Procesado Digital de Seales.

4 Ingeniera Electrnica, Universitat de Valncia, Profesor Emilio Soria

Anlisis temporal
de seales y
sistemas discretos.
1
Procesado Digital de Seales.
4 Ingeniera Electrnica, Universitat de Valncia, Profesor Emilio Soria
OBJETIVOS DEL TEMA.
En este tema se analizarn las seales y sistemas discretos desde el punto de
vista temporal; son conceptos BSICOS E IMPRESCINDIBLES a la hora de
trabajar con dichos sistemas.
Seales discretas. Tipos.
Sistema lineal, invariante temporal.
Estabilidad. Causalidad
Respuesta impulsional.
Convolucin. Propiedades
Energa y potencia de una seal discreta
Correlacin.
2
Procesado Digital de Seales.
4 Ingeniera Electrnica, Universitat de Valncia, Profesor Emilio Soria
Sinusoide
Seales discretas. Tipos principales
Impulso unitario
Se nales elementales en tiempo discreto:
Impulso unitario:
(n) =

1, para n = 0
0, para n = 0
Impulso unitario desplazado:
(n n
0
) =

1, para n = n
0
0, para n = n
0
Escalon unitario:
u(n) =

1, para n 0
0, para n < 0
Rampa unitaria:
u
r
(n) =

n, para n 0
0, para n < 0
Exponencial: u
e
(n) = A
n
, n y , A C. En funcion del va-
lor de y A se tratar a de una exponencial creciente/decreciente
compleja o real.
= ||e
jw
0
n
(2.1)
31
1
Unit sample
0
(a)
n
1
Unit step
0
(b)
...
... ...
...
n
Real exponential
0
(c)
n
Sinusoidal
0
(d)
...
...
...
...
n
Figure 2.3 Some basic sequences.
The sequences shown play important
roles in the analysis and representation
of discrete-time signals and systems.
F
r
o
m
D
is
c
r
e
te
-
T
im
e
S
ig
n
a
l P
r
o
c
e
s
s
in
g
, 2
e
b
y
O
p
p
e
n
h
e
im
, S
c
h
a
f
e
r
, a
n
d
B
u
c
k

1
9
9
9
-
2
0
0
0
P
r
e
n
tic
e
H
a
ll, I
n
c
.
Escaln unitario.
Se nales elementales en tiempo discreto:
Impulso unitario:
(n) =

1, para n = 0
0, para n = 0
Impulso unitario desplazado:
(n n
0
) =

1, para n = n
0
0, para n = n
0
Escalon unitario:
u(n) =

1, para n 0
0, para n < 0
Rampa unitaria:
u
r
(n) =

n, para n 0
0, para n < 0
Exponencial: u
e
(n) = A
n
, n y , A C. En funcion del va-
lor de y A se tratar a de una exponencial creciente/decreciente
compleja o real.
= ||e
jw
0
n
(2.1)
31
1
Unit sample
0
(a)
n
1
Unit step
0
(b)
...
... ...
...
n
Real exponential
0
(c)
n
Sinusoidal
0
(d)
...
...
...
...
n
Figure 2.3 Some basic sequences.
The sequences shown play important
roles in the analysis and representation
of discrete-time signals and systems.
F
r
o
m
D
is
c
r
e
te
-
T
im
e
S
ig
n
a
l P
r
o
c
e
s
s
in
g
, 2
e
b
y
O
p
p
e
n
h
e
im
, S
c
h
a
f
e
r
, a
n
d
B
u
c
k

1
9
9
9
-
2
0
0
0
P
r
e
n
tic
e
H
a
ll, I
n
c
.
1
Unit sample
0
(a)
n
1
Unit step
0
(b)
...
... ...
...
n
Real exponential
0
(c)
n
Sinusoidal
0
(d)
...
...
...
...
n
Figure 2.3 Some basic sequences.
The sequences shown play important
roles in the analysis and representation
of discrete-time signals and systems.
F
r
o
m
D
is
c
r
e
te
-
T
im
e
S
ig
n
a
l P
r
o
c
e
s
s
in
g
, 2
e
b
y
O
p
p
e
n
h
e
im
, S
c
h
a
f
e
r
, a
n
d
B
u
c
k

