Documente Academic
Documente Profesional
Documente Cultură
“MODELACIÓN MATEMÁTICA Y
SIMULACIÓN DE UN FILTRO DIGITAL
HIBRIDO FIR ADAPTATIVO LINEAL ÓPTIMO”
AUTORES:
DIRECTOR:
Cuenca – Ecuador
2010
“MODELACIÓN MATEMÁTICA Y
SIMULACIÓN DE UN FILTRO DIGITAL
HIBRIDO FIR ADAPTATIVO LINEAL ÓPTIMO”
Declaratoria de Responsabilidad
__________________ __________________
________________________
Ing. Walter Orozco
DIRECTOR DEL PROYECTO
Dedicatoria
Hugo
Esteban
A mis abuelos y padres que con su
sabiduría han sabido apoyarme para no
desfallecer en el camino.
A mis amigos, aquellos que me han
impulsado para mejorar.
A profesores y guías que han aclarado
nuestro camino
.
Agradecimiento
LOS AUTORES
UPS Índice General
Índice General
Índice de Figuras……………….………………………………………………… I
Índice de Tablas…….…………….………………………………………………. IV
Introducción............................................................................................................ V
Conclusiones y Recomendaciones……………...……………………………...… VI
Bibliografía……………………..……………..……………………………….…XIII
Glosario....................................................................................................................XV
Anexos…………………………………..………………….…………………...XVIII
UPS Índice de Figuras
Índice de Figuras
I
UPS Índice de Figuras
Fig. 2. 17. Posiciones de los polos para un Filtro FIR paso bajo. ............................. 56
Fig. 3. 1. Características de magnitud de los filtros físicamente realizables…..….. 64
Fig. 3. 2. Simetría en las localizaciones de los ceros para un Filtro FIR de fase lineal
.................................................................................................................................... 65
Fig. 3. 3. Características deseadas de respuesta en frecuencia para diferentes tipos de
Filtros ......................................................................................................................... 72
Fig. 3. 4. Diagrama de Flujo del Algoritmo de Intercambio de Remez ..................... 73
Fig. 3. 5. Método de diseño del filtro inverso de mínimos cuadrados ...................... 77
Fig. 3. 6. Método de mínimos cuadrados para determinar polos y ceros de un filtro
.................................................................................................................................... 78
Fig. 3. 7. Filtro Inverso FIR de Mínimos Cuadrados ................................................ 80
Fig. 3. 8. Predicción lineal hacia adelante ................................................................ 84
Fig. 3. 9. Filtro de error de predicción ...................................................................... 85
Fig. 3. 10. Etapa p del filtro en celosía ..................................................................... 86
Fig. 3. 11. Modelo para el problema de Estimación Lineal ...................................... 90
Fig. 4. 1. Aplicación del filtrado adaptativo a la identificación de un sistema...… 101
Fig. 4. 2. Aplicación del Filtrado Adaptativo a la ecualización de un canal ........... 102
Fig. 4. 3. Diagrama de bloques de un sistema de comunicación digital con
canceladores de eco en los módems ......................................................................... 105
Fig. 4. 4. Interferencia de banda estrecha X(f) en un banda ancha W(f). ................. 106
Fig. 4. 5. Filtro adaptativo para eliminar interferencia de banda estrecha en una señal
de banda ancha ......................................................................................................... 107
Fig. 4. 6. Esquema de un sistema de cancelación de ruido adaptativo. .................. 110
Fig. 4. 7. Diagrama de bloques de la generación de una señal de voz. ................... 111
Fig. 4. 8. Diagrama de bloques de la estimación de los parámetros de los polos ... 112
Fig. 4. 9. Matriz de antenas: (a) Con patrón de antena. (b) Con nulidad en la
dirección de interferencia. ........................................................................................ 114
Fig. 4. 10. Sistema de Control de bucle cerrado que representa a 4.2.22 ............... 121
Fig. 4. 11. Velocidad de convergencia de los algoritmos RLS y LMS para un
ecualizado de canal FIR. .......................................................................................... 128
Fig. 4. 12. Filtros en celosía para el algoritmo de mínimos cuadrados................... 131
Fig. 4. 13. Filtro adaptativo RLS en celosía-escalera ............................................. 133
Fig. 4. 14. Complejidad de Cálculos para los Algoritmos de Filtros Adaptativos . 142
Fig. 5. 1. Sistema Adaptativo o Predictor……………………………………….... 145
Fig. 5. 2. Configuración de un Filtro con arreglo lineal .......................................... 146
Fig. 5. 3. Filtro Adaptativo Transversal ................................................................... 147
Fig. 5. 4. Esquema de la Configuración del Filtro con algoritmo LMS .................. 150
II
UPS Índice de Figuras
III
UPS Índice de Tablas
Índice de Tablas
IV
UPS Introducción
Introducción
Los filtros utilizan varias etapas con la finalidad de mejorar los resultados
obtenidos, así como de dispositivos DSP, aunque su complejidad computacional
aumenta. Sin embargo con los avances de la ciencia en el campo de la informática se
cuenta elementos más veloces y con mayor capacidad de procesamiento, por lo que
estos inconvenientes disminuyen notablemente, incrementando las posibilidades de
obtener mayor nitidez en las transmisiones.
Dependiendo del tipo de respuesta que nos pueda dar un filtro digital existen
los filtros IIR y FIR, cada uno con diferentes características, motivo por el cual se ha
decidido diseñar un nuevo modelo hibrido, que nos brinde nuevas características para
ser utilizadas en aplicaciones conocidas como en nuevas.
V
UPS Capítulo I
CAPÍTULO
I
DIGITALIZACIÓN DE
SEÑALES
1
UPS Capítulo I
CAPÍTULO I
DIGITALIZACIÓN DE SEÑALES
La gran mayoría de señales son de naturaleza analógica, es por esto que
previo al procesamiento de estas señales se debe pasar por un proceso de
digitalización, aunque este proceso es complicado en el presente capítulo ayuda a su
comprensión tanto en los pasos necesarios como sus principales términos.
Comando de
Conversión
Control
S/H Buffer
Mantiene Conversor Al computador o
ó Canal de comunicación
Muestrea A/D
Bus
Preamplificador
Analógico Estado
La conversión de una señal analógica a digital requiere que una vez que
hemos muestreado una señal cuantifiquemos los valores muestreados a un número
finito de niveles, representado cada uno de estos niveles por un cierto número de bits.
Este proceso lo realiza un conversor analógico-digital A/D o ADC, cuyas
características usualmente las encontramos en las especificaciones de los fabricantes
o data sheets.
2
UPS Capítulo I
- Salida
- A2
Vo A1 +
+
Entrada
to
analógica
C
(a)
Seguimiento de muestras
Entrada
Mantenimiento
S
S
H H S H S H H S
H
Salida S/H
(b)
Fig. 1. 2. (a) Circuito Electrónico S/H. (b) Respuesta temporal de un circuito S/H ideal
3
UPS Capítulo I
Niveles de
Niveles de decisión
Cuantificación Ik
x3 x̂3 x4 x̂4 xk xˆk xk 1
Amplitud Instantánea
4
UPS Capítulo I
Salida x̂ Q x
Niveles de
Cuantificación
3 Palabras código en
Complemento a dos
2 011
010
Niveles de 001
decisión
000
2 2 x 111
9 7 5 3 3 5 7 9 Entrada 110
2 2
2 2 2 2 2 2 101
100
2
3
4
Rango R=RFS
(Rango pico a pico)
-FS +FS
Fig. 1. 4. Ejemplo de un Cuantificador con redondeo
5
UPS Capítulo I
1 8
7 111 Conversión
8
A/D
3 6 101 ideal
4 8
5 101
8
Transición
1 4 100
2 8
ideal
Valor
3 011 cuantificado
8 nominal
1 2 010 1
4 8 LSB
2
1 001 1 1 3 1 5 3 7
8 8 4 8 2 8 4 8
0
0 1 1 3 1 5 3 7 FS
8 4 8 2 8 4 8
(a)
111
101
101
100 Error de
ganancia
011
010
001
000
0 FS 0 1 1
Error Offset 3 FS
4 2 4
(b) (c)
111 No-linealidad
Códigos
101
perdidos
101
100
011
010
001
000
0 1 1 3 FS 0 1 1 3 FS
4 2 4 4 2 4
(d) (e)
Fig. 1. 5. Características de los Conversores A/D ideales y prácticos
1
LSB, Bit Menos Significativo o sus siglas en Inglés Least Signnificant Bit
6
UPS Capítulo I
7
UPS Capítulo I
Y la varianza de d (n) :
d2 E d 2 (n) E x(n) x(n 1)
2
d2 E x 2 (n) 2 E x(n) x(n 1) E x(n 1) 2 (1.1.7)
d2 2 x2 1 xx (1)
xx (1) xx (1)
a y d2 x2 1 a 2 (1.1.8)
xx (0) x2
d q ( n) xq (n)
Q
x ( n) d ( n)
PR
xˆ (n) PR
xq (n)
Codificador Decodificador
8
UPS Capítulo I
d ( n) .
1 xq (n)
x ( n) d ( n) d q ( n)
1
xˆ (n)
xq (n) Z 1
xˆ (n) a
Z 1
a
Codificador Decodificador
Fig. 1. 7. Sistema de Modulación delta
dirección de la diferencia.
T
T
1
1
x(t ) d (t ) 1
Reloj FPB
1 xˆ (t ) xˆ (t )
Integrador
Fig. 1. 8. Principio básico para la implementación práctica de un sistema DM
9
UPS Capítulo I
Este sistema necesita un filtro paso bajo analógico para rechazar las
componentes de fuera de la banda de frecuencias entre B y Fs / 2 , ya que Fs B
debido al sobremuestreo.
Distorsión por
Sobrecarga de pendiente
x ( n)
Ruido Granular
x(n 1)
T a m a ñ o d e l e s c a ló n
xa (t )
xˆ (n)
1
T
Fs
Fig. 1. 9. Tipos de errores de cuantificación en DM
Reloj
1
x(t )
FPB
analógico
1
Codificador Decodificador
Mientras que el segundo ocurre cuando se sigue una señal de entrada con
cambios lentos (plana), al aumentar disminuye la distorsión de sobrecarga pero
aumenta el ruido granular, por lo que lo más conveniente es utilizar un sistema de
modulación sigma-delta SDM colocando un integrador delante del DM, dándonos
como efectos el incremento de la correlación de la señal entrante, enfatiza las bajas
10
UPS Capítulo I
Reloj
1
x(t )
FPB
analógico
1
Codificador Decodificador
(a)
H ( z)
e( n )
x ( n) d ( n) d q ( n)
z 1
(b)
Fig. 1. 11. (a) SDM simplificado; (b) SDM discreto
F
H n ( F ) 2 sen (1.1.10)
Fs
11
UPS Capítulo I
Para convertir una señal cuantificada con b bits a la tasa de Nyquist, pasamos
la señal a través de un filtro paso bajo analógico con una frecuencia de corte B para
rechazar el ruido fuera de la banda de ( B, Fs / 2) , el resultado es una aproximación de
Sr ( F )
e2 / Fs Hn (F )
Fs B B Fs F
2 2
1 bit
x(t ) Filtro d q ( n) FPB b 1 xq (n)
SDM
Anti-aliasing Fs digital FN
Conversor SDM-PCM
b bits Datos
FPB b bits SDM 1 bit Filtro de
Muestreados
FN Digital FS Digital Fs Suavizado
FPB
12
UPS Capítulo I
analógica se encuentra dentro del rango del cuantificador eq (n) , el error está
cambio cuando la entrada se encuentra fuera del rango del cuantificador (recorte),
eq (n) es limitado y se lo llama ruido de sobrecarga que produce severas distorsiones
en la señal, la solución es escalar la entrada hasta que esta se encuentre dentro del
rango del cuantificador.
/ 2 eq (n) / 2 .
Cuantificador
x ( n) xq (n) x ( n) xq (n) x(n) eq (n)
Q x ( n)
eq (n)
(a) (b)
Fig. 1. 14. Modelo Matemático del Ruido de Cuantificación. (a) Sistema Real; (b) Modelo
Matemático
13
UPS Capítulo I
/2 1 /2 2
Pn e2 p(e)de e de (1.1.11)
/ 2 / 2 2
La relación señal a ruido de la señal depende del rango del Conversor A/D y
de los datos estadísticos de la señal de entrada, en decibelios, es:
Px R
SQNR 10log10 10log10 x 6.02b 16.81 20log dB (1.1.12)
Pn n x
N M
y (n) ak y (n k ) bk x(n k ) (1.2.1)
k 1 k 1
b z k
k
H ( z) k 1
N
(1.2.2)
1 ak z k
k 1
14
UPS Capítulo I
del sistema ya sea en software o hardware, que nos permiten determinar la secuencia
y (n) de salida a partir de la secuencia x(n) de entrada.
Otro aspecto importante a tomar en cuenta son los efectos de las palabras de
longitud finita, ya que todas las operaciones que se realizan en su implementación
son de precisión finita, y utilizan aritmética de punto fijo o punto flotante, por lo que
necesariamente se debe realizar redondeo o truncamiento a ciertos valores.
