de la frecuencia
Aunque en esta unidad tratamos el procesamiento tanto analógico
como digital de señales, nos centramos principalmente en el
procesamiento digital de señales.
Una señal analógica es una función continua (usualmente del tiempo
f(t) ) que representa información, tal como una señal de voz, de
presión arterial o sísmica.
A fin de procesar esta información con la computadora, la señal
analógica puede muestrearse cada T segundos, generando así una
señal digital que es una sucesión de valores tomados de la señal
analógica original .
Representamos una señal digital que ha sido muestreada de una señal
continua x(t) usando la siguiente notación:
)
(kT
x
xk 

La señal digital es la sucesión de muestras xk
Por lo regular, se toma como tiempo cero el instante en que se
comienza a obtener la señal digital; así , la primera muestra de una
señal digital usualmente se designa como x0
Por tanto, si una señal digital se muestrea a 10 Hz (10 ciclos por
segundo, o lo que es equivalente 10 veces por segundo), los primeros
tres valores de la señal digital corresponden a los siguientes valores
de la señal analógica:
)
2
.
0
(
)
2
(
)
1
.
0
(
)
1
(
)
0
.
0
(
)
0
(
2
1
0
x
T
x
x
x
T
x
x
x
T
x
x







Es común analizar una señal en dos dominios en el dominio del
tiempo y e dominio de la frecuencia.
La señal en el dominio del tiempo se representa con los valores de
datos xk; la señal en el dominio de la frecuencia se puede
representar con un conjunto de valores complejos Xk, que
representan los senoides con los cuales se puede representar la
señal.
Un senoide es una función coseno con una amplitud A, una
frecuencia  y un defasamiento 
)
cos(
)
cos(
)
(








kT
A
x
t
A
t
x
k

Observe que una función seno o coseno es una función de un
ángulo( en radianes), pero un senoide es una función del tiempo.
Puesto que la frecuencia angular  tiene unidades de radianes
por segundo, también podemos escribir el senoide usando una
frecuencia angular f, que tiene unidades de ciclos por segundo, o
hertz(Hz), en esta forma:
)
2
cos(
)
2
cos(
)
(








fkT
A
x
ft
A
t
x
k

Algunos tipos de información se pueden percibir mas claramente
de la representación de la señal en el dominio del tiempo. Por
ejemplo si examinamos una curva en el dominio del tiempo por lo
regular podemos determinar si la señal es periódica o aleatoria.
Además a partir de los valores en el dominio del tiempo podemos
calcular fácilmente valores adicionales como media, desviación
estándar, varianza, etc.
Otros tipos de información, como el contenido de frecuencias de la
señal, normalmente no son evidentes en el dominio del tiempo. Por
ejemplo, podríamos necesitar calcular el contenido de frecuencias
de la señal para determinar si esta limitada a una banda o si
contiene ciertas frecuencias.
El contenido de frecuencias de una señal también se denomina
espectro de frecuencia.

Se usa el algoritmo de transformada discreta de Fourier (DFT)
para convertir una señal digital en el dominio del tiempo en un
conjunto de puntos en el dominio de la frecuencia. La entrada del
algoritmo DFT es un conjunto de N valores de tiempo xk; con ellos ,
el algoritmo calcula un conjunto de N valores complejos Xk que
representan la información en el dominio de la frecuencia, o
descomposición sinusoidal de la señal de tiempo.
El algoritmo DFT es en general intensivo en computo y puede
requerir un tiempo de computadora razonable si N es grande. No
obstante si el numero de puntos es una potencia de dos(N=2M), se
puede utilizar un algoritmo especial llamado transformada rápida
de Fourier (FFT) que reduce significativamente el numero de
cálculos necesarios para convertir la señal de tiempo al dominio de
la frecuencia.

