CAPÍTULO 4 - A TRANSNFORMADA-Z

A transformada Z, é bastante utilizada na análise de sinais e sistemas de tempo discreto,

pode ser utilizada no projeto de filtros digitais, na resolução de equações de diferenças
quando se deseja obter a resposta de um sistema LIT à determinada entrada. A
transformada de Fourier de tempo discreto embora seja bastante útil para representar
sinais discretos a partir de sequências exponenciais complexas, possui algumas limitações.
É necessário que o sinal seja absolutamente somável, e na prática existem muitos sinais
que não são absolutamente somáveis, como por exemplo o degrau unitário ou o sinal
senoidal. Temos então a transformada Z que é considerada uma extensão da transformada
de tempo discreto de Fourier. Sua versão bilateral fornece outro domínio em que uma
classe maior de sinais e sistemas pode ser analisada e sua versão unilateral que pode ser
usada para obter respostas do sistema com condições iniciais ou alterações nas entradas.
4.1 TRANSFORMADA Z BILATERAL
A transformada Z de um sinal de tempo discreto é definida por:

Onde z é uma variável complexa, os valores de z, para os quais a soma converge, definem
uma região de convergência, dada por:

A transformada inversa Z da função complexa 𝑋(𝑧) é dada por:

Onde 𝐶 é um contorno no sentido anti-horário que circunda a origem e no ROC.

Considerações a serem feitas:
• A variável complexa z é chamada de frequência complexa dada por | 𝑧| 𝑒𝑗𝜔 onde | 𝑧| é
a magnitude e 𝜔 é a frequência real.
• Como a ROC (4.2) é definida em termos da magnitude |𝑧|, a forma do ROC é um anel
aberto, como mostra a figura abaixo. Observe que 𝑅𝑥− pode ser igual a zero e/ou
𝑅𝑥+ pode ser ∞.
• Se 𝑅𝑥+< 𝑅𝑥−, então o ROC é um espaço nulo e a Transformada Z não existe.
 • A função | z | = 1 (ou 𝑧=𝑒𝑗𝜔) é um círculo de raio unitário no plano z e é chamado de
círculo unitário. Se a ROC contiver o círculo unitário, então podemos avaliar 𝑋( 𝑧) no
círculo unitário.

Portanto, a transformada de Fourier em tempo discreto 𝑋( 𝑒𝑗𝜔) pode ser vista como um caso
especial da transformada Z 𝑋(𝑧).

4.2 PROPRIEDADES IMPORTANTES DA TRANSFORMADA Z

Assim como a transformada de Fourier em tempo discreto apresenta uma série de
propriedades a transformada Z possui as seguintes propriedades:
1. Linearidade:

1. Deslocamento:

1. Mudança de Escala

1. Inversão de Tempo
 1. Conjugação Complexa:

1. Diferenciação no Domínio Z:

1. Multiplicação:

1. Convolução:

Exemplo 4.4 Para 𝑋1(𝑧)=2+3𝑧−1+4𝑧−2 e 𝑋2(𝑧)=3+4𝑧−1+5𝑧−2+6𝑧−3. Determine

𝑋3(𝑧)=𝑋1(𝑧)𝑋2(𝑧). Solução: A partir da definição da Transformada Z, observamos que

Assim, a convolução dessas duas sequências dará os coeficientes do produto polinomial

necessário. Consequentemente

4.3 INVERSÃO DA TRANSFORMADA Z

O cálculo da transformada z inversa requer a análise de uma integral bastante complicada,
a abordagem mais prática se dá pelo método de expansão em frações parciais. Onde 𝑋( 𝑧) é
uma função racional de 𝑍−1 que pode ser expressa como a soma de fatores simples usando
frações parciais. Os fatores podem ser obtidos usando a tabela da transformada Z.
Dado:
Expresse como:

4.3.1 IMPLEMENTAÇÃO NO OCTAVE

A função residuez do OCTAVE está disponível para calcular a parte residual e os termos
diretos (ou polinomiais) de uma função racional em 𝑧−1. Seja uma função racional na qual
o numerador e o polinômio do denominador estejam em potências ascendentes de 𝑧−1.
Então [R, p, C] = residuez (b, a) calcula as partes residuais, polos e termos diretos de 𝑋( 𝑧)
nos quais dois polinômios 𝐵(𝑧) e 𝐴(𝑧) são dados em dois vetores b e a, respectivamente. O
vetor de coluna retornado R contém a parte residual, o vetor de coluna P contém os locais
dos polos e o vetor de linha C contém os termos diretos.
Se 𝑝(𝐾)=⋯=𝑝(𝐾+𝑟−1) é um polo de multiplicidade r, então a expansão inclui o termo da
forma:

De forma análoga, [b, a] = residuez (R, p, C), com três argumentos de entrada e dois
argumentos de saída, converte a expansão da fração parcial em polinômios com
coeficientes nos vetores de linha b e a.
Exemplo 4.8
Para verificar nossos cálculos de resíduos, vamos considerar a função racional:

Primeiro organize 𝑋(𝑧) para que seja uma função nas potências ascendentes de 𝑧−1.

4.4 REPRESENTAÇÃO DE SISTEMA DE DOMÍNIO Z

Assim como na função de resposta a frequência 𝐻(𝑒𝑗𝑤),é possível definir uma função de
domínio Z, 𝐻(𝑧),que é chamada de função sistema. Diferente da 𝐻(𝑒𝑗𝑤) a 𝐻(𝑧) existem
também para sistemas que não são BIBO estável. A função 𝐻( 𝑧) é dada por:
Usando a propriedade da convolução a saída 𝑌(𝑧) é dada por:

CAPÍTULO 5 - TRANSFORMADA DISCRETA DE FOURIER

Até o momento estudamos transformações em sinais que não eram numericamente
computáveis, visto que, idealmente falando era necessário avaliar infinitas somas em
frequências infinitas. No OCTAVE, no entanto, foi necessário truncar as sequências e avaliar
as expressões de forma finita. Portanto, voltamos nossa atenção para uma transformação
numericamente computável. Essa transformação é obtida mostrando a Transformada de
Fourier em tempo discreto no domínio de frequência (ou a Transformada z no círculo
unitário).
5.3 TRANSFORMADA DISCRETA DE FOURIER
Um problema em potencial relacionado ao efeito de aliasing no domínio do tempo é
alertado quando usamos a série discreta de Fourier como um mecanismo para calcular
numericamente a transformação de Fourier em tempo discreto. Pois a matemática
determina que a amostragem da transformada de Fourier em tempo discreto resulta em
uma sequência periódica 𝑥̃(𝑛). No entanto, a maioria dos sinais na prática não são
periódicos. Eles provavelmente terão duração finita. Para desenvolver uma representação
de Fourier numericamente computável para esses sinais, definimos uma nova
transformação chamada Transformada discreta de Fourier (DFT), que é o período principal
do DFS. Este DFT é a última Transformada de Fourier numericamente computável para
sequências arbitrárias de duração finita.
Primeiro, definimos uma sequência de duração finita 𝑥(𝑛) que possui N amostras acima de
0 ≤ n ≤ N −1 como uma sequência de N-Pontos. Seja 𝑥̃(𝑛) um sinal periódico de período N,
criado a partir da sequência N-Pontos 𝑥(𝑛). Ou seja:

É possível simplificá-la usando a operação módulo-N sobre o argumento:

Uma forma simples de interpretar essa operação é a seguinte: se o argumento não está
entre 0 e N - 1, então deixe que não modifique. Caso contrário, adicione ou subtraia
múltiplos de N de n até que o resultado esteja entre 0 e N - 1. Deve-se ter cuidado para que
(5.21) seja válido apenas se o comprimento de 𝑥(𝑛) for N ou menor. Além disso, usamos a
seguinte notação conveniente para denotar a operação módulo-N.

