Diferenciadores máximamente lisos mediante descomposición de Taylor por mínimos cuadrados ponderados

O Serna, José Antonio de la y Platas Garza, Miguel Ángel (2011) Diferenciadores máximamente lisos mediante descomposición de Taylor por mínimos cuadrados ponderados. Ingenierías, 14 (52). pp. 17-27. ISSN 1405-0676

[img]
Vista previa
Texto
52_Diferenciadores.pdf - Versión Publicada
Available under License Creative Commons Attribution Non-commercial No Derivatives.

Download (619kB) | Vista previa

Resumen

Se propone un método para estimar las derivadas instantáneas de una señal mediante una aproximación por mínimos cuadrados ponderados (WLS) del modelo de señal de Taylor (WLST), utilizando las ventanas clásicas como factores de ponderación. La aplicación sucesiva de la aproximación WLST conduce a un banco de filtros cuyas respuestas en frecuencia se aproximan al conjunto de ganancias de diferenciadores ideales en la banda base, produciendo diferenciadores máximamente lisos en dicha banda. Se diseñaron bancos de estos diferenciadores con las ventanas Rectangular, Kaiser y Hamming, y se ilustran sus respuestas al impulso y en frecuencia. Debido a la fuerte simetría del modelo de señal, este método logra bancos de filtros de fase lineal con idéntico retraso para todas las derivadas estimadas, lo que los hace idóneos para aplicaciones donde se desean estimaciones sincronizadas

Tipo de elemento: Article
Palabras claves no controlados: Diferenciadores digitales; Filtros de fase lineal; Diferenciadores máximamente lisos; Expansión de Taylor; Mínimos cuadrados; Expansión biortogonal; Ventanas; Interpolación digital
Divisiones: Ingeniería Mecánica y Eléctrica
Usuario depositante: Editor Repositorio
Creadores:
CreadorEmailORCID
O Serna, José Antonio de lajose.delaosr@uanl.edu.mxNO ESPECIFICADO
Platas Garza, Miguel ÁngelNO ESPECIFICADONO ESPECIFICADO
Fecha del depósito: 16 Feb 2017 21:43
Última modificación: 16 Feb 2017 21:43
URI: http://eprints.uanl.mx/id/eprint/10465

Actions (login required)

Ver elemento Ver elemento

Downloads

Downloads per month over past year