Académique Documents
Professionnel Documents
Culture Documents
Este conjunto se puede, de hecho, identificar con el conjunto de las senales N -periodicas x : Z C,
En aplicaciones reales, una senal digital (unidimensional) sera una sucesion de numeros {x(n)}N 1
n=0 ,
donde N es posiblemente muy grande. Entonces, por economa de espacio, etc., podra resultar muy
interesate saber si a partir del conocimiento de la senal x en una muestra de valores 0 n1 < n2 <
< nr N 1 es posible recuperar completamente la senal x(k) para todo k. Este es precisamente
el problema del muestreo (irregular) para senales digitales.
Evidentemente, si trabajamos con senales arbitrarias x l2 (ZN ), entonces no sera posible la
recuperacion de estas a partir de valores de una muestra fija 0 < ni < ni+1 < < N . Sin embargo,
veremos que esto es posible cuando la senal es de banda limitada2 . Se vera, de hecho, que la teora de
senales digitales se soporta en conceptos y metodos sencillos de Algebra Lineal.
En realidad, es claro que lo que hemos llamado anteriormente l2 (ZN ) no es otra cosa que una
nueva forma de escribir el espacio vectorial CN , interpretando sus elelmentos, los vectores v =
*
Este documento esta basado ampliamente en el libro de texto del autor: J.M. Almira, Matematicas para la recu-
peracion de senales, Grupo Editorial Universitario, 2005.
1
Algunos autores llaman finitas a este tipo de senales. De hecho, es tambien posible restringir la atencion sobre las
senales finitas que ademas estan cuantizadas, es decir, que solo pueden tomar un numero finito de valores. Esto, sin
embargo, no resulta comodo desde un punto de vista matematico.
2
Este concepto se define, para el caso discreto, en la siguiente seccion
LAFA. Laboratorio de Analisis de Fourier Aplicado
Como es natural, en lo que sigue vamos a suponer que se ha fijado el tamano N de las senales
con las que se desea trabajar. Entonces l2 (ZN ), el espacio de las senales digitales de periodo N , es
un espacio vectorial complejo de dimension (finita) N (dimension 2N , si se considera como espacio
vectorial real, y de nuevo dimension N , como e.v. real, si se considera que las senales toman solo
valores reales). En este espacio el Analisis de Fourier es, por tanto, muy sencillo.
2ikn
Teorema 1 La familia {ek (n) = e N }N 1
k=0 es una base ortogonal de l 2
(Z N ). Ademas, kek k = N
para k = 0, 1, , N 1.
Demostracion. Como dimC l2 (ZN ) = N , bastara comprobar que las senales {ek }N 1
k=0 definidas
anteriormente son ortogonales dos a dos. Veamoslo:
N
X 1
< e k , el > = ek (i)el (i)
n=0
N
X 1
2ikn 2iln
= e N e N
n=0
N
X 1 n
2i(kl)
= e N
n=0
1xN
Ahora, como 1 + x + + xN 1 = 1x
(si x 6= 1), entonces tenemos que
1 e2i(kl)
< ek , el >= 2i(kl)
=0
1e N
2
LAFA. Laboratorio de Analisis de Fourier Aplicado
Como consecuencia del resultado anterior, es claro que podemos escribir cualquier senal x
2
l (ZN ) en la forma
N
X 1
< x, ek >
x(n) = ek (n) (1)
k=0
kek k2
N
X 1
1 2ikn
= x(k)e N , (2)
N k=0
donde
N
X 1
2ikn
x(k) =< x, ek >= x(n)e N (3)
n=0
N 1
denota la transformada de Fourier discreta (DFT) de la senal x = {x(n)}n=0 . De hecho, la formula
(2) responde al calculo de la transformada inversa de Fourier discreta, pudiendo considerar (3) y
(2) como procesos inversos. Es decir, el operador F : l2 (ZN ) l2 (ZN ), x F(x) = x es un
isomorfismo de espacios de Banach cuyo operador inverso esta descrito por la expresion (2). Por otra
parte, es evidente que se satisface la siguiente formula de Plancherel
N
X 1 N 1
1 X
kxk2 = |x(n)|2 = |x(k)|2 .
n=0
N k=0
En este contexto, podemos definir la convolucion circular de las senales x, y l2 (ZN ) consideran-
dolas como senales periodicas de periodo N ,
N
X 1
x y(n) = x(k)y(n k)
k=0
Teorema 2 Supongamos que x, y l2 (ZN ) son senales digitales periodicas de periodo N y sea
z = x y su convolucion circular. Entonces z = x y, donde u u denota el producto, compo-
nente a componente, de los vectores u y v (i.e., (u1 , . . . , uN ) (v1 , . . . , vN ) = (u1 v2 , . . . , uN vN )).
Analogamente, se tiene que IDFT(X Y ) = IDFT(X) IDFT(Y ).
3
LAFA. Laboratorio de Analisis de Fourier Aplicado
n=0
N
X 1 N
X 1
2imn
= x(k)y(n k)e N
n=0 k=0
N
X 1 N
X 1
2imn
= x(k) y(n k)e N
k=0 n=0
N
X 1 N
X 1
2imk 2im(nk)
= x(k)e N y(n k)e N
k=0 n=0
N
X 1
2im(nk)
= x(m) y(n k)e N .
n=0
y, por tanto, z(m) = x(m)y(m) para todo m. Esto concluye la primera parte del resultado. Veamos
ahora que se satisface tambien la segunda parte. Para ello, tomamos z = IDFT(X) IDFT(Y )
y calculamos su transformada de Fourier discreta. Por la primera parte del teorema sabemos que
zb = X Y y, por tanto, z = IDFT(X Y ), que es lo que deseabamos probar.
Si x l2 (ZN ), entonces el calculo completo de su transformada de Fourier discreta x = {x(k)}N 1
k=0
requiere N 2 multiplicaciones y sumas de numeros complejos. Esto supone un elevado esfuerzo com-
putacional. Por ello, ha habido un enorme interes en el desarrollo de algoritmos para el calculo efi-
ciente de la DFT. Dichos algoritmos reciben el nombre generico de transformadas de Fourier rapi-
das (FFT)3 Vamos a explicar la idea basica subyacente. Para ello, supongamos que N es par. Entonces
podemos reordenar la suma
N
X 1
2imn
x(m) = x(n)e N (0 k < N )
n=0
4
LAFA. Laboratorio de Analisis de Fourier Aplicado
Se sigue, pues, que las componentes frecuenciales de ndice par, x(2k) se pueden obtener mediante
el calculo de la transformada de Fourier discreta de la senal N/2-periodica
y las componentes frecuenciales de ndice impar x(2k + 1) se obtienen calculando la DFT de la senal
N/2-periodica
2in
xo (n) = e N (x(n) x(n + N/2))).
