PDS_2024- tema 2-Ferramentas de Fourier

Docente: Eng.
Essitone Lote Gimo ATC ©

Tema 2: Ferramentas de Análise do Fourier
Análise de Freqüência
Transformada Geral como

ferramenta de solução
análise
tempo, t freqüência, f
F
s(t), S(f) : Par
s(t) S(f) = F[s(t)] de
Transformação
síntese
Docente: Eng. Essitone Lote Gimo 2 / 84


Espectro de sinais provenientes de um sonar *. Descreve alguns
dos elementos importantes da análise espectral
Pico asociado a
interferencia 60Hz
Por debaixo deo10 Hz o

Consideremos Ruído atenuado por
Analisemos os picos do filtro antialiasing
intervalo
ruído se incrementa
de 10 a 70 Hz
espectro: 13, 26, 39 e
e nos esqueçamos dos
significativamente:
60 Hz
picos
Ruídono1/f
momento
¡Ruído Branco!
* Espectro medio


 Séculos 19th / 20th: Análise de Fourier – Contínuo & Discreto.

2.5
Sinal Temporal Espectro Freqüência
2
1.5
1
T
1
Periódica c k    s(t)  e  j k ω t dt
0.5
FS Discreto
0
0 1 2 3 4 5 6 7 8
time, t T
Contínuas (período T) 0
2.5
  j2 π f t
FT Contínuo S(f)   s(t)  e
2
1.5
Não periódica dt
1
0.5

0
0 2 4 6 8 10 12
time, t
N 1 2πkn
 j
DFS** Discreto
2.5
~ 1
ck   s[n]  e N
2
Periódica
1.5
1
N
0.5
0
n 0
0 1 2 3 4 5 6 7 8
time, tk
(período N)

Discreta S(f)   s[n]  e j 2 π f n
2.5 DTFT Contínuo
n 
2
Não
2πkn
1.5
periódica 1 N1
DFT** Discreto
j
1
~
ck   s[n]  e
0.5
0
N
time, tk
0 2 4 6 8 10 12
N
n 0
Calculados por FFT

Note: j =-1,  = 2/T, s[n]=s(tn), N = No. de amostras
**
Séries do Fourier (FS)
Uma função periódica s(t) que satisfaz as condições do Dirichlet * pode

representar-se por uma série do Fourier com térmos sen/cos.
a0, ak, bk : coeficientes Fourier .

T ese 
1
c k    s(t)  e  j k ω t dt sín
t s(t)  a 0   a k  cos (k ω t)  b k  sen (k ω t) 
T k 1
k: numero de harmônico,
0
 t menos não continuidades T: período,  = 2/T
e
l is
á T
an 1 (valor médio de sinal no período, exemplo.
a0    s(t)dt
T término DC ou componente de freqüência.
0 zero.)
T
2
ak    s(t)  cos(k ω t) dt
T Nota: {cos(kωt), sen(kωt) }k
0
formam uma base ortogonal
2
T
do espaço de função.
- b k    s(t)  sen(k ω t) dt
T 0
* Seguinte slide

Convergência de SF
Condições Dirichlet
(a)
s(t) continua em troços;
Em qualquer (b)
s(t) monótona em troços;
T
período:
(c)
s(t) integral integral do modulo ,  s(t) dt  
0
T Taxa de convergência
Exemplo:
onda Se s(t) não é continua então |ak|
quadrada <M/k para k grande (M>0)
s(t)
(a) (b) (c)

Análise SF - 1

1.5
FS de função impar* : onda
quadrada T  2π  ω  1
1
square signal, sw(t)

0.5
π 2π 
1   0
a0     dt   ( 1)dt   0 (médio 0)
2π   0 2 4 6 8 10
t
0 π -0.5
π 2π 
1   -1
ak     cos kt dt   cos kt dt   0 (função impar)
π  
0 π -1.5
1  
π 2π
- bk    sen kt dt   sen kt dt   ... 
2
 1  cos kπ   * Funções pares e impares
π 0 π  k  π
s(x)
 4 Par :
 k  π , k impar
 s(-x) = s(x)
  x
 0 , k par


s(x)
Impar :
4 4 4
sw(t)   sen t   sen 3  t   sen 5  t  ... x
π 3 π 5 π s(-x) = -s(x)

s(t)  a 0   a k  cos (k ω t)  b k  sen (k ω t) 
k 1 Docente: Eng. Essitone Lote Gimo 10 / 84
Análise SF - 2
Representações
zk = (rk , k)
Espectro Fourier
 bk rk rk = ak2 + bk2
s(t)   vk (t) k k = arctan(bk/ak)
k 0 ak
Retangular Polar
vk = akcos(k t) - bksen(k t) vk = rk cos (k t + k)
rk
ak
π
4/
rK = amplitude, π
4/3
K = fase f1 3f1 5f1 f

f1 2f1 3f1 4f1 5f1 6f1 f
-bk θk
π
4/
fk=k /2 f1 3f1 5f1 f
π
4/3
Espectro Fourier de -π/2
f1 2f1 3f1 4f1 5f1 6f1 f Onda quadrada.

