Mod1 Aula3 ASD2 Transformadas Fourier

Análise de Sistemas Dinâmicos 2
Prof. Dr. Vitor Ramos Franco
Módulo 1
6
64
Amplitude
42
Amplitude
20
Análise e Processamento 0
-2
-2
-4
Básico de Sinais Dinâmicos

-4
-6
0 2 4 6 8 10
-6
0 2 4 6 8 10
Tempo [s]
Aula 3
Tempo [s]
3
3
2.5
Amplitude
2.52
Transformadas de Fourier Amplitude

2
1.5
1.51
(FT, DFT, FFT) 1

0.5
0.50
0 5 10 15 20 25 30 35
0
0 5 10 15 20 25 30 35
Frequencia [Hz]
Frequencia [Hz]
Universidade Federal de São Carlos

Centro de Ciências Exatas e de Tecnologia
Departamento de Engenharia Mecânica
Objetivo 2
•Compreender o processo de transformação do domínio

do tempo para o domínio da frequência (ou vice-versa)
de sinais contínuos e discretos no tempo.
- Apresentar:
‣Série de Fourier;
‣Transformada de Fourier;
‣Aplicações em processamento de sinais.
★Fast Fourier Transform - FFT
Módulo 1 - Análise e Processamento de Sinais

Conteúdo 3
1. Introdução
2. Série de Fourier
- tempo contínuo
- tempo discreto
3. Transformada de Fourier
- tempo contínuo
★ Fourier Transform - FT
- tempo discreto
★ Discrete Fourier Transform - DFT
4. Transformada Rápida de Fourier

★ Fast Fourier Transform - FFT
5. Considerações Finais e Conclusão

1. Introdução 4
•Sinal representado matematicamente por uma variável

(domínio) na qual é possível extrair pouca ou nenhuma
informação;
•Neste contexto, um simples processamento deste sinal,
pode solucionar o problema;
•Ferramentas (ou técnicas) de processamento de sinais
estão disponíveis nas mais diversas formas e
funcionalidades;
•Uma das técnicas de processamento muito utilizada visa
realizar uma mudança (transformação) de domínio.

1. Introdução 5
•Nessa aula, será apresentada uma ferramenta muito

importante mediante a qual se transforma o sinal do
domínio do tempo para o domínio da frequência (ou
vice-versa).
•Para entender o processo de transformação,

primeiramente, é necessário estudar a Série de Fourier.
2. Série de Fourier 6
•Ponto de parYda: representação dos sinais como

combinações lineares de um conjunto de sinais básicos.
•As representações podem ser usadas para construir
classes abrangentes e úteis de sinais.
•Análise de Fourier: propriedades saYsfeitas
pelo conjunto de sinais exponenciais complexos
no tempo con]nuo e discreto.
- envolve as funções seno e cosseno
• A seguir, a representação em Série de Fourier é
apresentada para sinais periódicos con]nuos e discretos
no tempo.

Representação de sinais periódicos de tempo conRnuo

em Série de Fourier.
•Um sinal periódico con]nuo no tempo escrito na forma
padrão por x(t) = x(t + T ) , em que T é o período
fundamental, pode ser escrito por uma série de senos e
cossenos, chamada de expansão em Séries de Fourier,
da seguinte forma:
∞
a0
2 ∑
x(t) = + ak cos(kω0t) + bk sin(kω0t)
k=1
2π a0
em que ω0 é a frequência fundamental ( ω0 = ) e éo
T 2
valor médio (ou valor CC, ou valor DC).

•Os coeficientes a0, ak e bk são dados por:

+T/2
2
T ∫−T/2
a0 = x(t)dt
2 +T/2 2kπt
T ∫−T/2
ak = x(t)cos( )dt
T
2 +T/2 2kπt
T ∫−T/2
bk = x(t)sin( )dt
T
• ake bk são, respecYvamente, as amplitudes das funções

cos(kω0t) e sin(kω0t)
•os argumentos kω0 são múlYplos inteiros posiYvos da
frequência angular.
•Um sinal periódico con]nuo no tempo, x(t) , pode ser

representado em sua forma exponencial complexa por:
x(t) = e iω0t
2π
em que ω0 é a frequência fundamental, dada por ω0 = .
T
•UYlizando a idenYdade de Euler
x(t) = e ±iω0t = cos(ω0t) ± i sin(ω0t)
as funções cosseno e seno podem ser escritas como
ei!0t + e!i!0t
cos (! 0 t ) =
2
e i! 0t
!e !i! 0t
Leonhard Euler
sin (! 0 t ) = https://commons.wikimedia.org/
2i wiki/File:Leonhard_Euler_2.jpg

