Escolar Documentos
Profissional Documentos
Cultura Documentos
DE FOURIER
AULA 3
3
𝑋̃[𝑘] 𝑗2𝜋𝑘𝑛
𝑥̃[𝑛] = ∑ ⅇ 𝑁 (3)
𝑁
𝑘
2𝜋
ⅇ𝑘 [𝑛] = ⅇ 𝑗 𝑁 𝑘𝑛 (4)
Como é uma função periódica: ⅇ𝑁+1 (𝑛) = ⅇ1 (𝑛) e assim por diante. Então
só há apenas N frequências diferentes para k=0, 1, 2, ...N-1 definidas por:
2𝜋
𝜔𝑘 = 𝑘 (6)
𝑁
Neste caso a série periódica fica:
𝑁−1
1
𝑥̃ = ∑ 𝑋̃[𝑘]ⅇ 𝑗𝜔𝑛 (7)
𝑁
𝑘=0
𝑋̃[𝑘] são os coeficientes da série discreta de Fourier (DFS pela sua sigla
em inglês) que representam as amplitudes de cada componente de frequência
do sinal periódico. Os mesmos são obtidos da seguinte maneira:
𝑁−1
2𝜋
𝑋̃[𝑘] = ∑ 𝑥̃[𝑛]ⅇ −𝑗 𝑁 𝑘𝑛 , 𝑘 = 0, 1 … , 𝑁 − 1 (8)
𝑛=0
Equação de síntese:
𝑁−1
1
𝑥̃[𝑛] = ∑ 𝑋̃[𝑘]𝑊𝑁−𝑘𝑛 (11)
𝑁
𝑘=0
𝑋̃[𝑘 + 𝑁] = 𝑋̃[𝑘].
4
1.2 Propriedades da DFS
Assim como a série e transformada de Fourier e transformada de Laplace
em tempo contínuo e a transformada z e DTFT em tempo discreto a DFS tem
propriedades que facilitam o cálculo e são de importância fundamental em
processamento digital de sinais. Muitas das propriedades básicas da DFS são
similares às da DTFT e da transformada z.
1.2.1 Linearidade
Para duas sequências x1 e x2 com comprimentos iguais (se os
comprimentos forem diferentes zeros deverão ser acrescentados à sequência
mais curta.
𝐷𝐹𝑆
𝑥̃1 [𝑛] ↔ 𝑋̃1 [𝑘]
𝐷𝐹𝑆
𝑥̃2 [𝑛] ↔ 𝑋̃2 [𝑘]
Assim
𝐷𝐹𝑆
𝑎𝑥̃1 [𝑛] + 𝑏𝑥̃2 [𝑛] ↔ 𝑎𝑋̃1 [𝑘] + 𝑏𝑋̃2 [𝑘] (13)
5
1.2.3 Dualidade
𝐷𝐹𝑆
𝑥̃[𝑛] ↔ 𝑋̃[𝑘]
{ 𝐷𝐹𝑆 (15)
𝑋̃[𝑛] ↔ 𝑁𝑥̃[−𝑘]
1.2.4 Simetria
Da mesma forma que a transformada de Fourier para tempo discreto, a
DFS tem as mesmas propriedades básicas de simetria. Elas serão mostradas na
Tabela 1.