Dessa forma, as relações entre 𝑥(𝑛) e 𝑥̃(𝑛) são:

No OCTAVE A função rem(n,N) determina o resto após a divisão de n por N. Essa função
pode ser usada para implementar nossa operação modulo-N quando n ≥ 0. Para o caso em
que n <0, precisamos modificar o resultado para obter valores corretos. Isso é mostrado
abaixo na função m = mod(n,N).
Para esta função, não pode ser qualquer matriz inteira, e a matriz m contém os valores
correspondentes dos módulos-N. A partir do teorema da amostragem de frequências,
concluímos que N amostras da transformada de Fourier em tempo discreto 𝑋( 𝑒𝑗𝜔)
equidistantes da sequência de N-Pontos 𝑥(𝑛) podem reconstruir exclusivamente 𝑋( 𝑒𝑗𝜔).
Essas N amostras ao redor do círculo unitário é chamado de coeficiente de transformada
discreta de Fourier. Seja a sequência 𝑋̃(𝑘)=𝐷𝐹𝑆𝑥̃(𝑛), que é periódico ( e, portanto, de
duração infinita). Seu intervalo primário é a transformada discreta de Fourier, que é de
duração finita. Essas noções são esclarecidas nas seguintes definições. A Transformada
Discreta de Fourier de uma sequência de N-Pontos é dada por:

ou

Veja que a DFT 𝑋(𝑘) também é uma sequência de N-Pontos, ou seja, não é definido fora de
0 ≤ k ≤ N-1. De (5.23) 𝑋̃(𝑘)=𝑋((𝑘))𝑁; isto é, fora do intervalo 0 ≤ k ≤ N - 1, apenas a DFS
𝑋̃(𝑘) é definida, o que obviamente é a extensão periódica de 𝑋( 𝑘). Finalmente,
𝑋(𝑘)=𝑋̃(𝑘)𝑅𝑁(𝑘) significa que a DFT 𝑋(𝑘) é o intervalo primário de 𝑋(̃ 𝑘). A transformada
discreta inversa de Fourier de uma sequência de N-Pontos DFT 𝑋( 𝑘) é dada por:

ou
𝑥(𝑛) Mais uma vez não é definido fora de 0 ≤ n ≤ N-1. A extensão de 𝑥( 𝑛) fora desse
intervalo é 𝑥̃(𝑛) .
5.4 PROPRIEDADES DA TRANSFORMADA DE FOURIER DISCRETA
Linearidade:

Entrelaçamento circular
Para uma sequência de pontos N for entrelaçada, o resultado x(−n) não seria uma
sequência N-Pontos e não seria possível calcular sua DFT. Assim sendo, usamos a operação
módulo N no argumento (−n) e define-se o entrelaçamento como:

A isso damos o nome de entrelaçamento circular. Para visualizá-lo, imagine que a

sequência x(n) esteja envolvida em um círculo no sentido anti-horário, de modo que os
índices n=0 e n=N se sobreponham. Então x((−n))N pode ser visto como um invólucro de
sentido horário de x(n) ao redor do círculo; daí o nome entrelaçamento circular. No
OCTAVE, o entrelaçamento circular pode ser determinado por x=x(mod(−n,N)+1) . Observe
que os argumentos no OCTAVE começam com 1. A DFT de um entrelaçamento circular é
dada por:

Exemplo 5.9
Seja 𝑥(𝑛)=10(0.8)𝑛, 0≤𝑛≤10
a) Determine e plote 𝑥((−𝑛))11
b) Verifique a propriedade de entrelaçamento circular
Solução:
a)
b)
Exemplo 5.11
Seja x (n) = 10 (0,8) n, 0 ≤ n ≤ 10 uma sequência de 11 pontos.
a) Esboce x ((n + 4)) 11R11 (n), ou seja, um deslocamento circular de 4 amostras para a
esquerda.
b) Esboce x ((n - 3)) 15R15 (n), ou seja, um deslocamento circular de 3 amostras para a
direita, onde x (n) é considerado uma sequência de 15 pontos.
Solução:
a)
b)
5.5 CONVOLUÇÃO LINEAR USANDO DFT
A convolução linear é uma das operações mais importantes em sistemas lineares. Por outro
lado, a DFT é uma abordagem prática para implementar operações lineares do sistema no
domínio da frequência. Porém as operações de DFT resultam em uma convolução circular,
não em uma convolução linear. Agora veremos como usar o DFT para executar uma linear
convolução (ou equivalente, como fazer uma convolução circular idêntica à convolução
linear).

5.6 TRANSFORMADA RÁPIDA DE FOURIER

Ao se desenvolver a área de processamento digital de sinais, consequentemente se
desenvolveu algoritmos mais eficientes. Todos esses algoritmos eficientes são
coletivamente conhecidos como algoritmos de transformada rápida de Fourier (FFT).
Considere uma sequência 𝑥(𝑛) de 𝑁 pontos. Sua DFT é dada por:

Onde 𝑊𝑁=𝑒−𝑗2 𝜋 𝑁 ⁄ . Para obter uma amostra de 𝑋(𝑘), precisamos de 𝑁 multiplicações

complexas e (𝑁−1) adições complexas. Logo, para obter um conjunto completo de
coeficientes de DFT, precisamos de 𝑁2 multiplicações complexas e 𝑁(𝑁−1)≅𝑁2adições
complexas. Também é necessário armazenar 𝑁2 coeficientes {𝑊𝑁𝑛𝑘} (ou gere
internamente a um custo extra). Claramente, o número de cálculos da DFT para uma
sequência de 𝑁 pontos depende de uma relação quadrática de 𝑁, que será indicado pela
notação:

Para grandes 𝑁, o (𝑁2) é inaceitável na prática. Geralmente, o tempo de processamento

para uma adição é muito menor que o tempo para uma multiplicação. O Objetivo de uma
computação eficiente em um algoritmo projetado com eficiência, é manter o número de
cálculos constante para todas as amostras de dados, logo, o número total de cálculos deve
ser linear em relação a 𝑁. A dependência quadrática de 𝑁 pode ser reduzida ao se perceber
que a maioria dos cálculos (que são feitos repetidamente) podem ser eliminados usando a
propriedade da periodicidade e a propriedade da simetria

Um algoritmo que considera apenas a periodicidade de 𝑊𝑁𝑛𝑘 é o Algoritmo de Goertzel.

Esse algoritmo ainda requer multiplicações 𝐶𝑁=𝑜(𝑁2), mas possui certas vantagens.
5.6.3 IMPLEMENTAÇÃO NO OCTAVE
O OCTAVE fornece uma função chamada fft para calcular a DFT de um vetor
x. É invocada por X = fft (x,N), que calcula a DFT do ponto N. Se o comprimento de x for
menor que N, x será preenchido com zeros. Se o argumento N for omitido, o comprimento
da DFT será o comprimento de x. Se x é uma matriz, então fft (x,N) calcula a DFT do ponto N
de cada coluna de x. Esta função fft é escrita em linguagem de máquina e não usando
comandos OCTAVE (ou seja, não está disponível como um arquivo .m). Por isso executa
muito rápido. É escrito como um algoritmo mixed-radix. Se N é uma potência de dois, um
algoritmo radix-2 FFT de alta velocidade é empregado. E se N não é uma potência de dois,
então N é decomposto em fatores primos e é utilizado um algoritmo FFT mixed-radix mais
lento. Finalmente, se N é um número primo, a função fft é reduzida para o algoritmo DFT
bruto. A DFT inversa é calculada usando a função ifft, que possui as mesmas características
que fft.
Exemplo 5.22
Neste exemplo, estudaremos o tempo de execução da função fft em 1 ≤ N ≤ 2048. Isso
revelará a estratégia de dividir e combinar para vários valores de N. Os resultados obtidos
neste exemplo são válidos apenas para o OCTAVE. Os tempos de execução fornecidos aqui
também são para um computador específico e podem variar em computadores diferentes.