Frecuencia de muestreo. Puesto que la señal se muestrea cada T
segundos, así la tasa de muestreo o frecuencia de muestreo es 1/T Hz.
Se debe tener mucho cuidado al escoger la frecuencia de muestreo para
generar una señal digital, a fin de evitar un tipo de interferencia
llamado aliasing que se presenta cuando la tasa de muestreo es
demasiado lenta.
Puede demostrarse que se evita el aliasing si se muestrea una señal con
una frecuencia mayor que dos veces la frecuencia de cualquier
senoide de la señal .
Si estamos muestreando una señal compuesta por la suma de dos
senoides, una con una frecuencia de 10 Hz y otra de 35 Hz, la
frecuencia de muestreo de la señal debe ser mayor que 70 Hz para
evitar el aliasing.

• Frecuencia de Nyquist es igual a la mitad de la frecuencia de
muestreo y representa el limite superior de las frecuencias que
pueden estar contenidas en la señal digital.
• La frecuencia máxima de la que se puede tomar muestras,se llama
la frecuencia Nyquist,y es igual a la mitad del ritmo de muestreo.
• En todos los sistemas de procesamiento de señales, el ritmo de
muestreo es lo suficientemente superior a la frecuencia Nyquist
para evitar la aparación de aliases.

• La razón de muestreo debe ser igual, o mayor, al doble de su
ancho de banda de la señal analógica".
La teoría del muestreo define que para una señal de ancho de
banda limitado, la frecuencia de muestreo, fm, debe ser mayor que
dos veces su ancho de banda [B] medida en Hertz [Hz].
• fm > 2·B

• Supongamos que la señal a ser digitalizada es la voz...el ancho de
banda de la voz es de 4,000 Hz aproximandamente. Entonces, su
razón de muestreo sera 2*B= 2*(4,000 Hz), es igual a 8000 Hz,
equivalente a 8,000 muestras por segundo (1/8000).
• Entonces la razón de muestreo de la voz debe ser de al
menos 8000 Hz, para que puede regenerarse sin error.
• La frecuencia 2*B es llamada la razón de muestreo de Nyquist. La
mitad de su valor, es llamada frecuencia de Nyquist.

• Ejemplos prácticos:
• El en área de la MÚSICA, a veces es necesario convertir material
analógico [en acetato, cassetes, cintas magneticas, etc] a formato
digital [en CD, DVD]. Los ingenieros de sonido pueden definir el
rango de frecuencia de interés.
Como resultado, los filtros analógicos son algunas veces usados
para remover los componentes de frecuencias fuera del rango de
interes antes de que la señal sea muestreada.

• Por ejemplo, el oído humano puede detectar sonidos en el rango de
frecuencias de 20 Hz a 20 KHz.
• De acuerdo al teorema de muestreo, uno puede muestrear la señal
al menos a 40 KHz para reconstruir la señal de sonido aceptable al
oído humano.
• Los componentes más arriba de 40 KHz no podrán ser detectados y
podrían contaminar la señal.
• Estos componentes arriba de los 40 KHz son removidos a través
de filtros pasa banda o filtros pasa bajas.

• La razón de muestreo elegida determina el ancho de banda del
audio. Considerando que el rango del oído es de 20 Hz a 20 kHz,
una razón de muestreo de 44.1 kHz teóricamente deberá satisfacer
las necesidades de audio.

Los valores del dominio de frecuencia calculados por la función fft
corresponden a frecuencias separadas por 1/NT Hz, donde la salida
en Hertz es k/NT
fft(x) Calcula el contenido de frecuencias de la señal x y devuelve
los valores en un vector del mismo tamaño que x.
fft(x,N) Calcula el contenido de frecuencias de la señal x y
devuelve los valores en un vector con N valores.
El algoritmo fft es una herramienta de análisis muy potente para
trabajar con señales digitales. Nuestra explicación se ha
concentrado en la magnitud de Xk pero también se tiene
información muy importante de la fase Fk

Generar una senoide de 20 Hz muestreada a 128 Hz, con un total de
muestras de N=64, calcular el contenido de frecuencias de la señal
digital.
Práctica 3. Contenido de frecuencias de una señal

326880093-Senales-y-Filtros-Con-Matlab.ppt

Suponer que la frecuencia del senoide es de 19 Hz.
Este es un ejemplo de fugas, que ocurre cuando un componente
no cae exactamente en uno de los puntos de la salida de FFT.
ifft(X) Calcula la señal de tiempo x a partir de sus valores de
frecuencia X y devuelve los valores en un vector del mismo tamaño
que X.
Ifft(X,N) Calcula la señal de tiempo x a partir de sus valores de
frecuencia X y devuelve los valores en un vector con N valores.

