Signal Processing ToolBox (Caja de Herramientas de Procesamiento de Señal)

Introducción

“Proporciona funciones y aplicaciones para analizar, preprocesar y extraer

características de señales muestreadas uniforme y no uniformemente. Signal
Processing Toolbox™”. (MATLAB,s.f.). La caja de herramientas incluye
herramientas para el diseño y análisis de filtros, remuestreo, suavizado, detrending
y estimación del espectro de potencia.

La caja de herramientas también proporciona funcionalidad para extraer

características como puntos de cambio y envolventes, encontrar picos y patrones de
señal, cuantificar similitudes de señal y realizar mediciones como SNR y distorsión.
También puede realizar análisis modales y de orden de las señales de vibración.
Con la aplicación Analizador de señales puede preprocesar y analizar varias señales
simultáneamente en dominios de tiempo, frecuencia y frecuencia sin escribir
código; explorar señales largas; y extraer regiones de interés. Con la aplicación
Diseñador de filtros puede diseñar y analizar filtros digitales eligiendo entre una
variedad de algoritmos y respuestas. Ambas aplicaciones generan
código.MATLAB®

Generación y preprocesamiento de señales

Proporciona funciones que le permiten denoise, suavizar y desmitar las señales para
prepararlas para un análisis posterior.Signal Processing Toolbox™ Elimine el ruido, los
valores atípicos y el contenido no esencial de los datos. Mejore las señales para
visualizarlas y descubrir patrones.

Cambie la frecuencia de muestreo de una señal o haga que la frecuencia de muestreo

sea constante para señales muestreadas irregularmente o señales con datos que faltan.
Genere señales sintéticas como pulsos y chirridos para simulación y pruebas de
algoritmos.

Características clave

 Aplicación Signal Analyzer para visualizar y comparar señales simultáneamente

en dominios de tiempo, frecuencia y tiempo-frecuencia
 Diseño y análisis de filtros FIR e IIR
  Algoritmos para encontrar similitudes de señal, envolventes, patrones, puntos de
cambio, picos y valores atípicos
 Mediciones como métricas de transición y pulso, potencia de banda, ancho de
banda y distorsión
 Estimación del espectro de potencia de datos muestreados de manera uniforme y
no uniforme
 Análisis de pedidos de señales de vibración y análisis modal de sistemas
mecánicos.

Formas de onda periódicas

Este ejemplo muestra cómo generar formas de onda periódicas y aperiódicas

ampliamente utilizadas, secuencias (impulso, paso, rampa), señales multicanal, trenes de
pulsos, sinc y funciones de dirichlet disponibles en el cuadro de herramientas de
procesamiento de señales™.

fs = 10000;
t = 0:1/fs:1.5;
x1 = sawtooth(2*pi*50*t);
x2 = square(2*pi*50*t);
subplot(2,1,1)
plot(t,x1)
axis([0 0.2 -1.2 1.2])
xlabel('Time (sec)')
ylabel('Amplitude')
title('Sawtooth Periodic Wave')
subplot(2,1,2)
plot(t,x2)
axis([0 0.2 -1.2 1.2])
xlabel('Time (sec)')
ylabel('Amplitude')
title('Square Periodic Wave')
 Formas de onda aperiódicas

Para generar pulsos triangulares, rectangulares y gaussianos, la caja de herramientas

ofrece las funciones tripuls, rectpuls y gauspuls.

La función genera un pulso triangular aperiódico, de altura de unidad centrado en

aproximadamente t a 0 y con una anchura predeterminada de 1.tripuls

La función genera un pulso rectangular aperiódico, de altura de unidad centrado en

aproximadamente t a 0 y con una anchura predeterminada de 1.rectpuls Tenga en cuenta
que el intervalo de amplitud no cero se define para que esté abierto a la derecha, es
decir, rectpuls(-0.5) a 1 mientras que rectpuls(0.5) a 0.