1
9
9
9
-
2
0
0
0
P
r
e
n
tic
e
H
a
ll, I
n
c
.
Exponencial compleja.
!
R
XX
(m) =
1
2" #
S
X
w
( )
" e
jmw
$#
#
%
dw



!
S
Y
w
( )
= H( j " w)
2
" S
X
w
( )


!
x(n) = A " e
#" n


!
x(n) = A " sin #" n +$
( )


!
x(n) = A " e
j" w" n+# ( )



Adems de estas seales
discretas bsicas se tienen
sus versiones retardadas;
a modo de ejemplo el
impulso unitario retardado
queda denido como
Se nales elementales en tiempo discreto:
Impulso unitario:
(n) =

1, para n = 0
0, para n = 0
Impulso unitario desplazado:
(n n
0
) =

1, para n = n
0
0, para n = n
0
Escalon unitario:
u(n) =

1, para n 0
0, para n < 0
Rampa unitaria:
u
r
(n) =

n, para n 0
0, para n < 0
Exponencial: u
e
(n) = A
n
, n y , A C. En funcion del va-
lor de y A se tratar a de una exponencial creciente/decreciente
compleja o real.
= ||e
jw
0
n
(2.1)
31
Una ltima denicin es la de
seal discreta peridica que
cumple x(n+N)= x(n) " n;
aqu N es el periodo de la
seal.
Exponencial real.
1
Unit sample
0
(a)
n
1
Unit step
0
(b)
...
... ...
...
n
Real exponential
0
(c)
n
Sinusoidal
0
(d)
...
...
...
...
n
Figure 2.3 Some basic sequences.
The sequences shown play important
roles in the analysis and representation
of discrete-time signals and systems.
F
r
o
m
D
is
c
r
e
te
-
T
im
e
S
ig
n
a
l P
r
o
c
e
s
s
in
g
, 2
e
b
y
O
p
p
e
n
h
e
im
, S
c
h
a
f
e
r
, a
n
d
B
u
c
k

1
9
9
9
-
2
0
0
0
P
r
e
n
tic
e
H
a
ll, I
n
c
.
!
x n
( )
= A" #
n




!
x n
( )
= A" cos #" n+$
( )


!
a
k
= a
k"1
+ d # a
n
k=N
1
N
2
$
=
a
N
1
+ a
N
2
2
%
&
'
(
)
*
+ N
1
+ N
2
"1
( )
a
k
= a
k"1
+ r # a
n
k=N
1
N
2
$
=
a
N
2
+ r " a
N
1
r "1
%
&
'
(
)
*

!
T a" x
1
n
( )
+ b" x
2
n
( ) { }
= a" T x
1
n
( ) { }
+ b" T x
2
n
( ) { }





!
a
k
" y(n# k) =
k=0
M
$
b
s
" x(n # s)
s=0
N
$



!
a
k
" y
H
(n # k) = 0
k=0
M
$


!
a
k
" y
P
(n# k) =
k=0
M
$
b
s
" x(n# s)
s=0
N
$








!
T a" x n
( )
+ b" y n
( ) { }
= a" T x n
( ) { }
+ b" T y n
( ) { }



!
T x n
( ) { }
= y n
( )
"T x n # D
( ) { }
= y n# D
( )



!
y(n) = x n
( )
" 2# x n"1
( )
+ x n" 2
( )


!
x(n) = x k
( )
" # n$ k
( )
k=$%
%
&


!
y n
( )
= T x n
( ) { }


!
y(n) = T x k
( )
" # n $ k
( )
k=$%
%
&
'
(
)
*
)
+
,
)
-
)


!
y(n) = x k
( )
" T # n $ k
( ) [ ]
k=$%
%
&


!
h n
( )
= T " n
( ) { }
#h n$ k
( )
= T " n$ k
( ) { }


!
y(n) = x k
( )
" h n# k
( )
k=#$
$
%




!
y(n) = x n
( )
"h n
( )



!
a
k
" y(n # k) =
k=0
M
$
b
k
" x(n # s)
s=0
N
$



!
a
k
" y
H
(n# k) = 0
k=0
M
$

!
x n
( )
= A" #
n




!
x n
( )
= A" cos #" n +$
( )


