Escolar Documentos
Profissional Documentos
Cultura Documentos
(UNICAMP Introdução À Analise Espectral) PDF
(UNICAMP Introdução À Analise Espectral) PDF
(UNICAMP Introdução À Analise Espectral) PDF
Campinas, 2001
CONTEÚDO
CAPÍTULO 1 ........................................................................................................................ 1
Introdução ............................................................................................................................. 1
Série de Fourier ..................................................................................................................... 5
Exemplo 1.............................................................................................................................. 8
Teorema de energia (ou de Parseval)...................................................................................... 9
Transformada de Fourier .......................................................................................................10
Exemplo 2.............................................................................................................................12
Distribuição de Dirac e pseudo-transformada ........................................................................13
Exemplo 3.............................................................................................................................15
Teorema da convolução ........................................................................................................15
Exemplo 4.............................................................................................................................16
Exemplo 5.............................................................................................................................17
Teorema da energia...............................................................................................................19
Demonstração mais rigorosa da transformada de Fourier.......................................................19
Fórmula de Poisson...............................................................................................................21
Janelas de observação ...........................................................................................................22
Modulação em amplitude ......................................................................................................26
Exercícios .............................................................................................................................28
CAPITULO 2 .......................................................................................................................30
Relações entrada/saída de sistemas lineares ...........................................................................30
Sistema linear........................................................................................................................30
Sistema causal ou fisicamente realizável ................................................................................31
Sistema invariante no tempo..................................................................................................31
Equação diferencial ...............................................................................................................31
Integral de Duhamel (convolução).........................................................................................31
ii
Função de resposta em frequência .........................................................................................35
Exemplo: ..............................................................................................................................37
Filtros ...................................................................................................................................39
Exercícios .............................................................................................................................41
CAPITULO 3 .......................................................................................................................42
Discretização e transformada de Fourier discreta...................................................................42
Discretização e teorema da amostragem ................................................................................42
Transformada de Fourier discreta ..........................................................................................47
Execícios ..............................................................................................................................53
CAPITULO 4 .......................................................................................................................55
Algoritmos da transformada de Fourier rápida.......................................................................55
Decimação no tempo.............................................................................................................55
Decimação na frequência.......................................................................................................59
Economia de memória...........................................................................................................60
Resolução em frequência e “zoom”.......................................................................................63
Exemplo ...............................................................................................................................65
Analisadores de Fourier.........................................................................................................66
Filtro anti-rebatimento (anti-“aliasing”) .................................................................................66
Conversor Analógico – Digital (CAD)...................................................................................67
Processador da TFD..............................................................................................................67
Monitores .............................................................................................................................67
CAPÍTULO 5 .......................................................................................................................68
Sinais aleatórios ....................................................................................................................68
Densidade Espectral de Potência ...........................................................................................72
Definição 1: Espectro via Filtragem Analógica ......................................................................72
Definição 2: Espectro via Transformada de Fourier Finita......................................................73
Definição 3: Espectro via funções de correlação....................................................................74
iii
Equivalência entre as definições ............................................................................................76
CAPÍTULO 6 .......................................................................................................................81
Densidade espectral de potência via TFD ..............................................................................81
Janela de Hanning .................................................................................................................83
Circularidade e adição de zeros .............................................................................................84
Relações entrada/saída de sistemas lineares ...........................................................................89
Função de coerência ordinária ...............................................................................................92
Relações de sistemas lineares com múltiplas entradas e saídas................................................95
CAPÍTULO 7 .....................................................................................................................100
Densidade espectral de potência via modelo auto-regressivo................................................100
CAPÍTULO 8 .....................................................................................................................107
Tipos de sinal e a sua representação espectral......................................................................107
Sinal transitório...................................................................................................................107
Sinal periódico ....................................................................................................................107
Sinal aleatório estacionário..................................................................................................108
Exemplo 1...........................................................................................................................110
Exemplo 2...........................................................................................................................111
Exemplo 3...........................................................................................................................112
CAPÍTULO 9 .....................................................................................................................114
A transformada de Hilbert ...................................................................................................114
Sinal causal .........................................................................................................................114
Algoritmo para o cálculo da transformada de Hilbert ...........................................................117
Sinal analítico......................................................................................................................117
Exemplo 1...........................................................................................................................117
Exemplo 2...........................................................................................................................119
Referências .........................................................................................................................120
iv
v
Análise de Fourier 1
CAPÍTULO 1
Introdução
m &y&G + k y E = 0
(1.1)
m &z&G + k z E = 0
yG = y E + ξ sin(ϕ )
(1.2)
zG = z E + ξ cos(ϕ )
Ω2
y E (t ) = ξ sin(Ω t + β )
ω 2 − Ω2
(1.3)
Ω2
z E (t ) = ξ cos(Ω t + β )
ω 2 − Ω2
k
onde ω = é chamada velocidade crítica do sistema eixo/disco. Vamos olhar de
m
perto a variação da posição do centro do disco na direção y tal como seria vista por um
observador no plano yz sobre o eixo z.
Análise de Fourier 2
Ω y S F y
z δ E
G
ε
kδ
β
x
Ωt ϕ
z
Figura 1.1. Vibração devido ao debalanceamento. (a) O sistema físico. (b) Rigidez à
flexão. (c) Forças externas.
Chamemos de x(t) esta função (este não tem nenhuma relação com a coordenada x).
x (t ) ≡ y E (t )
x (t ) = X sin (Ω t + β ) (1.4)
Ω2
X =ξ
ω 2 − Ω2
x(t)
T
X
-X
β/Ω
O sinal senoidal é o tipo mais elmentar que se pode obter em fenômenos físicos.
Caracterizado por uma amplitude X, uma fase β e uma freqüência Ω , a senóide é a base
da análise espectral e da análise de sistemas lineares, como veremos no próximo
capítulo.
Ω
f =
2π
(1.5)
1
T=
f
x (t ) = x (t ± nT ), n = 1,2,K (1.6)
π
z E (t ) = X sin (Ω t + ( β + )) (1.8)
2
Análise de Fourier 4
ou seja, a defasagem entre os sinais zE(t) e yE(t) é π/2 ou 90o e esta quantidade
independe da origem da escala do tempo. Devido a esta defasagem, a reconstituição no
plano yz do movimento do centro do disco E é uma trajetória circular de raio X. A
projeção deste movimento circular no eixo é o sinal estudado x(t).
(a)
x(t)
(b)
x(t)
Neste capítulo, trataremos dos sinais determinísticos para os quais o Barão Jean-
Baptiste-Joseph Fourier (matemático Francês 1768-1830) nos deu as ferramentas
básicas que são a Série e a Transformada de Fourier.
Série de Fourier
x (t ) = x (t ± nT ), n = 0,1, 2,...
a. T /2 (1.9)
∫− T / 2 x(t ) dt < ∞
b. número finito de discontinuidades num período T
pode ser expandido numa série trigonométrica infinita (série de Fourier) da forma:
∞
∑ (a cos(nω o t ) + bn sin( nω o t ) )
ao
x (t ) = + n (1.10)
2 n =1
T /2 0, m ≠ n
a. ∫
− T /2
cos( nω o t ) cos(mω o t ) dt =
π / ω o , m = n
T /2 0, m ≠ n
b. ∫
− T /2
sin (nω o t ) sin(mω o t ) dt =
π / ω o , m = n
Análise de Fourier 6
T /2
c. ∫
− T /2
cos(nω o t ) sin( mω o t ) dt = 0
π
∫
T /2
x (t ) cos( mω o t ) dt = a m ∫ cos(mω o t ) cos( mω o t ) dt = a m
T /2
− T /2 − T /2 ωo
2 T /2
T ∫− T / 2
an = x (t ) cos( nω o t ) dt , n = 0, 1, 2,...
(1.11)
2 T /2
bn = ∫ x (t ) sin( nω o t ) dt , n = 1, 2,....
T − T /2
Imaginário
M
ϕ
Real
Chamando:
an − ibn a + ibn a
αn = , α− n = n , αo = o (1.13)
2 2 2
1 T /2
αn = ∫
− T / 2
x (t ) e − inω o t dt (1.15)
T
A série de Fourier pode ter como forma de representação gráfica o que chamaremos
espectro de freqüências de raias. Para construir o espectro associamos a cada
coeficiente complexo αn a freqüência correspondente do termo da série: nωo (rad/seg)
ou fn = nω o/2π. Porém, na forma exponencial, aparecem freqüências negativas que não
têm significado físico, mas apenas utilidade matemática. Associando-se o conceito do
vetor girante , temos que os pares de termos:
α n e i 2πnt / T + α − n e − i 2πnt / T
Imaginário
nω
-nω Real
α-n
onde
1 T /2
∫− T / 2 x(t ) e
− i 2πkt / T
X ( fk ) = dt (1.17)
T
com
∞
x (t ) = ∑ X ( f k )e i 2πkt / T , onde fk = k/T (1.18)
k =− ∞
Exemplo 1
Tomemos, por exemplo uma onda quadrada como mostrada na figura 1.6 (a).
Aplicando a equação (1.17) temos:
1 0 1 T /2
∫− T / 2 ( − A) e ∫0
− i 2πkt / T
X ( fk ) = dt + A e − i 2πkt / T dt
T T
=−
A T
[sin (2πkt / T ) + i cos(2πkt / T )]0− T / 2 +
T 2πk
A T
[sin (2πkt / T ) + i cos(2πkt / T )]T0 / 2
T 2πk
0, k par
= i2 A
− , k impar
πk
+ 1, k ≥ 0
onde sinal( k ) =
− 1, k < 0
Análise de Fourier 9
(a)
A
-A
T
(b)
X(f k)
2A/π
1/T f
(c)
∠ X(fk)
π/2
f
− π/2
Figura 1.6. (a) Onda quadradada. (b) Espectro de amplitudes. (c) Espectro de fase.
+∞ 2
E = ∫− ∞ x (t ) dt
No caso de sinais periódicos, este valor é infinito. Neste caso, pode-se definir a potência
do sinal, ou taxa de variação da energia no tempo:
1 T /2 2
P= ∫
− T / 2
x (t ) dt
T
O teorema da energia para sinais periódicos pode então ser expresso em termos da
potência do sinal.
Análise de Fourier 10
∞
Se x (t ) = ∑ X ( f k )e i 2πkt / T ,
k =− ∞
então
∞
1
∑
T /2
∫− T / 2
2 2
x (t ) dt = X ( fk ) (1.19)
T k =− ∞
1 T /2 1 T /2
∫− T / 2 x(t ) ∫− T / 2 x(t ) x
2 ∗
dt = (t ) dt (1.20)
T T
1 T /2 0, n ≠ m
T ∫− T / 2 e i 2π( n − m ) t / T dt =
1, n = m
donde:
∞ ∞
1
∑ ∑
T /2
∫− T / 2 X ( f n ) X ∗( fn ) =
2 2
x (t ) dt = X ( fn ) .
