INGENIERIA ELECTRONICA Y TELECOMUNICACIONES
PROCESAMIENTO DIGITAL DE SEÑALES
LABORATORIO 05
TRANSFORMADA DISCRETA DE FOURIER
ALUMNO: FRITZ ALVAREZ CRUZ
CICLO: IX
DOCENTE: ING. GUSTAVO PAZ PURIZACA
LIMA, PERÚ
2015
MATRIZ
Introducción
Las matrices y los determinantes son herramientas del ´algebra que facilitan el ordenamiento de
datos, así como su manejo.
Los conceptos de matriz y todos los relacionados fueron desarrollados básicamente en el siglo XIX
por matemáticos como los ingleses J.J. Sylvester y Arthur Cayley y el irlandés William Hamilton.
Las matrices se encuentran en aquellos ámbitos en los que se trabaja con datos regularmente
ordenados y aparecen en situaciones propias de las Ciencias Sociales, Económicas y Biológicas.
Definición
Una matriz es una tabla rectangular de números reales dispuestos en filas y columnas del modo:
Abreviadamente se puede expresar A = (aij). Cada elemento de la matriz lleva dos subíndices. El
primero de ellos “i”, indica la fila en la que se encuentra el elemento, y el segundo, “j”, la columna.
Así el elemento a23 esta en la fila 2 y columna 3. Las matrices siempre se representaran con letras
mayúsculas.
Tipos de matrices
1. Se llama matriz nula a la que tiene todos los elementos cero.
Por ejemplo,
es una matriz nula de tamaño 2x5.
2. Se llama matriz fila a la que solo tiene una fila, es decir su dimensión es 1xn.
Por ejemplo,
es una matriz fila de tamaño 1x4.
3. Se llama matriz columna a la que sólo consta de una columna, es decir su dimensión será
mx1
, como por ejemplo:
es una matriz columna de tamaño 3x1.
ALGUNAS FUNCIONES BÁSICAS DE MATRICES EN MATLAB:
Funcion Descripción
eye matriz identidad
zeros matriz de ceros
ones matriz de unos
diag matriz diagonal
triu matriz triangular superior
tril matriz triangular inferior
magic cuadrado mágico
rand matriz de números. aleatorios
inv(x) Calcula la inversa de una
matriz cuadrada
det(x) Calcula el determinante de
una matriz cuadrada
toeplitz(v) define una matriz simétrica de
diagonal constante con v como
primera fila y primera columna.
toeplitz(w, v) define una matriz simétrica de
diagonal constante con w como
primera columna y v como
primera fila.
trace(A) es la traza = suma de los
elementos de la diagonal = suma
de autovalores.
imshow(f,G) donde f es la imagen a mostrar y
G es el número de niveles
de intensidad a mostrar.
LA TRANSFORMADA RAPIDA DE FOURIER
Considérese la Transformada Discreta de Fourier (DFT):
N 1
j . 2. . n. k
X( n) x 0 ( k ) . exp
N
k=0 n 0 .. N 1 (22-1)
donde se ha remplazado k.T por k y n/N.T por n por conveniencia de notación.
Se percibe que la ecuación (22-1) describe el cómputo de N ecuaciones. Por ejemplo, si N = 4 y si
se hace:
j . 2.
W exp
N (22-2)
la expresión (22.1) puede ser escrita como:
0 0 0 0
X( 0 ) x 0 ( 0 ) . W x 0 ( 1 ). W x 0 ( 2 ). W x 0 ( 3 ). W
0 1 2 3
X( 1 ) x 0 ( 0 ) . W x 0 ( 1 ). W x 0 ( 2 ). W x 0 ( 3 ). W
(22-3)
0 2 4 6
X( 2 ) x 0 ( 0 ) . W x 0 ( 1 ). W x 0 ( 2 ). W x 0 ( 3 ). W
0 3 6 9
X( 3 ) x 0 ( 0 ) . W x 0 ( 1 ). W x 0 ( 2 ). W x 0 ( 3 ). W
Las ecuaciones anteriores pueden ser más fácilmente representadas en forma matricial:
0 0 0 0 x 0( 0)
X( 0 ) W W W W
0 1 2 3 x 0( 1)
X( 1 ) W W W W
.
X( 2 ) 0 2 4 6 x 0( 2)
W W W W
X( 3 ) 0 3 6 9 x 0( 3)
W W W W (22-4)
o más compactamente:
n . k.
X( n) W x 0( k)
(22-5)
El examen de (22-4) revela que ya que W y posiblemente x0(k) sean complejas, entonces son
necesarias N2 multiplicaciones complejas y N.(N-1) adiciones para realizar el cómputo matricial
requerido.
La FFT debe su éxito al hecho que el algoritmo reduce el número de multiplicaciones y adiciones
requeridas en el cálculo de (22-4). Ahora se discutirá, a nivel intuitivo, como se lleva a cabo esta
reducción.
1. function >> linealidad(2)
[y1,y2]=linealidad(n)
x1=rand(n);
y1 =
x2=rand(n);
X1=fft(x1);
X2=fft(x2); 0.2337 0.5929
a=(0+(8-0)*rand(1));
b=(0+(8-0)*rand(1)); -0.1601 -0.1142
X=a*x1+b*x2;
y1=fft(X) y2 =
y2=a*X1+b*X2
0.2337 0.5929
-0.1601 -0.1142
Conclusión
Como se ve en las dos últimas imágenes, se comprueba la propiedad de la linealidad. El espectro
de la suma de dos matrices es igual a la sumas de los espectros de dichas matrices.