Podemos comprovar a partir da imagem que o desempenho do computador utilizado gera

uma representação gráfica diferente da apresentada no livro.
Exemplo 5.23
Para demonstrar a eficácia da convolução de alta velocidade, vamos comparar os tempos
de execução de duas abordagens. Seja x1 (n) um número aleatório uniformemente
distribuído no ponto L entre [0, 1] e x2 (n) seja uma sequência aleatória gaussiana do ponto
L com média 0 e variância 1. Determinaremos os tempos médios de execução para 1 ≤ L ≤
150, em que a média é calculada sobre as 100 realizações de sequências aleatórias.
CAPÍTULO 6 - IMPLEMENTAÇÃO DE FILTROS DISCRETOS NO TEMPO
A partir dos resumos dos capítulos passados analisamos a teoria dos sistemas discretos no
domínio de tempo e frequência, para este capítulo usaremos essa teoria para o
processamento de sinais digitais. No processamento digital de sinal temos que projetar e
implementar sistemas chamados filtros. O projeto de filtros é influenciado por fatores como
o tipo de filtro ou a forma de sua implementação. Dessa forma, antes de discutir a questão
do projeto, primeiro nos preocupamos com a forma como esses filtros podem ser
implementados na prática. Quando os filtros são implementados no hardware ou no
software, os coeficientes de filtro e as operações de filtro estão sujeitas aos efeitos dessas
operações de precisão finita. Neste capítulo, iremos tratar dos efeitos na resposta em
frequência dos filtros resultado da quantização dos coeficientes.
6.1 ELEMENTOS BÁSICOS
Os nossos filtros são sistemas LIT, sendo assim, precisamos dos três elementos a seguir
para descrever estruturas de filtros digitais.
• Somador: Este elemento possui duas entradas e uma saída e é mostrado a adição de
três ou mais sinais é implementada por somadores sucessivos de duas entradas.
 • Multiplicador (ganho): este é um elemento de entrada única e saída única a
multiplicação por 1 é entendida e, portanto, não é mostrada explicitamente.
• Elemento de atraso (deslocamento ou memória): esse elemento atrasa o sinal que
passa por ele em uma amostra. É implementado usando um registrador de
deslocamento.
A partir desses elementos básicos, agora podemos descrever várias estruturas de filtros IIR
e FIR.
6.2 ESTRUTURAS DE FILTROS IIR
A função do sistema de um filtro IIR é dada por:

Temos e como os coeficientes do filtro. A ordem desse filtro IIR é chamada N se . A

representação da equação da diferença de um filtro IIR é expressa como:

Podem ser usadas três estruturas diferentes para implementar um filtro IIR:
• Forma direta: A equação da diferença (6.2) é implementada diretamente como dada.
Existem duas partes nesse filtro: a parte de média móvel e a parte recursiva. Logo,
essa implementação leva a duas versões: forma direta I e estrutura direta II.
• Forma em cascata: A função do sistema na equação (6.1) é fatorado em seções
menores de 2ª ordem, chamadas biquads. A função do sistema é então representada
como um produto desses biquads. Cada biquad é implementado de forma direta e
toda a função do sistema é implementada como uma cascata de seções de biquad.
• Forma paralela: É semelhante à forma em cascata, mas após a fatoração, uma
expansão parcial da fração é usada para representar como uma soma de seções
menores de segunda ordem. Cada seção é novamente implementada em uma forma
direta, e toda a função do sistema é implementada como um paralelo rede de seções.
6.2.1 FORMA DIRETA
Assim como é sugerido pelo nome, a equação de diferenças é implementada como dada
usando atrasos, multiplicadores e somadores. Com , a equação de diferenças é:
Nessa estrutura é implementada cada parte da função racional separadamente com uma
conexão em cascata entre eles. A parte do numerador é uma linha de atraso seguida pela
parte do denominador, que é uma linha de atraso obtida por feedback. Logo, existem dois
atrasos separados por linhas nessa estrutura e, portanto, requer oito elementos de atraso.
Nós podemos reduzir essa contagem de elementos de atraso ou eliminar uma linha de
atraso trocando a ordem na qual as duas partes estão conectadas na cascata.
6.2.2 ESTRUTURA TRANSPORTA
Essa estrutura é equivalente à forma direta usando um procedimento chamado
transposição. Nesta operação, são executadas três etapas:
• Todas as direções das setas do caminho são invertidas.
• Todos os nós da ramificação são substituídos por nós do somador e todos os nós do
somador são substituídos por nós de ramificação.
• Os nós de entrada e saída são trocados.
A estrutura resultante é chamada de estrutura de forma direta transposta
6.2.3 IMPLEMENTAÇÃO NO MATLAB
A estrutura de forma direta no MATLAB, é descrita por dois vetores de linha; " 𝑏" contendo
os coeficientes {𝑏𝑛} e contendo os coeficientes {𝑎𝑛}. A função de filtro, implementa a
função estrutura direta transposta de forma II.
6.2.4 FORMA EM CASCATA
Nesta estrutura, a função 𝐻(𝑧) é escrita como um produto de seções de 2ª ordem com
coeficientes reais. Isso é feito fatorando o numerador e os polinômios do denominador em
suas respectivas raízes e, em seguida, combinando um par complexo de raízes conjugadas
ou quaisquer duas raízes reais de polinômios de segunda ordem.

Temos 𝐾=𝑁2 e 𝐵𝑘,1, 𝐵𝑘,2, 𝐴𝑘,1, e 𝐴𝑘,2 são números reais representando os coeficientes das
seções de 2ª ordem. A seção de segunda ordem
Exemplo 6.1
Um filtro é descrito pela seguinte equação de diferenças

Determine sua estrutura de cascata.

Solução:
Podemos observar na imagem abaixo a estrutura resultante (A função usada não é nativa
do MATLAB, é uma função criada pelo autor e fornecida no livro). Para verificar se nossa
estrutura em cascata está correta, calculemos as 8 primeiras amostras da resposta ao
impulso usando ambas as formas.

6.2.6 FORMA PARALELA

A função do sistema 𝐻(𝑧) é escrita como uma soma de seções de 2ª ordem usando
expansão em frações parciais

Temos K é igual a 𝑁2 e 𝐵𝑘,0, 𝐵𝑘,1, 𝐴𝑘,1, e 𝐴𝑘,2 são números reais representando os
coeficientes das seções de 2ª ordem. A seção de segunda ordem
Exemplo 6.2
Considere o filtro dado no Exemplo 6.1 e determine sua forma paralela.
Solução:
Na imagem abaixo podemos observar a estrutura resultante. Para verificar nossa estrutura
paralela, calculamos as 8 primeiras amostras da resposta ao impulso usando as duas
formas.

6.3 ESTRUTURAS E FILTROS FIR

Em um filtro de resposta a impulso de duração finita temos uma função do sistema no
seguinte formato:

Logo, a resposta ao impulso ℎ(𝑛) é

e a representação da equação da diferença é:

que é uma convolução linear de suporte finito. Os filtros FIR podem ser projetados para ter
uma resposta de fase linear, o que é desejável em algumas aplicações. Consideremos as
quatro estruturas a seguir:
 • Forma direta: Nesta forma, a equação da diferença (6.7) é implementada
diretamente como dada.
• Forma em cascata: Nesta forma, a função do sistema 𝐻(𝑧) é fatorada em fatores de
2ª ordem, que são implementados em conexão de cascata.
• Forma de fase linear: Quando um filtro FIR tem uma resposta de fase linear, sua
resposta ao impulso exibe certas condições de simetria. Nesta forma exploramos
essas relações de simetria para reduzir multiplicações em cerca de metade.
• Forma de amostragem de frequências: Esta estrutura é baseada no DFT da resposta
ao impulso ℎ(𝑛) e leva a uma estrutura paralela. Isso é também adequado para uma
técnica de projeto baseada na amostragem de resposta em frequência 𝐻( 𝑒𝑗𝜔).
Exemplo 6.4
Um filtro FIR é fornecido pela função do sistema

Determine e desenhe as estruturas de forma direta, de fase linear e em cascata.

a) Forma direta: A equação da diferença é dada por:

Abaixo temos a estrutura de forma direta.

b) Forma de fase linear: A equação da diferença pode ser escrita na forma:

Abaixo temos a estrutura de forma Linear.

c) Forma em cascata: Abaixo temos a estrutura de forma em cascata

6.4 ESTRUTURA DOS FILTROS LATTICE

O filtro Lattice é amplamente utilizado no processamento de voz digital e na
implementação de filtros adaptativos. É uma forma preferida de realização sobre outras
estruturas de filtro FIR ou IIR, pois na análise de fala e na síntese de fala o pequeno número
de coeficientes permite que um grande número de formandos seja modelado em tempo
real. A Lattice totalmente zerada é a representação do filtro FIR, enquanto a Lattice escada
é apresentação do filtro IIR.
6.4.1 FILTROS LATTICE TOTALMENTE ZERADOS
Um filtro FIR de comprimento M (ou ordem M −1) tem uma estrutura Lattice com M – 1
estágios. Cada estágio do filtro tem uma entrada e uma saída que são relacionadas pelas
equações de ordem recursiva:

onde os parâmetros 𝐾𝑚,m = 1,2,...,M−1, chamados de coeficientes de reflexão, são os

coeficientes do filtro de lattice. Se os valores iniciais de fm (n) e gm (m) forem ambos o
valor escalonado da entrada do filtro x (n), então a saída do filtro de rede do estágio (M-1)
corresponde à saída de um filtro FIR de ordem (M-1) corresponde a saída de um filtro FIR
de ordem (M − 1), ou seja:

Se o filtro FIR for dado pela forma direta:

e se denotarmos o polinômio AM − 1 (z) por:

então os coeficientes de filtro de rede {Km} podem ser obtidos pelo seguinte algoritmo
recursivo:

6.4.3 FILTROS DE LATTICE DE TODOS OS POLOS

Uma estrutura de lattice para um filtro IIR é restrita a uma função de sistema multipolar.
Pode ser desenvolvido a partir de uma estrutura de rede FIR. Deixe uma função do sistema
de todos os polos ser dada por:

Exemplo 6.9
O exemplo dá um filtro IIR para todos os polos e pede a forma Lattice.