!
a
k
= a
k"1
+ d # a
n
k=N
1
N
2
$
=
a
N
1
+ a
N
2
2
%
&
'
(
)
*
+ N
1
+ N
2
"1
( )
a
k
= a
k"1
+ r # a
n
k=N
1
N
2
$
=
a
N
2
+ r " a
N
1
r "1
%
&
'
(
)
*

!
T a" x
1
n
( )
+ b" x
2
n
( ) { }
= a" T x
1
n
( ) { }
+ b" T x
2
n
( ) { }





!
a
k
" y(n # k) =
k=0
M
$
b
s
" x(n# s)
s=0
N
$



!
a
k
" y
H
(n# k) = 0
k=0
M
$


!
a
k
" y
P
(n # k) =
k=0
M
$
b
s
" x(n # s)
s=0
N
$








!
T a" x n
( )
+ b" y n
( ) { }
= a" T x n
( ) { }
+ b" T y n
( ) { }



!
T x n
( ) { }
= y n
( )
"T x n# D
( ) { }
= y n # D
( )



!
y(n) = x n
( )
" 2# x n"1
( )
+ x n" 2
( )


!
x(n) = x k
( )
" # n$ k
( )
k=$%
%
&


!
y n
( )
= T x n
( ) { }


!
y(n) = T x k
( )
" # n$ k
( )
k=$%
%
&
'
(
)
*
)
+
,
)
-
)


!
y(n) = x k
( )
" T # n $ k
( ) [ ]
k=$%
%
&


!
h n
( )
= T " n
( ) { }
#h n$ k
( )
= T " n $ k
( ) { }


!
y(n) = x k
( )
" h n# k
( )
k=#$
$
%




!
y(n) = x n
( )
"h n
( )



!
a
k
" y(n # k) =
k=0
M
$
b
k
" x(n # s)
s=0
N
$



!
a
k
" y
H
(n# k) = 0
k=0
M
$

3
Procesado Digital de Seales.
4 Ingeniera Electrnica, Universitat de Valncia, Profesor Emilio Soria
Seales discretas. Energa y potencia.
La energa de una seal discreta queda denida de la siguiente forma
A = |A|e
j
x(n) = |A|||
n
e
jw
0
n
e
j
= |A|||
n
e
j(w
0
n+)
Si || = 1 x(n) = |A|e
j(w
0
n+)
hablamos de una Secuencia
Exponencial Compleja que puede descomponerse en los corres-
pondientes fasores:
x(n) = |A|[cos(w
0
n + ) + jsin(w
0
n + )],
donde w
0
es la frecuencia de la sinusoide.
Descomposicion: Toda secuencia se puede expresar como una
combinaci on de s.
Por ejemplo:
x(n) = {1, 2, 3, 4, ...} x(n) = (n) + 2(n 1) + 3(n 2) + . . .
El escalon unitario se puede expresar as:
u(n) =
n

k=
(k)
De forma general:
x(n) =

k=
x(k)(n k)
Clasicacion de se nales en tiempo discreto:
Energa y potencia:
Energia : E

n=
|x(n)|
2
32
Si este valor es nito se dice que la seal es una seal de energa
La potencia media de una seal discreta queda denida de la siguiente forma
Si E es nita se habla de x(n) como una se nal de energa.
Potencia media : P lm
N
1
2N + 1
N

