Universidad Nacional de San Agustín

Facultad de Ingeniería de Producción y Servicios

Escuela Profesional de Ingeniería de
Telecomunicaciones

Procesamiento Digital de Señales (PDS)

Ing. Juan Carlo Cuadros Machuca

Diseño de Filtros Óptimos

Autores:
Leon rojas, Erick Frank
Manuel Ortiz, Edwin
Diseño de Filtros Digitales

[Link] Generales

En esta instancia tenemos una gran cantidad de filtro digitales FIR como IIR de los cuales
podemos escoger dependiendo de lo que queramos hacer.

En caso de los filtros FIR podemos utilizarlos en fase lineal, pero los más utilizados en esto
son los IIR gracias a sus lóbulos laterales menores en su banda de rechazo y por eso puede
aguantar cierta distorsión en fase, también utiliza menos parámetros para su
implementación y menos trabajo computacional.

[Link] y sus Aplicacione

Para que un filtro sea factible en la práctica tiene que ser no causal, que se puede llegar a
obtener introduciendo un retardo grande ​n0 ​en ​h(n) ​y de una manera arbitraria hacer que
h(n)=0 ​para ​n<n0​,aunque su característica en frecuencia ya no sea lineal, ya que su
expansión en Serie de Fourier provocaría el fenómeno de Gibbs.

Para que el filtro sea causal debe obedecer el teorema de Paley-Wiener:

π
“Si ​h(n) ​tiene energía finita y ​h(n)=0 ​para ​n<0​, entonces: ∫ |ln |H(ω)|| dω < ∞ ”
−π

La causalidad en el sistema lineal e invariante en el tiempo exige serias limitaciones de su

parte real imaginaria en su respuesta en frecuencia ​H(n)​, Pero también nos proporciona
simpleza como por ejemplo cuando ​h(n)​ es causal y se puede rescatar a partir de su parte
par ​he(n)​ para 0 ≤ n ≤ ∞ ó de su parte impar h
​ 0(n)​ para 1 ≤ n ≤ ∞ , cuyas Transformadas de
Fourier Independientes son ​HR(w)​ y ​H1(w)​, respectivamente, además son absolutamente
sumables:

H (ω) = H R(ω) + j H1(ω)

● H (ω) no debe ser cero a menos que se trate de un conjunto finito en frecuencia.
● |H(ω)| no debe ser constante en ningún rango finito de frecuencia y cuya transición
de banda de paso de rechazo no debe ser infinitamente abrupta. Cuyo componente
real e imaginaria son independientes.
● La magnitud y la fase de H (ω) no se pueden escoger de manera arbitraria.

[Link]ísticas de Filtros Prácticos Selectivos en Frecuencia

Cuando un filtro es no causal es posible utilizarlo en el procesamiento de

señales en tiempo real, y aunque tienen muchas restricciones poseen una gran
precisión a través de los coeficientes del filtro {ak} y {bk}, así como (M,N) en los
coeficientes del filtro.
H (ω) debe ser constante en toda la banda de paso del filtro aunque no sea
necesariamente cero en la banda de rechazo, δ 1 y δ2 , respectivamente expresados en
escala logarítmica ( 20logδ1, 20logδ2[dB] ); tanto en la banda de paso como en la 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
ω s − ω p y está delimitado por ω p que es el límite superior de la primera banda mientras que
ω s el comienzo de la segunda.

La magnitud |H(ω)| puede variar entre n ± δ 1 ser constante en toda la banda de paso del
filtro aunque no sea.

Cuando necesitamos diseñar un filtro debemos tener en cuenta varias especificaciones

como por ejemplo:

1. Máximo rizado tolerable en la banda de paso

2. Máximo rizado tolerable en la banda de rechazo
3. Frecuencia de corte en la banda de paso ω p
4. Frecuencia de corte en la banda de paso ω s

[Link]ño de Filtros FIR

[Link] FIR Simétricos y Asimétricos

La causalidad en un Filtro refleja que este tiene una duración finita, la simetría es una
importante propiedad que nos sirve para el diseño de filtros dependiendo de la aplicación
que a este se le otorgue, eligiendo la M longitud adecuada o número de coeficientes a partir
de una especificación de la respuesta en frecuencia deseada.
Las raíces de la función de transferencia de un Filtro FIR de fase lineal nos dan los ceros
que deben ocurrir en pares recíprocos que pueden tener parte real y parte e imaginaria que
nos darán de igual manera las raíces serán complejos conjugados simétricos.

