harmonska analiza
harmonska analiza
harmonska analiza
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
UNIVERZA<br />
V<br />
MARIBORU<br />
osnutek<br />
Žarko ČUČEJ<br />
SIGNALI<br />
Harmonska <strong>analiza</strong><br />
MARIBOR 14. APRIL 2004
osnutek<br />
naslov<br />
SIGNALI:<br />
Harmonska (in multiresolucijska) <strong>analiza</strong><br />
avtor<br />
Žarko ČUČEJ<br />
revizija 20040414 14. april 2004<br />
recenzija<br />
nerencenzirano<br />
jezik<br />
nelektorirano<br />
uredil in oblikoval<br />
Žarko ČUČEJ<br />
risbe<br />
Žarko ČUČEJ<br />
uporabljani programi MikTeX 2.2, WinEdt 5.4, CorelDraw 7<br />
založba<br />
SPaRC<br />
knjižna oblika<br />
elektronska, datoteka signal_B.pdf<br />
vse pravice pridržane
Kazalo<br />
Kazalo<br />
I Harmonska in multiresolucijska <strong>analiza</strong> 1<br />
1 Harmonska <strong>analiza</strong> periodičnih signalov 3<br />
1.1 Realne Fourierove vrste . . . . . . . . . . . . . . . . . . . . 4<br />
1.1.1 Dirichletov pogoj . . . . . . . . . . . . . . . . . . . 4<br />
1.1.2 Uporaba simetrij signala<br />
pri računanja Fourierovih koeficientov . . . . . . . . 6<br />
Liha simetrija signala . . . . . . . . . . . . . . . . . 7<br />
Soda simetrija signala . . . . . . . . . . . . . . . . 8<br />
Polvalna simetrija signala . . . . . . . . . . . . . . 10<br />
Četrtvalna simetrija sodega signala . . . . . . . . . . 10<br />
Četrtvalna simetrija lihega signala . . . . . . . . . . 10<br />
1.1.3 Gibbsov pojav . . . . . . . . . . . . . . . . . . . . 11<br />
1.1.4 Ocena konvergentnosti Fourierovih vrst . . . . . . . 12<br />
1.2 Kompleksna Fourierova vrsta . . . . . . . . . . . . . . . . . 13<br />
1.2.1 Izračun kompleksnih Fourierovih koeficientov . . . 14<br />
1.2.2 Kompleksni spekter . . . . . . . . . . . . . . . . . . 15<br />
1.2.3 Simetrije v spektru . . . . . . . . . . . . . . . . . . 16<br />
1.2.4 Fourierov par . . . . . . . . . . . . . . . . . . . . . 17<br />
1.3 Parsevalov izrek . . . . . . . . . . . . . . . . . . . . . . . . 18<br />
1.4 Funkcija Sa . . . . . . . . . . . . . . . . . . . . . . . . . . 20<br />
1.5 Zaključek . . . . . . . . . . . . . . . . . . . . . . . . . . . 23<br />
osnutek<br />
i<br />
2 Harmonska <strong>analiza</strong> aperiodičnih signalov 25<br />
2.1 Fourierova transformacija . . . . . . . . . . . . . . . . . . . 25<br />
2.1.1 Uporaba simetrij signala<br />
pri Fourierove transformacije . . . . . . . . . . . . . 27<br />
2.1.2 Obstoj Fourierove transformacije . . . . . . . . . . 28<br />
i
ii<br />
2.1.3 Dirichletov pogoj . . . . . . . . . . . . . . . . . . . 29<br />
2.1.4 Gibbsov pojav . . . . . . . . . . . . . . . . . . . . 29<br />
2.1.5 Enota v spektru . . . . . . . . . . . . . . . . . . . . 29<br />
2.2 Lastnosti Fourierove transformacije . . . . . . . . . . . . . 30<br />
Linearnost. . . . . . . . . . . . . . . . . . . . . . . 30<br />
Časovni pomik. . . . . . . . . . . . . . . . . . . . . 31<br />
Skaliranje. . . . . . . . . . . . . . . . . . . . . . . 31<br />
Dualnost. . . . . . . . . . . . . . . . . . . . . . . . 32<br />
Frekvenčni pomik (amplitudna modulacija). . . . . . 32<br />
Odvajanje. . . . . . . . . . . . . . . . . . . . . . . 34<br />
Integriranje. . . . . . . . . . . . . . . . . . . . . . . 35<br />
2.2.1 Konvolucija . . . . . . . . . . . . . . . . . . . . . . 36<br />
2.2.2 Povezava časovne in frekvenčne širine signala. . . . 36<br />
2.3 Fourierova transformacija v limiti . . . . . . . . . . . . . . 37<br />
2.3.1 Transformacija eksponentne funkcije . . . . . . . . 37<br />
2.3.2 Transformacija konstante, frekvenčni impulzi . . . . 39<br />
2.3.3 Fourierov transform harmonskega signala . . . . . . 40<br />
2.3.4 Fourierova transformacija močnostnih signalov . . . 41<br />
2.4 Parsevalov stavek . . . . . . . . . . . . . . . . . . . . . . . 41<br />
2.5 Gostota energijskega spektra . . . . . . . . . . . . . . . . . 43<br />
2.6 Fourierova transformacija avtokorelacije . . . . . . . . . . . 43<br />
2.7 Gostota močnostnega spektra . . . . . . . . . . . . . . . . . 45<br />
osnutek<br />
3 Harmonska <strong>analiza</strong> zaporedij 47<br />
3.1 Vzorčenje signalov . . . . . . . . . . . . . . . . . . . . . . 47<br />
3.1.1 Idealno vzorčenje . . . . . . . . . . . . . . . . . . . 48<br />
3.1.2 Spekter vzorca signala . . . . . . . . . . . . . . . . 48<br />
3.1.3 Tipalno razmerje . . . . . . . . . . . . . . . . . . . 49<br />
3.1.4 Rekonstrukcija zveznega signala . . . . . . . . . . . 51<br />
3.1.5 Shannonova interpolacijska formula . . . . . . . . . 53<br />
3.2 Pogreški pri končnih vzorcih . . . . . . . . . . . . . . . . . 56<br />
3.3 Diskretna Fourierova vrsta . . . . . . . . . . . . . . . . . . 56<br />
3.3.1 Periodična zaporedja . . . . . . . . . . . . . . . . . 57<br />
3.3.2 Zapis diskretnih Fourierovih vrst . . . . . . . . . . . 58<br />
3.3.3 Konvergenca diskretne Fourierove vrste . . . . . . . 59<br />
3.3.4 Lastnosti diskretne Fourierove vrste . . . . . . . . . 59<br />
3.3.5 Vrednosti e jΩ 0kn<br />
. . . . . . . . . . . . . . . . . . . 60<br />
3.3.6 Zgledi . . . . . . . . . . . . . . . . . . . . . . . . . 61<br />
3.4 Fourierova transformacija zaporedja . . . . . . . . . . . . . 63<br />
3.4.1 Od diskretne Fourierove vrste<br />
do Fourierove transformacije zaporedja . . . . . . . 63
iii<br />
3.4.2 Fourierovi pari pri zaporedjih . . . . . . . . . . . . 65<br />
3.4.3 Spekter . . . . . . . . . . . . . . . . . . . . . . . . 66<br />
3.4.4 Konvergenca . . . . . . . . . . . . . . . . . . . . . 67<br />
3.4.5 Lastnosti Fourierove transformacije zaporedij . . . . 67<br />
3.5 Diskretna Fourierova transformacija . . . . . . . . . . . . . 70<br />
3.5.1 Diskretna Fourierova transformacija . . . . . . . . . 70<br />
3.5.2 Definicija DFT . . . . . . . . . . . . . . . . . . . . 71<br />
3.5.3 Simetrična obrazca za DFT in IDFT . . . . . . . . . 74<br />
3.5.4 DFT in IDFT in periodično ponavljanje signala<br />
ter spektra . . . . . . . . . . . . . . . . . . . . . . . 75<br />
3.5.5 Podobnost DFT in Fourierove transformacije zaporedja 76<br />
3.6 Lastnosti DFT in IDFT . . . . . . . . . . . . . . . . . . . . 76<br />
3.7 Računanje DFT . . . . . . . . . . . . . . . . . . . . . . . . 78<br />
4 Fourierova transformacija pri naključnih signalih 81<br />
4.1 Značilna funkcija . . . . . . . . . . . . . . . . . . . . . . . 81<br />
4.1.1 Določanje momentov iz karakteristične funkcije . . 82<br />
4.1.2 Značilna funkcija Gaussovega procesa . . . . . . . . 83<br />
4.2 Avtokorelacija naključnih signalov . . . . . . . . . . . . . . 84<br />
4.2.1 Lastnosti avtokorelacije naključnih signalov . . . . . 85<br />
4.3 Einstein-Wiener-Hinčinov izrek . . . . . . . . . . . . . . . 87<br />
4.3.1 Izpeljava Einstein-Wiener-Hinčinov izreka . . . . . 89<br />
4.3.2 Gostota močnostnega spektra . . . . . . . . . . . . 92<br />
4.3.3 Lastnosti gostote močnostnega spektra . . . . . . . . 92<br />
4.4 Fourierova transformacija avtokorelacije Gaussovega procesa 94<br />
4.5 Beli šum . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94<br />
4.6 Kumulativni močnostni spekter . . . . . . . . . . . . . . . . 95<br />
4.7 Linearni sistemi z naključnim vhodom . . . . . . . . . . . . 98<br />
osnutek<br />
5 Časovno kratka Fourierova transformacija 99<br />
5.1 Časovni in frekvenčni opis signala . . . . . . . . . . . . . . 100<br />
5.1.1 Časovni opis . . . . . . . . . . . . . . . . . . . . . 100<br />
5.1.2 Frekvenčni opis . . . . . . . . . . . . . . . . . . . . 102<br />
5.1.3 Trenutna frekvenca . . . . . . . . . . . . . . . . . . 104<br />
5.1.4 Kovarianca signala . . . . . . . . . . . . . . . . . . 104<br />
5.2 Neaditivnost energijskega spektra . . . . . . . . . . . . . . 106<br />
5.3 Princip nedoločenosti . . . . . . . . . . . . . . . . . . . . . 106<br />
5.3.1 Princip nedoločenosti . . . . . . . . . . . . . . . . . 107<br />
5.3.2 Principa nedoločenosti pri<br />
časovno kratki Fourierovi transformaciji . . . . . . . 109<br />
5.4 Časovno kratka Fourierova transformacija . . . . . . . . . . 111
iv<br />
5.4.1 STFT in spektrogram . . . . . . . . . . . . . . . . . 111<br />
Ozko frekvenčno časovna transformacija . . . . . . 112<br />
Značilna funkcija . . . . . . . . . . . . . . . . . . . 112<br />
5.4.2 Splošne lastnosti . . . . . . . . . . . . . . . . . . . 113<br />
5.4.3 Globalne količine . . . . . . . . . . . . . . . . . . . 114<br />
5.4.4 Lokalna povprečja . . . . . . . . . . . . . . . . . . 114<br />
5.4.5 Oženje in širjenje okna . . . . . . . . . . . . . . . . 114<br />
5.4.6 Skupinska zakasnitev . . . . . . . . . . . . . . . . . 115<br />
5.5 Wignerova porazdelitev . . . . . . . . . . . . . . . . . . . . 115<br />
5.5.1 Področje Wignerove porazdelitve . . . . . . . . . . 116<br />
5.5.2 Značilna funkcija Wignerove porazdelitve . . . . . . 116<br />
5.5.3 Nepozitivnost . . . . . . . . . . . . . . . . . . . . . 117<br />
5.5.4 Lastnosti . . . . . . . . . . . . . . . . . . . . . . . 117<br />
5.5.5 Primeri . . . . . . . . . . . . . . . . . . . . . . . . 118<br />
5.5.6 Wignerova porazdelitev vsote dveh signalov . . . . . 119<br />
5.5.7 Psevdo Wignerova porazdelitev . . . . . . . . . . . 119<br />
5.5.8 Primerjava Wignerove porazdelitev s spektrogramom 119<br />
Literatura 121<br />
A Izpeljava Fourierove transformacije 151<br />
A.1 Realni Fourierov integral . . . . . . . . . . . . . . . . . . . 151<br />
A.2 Kompleksni Fourierov integral . . . . . . . . . . . . . . . . 154<br />
osnutek<br />
A Dirichletov integral 123<br />
A.1 Konvergenca integrala . . . . . . . . . . . . . . . . . . . . 123<br />
A.2 Enakomerna konvergenca . . . . . . . . . . . . . . . . . . . 124<br />
A.3 Končne vrednosti . . . . . . . . . . . . . . . . . . . . . . . 126<br />
A.4 Fourierov integralski izrek . . . . . . . . . . . . . . . . . . 134<br />
Literatura 137
Del I<br />
Harmonska in multiresolucijska <strong>analiza</strong><br />
osnutek<br />
Harmonska <strong>analiza</strong> periodičnih signalov<br />
Harmonska <strong>analiza</strong> aperiodičnih signalov<br />
Harmonska <strong>analiza</strong> zaporedij<br />
Fourierova transformacija pri naključnih signalih<br />
Časovno kratka Fourierova transformacija<br />
Multiresolucijska <strong>analiza</strong><br />
1
osnutek
ZRAZVOJEM periodičnih signalov v Fourierovo vrsto naredimo (harmonsko)<br />
analizo periodičnega signala. Rečemo, da z njo dobimo<br />
vpogled v frekvenčno vsebino signala. Ta je pomembna v mnogih<br />
področjih uporabe teorije signalov. Na primer, v močnostni elektroniki z njo<br />
analiziramo frekvenčno vsebino izhoda stikalnega pretvornika za na primer<br />
rezervno napajanje električnih naprav, oziroma načrtujemo njegovo preklopno<br />
strategijo z določitvijo frekvenčne vsebine njegovega izhoda ter v inverznem<br />
postopku sinteziramo zaporedje pravokotnih pulzov, ki ima želeno<br />
frekvenčno vsebino.<br />
Kot že vemo, za periodične signale velja:<br />
osnutek<br />
1<br />
Harmonska <strong>analiza</strong><br />
periodičnih signalov<br />
x(t + T 0 ) = x(t)<br />
kjer je T 0 perioda signala. Zato morajo biti periodični signali večni, torej brez<br />
začetka in konca, oziroma matematično povedano, signalna os T obsega<br />
interval (−∞,∞), kar označimo tudi s T ∈ R.<br />
V naravi takih signalov ni, vsi dejanski signali imajo vsaj svoj začetek (v<br />
prapoku) in verjetno bodo doživeli svoj konec. Kljub temu dejanske signale<br />
pod določenimi pogoji obravnavamo kot periodične. Na primer, če je bil<br />
njihov začetek toliko pred trenutkom opazovanja, da se je prehodni pojav ob<br />
njihovem nastanku že iztekel, ter še traja mnogo period pred svojim koncem,<br />
lahko signal v intervalu opazovanja - v njem mora biti signal v stacionarnem<br />
stanju - obravnavamo kot periodični signal.<br />
3
4<br />
1.1 Realne Fourierove vrste<br />
Realne Fourierove vrste imajo ime po francoskem matematiku J.B.J de Fourier<br />
(1758-1830), ki je pri proučevanju pretoka toplote med dvema medijema<br />
različnih temperatur pokazal, da lahko “skoraj vse” periodične funkcije na<br />
intervalu (a,b) ponazorimo s polnim zaporedjem Φ:<br />
Φ = {1, cosnω 0 t, sinnω 0 t} ; n ∈ (0,∞) ; ω 0 = 2π/T 0 . (1.1)<br />
1.1.1 Dirichletov pogoj<br />
Z izrazom “skoraj vse” opozarjamo na dejstvo, da mora signal izpolniti določene<br />
pogoje, da njegov opis s Fourierovo vrsto konvergira proti originalni<br />
obliki signala. Prvi pogoj je na dlani: signal mora imeti končno jakost:<br />
‖x(t)‖ 1 < ∞. Z drugimi besedami, funkcija, ki opisuje signal, mora biti absolutno<br />
integrabilna, torej:<br />
∫ T0 /2<br />
−T 0 /2<br />
|x(t)| dt < ∞ . (1.2)<br />
Funkcije, ki izpolnjujejo (1.2) običajno izpolnijo tudi Dirichletova pogoja 1 .<br />
Glasita se:<br />
1. Funkcija x(t) sme imeti v končnem časovnem intervalu le končno število<br />
maksimumov in minimumov.<br />
osnutek<br />
2. V končnem časovnem intervalu sme x(t) imeti le končno število končnih<br />
nezveznosti.<br />
Če je funkcija x(t) absolutno integrabilna in izpolni Dirichletova pogoja, tedaj<br />
njen približek ˆx(t), ki ga določa Fourierova vrsta, konvergira k vsaki točki<br />
t = t i , ki je znotraj intervala (a,b), k vrednosti:<br />
ˆx(t) = 1 2<br />
[<br />
x(t<br />
−<br />
i ) + x(t + i ) ] , (1.3)<br />
kjer sta x(t − i ) in x(t + i ) leva in desna limita funkcije x v točki t i :<br />
ˆx(t i − ) = limx(t) , ˆx(t t→ti<br />
i + ) = limx(t) . (1.4)<br />
t→ti<br />
tt i<br />
Iz (1.4) sledi, da pri funkciji, ki je zvezna v tej točki, ˆx(t) konvergira<br />
k vrednosti x(t i ), če pa je x(t) v tej točki nezvezna, tedaj ˆx(t) v tej točki<br />
konvergira k srednji vrednosti leve in desne limite.<br />
1 V nekaterih učbenikih pogoj (1.2) navajajo kot sestavni del Dirichletovih pogojev.
Funkcijo x(t), ki izpolnjuje Dirichletova pogoja in je absolutno integrabilna,<br />
torej zanjo obstaja ‖·‖ 1 ), lahko natančno ali približno nadomestimo s<br />
Fourierovo vrsto 2 :<br />
x(t) = a 0 +<br />
∞<br />
∑<br />
n=1<br />
a n cos(nω 0 t) +<br />
∞<br />
∑<br />
n=1<br />
5<br />
b n sin(nω 0 t) . (1.5)<br />
Koeficiente a 0 , a n in b n imenujemo Fourierovi koeficienti. Obrazce za njihov<br />
izračun imenujemo Eulerovim obrazci. Izpeljemo jih lahko z uporabo lastnosti<br />
ortogonalnih funkcij ali pa po metodi najmanjšega srednjega kvadratnega<br />
pogreška 3 . Obrazci za izračun Fourierovih koeficientov so:<br />
a 0 = 1 T 0<br />
∫T 0<br />
x(t) dt (1.6a)<br />
a n = 2 T 0<br />
∫T 0<br />
x(t)cos(nω 0 t) dt , n ∈ N (1.6b)<br />
b n = 2 T 0<br />
∫T 0<br />
x(t)sin(nω 0 t) dt , n ∈ N (1.6c)<br />
V (1.6) smo zaradi krajšega pisanja določenega integrala na intervalu T 0 vpeljali<br />
novo oznako:<br />
∫ b ∫<br />
= , T 0 = b − a .<br />
a T 0<br />
osnutek<br />
Ta zapis smo uporabili že v prvi knjigi [24] in tudi v tej nadaljujemo z njegovo<br />
uporabo.<br />
2 V matematiki je običajen naslednji zapis Fourierove vrste:<br />
kjer je a o določen z:<br />
x(t) = a ∞ ∞<br />
0<br />
2 + ∑ a n cos(nω 0 t) + ∑ b n sin(nω 0 t) ,<br />
n=1<br />
n=1<br />
a 0 = 2 x(t) dt .<br />
T 0<br />
∫T<br />
Vidimo, da ima ta obrazec enak koeficient pred integralom kot obrazci za ostale Fourierove<br />
koeficiente, oziroma ga lahko izračunamo kar z obrazcem (1.6b) z upoštevanjem n = 0.<br />
Zato v matematičnih učbenikih ne navajajo (1.6a).<br />
Razlika v zapisih izhaja zaradi tega, ker v elektrotehniki komponento pri frekvenci 0 Hz<br />
imenujemo enosmerna vrednost, ki jo izračunamo z obrazcem (1.6a).<br />
3 Obe metodi smo opisali v prvi knjigi:<br />
[24, str. 105-108] Žarko Čučej (ured.): Signali, Uvod v teorijo in statistično obdelavo (s<br />
primeri uporabe programa MATLAB), FERI 2004.
6<br />
ZGLED 1.1.1<br />
Primer funkcije, ki izpolni Dirichletov pogoj je<br />
x(t) = 1<br />
1 +t 2 .<br />
Ta jih izpolni na intervalu (−∞,∞) Funkcija<br />
x( t)<br />
Slika 1.1<br />
Primer stopničastega<br />
signala<br />
t<br />
x(t) = 1<br />
1 −t<br />
izpolni Dirichletov pogoj le, če interval (a,b) ne zajema vrednosti t = 1. V tej točki ima<br />
neskončno nezveznost. Če je v definicijskem intervalu (a,b) tudi koordinatno izhodišče,<br />
funkcija<br />
sin 1 t<br />
ne izpolni Dirichletov pogoj, čeprav je v tem intervalu vedno omejena. Vzrok: v koordinatnem<br />
izhodišču ima neskončno mnogo maksimumov in minimumov. V teoriji signalov<br />
pogosto uporabljamo stopničaste funkcije. Te izbiramo tako, da izpolnijo Dirichletov pogoj<br />
(slika 1.1).<br />
♦<br />
1.1.2 Uporaba simetrij signala<br />
pri računanja Fourierovih koeficientov<br />
osnutek<br />
Računanje z Fourierovih koeficientov z Eulerovimi obrazci (1.6) se poenostavi,<br />
če ima integrand v obrazcu katero izmed simetrij. Pri a 0 simetrijo<br />
integranda določa kar signal x(t) sam, pri koeficientih a n in b n pa moramo<br />
upoštevati, da sta integranda produkta signala s sodo funkcijo cosnω 0 t oziroma<br />
z liho funkcijo sinnω 0 t.<br />
Simetrije sestavljenih signalov smo opisali že v [24, str. 31 – 33], zato le<br />
ponovimo pravila:<br />
Vsota dveh sodih signalov je soda.<br />
Vsota dveh lihih signalov je liha.<br />
Vsota sodega in lihega signala ni ne soda ne liha.<br />
Produkt dveh sodih funkcij je sod.<br />
Produkt dveh lihih funkcij je sod.<br />
Produkt sode in lihe funkcije je liha funkcija.<br />
Vpliv simetrij na računanje Fourierovih koeficientov povzemamo v naslednjih<br />
razdelkih.
