Informe Labo 5
Informe Labo 5
Informe Labo 5
FACULTAD DE TECNOLOGIA
ELECTRONICA Y TELECOMUNICACIONES
MATERIA:
LABORATORIO DE PROCESAMIENTO DIGITAL DE SEÑALES
DOCENTE:
ING. ARTURO MIGUEL LOPEZ CASAS
NOMBRES
OMAR CHOQUE CANAVIRI
CI:
9951145 LP
La Paz – Bolivia
A) PRIMERA FIRMA
EJERCICIO 1
N=1024;
x=10*rand(1 , N );
for k =0 : N-1
a1 = x(1)+exp(-2*pi*j*k*0/N);
for n=1 : N-1
a=x(n+1)*exp(-2*pi*j*n*k/N)+a1;
end
TX( k + 1 ) = a;
end
EJEMPLO 2
TX1 = fft( x , N );
[ TX' TX1']
EJEMPLO 3
Fs=100;
n=0:Fs-1;
x=cos(2*pi*n*20/Fs);
stem(n,x)
EJEMPLO 4
X_16=fft(x,16);
X_512=fft(x,512);
EJEMPLO 5
Fs=100;
n=0:Fs-1;
x=cos(2*pi*n*20/Fs);
X_16=fft(x,16);
X_512=fft(x,512);
mX_16=abs(X_16);
fX_16=angle(X_16);
mX_512=abs(X_512);
fX_512=angle(X_512);
figure(1)
f_16=linspace(0,Fs,16);
f_512=linspace(0,Fs,512);
subplot(2,1,1), stem(f_16,mX_16)
title('modulo')
subplot(2,1,2), stem(f_16,fX_16)
title('fase')
figure(2)
subplot(2,1,1), stem(f_512,mX_512)
title('modulo')
subplot(2,1,2), stem(f_512,fX_512)
title('fase')
EJEMPLO 6
Fs=100;
n=0:Fs-1;
x=cos(2*pi*n*20/Fs);
X_16=fft(x,16);
X_512=fft(x,512);
f_16=linspace(0,Fs,16);
f_512=linspace(0,Fs,512);
rX_16= real (X_16);
iX_16= imag(X_16);
rX_512= real (X_512);
iX_512= imag(X_512);
subplot(4,1,1), stem(f_16,rX_16)
subplot(4,1,2), stem(f_16,iX_16)
subplot(4,1,3), stem(f_512,rX_512)
subplot(4,1,4), stem(f_512,iX_512)
EJEMPLO 7
ix=ifft(X_512,512);
rix=real(ix);
stem(0:Fs-1,rix(1:Fs))
EJEMPLO 8
Fs=100;
n=0:Fs-1;
x=2*cos(2*pi*n*10/Fs);
r=randn(1,Fs)/1.5;
xr=x+r;
figure(1), plot(xr)
plot(r,'g')
tXR=fft(xr,1024);
atXR=abs(tXR);
f=linspace(0,Fs,1024);
plot(f,mtXR,'r')
B) SEGUNDA FIRMA
Fs=2000;
n=linspace(-Fs/2 ,Fs/2 ,Fs/8);
x=2*cos(2*pi*1000*n/Fs); % onda coseno f=1KHz, A=2
y=1.25+1.25*square(2*pi*n/Fs*250,50); %SEÑAL CUADRADA DE AMPLITUD 2.5
"1.25 + 1.25 = 2.5"
r=x.*y;
subplot(3,1,1)
stem(n,x)
title('señal coseno')
subplot(3,1,2)
stem(n,y)
title('señal cuadrada')
subplot(3,1,3)
tr=fft(r,1000);
mtr=abs(tr);
stem(mtr)
title('módulo de la transformada discreta de Fourier')
C) TRABAJO DE INVESTIGACION
HISTORIA DEL ALGORITMO DE LA TRASFORMADA RAPIDA DE FOURRIER
FFT
El desarrollo de algoritmos rápidos para DFT se remonta al trabajo inédito de Carl
Friedrich Gauss en 1805 cuando lo necesitaba para interpolar la órbita de los
asteroides Pallas y Juno a partir de observaciones de muestra. Su método fue muy similar
al publicado en 1965 por James Cooley y John Tukey , a quienes generalmente se les
atribuye la invención del algoritmo FFT genérico moderno. Si bien el trabajo de Gauss fue
anterior incluso a los resultados de Joseph Fourier en 1822, no analizó el tiempo de
cálculo y finalmente utilizó otros métodos para lograr su objetivo.