Su respuesta en frecuencia es:

−jω(M −1)/2
H (ω) = H r(ω)e

Donde H r(ω) es la parte real:

(M −3)/2
H r(ω) = h( M2−1 ) + 2 ∑ h(n)cosω( M2−1 − n) , M par
n=0

(M −2)/2
H r(ω) = 2 ∑ h(n)cosω( M2−1 − n) , M impar
n=0

Y la característica en fase para M par o impar es:

θ(ω) =− ω ( M2−1 ), si Hr(ω) > 0

θ(ω) =− ω ( M2−1 ) + π , si Hr(ω) < 0

Cuando h(n) =− h(M − 1 − n) la respuesta impulsional es asimétrica para M impar cuyo punto
central es n = (M − 1)/2 , pero si M es par cada término h(n) tendrá un término emparejado
pero de signo contrario. La respuesta en frecuencia es:

j[−ω(M −1)/2+π/2]
H (ω) = H r(ω)e

(M −3)/2
H r(ω) = 2 ∑ h(n)cosω( M2−1 − n) , M par
n=0

(M −2)/2
H r(ω) = 2 ∑ h(n)cosω( M2−1 − n) , M impar
n=0

Su característica de fase para M par o impar es:

π
θ(ω) = 2 − ω ( M2−1 ), si Hr(ω) > 0

π
θ(ω) = 2 − ω ( M2−1 ) + π , si Hr(ω) < 0

Cuando M se debe especificar (M-1)/2 coeficientes del filtro, mientras que para M par se
debe especificar M/2 coeficientes; eso sí debemos especificar que h( M2−1 ) = 0 .

[Link]ño de Filtros FIR de Fase Lineal Usando Ventanas

El uso de ventanas nos ayuda a suavizar las características en frecuencia H (ω) de un Filtro
FIR y a que los lóbulos laterales no sean demasiado grandes cerca de la banda de paso y la
de rechazo, que provocan rizados y grandes oscilaciones que incrementan en frecuencia
pero no en amplitud a medida que aumenta M, produciendo el indeseable Fenómeno de
Gibbs; a expensas de un incremento en el ancho de banda de transición del filtro, a menos
que se incremente la longitud del filtro.

Es necesario especificar antes la respuesta en frecuencia deseada H d(ω) para determinar

a la correspondiente respuesta al impulso hd(n) , relacionándolas
mediante su Transformada de Fourier:

∞
−jωn
H d(ω) = ∑ hd(n)e
n=0

Donde:

∞
jωn
hd(n) = 1
2π ∫ H d(ω)e dω
−∞
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.

Las ventanas logran el efecto de suavizado en la respuesta en frecuencia gracias a que no

contienen discontinuidades abruptas en el dominio del tiempo; existen varias funciones
ventana con distintas características en el tiempo y que danmayor o menor efecto de
suavizado en el dominio frecuencial como se puede observar en la Tabla.

NOMBRE DE SECUENCIA EN EL DOMINIO ANCHO DE PICO DE

VENTANA DEL TIEMPO h(n), 0 ≤ n ≤ M − 1 TRANSICIÓN LÓBULOS
APROXIMADA LATERALES
DEL LÓBULO (dB)
PRINCIPAL

Rectangular senωc(n− M2−1) 4π/M -13

π(n− M2−1)
,
M −1
0 ≤ n ≤ M − 1, n = 2

1 − |M −12 |
Bartlett (triangular) 2 n M −1 8π/M -27

1
Hanning 2 (1 − cos M2πn
−1 ) 8π/M -32

hamming 0.54 − 0.46cos M2πn

−1 8π/M -43

Blackman 0.42 − 0.5cos M2πn 4πn

−1 + 0.08cos M −1 12π/M -58

[Link]ño de Diferenciadores FIR

Los Diferenciadores FIR son muy utilizados en la derivación de señales tanto en sistemas
digitales y como en sistemas analógicos, un diferenciador digital ideal es linealmente
proporcional a la frecuencia y su respuesta a la frecuencia es:

H d(ω) = j ω, − π ≤ ω ≤ π

Y su respuesta al impulso es asimétrica:

cosπn
hd(n) = n , − ∞ < n < ∞, n =/ 0

Su respuesta en frecuencia es limitada a un rango 0 < ω < 2πf p , donde fp es el ancho de

banda, la respuesta deseada puede dejarse sin restricciones o forzada a cero en un rango
de 2πf p < ω ≤ π .

Los parámetros más importantes de un diferenciador son su longitud M, su ancho de banda

o frecuencia límite en la banda fp y el pico δ del error relativo de la aproximación.
Debido a que los diferenciadores tienen cero en la respuesta en frecuencia en ω = π (f = 1/2)
, los filtros con M impar son particularmente pobres si su ancho de banda excede fp=0,45;
por este motivo en la práctica se prefieren los 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.