De esta forma, si N es par, entonces el calculo de su DFT tiene el coste del calculo de dos DFTs de
tamano N/2 mas O(N ) sumas y multiplicaciones (para el calculo de las nuevas senales xe , xo ). Por
supuesto, este proceso se puede reiterar tantas veces como sea posible, siendo el caso optimo aquel
en el que N = 2M para cierto entero M > 0.
Definicion 2 Decimos que la senal x l2 (ZN ) es de banda limitada, con ancho de banda M
(donde 0 < M < N/2), si
N
X 1
x(k) = x(n)e2ikn/N = 0 para todo k tal que M < |k| N/2.
n=0
El espacio de las senales de banda limitada con ancho de banda M se denota por BM . Eviden-
temente, x BM si y solo si existe y l2 (ZN ) tal que y(k) = 0 para M < |k| N/2 y x = F 1 (y).
Es decir,
M
1 X 2ikn
x(n) = y(k)e N .
N k=M
Se sigue que BM es un espacio vectorial complejo de dimension 2M + 1.
Como los operadores DFT e IDFT conservan la ortogonalidad de las senales, podemos aprovechar
la observacion anterior para realizar el calculo de la proyeccion ortogonal de l2 (ZN ) en BM , P :
5
LAFA. Laboratorio de Analisis de Fourier Aplicado
[
l2 (ZN ) BM . Para ello, bastara tener en cuenta que P(x)(k) [
= x(k) para |k| M y P(x)(k) =0
[
para M < |k| N/2 y calcular la transformada inversa de Fourier discreta de P(x). En formulas4 ,
M
1 X 2ikn
P(x)(n) = x(k)e N .
N k=M
Si x BM , entonces x = P(x) y, por tanto,
M
1 X 2ikn
x(n) = x(k)e N para n = 0, 1, , N 1.
N k=M
Se sigue que el problema del muestreo irregular puede plantearse como el siguiente problema de
algebra lineal: Que debemos exigir a {0 n1 < n2 < < nr N } para garantizar que las
ecuaciones
M
1 X 2iknj
x(k)e N = x(nj ) para j = 1, , r (6)
N k=M
(para las que se conocen los valores {x(nj )}rj=1 ) tengan una (unica) solucion {x(k)}M
k=M ? Como
k=M, ,M
A = (ajk )j=1, ,r , donde
2iknj 2inj k
ajk = e N = e N
es una matriz de Vandermonde, es claro que tiene rango maximo (i.e., rank(A) = mn{r, 2M + 1})
y, por tanto, se tiene que el problema del muestreo irregular admite una unica solucion5 siempre que
r 2M + 1.
Es interesante observar que si nos quedamos con exactamente 2M + 1 de las ecuaciones que
aparecen en (6), entonces el correspondiente sistema de ecuaciones se puede resolver en O(M 2 )
operaciones, recuperando la DFT de x (de modo que para recuperar x, bastara aplicar a continuacion
la IDFT a x). Sin embargo, es conocido que el desprecio a la informacion proporcionada por las
muestras redundantes que se desechan segun este procedimiento, tiende a convertir el sistema en uno
mal condicionado. Es por tanto importante la busqueda de algoritmos que, haciendo uso de toda la
informacion disponible, sean bien condicionados. (De esta forma, se lograra mayor estabilidad en los
calculos y fiabilidad en los resultados). As, tenemos en el problema del muestreo irregular discreto
un ejemplo importante de aplicacion del algebra lineal numerica.
6
LAFA. Laboratorio de Analisis de Fourier Aplicado
Definicion 3 Llamamos seno cardinal discreto a la senal sincM := IDFT(M ). Esta senal es, como
veremos, el analogo discreto de la senal sinc. En particular, es claro que si x BM entonces x =
x sincM .
Lema 1
sin((2M + 1)n/N ) 2M + 1
sincM (n) = para n 6= 0; y sincM (0) = .
N sin(n/N ) N
2n 2M +1
con = N
. Si n = 0 entonces es obvio que sincM (n) = N
. Ahora bien,
M
X 2M
X i(2M +1)
ik iM i k iM e 1
e = e (e ) = e
k=M k=0
ei 1
ei(M +1) eiM ei(M +1) eiM ei /2
= =
ei 1 ei 1 ei /2
1 1
ei(M + 2 ) ei(M + 2 ) sin((M + 21 ) )
= = ,
ei /2 ei /2 sin 2
2n
de modo que, para n 6= 0, el resultado se sigue facilmente tomando en la expresion anterior = N
.
Teorema 3 (Teorema del muestreo digital uniforme) Sea x BM y sea d un divisor de N tal que
d(2M + 1) N . Entonces la senal x queda determinada por el conjunto de valores {x(dj)}R
j=0 ,
donde R = N/d 1. De hecho,
R
X
x(n) = dx(dj)sincM (n dj). (7)
j=0
7
LAFA. Laboratorio de Analisis de Fourier Aplicado
PR 1
PM 2ikn
Sea z(n) = j=0 dx(dj)sincM (n dj). Como sincM (n) = N k=M e N y d/N = 1/(R + 1),
entonces
R
M
!
X d X 2ik(ndj)
z(n) = x(dj) e N
j=0
N k=M
R
M
! M
!!
X 1 X 2itdj d X 2ik(ndj)
= x
b(t)e N e N
j=0
N t=M N k=M
R
M M
!!
1 X X d X 2ink 2i(tk)jd
= x
b(t) e N + N
N j=0 t=M N k=M
M M R
!!!
1 X X 2ink 1 X 2i(tk)j
= x
b(t) e N e R+1
N t=M k=M
R + 1 j=0
R
1 X 2i(tk)j
e R+1 = t,k
R + 1 j=0
De modo que
M
1 X 2int
z(n) = x
b(t)e N = x(n),
N t=M
que es lo que queramos probar.
