Supongamos que queremos los valores generados por la señal x(t) siguiente a lo largo de un período de tiempo desde 0 hasta 1 segundos, con incrementos de 0.1 segundos, es decir, t=0:0.1:1:
Vemos que la operación consiste en evaluar x(t) 11 veces (para 11 valores distintos de t):
¿Qué pasaría si tuviéramos que evaluar en un rango más amplio, tal como t entre 0 y 1, pero con incrementos de 0.01, es decir, t=0:0.01:1? Tendríamos que repetir el cálculo anterior 101 veces!!.
He aquí donde se observa claramente la ventaja del procesamiento de señales digitales, ya que la computadora nos permite hacer este trabajo iterativo mediante flujos de control aportados por aplicaciones que están al alcance de presupuestos ajustados. Veamos cómo se hace con Matlab.
Podemos expresar la función x(t) de nuestro ejemplo de la manera siguiente:
Primer método: En este enfoque, calcularemos cada componente sinusoidal en un paso como un vector, utilizando el tiempo t=0:0.1:1 como otro vector y luego sumando cada componente sinusoidal mediante un bucle for..end.
>> t=0:0.1:1;
>> xt=zeros(1,length(t));
>> for k=1:3
xt=xt+(1/k)*sin(2*pi*k*t);
>> end
Este algoritmo nos permite obtener de una manera muy eficiente, los valores de x(t) para el período de tiempo de interés:
Segundo método: Veremos ahora como, por medio de la multiplicación matriz-vector, Matlab puede ser incluso más eficiente. Para fines de demostración, considere solo cuatro valores para t:
Principalmente debido a sus ventajas, el procesamiento de señales digitales(DSP – Digital Signal Processing) se está convirtiendo en la primera opción en muchas tecnologías y aplicaciones, como la electrónica de consumo, las comunicaciones, los teléfonos inalámbricos y las imágenes médicas.
Ventajas
Además, el enfoque DSP hace posible convertir una computadora personal económica en un potente procesador de señales. El sistema que utiliza el enfoque DSP se puede desarrollar utilizando software que se ejecuta en una computadora de uso general. En consecuencia, DSP es relativamente conveniente de desarrollar y probar, y el software es portátil.
Desventajas
Clasificacióny aplicaciones
La mayoría de las operaciones de PDS se pueden clasificar como tareas de análisis de señales o tareas de filtrado de señales:
Análisis de señales: estas tareas se ocupan de la medición de las propiedades de las señales. Generalmente es una operación en el dominio de la frecuencia. Algunas de sus aplicaciones son:
Spectrum (frequency or/and phase analysis)
Speech recognition
Speaker verification
Target detection
Filtrado de señales: esta tarea se caracteriza por la situación de señal de entrada y salida. Los sistemas que realizan esta tarea generalmente se denominan filtros. Suele ser (pero no siempre) una operación en el dominio del tiempo. Algunas de las aplicaciones son:
Removal of unwanted background noise
Removal of interference
Separation of frequency bands
Shaping of the signal spectrum
En algunas aplicaciones, como la síntesis de voz, primero se analiza una señal para estudiar sus características, que son las que se utilizan en el filtrado digital para generar una voz sintética.
Matlab proporciona una variedad de comandos que nos permiten controlar el flujo de comandos en un programa.
Algoritmos de control
El constructo más común es la estructura if-elseif-else. Otro constructo de flujo de control común es el bucle for..end. Es simplemente un ciclo de iteración que le dice a la computadora que repita alguna tarea un número determinado de veces. El siguiente ejemplo ilustra el concepto:
Ejemplo 1
Considere la siguiente suma de funciones sinusoidales. Utilice Matlab para generar muestras de x (t) en las instancias de tiempo 0:0.1:1.
Primer método: En este enfoque, calcularemos cada componente sinusoidal en un paso como un vector, usando el vector de tiempo t=0:0.1:1 y luego sumaremos todos los componentes usando un bucle for..end.
Segundo método: en este enfoque, usaremos la multiplicación matriz-vector. Veremos qué tan eficiente podría ser Matlab de esta manera. Para fines de demostración, considere solo cuatro valores para t:
Matlab provides a variety of commands that allow us to control the flow of commands in a program.
Control Flow
The most common construct is the if-elseif-else structure. Another common control flow construct is the for..end loop. It is simply an iteration loop that tells the computer to repeat some task a given number of times. The following example illustrates the concept:
Example 1.