[Link]ño de Transformadores de Hilbert

Utilizados frecuentemente en el procesado de señales y sistemas de comunicaciones,

especialmente en la modulación en banda lateral única; es un filtro pasa todo que da como
resultado a la misma señal de entrada pero desplazada 90° y cuya respuesta en frecuencia
imaginaria, con parte real igual a cero es:

H d(ω) =− j , 0 < ω ≤ π

H d(ω) = j , − π < ω < 0

Su respuesta al impulso de duración finita no caudal es asimétrica, y cero para n par:

2
2 sen (πn/2)
hd(n) = π n , n =/ 0

hd(n) = 0, n = 0

La respuesta en frecuencia real deseada es:

H dr(ω) = 1, 2πf l ≤ ω ≤ 2πf u

Donde fl es la frecuencia de corte inferior y fu la superior.

Para el diseño lo parámetros a considerarse son fl , δ y M que aunque sea par o impar no
presenta ninguna ventaja además de la complejidad computacional que cuando M es impar
es dos veces menor a M par; la siguiente ecuación es una regla que se sigue usualmente
en el diseño de este tipo filtros:

M f l ≈− 0.61logδ

[Link]ón lineal hacia adelante y hacia atrás

El propósito de la predicción es obtener un valor futuro de un proceso estocástico a partir

de la observación del valor pasado del proceso .

Esto lleva a estructuras de filtros celosía y otras conexiones importantes con modelos
paramétricos de señal.
-​ ​Predicción lineal hacia adelante

El valor de se puede predecir por una combinación

ponderada en base de los valores pasados , y los
coeficientes de predicción , el signo que poseen se
deben a la convivencia matemática .

-​ ​Error de predicción

Es la diferencia entre el valor que se predijo y el valor real .

En cuanto a un filtro FIR el error de predicción en forma directa es equivalente a un filtro FIR
en celosía de p etapas , con la función de transferencia:
p
Ap (z) = ∑ ap (k)z −k ap (0) = 1
k=1

Como vemos según el gráfico , la salida sería :

p
f p (n) = ∑ ap (k)x(n − k ) ap (0) = 1
k=1

siendo el error cuadrático medio :

[ ]
p p p
εpf = γ xx (0) + 2Re ∑ ap* (k)γ xx (k) + ∑ ∑ ap* (l)ap (k)γ xx (l − k )
k=1 k=1 k=1

Al simplificar y encontrar su mínimo es :

p
γ xx (l) = − ∑ ap (k)γ xx (l − k ) l = 1, 2....p
k=1

Predicción Lineal hacia atrás

En este caso para obtener algún valor x(n − p) de una secuencia de datos
x(n), x(n − 1)...x(n − p + 1) de un proceso aleatorio :

p−1
︿
x(n) = − ∑ bp (k)n(n − k )
k=1

donde bp (k) son los coeficientes de predicción, los cuales son complejos conjugados de los
de predicción hacia adelante y ocurren en orden contrario

bp (k) = ap* (p − k ) k = 0, 1..., p

Este se puede realizar como un filtro

FIR en ambas formas , en la directa
como en estructura celosía , en
donde la función de transferencia es:

B p (z) = z −p AP* (z −1 )

Donde podemos encontrar su error

de predicción mediante esta fórmula:

p
g p (n) = x(n − p) + ∑ ap* (k)x(n − p − k )
k=1

Y el valor cuadrático medio mediante esta :

[ ]
εpb = E ||g p (n)2 ||

Al simplificar y encontrar su mínima expresión tenemos :

[ ]
εpb = E ||g p (n)2 ||

Coeficientes de reflexión óptimos para los predictores en celosía hacia adelante y

hacia atrás

Para potenciar los coeficientes de reflexión de un filtro en celosía , es importante y mejor

expresarlos en función de los errores de predicción ya sea para adelante o hacia atrás .

El error de predicción de un filtro de predicción hacia adelante en celosía está representada

por :

f m (n) = f m−1 (n) + K m g m−1 (n − 1)

 [ ] con respecto
Minimizando E ||g p (n)2 || a los coeficientes K m tenemos :

−E [f m−1 (n)g *m−1 (n−1)]

Km = f
Eb
√E m−1 m−1

[Link] de los filtros de error de predicción lineal

- Propiedades de fase mínima del filtro de error de predicción hacia adelante

Si algún proceso aleatorio :

M
x(n) = ∑ ak ej(nωk +θk )
k=1

En donde sus fases {θk } estas están distribuidas estéticamente en (0.2π) , esta se
encuentra formado por una mezcla de densidad espectral de potencia continua :