Para generar 2 segundos de un pulso triangular (respectivamente rectangular) con

una frecuencia de muestreo de 10 kHz y una anchura de 20 ms, utilice:

fs = 10000;
t = 0:1/fs:1.5;
x1 = sawtooth(2*pi*50*t);
x2 = square(2*pi*50*t); subplot(2,1,1)
plot(t,x1)
axis([0 0.2 -1.2 1.2])
xlabel('Time (sec)')
ylabel('Amplitude')
title('Sawtooth Periodic Wave')
subplot(2,1,2)
plot(t,x2)
axis([0 0.2 -1.2 1.2])
xlabel('Time (sec)')
ylabel('Amplitude')
title('Square Periodic Wave')
 Formas de onda de frecuencia barrida

La caja de herramientas también proporciona funciones para generar formas de onda

de frecuencia barrida, como la función.chirp Dos parámetros opcionales especifican
métodos de barrido alternativos y fase inicial en grados. A continuación, se muestran
varios ejemplos de uso de la función chirp para generar chirridos lineales o cuadráticos,
convexos y cóncavos.

Generar un chirrido lineal:

t = 0:0.001:2; % 2 secs @ 1kHz sample rate ylin = chirp(t,0,1,150); %

Start @ DC, cross 150Hz at t=1sec

Generar un chirrido cuadrático:

t = -2:0.001:2; % +/-2 secs @ 1kHz sample rate yq = chirp(t,100,1,200,'q');

% Start @ 100Hz, cross 200Hz at t=1sec

Calcular y mostrar los espectrogramas

subplot(2,1,1)
spectrogram(ylin,256,250,256,1E3,'yaxis')
title('Linear Chirp')
subplot(2,1,2)
spectrogram(yq,128,120,128,1E3,'yaxis')
title('Quadratic Chirp')
 Mediciones y extracción de características

Picos, estadísticas de señal, métricas de pulso y transición, potencia, ancho de banda,

distorsión

Proporciona funciones que le permiten medir características distintivas comunes de

una señal.Signal Processing Toolbox™ Localice los picos de señal y determine su
altura, anchura y distancia a los vecinos. Mida las características del dominio de tiempo,
como las amplitudes de pico a pico y las envolventes de señal. Mida métricas de pulso
según el exceso y el ciclo de trabajo.

En el dominio de frecuencia, mida las frecuencias fundamentales, medias, medianas

y armónicas, el ancho de banda del canal y la potencia en una banda de frecuencias.
Caracterizar los sistemas midiendo el rango dinámico libre espurio (SFDR), la relación
señal-ruido (SNR), la distorsión armónica total (THD), la relación señal-ruido y
distorsión (SINAD) y la interceptación de tercer orden (TOI).

Análisis de picos

Este ejemplo muestra cómo realizar el análisis de picos básicos. Le ayudará a

responder preguntas tales como: ¿Cómo encuentro picos en mi señal? ¿Cómo mido la
distancia entre picos? ¿Cómo mido la amplitud de los picos de una señal que se ve
afectada por una tendencia? ¿Cómo encuentro picos en una señal ruidoso? ¿Cómo
encuentro minima local?

Encontrar Maxima o Peaks

El número relativo de manchas solares de Zúrich mide tanto el número como el

tamaño de las manchas solares. Utilice la función para buscar las ubicaciones y el valor
de los picos.findpeaks

load sunspot.dat year = sunspot(:,1);

relNums = sunspot(:,2);
findpeaks(relNums,year)
xlabel('Year')
ylabel('Sunspot Number')
title('Find All Peaks')
 La gráfica anterior muestra los números de manchas solares tabulados a lo largo de
300 años y etiqueta los picos detectados. La siguiente sección muestra cómo medir la
distancia entre estos picos.