Práctica 4. Contenido de frecuencias de
diversas señales.
Genere y grafique 128 puntos de las siguientes señales, usando
una taza de muestreo de 1 Khz. Luego usando el algoritmo FFT,
genere y grafique los primeros 64 puntos de la salida de la FFT.
Use una escala en Hertz.
)
4
/
250
(
4
)
1000
cos(
5
)
200
(
)
250
cos(
)
50
2
(
2












kT
sen
m
kT
h
kT
sen
kT
g
kT
sen
f
k
k
k
k

5. Análisis de filtros
La función de transferencia de un sistema analógico puede
representarse con una función compleja H(s), y la de un sistema
digital se representa mediante una función compleja H(z). Estas
funciones de transferencia describen el efecto del sistema sobre
una señal de entrada y también el efecto de filtración del sistema.
Tanto H(s) como H(z) son funciones continuas de la frecuencia,
donde s=j y z=ej. (recuerde que  representa la frecuencia en
radianes por segundo). Así, para una frecuencia dada 0, suponga
que la magnitud de la función de transferencia es B y su fase es .
Entonces , si la entrada del filtro contiene un senoide con
frecuencia 0, la magnitud del senoide se multiplicara por B, y la
fase se incrementara en . Los efectos de estos cambios se
muestran en la figura siguiente, tanto para filtros analógicos como
digitales.

Filtro
analógico
Filtro
digital
)
( 0 
 
t
Asen )
(
. 0 

 

t
Bsen
A
)
( 0 
 
KT
Asen )
(
. 0 

 

kT
Bsen
A
Efecto de los filtros sobre los senoides

Aunque la función de transferencia de un filtro define el
efecto del filtro en términos de frecuencias, en muchos casos puede
describirse en términos de la banda de frecuencias que deja pasar.
Por ejemplo, un filtro pasabajas deja pasar frecuencias por debajo
de una frecuencia de corte y elimina las mayores que la frecuencia
de corte. Un filtro pasaaltas deja pasar las frecuencias mayores que
una frecuencia de corte y elimina las menores. Un filtro pasabanda
deja pasar las frecuencias dentro de una banda especificada y
elimina las demás. Un filtro rechazo de banda elimina las
frecuencias dentro de una banda especificada y deja pasar todas las
demás.

La siguiente figura muestra un ejemplo de la magnitud de un filtro
pasabajas representativo que ilustra las características de la mayor
parte de los filtros de este tipo. En vez de que cada frecuencia pase o
sea rechazada, hay tres regiones: una banda de paso, una banda de
transición y una banda de detención. Estas regiones están
definidas por una frecuencia de corte c y una frecuencia de rechazo
r.

Puesto que una función de transferencia es compleja, el análisis del
filtro correspondiente suele incluir curvas de la magnitud y fase de
la función de transferencia.
En Matlab las funciones abs, angle y unwrap se utilizan para
determinar la magnitud y fase de las funciones complejas H(s) y
H(z).
Si no se indica otra cosa, supondremos que la frecuencia que
corresponde a una magnitud de 0.7 es la de corte, y la que
corresponde a una magnitud de 0.1 es la de rechazo.