A continuacion incluimos un programa de Matlab valido para utilizar el teorema anterior para la
recuperacion de senales a partir de valores muestrales uniformemente distribuidos en 0, , N 1.
function xrec=muestreouniforme(N,M,d);
% Funcion muestreouniforme(N,M,d)
% Este programa genera, de forma aleatoria, una senal x(n) de tamano N y ancho de banda M y
% muestrearla uniformemente con paso d, la recupera utilizando el teorema del muestreo digi
%
% Evidentemente, este programa se puede modificar de forma muy simple para que, en vez de g
% de modo aleatorio, tome dicha senal como dato y a dicha senal el teorema del muestreo (Ej
% N=longitud de la senal
% M=ancho de banda
% d=espaciado de la muestra
% xrec = la salida
% %%%%%%%%%%%
% Generamos una senal aleatoria (con distribucion normal) de tamano N.
close all;
8
LAFA. Laboratorio de Analisis de Fourier Aplicado
y=randn(1,N);
% Usamos dicha senal para convertirla en una senal de banda limitada con ancho de banda <=M
filt1=ones(1,M+1);
filt2=zeros(1,N-2*M-1);
filt3=ones(1,M);
filt=[filt1 filt2 filt3];
y=y.*filt;
x=1000*ifft(y);
% Calculamos las muestras que nos haran falta para aplicar el teorema del muestreo digital
r=(N/d)-1;
% Aplicamos el teorema del muestreo digital uniforme (Para ello, haremos uso de la funcion
% discretsincvector.m, que mostramos implementada a continuacion de este algoritmo).
sincvector=discretsincvector(M,N);
for t=0:1:N-1
for j=0:1:r
tau(j+1)=d*x((d*j)+1)*sincvector(t-d*j+N);
end
xrec(t+1)=sum(tau);
end
% Dibujamos la parte real de: la senal original, los valores muestrales, y la senal recuper
z=1:1:N;
xp=0:d:N-1;
figure;
subplot(3,1,1); plot(z,real(x)); xlabel(Parte real de la senal);
subplot(3,1,2); stem(xp,real(x(xp+1)));xlabel(Valores muestrales);
subplot(3,1,3); plot(z,real(xrec),r);xlabel(Parte real de la senal recuperada);
figure;
% Dibujamos la parte imaginaria de: la senal original, los valores muestrales, y la senal r
subplot(3,1,1); plot(z,imag(x)); xlabel(Parte imaginaria de la senal);
subplot(3,1,2); stem(xp,imag(x(xp+1))); xlabel(Valores muestrales);
subplot(3,1,3); plot(z,imag(xrec),r); xlabel(Parte imaginaria de la senal recuperada);
% Dibujamos los errores cometidos tanto para la parte real como para la parte imaginaria
figure;
subplot(2,1,1); plot(z,real(x-xrec));xlabel(Parte real del Error);
subplot(2,1,2); plot(z,imag(x-xrec));xlabel(Parte imaginaria del Error);
%%%%%%%%%%%%%%%%%%%%%%%
%
% Funcion auxiliar discretsincvector
%
%%%%%%%%%%%%%%%%%%%%%%%
function SM = discretsincvector(M,N)
% function SM = discretsincvector(M,N)
% Calcula el analogo discreto de la funcion seno cardinal para trabajar con senales de band
% (ancho de banda M) y tamano N dados. Calcula dicha funcion entre -(N-1) y N-1, que es don
%
% Parametros:
% M: ancho de banda
% N: tamano de la senal
9
LAFA. Laboratorio de Analisis de Fourier Aplicado
% Vector de abcisas
t = (-N+1):(N-1);
% Reservamos memoria: la senal SM (salida) sera un vector 1xN (todo a cero, inicialmente)
SM = repmat(double(0), size(t));
10
LAFA. Laboratorio de Analisis de Fourier Aplicado
11
LAFA. Laboratorio de Analisis de Fourier Aplicado
de Ax basta conocer los valores {x(ni )}ri=1 y ademas satisface la desigualdad kI Ak < 1, entonces
toda senal x BM queda completamente determinada a partir de sus valores {x(ni )}ri=1 .
Demostracion. Para demostrar la primera afirmacion basta tener en cuenta que, como Cn es un
espacio vectorial de dimension finita, si A : Cn Cn es inyectiva entonces es biyectiva. Aho-
ra bien, si kI Ak < 1 entonces A es inyectiva puesto que, si Ax = 0 (con x 6= 0) entonces
kxk = k(I A)(x)k kI Akkxk < kxk, lo que es absurdo. La segunda afirmacion es consecuen-
cia de la primera, unido a que x = A1 (Ax) y Ax = F (x(n1 ), , x(nr )) por hipotesis.
Podemos, por tanto, concluir que un metodo razonable para resolver el problema del muestreo
digital irregular con senales de banda limitada, se puede basar en los siguientes pasos:
Encontrar un operador lineal A : BM BM , al cual llamamos operador de aproximacion(y
que juega el papel de, dados los valores muestrales de nuestra senal, proporcionar una aproxi-
macion inicialde la misma) tal que:
(a) Para el calculo de Ax basta conocer los valores {x(ni )}ri=1 .
(b) Para cierto valor (0, 1), y toda senal x BM se satisface la desigualdad kx Axk
kxk
Denotando b = Ax, utilizar un algoritmo adecuado para el calculo de x = A1 b.
En las condiciones que acabamos de describir, el calculo de A1 b se suele basar en el uso del
siguiente resultado tecnico (que es probablemente uno de los antecedentes mas importantes (debido a
C. Neumann6 ) del conocido Teorema de la Aplicacion Contractiva):
Lema 2 (C. Neumann, 1887) Sean X un espacio de Banach y A : X X un operador lineal
acotado. Si kx AxkX kxkX para todo x X y cierta constante (0, 1) entonces x se puede
reconstruir a partir de Ax mediante la iteracion
x0 = Ax y xn+1 = xn + A(x xn ) para todo n 0.
Ademas, se verifica la siguiente estimacion para el error cometido en el paso n-esimo del algoritmo:
kx xn kX n+1 kxkX .
Demostracion. Veamos cual es el efecto de la ejecucion del algoritmo: Como xn+1 = xn + A(x
xn ) = (I A)xn + Ax, se tiene que
xn+1 = (I A)xn + Ax
= (I A)((I A)xn1 + Ax) + Ax = (I A)2 xn1 + (I A)Ax + Ax
..