15
UPS Capítulo I
Et Qt ( x) x (1.3.1)
2b 2bu Et 2b 2bu (1.3.2)
2 b
2bu / 2 , y está dado por:
Er Qr ( x) x (1.3.3)
2
1 b
1
2 2bu Er 2b 2bu
2
(1.3.4)
16
UPS Capítulo I
Qr ( x) Qr ( x)
2 b 2 b
2 b
x x
2 b
2
Er Qr ( x) x Et Qt ( x) x
1 1
2b Er 2b 2b Et 2b
2 2
(a) (b)
Fig. 1. 15. Errores de Cuantificación (a) por Redondeo, (b) por Truncamiento
Q( x) x (1.3.5)
la Figura 1.16.:
x x
x Cuantificador x
Q( x)
(a) (b)
Fig. 1. 16. Adición de Ruido Aditivo al Proceso de Cuantificación no lineal: (a) Sistema Real, (b)
Modelo para Cuantificación.
17
UPS Capítulo I
x puede caer en cualquiera de los niveles del cuantificador, por lo que el error de
cuantificación se modela como una variable aleatoria distribuida uniformemente
dentro de los rangos especificados por la representación en punto fijo; generalmente
en la práctica bu b ,por lo que es posible presidir del factor 2bu .
18
UPS Capítulo II
CAPÍTULO
II
IMPLEMENTACIÓN DE
SISTEMAS EN TIEMPO
DISCRETO
19
UPS Capítulo II
CAPÍTULO II
IMPLEMENTACIÓN DE SISTEMAS EN TIEMPO DISCRETO
Son muchas las herramientas matemáticas y conceptos importantes que se
utilizaran en el diseño de filtros digitales; en este capítulo se los presenta de una
manera concreta, además se encuentran descritas las principales estructuras y
realizaciones de los Sistemas en Tiempo Discreto así como sus características y
expresiones matemáticas que rigen sus comportamientos en el tiempo y frecuencia.
La Transformada Z Directa.
La transformada z de una señal discreta representada por x(n) se indica de la
siguiente:
x(n)
z
X ( z) (2.1.1)
Sin embargo por facilidad la transformada Z de una señal x(n) se encuentra
denotada por:
X ( z) Z x(n) (2.1.2)
(2.1.3)
20
UPS Capítulo II
A pesar de esto, el término bilateral será usado si x(n) es causal (es decir si
x(n)=0 para n<0), pues en este caso unilateral como bilateral son equivalentes, y
también se incluirá este término bilateral en casos en los que sea necesario para
evitar ambigüedades, como el que se indicó anteriormente.
La Transformada Z Inversa.
Ocasionalmente en muchos problemas se tiene que la transformada z, y lo que
se quiere determinar es la señal, es así que existen un método denominado la
transformada z inversa, que no es más que el procedimiento para transformar desde
el dominio z al dominio del tiempo. El objetivo en sí es encontrar x(n) a partir de
X(z), por lo que:
1
𝑥 𝑛 = 2𝜋𝑗 𝑋 𝑧 . 𝑧 𝑛−1 𝑑𝑧 (2.1.5)
Propiedades de la transformada Z
Linealidad.
𝑧
𝑆𝑖 𝑥1 𝑛 𝑥1 𝑧
𝑧
𝑦 𝑥2 𝑛 𝑥2 𝑧
𝑧
𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑥 𝑛 = 𝑎1 𝑥1 𝑛 + 𝑎2 𝑥2 𝑛 𝑋 𝑧 = 𝑎1 𝑋1 𝑧 + 𝑎2 𝑋2 (𝑧)
(2.1.6)
21
UPS Capítulo II
Desplazamiento en el tiempo
Si la ROC de 𝑧 −𝑘 𝑋(𝑧) es la misma X(z), excepto por z=0 si 𝑘 > 0, 𝑦 𝑧 = ∞,
𝑠𝑖 𝑘 < 0. Se da que:
𝑧
𝑆𝑖 𝑥 𝑛 𝑋 𝑧
𝑧
𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑥(𝑛 − 𝑘) 𝑧 −𝑘 𝑋(𝑧) (2.1.7)
Escalado en el dominio z
𝑧
𝑆𝑖 𝑥 𝑛 𝑋 𝑧 𝑅𝑂𝐶: 𝑟1 < 𝑧 < 𝑟2
𝑧
𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑎𝑛 𝑥(𝑛) 𝑋 𝑎−1 𝑧 𝑅𝑂𝐶: 𝑎 𝑟1 < 𝑧 < 𝑎 𝑟2 (2.1.8)
Inversión Temporal.
𝑧
𝑆𝑖 𝑥 𝑛 𝑋 𝑧 𝑅𝑂𝐶: 𝑟1 < 𝑧 < 𝑟2
𝑧 1 1
𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑥 −𝑛 𝑋 𝑧 −1 𝑅𝑂𝐶: < 𝑧 <𝑟 (2.1.10)
𝑟2 1
Diferenciación en el dominio z.
𝑧
𝑆𝑖 𝑥 𝑛 𝑋 𝑧
𝑧 𝑑𝑋 (𝑧)
𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑛𝑥 𝑛 −𝑧 (2.1.11)
𝑑𝑧
22
UPS Capítulo II
Relación de Parseval.
1 1 1
x (n) x (n) 2 j X (v) X
n
1
*
2 1
*
2 * v dv
v (2.1.15)
23
UPS Capítulo II
Representación Matemática.
La Transformada de Fourier se usa generalmente con señales aperiódicas (sin
embargo se puede usarla también para señales periódicas gracias a la función delta) a
diferencia de la serie de Fourier. Una de las condiciones fundamentales para obtener
la Transformada de Fourier es que la señal se totalmente integrable:
∞
∫−∞ 𝑥(𝑡) 2 𝑑𝑡 < ∞ (2.1.17)
x(t ).e
jwt
x( w) dt
(2.1.18)
Y su antitransformada es:
1
x(t ) x(w).e
jwt
dw
2 (2.1.19)
Obtenemos
e jw0t
F
2 ( w w0 ) (2.1.23)
24
UPS Capítulo II
Representación Matemática.
Suponiendo que de una señal se tiene las muestras en frecuencia en un
intervalo finito definido como 𝑋 2𝜋𝑘 𝑁 , 𝑘 = 0,1, … , 𝑁 − 1, que corresponden a
una secuencia periódica de x(n) de período N, se tiene que:
∞
𝑥 𝑛 = 𝑙=−∞ 𝑥(𝑛 − 𝑙𝑁) (2.1.26)
A veces es necesario el relleno de una función ceros pero que sin embargo no
proporcionan alguna información adicional acerca del espectro X(w) de la señal x(n).
Teniendo a L como el número de muestras equidistantes de X(w), y si es necesario
rellenando con N – L ceros a la secuencia x(n), se puede calcular sin problema la
DFT de N puntos, por lo que se obtendrá una mejor representación de la
transformada de Fourier X(w).
25
UPS Capítulo II
N n 0
N 1
X (k ) x(n)e j 2 kn N
(2.1.30)
n 0
26
UPS Capítulo II
40000
30000
^ 2
=N
s
ne
io
ac
20000 er
op
e
.D
. No
TF
10000 FFT.
No. De
operaciones=N*LOG2(N)
0 No. de muestras
0 20 40 60
N 2n (2.1.34)
27
UPS Capítulo II
1 M 1
1 M 1
x(n)W2 M x(2k 1)W n (2 k 1)
X ( n) n (2 k )
2M
2 k 0 M k 0 (2.1.36)
Definiendo ahora:
M 1
1
X par (n)
M
x(2k )W
k 0
nk
M
1 M 1
X impar (n) x(2k 1)WMnkW
M k 0
n 0,1,..., M 1 (2.1.38)
Tenemos :
X (n M )
1
2
x par (n) ximpar (n)W2nM
(2.1.40)
28
UPS Capítulo II
a (n) 2n log 2 2 n
a (n) N log 2 N
a (n) Nn
n 1 (2.1.44)
FFT Inversa
Siempre que haya como realizar modificaciones simples a las entradas de
cualquier algoritmo que se aplique para hallar la FFT, también lo habrá como si se
quiere aplicar la FFT inversa. Es así que partiendo de:
1 𝑁−1 𝑗 2𝜋𝑘𝑛 𝑁
𝑋 𝑛 =𝑁 𝑘=0 𝑋(𝑘)𝑒 (2.1.45)
1 𝑁−1 𝑗 2𝜋𝑘𝑛 𝑁
𝑥 𝑘 =𝑁 𝑛=0 𝑋(𝑛)𝑒 (2.1.46)
29
UPS Capítulo II
N N k 0 (2.1.47)
De esa ecuación se usa 𝑋 ∗ (𝑛) como la entrada para el algoritmo con el que se
va a aplicar la FF directa y el resultado que se obtiene es 𝑥 ∗ (𝑘).
N n 0 p 0 (2.1.48)
𝑁−1 2 2 𝑁 2 2
𝑖=0 𝑥 𝑖 =𝑁 𝑘=0 𝑀𝑎𝑔𝑋 𝑘 (2.1.49)
30
UPS Capítulo II
2
x
2
x, ek (2.1.50)
k 1
2
Procesamiento Digital de Señales o sus siglas en inglés de Digital Signal Processing
31
UPS Capítulo II
2.1.7. ALIASING
El término de Aliasing nace de la reconstrucción de una señal. Para
reconstruir una señal hay que saber los diferentes procedimientos para la
reconstrucción de la misma, como generalmente puede informar el teorema del
muestreo como ya se vio en el capítulo 1.
32
UPS Capítulo II
3
Frecuencia Analógica 0.95 de la tasa de muestreo
Amplitud
0
1
2
3
Tiempo Número de muestra
2.1.8. ESTADÍSTICA
2.1.8.1. PROBABILIDAD
Al hablar de probabilidad hay que tomar en cuenta un espacio muestral (S),
el cual es el conjunto de todos los resultados posibles de un experimento estadístico.
Concretamente con la probabilidad se sabe la frecuencia con la que se obtiene un
resultado de un conjunto de diferentes resultados que se dan como respuesta
𝑛 𝐴 𝑛 𝐴
𝑃 𝐴 =𝑛 = (2.1.53)
∪ 𝑁
33
UPS Capítulo II
Reglas Aditivas
Ciertas veces resulta más fácil conocer la probabilidad de un evento cuando
se tiene la probabilidad de otros eventos. A continuación se pueden citar algunas de
estas reglas:
𝑃 𝐴𝑈𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴 ∩ 𝐵) (2.1.57)
Probabilidad Condicional.
Es la probabilidad de que ocurra un evento cuando ya ha ocurrido algún otro.
Generalmente se lo denota como P(C/D) y se lo lee como “la probabilidad de que
ocurra D dado que ocurrió C”. Todo esto se define como:
𝑃 𝐴∩𝐵
𝑃 𝐴/𝐵 = 𝑠𝑆𝐼 𝑃(𝐴 > 0) (2.1.59)
𝑃 𝐴
Reglas Multiplicativas.
Si en un espacio muestral en el cuál puede ocurrir los eventos A y B, se tiene que:
𝑃 𝐴 ∩ 𝐵 = 𝑃(𝐴)𝑃 𝐴/𝐵 (2.1.60)
34
UPS Capítulo II
𝑜 .
𝐶 𝐵
𝑃 𝐴∩𝐵∩𝐶 =𝑃 .𝑃 . 𝑃(𝐴) (2.1.62)
𝐴∩𝐵 𝐴
𝐷
𝑃 𝐴∩𝐵∩𝐶∩𝐷 =𝑃 .𝑃 𝐴 ∩ 𝐵 ∩ 𝐶 (2.1.63)
𝐴∩𝐵∩𝐶
𝑜
𝐷 𝐶 𝐵
𝑃 𝐴∩𝐵∩𝐶 =𝑃 .𝑃 .𝑃 . 𝑃(𝐴) (2.1.64)
𝐴∩𝐵∩𝐶 𝐴∩𝐵 𝐴
2. 𝑓 𝑥 =1
3. 𝑃 𝑋 = 𝑥 = 𝑓(𝑥)
35
UPS Capítulo II
Sin embargo, si ahora se considera una variable aleatoria g(x), se tiene que:
Sea “x” con una “f(x)”, la media o valor esperado de “g(x)” sería:
En Discreta: 𝜇𝑔 𝑥 = 𝐸 𝑔 𝑥 = 𝑥 𝑔 𝑥 . 𝑓(𝑥) (2.1.68)
36
UPS Capítulo II
Varianza:
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒 𝑥 𝐷𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝜎 2 = 𝐸 𝑥 − 𝜇 2 = 𝑥 𝑥−𝜇 2 . 𝑓(𝑥) (2.1.74)
Covarianza:
𝐸𝑛 𝐷𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝜎𝑥𝑦 = 𝐸 𝑥 − 𝜇𝑥 𝑦 − 𝜇𝑦 = 𝑥 𝑦 𝑥 − 𝜇𝑥 𝑦 − 𝜇𝑦 . 𝑓(𝑥, 𝑦) (2.1.75)
37
UPS Capítulo II
para resolverlos como los nombrará a continuación. Los procesos más usados y
aplicados para la resolución de problemas en los medios de las ingenierías, son:
Discretas:
-Distribución Binomial o Bernouli.