Funciones de transferencia analógicas
n
n
n
n
n
n
n
n
a
s
a
s
a
s
a
b
s
b
s
b
s
b
s
A
s
B
s
H









 



...
...
)
(
)
(
)
( 2
2
1
1
0
2
2
1
1
0
Donde s=j
Ejemplos de funciones de transferencia analógicas
2359
.
2
3511
.
2
2359
.
2
)
(
447
.
0
05
.
1
05
.
1
)
(
0062
.
0
1117
.
0
)
(
5279
.
0
0275
.
1
5279
.
0
)
(
2
2
4
2
3
2
2
2
2
1













s
s
s
s
H
s
s
s
s
H
s
s
s
s
H
s
s
s
H

Para calcular los valores de H(s) utilizamos la función del
Matlab:
freqs(B,A,w) Calcula los valores de la función de
transferencia H(s), donde B es el vector de coeficientes de B(s)
y A es el vector de coeficientes de A(s). El vector w contiene
los valores de frecuencia en radianes por segundo para los que
queremos evaluar H(s).
Nota: Pueden ser necesarios varios ensayos para encontrar una
gama de valores apropiada para el vector de frecuencias
En general, queremos que la gama de frecuencias comience en
0 e incluya toda la información critica del filtro. Por tanto nos
interesará determinar el tipo de filtro (pasabajas, pasaaltas,
pasabanda y rechazo de banda), y las frecuencias criticas( de
corte y de rechazo).

Practica 5. Análisis de filtros analógicos.
Realizar el análisis de los 4 filtros analógicos anteriores.

Funciones de transferencia digitales
Un filtro digital esta definido por una función de transferencia
H(z), donde z=jT La variable z puede escribirse como función
de la frecuencia () o de la frecuencia normalizada (T). En el
primer caso, (Hz) también es una función de la frecuencia.
Puesto que H(z) se aplica a las señales de entrada con un tiempo
de muestreo de T, la gama de frecuencias apropiadas es de 1/2T
Hz. Si suponemos que z se usa como función de la frecuencia
normalizada, entonces H(z) tiene un intervalo de frecuencias
correspondiente de 0 a . Se puede escribir una forma general de
la función de transferencia H(z) en la siguiente forma:
n
n
n
n
z
a
z
a
z
a
a
z
b
z
b
z
b
b
z
A
z
B
z
H 















...
...
)
(
)
(
)
( 2
2
1
1
0
2
2
1
1
0

Esta función de transferencia corresponde a un filtro digital de
orden n. Enseguida de muestran algunos ejemplos de funciones
de transferencia.
2
1
2
1
1
2
1
2
1
2
1
2
1
2
2
1
2
1
1
1584
.
0
4425
.
0
1
5792
.
0
44425
.
0
5792
.
0
)
(
159
.
0
0443
.
0
1
42
.
0
42
.
0
)
(
799
.
0
778
.
1
1
894
.
0
789
.
1
894
.
0
)
(
1958
.
0
3695
.
0
1
2066
.
0
413
.
0
2066
.
0
)
(


































z
z
z
z
z
H
z
z
z
z
H
z
z
z
z
z
H
z
z
z
z
z
H

Una función de transferencia también puede incluir términos en el
numerador con potencias positivas de z.
Si el denominador de la función de transferencia es igual a 1 el filtro es
del tipo FIIR(Respuesta de impulso finito); si el denominador no es
igual a una constante, el filtro es del tipo IIR (Respuesta de impulso
infinito). Ambos tipos se usan comúnmente en el procesamiento digital
de señales.

Para calcular los valores de H(z) utilizamos la función del Matlab:
[H,wT]=freqz(B,A,n) Calcula los valores de la función de
transferencia H(z), donde B es el vector de coeficientes de B(z) y A
es el vector de coeficientes de A(z). El entero n especifica el
numero de puntos para los que queremos evaluar H(z). Los n
valores de H(z) se evalúan en puntos equiespaciados de frecuencia
normalizada en el intervalo [0,]
Los vectores de coeficientes provienen directamente de la función
de transferencia. El numero de puntos empleados para calcular la
función de transferencia determina la definición. La definición
debe ser lo bastante fina como para determinar el tipo de filtro
(pasabajas, pasaaltas, pasabanda y rechazo de banda) y las
frecuencias criticas (de corte y de rechazo).

Practica 3. Análisis de filtros digitales.
Realizar el análisis de los 4 filtros digitales anteriores.