Síntese SF
Reconstrução a partir de
termos espectrais
1.5

0.5
1735911
sw
sw1753911(t)
(t) ---bbbbkkkksen(kt)
(t)

kkkk1111
sen(kt)
sen(kt)
sen(kt)
0
-0.5
-1
-1.5
0 2 4 6 8 10
t
Convergência lenta (~1/k) – idealmente necessita infinitos términos.

Praticamente, se trunca a serie a través de sua tolerância
erro Y aparece … o fenômeno de Gibbs.
( erro).

Fenômeno de Gibbs
1.5
Aparecem oscilações em 1
cada descontinuidade

0.5
0
79
sw 79 (t)   - b k  sen(kt) -0.5
k 1
-1
-1.5
0 2 4 6 8 10
t
• Observado por Michelson, 1898. Explicado por Gibbs.

• Max. oscilação p-p = 8.95% do magnitude da descontinuidade.

Deslocamento no tempo
SF de função par: 1.5


Onda quadrada defasada /2 1

0.5
0
a 0 0 (média zero) 0 2 4 6 8 10
t
-0.5
 4 -1
 k  π , k impar, k  1, 5, 9...
 -1.5

ak    4 , k impar, k  3, 7, 11...
 kπ rk
 4/π

de
 0 , k par.
it u
4/3π
pl
(funcao par)
am
- bk  0
θk f1 3f1 5f1 7f1 f
π
Nota: As amplitudes nao mudan mas
a fase avança em k/2.
se
fa
f1 3f1 5f1 7f1 f

Série Fourier Complexa
Notação de Euler:
e jt  e  jt e jt  e  jt
e-jt = (ejt)* = cos(t) - j·sen(t) “fasor” cos(t)  sen(t) 
2 2 j
is
e T
l 1
á c   s(t)  e- j k ω t dt
an k
T 
0
Forma complexa de SF (Laplace 1782).
e Harmônicos ck separados f = 1/T em
tes  freqüência
n
sí s(t)   ck  e j k ω t
k  
j
Nota:
Nota c-k = (ck)* z=re
Enlace com coeficientes reais r r = a 2 + b2

b
  = arctan(b/a)
c 0  a0
a
1 1
ck   ak  j  bk    a k  j  b k 
2 2

Potência SF
T
1
W   s(t)
2
Potência média W : dt  s(t)  s(t)
To
Teorema de Parseval • Convergência SF ~1/k

 1   os términos de menor freq.
2
W  ck  a0 2 
2
  ak 2  bk 2  Wk = |ck|2 levam más potencia.
k   k 1
• Wk vs. ωk: Espectro de potência.
potência
Exemplo 2 Wk/W0
1
Trem pulsos, duty cycle  = 2 / T
10-1 Wk = 2 W0 sinc2(k )
s(t) 2
T 10-2
10-3 kf
t 0 50 100 150 200
bk = 0 a0 =  sMAX   W 
W0 = ( sMAX)2 
W  W0  1  k 
ak = 2sMAX sinc(k ) sinc(u) = sen( u)/( u)  k 1 W0 

Largura de Banda de um Sinal
Largura de Banda
Em termos gerais se pode definir como a banda de freqüências onde se
encontram localizadas as componentes significativas de freqüência.
Quer dizer, aquelas componentes de freqüência onde se concentra um por

cento apreciável da potência de sinal.
Nenhum sistema real pode transmitir todas as componentes de freqüências

pois requererão um largo de banda infinito.
B = fmax - fmin
fmin fmax

Exemplo 1
Pergunta: Um sinal binário com taxa de 500bps vai se transmitir por um canal de comunicações.
Calcule o largo de banda mínimo requerido caso que vai se receber
(a) só a freqüência fundamental,
(b) a fundamental e o terceiro harmônico
(c) a fundamental, o terceiro e o quinto harmônico
Resposta: A pior freqüência possível seria 10101010... a 500bps tem uma componente de freqüência
fundamental de 250Hz
0 1 0 1 0 1 0 1 0 1 0
(a) 0 – 250 Hz
(b) 0 – 750 Hz
(c) 0 – 1250 Hz
T
Exemplo 2
Pergunta: No trem de pulsos da figura, encontre que % da potência está

associada aos cinco primeiros harmônicos do sinal.
Resposta:
A potência de um período é: T0=1 mseg
To / 2 To / 4
1 1
P    (1)
2 2
x (t ) dt dt
To To / 2
To To / 4
To / 2
  1/ 2 watt
To
Os coeficientes da série do Fourier se calculam como:
 /2
1
To / 1
2 A sen nw0 / 2

 jnwo t
Cn   x(t ) e  jw0t
dt  1
To A e dt 
To To / 2  / 2
To nw0
E a potência dos 55 primeiros harmônicos se calcula como:

P0-5= Co  2  Cn
2 2
n 1

Exemplo 2
2 A sen nw0 / 2 T0
Cn  A  1; T0  1; 
To nw0 2
n
1 sen ( )
Cn  n
2
2 (
2
)
1 1 
C0  ; C1 
sen( );
2  2
1 3 1 5
C2  C4  0; C3  sen( ) C5  sen( )
3 2 5 2
P5  (1 / 2) 2  2(1 / 2) 2 0.405  0.045  0.016
 0.483 watt.

Exemplo 2
0.483
(%) P  .(100)  96.6 %
0 .5
Quase toda a potência médio
do sinal está contido nestes
cinco harmônicos e portanto
pode ser tomada como largo
de banda do sinal. Assim
B = 5fo - 0 = 5 fo =5 kHz.

Exemplo 3
Pergunta: Para o trem de pulsos do exemplo anterior, Qual é o
largo de banda do sinal se somente for necessário tomar o
95 % da potência médio do sinal?
Resposta.
Tomando as 3 primeiras harmônicos se tem que
P3 = (1/2)2 + 2(1/2)2 [0,405 + 0,045] = 0,475
% P = (0,475/0.5) 100 = 95 %
B = 3fo = 3 kHz.

Largura de Banda Limitada
Largura de banda é um conceito relativo que vai depender da % de

sinal que você quer manter e portanto vai depender da aplicação

Propriedades SF
Tiempo Frecuencia
Homogeneidade a·s(t) a·S(k)
Aditividade s(t) + u(t) S(k)+U(k)
Linearidade a·s(t) + b·u(t) a·S(k)+b·U(k)
Inversão em tempo s(-t) S(-k)


Multiplicação s(t)·u(t)  S(k  m)U(m)
T m  
1
  s(t  t )  u( t ) dt
Convolução T S(k)·U(k)
0
2π k t
s(t  t ) j
Deslocam. Tempo e T  S(k)
2π m t
j
Deslocam. Freq. e T  s(t) S(k - m)

SF de algumas funções

SF de algumas funções

SF Discretas (DFS)
Sinal limitada em banda s[n], DFS gera ck periódicos

período = N.
DFS definida como:
is
Ortogonalidade em DFS:
is N1 2π k n
ál
1  j
an ~ ck  
s[n]  e N N 1 j
2π n(k -m)
N 1
n 0 N
 e N  δ k,m
~ ~ n 0
Nota: ck+N = ck  igual período N
i.e. a periodicidade temporal se passa à freq.
s
esi 2π k n
í nt N1 j N amostras consecutivas de s[n]
s
s[n]   ~ ck  e N
descrevem completamente a s
k 0 em ambos domínios
Síntese: Soma finita  s[n] limitada em banda

Análise DFS
s[n]
1
DFS onda quadrada discreta
periódica 1-Volt
-5 0 1 2 3 4 5 6 7 8 9 10 n
s[n]: período N, ciclo útil L/N 0 L N
de
1 1
it u
~
 0.6 0.6 ck 0.6 0.6
pl
L
, k  0,  N,  2N,...
am
 N
 0.24 0.24
0.2
0.24 0.24

~c  
k   π kL  0 1 2 3 4 5 6 7 8 9 10 k
  j π k (LN 1) sen  
e   N 
, de lo contrario
 N π k
 sen   k 0.4
se
0.4
  N 
fa
0.2 0.2
Sinais Discretas  Espectro periódico.

0 2 4 5 6 7 8 9 10 n
-0.2 -0.2
-0.4 -0.4

Integral de Fourier (FI)
Ferramenta para sinais Teorema da Integral

aperiódicas. Qualquer sinal periódico s(t) pode ser expresso
como uma integral de Fourier se s(t) for suave(1) por
s(t) continua, s’(t) partes em qualquer intervalo finito (-L,L) e integral
(1) monótona quadrada (2).

 s(t)   A(ω )  cos(ω t)  B(ω )  sen(ω t)dω (3)
(2) - s(t) dt   0
 
1 1
(3) A(ω )    s(t) cos(ω t) dt B(ω )    s(t) sen(ω t) dt
π π 

Forma complexa
Real a imaginaria e   jω t
l is
S(ω )  π  A(ω )  j  B(ω ) an
á S(ω ) 
 
s(t)  e dt
Transform.
Fourier
e 1  jω t (Par) - FT
nte
s s(t) 
2π

  
S( ω )  e dω
sí

De FS a FT
Sinal  Periódica Aperiódica

Domínio

Tempo FS FI
real ak, bk A(), B()