Após rodar o script fornecido pelo livro obtemos:

6.4.5 FILTROS LATTICE DE PROGRESSÃO
Um filtro geral IIR contendo ambos os polos e zeros pode ser realizado como uma estrutura
do tipo lattice usando uma rede de todos os polos como o bloco de construção básico.
Considere um filtro IIR com função do sistema

onde, sem perda de generalidade, assumimos que N ≥ M. Uma estrutura do tipo rede pode
ser construída pela primeira realização de uma rede de polos com coeficientes Km, 1 ≤ m ≤
N para o denominador de (6.24), e então adicionando um parte da progressão tomando a
saída como uma combinação linear ponderada de {gm (n)}, mostrada na Figura 6.22 para M
= N. O resultado é um filtro IIR de polo-zero que tem a estrutura de progressão de grade.
Sua saída é dada por:

Exemplo 6.10
O exemplo fornece o seguinte filtro IIR de pólo zero e pede para converter em uma
estrutura de Lattice-escada.

Após realizar o esperimento foi encontrado:

e

6.5 VISÃO GERAL SOBRE OS EFEITOS DA PRECISÃO FINITA NUMÉRICA

Ao implementar sistemas de tempo discreto em hardware ou software, todos os
parâmetros e operações aritméticas são implementados usando números de precisão finita,
logo, seu efeito é inevitável. Quando a representação de precisão finita é usada em sua
implementação, há três considerações possíveis que podem afetar a qualidade geral de sua
produção. Nós temos que:
• quantizar os coeficientes do filtro, {𝑎𝑘,𝑏𝑘}, para obter sua representação de
comprimento finito, {𝑎̂𝑘,𝑏̂𝑘},
• quantizar a sequência de entrada, 𝑥(𝑛) para obter 𝑥̂(𝑛), e
• considerar toda aritmética interna que deve ser convertida em suas próximas
melhores representações.
Desse modo, a saída, 𝑦(𝑛), também é um valor quantizado 𝑦̂( 𝑛). Isso nos dá uma nova
realização do filtro, 𝐻̂(𝑧). Esperamos que este novo filtro 𝐻̂( 𝑧), e sua saída 𝑦̂( 𝑛) estejam o
mais próximo possível do filtro original 𝐻(𝑧), e a saída original 𝑦( 𝑛). É fundamental
destacar que a operação de quantização é uma operação não linear.
6.6 REPRESENTAÇÃO DE NÚMEROS
Computadores operam somente em uma variável binária (por exemplo, um 1 ou um 0),
números positivos podem ser representados diretamente usando números binários. Surge
o problema de como representar os números negativos. Existem três formatos diferentes
usados em cada uma dessas aritméticas: formato de magnitude de sinal, formato de
complemento de um e formato complemento de dois. Ao discutir e analisar essas
representações, consideramos principalmente um sistema de números binários contendo
bits. No entanto, essa discussão e análise também são válidas para qualquer sistema de
numeração de base - por exemplo, o sistema hexadecimal, octal ou decimal.
 • Sinal-Magnitude: Números positivos são representados da mesma forma descrita
anteriormente. No entanto, o bit mais significativo é usado como o bit do sinal, onde
0 indica positivo e 1 indica negativo, e o resto dos bits indica o valor numérico.
• Complemento de um: A negação ou complemento de um inteiro x é obtida negando
todo bit na representação binária de x. Isto é, um bit 0 é trocado por 1 e vice-versa.
• Complemento de dois: A desvantagem de ter dois códigos para o número 0 é
eliminado. Números positivos são representados como sempre. Aqui, a codificação
segue a seguinte regra para números negativos: primeiro é feito o complemento de
um, e após ter feito esse passo, é somado 1 ao resultado.
6.7 O PROCESSO DE QUANTIZAÇÃO E CARACTERIZAÇÃO DE ERROS
A partir das discussões anteriores ficou evidente que um número real de precisão infinita
deve ser atribuído a um dos números representáveis finitos, dada uma estrutura específica
para o registro de comprimento finito. Na prática, existem duas operações diferentes pelas
quais essa atribuição é feita para o número ou nível mais próximo: a operação de
truncamento e a operação de arredondamento. Essas operações afetam a precisão também
como características gerais de filtros digitais e operações de Processamento digital de
sinais.
6.7.1 ARITMÉTICA DE PONTO FIXO
Seja a quantização de erro dado por:

Analisaremos esse erro para o truncamento e as operações de arredondamento.

Operação de truncamento: Nesta operação, o número x é truncado além de B bits
significativos, afim de obter 𝜚𝑇[𝑥].
Operação de arredondamento: Nessa operação, o número real x é arredondado para o
número representável mais próximo, ao qual nos referimos como QR[x].
Após analisar as características de erro para as operações de truncamento e operações de
arredondamento, fica evidente que a operação de arredondamento possui erro superior
quando se comparado ao erro de quantização. Isso ocorre porque o erro é simétrico em
relação a zero e porque o erro é o mesmo nos três formatos.
Exemplo 6.20
Seja −1 <x <1 e B = 2. Usando o MATLAB, verifique o erro de truncamento.
Solução:
A resolução obtida é de Δ = 2−2 = 0,25. A seguir podemos observar o gráfico gerado.
6.8 QUANTIZAÇÃO DOS COEFICIENTES DO FILTRO
Nessa seção estudamos os efeitos do tamanho finito nas respostas do filtro, localizações
dos polos zeros, e estabilidade quando os coeficientes do filtro são quantizados
6.8.1 FILTROS IIR
Considere um filtro geral IIR descrito por:

Temos 𝑎𝑘𝑠 e 𝑏𝑘𝑠 como os coeficientes do filtro. Agora considere que esses coeficientes
sejam representados por seus â𝑘𝑠 e 𝑏𝑘𝑠 números finitos de precisão Então nós temos uma
nova função de sistema de filtro
Buscamos agora saber quão diferente esse filtro é do original H(z). Várias perspectivas
podem ser comparadas, podemos por exemplo, querer comparar suas respostas de
magnitude, ou respostas de fase, ou mudanças em seus polos e assim por diante. Uma
expressão analítica geral para computar essa mudança em todos esses aspectos é difícil de
obter-se.
6.8.3 EFEITOS DA RESPOSTA EM FREQUENCIA
A resposta de frequência do filtro IIR em (6.50) é dada por:

Se Assumimos os coeficientes {𝑎𝑘} e {𝑏𝑘} são quantizados para {𝑎̂𝑘} e {𝑏̂ 𝑘},
respectivamente, a nova resposta de frequência é dada por:

Exemplo 6.27
Computar e plotar a magnitude das respostas do filtro do exemplo 6.26
Solução:
Sendo o filtro, do tipo passa-banda com 10 pólos fortemente agrupados implementados
usando as formas direta e cascata. Calculamos a resposta de magnitude para precisão
infinita e quantização de 16 bits. Para a estrutura em forma de cascata, usamos
representações de 16 e 11 bits.
Na figura abaixo é possível observar os gráficos, a linha superior mostra os gráficos para a
forma direta e a linha inferior mostra os da forma em cascata. Assim como o esperado, o
gráfico de magnitude da forma direta é gravemente distorcido para a representação de 16
bits, enquanto os da forma em cascata são preservados, mesmo para palavras de 11 bits.
Exemplo 6.28
Um filtro passa-banda de oitava ordem foi obtido usando a abordagem de projeto de filtro
elíptico. Represente os coeficientes de filtro não quantificados usando palavras de 16 e 8
bits de comprimentos. Plote as respostas de magnitude do log do filtro e os locais de pólo
zero para ambos os coeficientes infinitos e finitos.
CAPÍTULO 7 - PROJETO DE FILTROS FIR
7.1 PRELIMINARES
O projeto de um filtro digital é realizado em três etapas:
Especificações: Antes de projetar um filtro, devemos ter algumas especificações.
Aproximações: Utilizaremos vários conceitos e matemática que estudamos até agora para
chegar a uma descrição de filtro que se aproxime de um determinado conjunto de
especificações.
Implementação: O produto da etapa acima é uma descrição do filtro na forma de uma
equação de diferença ou uma função do sistema H(z).
Para especificações:
A primeira abordagem é chamada especificações absolutas, que fornecem um conjunto de
requisitos sobre a função de resposta de magnitude |H(ej ω)|.
A segunda abordagem é chamada especificações relativas, que fornecem requisitos em
decibéis (dB), fornecido por:
7.1.1 ESPECIFICAÇÕES ABSOLUTAS

7.1.2 ESPECIFICAÇÕES RELATIVAS (DB)

Rp é a ondulação da banda passante em dB.
As é a atenuação da banda de parada em dB.