•SubsYtuindo esses valores na equação da série, e

considerando que:
ak = a−k
b0 = 0
b−k = − bk
cos(ω0t) = cos(−ω0t)
sin(−ω0t) = − sin(ω0t)
uma nova equação da Série de Fourier na forma
exponencial complexa pode ser obYda por:
∞ ∞
cke ikw0t + c−ke −ikw0t
∑ ∑
x(t) = k0 +
k=1 k=1
valor médio, ou valor CC, ou valor DC

•Os coeficientes da série de Fourier, ck, são descritos por

combinações dos coeficientes ak e bk, e são dados por
1 +T/2
T ∫−T/2
ck = x(t)e −ikω0t dt integração sobre um período
completo, começando em 0 ou −T/2
•De uma forma mais compacta, a expansão é dada por:

∞
cke ikω0t
∑
x(t) =
k=−∞
observe o novo intervalo do somatório
•Essa equação da série representa uma soma para todas

as frequências discretas que são múlYplas da frequência
fundamental ω0.
•Os coeficientes ck da série de Fourier complexa

representam uma “medida” da correlação entre a
função x(t) e a função exponencial num período
fundamental T.
•Nota-se que, devido a simetria, para um sinal x(t) real, os
coeficientes c−k = c*k complexo conjugado de ck
•Uma vez que os coeficientes ck ocorrem em pares

complexos conjugados (ck e c*k ), somente metade precisa
ser calculada1.
1
importante no cálculo “computacional"
da Transformada Rápida de Fourier (FFT).
•Portanto, as expressões da Série de Fourier complexa

em termos do período fundamental T e da frequência
fundamental ω0 são:
∞
1 +T/2
T ∫−T/2
cke ikω0t
∑
x(t) = ck = x(t)e −ikω0t dt
k=−∞
•O Espectro em Frequência da função periódica x(t)

corresponde à um gráfico no qual são mostrados os
componentes de frequência (ou harmônicos) ck como
função de frequências discretas kω0.
•Esta representação gráfica pode ser dada em termos dos
ak e bk ou em termos do módulo e fase de ck (mais
usual !) como função da frequência.
•Exemplo 1: Para o sinal x(t) = cos(ω0t) , obter os

coeficientes ck da Série de Fourier complexa e plota-los
em função de kω0. iω t −iω t
e 0 +e 0 1 iω t 1 −iω t
Pela idenYdade de Euler: cos(ω0t) = = e 0 + e 0
2 2 2
Modulo de c - | c |
k
Pela equação dos coeficientes 0.5
k
0.4
da Série de Fourier: 0.3
0.2
+T/2 0.1
1
T ∫−T/2
0
ck = x(t)e −ikω0t dt -1.5 -1 -0.5 0 0.5 1 1.5
Frequencia (k ω )
0
1
c1 =
2 0.1
Fase de c [rad]
0.05
1
k
0
c−1 = c*
1
=
2
-0.05
-0.1
-1.5 -1 -0.5 0 0.5 1 1.5
ck = 0, | k | ≠ 1 Frequencia (k ω )
0

•Exemplo 2: Para o sinal x(t) = sin(ω0t) , obter os

coeficientes ck da Série de Fourier complexar e plota-los
em função de kω0.
e iω0t − e −iω0t 1 iω t 1 −iω t
Pela idenYdade de Euler: sin(ω0t) = = e 0 − e 0
2i 2i 2i
Modulo de c - | c |
k
Pela equação dos coeficientes 0.5
k
0.4
da Série de Fourier: 0.3
0.2
0.1
1 +T/2
T ∫−T/2
0
ck = x(t)e −ikω0t dt
-1.5 -1 -0.5 0 0.5 1 1.5
Frequencia (k ω )
0
1
c1 =
2i
2
Fase de c [rad]
1 1
k
c−1 = c*1
=− 0
2i -1
-2
ck = 0, | k | ≠ 1 -1.5 -1 -0.5 0 0.5 1 1.5
Frequencia (k ω )
0

