Escolar Documentos
Profissional Documentos
Cultura Documentos
1 Introducao 5
3
4 CONTEUDO
3 Transformadas 53
3.1 DFT - Transformada discreta de Fourier . . . . . . . . . . . . . . . . . . . 54
3.1.1 Deslocamento circular . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.1.2 Representacao matricial . . . . . . . . . . . . . . . . . . . . . . . . 57
3.1.3 Propriedades da DFT . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.1.4 Processamento de sequencias longas . . . . . . . . . . . . . . . . . . 60
3.1.5 FFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2 DCT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2.1 Processamento multi-ritmo . . . . . . . . . . . . . . . . . . . . . . . 70
3.2.2 Bancos de filtros . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.3 Analise tempo-frequencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4 Processos estocasticos 85
4.1 Estatsticas de primeira e segunda ordem . . . . . . . . . . . . . . . . . . . 85
4.2 Processos estocasticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.3 Transformada de Karhunen-Loeve . . . . . . . . . . . . . . . . . . . . . . . 85
4.4 SVD/PCA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.5 ICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5 Estimacao 87
5.1 Modelo de geracao de dados . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2 Estimacao de maxima verosimilhanca . . . . . . . . . . . . . . . . . . . . . 87
5.3 Estimacao Bayesiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.4 Filtragem de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.5 Filtragem adaptativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.5.1 LMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.5.2 RMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Captulo 1
Introducao
Por exemplo, a Fig. 1.1 mostra o esquema tpico de um sistema de som, comum nos
computadores pessoais. O sinal proveniente do microfone e discretizado no tempo, isto e,
amostrado e quantificado na amplitude. O resultado e um fluxo de valores numericos,
ou sinal digital xd (n) que e uma representacao digital do sinal analogico original, xc (t). O
sinal xd (n) pode entao ser processado atraves de um processador numerico (nao analogico)
e o resultado reconvertido em sinal analogico.
5
6 CAPITULO 1. INTRODUCAO
1. Amostragem
2. Processamento
3. Reconstrucao
Neste curso iremos representar preferencialmente os sinais discretos (ou contnuos per-
tencentes a espacos de dimensao finita) como vectores e a notacao matricial sera utilizada
sempre que possvel. Esta aproximacao simplifica normalmente a notacao tornando as
equacoes mais faceis de compreender.
O curso esta dividido em cinco captulos principais:
9
4. Estimacao.
5. Filtragem adaptativa
10 CAPITULO 1. INTRODUCAO
Captulo 2
Este captulo faz um apanhado de alguns topicos importantes desenvolvidos nos captulos
2 e 3 de [2]. Aqui, assumiremos que os sinais de interesse pertencem a um conjunto X
e serao tratados utilizando o formalismo dos vectores e das matrizes. Esta aproximacao
permite utilizar um conjunto de ferramentas matematicas, designadamente, a teoria dos
espacos vectoriais, no processamento de sinais.
Seja X o conjunto de todos os sinais (vectores), f (x), definidos no intervalo a t b.
Neste conjunto estao definidas as operacoes de adicao e de multiplicacao por escalares
(reais ou complexos), para as quais o conjunto e fechado, isto e,
Neste caso diz-se que X e um espaco vectorial e os seus elementos sao designados
genericamente por vectores.
Figura 2.1: Conjunto de funcoes (sinais) como vectores pertencentes a um espaco vectorial.
11
12 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
d(x, y) = d(y, x)
d(x, y) 0
d(x, y) = 0 se e so se x = y
Para todos os pontos x, y, z X, d(x, z) d(x, y) + d(y, z).
Existem varias metricas que sao utilizadas com grande frequencia. Por exemplo,
1. l1 , tambem designada Manhattan, define-se como
n
X
d1 (x, y) = |xi yi | (2.2)
i=1
Portanto, neste espaco metrico, (C[a, b], d ), a distancia entre duas funcoes e igual
a distancia maxima entre elas.
Lp [a, b]: este espaco e formado por todas as funcoes reais ou complexas definidas
em [a, b], e pela metrica Lp tal que
Z b
|x(t)|p dt < . (2.8)
a
L [a, b]: este espaco, equipado pela metrica d , e constitudo por todas as funcoes
definidas em [a, b] tal que:
2.2 Conjuntos
Consideremos agora algumas nocoes importantes sobre conjuntos.
Bola: Num espaco metrico, a Bola (ou esfera), B(x0 , ), centrada em x0 e de raio
e o conjunto de pontos tal que:
OS
fecho de um conjunto S e a uniao de S com a sua fronteira, isto e, f echo(S) =
S f ronteira(S)
14 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
2.3 Sequencias
Definicao 2.3.1. Convergencia: Se para qualquer > 0 existir um n0 tal que d(xn , x ) <
, para qualquer n > n0 e para um ponto fixo x , entao a sequencia xn diz-se que converge
para x , ou que x e o limite de xn .
c1 p1 + c2 p2 + ... + cm pm = 0 (2.12)
c1 = c2 = ... = cm = 0 (2.13)
Considere a matriz A = [p1 , p2 , ..., pm ] cujas colunas sao os vectores p1 , p2 , ..., pm e seja
c = [c1 , c2 , ..., cm ]T um vector coluna com os escalares c1 , c2 , ..., cm . A combinacao linear
dos vectores pi pode ser obtido atraves da seguinte multiplicacao matricial
x = Ac (2.14)
Definicao 2.4.5. Seja T uma base de Hamel para o espaco vectorial S. A cardinalidade
de T e a dimensao de S designada dim(S). Esta cardinalidade e igual ao menor numero
de vectores de S necessarios para gerar todo o S.
2. kxk = 0 se e so se x = 0.
Definicao 2.4.7. Um espaco linear normado e definido pelo par (S, k.k) em que S e
um espaco vectorial e k.k e uma norma definida em S.
2.4. ESPACOS VECTORIAIS LINEARES 17
A funcao norma e muito parecida a funcao metrica, mas e mais estruturada que a
funcao metrica. Por exemplo, exige a definicao da soma de vectores, x+y e a multiplicacao
de vectores por escalares, x. Dada a semelhanca entre estas duas funcoes a metrica pode
ser definida em termos da norma, por exemplo,
Definicao 2.4.9. Se para uma sequencia xn existir um numero M < tal que
3. hx + y, zi = hx, zi + hy, zi
18 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
A operacao produto interno, h., .i, pode ser utilizado para definir uma norma, chamada
norma induzida., kxk = hx, xi1/2 , x S.
No caso de espacos vectoriais definidos em C n o produto interno Euclidiano define-se
como
n
X
hx, yi = xk yk = yH x (2.17)
k=1
Teorema 2.4.1. Num espaco vectorial com produto interno e norma induzida k.k, |hx, yi|
kxkkyk, para qualquer x, y S em que a igualdade se verifica se e so se, y = x para
um dado escalar . Esta desigualdade e designada por desigualdade de Cauchy-
Schwartz.
dkx yk2
= 2Rehx, yi + 2kyk2 = 0 (2.19)
d
Rehx, yi
= (2.20)
kyk2
e substituindo tem-se
Rehx, yi Rehx, yi
0 kx yk2 = kxk2 2 + (2.21)
kyk2 kyk2
Rehx, yi
= kxk2 (2.22)
kyk2
|Rehx, yi| kxkkyk, (2.23)
Se y = x entao
kyk
hx, yi = kxk = kxkkyk, (2.25)
2.4. ESPACOS VECTORIAIS LINEARES 19
q.e.d
Nota:
kx yk2 = hx y, x yi
= hx, xi hx, yi hy, xi + hy, yi
= kxk2 2Rehx, yi + kyk2
kx + yk2 = hx + y, x + yi
= hx, xi + 2hx, yi + hy, yi
hx, xi + 2kxkkyk + hy, yi
= (kxk2 + kyk2 )2 (2.27)
kx + yk kxk + kyk (2.28)
Definicao 2.4.11. Os vectores x e y num espaco vectorial com produto interno dizem-se
ortogonais se hx, yi = 0. O vector nulo e ortogonal (ou perpendicular) a todos os outros.