Essas especificações foram fornecidas para um filtro passa-baixa. Especificações

semelhantes também podem ser fornecidas para outros tipos de filtros seletivos de
frequência, como passa-alto ou passa-banda.
Filtros FIR têm várias vantagens de design e implementação:
• A resposta de fase pode ser exatamente linear.
 • Eles são relativamente fáceis de projetar, pois não há problemas de estabilidade.
• Eles são eficientes para implementar.
• O DFT pode ser usado em sua implementação. As vantagens de uma resposta de fase
linear são:
• problema de design contém apenas aritmética real e não aritmética complexa
• filtros de fase linear não fornecem distorção de atraso e apenas uma quantidade fixa
de atraso
• para o filtro de comprimento M (ou ordem M - 1) o número de operações é da
ordem de M/2, como discutimos na implementação do filtro de fase linear.
7.2 PROPRIEDADES DOS FILTROS DE FASE LINEAR
Discutiremos formas de respostas de impulso e frequência e localizações de zeros de
função do sistema de filtros FIR de fase linear.
1. Item da lista

2. Item da lista

3. Item da lista

4. Item da lista

vamos discutir os requisitos específicos nas formas de h(n) e H(ej ω), bem como requisitos
sobre os locais específicos de (M -1) zeros que a restrição de fase linear exige.
7.2.1 RESPOSTA AO IMPULSO h(n)
Uma restrição de fase linear é aplicada
α é um atraso de fase constante
Então h(n) é simétrico. ou seja,

existem dois tipos de simetria

M ímpar: Nesse caso α = (M -1)/2 é um número inteiro.

M par: Nesse caso α = (M - 1)/2 não é um número inteiro.

7.2.2 RESPOSTA DE FREQQÜÊNCIA H(ejω)
Quando os casos de simetria e antissimetria são combinados com ímpar e par M, obtemos
quatro tipos de filtros FIR de fase linear. As funções de resposta de frequência para cada
um desses tipos têm algumas e peculiares expressões e formas.

Hr(ω) é um resposta de amplitude função e não uma função de resposta de magnitude. A

resposta de amplitude é uma função real, mas ao contrário da resposta de magnitude, que é
sempre positiva, a resposta de amplitude pode ser positiva e negativa. A resposta de fase
associada à resposta de magnitude é um descontínuo função, enquanto aquela associada
com a resposta de amplitude é uma função linear contínua.
Filtro FIR de fase linear tipo 1: Resposta de impulso simétrico, M ímpar.
Nesse caso, β = 0, α = (M-1)/2 é um número inteiro e h(n) = h(M - 1 - n).
Filtro FIR de fase linear tipo 2: Resposta de impulso simétrico, sempre M.
Neste caso, novamente β = 0, h(n) = h(M-1-n), 0 ≤ n ≤ M-1, mas α = (M-1)/2 não é um
número inteiro.
Filtro FIR de fase linear tipo 3: Resposta de impulso anti simétrico, M ímpar.
Nesse caso β = π /2, α = (M - 1)/2 é um número inteiro, h(n) = - h(M - 1 - n), 0 ≤ n ≤ M - 1, e
h((M-1)/2) = 0.
Filtro FIR de fase linear tipo 4: Resposta de impulso anti simétrico, sempre M.

onde
e

ω = 0, Hr(0) = 0 and e^jπ/2 = j

7.2.3 IMPLEMENTAÇÃO DE MATLAB
A função MATLAB freqz calcula a resposta de frequência a partir da qual podemos
determinar a resposta de magnitude, mas não a resposta de amplitude.
Existem 4 funções que podem calcular a frequência, mas elas podem ser combinadas em
uma chamada de ampl-res, que pode ser escrito para determinar o tipo de filtro de fase
linear e para implementar a expressão de resposta de amplitude apropriada.
7.2.4 LOCAIS ZERO
Para um filtro FIR existem (M -1) pólos na origem e (M - 1) zeros localizados em algum
lugar no z-plano. Para filtros FIR de fase linear, esses zeros possuem certas simetrias que
são devido às restrições de simetria em h(n).
Temos um exemplo com a entrada de h(n)={-4, 1, -1, -2, 5, 6, 5, -2, -1, 1, -4}.
MATLAB script:
7.3 TÉCNICAS DE DESIGN DE JANELAS
A ideia básica por trás do design da janela é escolher um filtro seletivo de frequência ideal
adequado (que sempre tem uma resposta ao impulso não causal e de duração infinita) e,
em seguida, truncar (ou janela) sua resposta ao impulso para obter um FIR causal e de fase
linear filtro.
7.3.1 JANELA RETANGULAR
Mais simples, mas oferece o pior desempenho do ponto de vista da atenuação da faixa de
parada.

A integral de execução da resposta de amplitude da janela (ou acumulado resposta de

amplitude) é necessária na análise precisa da largura de banda de transição e da atenuação
da banda de interrupção.
7.3.2 JANELA BARTLETT
Uma vez que o fenômeno de Gibbs resulta do fato de que a janela retangular tem uma
transição repentina de 0 para 1 (ou 1 para 0), Bartlett sugeriu uma transição mais gradual
na forma de uma janela triangular
7.3.3 JANELA HANN
Esta é uma função de janela cosseno elevada dada por:
7.3.4 JANELA DE HAMMING
É semelhante à janela Hann, exceto que tem uma pequena quantidade de descontinuidade
7.3.5 JANELA BLACKMAN
É semelhante às duas anteriores, mas contém um segundo termo harmônico
7.3.6 JANELA KAISER
É uma janela ajustável. Segue equação:

Utiliza a equação de Bessel:

Esta janela pode fornecer diferentes larguras de transição para o mesmo M, que é algo que
falta em outras janelas fixas. A janela Kaiser fornece larguras de banda de transição
flexíveis.
7.3.7 IMPLEMENTAÇÃO DE MATLAB
 • w=boxcar(M) - janela retangular.

• w=bartlett(M) - janela de bartlett.

• w=hann(M) - janela de hann.

• w=hamming(M) - janela de hamming.

• w=blackman(M) - janela blackman.

• w=kaiser(M,beta) - janela kaiser.

Este é um exemplo da janela de Hamming que utiliza a função cosseno para a sua
implementação, com um pouco de descontinuidade.
Este é um exemplo também com a janela de hamming, com um intervalo menor de
distância entre os pontos no eixo horizontal. Nesta representação é possível observar
melhor os pontos discretos.
7.3.8 EXEMPLOS DE DESIGN
No exemplo acima é possível observar como a janela de hamming se comportou para o
filtro passa-baixo. É possível observar também na magnitude em decibéis a oscilação do
sinal e as larguras de banda.
7.4 TÉCNICAS DE PROJETO DE AMOSTRAGEM DE FREQUÊNCIA
Se usa a ideia de que a função do sistema H(z) pode ser obtida a partir das amostras H(k)
da resposta de frequência H(ejω). Existem duas abordagens de design:
1. Usamos a ideia básica literalmente e não fornecemos restrições ao erro de
aproximação, chamada de método de design ingênuo.
2. Tentamos minimizar o erro na banda de interrupção variando os valores das
amostras da banda de transição, chamado de método de design ótimo.
Na figura observamos o seguinte:
1. O erro de aproximação - ou seja, a diferença entre a resposta ideal e a real - é zero
nas frequências amostradas.
2. O erro de aproximação em todas as outras frequências depende da forma da
resposta ideal; ou seja, quanto mais nítida for a resposta ideal, maior será o erro de
aproximação.
3. O erro é maior perto das bordas da banda e menor dentro da banda.
7.4.1 MÉTODO DE PROJETO NAIVE
Neste método, se define H(k) = Hd(e^j2πk/M), k = 0,. . . , M -1 e se usa

para obter a resposta ao impulso h(n).