T n= − ∞ n= − ∞
Transformada de Fourier
1 Na análise de sinais aplicada ao estudo experimental de fenômenos físicos os sinais são sempre reais.
Porém, como muitos dos resultados neste texto valem para o caso geral de sinais complexos, procurar-se-
á manter a generalidade sempre que isto não prejudicar a compreensão.
Análise de Fourier 11
∞
x (t ) = ∫ X ( f ) e i 2πft df (1.21)
− ∞
onde:
∞
X ( f ) = ∫ x (t ) e − i 2πft dt (1.22)
− ∞
~
Este par de transformações lineares, transformada de Fourier direta x (t ) f → X ( f ) ,
~− 1
equação (1.22), e inversa X ( f ) f → x (t ) , equação (1.21) permitem a representação
de um sinal no domínio das freqüências ou no domínio do tempo.
T /2
X ( k∆ f ) = ∆ f ∫ x (t ) e − i 2πk∆ft dt (1.23)
− T /2
e, substituindo em (1.18):
∞
∆f T / 2 x (t ) e − i 2πk∆ft dt e i 2πk∆ft
x (t ) = ∑ ∫− T / 2
(1.24)
k =− ∞
∞ ∞
x(t ) = ∫ ∫ x(t ) e − i 2πft dt e i 2πft df (1.25)
−∞ ∞
−
De (1.25) pode-se tirar o par de transformações das equações (1.21) e (1.22). Este
processo é ilustrado na Figura 1.7.
Análise de Fourier 12
x(t) X(f)
t f
t f
t f
Exemplo 2
Tomemos, por exemplo, a função porta como mostrada na figura 1.8 (a). Aplicando
(1.22) temos:
X(f) =
τ
∫0 A e
− i 2πft
dt =
A
− i 2πf
[ ]
e − i 2πft
τ
0
=
2πf
e e[
iA − iπfτ − iπfτ
− e iπfτ ]
sin (πfτ ) − iπfτ
= Aτ e = Aτ sinc (πfτ ) e − iπfτ
π fτ
donde
Note que a expressão obtida para a fase não é trivial. Pela expressão obtida para X(f)
temos que a fase é dada pela soma da fase correspondente ao sinal da função sinc (0 se
positivo e π se negativo) com a fase da exponencial de módulo unitário, e − iπfτ ; ou
seja, soma-se π à expressão − πfτ sempre que o sinal da função sinc é negativo. A
expressão acima é uma forma elegante de expressar este resultado.
Análise de Fourier 13
x(t)
(a)
τ t
(b) X(f )
Aτ
f
(c) ∠X(f )
180 o
f
o
-180
Figura 1.8. (a) Função porta. (b) Espectro de amplitudes. (c) Espectro de fase
É interessante notar que, como na série de Fourier, para sinais x(t) reais a
transformada de Fourier é, em amplitude, uma função par e, em fase, uma função
ímpar, o que se pode deduzir de:
∞
∫− ∞ x(t ) e
i 2πft
X (− f ) = dt = X ∗ ( f ) (1.26)
Chamada também delta de Dirac ou função delta, δ(t), é uma função generalizada
ou distribuição. Como só utilizaremos neste texto a distribuição delta de Dirac não
cabem maiores comentários sobre a teoria de distribuições. δ(t) é definida tal que:
Análise de Fourier 14
0, t ≠ 0
δ(t ) =
+ ∞ , t = 0
b
∫a δ(t ) dt = 1, a < t < b (1.27)
b
∫a x (t ) δ(t − τ ) dt = x (τ ), a < τ < b
Então, temos que:
~− 1
f
δ( f − fo ) → e i 2πf o t (1.28)
pois, de (1.21):
∞
∫− ∞ δ( f − f o ) e i 2πft df = e i 2πfot
A distribuição δ(t) pode ser melhor compreendida como o limite de uma função porta
Π τ1 / τ (t ) de amplitude 1/τ e duração τ, ou seja, de área unitária (vide figura 1.9).
0, t < 0
τ
Π 1/
τ (t ) = 1 / τ , 0 ≤t ≤τ
0, t > τ (1.29)
δ(t ) = lim Π τ1/τ (t )
τ→ 0
(a) (b)
Π τ(t) δ
(t)
1/τ
τ→ 0
τ t t
Figura 1.9. Distribuição de Dirac e sua representação gráfica. (a) Função porta.
(b) Distribuição.
Note que no exemplo 2 o sinal x(t) = Π τ (t), ou seja , é uma função porta de amplitude
unitária. A partir da propriedade (1.28) podemos obter uma pseudo-transformada de
Fourier de sinais periódicos pois, se x(t) é periódica:
Análise de Fourier 15
∞
x (t ) = ∑ X ( f k )e i 2πkt / T (1.30)
k =− ∞
Exemplo 3
Seja
e i 2πfot − e − i 2πfot
x(t) = sin(2π f0 t) =
2i
X( f ) =
i
[δ( f + f o ) − δ( f − f o )]
2
Analogamente, para
x(t) = cos(2π f0 t)
teríamos
X( f ) =
1
[δ( f + f o ) + δ( f − f o )]
2
Teorema da convolução
Demonstração:
mas temos que, para um deslocamento ao longo do eixo do tempo de uma função
(“shift”):
∞
∫−∞
x (t − τ ) e − i 2πft dt = X ( f ) e − i 2πfτ (1.34)
Exemplo 4
0, t < 0
x(t ) = Π τ (t ) = 1, 0 ≤t ≤τ
0, t > τ
e i 2πfot − e − i 2πfot
h(t) = sin(2π f0 t) =
2i
Análise de Fourier 17
H( f ) =
i
[δ( f + f o ) − δ( f − f o )]
2
1 1
X( f )∗H( f ) = iΠ τ ( f + f o ) − iΠ τ ( f − f o )
2 2
X(f)
x(t)
τ t
f
H(f)
h(t)
-fo fo f
-fo fo f
Exemplo 5
0, t < − τ 2
x(t ) = Π τ (t ) = 1, − τ 2 ≤t ≤τ 2
0, t > τ 2
Análise de Fourier 18
1 ∞
H( f ) = ∑ δ( f − nf o )
T n= − ∞
x(t) X(f)
H(f) f
h(t) t
x(t)*h(t) t X(f)H(f) f
t
f
Teorema da energia
Demonstração:
com t = 0 temos:
∞ ∞
∫−∞
x (τ ) g ( − τ ) dτ = ∫ X ( f )G ( f ) df
−∞
(1.37)
∞ ∞
H ∗ ( f ) = ∫ h ∗ (t ) e i 2πft dt = ∫ g ( − t ) e i 2πft dt (1.38)
−∞ −∞
então:
∞ ∞
∫−∞
x (t ) x ∗ (t ) dt = ∫ X ( f ) X ∗ ( f ) df
−∞
∞
X( f ) = ∫ −∞
x (t ) e − i 2πft dt
então:
∞
x (t ) = ∫ X ( f ) e i 2πft df
−∞
x (t ) = ∫ ∫ x (τ ) e − i 2πfτ dτ
∞ ∞
e i 2πft df
−∞ −∞
mas:
a
∞ a e i 2πft 1 e i 2πat − e − i 2πat
∫e df = lim ∫ e
i 2πft i 2πft
df = lim =
a → ∞ i 2πt
lim
−∞ a→ ∞ − a
− a a→ ∞ πt 2i (1.41)
sin( 2πat ) sin(bt )
= lim = lim
a→ ∞ πt b→ ∞ πt
sin(bt)
πt δ
(t)
b/π
b→ ∞
π/b t t
∞ sin(bt )
∫−∞ πt
dt = 1 , e
∞ sin(bt ) ∞ sin ( bt )
lim ∫ y (t ) dt = y (0) lim ∫ dt = y (0)
b→ ∞ − ∞ πt b→ ∞ −∞ πt
então:
Análise de Fourier 21
sin(bt )
lim = δ(t ) (1.42)
b→ ∞ πt
de onde:
∞
∫e
i 2πf ( t − τ )
df = δ(t − τ )
−∞
e, finalmente:
∞
∫
−∞
x (τ ) δ(t − τ ) dτ = x (t )
Fórmula de Poisson
∑ δ(t +
n= − ∞
nT )
é uma função periódica e como tal pode ser expandida em série de Fourier de
coeficientes (equação (1.17)) :
1 T /2 1
X ( kf o ) =
T ∫
− T /2
δ(t ) e − i 2πkfo t dt =
T
∞
onde fo = 1/T. Note que δ(t) iguala à soma infinita ∑ δ(t +
n= − ∞
nT ) no intervalo (-T/2,
T/2).
∞ 1 ∞ i 2πkt / T
∑ δ( t + nT ) = ∑e (1.43)
n=− ∞ T k =− ∞
∞
∞ 1 ∞
∫ ∑ ∑ δ( f − nfo )
~
δ(τ + nT ) x (t − τ ) dτ ←f → X ( f )
−∞ T n= − ∞
n= − ∞
∑∫
n= − ∞
−∞
x (t − τ ) δ(τ + nT ) dτ = ∑ x (t +
n =− ∞
nT )
∞ ∞
1
∫
−∞
X( f )
T
∑ δ( f −
n =− ∞
nf o ) e i 2πft df =
∞ ∞
1
T
∑∫
n= − ∞
−∞
X ( f ) e i 2πftδ( f − nf o ) df =
∞
1
T
∑
n= − ∞
X ( nf o ) e i 2πnfo t
∞ ∞
T ∑ x (t + nT ) = ∑ X (nf o ) ei 2πnf o t (1.44)
n=− ∞ n=− ∞
Janelas de observação
0, t < 0
x (t ) = x (t ) Π τ (t ), Π τ (t ) = 1, 0 ≤t ≤τ
'
0, t > τ
τ t
-1
ondulações
fo 1/τ f
Figura 1.13. (a) Senóide observada com janela retangular. (b) Sua transformada de
Fourier
sin(πfτ ) − iπfτ 1
X '( f ) = τ e ∗ i[
δ( f + f o ) − δ( f − f o )]
πfτ 2
∞ 1
X ' ( f ) = ∫ Π τ ( f − ζ ) i[δ(ζ + f o ) − δ(ζ − f o )] dζ =
−∞
2
1 1
iΠ τ ( f + f o ) − iΠ τ ( f − f o )
2 2
De forma geral, dada a janela p(t) de transformada P(f) e um sinal x(t) observado
através dela, temos:
Análise de Fourier 24
~
f
x' (t ) = x(t ) p (t ) ← → X ' ( f ) = X ( f ) ∗ P ( f ) (1.45)
∞ sin(πζ τ ) − iπζ τ
X ' ( f ) = ∫ X ( f − ζ )τ e dζ (1.46)
−∞ πζ τ
X(f )
êrro
f1 f2 f
Para atenuar este problema, pode-se utilizar outras formas de janela (figura 1.15),
onde uma diminuição das amplitudes das ondulações laterais é conseguida ao preço de
uma menor precisão na medida da freqüência, pois o “pico” principal fica mais
arrendado.