Definicao 2.4.19.
T Dois sub espacos lineares V e W com a mesma dimensionalidade sao
dijuntos se V W = {0}
Lema 2.4.2. Sejam V e W sub espacos de um espaco vectorial S. Entao para cada
x V + W , existe um unico v V e um unico w W tal que x = v + w se e so se V e
W sao dijuntos.
2.4.5 Projeccoes
Seja P : S V um operador projeccao tal que: para qualquer x S que admite a
decomposicao, x = v + w, P x = v, isto e, o operador P devolve a componente de x que
pertence a V . Se x ja pertence a V entao o operador P nao deve altera-lo e portanto
P (P x) = P x, portanto
Definicao 2.4.20. Uma transformacao linear P de um espaco linear nele proprio e uma
projeccao se P 2 = P . Um operador que satisfaz esta propriedade diz-se idempotente.
2.4. ESPACOS VECTORIAIS LINEARES 21
Teorema 2.4.2. Seja P um operador projeccao definido num espaco linear S. Entao, a
sua range e o seu espaco de nulidade sao sub espacos dijuntos de S e S = R(P ) + N (P ).
Definicao 2.4.21. Seja P um operador projeccao definido num espaco vectorial S com
produto interno. P diz-se uma projeccao ortogonal se o seu domnio e o seu espaco de
nulidade sao ortogonais, R(P )N (P ).
x
S
d0 d
V v
v0
.
22 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
e hqi , qj i = i,j .
Este problema e resolvido pelo algoritmo de ortogonalizacao Gram-Schmidt que tambem
pode ser utilizado para determinar a dimensao de um espaco gerado por um conjunto de
vectores.
Admitamos que todos os vectores qi 6= 0. O algoritmo de Gram-Schmidt desenvolve-se
nos seguintes passos:
1. Normaliza-se o primeiro vector p1 , isto e, q1 = p1 /kp1 k.
2. Calcula-se a diferenca entre a projeccao de p2 em q1 e p2 . Pelo teorema da projeccao,
este resultado e igual a:
hp2 , q1 i
e2 = p2 q1 = p2 hp2 , q1 iq1 (2.35)
kq1 k2
Normalizando produz-se
e3
q3 = . (2.38)
ke3 k
seja o vector mais proximo possvel de x, isto e, x = x + e em que kek tem a menor norma
possvel.
Quando x V entao e possvel ter kek = 0. A forma da funcao norma determina a
solucao particular da solucao. As normas L2 ou l2 sao frequentemente utilizadas porque
apresentam grandes vantagens do ponto de vista algebrico pois sao continuamente difer-
enciaveis . Pelo contrario, tanto as normas L1 e l1 como as normas L e l apresentam
dificuldades numericas pois nao possuem derivada na origem.
x = x + e (2.44)
P
em que x = m i=1 ci pi . Consideremos ainda a norma induzida por um produto interno,
2
tal que kuk = hu, ui.
Problema: Calcular os coeficientes ci que minimizam a norma do erro, kek.
24 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
ou em termos matriciais
x = Ac (2.54)
em que A = [p1 , p2 , ..., pm ] e uma matriz cujas colunas sao os vectores pi e c = [c1 , c2 , ..., cm ]T
e um vector coluna cujos elementos sao os coeficientes da combinacao linear.
Problema: Calcular o vector c que minimize a norma do vector de erro,kek22 em que
x = Ac + e = x + e. O princpio da ortogonalidade, hx Ac, pj i = 0, pode ser aplicado,
neste caso, da seguinte forma
AH
z }| {
pH
1
pH (2.55)
2 (x Ac) = 0
...
pH
m
em que pH
i sao vectores linha resultantes da trans-conjugacao de pi e tem-se
AH Ac = AH x (2.56)
AH W Ac = AH W x (2.60)
c = (AH W A)1 AH W x (2.61)
e como x = Ac tem-se
kxk2 = cH AH Ac = cH Rc = cH p, (2.65)
kek2 = xH x cH p (2.66)
Pode-se provar (veja exerccios) que (I A(AH A)1 AH ) e semi-definida positiva o que
permite concluir que kemin k2 < kxk2
28 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
y = Ac + e (2.69)
f (1) 0 0 ... 0
f (2) f (1) 0 ... 0
f (3) f (2) f (1) ... f (0)
A1 = .. .. .. .. . (2.76)
. . . ... .
f (m 1) f (m 2) f (m 3) ... 0
f (m) f (m 1) f (m 2) ... f (1)
f (m + 1) f (m) f (m 1) ... f (2)
A2 =
.
(2.77)
... ... ... ... ...
f (N ) f (N 1) f (N 2) ... f (N m + 1)
30 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
0 f (N ) f (N 1) ... f (N m + 2)
0 0 f (N ) ... f (N m + 3)
A3 = .. .. .. .. .. . (2.78)
. . . . .
0 0 0 ... f (N )
As matrizes Acov , Acorr , Apre e Apost podem ser obtidas da seguinte forma
A1
A1 A2
Acov = A2 , Acorr = A2 Apre = Apost = (2.79)
A2 A3
A3
Pi2
Se o produto interno for definido como hx, yi = i=i1 xi y1 = y H x entao a solucao de
d = Ah + e (2.80)
que se fizeram N medidas de x(t), isto e, {x(0), x(1), ..., x(N 1) tem-se a seguinte equacao
matricial
x = Ah + e (2.84)
em que
x = [x(m), x(m + 1), ..., x(N 1), x(0), x(1), ..., x(N m 1)]T
e = [ec (m), ec (m + 1), ..., ec (N 1), ea (0), ea (1), ..., ea (N m 1)]T
x(m 1) x(m 2) ... x(0)
x(m) x(m 1) ... x(1)
... ... ... ...
x(N 2) x(N 3) ... x(N m 1)
A = (2.85)
x(1) x(2) ... x(m)
x(2) x(3) ... x(m + 1)
... ... ... ...
x(N m) x(N m + 1) ... x(N 1)
O coeficientes do preditor, h(n) podem ser calculados, como no problema anterior, por
A(f ) = g (2.87)
2. a solucao f e unica, e
Ax = b, (2.88)
hx, y1 i = a1
hx, y2 i = a2
(2.89)
...
hx, ym i = am
Seja
y1H
y2H
A=
... (2.93)
H
ym
y1H x = b1
y2H x = b2
(2.94)
...
H
ym x = bm
AAH c = b (2.96)
c = (AAH )1 b (2.97)
x = AH (AAH )1 b. (2.98)
x = Ac + e (2.99)
cuja solucao e
com wi = |xi (Aci )|p2 , que e o problema dos mnimos quadraticos pesados apresentado
anteriormente.
Este problema, no entanto, nao pode ser resolvido num unico passo porque c , descon-
hecido, e necessario para calcular os pesos. Portanto o problema e resolvido iterativamente
utilizando, no calculo dos pesos, a estimativa anterior de ct , isto e, em
m
X
c(t) = min wi (t)|xi (Ac)i |2 (2.104)
c
i=1
wi (t) = |xi (Aci (t 1) )|p2 (2.105)
o que mostra que se o algoritmo convergir, entao a solucao iterativa dos mnimos quadrati-
cos pesados e a mesma que a dos mnimos usando a norma Lp .