Medición de la distancia entre picos

Los picos de la señal parecen aparecer a intervalos regulares. Sin embargo, algunos
de los picos están muy cerca el uno del otro. La propiedad se puede utilizar filtrar estos
picos.MinPeakProminence Considere los picos que caen en ambos lados por al menos
40 números de manchas de sol relativas antes de encontrar un valor mayor.

findpeaks(relNums,year,'MinPeakProminence',40)
xlabel('Year')
ylabel('Sunspot Number')
title('Find Prominent Peaks')

El histograma siguiente muestra la distribución de los intervalos pico en años:

figure [pks, locs] = findpeaks(relNums,year,'MinPeakProminence',40);

peakInterval = diff(locs);
hist(peakInterval)
grid on
xlabel('Year Intervals')
ylabel('Frequency of Occurrence')
title('Histogram of Peak Intervals (years)')
 System Identification ToolBox (Caja de herramientas de identificación del
sistema)

System Identification Toolbox™ proporciona funciones MATLAB, bloques

Simulink y una aplicación para construir modelos matemáticos de sistemas dinámicos a
partir de datos de entrada y salida medidos. Le permite crear y utilizar modelos de
sistemas dinámicos que no se modelan fácilmente a partir de los primeros principios o
especificaciones. Puede utilizar datos de entrada-salida de dominio de tiempo y dominio
de frecuencia para identificar funciones de transferencia de tiempo continuo y tiempo
discreto, modelos de proceso y modelos de espacio de estado. La caja de herramientas
también proporciona algoritmos para la estimación de parámetros en línea incrustados.

La caja de herramientas proporciona técnicas de identificación como la máxima

probabilidad, la minimización de errores de predicción (PEM) y la identificación del
sistema subespacial. Para representar la dinámica del sistema no lineal, puede estimar
los modelos Hammerstein-Weiner y los modelos ARX no lineales con no linealidades
de red de ondas, particiones de árbol y redes sigmoide. La caja de herramientas realiza
la identificación del sistema de cuadro gris para estimar los parámetros de un modelo
definido por el usuario. Puede utilizar el modelo identificado para la predicción de
respuesta del sistema y el modelado de plantas en Simulink. La caja de herramientas
también admite el modelado de datos de series temporales y la previsión de series
temporales.
 Características clave

 Función de transferencia, modelo de proceso e identificación del modelo de

espacio de estado utilizando datos de respuesta en el dominio del tiempo y del
dominio de la frecuencia
 Estimación del modelo autorregresivo (ARX, ARMAX), Box-Jenkins y Output-
Error utilizando la máxima probabilidad, la minimización del error de predicción
(PEM) y las técnicas de identificación del sistema subespacial.
 Estimación de parámetros del modelo en línea.
 Modelado de series temporales (AR, ARMA) y pronósticos.
 Identificación de modelos ARX no lineales y modelos Hammerstein-Weiner con
entrada-salida no linealidades como saturación y zona muerta.
 Identificación de sistema de caja gris lineal y no lineal para la estimación de
modelos definidos por el usuario.
 Estimación de retraso, tendencia, filtrado, remuestreo y reconstrucción de datos
faltantes.

Caja de herramientas Wavelet

Wavelet Toolbox™ proporciona funciones y aplicaciones para analizar y sintetizar

señales e imágenes. La caja de herramientas incluye algoritmos para el análisis continuo
de ondas, la coherencia de las ondas, la comprimencia de sincronización y el análisis de
frecuencia de tiempo adaptable a datos. La caja de herramientas también incluye
aplicaciones y funciones para el análisis de ondas discretas diezmadas y nocimas de
señales e imágenes, incluidos paquetes de wavelet y transformaciones de árbol dual.

Mediante el análisis continuo de ondas, puede estudiar la forma en que las entidades
espectrales evolucionan con el tiempo, identificar patrones comunes que varían el
tiempo en dos señales y realizar filtrados localizados en el tiempo. Mediante el análisis
discreto de ondas, puede analizar señales e imágenes a diferentes resoluciones para
detectar puntos de cambio, discontinuidades y otros eventos no visibles fácilmente en
los datos sin procesar. Puede comparar estadísticas de señales en varias escalas y
realizar análisis fractales de datos para revelar patrones ocultos.

