AULA SCD - IsEUNA 4 - Analise de Sianis Periodicos - Serie de FourieR

ANÁLISE DE SINAIS PERIÓDICOS
SÉRIE DE FOURIER
Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-20 1
22
ANÁLISE DE SINAIS PERIÓDICOS : SÉRIE DE FOURIER
Introdução
Um dos principais objetivos de se analisar sinais é o de determinar o
conteúdo de frequência ou a faixa de frequência de sinais. Isto é de
extrema importância em diversos campos de aplicação. Em comunicações,
sinais transmitidos por estações AM são limitados na faixa de 535 kHz a
1650 kHz. Sinais de estações FM ocupam a faixa de frequência entre 88
MHz a 108 MHz, as de televisão UHF ocupam faixas entre 470 MHz e
890 MHz, e assim por diante, para os demais tipos de serviços. Um sinal
de voz típico ocupa uma faixa de 200 Hz a 4 kHz. Através da análise de
sinais é possível entender como um sinal de voz ou de música é
transmitido em outra faixa de frequência (através de modulação).
Introdução
Uma outra aplicação importante de análise de sinais é a eliminação
de certos tipos de ruídos como o de máquinas, transformadores de
potência, ventiladores industriais, etc. Estes tipos de equipamentos
geram sinais periódicos, que podem ser decompostos em vários
sinais. Um microfone pode captar esse ruído e um sistema
computadorizado analisar este sinal e gerar um outro sinal que é a
imagem do ruído (um anti-ruído). Isto cancela o ruído, não afetando
a conversa normal entre as pessoas que estejam no ambiente, por
exemplo, dentro de um avião.
Introdução
Neste capítulo aborda-se a primeira parte da análise dos sinais
de tempo contínuo, enfatizando-se os sinais periódicos, através
da série de Fourier. No Capítulo 3, serão analisados em
detalhes os sinais aperiódicos, com o auxílio da transformada
de Fourier. Antes, porém, pretende-se discutir alguns conceitos
preliminares sobre espectros de linhas, produto vetorial e
similaridades entre sinais variáveis no tempo.

FASORES GIRATÓRIOS
Considere, inicialmente, o problema do regime permanente
sinusoidal, tal qual estudado na teoria de circuitos eléctricos
electronicos. Nesse caso, os sinais são constituídos por
sinusóides eternos e têm representação temporal como
ilustrado na Figura, e conforme discutido na Capítulo 1 da
cadeira da Analise de Sisyemas e Sinais. Assim, se x(t) for
um sinal sinusoidal, então x onde A é o valor de pico ou
amplitude, 0 é a frequência angular e é o ângulo de fase.
Sinal sinusoidal eterno.
A frequência angular, [rad/s], relaciona-se com a frequência linear, [Hertz],

através de = 2
Conforme já foi enfatizado, a sinusóide eterna trata-se de uma aproximação
idealizada, em vista de considerar todos os instantes de tempo (-< t < O modelo
torna-se mais preciso, à medida que os tempos de observação sejam longos
comparados com o seu período T = 2/.

Espectro de linhas unilateral

A representação espectral do sinal senoidal pode ser obtida em termos de fasores
girantes, deduzidos a partir do teorema de Euler:
onde é um ângulo arbitrário. No caso da sinusóide eterna do slide anterior, percebe-se
que:
O termo entre colchetes em pode ser interpretado como um vetor girando no
plano complexo, z, conforme ilustra a Figura. Assim, define-se o fasor girante
associado a v(t) como sendo o número complexo (na forma polar).
O fasor girante tem magnitude A, gira no sentido anti-horário numa taxa deciclos
por segundo (ou Hertz) e em t = 0 forma um ângulo com o eixo real positivo. A
projeção do fasor sobre o eixo real permite recuperar x(t), conforme estabelecido por
Uma representação equivalente para o fasor complexo z(t), no domínio da frequência, constitui
o espectro de linhas (ou raias) unilateral, mostrado na Figura a seguir. Este diagrama informa
que na frequência de oscilação , o fasor girante tem magnitude A, representado através de uma
linha no espectro de magnitudes, e fase representado por uma linha no espectro de fases.
A fim de padronizar a representação espectral dos sinais, torna-se adequado estabelecer as
seguintes convenções [3]:
a) A variável independente para representar o espectro é a frequência linear, f , (e não a
frequência angular, . Um valor particular de f é identificado por um subscrito como, por
exemplo, ;
b) Os ângulos de fase são medidos em relação à função co-seno. Sinais em seno precisam ser
convertidos para co-senos, através da identidade: sen = cos(-);
c) Considera-se que a magnitude é sempre uma grandeza positiva. Quando sinais negativos
estão presentes, utiliza-se a identidade: -A.cos = A.(cos ).
Exemplo 2.1:
Esboçar o espectro unilateral do sinal cuja forma de onda está desenhada
na Figura esta desenhada neste slide abaixo.
Solução: O espectro de linhas unilateral de w(t) pode ser obtido observado-se que e
encontra-se desenhado na Figura abaixo.

