Escolar Documentos
Profissional Documentos
Cultura Documentos
Analise de Fourier e Wavelets PDF
Analise de Fourier e Wavelets PDF
orelha
Análise de Fourier e Wavelets
1
Hélio Magalhães de Oliveira
2
Análise de Fourier e Wavelets
H. Magalhães de Oliveira
3
Hélio Magalhães de Oliveira
Copyright 2007
Editora Universitária, Universidade Federal de Pernambuco
4
Análise de Fourier e Wavelets
PREFÁCIO
5
Hélio Magalhães de Oliveira
6
Análise de Fourier e Wavelets
7
Hélio Magalhães de Oliveira
8
Análise de Fourier e Wavelets
AGRADECIMENTOS
O autor agradece aos colegas do Departamento de Eletrônica e
Sistemas (DES) e, sobretudo, aos estudantes de Graduação e do Programa
de Pós-Graduação em Engenharia Elétrica da Universidade Federal de
Pernambuco. De fato, inúmeras melhorias pedagógicas foram incitadas
por comentários de bons estudantes do curso de Métodos Matemáticos da
Pós-Graduação em Engenharia Elétrica da UFPE, aos quais são
endereçados sinceros agradecimentos. Entre estes, André Leite
Wanderley, André Neumman Kauffman, Andrei de Araújo Formiga,
Arquimedes José de Araújo Paschoal, Carmelo José Albanez Bastos
Filho, Custódio Inácio dos Santos, Daniel Bezerra Chaves, Danilo Silva,
Diego Felix de Souza, João Marcelo Monte da Silva, João Paulo Cruz
Lopes Miranda, Juliano Bandeira Lima, Leandro Chaves Rego, Luciana
Beltrão Espínola da Silva, Luciana Reginaldo Soares, Luiz Antônio
Magnata da Fonte, Marcos Müller de Vasconcelos, Milde Silva Lira,
Rafael Santos de Souza, Renato José de Sobral Cintra, Rodrigo Gurgel
Fernandes Távora, Ronaldo Venâncio da Silva, Tiago Henrique Falk,
Victor Miranda da Silva, (além de uma ou duas omissões imperdoáveis).
Andréa Tenório auxiliou nas provas.
Agradecimento especial a Profa Márcia Mahon (DES),
responsável pelo curso de Sinais e Sistemas, com quem venho mantendo
agradáveis discussões sobre o tema desta obra e compartilhando a
satisfação de ensinar e apreciar a beleza do assunto. Convém também
destacar que o autor se beneficiou de comentários de colegas professores
do DES, destacando-se especialmente as sugestões dos Profs. Fernando
Menezes Campello de Souza, Ricardo Campello de Souza, Luiz Torres
(in memoriam), Valdemar Cardoso da Rocha Jr. É um prazer agradecer
aos meus antigos colegas de Mestrado, Francisco Barreira Pereira Jr. e
Eurico Bezerra de Souza Filho, parceiros na iniciação às FFTs. Raquel
Rodrigues de Oliveira auxiliou na revisão das provas. Os cuidados e os
inúmeros ajustes realizados pelo Sr. Fábio Marins (Editora Universitária,
UFPE) melhoraram sensivelmente a apresentação. Prof. Renato José de
Sobral Cintra (Departamento de Estatística, UFPE), além de contribuir
em aspectos técnicos, contribuiu de forma decisiva na melhoria da
qualidade do texto. Dra. Luciana Soares contribuiu cientificamente em
diversas seções e estimulou a investigação sobre wavelets. Com o Prof.
Paul Jean Etienne Jeszensky (EPUSP, USP) mantive conversas sobre
ensino de Engenharia, particularmente motivantes. O Magnífico Reitor da
9
Hélio Magalhães de Oliveira
10
Análise de Fourier e Wavelets
11
Hélio Magalhães de Oliveira
12
Análise de Fourier e Wavelets
SUMÁRIO
13
Hélio Magalhães de Oliveira
REFERÊNCIAS BIBLIOGRÁFICAS........................................317
14
Análise de Fourier e Wavelets
Análise de Fourier
CAPÍTULO 1
1.1 RESUMO
15
Hélio Magalhães de Oliveira
Sobre Representações.
Glicose = 6.C+12.H+6.O
16
Análise de Fourier e Wavelets
SINAIS = 1.A+2.I+1.N+2.S,
Tudo o que nos diz respeito encontra-se entre o grande e o pequeno (vide
a URL http://micro.magnet.fsu.edu/primer/java/scienceopticsu/powersof10/).
Afinal, vivemos entre o infinitamente pequeno e o infinitamente grande1.
Os seres vivos, por exemplo, podem ser examinados em diferentes níveis:
Comunidades, grupos étnicos, ou decompondo um indivíduo em sistemas
(sistemas tecidos célula moléculas átomos etc.).
1 "Rien ne peut fixer le fini entre les deux infinis qui l'enferment et le fuient." B. Pascal,
Pensées 199-72 http://www-users.cs.york.ac.uk/~susan/cyc/g/googol.htm
17
Hélio Magalhães de Oliveira
18
Análise de Fourier e Wavelets
r
Entretanto, quando se deseja expressar um vetor V como
combinação linear de certo número m de vetores ortogonais inferior à
dimensão do espaço2, existe a possibilidade de se cometer um erro. O
tratamento aqui segue [LATHI 1979] ilustrando o fato no 2, ao tentar
r r
expressar um vetor V por um vetor na dimensão de V1 (colinear), tem-se:
r r
V1 V ≅ C1V1 .
C1 V1 V1
Figura 1.3 Aproximação (na horizontal) de um vetor no plano.
19
Hélio Magalhães de Oliveira
Janela t a b t
parede parede Janela
Figura 1.4 Exemplo de Janela (unidimensional) usada no desenvolvimento
de um sinal contínuo.
20
Análise de Fourier e Wavelets
Definição:
Um conjunto de sinais definidos em a<t<b é dito ser ortogonal,
m
{ g (t)}
i
1
21
Hélio Magalhães de Oliveira
4 As condições de segunda ordem (matriz Hessiana) podem ser verificadas pelo leitor
mais exigente.
22
Análise de Fourier e Wavelets
Definição:
Um sistema ortogonal {φ i (t )}− ∞ é completo, se para todo trecho de sinal
+∞
f(t), a<t<b, com || f (t ) ||< +∞ verificando (∀i) < f (t ),φi (t ) >= 0 , tem-se
que f(t)=0 em todos os pontos de continuidade de f(t). Nota-se5
f(t)=p.p.0.
A unicidade
Sejam f1(t) e f2(t), a<t<b, com || f i (t ) ||< +∞ , funções
apresentando o mesmo desenvolvimento em série para um dado sistema
ortogonal completo. Então f1(t)=f2(t), exceto possivelmente nos pontos de
descontinuidade.
Prova.
A unicidade é verificada facilmente definindo-se uma função
h(t):=f1(t)-f2(t) e observando-se que || h(t ) ||≤|| f1 (t ) || + || f 2 (t ) ||< +∞ .
23
Hélio Magalhães de Oliveira
Logo, (∀i) < h(t ),φi (t ) >=< f1(t ),φi (t) > − < f2 (t),φi (t) > . Lembrando
que os coeficiente correspondentes são idênticos nos dois
desenvolvimentos em série, tem-se (∀i) < h(t ), φi (t ) >= 0 . Como o
sistema ortogonal é completo, segue-se que h(t)=0 em todos os pontos de
continuidade, concluindo a dedução.
Q.E.D.
Interpretação: Se ∃ sinal f, a<t<b, não nulo, ortogonal a todos os
sinais do conjunto {φi (t )}− ∞ , ele deveria ser introduzido no próprio
+∞
Digressão:
A definição de produto interno conduz a definição de classes de sinais de
interesse:
L1( ) e L2( ) (denota-se aqui L2 e L1 para simplificar) [FIGU
1977, KOL&FOR 1970].
b b
f ∈ L1 (a,b) ⇔ ∫a f (t )dt < ∞ e ∫a | f (t ) | dt < ∞
(integráveis e absolutamente integráveis).
b b
f ∈ L2 (a,b) ⇔ ∫a f
2
(t )dt < ∞ e ∫a | f (t ) |
2
dt < ∞
(quadrado integrável, energia finita).
Note que para a e b finitos, f ∈ L2 ⇒ f ∈ L1 , o que segue a
desigualdade de Cauchy-Schwarz:
1/ 2
(b − a ) ∫ | f 2 (t )dt
b b
∫a | f (t ) | dt ≤ a
.
24
Análise de Fourier e Wavelets
∞
f (t ) ≅ ∑ Ciφi (t ), a<t<b,
i =1
1 b
com coeficientes de Fourier expressos por Ci = f (t ).φi (t )dt.
K i ∫a
Neste caso particular, é possível uma interpretação bastante
interessante para o critério de erro utilizado.
• Imaginando que uma possibilidade consiste em procurar
minimizar o valor médio do erro no intervalo estudado.
1 b
( f e :=
b − a ∫a
f e (t )dt ), pode ser verificado que este critério não é
desejável. Erros por excesso são compensados por erros por falta,
podendo resultar erro nulo para uma má aproximação.
25
Hélio Magalhães de Oliveira
lim | Cn |= 0
Corolário. Se f ∈ L2 , então, (os coeficientes de Fourier
n→∞
vão a zero).
26
Análise de Fourier e Wavelets
27
Hélio Magalhães de Oliveira
28
Análise de Fourier e Wavelets
29
Hélio Magalhães de Oliveira
Exercício 1
Desenvolver em série trigonométrica de Fourier a função f(t) definida em
-2<t<+2, esboçada na figura em seguida.
f(t)
1
t
-2 -1 1 2
30
Análise de Fourier e Wavelets
f(t)
1
-5 -4 -3 -2 -1 1 2 3 4 5 t
31
Hélio Magalhães de Oliveira
• http://www.earlevel.com/Digital%20Audio/harmonigraf.html
• http://www.ufv.br/dma/intermat/APPLETS/CALCULO4/fourier/fo
urier.htm
• http://www.univ-
lemans.fr/enseignements/physique/02/divers/syntfour.html
• http://www.ece.unb.ca/thesis98/ee4000aj/Fourieralt.html
• http://www.phy.ntnu.edu.tw/ntnujava/viewtopic.php?t=33
• http://mysite.verizon.net/vzeoacw1/harmonics.html
• http://www.cepa.if.usp.br/fkw/sound/sound.html
• http://library.thinkquest.org/19537/cgi-bin/showharm.cgi
32
Análise de Fourier e Wavelets
1 1 1
-1 0 1 2 3 t -1 0 1 2 3 t 0 1 2 3 t
33
Hélio Magalhães de Oliveira
<<A análise de Fourier implica no fato que muitos sinais irregulares são
“dissecados” numa superposição de muitos ritmos regulares com várias
magnitudes e freqüências>>
34
Análise de Fourier e Wavelets
intervalo
Dó uníssona 1/1
Ré 2ª maior
Mi 3ª maior
Fá quarta 4/3
Sol quinta 3/2
Lá 6a maior
Si 7a maior
Dó oitava 2/1
35
Hélio Magalhães de Oliveira
Jean Pierre
Rampal.
36
Análise de Fourier e Wavelets
Figura 1.11 Origem das notas: d´Arezzo e o hino a São João Baptista.
A escala diatônica (dó, ré, mi, fá, sol, lá, si, dó) já era usada pelos
gregos antigos e tornou-se a escala de referência da música ocidental
contemporânea. A cada oitava (dobro da freqüência), as notas se
reproduzem. Por exemplo, 250 Hz corresponde a um dó, uma oitava
acima, em 500 Hz, tem-se novamente um dó. A escala internacional
(Londres 1939) hoje adotada define o Dó em 512 Hz. Todas as
freqüências que são potências de 2 correspondem, portanto, a uma nota
dó, o que facilita tremendamente uma avaliação rápida.
37
Hélio Magalhães de Oliveira
Figura 1.12 Dois sinais harmônicos: Observe que todos os zeros do sinal
mais lento estão também presentes no sinal mais rápido.
38
Análise de Fourier e Wavelets
39
Hélio Magalhães de Oliveira
Figura 1.13 Curva de consonância obtida a partir de dois tons contendo seis
harmônicos cada. Notar a relação com as notas musicais.
40
Análise de Fourier e Wavelets
Baixo
Barítono
Tenor
Contralto
Meso-Soprano
Soprano
41
Hélio Magalhães de Oliveira
7
Baixo
6 Baritono
Tenor
5 Contralto
Meso-soprano
Tipo de voz
4 Soprano
0
0 200 400 600 800 1000 1200 f (Hz)
INSTRUMENTOS MUSICAIS
O compositor francês Héctor Berlioz (1803 – 1869), autor do
famoso “Tratado de orquestração”, trata de música com propriedade:
“Qualquer corpo sonoro utilizado pelo compositor é um instrumento
musical”.
Os instrumentos podem ser ordenados de acordo com diferentes
critérios. Um dos mais usados foi proposto pelo filósofo e matemático
francês Marin Mersenne, em seu ensaio “Harmonia Universal”
(1636/37). De acordo com essa classificação, os instrumentos se
agrupam, grosso modo, em três grandes categorias: cordas, sopros e
percussão.
Instrumentos de corda
42
Análise de Fourier e Wavelets
43
Hélio Magalhães de Oliveira
FAMILIA DO VIOLINO
Contrabaixo (baixo)
Violoncelo (tenor)
Viola (contralto)
Violino (soprano)
44
Análise de Fourier e Wavelets
• http://www2.ee.ufpe.br/codec/WaveShaper.exe
• http://www.frontiernet.net/~imaging/play_a_piano.html
• http://www.cs.ubc.ca/~kvdoel/bellsJavaSound/bells.html
• http://www.stat.ucla.edu/~dinov/courses_students.dir/04/Spring/
Stat233.dir/STAT233_notes.dir/JavaApplet.html
• http://lectureonline.cl.msu.edu/~mmp/applist/sound/sound.html
• http://www.jhu.edu/~signals/listen-new/listen-newindex.htm
Instrumentos de sopro
45
Hélio Magalhães de Oliveira
Instrumentos de percussão
46
Análise de Fourier e Wavelets
47
Hélio Magalhães de Oliveira
48
Análise de Fourier e Wavelets
ANÁLISE DE HARMÔNICOS
1 ...
0 w
w 2w 3w 4w 5w 6w ...
w −π
w 2w 3w 4w 5w 6w ...
sinais gn´s
Figura 1.22 Espectro de uma onda quadrada (raias), Magnitude e fase.
49
Hélio Magalhães de Oliveira
p. cos(2πt ) − 1 +∞ 1
≅ ∑ cos(2πnt ) e
p − 2 p cos(2πt ) + 1
2
n =1 p
n
p.sen(2πt ) +∞ 1
≅ ∑ sen(2πnt ) .
p − 2 p cos(2πt ) + 1
2
n =1 p
n
Exercício 3.
50
Análise de Fourier e Wavelets
1
considere z := exp( j 2πt ) , p ≠ ±1 , separe as partes real e parte
p
imaginária, provando as expressões mostradas.
b) Verifique a convergência da série em t=0, obtendo o valor de
∞ 1
∑ n
.
n =1 p
c) Mostre que a energia E de cada desses sinais vale
1
E= < +∞ .
2( p − 1)( p + 1)
2 2π t −2
π t
an = ∫0 − ln 2 sen 2 . cos ntdt = π ∫0 ln 2 sen 2 . cos ntdt .
2π
t
Pondo u = ln 2 sen e dv = cos ntdt e integrando por partes, vem:
2
t
cos
− 2 π sen nt 2 dt .
an = ∫ .
π 0 n 2 sen
t
2
−1 π t 1 π t
Assim, an = ∫ cot g . sen ntdt =: I n . Tem-se I1 = 2∫0 cos 2 dt = π .
nπ 0 2 nπ 2
Por outro lado, é fácil mostrar que I n − I n −1 = 2 ∫0π (cos(1 − n)t + cos nt )dt = 0
para ∀n≥2 e I1 = I 2 = I 3 = ...
51
Hélio Magalhães de Oliveira
• http://www.falstad.com/fourier/
• http://www.indiana.edu/~acoustic/s522/fourapdkp.html
• http://links.math.rpi.edu/applets/appindex/fourier-series-trog.html
• http://homepages.gac.edu/~huber/fourier/index.html
Séries de Legendre-Fourier.
+∞
2n + 1 +1
f (t ) ≅ ∑ cn Pn (t ) , com c n =
2 ∫−1
f (t ) Pn (t )dt .
n=0
52
Análise de Fourier e Wavelets
+∞ o o
A série é expressa sob a forma: f (t ) ≅ ∑ cn cas nw0t + θ n . Mostra-
n=0
se que a relação entre esses coeficientes de Hartley e os coeficientes da
série trigonométrica é dada via:
o an2 + bn2 o π b
cn = e θ n = + tg −1 n .
2 4 an
53
Hélio Magalhães de Oliveira
{φ n (t )} = {e jnw t }n = −∞ ,
+∞
em que j = − 1 .
0
t0 +T T se n = m
< e jnw0 t , e jmw0 t >= ∫ e j (n − m )w0 t dt =
t0
0 se n ≠ m.
1 t0 +T
T ∫t0
com Fn = f(t) e-jnw0t dt n =0 , +1, +2 , ... .
54
Análise de Fourier e Wavelets
http://www.valdosta.edu/~cbarnbau/math_demos_folder/FT/sawtooth.htm#
Exercício 5
f(t)
1
t
τ T
Solução:
+∞
e portanto f (t ) ≅ ∑ dSa(nπd ).e jnw0t , −∞ < t < +∞ .
n = −∞
55
Hélio Magalhães de Oliveira
Seja
( )
M
1 s
MH( t , s ) := ∑ s
⋅ cos Zeta ( s ) k ⋅ t
k = 1 Zeta ( s ) ⋅ k
56
Análise de Fourier e Wavelets
1
1
0.5
MH ( t , 2 )
MH ( t , 3 ) 0
MH ( t , 4 )
0.5
− 0.974 1
6 4 2 0 2 4 6
− 2π t 2π
Figura 1.25 Sinais contínuos periódicos com série de Fourier bem definida.
As séries são expressas por MH(t,s), em que Zeta(s) é a função ζ de
Riemman.