Con Wavelet Toolbox puede obtener una representación escasa de los datos, útil para
dar a conocer o comprimir los datos mientras conserva características importantes.
Muchas funciones de la caja de herramientas admiten la generación de código de C/C++
para la creación de prototipos de escritorio y la implementación del sistema integrado.

Características clave

 Análisis de frecuencia de tiempo utilizando la transformación de wavelet

continua, la coherencia de wavelet, la transformación Q constante, la
descomposición en modo empírico y la transformación de Hilbert-Huang
 Aplicación Wavelet Signal Denoiser para eliminar datos de series temporales
 Paquetes wavelet diezmados y transformaciones wavelet, incluidos los líderes
wavelet para análisis fractal
 Técnicas no terminadas, que incluyen doble árbol, wavelet estacionaria, wavelet
discreta de superposición máxima y transformaciones de paquetes de wavelet
 Señalización, eliminación de ruido de imágenes y compresión, incluida la
búsqueda coincidente.
 Método de elevación para construir wavelets personalizadas.

Descripción del producto Caja de herramientas del sistema de comunicaciones

Communications System Toolbox proporciona algoritmos y aplicaciones para el

análisis, diseño, simulación de extremo a extremo y verificación de sistemas de
comunicaciones en MATLAB® y Simulink®. Los algoritmos de Toolbox, que incluyen
codificación de canales, modulación, MIMO y OFDM, le permiten componer un
modelo de capa física de su sistema. Puede simular sus modelos para medir el
rendimiento.

La caja de herramientas del sistema proporciona diagramas de constelación y ojo,

tasa de error de bits y otras herramientas de análisis y ámbitos para validar sus diseños.
Estas herramientas le permiten analizar señales, visualizar las características del canal y
obtener métricas de rendimiento como la magnitud del vector de error (EVM). Los
modelos de degradación de canales y RF y los algoritmos de compensación, incluidos
los sincronizadores de sincronización de portadora y símbolo, le permiten modelar de
manera realista sus especificaciones de nivel de enlace y compensar los efectos de las
degradaciones del canal.

Con los paquetes de soporte de hardware de Communications System Toolbox,

puede conectar sus modelos de transmisor y receptor a dispositivos de radio y verificar
sus diseños con pruebas en el aire. La caja de herramientas del sistema admite
aritmética de punto fijo y generación de código C o HDL. Los algoritmos están
disponibles como funciones de MATLAB, objetos del sistema y bloques de Simulink.

Características clave

 Algoritmos para diseñar la capa física de los sistemas de comunicaciones, incluida

la codificación de canales, modulación, OFDM, MIMO, ecualización y
sincronización.
 Herramientas de análisis y ámbitos de medición, que incluyen una aplicación de
tasa de error de bits, diagramas de constelación y diagramas de ojo.
 Modelos de canales, que incluyen AWGN, desvanecimiento por trayectoria
múltiple de Rayleigh, desvanecimiento de Rician, desvanecimiento por trayectoria
múltiple MIMO y desvanecimiento por trayectoria múltiple LTE MIMO.
 Modelos básicos de deterioro de RF, que incluyen no linealidad, ruido de fase,
ruido térmico y compensaciones de fase y frecuencia • Paquetes de soporte de
hardware para conectar formas de onda a dispositivos de radio y verificar diseños
con pruebas por aire.
 Algoritmos habilitados para GPU para algoritmos computacionalmente intensivos
como decodificadores Turbo, LDPC y Viterbi.

Diseño del filtro HDL Coder Descripción del producto

Filter Design HDL Coder genera un código VHDL® y Verilog® sintetizable y

portátil para implementar filtros de punto fijo diseñados con MATLAB® en FPGA o
ASIC. Crea automáticamente bancos de prueba VHDL y Verilog para simular, probar y
verificar el código generado.