Análise de Fourier 25
(a)
(b)
(c)
Figura 1.15. Formas de janela e ondulações produzidas. (a) Retangular. (b) Hanning.
(c) Hamming.
τ
0, t < −
2
2 πt τ τ
p (t ) = cos ( ), − ≤t ≤ (1.48)
τ 2 2
τ
0, t >
2
πt 1 1 2πt 1 1 1
cos 2 ( ) = + cos( ) = + e i 2πt / τ + e − i 2πt / τ
τ 2 2 τ 2 4 4
πt
p (t ) = cos 2 ( ) Π τ (t )
τ
Análise de Fourier 26
temos:
∞ 1 1 1
P ( f ) = ∫ + e i 2πt /τ + e − i 2πt /τ Π τ (t )e − i 2πft dt
−∞ 2 4 4
~
e sendo Π τ ( f ) ←f → Π τ (t ) temos finalmente:
1 1 1 1 1
P( f ) = Π τ f − + Π τ ( f )+ Π τ f + (1.49)
4 τ 2 4 τ
Πτ (f ) retangular
P(f ) Hanning
Modulação em amplitude
Consideremos um sinal transitório x(t). Podemos usar este sinal para modular uma
senóide de freqüência fo, ou seja, fazer o produto:
e i 2πfot + e − i 2πfot
m(t ) = x(t ) cos(2πf o t ) = x (t )
2
1 ∞ 1 ∞
M( f ) = ∫ x (t ) e − i 2π( f + dt + ∫ x (t ) e − i 2π( f −
fo ) t fo ) t
dt
2 −∞ 2 −∞
Análise de Fourier 27
M( f ) =
1
[X ( f + f o ) + X ( f − f o )] (1.50)
2
x(t) |X(f)|
t f
|Y(f)|
y(t)
t -fo fo
f
|Z(f)|
z(t) = x(t)×y(t)
t -fo fo f
Exercícios
1.1 Calcular os coeficientes da série de Fourier complexa para uma onda quadrada de
período T e amplitude pico-a-pico A mostrada na figura abaixo:
T t
T/4 T t
A
T/4
x ( t ) h( t ) ⇔ X ( f ) ∗ H ( f )
1.5 Mostrar que a Série de Fourier pode ser aproximada pela expressão:
1 N− 1 − i 2πkn
Xk = ∑ xn e N
N n =0
Análise de Fourier 29
T t
T t
Relações entrada /saída de sistemas lineares 30
CAPITULO 2
y (t ) = L[x(t )] (2.1)
Sistema linear
L[a1 x1 (t ) + a 2 x 2 (t )] = a1 L[ x1 (t )] + a 2 L[ x 2 (t )] (2.2)
para quaisquer a1, a2, x1(t), x2(t), ou seja, o conhecido princípio de superposição
(Figura 2.1)
x1(t ) y1(t )
L
a1 x1(t ) + a2 x2(t ) a1 y1(t ) + a2 y2(t )
L
x2(t ) y2(t )
L
A resposta ou saída não depende de valores futuros da entrada. Isto pode ser
matematicamente representado por:
Equação diferencial
Um sistema linear invariante no tempo pode geralmente ser representado por uma
equação diferencial linear da forma:
d n y (t ) d n − 1 y (t ) dy (t )
an n
+ an− 1 n− 1
+ ..... + a1 + ao y (t ) =
dt dt dt
(2.5)
d m x (t ) d m− 1 x (t ) dx (t )
bm m
+ bm− 1 m− 1
+ ..... + b1 + bo x (t )
dt dt dt
É interessante notar que um sistema linear com N entradas e M saídas pode ser
dividido em NM problemas de uma entrada e uma saída utilizando o princípio de
superposição. Assim, por exemplo, uma sistema linear de 2 entradas e 3 saídas pode ser
subdividido em 6 sistemas lineares de uma entrada e uma saída.
x(t)
∆τ
τi t
y(t)
τi t
fazendo ∆ τ → dτ:
t
y (t ) = ∫ x(τ )h(t −
0
τ ) dτ (2.8)
Como o sistema é causal, a saída y(t) não pode depender de entradas futuras x(τ >
t), ou seja:
∞
y (t ) = ∫
− ∞
x (τ )h(t − τ ) dτ (2.11)
Y ( f ) = X ( f )H ( f )
onde
~
X ( f ) ← f → x (t ); (2.12)
~
Y ( f ) ← → y (t );
f
~
H ( f ) ← f → h (t )
Mas este resultado pode ser obtido por um outro caminho mais rigoroso.
[ ]
y (t , f ) = L e i 2πft (2.13)
[
y (t + τ , f ) = L e i 2πf ( t + τ ) ]
para qualquer τ. Devido à linearidade (2.2):
[ ] [ ]
L e i 2πft e i 2πfτ = e i 2πfτ L e i 2πft = e i 2πfτ y (t , f ) (2.14)
donde:
y (t + τ , f ) = e i 2πfτ y (t , f )
fazendo t = 0:
y (t , f ) = H ( f ) e i 2πft
∫X ( f )e
i 2πft
x (t ) = df
− ∞
∫ X ( f )H ( f ) e
i 2πft
y (t ) = df (2.16)
− ∞
ou seja:
∞
∞ i 2πξ t − i 2πft
Y ( f ) = ∫ X (ξ ) H (ξ ) ∫ e e dt dξ (2.17)
− ∞ − ∞
∫ h (t ) e
− i 2πft
H( f ) = dt (2.19)
− ∞
tempo frequência
x(t) y(t) X(f ) Y(f )
h(t) H(f )
∞
y (t ) = ∫ x(τ )h(t −
− ∞
τ ) dτ
Y ( f ) = H( f ) X( f )
y (t ) = x (t ) ∗ h(t )
Dado que:
dx (t ) ~f
← → i 2πf X ( f ) (2.20)
dt
pois:
dx (t ) d
∞
dt
=
∫
dt − ∞
X ( f ) e i 2πft df
∞
∫ X ( f ) dt (e )df
d i 2πft
=
− ∞
∞
∫( i2πfX ( f )) e
i 2πft
= df
− ∞
podemos fazer a transformada de Fourier dos dois lados da equação (2.5) e usando
(2.20):
[
Y ( f ) a n (i 2πf ) n + a n − 1 (i 2πf ) n − 1 + ..... + a1 (i 2πf ) + ao = ]
X ( f )[b m (i 2πf ) m + bm− 1 (i 2πf ) m − 1 + ..... + b1 (i 2πf ) + b] o
ou seja:
Relações entrada/saída de sistemas lineares 36
Todo sistema linear é real, ou seja, a resposta a uma entrada real é uma saída real:
então:
Tomemos a entrada :
y (t ) = H ( f ) X e i 2πft
H ( f ) = H ( f ) e i∠ H ( f )
ou seja:
y (t ) = Y e i ( 2πft + ∠ H ( f ) ) (2.23)
onde:
Y = H( f ) X (2.24)
Exemplo:
d 2 x (t ) dx(t )
m 2
+ c + k x (t ) = F (t ) (2.25)
dt dt
1
H( f ) = (2.26)
m(i 2πf ) + c (i 2πf ) + k
2
c 1 k
ξ = ; fn = (2.27)
2 km 2π m
1/ k
H( f ) = (2.28)
1 − ( f / f n ) 2 + 2iξ ( f / f n )
1/ k
H( f ) = (2.29)
(1 − γ ) + (2ξ γ) 2
2 2
2ξ γ
∠ H ( f ) = arctan
2
(2.30)
1 − γ
as curvas H(f ) e ∠ H(f ) são mostradas nas Figura 2.4.(b) e (c) respectivamente, para
diferentes valores do coeficiente de amortecimento ξ .
∫ x (t ) e
− st
X (s) = dt; s = σ + iω (2.31)
0
x(t)
(a)
k F(t)
m
c
4 ξ = .05
(b)
ξ = .25
ξ = .5
2 ξ =1
0 1 2 3 4
180
(c) 150 ξ = .05
ξ = .25
100 ξ = .5
ξ =1
50
0
1 2 3 4
f/fn
Y (s )
H (s ) = (2.33)
X ( s)
Filtros
Podemos definir dois tipos básicos de filtros: passa-baixas e passa altas (Figura
2.5.a e Figura 2.5.b). Idealmente estes filtros eliminariam componentes de frequência
superior ou inferior, repectivamente, a uma determinada frequência fc, dita frequência
de corte. Colocados sequencialmente , estes dois tipos básicos de filtros geram outros
dois de larga aplicação: passa-banda e rejeita-banda (Figura 2.6.a e Figura 2.6.b).
x(t) y(t)
h(t)
fc f fc f
Os filtros ideais assim definidos não são físicamente realizáveis. Isto porque:
(a) Para não haver defasagem do sinal, a parte imaginária de H(f ) deveria ser nula,
mas isto implicaria em h(t) ser real par, o que é impossível pois h(t) = 0 para t < 0. Daí
conclui-se que todo tipo de filtro fisicamente realizável defasa.
(b) A condição de h(t) ser causal implica num truncamento que, no domínio das
frequências, significa uma convolução com a transformada de uma janela. Daí conclui-
se que é impossível ter os cantos “cantos vivos” em H(f ).
1Paley, REA, Wiener, N., Fourier Transforms in the Complex Domain, American Math. Soc. Coll. , n.
19, 1934.
Relações entrada/saída de sistemas lineares 40
pode ser zero para todo f de um intervalo”. Esta demonstração estaria fora do escopo
deste texto.
A Figura 2.7, mostra a forma assintótica de H(f ) para um filtro real passa-
baixas. O que caracteriza basicamente um filtro real é a frequência de corte fc, definida
como a frequência correspondente a uma atenuação de 3 dB, e a inclinação da curva de
atenuação em escala logarítmica expressa em dB/década ou dB/oitava. Uma década é o
intervalo entre f a 10f e uma oitava o intervalo de f a 2f no eixo das frequências.
db
3db
0
-20
60db/decada
-40
-60
Outro conceito importante que caracteriza um filtro real é a largura de banda. A largura
de banda tem a propriedade de fazer passar somente parte da potência total cujas
freqüências estão dentro de uma determinada faixa finita.
Relações entrada/saída de sistemas lineares 41
Exercícios
Dado um sistema mecânicos dada pelas equações (2.26) e (2.27) cuja função de
resposta em freqüência (FRF) é conhecida analiticamente, H(f) , pede-se descrever todo
procedimento para calcular a resposta do sistema aos diferentes tipos de sinais
mostrados na figura abaixo utilizando a Transformada de Fourier Discreta (DFT).