n=N
|x(n)|
2
Muchas se nales con energa innita poseen potencia media ni-
ta.
Podemos llegar a:
P lm
N
1
2N + 1
E
N
donde E
N
es la energa de la se nal en el intervalo N n N.
Simetricas y antisimetricas:
Simetrica (par) : x(n) = x(n)
Antisimetrica (impar) : x(n) = x(n)
Cualquier se nal se puede expresar como suma de dos compo-
nentes, una par y la otra impar.
Periodicas y aperi odicas:
Periodica : x(n + N) = x(n), n y N > 0.
El valor mas peque no de N es el periodo fundamental.
33
Si la potencia media es nita y diferente de cero la seal
se denomina seal de potencia
A modo de ejemplo es inmediato comprobar que el escaln unidad es una seal de
potencia (su energa es innita) y el impulso unitario es una funcin energa (su potencia
media es 0).
A modo de ejercicio intenta demostrar que la seal discreta compleja x(n)= A!e
jwn tiene
energa innita y potencia media igual a A y que la seal rampa x(n)=n!u(n) ni es seal
de energa ni de potencia.
4
Procesado Digital de Seales.
4 Ingeniera Electrnica, Universitat de Valncia, Profesor Emilio Soria
Sistemas discretos.
Se dene un sistema discreto como aquel que transforma
una seal discreta original x(n) a otra nal y(n)
x[n] y[n]
T{ }
Figure 2.6 Representation of a
discrete-time system, i.e., a
transformation that maps an input
sequence x[n] into a unique output
sequence y[n].
From Discrete-Time Signal Processing, 2e
by Oppenheim, Schafer, and Buck
1999-2000 Prentice Hall, Inc.
Un sistema discreto es invariante temporal si desplazamientos temporales de la
entrada se traducen en los mismos desplazamientos temporales a la salida del
sistema
Types of discrete systems
A causal system cannot look into the future:
y
n
= f(x
n
, x
n1
, x
n2
, . . .)
A memory-less system depends only on the current input value:
y
n
= f(x
n
)
A delay system shifts a sequence in time:
y
n
= x
nd
T is a time-invariant system if for any d
{y
n
} = T{x
n
} {y
nd
} = T{x
nd
}.
T is a linear system if for any pair of sequences {x
n
} and {x

n
}
T{a x
n
+ b x

n
} = a T{x
n
} + b T{x

n
}.
7
Un sistema discreto es lineal si para cualquier par de constantes a y b se cumple la
siguiente igualdad.
Types of discrete systems
A causal system cannot look into the future:
y
n
= f(x
n
, x
n1
, x
n2
, . . .)
A memory-less system depends only on the current input value:
y
n
= f(x
n
)
A delay system shifts a sequence in time:
y
n
= x
nd
T is a time-invariant system if for any d
{y
n
} = T{x
n
} {y
nd
} = T{x
nd
}.
T is a linear system if for any pair of sequences {x
n
} and {x

n
}
T{a x
n
+ b x

n
} = a T{x
n
} + b T{x

n
}.
7
La propiedad de linealidad permite aplicar el principio de superposicin en
procesado digital de seales. Las dos propiedades, linealidad e invarianza temporal
son claves para denir la convolucin (SI NO SE DAN ESTAS DOS
PROPIEDADES NO SE PUEDE DEFINIR LA CONVOLUCIN).
5
Procesado Digital de Seales.
4 Ingeniera Electrnica, Universitat de Valncia, Profesor Emilio Soria
Respuesta impulsional. Convolucin.
Tenemos un sistema discreto L.T.I (lineal e invariante temporal) y estamos interesados en determinar la
salida de dicho sistema cuando se tiene una cierta seal a la entrada........
Aqu hay tres cuestiones clave, la primera consiste en que cualquier seal
se puede poner como combinacin lineal de una serie de impulsos
unitarios
Can all LTI systems be represented by convolution?
Any sequence {x
n
} can be decomposed into a weighted sum of shifted
impulse sequences:
{x
n
} =

k=
x
k
{
nk
}
Lets see what happens if we apply a linear
()
time-invariant
()
system
T to such a decomposed sequence:
T{x
n
} = T

k=
x
k
{
nk
}

()
=

k=
x
k
T{
nk
}
()
=

k=
x
k
{
nk
} T{
n
} =

k=
x
k
{
nk
}

T{
n
}
= {x
n
} T{
n
} q.e.d.
The impulse response T{
n
} fully characterizes an LTI system.
15
Si queremos determinar la salida de la seal discreta {x
n
} aplicaremos
Types of discrete systems
A causal system cannot look into the future:
y
n
= f(x
n
, x
n1
, x
n2
, . . .)
A memory-less system depends only on the current input value:
y
n
= f(x
n
)
A delay system shifts a sequence in time:
y
n
= x
nd
T is a time-invariant system if for any d
{y
n
} = T{x
n
} {y
nd
} = T{x
nd
}.
T is a linear system if for any pair of sequences {x
n
} and {x