•A parYr dos coeficientes ck , recompor o sinal x(t)

uYlizando a expansão em Série de Fourier.
∞
cke ikω0t
∑
Expansão em Série de Fourier (complexa): x(t) =
k=−∞
1
c1 =
2i ∞
1
c−1 = c* =− cke ikω0t = c−1e −iω0t + c1e iω0t + 0
∑
1
x(t) =
2i
k=−∞
ck = 0, | k | ≠ 1
para | k | ≠ 0
1 −iω t 1 iω t
∴ x(t) = − e 0 + e 0 = sin(ω0t)
2i 2i

Representação de Sinais Periódicos de tempo discreto

em SÉRIE de FOURIER
•Um sinal periódico discreto no tempo x[n] = x[n + N]
(forma padrão), ou ϕk[n]=eikω0n , k = 0, ± 1, ± 2,... (forma
exponencial complexa), pode ser escrito na forma de
uma série de senos e cossenos por:
∞
∑
x[n] = a0 + ak cos(kω0n) + bk sin(kω0n)
k=1
em que N é o período fundamental e ω0 é a frequência
fundamental (ω0 = 2π/N)
•Os coeficientes a0 , ak e bk são determinados de forma
similar ao apresentado para tempo con]nuo, mas
considerando a integral como uma soma.
•Analogamente, as equações que representam a Série de

Fourier discreta (forma complexa) são:
" 2" %
ik$ 'n
x [n] = !ce k
ik! 0 n
= !ce k
# N &
k= N k= N
# 2! &
1 ik% (n
ck = "
N k= N
x [ ]
n e !ik! 0 n
= " x [n] e $ N '
k= N
•o somatório só precisa incluir termos no intervalo de N

valores sucessivos de k, ou seja:
k = 0,1,...,(N − 1) ou
k = 2,3,...,(N + 2)

2. Transformada de Fourier 19
•A transformada de Fourier é uma ferramenta muito

uYlizada no processamento de sinais
- conversão do sinal do domínio do tempo para o
domínio da frequência (ou vice-versa);
•O Espectro em Frequência da função periódica x(t)
corresponde à um gráfico no qual são mostrados os
componentes de frequência (ou harmônicos) ck como
função de frequências discretas kω0.
- ou seja, basta realizar a expansão em Série de Fourier
na forma complexa.
•Mas, e para sinais transientes, ou aperiódicos, como fica
o espectro em frequência?

Transformada de Fourier de tempo conRnuo - FT

•Considerar um sinal x(t) que tem duração finita:
x (t ) Sinal aperiódico
x(t) = 0 se | t | > T1
!T1 0 T1 t
•A parYr desse sinal, pode-se construir um sinal periódico
x̃(t) para o qual x(t) é um período:
x! (t ) Sinal periódico
!2T !T 0 T 2T t
•O que pode-se concluir quando T → ∞?
- R.:x(t) = x̃(t) para qualquer valor finito de t.
•Assim, verifica-se o efeito sobre a representação da série

de Fourier +T/2
1
T ∫−T/2
∞
cke ikω0t com coeficientes ck = x̃(t)e −ikω0t dt
∑
x̃(t) =
k=−∞
•Como x(t) = x̃(t) para | t | < T/2 e também como x(t) = 0 fora
desse intervalo, x (t ) +T/2
1
T ∫−T/2
ck = x(t)e −ikω0t dt
!T1 0 T1 t
x! (t )
!2T !T 0 T 2T t
T/2
•E quando T → ∞, o que acontece com os coeficientes?