2.
function >> desplazamiento(5)
[y1,y2]=desplazamiento(n)
x1=rand(n);
y1 = 0
a=zeros(n);
b=zeros(n,2*n);
x11=[x1 a;b]; y2 = 0
X11=fft(x11);
y1=det(X11)
x12=[b;x1 a];
X12=fft(x12);
y2=det(X12)
end
Conclusión
Primero creamos una matriz dentro de otra y rellena de ceros, luego realizamos el espectro de
dicha función y la comparamos con el espectro de misma matriz pero estas ves la matriz pequeña
se desplaza a otra posición cuales quiera. Se comprueba que los espectros son los mismo solo que
están desplazados.
3.
function y1 =
[y1,y2]=separabilidad(n)
x1=rand(n,1);
0.0574 0.4852
X1=fft(x1);
x2=rand(1,n);
X2=fft(x2); -0.0435 -0.3683
x3=x1*x2;
y1=fft(x3) y2 =
y2=X1*X2
end 0.5426 -0.4279
-0.4119 0.3248
Conclusión
En esta ocasión no se pudo comprobar la propiedad de separabilidad en el programa Matlab.
Queda pendiente su resolución.
4.
function
[y1,y2]=simetria(n) >> simetria(6)
x1=rand(n);
X1=fft(x1);
figure(1)
plot(X1)
end
Conclusión
Se comprueba la propiedad de la simetría, se puede ver en la imagen que los valores de cada
columna se repiten simétricamente a excepción de la primera fila de la matriz.
5.
function [y1,y2]=rotacion(n,a)
x1=rand(n);
y1=fft(x1)
if a==1
x2=rot90(x1,1)
elseif a==2
x2=rot90(x1,2)
elseif a==3
x2=rot90(x1,-1)
end
y2=fft(x2)
figure(1)
plot(x2)
end
>> rotacion(3,1)
y1 =
1.8583 2.6289 1.0896
-0.8340 + 0.0641i 0.1621 - 0.0635i 0.2253 + 0.1914i
-0.8340 - 0.0641i 0.1621 + 0.0635i 0.2253 - 0.1914i
y2 =
1.5612 1.8970 2.1186
-0.0105 - 0.7976i -0.6821 + 0.0013i -0.4614 + 0.1289i
-0.0105 + 0.7976i -0.6821 - 0.0013i -0.4614 - 0.1289i
>> rotacion(3,2)
y1 =
1.1040 0.9298 1.1405
-0.3511 + 0.7866i -0.0129 + 0.0324i 0.1304 - 0.5395i
-0.3511 - 0.7866i -0.0129 - 0.0324i 0.1304 + 0.5395i
y2 =
1.1405 0.9298 1.1040
-0.5324 - 0.1569i 0.0345 + 0.0050i 0.8567 + 0.0892i
-0.5324 + 0.1569i 0.0345 - 0.0050i 0.8567 - 0.0892i
>> rotacion(3,3)
y1 =
2.2553 0.8481 1.1707
0.1356 + 0.2555i 0.0977 - 0.3393i -0.3197 - 0.2875i
0.1356 - 0.2555i 0.0977 + 0.3393i -0.3197 + 0.2875i
y2 =
1.2392 1.6679 1.3672
0.6616 + 0.2395i 0.0046 + 0.1877i 0.5797 - 0.1479i
0.6616 - 0.2395i 0.0046 - 0.1877i 0.5797 + 0.1479i
Conclusión
Se comprueba la propiedad de rotacion, se puede ver en la imagen que los valores de cada
columna se desplazan en cierto angulo aleatorio.
6.
function [y1,y2]=escalado(n)
x1=rand(n);
y1=fft(x1)
r=2
x2=imresize(x1,1/r,'bilinear')
y2=fft(x2)
figure(1)
plot(x2)
end
>> escalado(3)
y1 =
1.5170 1.0732 2.4609
0.7357 + 0.3157i -0.3766 - 0.8290i -0.0681 + 0.0445i
0.7357 - 0.3157i -0.3766 + 0.8290i -0.0681 - 0.0445i
r=
x2 =
0.5472 0.7540
0.3530 0.7700
y2 =
0.9001 1.5241
0.1942 -0.0160
Conclusión
Se realiza una matriz aleatoria y luego se intercalan dos ceros entre cada uno de los valores
originales, incrementando por tres cada una de sus dimensiones.
7.
>> rellenado(2,2) function [y1,y2]=rellenado(n,n1)
x1=rand(n);
y1=fft(x1)
y1 =
a=zeros(n,n1);
b=zeros(n,n1+n);
0.4842 1.0599 x2=[x1 a;b];
y2=fft(x2)
-0.3153 -0.5402 figure(1)
plot(x2)
y2 = end
Column 1 Column2 Column 3 Column 4
0.4842 1.0599 0 0
0.0844 - 0.3998i 0.2599 - 0.8001i 0 0
-0.3153 -0.5402 0 0
0.0844 + 0.3998i 0.2599 + 0.8001i 0 0