-Distribución Binomial Negativa.
-Distribución hipergeométrica.
-Distribución o Procesos de Poisson.
-Distribución de Poisson y Binomial.
38
UPS Capítulo II
x ( n)
z 1 z 1 z 1 z 1
y ( n)
Este sistema requiere M–1 espacios de memoria para almacenar igual número
de entradas anteriores, además tiene M multiplicaciones y M–1 sumas; la salida es la
combinación lineal ponderada de los M–1 valores anteriores y la entrada actual.
x ( n)
Entrada z 1 z 1 z 1 z 1 z 1
z 1 z 1 z 1 z 1 z 1
h(0) h(1) h(2) M 3 M 1
h h
2
2
y ( n)
Salida
Fig. 2. 4. Sistema FIR de fase lineal (M impar) en una realización directa
39
UPS Capítulo II
Donde:
H k ( z) bk 0 bk1 z 1 bk 2 z 2 k 1, 2,..., K (2.2.5)
xK ( n )
z 1 z 1
bK 0 bK 1 bK 2
yK (n) xK 1 (n)
Fig. 2. 5. Sistema FIR en una realización en cascada
En los filtros FIR de fase lineal, la simetría en h(n) se expande también a los
ceros de H(z).
40
UPS Capítulo II
xK ( n )
z 1 z 1
z 1 z 1
ck 0 ck1 ck 2
y K ( n)
Fig. 2. 6. Sistema FIR de cuarto orden en una realización en cascada
H1 ( z )
1
M
1 z M e j 2 (2.2.8)
41
UPS Capítulo II
1 1 1
H k H * M k para , la estructura se simplifica aún más;
2 2 2
pudiendo formar un filtro de dos polos con un par de filtros, la función de
transferencia H 2 ( z ) para 0 se reduce a:
H ( )
z 1
e j 2 / M
H (1 )
z 1
e j 2 (1 ) / M
H (2 )
1
M
x ( n) z 1
e j 2 (2 ) / M
zM e j 2
1 H (M 1 )
0 ó y ( n)
2
e j 2 ( M 1 ) / M
z 1
Y:
A(k ) H (k ) H ( M k )
(2.2.11)
B(k ) H (k )e j 2 k / M H ( M k )e j 2 k / M
42
UPS Capítulo II
43
UPS Capítulo II
m (k ) son coeficientes del filtro que están asociados con un filtro que
Gm ( z )
Gm ( z ) Bm ( z ) X ( z ) Bm ( z ) (2.2.19)
X ( z)
Bm ( z ) z m m (l ) z l z m Am z l
m
l 0
Am ( z ) 1 K m Am1 ( z )
B ( z) K
1 z 1Bm1 ( z )
(2.2.24)
m m
44
UPS Capítulo II
A0 ( z ) B0 ( z ) 1 (2.2.25)
para el sistema de orden reducido para así obtener los coeficientes deseados de la
celosía a partir de la relación Km m (m) .
45
UPS Capítulo II
m (k ) K m m (k ) m (k ) m (m) m (m k )
m1 (k ) 1 k m 1 (2.2.30)
1 K 2
m 1 m2 (m)
y:
1
H 2 ( z) N (2.3.2)
1 ak z k
k 0
46
UPS Capítulo II
x ( n) b0 y ( n)
z 1 z 1
b1 a1
z 1 z 1
b2 a2
z 1 z 1
b3 a3
bM 1 aN 1
z 1 z 1
bM aN
posiciones de memoria.
x ( n) b0 y ( n)
z 1
a1 b1
z 1
a2 b2
aN 1 bN 1
z 1
aN bN
47
UPS Capítulo II
N
w(n) ak w(n k ) x(n) (2.3.3)
k 0
Y su salida:
M
y (n) bk w(n k ) (2.3.4)
k 0
48
UPS Capítulo II
x ( n) b0 y ( n)
z 1
a1 b1
z 1
a2 b2
(a)
Nodo Fuente Nodo Sumidero
x ( n) 1 2 b0 3 y ( n)
z 1
a1 b1
4
a2 z 1 b2
5
(b)
z 1
a1 b1
4
a2 z 1 b2
5
(a)
y ( n) b0 x ( n)
z 1
a1 b1
z 1
a2 b2
(b)
Fig. 2. 12. (a) Grafo de la estructura transpuesta de la Fig. 2.11. y (b) su realización
49
UPS Capítulo II
b0 b1 z 1 b2 z 2
H ( z) (2.3.5)
1 a1 z 1 a2 z 2
ECUACIONES FUNCIÓN
ESTRUCTURA PARA LA DE
IMPLEMENTACIÓN TRANSFERENCIA
Forma Directa I
x ( n) b0
y ( n) y (n) b0 x(n) b1 x(n 1)
b2 x(n 2) b0 b1 z 1 b2 z 2
z 1 z 1 H ( z)
b1
a1 a1 x(n 1) 1 a1 z 1 a2 z 2
a2 x(n 2)
z 1 z 1
b2 a2
w(n) a1w(n 1)
Forma Directa Regular II
a2 w(n 2)
x ( n)
b0
y ( n)
x ( n)
b0 b1 z 1 b2 z 2
z 1
a1 x(n 1) H ( z)
a1 1 a1 z 1 a2 z 2
b1
( n 1)
a2 x(n 2)
z 1 y (n) b0 w(n) b1w(n 1)
a2 b2
(n 2) b2 w(n 2)
50
UPS Capítulo II
segundo orden son reales. Se emparejan los ceros y polos para de H(z) en secciones
de segundo orden en cascada de manera arbitraria, de igual manera se pueden utilizar
muchas estructuras en varios ordenes estructura en forma directa I, en forma directa
II o en forma directa transpuesta por lo que tenemos muchas posibilidades para
formar estructuras en cascada, todas están realizaciones son equivalentes en
aritmética infinita pero difieren cuando se las implementa con aritmética finita.
x(n) x1 (n)
H1(z)
x2 (n)
y1 (n)
H 2 ( z)
y2 ( n )
x K ( n)
H K ( z)
y ( n)
(a)
x ( n) 1 bk 0 yk (n) xk 1 (n)
z 1
ak1 bk1
z 1
ak 2 bk 2
(b)
Fig. 2. 13. Estructura en cascada de estructura de segundo orden y una realización de cada sección de
segundo orden.
51
UPS Capítulo II
N
Ak
H ( z) C 1
(2.3.11)
k 1 1 pk z
Donde Ak son los coeficientes o residuo, pk son los polos, valores que
H1(z)
H 2 ( z)
x ( n)
y ( n)
H K ( z)
Fig. 2. 14. Estructura en paralelo de un sistema IIR
52
UPS Capítulo II
aki y bki son parámetros reales del sistema cuya función global es:
K
H ( z) C H k ( z) (2.3.13)
k 1
salida se puede obtener un sistema a partir del otro. Por ejemplo un sistema IIR todo
polos de primer orden se puede representar a través de:
f N (n) x(n) (2.3.14)
f m (n) en orden descendente. Mientras que los coeficientes de un sistema FIR son
iguales a los de un sistema IIR pero en orden inverso; cabe recalcar que la estructura
en celosía todo polos tiene una trayectoria todo ceros con entrada g0 (n) y salida
x ( n) f N 1 (n) f 2 ( n) f1 (n) f 0 ( n) y ( n)
f N ( n) Salida
KN K2 K1
Realimentación
KN K2 K1
z 1 z 1 g (n) z 1 g0 (n)
g N ( n) g 2 ( n) 1
Fig. 2. 15. Estructura en celosía para un sistema IIR todo polos
53
UPS Capítulo II
Los parámetros K1 , K2 ,..., K N son los mismos para estructuras todo polos y
todo m las estructuras en celosía todo polos son estables. En la práctica ha sido
utilizado en las modelaciones del tracto vocal humano y la estratificación de la tierra.
Un sistema todo ceros tiene como salida una combinación lineal de salidas
retardadas de un sistema todo polos; una estructura en celosía escalona se la forma
tomando una estructura en celosía todo polos con parámetros y añadiendo una parte
escalonada tomando como salida una combinación lineal g m (n) es una combinación
lineal de salidas presentes y pasadas; la salida del sistema es:
M
y (n) vm g m (n) (2.3.19)
m0
Entrada
x ( n) f N 1 (n) f 2 ( n) f1 (n) f 0 ( n)
f N ( n)
KN K2 K1
KN K2 K1
g N ( n) g 2 ( n) g1 (n)
z 1 z 1 z 1 g0 (n)
vN vN 1 v2 v1 v0
y ( n)
Salida
Fig. 2. 16. Estructura en celosía escalonada de un sistema de polos-ceros.
vm representa los parámetros que nos sirven para determinar los ceros del
v m Bm ( z )
H ( z) m0
AN ( z )
54
UPS Capítulo II
55
UPS Capítulo II
cuantificados son bk y ak y sus errores de cuantificación:
ak ak ak k 1, 2,..., N
(2.4.1)
bk bk bk k 1, 2,..., M
Im(z)
Circunferencia
Unidad
Re(z)
Fig. 2. 17. Posiciones de los polos para un Filtro FIR paso bajo.
56
UPS Capítulo II
Cabe destacar una vez más que las estructuras en paralelo son las más
robustas y más utilizadas en la práctica ante coeficientes cuantificados,
especialmente cuando se utilizan representaciones en punto fijo.
57
UPS Capítulo II
Los coeficientes de los ceros complejos vienen dados por bk1 2rk cos k y
z rk e jk y su imagen, pero redondeando para esto se debe redondear los factores
correspondientes al cero en la imagen especular cuyo factor es:
2 1 2 1 2
1 cos k z 2 z 2 rk 2rk cos k z z
1 1 2
(2.4.5)
rk rk rk
58
UPS Capítulo II
Se puede también prevenir los ciclos límites por desbordamiento variando las
características del sumador para que realice aritmética de saturación, cuando detecte
un desbordamiento su salida será el valor de fondo de escala de 1 , que provoca
muy poca distorsión ya que estos no se presentan con frecuencia.
1
Ax (2.6.2)
max H k ( )
0
59
UPS Capítulo II
yk (n) C 2 x(n) C 2 Ex
2 2
(2.6.4)
n n
Con:
1 1
C2
(2.6.5)
1
h ( n) H k ( ) d
2 2
n
k
2
60
UPS Capítulo III
CAPÍTULO
III
DISEÑO DE FILTROS
DIGITALES
61
UPS Capítulo III
CAPÍTULO III
DISEÑO DE FILTROS DIGITALES
Los capítulos anteriores han aportado conocimientos se puede ahora
adentrarse en los varios métodos de diseño de Filtros Digitales FIR, de acuerdo a
las especificaciones de frecuencia, amplitud y fase deseadas dependiendo de
nuestras necesidades.
62
UPS Capítulo III
cuya magnitud puede ser cero para algunas frecuencias menos para cualquier
frecuencia de banda finita.
La causalidad impone en un sistema lineal e invariante en el tiempo impone
serias restricciones en sus componentes real e imaginaria de su respuesta en
frecuencia H ( ) , pero también nos brinda facilidades como por ejemplo cuando
63
UPS Capítulo III
H ( ) debe ser constante en toda la banda de paso del filtro aunque no sea
de rechazo se suele tolerar un cierto rizo, existe una banda o región de transición, en
la cual se pasa de la banda de paso a la banda de rechazo, cuyo ancho define el ancho
de banda del filtro S p y está delimitado por p que es el límite superior de la
Banda de rechazo
2
Banda de
0 P
transición
S
Fig. 3. 1. Características de magnitud de los filtros físicamente realizables
de paso del filtro aunque no sea. Cuando necesitamos diseñar un filtro debemos tener
en cuenta varias especificaciones como por ejemplo:
64
UPS Capítulo III
1
z1
1
z3
z1
z3 1
z2
*
z1*
z3
1 1
z3* z1*
Circunferencia
unidad
Fig. 3. 2. Simetría en las localizaciones de los ceros para un Filtro FIR de fase lineal
65
UPS Capítulo III
( M 3) / 2
M 1 M 1
H r ( ) h
2
2
n 0
h(n) cos
2
n
M par
( M 2) / 2
(3.2.2)
M 1
H r ( ) 2 h(n) cos n M impar
n 0 2
M 1
2 , si H r ( ) 0
( ) (3.2.3)
M 1 , si H ( ) 0
2 r
Y:
( M 3) / 2
M 1
H r ( ) 2
n 0
h(n) cos
2
n
M par
( M 2) / 2
(3.2.5)
M 1
H r ( ) 2 h(n) cos n M impar
n 0 2
M 1
2 2 , si H r ( ) 0
( ) (3.2.6)
3 M 1 , si H r ( ) 0
2
2
66
UPS Capítulo III
Donde:
1
hd n H d ( )e jn d (3.2.8)
2
Esta respuesta al impulso tiene una duración infinita que no puede producir
un Filtro FIR de longitud M, a menos que sea truncada en un punto n=M – 1, o su
equivalente que es multiplicar hd n por una ventana.