Exemplo 7.14
Neste exemplo, temos que a resposta ao impulso se apresentou de forma senoidal, e a
amostragem não teve restrições para o seu erro de aproximação.
7.4.2 MÉTODO DE PROJETO ÓTIMO
Precisamos obter uma maior atenuação, para isso temos que aumentar M e fazer com que
as amostras da banda de transição sejam amostras grátis - isto é, variam seus valores para
obter a maior atenuação para o dado M e a largura de transição. Conhecido como problema
de otimização.
Como a atenuação é maior e existe uma preocupação maior com o erro de aproximação, os
valores se apresentam mais padronizados.
á para esse caso, a troca de estado do sinal vai ser num ponto mais baixo, pois o valor de T1
em Hr(w) está em 0.39.
Exemplo 7.20
Neste exemplo percebe-se o aumento da amplitude do sinal de frequência no primeiro
gráfico e a sua resposta ao impulso com valores com amplitudes discretas maiores no
centro do sinal, no segundo gráfico.
7.5 TÉCNICA DE DESIGN EQUIRÍPTICO IDEAL
As duas últimas técnicas, desenho da janela e o desenho da amostragem de frequência tem
algumas desvantagens:
1. Não podemos especificar as frequências da banda ωp e ωs precisamente no design.
Temos que aceitar quaisquer valores que obtivemos após o design;
2. Não podemos especificar ambos δ1 e δ2 fatores de ondulação simultaneamente;
3. o erro de aproximação, a diferença entre a resposta ideal e a resposta real - não é
distribuído de forma uniforme nos intervalos da banda.
Existe uma técnica que pode eliminar esses três problemas:
É possível derivar um conjunto de condições para as quais pode ser provado que a solução
de design é ótima no sentido de minimizando o erro máximo de aproximação (às vezes
chamado de minimax ou o Chebyshev erro). Os filtros que possuem esta propriedade são
chamados de filtros equirípticos.
7.5.1 DESENVOLVIMENTO DO PROBLEMA MINIMAX
Para formular nosso problema como um problema de aproximação de Chebyshev, temos
que definir a resposta de amplitude desejada Hdr(ω) e uma função de ponderação C( ω),
ambos definidos em passbands e stopbands. A função de ponderação é necessária para que
possamos ter um controle independente sobre δ1 e δ2. O erro ponderado é definido como:

Esses conceitos são esclarecidos no seguinte conjunto de figuras. Ele mostra uma resposta
típica de filtro equirípticos junto com sua resposta ideal.

O erro [Hdr (ω) - Hr (ω)] a resposta é mostrada aqui.

Agora se nós escolhemos

Então o erro ponderado E(ω) a resposta é:

O problema de aproximação de Chebyshev agora pode ser definido como: Determine o

conjunto de coeficientes um a(n) ou b(n) ou c(n) ou d(n) [ou equivalente um a(n) ou b(n)
ou c(n) ou d(n)] para minimizar o valor absoluto máximo de E( ω) sobre a faixa de
passagem e a faixa de parada, ou seja,
7.5.2 RESTRIÇÃO DO NÚMERO DE EXTREMA
Afirmamos que o filtro equiriptico ideal tem (L + 2) ou (L + 3) alternâncias em sua função
de erro ao longo S. A maioria dos filtros equirípticos tem (L + 2) alternâncias. No entanto,
para algumas combinações de ωp e ωs, podemos obter filtros com (L +3) alternâncias.
Esses filtros têm uma ondulação extra em sua resposta e, portanto, são chamados filtros
Extraripple.

7.5.3 ALGORITMO PARKS-McCLELLAN

Parks e McClellan forneceram uma solução iterativa usando o algoritmo de troca Remez.
Ele assume que o comprimento do filtro M(ou L) e a proporção δ2/ δ1 são conhecidos.
7.5.4 IMPLEMENTAÇÃO MATLAB
Temos nesse exemplo, o plot com o filtro equiríptico, que permite um controle melhor para
a representação da amostragem.
CAPÍTULO 8 - PROJETO DE FILTROS IIR
Assim como os filtros analógicos tem uma resposta de impulso infinitamente longa os
filtros IIR têm respostas de impulso de duração infinita. Diante disso, a técnica básica do
projeto de filtros IIR transforma filtros analógicos bem conhecido em filtros digitais usando
mapeamentos de valor complexos. Para este projeto de filtro IIR, seguiremos as seguintes
etapas:
• Projetar filtros analógicos passa baixa;
• Aplicar transformações de filtros para obter filtros digitais passa baixa;
• Aplicar transformações de frequência de banda para obter outros filtros digitais a
partir de filtros digitais passa baixa.
Um grande problema relacionado a essa abordagem é que não temos controle sobre as
características de fase do filtro IIR. Por esse motivo, os projetos de filtros IIR serão tratados
como projetos somente de magnitude.
8.1 PRELIMINARES
Consideramos primeiro as especificações de resposta do quadrado da magnitude, que são
mais típicas dos filtros analógicos. Essas especificações são dadas na escala linear relativa.
Em seguida, estudamos as propriedades da resposta do quadrado da magnitude.
8.1.1 ESCALA LINEAR RELATIVA
Para 𝐻𝑎(𝑗Ω) sendo a resposta a frequência de um filtro analógico. As especificações do
filtro passa-baixa na resposta do quadrado da magnitude são dadas por:

Temos € como parâmetro de ondulação da banda de passagem, Ωp é a frequência de corte

da banda de passagem dada em rad/sec. É necessário que | 𝐻𝑎( 𝑗Ω)|² satisfaça as seguintes
condições:

Os parâmetros € e A são relacionados aos parâmetros Rp e As, respectivamente, na escala

dB. Essas relações são dadas por:

8.1.2 PROPRIEDADES DE |𝑯𝒂(𝒋Ω)|²

Nas Especificações de filtros analógicos, que são dadas em termos da resposta do quadrado
da magnitude, não contém informações sobre fase. Agora, para avaliar a função do
sistema 𝐻𝑎(𝑠) no domínio s, considere:

8.2 ALGUNS TIPOS DE FILTROS ESPECIAIS

8.2.1 RESSONADORES DIGITAIS
Um Filtro do tipo ressonador digital é um filtro passa banda especial de dois polos com um
par de polos conjugados complexos localizados muito perto do círculo unitário. O nome
ressonador se refere ao fato de o filtro ter uma resposta de grande magnitude nas
proximidades da posição do polo. O ângulo da localização do polo determina a frequência
ressonante do filtro.

8.2.2 FILTRO DE ENTALHE

Este filtro contém um ou mais entalhes profundos ou, idealmente, nulos perfeitos em sua
resposta de frequência. Os filtros de entalhe são úteis em muitas aplicações em que
componentes de frequência específicos devem ser eliminados.

8.2.3 FILTROS DE PENTE

Podemos ver o filtro de pente em sua forma mais simples, como um filtro de entalhe no
qual os nulos ocorrem periodicamente através da banda de frequência, daí a analogia a um
pente comum que tem dentes espaçados periodicamente. Os filtros do pente são usados em
muitos sistemas práticos, incluindo as rejeições de harmônicos de linha de força e a
supressão de desordem de objetos fixos em radares de indicador de alvo em movimento.
8.2.4 FILTROS PASSA TUDO
Um filtro passa tem como característica uma função do sistema que possui uma resposta de
magnitude constante para todas as frequências, por esse motivo, são geralmente
empregados como equalizadores de fase. Quando colocado em cascata com um sistema que
tem uma resposta de fase indesejável, um equalizador de fase é projetado para compensar
as características de fase ruins do sistema e, portanto, resultar em um sistema de fase
linear geral.

8.2.5 OSCILADORES SINUSOIDAIS DIGITAIS

Um oscilador sinusoidal digital pode ser visto como uma forma limitadora de um
ressonador bipolar, para o qual os pólos complexos conjugados estão localizados no círculo
unitário.