Freqüência
complexa ck C()
FT

De FS a FT
FS se muda a FT ao aumentar o 1 |ak|
período T : espectro contínuo 0.8 T = 0.05

0.6
s(t) 2 0.4
0.2
kf
T 0
0 50 100 150 200
0.5 |ak|
t
0.4 T = 0.1
0.3
Trem pulsos, largura 2 = 0.025 0.2
0.1
kf
0
0 50 100 150 200
2  |S(f)|
Espaçamento em freqüência 0 ! |ak|
0.25
0.2
FT T = 0.2
0.15
0.1
0.05 kf
f
0
0 50 100 150 200
0 50 100 150 200
Nota: |ak|2a0 na medida que k0  2a0 se gráfica en k=0

Delta do Dirac e FT
 Dirac La FT do impulso generalizado 

 0 , si t  t 0 (Dirac) é uma exponencial complexa

δ (t  t 0 )   
indefinida, t  t
 0  y(t) δ (t  t0 ) dt  y(t0 )
 y(t 0 ) , si a  t 0  b -
b

a y(t) δ (t  t 0 ) dt   FT do  Dirac Propriedade
 0 , de lo contrario
 FTδ (t  t 0 )  e  j 2 π f t 0  
FT e j α t  2π δ (ω  α )
FT de um trem de impulsos : T
    
j m ω T 2π

2π
FT   δ (t  kT)   e   δ (ω   m)
k    m   T m   T t
1/T
a.k.a. função de amostragem, Shah(T) = Щ(T) o “pente”

f
Nota:  & Щ = funções generalizadas

Exemplo FT
0.2
0.4
0.8
S(f)
S(f)
S(f) S(f) = 2 sMAX sinc(2f) FT de janela
0.3
0.6 retangular.
0.1
1 s(t) largura 2
0.2
0.4
0.1
 == 0.4
0.2
0.1
0.2 f/Hz
0 f/Hz
f/Hz
-20 -10 0 10 20
00
-20
-20 -10
-10 00 10
10 20
20 - - -    t tt
-0.1
-0.2
1 -1
10
Incerteza Fourier
1 |S(f)|222
|S(f)|
|S(f)|
-1
10-1
Eleger
10
t = |s(t)/s(0) dt| = 2,
f = |S(f)/S(0) df|=1/(2) = metade distancia
-2
10-4-2
10
10
-3
10-3
entre primeiros 2 zeros (f1,-1 = 1/2) de S(f)
10
-4
então: t · f = 1
10-4
10
-5 f/Hz Densidade Espectral de
10-5-5
10
10 f/Hz
Potência (PSD) vs. freqüência
-20
-20 -10
-10 0
00 10
10
10 20
20
20 Nota: Fases
F não importantes!

FT – Espectro de Potência
Densidade Espectral de Potência,
PSD(f) = dE/df = |S(f)|2
Phone signals PSD masks
POTS = Voice/Fax/modem Phone US = Upstream

HPNA = Home Phone Network DS = Downstream
Do espectro de potência podemos ver se os sinais coexistem sem interferência

Discrete Time FT (DTFT)
DTFT define-se: Nota: Domínio de freqüência contínuo!

(função densidade de freqüência)
e
l is 
á
an S(f)   s[n]  e  j 2 π f n
n   Para sinais aperiódicas
s[n] 1 periodo
e 2π
tes 1 j2π f n
sí n s[n] 
2π
  S(f)e df
0
n
s[n]
Obtida de DFS si N  
2πkn
~ 1 N1 j
ck   s[n]  e N
N n
n 0

Convolução – DTFT
Sistema LTI digital:

digital cumpre o principio de superposição
[n] h[n]
1 Sistema
LTI digital
h[n] = resposta impulsiva
0 n 0 n
DTFT([n])
x[n] Sistema LTI y[n]

Convolução
0 f digital
h[n]

x[n] h[n] y[n]  x[n]  h[n]   x[n  m]  h[m]
m 0
X(f) H(f) Y(f) = X(f) · H(f)

DTFT

DTFT: Pares

DTFT: Pares

DTFT: Pares

DTFT: Propriedades

DTFT: Propriedades

DTFT: Propriedades
Linearidade: sejam a1 e a2 constantes,
=> Há proporcionalidade e conserva a distributividade em relação à soma
Dualidade
Conhecida a forma de onda do espectro de uma seqüência, quando a seqüência tem a

forma do espectro, seu DTFT é 2 vezes a seqüência abatida.

