Professional Documents
Culture Documents
)(
)(
)(
[
]
Mtodo eficiente
Para el mtodo ms eficiente. De acuerdo a
las siguientes ecuaciones;
)
(
)(
[
]
Con los resultados expuestos se verifica el
buen funcionamiento de los dos mtodos ya
que la matriz resultante de cada mtodo es
exactamente igual a la matriz realizada por
Matlab.
Por ltimo se calculara los tiempos que tarda
calcular la matriz de covarianza para cada
uno de los mtodos usados.
Numero
de
Pruebas
Ineficiente
(Seg.)
Eficiente
(Seg.)
T1 0.002859 0.001811
T2 0.003120 0.002267
T3 0.004953 0.003501
T4 0.003099 0.002281
T5 0.003233 0.002329
T6 0.003114 0.002288
T7 0.002239 0.001857
T8 0.003091 0.002328
T9 0.003140 0.002270
T10 0.003077 0.002366
Promedio
Total
0,0031925 0,0023298
Tabla1. Tiempo que toma calcular la matriz de
covarianza.
Revisando los datos de la tabla se puede
concluir que el tiempo que toma calcular la
matriz es diferente cada que se ejecuta el
programa, adems se corrobora que el
mtodo eficiente es ms rpido que el
ineficiente.
4.1.2. Promedio de estas M versiones de la
seal contaminada con ruido.
Fig. 2. Grafica para M=20
Fig. 3. Grafica para M=200
Como se puede observar en las figuras 2, 3, 4
y 5 se muestra la seal original de la frase El
coronel no tiene quien le escriba, con ruido
segn las especificaciones dadas en el
laboratorio, la seal original contaminada
con ruido y el efecto que ocurre al
promediarla un numero M de veces.
Como se puede observar en las figuras
mencionadas se destaca que en la seal
promediada M veces, entre ms grande sea
este nmero M, la seal se parecer o
coincidir un poco ms con la seal original,
se puede evidenciar claramente que las
figuras 4 y 5 de la seal promediada son muy
similares a su seal original, por ende,
segundo lo dicho anteriormente su parmetro
M es mayor como efectivamente se
comprob en la prctica.
Fig. 4. Grafica para M=2000
Fig. 5. Grafica para M=20000
Para la variacin del SNR en funcin de
las variaciones que le damos a M.
Fig. 6. SNR VS M
La figura 6, se puede observar la variacin
que tiene la SNR con respecto a M, siendo M
el nmero de veces que se promedia la seal
resultante.
Respecto al anlisis de esta grafica se puede
concluir que entre mayor sea el numero M de
muestras, la SNR tambin va a ser mayor, lo
que involucra que al promediar M veces la
seal, entre ms grande sea el valor de M, se
eliminara mejor el ruido, por lo tanto se tendr
una SNR mayor y la seal resultante ser muy
similar a la seal original.
Otra conclusin al respecto de la figura 6 es
que la SNR tiene a estabilizarse despus de
promediarla entre un numero M, lo que
significa que la eliminacin del ruido es casi
perfecta por lo tanto hacer N iteraciones ms,
es ineficiente, cabe resaltar que esto depende
de la aplicacin la cual se quiera desarrollar,
porque en algunos casos se puede soportar un
pequeo ruido y en otros no. (En la prctica se
evidencia que al promediar la seal entre M
=10000, la seal resultante tiene bastante
similitud con la original.
Siendo una seal de audio se hizo la prueba
al escucharla por los altoparlantes del
computador, obteniendo los resultados
esperados.)
SNR seal
contaminada
con ruido
M SNR seal
contaminada
con ruido y
promediada
M veces
5.0830 20 6.3555
4.4691 200 6.4243
4.6846 2000 6.4988
4.6024 20000 6.4661
Tabla 2.Valores de SNR con respecto a M
La tabla 2, tiene la informacin de la SNR de
la seal contaminada con ruido y la SNR de
la sea contaminada con ruido y promediada
M veces, segn la informacin se puede
concluir o evidenciar lo dicho en los puntos
anteriores, pero con datos cuantitativos.
Es evidente que los valores de SNR de la
seal con ruido y promediada son mayores
que la que no se promedia, lo que
efectivamente se espera, ya que se obtiene
una SNR mayor que dice que hubo una mejor
eliminacin del ruido.
Como se observa la SNR de la seal
contaminada con ruido y promediada M
veces tiene un valor mayor para cada caso de
M en este caso se debe aclarar que los
resultados tienen un comportamiento que
sube y en otro caso baja debido a que el ruido
que se le aade a la seal para las iteraciones
es diferente, lo que hace que la SNR en cada
iteracin vari y por ende los resultados
algunas veces sern mayores y otros muy
similares a los anteriores, adems de que
como se lo dijo en una conclusin anterior, el
valor de la SNR promediada se estabilizara en
un valor y sus resultados para M mayores
sern muy similares.