67
UPS Capítulo III
M 1
senc n 0 n M 1
2
Rectangular M 1 4π/M -13
M 1 n
n 2
2
M 1
Bartlett 2 n
2 8π/M -27
(Triangular) 1
M 1
1 2 n
Hanning 1 cos 8π/M -32
2 M 1
2 n
Hamming 0.54 0.46cos 8π/M -43
M 1
2 n 4 n 12π/M -58
Blackman 0.42 0.5cos 0.08cos
M 1 M 1
M 1 M 1
1, n 0 1
2 2
1 n 1 M 1 / 2
Tukey 1 cos
2 1 M 1 / 2
M 1 M 1
( M 1) / 2 n
2 2
M 1 2 M 1
2
Io n
2 2
Kaiser
M 1
Io
2
L
M 1
sen 2 n 2 M 1
L0
2 n M 1 M 1
Lanczos
2 2
68
UPS Capítulo III
2 M 1
k k k 0,1,..., M impar
M 2
M
k 0,1,..., 1 M par (3.2.9)
2
0 ó 1/ 2
M
sen 2 M 1 G k
H ( )
e
j ( M 1) / 2
(3.2.10)
sen k
M k 0
2 M
Donde:
G M k 0
G k 1 1 (3.2.11)
G Mk 2 2
69
UPS Capítulo III
valores de G k
70
UPS Capítulo III
RELACIÓN
FUNCIONES
ENTRE LOS
REALES PARÁMETROS
TIPO CONJUNTOS
DE LA DEL
DE DE
RESPUESTA EN FILTRO
FILTRO PARÁMETROS
FRECUENCIA (k )
DEL
H r ( )
FILTRO
Respuesta M 1
h 2 , k 0
impulsional a(k )
( M 1) / 2
2h M 1
k ,
simétrica
k 0
a(k ) cos k 2
h(n) h M 1 n M 1
y M impar
k 1, 2,...,
2
Respuesta
M
impulsional b( k ) 2 h k b k 1 b k 2b k
( M / 2) 1 2
simétrica cos
2
b(k ) cos k
M
k 0
k 1, 2,...,
M k 1, 2,..., 2
h(n) h M 1 n 2 2
y M par
Respuesta
M 1 c k 1 c k 1 2c k
impulsional d ( k ) 2h k
( M 3) / 2
2
asimétrica sen c(k ) cos k
k 0 M 1 M 5
h(n) h M 1 n k 1, 2,...,
2 2k
2
y M impar
Respuesta
impulsional ( M / 2)1
M
d ( k ) 2h k d k 1 d k 2d k
asimétrica
sen
2
k 0
d (k ) cos k 2
M
M 2k 1
h(n) h M 1 n k 1, 2,...,
2 2
y M par
71
UPS Capítulo III
error E ( )
H dr H dr
1 1
0 p 0 p
(a) (b)
H dr H dr
1 1
0 1 2 0 1 2 3 4
(c) (d)
72
UPS Capítulo III
Elección inicial de
M 2 frecuencias extremas
Calcular el óptimo
en el conjunto
Interpolar a partir de M 1
puntos para obtener P( )
Calcular el error E ( )
y encontrar el máximo
local donde E ( )
¿Mas de Si
Retener M 2
M 2 Extremos mayores
extremos?
No
cambiaron Comprobar si los puntos
extremos cambiaron
Mejor
aproximación
73
UPS Capítulo III
diseños con M par aunque tiene un mayor error de aproximación, aunque por ser un
Filtro de fase lineal tiene un retardo de (M 1) / 2 que no es un número entero.
74
UPS Capítulo III
M
20log
1 2 13
(3.2.22)
14.6f
75
UPS Capítulo III
D 1 , 2 f 1 , 2 f 1
2
M (3.2.23)
f
Por definición:
b z k
k
H ( z) k 0
N
h( k ) z k (3.3.1)
1 ak z k k 0
k 0
coeficientes son ak y bk que elegidos de la manera correcta nos sirven para
76
UPS Capítulo III
eliminar errores, estos parámetros se los puede hallar a través de las siguientes
ecuaciones, haciendo h(n) hd (n) para 0 n M N :
Hallamos primero ak y con estos valores bk , asé se logra un ajuste entre
respuesta en frecuencia H d ( ) .
Minimizar
la suma de
errores al cuadrado
k
a h n k bk n k n 0
K 1 K 1
h( n) N (3.3.3)
a h n k b
k n 0nM
K 1
77
UPS Capítulo III
a r k , l r k , 0
l 1
l hh hh k 1, 2,..., N (3.3.5)
Donde:
rhh k , l
n M 1
hd n k hd n l (3.3.6)
Mientras los parámetros bk que determinan los ceros se los obtiene
En el método de Prony los polos son determinados por los coeficientes âk ,
ak y bk , los coeficientes ak se calculan por el método de mínimos cuadrados
produciendo estimaciones âk , sintetizadas en el filtro todo-polos:
1
H1 ( z ) N (3.3.8)
1 aˆk z k
k 1
78
UPS Capítulo III
M
e(n) hd (n) hˆd (n) hd (n) bk v n k (3.3.12)
k 1
Así hallamos los coeficientes bk por minimización por medio de las
ecuaciones lineales:
b r k, l r k
k 0
k vv hv l 0,1,..., M (3.3.13)
Por definición:
rvv k , l v n k v n l (3.3.14)
n 0
rhv k hd n v n k (3.3.15)
n 0
79
UPS Capítulo III
H ( z) H I ( z) 1 (3.3.17)
donde sería FIR; aunque truncando hI (n) podemos lograr siempre tener un FIR de
longitud M+1, aunque esto produce un error cuadrático total de aproximación que es
igual a la energía de cola de la respuesta al impulso hI (n) :
t
n M 1
hI2 (n) (3.3.18)
d ( n) ( n)
Filtro
y ( n)
h( n) FIR
bk
e( n )
Minimizar
la suma de
errores al cuadrado
80
UPS Capítulo III
2
M
d n bk h(n k ) (3.3.19)
n 0 k 0
b r
k 0
k hh (k l ) rdh (l ) l 0,1,..., M (3.3.20)
h 0 l 0
rdh (l ) (3.3.25)
0 en otro caso
min 1 h 0 b0 (3.3.26)
Para hallar los coeficientes del filtro utilizamos las matrices de Toeplitz, por
medio del algoritmo de Levinson-Durbin que utiliza M 2 cálculos:
81
UPS Capítulo III
b r k l h D l
k 0
k hh l 0,1,..., M (3.3.29)
Y el error mínimo:
M
min 1 bk h D k (3.3.30)
k 0
L
p, G 1 wn GA n Ad n
2
n 1
L
(3.3.31)
vn g n g 0 d n
2
n 1
82
UPS Capítulo III
w A A
n n d n
Gˆ n 1
L (3.3.32)
w A
n 1
n
2
n
L
p, Gˆ 1 wn GA
ˆ A
2
n d n
n 1
L
(3.3.33)
vn g n g 0 d n
2
n 1
p, Gˆ no es lineal y su minimización se la realiza mediante el método de
mismos valores iniciales; y con estos valores se puede re-calcular los valores
iniciales y de igual manera p, Gˆ y obteniendo así los valores p(0) y se repite el
proceso hasta cuando las componentes del gradientes son cercanas a cero y el valor
de p, Gˆ no cambia significativamente entre cada iteración. Este proceso se lo
83
UPS Capítulo III
Predictor
x n 1 x̂ n
1 Lineal
z Hacia
adelante
p
xˆ n a p k n n k (3.4.1)
k 1
84
UPS Capítulo III
x ( n)
z 1 z 1 z 1 z 1
f p n
p * p p *
xx 0 2 Re a p k xx k a p l a p k xx l k
f
p (3.4.4)
k 1 k 1 l 1
p
xx l a p k xx l k l 1, 2,..., p (3.4.5)
k 1
85
UPS Capítulo III
p
min pf E pf xx 0 a p k xx k (3.4.6)
k 1
f 0 ( n) f1 (n) f 2 ( n) f p ( n)
x ( n) Primera Segunda p ésima
g 0 (n) Etapa g1 (n) Etapa g 2 ( n) Etapa g p ( n)
f m 1 (n) f m ( n)
K m*
Km
g m1 (n) g m ( n)
z 1
Los coeficientes a p k se pueden determinar por medio de:
86
UPS Capítulo III
m m 1 m 1
Su error de predicción:
p
g p n x n p a*p k x n p k (3.4.12)
k 1
bp E g p n
2
(3.4.13)
bp E g p n
2
(3.4.14)
E f m1 n g m* 1 n 1
Km (3.4.16)
Emf 1 Emb 1
reflexión en el predictor en celosía es el negativo de los coeficientes de correlación
cruzada (normalizada) entre los errores de los predictores hacia adelante y hacia
87
UPS Capítulo III
atrás. Mientras que el mínimo valor cuadrático medio de error de predicción es una
secuencia monótonamente decreciente:
Emf 1 K m
2
E f
m 1 (3.4.17)
son idénticos a ak ; y su mínimo MSE es idéntico a la varianza del proceso de ruido
blanco.
88
UPS Capítulo III
Bp z z p A*p z 1 (3.5.3)
hacia Atrás de Fase Máxima, y cuyas raíces yacen sobre la circunferencia unidad si
el proceso x n es predecible.
Propiedad de Blanqueo:
f n xˆ n x n al Ruido Blanco.
E f m n x n i 0, 1 i m (3.5.5)
E gm n x n i 0, 0 i m 1 (3.5.6)
1 t i j i j
E fi n f j n t 0, (3.5.9)
1 t i j i j
0 t i j i j
E gi n g j n t 0, (3.5.10)
0 t i j 1 i j
E i j
E fi n i f j n j i (3.5.11)
0 i j
89
UPS Capítulo III
K j Ei , i j i, j 0 K 0 1
E fi n g j n (3.5.13)
0, i j
E gi n 1 x n E fi n 1 x n 1 Ki1 Ei (3.5.15)
0, i j
E fi n g j n 1 (3.5.16)
K j 1 Ei , i j
d n
s n x n
Predictor
y n
e n
Señal Lineal
Óptimo
wn
Ruido
90
UPS Capítulo III
M 1
y n h k x n k (3.6.1)
k 0
h k l k l
k 0
xx dx l 0,1,..., M 1 (3.6.3)
y la secuencia de entrada x n ,0 n M 1 .
M hM d (3.6.4)
91
UPS Capítulo III
M 1
h k l k l k l
k 0
ss ww ss l 0,1,..., M 1 (3.6.7)
h k l k l k l D
k 0
ss ww ss l 0,1,..., M 1
(3.6.9)
92
UPS Capítulo III
d n
e n
h 0 x 1
x(1)
h 1 x 2
d̂ n
x(2)
Fig. 3.11. Interpretación geométrica del problema lineal de MSE
2
E d n h k x n k
k
(3.6.13)
93
UPS Capítulo III
h k l k l
k
xx dx l0 (3.6.14)
El MMSE residual:
MMSE min d2
h
h k k
k
opt
*
dx (3.6.15)
puede ver como una cascada de un filtro blanqueador 1/ G z con otro Q z , cuya
y n q k i n k
k
(3.6.16)
q k l k l
k
ii di l0 (3.6.17)
di l di l
q l l0 (3.6.18)
di 0 i2
Su transformada z es:
94
UPS Capítulo III
1
Q z
2 k z
di
k
(3.6.19)
i k 0
Entonces:
1 dx z
QZ (3.6.24)
i2 G z 1
1 z
H opt z dx 1 (3.6.25)
G z G z
2
i
95
UPS Capítulo III
1
dd k dd k z 1dz
2 j
(3.6.26)
C
De donde:
1 dd k
d2 dd 0 C z dz
2 j
(3.6.27)
deprende:
H opt z dx z 1 z 1dz
1
h k k 2 j
k
opt
*
dx C
(3.6.28)
MMSE de es:
dd k H opt k dx z 1 z 1dz
1
MMSE
2 j C (3.6.29)
entrada x n tiene tanto pasado como futuro infinito, por lo que su salida sería
y n h k x n k
k
(3.6.30)
96
UPS Capítulo III
h k l k l
k
xx dx l (3.6.31)
Su MMSEnc :
MMSEnc d2 h k k
k
*
dx (3.6.33)
Y este en el dominio de Z :
dd z H nc z dx z 1 z 1dz
1
2 j C
MMSEnc (3.6.34)
97
UPS Capítulo IV
CAPÍTULO
IV
FILTROS
ADAPTATIVOS
98
UPS Capítulo IV
CAPÍTULO IV
FILTROS ADAPTATIVOS
Existen muchas aplicaciones de tratamiento digital de las señales en la que
los parámetros estadísticos no se pueden especificar. Dichas aplicaciones que no
pueden usar parámetros estadísticos a prioridad incluyen la ecualización del canal,
la cancelación del eco y el modelado del sistema.