1 1
H ( f ) = , k = 1, ξ = 1, 0 ≤ f ≤ 4
k 1 − f + iξ f
2
2. Pede-se apontar também tipo adequado de espectro para cada tipo de sinal de
resposta obtido e um método para obter cada tipo de espectro utilizando a DFT.
x(t)
x(t) y(t)
H(f)
x(t)
x(t) y(t)
H(f)
t
Discretização e transformada de Fourier discreta 42
CAPITULO 3
Para poder fazer uso dos modernos processadores digitais extremamente rápidos
na análise de sinais, é necessário trabalhar com valores discretos, ou seja, é necessário
discretizar ou digitalizar os sinais analógicos. Torna-se então necessário estabelecer
relações entre os sinais discretos e os sinais analógicos dos quais foram obtidos bem
como, na análise espectral, as relações entre suas transformadas.
Seja um sinal x(t) contínuo. A partir dele, tomando valores a intervalos de tempo
∆t, podemos obter um sinal discreto x(n) (Figura 1).
Para o sinal discreto x(n) podemos definir uma transformada de Fourier contínua do
sinal discreto X ( f ) :
∞
X(f ) = ∑ x(n) e
n= − ∞
− i 2πfn∆t
(2)
Discretização e transformada de Fourier discreta 43
x(n)
x(t)
∆t t
1
fa = (3)
∆t
Então:
∞
X ( f + kf a ) = ∑ x(n) e − i 2πfn∆t e − i 2kf n∆t , k inteiro
a
n= − ∞
temos:
X ( f + kf a ) = X ( f ) , k inteiro (4)
Discretização e transformada de Fourier discreta 44
fa / 2 ∞ fa / 2
1 1
fa ∫X ( f ) e df =
i 2πfn∆t
∑
k =− ∞
x (k )
fa ∫e
i 2πf ( k − n ) ∆t
df (5)
− fa / 2 − fa / 2
mas
1, k = n
fa / 2
1
∫X ( f ) e
i 2πf ( k − n ) ∆t
df = δkn = (6)
fa − fa / 2 0, k ≠ n
Podemos interpretar (2) como uma expansão em série de Fourier da função periódica
X ( f ) de coeficientes de Euler-Fourier x(n) dados por (7).
∫X ( f ) e
i 2πfn∆t
x(n) = df (8)
−∞
∞ ( 2 r + 1) f a / 2
x(n) = ∑ ∫X ( f ) e
r = − ∞ ( 2 r − 1) f a / 2
i 2πfn∆t
df (9)
ou:
∞ fa / 2
x(n) = ∑ ∫X ( f +
r = − ∞− f a / 2
rf a ) ei 2πfn∆t ei 2πrf a n∆t df (10)
o que pode ser facilmente obtido por substituição de variáveis, com ξ = f − rf a . Mas:
donde:
Discretização e transformada de Fourier discreta 45
∞
fa / 2
∞
X ( f ) = fa ∑
r=− ∞
X ( f + rfa ) (12)
X(f)
(a)
-fmax fmax
(b)
X(f)
-fa fa
X(f)
(c)
-fa fa f
temos:
Discretização e transformada de Fourier discreta 46
fa f fa
X ( f ) = fa X ( f ); − ≤f ≤ a se fmax ≤ (14)
2 2 2
fa
X ( f ) ≠ fa X ( f ); fmax ≤ (15)
2
∞ fa / 2
1
∫X ( f ) e ∫
i 2πft
x(t ) = df = X ( f ) ei 2πft df (16)
−∞ − fa / 2 fa
∞
fa / 2
1
x(t ) = ∫ ∑ x (k ) e − i 2πk∆t ei 2πft df (17)
fa − f a / 2 k = − ∞
ou ainda rearranjando:
∞ 1 fa / 2
x(t ) = ∑ x (k ) ∫ e i 2πf ( t − k∆t )
df
fa
k=− ∞ − fa / 2
A transformada definida pela equação (2) ainda não é convenienente para obtenção
de um espectro, pois para seu cálculo seriam necessários infinitos valores amostrados
do sinal x(t). Neste item obteremos uma expressão de transformada por soma, análoga a
(2), porém finita, e portanto passível de ser calculada para um sinal físico observado
durante um intervalo de tempo finito.
A partir do sinal x(t) podemos obter um sinal discreto x(n) em intervalos de tempo
∆t, conforme a equação (1).
∞
X (kf o ) i 2πkf o t
x (t ) = ∑
k =− ∞ T
e (19)
onde:
fo = 1 / T
∞ (20)
x (t ) = ∑ x(t +
k=− ∞
nT )
Introduzindo a notação:
e i 2π / N = w N
onde:
∞
x (n) = ∑ x(n +
r =− ∞
rN ) (23)
Discretização e transformada de Fourier discreta 48
Mas x (t ) é uma função periódica de perído T, o que implica que x (n) é periódica de
período N.
onde X ( f ) , dada pela equação (2), é periódica de período fa = 1/∆t. Fazendo f = mfo
em (24) podemos chegar facilmente a:
∞
X[
(m + rN ) fo ]
X (mfo ) = N ∑ (25)
r=− ∞ T
chegamos a:
N− 1 ∞
X[
(m + rN ) f o ] ( m + rN ) n
x (n) = ∑ ∑ wN (27)
m =0 r = − ∞ T
mas como:
w NN = 1, donde w N( m + rN ) n = w Nmn
temos:
N− 1 ∞
X[
(m + rN ) f o ]
x (n) = ∑ w Nmn ∑ (28)
m =0 r =− ∞ T
N− 1 N− 1 N− 1
1
∑
n= 0
w N− nr x (n) =
N
∑∑
n=0 m =0
X (m) w N( m − r ) n
N− 1 N− 1 N− 1
1
∑
n= 0
w N− nr x (n) = ∑ X (m)
m =0 N
∑
n=0
w N( m − r ) n
Então:
N−1
1
∑
m =0
X (m)
N
Nδmr = X (r )
e, finalmente:
N− 1
X (r ) = ∑ x (n) w N− nr (31)
n=0
É evidente que a constante multiplicativa 1/N que aparece na equação (29) poderia
igualmente aparecer na equação (31) e as duas equações continuariam a constituir um
par de transformações igualmente válido.
N− 1
x n = ∑ X r w N− nr ; r = 0, ..., N-1 (33)
r =0
Das equações obtidas e da Figura 3 fica claro que, para obter valores amostrados
da transformada de Fourier de um sinal transitório através da transformada de Fourier
discreta, é necessário que a periodização não introduza distorções no sinal, ou seja:
t > T /2
x (t ) = 0,
t < − T / 2
Discretização e transformada de Fourier discreta 50
e ainda que a discretização seja tal que, sendo fmax a maior frequência contida no sinal
x(t), fa ≥ 2 fmax para que não haja distorção por rebatimento.
Fazendo:
xn = ei 2πfn∆t (34)
N
N−1
sin a
2 eia ( N − 1) / 2
∑e
n=0
ina
=
a
(36)
sin
2
2π
Substituindo a = ( ft − k ) pode-se chegar a:
N
sin (πft )
N − 1
1 iπ ( ft − k )
F (k ) = e N
(37)
N π
sin ( ft − k )
N
x(t) X(f)
(a)
t f
x(n) X(f)
(b)
t -fa fa f
∆t = 1/fa
x(t)
X(kfo)/T
(c)
-T T t f
∆f = 1/T
x(n) X(k)
(d)
-T T t -fa fa f
1
T = N∆t = M = MTo (38)
fo
Discretização e transformada de Fourier discreta 52
ou seja, de modo a que o tempo total sobre o qual é calculada a TFD contenha um
número inteiro de períodos, teremos que F(k) = 1. Isto significa que pela TFD serão
obtidos exatamente valores da série de Fourier (Fig. 4). Para sinais periódicos quaisquer
isto também é verdade pois o produto f T será um número inteiro para cada frequência
contida no sinal.
f0 f
f0 f
Figura 4. Obtenção dos coeficientes de Euler-Fourier a partir da TDF (a) com fo múltipla
de ∆f e (b) com fo não múltipla de ∆f.
Discretização e transformada de Fourier discreta 53
Execícios
Um sinal harmônico é digitalizado para análise espectral usando a DFT. Pede-se
calcular a DFT e comentar o resultado para os casos mostrados nas figuras abaixo. Os
círculos denotam os pontos amostrados.
Caso 1:
1
x [V ]
0 .5
0
t [s ]
- 0 .5
-1
0 1 2 3 4 5 6 7
Caso 2:
1
x [V ]
0 .5
0
t [s ]
-0.5
-1
0 1 2 3 4 5
Caso 3:
Discretização e transformada de Fourier discreta 54
x [V ]
0 .5
0
t [s ]
-0.5
-1
0 1 2 3 4 5 6 7
Caso 4:
x [V ]
0 .5
0
t [s ]
- 0 .5
-1
0 1 2 3 4 5
Algoritmos da transformada de Fourier 55
CAPITULO 4
Decimação no tempo
composta pelos valores amostrados x(t = r∆t) de um sinal do qual se deseja obter a
FFT. Podemos partir esta série em duas outras (base 2) com metade do número de
valores, desde que N seja par:
[1] Cooley, J.W. and Tukey, J.W., Na Algorithm for the Machine Calculation of Complex
Fourier Series, Mathematics of Computation, vol.19, p. 297-301, 1965.
Algoritmos da transformada de Fourier 56
{yr } / yr = x2r N
r = 0,....., −1
{zr } / zr = x2 r + 1
; (2)
2
1 N / 2− 1 N / 2− 1
∑ x 2 r wN + ∑x
− 2 rk
Xk = 2r + 1 wN− ( 2 r + 1) k , k = 0,.., N-1 (3)
N r =0 r =0
rearranjando:
12 N / 2− 1
2 − k N / 2− 1
Xk =
2 N
∑
r =0
y r wN− rk/ 2 +
N
wN ∑ z r wN− rk/ 2
r =0
Xk =
1
2
{ }
Yk + w N− k Z k , k = 0,.., N/2 - 1 (4)
Para obter os N/2 pontos restantes, basta substituir k = k + N/2 na equação (3):
1
− rN N / 2− 1
2 r + 1 N / 2− 1
− N
wN ∑ y r wN / 2 + wN wN ∑
− rk −k
X k+ N / 2 = 2
z r wN− rk/ 2 (5)
N
r =0 r =0
wN− rN = 1; w N− ( 2 r + 1) N / 2 = wN− rN w N− N / 2 = − 1
Substituindo em (5):
X k+ N / 2 =
1
2
{ }
Yk − wN− k Z k , k = 0,.., N/2 - 1 (6)
Yk/2 + Xk
+
Zk/2 Xk+N/2
−k
w N _
{xr }= xo , r = 0 (7)
Temos que a sua TFD é uma série de apenas um elemento igual a xo:
0
X k = ∑ x r wN− kr , k = 0 (8)
r =0
ou seja, Xo = xo. Remonta-se à TFD da série original usando (4) e (6). A Figura 2
ilustra o procedimento para uma série com N = 4.