1.2.5 Convolução periódica
Se:
𝑋̃3 [𝑘] = 𝑋̃1 [𝑘]𝑋̃2 [𝑘] (16)
Então:
𝑁−1
Resumindo:
𝑁−1
𝐷𝐹𝑆
∑ 𝑥̃1 [𝑚]𝑥̃2 [𝑛 − 𝑚] ↔ 𝑋̃1 [𝑘]𝑋̃2 [𝑘] (19)
𝑚=0
6
TEMA 2 – TRANSFORMADA DE FOURIER DE SINAIS PERIÓDICOS
Muitas vezes a DFS de sinais periódicos pode ser representada por uma
DTFT. Por exemplo, seja um sinal periódico 𝑥̃(𝑛), com período N. se
considerarmos somente um periodo desse sinal podemos definir 𝑥(𝑛) como:
𝑥̃[𝑛] 𝑛 = 0, 1, 2, … , 𝑁 − 1
𝑥[𝑛] = { (20)
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
A DTFT é:
N−1 N−1
𝑗⍵ −𝑗⍵𝑛
𝑋(ⅇ ) = ∑ 𝑥[𝑛]ⅇ = ∑ 𝑥̃[𝑛]ⅇ −𝑗⍵𝑛 (21)
𝑛=0 𝑛=0
𝑥̃(𝑛)
𝑥(𝑛)
7
∞
𝐷𝐹𝑆
𝑥[𝑛] ⇒ 𝑥̃[𝑛] = ∑ 𝑥[𝑛 + 𝑚𝑁] ↔ 𝑋̃(𝑘) = 𝑋(ⅇ 𝑗𝜔 )|𝜔=2𝜋𝑘 (23)
𝑁
𝑚!⋅∞
8
∞ 𝑁−1
1
𝑥̃[𝑛] = ∑ 𝑥[𝑚] [ ∑ 𝑊𝑁−𝑘(𝑛−𝑚) ] (25)
𝑁
𝑚=−∞ 𝑘=0
Na equação (25) o termo entre colchetes pode ser descrito pela seguinte
equação:
𝑁−1 ∞
1
∑ 𝑊𝑁−𝑘(𝑛−𝑚) = ∑ 𝛿[𝑛 − 𝑚 − 𝑟𝑁] (26)
𝑁
𝑘=0 𝑟=−∞
9
Na equação (28) a convolução é aperiódica, o que significa que a
convolução aperiódica de um trem de pulsos unitários periódicos com 𝑥(𝑛)
resulta em uma sequência periódica 𝑥̃(𝑛). Como N é o período da sequência
𝑋̃(𝑘), todos os deslocamentos são múltiplos de N positivos ou negativos. Na
Figura 6 podemos ver os pontos onde 𝑋(𝑧) é amostrada (OPPENHEIM e
SCHAFER, 2012).
10
E cada sequência periódica 𝑥̃[𝑛] pode ser associada a uma sequência 𝑥[𝑛]
de comprimento finito N (equação (28)).
11
a menos que a entrada seja periódica, a inversa da DFT não pode reproduzir o
sinal em tempo completo. Esta transformada só pode ser realizada com sinais
em tempo discreto de domínio finito e as funções senoidais correspondentes têm
as mesmas propriedades.
Como a entrada da DFT é uma sequência finita de números reais ou
complexos, ela é adequada para processar informação armazenada em meios
digitais, sendo amplamente usada em processamento digital de sinais. Um fato
muito importante é que a DFT pode ser calculada de forma prática e eficiente
usando um algoritmo da transformada rápida de Fourier (FFT – Fast Fourier
Transform).
3.1 Representação de Fourier de sequências de duração finita
Verificando as equações (28) e (29):
∞
𝑥̃[𝑛] 0≤𝑛≤𝑁−1
𝑥[𝑛] = {
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Muitas vezes, a sequência tendo comprimento 𝑀 ≤ 𝑁, deveremos assumir
que o comprimento da mesma é N sendo que as amotras retantes terão valor
nulo. Na seção anterior temos visto que os coeficientes da DFS de 𝑥̃(𝑛)
correspondem a amostras da DTFT. Não haverá superposição de valores para
diferentes valores de r. reescrevendo a equação (28):
A DFT 𝑋(𝑘) está relacionada aos coeficientes da DFS (𝑋̃[𝑘]) de cordo com
as equações (31) e (32).
2𝜋
Sendo 𝑊𝑁 = ⅇ −𝑗( 𝑁 )
12
𝑁−1
𝑘𝑛
𝑋[𝑘] = { ∑ 𝑥[𝑛]𝑊𝑁 0≤𝑘 ≤𝑁−1 (33)
𝑛=0
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
𝑁−1
1 −𝑘𝑛
𝑥[𝑛] = {𝑁 ∑ 𝑋[𝑘]𝑊𝑁 0≤𝑛 ≤𝑁−1 (34)
𝑘=0
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
A forma geral das equações de análise e síntese é:
𝑁−1
Sendo que todos os valores fora desse intervalo são iguais a zero. A
relação entre 𝑥(𝑛) e 𝑋(𝑘) poder vir a ser indicada como:
𝐷𝐹𝑇
𝑥[𝑛] ↔ 𝑋[𝑘] (37)
A Figura 8 mostra uma DFT de um pulso retangular (OPPENHEIM e
SCHAFER, 2012).