.
= (I A)n+1 x0 + (I A)Ax + + (I A)Ax + Ax
6
C. G. Neumann (1832-1925). Fundamentalmente, trabajo en cuestiones de Matematica Aplicada, como Fsica
Matematica, Teora del potencial, o Electrodinamica. En la decada de 1860 escribio varios trabajos sobre el principio de
Dirichlet y el potencial logartmico, que fue introducido por el. En 1890, Emile Picard utilizo los resultados de Neumann
para desarrollar su conocido metodo de aproximaciones sucesivas (que utilizo para probar la existencia de soluciones en
varios problemas de ecuaciones diferenciales). El Teorema de la Aplicacion Contractiva (cuya version abstracta general
se debe a Banach) esta inspirado en el metodo de Picard. Ver [51],[52],[65].
12
LAFA. Laboratorio de Analisis de Fourier Aplicado
Por hipotesis, la norma del operador I PA verifica kI Ak < 1 y, por tanto, k(I A)k k k
para todo k 0, de modo que la serie k
n=0 (I A) es absolutamente convergente y converge en
norma a cierto operador T : X X. Ahora bien,
n
X n
X
k
I (I A) A = I (I A)k (I (I A))
k=0 k=0
Xn
= I ((I A)k (I A)k+1 )
k=0
= I (I (I A)n+1 )
= (I A)n+1
y, por tanto, kx xn k = k(I A)n+1 xk n+1 kxk 0. Esto demuestra simultaneamente que
T = A1 y la cota del error asegurada por el lema.
Nota 1 Para las aplicaciones es importante obtener una cota del error kx xn k que no dependa de
la norma de x puesto que se supone
P que desconocemos dicho dato. Esto se puede lograr facilmente,
si tenemos en cuenta que I = k=0 (I A) A y que kx xn k = k(I A)n+1 xk. Para verlo, basta
k
13
LAFA. Laboratorio de Analisis de Fourier Aplicado
Como se vera, los calculos descritos en las dos ultimas notas permiten claramente especificar criterios
de parada muy precisos a la hora de implementar algoritmos basados en el Lema de Neumann.
Nota 3 El Teorema de la aplicacion contractiva garantiza que, si F : X X es una aplicacion
contractiva definida sobre el espacio metrico completo (X, d) (i.e., d(F (x), F (y)) d(x, y) para
todo x, y X y un cierto (0, 1)) entonces F tiene un unico punto fijo (i.e. un punto X tal
que F () = ) y, ademas, para todo punto x0 X se tiene que el algoritmo descrito por
xn+1 = F (xn ), n = 0, 1, 2,
donde
ni +ni+1i denota la funcion caracterstica asociada al conjunto {li1 + 1, li1 + 2, , li }, y li :=
2
para i = 1, , r; l0 = lr N . Ademas, la convergencia del algoritmo es geometrica con
sin M
razon = N
sin 4[d/2]+2
. En particular7 se satisfacen las siguientes estimaciones del error:
14
LAFA. Laboratorio de Analisis de Fourier Aplicado
Demostracion. Teniendo en cuenta el Lema 2P y las Notas 1, 2, solo tendremos que realizar la esti-
r
macion de kx Axk para x B PMr y Ax = P ( i=1 x(ni )i ). Tal como estan definidas, es claro que
las funciones i satisfacen que i=1 i = 1 para todo i, de modo que, para x BM , se tiene que
Xr
x = P(x) = P( xi )
i=1
Para continuar con esta estimacion sera necesario estudiar las diferencias |x(n)x(ni )| anteriores,
lo que se traduce en el uso de los siguientes resultados tecnicos:
Como la DFT es un operador unitario y x(k) = 0 para M < |k| N/2, se tiene que
M
! 12
X
c =
kxk = kxk |x(k)|2 |wk 1|2
k=M
M
! 12
X
max |wk 1| |x(k)|2
|k|M
k=M
M
2 sin kxk,
N
15
LAFA. Laboratorio de Analisis de Fourier Aplicado
Si x BM , x(1) = 0, entonces
d
X 1 X
d1
2 2
|x(n)| 4 sin |x(n)|2 .
n=1
2(2d 1) n=1
Demostracion. La idea es utilizar ciertas propiedades espectrales de las matrices Hermticas. Sea
H una matriz Hermtica de orden n. Entonces sus valores propios son todos reales y podemos, por
tanto, ordenarlos de mayor a menor: (H) = {1 2 n }. Como H es Hermtica, es
diagonalizable con un cambio de base ortogonal y, por tanto, podemos afirmar que existe una base
ortogonal de Cn formada por vectores propios de H. Sea, pues, = {v1 , , vn } una tal base, con
Hvi = i vi , i = 1, , n. Entonces se tiene el siguiente resultado:
iii) Ademas, si n3 > n2 = n1 > n , entonces todo vector x ortogonal a vn verifica que
16
LAFA. Laboratorio de Analisis de Fourier Aplicado
Pn1
Esto demuestra i). Ademas, si x es ortogonal a vn , entonces x = i=1 ai vi . Por tanto,
n1
X
< Hx, x >= |ai |2 i n1 kxk
i=1
De modo que
t
(x) =< Ax, Ax >= (Ax)t Ax = xt A Ax = xt At Ax =< Hx, x >,
Ahora bien, en 1947 Rutherford calculo el polinomio caracterstico de esta matriz (ver [61]), de-
mostrando que
n1
Y 2k
pH () = det(I H) = ( 2 2 cos ).
k=1
2n 1
Se sigue que el mnimo de los autovalores de H es
2(d 1)
2(1 + cos ) = 4 sin2
2d 1 2(2d 1)
Ahora vamos a continuar con nuestra demostracion del Teorema 4. Tenemos que estimar las sumas
li
X
|x(n) x(ni )|2 ; i = 1, , r.
n=li1 +1
17
LAFA. Laboratorio de Analisis de Fourier Aplicado
Para realizar dicha estimacion lo que se hace es descomponer la suma en dos trozos, teniendo en
cuenta que li1 + 1 li1 + 2 ni li . Entonces, si definimos las senales discretas
x
e1 (j) = x(ni + 1 j) x(ni ) para j = 1, , ni li1 ,
y
x
e2 (j) = x(ni 1 + j) x(ni ) para j = 1, , li ni + 1,
se observa de forma trivial que los valores
x1 (1)|2 , |e
|e x1 (2)|2 , , |e
x1 (ni li1 )|2
recorren biunvocamente la sucesion de valores {|x(n) x(nj )|2 }nn=l i
i1 +1
y los valores
x2 (1)|2 , |e
|e x1 (2)|2 , , |e
x1 (li ni + 1)|2
recorren biunvocamente la sucesion de valores {|x(n) x(nj )|2 }ln=n
i
i
. Ademas, es importante obser-
2
var que para n = ni , |x(n) x(ni )| = 0 y que
xe1 (j) = x
e1 (j + 1) x
e1 (j) = x(ni j) x(ni (j 1)) = x(ni (j 1))
y tambien
xe2 (j) = x
e2 (j + 1) x
e2 (j) = x(ni j) x(ni (j 1)) = x(ni (j 1)).