Este algoritmo e lento a convergir. Uma alternativa mais rapida e numericamente
mais estavel e
c(t + 1) = (AT S T (t + 1)S(t + 1)A)1 AT S T (t + 1)S(t + 1)x) (2.109)
c(t + 1) = c(t + 1) + (1 )c(t) (2.110)
para [0, 1]. E possvel mostrar que para = 1/(p 1) o algoritmo apresenta carac-
tersticas de convergencia semelhantes ao metodo de Newton. Finalmente, uma estrategia
de variacao continuada para p melhora tambem a estabilidade do algoritmo. Assim tem-se
p(t) = min (p, p(t 1)) em que tipicamente = 1.5 e p(0) e baixo.
ci = hx, pi i. (2.112)
36 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
para qualquer x S
Teorema 2.6.1. Um conjunto de funcoes ortonormais, {p1 , p2 , ...} e completa num espaco
vectorial S com produto interno e norma induzida se as seguintes propriedades equivalentes
se verifiquem:
1. Para qualquer x S,
X
x= hx, pi ipi . (2.118)
i=1
2.6. REPRESENTACAO DE FUNCOES CONTINUAS 37
para todo x S.
Quando {pi } e um conjunto completo, entao a sequencia {c1 , c2 , ...} descreve comple-
tamente x. Diz-se, neste case, que a sequencia {c1 , c2 , ...} e a transformada ou serie
generalizda de Fourier de x.
Se {p1 , p2 , ...} e um conjunto completo, nao existe erro na representacao de x e portanto
a igualdade de Bessel verifica-se, isto e,
X
kxk2 = |ci |2 . (2.121)
i=1
entao
Polinomios de Legendre
Os polinomios de Legendre estao definidos no intervalo [1, 1] com uma funcao de peso,
w(t) = 1. Os primeiros quatro polinomios de Legendre sao os seguintes:
p0 (t) = 1
p1 (t) = t
1
p2 (t) = t2
3
3 3
p3 (t) = t t
5
Os polinomios seguintes sao obtidos atraves da seguinte expressao de recorrencia
n+1 n
tpn = pn+1 (t) + pn1 (t) (2.128)
2n + 1 2n + 1
Exerccio 2.6.2. Utilize o MatLab para desenhar os primeiros 5 polinomios de Legendre
e verifique o observe a amplitude das oscilacoes dos diversos polinomios.
Polinomios de Chebyshev
Os polinomios de Chebyshev sao ortogonais em relacao a funcao de peso w(t) = 1/ 1 t2
no intervalo I = [1, 1]. Se pr (t) e ps (t) sao polinomios de Chebyshev entao
Z 1 0, r 6= s;
1
p1 (t)p2 (t)dt = , r = s = 0; (2.129)
1 1 t2
/2, r = s 6= 0.
2.6. REPRESENTACAO DE FUNCOES CONTINUAS 39
Funcoes sinc
A forma da funcao sinc e a seguinte
sin(t)
sinc(t) = (2.132)
t
Esta funcao pode servir de base a construcao de bases ortogonais com a seguinte
expressao
pk (t) = sinc(2B(t k/2B)). (2.133)
R
Exerccio 2.6.4. Calcule hpr (t), ps (t)i quando hf , gi =
f (t)g(t)dt
Se f (t) e de banda limitada, isto e, F () = 0 para nao pertencente a [2B, 2B],
entao na serie
X
f (t) = ck pk (t) (2.134)
k
os coeficientes sao
hf , pk i
ck = = f (k/2B), (2.135)
hpk , pk i
e portanto
X sin(2B(t k/2B))
f (t) = f (k/2B) (2.136)
k
2B(t k/2B)
40 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
2.7 Exerccios
Exerccio 2.7.1. (Ex.2.1-1, pag. 121)Considere o vector x = [1, 2, 3, 4, 5, 6]T . Calcule a
metrica lp , dp (x, 0) para p = 1, 2, 4, 10, 100, . Comente o facto de dp (x, 0) max(xi )
quando p .
e uma metrica.
Para que d(x, y) seja uma metrica e necessario que i)d(x, y) 0, o que e verdade,
ii)d(x, y) = 0 se e so se x = y o que e verdade e finalmente iii) deve satisfazer a de-
sigualdade triangular. Se x = y = z a demonstracao e trivial. Se (x = y) (y 6= z)
ou (x 6= y) (y = z) entao d(x, y) + d(y, z) = 1 + 0 = d(x, z) Se x 6= y 6= z,
d(x, y) + d(y, z) = 1 + 1 = 2 > 1 = d(x, z) q.e.d.
Exerccio 2.7.4. (Ex.2.1-5, pag. 122) Seja (X, d) um espaco metrico. Mostre que
d(x, y)
g(x, y) = (2.140)
1 + d(x, y)
Exerccio 2.7.5. (Ex.2.1-8, pag. 122) Mostre que no espaco metrico (Rn , dp ) a funcao
dp (x, y) decresce com p, isto e, dp (x, y) dq (x, y) se p q. Sugestao: Calcule a
2.7. EXERCICIOS 41
e zero.
Exerccio 2.7.6. (Ex.2.1-20, pag. 123)(RESOLVIDO) Mostre que se {xn } e uma
sequencia tal que
d(xn , xm ) <
d(xn , xn1 ) + d(xn1 , xm )
<
d(xn , xn1 ) + d(xn1 , xn2 ) + ... + d(xm+1 , xm )
Crn1 + Crn2 + ... + Crm+1
=
C(rn1 + rn2 + ... + rm+1 )
=
1 rnm
= Crm
1r
m
< Cr /(1 r) =
N = ceil(log((1 r)/C)/ log(r)) (2.144)
entao tambem {xn }, {yn } e {zn } sao sequencias de Cauchy usando a metrica d(xj , xk ) =
|xj xk |.
42 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
Exerccio 2.7.8. (Ex.2.3-30, pag. 124) Seja S o conjunto formado por todas as solucoes
da seguinte equacao diferencial definida em C 3 [0, ]
d3 x d2 x dx
3
+ b 3
+ c + dx = 0. (2.146)
dt dt dt
Mostre que S e um sub espaco linear de C 3 [0, ].
Exerccio 2.7.9. (Ex.2.3-33, pag. 124) (RESOLVIDO) Mostre que num espaco linear
normado
e fazendo e = x y x = y + e tem-se
o que e verdade ja que resulta directamente da desigualdade triangular. Se kxk < kyk a
demonstracao e semelhante.
Exerccio 2.7.10. (Ex.2.3-34, pag. 124)Mostre que a norma e uma funcao convexa.
2. f (t) = et , g(t) = t + 1.
Exerccio 2.7.12. (Ex.2.4-41, pag. 125) Calcule o produto interno xT y usando a norma
Euclidiana,
Exerccio 2.7.13. (Ex.2.5-43, pag. 125) Mostre que usando a norma induzida k.k num
espaco vectorial real:
1. A lei do paralelogramo e verdadeira:
2. Mostre que
kx + yk2 kx yk2
hx, yi = , (2.152)
4
chamada igualdade de polarizacao.
Exerccio 2.7.14. (Ex.2.6-44, pag. 125) Para a seguinte operacao de produto interno
Z 1
hf , gi = f (t)g(t)dt (2.153)
0
hx, yi
1 1 (2.154)
kxk2 kyk2
e verdadeira.
Exerccio 2.7.16. R(Ex.2.7-47, pag. 125) Seja x1 (t) = 3t2 1, x2 (t) = 5t3 3t, x3 (t) =
1
2t2 t e hf , gi = 1 f (t)g(t)dt. Calcule os angulos entre estes sinais e identifique as
funcoes que sao ortogonais.