Características clave

 Generación de código VHDL sintetizable compatible con IEEE® 1076 y

código Verilog compatible con IEEE 1364-2001.
 Control sobre el contenido del código generado, la optimización y el
estilo.
 Aritmética distribuida y otras opciones para la velocidad versus el
intercambio de área y la exploración de arquitectura.
  Generación de banco de pruebas VHDL y Verilog para una verificación y
validación rápidas del código de filtro HDL generado.
 Generación de scripts de simulación y síntesis.

Diseñar un filtro FIR en Filter Designer

En esta sección se supone que está familiarizado con la interfaz de usuario de
MATLAB y el Diseñador de filtros. Las siguientes instrucciones lo guían a través
del procedimiento de diseño y creación de un filtro FIR básico con Filter Designer:
1. Inicie el software MATLAB.
2. Establezca su carpeta actual en la carpeta que creó en “Crear una carpeta para sus
archivos de tutorial” en la página 1-4.
3. Inicie Filter Designer ingresando el comando filterDesigner en la ventana de
comandos de MATLAB. Aparece el cuadro de diálogo Herramienta de diseño y
análisis de filtros.

4. En el cuadro de diálogo Herramienta de diseño y análisis de filtros, verifique que

estén configuradas las siguientes opciones de filtro:
 Estas configuraciones son para el diseño de filtro predeterminado que Filter
Designer crea para usted. Si no tiene que cambiar el filtro, y el filtro de diseño está
atenuado, ya está listo y puede pasar a "Cuantizar el filtro" en la página 1-6.
5. Si modificó las opciones enumeradas en el paso 4, haga clic en Filtro de diseño. El
Diseñador de filtros crea un filtro para el diseño especificado y muestra el siguiente
mensaje en la barra de estado del Diseñador de filtros cuando se completa la tarea.
Diseño de filtro ... Hecho
Para obtener más información sobre el diseño de filtros con Filter Designer,
consulte la documentación de DSP System Toolbox.

Image Processing Toolbox

Image Processing Toolbox proporciona un conjunto integral de algoritmos de

referencia estándar y aplicaciones de flujo de trabajo para el procesamiento, análisis,
visualización y desarrollo de algoritmos de imágenes. Puede realizar segmentación de
imágenes, mejora de imágenes, reducción de ruido, transformaciones geométricas,
registro de imágenes y procesamiento de imágenes en 3D.
 Las aplicaciones Image Processing Toolbox le permiten automatizar flujos de trabajo
comunes de procesamiento de imágenes.

Puede segmentar interactivamente datos de imágenes, comparar técnicas de registro

de imágenes y procesar grandes conjuntos de datos por lotes. Las funciones y
aplicaciones de visualización le permiten explorar imágenes, volúmenes 3D y videos;
ajustar el contraste; crear histogramas; y manipular regiones de interés (ROI).

Puede acelerar sus algoritmos ejecutándolos en procesadores multinúcleo y GPU.

Muchas funciones de la caja de herramientas admiten la generación de código C / C

++ para la creación de prototipos de escritorio y la implementación de sistemas de
visión integrados.

Características clave

 Análisis de imágenes, incluyendo segmentación, morfología, estadística y

medición.
 Aplicaciones para análisis de regiones de imágenes, procesamiento por lotes de
imágenes y registro de imágenes.
 Flujos de trabajo de procesamiento de imágenes en 3D, que incluyen visualización
y segmentación.
 Mejora de la imagen, filtrado, transformaciones geométricas y algoritmos de
borrado.
 Métodos de registro de imágenes no rígidos y basados en la intensidad.
 Soporte para GPU NVIDIA con CUDA (con Parallel Computing Toolbox ™)
 Soporte de generación de código C para prototipos de escritorio y despliegue de
sistemas de visión integrados.