DTFT: Propriedades
Convolução no tempo
Utilidade: alternativa para o cálculo da convolução
Determinar
Multiplicar ambos os espectros para calcular
Sintetizar e[n] mediante inversão de

DTFT: Propriedades
Deslocamento no tempo
inteiro
Importância: um sistema LTI com defasagem linear de pendente negativa só retarda

e não distorce
Deslocamento no freqüência (modulação)
D
Mantendo-a periodicidade
Multiplicar uma seqüência por uma exponencial complexa equivale a deslocar o
espectro da seqüência até o valor da pulsação da exponencial

DTFT: Propriedades
Producto en el tiempo (janelar)
Dado que os espectros são periódicos, esta é uma convolução periódica que se
estende sobre um só período (  w  ) => Convolução circular

DTFT: Propriedades
Teorema de Parseval
O produto interno se conserva de um domínio a outro, salvo pelo fator 1/2 
A energia de uma seqüência pode calcular-se tanto a

partir da própria seqüência como de seu espectro
A função X(ejw) 2 se nomeia densidade espectral de energia, Sxx(ejw), dado que

determina a forma em que a energia se distribui nas freqüências (solo para
seqüências de energia finita)
DTFT: Propriedades
Abatimento no tempo
Abater uma seqüência equivale a abater seu espectro

Conseqüências
é-o seu espectro
é-o seu espectro

DTFT: Propriedades
Conjugação
Conseqüências
Conseqüências
• Se x[n] é real => seu espectro é hermítico
• Se x[n] é imaginaria => seu espectro é anti-hermítico
• Se x[n] é anti-hermítica => seu espectro imaginario
• Se x[n] é hermítica => seu espectro real

DTFT: Propriedades de Simetria

DTFT: Propriedades de Simetria

FT Discreta (DFT)
Em processadores digitais se dispõe de registros (área de memória) de longitude
finita só se podem armazenar N amostras de uma seqüência
Em tal caso
Transformada Discreta de Fourier
Vantagem: Pode calcular-se em uma máquina já que XN[k] é também uma seqüência
O término
Separação espectral
Enquanto maior seja N major será a quantidade de

linhas espectrais igualmente espaçadas entre ,
diminuindo a separação espectral
FT Discreta (DFT)
2. Inversão (IDFT)
Observar:
•Salvo o fator 1/N e o expoente negativo, as expressões para ao IDFT e DFT são as
mesmas
=> Utilizar os mesmos algoritmos para uma e outra
•A DFT é periódica com período N => XN[k] = XN[kN]

FT Discreta (DFT)
DFT define-se:
e
e 2π k n tes 2π k n
l is  n N1
á 1 N 1  j sí j
an ~ s[n]   ~
ck 
N
s[n]  e N ck  e N
n 0 k 0
Resolução de Freqüência
DFT bins situados as freqüências fm
Freqüências de Análise fm
m  fS
fm  , m  0, 2 ... N  1
N
DFT ~ filtros passa-bandas centrados a fm
Aplica-se a sinais de tempo y freqüência discretas.

Igual a DFS pero para señais periódicas:
As sinais tratam -se como periódicas para propósitos de cálculo.
~ ~
Nota: ck+N = ck  El espectro tem período N

FT Discreta (DFT)
Seleção do número de pontos para o cálculo da DFT
Seja M a longitude da seqüência x[n] e N o número de pontos em
que se avalia a DFT:
•Se N=M. Caso visto anteriormente, cumpre-se
XN[k]=DFT{x[n]}
x[n]=IDFT{XN[k]}
Recupera-se totalmente a seqüência do espectro
•Se N>M. Usualmente N=2r, r: inteiro

Pode preencher-se x[n] com zeros até que M=N (zero padding) e
cai no caso anterior
=> Diminuição da separação espectral
•Se N<M. Deixam de tomá-los últimos M-N valores de x[n]

=> perde-se informação (segue sendo válida do DFT)
FT Discreta (DFT): Propriedades
Deslocamento circular
Notação:
Exemplo: Seja

Abatimento circular
Notação:
Exemplo: Seja
então:

Em geral as propriedades da DFT são quão mesmas as da DTFT, solo
que
=> Amostragem em freqüências