n
}
T{a x
n
+ b x

n
} = a T{x
n
} + b T{x

n
}.
7
Recordando la expresin anterior se tiene
Can all LTI systems be represented by convolution?
Any sequence {x
n
} can be decomposed into a weighted sum of shifted
impulse sequences:
{x
n
} =

k=
x
k
{
nk
}
Lets see what happens if we apply a linear
()
time-invariant
()
system
T to such a decomposed sequence:
T{x
n
} = T

k=
x
k
{
nk
}

()
=

k=
x
k
T{
nk
}
()
=

k=
x
k
{
nk
} T{
n
} =

k=
x
k
{
nk
}

T{
n
}
= {x
n
} T{
n
} q.e.d.
The impulse response T{
n
} fully characterizes an LTI system.
15
Aqu se aplica la 2 cuestin
clave el sistema es lineal
Can all LTI systems be represented by convolution?
Any sequence {x
n
} can be decomposed into a weighted sum of shifted
impulse sequences:
{x
n
} =

k=
x
k
{
nk
}
Lets see what happens if we apply a linear
()
time-invariant
()
system
T to such a decomposed sequence:
T{x
n
} = T

k=
x
k
{
nk
}

()
=

k=
x
k
T{
nk
}
()
=

k=
x
k
{
nk
} T{
n
} =

k=
x
k
{
nk
}

T{
n
}
= {x
n
} T{
n
} q.e.d.
The impulse response T{
n
} fully characterizes an LTI system.
15
Se tiene la actuacin del sistema sobre la seal impulso unitario retardado.
Denimos la respuesta impulsional de un sistema discreto, h
k
, como la
salida del sistema cuando la entrada es el impulso unitario esto es h
k
=T{#
k
}.
Finalmente como el
sistema es invariante
temporal se llega a
!
R
XX
(m) =
1
2" #
S
X
w
( )
" e
jmw
$#
#
%
dw



!
S
Y
w
( )
= H( j " w)
2
" S
X
w
( )

!
x(n) = A " e
#" n


!
x(n) = A " sin #" n +$
( )

!
x(n) = A " e
j" w" n+# ( )


!
y
n
{ } = x
k
" h
n#k
k=#$
$
%
&y(n) = x(k) " h(n # k)
k=#$
$
%

El anterior producto-suma se conoce como
la convolucin de x
k
y h
k
y se designa por
!
R
XX
(m) =
1
2 " #
S
X
w
( )
" e
jmw
$#
#
%
dw



!
S
Y
w
( )
= H( j " w)
2
" S
X
w
( )

!
x(n) = A " e
#" n


!
x(n) = A " sin #" n +$
( )

!
x(n) = A " e
j" w" n+# ( )


!
y
n
{ } = x
k
" h
n#k
k=#$
$
%
&y(n) = x(k) " h(n # k)
k=#$
$
%



!
x
n
{ } " h
n
{ } = x
k
# h
n$k
k=$%
%
&

6
Procesado Digital de Seales.
4 Ingeniera Electrnica, Universitat de Valncia, Profesor Emilio Soria
Convolucin. Propiedades
Distributiva.
Propiedades de la convolucion:
Conmutativa: h(n) x(n) = x(n) h(n)
Distributiva: x(n)[h
1
(n)+h
2
(n)] = x(n)h
1
(n)+x(n)h
2
(n)
Asociativa: h
2
(n) [h
1
(n) x(n)] = [h
2
(n) h
1
(n)] x(n)
Propiedades de h(n):
Un sistema LTI es estable

k=
|h(k)| < , entonces
los sistemas con h(n) = 0, n n
0
son todos estables.
Un sistema LTI es causal si h(n) = 0, n < 0.
39
8
Other properties of convolution:
x[n]
h
1
n] [ h
2
[n]
y[n] x[n] y[n]
h
2
] h
1
[n]
x[n] y[n]
h
1
[
*
= =
x[n]
y[n]
h
1
[ ]
h
2
[ ]
=
x[n] y[n]
h
1
[ ]+h
2
[ ]
n [ n] h ]
2
[n
n n
n
n
Propiedades de la convolucion:
Conmutativa: h(n) x(n) = x(n) h(n)
Distributiva: x(n)[h
1
(n)+h
2
(n)] = x(n)h
1
(n)+x(n)h
2
(n)
Asociativa: h
2
(n) [h
1
(n) x(n)] = [h
2
(n) h
1
(n)] x(n)
Propiedades de h(n):
Un sistema LTI es estable