Figura 8: (a) Sequência finita 𝑥[𝑛], (b) sequência periódica 𝑥̃[𝑛] com N=5, (c)
coeficientes 𝑋̃[𝑘] de 𝑥̃[𝑛] e (d) DFT de 𝑥[𝑛].
13
Na Figura 8 podemos considerar que a sequência 𝑥[𝑛] tem um comprimento
finito 𝑁 ≥ 5. Se considerarmos 𝑁 = 5, la DFS da sequência periódica 𝑥̃[𝑛]
corresponde à DFT de 𝑥[𝑛]. Para 0 ≤ 𝑛 ≤ 4:
4 2𝜋𝑘
1 − ⅇ−𝑗
𝑋̃[𝑘] = ∑ ⅇ −𝑗(2𝜋𝑘∕5)𝑛
=
1 − ⅇ−𝑗(2𝜋𝑘∕5)
𝑛=0 (38)
5 𝑘 = 0, ±5, ±10, …
𝑋̃[𝑘] = {
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Portanto, todos os coeficientes da DFS são nulos exceto em k=0 ou k igual a
múltiplos inteiros de 5. A DFT de 𝑥[𝑛] corresponde a um período de 𝑋̃[𝑘] e é a
mostrada na Figura 8d.
14
circular da saída de 𝑋[𝑘] para 𝑋[𝑘 − 𝑚], onde ao subindice se repete
periodicamente.
𝐷𝐹𝑇
𝑥[𝑛] ↔ 𝑋[𝑘]
𝐷𝐹𝑇
𝑥1 [𝑛] ↔ 𝑋1 [𝑘]
𝑋1 [𝑘] = ⅇ−𝑗(2𝜋𝑘∕𝑁)𝑚 𝑋[𝑘] (42)
Como ⅇ −𝑗(2𝜋𝑘∕𝑁)𝑚 é periódica com período N em k e m:
𝑋̃1 [𝑘] = ⅇ−𝑗(2𝜋𝑘⁄𝑁)𝑚 𝑋̃[(𝑘)] (43)
Portanto:
4.4 Simetria
As propriedades de simetria da DFT podem ser deduzidas a partir das da
DFS.
15
𝐷𝐹𝑇
𝑅ⅇ{𝑥[𝑛]} ↔ 𝑋𝑒𝑝 [𝑘] (46)
𝐷𝐹𝑇
𝑗 𝐼𝑚{𝑥[𝑛]} ↔ 𝑋𝑜𝑝 [𝑘] (47)
𝐷𝐹𝑇
𝑥𝑒𝑝 [𝑛] ↔ 𝑅ⅇ{𝑋[𝑘]} (48)
𝐷𝐹𝑇
𝑥𝑜𝑝 [𝑛] ↔ 𝑗𝐼𝑚{𝑋[𝑘]} (49)
16
A Tabela 3 mostra um resumo das propriedades da DFT (OPPENHEIM e
SCHAFER, 2012).
Tabela 3: Propriedades da DFT.
17
Outra propriedade útil é que podemos realizar a convolução circular e
verificar quantos pontos permanecem iguais aos da convolução linear. Quando
P<L e se realiza uma convolução circular de L pontos, os primeiros pontos P-1
são corrompidos, e os pontos remanescentes de n= P-1 até n=L-1 não são
corrompidos.
5.1 Convolução circular como convolução linear com aliasing
Como foi visto na seção anterior, o comprimento da DFT (convolução
circular) resultante do produto de duas DFTs correspondentes a duas
sequências finitas, depende do comprimento das sequências finitas. Existe uma
relação entre convolução linear e convolução circular em termos de aliasing no
tempo.