M
ωk
Γxx (f ) = ∑ ak2δ(f − f k ) fk = 2π
k=1
Y un espectro discreto, las raíces del filtro de error de predicción se encuentran
todas dentro de la circunferencia unidad

- Propiedades de fase máxima del filtro de error de predicción hacia atrás

Función de transferencia de un filtro de error de predicción hacia atrás :

B p (z) = z −p AP* (z −1 )
Ap (z) Raíces de un filtro de error de predicción hacia adelante de fase mínima son
los recíprocos a B P (z) que son las raíces de un filtro de error de predicción hacia
atrás de la fase máxima .
Estas raíces yacen sobre la circunferencia unidad si el proceso x(n) es predecible.

- Propiedad de blanqueo

︿
La diferencia entre la salida del predictor x(n) y entre el valor real x(n) disminuye si
se incrementa el orden p del predictor , aproximándose esta diferencia :

︿
f (n) = x(n) − x(n) al Ruido blanco

- Ortogonalidad de los errores de predicción hacia atrás

los errores de predicción hacia atrás {g m (k)} de un filtro FIR de varias etapas
ortogonales:

0, 0 ≤ l ≤ m − 1
 [ ]
E g m (n)g1* (n) = E mb , l = m

- Propiedades adicionales

Tenemos algunas propiedades extras :

* E [f m (n)x(n − i)] = 0 , 1≤i≤m

* E [g m (n)x(n − 1)] = 0, 0≤i≤m−1
* E [f m (n)x(n)] = E [g m (n)x(n − m)] = E m

[Link] de wiener para predicción y filtrado

La señal de entrada {x(n)} está disponible

desde un pasado infinito , y a la vez está
conformada por la señal deseada {s(n)} y
también por una interferencia aditiva {w(n)}
y es to es justamente lo que hace un filtro
lineal con respuesta al impulso {h(n)} ,
se encarga de rechazar o eliminar la
interferencia no deseada mientras mantiene intactas sus características de la señal desea ,
siendo la salida el filtro {y(n)}

Filtro FIR de wiener

Es un filtro de longitud M, este depende del registro finito x(n), x(n − 1), ...., x(n − M + 1) , y los
coeficientes {hk , 0 ≤ k ≤ M − 1} en donde da una salida :

M −1
y (n) = ∑ h(k)x(n − k )
k=0

Donde el valor cuadrático medio del error entre la salida deseada d(n) e y y(n)
es :

| M −1 |
εM = E ||d(n) − ∑ h(k)x(n − k )||
| k=0 |

Al minimizar esta ecuación da como resultado un conjunto de ecuaciones lineales de

Wiener-Holp:

M −1
∑ h(k)γ xx (l − k ) = γ dx (l)
k=0

Donde :
γ xx (k) Es la autocorrelación de la secuencia de entrada {x(n)}
 γ dx (k) Es la correlación cruzada en donde γ dx (k) = E [d(n)x* (n − k )]
y la secuencia de entrada {x(n), 0 ≤ n ≤ M − 1}

Principio de ortogonalidad en estimación lineal de mínimos cuadrados

Un filtro tiene una salida aproximada :

M
x(n) = ∑ ak e(nωk +θk )
k=1

Esta salida también se puede representar geométricamente ,por un vector en el

︿
sub-espacio desde d(n) hasta d(n)

︿
Es decir d(n) = e(n) + d(n) desplegado por los valores x(k), 0 ≤ k ≤ M − 1

El principio de ortogonalidad se basa en que la longitud εM = E |e(n)|2 es un mínimo

si e(n) es perpendicular o ortogonal a cada rato x(k), 0 ≤ k ≤ M − 1 al seleccionar los
coeficientes del filtro y usando el principio de ortogonalidad se obtiene el MSE
residual mínimo:

M M SE M = E [e(n)d* (n)]

Filtro HR de Wiener
Este filtro es de longitud y secuencias de datos de longitud infinita , y la salida es :
∞
y (n) = ∑ h(k)x(n − k )
K=−∞

En donde los coeficientes se usan para minimizar el error cuadrático medio entre la
salida deseada d(n) y y(n) :
 | ∞ |2
| |
ε∞ = E |d(n) − ∑ h(k)x(n − k )|
| k=−∞ |

y mediante el principio de ortogonalidad obtenemos las ecuaciones de Wiener -Ho

pf

∞
∑ h(k)γ xx (l − k ) = γ dx (l) l≥0
k=−∞

y para obtener el MMSE residual :

∞
M M SE ∞ = minε∞ = ∑ hopr (k)γ dx
* (k)
k=−∞