1 +T/2 T→∞ +∞
T ∫−T/2 ∫−∞
ck = x̃(t)e −ikω0t dt Tck = x(t)e −ikω0t dt
x(t) = x̃(t)
+∞ T→∞ +∞
∫−∞ ∫−∞
Tck = x(t)e −ikω0t
dt Tck = x(t)e −iωt dt
ω0 → 0
o produto kω0 → ω, sendo

praYcamente uma função conRnua.
•Os coeficientes da série de Fourier mulYplicados por T

tornam-se amostras da envoltória cada vez menos
espaçadas, de modo que o conjunto de coeficientes da
série de Fourier se aproxima da função da envoltória.
•Portanto, definindo a "envoltória" X(ω) = Tck, tem-se:

+∞
∫−∞
X(ω) = x(t)e −iωt dt
•E, para os coeficientes ck , tem-se:

1 1
ck = X(kω0) ck = X(ω) |ω=kω
T T 0
•SubsYtuindo os coeficientes na equação de x(t) = x̃(t) ,

tem-se
1 +∞
2π ∫−∞
x(t) = X(ω)e +iωt dω A soma torna-se uma integral

•Assim, defini-se o par da Transformada de Fourier por:
1 +∞
2π ∫−∞
x(t) = X(ω)e +iωt dω transformada inversa
+∞
∫−∞
X(ω) = x(t)e −iωt dt transformada direta
•A Transformada de Fourier é uma consequência da

série
- UYlizada para se obter o espectro em frequência de
um sinal x(t) periódico ou aperiódico (também
chamado de transiente);

•"SinteYzando": o que acontece quando o sinal não é

periódico?
À medida os componentes de
que T! !0 ! frequência kω0
Soma da série conjunto se aproximam de

de Fourier con]nuo modo a formar
se torna
uma integral
•E quando o período tende ao infinito?

Conjunto de coeficientes se aproxima da
T !" da Série de Fourier função da envoltória
Um sinal aperiódico pode ser visto como

um sinal periódico com um período infinito
Jean BapYste Joseph Fourier ∞
https://commons.wikimedia.org/wiki/File:Joseph_Fourier.jpg
cke ikω0t
∑
x(t) =
k=−∞
kω0 Relacionadas Representação

Sinais
harmonicamente em forma de
periódicos Combinação
em frequência soma
linear de
Exponenciais T !" infinitesimalmente kω0 = ω Representação
Sinais complexas em forma de
próximas em
aperiódicos integral
!0 ! 0
frequência
1 +∞
2π ∫−∞
x(t) = X(ω)e +iωt dω
+∞
∫−∞
X(ω) = x(t)e −iωt dt
Espectro de coeficientes resultante Transformada de Fourier
curva con]nua
•Visualização da FT
A A
1
ω A2
0.8
0.6
f2
0.4
0.2
−0.2
−0.4
−0.6
−0.8
Domínio da frequência
−1
0 200 400 600 800 1000 1200
2.5
1.5
1
A1
0.5
−0.5
f1 A1
−1
−1.5
−2 A2
t
−2.5
0 200 400 600 800 1000 1200
f1 f2 ω
A
3
Domínio do tempo Para passar do domínio do
tempo para o domínio da
2
frequência diretamente,
1
−1
t uYliza-se a
−2 Transformada de Fourier
−3
0 200 400 600 800 1000 1200
•Exemplo de visualização da FT

•Exemplo de visualização da FT

Transformada de Fourier de tempo discreto - DFT

•Considerar um sinal discreto x[n] com duração finita
x [ n ] Sinal aperiódico
x[n] = 0 fora do intervalo
−N1 ≤ n ≤ N2
!N1 0 N 2 n
•A parYr desse sinal, pode-se construir um sinal
periódico x̃[n] para o qual x[n] é um período
x̃[n] Sinal periódico
!N !N1 0 N 2 N n
•Quando N → ∞, x[n] = x̃[n], para qualquer valor finito de n.

•Então, de forma semelhante à análise de tempo

con]nuo, após verificação desse efeito sobre a
representação da série"
de Fourier, obtém-se:"2 % ! #2 &
1 ik$ 'n ik% (n
x [n] = ! c e !
= !ce
k
ik 0n
c =
N
" x [n] e
k
!
= " x [n] e
# N &
k
!ik 0n $ N '
k= N k= N k= N k= N
•QuandoN → ∞, x[n] = x̃[n] , a equação de x[n] torna-se uma

combinação linear de exponenciais complexas
infinitesimalmente próximas em frequência, dada por:
1
x [n] = ! X ( e )e d" transformada inversa
i" i" n
2! 2!
em que o espectro de x[n] é dado por:

∞
X(e iω) = x[n]e −iωn transformada direta
∑
n=−∞
•Essas equações formam o par da Transformada Discreta de
Fourier (DFT) ou Transformada de Fourier de tempo discreto.
•Exemplo/Exercício para casa: Obter a curva envoltória

do sinal a seguir
! t < T1
# 1, Páginas 114 e 165 do
x (t ) = " T
# 0, T1 < t < livro do Oppenheim
$ 2
•OBS1: Obter a curva envoltória é o mesmo que:

- obter a função relacionada com a FT do sinal
- obter o espectro em frequência do sinal
•OBS2: o espectro em frequência de um sinal discreto no
tempo é obYdo, computacionalmente, por meio de um
algoritmo que calcula rapidamente a DFT, chamado de
Fast Fourier Transform (FFT).
3. Transformada Rápida de Fourier - FFT 33
•Em muitos casos de análise de sinais, há a necessidade

de um prévio processamento do sinal para que algumas
características importantes “apareçam”.
•O que “dita” a técnica de processamento mais adequada
a ser utilizada é a seguinte questão:
- o que deseja-se extrair do sinal?
•Além disso, a técnica a ser aplicada depende muito da
natureza dos sinais de excitação e de resposta
- são funções harmônicas?
- contém ruído?
- são funções aleatórias?
- são funções pseudo-aleatórias?
- são impactos?
•No caso desse sinal, por exemplo, o fenômeno de

batimento está “camuflado”.
- visualizado mediante a realização de uma
transformação de domínio (tempo → frequência).

•Nesse contexto de transformação do domínio do tempo

para o domínio da frequência (e vice-versa), surgem as
perguntas:
- Como se obtém o espectro em frequência de sinais
periódicos?
‣R.: pela Série ou pela Transformada de Fourier!
- Como se obtém o espectro em frequência de sinais
aperiódicos (transientes)?
‣R.: pela Transformada de Fourier!
•No caso de um experimento realizado ou de uma
simulação computacional, como são aquisicionados os
sinais envolvidos ou como são representados os sinais
simulados?
•Sinais aquisicionados por computador ou sinais

simulados são sinais amostrados:
- Sinais discretos (eixo do tempo)
- Sinais quanYzados - digitais (eixo da amplitude)
Sinal analógico
Sinal amostrado
1 2 3 4 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 32 33 34 35 36 37 38 39

Sinal analógico
Sinal amostrado
1 2 3 4 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 32 33 34 35 36 37 38 39
•Estes sinais são periódicos ou não periódicos?

- R.: são sinais aperiódicos, pois, em casos de sinais
‣no domínio do tempo, o sinal tem início no
instante inicial (geralmente t = 0).
‣no domínio do espaço, o sinal tem início na
posição inicial (geralmente x = 0).
•O que o computador faz com um sinal que não é

periódico?
- R.: “copia e cola” o sinal para frente e para trás ou
seja, considera o sinal aperiódico como um período
de um sinal “periodizado”.
x (t ) Sinal analógico contínuo
1
aperiódico
0 T0 t
-1
x (t ) Sinal analógico contínuo
…
“periodizado”
…
1
−3T0
−2T0 −T0 0 T0 2T0 3T0 t
-1
•No caso, os sinais con]nuos analógicos serão sinais

discretos quanYzados com tempo de amostragem ts , e
1
freqüência de amostragem fs =
ts ts
Sinal analógico
Sinal amostrado
1 2 3 4 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 32 33 34 35 36 37 38 39
•Então, para que este sinal seja transformado para o

domínio da frequência, aplica-se a DFT (Discrete Fourier
Transform).
•Na práYca, como é aplicada a DFT?

-aplica-se a FFT no sinal discreto
•O que é FFT (Fast Fourier Transform)?
- Resp: é um algoritmo que calcula “rapidamente” a
DFT (Discrete Fourier Transform)
•A FFT é uYlizada em muitas áreas e aplicações quando
se deseja obter o ESPECTRO em frequência de um sinal
discreto x[n]
- Transformada direta (tempo → frequência).
- Transformada inversa (frequência → tempo).

•No Matlab ou Octave, a aplicação da FFT é dada pelo

comando nas formas:
x_DFT = fft(x)
x_DFT = fft(x,Np)
em que:
- x é um vetor contendo os pontos do sinal x[n];
- Np é o número de pontos (amostras).
Observação: o foco será dado na aplicação do comando!