Exerccio 2.7.17. (Ex.2.7-48, pag. 125) Sejam
Calcule os angulos entre estes vectores usando o produto interno Euclidiano e identifique
os pares que sao ortogonais.
44 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
Exerccio 2.7.18. Mostre que as funcoes f (t) = sin(t) e g(t) = cos(t) sao ortogonais em
L2 (, ).
Exerccio
2.7.19. Seja V o espaco gerado pelas funcoes p1 (x) = cos(x)/ e p2 (x) =
sin(x)/ em L2 (, ).
1. Mostre que {p1 , p2 } e uma base ortonormada.
2. Calcule a projeccao de f (x) = x em V .
1, 0 x 1/2;
3. Considere o espaco W gerado por (x) = 1 e = no inter-
1, 1/2 x 1.
valo [0, 1]. As funcoes (x) e (x) sao a funcao de escala e a funcao de wavelet
respectivamente.
(a) Mostre que estas funcoes sao ortogonais em L2 (, ).
(b) Calcule a projeccao de f (x) = x em W .
Exerccio 2.7.20. (Ex.2.7-49, pag. 126) Mostre que um conjunto de vectores {p1 , p2 , ..., pm }
cujos elementos sao mutuamente ortogonais, i.e., hpi , pj i = 0, i 6= j, e linearmente inde-
pendente, isto e, a ortogonalidade implica independencia linear.
Exerccio 2.7.21. (Ex.2.12-57, pag.T126) Mostre que se V e W sao sub espacos de um
espaco S entao a sua interseccao, V W tambem e um sub espaco de S.
Exerccio 2.7.22. (Ex.2.12-64, pag. 127) Se v e um vector, mostre que a matriz que
projecta em span(v) e
vv H
Pv = . (2.158)
vH v
Exerccio 2.7.23. (Ex.2.13-68, pag. 127) Seja A uma matriz que pode ser factorizada
como
A = U V H (2.159)
em que U H U = I e V H V = I e e uma matriz diagonal real. Esta factorizacao designa-
se: decomposicao em valores singulares (single value decomposition). Mostre que
PA = PU .
Exerccio 2.7.24. (Ex.3.5-2, pag. 216) No contexto do problema de aproximacao de erro
mnimo mostre que
(I A(AH A)1 AH ) (2.160)
e semi-definida positiva e que portanto kemin k2 < kxk2 . Sugestao: observe que 0 kBxk2 ,
onde B = I A(AH A)1 AH .
2.7. EXERCICIOS 45
2. Determine a recta que melhor se ajusta aos dados segundo o criterio dos mnimos
quadraticos.
3. Admitindo que os primeiros e ultimos pontos sao mais fiaveis (mais precisos) formule
o problema no contexto dos mnimos quadraticos pesados, especificando a matriz de
pesos. Desenhe a nova recta de regressao.
Exerccio 2.7.26. (Ex.3.8-(4-7), pag. 216) Formule o problema da regressao para os
seguintes modelos
yi = a0 + a1 xi + a2 x2i (2.161)
zi = axi + byi + c (2.162)
yi = ceaxi (2.163)
yi = axbi (2.164)
Exerccio 2.7.27. (Ex.3.8-10, pag. 217) Seja a seguinte definicao de produto interno
entre matrizes
Y = c1 X1 + c2 X2 + ... + cm Xm + E. (2.166)
Usando o principio da ortogonalidade deduza o conjunto das equacoes normais que permita
estimar os coeficientes {c1 , c2 , ..., cm } que minimizam a norma induzida do erro E.
Exerccio 2.7.28. (Ex.3.9-12, pag. 217) Para a seguinte sequencia, {1, 1, 2, 3, 5, 8, 13},
1. Escreva a matriz A dos dados e o Graminiano AH A usando os metodos da co-
variancia e da auto-correlacao, assumindo m=2.
2. Esta sequencia sera utilizada para treinar um preditor linear. O sinal desejado, d(t)
e x(t) e os dados utilizados sao as duas amostras anteriores, isto e,
Exerccio 2.7.31. (Ex.3.18-37, pag. 224) Este exerccio aborda o problema da quadratura
Gaussiana, um metodo rapido de integracao numerica. Neste metodo pretende-se aproxi-
mar o integral atraves de uma soma,
Z b Xm
f (t)dt ai f (ti ) (2.172)
a i=1
a substituicao,
2x a b
t= (2.174)
ba
2.7. EXERCICIOS 47
5. Mostre que
Z 1 Z 1
f (t)dt = 0 p0 (t)dt. (2.180)
1 1
m
X Z 1
ai f (ti ) = 0 p0 (t)dt. (2.183)
i=1 1
48 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
P = TX (2.185)
em que
T = Tz Ty Tx (2.186)
com
cos(z ) sin(z ) 0
Tz = sin(z ) cos(z ) 0 (2.187)
0 0 1
cos(y ) 0 sin(y )
Ty = 0 1 0 (2.188)
sin(z ) 0 cos(z )
1 0 0
Tx = 0 cos(x ) sin(x ) (2.189)
0 sin(x ) cos(x )
Sugestao: Note que o produto interno de dois vectores coluna x e y reais, pode ser
calculado atraves de
hx, yi = xT y. (2.190)
2.8.2 Interpolacao
Introducao
M
X
E(c) = (fi T (ti )c)2 (2.192)
i=1
seja mnima.
50 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
Parte experimental
1. Obtenha a expressao que lhe permite obter o vector c a partir de F , T e (t) =
[1 (t), 2 (t), ..., m (t)]T de forma a minimizar (2.192). Sugestao: Utilize a seguinte
matriz para obter o resultado pretendido,
T
1 (t1 ) 2 (t1 ) ... N (t1 ) (t1 )
1 (t2 ) 2 (t2 ) ... N (t2 ) T
= = (t2 ) (2.193)
... ... ... ... ...
1 (tM ) 2 (tM ) ... N (tM ) T (tM )
2
2. Amostre a funcao f (t) = sin(2t)e20(t0.5) em M = 10 posicoes aleatorias uni-
formemente distribudos no intervalo I = [0, 1]. Alem do valor da funcao, F , guarde
tambem as respectivas posicoes, T . Represente graficamente a funcao f (t) no inter-
valo [0, 1] usando 500 pontos e sobreponha neste grafico as amostras (T, F ) obtidas
anteriormente.
3. Com base nas amostras obtidas na alnea anterior e na expressao obtida em 1),
calcule o vector c, de dimensao N = 10, que permite estimar a funcao f (t) a partir
de (T, F ), isto e,
Represente no mesmo grafico a funcao original f (t) e a funcao estimada g(t). Calcule
a relacao sinal rudo em dB, isto e,
kf k2
SN R = 10 log10 (2.196)
kf gk2
qP
1 L 2
em que kxk = L i=1 x (ti ), com L = 500, ti = (i 1)/(L 1) e 1 i L.
7. Desprezando os efeitos de fronteira, sugira uma expressao para calcular kg(t)k2 =<
Rb P
g(t), g(t) >= a g 2 (t)dt com g(t) = M i=1 ci i (t).
seja mnimo. Esta formalizacao conduz a um filtro, h = {h(1), h(2), h(3)}, tal que a soma
das normas dos erros kec (n)k2 + kea (n)k2 , para m < n < L m, definidos por
m
X
x(t) = h(i)x(n i) + ec (n)
i=1
Xm
x(t) = h(i)x(n + i) + ea (n)
i=1
seja mnima.
Parte experimental
1. Formalize o problema anterior em termos matriciais e deduza a equacao que permite
calcular o vector h = [h1 , h2 , h3 ]T .
5. Note que os coeficientes do filtro vao variando de troco para troco. Guarde todos os
coeficientes numa matriz, H(M, 3), em que M e o numero de trocos, e represente-os
num grafico 3D, usando o comando plot3. Verifique como e que estes coeficientes
variam ao longo do trecho musical.