k=
|h(k)| < , entonces
los sistemas con h(n) = 0, n n
0
son todos estables.
Un sistema LTI es causal si h(n) = 0, n < 0.
39
8
Other properties of convolution:
x[n]
h
1
n] [ h
2
[n]
y[n] x[n] y[n]
h
2
] h
1
[n]
x[n] y[n]
h
1
[
*
= =
x[n]
y[n]
h
1
[ ]
h
2
[ ]
=
x[n] y[n]
h
1
[ ]+h
2
[ ]
n [ n] h ]
2
[n
n n
n
n
Asociativa.
Propiedades de la convolucion:
Conmutativa: h(n) x(n) = x(n) h(n)
Distributiva: x(n)[h
1
(n)+h
2
(n)] = x(n)h
1
(n)+x(n)h
2
(n)
Asociativa: h
2
(n) [h
1
(n) x(n)] = [h
2
(n) h
1
(n)] x(n)
Propiedades de h(n):
Un sistema LTI es estable

k=
|h(k)| < , entonces
los sistemas con h(n) = 0, n n
0
son todos estables.
Un sistema LTI es causal si h(n) = 0, n < 0.
39
2004-09-14 Dan Ellis 28
Connected systems
! Cascade connection:
Impulse response h[n] of the cascade of
two systems with impulse responses
h
1
[n] and h
2
[n] is
! By commutativity,
] [n h
2
] [n h
1 ] [ ] [ n h n h
1
=
] [n h
2
] [n h
1
*
!
] [n h
2
] [n h
1
] [n h
1
] [n h
2
!
] [n h
2 *

h[n] = h
1
[n]
Conmutativa.
7
Procesado Digital de Seales.
4 Ingeniera Electrnica, Universitat de Valncia, Profesor Emilio Soria
Convolucin. Ejemplos grcos
9
Example: Convolution of two rectangles !!"".
k
x[k]
5 0
1
n
y[n]
0 5
6 N=
10
6
!"
n =
n =
n =
n =
n =
y = 0
y = 0
y = 3
y = 6
y = 3
y = 0
y = 0
n =
x[k]
x[k]
x[k]
x[k]
x[k]
x[k]
x[
x[
x[
x[
x[
x[ k]
1
k
k
k
k
k
k
k
7k]
1k]
2k]
x[k] x[5k]
8k]
11k]
17
8
7
1
n =2
5
11
17
8
Procesado Digital de Seales.
4 Ingeniera Electrnica, Universitat de Valncia, Profesor Emilio Soria
Estabilidad. Causalidad.
Una vez vista la forma de obtener las salidas de un sistema discreto es necesario
denir el concepto de estabilidad BIBO; un sistema digital es estable BIBO si, ante
cualquier entrada acotada, la salida del sistema permanece acotada.
Se puede demostrar que la denicin anterior se transforma en la siguiente
condicin matemtica
Propiedades de la convolucion:
Conmutativa: h(n) x(n) = x(n) h(n)
Distributiva: x(n)[h
1
(n)+h
2
(n)] = x(n)h
1
(n)+x(n)h
2
(n)
Asociativa: h
2
(n) [h
1
(n) x(n)] = [h
2
(n) h
1
(n)] x(n)
Propiedades de h(n):
Un sistema LTI es estable

k=
|h(k)| < , entonces
los sistemas con h(n) = 0, n n
0
son todos estables.
Un sistema LTI es causal si h(n) = 0, n < 0.
39
Si nos jamos en la respuesta impulsional del sistema discreto aparece lo que se
conoce como sistema F.I.R (Finite Impulse Response) e I.I.R (Innite Impulse
Response). Evidentemente (lo ves?) los sistemas FIR siempre son estables.
Otra denicin importante es la de causalidad; un sistema discreto es causal cuando
la salida en cualquier instante no depende de valores futuros de entradas o salidas.
Es inmediato comprobar que un
sistema es causal si se cumple que
Propiedades de la convolucion:
Conmutativa: h(n) x(n) = x(n) h(n)
Distributiva: x(n)[h
1
(n)+h
2
(n)] = x(n)h
1
(n)+x(n)h
2
(n)
Asociativa: h
2
(n) [h
1
(n) x(n)] = [h
2
(n) h
1
(n)] x(n)
Propiedades de h(n):
Un sistema LTI es estable