•Exercício 1: Aplicação do comando “q”

- Gerar um vetor de tempo de 0 a 10s de 0,01 em
0,01s.
- Em seguida, gerar um sinal senoidal com:
‣Amplitude 2
‣Frequência 100 Hz
- Aplicar o comando “q” no sinal senoidal,
‣O que é possível notar do sinal x_DFT?
- Plotar o sinal transformado e
- Analisar gráfico resultante
Todos realizando os passos requeridos

•Uma possível sequência de comandos é:

t = 0:0.01:10; Fixa o intervalo de tempo
A = 2; ts = sampling Yme
f0 = 100; ts = tempo de amostragem
x = A* sin(2*pi*f0*t); (ts é um dado de entrada)
x_DFT = fft(x);
•Com o sinal x_DFT nessa forma, não será possível plotar

diretamente
- x_DFT é um sinal complexo (imaginário), resultado
da da mulYplicação pela exponencial complexa.
- Neste caso, uYliza-se:
plot(abs(x_DFT),’linewidth',2)
O que é possível notar do sinal resultante?

•De cara, nota-se uma simetria/espelhamento

- resultado do somatório que envolve ck e c−k = c*k
1.2e-10
simetria/espelhamento
1e-10
8e-11
Amplitude
6e-11
4e-11
2e-11
0
0 200 400 600 800 1000
Numero de pontos

•Além disso, nota-se uma amplitude incoerente e muitos

componentes de frequência (picos) no espectro.
1.2e-10
1e-10
8e-11
Amplitude
6e-11
4e-11
2e-11
0
0 200 400 600 800 1000
Numero de pontos

•Dificuldades práYcas na aplicação da FFT:

- Amostragem correta do sinal;
‣Acertar a frequência dos componentes;
- Aplicação correta do comando “q”:
‣Acertar a amplitude dos componentes de
frequência;
- Aplicação correta do comando “plot”:
‣Acertar o eixo das frequências (reYrar o
espelhamento);
- Gerar o vetor de frequências corretamente:
‣Plotar, de forma correta, o componente de
frequência com o seu respecYvo valor.

•Como resolver estes problemas?

- A grande quan^dade de componentes de frequência
(e o valor correto de cada componente) é resolvida
pela análise da amostragem do sinal
‣GaranYr que o número de pontos seja suficiente!
➡ Fixa-se, então, o número de pontos!
tini = 0; % tempo inicial

tfim = 10; % tempo final
Np = 2^14; % numero de pontos número par de pontos,
para facilitar a reYrada
t = linspace(tini,tfim,Np); do espelhamento
gera um vetor linearmente espaçado,

Todos criando
garanYndo o número de pontos vetor tempo
(o ts é uma consequência) corretamente
•Plotando-se o espectro resultante:

20000
Apenas um
15000
componente
espelhado
Amplitude
10000
5000
0
0 5000 10000 15000 20000
Numero de pontos
- As amplitudes corretas dos componentes de

frequência são obYdas pela aplicação correta do
comando “q”.
mulYplicação por 2 e
x_DFT = fft(x)*(2/Np);
divisão pelo nº de pontos
2
Amplitude
correta
1.5
Amplitude
0.5
Todos
0
0 5000 10000 15000 20000
corrigindo a
Numero de pontos amplitude
- Para re^rar o espelhamento

‣basta plotar somente a metade do número de
pontos (metade do sinal):
plot(abs(x_DFT(1:Np/2)),’linewidth’,2)
2
1.5
Amplitude
214 /2 = 8192
0.5 pontos
Todos
0
0 2000 4000 6000 8000 10000
reYrando o
Numero de pontos espelhamento
- Para gerar o vetor correto de frequências (eixo das

abcissas), basta seguir os comandos:
ts = t(2)-t(1); % tempo de amostragem
fs = 1/ts; % frequencia de amostragem
f = linspace(0,fs,Np); % vetor frequencia
garante o mesmo número par de pontos
Todos criando vetor frequência corretamente