 Periodicidade no tempo
O que incide nas propriedades seguintes

Sejam

Deslocamento circular
Dualidade
Modulação
Simetria
Conjugação


FT Discreta (DFT): Convolução circular
Sejam
a) Quando NZ  NX + NY - 1
Convolução linear
b) Quando NX = NY = NZ = N => caso habitual nos processadores de sinais
Para a
Tem-se que com L inteiro Na prática só se

toma um período
outro caso

FT Discreta (DFT): Convolução circular
• Para a
tem-se que x[n] = x[n+LN] é periódica com período N, com L inteiro
Na prática só se toma um período
Conseqüência: Se tem-se que
Convolução circular
Notação:
Exemplos de DFT
Os gráficos DFT são

versões amostradas
do DTFT janeladas

DTFT vs. DFT vs. DFS
s[n]
(a)
S(f) (b)
0 T/2 T 2T f
t
s”[n] IDFT DFT

~
(c) (f) cK (d)
(e)
t f
(a) Sinal discreta aperiódica. (b) Magnitude da DTFT.
(c) Versão periódica de (a). (d) Coeficientes DFS= amostras de (b).
(e) DFT Inversa estima um único período de s[n]

(f) DFT estima um único período de (d).

Revisão

Revisão
Unidade Eixo de freqüência do X N[k] Símbolo

DFT – fuga espectral (leakage)
Leakage Componentes espectrais que pertencem a freqüências

entre dois bins, propagam-se a todos os bins
Ej: a DFT de 32 bins de uma senóide de 1 VP, amosrada a 32kHz, tem 1 kHz de
resolução em freqüência.
(a) senóide 8 kHz * (a)
(b) senóide 8.5 kHz

(b)
(c) senóide 8.75 kHz (c)
* N·Magnitude

DFT – exemplo de leakage
s(t) FT{s(t)}
Onda co-seno 0.25 Hz
3.5.Onda
Ondacos
amostrada e
1. Onda coseno
enventanada
janelada
s[n] · u[n]  S(f) * U(f)

(Convolução)
1.2.Función
4. Vent rectangular
Onda co-seno
muestreo
Fuga provocada por amostragem a múltiplos não inteiros do período
68 / 84
DFT – Amostragem coerente
Onda co-seno 0.2 Hz s(t) FT{s(t)}
5. Onda janelada e
1. Onda coseno envent
3.
amostrada
s[n] ·u[n]  S(f) * U(f)

(Convolução)
2.
4. Ventana
Función rectangular
de muestreo
1. Onda co-seno
Amostragem coerente: NC ciclos de entrada a NS = NC (fS/fIN) pontos amostrados.

Fuga espectral DFT – Notas
Leakage
1. Afeta partes real e imaginária magnitude e fase.

2. Afeta tão harmônicas como freqüência fundamental.
3. Afeta de maneira diferente a componentes de freqüência de um
sinal que não estejam relacionados harmonicamente
4. A fuga depende da forma da janela (até agora só retangular).

DFT – Características de janelas
• Seqüência discreta finita  convolução de espectro com espectro janela retangular.
• Fuga dependente da janela selecionada e de como o sinal se ajusta à janela
(1) Resolução: capacidade de diferenciar diferentes tons. Inversamente proporcional

ao largo do lobulo principal. Desejável: O maior possível.
(2) Nível do pico do lóbulo lateral: máxima resposta fora do lóbulo
principal. Determina se sinais pequenos se mascaram por outras mais fortes.
(2) (1)
Desejável: O menor possível. (3)
(3) Queda de lóbulos laterais:
Diminuição decádica. Compromisso
com (2).
Exemplos de Janelas (Dependente

da aplicação): Hamming, Hanning, Ventana rectangular
Blackman, Kaiser ...

DFT de algumas janelas
As janelas reduzem a fuga espectral
minimizando a magnitude de suos
lóbulos laterais.
No tempo reduz as
descontinuidades de extremos.
Seq. amostrada
Não
janelada
Janelada
Algumas janelas

DFT – Seleção de janela
Características de janelas comuns
Tipo de janela Ancho do Ancho do Nível máximo Caída dos lóbulos
lóbulo central lóbulo de lóbulos laterais
a -3 dB [bins] central a laterais [dB/década]
-6 dB [bins] [dB]
Rectangular 0.89 1.21 -13.2 20
Hamming 1.3 1.81 - 41.9 20
Hanning 1.44 2 - 31.6 60
Blackman 1.68 2.35 -58 60
Sinal observado Janela desejada

Componentes separados y fortes  alta ração de caída de lóbulos laterais.
Componentes pertos y fortes  baixo nível máximo de lóbulos laterais.
Medida precisa de um único tono  lóbulo central ancho.
Nota: Componentes DC fortes podem afetar freqüências próximas

fracos .Eliminá-los!
DFT – Remédio à perda por janela
Suavidade dos bordo provoca perdas.
2 x N samples (input signal)

Solução:
DFTs deslizantes super-posta. DFT #1
• Valores atenuados por uma, DFT #2

são máximos em outra.
• Usualmente 50% o 75% de
DFT #3
overlap.
Desvantagem: aumento do
DFT AVERAGING
tempo de processamento.