57
Hélio Magalhães de Oliveira
f
f f 2f0h 3f0h
0v 0h
• http://www.seeingwithsound.com/javoice.htm
• http://www.s2.chalmers.se/research/image/Java/applets_list.htm
• http://www.jcrystal.com/steffenweber/JAVA/jfourier/jfourier.html
CONVERGÊNCIA PONTUAL
Se o sinal f(t) é integrável e absolutamente integrável, então os
coeficientes de Fourier estão bem definidos10:
58
Análise de Fourier e Wavelets
t0 + T
2 2 t0 +T
an =
T
∫ f (t) cos (nw0t) dt ≤ T ∫ f (t) ⋅ dt < + ∞,
t0 t0
t 0 +T
2 2 t 0 +T
bn =
T
∫ f (t) sen (nw t) dt
0 ≤
T t0
∫ f (t) ⋅ dt < + ∞.
t0
Convergência de funções:
1. Em média quadrática
2. Convergência pontual
3. Convergência uniforme
59
Hélio Magalhães de Oliveira
EMQ
PONTUAL
UNIFORME
11 Fujo com horror desta plêiade de funções contínuas não deriváveis em nenhum ponto
(C. Hermite) 1893.
60
Análise de Fourier e Wavelets
0.5
Weir ( t )
− 0.498 0.5
3 2 1 0 1 2 3
− π t π
1
1
0.5
Weir ( t ) 0
0.5
−1 1
3 2 1 0 1 2 3
−π t π
0.5
0.209
Weir( t ) 0
− 0.246 0.5
1.5 1.63 1.75
1.5 t 1.75
Figura 1.28 Ilustração da função de Weierstrass, contínua p.p., porém sem
derivadas em nenhum ponto.
61
Hélio Magalhães de Oliveira
62
Análise de Fourier e Wavelets
Desta forma, fN → f.
As propriedades de convergência da série de Fourier são sempre
estudadas em termos do comportamento dos núcleos de Dirichlet. Em
particular, para a análise da convergência pontual, o resultado central
(vide [RUD 1971]) mostra que as propriedades de convergência da série
são, de facto, pontuais. A convergência da série em um ponto depende
apenas de uma vizinhança arbitrariamente pequena no entorno desse
ponto.
TEOREMA DA LOCALIZAÇÃO.
As propriedade de convergência pontual da série de Fourier dependem
essencialmente da vizinhança do ponto; para f ∈ L2 , Dado 0<δ<T/2,
podendo ser arbitrariamente pequeno, então
−δ
lim ∫
T /2
+∫ f (t − t ' ) D 2π t ' dt ' = 0 .
T/2 δ N
N →∞ T
Prova.
Fixe t (ponto a analisar a convergência) e seja
0 | t ' |< δ
h(t ' ) := .
f (t − t ' ) δ ≤| t ' |≤ T / 2
sen πt '
T
Então
−δ 2π T /2 1 2πt '
∫ ∫δ f (t − t ' ) D N t ' dt ' = ∫ h(t ' ) sen N + dt ' .
T −T / 2
2 T
Desenvolvendo a soma de arcos,
2π t' 2π 2π t' 2π
h(t') cos sen Nt' + h(t' )sen cos Nt' .
T 2 T T 2 T
63
Hélio Magalhães de Oliveira
2π t ' 2π t '
Ambas as funções h1 (t ' ) := h(t ' ). cos e h2 (t ' ) := h(t ' ). sen
T 2 T 2
são L1 (integráveis e absolutamente integráveis). Isso decorre da
integrabilidade de f(t), pois
f (t − t ' )
hi (t ' ) ≤ h(t ' ) ≤ . Então
π
sen δ
T
−δ 2π T /2 2π
∫ ∫δ f (t − t ' ) DN T t ' dt ' = ∫−T / 2 h1 (t ' )sen N T t ' dt ' +
T /2 2π
+∫ h2 (t ' ) cos N t ' dt '.
−T / 2
T
Estes termos são proporcionais aos coeficientes de Fourier bN a aN para
sinais diferentes (para h1 e h2, respectivamente; o lema de Riemann-
Lebesgue assegura o fato). Como lim | a N |= 0 e lim | bN |= 0 , o
N →∞ N →∞
resultado segue. Q.E.D.
64
Análise de Fourier e Wavelets
f (t + 0) + f (t - 0) m
2
= a0 + lim
N →∞
∑ a n cos nw 0 t + bn sen nw 0 t.
n =1
65
Hélio Magalhães de Oliveira
2
2
P1( x) 1
P2( x)
P3( x)
P4( x)
0
P(
−1 1
1 0.5 0 0.5 1
−1 x 1
66
Análise de Fourier e Wavelets
25
20
D( 1 , x)
D( 2 , x) 10
D( 3 , x)
D( 9 , x)
0
− 10 10
15 10 5 0 5 10 15
− 15 x 15
Figura 1.30 Comportamento dos Núcleos de Dirichlet DN(x) para alguns
valores particulares de N.
67
Hélio Magalhães de Oliveira
2π
f N (t ) = ∫0T f (t − τ ) DN τ dτ . (**)
T
2π 2π
f N (t ) = ∫0T f c (t − τ ) DN τ dτ + [ f (0+) − f (0−)].∫0T DN τ u (t − τ )dτ .
T T
T
68
Análise de Fourier e Wavelets
1 1
sen ( N + ) x Sa ( N + ).x
1 x 2 2 1 2
D N ( x) = . = . N +
T sen( x / 2) x T 2 Sa( x / 2 )
2 1 1
DN ( x) ≅ .( N + ).Sa ( N + ) x .
T 2 2
Segue-se com ζ = ( N + 1 ) x , que
2
1 sen(ζ ) ,
∆ = [ f (0+) − f (0−)]. ∫0ϕ ( N ) dζ
π ζ
2π 1
em que ϕ ( N ) = N + t .
T 2
x
Si( x) := ∫ Sa(ζ ) dζ .
0
69
Hélio Magalhães de Oliveira
~
Si(x)
π/2
−π
x
π
−π/2
Figura 1.31 Função Integral Seno e sua aproximação linear.
1
∆ = [ f (0+) − f (0−)]. Si (ϕ ( N ) ) .
π
No limite,
lim ∆ = [ f (0+) − f (0−)]. 1 Sa(ζ )dζ = [ f (0+) − f (0−)].
1
+∞
π ∫
0 π
Si(∞).
N →∞
70
Análise de Fourier e Wavelets
71
Hélio Magalhães de Oliveira
∫ ∀t∈( t0,t0+T).
~ 2 N+1
f N (t ) := 2 f N (t ' )dt '
T t−
T /2
N+1
2
72
Análise de Fourier e Wavelets
TEOREMA DE KOLMOGOROV-SELIVERSTOV-PLESSNER.
∑ (an2 + bn2 ). log n < +∞
+∞
Se então a série trigonométrica
n =0
+∞
∑ an cos(nw0t ) + bn sen(nw0t ) converge em quase toda parte (p.p.).
n =0
73
Hélio Magalhães de Oliveira
CONVERGÊNCIA UNIFORME
Sn(t)
N N N
f N (t ) = ∑ S n (t ) . Daí, | f N (t ) |≤ ∑ | an | + ∑ | bn | .
n =0 n =0 n =1
74
Análise de Fourier e Wavelets
TEOREMA DE FEJÉR
Seja a soma de Fejér σ N +1 (t ) := 1 [ f 0 (t ) + f1 (t ) + f 2 (t ) + ... + f N (t )] .
N +1
Se f: → é seccionalmente contínua e periódica, então:
i) (∀t) lim σ N +1 (t ) = 1 [ f (t + 0) + f (t − 0) ]
N →∞ 2
75
Hélio Magalhães de Oliveira
76
Análise de Fourier e Wavelets
1 N n − jnt
Definirdo-se H N (t ) := ∑ h .e , então, substituindo a fórmula
T n=− N N
do coeficiente de Fourier e manipulando, chega-se a:
T /2 2π
f N (t ) = ∫−T / 2 H N (t − t´) f (t´)dt´
T
Janela
H(.) pode ser ajustado para resultar nas “janelas” já estudadas (Dirichlet,
Fejér), mas pode incluir novas janelas de dados.
~ T 2π
f N (t ) = ∫ f (τ ) L N (t − τ ) dτ .
0 T
1 N nπ jnx
L N ( x) = ∑ Sa
T n = − N N + 1
e .
2
Esse formalismo corresponde, portanto, a um taper para o ajuste
dos coeficientes de Fourier da série truncada (dito fator de convergência
de Lanczos13), cuja expressão é
n nπ
l = Sa .
N N + 1
2
77
Hélio Magalhães de Oliveira
h(n/N)
0≤|n|≤N
HN(t) « Tapers »
1 DN(t) Dirichlet
|n|
1−
N +1 FN+1(t) Fejér
1 nπ 1 1 π 1 π Hamming
1 + cos DN (t ) + DN t − + DN t +
2 N 2 4 N 4 N
n2 1 d 2 DN (t )
1− D N (t ) +
N2 N 2 dt 2 Parzen
2
/ 2N 2 N Weierstrass
e−n
2 2
≈ e− N t /2
π 2π
nπ
Sa
1 LN(t) Lanczos
N+
2
78
Análise de Fourier e Wavelets
− 1 x < 0
Sgn( x) := 0 x = 0
+ 1 x > 0.
Fixada uma janela de amplitude T, w0:=2π/T, uma das possíveis
decomposições em séries pode considerar o conjunto de sinais digitais14
4 +∞ sen((2k + 1) x )
Sgn(sen( x) ) = ∑ ,e
π k =0 2k + 1
4 +∞ cos((2k + 1) x )
Sgn(cos( x) ) = ∑ (−1) k .
π k =0 2k + 1
O conjunto {φ n (t )}+∞
n =0 = {1, Sgn(cos(nw0 t ), Sgn(sen(nw0 t ) ))}n não é
ortogonal, porém algumas propriedades de ortogonalidade dos sinais
neste conjunto podem ser constatadas, aplicando as duas séries de Fourier
acima:
14 Vide: Uma Ferramenta para Análise de Sons Musicais [SOU et al. 2005].
79
Hélio Magalhães de Oliveira
Assim,
Sgn(sen(nw0 t )Sgn(sen(mw0t ) )dt =
T
∫0
2 + ∞ +∞
4 1
sen((2k + 1)nw0 t ).sen((2k '+1)mw0 t )dt.
T
π
∑ ∑ (2k + 1).(2k '+1) ∫
k = 0 k '= 0
0
80
Análise de Fourier e Wavelets
81
Hélio Magalhães de Oliveira
1 1 T
f (t ) Sgn(cos(nw0 t ) )dt e
T
A0 ≅ ∫0 f (t )dt ; An ≅
T T ∫0
1
f (t ) Sgn(sen(nw0 t ) )dt .
T
Bn ≅ ∫0
T
Estas relações correspondem a assumir as formas de onda
{φ n (t )}+∞
n = 0 como se fossem ortogonais e são praticamente idênticas às
expressões clássicas da série trigonométrica de Fourier. A maneira de
transformar as operações de multiplicação em ponto fixo corresponde a
multiplicar todos os coeficientes por 2.(N!!) se N é ímpar, ou 2.((N-1)!!),
caso contrário.
82
Análise de Fourier e Wavelets
2.5
2.225
1.5
G( t , 5)
G( t , 4)
1
G( t , 6)
f1( t )
0.5
− 0.225 0.5
0 0.5 1 1.5 2 2.5 3 3.5 4
a t b1
Figura 1.34 Aproximações usando a Série Quantizada de Fourier para uma
rampa de período 2 (pontilhada). As curvas G(t,N) denotam as
aproximações utilizando N harmônicos digitais, N=4, 5 e 6.
83
Hélio Magalhães de Oliveira
84
Análise de Fourier e Wavelets
~ N −1 2πnk
TB n = ∑ f (kTs ) Sgn sen( ) , 1≤n≤N-1.
k =0 NT s
Os valores dos coeficientes de Fourier estimados via série quantizada
foram obtidos usando um arquivo .wav contendo a Quinta Sinfonia de
Beethoven, (16-bit, mono, signed), com taxa de amostragem de 22.050
Hz, considerando-se apenas K=3. A Tabela que segue ilustra a
concordância das aproximações e os coeficientes exatos.
85
Hélio Magalhães de Oliveira
86
Análise de Fourier e Wavelets
• http://www.phys.unca.edu/demos/demos_sound.asp várias
applets
• http://web.mit.edu/jorloff/www/fouriersound/fouriersound.html
• http://library.thinkquest.org/19537/java/Wave.html
• http://www.sciences.univ-
nantes.fr/physique/perso/gtulloue/Elec/Fourier/fourier1.html
• http://ptolemy.eecs.berkeley.edu/eecs20/berkeley/phasors/demo/p
hasors.html
87
Hélio Magalhães de Oliveira
88
Análise de Fourier e Wavelets
Espectro de Sinais
CAPÍTULO 2
A TRANSFORMADA DE FOURIER
<<Fourier’s theorem is not only one of the most beautiful results of modern analysis, but
it may be said to furnish an indispensable instrument in the treatement of nearly every
recondite question in modern physics>> Lord Kelvin.
existe.
Conhecendo-se o espectro F(w) de um sinal, é possível tornar a
obtê-lo no domínio temporal utilizando a transformada inversa
(SÍNTESE DE FOURIER):
1 +∞
f (t ) = ∫−∞ F (w)e
jwt
dw .
2π
A unicidade da transformada pode ser demonstrada [KREY
1983], garantindo que duas funções com a mesma transformada são
idênticas a menos dos pontos de descontinuidade. Diz-se então que f(t) e
F(w) formam um par de transformada, indicando isso por
f(t) ↔ F(w).
89
Hélio Magalhães de Oliveira
A IDÉIA DA TRANSFORMADA
T
1
T >T
2 1
Figura 2.1 Sinais aperiódicos vistos como periódicos com período crescente
ad infinitum.
90
Análise de Fourier e Wavelets
1 1 T/ 2
∫ ∫ f(t) dt = 0 .
T/ 2
lim Fn = lim f (t) e-jnw 0t dt = lim
T →∞ T→∞ T -T/2 T →∞ T -T/2
91
Hélio Magalhães de Oliveira
∫
T/ 2
F(w) ≅ lim Fn T = lim f(t) e - jwt dt
Define-se T →∞ T →∞ -T/ 2 , de modo que
+∞
F ( w) := ∫ f (t )e − jwt dt corresponde a uma representação do
−∞
espectro do sinal aperiódico15.
15O produto do Coeficiente de Fourier por T corresponde a uma mudança de escala para
visualizar adequadamente o espectro.
92
Análise de Fourier e Wavelets
LINEARIDADE
ℑ [ f (t) + g (t) ] = ℑ [ f (t) ] + ℑ [ g (t) ] ,
c é um complexo.
ℑ [ c f(t) ] = c ℑ [ f (t) ]
1
1
(a) (b)
-1/2 1/2 t -1 1 t
Figura 2.2 Pulso Retangular e Triangular:
Função Porta e Triângulo.
Exercício 6
Avaliar a transformada de Fourier da função porta (gate)
t 1 se t ≤ τ / 2
Π( ) =
τ 0 caso contrário .
Solução:
Usando a definição, F ( w) = ∫
+∞
−∞
Π (t / τ )e − jwt dt = ∫−ττ/ /22 e − jwt dt .
Avaliando diretamente a integral, tem-se:
τ τ τ τ
jw -jw jw -jw
e 2 − e 2 e 2 − e 2
F (w) = =τ ⋅ , donde
jw wτ
2j
2
93
Hélio Magalhães de Oliveira
+∞
F (ν ) := ∫ f (t )cas(νt )dt , ν∈ ,
−∞
94
Análise de Fourier e Wavelets
95
Hélio Magalhães de Oliveira
Proposição.
Expressando F * ( w) =| F ( w) | e − jθ ( w) e F (−w) =| F (− w) | e jθ (− w) e
levando em conta que as duas funções complexas são idênticas, seguem-
se as condições sobre o módulo e fase.
Existência
Uma condição suficiente para a existência da transformada de
+∞
Fourier é que (via desigualdade de Integrais) ∫−∞ f(t) dt < +∞.
96
Análise de Fourier e Wavelets
Definição:
Isto pode ser interpretado dizendo-se que o delta tem área unitária
concentrada em torno do ponto t=0. Sua representação gráfica é mostrada
a seguir.
97
Hélio Magalhães de Oliveira
δ (t)
t
t=0
Figura 2.4 Delta de Dirac (Impulso Unitário).
Utilizando a definição, pode ser visto facilmente que δ(t) está
relacionada com o degrau unitário através da relação:
t 1 t > 0
∫− ∞ δ (t ' )dt ' = 0 = u (t )
t<0 .
du (t )
Diferenciando ambos os membros (!), resulta δ (t ) = .
dt
As funções convencionais que apresentam as propriedades do δ(t)
no limite, podem ser usadas para avaliar expressões envolvendo
impulsos. Em particular, dado ε>0, se δ(t) define uma seqüência de
funções pares tais que para qualquer função contínua na origem f(t) têm-
se:
+∞ +∞
lim ∫ f (t)δε (t) dt = f (0) e ∫ δε (t) dt = 1
ε →0 -∞ -∞
98
Análise de Fourier e Wavelets
1 t
Pulso retangular δ ε (t ) = Π
ε ε
1 t
Função amostral δ ε (t ) = Sa
πε ε
Pulso gaussiano 1 2
/ε 2
δ ε (t ) = e −πt
ε
1
Pulsos exponenciais δ ε (t ) = e −|t |/ 2ε
ε
1 t
Pulsos triangulares δ ε (t ) = Λ
ε ε
99
Hélio Magalhães de Oliveira
100
Análise de Fourier e Wavelets
101
Hélio Magalhães de Oliveira
+∞
Assim, ∫ δ ´(t ) f (t )dt = − f ´(0) .
−∞
0 caso contrário.
2º membro: ∀ g(t) contínua na origem, tem-se:
g (0) t1 < 0 < t2
∫t12 g (t )δ (t )dt =
t
0 caso contrário.
Na prática, usam-se freqüentemente regras simples com
f(t)δ(t)=f(0)δ(t), f contínua na origem, sem maiores cuidados. O
102
Análise de Fourier e Wavelets
Solução.
0 caso contrário.
Mas [g (t ) f (t )]t' = 0 = g ' (0) f (0) + g (0) f ' (0) . Então, vale a regra de
atribuição:
− ([g ' (0) f (0) + g (0) f ' (0)]) t1 < 0 < t2
∫t12 g (t )[ f (t )δ ' (t )]dt =
t
0 caso contrário.