Teniendo todo esto en cuenta, podemos utilizar las desigualdades de Wirtinger discretas con las
senales x
ei , i = 1, 2, para obtener que
li
X li n
X i +1
2
|x(n) x(ni )| = x2 (j)|2
|e
n=ni j=1
1 lX
i ni
2
4 sin x2 (j)|2
|e
2(2(li ni + 1) 1) j=1
1 X
li1
= 4 sin2 |x(n)|2
2(2(li ni + 1) 1) n=ni
ni ni li1
X X
2
|x(n) x(ni )| = x1 (j)|2
|e
n=li1 +1 j=1
1 ni lX
i1 1
2
4 sin x1 (j)|2
|e
2(2(ni li1 ) 1) j=1
1 n
Xi 1
= 4 sin2 |x(n)|2
2(2(ni li1 ) 1) n=li1 +1
18
LAFA. Laboratorio de Analisis de Fourier Aplicado
sin M
relajacion, donde = N
sin 4[d/2]+2
. Entonces toda senal x BM puede reconstruirse mediante el
siguiente algoritmo:
r
X
x0 = wi x(ni )Pni (13)
i=1
r
X
xn+1 = xn + (x(ni ) xn (ni ))wi Pni , (14)
i=1
19
LAFA. Laboratorio de Analisis de Fourier Aplicado
ni +ni+1
donde wi = li+1 li , li := 2
para i = 1, , r, lr+1 = l1 + N ; y
Demostracion. Lo primero que vamos a hacer es explicar el significado de las senales Pl , definidas
en (15). Para ello, tomamos l {0, 1, . . . , N 1} y definimos la senal l l2 (ZN ) como l (k) = l,k .
Si denotamos por P la proyeccion ortogonal sobre BM , entonces se puede comprobar facilmente que
Pl = P(l ). Veamoslo. Para empezar, es claro que
N
X 1 N
X 1
2ikn 2ikn 2ikl
bl (k) = l (n)e N = l,n e N =e N
n=0 n=0
Por tanto,
M M
1 X 2ikj 1 X 2ik(jl)
P(l )(j) = bl (k)e N = e N = sincM (j l) = Pl (j),
N k=M N k=M
que es lo que queramos demostrar. Es por tanto evidente que el algoritmo descrito por este teorema
es una variante
Pdel descrito por el Teorema 4, en la que cambiamos el operador A :P BM BM , dado
por Ax = P( ri=1 x(ni )i ) por el operador B : BM BM dado por Bx = P( ri=1 wi x(ni )ni ).
Es decir: cambiamos las senales i por las senales ni .
Para poder demostrar la convergencia geometrica del algoritmo, con razon de convergencia
(0, 1) es necesario demostrar que la norma del operador I B satisface kI Bk .
Ahora bien: Como estimamos la norma kI Bk?. La idea es utilizar que I B es un operador
autoadjunto sobre el espacio de Hilbert BM ' C2M +1 y, por tanto, su norma se puede determinar
en terminos de los productos escalares < (I B)x, x >, x BM , como queda reflejado en los
siguientes dos lemas tecnicos (recordemos que el operador L : H H se dice autoadjunto si, para
todo x, y H, se tiene que < Lx, y >=< x, Ly >).
Pr
Lema 6 El operador B : BM BM dado por B(x)(n) = i=1 wi x(ni )Pni (n) es autoadjunto.
20
LAFA. Laboratorio de Analisis de Fourier Aplicado
P
Demostracion. Ya hemos probado que el operador B se puede escribir como Bx = P( ri=1 wi x(ni )ni ).
Por tanto, si x, y BM , entonces
Xr
< Bx, y > = < P( wi x(ni )ni ), y >
i=1
Xr
= < P( wi x(ni )ni ), P(y) > (pues y = P(y))
i=1
r
X
= < wi x(ni )ni , y > (pues P conserva el producto escalar)
i=1
N 1
r !
X X
= wi x(ni )ni (n)y(n)
n=0 i=1
Xr
= wi x(ni )y(ni )
i=1
r
X
= wi y(ni )x(ni )
i=1
= < x, By >,
En particular, si existen constantes , tales que kxk2 < Lx, x > kxk2 , para toda senal x
Cn . Entonces kLk max{||, ||}.
Tomamos ahora dos senales arbitrarias x, y Cn y representamos el producto escalar < Lx, y >
i 1
en forma polar, < Lx, y >= | < Lx, y > |ei . Si tomamos u = ekxk x y v = kyk y, obtenemos que
21
LAFA. Laboratorio de Analisis de Fourier Aplicado
y, analogamente,
| < Lx, y > |
< Lv, u >= .
kxkkyk
Por tanto, si aplicamos la desigualdad que acabamos de probar a los vectores u, v, obtenemos que
2| < Lx, y > |
= | < Lu, v > + < u, Lv > | c kuk2 + kvk2 = 2c
kxkkyk
o, lo que es lo mismo,
| < Lx, y > | kxkkykc
Tomamos y = Lx y sustituimos en la desigualdad anterior, obteniendo que kLxk2 ckxkkLxk y,
por tanto, kLxk ckxk para todo x Cn . Es decir, kLk c, que es lo que deseabamos probar.