Para estas aplicaciones se usa filtros con coeficientes ajustables
denominados filtros adaptativos. Lo que hacen estos filtros principalmente, es
incorporar algoritmos que puedan adaptar los coeficientes del filtro con los
parámetros estadísticos de la señal.
Estos filtros han sido de mucho interés en el estudio de estos últimos tiempos,
por lo que se ha obtenido un desarrollo considerable en los algoritmos de cálculo
para el filtrado adaptativo.
A pesar de que se ha considerado los filtros FIR e IIR para los filtros
adaptativos, el filtro FIR es el más ampliamente usado y práctico, pues solo tiene
ceros ajustables, mientras que los filtros IIR necesitan de ceros y polos ajustables.
99
UPS Capítulo IV
h( k ) r
k 0
xx (l k ) ryx (l )
(4.1.4)
l 0,1,..., M 1
100
UPS Capítulo IV
resolviendo la ecuación 4.1.4 se obtendrán los coeficientes del filtro para el modelo.
Debido a que los parámetros del filtro se obtienen a partir de la medida de los
datos de entrada y salida del sistema, teniendo presente que es un sistema que se
desconoce, se puede decir que el modelo de filtro FIR es un filtro adaptativo, como
se muestra en la Fig. 4.1
Ruido
Sistema variante
en el tiempo d(n)
desconocido +
y(n)
+
X(n)
+
^
Modelo de y ( n) -
filtro FIR
Algoritmo
Adaptativo
Señal de
error
Donde:
a(k) = Secuencia digital de símbolos de información aplicada al filtro transmisor
p(t) = Respuesta al impulso del filtro transmisor.
Ts = Intervalo de tiempo entre los símbolos de información
K = Es el número de posibles valores de los símbolos.
101
UPS Capítulo IV
a(n) Transmisor
Canal
Receptor
(Filtro)
(Filtro Variante en + (filtro)
Secuencia el tiempo)
de datos Muestreador
Ruido
^ ^
a ( n) Dispositivo de
decisión
a ( n) Ecualizador
adaptativo
Señal de d(n) + -
referencia +
Algoritmo
adaptativo
Señal de error
102
UPS Capítulo IV
^
Donde D es un retardo nominal que se produce al procesar la señal y a(n)
representa un estimado del símbolo de información n-ésimo. Aplicando nuevamente
el criterio de error de mínimos cuadrados, seleccionando los coeficientes h(k) para
minimizar la magnitud, se tiene que:
2 N M 1
2
N
^
M d ( n ) a ( n) d ( n ) h(k ) x(n D k ) (4.1.9)
n0 n 0 k 0
recibida x(n).
103
UPS Capítulo IV
próximo).
sA (t d2 ) es el eco en el terminal A debido al híbrido B (eco en el extremo
alejado).
104
UPS Capítulo IV
A esta ecuación se le debe sumar el ruido aditivo representada por w(t), que
es una perturbación que distorsiona la señal. El cancelador de eco adaptativo, intenta
estimar las dos componentes de eco. Si su salida dispone de los coeficientes h(n), con
n=0,1,…,M-1, entonces:
^ M 1
s A ( n) h( k ) a ( n k ) (4.1.13)
k 0
Cancelador
Cancelador
de eco
de eco
Híbrido Híbrido Híbrido Híbrido
A B
Datos de Receptor
- - Receptor Datos de
salida A + + B salida
+ +
Módem A Módem B
Fig. 4. 3. Diagrama de bloques de un sistema de comunicación digital con canceladores de eco en los
módems
105
UPS Capítulo IV
una secuencia v(n), una señal de banda ancha deseada w(n) distorsionada por una
interferencia de banda estrecha aditiva x(n), se verá lo siguiente.
Estas secuencias resultan del muestreo de una señal analógica v(t) a la
frecuencia de Nyquist (o mayor) de la señal de banda ancha w(t). En la Fig. 4.4. se
muestra las características espectrales de w(n) y x(n).
V( f ) X( f ) W( f )
X(f )
W( f )
0 fw
106
UPS Capítulo IV
^
v(n) w(n) x(n) + e(n) w(n)
+
-
v(n D) ^
Predictor x(n) Señal de error
D Lineal
z FIR
Retardo de la
decorrelación Algoritmo
Adaptativo
(a)
v(n D)
z 1 z 1 z 1 ... z 1
h(M-1)
+
^
x ( n)
(b)
Fig. 4. 5. Filtro adaptativo para eliminar interferencia de banda estrecha en una señal de banda ancha
107
UPS Capítulo IV
x(n), pero a la vez, lo suficientemente grande para que w(n) y w(n - D) sean
incorrelados. El error viene dado por:
^
e(n) v(n) x(n) v(n) k 0 h(k )v(n D k )
M 1
(4.1.15)
h( k ) r
k 0
vv (l k ) rvv (l D)
(4.1.16)
l 0,1,..., M 1
que los valores de los coeficientes del filtro determinados a partir de 4.1.16, son una
función de las características estadísticas de la interferencia de x(n). En sí, la
configuración global del filtro mostrado en Fig. 4.5, define un filtro de error de
predicción FIR adaptivo con coeficientes:
1,...................k 0
h '(k ) h(k D),..k D, D 1,..., D M 1 (4.1.17)
0,.................Otro _ caso
108
UPS Capítulo IV
^
e( n ) y ( n ) w2 ( n )
(4.1.19)
e( n ) y ( n ) k 0 h ( k )v ( n k )
M 1
Con este error, se podrá ajustar adaptativamente los coeficientes del Filtro
FIR. Si se emplea el criterio de mínimos cuadrados para determinar los coeficientes
del filtro, el resultado de la optimización es el conjunto de ecuaciones lineales dados
por:
M 1
h( k ) r
k 0
vv (l k ) ryv (l )
(4.1.20)
l 0,1,..., M 1
109
UPS Capítulo IV
w3 (n)
Algoritmo
Adaptativo
Donde
p= Es el número de polos.
G= Es la ganancia del filtro.
ak= Son los parámetros que determinan los polos.
Se tomarán dos funciones que sirven para modelar los sonidos sonoros y
sordos, las cuales son mutuamente excluyentes. Durante un período corto de tiempo,
los sonidos sonoros tienen una frecuencia fundamental de F0, pero luego estos serán
110
UPS Capítulo IV
Generador
Ruido Blanco
Conmutador de Sonidos
sonoros y sordos Filtro de
solo Polos
Generador
Impulsos
Periódicos
Por último, la señal de error y los parámetros del modelo se codifican en una
secuencia binaria y se transmite al destino. De igual manera, en el receptor la señal
de voz se sintetiza a partir de la señal de error y del modelo. Los parámetros del
modelo de filtro de solo polos se determinan fácilmente a partir de las muestras de
voz a través de la operación de predicción lineal. Como se ve en la Fig. 4.8, y
suponiendo que se tiene N muestras de la señal, la salida del Filtro FIR es:
^ p
x(n) ak x(n k ) (4.1.22)
k 1
111
UPS Capítulo IV
Predictor x ( n)
1
z FIR
Adaptativo
Algoritmo
Adaptativo
a r
k 1
k xx (l k ) rxx (l )
(4.1.24)
l 1, 2,...., p
que se tendría:
p
x(n) ak x(n k ) Gv(n) (4.1.25)
k 1
Gv(n) e(n)
(4.1.26)
N 1 N 1
G 2 v 2 ( n) e 2 ( n)
n0 n 0
112
UPS Capítulo IV
k 1
Ahora, puede darse el caso en que se reciba una interferencia de una dirección
que corresponde a uno de los lóbulos secundarios de la matriz.
113
UPS Capítulo IV
x1 (n)
Lóbulo Principal
x2 (n)
Combinar
x3 (n)
Dirección Principal
x4 (n)
Int
e rfe
x5 (n) re nc
ia
(a)
x1 (n)
x2 (n)
Combinar
x3 (n)
Dirección Principal
x4 (n)
Int
e rfe
x5 (n) re nc
ia
(b)
Fig. 4. 9. Matriz de antenas: (a) Con patrón de antena. (b) Con nulidad en la dirección de
interferencia.
114
UPS Capítulo IV
Donde hk(l) es la respuesta al impulso del filtro para procesar la salida del
sensor k, y los nk son los retardos que dirigen el patrón del haz.
h( k ) r
k 0
xx (l k ) rdx (l D)
(4.2.1)
l 0,1, 2,...., M 1
115
UPS Capítulo IV
adaptar el filtro recursivamente muestra a muestra, a medida que se recibe una nueva
muestra de la señal.
Un segundo método resultaría en estimar rxx (l ) y rdx (l ) bloque a bloque, sin
intentar mantener la continuidad en los valores de los coeficientes del filtro de unos
datos a otro.
d (n) representa un estimado de d(n). Es así que el error se definiría:
e( n ) d ( n) d ( n)
M 1 (4.2.4)
e( n ) d ( n) h( k ) x ( n k )
k 0
El error cuadrático medio como una función de los coeficientes del filtro es:
M 1 M 1 M 1
M d2 2 Re h* (l ) dx (l ) h* (l )h(k ) xx (l k )
l 0 l 0 k 0
(4.2.5)
h(k )
k 0
xx (l k ) dx (l )
(4.2.6)
l 0,1,..., M 1
116
UPS Capítulo IV
Este filtro con los coeficientes obtenidos de 4.2.6 se le conoce como filtro
Wiener, se puede ver que aquí que se utiliza la correlación y autocorrelación cruzada
estadísticas. Es así que de esta ecuación, se proporciona los coeficientes del filtro
óptimos (Wiener), en lo que respecta al error cuadrático medio. Al expresar 4.2.6, en
forma matricial se obtiene que:
M hM d (4.2.7)
117
UPS Capítulo IV
H(n) es una matriz definida positiva MXM. Obviamente los tres algoritmos
difieren de la forma en que se calculan los vectores de dirección.
Estos tres algoritmos son apropiados cuando M y d son conocidos, y a
pesar de esto, se sabe que no es el caso en las aplicaciones de filtrado adaptativo. Si
no se conoce M y d , se puede sustituir los estimados S (n) de los vectores de
dirección por los vectores reales S(n).
El vector gradiente expresado anteriormente puede expresarse en función de
las condiciones de ortogonalidad, y las condiciones que tendría serían equivalentes a
la siguiente ecuación:
E e(n) X M* (n) d M hM (n) (4.2.15)
118
UPS Capítulo IV
g (n) 2e(n) X M* (n) (4.2.17)
119
UPS Capítulo IV
Sin embargo para esta y para diversas aplicaciones más, puede resultar
ventajoso añadir una constante positiva pequeña al denominador de 4.2.20 para evitar
la inestabilidad numérica que podrían resultar cuando XM(n) es pequeña. Es así que la
nueva versión de este algoritmo LMS según lo antes mencionado, quedaría de la
siguiente forma:
( n) 2 (4.2.21)
X M ( n)
_
Donde h M (n) E hM (n) e I = la matriz identidad. La relación recursiva dada
120
UPS Capítulo IV
Filtro
_
h M (n 1)
d +
+
g ( n)
H ( z)
- z 1
M hM (n)
_
h M ( n)
M z 1
_0
h (k , n) C ( I k ) n u (n) (4.2.24)
k 0,1, 2,..., M 1
_0
Donde h M es el vector transformado (ortogonalizado) y
_0 _
h M ( n) U H h M ( n) (4.2.25)
d0 U H d
121
UPS Capítulo IV
122
UPS Capítulo IV
Sin embargo este es el límite superior que hemos obtenido anteriormente para
max . Pero, debe satisfacer el límite superior dado en la anterior ecuación, de caso
123
UPS Capítulo IV
intenta seguir el mínimo móvil M min en el espacio M-dimensional, pero siempre está
retrasado debido a su uso de los vectores gradientes estimados., por lo que al denotar
esto se puede decir que este algoritmo LMS cae en uno de esos problemas,
denominado error de retardo. Y finalmente se puede decir que el error cuadrático
medio total ahora se puede expresar como:
total M min l (4.2.34)
datos; en cambio los Algoritmos LMS que aunque son bastante simples su
convergencia es bastante lenta, especialmente cuando los auto-valores de la matriz de
autocorrelación M se encuentran dispersos, es decir max / min 1, aunque
ajustando el tamaño de paso se podría regular esta velocidad de convergencia.
siguiente proceso:
d n X Mt n hM n 1 (4.3.1)
2. Calcular el error:
eM n d n d n (4.3.2)
124
UPS Capítulo IV
PM n 1 X M* n
KM n (4.3.3)
w X Mt n PM n 1 X M* n
una dimensión M este método converge rápidamente; los coeficientes del filtro
ajustados por el uso del algoritmo LMS se actualizan mediante:
hM n hM n 1 X * n eM n (4.3.7)
PM n LM n D M n LHM n (4.3.8)
es una matriz diagonal con elementos k y LHM n es una matriz triangular superior;
125
UPS Capítulo IV
LM n y D M n , de la siguiente manera:
1 1
LM n D M n LHM n LM n 1 D M n 1 VM n 1VMH n 1 LHM n 1 (4.3.9)
w w M n
Donde:
VM n 1 DM n 1 LHM n 1 X M* n (4.3.10)
M n 1 D
M n 1 L
MH n 1 D M n 1 1
L VM n 1VMH n 1 (4.3.11)
w M n
M n 1 y D
Se puede determinar L M n 1 con el siguiente conjunto de
ecuaciones lineales:
j
l
k 1
ik d k l *jk pij , 1 j i 1 i 2 (4.3.12)
k 1
126
UPS Capítulo IV
f j x*j n
end loop j
For j = 1,…,2,…,M - 1 do
For i = j + 1,…, j + 2,…,M do
f j f j lij n 1 fi
end loop j
For j = 1,…,2,…,M do
d j n d j n 1 / w
v j d j n f j
end loop j
M 1 vM f M*
dM n d M n / M
For j = M – 1, M – 2 …,1 do
k j vj
j j 1 v j f j*
j f j / j 1
d j n d j n j 1 / 1
For j = M,M – 1,M – 2 …, j + 1 do
lij n lij n 1 k i j
*
k i k i v j lij* n 1
Down to j = 2
end loop i
end loop j
K M n k 1, k 2, ..., k M
t
eM n d n d n
hM n hM n 1 eM n / 1 K M n
127
UPS Capítulo IV
adelante.
