Escolar Documentos
Profissional Documentos
Cultura Documentos
Muitas vezes não se dispõe de uma expressão analítica para a função que
se deseja analisar o espectro.
∑
1 N -1
F (n) ≡ f (k) e - j2 πnk /N
N k =0 .
∑
N -1
j2 πkn /N
f (k) = F (n) e
n=0 .
PROPRIEDADES DA DFT
⎛ n ⎞ ⎛ n ⎞
Se x (kTs ) ↔ X ⎜ ⎟ e y (kTs ) ↔ Y ⎜ ⎟
⎝ s⎠
NT ⎝ s⎠ ,
NT
P1 - Linearidade.
⎛ n ⎞ ⎛ n ⎞
x (kTs ) + y (kTs ) ↔ X ⎜ ⎟+ Y ⎜ ⎟
⎝ s⎠
NT ⎝ s⎠
NT
P2 - Simetria.
⎛ n ⎞
X (kTs ) ↔ x ⎜ −
1
⎟
N ⎝ NTs ⎠
P3 - Deslocamento no Tempo.
⎛ n ⎞
jπnl/ N
x (kTs − lTs ) ↔ X⎜ ⎟e
⎝ NTs ⎠
1 ⎛ n ⎞ ⎛ n ⎞
≡ X⎜ ⎟* Y ⎜ ⎟
N ⎝ NTs ⎠ ⎝ NTs ⎠
P5 - Teorema de Parseval.
⎛ n ⎞
2
N −1
∑ ∑
N -1
1
x (kTs ) = X⎜ ⎟
2
k =0 N n =0 ⎝ NTs ⎠
⎛ n ⎞ ⎛ n ⎞ N −1 2 πkn
⎟ = ∑ f (kTs ) e N
-j
f (kTs ) ↔ F ⎜ ⎟ , onde F ⎜
⎝ NTs ⎠ ⎝ NTs ⎠ k =0
Vários sinais de interesse (como voz, vídeo etc.) não possuem expressões
analíticas para descrevê-los.
A maneira usual de lidar com sinais físicos é "calcular" a transformada
através de um equipamento (Hardware): analisador de espectro.
discretas (as ditas Transformadas Rápidas), vêm permitindo "operar" em tempo real
tensão
f(t)
30 |Sa(x)|
|F(n)|
30 |Sa(n pi 30/180)| e |X(n)| 20
10
0 n
0 16 32 48 64 80 96 112 128
10 0
30 |Sa(x)|
|F(n) |
10
Es p e c t r o
.1
.0 1 n
0 8 16 24 32 40 48 56 64
Exercício
-t
Avaliar com auxílio de microcomputador a DFT do sinal h (t) = e u (t)
tomando N=32 amostras e considerando o intervalo entre as amostras
Ts=0,25 seg. (taxa de amostragem). No exemplo, assume-se h(0)=0,5.
É fácil perceber novamente que as aproximações são bastante pobres nas altas
freqüências. Para reduzir o erro, torna-se necessário um aumento de N e/ou
uma diminuição de Ts.
c discretização (amostragem),
d truncamento e
e periodicidade s/ sinal original.
h(t) H(w)
t
(b) Relógio amostrador w
t w
(c) Discretização
Sa(x)
w
t
(d) função de truncamento
t w
(e) Sinal truncado
w
(f) trem de periodização
t
t
(g) Periodicidade.
w
N x =0 Eq. 1
1⎡ 1 M −1
1 M −1
⎤
∑ ∑
u ( 2 x +1)
F (u ) = ⎢ + f (2 x + 1)W 2 M
u(2 x)
f (2 x)W 2 M ⎥ Eq. 2
2 ⎣M x =0 M x =0 ⎦
1⎡ 1 M −1
1 M −1
⎤
F (u ) = ⎢ ∑ + ∑ f (2 x + 1)W 2 M
ux u(2 x) u
f (2 x)W M W 2m ⎥⎦ Eq. 3
2 ⎣M x =0 M x =0
Agora considerando as seguintes DFTs:
M −1
1
Feven(u ) = ∑
ux
f (2 x)W M
M x =0
M −1
1
Fodd (u ) = ∑ f (2 x + 1)W M ; para u=0,1,2,....,M-1.
ux
M x =0
Chega-se a uma relação que decompõe a DFT F(u) de comprimento 2M
em duas DFTs Feven(u) e Fodd(u), ambas de comprimento M:
F (u ) =
1
2
[Feven(u ) + Fodd (u )W 2 M
u
] Eq. 4
u+M u+M
= −W 2 M ,
u
=W M
u
Observa-se também: W M e W 2M de modo que segue-se da eq.3,
1
[
F (u + M ) = Feven(u ) − Fodd (u )W 2 M
2
u
] Eq. 5
Uma transformada de comprimento N pode ser computada dividindo a
expressão original em duas partes, como indicado.
Número de Operações
N µ(DFT(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 ... ...