Consider the following sum of sinusoidal functions. Use Matlab to generate samples of x(t) at the time instances 0:0.1:1.
First method: In this approach, we will compute each sinusoidal component in one step as a vector, using the time vector t=0:0.1:1 and then add all components using one for..end loop.
Second method: In this approach, we will use matrix-vector multiplication. We will see how efficient could be Matlab by this way. For the purpose of demostration, consider only four values for t:
Primarily because of its advantages, Digital Signal Processing (DSP) is now becoming a first choice in many technologies and applications, such as consumer electronics, communications, wireless telephones, and medical imaging.
In addition, DSP approach makes it possible to convert an inexpensive personal computer into a powerful signal processor. System using the DSP approach can be developed using software running on a general-purpose computer. In consequence, DSP is relatively convenient to develop and test, and the software is portable.
Most DSP operations can be categorized as being either signal analysis tasks or signal filtering tasks:
Signal analysis: This tasks deal with the measurement of signal properties. It is generally a frequency-domain operation. Some of its applications are:
Spectrum (frequency or/and phase analysis)
Speech recognition
Speaker verification
Target detection
Signal filtering: This task is characterized by the signal-in signal-out situation. The systems that perform this task are generally called filters. It is usually (but not always) a time-domain operation. Some of the applications are:
Removal of unwanted background noise
Removal of interference
Separation of frequency bands
Shaping of the signal spectrum
In some applications, such as voice synthesis, a signal is first analyzed to study its characteristics, which are the used in digital filtering to generate a synthetic voice.
El conmutador del circuito ha estado en posición A durante mucho tiempo y el circuito ha alcanzado el régimen estacionario. En t=0 s el conmutador pasa a la posición B de forma que la energía almacenada en el inductor se va disipando en la resistencia R3. Determinar el tiempo necesario para que la energía almacenada en el inductor se reduzca al 50%. Se sabe que: Ig=-5 A; R1=75 ohm; R2=50 ohm; R3=100 ohm; L=200 microH.
Respuesta:
Debido a que el conmutador del circuito ha estado en posición A durante mucho tiempo, el circuito ha alcanzado el régimen estacionario y el circuito equivalente en t<0 es el siguiente:
En régimen permanente el inductor se comporta como un corto circuito, por lo que, aplicando Kirchhoff, sabemos que:
Para determinar el tiempo necesario para que la energía almacenada en el inductor se reduzca al 50%, de lo aprendido en Respuesta natural y forzada de un circuito RL, utilizamos la siguiente relación:
En t=0 la energía acumulada en el inductor es la siguiente:
Así, el 50% de la energía acumulada en el inductor es:
De la ecuación principal para la energía, podemos deducir dos factores que se restan:
De la ecuación anterior vamos a despejar el valor de la corriente iL(t) para el instante en que la mitad de la energía en el inductor se ha consumido, es decir, para el momento en que W(t)=0.45 mJ:
Ahora, igualamos este último resultado a la expresión general deducida más arriba para iL(t) y despejamos el valor del tiempo t en el cual se alcanza una corriente de iL(t)=2.12 A, el cual es el tiempo en que se ha consumido la mitad de la energía almacenada en el inductor L:
De donde:
Revisión literaria hecha por:
Prof. Larry Francis Obando – Technical Specialist – Educational Content Writer
La función impulso unitario δ(t), también conocida como Delta de Dirac, tiene un papel fundamental en el análisis de señales. La misma está definida de la siguiente manera:
Esta señal de puede ver como un pulso rectangular de área unidad, ancho ε y altura 1/ε, tal como se muestra en la Figura 1:
Figura 1
Como se puede ver en la Figura anterior, la función impulso unitario es una función par, es decir:
La función impulso unitario δ(t) no es una función en el sentido ordinario como se define una función. Una función ordinaria viene especificada para todos sus valores de tiempo t. La función impulso unitario es cero para todo valor de t, excepto en t=0, y este es el único punto interesante de su dominio, y sin embargo aquí su valor es indefinido. Más útil es definir la función impulso unitario δ(t) como una función generalizada. Una función generalizada se define por sus efectos sobre otras funciones, en vez de ser definida por los valores que asume en su dominio.
En este caso, la función impulso unitario δ(t) se define sobre todo por su propiedad de muestreo y por su propiedad de selección.
Otra manera de decirlo es que la función impulso unitario δ(t)está mejor definidapor sus aplicaciones que por los valores que asume en su dominio.
Propiedad de muestreo – multiplicación de una función particular por una función impulso.