Continuamos ahora con la prueba del Teorema 5. Como B es autoadjunto, tambien el operador
L = I B : BM BM es autoadjunto. Ademas para toda senal x BM se tiene que
Xr
< (I B)x, x > = < x P( wi x(ni )ni ), x >
i=1
Xr
2
= kxk < P( wi x(ni )ni ), P(x) > (pues x = P(x))
i=1
r
X
= kxk2 < wi x(ni )ni , x > (pues P(x) conserva el producto escalar)
i=1
r
X
= kxk2 wi |x(ni )|2 .
i=1
Ademas,
r
X r
X
|x(ni )|2 wi (kxk + kx x(ni )i k)2 (1 + )2 kxk2
i=1 i=1
22
LAFA. Laboratorio de Analisis de Fourier Aplicado
Nota 4 Se puede calcular el valor optimo del parametro de relajacion . Para ello, basta observar
2
que la funcion () = max{|1 (1 + )2 |, |1 (1 )2 |, alcanza, en el intervalo (0, (1+)2 ), su
2
mnimo en = (1+)2 +(1)2 . Dicho valor es:
2
mn2 max{|1 (1 + )2 |, |1 (1 )2 |} = .
(0,
(1+)2
) 1 + 2
function grochenig(func,dt,L,r,tol)
% function grochenig(func,dt,L,r,tol)
% Este programa, a partir de una senal analogica f(t) (implementada en el fichero de nombr
% genera una senal digital tomando las muestras x(n)=f(n*dt), para n=0,1,...,N-1 y (N-1)dt<
% A continuacion construye, de forma aleatoria, un conjunto de puntos
% 0<=n_0<n_1<...<n_r<N
% distribuidos de forma irregular en {0,1,...,N-1} y calcula M con la propiedad de que
% 2M(2[delta/2]+1)<N
% y, por tanto, nuestro vector es valido para el muestreo de senales digitales
% de tamano N y ancho de banda M
%
% Finalmente, utiliza los valores muestrales x(n_0),....,x(n_r) para recuperar la senal x(n
% mediante la aplicacion del Teorema de Grochenig (Teorema 5.4.10 del texto).
%
% Autores: J. M. Almira, J. A. Cid, A. E. Romero (2005)
%
close all;
h=0:dt:L;
x=feval(func,h);
N=length(x);
% elegimos r indices para muestra aleatoria (Para ello se usa una funcion de Matlab que imp
% continuacion de este algoritmo: la funcion muestrairreg.m)
xp=muestrairreg(N,r);
% calculamos los pesos correspondientes
wp=pesos(xp,N);
%calculamos el maximo ancho de banda M para ese r
t=2:1:r; xp2=[xp(t),xp(1)+N] ;
23
LAFA. Laboratorio de Analisis de Fourier Aplicado
xp1=[xp(t-1),xp(r)];
delta = max(xp2-xp1)
Mmax =floor(N/(2*(2*floor(delta/2)+1)))
M=input(Introduzca el valor de M: );
% Calculo de la matriz matrix=lambda*wp*P
gamma=((sin(pi*M/N))/(sin(pi/(4*floor(delta/2) + 2))));
lambda=2/((1+gamma)2+(1-gamma)2);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
gammabar=max(abs(1-lambda*(1+gamma)2),abs(1-lambda*(1-gamma)2))
nitermax=floor(log(tol*(1-gammabar)/(norm(x0)))/log(gammabar)+1)+1
%%%%%%%%%%%%%%%%%%%%%%%
%
24
LAFA. Laboratorio de Analisis de Fourier Aplicado
function xp=muestrairreg(N,r);
% Construye de forma aleatoria, un conjunto de puntos
% 0<=n_0<n_1<...<n_r<N
% distribuidos de forma irregular en {0,1,...,N-1} y calcula M con la propiedad de que
% 2M(2[delta/2]+1)<N
% y, por tanto, nuestro vector es valido para el muestreo de senales digitales de tamano N
% y ancho de banda M
%
% Parametros:
% N: tamano de la senal a muestrear
% M: ancho de banda de la senal x.
% r+1: numero de puntos de la muestra
% xp: senal de salida
%
% Autores: J. M. Almira, A. E. Romero (2005).
%
d=floor(N/(r+1));
xp=d:d:r*d;
modif=-1+2*rand(1,r);
modif=sign(modif);
xp=xp+floor(d/3)*modif;
25
LAFA. Laboratorio de Analisis de Fourier Aplicado
%%%%%%%%%%%%%%%%%%%%%%%
%
% Funcion auxiliar discretsincvector
%
%%%%%%%%%%%%%%%%%%%%%%%
function SM = discretsincvector(M,N)
% function SM = discretsincvector(M,N)
% Calcula el analogo discreto de la funcion seno cardinal para trabajar con senales de band
% (ancho de banda M) y tamano N dados. Calcula dicha funcion entre -(N-1) y N-1, que es don
%
% Parametros:
% M: ancho de banda
% N: tamano de la senal
% SM: vector salida
%
% Autores: J. M. Almira, A. E. Romero (2005).
%
% Vector de abcisas
t = (-N+1):(N-1);
% Reservamos memoria: la senal SM (salida) sera un vector 1xN (todo a cero, inicialmente)
SM = repmat(double(0), size(t));
%%%%%%%%%%%%%%%%%%%%%%%
%
% Funcion auxiliar pesos
%
%%%%%%%%%%%%%%%%%%%%%%%
function W = pesos(x,N);
r=length(x);
x=[x, x(1)+N];
L=0.*(1:1:(r+1));
W=0.*(1:1:r);
for k=1:1:r
L(k)=floor((x(k)+x(k+1))./2)
end
L(r+1)=L(1)+N;
for k=1:1:r
26
LAFA. Laboratorio de Analisis de Fourier Aplicado
W(k)=L(k+1)-L(k)
end;
function y = mifuncion(t)
k=0.1;
y=cos(k.*t)+sin(-2*k.*t);
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Muestras tomadas
27
LAFA. Laboratorio de Analisis de Fourier Aplicado
N 1
sobre la sucesion { Nn }n=0 [0, 1). Se sigue que el problema del muestreo discreto para la senal
x BM se traduce en el problema de la reconstruccion del polinomio p a partir de sus muestras
n
p( Nj ), j = 1, r. Ahora, desde este punto de vista, resulta completamente irrelevante si los puntos
de [0, 1) en los que se conoce p(t) estan o no en progresion aritmetica: lo esencial es que, al ser p un
polinomio trigonometrico de grado M , entonces este queda completamente determinado a partir
de sus valores sobre cualquier conjunto de puntos de tamano 2M + 1.