Como:
∞
18
∞
∑ 𝑥3 [𝑛 − 𝑟𝑁] 0≤𝑛≤𝑁−1
𝑥3𝑝 [𝑛] = { (63)
𝑟=−∞
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Considerando a equação (62):
𝑥3𝑝 [𝑛] = 𝑥1 [𝑛] 𝑁 𝑥2 [𝑛] (64)
A convolução circular de duas sequências de comprimento finito é
equivalente à convolução linear seguida pelo aliasing no tempo (OPPENHEIM e
SCHAFER, 2012).
Para evitar aliasing no tempo por causa da convolução circular de duas
sequências de comprimento finito N ≥ L+P-1, mas se N = L = P os valores da
sequência da convolução linear podem vir a ser diferentes dos da convolução
circular.
Considerando duas sequências 𝑥1 [𝑛] e 𝑥2 [𝑛] de comprimento finito L e P
respectivamente com P<L (Figura 11 a e b). Considerando uma convolução
circular de N pontos vamos verificar os valores que são iguais na convolução
linear e os que não são. Para achar a convolução circular de L pontos:
∞
19
Figura 11: Convolução linear de duas sequências 𝑥1 [𝑛] e 𝑥2 [𝑛] de
comprimento finito L e P respectivamente.
Na Figura 12 podemos ver a parcela da equação (65) para r=0, -1 e +1. No
intervalo 0 ≤ 𝑛 ≤ 𝐿 − 1, 𝑥3𝑝 [𝑛] será influenciado somente por 𝑥3 [𝑛] e 𝑥3 [𝑛 + 𝐿].
Se P < L 𝑥3 [𝑛 + 𝐿] sofrerá aliasing em 0 ≤ 𝑛 ≤ 𝐿 − 1. Os últimos (𝑃 – 1)
pontos de 𝑥3 (𝑛 + 𝐿) entre 0 ≤ 𝑛 ≤ 𝑃 − 2 se somam aos primeiros (𝑃 – 1) pontos
de 𝑥3 [𝑛]. Os últimos (𝑃 – 1) pontos de 𝑥3 (𝑛) entre 𝐿 ≤ 𝑛 ≤ 𝐿 + 𝑃 − 2 contribuirão
para o próximo período de 𝑥̃3 [𝑛]. Nesse caso 𝑥3𝑝 [𝑛] em 0 ≤ 𝑛 ≤ 𝐿 − 1. Este é
um processo de convolução circular a partir de convolução linear com aliasing.
20
FINALIZANDO (retomada dos conteúdos examinados na aula)
Nesta Aula estudamos a família de transformadas de Fourier. Falamos
acerca dos quatro elementos que compõem a família de transformadas: em
tempo contínuo a série e a transformada de Fourier, e em tempo discreto a DTFT
e a DFT. Para processar sinais por meios digitais e necessário que os mesmos
estejam em formato digital. Esta sequência de números compõe o sinal discreto
e somente nesse formato pode ser processado digitalmente. Como os
processadores (computadores e DSP) podem processar somente sinais
discretos de comprimentos finitos, isto inviabiliza o uso das DTFT porque para
representar sinais periódicos são necessárias infinitas senoides. Portanto, a
única transformada que pode ser usada na prática é a DFT.
Para finalizar, cabe lembrar que esta rota de estudo é somente um guia, e
que aluno, além de ler este guia de estudos deve estudar pelo livro texto e pelo
material de leitura obrigatória disponibilizado na Aula.
Capítulo 8: A transformada de Fourier discreta – página 368
REFERÊNCIAS
OPPENHEIM, A. V.; SCHAFER, R. W. Digital Signal Processing. New Jersey:
Prentice-Hall, 1975.
OPPENHEIM, V.; SCHAFER, R. W. Processamento em Tempo Discreto de
Sinais. 3. ed. São Paulo: Pearson Education do Brasil, 2012.
WEI, Z. et al. Single-lead fetal electrocardiogram estimation by means of
combining R-peak detection, resampling and comb filter. Medical Engineering
& Physics, Nanjing, May 2010.
21