7<br />
Liha simetrija signala<br />
Ko je signal x(t) liho simetričen, sta produkta x(t)cosnω 0 t in x(t)sinnω 0 t<br />
liho oziroma sodo simetrična. Zato velja:<br />
a 0 = 0<br />
a n = 0<br />
b n = 4 ∫ T0 /2<br />
x(t)sinnω 0 t dt<br />
T 0<br />
ZGLED 1.1.2<br />
Izračunajmo Fourierovo vrsto za liho simetrični signal, ki ga kaže slika 1.2!<br />
x( t)<br />
A<br />
t<br />
T 0 /2 T 0 /2 T 0 3T 0 /2<br />
T 0<br />
A<br />
0<br />
Slika 1.2<br />
Primer lihega signala<br />
osnutek<br />
(1.7a)<br />
(1.7b)<br />
(1.7c)<br />
REŠITEV: Iz lastnosti lihih signalov vemo, da so pri njih Fourierovi koeficienti a 0 in a n<br />
enaki nič, zato izračunamo samo koeficiente b n . Pri tem upoštevamo, da potek signala<br />
med 0 in T 0 /2 opišemo z daljico, ki leži na premici<br />
Torej:<br />
x 1 (t) = k ·t , k = tanα = A<br />
T 0 /2 = 2A .<br />
T 0<br />
b n = 4 ∫ T 0 /2<br />
x(t)sinnω 0 t dt = 4 ∫ T 0 /2 2A<br />
t sinnω 0 t dt<br />
T 0 0<br />
T 0 0 T 0<br />
= 8A [ sinnω0<br />
T0<br />
2 (nω 0 ) 2 −t cosnω ] T0 /2<br />
0t<br />
nω 0 0<br />
[<br />
= 8A sinn<br />
2π T 0<br />
T0 2<br />
T0<br />
2 (nω 0 )<br />
} {{ 2 − sinn2π T 0<br />
·0<br />
T 0<br />
2<br />
cosn 2π T ]<br />
0<br />
T<br />
(nω 0 )<br />
} } {{ 2 −<br />
0 2<br />
+ 0· cosnω 0 ·0<br />
nω 0 nω<br />
}<br />
} {{ 0<br />
}<br />
sinnπ=0 sin0=0<br />
=0<br />
= − 8A T 0 cosnπ<br />
T0<br />
2 2 n 2π<br />
T 0<br />
= − 4A<br />
T 0<br />
T 0<br />
2π<br />
cos(nπ)<br />
n<br />
= 2A π<br />
(−1) n+1<br />
Fourierova vrsta, s katero opišemo signal na sliki 1.2, se glasi:<br />
x(t) = 2A ( sinω0 t<br />
− sin2ω 0t<br />
+ sin3ω )<br />
0t<br />
− ···<br />
π 1 2 3<br />
n<br />
, n = 1,2,...<br />
♦
8<br />
Soda simetrija signala<br />
Ko je signal x(t) sodo simetričen, sta produkta x(t)cosnω 0 t in x(t)sinnω 0 t<br />
sodo oziroma liho simetrična. Zato velja:<br />
a 0 = 2 ∫ T0 /2<br />
x(t) dt<br />
T 0<br />
0<br />
a n = 4 ∫ T0 /2<br />
x(t)cosnω 0 t dt<br />
T 0<br />
b n = 0<br />
0<br />
(1.8a)<br />
(1.8b)<br />
(1.8c)<br />
Slika 1.3<br />
Primer sodega signala.<br />
ZGLED 1.1.3<br />
Izračunajmo Fourierovo vrsto za sodo simetrični signal, ki ga kaže slika 1.3.<br />
REŠITEV:<br />
Računanje a 0 ne dela težav:<br />
x( t)<br />
1<br />
t<br />
T 0 /2 0 T 0 /2 T 0 3T 0 /2<br />
a 0 = 2 ∫ T 0 /2<br />
x(t) dt = 2 ∫ T 0 /2<br />
(1 − 2t ) dt = 1 − 1 T 0 0<br />
T 0 0 T 0 2 = 1 2<br />
Pri a n upoštevamo sodo simetrijo, zato si pomagamo z (1.8b):<br />
T 0<br />
osnutek<br />
a n = 4 ∫ T 0 /2<br />
(1 − 2t/T 0 ) cosnω 0 t dt<br />
T 0 0 } {{ }<br />
=x(t)<br />
= 4 [ ∫ T 0 /2<br />
∫ T<br />
]<br />
0 /2 2t<br />
cosnω 0 t dt − cosnω 0 t dt<br />
T 0 0<br />
0 T 0<br />
,<br />
kjer z upoštevanjem izračuna integrala štev. 318, Matematični priročnik [16, stran 878],<br />
dobimo:<br />
= 4 sinω 0 t<br />
∣ ∣∣ T 0 /2<br />
− 4 2 cosnω 0 t<br />
T 0 nω 0 0 T<br />
} {{ } 0 T 0 n 2 ω0<br />
2 ∣ T 0/2<br />
− 4 2<br />
t sinω ∣<br />
0t ∣∣ T 0 /2<br />
0 T 0 T 0 nω 0 0<br />
} {{ }<br />
=0<br />
=0<br />
Za edini od nič različni člen v gornji enačbi velja:<br />
− 4 2 cosnω 0 t<br />
T 0 T 0 n 2 ω0<br />
2 ∣ T 0/2<br />
0<br />
= − 8<br />
T 2<br />
0<br />
1<br />
[<br />
cosn 2π<br />
T 0<br />
T 0<br />
2 − cosn2π T 0<br />
·0<br />
n 2 ω0<br />
2<br />
= − 2 [<br />
1<br />
π 2 n 2 cosn 2π ]<br />
T 0<br />
T 0 2 − 1<br />
.<br />
]
9<br />
Upoštevajmo, da je:<br />
cosn 2π<br />
T 0<br />
T 0<br />
2 − 1 = {<br />
1 − 1 = 0 pri n = 2k<br />
−1 − 1 = −2 pri n = 2k + 1<br />
k = 0,1,2,···<br />
in dobimo<br />
a n = a 2k+1 = 4<br />
π 2 1<br />
n 2 .<br />
Pri b n preverimo, ali ugotovitev, da so pri sodih funkcijah Fourierovi koeficienti b n enaki<br />
nič, drži. Velja:<br />
b n = 2 ∫<br />
x(t)sinnω 0 t dt = 2 ∫ T<br />
(<br />
0 /2<br />
1 − 2t )<br />
sinnω 0 t dt<br />
T 0 T 0<br />
T 0 −T 0 /2 T 0<br />
= 2 { ∫ T 0 /2<br />
(1)sinnω 0 t dt − 2 ∫ T<br />
}<br />
0 /2<br />
t sinnω 0 t dt<br />
T 0 T 0<br />
−T 0 /2<br />
−T 0 /2<br />
= − 2 {[<br />
− cosnω ]<br />
0<br />
− 2 [ sinnω0 t<br />
T 0 nω 0 T 0 (nω 0 ) 2 −t cosnω ]}∣<br />
0t ∣∣∣ T 0 /2<br />
nω 0<br />
[<br />
(<br />
= 2 − cosn2π T 0<br />
T 0 2<br />
cosn 2π<br />
T 0<br />
− T )<br />
]<br />
0<br />
2<br />
+<br />
−<br />
T 0 nω<br />
} {{ 0 nω<br />
} } {{ 0<br />
}<br />
cosnπ=±1<br />
cosnπ=±1<br />
−T 0 /2<br />
[<br />
2<br />
− sinn2π T 0<br />
T 0 2<br />
T 0 (nω 0 )<br />
} {{ 2 + sinn2π T 0<br />
(− T 0<br />
2<br />
)<br />
(nω 0 )<br />
}<br />
2 +<br />
} {{ }<br />
sinnπ = 0 −sinnπ = 0<br />
T 0<br />
2<br />
cosn 2π T 0<br />
T 0 2<br />
− (−T 0<br />
2<br />
)cosn 2π<br />
T 0<br />
(− T ]<br />
0<br />
2<br />
)<br />
nω<br />
} {{ 0<br />
nω<br />
} } {{ 0<br />
}<br />
T 0<br />
2 cosnπ = ±T 0<br />
− T 0<br />
2 2 cos(−nπ) = ∓T 0<br />
2<br />
= 2 {[ ]<br />
1<br />
± 1 ± 1 − 2 [<br />
0 − 0 ± T 0<br />
T 0 nω 0 T 0 2 ± T ]}<br />
0<br />
2<br />
b n = 2 { }<br />
1<br />
± 2 ∓ 2 = 0 .<br />
T 0 nω 0<br />
osnutek<br />
Vidimo, da res velja!<br />
Fourierove koeficiente smo izračunali, zato še zapišimo Fourierovo vrsto, ki aproksimira<br />
opazovani signal:<br />
x(t) = 1 2 − 4 [ 1<br />
π 2 1 cosω 0t + 1 9 cos3ω 0t + 1 25 cos5ω 0t+<br />
]<br />
1<br />
··· +<br />
(2k + 1) 2 cos(2k + 1)ω 0t + ···<br />
, k = 0,1,2,3,··· ♦
10<br />
Polvalna simetrija signala<br />
Polvalna simetričnost ni ne liha ne soda (slika 1.4). Zanjo velja:<br />
x(t) = −x(t ± T 0 /2) (1.9)<br />
in<br />
Slika 1.4<br />
Primer polvalno simetričnega signala.<br />
a 0 = 0<br />
a 2k+1 = 4 ∫<br />
T 0<br />
b 2k+1 = 4 T 0<br />
∫<br />
T 0 /2<br />
T 0 /2<br />
cos(2k + 1)ω 0 t dt<br />
Četrtvalna simetrija sodega signala<br />
(1.10a)<br />
(1.10b)<br />
sin(2k + 1)ω 0 t dt , k = 0,1,2,... (1.10c)<br />
x( t)<br />
A<br />
t<br />
T 0 /2 T 0 /2 T 0 3T 0 /2<br />
Signal ima četrtvalno sodo simetrijo, če velja (slika 1.5):<br />
T 0<br />
A<br />
osnutek<br />
x(t) = x(−t) in x(t) = x(t + T 0 /2) . (1.11)<br />
V tem primeru Fourierove koeficiente lahko izračunamo z:<br />
a 0 = 0<br />
a 2k+1 = 8 ∫<br />
T 0<br />
T 0 /4<br />
(1.12a)<br />
x(t)cos(2k + 1)ω 0 t dt , k = 0,1,2,... (1.12b)<br />
b n = 0 . (1.12c)<br />
Četrtvalna simetrija lihega signala<br />
Signal ima četrtvalno liho simetrijo, če velja (slika 1.6):<br />
x(t) = x(−t) in x(t) = x(t + T 0 /2) . (1.13)
11<br />
x( t)<br />
A<br />
x( t)<br />
A<br />
T 0 /2 T 0 /4 0 T 0 /4 T /2<br />
0<br />
3T 0 /4<br />
t<br />
T 0 /2 T 0 /4 0 T 0 /4 T /2<br />
0<br />
3T 0 /4<br />
t<br />
A<br />
A<br />
Slika 1.5<br />
Primer četrtvalno simetričnega sodega signala.<br />
V tem primeru Fourierove koeficiente lahko izračunamo z:<br />
a 0 = 0<br />
a n = 0<br />
b 2k+1 = 8 ∫<br />
T 0<br />
T 0 /4<br />
1.1.3 Gibbsov pojav<br />
osnutek<br />
Slika 1.6<br />
Primer četrtvalno simetričnega lihega signala.<br />
(1.14a)<br />
(1.14b)<br />
x(t)sin(2k + 1)ω 0 t dt , k = 0,1,2,3,... (1.14c)<br />
Dirichletova pogoja dovoljujeta, da ima funkcija x(t) končno število nezveznosti<br />
z levo in desno limito in določajo, da je v točki nezveznosti aproksimacija<br />
originalnega signala enaka srednji vrednosti leve in desne limite signala<br />
v tej točki (glej enačbo (1.2) na strani 4). Zato ima aproksimacija signala s<br />
Fourierovo vrsto v okolici nezveznosti x(t) prenihaj, ki ga imenujemo Gibbsov<br />
pojav.<br />
Izgled prenihaja in pridušenega nihanja pri različno dolgih delnih vsotah<br />
iz Fourierove vrste kaže slika 1.7. Prenihaj znaša 8,95% skoka amplitude.<br />
Njegova velikost je neodvisna od števila členov v Fourierovi vrsti. Vidimo,<br />
t t t<br />
N=5<br />
N=21 N=500<br />
Slika 1.7<br />
Gibbsov pojav. N je število harmonskih komponent, ki jih upoštevamo v Fourierovi vrsti.
12<br />
da z naraščanjem števila členov narašča frekvenca iznihanja in se krajša čas<br />
iznihanja. Gibbsov pojav, ki nastane pri tem, si torej lahko predstavljamo kot<br />
medsebojni vpliv vrednosti z obeh strani nezveznosti. V skladu z Dirichletovimi<br />
pogoji, oziroma analitično rešitvijo, ki jo je izpeljal de Fourier, pojav<br />
nastane tik pred in za točko nezveznosti x(t).<br />
Vzrok Gibbsovem pojavu je lastnost Fourierove vrste, ki v točki nezveznosti<br />
x(t) ne more hkrati prečkati levo in desno limito x(t) ter srednjo vrednost<br />
med njima. To zahteva neskončno strmino vsote baznih funkcij v točki<br />
nezveznosti, kar pa je v nasprotju z naravo trigonometrijskih funkcij. To je<br />
tudi v nasprotju s fizikalno predstavo. Spomnimo se, da je J. B. J. de Fourier<br />
z analitičnim opisom prehoda temperature na robu med vročim in hladnim<br />
pokazal, da ima tam temperatura srednjo vrednot, torej ne more biti hkrati<br />
“vroče” in “hladno”.<br />
1.1.4 Ocena konvergentnosti Fourierovih vrst<br />
Pri aproksimaciji signalov je v praksi zelo pomembno, s koliko členi Fourierove<br />
vrste lahko tvorimo dovolj dobro aproksimacijo signala. Metode, ki bi<br />
določila dolžino delne vsote v Fourierovi vrsti, ki da srednji kvadratni pogrešek<br />
med signalom in njegovo aproksimacijo manjši od neke meje, žal ni.<br />
Zakonitost, ki pove, kako z naraščanjem indeksa členov v Fourierovi vrsti<br />
upada velikost Fourierovih koeficientov lahko izrazimo s številom zaporednih<br />
odvajanj funkcije x(t), ki da še omejen odvod. Izkaže se, da za Fourierove<br />
koeficiente velja neenakost:<br />
osnutek<br />
|c n | ≤ M<br />
n k+1 , n 1 , (1.15)<br />
kjer je c n = a n ali b n ali √ a 2 n + b 2 n in k število zaporednih odvajanj. Konstanta<br />
M je odvisna le od funkcije x(t) in ne indeksa n. Znak enakosti predstavlja<br />
zgornjo mejo.<br />
Iz (1.15) sledi, da je za signale x(t) pravokotne oblike upadanje vrednosti<br />
Fourierovih koeficientov v razmerju 1/n (slika 1.8) – odvod signala, ki ga<br />
sestavlja periodično zaporedje pulzov gre v točkah nezveznosti čez vse meje.<br />
Pri signalih žagaste oblike je upadanje koeficientov z 1/n 2 , saj šele njen drugi<br />
odvod gre čez vse meje in tako dalje.<br />
Slika 1.8<br />
Konvergenčnost Fourierove vrste<br />
vlaka sodih pravokotnih pulzov.<br />
c n<br />
1/n<br />
0 1<br />
2 1<br />
3 1<br />
4 1<br />
5 1<br />
6 1<br />
7 1<br />
8 1
Iz (1.15) tudi sledi, da funkcijo x(t), ki je invariantna na odvajanje, aproksimira<br />
že prvi člen Fourierove vrste. Primer takega signala je Asin(ω 0 t +φ),<br />
ki ga že (natančno) opiše člen z b 1 oziroma člena c ±1 .<br />
Drugo skrajnost predstavlja periodični signal, ki se sestavljajo Diracovi.<br />
Pri njih lahko sklepamo, da velja k = −1 ter zato zanje Fourierova vrsta ni<br />
konvergentna (res, njihov spekter ima pri vseh frekvencah nω 0 , ω 0 = 2π/T 0<br />
in n ∈ Z, enako visoke harmonske komponente).<br />
13<br />
1.2 Kompleksna Fourierova vrsta<br />
Kompleksne Fourierove vrsto dobimo iz realne z Eulerovim obrazcem, ki<br />
smo ga že srečali pri predstavitvi harmonskih nihanj. Če v zapisu realne<br />
Fourierove vrste (1.5) upoštevamo Eulerova obrazca:<br />
dobimo:<br />
x(t) = a 0 +<br />
cosα = e jα + e − jα<br />
2<br />
∞<br />
∑<br />
n=1<br />
, sinα = e jα − e − jα<br />
2 j<br />
e<br />
(a jnω0t + e − jnω 0t<br />
e jnω0t − e − jnω )<br />
0t<br />
n + b n<br />
2<br />
2 j<br />
osnutek<br />
.<br />
(1.16)<br />
Zgornjo enačbo preuredimo tako, da združimo člene s pozitivnimi in člene z<br />
negativnimi eksponenti:<br />
x(t) = a 0 +<br />
∞<br />
∑<br />
n=1<br />
(<br />
an − jb n<br />
e jnω0t + a n + jb n<br />
2<br />
2<br />
e − jnω 0t<br />
)<br />
vpeljimo nov koeficient c n , za katerega velja:<br />
c −n = a n − jb n<br />
2<br />
c 0 = a 0<br />
c n = a n + jb n<br />
2<br />
(1.17a)<br />
(1.17b)<br />
(1.17c)<br />
ter z njimi zapišimo Fourierovo vrsto:<br />
x(t) = c 0 +<br />
∞<br />
∑<br />
n=1<br />
c n e jnω 0t +<br />
∞<br />
∑<br />
n=1<br />
c −n e − jnω 0t<br />
. (1.18)
14<br />
Ker je e 0 = 1, lahko c 0 vključimo v seštevanje na desni strani (1.18). Ne da<br />
bi kaj spremenili v (1.18), lahko drugo vsoto na desni strani (1.18) zapišemo<br />
kot:<br />
∞<br />
∑<br />
n=1<br />
c −n e − jnω 0t =<br />
1<br />
∑<br />
n=−∞<br />
c n e jnω 0t<br />
S tem dobimo običajni, kompaktni zapis kompleksne Fourierove vrste:<br />
.<br />
☞<br />
x(t) =<br />
∞<br />
∑<br />
n=−∞<br />
c n e jnω 0t<br />
. (1.19)<br />
Značilnost te Fourierove vrste so kompleksni koeficienti – zato jo imenujemo<br />
kompleksna Fourierova vrsta in negativne frekvence. Vpeljane so z (1.16).<br />
1.2.1 Izračun kompleksnih Fourierovih koeficientov<br />
Bazne funkcije kompleksne Fourierove funkcije so e jnω 0t<br />
in tvorijo polno<br />
zaporedje ortogonalnih funkcij Φ. Z njimi lahko po že uhojeni poti določimo<br />
koeficiente c n iz lastnosti ortogonalnih funkcij:<br />
pomnožimo enačbo (1.19) z e jkω 0t ter integriramo:<br />
∫<br />
∫<br />
x(t) e − jkω0t dt =<br />
T 0<br />
=<br />
izpostavimo koeficient c n<br />
∞<br />
T 0<br />
∑<br />
n=−∞<br />
∞<br />
∑<br />
n=−∞<br />
c n e jnω 0t e − jkω 0t dt<br />
osnutek<br />
c n<br />
∫T 0<br />
e j(n−k)ω 0t dt =<br />
{<br />
cn T 0 , k = n<br />
0 , k ≠ n<br />
c n = 1 T 0<br />
∫T 0<br />
x(t) e − jnω 0t dt . (1.20)<br />
Enačba (1.20) velja tako za pozitivne kot za negativne n ter tudi za n = 0.<br />
Iz metode računanja koeficientov po metodi najmanjšega kvadratnega pogreška<br />
vemo, da koeficient 1/T 0 določa energija baznih funkcij:<br />
1<br />
= 2<br />
∫<br />
∫<br />
(<br />
, E φ = φ(t) dt = e<br />
jnω 0 t ) 2<br />
dt = 2T0 .<br />
T 0 E φ T 0 T 0<br />
Razlika, ki je tu med realnimi in kompleksnimi Fourierovimi vrstami, ima<br />
vzrok v tem, da pri kompleksnih vrstah mora Parsevalova identiteta veljati za<br />
dvojno število harmonskih komponent, torej mora vsaka vsebovati pol manj<br />
(trenutne) moči kot pri realnih Fourierovih vrstah.
☞<br />
☞<br />
15<br />
Integral v (1.20) je podoben integralu, s katerim računamo povprečno vrednost<br />
signala na intervalu T 0 :<br />
u(t) = 1 T 0<br />
∫T 0<br />
u(t) dt . (1.21)<br />
Z upoštevanjem zapisa (1.21) lahko (1.20) zapišemo v obliki:<br />
c n = x(t)· e − jnω 0t . (1.22)<br />
Pri računanju koeficientov z enačbo (1.20) je pomembno zaporedje računanja.<br />
Najprej moramo izbrati n, nato izračunamo integracijsko funkcijo,<br />
šele nato smemo integrirati. V nasprotnem primeru lahko pri n = 0 dobimo<br />
nedoločljivo vrednost.<br />
1.2.2 Kompleksni spekter<br />
Kompleksni spekter določajo koeficienti c n . Ker so ti pri pozitivnih frekvencah<br />
(n·2π/T 0 ) in pri negativnih (−n·2π/T 0 ), kompleksna Fourierova vrsta<br />
določa dvostranski spekter.<br />
V prikazu spektra ponavadi uporabimo polarni zapis:<br />
c n = |c n |∠c n (1.23)<br />
osnutek<br />
∠c n = φ n = tan I{c n}<br />
R{c n }<br />
. (1.24)<br />
ter ga pokažemo v dveh diagramih (slika 1.9). Diagram, ki ponazarja (1.23),<br />
imenujemo amplitudni spekter, diagram, ki pa ponazarja (1.24), pa fazni<br />
spekter.<br />
| c n |<br />
c 1 c 1<br />
c 2<br />
c c c 0 c 0<br />
2<br />
3<br />
c 3<br />
1 1 0 1 1 1<br />
n<br />
1<br />
2<br />
3<br />
0<br />
1<br />
3<br />
1<br />
2<br />
<br />
<br />
Slika 1.9<br />
Kompleksni spekter. Zgoraj amplitudni,<br />
spodaj fazni spekter.