Se sigue de la discusion anterior que el problema de la interpolacion de polinomios trigonometri-
cos mediante el uso de otros polinomios trigonometricos generaliza al problema del muestreo de
senales digitales.
r
X
pn+1 = pn (t) + (p(tj ) pn (tj ))wj DM (t tj ), (20)
j=1
tj+1 tj1
donde wj = 2
, t0 = tr 1, tr+1 = t1 + 1, y
M
X sin(2M + 1)t
DM (t) = e2ikt =
k=M
sin t
= max{|1 (1 + 2M )2 |, |1 (1 2M )2 |}.
1
Demostracion. Como < 2M , se sigue que r 2M + 1 y, por tanto, p TM queda completamente
determinado a partir de los valores {p(tj )}rj=1 .
Denotemos por j = [yj1 ,yj ] la funcion caracterstica asociada al intervalo [yj1 , yj ] y definamos
el operador
X r
A(p) = P ( p(xj )j ),
j=1
2
donde P denota la proyeccion ortogonal de L (0, 1) en TM .
28
LAFA. Laboratorio de Analisis de Fourier Aplicado
Nota: Obviamente,
M
X
P (x) = x(k)e2ikt
k=M
Z 1 M
X
= x(s) e2ik(ts) ds
0 k=M
= < x, DM ( s) >
= x DM .
Al ser |yj tj |, |tj yj1 | /2, podemos aplicar la desigualdad de Wirtinger clasica para estimar
las integrales anteriores, restringiendonos a los intervalos [yj1 , tj ] y [tj , yj ], obteniendo que
r Z
X r Z
yj
2 X yj 0 2
2 2
|p(t) p(tj )| dt 2 |p (t)| dt = 2 kp0 k2 .
j=1 yj1 j=1 yj1
kp A(p)k2 2M kpk2 .
29
LAFA. Laboratorio de Analisis de Fourier Aplicado
Por tanto, el espectro del operador B esta completamente contenido en el intervalo [(1 2M )2 , (1 +
2M )2 ]. Se sigue que B es invertible (pues 0 6 (B). El algoritmo descrito por (19) y (20) es
precisamente: p0 = B(p) y pn+1 = pn + B(p pn ), de modo que
kp pn+1 k = kp pn + B(p pn )k k1d Bkkp pn k; n = 0, 1,
y, por tanto,
kp pn+1 k k1d Bkkp pn k
k1d Bk2 kp pn1 k
k1d Bkn+1 kp p0 k.
Se sigue que, si k1d Bk < 1 entonces el algoritmo converge geometricamente. Ahora bien, (1d
B) = 1 (B) y, como (B) [(1 2M )2 , (1 + 2M )2 ], se concluye que
(1d B) = [1 (1 2M )2 , 1 (1 + 2M )2 ]
Se sigue que, si = max{|1 (1 + 2M )2 |, |1 (1 2M )2 |} < 1 entonces k1d Bk < 1 y
el algoritmo converge geometricamente con razon de convergencia .
Si identificamos los polinomios trigonometricos
PM con sus coeficientes (para lo que basta hacer uso
2M +1
del isomorfismo natural i : TM C , i( k=M ak e2ikt ) = (aM , aM +1 , , a0 , a1 , , aM )),
entonces el algoritmo descrito por el Teorema 6 se puede interpretar como un algoritmo en C2M +1 .
Para ello, veamos como actua el operador B en terminos de los coeficientes de los polinomios p TM :
r
M !
X X
B(p)(t) = ak e2iktj wj DM (t tj )
j=1 k=M
r
M
! M
X X X
2iktj
= ak e wj e2il(ttj )
j=1 k=M l=M
M
" M
r !#
X X X
= wj e2itj (lk) ak
l=M k=M j=1
M
M
!
X X
= Cl,k ak ,
l=M k=M
Pr
donde Cl,k = j=1 wj e2itj (lk) . De modo que, si a denota el vector de coeficientes de p y b denota
el vector de coeficientes de B(p), entonces la relacion anterior se expresa como
b = Ca,
donde C = (Cl,k )|k|,|l|M M2M +1 (C). La matriz C anterior tiene la particularidad de que, si
definimos los valores r
X
l = wj e2itj l ; (|l| 2M ),
j=1
30
LAFA. Laboratorio de Analisis de Fourier Aplicado
1
Teorema 7 Supongamos que 0 t1 < t2 < < tr < 1. Si = max{tj+1 tj }rj=1 < 2M en-
tonces la matriz C definida anteriormente es una matriz de Toeplitz autoadjunta, invertible y definida
positiva. Ademas, C tiene numero de condicion
2
1 + 2M
cond C .
1 2M
Ademas, todo polinomio trigonometrico p TM se puede reconstruir a partir de sus valores {p(tj )}rj=1 ,
de la siguiente forma:
(0) (0)
Tomamos a(0) = (aM , , aM ), donde
r
X
(0)
al = p(tj )wj e2itj l ; para |l| M.
j=1
Hacemos, para n = 0, 1,
lm ka(n) ak = 0
n
(para cualquier norma que se considere sobre C2M +1 ) siempre que el parametro de relajacion
2
verifique que 0 < < (1+2M )2
.
Referencias
[1] J. M. Almira, An introduction to Fourier Series and Signal Processing, Technische Universitat
Chemnitz, Preprint 2001-13 (2001).
[3] N. Aronszajn, La theorie des noyaux reproduisants et ses applications, Proc. Cambridge Phil.
Soc. o textbf39 (1943) 133-153.
[4] J. J. Benedetto, Irregular sampling and frames, in Wavelets: A tutorial in Theory and Applica-
tions, C. K. Chui (ed.) Academic Press (1992), 445-507.
31
LAFA. Laboratorio de Analisis de Fourier Aplicado
[8] F. Bombal, Laurent Schwartz: El matematico que quera cambiar el mundo, La Gaceta de la
R.S.M.E. 6 1 (2003)
[9] R. M. Bracewell, The Fourier transform and its applications, McGraw-Hill Electrical and Elec-
tronic Engineering Series (1965).
[10] J. L. Brown, On the error in reconstructing a non-bandlimited function by means of the band-
pass sampling theorem, J. Math. Anal. Appl 18 (1967) 75-84.