Diseño de filtros digitales en Matlab
Prototipos analógicos
Diseño directo

Diseño de filtros IIR (Usando prototipos analógicos)
Matlab contiene funciones para diseñar cuatro tipos de filtros
digitales basados en diseños de filtros analógicos.
Los filtros Butterworth tienen las bandas de paso y de detención
mas planas de todos.
Los filtros Chebyshev Tipo I tienen rizo en la banda de paso.
Los filtros Chebyshev Tipo II tienen rizo en la banda de
detención.
Ambos filtros Chebyshev tienen una transición mas abrupta que
un filtro Butterworth.
Los filtros elípticos tienen rizo en las bandas tanto de paso como
de detención, además tienen la transición mas abrupta (banda de
transición mas angosta)

La siguiente figura ilustra las definiciones de rizo de banda de
paso (Rp) y de rizo de banda de detención (Rs). Los valores de
Rp y Rs se especifican en decibeles (donde x en decibeles es igual
a -20log10 x). Las funciones Matlab para diseñar estos filtros usan
una frecuencia normalizada (Frecuencia de Nyquist que es igual a
la mitad de la frecuencia de muestreo).
Las funciones de diseño de filtros calculan los vectores B y A que
determinan la función de transferencia H(z)=B(z)/A(z)

Filtros Butterworth
Enseguida se muestran las variaciones de la función butter para calcular
los coeficientes de un filtro de orden N H(z)=B(z)/A(z)
[B,A]=butter(N,wn) Calcula los coeficientes de un filtro
Butterworth pasabajas. wn es la frecuencia de corte en frecuencia
normalizada.
[B,A]=butter(N,wn,’high’) Calcula los coeficientes de un filtro
Butterworth pasaaltas. wn es la frecuencia de corte en frecuencia
normalizada.
[B,A]=butter(N,wn) Calcula los coeficientes de un filtro
Butterworth pasabanda. wn es un vector que contiene las dos
frecuencias de corte normalizadas de la banda de paso en orden ascendente
[B,A]=butter(N,wn,`stop’) Calcula los coeficientes de un filtro
Butterworth rechaza banda. wn es un vector que contiene las dos
frecuencias de corte normalizadas de la banda de detención en orden
ascendente.

Filtros Chebyshev Tipo I
Enseguida se muestran las variaciones de la funcion cheby1 para calcular los
coeficientes de un filtro de orden N H(z)=B(z)/A(z)
[B,A]=cheby1(N,Rp,wn) Calcula los coeficientes de un filtro
Chebyshev Tipo I pasabajas. Rp representa el rizo de la banda de paso y
wn es la frecuencia de corte en frecuencia normalizada.
[B,A]=cheby1(N,Rp,wn,’high’) Calcula los coeficientes de un filtro
Chebyshev Tipo I pasaaltas. Rp representa el rizo de la banda de paso y wn
es la frecuencia de corte en frecuencia normalizada.
[B,A]=cheby1(N,Rp,wn) Calcula los coeficientes de un filtro
Chebyshev Tipo I pasabanda. Rp representa el rizo de la banda de paso y
wn es un vector que contiene las dos frecuencias de corte normalizadas de la
banda de paso en orden ascendente.
[B,A]=cheby1(N,Rp,wn,’stop’) Calcula los coeficientes de un filtro
Chebyshev Tipo I rechaza banda. Rp representa el rizo de la banda de paso
y wn es un vector que contiene las dos frecuencias de corte normalizadas de
la banda de detención en orden ascendente.

Filtros Chebyshev Tipo II
Enseguida se muestran las variaciones de la función cheby2 para calcular los
[B,A]=cheby2(N,Rs,wn) Calcula los coeficientes de un filtro
Chebyshev Tipo II pasabajas. Rs representa el rizo de la banda de paro y
wn es la frecuencia de corte en frecuencia normalizada.
[B,A]=cheby2(N,Rs,wn,’high’) Calcula los coeficientes de un filtro
Chebyshev Tipo II pasaaltas. Rs representa el rizo de la banda de paro y wn
es la frecuencia de corte en frecuencia normalizada.
[B,A]=cheby2(N,Rs,wn) Calcula los coeficientes de un filtro
Chebyshev Tipo II pasabanda. Rs representa el rizo de la banda de paro y
wn es un vector que contiene las dos frecuencias de corte normalizadas de la
banda de paso en orden ascendente.
[B,A]=cheby2(N,Rs,wn,’stop’) Calcula los coeficientes de un filtro
Chebyshev Tipo II rechaza banda. Rs representa el rizo de la banda de
paro y wn es un vector que contiene las dos frecuencias de corte normalizadas
de la banda de detención en orden ascendente.