16<br />
1.2.3 Simetrije v spektru<br />
Tudi pri kompleksnih Fourierovih vrstah imajo simetrije pomembno vlogo.<br />
To uvidimo, če (1.22) zapišemo v obliki:<br />
c n = x(t)cosnω 0 t − j x(t)sinnω 0 t<br />
in predpostavimo, da je x(t) realen. Takrat velja:<br />
(<br />
) 2 ( ) 2<br />
|c n | 2 = x(t)cosnω 0 t + x(t)sinnω 0 t<br />
ϕ n = −arctan x(t)sinnω 0t<br />
x(t)cosnω 0 t<br />
Če nadomestimo n z −n, potem dobimo:<br />
oziroma<br />
.<br />
|c n | = |c −n | in ϕ n = −ϕ −n (1.25)<br />
c −n = |c n | e − jϕ n<br />
= c ∗ n .<br />
Torej so za realne signale (kar fizični signali večinoma so) amplitudni spektri<br />
sodo simetrični, fazni pa liho simetrični (slika 1.9 na predhodni strani).<br />
To je lastnost, ki smo jo opazili pri konjugirano kompleksnih kazalcih – njihova<br />
vsota je vedno realni kazalec. Ker s kazalci lahko opišemo harmonsko<br />
nihanje, vidimo, da dajo realni signal x(t).<br />
Z upoštevanjem (1.25) lahko člene Fourierove vrste uredimo po parih:<br />
osnutek<br />
c n e jnω 0t + c n e − jnω 0t = 2|c n |cos(nω 0 t + ϕ)<br />
oziroma jo zapišemo v obliki:<br />
x(t) = 2<br />
∞<br />
∑<br />
n=0<br />
|c n |cos(nω 0 t + ϕ n ) . (1.26)<br />
☞<br />
S tem smo prišli do trigonometrijske Fourierove vrste. Z njo x(t) opišemo<br />
z vsoto sinusoid z le pozitivnimi frekvencami. Zato z njo določimo le enostranski<br />
spekter, ki pa nima simetrij, ki smo jih malo prej spoznali. Zato je ta<br />
oblika Fourierove vrste manj uporabna kot je kompleksna Fourierova vrsta.<br />
Opisani simetriji kompleksnega spektra sta značilnost realnih signalov.<br />
Če signal ima še kakšno simetrijo v časovnem prostoru, se to odraža v podobnem<br />
poenostavljenem računanju spektra, kar smo širše opisali pri računanju<br />
Fourierovih koeficientov pri realnih Fourierovih vrstah.
17<br />
1.2.4 Fourierov par<br />
Če pomnožimo (1.20) s T 0 in uvedemo novo oznako<br />
c n T 0 = X(n) , (1.27)<br />
lahko obrazca za kompleksno Fourierovo vrsto in za izračun kompleksnih<br />
Fourierovih koeficientov zapišemo v bolj pomenljivi obliki:<br />
X(n)e jnω 0t<br />
<strong>analiza</strong> x(t) = 1 ∞<br />
T 0<br />
∑<br />
n=−∞<br />
∫<br />
sinteza X(n) = x(t)e − jnω0t dt<br />
T 0<br />
Enačbi (1.28) določata Fourierov par pri zveznih perodičnih signalih. Povezanost<br />
med x(t) in njegovim diskretnim spektrom X(n) simbolično označimo<br />
z:<br />
F<br />
x(t) ←−−−→ X(n) . (1.29)<br />
osnutek<br />
DOKAZ 1.1<br />
Dokaz, da to velja za spekter v (1.28), je naslednji:<br />
X(n) = 1 ∞<br />
T 0<br />
∫T 0<br />
∑<br />
[X(k)e ]<br />
jkω 0t<br />
e − jnω0t dt .<br />
k=−∞<br />
} {{ }<br />
=x(t)<br />
Ker sta seštevanje in integracija linearni operaciji, lahko zamenjamo zaporedje njunega<br />
izvajanja:<br />
X(n) = 1 ∞ ∫<br />
T 0<br />
∑ X(k)e jkω0t e − jnω0t dt<br />
k=−∞ T 0<br />
⎧<br />
⎨X(n) 1 dt = X(n) , k = n<br />
= T 0<br />
∫T<br />
⎩<br />
0 ,<br />
0 , k ≠ n<br />
Enačbi (1.28) povezujeta časovni in frekvenčni prostor. Prehod iz časovnega<br />
v frekvenčni prostor imenujemo <strong>analiza</strong> signala, prehod iz frekvenčnega v<br />
časovni prostor pa imenujemo sinteza signala (slika 1.10). Ta prehoda ime-<br />
nujemo tudi preslikava.<br />
Od preslikave zahtevamo, da je enolična. Zato, če neko časovno funkcijo<br />
preslikamo v frekvenčni prostor, od tam pa ponovno nazaj, moramo dobiti<br />
spet prvotno funkcijo.<br />
èas<br />
(1.28a)<br />
(1.28b)<br />
X( n) = F -1 { x( t)<br />
}<br />
frekvenca<br />
x( t )= x( t+ ) = F { X( n)}<br />
T 0<br />
Slika 1.10<br />
Fourierov par.<br />
kjer smo upoštevali ortogonalnost baznih funkcij e jkω 0t in e<br />
− jnω 0 t in časovno neodvisnost<br />
X(n).<br />
□
18<br />
1.3 Parsevalov izrek<br />
Kolikšna je moč signala V [24, str. 78 – 82] smo zapisali, da je trenutna<br />
moč signala x(t) enaka x 2 (t), za povprečno moč periodičnega signala pa:<br />
P x = x 2 (t) = 1 T 0<br />
∫T 0<br />
x 2 (t) dt . (1.30)<br />
Kolikšna pa je moč spektra Če v (1.30) x 2 (t) nadomestimo s produktom<br />
signala in njegovega kompleksnega spektra dobimo:<br />
P x = x 2 (t) = 1 T 0<br />
∫T 0<br />
x(t)<br />
∞<br />
∑<br />
n=−∞<br />
∞<br />
∑<br />
n=−∞<br />
c n e jnω 0t<br />
} {{ }<br />
=x(t)<br />
Zamenjajmo zaporedje seštevanja in integriranja:<br />
P x = 1 [ ∫ ]<br />
c n x(t)e jnω0t dt<br />
T 0 T 0<br />
dt .<br />
. (1.31)<br />
Sedaj prestavimo 1/T 0 v oglati oklepaj, ter se poigramo z predznaki v eksponentu<br />
e:<br />
∞<br />
[ ]<br />
1<br />
P x = ∑ c n x(t)e<br />
n=−∞ T 0<br />
∫T − j(−n)ω0t dt<br />
(1.32)<br />
}<br />
0<br />
{{ }<br />
=c −n<br />
in dobimo:<br />
P x = x 2 (t) =<br />
∞<br />
∑<br />
n=−∞<br />
c n c −n =<br />
∞<br />
∑<br />
n=−∞<br />
osnutek<br />
|c n | 2 . (1.33)<br />
Zgornja enačba je tako imenovani Parsevalov izrek. Parsevalov izrek pove<br />
naslednjo pomembno lastnost:<br />
Pri popolnem opisu signala s Fourierovo vrsto je moč spektra<br />
signala enaka moči signala.<br />
Oglejmo si še Parsevalov izrek pri realnih spektrih. Pri njih lahko do<br />
Parsevalovega izreka pridemo tako, da preuredimo (1.33):<br />
najprej iz vsote v (1.32) izvzamemo člen c 0 :<br />
P x = c 2 0 +<br />
∞<br />
∑<br />
n=−∞<br />
n≠0<br />
|c n | 2 ,
potem upoštevamo, da je kompleksni amplitudni spekter sodo simetričen<br />
(torej velja |c n | = |c −n |), zato zapišemo:<br />
∞<br />
∑<br />
n=−∞<br />
n≠0<br />
|c n | 2 = 2<br />
∞<br />
∑<br />
n=1<br />
|c n | 2 ,<br />
19<br />
amplitude v realnem spektru so dvakrat višje od amplitud v kompleksnem<br />
spektru:<br />
A n = |2c n | → |c n | = A n /2 ,<br />
kjer je A n = √ a 2 n + b 2 n ,<br />
in Parsevalov izrek je na dlani:<br />
P x = c 2 0 + 2<br />
= a 2 0 + 1 2<br />
∞<br />
∑<br />
n=1<br />
∞<br />
∑<br />
n=1<br />
|c n | 2 = c 2 0 + 2<br />
∞<br />
∑<br />
n=1<br />
|A n /2| 2 = c 2 0 + 2<br />
osnutek<br />
∞<br />
∑<br />
n=1<br />
1<br />
4 |A n| 2<br />
|A n | 2 (1.34)<br />
V (1.34) smo upoštevali (1.17b), torej da imata kompleksnem spekter<br />
in realni spekter isto enosmerno komponento: c 0 = A 0 = a 0 .<br />
K (1.34) še kratek komentar. Realen spekter določajo amplitude harmoničnih<br />
nihanj (torej sinusoid), katerih vsota določa trigonometrično (to je realno)<br />
Fourierovo vrsto. Povprečna moč sinusoide Acosω 0 t je:<br />
∫<br />
∫ (<br />
1<br />
A 2 1 cos 2 ω 0 t dt = A2 1 1<br />
T 0 T 0 T 0 T 0 2 + 1 )<br />
2 cos2ω 0t dt<br />
∫<br />
∫<br />
= A2 1<br />
dt + A2 1<br />
cos2ω 0 t dt<br />
2T 0 T<br />
} {{ 0 2T<br />
} 0 T<br />
} 0<br />
{{ }<br />
=A 2 1 /2 =0<br />
.<br />
Povprečna moč periodičnega signala določa (1.30). Sledi<br />
x 2 (t) = 1 T 0<br />
∫T 0<br />
x 2 (t)dt = c 2 0 = a 2 0 . (1.35)<br />
Vidimo, da povprečno moč realnega spektra tvori povprečna moč signala,<br />
kateri je superponirana moč harmonikov, s katerimi opišemo signal x(t). Pri<br />
tem moramo poudariti, da ta ugotovitev velja le za povprečne moči, pri trenutnih<br />
močeh temu ni tako.
20<br />
1.4 Funkcija Sa<br />
V spektralni analizi je zelo pogosta funkcija (sinx)/x. Zanjo se uporablja<br />
različne oznake, med matematiki je razširjena oznaka sinc. V tej knjigi jo<br />
bomo označevali s Sa:<br />
Sa = sinx<br />
x<br />
s čimer bomo poudarili njeno pomembnost pri vzorčenju signalov (Sa: Sample<br />
- vzorec), o čemer bo še govora pozneje. Potek funkcije Sa kaže slika 1.11.<br />
Slika 1.11<br />
Diagram funkcije S a .<br />
Sa( x)<br />
1<br />
Sa( ) = 0<br />
Značilne točke S a funkcije so pri x = 0 in v točkah S a = 0. Vrednost<br />
S a (0) določimo z limitnim postopkom v katerem sinx nadomestimo z vrsto,<br />
s katero je definiran:<br />
[<br />
sinx 1<br />
Sa(0) = lim = lim x − 1<br />
x→0 x x→0 x 3! x3 + 1 ]<br />
5! x5 − ···<br />
= lim 1 − 1 3! x2 + 1 ]<br />
5! x4 − ··· = 1<br />
x→0<br />
[<br />
S a seka absciso, ko je S a = 0. Torej:<br />
osnutek<br />
x<br />
S a (x = nπ) = 0 . (1.36)<br />
ZGLED 1.4.1<br />
Določimo spekter vlaka pravokotnih pulzov, ki ga kaže slika 1.12.<br />
x( t)<br />
A<br />
Slika 1.12<br />
Primer vlaka pravokotnih pulzov.<br />
<br />
0<br />
<br />
<br />
<br />
T 0 <br />
t<br />
T 0
21<br />
REŠITEV: Koeficiente spektra izračunamo z (1.20):<br />
∣<br />
c n = 1 ∫ τ/2<br />
A e − jnω0t dt = A ∫ τ/2<br />
cosnω 0 t dt = A sinnω 0 t ∣∣∣∣<br />
τ/2<br />
T 0 T 0 T 0 nω 0<br />
−τ/2<br />
= 2A<br />
T 0<br />
[ sinnω0<br />
τ<br />
2<br />
nω 0<br />
] τ/2<br />
τ/2 = 2 A T 0<br />
τ<br />
2<br />
−τ/2<br />
(<br />
sin<br />
n 2π<br />
T 0<br />
τ<br />
2<br />
)<br />
(<br />
n 2π<br />
T 0<br />
τ<br />
2<br />
)<br />
osnutek<br />
−τ/2<br />
= A τ Sa<br />
(nπ τ )<br />
T 0 T 0<br />
kjer smo upoštevali ω 0 = 2π/T 0 in da je vlak pravokotnih pulzov soda funkcija. Uvedemo<br />
še novo spremenljivko d = τ/T 0 :<br />
x(t) = Ad<br />
∞<br />
∑<br />
n=−∞<br />
Sa(nπ d) e jnω 0t<br />
. (1.37)<br />
Spekter, ki ga določa (1.37), kaže slika 1.13.Vidimo, da je funkcija S a (·) ovojnica spek-<br />
c n<br />
Ad d/T 0<br />
Slika 1.13<br />
S a ( nd<br />
)= S a ( )<br />
Spekter vlaka pravokotnih pulzov s<br />
slike 1.12.<br />
0<br />
<br />
tralnih črt – koeficientov c n , to je amplitud harmonikov signala x(t). Ker je x(t) soda<br />
funkcija, na tem diagramu lahko pokažemo tako amplitudo kot fazo c n . Drugače je potrebno<br />
posebej prikazati amplitudni in posebej fazni spekter. Vidimo tudi, da v primeru,<br />
ko je T 0 mnogokratnik τ, odpadejo vsi harmoniki pri frekvencah, kjer je kvocient nτ/T 0<br />
celo število.<br />
♦<br />
,<br />
Srednja vrednost, to je enosmerno komponento vlaka pulzov s slike 1.12 je<br />
enaka c n = Aτ/T 0 in je pri dani amplitudi odvisna od razmerja d = τ/T 0 . To<br />
razmerje v pulzni elektroniki imenujemo razmerje aktivnosti (duty cycle). Z<br />
njim nastavljajmo izhodno napetost pri preklopnih napajalnikih.<br />
Moč spektra tega signala lahko izračunamo s pomočjo Parsevalovega izreka.<br />
Iz (1.37) sledi:<br />
P x =<br />
∞<br />
∑<br />
n=−∞<br />
(dA) 2 S 2 a(nπd) . (1.38)<br />
Seveda je računanje z (1.38) neizvedljivo, saj bi morali sešteti neskončno<br />
mnogo členov. To lahko zavede do sklepa, da Parsevalov izrek nima praktične<br />
vrednosti, saj ga že pri tako preprostem signalu, kot je pravokotni val,
22<br />
ne moremo uporabiti pri izračunu moči. Z direktnim računanjem moči tega<br />
signala v časovnem prostoru do rezultata pridemo takoj:<br />
P x = 1 T 0<br />
∫ τ/2<br />
0<br />
A 2 dt = A2<br />
T 0<br />
( τ<br />
2 − 0 )<br />
= d A2<br />
2<br />
Zakaj pa se potem mučimo s Parsevalovim izrekom Prav nam pride, če želimo<br />
na primer vedeti, kolikšna je moč določenega števila harmonskih komponent<br />
signala.<br />
ZGLED 1.4.2<br />
Kolikšna je moč signala s slike 1.12 (zgled 1.4.1 na strani 20) na frekvenčnem intervalu,<br />
ki ga omejujeta prva prehoda S a skozi absciso<br />
REŠITEV: Ker je signal periodičen, izračunamo moč harmonskih komponent v interval<br />
med prvima prehodoma S a skozi absciso. Število prehodov izračunamo iz (1.36).<br />
Prvi prehod je pri:<br />
Sa(nω 0 τ/2) = 0 ⇒ nω 0 τ/2 = n 2π<br />
⌊ ⌋<br />
τ<br />
T 0 2 = π ⇒ n = T0<br />
,<br />
τ<br />
kjer smo z ⌊·⌋ označili, da nas zanima najbližje manjše ali enako celo število, na primer:<br />
⌊5/2⌋ = 2.<br />
Moč izračunamo za dva primera. Pri prvem je razmerje T 0 /τ = 2 in pri drugem<br />
T 0 /τ = 4!<br />
prvi primer: T 0 /τ = 2 → n = 2<br />
osnutek<br />
2<br />
) A 2<br />
P x = ∑ S<br />
n=−2( 2 2<br />
a(nπ 1 2 ) = A2<br />
A2<br />
(0 + 0,405 + 1 + 0,405 + 0) =<br />
4 4 1,81<br />
P ′ = 1 ∫ τ/2<br />
A 2 dt = A2<br />
τ/2<br />
t<br />
= 1 T 0 T 0 ∣ 2 A2 → P A 2<br />
P ′ = 2 1,81 = 0,905<br />
−τ/2<br />
−τ/2<br />
A 2<br />
4<br />
drugi primer: T 0 /τ = 4 → n = 4<br />
P x =<br />
4<br />
∑<br />
n=−4<br />
(A 1 4 )2 S 2 a(nπ 1 4 )<br />
= A2<br />
A2<br />
(0 + 0,09 + 0,405 + 0,811 + 1 + 0,811 + 0,405 + 0,09 + 0) =<br />
16 16 3,612<br />
P ′ = 1 ∫ τ/8<br />
A 2 dt = A2<br />
t<br />
T 0 T 0 ∣<br />
−τ/8<br />
τ/8<br />
−τ/8<br />
= 1 4 A2 → P A 2<br />
P ′ = 16 3,62 = 0,903 .<br />
A 2<br />
4<br />
Vidimo, da je v obeh primerih v tem frekvenčnem intervalu vedno približno 90% moči<br />
signala. Sklepamo, da to velja za poljubno razmerje τ/T 0 .<br />
♦
23<br />
A<br />
A T 2<br />
A<br />
A T 4<br />
(a) τ/T 0 = 1/2<br />
(b) τ/T 0 = 1/4<br />
Slika 1.14<br />
Moč signala s slike 1.12 na frekvenčnem intervalu, ki ga omejujeta prva prehoda S a skozi absciso<br />
1.5 Zaključek<br />
S Fourierovimi vrstami lahko opišemo pomemben razred vseh tistih periodičnih<br />
signalov, ki izpolnijo Dirichletov pogoj. Pri tem koeficiente Fourierove<br />
vrste, s katero izrazimo signal, predstavimo kot spekter signala. Poudarimo:<br />
Spekter periodičnih signalov je diskreten.<br />
Dejstvo, da je spekter periodičnih signalov diskreten, s pridom uporabljamo<br />
v razlikovanju signalov, kar bomo uvideli v nadaljnji obravnavi signalov.<br />
Poudariti moramo tudi pomen Parsevalovega izreka. Ohranitev moči signala<br />
pri njegovi predstaviti s spektrom imamo takrat in samo takrat, ko je<br />
srednji kvadratni pogrešek med njima enak nič. To, razen v posebnih primerih,<br />
ko je signal invarianten na odvajanje ali je neskončno krat odvedljiv,<br />
dosežemo le z neskončnimi Fourierovimi vrstami. Zato imajo izhodni signali<br />
pri pasivnih sistemih, ki prepuščajo le določen del spektra signala, vedno<br />
manjšo moč kot vhodni.<br />
osnutek
osnutek
2<br />
AJE MOGOČE TUDI APERIODIČNE SIGNALE izraziti s Fourierovimi<br />
vrstami Na to vprašanje lahko gledamo kot na vprašanje, kaj se<br />
zgodi s Fourierovo vrsto pri opisu periodičnega signala, ki mu narašča<br />
perioda T 0 proti neskončnosti To je v večini učbenikov razloženo z<br />
opazovanjem funkcije S a (nω 1 τ/T ).<br />
Iz zgleda 1.4.1 na strani 20 vemo, da se z večanjem razmerja T 0 /τ ne<br />
premakne prvi prehod ovojnice Sa(nω 1 τ/T 0 ) skozi časovno os, poveča se le<br />
število harmonskih komponent med prvima prehodoma skozi S a (nω 1 τ/T 0 )<br />
skozi nič. Sklepamo lahko, da se pri T → ∞ harmonske komponente zlijejo<br />
v zvezni spekter, vsota v Fourierovi vrsta pa preide v integral (slika 2.1).<br />
osnutek<br />
Harmonska <strong>analiza</strong><br />
aperiodičnih signalov<br />
2.1 Fourierova transformacija<br />
Pri aperiodičnih signalih vlogo Fourierovih vrst prevzema Fourierov integral.<br />
Ta preslika funkcijo iz originalnega prostora (v našem primeru časovnega) v<br />
frekvenčni prostor:<br />
∫ ∞<br />
<strong>harmonska</strong> <strong>analiza</strong> X(ω) =<br />
−∞<br />
x(t)e − jωt dt<br />
sinteza x(t) = 1 ∫ ∞<br />
X(ω)e jωt dω<br />
2π −∞<br />
(2.1a)<br />
(2.1b)<br />
25
26<br />
T . X( n 1 )<br />
τ/T = 1/2<br />
<br />
τ/T = 1/4<br />
τ/T = 1/16<br />
τ/T → dω<br />
T . X( n 1 )<br />
T . X( n 1 )<br />
X( )<br />
<br />
<br />
osnutek<br />
<br />
Slika 2.1<br />
Primer zlivanja diskretnega spektra pri T → ∞ v zveznega.<br />
Enačba (2.1a) definira Fourierovo transformacijo, (2.1b) pa inverzno Fourierovo<br />
transformacijo. Simbolično ju zapišemo z:<br />
X(ω) = F {x(t)} in x(t) = F −1 {X(ω)} (2.2)<br />
Za (2.1a) in (2.1b) pravimo, da določata Fourierov par. Simbolično ga označimo<br />
z<br />
F<br />
x(t) ←−−−→ X(ω) (2.3)
27<br />
OPOMBA 2.1<br />
Za argument transformiranke smo zapisali krožno frekvenco:<br />
ω = 2π f<br />
kot je uveljavljen način zapisa v teoriji signalov. S tem poudarimo obliko integracijske spremenljivke.<br />
V matematičnih učbenikih, mnogih komunikacijskih učbenikih, pa tudi učbenikih s področja<br />
obdelave signalov, za integracijsko spremenljivko upoštevajo le f . V tem primeru je definicija<br />
Fourierovega para:<br />
2.1.1 Uporaba simetrij signala<br />
pri Fourierove transformacije<br />
osnutek<br />
∫ ∞<br />
X( f ) = x(t)e − j2πt dt (2.4)<br />
−∞<br />
∫ ∞<br />
x(t) = X( f )e j2π f d f (2.5)<br />
−∞<br />
Definicija (2.5) se razlikuje od (2.1b) za faktor 2π. Zato moramo biti pri uporabi Fourierove<br />
transformacije pazljivi, pametno se je držati vedno iste definicije. Razlika med obema oblikama<br />
zapisa transformacije nastane zaradi povezave med frekvenco in krožno frekvenco:<br />
ω = 2π f → dω = d(2π f ) = 2π d f in d f = 1<br />
2π dω<br />
Priljubljenost uporabe definicij (2.4) in (2.5) izhaja iz simetričnosti zapisa. Zato mnogi (predvsem<br />
matematiki) kot kompromis med definicijami (2.1a),(2.1b) in (2.4),(2.5) uporabljajo naslednji simetrični<br />
zapis:<br />
X( f ) = √ 1 ∫ ∞<br />
2π<br />
Če za transformacijsko jedro upoštevamo Eulerov obrazec<br />
−∞<br />
e jωt = cosωt + j sinωt ,<br />
x(t)e − j2πt dt , x(t) = 1 √<br />
2π<br />
∫ ∞<br />
X( f )e j2π f dω (2.6)<br />
−∞<br />
iz katerega sledi, da je e jω vsota sodega (cosωt) in lihega (sinωt) signala,<br />
lahko (2.1a) zapišemo v obliki:<br />
∫ ∞<br />
−∞<br />
∫ ∞<br />
x(t)cosωt dt + j x(t)sinωt dt<br />
−∞<br />
kjer lahko podobno kot pri Fourierovih vrstah izkoristimo simetrije signalov.<br />
Pri realnih signalih, v naravi je večina takih, lahko z upoštevanjem simetrij<br />
vsote in produktov signalov [24] pri sodih x(t) poenostavimo izračun Fourierove<br />
transformacije v<br />
∫ ∞<br />
∫ ∞<br />
X(ω) = x(t)cosωt dt = 2 x(t)cosωt dt (2.7)<br />
−∞<br />
0
28<br />
pri lihih x(t) pa v:<br />
∫ ∞<br />
∫ ∞<br />
X(ω) = x(t)sinωt dt = j 2 x(t)sinωt dt (2.8)<br />
−∞<br />
0<br />
Ti povezavi imenujemo tudi Fourierova kosinusna in Fourierova sinusna<br />
transformacija.<br />
2.1.2 Obstoj Fourierove transformacije<br />
Fourierova transformacija obstaja seveda le za signale, za katere lahko izračunamo<br />
Fourierov integral. Takšne integrale matematiki imenujejo posplošeni<br />
integrali z argumentom ω. Zato obstoj Fourierove transformacije vežemo na<br />
obstoj posplošenega integrala vsaj v smislu Cauchyjeve glavne vrednosti 1 .<br />
To pomeni, da Fourierova transformiranka X(ω) obstaja, torej je omejena,<br />
zvezna in z |ω| → ∞ limitira k nič:<br />
če je izpolnjena neenačba:<br />
|X(ω)| <br />
∫ ∞<br />
−∞<br />
lim X(ω) = 0 ,<br />
|ω|→∞<br />
∣<br />
∣x(t)e − jωt∣ ∣ dt <br />
∫ ∞<br />
−∞<br />
|x(t)| dt ∞ . (2.10)<br />
Povedano z besedami, Fourierov integral obstaja, če je funkcija x(t) v intervalu<br />
(−∞,∞) absolutno integrabilna. Zato ne obstaja Fourierova transformacija<br />
konstant, periodičnih funkcij, eksponentnih funkcij in nekaterih polinomov.<br />
Ker so nekatere izmed teh funkcij, na primer harmonski signal cosωt<br />
in sinωt, zelo pomembne v obdelavi signalov, bomo kasneje pokazali, kako<br />
z limitnim postopkom obiti omejitev absolutne integrabilnosti (razdelek 2.5<br />
na strani 43).<br />
Katere funkcije, oziroma signali, ki so z njimi opisani, pa so absolutno<br />
integrabilne (imajo normo ‖·‖ 1 ) Iz neenakosti:<br />
∫ ∞<br />
−∞<br />
|x(t)| dt <br />
∫ ∞<br />
−∞<br />
|x(t)| 2 dt =<br />
osnutek<br />
∫ ∞<br />
−∞<br />
x(t)x ∗ (t) dt ∞ (2.11)<br />
1 Cauchyjeva glavna vrednost je povezana z definicijo posplošenega integrala funkcije, na<br />
primer f (u), ki je definirana na (odprtem) intervalu [a,b] z izjemo notranje točke c, a <br />
c b, v kateri ima f (u) neskončno limito. Če obstaja:<br />
lim<br />
ε→0<br />
[ ∫ c−ε<br />
∞<br />
∫ ∞<br />
f (u) du + f (u) du<br />
c−ε<br />
]<br />
, (2.9)<br />
potem je (2.9) glavna vrednost posplošenega integrala ali tudi Cauchyjeva glavna vrednost.<br />
Matematični priročnik [16], stran 339
29<br />
sledi, da vsi signali, ki imajo končno energijo 2 .<br />
2.1.3 Dirichletov pogoj<br />
Absolutna integrabilnost funkcij x(t) je nujen, ne pa zadosten pogoj. Funkcije<br />
x(t) morajo izpolnjevati tudi Dirichletov pogoj. Zapisali smo ga že v<br />
razdelku 1.1.1 na na strani 4. Zato tu le uskladimo zapis Fourierove transformacije<br />
z Dirichletovim pogojem. Za (2.1b) pravzaprav velja:<br />
x(t − 0) + x(t + 0)<br />
2<br />
= 1<br />
2π<br />
∫ ∞<br />
−∞<br />
X(ω)e jωt dt . (2.12)<br />
Zgornja enačba pove, da se original in inverzna transformacija slike originala izpeljava integrala (2.12)<br />
povsem ujemata nad vsemi tistimi točkami signalne osi x(t), torej točkami iz je v dodatku A na strani<br />
intervala (a,b) ⊂ T, pri katerih ima signal x(t) zvezni potek, tam velja 123<br />
x(t − 0) = x(t + 0) = x(t) ,<br />
v točkah, kjer ima funkcija x(t) (omejeno) nezveznost, pa inverzna transformacija<br />
povrne le srednjo vrednost nezveznosti. Iz tega lahko zaključimo, da<br />
tudi pri aperiodičnih signalih nastopi Gibbsov pojav.<br />
2.1.4 Gibbsov pojav<br />
Gibbsov pojav pri periodičnih funkcijah smo opisali v razdelku 1.1.3 na strani<br />
11. Od tam vemo, da je velikost prenihaja neodvisna od tega, koliko spektra<br />
upoštevamo pri rekonstrukciji originala. Razlika, ki pri tem nastane, je le<br />
v trajanju iznihavanja, amplituda prenihaja pa vedno znaša približno 8,9%<br />
velikosti nezveznosti, torej ≈ 0,089|x(t − 0) − x(t + 0)| (slika 2.1.4).<br />
2.1.5 Enota v spektru<br />
osnutek<br />
Fourierova transformacija Diracovega impulza določa enoto v spektru:<br />
∫ ∞<br />
∫ +0 +<br />
F {δ(t)} = δ(t)e jωt dt = δ(t) dt = 1 . (2.13)<br />
−∞<br />
−0 −<br />
Ker je δ(t) od nič različen le pri t = 0, kjer velja e 0 = 1, je Fourierov transformacija<br />
Diracovega impulza enaka definiciji Diracovega impulza in določa<br />
enoto v Fourierovi transformaciji. Iz (2.13) sledi, da sta δ(t) in 1 Fourierov<br />
par:<br />
F<br />
δ(t) ←−−−→ 1<br />
2 V [24] smo pri obravnavi norm pokazali, da so signal z normo ‖·‖ 1 podmnožica signalov<br />
z normo ‖·‖ 2 . Energijo signala pa določa (‖·‖ 2 ) 2 .