Algoritmos da transformada de Fourier 58
{Yk} = ½(xo + x2), ½(xo - x2) {Zk} = ½(x1 + x3), ½(x1 – x3)
xo/4 + + Xo
+ +
+
x1/4 + X1
0
w2 _
+
+
x2/4 + X2
0
w4 _
+
+ +
x3/4 X3
-1
w20 _ w4 _
Decimação na frequência
1 N / 2− 1 N− 1
∑ x r wN + ∑x
− rk
Xk = r wN− rk
N r =0 r=N / 2
1 N / 2− 1 N / 2− 1
∑ x r wN + wN ∑
− rk − kN / 2
Xk = x r + N / 2 wN− rk
N r =0 r =0
∑ (x )
N / 2− 1
1
Xk = r + ( − 1) k x r + N / 2 w N− rk , k = 0,.., N-1
N r =0
Fazendo k = 2n (par):
N / 2− 1
X 2n =
2
∑
1
(xr + x r + N / 2 )wN− nr/ 2 , n = 0,.., N/2-1
N r =0 2
e para k = 2n + 1 (ímpar):
Algoritmos da transformada de Fourier 60
N / 2− 1
Chamando:
yr =
1
{x r + x r + N / 2 }
2 N
; r = 0,....., − 1 (9)
1
{
z r = ( x r − x r + N / 2 ) w N− r
2
}
2
temos:
X 2 n = Yn N
; n = 0,....., − 1 (10)
X 2n + 1 = Zn 2
xo/4 + + Xo
+ +
+
x1/4 + X1
w20
_
+
+
x2/4 +
_ w40
X2
+
+
+
x3/4
w4-1 _ w20
_ X3
Economia de memória
valores complexos contém zeros. Vimos ainda que, para sinais reais, a transformada de
Fourier tem parte real par e parte imaginária ímpar. Dada a periodicidade do espectro
obtido via FFT temos que:
X k + nN = X k ; k = 0,....., N − 1 (11)
e:
X N − k = X ∗k ; (12)
Sendo assim, os valores de Xk com k variando de N/2 a N-1 são redundantes, uma vez
que sabemos que (Figura 5):
Re {X k + N / 2 }= Re {X N / 2 − k }
(13)
Im {X k + N / 2 }= − Im {X N / 2 − k }
Xk
Xk
0 8 16 k
N/2 N
yr = x2 r
zr = x2 r + 1 , r = 0,....., N/2-1 (14)
α = y + iz
r r r
∑ (y − iz r )wN− kr/ 2
2
Ak = r
N r =0
ou seja:
Então, processando a TFD da série {αr} obtemos Ak. Porém, de (15) não é imediato
obter Yk e Zk de que precisamos para o cálculo de Xk. Isto porque Yk e Zk são valores
complexos. Usando a simetria da FFT (equação (13)):
X k = X N∗ − k , k = 0, ..., N - 1 (16)
Yk = YN∗ / 2 − k
, k = 0, ..., N/2 - 1 (17)
Z k = Z N∗ / 2 − k
Yk =
1
2
(
Ak + AN∗ / 2 − k )
, k = 0, ..., N/2 - 1 (20)
Zk = −
i
2
(
Ak − AN∗ / 2 − k )
Xk =
1 1
( ∗
Ak + AN / 2− k −
2 2
) (
i
)
Ak − AN∗ / 2− k w N− k , k = 0, ..., N/2 - 1 (21)
2
X0 =
1
(Y0 + Z 0 )
2 (22)
= (Y0 − Z 0 )
1
X N /2
2
Y0 = Re ( A0 )
(23)
Z 0 = Im ( A0 )
1 1
∆f = = (24)
T N ∆t
cos(2πnfo∆t)
Re Re
-f‘a/2 f‘a/2
f´a
Filtro
anti-aliasing
x(t) FFT Xk
x(t) f´a = fa/Z
-fa/2 fa/2
CAD
fa
Filtro
Filtro
anti-aliasing
anti-aliasing
Im Im
-f‘a/2 f‘a/2
f´a
-sin(2πnfo∆t)
∆f
∆f ' = (25)
Z
Exemplo
0.5
Sinal original
-0.5
-1
0 0.005 0.01 0.015 0.02 0.025
t [s]
0.5
Espectro do sinal original
0.4
0.3
0.2
0.1
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500
f [Hz]
Para realizar um ZOOM em torno de 2000 Hz, escolhe-se a faixa entre 500 Hz a 4646
Hz e representa-se com 2048 pontos que é metade número de pontos do espectro
original (Figura 8). Pode-se observar também o desaparecimento do ruído de baixa
frequência.
Algoritmos da transformada de Fourier 66
-0.5
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
t [s]
0.8
espectro senoZ
0.6
0.4
0.2
0
500 1000 1500 2000 2500 3000 3500 4000 4500 5000
f [Hz]
Analisadores de Fourier
Processador da TFD
Monitores
X(f)
x(t)
Processador
CAD
-fa/2 fa/2 FFT
Monitor
Filtro
anti-rebatimento
N
1
ϕ x ( t ) = lim
2
N→ ∞ N
∑ x k2 ( t )
k=1
1 T
R xx ( k , τ ) = lim ∫ x k ( t ) x k ( t + τ )dt
T→ ∞ T 0
N
1
R xx ( t , τ ) = lim
N→ ∞ N
∑ xk ( t )xk ( t + τ )
k=1
C xx ( τ ) = lim ∫ ( x( t ) − µ x )( x( t + τ ) − µ x )dt
1 T
T→ ∞ T 0
C xx ( τ ) = R xx ( τ ) − µ 2x
1
( )
T
( ) ( )
e( τ , β ) = lim ∫ [x( t ) − β y( t + τ )] dt
1 T 2
T→ ∞ T 0
∂e
= 0
∂β
pressão de β
1 T
x( t ) y( t + τ )dt R ( τ )
T → ∞ T ∫0
lim
β= =
xy
1 T 2 ϕ 2y
y ( t + τ )dt
T → ∞ T ∫0
lim
xy (τ )
(1 − )
2
R
2
e min (τ ) = ϕ x 1 −
=ϕ 2
ρ xy
2
(τ )
ϕ x ϕ y
2 2 x
R2
xpresso por
µ 2x − σ 2x ≤ R xx ( τ ) ≤ µ 2x + σ 2x
σ = lim ∫ ( x( t ) − µ x ) dt = ϕ 2x − µ 2x
2 1 T 2
x
T→ ∞ T 0
Espectral de Potência
1
f
∆f
x(t,f,∆ f)
( f 1 , f 2 ) = ∫f 1 G xx(1) ( f )df
f2
ϕ 2
x
1 q
S xx( 2 ) ( f ) = lim lim ∑k = 1 X k ( f , T )
2
T → ∞ q → ∞ qT
+∞
S ( 3)
xx ( f ) = ∫− ∞ R xx ( τ ) e − i 2 πfτ dτ
+∞
S xy ( f ) = ∫ R xy ( τ ) e − i 2 πfτ dτ
−∞
Sxx(f)
Gxx(f)
1 T 2 1 +∞ 2
ϕ ( k ) = lim ∫ x k ( t )dt = lim ∫ x k ( t , T )dt
2
x
T→ ∞ T 0 T→ ∞ T − ∞
+∞ +∞
( t , T )dt = ∫ ( f ,T )
2
∫−∞
x k2
− ∞
X k2 df
1 +∞ 2
ϕ ( k ) = lim ∫ X k ( f , T ) df
2 2
x
T→ ∞ T − ∞
1 +∞ 2
ϕ ( k ) = 2 lim ∫ X k ( f , T ) df
2 2
x
T→ ∞ T 0
1 +∞
ϕ ( k , f 0 , ∆ f ) = 2 lim ∫ H ( f ) X k ( f , T ) df
2 2 2 2
x
T→ ∞ T 0
f0 + ∆ f 2
ϕ 2
x ( f0 ,∆ f ) = ∫
f0 − ∆ f 2
G xx(1) ( f )df
lui-se que
q
1
∑ ( )
2
Gxx ( f ) = 2 lim lim
(1)
X 2
k f , T ≡ 2 S (2)
xx ( f )
T → ∞ q → ∞ qT
k=1
S xy ( f , T , k ) = X k ( f , T )Yk ( f , T )
~ 1 *
T
q
S xx ( f ) = lim lim ∑ S xx ( f , T , k )
( 2) 1 ~
T → ∞ q→ ∞ q
k=1
T α T
-T
1 T
S xy ( f , T , k ) =
~ 0
∫− T T ∫− τ k k
− i 2 πfτ
x ( α ) y ( α + τ ) d α e dτ +
T 1 T− τ
∫0 T ∫0 k
− i 2 πfτ
x ( α ) y k ( α + τ ) d α e dτ
1 T 1 q
S xy ( f , T ) = ∑k =1 k k
~ 0
∫− T T ∫− τ qlim
− i 2 pfτ
x ( α ) y ( α + τ ) d α e dτ
→ ∞ q
1 T T+ τ T− τ
T
∫− τ dα = T = T ; τ ≤ 0
1 T− τ T− τ T− τ
T
∫0
dα =
T
=
T
; τ ≥ 0
queríamos demonstrar,
S xy( 2 ) ( f ) = S xy( 3) ( f )
S xx( 2 ) ( f ) = S xx(3) ( f )
e utiliza um filtro passa banda analógico na análise dos sin
nteressante na aplicação de equipamentos e técnicas digitais
dição, que utilizam algoritmos discretos. A definição 3 é
a investigações analíticas, que envolvam manipulações simbóli
Densidade espectral de potência via TFD 73
CAPÍTULO 6
( )
X k f = r T , T = TX r( k ) ; r = 0, N − 1. (1)
N− 1
1
Xr =
N
∑
n= 0
x n w N− nr ; r = 0,..., N − 1
da série:
( )
x n( k ) = x k t = n T N ; n = 0, N − 1. (2)
Sxx f = r T ≅( 1 q
∑
qT k = 1
)
TX r( k )
2
; r = 0,N -1. (3)
ou, finalmente,
Sxx ( f = T ≅
r )
1 1 q
∑
∆ f q k= 1
X r( k )
2
; r = 0,N -1. (4)
S xy ( f = T ≅
r )
1 1 q (k ) * ( k )
∑ X r Yr ; r = 0, N - 1.
∆ f q k= 1
(5)
Densidade espectral de potência via TFD
74
T− τ
S xy ( f , T ) = Rxy ( τ ) e − i 2 π fτ dτ
~
∫
T
− T T
expressa a aproximação da DEP via TFD. Esta aproximação convergirá para o valor exato
da DEP (que é uma abstração matemática para sinais obtidos experimentalmente) na medida
em que T → ∞ e q → ∞ . Cabe, portanto, investigar a precisão com que a expressão (4)
aproxima a DEP para T e q finitos. Uma discussão mais aprofundada deste tema está fora do
escopo deste texto, porém algumas diretrizes conceituais e considerações de ordem prática
serão feitas a seguir.
A equação (51) do capítulo (4) deixa claro que a DEP obtida a partir da transformada
de Fourier finita corresponde à transformada da função de autocorrelação (caso em que
~
x ≡ y em S xy ( f , T ) ) observada através de uma janela triangular dada pela expressão
T− t
; − T≤ t≤T
w (t ) = T .