Transformadas
Uma transformada e um operador (funcao) que mapeia um espaco vectorial X num outro
espaco Y (pode ser o mesmo), isto e,
T : X Y. (3.1)
No caso das funcoes discretas, x(n), o integral e substitudo por um somatorio. Por
exemplo,
P
1. Transformada Z: T Z(x(n)) = X(z) = x(n)z
n
P
2. Transformada de Fourier: T F (x(n)) = F () = x(n)e
jn
53
54 CAPITULO 3. TRANSFORMADAS
j2 j2
kn
= e N ej2 = e N
kn
= k (n) (3.6)
e a sua periodicidade em k verifica-se atraves de
j2
(k+N )n
k+N (n) = e N
j2 j2
kn
= e N ej2n = e N
kn
= k (n) (3.7)
o que significa que apenas N funcoes k (n) sao diferentes, isto e, a funcao k (n) tem
perodo N em k.
3.1. DFT - TRANSFORMADA DISCRETA DE FOURIER 55
Exerccio 3.1.1. Verifique que as funcoes k (n) e r (n) sao ortogonais em qualquer in-
tervalo de dimensao N , por exemplo, [n0 , n0 +N 1] e que formam um conjunto completo,
isto e, apenas a sequencia nula e ortogonal a todas as funcoes de base.
n0X
+N 1 N 1
1 X j 2 kn j 2 rn
hk (n), r (n)i = k (n)r (n)= e N e N
n=n0
N n=0
N 1
(
1 X j 2 (kr)n 1 N, k = r;
= e N = 1ej2(kr)
, k 6= r.
N n=0 N
1e j 2 (kr)
N
1, k = r;
= = (k r) (3.8)
0, k 6= r.
Estas funcoes, de perodo N, N/2, N/3, ..., 1, 0, para k = 1, 2, ..., N, 0 respectivamente,
podem entao ser utilizadas para representar sequencias discretas de perodo T N atraves
da seguinte combinacao linear
N
X N
X 1
2
x(n) = X(k)k (n) = X(k)ej N kn (3.9)
k=0 k=0
O conjunto das N funcoes de base (3.5) permite gerar qualquer sequencia periodica,
discreta, de perodo N e de energia limitada em cada perodo.
Os coeficientes que per-
mitem obter x(n) como combinacao linear de k (n)/ N designam-se coeficientes do
desenvolvimento em serie de Fourier de x(n), e a partir deles, e possvel recuperar a
sequencia original, ja que a representacao e exacta. Esta dualidade de representacoes
de x(n) traduz-se pelas seguintes equacoes de analise e sntese do desenvolvimento em
serie de Fourier, DFS, que permitem converter cada representacao na sua dual,
PN 1 2
Analise, X(k) = n=0 x(n)ej N kn ;
(3.10)
1
PN 1 j 2 kn
Sntese, x(n) = N k=0 X(k)e N .
No caso de sequencias discretas de comprimento finito a representacao discreta nao e
possvel, pois seria necessario um numero infinito e nao contavel de funcoes de base. De
facto, neste caso, a transformada utilizada e a transformada de Fourier, FT, contnua
de sinais discretos a qual estao associadas as seguintes equacao de analise/sntese,
P
Analise, X() = x(n)ejn ;
R (3.11)
1 jn
Sntese, x(n) = 2 X()e d.
56 CAPITULO 3. TRANSFORMADAS
~
x ( n)
x(n)
1
1
em que x(n) e a sequencia periodica representada por X(k) e cujo primeiro perodo e
igual a x(n).
6HTXrQFLD 'HVORFDPHQWR&LUFXODU
2ULJLQDO
'HVORFDPHQWR/LQHDU
em que x = [x(0), x(1), ..., x(N 1)]T , X = [X(0), X(1), ..., X(N 1)]T e
1 1 1 ... 1 1
1 wN
(1)(1)
wN
(1)(2)
... wN
(1)(N 2)
wN
(1)(N 1)
(2)(1) (2)(2) (2)(N 2) (2)(N 1)
1 wN wN ... wN wN
WN = (3.15)
... ... ... ... ...
(N 2)(1) (N 2)(2) (N 2)(N 2) (N 2)(N 1)
1 wN wN ... wN wN
(N 1)(1) (N 1)(2) (N 1)(N 2) (N 1)(N 1)
1 wN wN ... wN wN
58 CAPITULO 3. TRANSFORMADAS
1. Linearidade:
DF T [ax(n) + by(n)] = aX(k) + bY (k), k = 0, 1, ..., N 1
2. Simetria:
Se x(n) for uma sequencia real entao X(K) = X (N k),
DF T [x (n)] = X ((k)N )
DF T [x ((n)N )] = X (k)
3. Deslocamento circular:
kL
DF T [x((n L)N )] = wN X(K), k = 0, 1, ..., N 1
4. Convolucao circular:
N
DF T [x(n) y(n)] = X(k)YN (k), k = 0, 1, ..., N 1
1
DF T [x(n)y(n)] = N X(k) Y (k), k = 0, 1, ..., N 1.
5. Deslocamento na frequencia:
DF T [x(n)ej2M n/N ] = X[(k M )N ]
6. Multiplicacao no tempo:
1
N
DF T [x(n)y(n)] = N
X(k) Y (k)
7. Dualidade: DF T [X(n)] = N x((k)N )
8. Produto interno (Teorema de Parseval):
PN 1 1
PN 1
n=0 x (n)y(n) = N k=0 X (k)Y (k)
3.1. DFT - TRANSFORMADA DISCRETA DE FOURIER 59
N
em que designa a operacao de convolucao circular.
Exerccio 3.1.4. Como foi referido a DFT corresponde a uma amostragem da Trans-
formada de Fourier em N pontos equi-espacados, wk = 2k N
, com k = 0, 1, 2, ..., N 1.
Considere um sinal x(n) de dimensao finita, N cuja transformada de Fourier, X(), e
de banda limitada, isto e, X() = 0 para || < c < na primeira replica. Relacione
o sinal y(n) = IDF TM (X(k )) com x(n), isto e, relacione o sinal obtido por inversao
da DFT de dimensao M com o sinal x(n). Note que esta operacao esta de certa forma
relacionada com a amostragem de sinais contnuos no domnio do tempo. Neste caso, no
entanto, a amostragem realiza-se no domnio da frequencia.
A propriedade 4 e base do processamento no domnio da frequencia. A operacao de
convolucao, que surge com frequencia em diversos problemas de processamento de sinal,
designadamente na filtragem digital, e computacionalmente pesada no domnio do tempo.
Consoante a dimensao dos sinais envolvidos, e muitas vezes prefervel obter a convolucao
de dois sinais atraves da multiplicacao das suas transformadas, como esta representado
na figura 3.3.
x(n) X(k)
Y(k) y(n)
h(n) H(k)
Existem, no entanto dois factores a ter em conta: i) a multiplicacao das DFTs corre-
sponde a uma convolucao circular no domnio do tempo, e nao a uma convolucao linear
e ii) as duas sequencias podem nao ter a mesma dimensao.
Portanto as DFTs devem ser calculadas de forma a garantir que a convolucao circular
das duas sequencias e igual a sua convolucao linear. Para isso, e necessario que a dimensao
da DFT seja pelo menos igual ao comprimento do sinal filtrado, isto e, M N + L 1.