2º membro: ∀ g(t) derivável na origem na origem, tem-se
∫t12 g (t )[ f (0)δ ' (t ) − f ' (0)δ (t )]dt = f (0)∫ t12 g (t )δ ' (t )dt − f ' (0) ∫t12 g (t )δ (t )dt =
t t t
103
Hélio Magalhães de Oliveira
Exercício 8
Calcular a integral de Fourier para os sinais que seguem e esboçar
o espectro correspondente.
a) f(t)=e-at u(t) b) f(t)=A c) f(t)=sgn(t) d) f(t)=u(t).
Solução:
+∞ - a t +∞ 1
a) ∫−∞ e u(t) dt = ∫0 e - a t dt = < +∞ , logo, a transformada
a
existe.
104
Análise de Fourier e Wavelets
1
Como lim e - (a+jw) t = lim e - a t e - jwt = 0 , tem - se F(w) =
t →∞ t →∞ a+jw
.
Constata-se que f não é par nem é ímpar, daí F não ser real ou
imaginário puro.
1 w
F(w) = ϕ(w)=- tg -1
2 2
Logo, a +w e a.
+∞
b) ∫−∞ A dt = + ∞ , logo a transformada só pode existir no limite.
+∞ - jwt +∞ - jwt
∫−∞ A e dt = A ∫-∞ e dt .
Lembrando que ℑδ(t)=1, a transformada inversa de 1 é
1 +∞ jwt
e dw = δ (t ) , ou trocando as variáveis 1 ∫ +∞ e jwt dt = δ (w) .
2π ∫− ∞ 2π − ∞
+∞ − jwt
Logo, ∫−∞ e dt = 2πδ ( w) e A ↔ 2πA.δ ( w) .
t
lim AΠ
Resultado idêntico é obtido assumindo que A = T→ ∞ 2T :
Usando o resultado do exercício 5, segue-se que
105
Hélio Magalhães de Oliveira
F (A)
w
w=0
Figura 2.7 Espectro do sinal c (constante).
+ 1 se t > 0
c) Por definição, sgn( t ) := . Observando
− 1 se t < 0
+∞
∫−∞ | sgn(t ) | dt = +∞ , vê-se que é necessário escrever sgn(t) em termos do
limite de funções absolutamente integráveis. Seja então:
lim e − at u (t ) − e at u (−t )
sgn(t ) = .
a→0
1
Do item a, e − at u (t ) ↔ , e por escalonamento tem-se
a + jw
1
e at u (−t ) ↔ .
a − jw
1 1 2
lim − =
Assim , sgn(t ) ↔ a + jw a − jw jw , imaginário puro.
a→0
106
Análise de Fourier e Wavelets
+∞
d) Novamente, ∫− ∞ | u(t ) | dt = +∞ , e a definição não pode ser
usada diretamente.
A transformada, se existir, ocorre no limite. Escrevendo
1 1
u (t ) = + Sgn(t ) , utilizando a linearidade do operador ℑ e os resultados
2 2
b e c , tem-se:
1
u (t ) ↔ πδ ( w) +
jw .
Exercício 9
jwt
Avaliar o espectro dos sinais e , cos(wct) e sen(wct) (não são sinais
absolutamente integráveis).
Solução:
+∞ +∞
a) F ( w) = ∫−∞ e jwct e − jwt dt = ∫−∞ e j ( wc − w)t dt =2πδ ( w − wc ) , pelo
exercício 8b.
e jwc t − e − jwc t
b) Usando a relação cos(wc t ) = , aplicando a linearidade
2
da transformada e o resultado do item a, segue-se:
cos(wc t ) ↔ π [δ ( w + wc ) + δ ( w − wc )] .
107
Hélio Magalhães de Oliveira
w
-w 0 w
c c
Figura 2.10 Espectro de um tom cossenoidal puro: apenas a
freqüência wc é (pontualmente) refletida no espectro.
-w
c
w
0 w
c
108
Análise de Fourier e Wavelets
e jwct + e − jwct
cos(wct ) = e ambas as freqüências estão simultaneamente
2
presentes no sinal, com amplitudes idênticas e não há maneira de separá-
las!
Um outro exemplo interessante de aplicação envolvendo
impulsos de Dirac envolve distribuições discretas de probabilidade. A
transformada de Fourier de uma distribuição de Poisson (Siméon
∞ λn
Poisson) f (t ) = e −λ ∑ δ (t − n) , em que λ é uma constante real, é
n=0 n!
facilmente calculada. Usando o espectro do impulso de Dirac,
∞ λn − jw
F ( w) = e −λ ∑ .e − jnw =e λ ( e −1) . Assim, | F ( w) |= exp(λ (cos w − 1) ) e
n=0 n!
| Θ( w) |= −λsenw .
n = −∞
Utilizando a linearidade do operador e o “par-transformada”
e jnw0t ↔ 2πδ ( w − nw0 ) , tem-se:
+∞
F ( w) = 2π ∑ Fn δ ( w − nw0 ) .
n = −∞
Portanto, o espectro de um sinal periódico é composto por
impulsos localizados na freqüência fundamental e harmônicas, sendo
desta maneira um espectro discreto.
109
Hélio Magalhães de Oliveira
t τ t τ
Figura 2.12 Transformações envolvidas na operação de convolução:
uma ilustração.
110
Análise de Fourier e Wavelets
1 1
1
111
Hélio Magalhães de Oliveira
Então,
τ τ
0 para t + ≤ −
2 2
t+τ /2
∫ τ τ τ
−τ /2 dt' = t + τ para - ≤ t + ≤
2 2 2
t t
Π * Π τ /2 τ τ τ
τ τ = ∫ dt' = - t + τ para - ≤ t - ≤
t-τ / 2 2 2 2
τ τ
0 para t - ≥
2 2
Π∗Π
τ
t
−τ τ
Figura 2.14 Convolução de duas funções porta de largura idêntica.
112
Análise de Fourier e Wavelets
TEOREMA DE BOCHNER.
p(t ) ↔ P( w) é uma densidade de probabilidade se e somente se
113
Hélio Magalhães de Oliveira
114
Análise de Fourier e Wavelets
Logo, 1 w.
f ( at ) ↔ F
|a| a
115
Hélio Magalhães de Oliveira
1 +∞ jwt
P5 - A fórmula de inversão é f (t ) = ∫ F ( w)e dw , portanto,
2π −∞
df (t ) 1 d +∞
= . ∫− ∞ F ( w)e
jwt
dw .
dt 2π dt
df 1 +∞ jwt
= ∫ jwF ( w)e dw , se a integral existe.
dt 2π −∞
df
Assim: ↔ jwF (w) .
dt
d n −1 f d n −1 f 1 +∞
↔ ( jw) n −1 F ( w) isto é, que = n −1
∫ ( jw) F ( w)e dw .
jwt
n −1 2π −∞
dt dt n −1
Diferenciando a equação acima e supondo que a ordem das
d +∞
e ∫
operações dt -∞
comuta, tem-se
n
d f 1 +∞ n jwt
= ∫ ( jw) F ( w)e dw e a dedução está concluída.
dt n 2π −∞
Observação:
Não é garantida a existência da transformada, mas se ela existe, é
dada por (jw)nF(w) .
116
Análise de Fourier e Wavelets
t
P7 - Definindo-se a função ϕ (t ) := ∫ f (t ' )dt ' , a sua transformada de
−∞
Fourier é
ℑ[ϕ (t )] = Φ ( w) .
+∞ lim ϕ (t) = 0
∫− ∞ | ϕ (t ' ) | dt ' < +∞ . Isto só é possível se t→ ∞ , ou seja,
+∞
quando ∫− ∞ f (t ' )dt ' = 0 .
dϕ
Utilizando P5, ϕ (t ) ↔ Φ( w) ⇒ ↔ jwΦ( w) .
dt
dϕ d t
Mas = ∫− ∞ f (t ' )dt ' = f (t ) ↔ F ( w) .
dt dt
F (w)
Φ (w) =
Portanto, F(w)=jwφ(w). Então, jw , provido que
+∞
∫−∞ f (t ' )dt ' = F (0) = 0 .
F (w) F(w)
Φ(0) = lim
Assim, jw é limitada em w=0 e w →0 jw , de modo que
a transformada da integral é ∫ f (t ' )dt ' ↔ F (w) , provido que F(0)=0.
t
−∞ jw
117
Hélio Magalhães de Oliveira
Então −∞ −∞
f (x, y) dx dy = ∫ ∫
−∞ −∞
f (x, y) dy dx .
.
+∞ +∞
ℑ[ f1 (t ) * f 2 (t )] = ∫ F2 ( w).e − jwτ f1 (τ )dτ = F2 ( w).∫ e − jwτ f1 (τ )dτ .
−∞ −∞
118
Análise de Fourier e Wavelets
1
Logo, f (t ) * u (t ) ↔ F ( w). + πδ ( w) , ou seja,
jw
t F ( w)
∫− ∞ f (t ' )dt ' ↔ jw + πF (0)δ ( w) .
Exercício 10
Calcular a transformada de Fourier de um pulso Gaussiano,
1 t2
f(t)= exp − .
2π 2
Solução: Da definição, lembrando que f(t) é par,
2 +∞ − t 2 / 2
F ( w) = ∫ e cos( wt )dt . Derivando-se a função F(w),
2π 0
dF 2 +∞ − t 2 / 2
F ' ( w) = =− ∫ t.e sen( wt )dt
dw 2π 0 , se F’(w) existe.
2 +∞ − t 2 / 2 2
Mas: | F ' ( w) |≤ ∫ t.e dt = < +∞
2π 0 2π e conseqüentemente
F’(w) existe.
Resolvendo a integral por partes:
u = sen(wt) du = w cos(wt) dt
-t 2 / 2 2
dv = t e dt v = - e-t /2
F ' (w) = -
2
2π
{- sen(wt) e -t 2 / 2 +∞
0 + w∫
0
+∞
e -t
2
/2
cos(wt) dt }
donde
2 +∞
w∫
2
F ' (w) = - e- t / 2 cos(wt) dt = - wF(w) .
2π 0
119
Hélio Magalhães de Oliveira
∫ wdw = ew 2 / 2 e ( F(w) e w
2
/2
)' = 0 .
O fator integrante é I = e
2
/2
⇒ F (w) = k e -w . Utilizando-se a condição inicial, vem
2
/2
F (w) = e- w .
1 2
/2 2
/2
e- t ↔ e- w .
2π
A transformada de Fourier de um pulso Gaussiano é ainda um
pulso Gaussiano! Devido a sua característica auto-recíproca, o sinal
Gaussiano ocupa uma posição de destaque na teoria das transformadas e
em análise. (veja também prob. 73).
Definição:
Um sinal f(t) é dito ser banda limitada se existe uma freqüência wm tal
que ℑ f(t) = F(w)=0, para |w|≥wm. De modo similar, um sinal é dito
tempo limitado se e só se existe um instante tm tal que f(t) = 0 para |t|≥tm.
Pode ser demonstrado rigorosamente que não é possível obter-se
um sinal simultaneamente limitado no tempo e na freqüência. A
proposição apresentada a seguir oferece um argumento nesta direção. Os
sinais físicos são estritamente limitados no tempo, mas o espectro obtido
pode ser virtualmente nulo para freqüências elevadas. Assim, para
propósito práticos, muitos sinais são considerados como banda limitada.
(veja [WOZ&JAC 1967]). Uma das proposições comumente citadas em
cursos envolvendo sinais, quase sempre sem prova, é comentada a seguir
[SLE 1976].
120
Análise de Fourier e Wavelets
121
Hélio Magalhães de Oliveira
19 Dennis Gabor (Gábor Dénes), Prêmio Nobel de Física, 1971, inventor da Holografia.
122
Análise de Fourier e Wavelets
1/ 2
∆t := 2π (t − t ) 2 Duração r.m.s.,
1/ 2
∆f := 2π ( f − f ) 2 Banda r.m.s.,
FORMULAÇÃO ALTERNATIVA
T 2 Ω 2
α :=
∫−T f (t )dt e β :=
∫−Ω | F (w) | dw .
+∞ 2 +∞ 2
∫−∞ f (t )dt ∫−∞ | F ( w) | dw
Claramente, α≤1 e β ≤1. Sem perda de generalidade, pode-se
considerar sinais de energia normalizada E=1. Então:
T 1 Ω
α 2 = ∫−T f 2 (t )dt e β 2 = 2
∫− Ω | F (w) | dw .
2π
123
Hélio Magalhães de Oliveira
(1 − t 2 )
d 2u
dt 2
− 2t
du
dt
( )
+ χ − c 2t 2 u = 0 , t∈ [-1,1].
124
Análise de Fourier e Wavelets
2π ∫
e −t 2 − jwt
e dt = F ( w ) . Derivando esta equação e usando
−∞
125
Hélio Magalhães de Oliveira
126
Análise de Fourier e Wavelets
127
Hélio Magalhães de Oliveira
(⇐)
O sinal f(t) satisfaz a equação diferencial f''(t)-t2f(t)=κf(t), κ∈ .
(Hipótese). Tomando-se ℑ,
(jw)2F(w)+F''(w)=κλF(w), (7)
128
Análise de Fourier e Wavelets
Portanto,
[p( t ).e ] − t
−t 2 2
"
2
p( t ).e −t
2
2
= κp( t ).e −t
2
2
. (9)
p( t ) = H n ( t ) . (12)
129
Hélio Magalhães de Oliveira
y''+(2n+1-x2)y=0. (17)
130
Análise de Fourier e Wavelets
∆t := 2π ( t − t ) 2
duração r.m.s., (18a)
∆f := 2π ( f − f ) 2
banda passante r.m.s., (18b)
∆ t := ( t − t )2 ∆ w := ( w − w ) 2 .
(19)
22
Obviamente , ∆ t = ∆t 2π , ∆ w = 2π .∆f .
22 ∆2w = 2π∆f 2
= 2π .2π ( f − f ) 2 = ( w − w ) 2
131
Hélio Magalhães de Oliveira
Esboço da prova.
De (20), a cota é alcançada com igualdade iff f'(t)=kt.f(t). Esta condição
pode ser interpretada com segue: 'derivada no domínio tempo '≡' derivada
no domínio freqüência'. Portanto,
f''(t)=k[f(t)+t.f'(t)]=kf(t)+k2t2f(t) ou (21)
f''(t)- (kt)2f(t)= kf(t). (22)
2
f''(t)-k(1+kt )f(t)=0. As únicas soluções em Eg correspondem a k=±1, i.e.,
f"+(1-t2)f=0 ou f"-(1+t2)f=0.
Proposição 6. Qualquer sinal real f(t) ↔ F(w) tal que f, f', F, F' ∈ L2( ),
tem resoluções finitas.
Prova. Aplicando o Teorema de Parseval-Plancherel [ABRA&STE
1968], obtém-se
+∞ 2 +∞ 1 +∞
∫−∞ t f 2 (t )dt = ∫ [ jtf (t )][ jtf (t )]* dt = ∫−∞ | F ' ( w) |
2
dw, (23)
−∞ 2π
+∞ 2 +∞ +∞
∫−∞ w | F ( w) | 2 dw = ∫ [ jwF ( w)][ jwF ( w)]* dw = 2π ∫ [ f ' (t )] 2 dt. (24)
−∞ −∞
Conseqüentemente,
+∞
∫ | F' ( w ) | dw < +∞ ,
2
2 −∞
∆t = +∞
(25)
∫ | F ( w ) | dw
2
−∞
+∞
∫ | f ' ( t ) | dt < +∞ .
2
2 −∞
∆w = +∞
(26)
∫ | f ( t ) | dt
2
−∞
∆ é expresso pela raiz quadrada da razão entre a energia do sinal derivada
e aquela do próprio sinal. Assim, a resolução dada pela equação (4) para
o sinal sech(.) (invariante à transformada de Fourier) é
∆ t = ∆ w = π 6 ≅ 0,5235987766 (27)
+∞ +∞ 2
uma vez que ∫−∞
sec h 2 ( ζ )dζ =2 , ∫
−∞
tgh 2 ( ζ ). sec h 2 ( ζ )dζ =
3
,
2
2.ζ
+ ∞ 2
∫
−∞ π
sec h 2 ( ζ )dζ = .
3
(28)
132
Análise de Fourier e Wavelets
1
∆t . ∆f = . (2n+1), (27a)
2
1
∆t . ∆w = (2n+1). (27b)
2
É por esta razão que as funções de Gabor são relevantes em certos
problemas (e.g. [OKA 1998]).
lim 1 +∞ 2
T →∞ T ∫− ∞
P= f (t)dt
+∞ 2 +∞ 2 + T /2 2 +∞ 2
ET = ∫ f (t)dt = ∫
| F (w)|df . Daí, ∫− T / 2 f (t)dt = ∫ | FT (w)|df . A
−∞ T −∞ T −∞
potência dissipada pelo sinal f(t) pode ser expressa por
2
P= +∞ lim | FT (w)| df .
∫−∞ T→ ∞ T
n n ( )
23 ψ ( t ) = H ( t ) exp − t 2 2 exp( jw t + φ ) .
0 0
133
Hélio Magalhães de Oliveira
134
Análise de Fourier e Wavelets
n =0 j2 π ( k-l) / N = 0 se k ≠ l
1−e .
N −1 2πk N −1
j n 1
Então ∑ F ( n )e N =
N
∑ f (l ) Nδ k ,l = f (k ) .
n =0 l =0
n n
Se x (kTs ) ↔ X e y (kTs ) ↔ Y
NTs NTs
P1 - Linearidade.
n n
x (kTs ) + y (kTs ) ↔ X + Y
NTs NTs
135
Hélio Magalhães de Oliveira
P2 - Simetria.
1 n
X (kTs ) ↔ x −
N NTs
P3 - Deslocamento no Tempo.
n jπnl/ N
x (kTs − lTs ) ↔ X e
NTs
P4 - Teorema da Convolução em Freqüência.
1 N −1 i n −i 1 n n
x( kTs ) y ( kTs ) ↔ ∑ X Y := X *Y
N i = 0 NTs NT
s N NTs
NT
s
P5 - Teorema de Parseval.
2
N −1
1 N -1 n
∑ 2
x (kTs ) =
N
∑ X
NTs
k =0 n =0
= ∑ f (kTs ) e N ,
-j
f (kTs ) ↔ F , onde F
NTs NTs k =0
em lugar da notação simplificada f(k) ↔ F(n).