0; caso contrário
Dado que a expressão (4) pode ser entendida como uma implementação da equação
1 q *
S 2
xy ( f ) = lim lim
T → ∞ q → ∞ qT
∑k = 1 X k ( f , T ) Yk ( f , T ) ,
onde a TFF é calculada a partir da TFD, pode-se concluir que a DEP estimada via TFD é
distorcida de duas formas:
T − τ − i 2 π fτ
∫
T
W(f ) = e dτ (7)
− T T
T− τ
W ( f ) = 2∫ cos( 2 π fτ ) dτ = T[sinc(π fτ )]
T 2
(8)
0 T
Janela de Hanning
Aplicando a janela de Hanning depende pela equação (1.48), numa amostra do sinal
aleatório discretizado x n(k ) , n = 0,..,N-1, temos o sinal janelado, que é dado por
x n( k ) = x n( k ) hn , onde hn é a janela discretizada, dada por:
1 1 in 2π / N 1 − in 2π / N 1 1 n 1 − n
hn = − e − e = − wN − wN
2 4 4 2 4 4
1 N − 1 ( k ) − nr 1 N − 1 ( k ) − n ( r − 1) 1 N − 1 ( k ) − n ( r + 1)
X r( k ) = ∑ xn w N − 4 ∑n = 0 xn w N − 4 ∑n = 0 xn w N
2 n= 0
de onde
Densidade espectral de potência via TFD
76
1 1 1
X r( k ) = X r − X r − 1 − X r+ 1 (10)
2 4 4
2 1 q
∑ X r(k )
2
Gr = (11)
∆ f q r= 1
2 1 q 1 (k ) 1 ( k ) 2 1 (k ) 2
∑ Xr
2
Gr ≅ + X r− 1 + X r + 1 + termos cruzados (12)
∆ f q k= 1 4 16 16
Considerando que a média dos termos cruzados se anulam num sinal aleatório, tem-se:
2 1 q 1 (k ) 1 (k ) 2 1 (k ) 2
∑ Xr
2
Gr ≅ + X r− 1 + X r+ 1
∆ f q k= 1 4 16 16
de onde,
1 1 1
Gr ≅ Gr + Gr − 1 + Gr + 1 (13)
4 16 16
3
Gr ≅ Gr (14)
8
N− 1
~ 1
Sk =
N
∑
r= 0
Rr w N− kr (16)
~ 1 N− 1
1 N− 1
Sk =
N
∑
r= 0 N
∑
s= 0
x s y s + r w N− kr
N− 1 N− 1
1 1
=
N
∑
s= 0
x s w Nks
N
∑
r= 0
y s + r w N− k ( s + r)
(17)
o que implica:
N− 1 N− 1
~
Rr = ∑
k= 0
X k∗ Yk W Nkr = ∑
k= 0
S k W Nkr (19)
Por exemplo, considere que x(t) e y(t) foram adquiridos com f a = 1 / ∆ t e número de
pontos 2N. Zerando N pontos do sinal x(t) (Figura 1) tem-se:
1 2N − 1
1 N− 1 2N − 1
Rr =
2N
∑s= 0
xs ys+ r = ∑ xs y s+ r +
2 N s= 0
∑
s= N
xs y s+ r
(20)
1 ˆ
Rr = Rr ; r = 0, N-1 (21)
2
onde
N− 1
1
Rˆr =
N
∑
s= 0
xs ys+ r (22)
x(t)
t
0
N-1 2N-1
y(t)
t
0
N-1
2N-1
Quando não se deseja perder metade dos pontos adquiridos como é feito neste caso
(ainda que os N pontos restantes possam ser utilizados para estimar valores da função de
Densidade espectral de potência via TFD
79
correlação cruzada para τ negativo, zerando então os N primeiros pontos de x), pode-se
apenas acrescentar N zeros a cada sinal, adquirido com N pontos desta vez:
xs = 0; s≥ N
ys = 0; s≥ N
N− r ˆ
Rr = Rr (24)
2N
ou seja, um estimador não circular é obtido da TFD inversa dos sinais com N zeros
2N
adicionados fazendo Rr ; r = 0, N – 1.
N− r
É interessante comentar, neste ponto, que a cornvolução calculada pela TFD inversa
também sofre do problema de circularidade. É facil mostrar, por analogia à correlação, que
a convolução calculada pela TFD inversa.
N− 1
Γr = ∑
k= 0
X k Yk W Nkr (25)
também é circular;
N− 1
1
Γr =
N
∑
s= 0
xs y r − s (26)
com yr-s = yr-s+N, se r-s < 0. Para evitar o erro de circularidade da convolução discreta
computada pela TFD, os mesmos procedimentos utilizados para a correlação podem ser
aplicados. Por exemplo, basta zerar N pontos do sinal x:
N− 1 2N − 1
1
Γr =
2N
∑
s= 0
xs y r − s + ∑
s= N
xs y r − s (27)
1 ˆ
Γr = Γ r ; r = 0, N - 1 (28)
2N
onde Γˆr é o estimador não circular da correlação entre x(t) e y(t). Cabe notar que:
∞
( x ∗ y)τ = ∫ x(t ) y(τ − t )dt (29)
− ∞
donde
N− 1
( x ∗ y ) τ = r∆ t ≅ ∑ x s y r − s ∆ t = C r N∆ t (30)
s= 0
4. Correlação:
5. Convolução:
x ∗ y (τ = r∆ t ) ≅ 2 N∆ t ITFD[ XY ] (32)
Densidade espectral de potência via TFD
81
Partindo da integral da convolução para sistemas causais (h(t) = 0, t < 0), pode-se
escrever:
∞
y (t ) = ∫ h(ξ ) x(t −
0
ξ ) dξ (33)
∞ ∞ T
1
= ∫ ∫ h(ξ )h(η ) lim
0 0
T→ ∞ T ∫0
x(t − ξ ) x(t + τ − η )dt dξ dη
∞ ∞
= ∫ ∫ h(ξ )h(η ) R
0 0
xx (τ − η + ξ )dξ dη (34)
já que:
T T− ξ
∫ x(t −
0
ξ ) x(t + τ − η )dt = ∫ x(θ )x(θ
− ξ
+ τ − η + ξ )dθ , com t - ξ = θ .
∞ ∞ ∞
= ∫ ∫ h(ξ )h(η ) ∫ R
0 0 − ∞
xx (τ − η + ξ ) e − i 2π fτ dτ (35)
∞ ∞
∞ i 2π fη
∫0 ∫0 − ∫∞ Rxx (γ ) e dγ e dη e dξ
− i 2π fγ − i 2π fξ
S yy ( f ) = h (ξ ) h (η ) (36)
Densidade espectral de potência via TFD
82
S yy ( f ) = H ( f ) H ∗ ( f ) S xx ( f ) (38)
ou seja
2
S yy ( f ) = H ( f ) S xx ( f ) (39)
S xy ( f ) = H ( f ) S xx ( f ) (40)
e fazendo y(t) y(t + τ ), porém sem substituir y(t) de (33), é imediato chegar a:
S yy ( f ) = H ( f ) S yx ( f ) (41)
∞
R yy = ∫ h(ξ )R
0
yx (τ − ξ ) dξ = h(t ) ∗ R yx (t ) (43)
As mesmas relações entre espectros de entrada e saída podem ser obtidas partindo-se
da transformada de Fourier finita dos sinais de entrada e saída.
Y=HX (46)
E, multiplicando por X*
X* Y = H X* X (47)
Y* Y = H Y* X (49)
Aplicando a média:
Cabe notar que, quando resolvendo o problema inverso, onde procura-se determinar a
FRF a partir dos sinais x(t) e y(t) aleatórios medidos, denominam-se de Hˆ1 e Hˆ2 os
estimadores obtidos das equações (40) e (41):
S xy ( f )
Hˆ1 ( f ) = (51)
S xx ( f )
S yy ( f )
Hˆ2 ( f ) = (52)
S yx ( f )
R xy ( τ ) ≤ R xx ( 0 ) R yy ( 0)
2
R xy ( 0) ≤ R xx ( 0 ) R yy ( 0)
2
(53)
já que ∆ f pode ser feito tão pequeno quanto se queira. Da mesma forma:
R yy ( 0) ≅ G yy ( f 0 )∆ f (55)
R xy ( 0 ) ≅ G xy ( f 0 )∆ f (56)
G xy ( f 0 ) ≤ G xx ( f 0 ) G yy ( f 0 )
2
(57)
que é válida para qualquer f0. A desigualdade é obviamente válida também para as DEP’s
“double sided”, i.e.;
S xy ( f ) ≤ S xx ( f ) S yy ( f )
2
(58)
A partir da relação (58) podemos definir uma função da frequência que chamaremos
função de coerência ordinária:
S xy ( f )
2
γ xy
2
( f)= (59)
S xx ( f ) S yy ( f )
Densidade espectral de potência via TFD
85
0 ≤ γ 2xy ≤ 1 (60)
No caso de y(t) e x(t) serem ligados por uma relação linear, que pode ser representada por
uma FRF, H(f), tem-se:
donde,
2
H ( f ) S xx ( f)
2
γ 2
( f)=
S xx ( f ) S yy ( f )
xy
e substituindo (39):
2
H ( f ) S xx
2
(f)
γ xy
2
( f)= = 1 (61)
S xx ( f ) H ( f ) S xx ( f )
2
ou seja, se x(t) e y(t) têm uma relação linear , a coerência é unitária. Portanto, pode-se
interpretar a coerência como um coeficiente de correlação no domínio da freqüência.
Seguindo a modelagem de ruído proposta por Bendat e Piersol [3,4], imagine-se que
ruídos de medição Gaussianos aditivos independentes contaminem a entrada e a saída de
um sistema linear, como mostrado na Figura 2.
x(t) u(t)
h(τ )
v(t) y(t)
w(t) z(t)
Na Figura 2, tem-se:
2
G xx ( f ) = 2 E[ X ∗ X ] = E[U ∗ U + W ∗ W + U ∗ W + W ∗ U ]
∆f
donde
G xx ( f ) = Guu ( f ) + G ww ( f ) (65)
G yy ( f ) = Gvv ( f ) + G zz ( f ) (66)
G xy ( f ) = Guv ( f ) (67)
Note-se que o espectro cruzado não é afetado pelo ruído Gaussiano aditivo.
Observe-se, agora, a influência do ruído nos estimadores Hˆ1 e Hˆ2 dados pelas
equações (51) e (52):
G xy ( f ) Guv
Hˆ1 ( f ) = = ≤ H( f ) (68)
G xx ( f ) Guu + G ww
G yy ( f ) Gvv + G zz
Hˆ2 ( f ) = = ≥ H( f ) (69)
G xy ( f ) Gvu
donde os estimadores Hˆ1 e Hˆ2 são limites inferior e superior ao valor de H(f) quanto ao
ruído de medição. Cabe notar que a equação anterior não é geralmente verificada devido
aos erros de leakage, janelamento triangular dos espectros, erro estatístico de estimação
dos espectros e ruídos não independentes ou não Gaussianos.