Supongamos la multiplicación entre la función δ(t) y una función cualquiera Φ(t) continua en t=0, donde la función tiene una magnitud Φ(0) en ese punto. Se obtiene que:
Este resultado es de gran importancia y se va a aplicar en la siguiente propiedad. Además, se puede generalizar para una función impulso unitario desplazado en t=T:
Propiedad de selección de la función impulso unitario
Integrando el resultado de la propiedad anterior y utilizando la definición del impulso unitario dado al principio, obtenemos que:
La anterior es una de las propiedades más importantes en el análisis de señales y sistemas. Este resultado se puede generalizar como:
Propiedad de escalamiento de la función impulso unitario
Se puede demostrar que:
Lo que implica que:
La función impulso unitario y la función escalón unitario.
Una aplicación de gran importancia en cuanto a la función impulso unitario, es que hace posible la existencia de la derivada de la función escalón unitario en t=0, lo cual no es posible en el sentido de una función ordinaria, pero si en el sentido de una función generalizada. Para esto, integramos el producto de la función Φ(t) definida anteriormente y du(t)/dt:
Este resultado demuestra que du(t)/dt satisface la propiedad de selección de δ(t). Es decir, en términos de una función generalizada:
En consecuencia:
A continuación pasamos a estudiar el caso tiempo discreto.
Impulso unidad delta.
Se trata de una de las señales discretas más simples, la señal impulso unitario discreto, la cual se define como:
De hecho, la señal impulso unitario discreto es la base de la representación de las señales discretas, cualquier señal discreta se puede obtener como combinación lineal de deltas desplazadas. El ejemplo más relevante es el escalón unidad o escalón unitario.
Escalón unidad
La señal escalón unitario se define como:
El escalón unitario es la suma de un tren de impulsos:
De esta manera, complementado el caso de tiempo continuo, el impulso unidad se puede expresar como:
También se puede expresar el escalón unitario como:
Es interesante constatar que en el caso del impulso unidad también se cumple la propiedad de muestreo:
En general, cualquier señal discreta x[n] puede ser representada como una combinación lineal de deltas desplazadas. En general se cumple que:
Ejemplo:
Sea la función x[n] representada por la siguiente gráfica:
La función x[n] de la gráfica anterior puede ser representada mediante la siguiente sumatoria:
A continuación se observa cada una de las gráficas que se suman para formar x[n]:
Suma de convolución
En el ejemplo anterior se ve claramente la importancia de las propiedades de muestreo y selección definidas anteriormente para la función impulso unitario. Su importancia reside en el hecho de que x[n] se puede representar como una superposición de versiones escaladas de un conjunto muy sencillo de funciones elementales, es decir, de impulsos unitarios δ[n-k] desplazados. A partir de este simple hecho vamos a presentar ahora uno de los conceptos más importante del análisis de sistemas lineales, la idea de la suma de convolución.
Decíamos antes que cualquierseñal discreta x[n] puede representarse como una combinación lineal de deltas desplazadas:
Supongamos ahora que x[n] representa toda entrada para un arbitrario Sistema A cuya salida es y[n]. Recordemos del párrafo anterior que en realidad x[n] es una suma de versiones escaladas (con peso x[k]) de impulsos unitarios δ[n-k] desplazados. Designemos a hk[n] como la respuesta del sistema al impulso unitario desplazado δ[n-k].
La función de transferencia normalizada de un sistema de 1er orden es la siguiente:
Dónde:
El método más utilizado para estudiar el comportamiento de los sistemas de 1er orden consiste en someter dicho sistema a un conjunto de entradas típicas: el impulso, el escalón unitario, la rampa y una señal alterna sinusoidal .
Servicio: Se resuelven ejercicios de Sistemas de Primer y Segundo Orden, con carácter de Urgencia. EN MENOS DE 24 HORAS (precio aprox. por cada ejercicio (o cada pregunta): 13.7 euros) Clases Online: Te Enseño este tema con paciencia y pedagogía. Podemos resolver ejercicios durante la clase (14.7 euros la hora) Contacto: Prof. Larry, Whatsapp: +34747458738, dademuch@gmail.com Otras áreas: Análisis Sistemas, Procesamiento de Señales, Simulación Matlab/Simulink, Sistemas de Control, Modelo y Análisis Matemático de Sistemas Eléctricos, Electrónicos, Mecánicos (MRA), Electromecánicos…
Revisión literaria hecha por:
Prof. Larry Francis Obando – Technical Specialist – Educational Content Writer
dademuchconnection 