Um aumento na quantidade N de amostras consideradas (e uma
escolha do tempo de amostragem Ts) implica em uma melhor
representação do espectro. Aos que desejam fazer uso prático da DFT,
aconselha-se consultar as referências indicadas, para assegurar uma
correta utilização e interpretação dos resultados. Devido à simetria,
somente a parte de DFT corresponde à primeira metade, 0 ≤ n ≤ N , deve
2
ser considerada como aproximação para o espectro do sinal amostrado.
Transformadas (Fourier, Gabor, Hilbert, do cosseno, wavelets,
etc.) vêm desempenhando um papel extremamente relevante em
Engenharia. Um dos exemplos mais conhecidos é a bem conhecida
Transformada discreta de Fourier (DFT), que tem encontrado aplicações
nas mais diferentes áreas do conhecimento, particularmente em
Engenharia Elétrica. Um segundo exemplo interessante é a transformada
integral de Hartley [HAR 1942], [BRA 1983].
136
Análise de Fourier e Wavelets
25 O esforço computacional para avaliar a DFT é N2, enquanto que para o algoritmo FFT
é dado por 2Nlog2N (sendo N potência de 2). Para N=1024, compare
N2≅1.000.000 e 2Nlog2N≅20.000 em aplicações em tempo real.
137
Hélio Magalhães de Oliveira
tensão
f(t)
138
Análise de Fourier e Wavelets
139
Hélio Magalhães de Oliveira
Exercício 11
Solução:
0,8
0,6
0,4
0,2
0
0 5 10 15 20 25 30 35
1,5
0,5
0
0 5 10 15 20 25 30 35
-0,5
-1
-1,5
140
Análise de Fourier e Wavelets
141
Hélio Magalhães de Oliveira
0.083 0.083 0.083 0.083 0.083 0.083 0.083 0.083 0.083 0.083 0.083 0.083
0.083 0.072 0.042 0.042+ -0.072 -0.083 -0.072 -0.042 0.042 0.072
+0.042i +0.072i 0.083i 0.072i +0.042i -0.042i -0.072i 0.083i -0.072i -0.042i
0.083 0.042 -0.042 -0.083 -0.042 0.042 0.083 0.042 -0.042 - -0.042 0.042
+0.072i +0.072i -0.072i -0.072i +0.072i +0.072i 0.083 -0.072i -0.072i
0.083 0.083i -0.083 -0.083i 0.083 0.083i -0.083 -0.083i 0.083 0.083i -0.083 -0.083i
0.083 0.083i -0.083 -0.083i 0.083 0.083i -0.083 -0.083i 0.083 0.083i -0.083 -0.083i
0.083 -0.072 0.042 0.083i -0.042 0.072 -0.083 0.072 -0.042 0.042 -0.072
+0.042i -0.072i -0.072i +0.042i -0.042i +0.072i - +0.072i -0.042i
0.083i
0.083 -0.083 0.083 -0.083 0.083 -0.083 0.083 -0.083 0.083 -0.083 0.083 -0.083
0.083 -0.072 0.042 -0.042 0.072 -0.083 0.072 -0.042 0.042 -0.072
-0.042i +0.072i -0.083i +0.072i -0.042i +0.042i -0.072i 0.083i -0.072i +0.042i
0.083 -0.042 -0.042 0.083 -0.042 -0.042 0.083 -0.042 -0.042 0.083 -0.042 -0.042
-0.072i +0.072i -0.072i +0.072i -0.072i +0.072i -0.072i +0.072i
0.083 -0.083 0.083 -0.083 0.083i 0.083 -0.083
-0.083i 0.083i -0.083i - 0.083i
0.083i
0.083 0.042 -0.042 -0.083 -0.042 0.042 0.083 0.042 -0.042 - -0.042 0.042+
-0.072i -0.072i +0.072i +0.072i -0.072i -0.072i 0.083 +0.072i 0.072i
0.083 0.072 0.042 -0.042 -0.072 -0.083 -0.072 -0.042 0.042 0.072+
-0.042i -0.072i -0.083i -0.072i -0.042i +0.042i +0.072i 0.083i +0.072i 0.042i
1 1 1 1 1 1 1 1 1 1 1 1
1 1.366 1.366 1 0.366 -0.366 -1 -1.366 -1.366 -1 -0.366 0.366
1 1.366 0.366 -1 -1.366 -0.366 1 1.366 0.366 -1 -1.366 -0.366
1 1 -1 -1 1 1 -1 -1 1 1 -1 -1
1 0.366 -1.366 1 0.366 -1.366 1 0.366 -1.366 1 0.366 -1.366
1 -0.366 -0.366 1 -1.366 1.366 -1 0.366 0.366 -1 1.366 -1.366
1 -1 1 -1 1 -1 1 -1 1 -1 1 -1
1 -1.366 1.366 -1 0.366 0.366 -1 1.366 -1.366 1 -0.366 -0.366
1 -1.366 0.366 1 -1.366 0.366 1 -1.366 0.366 1 -1.366 0.366
1 -1 -1 1 1 -1 -1 1 1 -1 -1 1
1 -0.366 -1.366 -1 0.366 1.366 1 -0.366 -1.366 -1 0.366 1.366
1 0.366 -0.366 -1 -1.366 -1.366 -1 -0.366 0.366 1 1.366 1.366
142
Análise de Fourier e Wavelets
h(t) H(w)
(b) t
(b) Relógio amostrador w (B)
w
(c) = t
(c) Discretização (C) =
(a).(b) Sa(x) (A).(B)
w
(d) t
(D)
(d) função de truncamento
w
(e)= t (e) Sinal truncado (E)=
(c).(d) (C).(D)
t
(g)= (g) Periodicidade. (G)=
w
(e)*(f) (E)*(F)
Exercício 12.
Calcular explicitamente a DFT do sinal em rampa f(k)=k, k=0,1,2,…,N-1.
143
Hélio Magalhães de Oliveira
2πnk
1 N −1 −j
Solução. Por definição, F (n) = ∑ k .e N para n=0,1,2,…,N-1. Mas
N k =0
N −1 1 − e jNt
∑ e jkt = para t≠2πm. Derivando-se a expressão, obtém-se
k =0 1 − e jt
N −1
∑ k .e jkt =
( ) (
− Ne jNt 1 − e jt + 1 − e jNt e jt ) , também válida para t≠2πm.
jt 2
k =0 (1 − e )
Separam-se os caso n=0 e n=1,2,...,N-1 (⇒t≠2πm). Nos casos particulares
2πn
em que t=− , deriva-se facilmente que
N
N ( N − 1)
2 se n = 0
N −1 nπ
j
∑ k .e jkt = jN .e N
k =0
2 sen nπ para n = 1,2,..., N − 1
N
( N − 1) se n = 0
2
F ( n) =
1 nπ para n = 1,2,..., N − 1
− 1 + j cot g
2 N
Em resumo, vale sintetizar as possíveis abordagens usando várias
formas da decomposição de Fourier.
144
Análise de Fourier e Wavelets
145
Hélio Magalhães de Oliveira
146
Análise de Fourier e Wavelets
4
8 .10
4
6.554×10
4
6 .10
2
N
4
4 .10
N ⋅ log( N , 2)
4
2 .10
0 0
0 50 100 150 200 250 300
1 N 256
Figura 2.23. Complexidade Aritmética do cálculo da DFT expressa em
número de multiplicações requeridas: Usando a definição (linha cheia) e
com o fulgurante algoritmo FFT base 2 (linha pontilhada).
O Algoritmo FFT
147
Hélio Magalhães de Oliveira
2 nk nk
Como W 2M = W M , é possível reescrever a equação anterior sob
a forma:
M −1 M −1
1 1 nk 1 n ( 2k ) n
F ( n) =
2 M
∑ f (2k )W M + M ∑ f (2k + 1)W 2 M W 2m .
k =0 k =0
Agora considerando as seguintes DFTs:
1 M −1 1 M −1 nk
Feven(n) = ∑
M k =0
nk
f (2k )W M e Fodd (n) =
M
∑ f (2k + 1)W M ; n=0,1,...,M-1,
k =0
F (n) =
1
2
[ n
Feven (n) + Fodd ( n)W 2 M . ]
n+ M n n+ M n
Observa-se também que: W M =W M e W 2M = −W 2 M , de modo que
1
F (n + M ) =
2
[ n
Feven(n) − Fodd (n)W 2M . ]
Uma análise cuidadosa das equações revela algumas propriedades
interessantes destas expressões.
Uma transformada de comprimento N pode ser computada
dividindo a expressão original em duas partes, como indicado
anteriormente.
O cálculo da primeira metade de F(n) requer a avaliação de duas
transformadas de (N/2)-pontos dadas pelas equações Feven(n) e Fodd(n). Os
resultados de Feven(n) e Fodd(n) são substituídos para obter F(n) para
n=0,1,2,..., (N/2-1). Os outros valores seguem diretamente, sem
avaliações de transformações adicionais.
Para examinar as implicações computacionais deste
procedimento, considere m(.) e a(.) como o número de multiplicações
complexas e adições, respectivamente, exigidas para implementação.
Suponha que o número de amostras é igual a 2L, em que L é um inteiro
positivo. Supondo L=1. A transformada de dois pontos requer a avaliação
de F(0), pois F(1) segue de imediato. Para obter F(0), precisa-se do
cálculo de Feven(0) e Fodd(0).
Neste caso, M=1 e Feven(n) e Fodd(n) são transformada de apenas
um ponto, porque a transformada de Fourier de um único ponto é o
próprio ponto, por isso nenhuma multiplicação ou adição são efetuadas
148
Análise de Fourier e Wavelets
Número de Operações
149
Hélio Magalhães de Oliveira
A FFT inversa
Implementação da FFT
O principal ponto das implementações diz respeito ao arranjo dos
dados de entrada visando à aplicação da divisão de uma transformada em
termos de outras com menor comprimento.
O procedimento de reordenação pode ser ilustrado através de um
exemplo simples (N=8).
Entrada {f(0), f(1), f(2), f(3), f(4), f(5), f(6), f(7)}.
150
Análise de Fourier e Wavelets
REARRANJO:
Entrada {f(0), f(1), f(2), f(3), f(4), f(5), f(6), f(7)}.
{f(0), f(4), f(2), f(6), f(1), f(5), f(3), f(7)}.
151
Hélio Magalhães de Oliveira
• http://pirate.shu.edu/~wachsmut/Java/FFT/
• http://www.dsptutor.freeuk.com/analyser/SpectrumAnalyser.html
• http://www.umoncton.ca/genie/electrique/Cours/Hamam/SignalP
roc/Analyser/SignalAnalyser.htm
152
Análise de Fourier e Wavelets
N 2 3 4 5 6 8 12 16 24 32 48 64 128 256
N µDFT(N) N µ(DFT(N))
4 0 120 120
8 2 240 274
12 4 720 986
24 12 ... ...
48 38 65520 108594
60 56 ... ...
153
Hélio Magalhães de Oliveira
vi
+ vi+vj
vj
- vi-vj
V V V V
1 2 3 4
v
0 H /W
v
2
v
1 H /W
v
3
154
Análise de Fourier e Wavelets
v
0 H/W
v
4
v
2 H/W
v
6
v
1
v
3 H/W
v x
5
v x
7
v1
H/W H/W
v5
v3 X
H/W H/W
v7 X
Figura 2.27 FFT para a 8-DHT/DFT. (a) Uma FFT com apenas duas
multiplicações; (b) Detalhes do bloco da transformada 4-H/W. Os pequenos
círculos nas caixas indicam que uma subtração é usada em vez de adição. Os
blocos H/W denotam uma transformada de Hadamard.
155
Hélio Magalhães de Oliveira
...
s4(2),..., s11(2) s0(3),..., s11(3)
v
0 H/W
v6
v
3
H/W
v9
v
1 H/W H/W H/W
v7 X
v
2 X
H/W H/W H/W
v8
v
4 H/W H/W H/W
v 10 X
v X
5 H/W H/W H/W
v 11
Figura 2.28 FFT para uma 12-DHT/DFT com apenas 4 multiplicações para
implementação em circuitos. Os blocos H/W denotam uma transformada de
Hadamard.
156
Análise de Fourier e Wavelets
157
Hélio Magalhães de Oliveira
10
8
6
4
2
Figura 2.31 Trecho de sinal de teste do tipo vídeo (sinal de uma linha
horizontal).
158
Análise de Fourier e Wavelets
A Transformada de Walsh.
t
0 1 2 3 4
W (t)
1
W (t)
2
W (t)
3
159
Hélio Magalhães de Oliveira
160
Análise de Fourier e Wavelets
A transformada de Haar.
161
Hélio Magalhães de Oliveira
162
Análise de Fourier e Wavelets
1 2π
Mas J 0 ( β ) = ∫ e − jβ cos ζ dζ de modo que
2π 0
∞
F (u , v) = 2π ∫0 f (r )rJ 0 (2πqr )dr := F(q ) .
∞
f (r ) = 2π ∫0 F ( q)qJ 0 ( 2πqr )dq .
Alguns pares de transformadas são mostrados:
1 1
2
e −πr ↔ e −πq
2
1
↔ ↔ 2πK 0 (2πaq)
r q a +r2
2
δ (r )
Π r ↔
J 1 (2πq ) ↔ 1.
2 q πr
163
Hélio Magalhães de Oliveira
Transformada 2D de Hadamard.
Exercício 13
(PROCESSAMENTO DE IMAGENS). Uma imagem simples é
quantizada em 4 níveis, podendo assumir os níveis -3, -1, +1 , +3.
a) Os níveis de cinza correspondem a uma escala (-3 preto...+3 branco).
Observando a imagem, encontre a matriz bidimensional do sinal de
imagem.
164
Análise de Fourier e Wavelets
P (τ)
0 P (τ)
P (τ) τ
π/4 -π/4
τ
τ
τ
emissor
P (τ)
π/2
x
emissor
165
Hélio Magalhães de Oliveira
Pθ (τ ) ↔ Ρθ (ϖ ) .
I(τ ) +∞
Para θ=0, tem-se P0 ( τ ) = − log =
∫ x(τ ,ζ )dζ , em que I é
I 0 (τ ) −∞
em que x( t1 , t 2 ) ↔ X ( Ω1 , Ω 2 ) .
27 Originariamente devido sir Lawrence Bragg (Proc. Roy. Soc. A, vol.123, pp.537-
559,1929).
166
Análise de Fourier e Wavelets
167
Hélio Magalhães de Oliveira
1 +∞ * t−τ
CWT := ∫−∞ f(t)ψ ( )dt .
a a
168
Análise de Fourier e Wavelets
f
f0 2f 0 3f 0 4f 0 ...
Banda passante relativa (Q) constante (WT)
f
f0 2f0 4f0 8f0 ....
Figura 3.2 Análise Espectral com banco de Filtros- (a) STFT e (b) WT.
169
Hélio Magalhães de Oliveira
ter uma visão mais global, mas com menor precisão. Já em uma escala
menor, vê-se detalhes, mas perde-se em estudar o comportamento global.
Esse conceito deriva de um tipo de Princípio da Incerteza Gabor-
Heisenberg. O parâmetro de deslocamento permite deslocar (parâmetro
local) o foco da atenção para outra parte do mapa. Numa escala 1:100000
é possível ter uma idéia do Brasil como um todo (mapa do Brasil), porém
já numa escala 1:1000, pode-se analisar detalhes de uma cidade,
perdendo-se a noção do todo. O que é melhor? Quem já usou mapas sabe
que depende do que se quer investigar!
170
Análise de Fourier e Wavelets
171
Hélio Magalhães de Oliveira
+∞
ψ(t) wavelet-mãe ψ(t)∈ L2( ). ∫ ψ 2 (t )dt < +∞ e Eψ =< ψ ,ψ > .
−∞
Operações:
a) escalonamento ψ a (t ) = 1 ψ t , a≠0.
|a| a
b) deslocamento ψ a ,b (t ) = ψ a (t − b) = 1 t −b.
ψ
|a| a
{ψ (t )} → {ψ a ,b (t )} (∀a, a≠0) (∀b∈ ).
ψ a ,b (t ) em termos de ψ (t ) :
+∞ 1 2 t −b 1 +∞ 2 t − b . Fazendo a mudança de variável
Eψ a ,b = ∫ ψ ψ
| a | ∫−∞
dt = dt
−∞ |a| a a
+∞
ζ =
t −b e dt
dζ = . Então Eψ a ,b = ∫ ψ 2 (ζ )dζ = Eψ Q.E.D.
a −∞
a
172
Análise de Fourier e Wavelets
Wavelets Contínuas
173
Hélio Magalhães de Oliveira
174
Análise de Fourier e Wavelets
(a) (b)
Figura 3.3 Resolução no plano t-f via análise
(a) STFT (b) Transformada de Wavelet .
175
Hélio Magalhães de Oliveira
• Comprimida, se s>1;
• Expandida, se s<1.
No caso da transformada de wavelet, o parâmetro escala aparece
no denominador. Neste caso teremos uma versão:
• Comprimida, se s<1;
• Dilatada, se s<1.
Todas as “janela”s a serem utilizadas são versões dilatadas e
comprimidas da wavelet-mãe. A transformada de Fourier tem como
função base os senos e cossenos que são funções ortogonais entre si. Esta
ortogonalidade resulta em propriedades desejáveis na reconstrução do
sinal [GRO&TORR 2001].
A transformada de wavelet pode ser agora analisada sob outro
prisma. Sabe-se que o produto interno de duas funções é dado por:
b
< f (t ), g (t ) >= ∫a f (t ).g * (t )dt .
Comprova-se que a transformada de wavelet nada mais é do que
o produto interno da função f(t) com uma função de base ψ(a,b)
multiplicada por uma constante:
CWT (a, b) =< f (t ),ψ (a, b; t ) > .
A transformada de wavelet não tem apenas uma função-base,
como na T.F. Muito pelo contrário, pode ter infinitas funções-base. Existe
um grande número de funções que podem ser consideradas como
wavelets-mãe.
Uma condição necessária para definir se uma função pode ser
uma wavelet é assegurar que ela é oscilatória (onda=wave), ou melhor,
176
Análise de Fourier e Wavelets
∞ 2
Ψ ( w) 2
∫ dw < + ∞ e daí Ψ ( w) w =0 = 0 .
−∞
w
O escalonamento é o processo de compressão e dilatação do
sinal. O parâmetro de escala "a" usado em wavelets tem interpretação
grosso modo idêntica à escala empregada em mapas cartográficos. As
altas escalas correspondem a uma visão global do sistema, enquanto que
as baixas escalas correspondem a uma visão mais detalhada.