k=
|h(k)| < , entonces
los sistemas con h(n) = 0, n n
0
son todos estables.
Un sistema LTI es causal si h(n) = 0, n < 0.
39
9
Procesado Digital de Seales.
4 Ingeniera Electrnica, Universitat de Valncia, Profesor Emilio Soria
Correlacin. Autocorrelacin.
Existen situaciones en las que estamos interesados en determinar como va cambiando
una seal a lo largo del tiempo; nos preguntamos si existe cierto parecido en la forma de
onda x(n) si consideramos diferentes intervalos temporales. Esta informacin es muy
til cuando se modelizan sistemas y existen periodicidades
Las operaciones de procesado digital que nos proporcionan esa informacin son la
autocorrelacin; cuando quiero determinar parecido dentro de una misma seal x(n); y
la correlacin cruzada cuando quiero determinar parecido entre formas de onda
diferentes.
Se pueden distinguir entonces dos operaciones; la autocorrelacin cuando se utiliza
una seal y la correlacin cruzada cuando se utilizan dos secuencias discretas.
Se dene la autocorrelacin de una seal discreta x(n) a la secuencia denida por la
siguiente expresin,
2004-09-14 Dan Ellis 54
Autocorrelation
! Autocorrelation (AC) is correlation of
signal with itself:
! Note:
Energy of
sequence x[n]


r
xx
[l] = x[n]x[n ! l]
n=!"
"
#
= r
xx
[!l]

r
xx
[0] = x
2
[n]
n=!"
"
#
=$
x
La energa de la
seal se corresponde
con r
xx
(0)
10
Procesado Digital de Seales.
4 Ingeniera Electrnica, Universitat de Valncia, Profesor Emilio Soria
Correlacin cruzada.
!"##$%&'(")*+,&-.%$*/0")'12
! 34()5*#&6&#7*8$*'#&)4-('*'9$*4(5)&%*49"8)*:$%"8
Correlation Example (cont.)
! We receive the following (note the noise!)
Correlation Example
! Provides a measure of similarity between 2 signals
! Typical application is locating a known signal
! E.g., transmit a signal and see if you receive it back
and also at what time you receive it back
Radar
Blocked
pipes!
Problema clsico--Radar y Sonar.
!"##$%&'(")*+,&-.%$*/0")'12
Adems se comprueban las siguientes
igualdades
2.5. Correlacion y convolucion
Dadas dos secuencias x(n), y(n) se dene la correlaci on cruzada de
estas dos secuencias como:
r
xy
(l) =

k=
x(n)y(n l), l = 0, 1, 2, . . .
r
xy
(l) =

k=
x(n + l)y(n), l = 0, 1, 2, . . .
r
yx
(l) =

k=
y(n)x(n l) =
=

k=
y(n + l)x(n) = r
xy
(l), l = 0, 1, 2, . . .
item Por tanto:
r
xy
(l) = x(l) y(l) = r
yx
(l)
Por tanto, r
yx
(l) es s olo la versi on reejada de r
xy
(l) donde la ree-
xion se hace con respecto a l = 0. Por tanto, la matriz de correlaci on
cruzada entre dos secuencias es simetrica; nos da la misma infor-
macion hacer la correlaci on entre x(n) e y(n) que viceversa.
43
Se dene la correlacin cruzada entre
dos seales x(n) e y(n) como
!
r
xy
(l) = x k
( )
" y k #l
( )
k=#$
$
%
l = 0,1, 2,....



!
r
xy
(l) = x n+l
( )
" y n
( )
n=#$
$
%
l = 0,1, 2,....

Si se hace un cambio de ndices en la
expresin anterior es inmediato llegar a
la siguiente igualdad.
!
r
xy
(l) = x k
( )
" y k #l
( )
k=#$
$
%
l = 0, 1,2,....



!
r
xy
(l) = x n+l
( )
" y n
( )
n=#$
$
%
l = 0,1, 2,....

11