30<br />
osnutek<br />
Slika 2.2<br />
Gibbsov pojav pri aperiodičnih signalih. M določa mejno frekvenco, do katere upoštevamo spekter pri<br />
rekonstrukciji originalnega signala. Pove, kolikokrat je ta frekvenca večja od 1/τ, kjer je τ širina narisanega pulza.<br />
Tudi zaradi tega Diracov impulz imenujemo enotski impulz. Spekter Diracovega<br />
impulza ima konstantno vrednost – enako ena – pri vseh frekvencah.<br />
2.2 Lastnosti Fourierove transformacije<br />
Linearnost.<br />
Ker je integracija linearna operacija, je tudi Fourierova transformacija in inverzna<br />
Fourierova transformacija linearna. Zato velja v obe smeri:<br />
a 1 x 1 (t) + a 2 x 2 (t)<br />
F<br />
←−−−→ a 1 X 1 (ω) + a 2 X 2 (ω) . (2.14)
31<br />
Časovni pomik.<br />
Zakasnite signala x(t) za čas t 0 ne spremeni amplitudnega<br />
DOKAZ 2.1<br />
V Fourierovem integralu<br />
x(t −t 0 )<br />
F<br />
←−−−→ X(ω)e − jωt 0<br />
. (2.15)<br />
F { x(t −t 0 ) } ∫ ∞<br />
= x(t −t 0 )e − jωt dt . (2.16)<br />
−∞<br />
naredimo zamenjavo spremenljivke u = t −t 0 . SLedi t = u +t 0 in dt = du:<br />
F { x(t −t 0 ) } =<br />
∫ ∞<br />
−∞<br />
∫ ∞<br />
x(u)e − jω(u+t 0<br />
du<br />
= x(u)e − jωu e − jωt 0<br />
du<br />
−∞<br />
[ ∫<br />
]<br />
∞<br />
= x(u)e − jωu du e − jωt 0<br />
.<br />
Člen v oglatem oklepaju je Fourierov transform, ki določa X(ω), zato:<br />
−∞<br />
F { x(t −t 0 ) } = X(ω)e − jωt 0<br />
. □<br />
osnutek<br />
Na časovno zakasnitev (v časovno neodvisnih sistemih) lahko gledamo tudi<br />
kot na premik izhodišča merjenja časa.<br />
Skaliranje.<br />
Merilo časovne osi lahko povečamo, zmanjšamo in celo obrnemo. Tako<br />
lahko na x(at), a je poljubna realna konstanta, gledamo kot na stisnjeno<br />
obliko x(t), če je a pozitiven in manjši od ena, ali kot na časovno raztegnjeno,<br />
to je razširjeno verzijo x(t), ko je a > 1. Če je a negativen, dobimo v času<br />
obrnjeno skrčeno ali razširjeno verzijo x(t).<br />
Skaliranje časovne osi signalu x(t) ima za posledico tudi skaliranje signalovega<br />
spektra:<br />
F<br />
x(at) ←−−−→ 1 X (ω/a) . (2.17)<br />
|a|<br />
Z (2.17) smo pravzaprav formalizirali že opažene povezave med trajanjem<br />
signala in širino njegovega spektra. Opazili smo, da imajo ozki signali širok<br />
spekter, in obratno, široki signali imajo ozek spekter.
32<br />
Dualnost.<br />
Zelo uporabna lastnost v Fourierovi transformaciji je soda simetričnost amplitudnega<br />
spektra realnega signala. Ta omogoča lastnost dualnosti med časovnim<br />
in frekvenčnim svetom.<br />
Dualnost izhaja iz podobnosti integralov v Fourierovi in inverzni Fourierovi<br />
transformaciji. Velja, če sta x(t) in X(ω) Fourierov par, potem sta tudi<br />
X(t) in x(−ω) Fourierov par:<br />
Slika 2.3<br />
Dualnost enotskih impulzov .<br />
x(t)<br />
F<br />
←−−−→ X(ω) ⇒ X(t)<br />
F<br />
←−−−→ 2πx(−ω) . (2.18)<br />
Z uporabo dualnosti lahko preprosto poiščemo nove Fourierove pare. Na<br />
primer, pokazali smo, da sta Diracov impulz in enota v Frekvenčnem spektru<br />
Fourierov par: δ(t) ↔ 1. Na temelju izreka o dualnosti, nam zamenjava<br />
spremenljivk daje povezavo:<br />
1<br />
F<br />
←−−−→ 1<br />
2π δ(ω) oziroma 1 F<br />
←−−−→ δ( f ) , (2.19)<br />
kjer s simbolom δ(ω) označujemo frekvenčni Diracov impulz (slika 2.3).<br />
x( t ) = ( t)<br />
0<br />
x( t ) = 1<br />
1<br />
1<br />
t<br />
F<br />
X( )<br />
1<br />
osnutek<br />
F<br />
X( )<br />
0<br />
2<br />
<br />
0<br />
t<br />
0<br />
<br />
Frekvenčni pomik (amplitudna modulacija).<br />
Izrek o zamenjavi spremenljivk ni uporaben le pri iskanj Fourierovih parov,<br />
ampak tudi določanju novih lastnosti Fourierove transformacije. Tako je dualna<br />
časovni zakasnitvi naslednja lastnost:<br />
x(t)e jω ct<br />
F<br />
←−−−→ X(ω − ω c ) . (2.20)<br />
To lastnost imenujemo frekvenčni premik ali amplitudna modulacija. Vidimo,<br />
da ima množenje časovne funkcije z e jωct za posledico premik spektra<br />
signala za (krožno) frekvenco ω c .
Lastnost frekvenčnega pomika je temelj linearnih modulacij. Učinek frekvenčnega<br />
pomika si oglejmo na primeru signala, ki ga kaže slika 2.4. Iz<br />
33<br />
X( )<br />
X( )<br />
|X ( )<br />
|<br />
arg X( )<br />
Slika 2.4<br />
Frekvenčni premik.<br />
0 <br />
0 c c<br />
c+<br />
<br />
<br />
slike lahko zaključimo:<br />
spekter signala smo iz njegove originalne lege premaknili v okolico<br />
frekvence ω c<br />
Novi spekter ima dvojno širino realnega dela originalnega spektra. Ta<br />
nastane zato, ker se k pozitivnim frekvencam premakne tudi del pri negativnih<br />
frekvencah in seveda k negativnim frekvencam tudi pozitivni<br />
del prvotnega spektra<br />
X(ω − ω c ) ni hermitska funkcija, vendar ima simetrijo okoli ω c<br />
Frekvenco f c v modulacijskih postopkih imenujemo nosilna frekvenca.<br />
ZGLED 2.2.1 (Spekter radio-frekvenčnega (RF) pulza)<br />
Določimo spekter RF pulza (slika 2.5)a:<br />
{<br />
Acosωc t −τ/2 ≤ t ≤ τ/2<br />
x(t) = Ap τ cosω c t =<br />
0 sicer<br />
kjer p τ določa trajanje pulza.<br />
osnutek<br />
, (2.21)<br />
REŠITEV: Spekter RF pulza lahko določimo direktno s Fourierovo transformacijo signala<br />
(2.21) ali pa s pomočjo modulacijskega izreka (2.20).<br />
(i) direktno računanje<br />
∫ ∞<br />
∫ τ/2<br />
X(ω) = Ap τ cosω c t e − jωct dt = A cosω c t e − jωct dt<br />
−∞<br />
−τ/2<br />
∫ τ/2<br />
= A cosω c t (cosωt − j sinωt) dt<br />
−τ/2<br />
∫ τ/2<br />
∫ τ/<br />
= A cosω c t cosωt dt − jA cosω c t sinωt dt<br />
−τ/2<br />
−τ/2<br />
} {{ }<br />
∫<br />
(soda f.)·(liha f.) dt=0<br />
∫ τ/2 1<br />
= A<br />
−τ/2 2 [cos(ω c − ω)t + cos(ω c + ω)t] dt , (2.22)
34<br />
kjer smo upoštevali Eulerov obrazec e − jα = cosα − j sinα in adicijski izrek<br />
cosα cosβ = 1 2 cos(α + β) + 1 2<br />
cos(α − β). Po integriranju dobimo:<br />
∣<br />
∣<br />
X(ω) = A 2<br />
sin(ω c − ω)t<br />
ω c − ω<br />
od koder po znani poti izpeljemo:<br />
∣<br />
τ/2<br />
−τ/2<br />
+ A 2<br />
sin(ω c + ω)t<br />
ω c + ω<br />
∣<br />
τ/2<br />
−τ/2<br />
X(ω) = Aτ [S a (ω c − ω) + S a (ω c + ω)] . (2.23)<br />
Slika 2.5<br />
RF pulz in lastnost frekvenčnega<br />
premika.<br />
Vidimo (slika 2.5), da je spekter RF pulza zbran okoli krožne frekvence ω c , njegov<br />
potek pa je enak spektru pravokotnega pulza.<br />
A<br />
<br />
x( t)<br />
(ii) modulacijski izrek<br />
- c<br />
<br />
t<br />
X( )<br />
- c<br />
0<br />
<br />
- c<br />
c<br />
c +<br />
c+<br />
<br />
osnutek<br />
RF pulz določa pravokotni pulz p τ , ki je pomnožen s harmoničnim valoma Acosω c t.<br />
Spekter p τ je:<br />
∫ τ/2<br />
∫ τ/2<br />
X p (ω) = e − jωt dt = 2 cosωt dt = τS a (ωτ/2) .<br />
−τ/2<br />
0<br />
Upoštevamo modulacijski izrek:<br />
<br />
X(ω) = X p (ω − ω c ) ⇒ τS a (ωτ/2 − ω c )<br />
izpeljava je nedokončana ...<br />
♦<br />
Odvajanje.<br />
Tudi v obdelavi signalov je odvod pomembna matematična operacija. Če za<br />
funkcijo x(t) obstaja Fourierova transformiranka X(ω), potem velja:<br />
d<br />
dt x(t)<br />
F<br />
←−−−→ jωX(ω) (2.24)
Vidimo, da je transformiranka odvajanja v časovnem prostoru množenje<br />
v frekvenčnem prostoru. To pomeni, da s Fourierovo transformacijo prevedemo<br />
diferencialne enačbe v algebraične.<br />
Veljavnost (2.24) dokažemo z naslednjo izpeljavo:<br />
DOKAZ 2.2<br />
Če funkcija x(t) ima Fourierovo transformiranko<br />
35<br />
F { x(t) } ∫ ∞<br />
= X(ω) = x(t)e − jωt dt<br />
−∞<br />
potem za transformiranko odvoda velja:<br />
{ } 1<br />
F<br />
dt x(t) = d dt X(ω) = d ∫ ∞<br />
x(t)e − jωt dt<br />
dt −∞<br />
∫ ∞ d<br />
=<br />
−∞ dt x(t)e− jωt dt<br />
∫ b<br />
Zadnji integral v gornji enačbi rešimo po delih: a udv = u[v]b a − ∫ b<br />
a vdu. Izberemo<br />
u = e − jωt in dv = dx(t) in računamo:<br />
{ } 1<br />
F<br />
dt x(t) = e jωt[ x(t) ] ∫ ∞<br />
∞<br />
−∞ − x(t)[− jωe − jωt ] dt .<br />
−∞<br />
V primeru, ko velja lim t→−∞ x(t) = lim t→∞ x(t) = 0 od enačbe ostane:<br />
{ } ∫ 1 ∞<br />
F<br />
dt x(t) = jω x(t)e − jωt dt = jωX(ω) □<br />
−∞<br />
} {{ }<br />
osnutek<br />
=X(ω)<br />
Podobno lahko dokažemo, da za odvode x(t) višjega reda velja:<br />
{ } d<br />
n<br />
F<br />
dt n x(t) = ( jω) n X(ω) . (2.25)<br />
Integriranje.<br />
Če sta x(t) in X(ω) Fourierov par, potem sta Fourierov par tudi:<br />
∫ t<br />
−∞<br />
x(t ′ ) dt ′<br />
F<br />
←−−−→ 1 X(ω) , (2.26)<br />
jω<br />
kjer je spremenljivka t ′ bila uporabljena le zaradi jasnosti zapisa.<br />
Za večkratno integriranje velja:<br />
∫ t<br />
−∞<br />
∫ t<br />
−∞<br />
∫ t<br />
··· x(t 1 ) dt 1 dt 2 ··· dt n<br />
−∞<br />
F<br />
←−−−→ 1 X(ω) (2.27)<br />
( jω) n
36<br />
Lastnosti odvajanja in integriranja sta posebej uporabna v analizi sistemov.<br />
Iz transformiranke odvoda sledi, da odvajanje poudarja visoko frekvenčne<br />
komponente signala, iz transformiranke integracije pa, da integriranje priduši<br />
visoko frekvenčne komponente. To se ujema z rezultatom odvajanja v<br />
časovnem prostoru. Tam odvajanje signala poudari spreminjanje funkcije v<br />
času, integriranje pa spremembe gladi.<br />
2.2.1 Konvolucija<br />
Pregled lastnosti Fourierove transformacije zaključimo s Fourierovo transformacijo<br />
konvolucije. Ta konvolucijo v časovnem prostoru prevede v množe-<br />
nje v frekvenčnem prostoru, inverzna Fourierov transformacija konvolucijo v<br />
frekvenčnem prostoru prevede v množenje v časovnem prostoru:<br />
v novi reviziji se mora<br />
upoštevati zadnja verzija<br />
poglavja o sistemih!<br />
x(t) ∗ y(t)<br />
x(t)·y(t)<br />
F<br />
←−−−→ X(ω)·Y (ω) (2.28)<br />
F<br />
←−−−→ X(ω) ∗Y (ω) (2.29)<br />
Veljavnost (2.28) lahko dokažemo z naslednjo izpeljavo:<br />
DOKAZ 2.3<br />
in<br />
[<br />
∫ ∞ ∫<br />
]<br />
∞<br />
F [x(t) ∗ y(t)] = x(t ′ )y(t −t ′ ) dt ′ e −ωt dt<br />
−∞ −∞<br />
} {{ }<br />
=<br />
∫ ∞<br />
−∞<br />
osnutek<br />
konvolucijski integral<br />
[ ∫ ∞<br />
]<br />
x(t ′ ) y(t −t ′ )e − jωt dt dt ′<br />
−∞<br />
} {{ }<br />
uporabimo izrek<br />
o časovnem premiku:<br />
Y (ω)exp(− jωt ′ )<br />
∫ ∞<br />
F [x(t) ∗ y(t)] = Y (ω) x(t ′ )e − jωt′ dt ′ = X(ω)Y (ω)<br />
−∞<br />
□<br />
Ta lastnost Fourierove transformacije ima velik praktični pomen pri obravnavi<br />
sistemov, saj integriranje prevede v preprostejše množenje. Pa ne samo<br />
to, vpogled nam da v lastnosti sistemov, ki v časovnem prostoru niso tako<br />
očitne.<br />
2.2.2 Povezava časovne in frekvenčne širine signala.<br />
Pri spektru lahko definiramo širino spektra W(ω), ki je določena s prvima<br />
prehodoma spektra skozi nič - pri ω = −2π/a in pri ω = 2π/a. Širina spektra
med tema točkama je W(ω) = 4π/a. Ker je širina časovnega signala W(t) =<br />
a, velja:<br />
W(ω)W(t) = 4π oziroma W( f )W(t) = 2 (2.30)<br />
Vidimo, da je produkt frekvenčne širine in časovne širine signala konstanten.<br />
Zato ima časovno ozek signal ima širok spekter in obratno, časovno širok<br />
signal ima ozek spekter. Ta lastnost velja na splošno. Uporabljamo jo kot<br />
osnovno pri prenosu signalov.<br />
37<br />
2.3 Fourierova transformacija v limiti<br />
Uporabo Fourierovih vrst in Fourierove transformacije omejujejo Dirichletovi<br />
pogoji, ki zahtevajo, da morajo periodični signali imeti končno moč,<br />
aperiodični signali pa končno energijo. Omejitve pri moči in energiji signalov<br />
izločijo iz Fourierovega opisa mnoge signale - tako periodične kot neperiodične,<br />
ki so zelo pomembni pri obravnavi signalov, komunikacijah in tudi<br />
pri regulacijah. Mnogokrat imamo tudi hkrati opravka s periodičnimi in neperiodičnimi<br />
signali, pri katerih je frekvenčni opis štorast in neuporaben, če<br />
posebej računamo diskretne in posebej zvezne spektre.<br />
Dirichletove omejitve lahko v nekaterih primerih obidemo z razširitvijo<br />
Fourierove transformacije na na signale, ki sicer nimajo končne energije,<br />
imajo pa končno moč. Za te signale velja:<br />
osnutek<br />
lim<br />
∫<br />
1<br />
T →∞ T<br />
T |x(t)|2 dt < ∞<br />
kar pomeni, da lahko periodične signale opišemo v limitnem postopku tudi<br />
s Fourierovo transformacijo. To Fourierovo transformacijo imenujemo tudi<br />
Fourierova transformacija v limiti. S tem imenom poudarimo, da pri njenem<br />
izračunu uporabimo limitni postopek.<br />
2.3.1 Transformacija eksponentne funkcije<br />
Oglejmo si še primer transformacije eksponentne funkcije. Ker je integral<br />
eksponentne funkcije neregularen (neomejen), si pomagajmo z limitnim postopkom.<br />
Videli bomo, da ta vodi do enotskega frekvenčnega impulza.