- Além disso, também é necessário plotar a metade do

número de pontos do vetor frequência
plot(f(1:Np/2), abs(x_DFT(1:Np/2)),’linewidth’,2)
‣Vale ressaltar que a frequência de amostragem fs

também pode ser um dado de entrada
★Atenção ao Aliasing.
Todos plotando o espectro em frequência

(ajustar limites dos eixos, labels e gca)
- O espectro em frequência do sinal é, então, dado por:

2
1.5
Amplitude
Frequência xlim([0 200])

0.5
correta
0
0 50 100 150 200
Frequencia [Hz]
•Nota-se que o espectro contém apenas um

componente, com frequência 100 Hz e amplitude 2.
•Resumindo…
Np = 2^14; % numero de pontos
tini = 0; % tempo inicial

tfim = 10; % tempo final
t = linspace(tini,tfim,Np); % vetor tempo
A = 2; % amplitude
f0 = 100; % frequência do sinal
x = A* sin(2*pi*f0*t); % sinal
x_DFT = fft(x) * (2/Np); % FFT do sinal
ts = t(2)-t(1); % tempo de amostragem

fs = 1/ts; % frequência de amostragem
f = linspace(0,fs,Np); % vetor frequência
plot(f(1:Np/2), abs(x_DFT(1:Np/2)),’linewidth’,2)

•Exercício 2: Gerar um sinal de 10 s de duração

correspondente a soma dos sinais:
x1 = 1 sin(20πt), x2 = 2 sin(40πt) e x3 = 3 sin(60πt)
•Em seguida, plotar no mesmo gráfico (subplot) o sinal
no tempo e o espectro em frequência.
6
4
6
Amplitude
2
4
0
Amplitude
2
-2
0
-4
-2
-4-6
0 2 4 6 8 10
-6
0 2 4 Tempo [s] 6 8 10
Tempo [s]
3
2.5
3
Amplitude
2.52
Amplitude
1.5
2
1.51
0.5
1
0.50
0 5 10 15 20 25 30 35
0
0 5 10 15 20 25 30 35
Frequencia [Hz]
Frequencia [Hz]
•Exercício 3: Gerar uma onda quadrada de

-2 segundos de duração;
-período 0,5 segundo e
-amplitude 2
•Em seguida, plotar (no mesmo gráfico - subplot) o
sinal no tempo e o espectro em frequência e analisar o
espectro.
x = A * square(2*pi*f0*t); % onda quadrada
amplitude frequência em Hz

•O sinal no tempo e o espectro em frequência do sinal

são dados por:
2
Amplitude 1
-1
-2
0 0.5 1 1.5 2
Amplitude aumenta?
Tempo [s]
qual o moYvo?
3
2.5
Porque tantos componentes
Amplitude
2
1.5 de frequência?
1
0.5
0
0 10 20 30 40 50
Frequencia [Hz]
•Harmônicas impares (2k − 1)f0 observadas.

•Exercício 4 - Gerar um sinal “chirp” com:

- duração de 10 s
- frequência variando de 1 até 30 Hz
•Em seguida, gerar o espectro em frequência do sinal e
entender os resultados.
x = chirp(t , f0 , t1 , f1); % sinal chirp
frequência frequência
inicial final
em Hz em Hz
(em t = 0) (em t = t1)

•O espectro do sinal “chirp” em questão é dado por:

0.08
0.06
Como “deveria”
ser o espectro
Amplitude
0.04
em frequência
do chip?
0.02
Porque esse
efeito acontece?
0
0 10 20 30 40 50
Frequencia [Hz]
•A rigor, a DFT não pode ser uYlizada em um sinal com

frequência variando no tempo, mas a mesma reflete
(“pobremente”) a faixa de frequências do sinal “chirp” .
4. Considerações Finais e Conclusão 60
•A transformação de domínio é uma ferramenta muito

importante no processamento de sinais;
•Para transformar do domínio do tempo para o domínio
da frequência (ou vice-versa), utiliza-se a Transformada
de Fourier
- tempo contínuo (FT) e
- tempo discreto (DFT)
•A FT é uma consequência da Série de Fourier
-A série considera sinal periódico!
-neste caso, os coeficientes da série representam o
espectro em frequência.