60 CAPITULO 3. TRANSFORMADAS
Por outro lado, as DFTs dos dois sinais a filtrar, X(k), H(k) devem ter a mesma dimensao
M , apesar do comprimento das respectivas sequencias ser de menor dimensao. Portanto,
antes de calcular X(k) e H(k) os sinais x(n) e h(n) devem ser aumentados com zeros ate
atingirem dimensao M N + L 1, isto e,
y(n) = h(n) x(n) = IDF TM {DF TM [xM (n)]DF TM [hM (k)]} (3.20)
Particao de sequencias
Consideremos o sinal x(n) de longa duracao, M . Pretende-se processar este sinal em
blocos de menor dimensao N < M . A transformada de Fourier de x(n) e
N
X 1
X() = x(n)ejn (3.21)
n=0
O sinal x(n) pode ser decomposto em blocos mais pequenos de dimensao N < M
tal que rN = M em que r e um inteiro. Entao, cada bloco, xi (n) = x(iN + n), com
0 n N e 0 i r 1 pode ser obtido atraves da seguinte operacao,
em que
1, iN n < (i + 1)N ;
wi (n) = (3.23)
0, caso contrario.
Xi () = Wi () X() (3.24)
/2 0 2/N /2
Nome M(dB)
Rectangular 4/N 13
Bartlett 8/N 27
Blackman 16/N 58
Hamming 8/N 43
Rectangular
0
1 25
50
75
0 100
1 4 8 12 16 0 /2 3/2 2
Bartlett
0
1 25
50
75
0 100
1 4 8 12 16 0 /2 3/2 2
Blackman
0
1 25
50
75
0 100
1 4 8 12 16 0 /2 3/2 2
Hamming
0
1 25
50
75
0 100
1 4 8 12 16 0 /2 3/2 2
Figura 3.5: Sinais w(n) e magnitudes (dB) das respectivas transformadas de Fourier,
|W ()| de algumas das janelas mais utilizadas.
R
x(n) N N N N
N L-1
N L-1
N L-1
N L-1
y (n) N L-1 N L-1 N L-1 N L-1
R+L-1
operacao de convolucao e linear. Assim, neste metodo, de yi (n) = h(n)xi (n) apenas
se disponibilizam N amostras. As L 1 restantes sao adicionadas ao resultado do
processamento do bloco seguinte tal como esta representado na figura 3.6.
x(n)
x1 (n) 0 N
0 x2 ( n ) N
y1 (n) N x3 (n) N
y 2 ( n) N x4 ( n ) N
y3 ( n ) N
y4 (n) N
y (n) N-L+1 N-L+1 N-L+1 N-L+1 N-L+1
3.1.5 FFT
Existe uma classe de algoritmos, designados FFT (Fast Fourier Transform), que
tem uma complexidade computacional O(N log2 (N )). Para N = 1024, o numero de
multiplicacoes reais e de 4N log2 (N ) = 40960, o que representa um ganho de G =
4N 2 /(4N log2 (N )) = N/ log2 (N ) = N/ log2 (N ) = 102.4. Este ganho aumenta quando
N aumenta. Por exemplo, para N = 4096 o ganho computacional ja e G = 341.3.
800
700
600
500
400
G
300
200
100
0
0 2000 4000 6000 8000 10000
N
Figura 3.8: Ganho computational da FFT em comparacao com o calculo directo da matriz
W em funcao do tamanho da sequencia N .
66 CAPITULO 3. TRANSFORMADAS
em que YN/2 e ZN/2 sao as DFTs de ordem N/2 das amostras de ordem par e mpar
respectivamente.
A complexidade computacional do calculo da DFT de dimensao N atraves da definicao
e de N 2 . No entanto, a complexidade computacional usando (3.27) e de [2(N/2)2 + N ] =
[(N 2 )/2 + N ], a que corresponde a um ganho computacional de G = N 2 / [(N 2 )/2 + N ] =
2N/(N + 2) > 1 para qualquer N > 2. Quando N = 2r e possvel continuar este proced-
imento sobre as DFTs resultantes da decomposicao, isto e, decompondo cada uma das
DFTs de dimensao N/2 em duas DFTs de dimensao N/4 e assim por diante ate atingir
DFTs de dimensao 2. E desta forma que a FFT consegue atingir uma complexidade
computacional N log2 (N ).
Consideremos, a ttulo de exemplo, a DFT de dimensao 8, representada figura 3.9. A
unidade basica de calculo deste grafo e a borboleta que esta representada na figura 3.10.
A borboleta apenas envolve somas e subtraccoes o que significa que as multiplicacoes
complexas, na FFT de dimensao 8, apenas surgem nos ramos afectados pelos coeficientes
i
wM , com i 6= 0, isto e, este esquema de calculo apenas envolve 5 multiplicacoes complexas,
enquanto que pela definicao seriam necessarias 49. Como se pode ver na figura 3.9 a
eliminacao da redundancia de calculos corresponde a existencia de varios ramos a sair
de um mesmo no, o que significa que o resultado de um unico calculo e utilizado em
diferentes partes do grafo. Deste ponto de vista, a FFT e optima, pois realiza apenas o
numero mnimo de calculos necessarios.
A sequencia x(n) nao e aplicada directamente a entrada da DFT como se pode verificar
na figura 3.9. A ordenacao apropriada designa-se bit reverse. Esta ordenacao obtem-se
representando os indices em binario e invertendo a ordenacao dos respectivos bits. Para o
caso presente, DFT de dimensao 8, o esquema de ordenacao esta representado na tabela
3.1.5.
3.2. DCT 67
DFT4 DFT8
x ( 0) X 8 ( 0)
DFT2
x(4) X 8 (1)
w40
x(2) X 8 (2)
DFT2 w14
x ( 6) X 8 (3)
w80
x(1) X 8 (4)
DFT2 w81
x(5) X 8 (5)
x(3)
w40 w82
X 8 (6)
x (7 )
DFT2 w14 w83
X 8 ( 7)
DFT4
0 000 000 0
1 001 100 4
2 010 010 2
3 011 110 6
4 100 001 1
5 101 101 5
6 110 011 3
7 111 111 7
3.2 DCT
De acordo com a relacao de Parseval,
N
X 1 N 1
1 X
|x(n)|2 = |X(k)|2 (3.28)
n=0
N n=0
x x+ y
y x y
DFT2
sinal periodico x(n) cujo perodo e igual a x(n). Assim, quando x(n) a direita e diferente
de x(n) a esquerda, o correspondente sinal periodico apresenta uma descontinuidade nas
transicoes, como se pode observar na figura 3.11.
~
x (n)
x (n )
~
z (n)
x (n )
3 3
2 2
1 1
0 0
0 5 10 15 0 5 10 15 20
DCT-III DCT-IV
4 4
2 2
0 0
-2 -2
-4 -4
0 5 10 15 20 0 5 10 15 20
Figura 3.13: Varias extensoes associadas aos 4 tipos diferentes de DCTs. A DCTII e a
mais utilizada.
[Q
1
0.8
0.6
0.4
0.2
0
0 10 20 30 40 50 60
1
|DFT|
0.8 |DCT|
0.6
0.4
0.2
0
0 20 40 60 80 100 120
Figura 3.14: Comparacao da magnitude da fft e da dct para o mesmo sinal x(n).
sao ortogonais.
Exerccio 3.2.2. Deduza as equacoes de sntese e analise das quatro formas da DCT, I,
II, III e IV.
e seja
X ( )
-2 2
Y ( )
-2 2
Figura 3.15: Espectro do sinal original, x(n) e do correspondente sinal depois de reduzido
o ritmo de amostragem para metade (D = 2).