38<br />
oziroma<br />
∫ ∞<br />
−∞<br />
∫ a<br />
e ± j2πuv dv = lim e ± j2πuv dv<br />
a→∞ −a<br />
∫ a<br />
= lim cos(2πuv) dv ± j lim<br />
a→∞ −a<br />
sin2πu·v<br />
= lim<br />
a→∞ 2πu ∣<br />
a<br />
−a<br />
a→∞<br />
∫ a<br />
sin(2πuv) dv<br />
−a<br />
} {{ }<br />
=0, sin(·) je liha funkcija<br />
= lim 2 sin(2πu·a)<br />
a<br />
a→∞ 2πu ∣a = lim 2asin2πau<br />
a→∞ 2πua<br />
= lim<br />
a→∞<br />
2aS a (2πau) = 2πδ(u) (2.31)<br />
= lim<br />
a→∞<br />
aS a (2πau) = πδ(u) . (2.32)<br />
Dokaz za (2.31) lahko izpeljemo s pomočjo izreka A.7 v dodatku A.3 na<br />
strani 126, ki pove, da je ploščina pod funkcijo S a (x) enaka π, in pri tem<br />
upoštevamo, da je lim a→∞ Sa(a) = 0. Ta rezultat ima osrednjo vlogo v integralskih<br />
transformacijah. Poglejmo zakaj. Na primer, inverzna Fourierova<br />
transformacija je definirana z:<br />
x(t) = F −1{ X(ω) } = 1 ∫ ∞<br />
[ ∫ ∞<br />
x(t ′ )e − jωt′ dt<br />
]e ′ jωt dω .<br />
2π −∞<br />
−∞<br />
osnutek<br />
Pokazati želimo, da je integral v gornji enačbi v limitnem postopku z T → ∞<br />
je enak x(t). Zaradi tega najprej spremenimo zaporedje integriranja:<br />
∫ ∞<br />
I = dt ′ x(t ′ ) 1 ∫ ∞<br />
e − jω(t′ −t) dω<br />
−∞ 2π −∞<br />
potem pa ponovimo postopek, ki je pripeljal do (2.31):<br />
∫ ∞<br />
I =<br />
=<br />
−∞<br />
∫ ∞<br />
−∞<br />
dt ′ x(t ′ ) lim<br />
T →∞<br />
1<br />
2π<br />
∫ a<br />
−a<br />
e − jω(t′ −t) dω<br />
x(t ′ ) 1<br />
2π lim T →∞ 2aS a(a(t ′ −t)) dt =<br />
∫ ∞<br />
in zaključimo z upoštevanjem definicije Diracovega impulza:<br />
∫ ∞<br />
x(t) = x(t ′ )δ(t ′ −t) dt ′ = x(t)<br />
−∞<br />
Podana izpeljava seveda velja, če je x(t) v tej točki zvezen.<br />
−∞<br />
x(t ′ ) 1<br />
2π 2πδ(t′ −t) dt
39<br />
2.3.2 Transformacija konstante, frekvenčni impulzi<br />
Ali obstaja Fourierova transformacija signala x(t) = A Ker ima signal neskončno<br />
energijo, ne izpolnjuje Dirichletovih pogojev. A zato zanj res ne<br />
obstaja Fourierova transformacija<br />
Spomnimo se lastnosti dualnosti Fourierove transformacije. Iz nje sledi,<br />
F<br />
da zaradi δ(t) ←−−−→ 1 velja tudi<br />
1<br />
F<br />
←−−−→ 2πδ(ω) = δ( f ) .<br />
To pričakovanje potrdimo z izračunom Fourierovega transformacije v limitnem<br />
postopku. V njem bomo uporabili signal, katerega Fourierov transform<br />
obstoja in ga bomo z limitnim postopkom približevali dejanskemu signalu.<br />
Na primer, primeren signal je Gaussov pulz (slika 2.6):<br />
x( t)<br />
A<br />
v limitnem<br />
postopku<br />
T 0<br />
0 t<br />
y(t) = A·e −π(t/T )2 .<br />
osnutek<br />
Slika 2.6<br />
Graf Gaussove funkcije<br />
A·e −π(t/T )2 .<br />
Najprej preverimo, če v limitnem postopku dobimo naš signal – konstanto A:<br />
x(t) = lim y(t) = lim<br />
T →∞ T A·e−π(t/T )2 = A·e 0 = A<br />
→∞<br />
nato pa še izračunamo njegov spekter:<br />
∫ ∞<br />
X(ω) = lim Y (ω) = lim<br />
T →∞ T →∞ −∞<br />
∫ ∞<br />
[<br />
]<br />
= lim<br />
−∞ T Ae−π(t/T )2 →∞<br />
} {{ }<br />
=A<br />
= 2πAδ(ω) .<br />
[<br />
Ae −π(t/T )2] e − jωt dt<br />
∫ ∞<br />
e − jωt dt = A<br />
e − jωt dt<br />
−∞<br />
} {{ }<br />
=2πδ(ω)<br />
Torej sta Fourierov par:<br />
A<br />
F<br />
←−−−→ 2πAδ(ω) . (2.33)<br />
Veljavnost (2.33) preverimo z izračunom inverzne Fourierove transformacije:<br />
F −1{ Aδ(ω) } = 1<br />
2π<br />
∫ ∞<br />
−∞<br />
2πAδ(ω)e jωt dω = A<br />
∫ ∞<br />
−∞<br />
δ(ω)e ωt dω
40<br />
kar je po definiciji Diracovega impulza enako:<br />
= Ae jω ·0 = A .<br />
Do istega rezultata lahko pridemo tudi po drugih poteh. Na primer, namesto<br />
Gaussovega pulza uporabimo pravokotni pulz dolžine T in višine A. Iz<br />
njega v limitnem postopku, ko povečamo interval T čez vse meje, dobimo<br />
signal x(t) = A. Spekter pravokotnega pulza X T (ω) je enak:<br />
∫ T /2<br />
X T (ω) =<br />
= A<br />
−T /2<br />
∫ T /2<br />
−T /2<br />
= A sinωt<br />
ω<br />
Ae − jωt dt<br />
∫ T /2<br />
cosωt dt + jA sinωt dt<br />
−T /2<br />
} {{ }<br />
∣<br />
T /2<br />
−T /2<br />
=0<br />
= AT S a (ωT /2)<br />
iz njega pa v limitnem postopku s T → ∞ dobimo:<br />
osnutek<br />
X(ω) = lim<br />
T →∞ AT S a(ωT /2) = 2πAδ(ω) .<br />
Vidimo, da ni pomembna oblika aproksimacije konstante. Mora samo imeti<br />
Fourierovo transformacijo, katero lahko v limitnem postopku prevedemo v<br />
Fourierovo transformacijo konstante.<br />
2.3.3 Fourierov transform harmonskega signala<br />
Tako, kot smo ugotovili, da ima signal x(t) = A spekter X(ω) = 2πAδ(ω),<br />
lahko iz poznavanja Fourierovih vrst sklepamo, da ima harmonski signal s<br />
krožno frekvenco ω 1 in amplitudo A (kompleksni) spekter sestavljen iz frekvenčnih<br />
impulzov pri krožnih frekvencah −ω 1 in +ω 1 :<br />
Acosω c t<br />
F<br />
←−−−→ πAδ(ω − ω c ) + πAδ(ω + ω c ) . (2.34)
41<br />
DOKAZ 2.4<br />
in<br />
F { Acosω c t } ∫ a<br />
= lim Acosω c te − jωt dt ,<br />
a→∞ −a<br />
[ ∫ a<br />
= A lim<br />
a→∞ −a<br />
= A lim<br />
a→∞<br />
∫ a<br />
= A [<br />
lim<br />
2<br />
−a<br />
a→∞ aS a<br />
∫ a<br />
Acosω c t cosωt dt +<br />
Acosω c t sinωt dt<br />
−a<br />
} {{ }<br />
=0<br />
1<br />
2 [cos(ω − ω c) dt + cos(ω + ω c ) dt]<br />
(<br />
(ω − ωc )a ) (<br />
+ lim aS a (ω + ωc )a )]<br />
a→∞<br />
F { Acosω c t } = πAδ(ω − ω c ) + πAδ(ω + ω c )<br />
Iz (2.34) sledi, da je zvezni spekter harmoničnega signala (sinusoide ali kosinusoide)<br />
par frekvenčnih impulzov uteženih z amplitudo signala. Do enakega<br />
rezultata pridemo tudi z opisom harmoničnega signala s Fourierovo vrsto. Ta<br />
ima le dva člena, ki določata harmonski komponenti - spektralni liniji - pri<br />
krožnih frekvencah ω − ω c in ω + ω c z iznosom enakim A.<br />
2.3.4 Fourierova transformacija močnostnih signalov<br />
osnutek<br />
Iz primerov ki so opisani v razdelkih 2.3.4, 2.3.4 in 2.3.4, lahko zaključimo,<br />
da Fourierova transformacija obstaja tudi za močnostne signale. Izračunamo<br />
jo lahko (le) s Fourierovo transformacijo z limitnim postopkom.<br />
]<br />
□<br />
2.4 Parsevalov stavek<br />
Energijo signala<br />
∫ ∞<br />
E x = |x(t)| 2 dt < ∞ (2.35)<br />
−∞<br />
lahko izračunamo za amplitudno omejene prehodne ali neprehodne aperiodične<br />
signale. Slednji se morajo, ko t narašča preko vseh meja, asimptotsko<br />
približevati k ničli. Če en x(t) v (2.35) izrazimo z inverzno Fourierovo transformacijo<br />
njegovega spektra:<br />
x(t) = 1 ∫ ∞<br />
X(ω)e jωt dω ,<br />
2π −∞
42<br />
lahko (2.35) preoblikujemo v:<br />
∫ ∞<br />
[ ∫ 1 ∞<br />
]<br />
E x = x(t) X(ω)e jωt dω dt<br />
−∞ 2π −∞<br />
in ker je integriranje linearna operacija, lahko zamenjamo zaporedje integriranja:<br />
∫ ∞<br />
[ ∫ 1 ∞<br />
]<br />
E x = X(ω) x(t)e jωt dt dω .<br />
−∞ 2π −∞<br />
Oglati oklepaj vsebuje definicijo Fourierove transformacije. To uvidimo, če<br />
zamenjamo ω z −ω:<br />
X(−ω) =<br />
Torej je energija signala enaka:<br />
E x = 1<br />
2π<br />
∫ ∞<br />
−∞<br />
∫ ∞<br />
−∞<br />
x(t)e − jωt dt .<br />
X(ω)X(−ω) dω . (2.36)<br />
Signala X(ω) in X(−ω) sta kompleksna. Njuna medsebojno povezavo vidimo<br />
iz definicije Fourierove transformacije, v kateri upoštevamo Eulerov<br />
obrazec e ± jωt = cosωt ± j sinωt:<br />
∫ ∞<br />
X(±X) =<br />
=<br />
−∞<br />
∫ ∞<br />
−∞<br />
x(t)e ∓ jωt dt<br />
osnutek<br />
x(t)cosωt dt ∓ j<br />
= A(ω) ∓ jB(ω)<br />
∫ ∞<br />
−∞<br />
x(t)sinω dt<br />
od koder vidimo, da je X ∗ (ω) = X(−ω). Zato lahko (2.36) izpeljemo v:<br />
∫ ∞<br />
E x =<br />
= 1<br />
2π<br />
|x(t)| 2 dt = 1<br />
2π<br />
−∞<br />
∫ ∞<br />
−∞<br />
∫ ∞<br />
−∞<br />
X(ω)X ∗ (ω) dω<br />
|X(ω)| 2 dω . (2.37)<br />
Obrazec (2.37) imenujemo Parsevalov stavek za aperiodične signale, za katere<br />
obstaja Fourierova transformacija.
43<br />
2.5 Gostota energijskega spektra<br />
Trenutno moč v časovnem prostoru smo izrazili s p x = |x(t)| in jo v obrazcu<br />
za izračun energije predstavili kot gostoto energije v trenutku t. Podobno<br />
lahko energijo<br />
|X(ω)| 2 dω<br />
predstavlja infinitezimalno energijo pri frekvenci ω in je zato za |X(ω)| 2<br />
upravičeno ime gostota energijskega spektra.<br />
2.6 Fourierova transformacija avtokorelacije<br />
Avtokorelacijo signala x(t) smo označili z r xx (τ) in jo definirali z:<br />
r xx (τ) =<br />
∫ ∞<br />
−∞<br />
x(t)x(t + τ) dt .<br />
Pri premiku τ = 0 z avtokorelacijo izračunamo energijo signala<br />
E x = r xx (0) =<br />
∫ ∞<br />
−∞<br />
x(t)x(t + 0) dt =<br />
Z upoštevanjem Parsevalovega stavka dobimo:<br />
kjer je<br />
E x = r xx (0) = 1<br />
2π<br />
= 1<br />
2π<br />
∫ ∞<br />
∫ ∞<br />
−∞<br />
x(t) 2 dt .<br />
osnutek<br />
−∞<br />
∫ ∞<br />
−∞<br />
X(ω)X ∗ (ω) dω<br />
R(ω) dω , (2.38)<br />
R(ω) = |X(ω)| 2 (2.39)<br />
gostota energijskega spektra. Z upoštevanjem lastnosti pomika v Fourierovi<br />
transformaciji lahko zapišemo:<br />
r xx (0 + τ) = r xx (τ) = 1<br />
2π<br />
∫ ∞<br />
Vidimo, da sta r xx (τ) in R(ω) Fourierov par:<br />
r xx (τ)<br />
−∞<br />
F<br />
←−−−→ R(ω) ,<br />
R xx (ω)e jωτ dω<br />
(2.40a)<br />
zato tudi velja<br />
∫ ∞<br />
R xx (ω) = r xx (τ)e − jωτ dτ<br />
(2.40b)<br />
−∞<br />
Obrazca (2.40) definirata Fourierovo transformacijo oziroma inverzno Fourierovo<br />
transformacijo avtokorelacije energijskega signala.
44<br />
ZGLED 2.6.1 (Gostota energijskega spektra)<br />
Kakšen potek ima funkcija porazdelitve gostote energijskega spektra pravokotnega<br />
pulza višine A nad intervalom (−T /2,T /2)<br />
REŠITEV: Spekter x(t) izračunamo s Fourierovo transformacijo, v kateri upoštevamo<br />
sodo simetričnost pulza:<br />
x( t)<br />
A<br />
-T T<br />
∫ T /2<br />
X(ω) = Acosωt dt = AT S a (2π/T ) .<br />
0<br />
Funkcijo porazdelitve gostote določa (2.40):<br />
Oba spektra sta prikazana na sliki 2.7.<br />
t<br />
R xx (ω) = |X(ω)| 2 = A 2 T 2 S 2 a(2π/T )<br />
AT<br />
2 2<br />
A T<br />
osnutek<br />
-4<br />
-2<br />
2<br />
4<br />
6<br />
T T T T T<br />
<br />
♦<br />
Slika 2.7<br />
Spekter pravokotnega signala in potek gostote energijskega spektra.
45<br />
2.7 Gostota močnostnega spektra<br />
Močnostni signali so signali z neskončno energijo in končno močjo. Njihova<br />
povprečna moč je:<br />
P x = lim<br />
T →∞ T<br />
∫<br />
1 T /2<br />
|x(t)| 2 dt < ∞ .<br />
−T /2<br />
Primeri determinističnih močnostnih signalov so periodične funkcije, konstantni<br />
signal, enotska stopnica, signum funkcija in podobno. Problem močnostnih<br />
signalov je neskončna energija, zato zanje lahko izračunamo Fourierovo<br />
transformacijo le z limitnim postopkom. V takih primerih si lahko<br />
pomagamo z množenjem signala s pravokotnim pulzom višine 1 in trajanjem<br />
na primer 2T .<br />
x T = x(t)·p(t/2T ) (2.41)<br />
= x(t) , −T t T .<br />
Z njim izsekamo iz signala del s končno dolžino (slika 2.8). Takšni signali<br />
xt<br />
rect( t/2 T)<br />
T<br />
xt 0<br />
rect( t/2 T)<br />
t<br />
osnutek<br />
T<br />
t<br />
Slika 2.8<br />
Primer odrezave signala.<br />
T<br />
T<br />
t<br />
izpolnjujejo Dirichletov pogoj, zato zanje obstaja Fourierova transformacija.<br />
Zato zanj z upoštevanjem Parsevalovega stavka lahko zapišemo:<br />
P x = 1<br />
2T<br />
= 1<br />
2π<br />
∫ ∞<br />
−∞<br />
∫ ∞<br />
−∞<br />
|x(t)p(t/2T )| 2 dt = 1<br />
2T<br />
|X 2T (ω)| 2 dω .<br />
∫ ∞<br />
−∞<br />
|x 2T (t)| 2 dt
46<br />
V limitnem postopku potem večamo T preko vseh meja:<br />
oziroma<br />
P x = lim<br />
1<br />
∫ ∞<br />
T →∞ 2T −∞<br />
∫ ∞<br />
= lim<br />
T →∞<br />
1<br />
2π<br />
−∞<br />
|x 2T (t)| 2 dt (2.42)<br />
|X 2T (ω)| 2 dω (2.43)<br />
= 1 ∫ ∞<br />
|X(ω)| 2 dω . (2.44)<br />
2π −∞<br />
Energija signala, ki ju določa integral v (2.42) je sorazmerna 2T . To pomeni,<br />
da je končna, dokler je T končen, ko pa T večamo preko vseh mej, tudi<br />
energija narašča proti neskončnosti. Da pri tem ostane moč končna, mora<br />
energija naraščati v istem razmerju kot narašča T .<br />
Če moč izrazimo z avtokorelacijo, velja<br />
P x = r xx (0) ,<br />
je Fourierova transformacija te avtokorelacije:<br />
R xx (0) =<br />
∫ ∞<br />
−∞<br />
r xx (0)e − jωt dt . (2.45)<br />
osnutek<br />
Ker je r xx (ω) soda funkcija, lahko moč signala računamo tudi z:<br />
P x = 1 π<br />
∫ ∞<br />
0<br />
R xx (ω) dω . (2.46)
V poglavjih Fourierove vrste in Fourierova transformacija smo opisali njihovo<br />
uporabo pri harmonski analizi zveznih periodičnih in aperiodičnih signalov.<br />
Poleg teh signalov obstaja pomembna družina časovno diskretnih<br />
signalov in zaporedij podatkov. Tudi te delimo na periodične in aperiodične<br />
in za njih prav tako obstaja <strong>harmonska</strong> <strong>analiza</strong>.<br />
Sodobna obdelava signalov temelji na digitalni obdelavi signalov, ki jo izvajajo<br />
splošni računalniki ali namenske naprave zgrajene na osnovi digitalnih<br />
signalnih procesorjev. Algoritmi, ki jih le-ti lahko vršijo, lahko povezujejo<br />
le podatke. V primeru harmonske analize časovno zaporedje z zaporedjem v<br />
frekvenčnem prostoru.<br />
Pomen digitalne obdelave signalov je tolikšen, da so razvite tehnike in<br />
metode pretvorbe analognih signalov v digitalne oziroma v zaporedje podatkov<br />
tako, da je iz njih mogoča poljubno natančna povrnitev originalnega<br />
signala analognega signala. Zato je v naslednjih razdelkih poleg harmonske<br />
analize zaporedij opisan postopek pretvarjanja zveznih signalov v zaporedja<br />
in obratno.<br />
osnutek<br />
3<br />
Harmonska<br />
<strong>analiza</strong> zaporedij<br />
3.1 Vzorčenje signalov<br />
Vzorčenje analognih signalov da časovno diskretni signal. Princip vzorčenja,<br />
ki je opisan v [23], dopolnjujemo s prikazom spektrov in izpeljavo Shannonovega<br />
pravila.<br />
47
48<br />
3.1.1 Idealno vzorčenje<br />
Z vzorčenjem v izbranih trenutkih izmerimo vrednost analognega signala. To<br />
izmero imenujemo otipek. Pri idealnem vzorčenju se v enakomernih časovnih<br />
intervalih otipa signal. Vrši ga množenje analognega signala z vlakom<br />
Diracovih impulzov (slika 3.1).<br />
v( t)<br />
v( nT s ) = v( t)<br />
( tnT s) , n = ( oo , oo )<br />
v[ n]<br />
( tnT s )<br />
v( t) ( t)<br />
v( nT s )<br />
v[ n]<br />
Slika 3.1<br />
Postopek idealnega vzorčenja.<br />
t t<br />
t n<br />
3.1.2 Spekter vzorca signala<br />
Predpostavimo, da je spekter analognega signal frekvenčno omejen in oblike,<br />
ki jo kaže slika 3.2. Iz obravnave periodičnih signalov pa vemo, da je spekter<br />
vlaka Diracovih impulzov ∆(ω) tak kot ga kaže slika 3.2. Kakšen pa je<br />
spekter vzorca signala Vzorec signala dobimo iz produkta dveh časovnih<br />
funkcij. Prva opisuje analogni signal, druga pa vlak Diracovih impulzov.<br />
Vemo, da spekter izračunamo s Fourierovo transformacijo. Izpeljali ga bomo<br />
v naslednjem poglavju. Tukaj pa se omejujemo le na uporabo znanih lastnosti<br />
Fourierove transformacije. Vemo, da Fourierova transformacija produkta<br />
v časovnem prostoru da konvolucijo spektrov v frekvenčnem prostoru:<br />
osnutek<br />
v(t)·<br />
∞<br />
∑<br />
k=−∞<br />
δ(t − nT s )<br />
F<br />
←−−−→ V (ω) ∗<br />
∞<br />
∑<br />
m=−∞<br />
∆(ω − mω s ) , (3.1)<br />
kjer je ω s = 2π/T s osnovna frekvenca vlaka Diracovih impulzov. Desna stran<br />
(3.1) določa konvolucijo aperiodičnega in periodičnega signala:<br />
X(ω) = V (ω) ∗ ∆(ω − mω s ) =<br />
∫ ∞<br />
−∞<br />
δ(ω − mω s )V (ξ − ω) dω . (3.2)<br />
Vidimo, da postopek računanja (3.2) obsega frekvenčni premik za ξ , obrat<br />
frekvenčne osi pri V (ω) okoli ordinate. Iz definicije Diracovega impulza,
49<br />
v( t)<br />
|V ( )<br />
|<br />
0<br />
t<br />
m 0 m <br />
( tnT s )<br />
( m<br />
s )<br />
0<br />
t<br />
s s s<br />
T s 1 2<br />
s<br />
T s<br />
Slika 3.2<br />
Opazovani signal in njegov spekter (zgoraj) ter neskončno zaporedje Diracovih impulzov in njihov spekter (spodaj).<br />
ponovimo:<br />
sledi<br />
δ(t) =<br />
∫ ∞<br />
−∞<br />
x(t)δ(t − nT ) dt = x(nT ) , (3.3)<br />
X(ω) = V (ω − nω s ) , n ∈ (−∞,∞) . (3.4)<br />
osnutek<br />
Pomen (3.3) in (3.4) podaja grafični prikaz računanja konvolucije na sliki 3.3.<br />
Iz prikaza na sliki 3.3 vidimo, da je spekter produkta analognega signal<br />
in vlaka Diracovih impulzov periodično se ponavljajoči spekter analognega<br />
signala. Vidimo tudi, da je periodično ponavljanje posledica ∆(ω), ki je<br />
periodičen s periodo ω s . S to periodo se tudi ponavlja spekter V (ω).<br />
<br />
3.1.3 Tipalno razmerje<br />
Iz (3.4) in prikaza konstrukcije spektra signala v(nT s ) sledi, da se spekter<br />
V (ω) ponavlja v ritmu ω s – krožne frekvence ponavljanja Diracovih impulzov.<br />
Rezultirajoči spekter X(ω) = V (ω) ∗ ∆(ω − mω s ) je pri tem odvisen<br />
od razmerja med ω m in ω s . Trije značilni primeri tega razmerja so prikazani<br />
na slikah 3.4. Iz slike 3.4 vidimo, da se periodično ponavljajoči se spektri<br />
analognega signala ne prekrivajo, če je ritem otipavanja vsaj dvakrat večji od<br />
mejne frekvence analognega signala. Iz prikaza spektrov vzorca signala na<br />
sliki 3.4 lahko postavimo naslednji temeljni izrek vzorčenja signalov:
50<br />
V( )<br />
V( )<br />
Slika 3.3<br />
Prikaz računanja konvolucije<br />
(3.1) in (3.2).<br />
m m <br />
m 0 m m <br />
m 0<br />
m 0 m m <br />
<br />
( )<br />
X( )<br />
m<br />
m<br />
m<br />
osnutek<br />
m<br />
m<br />
0<br />
0<br />
0<br />
0<br />
0<br />
m<br />
m<br />
m<br />
m<br />
m<br />
<br />
<br />
m<br />
m<br />
m<br />
<br />
m<br />
<br />
m<br />
<br />
<br />
<br />
<br />
<br />
m 0 m m <br />
DEFINICIJA 3.1.1 (Shannonov izrek)<br />
Da periodično ponavljanje spektra analognega signala, ki ga povzroči vzorčenje, ne<br />
spremeni njegove začetne oblike, je nujen in zadosten pogoj, da velja neenačba:<br />
f s ≥ 2 f m oziroma ω s ≥ 2ω m , (3.5)<br />
kjer sta f s frekvenca vzorčenja (otipavanja) analognega signala in f m mejna frekvenca<br />
analognega signala oziroma ω m in ω s ustrezni kotni hitrosti: ω s = 2π f s in ω m = 2π f m .