Filtros Elipticos.
Enseguida se muestran las variaciones de la función ellip para calcular los
[B,A]=ellip(N,Rp,Rs,wn) Calcula los coeficientes de un filtro
elíptico pasabajas. Rp representa el rizo de la banda de paso, Rs representa el rizo
de la banda de paro y wn es la frecuencia de corte en frecuencia normalizada.
[B,A]=ellip(N,Rp,Rs,wn,’high’) Calcula los coeficientes de un filtro
elíptico pasaaltas. Rp representa el rizo de la banda de paso, Rs representa el rizo
de la banda de paro y wn es la frecuencia de corte en frecuencia normalizada.
[B,A]=ellip(N,Rp,Rs,wn) Calcula los coeficientes de un filtro
elíptico pasabandas. Rp representa el rizo de la banda de paso, Rs representa el
rizo de la banda de paro y wn es un vector que contiene las dos frecuencias de
corte normalizadas de la banda de paso en orden ascendente.
[B,A]=ellip(N,Rp,Rs,wn,’stop’) Calcula los coeficientes de un filtro
elíptico rechaza banda. Rp representa el rizo de la banda de paso, Rs representa el
rizo de la banda de paro y wn es un vector que contiene las dos frecuencias de
corte normalizadas de la banda de detención en orden ascendente.

Practica 7. Diseño de filtros digitales.
1)Diseñar un filtro Chebyshev II pasaaltas de orden 6, con un
limite de rizo de la banda de paro de 0.1. El filtro se usara con
una señal muestreada a 1 Khz, el corte será de 300 Hz. Graficar
la magnitud del filtro

2)Diseñar un filtro IIR Butterworth pasabajas con corte de 75
Hertz cuando se usa con una tasa de muestreo de 500 Hz. Usar un
filtro de orden 5.

3)Diseñar un filtro IIR Chebyshev tipo I pasaaltas con corte de 100
Hertz cuando se usa con una tasa de muestreo de 1 KHz. Con un
limite de rizo de la banda de paso de 0.2 Usar un filtro de orden 6.
4) Realizar un filtro Butterworth pasaaltas con los mismos datos
que el diseño anterior

5)Diseñar un filtro IIR Butterworth pasabanda con una banda de
paso de 100 a 200 Hertz cuando se usa con una tasa de muestreo de
1 KHz. Usar un filtro de orden 6.
6)Diseñar un filtro IIR Butterworth rechazabanda con una banda de
rechazo de 300 a 400 Hertz cuando se usa con una tasa de muestreo
de 1 KHz. Usar un filtro de orden 6.

Diseño directo de filtros IIR
Matlab contiene una función para realizar diseños de filtros
Yule-Walker. Podemos usar esta técnica para diseñar una
respuesta de frecuencia de forma arbitraria, posiblemente
multibanda.
[B,A]=yulewalk(N,f,m) Calcula los coeficientes de
un filtro IIR de orden N usando vectores f y m que especifican
las características de frecuencia y magnitud del filtro en el
intervalo de frecuencias de 0 a 1ya que la frecuencia es
normalizada.
Las frecuencias de f deben comenzar con 0, terminar con 1 y ser
crecientes. Las magnitudes de m deben corresponder a las
frecuencias de f y representar la magnitud deseada para cada
frecuencia .