177
Hélio Magalhães de Oliveira
−∞ a
Portanto, CWT(a,0)= a −1 / 2 ∫ f (t )ψ * ( t )dt pode ser desenvolvida
+∞
−∞ a
em série de Taylor nas proximidades do ponto a=0 resultando29:
CWT(a,0)=
178
Análise de Fourier e Wavelets
+∞
em que M n = ∫ t nψ (t )dt é o momento de ordem n da wavelet-mãe.
−∞
Note que a condição de admissibilidade corresponde a M0=0 [GOM et al.
1987]. Observe que Mn= Ψ ( n ) ( w) | w=0 = Ψ ( n ) (0) . Freqüentemente as
wavelets são classificadas em famílias de acordo com o número de
momentos nulos (vanishing moments).
Uma wavelet é dita ser de N momentos nulos se e só se Mn=0
∀n≤N-1. Este conceito desempenha um papel importante na construção
de wavelets.
179
Hélio Magalhães de Oliveira
180
Análise de Fourier e Wavelets
Wavelet de Haar
181
Hélio Magalhães de Oliveira
Wavelet Sombrero
182
Análise de Fourier e Wavelets
0.5
ψ ( x) 0
0.5
− 0.644 1
10 5 0 5 10
−8 x 8
183
Hélio Magalhães de Oliveira
Wavelet de Shannon
184
Análise de Fourier e Wavelets
(a) (b)
Figura 3.10 (a) Wavelet de Shannon. (b) Wavelet complexa de Shannon
(Matlab).
Wavelet de Meyer
185
Hélio Magalhães de Oliveira
Wavelets de Daubechies
186
Análise de Fourier e Wavelets
Figura 3.13 versões de uma db2. Estas formas de onda são ortogonais !
187
Hélio Magalhães de Oliveira
188
Análise de Fourier e Wavelets
1
2π
0 ≤| w |< (1 − α )π
1 1 .
Φ ( w) = cos (| w | −(1 − α )π ) (1 − α )π ≤| w |< (1 + α )π
2π 4α
0 | w |> (1 + α )π
1
Note que ∑ | Φ(w + 2πn) | = 2π , logo a raiz de cosseno elevado
n
2
189
Hélio Magalhães de Oliveira
190
Análise de Fourier e Wavelets
0.5
0.435
0.4
0.3
φ( t , 0.1)
φ( t , 0.2)
0.2
φ t ,
1
3
0.1
− 0.087 0.1
4 2 0 2 4
−5 t 5
alpha=0.1
alpha=0.2
alpha=0.3
Figura 3.16 Função escala de de Oliveira (esboço com α=0,1, 0,2 e 0,3).
A função de escala φ ( deO) (t ) pode ser expressa de um modo mais
elegante e compacto com o auxílio das seguintes funções especiais:
Tem-se então:
2π φ ( Sha ) (t ) = H 1 (t ) , e 2π φ ( deO ) (t ) = H 1−α (t ) + Μ 11+−αα (t ) .
Observa-se claramente que lim φ (t ) = φ ( Sha ) (t ) , como esperado.
( deO )
α →0
191
Hélio Magalhães de Oliveira
0 se w < π (1 - α )
1 1
cos (w − π (1 + α ) ) se π (1 - α ) < w < π (1 + α )
2π 4α
1
S ( deO ) ( w) = se π (1 + α ) < w < 2π (1 − α )
2π
1 cos 1 (w − 2π (1 − α ) ) se 2π (1 − α ) < w < 2π (1 + α )
2π 8α
0 se w > 2π (1 + α )
192
Análise de Fourier e Wavelets
(a)
(b)
Figura 3.18 Wavelet ψ
( deO )
(t ) : (a) Parte real e (b) parte imaginária.
193
Hélio Magalhães de Oliveira
• http://www-dsp.rice.edu/software/EDU/mra.shtml
• http://www-dsp.rice.edu/software/EDU/compression.shtml
• http://www-dsp.rice.edu/software/EDU/engine.shtml
• http://cm.bell-labs.com/cm/ms/who/wim/cascade/index.html
• http://tams-www.informatik.uni-
hamburg.de/applets/hades/webdemos/95-
dpi/waveform/fourier.html
194
Análise de Fourier e Wavelets
Definição (AMR).
Uma análise de multirresolução em L2( ) consiste numa seqüência de
subespaços fechados Vm ⊂ L2( ), m∈ , satisfazendo as seguintes
relações:
(AMR1) Vm ⊂ Vm-1 (∀m).
(AMR2) f(t) ∈ Vm ⊂ L2( ) ⇔ f(2t) ∈ Vm-1.
(AMR3) clos Vm = L2( ).
U
m∈Z
(AMR4) IV m = {0} .
m∈Z
AMR4 - A função toda nula (i.e., nula em quase toda parte) é o único
sinal de L2( ) que pode ser representado em qualquer escala Vm. Pode ser
demonstrado [DAU 1992] que AMR4 é uma conseqüência das demais
condições e poderia até ser suprimida.
{
AMR5 - Mostra-se que é 2− m / 2 φ ( 2 − m t − n) }n∈Z uma base de Vm. Com
efeito, isto segue da propriedade 2.
195
Hélio Magalhães de Oliveira
196
Análise de Fourier e Wavelets
Subespaço Base
W0 {ψ (t − n)}n∈Z
V-1 { 2φ (2t − n)} n∈Z .
197
Hélio Magalhães de Oliveira
Algoritmo cascata.
Aproximações numéricas para uma função de escala ϕ(t) e para a função
wavelet ψ(t) correspondente, podem ser construídas com base nos
coeficientes h e g, com auxílio das equações básicas de dilatação em
dupla escala. A idéia é calcular ϕ ( k ) (t ) como a iteração de ordem k,
determinada a partir de uma versão anterior da iteração de acordo com
[MALL 2000]:
+∞
ϕ ( k +1) (t ) = ∑ h[n]
k = −∞
2ϕ ( k ) (2t − n) e
+∞
ψ ( k +1) (t ) = ∑ g [ n]
k = −∞
2ϕ ( k ) (2t − n) .
Se o algoritmo converge para um ponto fixo, esta é a solução da equação
de dupla escala, a qual é independente da solução inicial arbitrada
ϕ ( 0 ) (t ) (ou ψ ( 0) (t ) ).
Wavelet Discreta
198
Análise de Fourier e Wavelets
ψ j , k (t ) = 2 j ψ ( 2 j t − k ) .
199
Hélio Magalhães de Oliveira
200
Análise de Fourier e Wavelets
201
Hélio Magalhães de Oliveira
Parametrização de Pollen
202
Análise de Fourier e Wavelets
τ0 τ
203
Hélio Magalhães de Oliveira
204
Análise de Fourier e Wavelets
32 É claro que não se pode avaliar tais potências quando não se dispõe do ruído! Porém
através do limiar, pode-se ter uma idéia das faixas espectrais significativas para o sinal.
205
Hélio Magalhães de Oliveira
w
2
2 2
2
1.5
F(w) 1
( N(w) ) 1
0.5
0 0
×
−6
9.42710 0
0 5 10
0 2 4 6 8 10 12
−3 w 12
1×10
−3 w 12 1×10
2
2
1.5 B2
S(w) 1 B1
0.5
0 0
0 2 4 6 8 10 12
−3 w 12
1×10
2
Figura 3.25 (a) Sinal original; (b) ruído aditivo; e (c) sinal contaminado. O
limiar é indicado, ilustrando que as zonas abaixo dele (e.g. B1) encontram-se
muito comprometidas e devem ser suprimidas. Já nas demais regiões (e.g.
B2), o sinal é menos afetado, em termos relativos, pelo ruído.
206
Análise de Fourier e Wavelets
Símbolo do Amostrador
controle da amostragem
T T
1
2
Figura 3.26 Sinal analógico amostrado em diferentes taxas (Teoria dos
Conversores A/D).
207
Hélio Magalhães de Oliveira
f(t) F(w)
w
t
w
m
Figura 3.27 Representação de um sinal de banda limitada
(domínios t e f).
208
Análise de Fourier e Wavelets
... ...
Ts t w w
s
t wm w
... ... ?
t w
Figura 3.28 Sinais envolvidos no processo de amostragem (ideal).
(a) pente de amostragem, (b) sinal analógico, (c) sinal com amostragem
instantânea.
34 Ver-se-á que toda informação de um sinal banda limitada f está contida nas amostras
m
tomadas em intervalos uniformes menores que 1/2fm seg !!
209
Hélio Magalhães de Oliveira
... Quando ws - wm = wm
w w w
m s
F (w)
c) ws < 2wm s
210
Análise de Fourier e Wavelets
w >2 w
s m
F (w) F(w)
s
H(w)
F (w)
s
F (w)
...
w w w w
m w m
s
Figura 3.30 Recuperação do sinal a partir de amostras.
Efeito da filtragem passa-baixa.
Para a recuperação exata, sem distorções, é necessário que
ws≥2wm, ou seja, T ≤ 1 segundos.
s
2 fm
O limite 1/Ts=2fm amostras.s-1 é chamado de taxa de Nyquist
[NYQ 1924]. Este é sem dúvida um resultado bastante surpreendente!
211
Hélio Magalhães de Oliveira
212
Análise de Fourier e Wavelets
...
...
Considerações:
a) Nos pontos de amostragem nTs, o valor correto de f(t) é
f(nTs). Em t=0, todas as funções "sample" se anulam, exceto
aquela centrada na origem, cujo valor é f(0).
b) Em t=Ts, apenas o pulso "sample" aí centrado é não nulo, e
assim por diante.
c) Nos instantes diferentes de nTs, os pulsos amostrais
"samples" somam desde -∞ a +∞ e reconstituem exatamente
o valor de f(t) no ponto analisado (interpolação perfeita).
Proposição. A energia de um sinal banda limitada em fm Hz pode ser
calculada em termos das amostras colhidas na taxa de Nyquist como
1 +∞ 2 n
E= ∑ f .
2 f m n =−∞
2 fm
213
Hélio Magalhães de Oliveira
+∞
n
Prova [HMdO]. Tem-se que f (t) ≈ ∑ f ( )Sa(wm t − nπ ) . Calculando
−∞
2fm
f2(t) e integrando-se na reta real, a prova segue da aplicação da relação de
wm
ortogonalidade ∫−+∞∞ Sa(wm t − nπ ).Sa(wm t − mπ )dt = δ n, m .
π
• http://www.gris.uni-
tuebingen.de/projects/grdev/applets/fourier/EnglishApplet.html
• http://www.mathcats.com/explore/lissajous/lissajous.html
Exercício 14.
O sinal f(t):=sinc(t) é banda limitada em π rd/seg. Aplicando o teorema da
amostragem de S-N-K, demonstre a fórmula
+∞
sinc(t ) = ∑ sinc(n).sinc(2t − n).
n = −∞
Use esta relação para mostrar que
214
Análise de Fourier e Wavelets
DIMENSIONALIDADE DE SINAIS
+∞
Seja f(t) um sinal real de energia finita, E = ∫− ∞ f 2 (t )dt , tempo-limitado
em T seg, cujo conteúdo de energia fora da banda B (Hz) especificada é
inferior a λE (λ é a fração da energia fora da banda considerada). Então:
1. f(t)=0, |t|>T/2
+B 2
2. ∫− B | F ( w) | df > (1 − λ ) E .
L = 2 BT + 1 .
Conseqüência: o número de dimensões de um sinal f(t) limitado no tempo
em T (seg.) e com energia praticamente concentrada na banda B (Hz) é tal
que
limL
→ 2B dim/seg.
T →∞ T
+∞ n
F ( w) = ∑ F Sa(wT + nπ ) .
n = −∞ T
215
Hélio Magalhães de Oliveira
216
Análise de Fourier e Wavelets
Fundamentos da Análise
Estocástica
CAPÍTULO 4
4.1 BREVE REVISÃO SOBRE A TEORIA DE
PROBABILIDADES
O intuito desta (muito concisa) revisão é tão somente “refrescar”
a memória a fim de introduzir naturalmente os fundamentos da análise de
sinais estocásticos. A idéia aqui é ilustrar as relações e as similaridades
existentes entre as teorias de análise de sinais determinísticos e de sinais
estocásticos.
UMA CRONOLOGIA SIMPLIFICADA
1654- Blaise Pascal (Paris) e Pierre Fermat (Toulouse)
217
Hélio Magalhães de Oliveira
Escola Russa:
Andrei Markov, Pafnuti Tchebyscheff, Liapunov
218
Análise de Fourier e Wavelets
TRATAMENTO AXIOMÁTICO:
CONSEQÜENCIAS TRIVIAIS
1) P(Ac)=?
A ∩Ac=∅. Por AX4, P(A ∪Ac)=P(A)+P(Ac).
Logo P(Ω)=P(A)+P(Ac) e via AX3, P(Ac)=1-P(A).
219
Hélio Magalhães de Oliveira
2) P(∅)=?
∅∩Ω=∅. Por AX4, P(∅∩Ω)=P(∅)+P(Ω). De ∅∪Ω=Ω, obtém-se
P(Ω)=P(∅)+P(Ω), donde P(∅)=0.
3) P(A)≤1
P(Ac)=1-P(A). Por AX2, 1-P(A)≥0.
4) P(B-A)=P(B)-P(A∩B)
(A∩B) ∩(B-A)=∅ por AX4, P((A∩B) ∪(B-A))=P(A∩B)+P(B-A).
Como (A∩B) ∪(B-A)=B, segue o resultado.
Exercício 11.
6) prove que P(A∪B)=P(A) + P(B) - P(A∩B).
PROBABILIDADE TOTAL.
n n n
∪i=1 {Ai}i=1 é uma partição de Ω ⇔ ∪i=1 Ai =Ω e Ai∩Aj=∅ i ≠j.
220
Análise de Fourier e Wavelets
B B
PROBABILIDADE CONDICIONAL.
A B
221
Hélio Magalhães de Oliveira
222
Análise de Fourier e Wavelets
VARIÁVEIS ALEATÓRIAS
X:Ω→
w X
Ω x
Corpo ordenado
X função mensurável
P(X ≤x)=P{w∈Ω: X(w) ≤ x}.
223
Hélio Magalhães de Oliveira
DESIGUALDADE DE CHEBYSHEV
CORRELAÇÃO E INDEPENDÊNCIA
• Momento Conjunto
mn,k:=E(XnYk)
224
Análise de Fourier e Wavelets
µn,k:=E{(X-mX)n (Y-mY)k}
Note que
X e Y independentes ⇒ X, Y não correlacionadas,
porém a inversa em geral não é verdadeira.
Extrato de artigo por H.M. de Oliveira, R.J. de Sobral Cintra, R.M. Campello
de Souza
225
Hélio Magalhães de Oliveira
226
Análise de Fourier e Wavelets
3n + 1 3n + 1
consecutivos), A7:={ floor , n>1}, A8:= { ceil , n>1}, etc.
2 2
floor(.) e ceil(.) denotam as clássicas funções piso e teto. O símbolo “:=”
denota “igual por definição”.
A medida de probabilidade µ definida sobre esta estrutura permite
construir um espaço de probabilidades ( ,P( ),µ). A probabilidade de
cada conjunto pode ser avaliada, i.e., qualquer subconjunto dos números
naturais é mensurável.
227
Hélio Magalhães de Oliveira
ζ(.) denota a função zeta de Riemann [GRA&RYZ 1965]. Note que para
cada s>1, ambos o numerador e denominador são definidos e finitos. A
necessidade de incluir s>1 advém da não convergência da série
harmônica. Note ainda que para s=0, a medida poderia ser usada para
conjuntos enumeráveis A⊆{1,2,3,...,N}:= T de cardinalidade finita,
resultando na clássica interpretação
∑1
n∈ A || A ||
µ 0 ( A) = T
= .
|| N T ||
∑1
n∈1
Ver-se-á que µ é uma função de conjunto não negativa e aditiva.
O espaço definido pela tripla é um espaço de probabilidades de
Kolmogorov [LOE 1963]. Os axiomas A2 ( µ ( A) ≥ 0 ) e A3
( µ (Ω) =µ( )=1) são prontamente verificados. A medida é aditiva (A4),
i.e., para conjuntos disjuntos A ∩ B = ∅ , tem-se µ ( A ∪ B ) = µ ( A) + µ ( B) ,
pois
1 1 1
∑ s ∑ s ∑ s
n∈ A ∪ B n n n
= n∈ A + n∈B .
ζ (s) ζ ( s) ζ ( s)
i) µ (∅) = 0 , pois µ (∅ ∪ N ) = 1 .
ii) monotonicidade – ∀A ⊂ B ⇒ µ ( A) ≤ µ ( B) .
Veja que
1 1 1
∑ s ∑ s ∑
n∈B n n ns
µ s ( B) = = n∈ A + n∈B − A ≥ µ s ( A) .
ζ ( s) ζ ( s) ζ (s)
iii) µ ( B − A) = µ ( B) − µ ( A ∩ B )
iv) µ ( Ac ) = µ ( N − A) = µ ( N ) − µ ( N ∩ A) = 1 − µ ( A) .
Propriedade.
Todo subconjunto próprio A⊂ com número finito de elementos, ||A||<∞,
tem medida nula. (aqui ||.|| denota a cardinalidade do conjunto).
228
Análise de Fourier e Wavelets
1 1
Prova. Dado s>1, ∑ ≤ ∑ = K < ∞ . Então
s
n∈ A n n∈ A n
1
∑
lim n∈ A n s lim K
µ ( A) = ≤ =0.
s → 1 + ζ (s) s → 1 + ζ (s)
229
Hélio Magalhães de Oliveira
Conjuntos especiais.
230
Análise de Fourier e Wavelets
M3 ( t ) 1
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
0 t 16
2
2
M5 ( t ) 1
0 0
0 5 10 15 20
0 t 20
Figura 4.5 Sinais elétricos M3(t) e M5(t) associados aos conjuntos M3 e M5,
definidos pela função binária que atribui 1 para divisores de 2
(respectivamente 5), 0 caso contrário.
231
Hélio Magalhães de Oliveira
{ }
torna-se muito grande e o comportamento assintótico (médio) emerge.