Entre 1805 y 1965, otros autores publicaron algunas versiones de FFT. Frank Yates en
1932 publicó su versión llamada algoritmo de interacción , que proporcionaba un cálculo
eficiente de las transformadas de Hadamard y Walsh . El algoritmo de Yates todavía se
utiliza en el campo del diseño estadístico y el análisis de experimentos. En 1942, GC
Danielson y Cornelius Lanczos publicaron su versión para calcular DFT para cristalografía
de rayos X , un campo donde el cálculo de las transformadas de Fourier presentaba un
cuello de botella formidable. Si bien muchos métodos en el pasado se habían enfocado en
reducir el factor constante para el cálculo aprovechando las "simetrías", Danielson y
Lanczos se dieron cuenta de que se podía usar la "periodicidad" y aplicar un "truco de
duplicación" para obtener el tiempo de ejecución.
James Cooley y John Tukey publicaron una versión más general de FFT en 1965 que es
aplicable cuando N es compuesto y no necesariamente una potencia de 2. A Tukey se le
ocurrió la idea durante una reunión del Comité Asesor Científico del presidente
Kennedy donde un tema de discusión implicó la detección de pruebas nucleares de la
Unión Soviética mediante la instalación de sensores para rodear el país desde el exterior.
Para analizar la salida de estos sensores, se necesitaría un algoritmo FFT. En una
discusión con Tukey, Richard Garwin reconoció la aplicabilidad general del algoritmo no
solo a los problemas de seguridad nacional, sino también a una amplia gama de
problemas, incluido uno de interés inmediato para él, que determina las periodicidades de
las orientaciones de espín en un cristal tridimensional. de Helio-3. Garwin le dio la idea de
Tukey a Cooley (ambos trabajaron en los laboratorios Watson de IBM ) para su
implementación. Cooley y Tukey publicaron el artículo en un período relativamente corto
de seis meses. Como Tukey no trabajaba en IBM, se puso en duda la patentabilidad de la
idea y el algoritmo pasó al dominio público, lo que, a través de la revolución informática de
la próxima década, convirtió a FFT en uno de los algoritmos indispensables en el
procesamiento de señales digitales.
donde es una
raíz N- ésima primitiva de 1.
Para ilustrar los ahorros de una FFT, considere el recuento de sumas y multiplicaciones
complejas para N = 4096 puntos de datos. La evaluación de las sumas de la DFT implica
directamente N 2 multiplicaciones complejas y N ( N - 1) adiciones complejas, de las cuales se
pueden guardar operaciones eliminando operaciones triviales como multiplicaciones por 1,
dejando alrededor de 30 millones de operaciones. Por otro lado, el algoritmo de Cooley-
Tukey radix-2 , para N una potencia de 2, puede calcular el mismo resultado con solo ( N / 2)
log 2 ( N ) multiplicaciones complejas (de nuevo, ignorando las simplificaciones de
multiplicaciones por 1 y similares) y adiciones complejas de N log 2 ( N ), en total alrededor de
30.000 operaciones, mil veces menos que con la evaluación directa. En la práctica, el
rendimiento real en las computadoras modernas generalmente está dominado por factores
distintos a la velocidad de las operaciones aritméticas y el análisis es un tema complicado (por
ejemplo, ver Frigo & Johnson , 2005), pero la mejora general de a permanece.
https://es.scribd.com/document/466113957/Historia-del-
Algoritmo-de-la-Transformada-Rapida-de-Fourier-FFT
https://es.qwe.wiki/wiki/Fast_Fourier_transform
http://www.ehu.eus/Procesadodesenales/tema7/ty3.html
http://www.casdreams.com/cesf/foc/fo/transformada%20de%20fourier.pdf
D) Conclusiones
Por una parte, la sf es un método más completo y más real que otras aproximaciones
obtenidas por métodos como mínimos cuadrados ordinarios (mco), promedios, entre
otros; pues como comentamos a lo largo del trabajo, ésta incorpora el comportamiento de
las observaciones, permitiéndonos observar tendencias y ciclos de los datos. Empero, ese
tema sobrepasa por mucho los alcances de este artículo, por lo que se dejará para otro
tema de investigación.
Por otra parte, la sf nos ayuda a conocer el comportamiento de nuestros datos, por medio
de una aproximación trigonométrica, pero hay que mencionar que a una mayor cantidad
de datos observados mejor es la estimación realizada. En otras palabras, si el número de
datos tiende a infinito, entonces nuestro error tiende a cero, lo cual podría ser un
inconveniente a