51<br />
a<br />
|V ( )<br />
|<br />
m<br />
0<br />
m<br />
<br />
b<br />
n<br />
s<br />
m<br />
0<br />
m<br />
s<br />
s<br />
<br />
c<br />
d<br />
e<br />
s<br />
m<br />
m<br />
0<br />
|X ( )<br />
| = | V( ) n |<br />
m<br />
|X ( )<br />
| = | V( ) n |<br />
m<br />
s<br />
s<br />
<br />
0<br />
s<br />
<br />
|X ( )<br />
| = | V( ) n |<br />
0 s s<br />
<br />
s<br />
s m m<br />
obmoèje prekrivanja (aliasing)<br />
s<br />
s<br />
osnutek<br />
<br />
Slika 3.4<br />
Prikaz nastanka spektra vzorca<br />
signala;<br />
a: spekter signala,<br />
b: spekter neskončnega vlaka<br />
Diracovih impulzov,<br />
c: spekter vzorca pri ω s > 2ω m .<br />
d: spekter vzorca pri<br />
ω s = 2ω m . e: spekter vzorca<br />
pri ω s < 2ω m .<br />
Frekvenco f s = 2 f m imenujemo tudi Nyquistova frekvenca.<br />
3.1.4 Rekonstrukcija zveznega signala<br />
Časovni potek zveznega, determinističnega signala je povsem določen z inverzno<br />
Fourierovo transformacijo njegovega spektra. Če pri vzorčenju spoštujemo<br />
Shannonovo pravilo, potem lahko iz spektra vzorca izrežemo osnovni<br />
spekter med −ω m in ω m , ki pripada analognemu signalu. Iz njega lahko z inverzno<br />
Fourierovo transformacijo rekonstruiramo originalni signal (slika 3.5).<br />
Osnovni spekter izrežemo z idealnim nizkim sitom z mejno frekvenco ω m .<br />
Tako sito imenujemo tudi pravokotno frekvenčno okno in ga označimo z Π m .
52<br />
Slika 3.5<br />
Spekter vzorca signala.<br />
|X ( )<br />
| = | V( ) n |<br />
s<br />
m<br />
0<br />
m<br />
|V ( )<br />
| = | X( )| | |<br />
| |<br />
0 | |<br />
1, m<br />
m =<br />
, m<br />
s<br />
m<br />
s<br />
<br />
Zanj velja:<br />
s<br />
m<br />
Π m =<br />
0<br />
m<br />
{<br />
1 ω ≤ |ωm |<br />
0 drugje<br />
s<br />
s<br />
osnutek<br />
<br />
(3.6)<br />
Inverzna transformacija izrezanega dela spektra - ta je enak spektru zveznega<br />
signala - je določena z:<br />
v(t) = 1<br />
2π<br />
∫ ∞<br />
−∞<br />
Izrazimo pravokotno okno Π m z mejami integriranja:<br />
v(t) = 1<br />
2π<br />
= 1<br />
2π<br />
∫ ωm<br />
X(ω) Π m e jωt dω (3.7)<br />
−ω m<br />
X(ω)e jωt dω<br />
∫ ∞<br />
−∞<br />
V (ω)e jωt dω .<br />
(3.8)<br />
Iz (3.8) sledi, da lahko zvezno funkcijo v(t) povsem natančno rekonstruiramo<br />
iz njenega vzorca:<br />
(i) če poznamo zaporedje v[n], ki določajo vzorec signala,<br />
(ii) če je signal v(t) frekvenčno omejen<br />
(iii) če je vzorčenje bilo izvedeno v skladu s Shannonovim teoremom.<br />
OPOMBA 3.2 Zahtevo, da ima signal končno mejno frekvenco, izpolnijo samo neprehodni signali<br />
(signali z neskončnim trajanjem). Med njimi so na primer periodični signali. Pri vseh ostalih<br />
signalih, torej prehodnih signalih, z odrezom spektra na izbrano mejno frekvenco, ne moremo več<br />
natančno rekonstruirati originalni signal ampak lahko ga določimo le približno. Velikost pogreška,<br />
ki pri tem nastane, opisujemo v razdelku 3.2 na strani 56.
53<br />
3.1.5 Shannonova interpolacijska formula<br />
Signal lahko iz vzorca rekonstruiramo tudi direktno, brez inverzne Fourierove<br />
transformacije. To nam omogoča Shannonova interpolacijska formula:<br />
v(t) =<br />
∞<br />
∑<br />
n=−∞<br />
v[n]S a [ω m (t − nT s )] . (3.9)<br />
Iz (3.9) sledi, da je Shannonova interpolacijska formula konvolucija otipkov<br />
s funkcijo S a (ω m ). Rekonstrukcijo signala v(t) iz znanih vzorcev v[n] s Shannonovo<br />
interpolacijsko formulo kaže slika 3.6.<br />
v( t)<br />
T s<br />
T s<br />
T s T s T s T s<br />
v( Ts<br />
) Sa [ m ( t T )]<br />
v(2 Ts<br />
) Sa [ m ( t <br />
s<br />
2 Ts<br />
)]<br />
t<br />
Slika 3.6<br />
Rekonstrukcija analognega signala s<br />
Shannonovo interpolacijsko formulo.<br />
Veljavnost Shannonove interpolacijske formule lahko uvidimo iz križne<br />
simetrije Fourierove transformacije (slika 3.7). Iz nje sledi, da je inverx(<br />
t)<br />
X( t)<br />
X( )<br />
osnutek<br />
x( )<br />
Slika 3.7<br />
Križna simetrija signalov in njihovih spektrov.<br />
zna Fourierova transformacija idealnega nizkega sita funkcija S a (•), vemo<br />
pa tudi, da je inverzna Fourierova transformacija množenja konvolucija.<br />
To intuitivno ugotovitev dopolnimo z dokazom. V njem upoštevajmo, da<br />
je spekter vzorca periodično ponavljanje spektra originalnega signala. Zato<br />
ga lahko opišemo s periodično funkcijo, katere perioda je enaka ω s , to funkcijo<br />
pa izrazimo s Fourierovo vrsto. Spekter te funkcije ima komponente v<br />
točkah:<br />
n 2π = n 2π = n<br />
2π = nT s , (3.10)<br />
ω s 2π f s 2π/T s<br />
torej so natančno tam, kjer se nahajajo otipki vzorca x(nT s ). Zato je od spektra,<br />
ki ga določa ta Fourierova vrsta, pa do originalnega signala, le korak.<br />
Da bomo lahko preprosto razlikovali periodične funkcije od ostalih, vpeljemo<br />
naslednje nove oznake:
54<br />
x p<br />
X p<br />
periodični signal oziroma funkcija, ki opisuje potek spektra vzorca<br />
spekter periodične funkcije x p<br />
DOKAZ 3.1 (Shannonov interpolacijski obrazec)<br />
Periodično funkcijo, ki opisuje spekter vzorca originalnega signala, izrazimo s kompleksno<br />
Fourierovo vrsto:<br />
x p (ω) =<br />
∞<br />
∑<br />
n=−∞<br />
X p (nT s )e jnT sω , (3.11)<br />
kateri je Fourierov par spekter X p (nT s ). Funkcija X p (nT s ) je določena z obrazcem za<br />
izračun kompleksnega Fourierovega koeficienta:<br />
X p (nT s ) = 1<br />
2ω m<br />
∫ ωm<br />
OPOMBA 3.3 Tu smo opustili običajno gledanje, da je signal v časovna funkcija, spekter pa<br />
frekvenčna. Na (3.11) in (3.12) gledamo kot na dve funkciji, od katerih je ena periodična, druga<br />
pa je njen Fourierov par.<br />
V mnogih učbenikih to razložijo z zamenjavo signalih osi (na primer v [17]). Ker želimo<br />
pokazati, da je ”spekter” funkcije, ki opisuje spekter vzorca enak vzorcu, se bomo temu izognili<br />
in dokaz izpeljali po direktni, krajši poti.<br />
−ω m<br />
x p (ω) e − jnT sω dω . (3.12)<br />
Zapišimo sedaj enačbo (3.8), s katero smo določili originalni signal iz spektra vzorca,<br />
tako, da je določena v trenutkih t = −nT s :<br />
v(−nT s ) = 1 ∫ ωm<br />
V (ω) e jω(−nTs) dω<br />
2π −ω m<br />
= 1 ∫ ωm<br />
V (ω) e − jnTsω dω . (3.13)<br />
2π −ω m<br />
osnutek<br />
Primerjava (3.12) in (3.13) pove, da se ti enačbi ujemata do multiplikativne konstante<br />
natančno:<br />
∫<br />
1 ωm<br />
V (ω) e − jnTsω dt<br />
X p (nT s )<br />
v(−nT s ) = 2ω m −ω<br />
∫ m<br />
1 ωm<br />
x p (ω) e − jnT = π<br />
st ω<br />
dt m<br />
2π −ω m<br />
oziroma:<br />
X p (nT s ) = π ω m<br />
v(−nT s ) (3.14)<br />
Povezavo v (3.14) izkoristimo pri določitvi funkcije x p (ω). Vstavimo jo v (3.11) in dobimo:<br />
x p (ω) =<br />
∞<br />
∑<br />
n=−∞<br />
X p (nT s ) e jnT sω =<br />
= π ∞<br />
ω m<br />
∑ v(−nT s ) e jnT sω<br />
n=−∞<br />
∞<br />
∑<br />
n=−∞<br />
π<br />
v(−nT s ) e jnT sω<br />
ω m<br />
(3.15)
55<br />
Spomnimo se, da x p (ω) opisuje periodično ponavljanje spektra V (ω). To pomeni, da<br />
se funkcija x p (ω) in spekter V (ω) na intervalu (−ω m ,ω m ) povsem ujemata. Zato<br />
lahko V (ω) v (3.8) nadomestimo z x p (ω) oziroma z desno stranjo (3.15). Dobimo:<br />
v(t) = 1 ∫ ωm<br />
2π<br />
= 1<br />
2π<br />
V (ω) e jωt dω = 1<br />
−ω m 2π<br />
(<br />
π ∞∑<br />
ω m<br />
∫ ωm<br />
−ω m<br />
n=−∞<br />
∫ ωm<br />
v(−nT s ) e jnT sω<br />
x p (ω) e jωt dω<br />
−ω m<br />
)<br />
e jωt dω ,<br />
pokrajšamo konstante ter zamenjamo vrstni red integriranja in seštevanja:<br />
v(t) =<br />
∞<br />
∑<br />
n=−∞<br />
uredmo eksponente ter integriramo:<br />
v(t) =<br />
=<br />
=<br />
∞<br />
∑<br />
n=−∞<br />
∞<br />
∑<br />
n=−∞<br />
∞<br />
∑<br />
n=−∞<br />
uporabimo še oznako S a za sin(·)/(·):<br />
v(t) =<br />
∞<br />
∑<br />
n=−∞<br />
v(−nT s ) 1 ∫ ωm<br />
e jnTsω e jnωt dω<br />
2ω m<br />
−ω m<br />
(<br />
)<br />
v(−nT s ) 1 e jω m(t+T s )<br />
2ω m j(t + T s ) − e− jω m(t+T s )<br />
j(t + T s )<br />
(<br />
)<br />
1 e jω m(t+T s ) − e − jω m(t+T s )<br />
v(−nT s )<br />
ω m (t + T s ) j2<br />
v(−nT s ) sin[ jω(t + nT s ) ]<br />
ω m (t + nT s )2<br />
osnutek<br />
v(−nT s ) S a<br />
[<br />
ωm (t + nT s ) ]<br />
in zamenjamo (−nT s ) z (+nT s ):<br />
v(t) =<br />
∞<br />
∑<br />
n=−∞<br />
v(nT s ) S a [ω m (t − nT s )] , (3.16)<br />
kar je že znana Shannonova interpolacijska formula.<br />
□<br />
Iz izpeljave v dokazu sledi tudi že znana ugotovitev: Zvezni signal je<br />
povsem določen, če poznamo njegov vzorec v diskretnih trenutkih nT s ; n =<br />
0 ± 1,±2,...,. Ker je funkcija v(nT s ) soda, torej v(nT s ) = v(−nT s ), je že<br />
popolnoma znana, če poznamo njen vzorec pri ne negativnih časih.
56<br />
3.2 Pogreški pri končnih vzorcih<br />
Shannonovo interpolacijsko formulo smo izpeljali za frekvenčno omejen signal.<br />
Vemo, da frekvenčno omejeni signali imajo neskončni časovni obseg,<br />
in obratno, časovno omejeni signali imajo neskončni frekvenčni obseg.<br />
Pri praktični uporabi Shannonove interpolacijske formule smo omejeni na<br />
končne vzorce, saj drugače ne moremo končati računanja. Posledica tega je,<br />
da se rekonstrukcija frekvenčno omejenega signala razlikuje od originala za<br />
nek pogrešek, imenujemo ga e N .<br />
Število otipkov v vzorcu, ki jih upoštevamo pri rekonstrukciji analognega<br />
signala bodi ”N + 1, približek označimo z v N (t). Iz (3.9) izračunamo:<br />
in<br />
v N (t) =<br />
N<br />
∑<br />
n=−N<br />
v N (nT s )S a [ω m (t − nT s )] (3.17)<br />
e N = v(t) − v N (t) (3.18)<br />
Zlahka uvidimo, da se (3.17) in (3.17) razlikujeta le v členih, ki jih (3.17)<br />
nima, zato velja:<br />
e N = ∑ v(nT s ) S a [ω m (t − nT s )] . (3.19)<br />
n>N<br />
Energija pogreška, označimo jo z E N je enaka:<br />
E N =<br />
=<br />
∫ ∞<br />
−∞<br />
∫ ∞<br />
−∞<br />
osnutek<br />
|v(nT s ) − v N (t)| dt<br />
|S a [ω m (t − nT s )]| dt (3.20)<br />
Z upoštevanjem ortonormalnosti S a (•) izračunamo energijo pogreška:<br />
E N = T s ∑ |v(nT s )| 2 . (3.21)<br />
n>N<br />
oziroma<br />
e N √ 2 f m E N , f m = ω m<br />
2π<br />
3.3 Diskretna Fourierova vrsta<br />
. (3.22)<br />
Posledica vzorčenja je – kot smo spoznali v prejšnjem razdelku – periodično<br />
ponavljanje spektra signala v ritmu frekvence vzorčenja f s oziroma krožne
frekvence vzorčenja ω s . Čeprav smo opis (zaradi nazornosti prikaza) temeljili<br />
na vzorčenju frekvenčno omejenega aperiodičnega signala, vsa spoznanja<br />
– posebej Shannonovo pravilo – veljajo na splošno. Na primer, vzorčenje<br />
periodičnega signala, pri katerem se spoštuje Shannonovo pravilo ω s = 2ω m ,<br />
rodi časovno diskretni signal (zaporedje otipkov), katerih značilnost je periodično<br />
ponavljajoči se (zaradi vzorčenja!) diskretni spekter (zaradi periodičnosti!)<br />
originalnega signala (slika 3.8).<br />
57<br />
x( t)<br />
0<br />
vzorèenje<br />
x[ n]<br />
0<br />
T 0 <br />
<br />
<br />
osnutek<br />
2T 0<br />
T 0 <br />
2T 0<br />
<br />
t<br />
t<br />
s<br />
Slika 3.8<br />
Spekter vzorca periodičnega signala. Pri vzorčenju se upošteva ω s = 2ω 0 .<br />
.<br />
m<br />
m<br />
|X m ] |<br />
|X m ] |<br />
0<br />
0<br />
0 <br />
T 2<br />
m<br />
s N<br />
m<br />
m s<br />
m<br />
<br />
<br />
3.3.1 Periodična zaporedja<br />
Časovno in amplitudno diskreten signal – nadalje bomo govorili o zaporedjih<br />
– označimo z<br />
x[n] .<br />
Tako že iz vrste oklepaja in neodvisne spremenljivke vemo, da imamo opravka<br />
z zaporedjem. Zaporedje x[n] je periodično, če velja:<br />
x[n + N] = x[n] pri vseh n . (3.23)<br />
Osnovna perioda N 0 je najmanjša vrednost N, ki izpolni (3.23).
58<br />
Pomembno periodično zaporedje je kompleksno eksponentno zaporedje<br />
x[n] = e j(2π/N 0)n = e jΩ 0n<br />
, (3.24)<br />
kjer sta Ω 0 = 2π/N 0 in N 0 število otipkov v eni periodi. Med zveznim kompleksnim<br />
harmoničnim signalom e jω 0t in zaporedjem e jΩ 0n je pomembna razlika:<br />
zvezni harmonični signali se razlikujejo glede na krožne frekvence ω 0 ,<br />
pri diskretnih pa ta razlika pri frekvencah, ki so mnogokratnik 2π, izgine:<br />
Če označimo<br />
Ψ k [n] = e jkΩ 0n<br />
potem lahko zaradi (3.25) zapišemo:<br />
e j(Ω0+2πk)n = e jΩ0n e<br />
} j2πkn<br />
{{ }<br />
= e jΩ 0n<br />
=1<br />
, (3.25)<br />
, Ω 0 = 2π , k = 0,±1,±2... , (3.26)<br />
N 0<br />
Ψ 0 [n] = Ψ N0 [n] , Ψ 1 [n] = Ψ N0 +1[n] , ...<br />
oziroma na splošno:<br />
... Ψ k [n] = Ψ N0 +k[n] ... , (3.27)<br />
Ψ k [n] = Ψ k+mN0 [n] , m = celo število . (3.28)<br />
Torej se zaporedja Ψ[n] medsebojno razlikujejo le na območju N 0 zaporednih<br />
vrednosti k.<br />
3.3.2 Zapis diskretnih Fourierovih vrst<br />
osnutek<br />
Kompleksna diskretna Fourierova vrsta, ki opiše periodično zaporedje x[n] z<br />
osnovno periodo N 0 , se glasi:<br />
N 0 −1<br />
x[n] =<br />
∑<br />
k=0<br />
c k e jkΩ 0n<br />
kjer je c k Fourierov koeficient, ki ga izračunamo z:<br />
, Ω 0 = 2π<br />
N 0<br />
, (3.29)<br />
c k = 1 N 0 −1<br />
N 0<br />
∑ x[n]e − jkΩ 0n<br />
n=0<br />
. (3.30)<br />
Obrazca (3.29) in (3.30) tvorita Fourierov par za zaporedja. Koeficienti c k<br />
določajo diskretni spekter zaporedja. V literaturi se zanje najde tudi ime<br />
spektralni koeficienti zaporedja x[n]. Zaradi lastnosti (3.27) lahko (3.29) in<br />
(3.30) zapišemo tudi v naslednji obliki:
59<br />
sinteza<br />
x[n] = ∑<br />
k∈N 0<br />
c k e jkΩ 0n<br />
<strong>analiza</strong> c k = 1 N 0<br />
∑<br />
n∈N 0<br />
x[n]e − jkΩ 0n<br />
, Ω 0 = 2π<br />
N 0<br />
(3.31a)<br />
, (3.31b)<br />
kjer ∑ k∈N0 pomeni seštevanje vseh otipkov v območju N 0 . Koeficient c 0 določa<br />
srednjo vrednost zaporedja:<br />
c 0 = 1 N 0<br />
∑<br />
n∈N 0<br />
x[n] . (3.32)<br />
Če je zaporedje liho simetrično, je c 0 = 0, enako kot pri zveznih liho simetričnih<br />
signalih.<br />
3.3.3 Konvergenca diskretne Fourierove vrste<br />
Ker je diskretna Fourierova vrsta končna, tukaj v nasprotju pri z zveznimi<br />
signali, ne moremo govoriti o konvergenci.<br />
3.3.4 Lastnosti diskretne Fourierove vrste<br />
Periodičnost Iz (3.26), (3.27) ali (3.31a) sledi, da velja<br />
osnutek<br />
c k+N0 = c k . (3.33)<br />
Fourierovi koeficienti periodičnega zaporedja se periodično ponavljajo<br />
s periodo N 0 .<br />
Dualnost Iz (3.33) sledi, da Fourierovi koeficienti c k določajo periodično<br />
zaporedje z osnovno periodo N 0 . Zato lahko, če c k zapišemo kot c[k],<br />
(3.31b) preoblikujemo v:<br />
1<br />
c[k] = ∑ x[n]e − jkΩ 0n<br />
n∈N 0<br />
N 0<br />
od koder z zamenjavo n = −m dobimo:<br />
1<br />
c[k] = ∑ x[−m]e jkΩ0m .<br />
m∈N 0<br />
N 0<br />
V zgornji enačbi naredimo še zamenjavo k = n in m = k:<br />
1<br />
c[n] = ∑ x[−k]e jkΩ 0n<br />
k∈N 0<br />
N 0<br />
, (3.34)<br />
. (3.35)
60<br />
èas<br />
x[ n]<br />
c[ n]<br />
Slika 3.9<br />
Dualnost.<br />
fekvenca<br />
c k = c[ k]<br />
1 [ ]<br />
N x k<br />
<br />
Iz primerjave (3.35) in (3.31a) vidimo, da so (1/N 0 )x[−k] Fourierovi<br />
koeficienti zaporedja c[n] (slika 3.9). Če priredimo zapis za Fourierove<br />
pare pri diskretnih Fourierovih vrstah:<br />
x[n]<br />
DFV<br />
←−−−−−→ c k = c[k] , (3.36)<br />
lahko zapišemo dualno lastnost diskretne Fourierove vrste:<br />
c[n]<br />
DFV<br />
←−−−−−→ 1 N 0<br />
x[−k] . (3.37)<br />
Konjugirano kompleksne vrednosti Če je zaporedje x[n] zaporedje realnih<br />
vrednosti, iz (3.31a) – in tudi iz (3.31b) ter (3.33) – sledi, da velja:<br />
c −k = c N0 −k = c ∗ k , (3.38)<br />
kjer smo z ∗ označili konjugirano kompleksno vrednost.<br />
Liha in soda simetričnost Kadar je x[n] zaporedje realnih vrednosti, ga lahko<br />
razstavimo na liho in sodo komponento:<br />
Če je<br />
x[n] = x lih [n] + x sod [n] .<br />
x[n]<br />
DFV<br />
←−−−−−→ c k ,<br />
potem so diskretni Fourierovi pari tudi:<br />
x sod [n]<br />
x lih [n]<br />
DFV<br />
←−−−−−→ R{c k }<br />
(3.39a)<br />
osnutek<br />
DFV<br />
←−−−−−→ jI{c k }<br />
(3.39b)<br />
Zaradi lastnosti (3.39) so pri realnih in sodo simetričnih zaporedjih x[n]<br />
diskretni Fourierovi koeficienti realni, pri realnih in liho simetričnih<br />
zaporedjih x[n] pa imaginarni.<br />
Parsevalov izrek Če x[n] opišemo z diskretno Fourierovo vrsto, potem lahko<br />
dokažemo, da velja:<br />
1<br />
N 0<br />
∑ |x[n]| 2 = ∑ |c k | 2 . (3.40)<br />
k∈N 0 k∈N 0<br />
3.3.5 Vrednosti e jΩ 0kn<br />
Vrednosti e jΩ 0kn ležijo na enotski krožnici (|e jΩ 0kn | = 1). Razmik med njimi<br />
določa Ω 0 = 2π/N 0 (slika 3.10). Zaradi tega je diskretne vrednosti e jΩ 0kn preprosto<br />
določiti. Te vrednosti se po kn = N 0 ponavljajo. To lastnost s pridom<br />
uporabimo pri načrtovanju hitrih algoritmov računanja Fourierove transformacije.