Fig. 4. 11. Velocidad de convergencia de los algoritmos RLS y LMS para un ecualizado de canal
FIR.
128
UPS Capítulo IV
características del canal, lo que no sucede lo mismo con el algoritmo RLS que se
adapta lo suficientemente rápido para seguir dichas variaciones o cambios.
El algoritmo “RLS Rápido” funciona bien hasta con 11 bits para duraciones
cortas del orden de 500 iteraciones. Para un número mayor de iteraciones, el
algoritmo se vuelve inestable debido a la acumulación de errores de redondeo, sin
embargo a pesar de esto se han propuesto varios métodos para prevenir que esto
suceda.
129
UPS Capítulo IV
X m l 1 el vector de datos:
X mt l 1 x l 1 x l 2 x l m (4.4.3)
Su magnitud escalar:
n
v n wn l x l m
2
l 0
n
(4.4.6)
Vm n w x l m X
n l *
m l
l 0
Y:
n
Rm1 n wnl X m* 1 l X mt 1 l (4.4.7)
l 0
130
UPS Capítulo IV
Entonces:
Rm n bm n Vm n (4.4.8)
g m1 (n) z 1 g m ( n)
K mb n 1
K mf n 1
f m 1 (n) f m ( n)
(a)
g 0 ( n) g1 (n) g 2 ( n) g M ( n)
Etapa Etapa Etapa Etapa
x ( n)
1 2 3 M
f 0 ( n) f1 (n) f 2 ( n) f M ( n)
(b)
gm n, n 1 gm n , respectivamente:
km 1 n 1
f m 1 n f m n g m n 1
Emb n 2
(4.4.9)
km* 1 n 1
g m 1 n g m n 1 f fm n
Em n 1
l 0
131
UPS Capítulo IV
w
km1 n wkm1 n 1 f m n g m* n 1 (4.4.12)
w m n 1
m2 n g m n
2
m1 n m n (4.4.16)
Emb n
132
UPS Capítulo IV
d (n)
0 n 1 1 n 1 2 n 1 M 2 n 1 M 1 n 1
E n 1
b
E n 1
b E2b n 1 EMb 2 n 1 EMb 1 n 1
0 1
g M 1 (n)
g 0 ( n) g1 (n) g 2 ( n) g M 2 ( n)
Etapa Etapa Etapa
x ( n)
1 2 M-1
f M 1 (n)
f 0 ( n) f1 (n) f 2 ( n) f M 2 ( n)
Fig. 4. 13. Filtro adaptativo RLS en celosía-escalera
n 1
M 1
d n kb gk n (4.4.19)
k 0 Ek n 1
km1 n 1
K mf 1 n 1
Emb n 2
133
UPS Capítulo IV
km* 1 n 1
K mb1 n 1
Emf n 1
f m1 n f m n K mf 1 n 1 gm n 1
gm1 n gm n 1 K mb1 n 1 f m n 1
km1 n 1
2
Ef
n 1 E n 1
f
Emb n 2
m 1 m
km1 n 1
2
E b
n 1 E n 2
b
Emf n 1
m 1 m
m2 n 1 g m n 1
2
m1 n 1 m n 1
Emb n 1
Filtro en escalera: se inicia con n = 1 y su cálculo de actualizaciones de orden
para m = 1,2,…,M – 1:
m n 1 w m n 2 m n 1 gm* n 1 em n 1
m n 1
m n 1
Emb n 1
em1 n em n m n 1 gm n
Inicialización:
0 n 1 1, e0 n d n , f0 n g0 n x n
m 1 1, km 1 0
m n 2 f m1 n 1 g m* n 2
K f
n 1 K f
n 2
Emb n 2
m 1 m 1
134
UPS Capítulo IV
m n 2 f m* n 1 g m1 n 1
K mb1 n K mb1 n 2
Emf n 1
f m1 n f m n + K mf 1 n 1 gm n 1
m2 n 1 g m n 1
2
m1 n 1 m n 1
Emb n 1
m n 1 g m* n 1 em1 n 1
m n 1 m n 2
Emb n 1
em n em n m n 1 gm n
Inicialización:
o n 1 1; eo n d n ; fo n go n x n
Errores a priori:
f m n, n 1 f m n x n amt n 1 X m n 1
(4.4.20)
g m n, n 1 g m n x n m bmt n 1 X m n
135
UPS Capítulo IV
Errores a posteriori:
f m n, n x n amt n X m n 1
(4.4.21)
g m n, n x n m bmt n 1 X m n
Emf n wEmf n 1 m n f m n
2
(4.4.23)
Emb n wEmb n 1 m n g m n
2
km* 1 n
K mb1 n (4.4.27)
Emf n
m n
m n (4.4.28)
Emb n
136
UPS Capítulo IV
m n 1 f m1 n g m* n 1
K f
n K f
n 1 (4.4.29)
Emb n 1
m 1 m 1
m n f m* n g m1 n
K b
n K b
n 1 (4.4.30)
Emf n
m 1 m 1
Y su escalera de ganancia:
m n g m* n em1 n
m n m n 1 (4.4.31)
Emb n 1
inverso a priori g m1 n ; mientras que para obtener los mismos resultados el
algoritmo FAEST se basa en un cálculo escalar, donde el último elemento del vector
137
UPS Capítulo IV
f M 1 n x n aMt 1 n 1 X M 1 n 1
f M 1 n 1
f M 1 n, n
M 1 n 1
aM 1 n aM 1 n 1 K M 1 n 1 f M 1 n, n
EMf 1 n wEMf 1 n 1 f M 1 n 1 f M* 1 n, n
C M 1 n 0 f M* 1 n 1
K M n
a
cMM n K M 1 n 1 wEM 1 n 1 M 1 n 1
f
g M 1 n wEMb 1 n 1 c MM n
*
K M 1 n C M 1 n bM 1 n 1 c MM n
f M 1 n
2
M n M 1 n 1
wEMf 1 n 1
M 1 n M n gM 1 n c MM n
g M 1 n
g M 1 n, n
M 1 n
EMb 1 n wEMb 1 n 1 g M 1 n g M 1 n, n
*
bM 1 n bM 1 n 1 K M 1 n g M 1 n, n
eM n, n d n hMt n 1 X M n
eM n
e M n, n
M n
hM n hM n 1 K M n eM n, n
Inicialización: se deben poner todos los vectores a cero
EMf 1 1 EMb 1 1 0
M 1 1 1
M 1 n 1 K M 1 n X M 1 n
t
(4.4.33)
138
UPS Capítulo IV
f s
A partir de las magnitudes escalares resultan los valores M 1 n y M 1 n ;
g M 1 n
f
f
c MM n (4.4.34)
wEMb 1 n 1
f s
M f 1 n , M s 1 n y c MM n , c MM n son algebraicamente equivalentes, por lo
cualquiera de los tres parámetros antes descritos, para ser utilizados en otros
algoritmos como por ejemplo en el algoritmo RLS rápidos estandarizado, que emplea
constantes ki , i 1, 2,...,5 para formar cinco combinaciones lineales de las tres
anteriores magnitudes.
f M 1 n x n aMt 1 n 1 X M 1 n 1
f M 1 n
f M 1 n, n
M 1 n 1
aM 1 n aM 1 n 1 K M 1 n 1 f M 1 n, n
f M* 1 n
cM 1 n
wEMf 1 n 1
C M 1 n 0 f M* 1 n 1
K M n
c MM n K M 1 n 1 wEM 1 n 1 aM 1 n 1
f
g M f 1 n x n M 1 bMt 1 n 1 X M 1 n
g M s 1 n wEMb 1 n 1 c MM n
*
K M 1 n C M 1 n bM 1 n 1 c MM n
M n M 1 n 1 c M 1 n f M 1 n
M 1 n M n g M f 1 n c MM n
139
UPS Capítulo IV
EMf 1 n wEMf 1 n 1 f M 1 n f M* 1 n, n
g Mi 1 n
g M 1 n, n
i
i
, i 1, 2
M 1 n
bM 1 n bM 1 n 1 K M 1 n g M11 n, n
eM n d n hMt n 1 X M n
eM n
eM n, n
M n
hM n hM n 1 K M n eM 1 n, n
140
UPS Capítulo IV
que f m (n) y g m (n) son los residuales directos e inversos. Este filtro en celosía tiene
km (n) :
2 t 0 wn l f m1 l g m* 1 l 1
n
k m ( n) , m 1, 2,..., M 1 (4.4.36)
n l f l 2 g l 12
n
w
t 0 m1 m 1
Estos coeficientes de calculan y actualizan recursivamente en el tiempo
mediante un algoritmo de tipo LMS, empleando el criterio de error cuadrático medio.
141
UPS Capítulo IV
seguidos los algoritmos de gradiente en celosía, luego los algoritmos RLS en celosía
y finalmente los algoritmos de raíz cuadrada.
500
200 Algoritmo
LMS rápido
100
Algoritmo LMS
0 M
5 10 15 20 25
M Longitud del Filtro
142
UPS Capítulo IV
143
UPS Capítulo V
CAPÍTULO
V
MODELACIÓN
MATEMÁTICA Y
SIMULACIÓN DEL
NUEVO MODELO
HIBRIDO ADAPTATIVO
LINEAL ÓPTIMO
144
UPS Capítulo V
CAPÍTULO V
MODELACIÓN MATEMÁTICA Y SIMULACIÓN DEL NUEVO
MODELO HIBRIDO ADAPTATIVO LINEAL ÓPTIMO
En este capítulo se aplicara lo antes visto y analizado, aplicando los
conceptos y adaptándolos al programa que se tiene como objetivo para la
construcción del Filtro Digital Híbrido Adaptativo. Se presentara también un
exhaustivo y completo análisis matemático acerca del desarrollo de este filtro así
como también los resultados y comparaciones de lo analizado con lo simulado..
Xk
Filtro
Retraso Adaptivo
Z M Hk Ek
Yk
Xk
Yk k ésimo elemento en una serie de t iempo
Ek
Usualmente estas series de tiempo pueden asumirse para ser obtenidas por el
muestreo continuo de señales.
Z M , donde M son los pasos en el tiempo, es por esto que la salida de este bloque se
denota X k M .
145
UPS Capítulo V
146
UPS Capítulo V
Donde:
T = Transpuesta
k = es usado como un índice de tiempo
Xk X k 1 X k 2
Z 1 Z 1 Z 1
Yk
L
Múltiples Entradas: Yk alk X lk (5.1.4)
l 0
147
UPS Capítulo V
los sistemas de lazo cerrado, el vector de taps depende de la señal de salida así como
de otros datos; para los combinadores lineales adaptativos se incluirá una “respuesta
deseada” o “señal de entrenamiento”
La función de desarrollo
Tenemos que:
Ek dk Yk (5.1.6)
Ek dk X kT a dk akT X k (5.1.7)
P E dk X k E dk X 0k dk X 1k dk X Lk
T
(5.1.9)
Erros Cuadrático Medio es una función cuadrática de los componentes del vector
de taps a, cuando los componentes de entrada y respuesta deseada son variables
estocásticas estacionarias.