O exemplo anterior é muito ilustrativo pois evidencia que

uma superposição de sinusóides com diferentes frequências e
fases pode dar origem a uma forma de onda não-sinusoidal,
embora ainda periódica. Assim, pode-se indagar se uma
outra forma de onda arbitrária (porém periódica) como uma
dente-de-serra, por exemplo, poderia ser sintetizada a partir
da superposição de sinusóides. Nas próximas seções esta
conjectura será confirmada, através do estudo da série de
Fourier.
Espectro de linhas bilateral

As representações espectrais unilaterais podem não ser tão
interessantes e genéricas quanto a representação denominada
espectro bilateral, que envolve frequências positivas e
negativas. Nesse caso, recorre-se à propriedade dos números
complexos , onde z é uma grandeza complexa e z* é o seu
complexo conjugado.

Espectro de linhas bilateral

Assim, a partir de e , para , obtém-se:
onde . O par de fasores conjugados em
encontra-se desenhado, no plano complexo, conforme a conjugados a figura

abaixo

Por sua vez, o espectro de linhas bilateral, encontra-se na Figura, aqual inclui
informações sobre ambos os fasores: o fasor normal, associado à frequência
positiva (+), e o fasor conjugado, correspondente à frequência negativa (), a fim
de especificar a direção de rotação negativa (no sentido horário).
Conforme se observa, o espectro de magnitudes possui simetria par, enquanto o

espectro de fases tem simetria ímpar.
Exemplo 2.2:
Esboçar o espectro bilateral do sinal w(t) estudado no exemplo 2.1.
Solução: O sinal w(t) pode ser rescrito como:
e portanto, obtém-se o espectro mostrado

Produto Escalar
Análise da “semelhança” entre vetores. A magnitude do vetor erro em b) é menor que nos casos a) e c)

Recorrendo-se a álgebra vetorial, pode-se especificar o fator constante

C12 aplicando-se a definição de produto escalar:

Um critério bastante usado para minimizar fe(t) constitui na minimização do erro

quadrático médio,, ou seja, na minimização de:
onde (t2-t1) é um intervalo de observação dentro do qual deseja-se efetuar a comparação

dos sinais. Assim, torna-se necessário estabelecer o valor de C12 que satisfaça a
condição:
ou, substituindo a equacao , que satisfaça a

Como f1(t) não depende de C12, a primeira integral acima é nula e, portanto, obtém-se que:

Ressalta-se a semelhança entre a expressão
para sinais, e
para vetores. Assim, por analogia com vetores, C12f2(t) representa a componente de f1(t) sobre o sinal f2(t).
Além disso, define-se o produto escalar entre as funções,
• f (t).f (t) 1 2 , num intervalo (t1,t2) por
Exemplo 2.3:
Mostrar que f1(t) = sen(n0t) e f 2 (t) =sen(m0t) são ortogonais em qualquer
intervalo (t0, t0+20), para valores de m e n inteiros, mn.
Solução: Deve ser mostrado que

Uma vez que n e m são inteiros, (n-m) e (n+m) também o são, e assim, I=0
(incentiva-se o estudante da APOLITECNICA a comprovar isto !).
O resultado do exemplo anterior evidencia que ) sen(n 0t e ) sen(m0t) são funções

ortogonais. Pode-se demonstrar que ) cos(n0t e ) cos(m0 t , bem como sen(n0t e )
sen(m0t) , também são funções ortogonais.

xemplo 2.4:
Aproximar a função retangular pela funcao f 2(t) =
sent, no intervalo (0,2), de forma que o erro quadrático médio seja mínimo.
Solução: Deseja-se aproximar f1(t) C12f 2 (t) , tal que C12 conduza ao erro
mínimo.
O gráfico de f1(t) está desenhado na Figura. (em linha pontilhada)

Aplicando-se obtem-se
Chegansdo-se a seguinte conclusao:
representa a melhor aproximação de f1(t) por uma função sent. O desenho de f1(t)
também encontra-se na Fig a abaixo. Por outro lado, diz-se que a função f1(t) tem uma
componente da função sen t cuja magnitude é 4/.