X ( ) Y ( )
D D D D
x(n) D y (n)
D
Filtro Passa Baixo
Y () = X(L) (3.39)
A alteracao do ritmo de amostragem por um factor R = L/D, racional nao inteiro, pode
ser obtido atraves da realizacao do aumento do ritmo de um factor L seguido de uma
diminuicao de um factor D. Para evitar sobreposicao de espectros a primeira operacao
deve ser a do aumento do ritmo seguida da correspondente filtragem. Quando os dois
processos sao aplicados em serie nao e necessario realizar duas filtragens, basta utilizar
apenas um filtro passa baixo de frequencia de corte c = min{/D, /L}, (ver figura
3.18)
74 CAPITULO 3. TRANSFORMADAS
X ( ) Y ( )
L L L L
x(n) L y (n)
L
Filtro Passa Baixo
x(n) L D y (n)
C
Filtro Passa Baixo
P
em que Hk (z M ) = n h(nM k)z nM .
x(n) H (z ) D y (n)
x(n) D H 0 ( z) + y (n)
z 1
D H1 ( z ) +
z 1
D H D 1 ( z )
(1 + 3z 2 + 5z 4 ) +z 1 (2 + 4z 2 + 6z 4 ) = H0 (z 2 ) + z 1 H1 (z 2 ) (3.46)
| {z } | {z }
H0 (z 2 ) H1 (z 2 )
Exerccio 3.2.4. O filtro anterior tambem pode ser decomposto da seguinte forma,
(1 + 3z 2 + 5z 4 ) +z (2z 2 + 4z 4 + 6z 6 ) = H0 (z 2 ) + z 1 H1 (z 2 ) (3.47)
| {z } | {z }
H0 (z 2 ) H1 (z 2 )
H 0 ( ) H 1 ( ) H 2 ( ) H k ( ) H M 1 ( )
2 4 2 2
k ( M 1)
M M M M M
Os filtros que compoe o banco sao obtidos a partir de um filtro passa baixo nao ideal
e colocados a intervalos equi-espacados no eixo das frequencias,
2
Hk () = H( k) (3.48)
M
com k = 0, 1, ..., M 1. A transformada Z de cada filtro e dada por
k
Hk (z) = H(wM z) (3.49)
3.2. DCT 77
em que w = ej2/M .
No caso mais simples em que M = 2 tem-se
H0 () = H()
H1 () = H( ) (3.50)
donde se conclui que todos os filtros tem a mesma decomposicao polifasica a menos de
kr
constantes multiplicativas wM . Portanto, o conjunto dos M filtros pode-se expressar como
H0 (z) 1 1 ... 1 E0 (z M )
H1 (z) 1 wM ... wMM 1
zE1 (z M )
.. = .. .. ... .. .. (3.53)
. . . . .
M 1 (M 1)2 M 1 M
HM 1 (z) 1 wM ... wM z EM +1 (z )
x(n) D E0 ( z ) y 0 ( n)
z 1
D E1 ( z ) y1 (n)
DFT
z 1
D E M +1 ( z ) y M 1 (n)
O filtro prototipo H(z) utilizado para construir o banco de filtro determina a forma
como a analise do sinal em diversas bandas e feito. Assim, intuitivamente, conclui-se que
o filtro H(z) deve ser tal que o conjunto das suas M replicas cubram todo o espectro para
nao haver perda de informacao, ou dito de outra forma, para que o sinal original possa
ser completamente recuperado a partir das M componentes.
Uma condicao suficiente para se obter um banco de filtros maximamente decimado,
isto e, sem perda de informacao e que a soma das sadas dos M filtros (antes da reducao
do ritmo de amostragem) seja igual ao sinal original, isto e,
M
X 1
x(n) = [hk (n) x(n)] (3.54)
i=0
ou equivalentemente, na frequencia
M
X 1
2
X() = H( k)X()
k=0
M
M
X 1
2
H( k) = 1 (3.55)
k=0
M
Exerccio 3.4.3. Considere o sistema linear de 1a ordem y(n) = ay(n 1 + x(n) com
a [0, 1[ e x(n) periodico de perodo N . Determine a resposta impulsiva do filtro FIR
com uma resposta forcada igual a do filtro apresentado.
3. Considere a sequencia z(n) = x(n) + y(n). Determine a sua convolucao com x(n).
Exerccio 3.4.5. Considere a sequencia w(n) = x(n) + y(n). Sabendo que x(n) tem
perodo N e que y(n) tem perodo M :
1. x(n) = (n).
2. x(n) = (n n0 ) para 0 n0 N .
Exerccio 3.4.10. Uma sequencia de duracao finita tem a seguinte DFT: X(k) = {4, 3, 2, 1, 0, 1, 2, 3,
para 0 k < 8. Determine os 16 pontos da DFT da sequencia y(n) obtida da seguinte
forma
x(n/2), n par;
y(n) = (3.57)
0, n mpar.
Exerccio 3.4.11. Considere a sequencia de duracao finita x(n) com x(n) = 0 para
n Z\[0, N 1]. Pretende-se determinar M amostras de X(z) igualmente espacadas
sobre o crculo de unitario com M < N . Uma das amostras esta em z = 1. Como obter
as M amostras de X(z) usando uma DFT de M pontos de uma sequencia de M pontos
obtida a partir de x(n)?
Exerccio3.4.12. Considere duas
sequencias de duracao finita x(n) e y(n), nulas para
x(n) = 0 n 8
n < 0 e . As DFTs de 20 pontos de ambas as sequencias sao
y(n) = 0 n 20
multiplicadas e e calculada a transformada inversa do resultado, r(n). Indique quais os
pontos de r(n) que correspondem a pontos que se obteriam pela convolucao linear de x(n)
com y(n).
Exerccio 3.4.13. Pretende-se realizar um filtro FIR de ordem 50 com a tecnica de
overlap-save: i) sobreposicao de V amostras nas seccoes de entrada, ii) das sadas de
cada seccao devem-se retirar M amostras que se devem juntar para obter a sada desejada,
filtrada. Assuma que os segmentos de entrada tem 100 amostras de comprimento e que
a DFT tem dimensao 128. Alem disso, assuma que a sequencia de sada da convolucao
circular e indexada do ponto 0 ao ponto 127.
1. Determine V.
2. Determine M.
3. Determine o ndice do incio e do fim dos M pontos extrados, ou seja, quais dos
128 pontos da convolucao circular deverao ser extrados para juntar aos resultados
da seccao anterior.
Exerccio 3.4.14. Usando a definicao, determine a DFT das seguintes sequencias (caso
nao existam diga a razao).
1. x(n) = 0.5n u(n)
2. x(n) = 0.5|n|
3. x(n) = 2n u(n)
5. x(n) = 2|n|
6. x(n) = 3(8)|n| cos(0.1n)
Exerccio 3.4.15. Calcule a DFT das seguintes sequencias:
1. x(n) = [1, 0, 1, 0]
2. x(n) = [j, 0, j, 1]
3. x(n) = [1, 1, 1, 1, 1, 1, 1, 1]
4. x(n) = cos(0.25n) para n = 0, ..., 7.
5. x(n) = 0.9n para n = 0, ..., 7.
Exerccio 3.4.16. Sejam X(k) = [1, j, 1, j] e H(k) = [0, 1, 1, 1] as DFTs de duas
sequencias x(n) e h(n) respectivamente. Usando as propriedades da DFT (sem calcular
explicitamente x(n) e y(n)) determine as DFTs das seguintes sequencias:
1. x((n 1)4 )
2. x((n + 3)4 )
3. y(n) = h(n) ~ x(n), em que ~ significa convolucao circular.
4. (1)n x(n)
5. j n x(n)
6. x((n)4 )
7. x((2 n)4 )
Exerccio 3.4.17. Duas sequencias finitas h(n) e x(n) tem as seguintes DFTs, X(k) =
DF T (x) = [1, 2, 1, 2] e H(k) = DF T (h) = [1, j, 1, j]. Seja y(n) uma sequencia
de dimensao 4, obtida atraves da convolucao circular de h(n) com x(n), i.e., y(n) =
h(n) ~ x(n). Sem calcular explicitamente h(n) e x(n),
1. determine DF T (x((n 1)4 )) e DF T (h((n + 2)4 )) onde os deslocamentos sao circu-
lares.