Tomando um conjunto truncado AT := n1, n2 , n3 ,..., n|| AT || , a média
harmônica dos elementos de AT é dada por
|| AT ||
média( AT ) = . Para s arbitrariamente próximo da
1 1 1
+ + ... +
n1 n2 n T
|| A ||
unidade, para T muito grande (T→∞), ambos o numerador e denominador
são grandes, porém a razão tende a µ1(A),
|| AT || / média( AT ) || AT ||
µ ( A) ≈ ≈ ou seja,
|| N T || / média( N T ) || N T ||
a fração da reta preenchida pelo elementos de A. Como conseqüência,
tem-se a seguinte:
Interpretação 2. Se µ(A) denota a fração de elementos de A relativa à ,
então [µ ( A)]−1 = 1 ≥ 1 representa a distância média entre elementos de A.
µ ( A)
232
Análise de Fourier e Wavelets
Por exemplo,
1 1
µ ( M 2 ∩ M 3 ) = µ ( M 6 ) = µ ( M 2 ).µ ( M 3 ) = = .
2.3 6
Nos casos em que p e q não são primos entre si, então
1
µ ( M p ∩ M q ) = µ ( M mmc ( p , q ) ) = , em que mmc denota o mínimo
mmc( p, q )
múltiplo comum.
Medida da união
CONJUNTOS ESPARSOS
233
Hélio Magalhães de Oliveira
2
2
P( t ) 1
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 t 17
Figura 4.6 Forma de onda binária P(t) correspondente ao conjunto dos
números primos. A função é semi-infinita e aperiódica.
234
Análise de Fourier e Wavelets
µM ( 2 , T ) 0.4
µM ( 3 , T ) 0.3
µM ( 5 , T )
0.2
0.1
0 0
3 4
1 10 100 1 .10 1 .10
1 T 10000
Figura 4.7 Medida dos conjuntos truncados M2T, M3T e M5T para diversos
valores de T.
235
Hélio Magalhães de Oliveira
236
Análise de Fourier e Wavelets
1
1
PrP ( T )
0.5
Pr( T )
0 0
3 4
1 10 100 1 .10 1 .10
2 T 10000
Figura 4.8 Velocidade de convergência da medida do conjunto dos primos. São
mostradas as aproximações com base no teorema de Hadamard e de Vallée-
Poussin (linha contínua) e a medida de freqüência relativa (linha tracejada).
Pr ( T )
0.5
µP( T )
0 0 3
1 10 100 1 .10
2 T 1000
Figura 4.9 Comparação das velocidades de convergência de duas estimativas da
medida do conjunto dos primos. A medida é nula. Note que a medida µ, com
base na média harmônica, tende a ser mais lenta que a freqüência relativa.
237
Hélio Magalhães de Oliveira
w1
t
w2
X(w2,t)
t fixo
X(w1,t)
X(w2,t)
t
238
Análise de Fourier e Wavelets
1 2 3
t1 t2 t3
239
Hélio Magalhães de Oliveira
∀τ, ∀k,
F
xt1 xt2 ... xtk(x1,x2,...,xk)= Fxt1+τ xt2+τ ... xtk+τ (x1,x2,...,xk).
CONSEQÜENCIA:
∀τ Fxt1 (x1)= Fxt1+τ (x1), i.e., mesma distribuição mantém-se durante todo
o processo.
+∞
Em t1: E(Xt1) = ∫−∞ xdF X t1 ,
+∞
Em t2: E(Xt2) = ∫− ∞ xdF X t 2 .
Logo E(Xt1)= E(Xt2)= ...= E(Xt)=constante.
O processo estocástico (P.E.) estacionário tem média única,
constante. De modo geral, todos os momentos são constantes, invariantes
à origem dos tempos.
2. E{X2(t)}<+∞ ∀t∈T
240
Análise de Fourier e Wavelets
y:Ω→ R
.
w a y ( w)
b
Sob condições apropriadas, se ∫a E x(w, t ) dt < +∞ , então todas as funções
amostrais são absolutamente integráveis (exceto por um conjunto de
medida nula) e
E ∫ x( w, t )dt = ∫ E ( x( w, t ) )dt .
b b
a a
241
Hélio Magalhães de Oliveira
(
E xn xm* = ) 1 T T ∞
2 ∫0 ∫0 ∑ k
T
r e j ( m − k ) w0 s e j ( k − n ) w0 t dsdt =
k = −∞
1 ∞ T T
2 ∑ k ∫0
= r e jw0 ( m − k ) s ds ∫ e jw0 ( k − n ) t dt
T k = −∞ 0
242
Análise de Fourier e Wavelets
T ∞ ∞
E ∫ | x (t ) | 2 dt = E ∫ ∑ x n e jnw0t ∑ x *m e − jmw0t dt = E ∑ | x n | 2 T = T ∑ rn
T
0 0 n m n= −∞ n = −∞
A média é, portanto, calculada através da relação:
1 T ∞
m x = lim E ∫ | x(t ) | 2 dt = ∑ rn
T 0 n = −∞ .
T →∞
243
Hélio Magalhães de Oliveira
244
Análise de Fourier e Wavelets
b *
• ∫a φ n (t )φ m (t )dt = δ n,m (série ortogonal)
• ( *
E xn xm )
= δ n,m (coeficientes descorrelacionados)
( ) ∞ ∞ ∞
R(t , s ) = E x t x *s = E ∑ σ n x n φ n (t ). ∑ σ k* x k* φ k* ( s) = ∑ | σ n | 2 φ n (t )φ n* ( s ) ,
n = −∞ k = −∞ n = −∞
a ≤ t, s ≤ b .
b
Agora, a seguinte integral: ∫a R(t , s)φ k (s)ds pode ser avaliada.
b 2 b
∫a R(t , s )φ k (s)ds = ∑ | σ n | φ n (t ) ∫ φ n* ( s)φ k ( s)ds ⇒
a
n
b 2
∫a R(t , s)φ k (s)ds =| σ k | φ k (t ) .
As funções {φ k }+∞
− ∞ da decomposição ortogonal devem obedecer à
equação integral
b
∫a R(t , s )φ (s)ds = λφ (t ) , a≤t ≤b.
245
Hélio Magalhães de Oliveira
Então,
( *
σ nσ m E xn xm ) b b b b
= E ∫a x(t )φ n* (t )dt ∫a x* ( s )φ m ( s )ds = ∫a ∫a R(t , s )φ n* (t )φ m ( s )dtds =
b * 2 2
∫a φn (t ) | σ m | φm (t )dt =| σ m | δ n, m .
T ∞ ∞ ∞
E ∫ | x(t ) | 2 dt = E ∫ ∑ σ n x nφ n (t ) ∑ σ k* x k* φ k* (t ) = E ∑ | σ n | 2 | x n | 2
b
a 0
n=0 k =0 k =0
∞
ou seja, E ∫b| x(t ) | 2 dt = ∑ | σ n | 2 .
a
k =0
Para um processo deste tipo, a ACF pode ser representada sob a forma
+∞ n
R x (τ ) = ∑ R x ( ) Sa( wm t − nπ )
n = −∞ 2 fm
,
n
R x ( )
2 fm
em que são amostras da função de autocorrelação.
246
Análise de Fourier e Wavelets
247
Hélio Magalhães de Oliveira
248
Análise de Fourier e Wavelets
ℵ0 w
Como S x ( w) = ∏ , então a autocorrelação deste
2 2Ω
processo vale
ℵ0 Ω
Rx (τ ) = .Sa(Ωτ ) .
2 π
Para determinar uma expansão ortogonal não correlacionada (Kahunen-
Loève), o conjunto ortogonal usado deve ser aquele das funções prolate
esferoidais. Desenvolvendo a série no intervalo |t|<T, a equação integral
que deve ser satisfeita por {φ (t )}é
ℵ0 Ω T
Sa(Ω(t − s ) )φ ( s )ds =λφ (t ) em |t|<T.
T
∫−T R(t , s)φ ( s)ds = 2 π ∫−T
−T
ℵ0 Ω ℵ Ω
Sa (Ω (t − s ) )φ ( s ) ds = 0 λ0φ (t ) = λφ (t ) .
T
∫−T 2 π 2 π
O autovalor λ pode ser calculado em termos do autovalor λ0
(normalizado) das funções “prolate-esferoidais”. A série obtida tem
coeficientes aleatórios xn não correlacionados.
249
Hélio Magalhães de Oliveira
A j := r j cos θ j
Impondo, 0 ≤ j ≤ N : ,
B j := r j senθ j
então x[n] corresponde a um processo de movimento Browniano
fracionário amostrado.
250
Análise de Fourier e Wavelets
36 O filtro transversal foi uma idéia patenteada em 1931 por N. Wiener e Y.W. Lee do
MIT (Massachusetts Institute of Technology). Nobert Wiener (1894-1964) fantástico
cientista Norte-americano, criador, entre numerosas contribuições relevantes, da
Cibernética – Ciência dedicada ao estudo do controle e comunicação nos animais e
máquinas.
251
Hélio Magalhães de Oliveira
Figura 5.1 Filtro de Wiener com três derivações (equivale a FIR 3-taps).
252
Análise de Fourier e Wavelets
y n = S ( x n − L x n− L +1 x n−1 x n ) .
Série de Volterra.
L L L L L L
y n = h ( 0 ) + ∑ hi( 1 ) xn −i + ∑∑ hij( 2 ) x n −i x n − j + ∑∑∑ hijk
(3)
x n −i x n − j x n − k + K
i =0 i =0 j =0 i =0 j = 0 k =0
A série é caracterizada pelos "coeficientes" de Volterra:
+
+∞ +∞ +∞
∫ ∫ ∫ h3 ( τ 1 ,τ 2 ,τ 3 )x( t − τ 1 )x( t − τ 2 )x( t − τ 3 )dτ 1 dτ 2 dτ 3 + K
−∞ −∞ −∞
Exemplo 1.
Considere o sistema não linear obtido pelo cascateamento de um filtro
invariante (LIT) {hn} com uma não-linearidade expressa pela relação de
entrada-saída yn=g(wn); g analítica. (wn corresponde à saída do sistema
LIT, vide figura que segue).
253
Hélio Magalhães de Oliveira
254
Análise de Fourier e Wavelets
255
Hélio Magalhães de Oliveira
Exemplo 2:
Grupo unimodular de GF(112). A Tabela I.5 lista os elementos do
subgrupo G1 of ordem 12, e suas ordens
[http://www2.ee.ufpe.Br/codec/Fftools.html].
256
Análise de Fourier e Wavelets
5+j8=-6+j8 j
6+j8
-8+j6=3+j6
8+j6
-1 1
3+j5=-8-j6 8-j6=8+j5
-6+j3=5+j3 6+j3
-j
257
Hélio Magalhães de Oliveira
258
Análise de Fourier e Wavelets
259
Hélio Magalhães de Oliveira
∑ (−1)
n =1
n +1
=1-1+1 -1 +1 ... diverge no sentido clássico. Entretanto, Euler
n k =1
para 1/2 . Quando uma série converge no sentido de que a média
aritmética das somas parciais converge, a mesma é dita ser Cesàro-
somável (Ernesto Cesàro (1859-1906)) [FIGU 1977]. Toda série
convergente no sentido usual é Cesáro-somável e sua soma é igual ao
limite da seqüência de médias aritméticas das somas parciais. Isto
significa que o conceito de Cesàro somabilidade é útil, uma vez que pode
tornar séries divergentes, somáveis. Um novo critério de convergência,
adequado para séries sobre corpos finitos, derivado da somabilidde
Cesàro, é introduzido a seguir. Dado {x[n]}1∞ , as somas parciais S[n] são
n
260
Análise de Fourier e Wavelets
261
Hélio Magalhães de Oliveira
262
Análise de Fourier e Wavelets
θ N −1
Desde que (aε -θ) tem ordem multiplicativa N, σ N = − ε ∑ ia ε i θ ( − i −1) , que
N i =0
N −1
é o mesmo que σ N = ε
θ N −1
εθ
N∑ i=0
d
dε θ
(a i (ε θ ) − i ) , ou σ N =
N
d
dε θ
( ∑ (aε
i =0
−θ i
) ) . Uma
∑θ=0
X (εθ )ε θn = ∑ ∑ x[k ]ε
θ=0
(
k = −∞
− kθ
)εθn .
263
Hélio Magalhães de Oliveira
infinitas, sua inversa requer apenas uma soma finita sobre o grupo das
fases Gθ. A transformada de Fourier de tempo discreto de corpo finito
introduzida nesse trabalho satisfaz a maioria das propriedades da TFTD
usual definida sobre os números complexos, tais como linearidade,
deslocamento no tempo, escalonamento e assim por diante.
Exemplo 6:
2 ( p +1) −1
A TFTDCF inversa do espectro plano X (εθ ) = 1 é x[n] = 1
2 ( p +1) ∑ε
θ=0
θn
,
264
Análise de Fourier e Wavelets
265
Hélio Magalhães de Oliveira
266
Apêndice
APÊNDICE A
UMA SINOPSE SOBRE A TEORIA DAS DISTRIBUIÇÕES
ESPAÇO VETORIAL D.
D é um espaço vetorial sobre os complexos, com dimensão infinita.
Convergência no espaço D.
Uma seqüência {ϕ n }+∞
n = 0 , φn∈D, converge para um sinal φ∈D se e só se:
i) ∃ Κ⊂ , compacto| Supp φn ⊂ Κ (∀n∈ )
ii) A seqüência de k-ésimas derivadas {ϕ }
( k ) +∞
n k =0 converge
uniformemente para φ(k).
267
Hélio Magalhães de Oliveira
Distribuições.
Uma distribuição é um funcional linear contínuo sobre D, definido por
uma regra de atribuição
T :D→C
.
ϕ a T (ϕ )
Distribuições Tf.
São distribuições geradas (associadas) a sinais f∈L1( ).
Se f∈L1( ), então f define uma distribuição Tf dada por:
+∞
∀φ∈D, < ϕ , T f >:= ∫ ϕ (t ) f * (t )dt .
−∞
268
Apêndice
1
Denota-se por vp .
t
Proposição.
A distribuição vpc está bem definida e o limite existe ∀φ∈D.
Prova.
Dado φ∈D, seja supp φ⊂ [-L,L]. Então
1 −ε ϕ (t ) Lϕ (t )
∫ ϕ (t ) dt = ∫
|t |>ε t −L
dt + ∫
t
dt .
ε t
1 −ε ϕ (t ) − ϕ (0) L ϕ (t ) − ϕ (0)
Daí segue que ∫|t|>ε ϕ (t ) t dt = ∫− L t
dt + ∫
ε t
dt , pois
−ε dt ε dt ' L dt
− ϕ (0) ∫ = − ϕ (0) ∫ =ϕ (0) ∫ .
−L t L t' ε t
O intervalo de integração suprimido na reta real corresponde a
ε ϕ (t ) − ϕ (0)
∫ dt , no qual, para ε→0, a integral tende a zero uma vez que
ε t −0
lim ϕ (t ) − ϕ (0) = ϕ ' (0) 1 + L ϕ (t ) − ϕ (0)
t − 0 . Então < ϕ , vp >= ∫ dt .
t →0 t − L t
Derivadas de Distribuições.
Se f∈C∞ é tal que Tf é distribuição, a distribuição derivada (Tf)’ pode ser
calculada em termos de Tf pondo
∀φ∈D < ϕ , T f' >= − < ϕ ' , T f > .
269
Hélio Magalhães de Oliveira
Isso sugere definir, de um modo mais geral, < ϕ , T ' >=< ϕ ' , T > .
Corolário.
Toda distribuição é infinitamente derivável.
(Estude o Doublet e outras derivadas envolvendo a Distribuição de
Dirac).
270
Apêndice
Multiplicação de distribuições.
Em geral, não se pode multiplicar duas distribuições. Mas se T∈D’ e
f∈C∞, então o produto f.T está bem definido e ∀φ∈D <φ,f.T>=<f.φ,T>.
Translação e homotetia.
271
Hélio Magalhães de Oliveira
1
Exemplos. Supp δ (t0 ) ={t0}; Supp v. p. = .
t
Distribuições de suporte compacto.
Seja T uma distribuição cujo suporte é limitado, portanto compacto.
Pode-se mostrar que T pode ser prolongada ao espaço D:=C∞( ). O
conjunto das distribuições de suporte compacto é denotado por D’.
Espaço C.
Um sinal f: →C pertence ao espaço C se e somente se:
i) φ∈C∞.
ii) ∀k>0, h≥0 inteiros, (∀t∈ℜ) t k ϕ ( h) (t ) < +∞ .
Se φ∈C então ∀k>0, h≥0 inteiros, ∃ uma constante Mk,h >0 tal que
∀t∈ , tem-se t k ϕ ( h) (t ) ≤ M k ,h .
272
Apêndice
Espaço vetorial C
i) Se φ1, φ2 ∈ C, ∀c1,c2 ∈ ⇒ c1φ1+ c2φ2 ∈ C.
ii) Seja φ∈C, P um polinômio e Q uma função racional sem pólos
sobre , então Pφ∈C e Qφ∈C.
Normas em C
Espaço métrico C
Definindo a seguinte métrica d: C×C→
+∞ 1 || ϕ || n
∀φ1,φ2 ∈ C d (ϕ1 , ϕ 2 ) := ∑ ∂ n (ϕ1 − ϕ 2 ) , em que ∂ (ϕ ) := .
n=0 2
n 1+ || ϕ || n
A série é convergente e a métrica acima é invariante à translação.
273
Hélio Magalhães de Oliveira
Definição (convolução).
Sejam S,T ∈D’. O produto de convolução S*T, quando existe, é a
distribuição dada por
<φ, S*T> := <<φ(u+v),Tv>,Su>.
N.B. Esta definição muitas vezes não tem sentido (vide detalhes
nas referências).
Segundo esse formalismo, a Transformada de Fourier pode ser
encarada como uma distribuição:
+∞
∀ϕ∈D, < ϕ , ℑ >= ∫−∞ ϕ (t )e − jwt dt ,
274
Apêndice
+∞
∀ϕ∈D, < ϕ , CWT >= ∫−∞ ϕ (t )ψ (t )dt .
+∞
i) < ϕ , τ bψ >= ∫−∞ ϕ (t )ψ (t − b)dt .
+∞ 1 t
ii) a≠0 < ϕ ,ψ a >= ∫−∞ ϕ (t ) ψ ( )dt .
|a| a
[ANT et al. 1973] Antosik, P., Mikusinski, J., Sikorski, R., Theory of
Distributions: The Sequential Approach, Polish Scientific Pub., 1973.
