TRABAJO COLABORATIVO N 1
ACTIVIDAD 6
Presentado por: CESAR AUGUSTO BARRERO DIEGO HERNAN MORALES RAFAEL RUBER QUINTERO LUIS GABRIEL RAMIREZ OMAR ALEXANDER CORREDOR
UNIVERSIDAD NACIONA ABIERTA Y A DISTANCIA UNAD CEAD: TUNJA FACULTAD DE INGENIERIA PROCESAMIENTO DIGITAL DE SEALES
2013 INTRODUCCION
El procesamiento digital de seales representa una parte esencial en el estudio de la ingeniera electrnica, estos sistemas son de uso frecuente en toda la industria y los desarrollos que se presentan siempre cuentan con sistemas digitales, desde proyectos complejos hasta sencillas aplicaciones industriales. Las expectativas frente al desarrollo del curso es el de poder aprender todo acerca del procesamiento digital de seales ya que hoy en da la aplicacin de este proceso se lleva a cabo en toda la industria. En este trabajo se abordaran las temticas de la primera unidad del curso de Procesamiento Digital de Seales, para comprender la teora de secuencias y sistemas discretos y los ejercicios expuestos; entre los temas encontramos las propiedades de los sistemas discretos, respuestas al impulso, transformada de Fourier, Transformada discreta de Fourier, correlacin de seales en tiempo discreto. Con este trabajo vamos a reconocer la aplicacin de estos temas y vamos a utilizar una herramienta de gran ayuda como es Matlab para dar solucin a los ejercicios Propuestos.
DEARROLLO DE LAS ACTIVIDADES 1) Consulta b) Investigar en la red sobre ejemplos de aplicacin de la correlacin usando MatLab. Luego ejecute el cdigo consultado y observe los resultados. Es necesario adjuntar el cdigo .m generado. Convolucin y Correlacin en MATLAB MATLAB dispone de dos funciones para el clculo de convoluciones y correlaciones. >> y = conv(x,h) Hace la convolucin de los vectores x y h. El vector resultante y tiene un tamao igual a length(x)+length(h)-1 >> rxy = xcorr(x,y) Hace la correlacin de los vectores de M elementos x e y. Devuelve un vector de 2M-1 elementos. >> rxx = xcorr(x) Hace la autocorrelacin del vector x de M elementos. Devuelve un vector de 2M-1 elementos. Aplicacin IDENTIFICACION DE UNA IMAGEN A TRAVES DE CORRELACION. Con la correlacin se trata de encontrar todos los lugares en una imagen que aparece una subimagen.
De forma similar a la convolucin, la correlacin espacial se puede conseguir a travs de la multiplicacin de la transformada de Fourier de la imagen por la transformada conjugada de la subimagen. En Matlab el proceso de correlacin se realiza a travs del siguiente comando: g = dftcorr(f,w);
Donde g es la imagen resultado del proceso, f es la imagen original y w es la subimagen. Diagrama de deteccin mediante el uso de la transformada de Fourier
bsicos
Podemos emplear la correlacin cruzada para determinar cundo las seales estarn en fase, lo cual ocurrir en los mximos de dicha correlacin. Como en los clculos realizados se ha considerado como punto inicial n = 0, se deben determinar los mximos a partir del punto central de la correlacin
cruzada que, recordemos, es el punto de la correlacin correspondiente a un desplazamiento cero. El programa de Matlab que implementa esto es el siguiente: %Generacin de las seales n = 0:99; x = cos(2*pi*n*(50/1000)); y = cos(2*pi*n*(50/1000)+ pi/2); %Determinacin de la correlacin cruzada [z lag1] = xcorr(x,'coeff'); % autocorrelacin [zz lag2] = xcorr(x,y,'coeff'); %correlacion cruzada %Representacin de las seales plot(lag1,z,'Color','g') hold on grid on plot(lag2, zz,'Color','k')
En Matlab tambin. %Generacin de la seal n = 0:99; x = cos(2*pi*n*0.1); %Clculo de la autocorrelacin normalizada y = xcorr(x,'coeff'); %Representacin de las dos seales subplot(221), stem(x,'k'), title('(a)')
%Clculo de la autocorrelacin normalizada y = xcorr(x,'coeff'); %Representacin de las dos seales subplot(221), stem(x,'k'), title('(a)') subplot(222), plot(y,'k'), title('(b)') subplot(223), stem(x,'k'), title('(c)') subplot(224), plot(y,'k'), title('(d)')
2) Analizar y desarrollar los siguientes ejercicios. a) Determine la respuesta al impulso de los siguientes sistemas y[n] =x [n] - 6x [n-1] + 2x[n-2]
n=1:50; x=(n==1); y=filter (b,a,x); figure(1); plot(y(1:30), 'r '); grid; figure(2); stem(y(1:30) , 'r '); grid
Matlab: b=[1 0 0 0]; a=[10 1 1 9]; n=1:50; x=(n==1); y=filter (b,a,x); figure(1); plot(y(1:30), 'm'); grid; figure(2); stem(y(1:30) , 'm'); grid
Matlab: b=[1 0 0]; a=[5 -1 8]; n=1:50; x=(n==1); y=filter (b,a,x); figure(1); plot(y(1:30), 'b'); grid; figure(2); stem(y(1:30) , 'b'); grid
MatLab: b=[1 0 0]; a=[7 1 -5]; n=1:50; x=(n==1); y=filter (b,a,x); figure(1); plot(y(1:30), 'g'); grid; figure(2); stem(y(1:30) , 'g'); grid
x = [0 -5 4 -1 7 3]; z = [-4 -2 -1 0 3 8]; Ryy = xcorr(y); Ryy % correlacin yy Rxz = xcorr(x,z); Rxz % correlacin xz Ryz = xcorr(y,z); Ryz % correlacin yz Rzz = xcorr(z); Rzz % Autocorrelacin y subplot(2, 2, 1),stem(Ryy),legend('Ryy'),grid subplot(2, 2, 2),stem(Rxz),legend('Rxz'),grid subplot(2, 2, 3),stem(Ryz),legend('Ryz'),grid subplot(2, 2, 4),stem(Rzz),legend('Rzz'),grid Ryy =
-6.0000 10.0000 10.0000 -25.0000 -16.0000 55.0000 -16.0000 -25.0000 10.0000 10.0000 -6.0000
Rxz =
-0.0000 -40.0000 17.0000 4.0000 58.0000 51.0000 22.0000 -21.0000 -13.0000 -34.0000 -12.0000
Ryz =
24.0000 -31.0000 -7.0000 32.0000 11.0000 -19.0000 -12.0000 -14.0000 4.0000 8.0000
8.0000
Rzz =
-32.0000 -28.0000 -14.0000 1.0000 34.0000 94.0000 34.0000 1.0000 -14.0000 -28.0000 -32.0000
>>
REFERENCIAS BIBLIOGRAFICAS