PROCESSAMENTO DIGITAL DE SINAIS

TEMA No.1.- SINAIS E SISTEMAS DISCRETOS

Aula No.4.- Propiedades e teoremas da transformada do

Fourier. Amostragem

1.Propriedades e teoremas da transformada do Fourier.

C/E:
2.Amostragem.

1
 C/E: 1

Propriedades e teoremas da transformada do Fourier.

2
TEOREMAS DA TRANSFORMADA DO FOURIER DE SEQÜÊNCIAS.

Notação
X (e jw )  F x[ n] : Transformada da seqüência x(n)

x[ n]  F  1 x[ n] : Transformada inversa

x[n] F  X (e jw ) : Par transformado

1.- Linealidade
F
Se x1[n]   X1 (e jw )
F
x2 [n]   X 2 (e jw )
Então
F jw jw
ax1[n]  bx2 [n]   aX1 (e )  bX 2 (e )
3
2.-Deslizamento em tempo e deslizamento em freqüência
Se : x[ n] F  X (e jw )
Então, para o deslizamento em tempo
F
x[n  nd ]   X (e jw ).e  jwnd
Para o deslizamento em freqüência
F
e jw0 n
.x[n]   X (e j ( w  w0 ) )
3.-Inversão de tempo.
Se : x[ n] F  X (e jw )
Se a seqüência é invertida
F  jw
x[ n]   X (e )
Se x[n] es real,
F  jw
x[ n]   X (e ) 4
4.-Diferenciação em freqüência.
F jw
Si : x[ n]   X (e )
Então;
F dX (e jw )
n.x[n]   j
dw
5.-Teorema do Parseval.
Se : x[ n] F  X (e jw )
Então
 
2 1 jw 2
E  x[n] 
2 X (e ) .dw
n  
Onde
jw 2
X (e ) : espectro densidade de energia
5
6.-Teorema de convolução
Se : x[n] F  X (e jw )
F
h[n]   H (e jw )

y[n]   x[k ].h[n  k ] x[n]  h[n]
k 
Então
Y (e jw )  X (e jw ).H (e jw )
7.-Teorema da modulação
Se : x[n] F  X (e jw )
F
w[n]   W (e jw )
y[n]  x[n].w[n]
Então 
jw 1 j j ( w  )
Y (e ) 
2 X (e ).W (e .d
 6
 C/E:2
Amostragem.

Amostragem

7
AMOSTRAGEM DE SINAIS ANALÓGICOS

x[n]  xc (nTs ) para  n

Onde

Ts : período de amostragem em segundos (s)

1
fs  : freqüência de amostragem em amostras/s
Ts

Conversor contínuo-discreto ideal

xc (t ) x[n]  xc (nTs )
C/D

Ts
8
SINAL COM AMOSTRAGEM IDEAL E SEQÜÊNCIA DE AMOSTRAS

Conversor C/D
s (t )
xc (t ) Conversão de x[n]  xc (nTs )
X
xs (t ) xs (t ) em x[n]

xs (t ) xc (t )
xc (t ) :Sinal analógica
s (t ) :Sinal de
t amostragem
-3Ts -Ts 0 Ts 3Ts 5Ts
x[n] xs (t ) :Sinal amostrada
x[n] :Secuencia de
n amostras
9
-3 -1 0 1 3 5
ESPECTRO DE FREQÜÊNCIA DO SINAL AMOSTRADA
Sinal de amostragem 
s (t )    (t  nTs )
n 
Sinal amostrada 
xs (t )  xc (t ).s (t )  xc (t ).  (t  nTs )
n 
Pela propriedade do sinal impulso

xs (t )   xc (nTs ). (t  nTs )
n 
Pares transformados de Fourier
xc (t )  X c ( w)
s(t )  S ( w)
10
  
2
s (t )    (t  nTs )  
Ts k 
 ( w  kws )
n 
Onde 2
ws 
Ts
1
Recordando que f1 (t ). f 2 (t )  F1( w) * F2 ( w)
2
Então
1
X s ( w)   X c ( w) * S ( w)
2
Substituindo
 
1 1
X s ( w)  
Ts k 
X c ( w  k .ws )  
Ts k 
X c ( w ws )