Practica 8. Diseño directo de filtros IIR
1)Diseñar un filtro multibanda con dos bandas de paso, una esta
entre 100 y 150 Hz y la otra entre 300 y 400 Hz, cuando se usa
con una tasa de muestreo de 1 KHz. Usar un filtro de orden 12.
2)Diseñar un filtro pasabajas con una frecuencia de corte de
300Hz, cuando se usa con una tasa de muestreo de 1 KHz. Usar un
filtro de orden 12.
3)Diseñar un filtro pasaaltas con una frecuencia de corte 350 Hz,
cuando se usa con una tasa de muestreo de 1 KHz. Usar un filtro
de orden 12.
4)Diseñar un filtro rechazabanda con una banda de paro que esta
entre 100 y 150 Hz, cuando se usa con una tasa de muestreo de 1
KHz. Usar un filtro de orden 12.

Diseño directo de filtros FIR
Los filtros FIR se diseñan usando el algoritmo para diseñar filtros
Parks-McClellan, que usa un algoritmo de intercambio de Remez.
Recuerde que los filtros FIR solo requieren un vector B ya que el
polinomio del denominador de H(z) es igual a 1.
La función de Matlab para calcular este tipo de filtros es:
B=remez(N,f,m) Calcula los coeficientes de un filtro FIR
de orden N usando vectores f y m que especifican las características
de frecuencia y magnitud del filtro. La frecuencia se especifica en
frecuencia normalizada.
El numero de puntos de f y m debe ser par, y generalmente el orden
del filtro es alto.

Practica 9. Diseño directo de filtros FIR
1)Diseñar un filtro FIR multibanda con 2 bandas de paso, la
primera entre 100 y 150 Hz, la segunda entre 300 y 350 Hz,
cuando se usa con una tasa de muestreo de 1 Khz. Usar un filtro de
orden 50
2)Diseñar un filtro FIR pasabajas con corte de 75 Hz cuando se
usa con una tasa de muestreo de 500 Hz. Usar un filtro de orden
40
3)Diseñar un filtro FIR pasaaltas con corte de 150 Hz cuando se
usa con una tasa de muestreo de 500 Hz. Usar un filtro de orden
50
4)Diseñar un filtro FIR rechazabanda con una banda de paro entre
300 y 400 Hz cuando se usa con una tasa de muestreo de 1 Khz.
Usar un filtro de orden 30

Implementación de filtros digitales en Matlab
Los filtros analógicos se implementan en hardware usando
componentes como resistores y condensadores. Los filtros
digitales se implementan en software, la entrada al filtro es una
señal digital y la salida es otra señal digital.
Filtro
Digital
xn yn

La forma mas sencilla de aplicar un filtro digital a una señal
de entrada en Matlab es con la función filter. La cual se
aplica solo a filtros IIR
filter(B,A,x) Aplica el filtro digital H(z) a la señal
de entrada x . Los vectores A y B son los coeficientes de la
función de transferencia H(z).

Práctica 10. Implementación de filtros digitales en
Matlab

Implementación de filtros digitales en Labview
1)Generación de señales en Labview.
-Para generar señales en Labview utilizaremos el generador de
señales siguiente:
Para generar una señal de ruido utilizamos el generador de ruido
blanco siguiente:

Para graficar la señales utilizamos la siguiente grafica:

Practica 11. Generación de señal muestreada y
señal de ruido en Labview.

Practica 12. Implementación de filtros en
Labview diseñados en Matlab.
Para implementar los filtros diseñados en Matlab, se emplea el
Matlab Script Node, en el cual podemos importar el archivo m del
filtro, o teclear directamente los comandos necesarios.

Practica 13. Diseño de filtros IIR en Labview
Utilizar el bloque de diseño de filtros IIR en Labview; el VI tendrá
información de la señal muestreada, señal mas ruido y señal filtrada,
además deberá mostrar la información relevante del filtro(Magnitud y
fase).

Proyecto. Filtrado digital de una señal de audio
Archivo de audio
Archivo de audio
+ Ruido
Filtro digital
Archivo de audio
Filtrado

326880093-Senales-y-Filtros-Con-Matlab.ppt

Más contenido relacionado

Similar a 326880093-Senales-y-Filtros-Con-Matlab.ppt (20)

Más de LuisArbeyCorredor (20)

Último (20)

326880093-Senales-y-Filtros-Con-Matlab.ppt