8.3 CARACTERÍSTICAS DE PROTÓTIPOS DE FILTOS ANALÓGICOS

Nós analisaremos esses filtros analógicos como filtros de protótipos. Todos esses
protótipos são amplamente utilizados na prática.
8.3.1 FILTROS PASSA BAIXA DE BUTTERWORTH
Nesse filtro observamos a sua propriedade de resposta de magnitude plana na banda
passante e na stopband. A Resposta da magnitude ao quadrado de um filtro passa baixa
ordem n é dado por:

onde N é a ordem do filtro e Ω𝑐 é a frequência de corte dada em rad/sec. Na imagem abaixo

é possível observar a resposta da magnitude quadrada.
8.3.5 FILTROS PASSA BAIXA DE CHEBYSHEV
Os filtros Chebyshev podem ser de dois tipos, os filtros Chebyshev-I tem resposta de
ondulação na banda passante enquanto os filtros Chebyshev-II tem resposta de ondulação
na banda de parada.A resposta a magnitude ao quadrado de um filtro Chebyshev-I é dada
por:

8.3.10 FILTROS ELÍPTICOS PASSA BAIXA

São ótimos filtros a medida em que atingem a menor ordem N para as especificações
fornecidas. Não é possível projetá-los usando ferramentas simples, e geralmente são
necessários programas ou tabelas para projetá-los. A resposta da magnitude ao quadrado
dos filtros elípticos é dada por:

Exemplo 8.6
Projete um filtro passa-baixa analógico Chebyshev-I que satisfaça:
Solução:
As especificações são atendidas por um filtro Chebyshev-I de quarta ordem, cujo sistema
função é:

Exemplo 8.7
Projete um filtro passa-baixa analógico Chebyshev-II para atender às seguintes
especificações:
As especificações são atendidas por um filtro Chebyshev-I de quarta ordem, cujo sistema
função é:
8.4 TRANSFORMAÇÃO DE FILTROS ANALÓGICOS PARA DIGITAIS
A seguir estudaremos algumas técnicas utilizadas para realizar a conversão do analógico
para o digital, visto que, várias propriedades necessitam de ser preservadas.
8.4.1 TRANSFORMAÇÃO DA INVARIÂNCIA IMPULSIVA
Neste método de projeto, queremos que a resposta de impulso do filtro digital pareça
"semelhante" à de um filtro analógico seletivo de frequência. Por esse motivo, amostramos
ℎ𝑎(𝑡) em algum intervalo de amostragem T para obter T(n), isso é:

O parâmetro T é escolhido para que o formato de ℎ𝑎(𝑡)seja “capturado” pelas amostras.

Como esta é uma operação de amostragem, as frequências analógica e digital são
relacionadas por:

8.4.4 PROCEDIMENTO DO DESIGN

Dadas as especificações de filtro digital 𝜔𝑝,𝜔𝑠,𝑅𝑝 𝑒 𝐴𝑠 queremos determinar H (z). As
etapas de design neste procedimento são as seguintes:
1. Escolha um valor para T. Isso é arbitrário e podemos definir T = 1.
2. Pré-aqueça as frequências de corte 𝜔𝑝 𝑒 𝜔𝑠, ou seja, calcule 𝛺𝑝e usings usando:

1. Projete um filtro analógico 𝐻𝑎(𝑠) para atender às especificações 𝛺𝑝, 𝛺𝑠, 𝑅𝑝 𝑒 𝐴𝑠.
Já descrevemos como fazer isso na seção anterior.
2. Finalmente, defina:

Exemplo 8.17
Projete o filtro Butterworth digital do Exemplo 8.11. As especificações são:

Solução:
Mais uma vez o filtro desejado é de 6ª ordem e possui 6 zeros. a função do sistema deve
ser:
Exemplo 8.18
Projete o filtro Chebyshev-I digital do Exemplo 8.12. As especificações são:

Solução:
O filtro desejado é um filtro de quarta ordem e tem 4 zeros em z = −1. A função do sistema:
8.4.5 TRANSFORMAÇÃO EM MATCHED-Z
Nesse método de transformação de filtro, zeros e pólos de 𝐻𝑎(𝑠) são mapeados
diretamente em zeros e pólos no plano z usando uma função exponencial. Dada uma raiz
(zero ou polo) na localização s = a no plano s, nós a mapeamos no plano z em z = 𝑒𝑎𝑇onde
T é um intervalo de amostragem.
Assim, a função do sistema 𝐻𝑎(𝑠)com zeros {𝑧𝑘} e pólos {p} é mapeada na função do
sistema de filtro digital H(z) como:

Exemplo 8.21
O exemplo pede o design digital de filtro passa-baixa Butterworth. Após executado o
experimento o filtro obtido:

Exemplo 8.22
O exemplo pede o design digital de filtro passa-baixa Chebyshev-I:Após executado o
experimento o filtro obtido:

Exemplo 8.23
O exemplo pede o design digital de filtro passa-baixo Chebyshev-II: Após executado o
experimento o filtro obtido:

8.5.1 COMPARAÇÃO DE TRÊS FILTROS

8.6 TRANSFORMAÇÕES NA FREQUÊNCIA DE BANDA

Nas duas seções anteriores, foi projetado filtros digitais passa baixo a partir de seus filtros
analógicos correspondentes. Seria interessante projetar outros tipos de filtros seletivos de
frequência, como passa alto, de banda passante e de banda de parada. Isso é feito através
da transformação do eixo de frequência de um filtro passa baixo, para que ele se comporte
como outro filtro seletivo de frequência.
Essas transformações na variável complexa são muito semelhantes às transformações
bilineares e as equações de design são algébricas. O procedimento para projetar um filtro
seletivo geral de frequência é primeiro projetar um filtro que passa baixo de protótipo
digital e depois aplicar essas transformações algébricas.
Seja HLP (Z) o filtro digital passa baixo protótipo fornecido, e H(z) o filtro digital seletivo de
frequˆencia desejado. Defina um mapeamento da seguinte forma:
Exemplo 8.28
Neste exemplo, projetaremos um filtro passa-alta Chebyshev-I cujas especificações foram
fornecidas no Exemplo 8.27.
Solução:
A função do sistema em forma de cascata:

Exemplo 8.30
Projetaremos um filtro de stopband Chebyshev-II cujas especificações são fornecidas no
script MATLAB fornecido no livro.
Solução:
O script utilizou da função cheby2 para obter o filtro desejado. Assim como no exemplo
anterior o filtro projetado também é de 10º ordem.
CAPÍTULO 12 - APLICAÇÕES EM COMUNICAÇÃO
Neste capítulo, vamos nos concentrar em várias aplicações que lidam com representação e
codificação de formas de onda, especialmente codificação de fala, e com comunicações
digitais. Em particular, descreveremos vários métodos para digitalizar formas de onda
analógicas, com aplicação específica para codificação e transmissão de voz.
12.1 MODULAÇÃO DE CÓDIGO DE PULSO
A modulação por código de pulso é um método para quantificar um sinal analógico com a
finalidade de transmitir ou armazenar o sinal em formato digital. O PCM é amplamente
utilizado para transmissão de voz em comunicações telefônicas e para sistemas de
telemetria que empregam transmissão de rádio. Concentraremos nossa atenção na
aplicação do PCM ao processamento de sinais de fala.
Os sinais de voz transmitidos pelos canais telefônicos são geralmente limitados em largura
de banda à faixa de frequência abaixo de 4 kHz. Portanto, a taxa de Nyquist para
amostragem de tal sinal é inferior a 8 kHz. No PCM, o sinal analógico de fala é amostrado na
taxa nominal de 8 kHz (amostras por segundo), e cada amostra é quantizada para um dos
2b níveis e representada digitalmente por uma sequência de b bits. Assim, a taxa de bits
necessária para transmitir o sinal de voz digitalizado é de 8.000 b bits por segundo. O
processo de quantização pode ser modelado matematicamente como:
onde s(n)
̃ representa o valor quantizado de s(n), e q(n) representa o erro de quantização,
que tratamos como um ruído aditivo. Assumindo que um quantizador uniforme é usado e o
número de níveis é suficientemente grande, o ruído de quantização é bem caracterizado
estatisticamente pela função de densidade de probabilidade uniforme,

onde o tamanho do passo do quantizador é ∆ = 2−b. O valor quadrado médio do erro de

quantização é:

Medido em decibéis, o valor quadrado médio do ruído é:

Observamos que o ruído de quantização diminui em 6 dB/bit utilizado no quantizador. A

fala de alta qualidade requer um mínimo de 12 bits por amostra e, portanto, uma taxa de
bits de 96.000 bits por segundo (bps).
12.2 PCM DIFERENCIAL (DPCM)
No PCM, cada amostra da forma de onda é codificada independentemente de todas as
outras amostras. No entanto, a maioria dos sinais, incluindo fala, amostrados na taxa de
Nyquist ou mais rápido exibem correlação significativa entre amostras sucessivas. Em
outras palavras, a mudança média na amplitude entre amostras sucessivas é relativamente
pequena. Consequentemente, um esquema de codificação que explore a redundância nas
amostras resultará em uma taxa de bits mais baixa para o sinal de fala.
Uma solução relativamente simples é codificar as diferenças entre amostras sucessivas em
vez das próprias amostras. Como se espera que as diferenças entre as amostras sejam
menores do que as amplitudes amostradas reais, são necessários menos bits para
representar as diferenças. Um refinamento dessa abordagem geral é prever a amostra atual
com base nas amostras p anteriores. Para ser específico, vamos(n) denotar a amostra atual
de fala e ˆs(n) denotar o valor previsto de s(n), definido como:
Assim, ˆs(n) é uma combinação linear ponderada das amostras p anteriores, e os a (i) são os
coeficientes do preditor (filtro). Os a(i) são selecionados para minimizar alguma função do
erro entre s(n) e ˆs(n).
Uma função de erro matematicamente e praticamente conveniente é a soma dos erros ao
quadrado. Com isso como o índice de desempenho para o preditor, selecionamos a (i) para
minimizar

onde rss (m) é a função de autocorrelação da sequência de sinal amostrada s(n), definida
como:

Minimização de Ep em relação aos coeficientes preditores {ai(n)} re- resultados no

conjunto de equações lineares, chamadas de equações normais,

ou na forma matricial,

onde R é a matriz de autocorrelação, a é o vetor de coeficiente e r é o vetor de

autocorrelação. Assim, os valores dos coeficientes preditores são estabelecidos.
12.3 PCM ADAPTÁVEL E DPCM (ADPCM)
Em geral, a potência de um sinal de fala varia lentamente com o tempo. Os codificadores
PCM e DPCM, no entanto, são projetados com base no fato de que a potência do sinal de fala
é constante e, portanto, o quantizador é fixo. A eficiência e o desempenho desses
codificadores podem ser melhorados fazendo com que eles se adaptem ao nível de potência
lentamente variante no tempo do sinal de fala.
Tanto no PCM quanto no DPCM, o erro de quantização q(n) resultante de um quantizador
uniforme operando em um sinal de entrada de nível de potência de variação lenta terá uma
variação de variação no tempo (potência de ruído de quantização). Uma melhoria que
reduz a faixa dinâmica do ruído de quantização é o uso de um quantizador adaptativo.
Os quantizadores adaptativos podem ser classificados como feedforward ou feedback. Um
quantizador adaptativo feedforward ajusta seu tamanho de passo para cada amostra de
sinal, com base em uma medição da variação do sinal de fala de entrada (potência). Por
exemplo, a variância estimada, baseada em um estimador de janela deslizante, é:

Então o tamanho do passo para o quantizador é:

Neste caso é necessário transmitir ∆ (n + 1) ao descodificador para que este possa

reconstruir o sinal.
Um quantizador adaptativo de feedback emprega a saída do quantizador no ajuste do
tamanho do passo. Em particular, podemos definir o tamanho do passo como:

onde o fator de escala α(n) depende da saída do quantizador anterior. Por exemplo, se a
saída do quantizador anterior for pequena, podemos selecionar α(n) < 1 para fornecer uma
quantização mais refinada. Por outro lado, se a saída do quantizador for grande, o tamanho
do passo deve ser aumentado para reduzir a possibilidade de corte de sinal. Tal algoritmo
foi usado com sucesso na codificação de sinais de fala.

onde M(n) é um fator de multiplicação cujo valor depende do nível do quantizador para a
amostra s(n), e ∆(n) é o tamanho do passo do quantizador para o processamento de s(n).
12.4 MODULAÇÃO DELTA (DM)
A modulação delta pode ser vista como uma forma simplificada de DPCM na qual um
quantizador de 2 níveis (1 bit) é usado em conjunto com um preditor fixo de 1ª ordem. O
diagrama de blocos de um codificador-decodificador DM é mostrado abaixo. Nós notamos
que

desde que

12.5 CODIFICAÇÃO PREDITIVA LINEAR (LPC) DA FALA

O método de codificação preditiva linear (LPC) para análise e síntese de fala é baseado na
modelagem do trato vocal como um filtro linear all-pole (IIR) com a função de sistema

Onde p é o número de polos, G é o ganho do filtro e {ap(k)} são os parâmetros que

determinam os polos. Existem duas funções de excitação mutuamente exclusivas para
modelar sons de fala vozeados e não vozeados. Em uma base de tempo curto, a fala sonora
é periódica com uma frequência fundamental F0, ou um período de altura 1/F0, que
depende do falante. Assim, a fala sonora é gerada pela excitação do modelo de filtro all-pole
por um trem de impulso periódico com um período igual ao período de tom desejado. Os
sons de fala sem voz são gerados pela excitação do modelo de filtro all-pole pela saída de
um gerador de ruído aleatório. Este modelo é mostrado abaixo.

12.6 SINAIS DE MULTIFREQUÊNCIA DE TOM DUPLO (DTMF)

DTMF é o nome genérico para sinalização telefônica de botão de pressão que é equivalente
ao sistema Touch Tone em uso no sistema Bell. O DTMF também encontra amplo uso em
sistemas de correio eletrônico e sistemas bancários por telefone, nos quais o usuário pode
selecionar opções de um menu enviando sinais DTMF de um telefone.
12.7 COMUNICAÇÕES DIGITAIS BINÁRIAS
Os sinais de voz digitalizados que foram codificados via PCM, ADPCM, DM e LPC são
geralmente transmitidos ao decodificador por meio de modulação digital. Um sistema de
comunicação digital binário emprega duas formas de onda de sinal, digamos s1(t) = s(t) e
s2(t) = −s(t), para transmitir a sequência binária que representa o sinal de fala. A forma de
onda do sinal s(t), que é diferente de zero no intervalo 0 ≤ t ≤ T, é transmitida ao receptor
se o bit de dados for 1, e a forma de onda do sinal −s(t), 0 ≤ t ≤ T é transmitida se o bit de
dados for 0. O intervalo de tempo T é chamado de intervalo de sinal e a taxa de bits no canal
é R = 1/T bits por segundo. Uma forma de onda de sinal típica s(t) é um pulso retangular –
isto é, s(t) = A, 0 ≤ t ≤ T – que tem energia A2T.

Na prática, as formas de onda do sinal transmitidas pelo canal são corrompidas por ruído
aditivo e outros tipos de distorções do canal que, em última análise, limitam o desempenho
do sistema de comunicações. Como medida de desempenho, normalmente usamos a
probabilidade média de erro, que geralmente é chamada de taxa de erro de bits.
12.8 COMUNICAÇÕES DE ESPECTRO DE ESPALHAMENTO
Os sinais de espectro espalhado são frequentemente usados na transmissão de dados
digitais em canais de comunicação que são corrompidos por interferência devido a
interferência intencional ou de outros usuários do canal (por exemplo, telefones celulares e
outros aplicativos sem fio). Em outras aplicações além das comunicações, os sinais de
espectro espalhado são usados para obter medições precisas de alcance (tempo de atraso)
e taxa de alcance (velocidade) em radar e navegação. Por uma questão de brevidade,
limitaremos nossa discussão ao uso do espectro espalhado para comunicações digitais. Tais
sinais têm a característica de sua largura de banda ser muito maior que a taxa de
informação em bits por segundo.
No combate à interferência intencional (jamming), é importante para os comunicadores
que o jammer que está tentando interromper sua comunicação não tenha conhecimento
prévio das características do sinal. Para conseguir isso, o transmissor introduz um
elemento de imprevisibilidade ou aleatoriedade (pseudo-aleatoriedade) em cada uma das
possíveis formas de onda do sinal transmitido, que é conhecido pelo receptor pretendido,
mas não pelo jammer. Como consequência, o jammer deve transmitir um sinal interferente
sem conhecimento das características pseudo-aleatórias do sinal desejado.