Convolución y Correlación Discreta
Wilson Leonardo Abello Alvarez
Gabriel Felipe Silva Espejo
Mario Alejandro Reyes Medina
Facultad de Ingeniería
Programa de Ingeniería Electrónica extensión Tunja
Universidad Pedagógica y Tecnológica de Colombia
Tunja, Boyacá – Colombia
[email protected] [email protected] [email protected] Resumen -- En este documéntenlo se detalla el desarrollo
y validación correspondiente a la convolución y correlación (2)
entre dos señales, este se divide en dos partes, la primera se
encuentra el análisis matemático de las señales y su MATLAB
simulación en el software MATLAB y para la segunda parte
se encuentra la implementación en la plataforma FPGA
usando el software Quartus II.
I. INTRODUCCIÓN
II. DESARROLLO DE LA PRACTICA
3.2.1
Se calculó de manera analítica la DFT y la IDFT de las dos
señales, la primera era una señal alternante igual a:
Donde se tienen 6 muestras y partiendo de la definición de
la DFT:
(1) Fig.1. Señal alternante (en verde) y señal cuadrada (en azul) en
MATLAB
Se obtiene la que: Mediante el comando fft en Matlab se obtiene los espectros
real e imaginario de ambas señales
El desarrollo completo del punto, se anexó en DFT-
IDF.pdf.
Para la segunda señal la secuencia de muestras corresponde a
una señal cuadrada igual a:
Y partiendo de la misma definición que la señal anterior (1)
se llegó a la siguiente expresión:
Fig.2. Espectros real e imaginario Señal alternante (en verde) y
Espectros real e imaginario señal cuadrada (en azul) en MATLAB
Ahora bien, con estos espectros identificados se procede a obtener,
El desarrollo completo del punto, se anexó en DFT- los espectros de magnitud y fase se usan los comandos abs y angle
IDF.pdf. respectivamente.
Una vez obtenido el espectro real, el imaginario, el de fase
y el de magnitud se procedió a obtener la IDFT de las dos
señales anteriores utilizando la siguiente expresión:
espectros como de magnitud y de fase al igual que real e
imaginario debido a que esta es una sumatoria infinita se
funciones sinodales y cosenoidales en diferentes frecuencias
por esta razón se observa que a lo largo de la grafica los
armónico impares de la señal presentan magnitud y fase.
PREGUNTAS
a) ¿Qué aplicaciones tiene la correlación de señales en
el análisis de señales estocásticas?
Es aplicable a tipo de señales que son resultado de eventos
físicos que dependen de muchos factores y su complejidad,
tienen la característica de no ser predecible, pero podrían ser
caracterizados ya que poseen algún tipo de regularidad [5],
estas pueden ser aplicada a:
Fig.3. Espectros de magnitud y de fase Señal alternante (en verde) y
Espectros de magnitud y de fase señal cuadrada (en azul) en
MATLAB
La detección automática de señales sísmicas.
Posterior a esto se toma la función resultante en el procedimiento permite la modelización espacial de la distribución de
anterior mediante el comando ifft se realiza la transformada inversa la variable por medio de la “función de densidad
para corroborar que los espectros obtenidos corresponden a la señal espectral
original como se muestra a continuación realización de sonares y radares
PARA INVESTIGAR
¿Qué es un sistema blind source separation? Su
modelo y aplicaciones.
La separación ciega de fuentes (BSS) es una técnica de
procesamiento de señales que consiste en separar señales o
información contenida en una mezcla de señales de las que no
se tiene mucha información sobre su estadística [2][3],
asumiendo que cada una tiene una distribución no gaussiana y
es estadísticamente independiente de las demás. [2]
Los métodos típicos para la separación de fuentes ciegas
incluyen [1]:
Fig.4. Reconstrucción de las señales mediante el comando ifft Señal
alternante (en verde) y señal cuadrada (en azul) en MATLAB 1. Análisis de componentes principales (PCA)
2. Descomposición de valores singulares (SVD)
3. Análisis de componentes independientes (ICA)
Continuando con el análisis de DFT e IDFT se realizan las 4. Análisis de componentes dependientes (DCA)
transformadas inversas dicho procedimiento se realizó usando 5. Transformada de Fourier a corto plazo (STFT)
el método de transformada inversa Z el procedimiento se 6. Técnica de estimación de desmezcla degenerada
muestra en el documento TDIF.pdf (DUET)
7. Ortogonal dad disjunta W
III. ANÁLISIS DE RESULTADOS
8. Matrices propias de diagonalización aproximada
Se puede decir que de la señal alternante no existe espectro conjunta (JADE)
imaginario igual que de fase dado a que esta se puede ver 9. Análisis de escena auditiva computacional (CASA)
como una señal coseno la cual corresponde a la parte real de 10. Algoritmo de módulo constante (CMA)
una exponencial compleja, además de esto se nota también
que su espectro de magnitud corresponde a la parte real y que Modelo:
su única componente se presenta en la frecuencia fundamental
de la señal, en cuanto a la señal cuadrada esta presenta ambos
Para el modelo BSS de audio se tiene que m micrófonos que
reciben señales de n fuentes distintas, dando como resultado Para que sirve:
un sistema de ecuaciones lineales:
El objetivo del Análisis de Componentes Principales es
identificar a partir de un conjunto de p variables
correlacionadas (que miden información común), otro
conjunto de k (k<p) variables no directamente observables,
denominadas factores, tal que [4]:
(1)
- k sea un número pequeño
- se pierda la menor cantidad posible de información
La forma matricial del sistema de ecuaciones queda de la - la solución obtenida sea interpretable.