4. Considerações Finais e Conclusão 61
•A FT é uYlizada para se obter o espectro em frequência

de um sinal x(t) , seja este periódico ou aperiódico
(transiente);
•No caso de sinais aperiódicos, ocorre o processo de
“periodização” em que se faz:
-T→∞ ω0 → 0 kω0 → ω
- Os coeficientes da Série de Fourier se aproximam de

uma função con]nua (envoltória)
•A FFT é um algoritmo que calcula a DFT
•Em sinais com frequência variando no tempo, utiliza-se a
Transformada de Fourier de Tempo Curto
- STFT - Short Time Fourier Transform
- Análise tempo-frequência
62
Dúvidas?
vrfranco@ufscar.br

Mod1 Aula3 ASD2 Transformadas Fourier

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Mod1 Aula3 ASD2 Transformadas Fourier

Enviado por

Direitos autorais:

Formatos disponíveis

Análise de Sistemas Dinâmicos 2

Prof. Dr. Vitor Ramos Franco

Básico de Sinais Dinâmicos

Transformadas de Fourier Amplitude

(FT, DFT, FFT) 1

Universidade Federal de São Carlos

•Compreender o processo de transformação do domínio

Módulo 1 - Análise e Processamento de Sinais

4. Transformada Rápida de Fourier

5. Considerações Finais e Conclusão

•Sinal representado matematicamente por uma variável

Módulo 1 - Análise e Processamento de Sinais

•Nessa aula, será apresentada uma ferramenta muito

•Para entender o processo de transformação,

•Ponto de parYda: representação dos sinais como

Módulo 1 - Análise e Processamento de Sinais

Representação de sinais periódicos de tempo conRnuo

Módulo 1 - Análise e Processamento de Sinais

•Os coeﬁcientes a0, ak e bk são dados por:

• ake bk são, respecYvamente, as amplitudes das funções

•Um sinal periódico con]nuo no tempo, x(t) , pode ser

Módulo 1 - Análise e Processamento de Sinais

•SubsYtuindo esses valores na equação da série, e

valor médio, ou valor CC, ou valor DC

Módulo 1 - Análise e Processamento de Sinais

•Os coeﬁcientes da série de Fourier, ck, são descritos por

•De uma forma mais compacta, a expansão é dada por:

•Essa equação da série representa uma soma para todas

•Os coeﬁcientes ck da série de Fourier complexa

•Uma vez que os coeﬁcientes ck ocorrem em pares

•Portanto, as expressões da Série de Fourier complexa

•O Espectro em Frequência da função periódica x(t)

•Exemplo 1: Para o sinal x(t) = cos(ω0t) , obter os

Módulo 1 - Análise e Processamento de Sinais

•Exemplo 2: Para o sinal x(t) = sin(ω0t) , obter os

Módulo 1 - Análise e Processamento de Sinais

•A parYr dos coeﬁcientes ck , recompor o sinal x(t)

Módulo 1 - Análise e Processamento de Sinais

Representação de Sinais Periódicos de tempo discreto

•Analogamente, as equações que representam a Série de

•o somatório só precisa incluir termos no intervalo de N

Módulo 1 - Análise e Processamento de Sinais

•A transformada de Fourier é uma ferramenta muito

Módulo 1 - Análise e Processamento de Sinais

Transformada de Fourier de tempo conRnuo - FT

•Assim, veriﬁca-se o efeito sobre a representação da série

•E quando T → ∞, o que acontece com os coeﬁcientes?

o produto kω0 → ω, sendo

•Os coeﬁcientes da série de Fourier mulYplicados por T

•Portanto, deﬁnindo a "envoltória" X(ω) = Tck, tem-se:

•E, para os coeﬁcientes ck , tem-se:

•SubsYtuindo os coeﬁcientes na equação de x(t) = x̃(t) ,

Módulo 1 - Análise e Processamento de Sinais

•Assim, deﬁni-se o par da Transformada de Fourier por:

•A Transformada de Fourier é uma consequência da

Módulo 1 - Análise e Processamento de Sinais

•"SinteYzando": o que acontece quando o sinal não é

Soma da série conjunto se aproximam de

•E quando o período tende ao inﬁnito?

Um sinal aperiódico pode ser visto como

kω0 Relacionadas Representação

Módulo 1 - Análise e Processamento de Sinais

Módulo 1 - Análise e Processamento de Sinais

Transformada de Fourier de tempo discreto - DFT