61<br />
{ e -j(2<br />
/N0<br />
) nk}<br />
e<br />
-j(2 /N ).<br />
6<br />
0 = e<br />
(2 <br />
= ... 0 ) 14<br />
= j<br />
-j /N .<br />
e<br />
-j(2 /N ).<br />
0 5 ...<br />
e<br />
-j(2 /N ).<br />
7<br />
0 = e<br />
-j(2 /N ).<br />
15<br />
= ...<br />
0<br />
e<br />
-j(2 /N ).<br />
0 5 ...<br />
e<br />
-j(2 /N ).<br />
0<br />
0 (2 ) 8<br />
= e = ... =<br />
-j /N . 0 1<br />
{e -j<br />
(2 /N0 ) nk}<br />
Slika 3.10<br />
Vrednosti e j 2π<br />
N 0<br />
kn pri N0 = 8.<br />
e<br />
-j(2 /N ).<br />
0 5 ...<br />
3.3.6 Zgledi<br />
e<br />
-j(2 /N ).<br />
2<br />
e<br />
-j(2 /N ).<br />
1<br />
0 -j(2 /N ).<br />
9<br />
= e = ...<br />
0 = e<br />
(2 <br />
= ... 0 ) 10<br />
= -j<br />
-j /N .<br />
Razlago o diskretnih Fourierovih vrstah utrdimo z nekaj zgledi!<br />
ZGLED 3.3.1<br />
Določimo spekter za periodično zaporedje s slike 3.11!<br />
x[ n]<br />
3<br />
2<br />
1<br />
0<br />
osnutek<br />
0 1 2 3 4 5 6 7 8 n<br />
Slika 3.11<br />
Primer zaporedja x[n].<br />
REŠITEV:<br />
Iz slike vidimo, da je N = 4. Zato<br />
Ω 0 = 2π 4 = π 2<br />
in e − jΩ 0<br />
= e − jπ/2 = − j .<br />
Fourierove koeficiente c k izračunamo z (3.31):<br />
c k = 1 N 0 −1<br />
N 0<br />
∑ x[n]e − jkΩ 0n<br />
n=0<br />
(3.31)
62<br />
oziroma<br />
3<br />
∑<br />
c 0 = 1 j)<br />
4 n=0x[n](− 0 = 1 4 (0 + 1 + 2 + 3) = 3 2<br />
3<br />
∑<br />
c 1 = 1 j)<br />
4 n=0x[n](− n = 1 4 (0 − j1 − 2 + j3) = −1 2 + j 1 2<br />
3<br />
∑<br />
c 2 = 1 j)<br />
4 n=0x[n](− 2n = 1 4 (0 − 1 + 2 − 3) = −1 2<br />
3<br />
∑<br />
c 3 = 1 j)<br />
4 n=0x[n](− 3n = 1 4 (0 − j1 − 2 − j3) = −1 2 − j 1 2<br />
Iz izračuna vidimo tudi veljavnost (3.38), saj je c 3 = c 4−1 = c ∗ 1 .<br />
ZGLED 3.3.2<br />
Pokažimo, da je množica zaporedij Ψ k [n] = e jkω 0n ortogonalna na intervalu poljubne<br />
dolžine.<br />
REŠITEV: Dve kompleksni zaporedji, na primer Ψ m [n] in Ψ k [n] sta si na intervalu<br />
(N 1 ,N 2 ) medsebojno ortogonalni, če izpolnita pogoj:<br />
{<br />
N 2<br />
0<br />
∑ Ψ m [n]Ψ ∗ k [n] =<br />
n=N 1<br />
α<br />
m ≠ k<br />
m = k<br />
osnutek<br />
♦<br />
, (3.41)<br />
kjer smo z ∗ označili konjugirano kompleksno vrednost. Seveda je α ≠ 0. Pri rešitvi si<br />
pomagamo z naslednjo lastnostjo eksponentnih zaporedij:<br />
⎧<br />
N−1<br />
⎪⎨ N α = 1<br />
∑ α n = 1 − α<br />
n=0<br />
⎪⎩<br />
N<br />
(3.42)<br />
α ≠ 1<br />
1 − α<br />
Če v (3.42) za α upoštevamo e jkω 0, dobimo:<br />
N−1<br />
∑ e jkω 0 n =<br />
n=0<br />
N−1<br />
∑<br />
n=0<br />
⎧<br />
⎪⎨ N<br />
=<br />
⎪⎩<br />
e jk(2π/N)n (3.43)<br />
1 − e jk(2π/N)N<br />
1 − e jk(2π/N) = 0 sicer<br />
k = 0,±N,±2N,...<br />
, (3.44)<br />
saj velja e jk(2π/N)N = e jk 2π = 1. Ker je vsaka vsota zaporedja eksponencialk v (3.43)<br />
periodična s periodo N, veljavnost (3.43) velja pri katerikoli periodi N. Zato:<br />
∑ e jkω 0 n =<br />
n∈N<br />
{<br />
N k = 0,±N,±2N,...<br />
0 sicer<br />
, (3.45)
☞<br />
63<br />
od koder lahko izpeljemo<br />
∑ Ψ m [n]Ψ ∗ k [n] = ∑ e jmω 0 n e − jkω 0 n<br />
n∈N<br />
n∈N<br />
= ∑ e j(m−k)ω 0 n =<br />
n∈N<br />
{<br />
N m = k<br />
0 m ≠ k<br />
(3.46)<br />
, (3.47)<br />
kjer so m.k < N. Enačba (3.46) pove, da so vsa zaporedja v množici<br />
{e jkω 0 n<br />
, k = 0,1,...,N − 1}<br />
medsebojna ortogonalna na kateremkoli intervalu dolžine N.<br />
3.4 Fourierova transformacija zaporedja<br />
Aperiodična zaporedja, podobno kot aperiodične zvezne signale, ne moremo<br />
opisati s Fourierovo vrsto. Pri njih harmonsko analizo naredimo s Fourierovo<br />
transformacijo.<br />
Pri opisu vzorčenja smo s konvolucijo spektra signala in spektra neskončnega<br />
vlaka Diracovih impulzov pokazali, da ima vzorec aperiodičnega signala<br />
zvezni, periodični spekter. Na splošno pri zaporedjih ne poznamo spektra<br />
signala, ki ga zaporedja opisujejo, zato iščemo pot za določitev spektra<br />
direktno iz zaporedja.<br />
osnutek<br />
3.4.1 Od diskretne Fourierove vrste<br />
do Fourierove transformacije zaporedja<br />
Opazujmo prehodno aperiodično zaporedje x[n], definirano naj bo nad območjem<br />
−N 1 ,N 1 . Pot do Fourierove transformacije tega zaporedja bomo ubrali<br />
preko periodičnega zaporedja x N0 [n], ki ga dobimo s ponavljanjem x[n] s periodo<br />
N 0 , ki je daljša od 2N 1 (slika 3.12). Če večamo N 0 preko vseh meja,<br />
dobimo:<br />
lim x N 0<br />
= x[n] , (3.48)<br />
N 0 →∞<br />
oziroma periodičnost, ki smo jo vpeljali, izgine. Zaporedje x N0 lahko opišemo<br />
z diskretno Fourierovo vrsto:<br />
x N0 = ∑<br />
k∈N 0<br />
c k e jkΩ 0n<br />
, Ω 0 = 2π<br />
N 0<br />
. (3.49)<br />
♦<br />
kjer je<br />
c k = 1 N 0<br />
∑<br />
n∈N 0<br />
x N0 e − jkΩ 0n<br />
. (3.50a)
64<br />
x [n]<br />
Slika 3.12<br />
Primer zaporedja x[n] (zgoraj) in<br />
njegove periodične razširitve<br />
(spodaj).<br />
N 1 0 N 1<br />
N 0 N 1 0 N 1 N 0<br />
x N0 [n]<br />
Ker pri |n| N 1 velja x N0 = x[n], in ker je izven tega intervala x[n] = 0, lahko<br />
(3.50a) zapišemo kot:<br />
c k = 1 N 1<br />
N 0<br />
∑ x[n]e − jkΩ0n = 1<br />
n=−N 1<br />
N 0<br />
Če definiramo X(Ω 0 ) z<br />
X(Ω 0 ) =<br />
∞<br />
∑ x[n]e − jkΩ 0n<br />
n=−∞<br />
osnutek<br />
∞<br />
∑<br />
n=−∞<br />
lahko iz (3.50b) izračunamo koeficient c k s:<br />
n<br />
n<br />
. (3.50b)<br />
x[n]e − jΩn , (3.51)<br />
Vstavimo (3.52) v (3.49):<br />
c k = 1 N 0<br />
X(kΩ 0 ) . (3.52)<br />
1<br />
x N0 = ∑ X(kΩ 0 )e jkΩ0n 1<br />
=<br />
n∈N 0<br />
N 0<br />
∑ X(kΩ 0 )e jkΩ 0n<br />
n∈N 0<br />
2π/Ω 0<br />
kjer smo upoštevali, da je Ω 0 = 2π oziroma N 0 = 2π/Ω 0 . Uredimo še v bolj<br />
pregledno obliko:<br />
= 1<br />
2π ∑<br />
n∈N 0<br />
X(kΩ 0 )e jkΩ 0n Ω 0 . (3.53)
65<br />
x N0 [n]<br />
X[ k 0 ]e jk 0 n<br />
0<br />
Slika 3.13<br />
Grafična predstavitev (3.53).<br />
<br />
<br />
0<br />
<br />
<br />
<br />
Iz (3.51) sledi, da sta X(Ω 0 ) in e jΩn periodični funkciji s periodo 2π. Zato je<br />
x N0 periodičen z isto periodo.<br />
Vsak člen v vsoti v (3.53) predstavlja pravokotnik z višino X(kΩ 0 )e jkΩ 0n<br />
in širino Ω 0 (slika 3.13). Z večanjem periode preko vseh mej, N 0 → ∞ postaja<br />
Ω 0 = 2π/N 0 infinitezimalno majhen – preide v dΩ, seštevanje v (3.53) pa<br />
preide v integracijo. Ker seštevanje v (3.53) poteka nad intervalom Ω 0 =<br />
2π/N 0 , je interval integriranja vedno enak 2π. Zato (3.53) lahko pri N 0 → ∞<br />
zapišemo kot<br />
x[n] = 1 ∫<br />
X(Ω)]e jΩn dΩ . (3.54)<br />
2π<br />
2π<br />
Ker je X(Ω)e jΩn periodična funkcija s periodo 2π, lahko za integracijski interval<br />
uporabimo katerikoli interval dolžine 2π.<br />
3.4.2 Fourierovi pari pri zaporedjih<br />
osnutek<br />
Obrazca (3.51) in (3.54) definirata Fourierovo transformacijo zaporedja x[t]<br />
in inverzno Fourierovo transformacijo (periodične funkcije) X(Ω). Obrazca<br />
tvorita Fourierov par in ju pogosto zapišemo kot sledi:<br />
<strong>analiza</strong>: X(Ω) = F {x[n]} =<br />
∞<br />
∑<br />
n=−∞<br />
sinteza: x[n] = F −1 {X(Ω)} = 1<br />
2π<br />
x[n]e − jΩn<br />
∫<br />
2π<br />
X(Ω)e jΩn dΩ<br />
(3.55a)<br />
(3.55b)<br />
Simbolično Fourierove pare, ki jih določata (3.55) označujemo enako kot pri<br />
zveznih signalih. Da imamo opraviti s Fourierovimi pari zaporedij, vidimo iz<br />
zapisa zaporedja:<br />
F<br />
x[n] ←−−−→ X(Ω) . (3.56)<br />
Obrazca (3.55) sta časovno diskretni ekvivalent obrazcema (2.1), ki določata<br />
obrazca za Fourierovo transformacijo in Fourierovo inverzno transformacijo<br />
za zvezne signale. Pogosti Fourierovi pari zaporedij so povzeti v tabeli 3.1.
66<br />
Tabela 3.1<br />
Fourierovi pari pri zaporedjih<br />
x[n]<br />
δ[n − n 0 ] e − jΩn 0<br />
X(Ω)<br />
x[n] = 1 2πδ(Ω), |Ω| π<br />
e jΩ 0n<br />
2πδ(Ω − Ω 0 ), |Ω|,|Ω 0 | π<br />
cosΩ 0 n<br />
sinΩ 0 n<br />
π[δ(Ω − Ω 0 ) + δ(Ω + Ω 0 )|Ω|,|Ω 0 | π<br />
π[δ(Ω − Ω 0 ) + δ(Ω + Ω 0 )|Ω|,|Ω 0 | π<br />
u[n] πδ(Ω) + 1<br />
1−e − jΩ ,<br />
−u[−n − 1] −πδ(Ω) + 1<br />
1−e − jΩ ,<br />
a n u[n], a < 1<br />
1<br />
1−ae − jΩ<br />
−a n u[−n − 1], |a| > 1<br />
1<br />
1−ae − jΩ<br />
(n + 1)a n u[n], a < 1<br />
1<br />
(1−ae − jΩ ) 2<br />
a |n| 1−a<br />
, |a| > 1 2<br />
⎧<br />
⎨1 |n| N 1<br />
sin[Ω(N<br />
x[n] =<br />
1 + 2 1 )]<br />
⎩<br />
sinΩ/2<br />
0 |n| > N 1<br />
sinWn<br />
1−2acosΩ+a 2<br />
⎧<br />
⎨<br />
πn , 0 < W < π X(Ω) = ⎩<br />
0 W π<br />
|Ω|, π<br />
|Ω|, π<br />
1 0 |Ω| W<br />
∑ ∞ k=−∞ δ[n − kN 0] Ω 0 ∑ ∞ k=−∞ δ(Ω − kΩ 0), Ω 0 = 2π<br />
N 0<br />
osnutek<br />
3.4.3 Spekter<br />
Fourierov transform zaporedja x[n] je X(ω) je v splošnem kompleksen. V<br />
polarnih koordinatah ga izrazimo z<br />
X(ω) = |X(ω)|e jφ(Ω) , tanφ(Ω) = I{X(Ω)}<br />
R{X(Ω)}<br />
. (3.57)<br />
Enako kot pri zveznih signalih Fourierov transform X(ω) imenujemo spekter<br />
zaporedja x[n]. Pri tem je |X(ω)| amplitudni spekter, θ(Ω) pa je fazni<br />
spekter.
Če je x[n] realen, je amplitudni spekter soda funkcija, in fazni spekter liha<br />
funkcija Ω (glej lastnosti Fourierove transformacije v naslednjem razdelku).<br />
67<br />
3.4.4 Konvergenca<br />
Za konvergenco – to je obstoj Fourierove transformacije – velja enak pogoj<br />
kot pri zvezni Fourierovi transformaciji: obstajati mora ‖x[n]‖ 1 , oziroma x[n]<br />
mora biti absolutno seštevljiva:<br />
∞<br />
∑ |x[n]| < ∞ . (3.58)<br />
n=−∞<br />
3.4.5 Lastnosti Fourierove transformacije zaporedij<br />
Osnovne lastnosti Fourierove transformacije zaporedij so enake lastnostim<br />
Fourierove transformacije zveznih signalov. Nekatere lastnosti so tudi podobne<br />
lastnostim z-transformacije, če ta vključuje tudi enotski krog (opisana<br />
je v poglavju na strani ).<br />
Periodičnost<br />
X(Ω + 2π) = X(Ω) . (3.59)<br />
Posledica (3.59) je, da pri zaporedjih zadostuje upoštevati vrednosti Ω<br />
[radianov/s] le na območju 0 Ω < 2π ali −π Ω < π, med tem ko<br />
moramo pri zveznih signalih upoštevati vrednosti ω [radianov/s] preko<br />
vse signalne osi −∞,∞.<br />
Linearnost<br />
Časovni pomik<br />
osnutek<br />
a 1 x 1 [n] + a 2 x 2 [n] = a 1 X 1 (Ω) + a 2 X 2 (Ω) . (3.60)<br />
x[n − n 0 ] = e − jΩn 0<br />
X(Ω) . (3.61)<br />
Frekvenčni pomik<br />
e − jΩn 0<br />
x[n] = X(Ω − Ω 0 ) . (3.62)<br />
Konjugirano kompleksne vrednosti<br />
x ∗ [n]<br />
F<br />
←−−−→ X ∗ (−Ω) . (3.63)<br />
kjer smo z ∗ označili konjugirano kompleksno vrednost.<br />
Časovni obrat<br />
x[−n]<br />
F<br />
←−−−→ X(−Ω) . (3.64)
68<br />
Skaliranje časa Pri zveznih signalih se ta lastnost Fourierove transformacije<br />
glasi:<br />
F<br />
x(at) ←−−−→ 1 X(ω/a) . (3.65)<br />
|a|<br />
Pri zaporedjih sme biti a le celo število, drugače x[an] ne obstaja. Na<br />
primer, pri a = 2, zaporedje x[2n] vsebuje le sode otipke vzorca x[n].<br />
Zato ima časovno skaliranje zaporedij drugačno obliko kot pri zveznih<br />
signalih.<br />
Naj bo m pozitivno celo število, ki določa zaporedje<br />
{<br />
x[n/m] če n = km, k = celo število<br />
x (m) [n] =<br />
potem velja<br />
0 če n ≠ km<br />
x (m) [n]<br />
F<br />
, (3.66)<br />
←−−−→ X(mΩ) . (3.67)<br />
Obrazec (3.67) je ekvivalent (3.65) za zaporedja. Iz njega sledi, da<br />
je X(mΩ) periodični spekter s periodo 2π/m, med tem ko ima X(Ω)<br />
periodo 2π.<br />
Dualnost Pri zveznih signalih se ta lastnost Fourierove transformacije glasi:<br />
x(t)<br />
F<br />
←−−−→ 2πx(−Ω) . (3.68)<br />
Take dualnosti pri zaporedjih ni. Je pa dualnost med časovno diskretno<br />
Fourierovo transformacijo in zvezno Fourierovo vrsto:<br />
Iz (3.55a) in (3.59) sledi<br />
x[n]<br />
osnutek<br />
F<br />
X(Ω + 2π) = X(Ω) =<br />
←−−−→ X(Ω) .<br />
∞<br />
∑<br />
n=−∞<br />
x[n]e − jΩn . (3.69)<br />
Ker je ω zvezna spremenljivka, lahko na desni strani (3.59) naredimo<br />
zamenjavo Ω = t in n = −k. Dobimo:<br />
X(t) =<br />
∞<br />
∑<br />
k=−∞<br />
x[−k]e jkt . (3.70)<br />
Ker je X(t) periodičen s periodo T 0 = 2π in ima osnovno frekvenco<br />
ω o = 2π/T 0 = 1, obrazec (3.70) nakazuje, da so koeficienti Fourierove<br />
vrste X(t) enaki x[−k]. To dualnost označimo z:<br />
X(t)<br />
DFV<br />
←−−−−−→ c k = x[−k] . (3.71)<br />
kjer so c k kompleksni koeficienti Fourierove vrste.