2. determine os valores y(0) e y(1).
Exerccio 3.4.18. Seja X(k) a DFT de x(n) e sejam as seguintes sequencias:
s(n) = [x(0), ..., x(N 1), x(0), ..., x(N 1)] (3.58)
y(n) = [x(0), ..., x(N 1), 0, ..., 0]. (3.59)
| {z }
N zeros
82 CAPITULO 3. TRANSFORMADAS
3. Se y(n) = s(n)w(n), com w(n) = [1, ..., 1, 0, ..., 0], determine uma expressao (formula
| {z } | {z }
N N
de interpolacao) para Y (2k + 1).
Exerccio 3.4.19. Um problema que existe em muitos pacotes de calculo cientfico (como
o MatLab, p.ex.) e o facto de apenas se ter acesso a ndices positivos. Suponha que
4 , 5, 6, 7], e o algo-
quer determinar a DFT da seguinte sequencia: x(n) = [0, 1, 2, 3, |{z}
x(0)
ritmo apenas lhe permite calcular a DFT de [x(0), x(1), ..., x(N 1)]. Como resolveria o
problema?
Exerccio 3.4.20. Seja X(k) = DF T (x(n)) com n, k = 0, ..., N 1. Determine a relacao
entre X(k) e as seguintes DFTs,
1. DF T (x (n))
2. DF T (x((n)N ))
3. DF T (Re(x(n)))
4. DF T (Im(x(n)))
5. Aplique os resultados anteriores a sequencia x(n) tal que DF T (x(n)) = [1, 2, 3, 4, 5, 6, 7, 8].
Exerccio 3.4.21. Seja X(k) = DF T (x(n)) com n, k = 0, ..., N 1. Determine a relacao
entre X(k) e as seguintes DFTs,
1. IDF T (X (k))
2. IDF T (X((k)N ))
3. IDF T (Re(X(k)))
4. IDF T (Im(X(k)))
5. Aplique os resultados anteriores a sequencia X(k) em que IDF T (X(k)) = [1, 2j, 2j, 0, 1, j, j].
Exerccio 3.4.22. Seja x(n) uma sequencia periodica cujo perodo e [1, 2, |{z}
3 456].
x(0)
Esta sequencia e a entrada de um sistema linear e invariante no tempo cuja resposta
impulsiva e h(n) = 0.8|n| . Determine um perodo da sequencia da sada y(n).
Exerccio 3.4.23. Considere uma DFT de 9 pontos.
3.4. EXERCICIOS 83
x(n) = [3, 0, 2, 0, 1, 0, 2, 0]
y(n) = [2, 0, 1, 0, 2, 0, 1, 0]. (3.60)
Exerccio 3.4.26. Construa o grafico de fluxo do algoritmo FFT de base 2 com 16 pontos
e decimacao no tempo. Indique os factores multiplicativos diferentes de 1. Indique as
amostras das sequencias de entrada e de sada. Determine o numero de multiplicacoes e
somas reais necessarias.
2. Indique como calcular os termos impares da DFT de x(n) usando apenas uma DFT
de N/2 pontos com alguns calculos adicionais.
Exerccio 3.4.28. Considere uma sequencia x(n) de comprimento N cuja DFT e X(k)
com k [0, N 1]. O algoritmo seguinte calcula as amostras pares da DFT, para N par,
usando uma unica DFT de N/2 pontos.
84 CAPITULO 3. TRANSFORMADAS
x(n) + x(n + N/2), 0 n N/2 1;
Crie a sequencia y(n) =
0, caso contrario.
Calcule a DFT de N/2 pontos de y(n), Y (k) com k [0, N/2 1].
As amostras pares de X(k) sao X(k) = Y (k/2) para k [0, N 1].
1. Mostre que o algoritmo apresentado produz os resultados pretendidos.
2. Considere agora que a sequencia y(n) e criada a partir de x(n) por:
P
y(n) = r= x(n + rM ), 0 n M 1; (3.61)
0, caso contrario.
Determine a relacao entre a DFT de M pontos Y (k) e a transformada de Fourier
de x(n). Mostre que a alnea anterior e um caso particular desta.
3. Desenvolva um algoritmo semelhante ao exposto para calcular as amostras mpares
de X(k) usando apenas uma DFT de N/2 pontos.
Exerccio 3.4.29. Considere as sequencias x(n) de comprimento L e h(n) de com-
primento P. Pretende-se calcular a convolucao linear destas duas sequencias, y(n) =
x(n) h(n).
1. Qual e o comprimento de y(n)?
2. Quantas multiplicacoes reais sao necessarias para calcular directamente y(n)?
3. Defina um procedimento para usar uma DFT na determinacao das amostras de y(n).
Determine a menor dimensao das transformadas directa e inversa em termos de L
e P.
4. Assuma que L = P = N/2 em que N e uma potencia de 2 e e a dimensao da DFT.
Determine uma expressao para o numero de multiplicacoes reais necessarias para
calcular y(n) usando o metodo da alnea anterior com FFT de base 2. Com base
nessa expressao qual o menor valor de N para o qual o metodo da FFT requer menos
multiplicacoes reais que o calculo directo da convolucao.
Exerccio 3.4.30. A entrada e a sada de um sistema linear e invariante no tempo
satisfazem a seguinte equacao as diferencas:
N
X M
X
y(n) = ak y(n k) + bk x(n k) (3.62)
k=1 k=0
Processos estocasticos
85
86 CAPITULO 4. PROCESSOS ESTOCASTICOS
Captulo 5
Estimacao
87
88 CAPITULO 5. ESTIMACAO
Bibliografia
[1] Roberto Cristi, Modern Digital Signal Processing, Thomson, 2004, ISBN 0-534-
40095-7
[2] Moon Todd K and Stirling Wynn C., Mathematical Methods and Algorithms for
Signal Processing, Prentice Hall, 2000, ISBN 0-201-36186-8.
[3] Alan V. Oppenheim and Ronald W. Schafer, Discrete-Time Signal Processing, Pren-
tice Hall.
[4] Curtis R. Vogel, Computational Methods for Inverse Problems, Frontiers in applied
mathematics, SIAM, 2002 (ISBN: 0-89871-507-5).
[5] Michael E. Wall, Andreas Rechtsteiner, Luis M. Rocha Modeling,
Singular value decomposition and principal componentanalysis, 2003
(http://public.lanl.gov/mewall/kluwer2002.html)
[6] T. Lehmann, C. Spitzer, Survey:Interpolation Methods in Medical Image Processing,
IEEE Trans. on Medical Imaging, vol.18, no.11, November 1999.
[7] A. Jonas, N. Kiryati, Digital Representation Schemes for 3D Curves, Pattern Recog-
nition, 1803-1816, 1997.
[8] Gerald Farin, Curves and Surfaces for Computer Aided Geometric Design, A pratical
Guide, Academic Press, Inc, 1990.
[9] Jieqing Feng, Tomoyuki Nishita, Xiaogang Jin,Qunsheng Peng, B-spline free-form,
deformation of polygonal object as trimmed Bezier surfaces, Visual Computer, 2002.
[10] Michael Unser, B-Spline Signal Processing: Part I - Theory, IEEE Trans. on Signal
Processing, vol.41, no.2, February 1993.
[11] Mallat, S., A Wavelet Tour of Signal Processing. San Diego, CA: Academic Press,
1998.
[12] John W. Woods, Subband Image Coding, Kluwer Academic Publishers, 1991.
89