[11] J. R. Buck, M. M. Daniel, A. C. Singer, Computer Explorations in Signals and Systems Using
Matlab, Signal Processing Series, Prentice Hall (1997).
[12] P. L. Butzer, R. L. Stens, Sampling theory for non-neccesarily band-limited functions: a histor-
ical overview, SIAM Rev. 34 (1992) 40-53.
[13] A. Canada Villar, Series de Fourier y Aplicaciones. Un tratado elemental con notas historicas
y ejercicios resueltos, Ed. Piramide, 2002.
[15] R. Duffin, A. Shaeffer, A class of nonharmonic Fourier series, Trans. Amer. Math. Soc. 72
(1952) 341-366.
[16] P.P.G. Dyke, An introduction to Laplace Transforms and Fourier Series, Springer UnderGradu-
ate Mathematics Series, Springer (2001).
[18] R. E. Edwards, Fourier series (A modern introduction) Vol 1, Graduate Texts in Mathematics
64, Springer (1979).
[19] K. Fan, O. Taussky, J. Todd, Discrete analogs of inequalities of Wirtinger, Monasch. Math. 59
(1955) 73-90.
[20] G. B. Folland, Fourier analysis and its applications, Brooks-Cole Publishing Co. (1992).
[22] Free Software Foundation, The GNU Scientific Library, disponible en http://www.gnu.
org/software/gsl/.
[25] H. G. Feichtinger, K. Grochenig, Irregular sampling theorems and series expansions of band-
limited functions, J. of Math. Anal. Appl. 167 (1992) 530-556.
32
LAFA. Laboratorio de Analisis de Fourier Aplicado
[26] K. Grochenig, Reconstruction algorithms in irregular sampling, Math. Compt. 59 (1992) 181-
194.
[27] K. Grochenig, A discrete theory of irregular sampling, Linear Alg. and its Appl. 193 (1993)
129-150.
[28] K. Grochenig, Irregular sampling, Toeplitz matrices and the approximation of entire functions
of exponential type, Math. of Comp. 68 (1999) 749-765.
[29] R. W. Hamming, Digital Filters (Third Edition), Dover (1998).
[30] G. Hardy, W. W. Rogosinski, Fourier Series, Dover (1999).
[31] G. Hardy, J. E. Littlewood, G. Polya, Inequalities, (2nd Edition) Cambridge University Press,
1952.
[32] S. Haykin, B. Van Veen, Signals and Systems, John Wiley & Sons Inc. (1999).
[33] J. R. Higgins, Sampling Theory in Fourier Analysis and Signal Analysis, Oxford University
Press (1996).
[34] P. Jacklam, MATLAB array manipulation tips and tricks, disponible en http://home.
online.no/pjacklam/matlab/doc/mtt/doc/mtt.pdf.
[35] M. I. Kadec, The exact value of the Paley-Wiener constant, Soviet. Math. Dokl. 5 (1964) 559-
561.
[36] D. W. Kammler, A first course in Fourier Analysis, Prentice-Hall, New Jersey (2000).
[37] Y. Katznelson, An introduction to Harmonic Analysis, Dover (1976).
[38] V. A. Kotelnikov, On the transmission capacity of ether and wire electrocominucations, Izd.
Red. Upr. Svgazi RKKA, 1933.
[39] S. G. Krantz, A panorama of Harmonic Analysis, The Carus Math. Monographs 27 Math. Asoc.
Amer. (1999)
[40] A. Kufner, J. Kadled, Fourier Series, Academia Praha (1971).
[41] P. Lancaster, K. Salkauskas, Transform Methods in Applied Mathematics, Canadian Math.
Soc. Series of Monographs and Advanced Texts, John-Wiley & Sons (1996).
[42] C. Lanczos, Discourse on Fourier Series, Olyver and Boyd, Edinburg, 1966.
[43] H. Landau, Neccesary density conditions for sampling and interpolation of certain entire func-
tions, Acta Math. 117 (1967) 37-52.
[44] R. Lasser, Introduction to Fourier Series, Marcel Dekker, 1996.
[45] T. Love, Matlab vectorisation tricks, disponible en http://www-h.eng.cam.ac.uk/
help/tpl/programs/Matlab/tricks.html.
33
LAFA. Laboratorio de Analisis de Fourier Aplicado
[46] S. Mallat, A wavelet tour of signal processing, 2a Ed., Academic Press (1999).
[51] C. Neumann, Zur theorie des logarithmischen und des Newtonschen Potentials, Ber. Verh.
Math.-Phys. Classe Koniggl. Sachs. Akad. Wiss. Leipzig 32 (1870) 49-56, 264-321.
[52] C. Neumann, Uber die methode des Arithmetischen Mittels, Hirzel, Leipzig, 1887.
[54] J. R. Partington, Interpolation, Identification and Sampling, Oxford University Press (1997).
[55] A. Pinkus, Weierstrass and Approximation Theory, J. Approx. theory 107 (2000) 1-66.
[56] A. Pinkus, S. Zafrany, Fourier Series and Integral Transforms, Cambridge University Press
(1997).
[57] W. H. Press et al., Numerical Recipes: The Art of Scientific Computing. New York: Cambridge
Univ. Press, 1986.
[61] D. E. Rutherford, Some continuant determinants arising in Physics and Chemistry, II. Proc.
Royal Soc. Edinburgh 62A (1947) 229-236.
[62] K. Seip, On the connection between exponential bases and certain related sequences in
L2 (, ), J. Functional Anal. 130 (1995) 131-160.
[63] H. Shapiro, Topics in Approximation Theory, Lecture Notes in Mathematics 187, Springer-
Verlag (1971).
34
LAFA. Laboratorio de Analisis de Fourier Aplicado
[65] O. Steinbach, W. L. Wendland, On C. Neumanns method for second order elliptic systems in
domains with non-smooth boundaries, J. of Math. Anal. and Appl. 262 (2001) 733-748.
[66] G. Strang, A proposal for Toeplitz matrix calculations, Stud. Appl. Math. 74 (1986) 171-176.
[67] T. Strohmer, Efficient methods for digital signal and image reconstruction from nonuniform
samples, Ph. Thesis, Viena, 1993.
[68] M. Unser, Sampling: 50 years after Shannon, Proc. IEEE 88 4 (2000) 569-587.
[70] D.A. Watt, Programming Language Concepts and Paradigms. Prentice Hall International,
1991
35