Matemticamente se puede demostrar de
la siguiente manera:
()
()
()
(
()
) (
()
()
)
(
()
) (
()
)
(
()
)
Debido a que es la seal original, y es la
misma para todos los valores de i.
Luego aplicamos la propiedad:
Var (ax)=
();
De esta manera tenemos:
(
()
)=
(
Esto dice que si se promedia N seales es
equivalente a disminuir la varianza del ruido
N veces.
5.1.1.
Correlacin de seales
La correlacin es una operacin que permite
extraer datos de una seal que est
contaminada con ruido u otra seal.
Se tom la frase El coronel no tiene quien le
escriba y extraiga el fonema tiene.
El procedimiento usado para encontrar la
palabra o fonema Tiene en la frase original
El coronel no tiene quien le escriba, se
realiz a partir de la correlacin cruzada que
hace un barrido de la seal original, dicho
mtodo encontrara que en su similitud abra
picos ms altos lo que involucra mayor
energa de la seal y coincidencia con la seal
correlacionada Tiene, a continuacin los
resultados:
A continuacin se realizara la normalizacin
de la seales El coronel no tiene quien le
escriba y Tiene a partir de dos mtodos y
se realizara la correlacin cruzada con el
resultado de las dos normalizaciones (1) y
(2).
(1)
(2)
Fig. 7. Normalizacin por los mtodos 1 y 2 de la
frase El coronel no tiene quien le escriba
Figura 8. Normalizacin por los mtodos 1 y 2 de la
palabra Tiene
La normalizacin por el mtodo 1 muestra los
datos con respecto al rango total de la seal,
de esta manera es posible determinar los
valores de la seal con respecto al mximo
valor de la seal.
La normalizacin por el mtodo 2 muestra los
datos con respecto a la desviacin estndar,
haciendo ms notable la diferencia que hay
entre todo el conjunto de datos.
Fig. 9. Seal de correlacin seales sin normalizar.
La figura 9, muestra unos picos ms altos que
otros, en este instante de tiempo se encuentra
la palabra quien, debido a que en ese instante
esta la mayor concentracin de energa.
Fig. 10. Seal de correlacin con la normalizacin 1
para cada seal
Fig. 11. Seal de correlacin con la normalizacin 1
para cada seal, ampliada en la zona de inters.
Las figuras 10 y 11 corresponden a la
correlacin cruzada entre las seales
mencionadas por el mtodo de normalizacin
1, en figura 11 se puede analizar que en la
seal existen picos altos donde est la mayor
concentracin de energa por lo tanto en ese
instante existe la mayor coincidencia entre las
seales correlacionadas.
Fig. 12. Seal de correlacin con la normalizacin 2
para cada seal
La figura 12, muestra la correlacin cruzada de
las seales, por el mtodo de normalizacin 2,
en este caso se obtiene que la palabra Tiene
seal se encuentra en el pico ms alto de la
seal en el valor de la correlacin. Ah est la
mayor energa de la seal por ende se puede
concluir que en este instante hay mayor
coincidencia entre la seales correlacionadas.
5.2. Error de cuantizacin en conversin
A/D de una seal sinusoidal.
1.
La cuantificacin es uno de los pasos para la
digitalizacin de una seal analgica, en este
caso se cuantificara la seal.
[] ()
Bsicamente lo que se hace es convertir una
sucesin de muestras de amplitud continua en
una sucesin de valores discretos.
Teniendo claro el proceso de cuantificacin
se procede a disear un cdigo en la
herramienta MatLab para cuantizar la seal
[] con amplitudes y
usando las longitudes de palabra o nmero de
bits b=3 y b=8 con los cuales se puede
calcular los niveles de cuantizacin.
Niveles de cuantizacin para 3 bits.
Para la longitud de palabra de 3 bits el
nmero de niveles de cuantizacin son 8.
Niveles de cuantizacin para 8 bits.
Para la longitud de palabra de bits el nmero
de niveles de cuantizacin son 256.
Teniendo definido los niveles de cuantizacin
se procede a calcular los pasos de
cuantizacin de la seal, que est definida
por:
Para realizar el programa de cuantizacin de
la seal senoidal usando truncamiento se
utiliz el comando round y para el
truncamiento se utiliz el comando floor de la
herramienta MatLab.
Proceso de truncamiento y redondeo para
y b=3.
Fig. 13. Grafica usando la operacin de
truncamiento para el anlisis de la secuencia de
error
Fig. 14. Grafica usando la operacin de
redondeo para el anlisis de la secuencia de
error
Proceso de truncamiento y redondeo para
y b=3.
Fig. 15. Grafica usando la operacin de
truncamiento para el anlisis de la secuencia de
error
Fig. 16. Grafica usando la operacin de redondeo
para el anlisis de la secuencia de error
Proceso de truncamiento y redondeo para
y b=8.
Fig. 17. Grafica usando la operacin de
truncamiento para el anlisis de la secuencia de
error
Fig. 18. Grafica usando la operacin de redondeo
para el anlisis de la secuencia de error
Proceso de truncamiento y redondeo para
y b=8.