11
 REPRESENTAÇÃO GRÁFICA
X c (w)
1 Espectro do sinal
analógica limitada
w
 wM wM em banda xc (t)
2 S (w)
Ts Espectro do sinal de
Amostragem s(t)
w
 2 ws  ws 0 ws 2 ws
Espectro do sinal
1 X s (w) amostrada idealmente
Ts
com ws  2 wM
w
 wM wM ws
Espectro do sinal
X s (w) ws  wM
amostrada idealmente
com ws  2 wM
w
ws 12
 TEOREMA DEL MUESTREO DE NYQUIST
Sea xc (t ) una señal limitada en banda con
X c ( w) 0 para w  wM (10)

Entonces xc (t ) es unívocamente determinada por sus

muestras
x[n]  xc (nTs ), n 0,1,2,
Si 2
ws   2 wM
Ts
Donde
wN 2wM :Frecuencia de Nyquist
13
 RECONSTRUCCION DE LA SEÑAL MUESTREADA
Sistema ideal de reconstrucción
x[n] xs (t ) xc (t )
Conversión de Filtro pasa bajas
x[n] en xs (t ) ideal H r (w)

Ts
H r (w) H r (w) :Respuesta de frecuencia
Ts
del filtro pasa bajas ideal
w
  0 
Ts Ts hr (t ) :Respuesta al impulso del
hr (t )
1 filtro ideal
sen (t / Ts ) (15)
t hr (t ) 
 Ts 0 Ts t / Ts
14
 xs (t ) :Señal muestreada

 t
xc (t ):Señal a la salida del filtro

 t

sin c (t  nTs ) / Ts  (16)

xc (t )  x[n]
 (t  nTs ) / Ts
15
 MUESTREO PRACTICO

s (t )
1 s (t )   p(t  nTs ) (17)
n 

t 1 nTs  0 t   nTs
0 Ts s (t ) 
0 nTs    t  Ts  nTs

Serie de cosenos de s(t)

 
s (t ) B0   Bn . cos(nwst ) d   2d .sin c(nd ). cos(nwst ) (18)
n 1 n 1

Donde 
B0  d : ciclo útil
Ts
2 
Bn  sin c( n / Ts )
n1 Ts 16
 REPRESENTACION EN EL TIEMPO
f c (t )
s (t ) :Señal de muestreo
s (t )
f c (t ) :Señal analógica

t f s (t ) :Señal muestreada

f s (t )  f c (t ).s (t ) (20)

Muestreo natural

t
f s (t )  f c (t )  p(t  nTs )
n 
Muestreo instantaneo

f s (t )   f (nTs ). p(t  nTs )
t n 
17
ESPECTRO DE FRECUENCIA CON MUESTREO
PRACTICO
Sustituyendo (18) en (20)
f s (t )  f c (t ).s (t )
(23)

d . f c (t )   2d . sin c(nd ). f c (t ). cos( nws t )
n 1
Aplicando los teoremas sobre transformada de Fourier
d . f c (t )  d .Fc ( w)
1
f c (t ). cos( nws t )  Fc ( w nws )
2
Entonces de (23)

Fs ( w) d .Fc ( w)   d .sin c(nd ) Fc (w nws ) (24)
n 1 18
 REPRESENTACION GRAFICA

Fs ( w) d .Fc ( w)   d . sin c(nd ) Fc (w nws ) (24)
n 1
Fc (w) Espectro no limitado

w
 wM wM

Fs (w) Resp. de frec.

d
del filtro
w
 ws  wM wM ws 2 ws
ws  wM

19
 Tarefa
1. Objetivo da transformada rápida do Fourier.
2. Em qual das aplicações que possui o software MATLAB se
aplica a mesma.
3. Que aplicações tem a transformada rápida do Fourier dentro
do processamento de sinais
4. Equação que identifica a transformada rápida do Fourier
para o trabalho no software MATLAB

20
shows the screenshot of program output. Here the coefficient of input ‘x’ is (1, 3, 5, 7, 9, 11,
13, 15). The output is given in (A, B) format, which indicates ‘A’ is real and ‘B’ imaginary
component of the complex number. In order to verify the correctness of our code, we
calculated FFT of the same sequence (1, 3, 5, 7, 9, 11, 13, 15)

https://www.electronicsforu.com/electronics-projects/software-projects-ideas/implementation-fast-
fourier-transform-using-c

21
Algoritmo FFT em
lenguage “C”

22
23