Existem outros estimadores da FRF, porém Hˆ1 e Hˆ2 são os mais comumente
utilizados. O estimador Hˆ1 deve ser utilizado quando o ruído contamina principalmente o
sinal de resposta, enquanto Hˆ deve ser utilizado quando o ruído contamina o sinal de
2
Yi ( f ) = ∑ j
Hij ( f ) X j ( f ) (71)
{ Y ( f ) } = [H ( f ) ]{ X ( f ) } (72)
{ Y }{ X }H = [H ]{ X }{ X }H (73)
[G ] = [H ( f ) ][G xx ] (74)
ou
Densidade espectral de potência via TFD
88
[
[G]ij = E Yi X ∗j ]
e
[
[G xx ]ij = E X i X ∗j ]
A solução para a matriz de FRFs é dada por:
Y1 * * X 1*Y1 X 2*Y1 G X1 Y1 G X 2Y 1
{ }
X1 X 2 = * = G G X 2Y2
(75)
Y2 X 1 Y2 X 2*Y2 X 1Y 2
[Hˆ ] = [G ][G
1 yx xx ]− 1 (76)
onde a inversa deve ser entendida como uma expressão formal da solução, que pode ser
obtida de forma numérica mais eficiente pela solução do sistema linear dado por (74) por
decomposição (geralmente método LU de Gauss).
Um estimador mais genérico, que permite minimizar os erros na entrada e na saída e
que pode incorporar o conhecimento que se tenha a priori do ruído presente, é o estimador
denominado Hˆv . Será apresentada aqui uma formulação não rigorosa que permite
implementar o estimador e investigar algumas de suas propriedades.
Definindo um erro total, no domínio da freqüência, como sendo:
N = H X –Y (77)
[ ] [
G NN = E NN H = E YY H − YX H H H − HXY H + HXX H H H ] (78)
obtém-se:
G NN = GYY − GYX H H − HG XY + HG XX H H
GYY GYX − I
G NN = [I M
H ] = Q H G AAQ
G XX H H
(79)
G XY
[
onde A H = Y H M ]
X H . A partir daqui existem pelo menos duas maneiras de chegar ao
estimador Hˆ .
v
Densidade espectral de potência via TFD
89
G NN = λ [P ] (80)
G AA = G ZZ + G NN (81)
G AAQ = G ZZ Q + G NN Q = G NN Q
Seja:
V
Z=
U
[ ]
G zz = E Z Z H =
[
E VV H ] E[VU ] =
H
GVV GVU
então
E UV[H
] E[UU ]
H G
UV GUU
(82)
− I
com Q= H
H
temos que:
V = HU ; VV H = HUV H
transpondo e conjugando:
VV H = VU H H H
[ ] [ ]
E VV H = E VU H H H ⇒ GVV = GVU H H
VU H = HUU H
transpondo e conjugando:
UV H = VU H H H
[ ] [ ]
E UV H = E UU H H H ⇒ GUV = GUU H H
E pode-se escrever:
G AAQ = λ [ P ]Q (86)
ou
[ P ] − 1 G AAQ = λ Q
Como o objetivo é minimizar GNN com uma dada estrutura [P], deve-se minimizar λ . Além
disso, a equação acima é um problema de autovalor da matriz [P]-1GAA, conhecida. A
solução consiste, então, em obter os autovetores associados aos menores autovalores de
[P]-1GAA e normalizá-los de forma a ter uma matriz identidade negativa na parte superior da
matriz Q.
{ q}H G AA { q}
min = λ min (87)
q { q}H { q}
onde
G AA { q} = λ { q}
ou seja, λ é um autovalor da matriz GAA. Como o vetor {q}, que é uma coluna da matriz Q,
está normalizado de forma que suas primeiras N0 linhas são uma coluna da matriz
identidade negativa, minimizar GNN significa tomar como solução os autovalores associados
aos menores autovalores [5]. Desta forma, a solução é a mesma que na formulação anterior
Densidade espectral de potência via TFD
91
quando [P] = I, ou seja, nenhuma informação a priori existe para a estrutura de erros. Isto
equivale a dar o mesmo peso aos erros na entrada e na saída.
∂
Sabendo que { q}H [A]{ q} = 2[A]{ q}, se [A] = [A]H
{
∂ q}
H
=
( H
) (
∂ { q} [A]{ q} 2 { q} { q} [A]{ q} − 2 { q} [A]{ q} { q}
H
)= 0
( )
Então
∂ { q} { q}H { q} { q}H { q}
2
Implica em
{ q}H [A]{ q}
[A]{ q} = { q}
{ q} { q}
H
(88)
CAPÍTULO 7
Ao invés de modelar o sinal como uma série de Fourier, podem-se adotar outros
modelos de séries ortogonais ou ainda modelos ditos paramétricos, nos quais o sinal
aleatório é obtido de um ruído branco. Neste últimos supõe-se que, extraindo de um sinal
aleatório toda a informação nele contida, resta um ruído perfeitamente alaeatório, ou seja,
o ruído branco. Assim, discretizando x(t) com fa constante, pode-se escrever para um
destes modelos paramétricos:
p
xn = − ∑ax
s =1
s n− s + n n , n = 0,...., N − 1 (1)
onde nn é o resíduo após caracterizar-se x n = x(t = n∆t ) pelos seus p valores em instantes
passados xn-s; s = 1, p. Este modelo é denominado autoregressivo de ordem p. Ele é
caracterizado por p coeficientes as; s = 1, p.
Procuram-se os valores de as e a ordem p que tornam nn, com n variando, uma série
aleatória branca, tal que:
Rr = ψ x2δr (2)
1, r = 0
δr = (3)
0, r ≠ 0
S nn ( f ) = ψ n2 ∆t = cte. (5)
pois,
Modelo AR 101
fa / 2
ψ = ∫S ( f )df = S nn f a ⇒ S nn = ψ n2 ∆t
2
n nn
− fa / 2
p N − 1− s
1
N k = ∑ a s w N− ks ∑x q w N− nq (9)
s =0 N q= − s
ou seja
p
N k = X k ∑ a s e − i 2πks / N (10)
s =0
∑ae
s =0
s
− i 2πks / N
S nn (k∆f )
S xx (k∆f ) = 2
(12)
p
∑aes =0
s
− i 2πks / N
A equação (12) mostra que a DEP obtida pela TFD é equivalente à obtida
determinando um modelo AR e computando o lado direito da equação (12). Entretanto,
por hipótese tem-se que:
S nn ( f ) = ψ n2 ∆t
~ ψ n2 ∆t
S xx ( f ) = 2
(13)
p
∑ae
s =0
s
− i 2πks / N
onde, agora, f pode voltar a ser uma variável contínua, podendo-se interpretar (13) como
uma interpolaçãom entre os pontos de S xx (k∆f ) computados.
2
O fato de substituir E[ N k ] / ∆f por uma constante ψ n2 ∆t diminui, na prática, o erro
~ ~
estatístico em S xx ( f ) , suavizando a curva de S xx ( f ) . Por esta razão, o estimador da DEP
obtido pela equação (13) é preferido quando não se dispõe de sinal suficiente para fazer um
grande número de médias na aproximação da esperança matemática.
p
E[ x n , x n+ k ] = Rxx (k ) = − ∑ a E[ x
s =1
s n+ k − s x n ] + E[n n+ k x n ] (14)
p
R xx (k ) = − ∑aR
s =1
s xx (k − s ) (15)
que são denominadas Equações de Yule – Walker. Este sistema linear de equações pode ser
resolvido dada uma ordem p. Existem implementações recursivas, como Levinson-Durbin
[5], que facilitam aumentar progressivamente a ordem do modelo AR.
N + p + 1
FPE = σ
N − p − (17)
1
2( p + 1)
AIC = ln(σ ) + (18)
N
Cabe notar que a matriz da equação (16) é uma matriz de Toeplitz [6] pois todas as
diagonais são compostas por elementos iguais. Além disso, ela é simétrica já que
R xx (τ ) = R xx (− τ ) . Portanto, esta matriz pode ser formada a partir do vetor
{R xx (0), R xx (1),L , Rxx ( p − 1)}.
• Computar R xx (r )
• Computar {a r }e ψ 2
n
Para computar ψ 2
n pode-se usar a equação (7) e, após calcualr nn , obter a média de
nn2 ; n = 0, N − 1 .
Modelo AR 104
p p
E[nn nn + k ] = ∑ ∑ aa i j E[ x n− i x n + k − j ] (19)
i =0 j =0
p p
ψ 2
n =∑ ∑ aa i j Rxx (i − j ) (20)
i =0 j = 0
Minimizando ψ 2
n vem:
∂ψ n2 p
= 0 ⇒ 2∑ a j Rxx (i − j ) = 0 (21)
∂ai j =0
∑a j =0
j R xx (i − j ) = − R xx (i ) (22)
A forma como chegamos à expressão da DEP via modelo AR não é usual. Ela tem a
vantagem de deixar clara a diferença entre a DEP calculada via TFD (periodograma) e a
DEP calculada via modelo AR (máxima entropia).
A maneira usual, utilizada por Akaike, pode ser exposta da seguinte forma:
p p p p
nn nn + l = ∑ as xn − s ∑ ar xn + l − r = ∑ ∑aax x
s r n− s n+ l − r
s =0 r =0 s=0 r =0
fa / 2
Rnn (l ) = ∫S
− fa / 2
nn ( f )ei 2πfl∆t df (24)
e
fa / 2
Rxx (l ) = ∫S
− fa / 2
xx ( f )ei 2πfl∆t df (25)
i 2πfl∆t
fa / 2 fa / 2 p p
∫S nn ( f )e ∫ ∑ s
∑ a r e − i 2πfr∆t
i 2πfl∆t i 2πfs∆t
df = e a e S xx ( f )df
− fa / 2 − fa / 2 s =0 r=0
Note-se que o segundo somatório é nada mais que o complexo conjugado do primeiro, e,
portando:
fa / 2 fa / 2 p 2
∫S nn ( f )e i 2πfl∆t
df = ∫e
i 2πfl∆t
∑ ae
s =0
s
− i 2πfs∆t
S xx ( f )df (26)
− fa / 2 − fa / 2
p 2
S nn ( f ) = S xx ( f ) ∑ as e − i 2πfs∆t
s =0
ou, formalmente:
S nn ( f )
S xx ( f ) = 2
(27)
p
∑ae
s =0
s
− i 2πfs∆t
[3] Bendat, J.S. and Piersol,AG., Engineering Aplications of Correlation and Spectral
Analysis, New York: John Wiley & Sons, 1980.
[4] Bendat, J.S. and Piersol,AG., Random Data: Analysis and Measurement Procedures,
New York: Wiley Interscience, 1971.