SÉRIE DE FUNÇÕES
Discute-se nesta seção, a expansão de trechos de funções em séries de funções
ortogonais como, por exemplo, a série de Fourier trigonométrica. Antes, porém, o
conceito de ortogonalidade de funções deve ser detalhado.
Ortogonalidade de funções reais
Considere-se, novamente, o caso dos vetores num plano xy, e cujos vetores
unitários são , conforme esquematizado na Figura.

Um vetor , com componentes x0 e y0 nas direções x e y, respectivamente, pode ser expresso como:
Qualquer vetor nesse plano pode ser expresso em termos , vetores unitários que satisfazem a
seguinte condicao: onde m e n correpondem a e y respectivamente.
Assim, os vetores unitarios são ortogonais entre si. Contudo, observamos que este sistema de
coordenadas bidimensional é inadeguado para expressar vetor especial, sendo necessasrio haver tres
eixos de coprdenadas. Portanto para expressar um vetor tridimensional é que o sistema de
coordenadas seja completo. O eixo adicional é o eixo z cujo valor unitario e . Dessa maneira, um
vetor tridimensional sera representado da seguinte maneira:
:
onde , e são ortogonais entre si.

No caso geral, hipoteticamente n-dimensional, o conjunto completo de vetores unitários deve

possuir “n” componentes ortogonais designadas por , ,… assim, um vetor geral em
componentes , , … tais que A condicao de ortogonalidade implica :
O conjunto (, ,… ) constitui um espaço vetorial ortogonal, onde , ,… são vetores de base. Em
geral, contudo, o produto pode ser qualquer constante ao invés da unidade:
Quando é igual à unidade o conjunto é chamado espaço ortogonal normalizado,
ou então, é dito tratar-se de um conjunto ortogonal normalizado ou espaço vetorial ortonormal. Os
valores dos componentes, , podem ser obtidos a partir da seguinte equaacao:
calculando-se inicialmente o produto escalar:
e aplicanso-se a fim de obter e portanto:

A seguir, extrapola-se esses conceitos para o caso de sinais. Considere-se, então, um conjunto de “n” funções
(t), (t), ..., (t), ortogonais entre si, num intervalo , a , ou seja
Uma função arbitrária f(t) pode ser aproximada (sintetizada) num intervalo , pela combinação linear dessa n
funções ortogonais:
A melhor aproximação corresponde àquela onde C1, C2, ..., Cn são tais que
minimizam o erro quadrático médio de fe(t), tal qual em (2.10), o qual será repetido
por conveniência:
Onde
Para isto, torna-se necessário impor que
Procedendo aos cálculos algébricos utilizando a formula acima, pode-se mostrar

que o erro mínimo acontecerá quando
Novamente, é interessante comparar essa expressão com a primeira expressa

acima, iremos concluir que:

usando-se a definição de produto escalar
Utilizando-se , e
o erro quadrático médio será:

=
=

Torna-se assim evidente que o erro quadrático médio diminui à medida que
aumentase n, ou seja, quando f(t) é aproximada por um número maior de funções
ortogonais. No limite, quando n , o erro tende a zero e f(t) converge para a soma
infinita:
desde que {gr(t)} constitua um conjunto de funções ortogonais (obedecem a
no intervalo (t1, t2) e os coeficientes Cr obedecem a

E

Exemplo 2.5:
Considere-se novamente a função retangular f1(t) estudada no exemplo 2.4, que foi
aproximada por uma única função sen(t). Discutir como a aproximação melhora quando se
usa um número grande de funções ortogonais sen n0t e sen m0t , para m e n inteiros.
Solução: A função retangular f1(t) será aproximada por:
onde: e dai:
portanto,

Aproximação da função retangular por série de senos.
conforme mostrado na Figura dos slides seguintes, considerando-se um, dois, três
e quatro termos. O erro nessa aproximação é dado por:
Onde:

Aproximação da função retangular por série de senos.

Resultando que:
evidenciando que, à medida que o número de termos aumenta, o erro diminui e a

sériese aproxima da função
ESPECTRO DE FREQUÊNCIA DISCRETO
Os coeficientes Ck são os coeficientes da série de Fourier do sinal periódico x(t),

também chamados de coeficientes espectrais de x(t). Eles medem a contribuição
de cada exponencial complexa nas frequências múltiplas (harmônicas) da
frequência fundamental 0. A fim de enfatizar suas expressões, repetem-se as
equações da série de Fourier complexa de síntese e de análise de sinais:
Equacao de sintese:
Equacao de Analise:

Ha muito que se pode falar sobre o assunto. O tempo

é escasso! O importante e o essencial foi dito.
Recomendaremos bibliografia

onde é a frequência fundamental e os coeficientes Cn, n=0, ,2, ... São unicamente determinados a partir de x(t),
utilizando a equação de análise. Para n=0, tem-se:
que é o valor médio do sinal x(t). Num sistema elétrico, isso equivaleria ao nível DC do sinal.
Os coeficientes são, em geral, funções complexas de n ou n.f0. Algumas propriedades dos coeficientes são
desenvolvidas a seguir.
Se a função x(t) é real, então x*(t)=x(t). Assim, (2.60) conduz a:

Bibliografia:
[1] Schwartz, M. & Shaw, L., Signal Processing: Discrete Spectral Analysis, Detection, and Estimation,
McGraw-Hill, 1975.
[2] Oppenheim, A.V. , Willsky, A.S. and Young, I.T., Signals and Systems, Prentice- Hall Signal
Processing Series, 1983.
[3] Carlson, A.B., Communication Systems – An Introduction to Signal and Noise in Electrical
Communication, Third edition, McGraw-Hill, 1986. [4] Lathi, B.P., Sistemas de Comunicação, Editora
Guanabara, 1979
[5] Close, C.M., Circuitos Lineares, vol.1, Ed da Universidade de São Paulo e Livros Técnicos e
Científicos Ed. S.A., 1975.
[6] Roden, M.S., Analog and Digital Communication Systems, Fourth edition, Prentice Hall, 1996.
[7] Spiegel, M.R., Análise de Fourier, McGraw-Hill, 1976.
[8] Glisson, T.H., Introduction to System Analysis, McGraw-Hill, 1985.
[9] Papoulis, A., Signal Analysis, McGraw-Hill International Editions, 1984. [10] Oppenheim, A.V. &
Schafer, R.W., Discrete-Time Signal Processing, Second Edition, Prentice Hall, USA, 1999.

AULA SCD - IsEUNA 4 - Analise de Sianis Periodicos - Serie de FourieR

Enviado por

Dados do documento

Descrição original:

Título original

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

AULA SCD - IsEUNA 4 - Analise de Sianis Periodicos - Serie de FourieR

Enviado por

Direitos autorais:

Formatos disponíveis

ANÁLISE DE SINAIS PERIÓDICOS

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 4

Sinal sinusoidal eterno.

A frequência angular, [rad/s], relaciona-se com a frequência linear, [Hertz],

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 6

Espectro de linhas unilateral

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 9

O exemplo anterior é muito ilustrativo pois evidencia que

Espectro de linhas bilateral

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 11

Espectro de linhas bilateral

encontra-se desenhado, no plano complexo, conforme a conjugados a figura

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 12

Conforme se observa, o espectro de magnitudes possui simetria par, enquanto o

e portanto, obtém-se o espectro mostrado

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 14

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 15

Recorrendo-se a álgebra vetorial, pode-se especificar o fator constante

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 16

Um critério bastante usado para minimizar fe(t) constitui na minimização do erro

onde (t2-t1) é um intervalo de observação dentro do qual deseja-se efetuar a comparação

ou, substituindo a equacao , que satisfaça a

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 17

Ressalta-se a semelhança entre a expressão

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 19

O resultado do exemplo anterior evidencia que ) sen(n 0t e ) sen(m0t) são funções

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 20

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 21

Chegansdo-se a seguinte conclusao:

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 22

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 23

onde , e são ortogonais entre si.

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 24

No caso geral, hipoteticamente n-dimensional, o conjunto completo de vetores unitários deve

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 25

Para isto, torna-se necessário impor que

Procedendo aos cálculos algébricos utilizando a formula acima, pode-se mostrar

Novamente, é interessante comparar essa expressão com a primeira expressa

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 27

usando-se a definição de produto escalar

o erro quadrático médio será:

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 28

desde que {gr(t)} constitua um conjunto de funções ortogonais (obedecem a

no intervalo (t1, t2) e os coeficientes Cr obedecem a

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 29

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 30

Aproximação da função retangular por série de senos.

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 31

Aproximação da função retangular por série de senos.

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 32

evidenciando que, à medida que o número de termos aumenta, o erro diminui e a

ESPECTRO DE FREQUÊNCIA DISCRETO

Os coeficientes Ck são os coeficientes da série de Fourier do sinal periódico x(t),

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 34

Ha muito que se pode falar sobre o assunto. O tempo

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 35

Se a função x(t) é real, então x*(t)=x(t). Assim, (2.60) conduz a:

Sidonio Cipriano Turra - Analise de Sinais Periodicos 26-10-2022 36

Você também pode gostar