148
UPS Capítulo V
T
E 2 Ra 2 P (5.1.11)
a a0 a1 aL
Donde: aL Son los taps por estage. Para obtener el Mínimo Erros Cuadrático Medio
149
UPS Capítulo V
r ( n)
x ( n) x n 1 x n 2
z 1 z 1
1 2
x n
e( n )
E rn2 0,001
N 16
0,1
rn Señal randómica adherida a la señal de ingreso
Pr omedio de la potencia de la señal randómica
N Cantidad de muestras por ciclo
Cons tan te de " ganancia ", regula la velocidad y la estabilidad de adaptación
Como se tiene solo 2 taps ( ∂1 y ∂2), entonces la matriz que se aplicará para hallar R
150
UPS Capítulo V
El producto esperado entre las funciones seno puede ser encontrado por
cualquier producto de las funciones sinusoides por el promedio de uno o más
períodos del producto. Es así que:
2 n 1
2
N
*E X 2
1 sen 0,5
n 1 N n 1 N
r 0
2 n 2
2
N
*E X 2
1 sen 0,5
n 2 N n 1 N
1 N 2 n 1 2 n 2 2
*E X n1 X n2 sen sen 0,5cos r 1
N n1 N N N
1 N 2 n 2 n 2 4
EXn X n2 sin sin 0,5cos r 2
N n1 N N N
P E dn X n1 dn X n2
T
P E X n X n1 X n X n2
T
151
UPS Capítulo V
Y por último, como punto final de nuestro análisis se ha creado una nueva
estructura más eficiente y rápida para el procesamiento de datos, con convergencia
de sus pesos más rápido al igual que una curva de aprendizaje mucho mejor que la de
los anteriores filtros, por ende, sus resultados finales tendrán menor error y todo esto
se demostrara posteriormente. A este nuevo sistema se lo denomina FCLMS y es una
152
UPS Capítulo V
1 2
x n 1 x n 1
z 1 x n
z 1 x n
x ( n) e( n ) e( n )
x ( n)
CLMS
Para la primera etapa tenemos:
e1 n X1 n 1 X1 n 1 (5.2.1)
1 1
1
153
UPS Capítulo V
Se puede ver que los Resultados para R y P de la primera etapa son los
mismos que el anterior ejemplo.
R E Xn Xn
T
R E X1 n 1
2
R1 E X1 n 1 0,5
2
2
P1 E d n X n1 E X 1 n X 1 n 1 0,5cos
T
0, 4619
T
N
R1 r1 0 0,51 r1 0 r 0
P1 r2 1 0, 4619 r1 1 r 1
min1 E d K2 PT *
min1 E X 1 n PT * 0, 09166
2
X 2 n e1 n X1 n 1 X1 n 1
R2 n E X 2 n 1 E e1 n 1 E X 1 n 1 1 X 1 n 2
2 2 2
R2 X1 n 1 21 X1 n 1 X1 n 2 12 X1 n 2
2 2
2 2
R2 0,5 21 0,5cos 1 0,5
N
R2 0,09159 r2 0
154
UPS Capítulo V
P2 E X 2 n X 2 n 1
T
T
P2 E e1 n e1 n 1 E X 1 n 1 X 1 n 1 X 1 n 1 1 X 1 n 2
T
Reemplazando 1* :
P2 0,05874 r2 1
min 2 E d K2 PT *
min 2 E e1 n P2T *2 0, 054
2
Por fórmula:
f1* 1* *2 0,9057 0,64139 1,5471
155
UPS Capítulo V
Otra interpretación del valor final de los taps puede ser si consideramos el valor de
un β, siendo así que:
f1* 1* 1,5463
r2 (1) 0, 05874
r2 (0) 0, 09159
rK 1
2
r2 1
2
J 2min J1min
J1min
0, 05874
2
Este Predictor o filtro esta dispuesto por 4 taps, los cuales los 2 primeros
pertenecen a la etapa de forma directa lineal, la misma que consta de 2 sub-etapas. El
resultado del MSE (Mean Square Error) que de este predictor tiene salida, será la
156
UPS Capítulo V
r ( n)
x ( n) x n 1 x n 2
z 1 z 1
Etapa 1
1 2
x n
e1 (n)
x2 (n) e21 (n) x21 (n) e22 (n)
x (n) x
Etapa 2 z 1 z 1 ( n)
2 21
x2 n 1 x21 n 1
3 4
Hasta el final de la Etapa 1 del Predictor los datos y resultados son los
mismos, pues se debe recordar que se está trabajando con los enunciados del
ejercicio 1, para poder realizar las respectivas comparaciones.
2
0,51 0,5cos
N
R
0,5cos 2 0,51
N
P E X n X n1 X n X n2
T
157
UPS Capítulo V
2 4
T
P 0,5cos 0,5cos
N N
* R 1 P
1
2
0,51 0,5cos
N 2 4
*
0,5cos 0,5cos
0,5cos 2 N N
0,51
N
1
0,51 0, 4619 1,5463
0, 461 0,353
* T
0, 4619 0,51 0, 7073
2 4 1
T *
min1 0,51 0,5cos 0,5cos
N N 2*
4 2
min1 0,35365*cos 0, 77315 0,51
N N
min1 E d K2 PT W *
min1 E X n2 PT *
2 4 1
T *
min1 0,51 0,5cos 0,5cos
N N 2*
1,5463
min1 0,51 0, 461 0,3535 0, 0458
0, 7073
e21 n X 2 n 3 X 2 n 1
158
UPS Capítulo V
R1 E X n Xn
T
R1 E X 2 n 1
2
2
1 N
4 (n 1) 2 (n 1)
E X 2 n 1 0, 77315cos 0,51
2
N 0,35365*cos
n 1 N N
497197553
E X 2 n 1 0, 6214969412
2
800000000
R1 0, 6214969412
P1 E d n X n 1
T
P1 E X 2 (n) X 2 (n 1)
T
1 N 4 (n) 2 (n)
P1
N n 1
0,35365*cos
N
0, 77315cos
N
0,51 *...
4 (n 1) 2 (n 1)
0,35365*cos 0, 77315cos 0,51
N N
4 2 2
cos * 100026368*cos 289117553 655264369 cos 447184369
P1
N N N
2
800000000* 2 cos 1
N
P1 0,5804353677
Reemplazando valores:
R 1 P
*
3 1 1
3 0,9339311736
*
159
UPS Capítulo V
min 2 E d K2 PT W *
min 2 E X n2 PT *
min 2 0, 06214969412 0,5804353677 0,9339311736
T
min 2 0, 07941025704
SEGUNDA SUB-ETAPA
Ahora algunos de los datos obtenidos durante esta primera sub-etapa serán
usado como variables de ingreso para la segunda etapa como se podrá ver a
continuación:
X 21 n e21 n
(5.2.3)
e22 n X 21 n 4 X 21 n 1
R2 E X 21 n 1 E e21 (n 1)2 E X 2 n 1 3 X 2 n 2
2 2
E X 2 n 1 3 X 2 n 2
2
2
R2 E X 2 n 1 21 X 2 n 1 X 2 n 2 12 X 2 n 2
2
2
R1 2 *( P )
3 1 32 *R1
160
UPS Capítulo V
P2 E d n X n 1
T
P2 E X 21 (n) X 21 (n 1)
T
P2 E X 2 n X 2 n 1 3 X 2 n X 2 n 2 3 X 2 n 1 32 X 2 n 1 X 2 n 2
2
8 4
48841*cos 239104369*cos 208080000
E x2 (n) x2 (n 2) N N
781250 800000000
E x2 (n) x2 (n 2) 0, 4714404009
Una vez hallado los valores de R2 y P2 podemos reemplazar valore para encontrar el
valor de:
4 R2 1 P2
*
4 0.07941025702-1*0.06597876624
*
4 0.8308594974
*
min 3 E d K2 PT *
min 3 E e21 n P2T 4*
2
min 3 0, 07941025702 0, 06597876624*0.8308594974
min 3 0, 024591
Con los valores de 3 y 4 de la etapa 2 ya se puede hallar los valores
* *
161
UPS Capítulo V
rK 1
2
J K J K 1 J1min min 2
J K 1
r2 1
2
J 2min J1min
J1min
0.06597876624
2
J 2min 0.07941025702
0.07941025702
J 2min 0.02459117245
Tanto para los filtros con algoritmo LMS, CLMS y FCLMS se crea un bucle
“for” de manera que en este se pueda crear un vector del error que se produce entre la
diferencia entre la señal de entrada y la señal predicha por el algoritmo del filtro. Con
162
UPS Capítulo V
este se puede crear una variable que contiene el valor esperado del tap definido como
temp.
INICIO
RESULTADOS
FIN
163
UPS Capítulo V
Con todos estos datos ya se pueden crear las matrices que nos servirán para
poder graficar la curva de convergencia hacia los valores deseados del tap (variable
A), al igual que se crea una variable para poder representar la gráfica de la curva de
aprendizaje del mismo filtro (variable LC).
Por último, mediante variables que toman como información los datos de lo
anteriormente hallado, se definen cantidades para los valores esperados del error
(variable Astar).
164
UPS Capítulo V
P=
P 0, 4619 0,353
T
0.4749
0.3630
a óptimo =
1,5463
* R 1 P
0, 7073
1.5765
-0.7372
mseLMS = 1,5463
min 0,51 0, 461 0,3535 0, 0458
0, 7073
0.0422
0.0923
R2 =
R2 0,09159 r2 0
0.0923
P2 =
P2 0,05874 r2 1
0.0618
a2 =
*2 R21P2 0,64139
0.6690
mse2CLMS =
min 2 0,054
0.0510
165
UPS Capítulo V
f1 =
f2 =
f 2* 1**2 0,9057 0,64139 0,5809
-0.6071
min 2 0, 07941025704
0.0778
R2M = R2 0, 07941025702
R2 r2 (0)
0.0778
P2M =
P2 0,06597876624
0.0646
a 2M =
4 0.8308594974
*
0.8302
mse2CLMSM =
min3 0,024591
0.0242
f1 =
1.7164
166
UPS Capítulo V
f2 =
f 4* 3 * 4 -0.7759655855
* *
-0.7358
Curvas de Aprendizaje
Algoritmo LMS
Curva de Aprendizaje LMS
0.7
0.6
0.5
0.4
MSE
0.3
0.2
0.1
0
0 50 100 150 200 250 300 350 400
Numero de Iteraciones k
167
UPS Capítulo V
Algoritmo CLMS
Curva de Aprendizaje CLMS
0.55
0.5
0.45
0.4
0.35
MSE
0.3
0.25
0.2
0.15
0.1
0.05
0 50 100 150 200 250 300 350 400
Numero de Iteraciones k
168
UPS Capítulo V
Algoritmo FCLMS
Curva de Aprendizaje FLMS
0.4
0.35
0.3
0.25
MSE
0.2
0.15
0.1
0.05
0
0 50 100 150 200 250 300 350 400
Numero de Iteraciones k
169
UPS Capítulo V
1.5
1
Valor del Peso
0.5
-0.5
-1
0 50 100 150 200 250 300 350 400
Numero de Iteraciones k
1.5
1
Valor del Peso
0.5
-0.5
-1
0 50 100 150 200 250 300 350 400
Numero de Iteraciones k
170
UPS Capítulo V
Algoritmo FCLMS
1.5
1
Valor del Peso
0.5
-0.5
-1
0 50 100 150 200 250 300 350 400
Numero de Iteraciones k
171
UPS Capítulo V
Curvas de Aprendizaje
0.6
0.5
0.4
MSE
0.3
0.2
0.1
0
0 50 100 150 200 250 300 350 400
Numero de Iteraciones k
En el caso de la curva CLMS (azúl) las iteraciones no son tan altas como las
que usa el algoritmo LMS, que son alrededor de 40 para este ejercicio dado. Se
puede ver que se ha creado ya un mejor filtro con su algoritmo respectivo, más
eficiente, rápido y adaptable a las diferentes señales de ingreso que puedan darse, sin
embargo, el último filtro y algoritmo creado, presenta mejores características como
se pueden ver en la curva FCLMS (cyan), demostrando que el filtro puede adaptarse
en tan solo 9 iteraciones para poder predecir correctamente la función de entrada.
172
UPS Capítulo V
ALGORITMO ITERACIONES
LMS 290
CLMS 40
FCLMS 9
1.5
1
Valor del Peso
0.5
-0.5
-1
0 50 100 150 200 250 300 350 400
Numero de Iteraciones k
173
UPS Capítulo V
Tanto la curva CLMS (azul) como FCLMS (cyan) son parecidas pero sigue
siendo la curva que representa al algoritmo FCLMS un poco mejor, pues vemos que
llega primero a su valor optimo del filtro, significando que esta converge al valor
deseado de manera más rápida. Otra aclaración sería, que esta curva FCLMS
mantiene un ritmo constante sobre el valor óptimo y no tiende a tener saltos que se
alejen del valor óptimo para los taps como en ciertas iteraciones presenta el CLMS.
Esto en realidad es casi irrelevante debido a que el filtro siempre tenderá a su valor
ideal después de dichos saltos en algunas iteraciones, pero con esto se puede
demostrar una vez más que la curva FCLMS mantiene estable al filtro al transcurrir
su paso en el tiempo de la señal, lo que es fundamental para obtener datos fiables y
sin picos o interrupciones a la salida.