Zero padding
Melhora o espaçamento entre amostras da DFT (“resolução”).
8
1
6
0.5 4
time
0 2
0 4 8 12 16 0
-0.5
0 1 2 3 4 5 bin 6
-1
88
1
66
0.5 44
time
time
0 22
0 10
3 206 309 401250 1560 18
70 21
80 90
24 100
27 110
30120 00
-0.5
00 12
3 24
6 36
9 bin
bin 48
12
-1
m  fS
Depois de padding bins a freqüências fm  NS = amostras originais, L = padded.
NS  L

Zero padding -2
Resolução espectral DFT
Espaçamento entre amostras de freq:

Capacidade para distinguir entre dos
aumentado por zero-padding (ancho de
freqüências próximas: no melhora usar
banda que oferece la DFT intacto –
zero-padding!.
igual freqüência de amostragem)
• Zero-padding no domínio da freqüência aumenta a taxa de amostragem no

domínio do tempo. Nota: Só trabalha se se satisfaz o teorema da
amostragem!
• Razão adicional para usar zero-padding: Alcançar número de amostras de
entrada igual a potência de dois ( FFT).
NOTA Aplicar zero-padding depois de janelar! Do contrario se

pode destorcer a função de Janela

Media do DFT
Media do Incoerente
DFT1(k)    DFTM (k) M = No. de DFT a mediar

DFTINCOH(k) 
M k = bin number, k=0, 1 .. N-1
Reduz-se as flutuações do ruído de fundo. Potência de ruído

inalterada.
Mediado Coerente
ReDFT1(k)   ReDFTM (k) ImDFT1(k)   ImDFTM (k)

DFT COH (k)   j
M M
Reduz-se a potencia de ruído.

Media de espectros

Cálculo eficiente DFT : FFT
F T
D 1 N1 j
2π k n
1 N1 WNn,k = fatores twiddle
~
ck   s[n]  e
N n0
N  
N n0
s[n]  WNkn
k = 0,1 .. N-1
W86,k
W85,k W87,k
Direct DFT calculation redundância
WNkn função periódica calculada muitas vezes. W80,k
W84,k
Cálculo direto de DFT requer

~N2 multiplicações complexas. ! W83,k W81,k
Complexidade O(N2) S O W82,k
T O
US
C
Algoritmos (= Fast Fourier Transform) Calcular DFT de N-pontos com ~
Nlog2N multiplicações (complexidade O(Nlog2N) ).

Vantagens de FFT
2000
N DFT Radix-2
Number of Operations
1500
DFT  N2 4 16 4
1000 32 1024 80
FFT  N log2N
500
128 16384 448
1024 1048576 5120
0
0 10 20 30 40
Number of samples, N
DSPs y PLDs influenced algorithms design. ‘60s & ‘70s: o contagem de

multiplicaçoes era o “fator de qualidade”. Agora: o número de somas,
acessos a memória (s/w) e custos de comm. (h/w) também importantes.
Nota: Normalmente a gente não escreve o algoritmo da FFT, “toma” !!!

Busca-se em Internet!

Filosofia de FFT
Filosofia geral (aplicada do forma recursivo): divide e vencerá.
sub-problemas + cost(mapping)
cost(sub-problemas) mapping < cost(problema original)
original
Diferentes algoritmos fazem balanço de custo

diferente.
Example: Decimation-in-time
time frequency
algorithm
Passo1: Decomposição no domínio tempo. Sinal
de N pontos => N sinais de 1 ponto
(decomposição entrelaçada). Inversão de
bits de índices de entrada (bit-reversal).
log2N etapas.
(*) Mostro-se só primeira decomposição
Passo 2: Cálculo de espectros de 1 ponto. (Não
se faz!)
Passo 3: Síntese no domínio de freqüência.

N espectros sintetizados em
uno.

FFT conceitos e notas
s[k]
WN0
Mariposa: Elemento de cálculo básico.
s[k+N/2] WNN/2 Dual approach: data to be reordered

in time or in frequency!
1. Dizimado em tempo => reordenam–se os dados de entrada.
2. Dizimado em freqüência => Reordenam-se as amostras de freqüência.
3. Cálculo In-place: não é necessário armazenamento temporário, maioria de

algoritmos.
4. DFT pruning: só necessários alguns bins, o resto zero => calcular só os

necessários.
5. Dados reais: Efeito espelho em coeficientes DFTs. => só se calculam a

metade.
6. N potência de 2: Sinais com número de amostras potência de dois. Se não =>

preencher com zeros. Docente: Eng. Essitone Lote Gimo 82 / 84
Análise espectral de sistemas
Análise de sistemas: Medir a relação de entrada saída.
Linear Time Invariant