forma X=A.X.
Principalmente aplicadas para resumir patrones comunes de
Donde X es la matriz de las señales observadas, A la matriz variación entre variables.
cuadrada de n x n que contiene los coeficientes de las mezclas
aleatorias, y S la matriz que contiene las señales fuente como
se muestra en la figura 18.
Aplicaciones:
Reducción de ruido en señales electrocardiográficas.
Descomposición de modo empírico para la
clasificación de tareas de imaginería motora en
interfaz cerebro computador.
Análisis espectral.
Analizar los sonidos emitidos por la voz humana.
CONCLUSIONES
Fig.18. Modelo BSS. [2] La convolución y correlación discreta es una de las
técnicas más importantes dentro del campo del
Este sistema tiene solución siempre y cuando m ≥ n, (se tiene procesamiento digital de señales, la convolución
consiste en la combinación de dos señales para
al menos el mismo número de sensores que dé señales fuentes)
[2]. formar una tercera señal, mientras que la correlación
permite comparar dos señales para determinar la
Cuando n > m (mayor número de fuentes que de sensores) el correlación o similitud entre dos señales.
modelo se transforma en BSS no-determinado [2].
La correlación es una técnica muy conveniente a la
Aplicaciones: hora de analizar señales cuya tendencia de ser
examinadas es muy baja, como son las de tipo de
Es utilizada para el procesamiento en la reducción de eventos naturales ya que la probabilidad de que se
ruido donde las señales que se desean están aisladas realicen dependen de muchos factores desconocidos,
de interferencias y otras fuentes de ruido. pero ya que en algún punto poseen algunas
En las comunicaciones por radio, utilizada para regularidades hacen que puedan ser caracterizadas
diferenciar las mezclas de señales de comunicación mediante la correlación.
recibidas por los conjuntos de antenas.
[1] ‘Se ha utilizado en el procesamiento de
marcadores biomédicos como el electrocardiograma La convolucion y la correlación comparten
(EKG / ECG), el electromiograma (EMG) y otros características como que son operadores lineales,
bio-potenciales’. homogéneos, y su gran diferencia es que no
comparten a propiedad de la conmutatividad.
¿qué es el análisis de componentes principales?
Dado a que el módulo de convolución y correlación
no recibía las señales mor medio de un hardware
Es una técnica utilizada para describir un conjunto de datos en
externo sino de un archivo .mif no fue necesario
términos de nuevas variables no correlacionadas.
tener en cuenta el tiempo de muestreo para el
funcionamiento del mismo dado a que los datos que
se obtienen del archivo en el cual se genera la señal
se encarga de realizar este proceso de muestreo.
REFERENCIAS
[1] https://www.vocal.com/blind-signal-separation/
[2] C. A. Lemus and D. M. Ballesteros, “Separación
ciega de fuentes no-determinada aplicada a mezclas de voz
con base en la transformada wavelet discreta,” Ingeniare, vol.
20, no. 3, pp. 312–319, 2012.
[3] I. A. Bilbao and E. M. Moreno, “Separación ciega de
fuentes,” Buran, no. 19, pp. 63–72, 2003.
[4] Universidad Carlos III de Madrid, “Tema 3: Análisis
de Componentes Principales,” Conserv. Ex Situ, vol. 39, no. 2,
pp. 572–579, 1996.
[5] R. D. León Vasquez, Introducción al procesamiento
de señales estocásticas. 2014.