[5] Marple, S.L., Digital Spectral Analysis with Applications, Eglewood Cliffs: Prentice-
Hall, 1987.
[7] Newland, D.E., An Introduction to Random Vibrations, Spectral and Wavelet Analysis,
3rd. Edition, Singapure: Longman, 1993.
[8] Akaike, H., Parzen, E. (Editor), Tanake, K. (Editor), Selected papers of Hirotuyu
Akaike, Springer Verlag, 1998.
Tipos de sinal e a sua representação espectral 107
CAPÍTULO 8
Sinal transitório
Sinal periódico
Se o sinal é periódico, sua potência (energia por unidade de tempo) em UE2 para uma
dada freqüência múltipla (ou harmônica) da freqüência fundamental é simplesmente o valor
absoluto do coeficiente da série de Fourier (também chamado coeficiente de Euler-Fourier)
elevado ao quadrado. A conservação da energia, neste caso, estabelece que a soma dos
quadrados dos valores absolutos dos coeficientes da série de Fourier é igual ao valor médio
Tipos de sinal e a sua representação espectral 108
Apesar de não ser necessário, em princípio, fazer médias para estimar o espectro de sinais
determinísticos (transitórios e periódicos), usualmente fazem-se médias para verificar a
repetibilidade do resultado e para filtrar o ruído de medição, que sempre está presente em
sinais obtidos experimentalmente. No caso de sinais aleatórios, é imperativo fazer médias, e
o número de médias determina a precisão do espectro estimado. O erro estatístico na
amplitude da PSD é proporcional ao recíproco da raiz quadrada do número de médias [3].
No caso de sinais determinísticos, esta é a taxa de atenuação do ruído aleatório aditivo
presente no sinal que se consegue fazendo médias. Portanto, o procedimento usado para
estimar um espectro utilizando a DFT consiste em calcular a DFT dos blocos de dados
adquiridos (com ou sem sobreposição) e fazer a média dos quadrados dos valores
absolutos dos coeficientes da DFT. O resultado obtido já é o PS. A ESD pode ser estimada
multiplicando o resultado por T e dividindo por ∆f, o que é equivalente a dividir por ∆f2,
enquanto que a PSD é obtida dividindo o resultado por ∆f. Portanto, fica evidente que os
resultados obtidos para os três tipos de espectro serão numericamente diferentes para um
mesmo sinal e que vão ser afetados de forma diferente quando a resolução em freqüência
∆f é alterada.
Exemplo 1
Sinal de pressão sonora de voz dizendo "tá" medido com um microfone de placa de
som de computador e adquirido com freqüência de amostragem de 11025 Hz e 8 bits de
quantização. A energia do sinal obtida integrando a amplitude do sinal ao quadrado é igual à
integral da ESD e vale 2.2×10-4 V2s.
0.2
0.1
[V]
0
-0.1
-0.2
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
-6 tempo [s]
x 10
2
[V^2*s/Hz] 1.5
0.5
0
0 1000 2000 3000 4000 5000 6000
freqüência [Hz]
%Programa em MATLAB (The Mathworks, Inc.) v. 4.2 para gerar a Figura 1 (o arquivo ta.wav
%pode ser gerado por qualquer programa de gravação de placa multimidia para PC):
[y,Fs]=wavread('ta.wav');
y=y-mean(y);
y=y/1000;
N=4096;
t=(0:4095)/Fs;
T=4096/Fs;
f=(0:(N/2-1))*Fs/N;
Y=y(351:N+350);
S=fft(Y)/N;
subplot(211),plot(t,Y)
xlabel('tempo [s]')
ylabel('[V]')
subplot(212),plot(f,2*abs(S(1:N/2)*T).^2)
xlabel('freqüência [Hz]')
ylabel('[V^2*s/Hz]')
sum(Y.^2)/Fs
sum(2*abs(S(1:N/2+1)*T).^2)/T
Tipos de sinal e a sua representação espectral 111
Exemplo 2
Sinal de pressão sonora de voz cantando a nota musical "la" medido com um microfone
de placa de som de computador e adquirido com freqüência de amostragem de 11025 Hz e
8 bits de quantização. O valor médio quadrático do sinal é igual à soma dos valores das
amplitudes do PS e vale 0.0036 V2.
0.2
0.1
[V]
0
-0.1
-0.2
0.18 0.2 0.22 0.24 0.26 0.28
-3 tempo [s]
x 10
2
1.5
[V^2]
1
0.5
0
0 1000 2000 3000 4000 5000 6000
freqüência [Hz]
% Programa em MATLAB (The Mathworks, Inc.) v. 4.2 para gerar a Figura 2 (o arquivo la.wav
% pode ser gerado por qualquer programa de gravação de placa multimidia para PC):
[y,Fs]=wavread('la.wav');
y=y-mean(y);
y=y/1000;
N=4096;
t=(0:4095)/Fs;
f=(0:(N/2-1))*Fs/N;
Y=(y(1:N));
S=fft(Y)/N;
subplot(211),plot(t((N/2+1):(N/2+N/4)),Y((N/2+1):(N/2+N/4)))
xlabel('tempo [s]')
ylabel('[V]')
subplot(212),plot(f,2*abs(S(1:N/2)).^2)
xlabel('freqüência [Hz]')
ylabel('[V^2]')
mean(Y.^2)
sum(2*abs(S(1:N/2+1)).^2)
Tipos de sinal e a sua representação espectral 112
Exemplo 3
0.2
0.1
[V]
0
-0.1
-0.2
0 0.05 0.1 0.15 0.2
-6 tempo [s]
x 10
3
[V^2/Hz] 2
0
0 1000 2000 3000 4000 5000 6000
freqüência [Hz]
%Programa em MATLAB (The Mathworks, Inc.) v. 4.2 para gerar a Figura 3 (o arquivo sh.wav %pode ser
gerado por qualquer programa de gravação de placa multimidia para PC):
[y,Fs]=wavread('sh.wav');
y=y-mean(y);
y=y/1000;
N=2048;
t=(0:N-1)/Fs;
T=N/Fs;
f=(0:(N/2-1))*Fs/N;
S=zeros(N,1);
H=hanning(N);
ni=1;count=0;
while (ni+N-1) <= length(y),
Y=y(ni:ni+N-1);
Y=Y.*H;
S=S+2*abs(fft(Y)/N).^2*T;
count=count+1;
ni=ni+N/2;
end
S=S/count*8/3;
subplot(211),plot(t,y(1:N))
xlabel('tempo [s]')
ylabel('[V]')
subplot(212),plot(f,S(1:N/2))
xlabel('freqüência [Hz]'); ylabel('[V^2/Hz]')
mean(y.^2)
sum(S(1:N/2))/T
Tipos de sinal e a sua representação espectral 113
Referências
[1] Gade, S. and Herlufsen, H., “Signals and Units,” B&K Technical Review, No. 3, 1987,
pp. 29-38.
[3] Bendat, J.S. and Piersol, A.G., Engineering Applications of Correlation and Spectral
Analysis, J. Wiley & Sons, 1980.
[4] Arruda, J.R.F. and Godoy, E., “A Peak Classification Technique in Digital Spectral
Analysis,” Proceedings of IMAC 7, Las Vegas, NV, 1989, pp. 1582-1586.
Transformada de Hilbert 114
CAPÍTULO 9
A transformada de Hilbert
Sinal causal
Um sinal causal (Figura 1) é aquele que é nulo para o tempo negativo. Todo sinal
causal (9.1) pode ser expresso como a composição de um sinal par e um sinal ímpar (9.2).
x p (t ) = x i (t ) sgn(t ),
(9.2)
xi (t ) = x p (t ) sgn(t )
2
causal
-2
-6 -4 -2 0 2 4 6
2
par
-2
-6 -4 -2 0 2 4 6
2
impar
-2
-6 -4 -2 0 2 4 6
t [s]
∫x(t )e
− i 2πft
X(f) = dt = X ∗ (− f ) (9.3)
−∞
Por outro lado, a transformada de Fourier de um sinal par (x(t) = x(-t)), tem a propriedade
dada pela equação,
∞ ∞
∫x(− t )e dt = ∫x(t )e
− i 2πft i 2πft
X(f) = dt = X ∗ ( f ) (9.4)
−∞ −∞
de onde conclui-se que a transformada de Fourier de um sinal par é uma função real e par,
isto é, a parte imaginária é nula.
∫x(− t )e ∫x(t )e
− i 2πft i 2πft
X(f) = dt = − dt = − X ∗ ( f ) (9.6)
−∞ −∞
X ( f ) = ℑ{x p (t )}
+ ℑ{xi (t )} (9.8)
X ( f ) = X Re ( f ) + iX Im ( f ) (9.9)
Transformada de Hilbert 116
As partes par e ímpar do sinal x(t) podem ser rescritas uma em função da outra utilizando a
equação (9.2), de maneira que as componentes real e imaginária da transformada de
Fourier podem ser obtidas uma em função da outra.
X Re ( f ) = ℑ {x p (t )}= ℑ{x i (t )}
∗ ℑ{sgn(t )} (9.11)
de onde,
1 1
X Re ( f ) = iX Im ( f ) = X Im ( f ) (9.12)
iπf πf
ℑ{sgn(t )}=
1
já que .
iπf
1
pois, a transformada de Fourier de é –i sgn(f), de onde pode-se obter a transformada de
πt
Hilbert utilizando a transformada de Fourier inversa.
− iπ
H {x (t )}= ℑ − 1 e 2 X ( f ) sgn( f ) (9.15)
Transformada de Hilbert 117
Na equação (9.15), pode-se observar que houve uma mudança de fase em 90o da
transformada de Fourier o que pode ser obtido deslocando a fase das frequências positivas
em –90o e das frequências negativas em 90o.
2. Girar a fase em 90o multiplicando o espectro por {–i sgn(f) } (equação (9.14)).
Sinal analítico
x a (t ) = x (t ) + i (H {x (t )}
) (9.16)
Exemplo 1
Para demodulá-lo, isto é, para obter a envoltória do sinal modulado, encontra-se o sinal
analítico (sinal complexo), cuja parte real é o sinal original (sinal modulado) e cuja parte
imaginária é a sua transformada de Hilbert. O módulo do sinal analítico é a envoltória do
sinal original como mostra a Figura 3.
sinal modulado
6
-2
-4
-6
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
t [seg]
8
sinal modulado
modulador
6
-2
-4
-6
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
t [seg]
Exemplo 2
0.5
(a)
-0.5
-1
0 2 4 6 8 10 12
1.5
0.5
(b)
-0.5
-1
0 2 4 6 8 10 12
t [s]
(a)
-5
-10
-15
0 2 4 6 8 10 12
-1
(b)
-2
-3
-4
2 2.5 3 3.5 4 4.5 5 5.5 6
t [s]
Nota-se na Figura 5 (a) que há efeitos de distorção nas extremidades do valor absoluto do
sinal analítico.
Referências
Randall, B. Tech., B.A “Frequency Analysis,” Bruel & Kjaer, 1987, pp. 177-184.