[n] h[n]
x[n] DIGITAL LTI y[n] 1 DIGITAL
SYSTEM LTI
SYSTEM
h[n] 0 n 0 n
h[t] = resposta impulsiva

x[n] h[n] y[n]  x[n]  h[n]   x[n  m]  h[m] y[n] predita de { x[n], h[t] }
m 0
X(f) H(f) Y(f) = X(f) · H(f) H(f) : Função de transferência LTI
A função de transferência pode estimar-se: Y(f) / X(f)

Motivação
V
Amostragem de sinais
ANALÓGICO DIGITAL
DOMÍNIO DOMÍNIO
ms Filtro
V Antialiasing
ms
A
cA/D
k
PDS
A
k
cD/A
V
ANALÓGICO
DOMÍNIO
ms
V Filtro
Reconstrucc.
ms

PDS_2024- tema 2-Ferramentas de 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

PDS_2024- tema 2-Ferramentas de Fourier

Enviado por

Direitos autorais:

Formatos disponíveis

Docente: Eng.

Essitone Lote Gimo ATC ©

Transformada Geral como

Docente: Eng. Essitone Lote Gimo 2 / 84

Docente: Eng. Essitone Lote Gimo 3 / 84

Por debaixo deo10 Hz o

Docente: Eng. Essitone Lote Gimo 4 / 84

Docente: Eng. Essitone Lote Gimo 5 / 84

Docente: Eng. Essitone Lote Gimo 6 / 84

Calculados por FFT

Uma função periódica s(t) que satisfaz as condições do Dirichlet * pode

a0, ak, bk : coeficientes Fourier .

Docente: Eng. Essitone Lote Gimo 8 / 84

(a) (b) (c)

Docente: Eng. Essitone Lote Gimo 9 / 84

square signal, sw(t)

K = fase f1 3f1 5f1 f

Docente: Eng. Essitone Lote Gimo 11 / 84

square signal, sw(t)

Convergência lenta (~1/k) – idealmente necessita infinitos términos.

Docente: Eng. Essitone Lote Gimo 12 / 84

square signal, sw(t)

• Observado por Michelson, 1898. Explicado por Gibbs.

Docente: Eng. Essitone Lote Gimo 13 / 84

SF de função par: 1.5

square signal, sw(t)

Docente: Eng. Essitone Lote Gimo 14 / 84

Enlace com coeficientes reais r r = a 2 + b2

Docente: Eng. Essitone Lote Gimo 15 / 84

Teorema de Parseval • Convergência SF ~1/k

Docente: Eng. Essitone Lote Gimo 16 / 84

Quer dizer, aquelas componentes de freqüência onde se concentra um por

Nenhum sistema real pode transmitir todas as componentes de freqüências

Docente: Eng. Essitone Lote Gimo 17 / 84

Pergunta: No trem de pulsos da figura, encontre que % da potência está

E a potência dos 55 primeiros harmônicos se calcula como:

Docente: Eng. Essitone Lote Gimo 19 / 84

Docente: Eng. Essitone Lote Gimo 20 / 84

Docente: Eng. Essitone Lote Gimo 21 / 84

Docente: Eng. Essitone Lote Gimo 22 / 84

Largura de banda é um conceito relativo que vai depender da % de

Docente: Eng. Essitone Lote Gimo 23 / 84

Aditividade s(t) + u(t) S(k)+U(k)

Linearidade a·s(t) + b·u(t) a·S(k)+b·U(k)

Inversão em tempo s(-t) S(-k)

Docente: Eng. Essitone Lote Gimo 24 / 84

Docente: Eng. Essitone Lote Gimo 25 / 84

Docente: Eng. Essitone Lote Gimo 26 / 84

Sinal limitada em banda s[n], DFS gera ck periódicos

Docente: Eng. Essitone Lote Gimo 27 / 84

Sinais Discretas  Espectro periódico.

Docente: Eng. Essitone Lote Gimo 28 / 84

Ferramenta para sinais Teorema da Integral

Docente: Eng. Essitone Lote Gimo 29 / 84

Sinal  Periódica Aperiódica

real ak, bk A(), B()

Docente: Eng. Essitone Lote Gimo 30 / 84

período T : espectro contínuo 0.8 T = 0.05

Nota: |ak|2a0 na medida que k0  2a0 se gráfica en k=0

Docente: Eng. Essitone Lote Gimo 31 / 84

 Dirac La FT do impulso generalizado 

a.k.a. função de amostragem, Shah(T) = Щ(T) o “pente”

Docente: Eng. Essitone Lote Gimo 32 / 84

Docente: Eng. Essitone Lote Gimo 33 / 84