275
Hélio Magalhães de Oliveira
276
Apêndice
APÊNDICE B
UMA CONVERSA SOBRE TEORIA DA INTEGRAÇÃO
Com o objetivo de incentivar abordagens usando uma teoria mais
potente (como foi feito no estudo de séries ortogonais generalizadas,
distribuições de L. Schwarz, ou na teoria de wavelets), comenta-se a idéia
básica da integração de Lebesgue, que contém a integral de Riemann
como um caso particular. Muitos dos resultados clássicos envolvendo
integração podem ser estendidos através de uma ferramenta mais potente
do que a integral clássica de Riemann.
(Ω, Α, P ) ( ,B,µ)
277
Hélio Magalhães de Oliveira
a) medida externa
278
Apêndice
b) medida interna
279
Hélio Magalhães de Oliveira
ε/2 centrado em r1
ε/22 centrado em r2
...
ε/2n centrado em rn
...
A medida externa de DQ é cotada por
∞
ε ε ε
mo ( DQ ) ≤ ∑ m( I n ) = + 2
+ + ... = ε .
n =1 2 2 23
Desde que 0 ≤ mi ( DQ) ≤ mo ( DQ ) = 0 , segue-se que µ(DQ)=0.
Como (0,1) = DQ ∪ DI ⇒ µ(0,1) = µ(DQ)+µ(DI)=1, tem-se que
µ(DI)=1.
∫ I
f (t )dt em que I⊂ = (−∞,+∞) é um intervalo da álgebra acima.
1 +∞1
Assim, por exemplo, ∫0
f (t )dt = ∫
( 0 ,1)
f (t )dt e ∫
−∞
f (t )dt = ∫ f (t )dt .
ℜ
280
Apêndice
Com yk := f (ξ k ) , o somatório
n n
s := ∑ yk m( xk −1, xk ) = ∑ yk ( xk − xk −1 )
k =1 k =1
representa certa área que presumivelmente aproxima-se da área sob a
curva y=f(x). Se s tem um único limite, independente da partição do
intervalo [a,b], então este limite é chamado de integral de Riemann.
281
Hélio Magalhães de Oliveira
REFERÊNCIAS
282
Análise de Sinais e Wavelets
283
Hélio Magalhães de Oliveira
284
Análise de Sinais e Wavelets
*12 Obtenha uma série trigonométrica que represente f(t) abaixo em [0,π/4], de
modo a conter:
a) Termos em seno e cosseno com freqüências w=4,8,12,16,...
b) Somente termos em seno w= 2,6,10,14...
cos
A
0
π/4 t
*13 Uma forma de onda periódica é exibida apenas em um quarto do período, e
deve ser completada de modo que:
a) A função seja ímpar, contendo apenas harmônicos pares,
b) A função seja par, contendo harmônicos pares e ímpares.
+1
1 2
t
-1
T/4
*14 Desenvolver em série de Fourier a função f(t)=t, definida em 0<t<1,
contendo apenas:
a) Harmônicos ímpares b) Harmônicos pares
c) Mostre que a série converge em t=1 tanto no item a como no b.
*16 Para o sinal f(t) mostrado abaixo, encontre uma série de Fourier que o
represente no intervalo (0,1/12), contendo:
a) Termos em seno e cosseno, com freqüências 6,12,18,24,...
b) Apenas termos em seno, com freqüências 3,9,15,21,...
c) idem, com freqüências 3,6,9,12,...
d) Apenas termos em cosseno, com freqüências 1,3,5,7,...
285
Hélio Magalhães de Oliveira
f(t)
1
0 1/12 t
*17 Desenvolver em série trigonométrica de Fourier f(t)=A sgn(senw0t).
... ...
t
T
+∞
t − nT
b) Um trem de pulsos (pente) ΠT (t): = ∑ Π ( )
−∞ T/m
T/m
... ...
t
T
286
Análise de Sinais e Wavelets
t
-10 -6 -2 +2 6 10
*24 Mostre que a função periódica f(t)=exp(x coswct) pode ser desenvolvida em
série trigonométrica de Fourier. Sugestão: Refira-se às funções de Bessel
modificadas de primeira espécie.
287
Hélio Magalhães de Oliveira
*31 Demonstrar que sempre se pode expressar uma função f(t) qualquer como a
soma de duas funções componentes, sendo a primeira par e a segunda ímpar,
i.e.,f(t) = fe(t) + fo(t).
Encontre as componentes par e ímpar para u(t) e e-at u(t).
2
*32 Representar o sinal A sgn(π √3 sen(2πt/T0)) mediante uma série de Fourier.
t
*33 Obtenha a série exponencial para a função periódica g(t)=e -1, representada
graficamente abaixo.
e-1
... ...
1 2 3 t
+1
... ...
-2 -1 2 3
1 4 5 t
-1
-at
*35 O sinal f(t)=e 0≤t<T, com a>0, encontra-se esboçado a seguir,
considerando-o periódico. Determine a série de Fourier associada a tal sinal.
288
Análise de Sinais e Wavelets
*36 Considere a função real do tempo, definida por f(t)= sgn(t) e-t, -1<t<1,
periódica com período T=2. Esboce f(t) e determine o respectivo
desenvolvimento em série exponencial de Fourier.
A τ
... ... ... ...
t0 t
3
... 2 ...
1
t
T/32T/3T
+∞ +∞ +∞
e) ∫−∞ δ( 3t) sen t dt f) ∫−∞ δ (2t-1 ) e t dt g) ∫−∞ δ ( t )δ (t − 2)dt .
289
Hélio Magalhães de Oliveira
+∞
*47 a) Avalie a integral ∫−∞ δ(g(t)) f(t) dt , sabendo que os zeros de g(t) são t1, t2,
(n)
t ...tn e que g (t) existe para cada n. Admita ainda g'(ti)≠0, i=1,2,3,...n.
3
b) Demonstre que se f tem descontinuidade de primeira ordem na
origem, então vale o seguinte resultado: +∞ f(τ )δ (t-τ) dτ f(t+0 )+f(t- 0 ) .
∫-∞ 2
290
Análise de Sinais e Wavelets
*48 Um sinal real f(t) de período T, tem freqüência máxima fMax=N/T. A energia
1 T/ 2
média de um sinal periódico é dada por Eav= ∫−T/ 2 f 2 (t) dt. Mostre que Eav
T
N
2
= ∑ Fn , em que Fn é o enésimo coeficiente de Fourier da expansão.
n=− N
t
a) -2 3
b) f(t) = A Π (t/τ ) cos w0 t .
−τ τ t
291
Hélio Magalhães de Oliveira
*55 Dois sinais fi(t), i=1,2 estão esboçados abaixo. Encontre o espectro de
ambos.
10 3
-0,5
1 2 t 0,5 t
*56 Esboce o espectro do seguinte sinal:
A
t
−τ τ
Sugestão: Escreva-o em termos de uma função porta.
t
-5 0 +5
*58 Calcule o espectro de o sinal triangular apresentado a seguir.
1
-3 -1 1 3 t
*59 Dado que f(t) ↔ F(w) , avaliar o espectro das seguintes combinações de
sinais:
2
a) t f(at) b) f(a-bt) c) f(t)*δ(t-4) d) f(t) e
jw0t.
t
−π/5 π/5
292
Análise de Sinais e Wavelets
*64 Avalie e esboce o espectro de uma senoide iniciando na origem (nula para
valores negativos), i.e., sen wct . u(t). Repita para um tom cos wct . u(t).
-R R σ
*69 Determine o espectro dos dois sinais descritos pelas expressões analíticas:
1
f( t) = a,b>0 e g(t)=A Sa2(w0(t-τ)).
a + b(t - t 0 ) 2
2τ 2 wτ
*70 Calcular a anti-transformada de Fourier do sinal 2 2
Sa ( ).
τ +w 2
2a
Sugestão: exp(-a |t| ) ↔ .
a 2 + w2
293
Hélio Magalhães de Oliveira
2
*73 Calcule a transformada de Fourier do pulso Gaussiano v(t)=Ae-π(t/τ) .
294
Análise de Sinais e Wavelets
-1/2
*74 Calcular a transformada de Fourier da função f(t)=|t| , t≠0, empregando a
função fatorial generalizado de Euler Γ(.).
− pt Γ(α+1 ) ,
∞
∫0 e t α dt = e Γ (1 / 2 ) = π .
p α+1
*76 Mostrar que o espectro F(w) de um sinal f(t) genérico pode ser desenvolvido
em série de Taylor como:
w2 w3 ∞ wn , em que mn representa o
F(w) = m0 − jm1w − m2 + jm3 + ... = ∑ (− j )n mn
2! 3! n =0 n!
∞
n-ésimo momento do sinal, i.e., m n = ∫ t n f(t) dt. Sugestão: Utilize a
−∞
diferenciação na freqüência.
1 1
*77 Avalie a transformada de Fourier do sinal: f(t) = 2
.
π t − 2t + 2
-1 1
i -i
-1 1
Sugestão: Uma integral de contorno é requerida. Use decomposição em frações
parciais.
295
Hélio Magalhães de Oliveira
t
-4 -3 -2 -1 1 2 3 4
*83 Um sinal corresponde a uma série de pulsos cossenoidais, como indicado.
Cos 200π t
... ...
-5 -3 -1 +1 +3 +5 t
... ...
a)
-2 2 6 10
...
b) ...
0 1 2 3 4 5
1 ∞ 2
*89 Considere a função Q(t) = ∫t exp ( − ξ / 2 ) dξ . Calcular ℑ{Q(t)}.
2π
∞
Sugestão: Expressar ∫t f(ξ )dζ em termos de uma convolução do integrando e o
degrau unitário.
296
Análise de Sinais e Wavelets
*90 A função χ2 (qui quadrado com n graus de liberdade) é dada pela expressão:
(n-2)/2 -t/2
f(t)=K.t e u(t), n>2. Determine K de modo a normalizar f(t), i.e.,
+∞
∫−∞ f (ζ )dζ = 1 , e calcule a transformada do sinal normalizado.
Sugestão: Use a função Gama de Euler (fatorial generalizado):
∞ x −1 −u
Γ( x) = ∫ u e du .
0
*91 Calcule a Transformada de Fourier da função cos(αt2+β t), α,β >0 reais.
Sugestão: Complete o quadrado e use a Integral de Fresnel.
Dados: K(∞ ) = (1 + j)/ 2 e C (∞ ) = S (∞ ) = 1/2.
w
-w w
0 0
2a
*95 Calcular a transformada inversa de Fourier do seguinte sinal, provido
que 2w1<w0:
F(w)
+1
... ...
w
w w
1 0
*96 Avalie a TIF (Transformada Inversa de Fourier) para cada dos espectros:
a) F(w) = u(w-w ) e
-jwt0 b) F(w) = sgn(3w) c) A cos 2 (wt )
0 0
d)
+∞
e) F(w) = A w - w 0 < a/2,
∑ δ (w − nw0 ) w - w 0 > a/2
w 0 >> a/2.
−∞ 0
297
Hélio Magalhães de Oliveira
298
Análise de Sinais e Wavelets
1
w
a) A sen 2 wt 0 b) -4 -2 2 4
( wt 0 ) 2
*108 Calcule a DFT para os seguintes sinais (N=2, N=4): {1,1} e {1,1,0,0}.
299
Hélio Magalhães de Oliveira
βV V
αH
H
a) Determine o espectro do sinal, através do desenvolvimento em série
bidimensional.
b) Considere os seguintes parâmetros: α=0,6 β =0,4 e fh=20fv. Sendo
fnm=mfh+nfv, e esboce o espectro do sinal.
*116 Os sinais f1(t)=|t| e f2(t)=t.u(t) não são de energia finita. Usando a teoria das
distribuições, determine os espectros generalizados.
300
Análise de Sinais e Wavelets
-a/2 a/2
301
Hélio Magalhães de Oliveira
constitui uma função de escala para uma análise por wavelets: a wavelet de
Shannon.
302
Análise de Sinais e Wavelets
-4
t
303
Hélio Magalhães de Oliveira
b)
-4 4
t
14
− t − 1 < t < 0
a) f (t ) = , período T=2.
t 0 < t <1
t + 1 − 1 < t < 0
b) f (t ) = , período T=2.
t 0 < t <1
c) Use critério de Dirichlet.
15
-1 0 1 t (mseg)
16
a) T0=1/6.
0 1/12 1/6 t
304
Análise de Sinais e Wavelets
b) T0=1/3.
-1/6 -1/12
1/12 1/6
c) T0=1/3.
1/6
-1/6 t
d) T0=1.
305
Hélio Magalhães de Oliveira
+∞
1 2
21 a) +
T T
∑ cas(nw0t ) , cas(x):=cos(x)+sen(x).
n =1
a 0 = (1 − e −1 ) ; f (0) = f (1) = (1 + e ) / 2 ;
−1 +∞
1 (3 − e) .
∑ 1 + (2πn)
n =1
2
=
2(e − 1)
+∞
1 nπt
27 f (t ) ≅ ln 2 + ∑ n cos , 0<t<T.
n =1 T
cos 2t cos 3t cos 4t
28 1 + cos t + + + + ... e
2! 3! 4!
sen 2t sen 3t sen 4t
sen t + + + + ...
2! 3! 4!
f (t ) + f (−t ) f (t ) − f ( −t )
31 f e (t ) = e f o (t ) = .
2 2
+∞
2 n2πt
32 f (t ) ≅ ∑ [1 − cos(nπ )] sen .
n =1 nπ T
(e − 1) j 2πnt
33 f (t ) ≅ (e − 2) + ∑ .e .
n ≠ 0 1 + 2πjn
∞ [1 − e
− jnπ / 2
] [1 - e
- jnπ
] jnπt / 2
34 ∑ e , - ∞ < t < + ∞.
n=−∞ jn2 π
+∞ 1-e -aT jnw t
35 ∑ e 0 , -∞<t<+∞, w0 = 2π/T .
n = −∞
aT+jn 2π
1 2 +∞ nπ 2π
37 Para t0=0, A=1 e τ=T/3, f (t ) ≅ + ∑ Sa cos n t -∞<t<∞.
3 3 n =1 3 T
306
Análise de Sinais e Wavelets
-2 0 8 10 t
b) δ(w-w0-w1)
c)
-9 -12 9 12 t
44 τ = (τ1+τ2)/2 e τ = (τ1-τ2)/2.
t
-τ -τ τ τ
307
Hélio Magalhães de Oliveira
45 δ(t)
n f (t )
47 a) ∑ | g ' (ti ) | .
i =1 i
N 2
48 Eav = ∑ Fn .
n=− N
49 a) periódico; b) aperiódico; c) superposição de componente de a e b.
50 Não, a derivada “destrói” o conteúdo dc do sinal.
51 Porta: definição, derivação; triangulo: derivação, convolução.
3w − j 3 w / 2
Sa( w)e jw − Sa e
2
52 a) F ( w) = ; b)
jw
Aτ ( w − wc )τ ( w + wc )τ
Sa + Sa .
2 2 2
1 1 w − jwt 0
53 a) ↔ − jπ sgn( w) ; b) Sa(w0 (t − t 0 ) ) ↔ Π e
; c)
t 2 w0 2 w0
w
3Sa e − j 3,5 w ;
2
w − j 2w
1 d2 w e
d) πF + F * ; e)
2π | a | dw 2 a
a
jw
τ ( w + w0 )τ ( w − w0 )τ
Sa + Sa .
2 2 2
308
Análise de Sinais e Wavelets
jθ -jθ
61 π δ(w − a)e 0 + ππ δ( + a)e 0 .
Aπ π π
62
5 Sa ( 5 (w − 20) + Sa ( 5 ( w + 20) .
w − w0 w + w0 1 w
63 π .Π + Π cos(w + w0 )t0 ; Λ .
2 2 4 4
wc π
64 + [δ (w − wc ) − δ (w + wc )] ;
wc2 −w 2
2j
jw π
+ [δ (w − wc ) + δ (w + wc )] .
wc2 −w 2
2
1 2 2
65 e −t / 2 ↔ e − w / 2 .
2π
dSa( w)
66 a) 2.Si(|w|); b) j .
dw
67 -|π/w|.
Sa(wτa
68 τ
1 − (wτwτ/2
a
− |w|
π
69 a) e b
.e − jwt0 ; b) AΛ w .e − jwτ .
ab 2w
0
tτ τ2 − tτ 2
2 jτ .e −tτ e − e + e tτ e − e −τ
| t |≤ τ .
70 2 jτ 2 2 jτ 2
| t |≥ τ
2 jτ .e −τ |t| .Sa τ 2 ( )
71 [
a) πAδ ( w − w0 )e − jθ
]
+ πAδ ( w + w0 )e jθ . − j sgn( w) .
π 2 βb − w 2 βa − w − jw 2 / 4 β
72 K -K e
2 β 2 βπ 2 βπ
73 V(w) = Aτ exp [-(wτ/2√π)2].
1/ 2
2π
74 .
w
A w + w0 w − w0
75 X(w) = sgn (a) arctg − arctg
, w < +∞.
w0 a a
309
Hélio Magalhães de Oliveira
78 A
π
2
[exp(− τ 2
) ( ) ]
( w + w0 ) 2 / 2π e − jw0t 0 + − τ 2 ( w − w0 ) 2 / 2π e jw0t 0 .e − jwt0
79 e −|w| .
2 A cos aw − cos bw
80 F(w) = .
b−a w2
81 J (aw).
0
82 4 Sa(w/2) Sa(w) Cos(5w/2).
πA +∞ nπ nπ +∞
nπ nπ
83 ∑ Sa δ(w − − 200 ) + ∑ Sa δ(w − + 200 ) .
2 −∞ 2 2 −∞ 2 2
π − a/b w
84 e .
ab
85 Aae/(a+jw)2.
1 1 2|a|
86 sinal ímpar, espectro imaginário puro * .
j πw a 2 + w 2
4Vτ
87 .(Sa ( wτ ) − cos(wτ ) ) .
(wτ )2
1 − w2 / 2
89 πδ ( w) + .e
jw
n/2 -n/2
90 K=1/2 Γ(n/2) e F(w)=(1+2jw) .
π
2 2
1 π β +w π β −w
91 exp j − j + exp − j + j .
2 α 2 α 4 2 α 4
π / 2 w2 w 2
cos 4w + sen 4w
92 .
w0 0 0
2
w2 / 2
93 jw 2π σe −σ .
Aa a
94 Sa (t − t 0 ) . cos(w0 (t − t 0 ) ) .
π 2
w1 +∞
95 f (t ) = Sa(w1t )1 + 2 ∑ cos(nw0 t ) .