Fig. 19. Grafica usando la operacin de
truncamiento para el anlisis de la secuencia de
error
Fig. 20. Grafica usando la operacin de redondeo
para el anlisis de la secuencia de error
El anlisis de la Figura13 a la Figura20, nos
muestra que entre mayor sean los niveles de
cuantizacin la seal hecha ya sea por la
operacin de redondeo o truncamiento, ser
ms parecida a la original, adems la
secuencia de error es menor.
Tambin se puede decir que el cambio de
amplitud no afecta las operaciones ya que la
seal dada sigue siendo igual a la original.
2.
Teniendo la secuencia de error calculada en el
anterior punto se puede determinar la media,
la varianza, la densidad de probabilidad y la
secuencia de autocorrelacin.
Anlisis de la media y la varianza
La media se obtiene a partir de la suma de
todos sus valores dividida entre el nmero de
datos.
La varianza es una medida de
dispersin definida como la esperanza del
cuadrado de la desviacin de dicha variable
respecto a su media.
Datos Media Varianza
Truncamie
nto
y
b=3
-1.249531e-01 6.162242e-03
Redondeo
y
b=3
-5.197204e-18 4.593647e-03
Truncamie
nto
y b=3
-3.904785e-03 6.017814e-06
Redondeo
y b=3
-1.624126e-19 4.485983e-06
Truncamie
nto
y
b=8
-3.904785e-03 5.249873e-06
Redondeo
y
b=8
-9.255118e-20 4.980506e-06
Truncamie
nto
y b=8
-1.220245e-04 5.126829e-09
Redondeo
y b=8
-2.892224e-21 4.863776e-09
Tabla3. Datos de varianza y redondeo.
La Tabla3 muestra que entre ms niveles de
cuantizacin y menor amplitud se tenga
menor ser su varianza y su media.
Anlisis de la densidad de probabilidad
La densidad de probabilidad describe la
probabilidad relativa segn la cual
dicha variable aleatoria tomar determinado
valor.
Fig. 21. Densidad de probabilidad para a=1 y b=3
Fig. 22. Densidad de probabilidad para a=1/32 y b=3
En la Figura21 y la Figura22 se observa que
para el redondeo la probabilidad mxima est
en cero. Para el truncamiento se hace
diferente gracias al cambio de amplitud.
Fig. 23. Densidad de probabilidad para a=1 y b=8
Fig. 24 Densidad de probabilidad para a=1/32 y b=8
Para la Figura 24 y Figura23 para el redondeo
se ve un pequeo pico en cero pero su
probabilidad est distribuida
aproximadamente igual en sus puntos de
error, para el caso del truncamiento tambin
la probabilidad est distribuida
aproximadamente igual en sus puntos de
error.
Se puede concluir que entre mayor sea el
nmero de niveles de cuantizacin la
probabilidad se distribuir mejor en los
puntos de error.
Secuencia de auto correlacin
La autocorrelacin se define como
la correlacin cruzada de la seal consigo
misma.
Fig. 25. Secuencia de autocorrelacin para a=1 y b=3
Fig. 26. Secuencia de autocorrelacin para a=1/32 y
b=3
Fig. 27. Secuencia de autocorrelacin para a=1 y b=8
Fig. 28. Secuencia de autocorrelacin para a=1/32 y
b=8
Para la Figura25, Figura26, Figura27 y
Figura29 se puede decir que donde est el
pico hay mayor concentracin de energa.
Conclusiones
Con los modelos matemticos podemos
simplificar expresiones matemticas que nos
ayudan a mejora el rendimiento
computacional como se demostr en el punto
1 del laboratorio analizando las tcnicas
eficientes e ineficientes.
Como se observ en el desarrollo del
informe, es posible eliminar el ruido de una
seal contaminada, promediando la seal con
ruido para obtener una mejor SNR.
La correlacin es una herramienta para el
anlisis de seales, con la cual se puede
determinar caractersticas como el retraso de
la seal, encontrar palabras o fonemas,
similitud entre seales, adems de poder
encontrar el periodo fundamental de la seal.
Aunque la correlacin nos permite ver que
tan relacionada esta una seal con otra, no por
eso se puede deducir que una es causa de la
otra.
Se determin tambin que el mejor mtodo de
normalizacin es el 2, debido a que muestra
los datos con respecto a la desviacin
estndar, haciendo ms notable la diferencia
que hay entre todo el conjunto de datos.
Para cuantizar una seal discreta se debe
tener en cuenta que entre mayor nmero de
niveles de cuantizacin tenga la seal se
parecer ms a la original sin importar el tipo
de operacin que se use ya sea de redondeo y
truncamiento.
Si el error es cero, entonces la SQNR es
infinita, lo cual quiere decir que un mayor
valor de la misma, nos indica que tenemos
una mejor cuantizacin de la seal y que por
lo tanto la calidad de la seal tratada va a ser
mejor.
Referencias
[1] Poarkis J,Monolakis D, Digital Signal
Prosesing, 4 ed., New Jersey