174
UPS Conclusiones y Recomendaciones
Conclusiones y Recomendaciones
El nuevo modelo con respecto a los otros dos métodos de aprendizaje (LMS y CLMS)
con los cuales se lo comparó proporciona una mayor velocidad de convergencia,
con menos iteraciones para converger a los valores “próximos” a lo que propone
Wiener ó resultados deseados como se muestra en las simulaciones, el nuevo
algoritmo creado para este sentido es más eficiente y veloz en llegar a los valores
deseados.
VI
UPS Conclusiones y Recomendaciones
Una más de las ventajas que presentan el nuevo modelo que al contrario de un filtro
normal no se necesita de aproximaciones estadísticas para los datos de correlación
de la señal de deseada con la señal de entrada, y menos aun para la autocorrelación
de las señal de entrada. El filtro adaptativo es aplicable para estos casos aun
sabiendo que la señal de entrada es no estacionaria.
VII
UPS Bibliografía
Bibliografía
Libros:
Internet:
http://www.pacop.net/transformada-de-fourier-fft.html
http://www.elprisma.com/
http://www.edicionsupc.es/ftppublic/pdfmostra/TL03902M.pdf
http://www.tecnun.es/asignaturas/tratamiento%20digital/tema6.pdf
http://www.elo.utfsm.cl/~elo340/apuntes/tvd/cap6.pdf
http://www.nlm.nih.gov/medlineplus/spanish/ency/article/003868.htm
IX
UPS Glosario
GLOSARIO
Aliasing: Efecto que causa que señales continuas distintas se tornen indistinguibles
cuando se les muestrea digitalmente; la señal original no puede ser reconstruida de
forma unívoca a partir de la señal digital. Una imagen limitada en banda y
muestreada por debajo de su frecuencia de Nyquist en las direcciones "x" e "y",
resulta en una superposición de las replicaciones periódicas del espectro G(fx ,fy).
Este fenómeno de superposición periódica sucesiva es lo que se conoce como
aliasing, afecta a la conversión analógica-digital de señales de audio y vídeo: el
muestreo incorrecto de señales analógicas puede provocar que señales de alta
frecuencia presenten dicho aliasing con respecto a señales de baja frecuencia. El
aliasing es también una preocupación en el área de la computación gráfica e
infografía, donde puede dar origen a patrones de moiré (en las imágenes con muchos
detalles finos) y también a bordes dentados. El aliasing puede traer problemas sobre
todo en el campo de visión por computadores, ya que al procesar imágenes, si no es
correcta la imagen obtenida con la realidad, podemos tener problemas con el
hardware.
X
UPS Glosario
Biunívoca: Cada elemento del primer conjunto se corresponde con solo un elemento
del segundo conjunto, y cada elemento del segundo conjunto se corresponde con solo
un elemento del primer conjunto.
XI
UPS Glosario
Correlación: Indica la fuerza y la dirección de una relación lineal entre dos variables
aleatorias. Se considera que dos variables cuantitativas están correlacionadas cuando
los valores de una de ellas varían sistemáticamente con respecto a los valores
homónimos de la otra: si tenemos dos variables (A y B) existe correlación si al
aumentar los valores de A lo hacen también los de B y viceversa; la correlación entre
dos variables no implica, por sí misma, ninguna relación de causalidad
Data sheets: Documentos en los que se detallan las características técnicas, físicas,
de funcionamiento y comportamiento de dispositivos o equipos.
XII
UPS Glosario
Iteración: Acción de repetir una serie de pasos un cierto número de veces o a las
técnicas que se usan en métodos iterativos para la resolución de problemas
numéricos
Mantisa: Parte de una representación en punto flotante que contiene los dígitos
significativos del número a representar, el orden de magnitud de los cuales está
determinado por el exponente.
XIII
UPS Glosario
Por ejemplo,
XIV
UPS Glosario
Ruido Aditivo: Ruido aditivo (denominado n(t)) es aquel que se adiciona a la señal
de voz (s(t)) en el dominio lineal obteniéndose una señal ruidosa (y(t)), es decir,
y(t ) s(t ) n(t )
XV
UPS Glosario
Unívoca: De lo que tiene igual naturaleza, valor o significación que otra cosa.
XVI
UPS Glosario
XVII
UPS Anexos
Anexos
XVIII
UPS Anexos
%************Matriz R y
P**************************************************
Xk=toeplitz([0 0 0],[0 xk(1:M-1) xk(1:M-2)]);
MV=cov(Xk');
R=[MV(1,1) MV(1,2); MV(1,2) MV(1,1)]
%Matriz Correlacion de Ingreso R
P=[MV(1,2) MV(1,3)]'
%Vector Columna P
aoptimo=(R)^-1*P
%Solución optima del vector de Peso de Wiener LMS
aoptimoCLMS=[aoptimo(1,1);(MV(1,2)/MV(1,1))^2*aoptimo(2,1)] %
Solución optima del vector de Peso de Wiener CLMS
%************Algoritmo
LMS*************************************************
X=[0 xk(1:M-1);0 0 xk(1:M-2)]; %Señal de entrada al Filtro
dk=xk; %Señal Esperada o deseada.
(En Nuestro caso señal de Entrada sin distorcion)
ve=MV(1,1); %E(xn^2)
mseLMS=ve-P'*aoptimo %MSE minimo(Error Cuadratico
Medio Minimo)
A=[0;0]; %De 2 filas para simular el
efecto de entrada de la senal en 2 vueltas al filtro.
CA=[ve]; %Curva de Aprendizaje LMS
for n=1:M-1
e(n)=dk(n)-X(:,n)'*A(:,n); %Vector error Ek=(dk - W*Xk)
temp=A(:,n)+2*mu*e(n)*X(:,n); %Wk+1=Wk +2*u*Ek*Xk
Valor Esperado del Vector de Peso. (2x1)
A=[A temp]; %a1* y a2* LMS Estimamos el
valor de MSE min para ver la curva. (2xM) Va incrementando hasta M
columnas
templc=ve+temp'*R*temp-2*P'*temp; %Se van creando datos para
LC
CA=[CA templc]; %Representa la curva de
aprendizaje LMS
end
%*************Algoritmo
CLMS***********************************************
ve1=MV(1,1); %E[xn^2]
XVII
UPS Anexos
ve2=R2;
CA2=[ve2];
a2=R2\P2; %Etapa del Filtro en
cascada, tap2
%*************First
stage**************************************************
X1=[0 xk(1:M-1)]; %Vector Senal de entrada para la
1era sub etapa del filtro en cascada.
dk=xk; %Senal deseada
A1=[0]; %Vector para la creacion de
valores tap1, inicializado en 0.
for n=1:M-1; %Inicio del Bucle para la
creacion del Vector tap1 y curva de aprendizaje LC1
e1(n)=dk(n)-X1(:,n)'*A1(:,n); %Vector error Ek=(dk - W*Xk)
para la etapa 1 del Algoritmo CLMS
temp1=A1(:,n)+2*mu*e1(n)*X1(:,n); %Variable temporal para la
creacion final del vector de valores del Tap1
A1=[A1 temp1]; %Vector Tap1
Lc1=ve1+temp1'*R1*temp1-2*P1'*temp1;%Variable Temporal para la
creacion del vector de la curva de aprendizaje LC1
CA1=[CA1 Lc1];
LCf2=[LCf2 Lc1-((P2^2)/Lc1)]; %Vector de la Curva de
aprendizaje
end
%*************Second
stage*************************************************
Y=[0 e1(1:M-1)]; %Entrada para la etapa2 - Salida
de la etapa1 - Algoritmo CLMS
Yk=toeplitz([0 0],[0 e1(1:M-1)]);
MV2=cov(Yk');
R22=MV2(1,1); %Matriz de Correlacion de
entrada R2
P22=MV2(1,2); %Vector Columna P2
dk3=e1(1:M-1);
A2=[0]; %Vector para la creacion de
valores tap2, inicializado en 0
for n=1:M-1
XVIII
UPS Anexos
%///////////////////////////////////////////////////////////////////
///////
%*******************************************************************
*******
%************************ALGORITMO
FCLMS***********************************
%///////////////////////////////////////////////////////////////////
///////
xkM=0.35365*cos(4*pi*k/N)-0.77315*cos(2*pi*k/N)+0.51;
ve1M=MVM(1,1); %E[xn^2]
CA1M=[ve1M]; %Variable Temporal
LCf2M=[ve1M]; %Variable que nos
representara la curva de aprendizaje CLMS
R1M=MVM(1,1);
P1M=MVM(1,2);
a1M=P1M/R1M; %Etapa del Filtro en
cascada, tap1.
mse1CLMSM=ve1M-P1M'*a1M %MSE minino para la
etapa1.
ve2M=R2M;
XIX
UPS Anexos
CA2M=[ve2M];
a2M=R2M\P2M; %Etapa del Filtro en
cascada, tap2
%*************First
stage**************************************************
X1M=[0 xkM(1:M-1)]; %Vector Senal de entrada
para la 1era sub etapa del filtro en cascada.
dkM=xkM; %Senal deseada
A1M=[0]; %Vector para la creacion
de valores tap1, inicializado en 0.
for n=1:M-1; %Inicio del Bucle para
la creacion del Vector tap1 y curva de aprendizaje LC1
e1M(n)=dkM(n)-X1M(:,n)'*A1M(:,n); %Vector error Ek=(dk -
W*Xk) para la etapa 1 del Algoritmo CLMS
temp1M=A1M(:,n)+2*mu*e1M(n)*X1M(:,n); %Variable temporal para
la creacion final del vector de valores del Tap1
A1M=[A1M temp1M]; %Vector Tap1
Lc1M=ve1M+temp1M'*R1M*temp1M-2*P1M'*temp1M; %Variable Temporal para
la creacion del vector de la curva de aprendizaje LC1
CA1M=[CA1M Lc1M];
LCf2M=[LCf2M Lc1M-((P2M^2)/Lc1M)]; %Vector de la Curva de
aprendizaje
end
%*************Second
stage*************************************************
YM=[0 e1M(1:M-1)]; %Entrada para la etapa2 -
Salida de la etapa1 - Algoritmo CLMS
YkM=toeplitz([0 0],[0 e1M(1:M-1)]);
MV2M=cov(YkM');
R22M=MV2M(1,1); %Matriz de Correlacion de
entrada R2
P22M=MV2M(1,2); %Vector Columna P2
dk3M=e1M(1:M-1);
A2M=[0]; %Vector para la creacion de
valores tap2, inicializado en 0
for n=1:M-1
e2M(n)=dk3M(n)-YM(:,n)'*A2M(:,n); %Vector error Ek=(dk - W*Xk)
para la etapa 2 del Algoritmo CLMS
temp2M=A2M(:,n)+2*mu*e2M(n)*YM(:,n); %Variable temporal para la
creacion final del vector de valores del Tap2
A2M=[A2M temp2M]; %Vector valores de
convergencia Tap2
Lc2M=ve2M+temp2M'*R22M*temp2M-2*P22M'*temp2M;
CA2M=[CA2M Lc2M];
end
XX
UPS Anexos
figure(1);clf
plot(k,A,'k'); %Curva del Vector del Tap1 y Tap2 a*
LMS
hold on
grid on;
%///////////////////////////////////////////////////////////////////
///////
XXI
UPS Anexos
figure(2);clf
title('Curva de Aprendizaje LMS / CLMS / FCLMS')
xlabel('Numero de Iteraciones k')
ylabel('MSE')
grid on;
XXII
UPS Anexos
Razones:
Las razones por las cuáles se aplica este examen son para identificar:
-Daños en el corazón.
-el efecto que están produciendo algunos dispositivos dentro del corazón
como un marcapasos.
-Para comprobar la rapidez con la que esta latiendo el corazón e identificar su
normal o anormal funcionamiento según los resultados.
-Para identificar la posición de las cámaras del corazón.
-Si un paciente presenta dolor torácico, se puede tomar un ECG que puede
identificar cualquier anomalía como una cardiopatía.
Aplicación en la práctica.
Para el caso específico, como se nombro en el título de esta aplicación, lo que
se quiere obtener es el Electrocardiograma fetal (fECG), pero con el problema de que
se tiene como interferencia el Electrocardiograma materno (mECG).
XXIII
UPS Anexos
Existe una nula correlación entre f(n) y M’(n) por lo que el sistema modelara
la señal M(n), y en este caso la señal de error es f(n) que la señal que se quiere
obtener. Se debe denotar que el punto clave se encuentra en la correlación entre las
fuentes de ruido, así como la estimación de que no existe relación entre la señal de
ruido de la que se quiere obtener.
f ( n) M ( n) Señal Deseada
+
-
M * ( n)
M '(n) Predictor Señal de error
D Lineal
z FIR
e( n ) f ( n ) M * ( n )
Retardo de la
decorrelación Algoritmo
Adaptativo
XXIV
UPS Anexos
Gráficas.
Gráficamente se verá el resultado que se obtiene de las diferentes señales que
representan los diferentes ECGs, tanto de la madre, fetal, la síntesis entre ambas y el
resultado obtenido al final del filtro
mECG
XXV
UPS Anexos
fECG
XXVI
UPS Anexos
XXVII