π n =1
310
Análise de Sinais e Wavelets
1 e − jw0 (t −t 0 ) A A
96 a) δ (t − t0 ) − ; b) j/t; c) use ℑ + cos 2 w0t ; d)
2 2πj (t − t0 ) 2 2
1 +∞ 2πn
w0
∑ δ (t −
w0
);
m = −∞
aA at
e) cos(w0t ).Sa .
2π 2
97 Use sen( βw)u ( w) + sen(− βw)u (− w) .
t 1 1 2 2
98 1 − 2Q . (use sgn(t ) * e −t / 2σ ).
σ 2π 2π σ
w0
99 u (t ) * Sa( w0 t ) .
π
1 t 1 1 t − t0 t + t0
100 Π * [δ (t − t 0 ) + δ (t + t 0 )] = Π + Π .
2 2 2 4 2 2
Aw0 2j
101 f(t) = Sa 2 (w0 t/ 2 ) cos w0 t e f(t) = Sa(t) sen (t) .
π π
w w 1
102 f 1 (t ) = 0 .Sa( w0 t ) , f 2 (t ) = 0 .Sa(w0 (t − t 0 ) ) , f 3 (t ) = * Sa( w0 t ) .
π π πt
j
103 a) cos(w0 t )u (t ) b) Sa 2 (t / 2) sen(t ) .
π
104
2
e − aw Sa(bw) ↔
1
4b
[
erfc( 2 a t − b) − erfc( 2 a t + b) . ]
A t
(1 − ) t ≤ 2t 0 1 2
105 2t 0 2t 0 ,e Sa (t/ 2 ). cos 3t.
senão. π
0
106
f[k] F[n]
FFT f*g
F.G
g[k]
X DFT-1
FFT
G[n]
311
Hélio Magalhães de Oliveira
107 trivial.
1 1+ j 1− j
108 a) {1, 0} b) , ,0,
2 4 4
m n m − 1 sen (πm/N)
109 F(n) = exp(−2πj ) .
N N 2 m sen ( πn/N)
110 { f1 ( x, y ) + f 2 ( x, y)} ↔ F1 (u, v) + F2 (u, v) ;
{ f ( x − x 0 , y − y 0 )} ↔ F (u, v) exp(− j 2π (ux 0 + vy 0 )
1 u v
a,b≠ 0 { f (ax, by )} ↔ F , ;
| ab | a b
111 |Cmn|= αβ |Sa(mπα) Sa(nπβ )|.
+∞ +∞
112 ∑ f(kTS ) = f S ∑ F(nf S ).
−∞ −∞
+∞ +∞
115 f(x,y) ≅ m n
∑ ∑ f( , ) Sa( 2πf mx x − mππ) Sa2πf my y − nππ), ∞<x,y<+∞ .
m = −∞ n = −∞ 2 f mx 2 f my
2 1
116 | t |↔ − 2
e tu( t ) ↔ jπδ ' ( w ) − .
w w2
312
Análise de Sinais e Wavelets
118 Roteiro:
a. Mostre que Ψa ,b ( w) = | a |Ψ (aw)e − jwb ;
b. Aplique o teorema da energia de Parseval e escreva CWT em
termos de F(w) e Ψa ,b ( w) ;
c. Interpretando o domínio temporal como b, identifique o par
CWT (a, b) ↔ F ( w) | a |Ψ * (aw) ;
d. Aplique a definição de transformada de Fourier, multiplique
ambos os membros por | a |Ψ (aw) , a≠0;
e. Use o “item b” e estabeleça
2
| Ψ (aw) | +∞ db
F ( w). = ∫ CWT (a, b)Ψa ,b ( w) 2 e deduza o
|a| −∞
a
resultado integrando com relação à variável de escala.
119 CWT=0 independente da wavelet usada. Não é possível recuperar o sinal,
pois a análise estuda apenas o comportamento passa-faixa (flutuante). A função
de escala deveria ser usada.
120 a) C(a,b-t0); b) 1 .C (ka, kb) .
|k|
121 ∏ w − 3π / 2 + ∏ w + 3π / 2 .
π π
122 4 π , 2π 1/ 4
w2 .
Φ( w) = w2 + 1 exp −
3 3 2
123 f(t)=Sinc(.) é banda limitada em π rad/seg de modo que a formula de
+∞
n
reconstrução f (t) ≈ ∑ f ( )Sa(wm t − nπ )
−∞ 2 fm implica em
+∞
∑
Sinc (t ) = f ( n).Sinc ( 2t − n) .
n = −∞
124 A equação de escala dupla estabelece que uma função de escala de Mallat
verifica φ (t ) = 2 ∑ hnφ ( 2t − n) . Assim, Sinc(.) pode ser usada como uma
n∈Z
função de escala, associada à wavelet de Shannon.
313
Hélio Magalhães de Oliveira
125
126
127
314
Análise de Sinais e Wavelets
TABELA.
x
Si ( x) = ∫ Sa(ζ )dζ .
0
x Si(x) Si(x+0,5)
0 0,0000 0,4931
1 0,9461 1,3247
2 1,6054 1,7785
3 1,8487 1,8331
4 1,7582 1,6541
5 1,5499 1,4687
6 1,4247 1,4218
7 1,4546 1,5107
8 1,5742 1,6296
9 1,6650 1,6745
10 1,6583
315
Hélio Magalhães de Oliveira
316
Referências
[AVI, 1974] G.S.S. Ávila, Funções de uma variável complexa, Rio de Janeiro:
Livros Técnicos e Científicos, 1974.
317
Hélio Magalhães de Oliveira
[BRA, 1978] R.N. Bracewell, The Fourier Transform and its Applications,
Nova Iorque: McGraw-Hill, 1978.
[BRA, 1983] R.N. Bracewell, The Discrete Hartley Transform, J. Opt. Soc.
Amer., vol.73, pp.1832-1835, Dec., 1983.
[BRI, 1988] E.O. Brigham, The Fast Fourier Transform and its Applications.
Englewood Cliffs, NJ: Prentice Hall, 1988.
[BRU et al., 1996] A. Bruce, D. Donoho, M-Y. Gao, Wavelet Analysis, IEEE
Spectrum, October, pp. 26-35, 1996.
318
Referências
[CER et al., 1969] G.A. Cerveira et alli, Algoritmo FFT para determinação da
Transformada de Fourier, Revista Técnica - Instituto de Alta Cultura,
Lisboa, vol. 31, n.391, 1969.
[COOL, 1987] J.W. Cooley, How FFT Gained Acceptance, ACM, pp. 97-100,
1987.
319
Hélio Magalhães de Oliveira
[DELL, 1994] J.R. Deller Jr., Tom, Dick, and Mary Discover the DFT, IEEE
Signal Process Mag., April, pp. 36-50, 1994.
[deO, 2004] H.M. de Oliveira, Shannon and Renyi Entropy of Wavelets, Anais
do XXI Simpósio Brasileiro de Telecomunicações, SBrT'04, Belém,
Pará, 6-9 Setembro, 2004.
[deO et al., 1999] H.M. de Oliveira, R.M. Campello de Souza, A.N. Kauffman,
Efficient Multiplex for Band-limited Channels: Galois Division Multiple
Access, Proceedings of the 1999 Workshop on Coding and
Cryptography- WCC-99, pp. 235-241, Paris, Jan., 1999.
[deO et al., 2000] H.M. de Oliveira, R.J. Sobral Cintra, R.M.C. Souza,
Multilevel Hadamard Decomposition of Hartley Transforms, XVIII
Simpósio Bras. de Telecomunicações, SBrT 2000, Gramado, RS,
Caucala: Nordeste digital line, 2000.
[deO et al., 2002a] H.M. de Oliveira, T.H. Falk, R.G.F. Távora, Decomposição
Wavelet sobre Corpos Finitos, Rev. da Soc. Bras. de Telecomunicações,
Número especial, Campinas, SP, vol. 17, n.1, pp. 38 - 47, 2002.
[deO et al., 2002b] H.M. de Oliveira, L.R. Soares, T.H. Falk, A Family of
Wavelets and a New Orthogonal Multiresolutional Analysis Based on the
Nyquist Criterion, IEEE SBrT Int. Telecomm. Symposium, Natal, RN,
Sept., 2002.
[deO et al., 2003a] H.M. de Oliveira, H.A.N. Silva, E.A. Bouton, Wavelet
Shift-Keying: A New Digital Modulation, Anais do XX Simpósio Bras. de
Telecomunicações, Rio de Janeiro, 5-8 Outubro, 2003.
320
Referências
[deO et al., 2003b] H.M. de Oliveira, L.R. Soares, T.H. Falk, A Family of
Wavelets and a New Orthogonal Multiresolution Analysis Based on the
Nyquist Criterion, Revista da Sociedade Brasileira de Telecomunicações.
Campinas, SP, vol. 18, n. 1, número especial, pp. 71-78, 2003.
321
Hélio Magalhães de Oliveira
[GAB&ROB, 1987] R.A. Gabel e R.A. Roberts, Signal and Linear Systems,
3rd ed., Singapora: Wiley, 1987.
322
Referências
[HERS 1964] I.N. Herstein, Topics in Algebra, Mass.: Blaisdell Pub., 1964.
323
Hélio Magalhães de Oliveira
[LANG, 1971] S. Lang, Álgebra Linear [Linear Algebra], São Paulo: Edgard
Blücher, 1971.
[LIRA et al., 2003a] M.M.S. Lira, H.M. de Oliveira, M.A. Carvalho Jr, R.M.C.
Souza, Compactly Supported Wavelets Derived from Legendre
Polynomials: Spherical Harmonic Wavelets, WSEAS Int. Conf. on
Systems, Corfu, Greece, 2003.
[LIRA et al., 2003b] M.M.S. Lira, M.A. Carvalho Jr, H.M. de Oliveira,
Compactação de Sinais de Distúrbios em Sistemas de Transmissão via
Wavelets, XVII Seminário Nacional de Produção e Transmissão de
Energia Elétrica, SNPTEE,Uberlândia, 2003.
324
Referências
[LIRA et al., 2004] M.M.S. Lira, H.M. de Oliveira, R.J.S. Cintra, Elliptic-
Cylindrical Wavelets: The Mathieu Wavelets, IEEE Signal Processing
Letters, vol. 11, n.1, January, pp. 52-55, 2004.
[MALV, 1988] H.S. Malvar, The LOT: A link between block transform coding
and multirate filter banks, Proc. IEEE Int. Symp. on Circ. and Syst., pp.
835-838, Espoo, Finland, 1988.
325
Hélio Magalhães de Oliveira
[NYQ, 1924] H. Nyquist, Certain Factors Affecting Telegraph Speed, Bell Syst.
Tech. J., Apr., pp. 324-346, 1924.
[PAPO, 1977] A. Papoulis, The Fourier Integral and its Applications, Nova
Iorque: McGraw-Hill, 1962, também: Signal Analysis, McGraw-Hill,
1977.
[PER&WAL, 2000] D.B. Percival e A.T. Walden, Wavelet Methods for Time
Series Analysis, Cambridge Press, (594p.), 2000.
326
Referências
[POLL, 1971] J.M. Pollard, The Fast Fourier Transform in a Finite Field, Math.
Comput., vol. 25, No. 114, pp. 365-374, Apr. 1971.
327
Hélio Magalhães de Oliveira
[SOA et al., 2003] L.R. Soares, H.M. de Oliveira, R.J. Sobral Cintra, R.M.C. de
Souza, Fourier Eigenfunctions, Uncertainty Gabor, Principle and
Isoresolution Wavelets, Simpósio Brasileiro de Telecomunicações, Rio
de Janeiro, Outubro, 2003.
[SOU et al., 2005] D.F. Souza, R.J.S. Cintra, H.M. de Oliveira, Uma
Ferramenta para Análise de Sons Musicais: A Série Quantizada de
Fourier, Anais do XXII Simpósio Brasileiro de Telecomunicações,
SBrT'05, Campinas, SP, Setembro, 2005.
[STE, 2004] E.G. Steward, Fourier Optics, 2nd ed., Dover, 2004.
[STOL et al., 1995] E.J. Stollnitz, T.D. DeRose, D.H. Salesin, Wavelets for
Computer Graphics: A Primer, Part 1. IEEE Computer Graphics and
Applications, May, 1995.
328
Referências
[TASW, 2000] C. Taswell, The What, How, and Why of Wavelet Shrinkage
Denoising, Computing in Science & Engineering, May/June, pp. 12-19,
2000.
[von BAE, 1999] H.C. von Baeyr, Catch the Wave (PHYSICA), The Sciences,
May/June, pp. 10-13, 1999.
329
Hélio Magalhães de Oliveira
[WRI, 1997] G.A. Wright, Magnetic Ressonance Imaging, IEEE Signal Proc.
Mag., p. 56,Jan., 1997.
[YOU, 1993] R.K. Young, Wavelet Theory and its Applications, Norwell, MA:
Kluwer Ac. Press. 1993.
330
Índice Remissivo
ÍNDICE REMISSIVO
σ-Álgebra (Borel)........................................................................................220, 278, 281
Algoritmo
Cascata............................................................................................................198
Multicamada..................................................................................................153
Rápido............................................................................................................145
Alto-falantes (tipos)......................................................................................................48
Amostragem
Pontual.............................................................................................................98
Teorema da (vide teorema)
Análise de multirresolução....................................................................................18, 194
Análise harmônica.........................................................................................................49
Analisador de espectro .........................................................................................89, 138
Ângulo entre sinais .................................................................................................20, 23
Árvores .................................................................................................................17, 200
Áudio ................................................................................................................34, 47, 86
Autocorrelação ............................................................................133, 240-243, 246-247
Autofunções ................................................................................................125-127, 245
Autovalores do operador Fourier ....................................................................129
Axiomas de Kolmogorov ...........................................................................................219
Banda passante efetiva (rms) .............................................................................123, 131
Codificação em sub-bandas .......................................................................................200
Combinação linear .................................................................................................16, 18
Complexidade
Espacial, temporal..........................................................................................145
medidas de complexidade algorítmica...........................................................145
Condição de
Compatibilidade.............................................................................................239
Dirichlet.....................................................................................................62, 65
Simetria..................................................................................................115, 239
Conjuntos
(teoria de)......................................................................................219, 223, 225
Truncados......................................................................................................231
de medida nula..............................................................................................235
Consonâncias................................................................................................................39
Constante de admissibilidade de wavelets...........................................................177-179
Convergência
à Cesàro.........................................................................................................261
em média quadrática EMQ.............................................................................27
de Lanczos ......................................................................................................72
pontual.......................................................................................................64-65
uniforme....................................................................................................74, 75
Conversor A/D............................................................................................................207
Convolução...................................................................................................62, 110, 274
Critérios de Dirichlet....................................................................................................65
Degrau unitário de Heaviside..................................................................68, 98, 107, 262
331
Hélio Magalhães de Oliveira
332
Índice Remissivo
333
Hélio Magalhães de Oliveira
de Fejér ..........................................................................................................75
Oitavas ....................................................................................................................35-39
Ortogonalidade de sinais ........................................................................................20, 54
Oscilador harmônico ..................................................................................................130
Parametrização de wavelets .......................................................................................202
Permutação espelho ...................................................................................................151
Pente de Dirac ........................................................................................62, 67, 209, 230
Poeira de Cantor .........................................................................................................278
Polinômios de Dirichlet.................................................................................................62
Portadoras de Walsh....................................................................................................159
Princípio da incerteza de Gabor..........................................................................122, 125
Probabilidade
aritmética....................................................................................................225
medida .......................................................................................................219
condicional.................................................................................................221
Processos estocásticos
Definição....................................................................................................238
Trajetórias .................................................................................................238
Estacionaridade...................................................................................239-240
Produtos internos ....................................................................................................18, 24
Prolate esferoidais ..............................................................................................124, 249
Pulso
de Dirac...........................................................................................................97
gaussiano ......................................................................................................125
PCOS. ...........................................................................................................189
Senoidal ...............................................................................................107, 189
sinc.................................................................................................................30
retangular .......................................................................................................93
triangular .......................................................................................................93
Qui-fração ....................................................................................................................80
Raiz cosseno elevado..................................................................................................188
Reconstrução
de imagens médica .....................................................................................165
via teorema da amostragem .......................................................................212
Regra de Bayes ...........................................................................................................222
Resolução ...................................................................................................................175
Ruído branco (modelo de processo aleatório) ............................................................247
Série de Fourier
bidimensional ...........................................................................................57-58
de Legendre-Fourier ......................................................................................52
estocástica....................................................................................240, 244, 249
exponencial (complexa) ................................................................................54
quantizada .....................................................................................................78
trigonométrica ...............................................................................................28
Série trigonométrica de Hartley ...................................................................................53
Séries de Kahunen-Loève. .........................................................................................245
de Volterra ....................................................................................................251
infinita em corpos finitos. ............................................................................259
334
Índice Remissivo
335
Hélio Magalhães de Oliveira
Transformada de Hartley
Contínua ......................................................................................................94
DHT ..........................................................................................................141
Transformada de Walsh..............................................................................................159
Transformada de wavelets...........................................................................................171
Transformadas digitais........................................................................................254, 265
Unicidade
da série de Fourier ..................................................................................23,33
da transformada de Fourier.........................................................................89
Unimodular (elemento, conjunto) ..............................................................................256
Variáveis aleatórias ....................................................................................................223
Wavelets
contínuas ...................................................................................................180
discretas .....................................................................................................198
dual ............................................................................................................179
famílias de
Daubechies ..............................................................................186
de Oliveira ...............................................................................188
Gaussiana ................................................................................183
Haar .........................................................................................181
Malvar .....................................................................................193
Meyer.......................................................................................185
Morlet.......................................................................................183
Sombrero .................................................................................182
Shannon ...................................................................................184
Symmlet . ................................................................................187
transformada inversa ................................................................................179
Wiener
filtro de ......................................................................................251
generalização de espectro de......................................................104
teorema de .................................................................................243
BREVE CRONOLOGIA
336
Índice Remissivo
ÍNDICE ONOMÁSTICO
337
Hélio Magalhães de Oliveira
338
Índice Remissivo
339
Hélio Magalhães de Oliveira
340
Índice Remissivo
O Autor:
Hélio Magalhães de Oliveira (59–), BEE (80), MEE (83), Docteur
(92).
341
Hélio Magalhães de Oliveira
342
Índice Remissivo
INFORMAÇÕES GRÁFICAS
FORMATO 15,5 × 22 cm
343
Hélio Magalhães de Oliveira
orelha
344
Índice Remissivo
345