69<br />
Diferenciranje<br />
x[n] − x[n − 1]<br />
F<br />
←−−−→ (1 − e − jΩ )X(Ω) . (3.72)<br />
Zaporedje x[n] − x[n − 1] imenujemo zaporedje diferenc prvega reda.<br />
Njeno definicijo v (3.72) lahko izpeljemo iz lastnosti linearnosti (3.60)<br />
in lastnosti pomika (3.61).<br />
Seštevanje ali akumulacija<br />
∞<br />
∑ x[k]<br />
k=−∞<br />
F<br />
←−−−→ πX(0)δ(Ω) +<br />
1<br />
X(Ω) , |Ω| π .<br />
1 − e− jΩ<br />
(3.73)<br />
Seštevanje oziroma akumulacija je pri zaporedjih ekvivalent integraciji<br />
pri časovno zveznih signalih. Impulz πX(0)δ(Ω) zajema enosmerno<br />
ali povprečno vrednost, ki je lahko dobimo pri seštevanju.<br />
Konvolucija<br />
Množenje<br />
x 1 [n] ∗ x 2 [n]<br />
F<br />
←−−−→ X 1 (Ω)X 2 (Ω) . (3.74)<br />
Ta lastnost je podobna pri z-transformaciji. Obe sta zelo pomembni pri<br />
obravnavi časovno diskretnih sistemov.<br />
F<br />
←−−−→ 1<br />
x 1 [n]x 2 [n]<br />
2π X 1(Ω) ⊛ X 2 (Ω) , (3.75)<br />
kjer smo z ⊛ označili ciklično konvolucijo. V [23] smo jo definirali z:<br />
∫<br />
X 1 (Ω) ⊛ X 2 (Ω) = X 1 (θ)X 2 (Ω − θ) dθ . (3.76)<br />
osnutek<br />
Lastnost množenja (3.75) je dualna lastnosti konvolucije (3.74).<br />
2π<br />
Liha in soda simetričnost Kadar je x[n] zaporedje realnih vrednosti, ga lahko<br />
razstavimo na liho in sodo komponento:<br />
Če je<br />
x[n]<br />
x[n] = x lih [n] + x sod [n] .<br />
F<br />
←−−−→ X(Ω) = A(Ω) + jB(Ω) = |X(Ω)|e jθ(Ω) , (3.77)<br />
potem so diskretni Fourierovi pari tudi:<br />
X(−Ω) = X ∗ (Ω)<br />
x sod [n]<br />
x lih [n]<br />
F<br />
←−−−→ R{X(Ω)}<br />
F<br />
←−−−→ jI{X(Ω)}<br />
(3.78a)<br />
(3.78b)<br />
(3.78c)
70<br />
Enačba (3.78a) je nujen in zadosten pogoj, da je x[n] realen. Iz (3.78a)<br />
in (3.77) sledi:<br />
A(−Ω) = A(Ω) B(−Ω) = B(Ω) (3.79a)<br />
|X(−Ω)| = |X(Ω)| θ(−Ω) = −θ(−Ω) (3.79b)<br />
Iz (3.78b), (3.78b) in (3.78b) vidimo, da če je x realen in sod, potem je<br />
X(Ω) realen in sod, pri realen in lihem x, pa je X(Ω) imaginaren in lih.<br />
Parsevalov izrek<br />
∞<br />
∑<br />
n=−∞<br />
∞<br />
x 1 [n]x 2 [n] = 1 ∫<br />
2π<br />
|x[n]| 2 = 1 ∫<br />
2π<br />
∑<br />
n=−∞<br />
2π<br />
2π<br />
X 1 (Ω)X 2 (Ω) dΩ (3.80)<br />
|X(Ω)| 2 dΩ . (3.81)<br />
Obrazec (3.81) imenujemo Parsevalova identiteta za časovno diskretno<br />
Fourierovo transformacijo.<br />
3.5 Diskretna Fourierova transformacija<br />
Z razširitvijo digitalnih računalnikov in njihove vse pogostejše integracije v<br />
merilni instrumentarij, komunikacijske naprave itd - na to vpliva hiter razvoj<br />
mikroelektronske tehnologije in cenenost njihove masovne proizvodnje<br />
- je nastala želja in potreba po digitalni obdelavi signalov. Analogne metode<br />
spektralne analize in na njej temelječe obdelave signalov seveda niso<br />
primerne za reševanje z digitalnimi računalniki. Sicer obstajajo sistemi umetne<br />
inteligence, ki na osnovi ekspertnih sistemov rešujejo enačbe analogne<br />
obdelave signalov, vendar pa morajo biti ti predstavljeni v zaprti matematični<br />
obliki. To in da za že najbolj preproste probleme potrebujemo obsežno<br />
strojno in programsko opremo, so razlogi za iskanje preprostejših in učinkovitejših<br />
poti digitalne obdelave signalov, ki povezujejo diskretni časovni in<br />
frekvenčni svet.<br />
osnutek<br />
3.5.1 Diskretna Fourierova transformacija<br />
Diskretna Fourierova transformacija (DFT) povezuje vzorec signala z vzorcem<br />
spektra (slika 3.14). Obratno pot opravi inverzna diskretna Fourierova<br />
transformacija (IDFT). DFT ima naslednje lastnosti:<br />
DFT je definirana za končno dolge vzorce signala in spektra, zato je<br />
primerna za računalniško realizacijo
71<br />
|X [ m ] |<br />
x[ n]<br />
N . T s<br />
T s<br />
DFT<br />
IDFT<br />
Slika 3.14<br />
DFT oziroma IDFT povezujeta vzorec signala in vzorec spektra.<br />
Med x[n] in X[m] je bijektivna preslikava. To pomeni, da sta števili<br />
otipkov signala in spektra enaki.<br />
Obstajajo izjemno hitri algoritmi računanja DFT. Imenujemo jih FFT<br />
(glej razdelek na strani ).<br />
3.5.2 Definicija DFT<br />
Definicija DFT je<br />
osnutek<br />
m 0 m <br />
m =N . <br />
<strong>analiza</strong>: DFT<br />
N−1<br />
X[m] = ∑ x[n]WN mn , m = 0,1,...N − 1 (3.82a)<br />
n=0<br />
sinteza: IDFT<br />
x[n] = 1 N−1<br />
N<br />
∑ X[m]WN −mn<br />
m=0<br />
, m = 0,1,...N − 1 . (3.82b)<br />
t<br />
kjer je e − j 2π N mn jedro transformacije:<br />
jedro DFT e − j 2π N = WN . (3.83)<br />
Še matrična oblika DFT in IDFT:
72<br />
<strong>analiza</strong>: DFT<br />
sinteza: IDFT<br />
[<br />
X[m]<br />
]N = [ WN<br />
mn ]<br />
·[x[n] ]<br />
N×N N<br />
[ ]<br />
x[n]<br />
N = 1 [ ]<br />
W<br />
−mn ·[X[m] ]<br />
N<br />
N<br />
N×N N<br />
(3.84a)<br />
(3.84b)<br />
Slika 3.15<br />
Predstavitev<br />
transformacijskega jedra<br />
W mn<br />
N<br />
= W mn<br />
8 .<br />
V definiciji velikost N ni določena, njegova izbira je prepuščena načrtovalcu<br />
algoritma. Če ima zaporedje x[n] dolžino N 1 < N, potem x[n] “podaljšamo”<br />
na dolžino N tako, da dodamo N − N 1 ničel. To zaporedje pogosto<br />
imenujemo N-točkovno zaporedje, definicijo X[m] v (3.84a) pa N-točkovno<br />
DFT. Z izbiri N lahko vplivamo na hitrost izvajanja DFT. Ta se v primeru<br />
N = 2 γ , γ ∈ N, zelo poveča (glej razdelek na strani ).<br />
Vrednosti jedra WN<br />
mn so koeficienti transformacijske matrike, ki povezuje<br />
stolpec vektorja otipkov signala in stolpec vektorja otipkov spektra. Določeni<br />
so z izbiro N. V kompleksni ravnini so enakomerno razorejeni po enotski<br />
krožnici (slika 3.15), podobno kot e jΩ 0<br />
= e j2π/N 0<br />
pri diskretnih Fourierovih<br />
vrstah (slika 3.10).<br />
{ W N }<br />
W 6 8 =W8 = ... = j<br />
W 5 8 =W 13 8 = ... W 8 7 =W 15 8 = ...<br />
W 4 8 =W 12 8 = ... = <br />
W 0 8 =W 8 8 = ... =1<br />
{ }<br />
osnutek<br />
W N<br />
W 8 3 =W 8 11 = ...<br />
W 8 1 =W 8 9 = ...<br />
W 2 8 =W8 10 = ... = j<br />
ZGLED 3.5.1<br />
Določite diskretni spekter za zaporedje otipkov x[0] = 1, x[1] = 0, x[2] = 0 in x[3] = 1<br />
(slika 3.18).<br />
1 x[ n]<br />
Slika 3.16<br />
Zaporedje x[n]. 0<br />
0 1 2 3 n
73<br />
REŠITEV: Najprej določimo koeficiente transformacijskega jedra. Imamo štiri otipke,<br />
torej je N = 4. Iz (3.83) sledi:<br />
e − j 2π 4 = W 4 .<br />
Vrednosti, ki jih lahko W 4 lahko zavzame, kaže slika 3.17. Prvo komponento spektra<br />
{ W N }<br />
W 3 4 =W4 7 = ... = j<br />
W 4 2 =W 4 6 = ... = <br />
W 1 4 =W8 5 = ... = j<br />
W 4 0 =W 5 4 = ... =1<br />
izračunamo z (3.82) pri m = 0 in n ∈ {0,3}. Dobimo:<br />
X[0] =<br />
3<br />
∑<br />
n=0<br />
x[n]W4 0 = x[0] + x[1] + x[2] + x[3]<br />
= 1 + 0 + 0 + 1 = 2 .<br />
{W N }<br />
Vidimo, da je X[0] realen, z amplitudo 2 in faznim kotom φ[0] = 0. Drugo komponento<br />
spektra izračunamo pri m = 1 in n ∈ {0,3}. Dobimo:<br />
X[1] =<br />
3<br />
∑<br />
n=0<br />
osnutek<br />
x[n]W n 4 = x[0]W 0 4 + x[1]W 1 4 + x[2]W 2 4 + x[3]W 3 4<br />
= 1·(1) + 0·(− j) + 0·(−1) + 1·(+ j)<br />
= 1 + 0 + 0 + j = 1 + j .<br />
Slika 3.17<br />
Vrednosti, ki jih lahko zavzame W 4 .<br />
Vidimo, da je ta komponenta kompleksna. Za njeno amplitudo velja<br />
za fazni kot pa:<br />
|X[1]| = √ |1| 2 + | j| 2 = √ 2 ,<br />
φ[1] = arctan I{X[1]}<br />
R{X[1]} = arctan 1 1 = 45o ,<br />
Podobno računamo tretjo komponento spektra. Pri njej je m = 2 in n ∈ {0,3}. Dobimo:<br />
X[2] =<br />
3<br />
∑<br />
n=0<br />
x[n]W 2n<br />
4 = x[0]W 0 4 + x[1]W 2 4 + x[2]W 4 4 + x[3]W 6 4<br />
= 1·(1) + 0·(−1) + 0·(1) + 1·(−1)<br />
= 1 + 0 + 0 − 1 = 0 .
74<br />
Zaključimo z izračunom zadnje komponente. Pri njej je m = 4 in n ∈ {0,3}. Dobimo:<br />
X[3] =<br />
3<br />
∑<br />
n=0<br />
x[n]W 3n<br />
4 = x[0]W 0 4 + x[1]W 3 4 + x[2]W 6 4 + x[3]W 9 4<br />
= 1·(1) + 0·( j) + 0·(−1) + 1·(− j)<br />
= 1 + 0 + 0 − j = 1 − j .<br />
Tudi ta komponenta je kompleksna. Njena amplituda je enaka X[3] = √ 2 , fazni kot pa<br />
je φ[3] = −45 o . Amplitudni in fazni spekter sta prikazana na sliki 3.18.<br />
Slika 3.18<br />
Spekter zaporedja x[n], ki smo ga izračunali z<br />
DFT.<br />
X[ m]<br />
2<br />
1,41<br />
0<br />
0<br />
45 o [ m]<br />
0<br />
-45 o<br />
Pa še matrični zapis uporabljene DFT. V tem primeru moramo najprej določiti koeficiente<br />
transformacijske matrike [W N ]. V našem primeru je ta dovolj majhna, da si lahko<br />
pomagamo s skico na sliki 3.17. Z uporabo (3.84a) lahko zapišemo:<br />
0<br />
1<br />
1<br />
2<br />
2<br />
osnutek<br />
X[m] = W 4 · x[n]<br />
⎡ ⎤ ⎡<br />
⎤ ⎡ ⎤ ⎡<br />
⎤ ⎡ ⎤ ⎡ ⎤<br />
X[0] W4 0 W4 0 W4 0 W4<br />
0 x[0] 1 1 1 1 1 2<br />
X[1]<br />
W4 0 W4 1 W4 2 W4<br />
3 x[1]<br />
1 − j −1 j<br />
0<br />
1 + j<br />
=<br />
·<br />
=<br />
·<br />
=<br />
⎢<br />
⎣X[2]<br />
⎥ ⎢<br />
⎦ ⎣W4 0 W4 2 W4 4 W4<br />
6 ⎥ ⎢<br />
⎦ ⎣x[2]<br />
⎥ ⎢<br />
⎦ ⎣1 −1 1 −1⎥<br />
⎢<br />
⎦ ⎣0⎥<br />
⎢<br />
⎦ ⎣ 0 ⎥<br />
⎦<br />
X[3] W4 0 W4 3 W4 6 W4<br />
9 x[3] 1 j −1 − j 1 1 − j<br />
3<br />
3<br />
.<br />
<br />
<br />
m<br />
m<br />
Iz matričnega zapisa je lažje videti obsežnost računanja DFT. V obravnavanem primeru<br />
imamo 16 množenj in 16 seštevanj.<br />
♦<br />
3.5.3 Simetrična obrazca za DFT in IDFT<br />
Poleg definicije DFT v (3.82) in v (3.84) se pogosto uporablja simetrična<br />
oblika obrazcev za DFT in IDFT:
75<br />
DFT X[m] = √ 1 N−1<br />
x[n] WN nm , (3.85)<br />
N<br />
∑<br />
m=0<br />
IDFT x[n] = √ 1 N−1<br />
X[m] WN −nm . (3.86)<br />
N<br />
∑<br />
m=0<br />
Ta obrazca sta posebej uporabna, kadar je N = 2 2b . Takrat je √ N = 2 b in<br />
se deljenje v (3.85) in (3.86) lahko izvede s preprostim pomikom rezultata v<br />
registru digitalnega signalnega procesorja za b bitov v desno.<br />
3.5.4 DFT in IDFT predpostavljata<br />
periodično ponavljanje signala ter spektra<br />
Glavna razlika med Fourierovo transformacijo in inverzno Fourierovo transformacijo<br />
ter DFT in IDFT je, da sta DFT in IDFT definirani za periodično<br />
ponavljajoča se zaporedja otipkov signala in spektra. To smo pokazali že na<br />
sliki 3.14 na strani 71, sedaj pa se o tem prepričajmo še s primerjavo X[m] z<br />
X[(m + N)Ω]:<br />
X[m] =<br />
X[(m + N)Ω] =<br />
N−1<br />
∑ x[n]W mn<br />
N−1<br />
N = ∑<br />
n=0<br />
n=0<br />
N−1<br />
∑ x[n]W (m+N)n N−1<br />
N = ∑<br />
n=0<br />
n=0<br />
x[n]e − j 2π N mn<br />
osnutek<br />
N−1<br />
= ∑<br />
n=0<br />
N−1<br />
=<br />
∑<br />
n=0<br />
x[n]e − j 2π N mn e<br />
} − {{ j2nπ<br />
}<br />
=1<br />
x[n]W mn<br />
N<br />
= X[m]<br />
x[n]e − j 2π N mn e − j 2π N Nn<br />
N−1<br />
=<br />
∑<br />
n=0<br />
x[n]e − j 2π N mn<br />
Pri tem ni odveč ponovno poudariti, da DFT in IDFT predpostavljata periodično<br />
ponavljanje zaporedja N otipkov. Če to zaporedje slučajno obsega del<br />
periodičnega signala, katerega perioda se ne ujema z začetkom in koncem<br />
otipkov N zajetih v DFT, se perioda signala “izgubi” – DFT/IDFT upošteva,<br />
da se periodično ponavlja vzorec N zaporednih otipkov (slika 3.19). Seveda<br />
se Fourierovi vrsti originalnega signala in ponavljajočega se z oknom Π N določenega<br />
dela periodičnega signala ne ujemata, oziroma se ujemata takrat in<br />
samo takrat, ko se okno ujema s periodo originalnega signala!
76<br />
x( t)<br />
|X ( )<br />
|<br />
CFT<br />
t<br />
ICFT<br />
m<br />
0<br />
m<br />
<br />
Slika 3.19<br />
Ilustracija DFT<br />
periodičnega signala.<br />
CFT: zvezna Fourierova<br />
transformacija<br />
ICFT: inverzna zvezna<br />
Fourierova transformacija<br />
N ( t)<br />
N ( t)<br />
x( t)<br />
N( t) x( t)<br />
( t)<br />
t<br />
t<br />
t<br />
CFT<br />
ICFT<br />
DFT<br />
IDFT<br />
|X ( )<br />
|<br />
m<br />
|X( m )<br />
|<br />
m<br />
3.5.5 Podobnost DFT in Fourierove transformacije zaporedja<br />
Po definiciji je Fourierova transformacija zaporedja x[n] enaka:<br />
[en. (3.55a)] X(Ω) =<br />
∞<br />
∑<br />
m<br />
m<br />
osnutek<br />
n=−∞<br />
Primerjava (3.55a) in (3.82a) pokaže:<br />
X[m] = X(Ω)<br />
∣ = X(k 2π/N) ,<br />
Ω=m2π/N<br />
x[n]e − jΩn . (3.87)<br />
0<br />
0<br />
<br />
<br />
torej je X[m] enak vzorcu X(Ω), ki ga dobimo z enakomerno otipavanjem<br />
spektra pri frekvencah Ω = m2π/N.<br />
3.6 Lastnosti DFT in IDFT<br />
DFT smo izpeljali iz zvezne Fourierove transformacije. zato upravičeno pričakujemo,<br />
da ima podobne lastnosti. Poglejmo.<br />
Linearnost DFT je linearna operacija:<br />
a x[m] + b y[m]<br />
DFT<br />
←−−−−−→ a X[m] + b Y [m] . (3.88)
Časovni pomik Zakasnitev vzorca x[n] za neko konstanto, ki jo odštejemo<br />
od n, na primer x[n−n 0 ] povzroči fazni pomik frekvenčnega zaporedja,<br />
ki ga izračunamo z DFT:<br />
Frekvenčni premik<br />
x[n − n 0 ]<br />
77<br />
DFT<br />
←−−−−−→ X[m] mod N W mn 0<br />
N . (3.89)<br />
Časovni obrat<br />
W mn 0<br />
N<br />
x[n]<br />
x[−n] mod N<br />
DFT<br />
←−−−−−→ X[m − n 0 ] mod N . (3.90)<br />
DFT<br />
←−−−−−→ X[−m] mod N . (3.91)<br />
Dualnost Tudi pri DFT obstaja dualnost med časovnim zaporedjem in pripadajočim<br />
frekvenčnim zaporedjem:<br />
X[n]<br />
Konjugirano kompleksne vrednosti<br />
x ∗ [n]<br />
DFT<br />
←−−−−−→ Nx[−m] mod N . (3.92)<br />
DFT<br />
←−−−−−→ NX ∗ [m] mod N . (3.93)<br />
Liha in soda simetričnost Kadar je x[n] realno zaporedje, ga lahko razstavimo<br />
na liho in sodo komponento:<br />
Če je<br />
osnutek<br />
x[n] = x lih [n] + x sod [n] .<br />
x[n]<br />
DFT<br />
←−−−−−→ X[m] = A[m] + jB[m] = |X[m]|e jθ[m] , (3.94)<br />
potem so diskretni Fourierovi pari tudi:<br />
X[−m] mod N = X ∗ [m]<br />
x sod [n]<br />
x lih [n]<br />
DFT<br />
←−−−−−→ R{X[m]} = A[m]<br />
DFT<br />
←−−−−−→ jI{X[m]} = jB[m]<br />
(3.95a)<br />
(3.95b)<br />
(3.95c)<br />
Iz (3.95a) sledi:<br />
A[−m] mod N = A[m] B[−m] mod N = −B[m] (3.96a)<br />
|X[−m]| mod N = |X[m]| θ[−m] mod N = −θ[−m] (3.96b)
78<br />
Parsevalov izrek<br />
N−1<br />
∑ |x[n]| 2 = 1 N−1<br />
n=0<br />
N<br />
∑ X[m] . (3.97)<br />
m=0<br />
Obrazec (3.97) imenujemo Parsevalova identiteta ali Parsevalov stavek<br />
za DFT.<br />
Linearna korelacija Linearno korelacijo dveh zaporedij podatkov lahko izračunamo<br />
tudi z DFT. V prvi knjigi smo korelacijo dveh končnih zaporedij<br />
podatkov definirali z:<br />
r xy [k] = 1 N<br />
3.7 Računanje DFT<br />
∞<br />
∑<br />
n=−∞<br />
x[n]x[n + k] , k ∈ {−∞,∞} (3.98)<br />
V analizi (in sintezi) signalov je DFT zelo močno orodje. Iz definicij vemo,<br />
da z DFT pravzaprav aproksimiramo zvezno Fourierovo transformacijo. zato<br />
ponavadi želimo čim bolj velik N, da je pogrešek aproksimacije čim manjši.<br />
Z večanjem N pa skokovito narašča število množenj in seštevanj. Že za izračun<br />
ene komponente spektra potrebujemo (N − 1) množenj (množenje z<br />
x[0] = 1·x[0] ne štejemo) in N seštevanj. Za vse komponente spektra pa potrebujemo:<br />
osnutek<br />
(N − 1) 2 množenj<br />
N(N − 1)<br />
seštevanj<br />
seveda, če so vsi elementi transformacije samo realni ali samo imaginarni. V<br />
splošnem pa imamo pri DFT opraviti s kompleksnimi števili. Pri računanju<br />
DFT imamo šest različnih računanj glede na tip števila:<br />
tip števila<br />
tip števila<br />
realno z realnim<br />
imaginarno z imaginarnim<br />
realno z imaginarnim<br />
imaginarno z realnim<br />
1 množenje ali 1 seštevanje<br />
realno s kompleksnim<br />
imaginarno s kompleksnim<br />
2 množenje ali 1 seštevanje<br />
kompleksno s kompleksnim<br />
4 množenja + 2 seštevanji ali 2 seštevanji
Vidimo, da DFT algoritem zahteva v najbolj neugodnem (splošnem) primeru<br />
4(N − 1) 2 množenj<br />
4N 2 − 6N<br />
seštevanj<br />
V večini primerov so x(n) realna števila, tako da za izračun DFT ponavadi<br />
potrebujemo:<br />
79<br />
(N 1 ) 2 množenj realnega števila s kompleksnim<br />
N(N − 1)<br />
W m N n je razen v posebnih primerih kompleksno število!<br />
kompleksnih seštevanj<br />
Iz tega kratkega pregleda postane razumljivo, zakaj so raziskovalci vložili<br />
veliko truda v iskanje posebnih tehnik hitrega računanja DFT in IDFT.<br />
osnutek
osnutek
4<br />
Fourierova transformacija pri<br />
naključnih signalih<br />
Ker je naključni signali rezultat časovnega in naključnega procesa, bi morala<br />
Fourierova transformacija naključnega signala dati naključni proces. Taka<br />
transformacija ne obstaja.<br />
Količina, ki jo lahko določimo za naključni signal in ima Fourierov transform,<br />
je avtokorelacija. Vendar smo pri tem omejeni na stacionarne (najmanj<br />
v širšem smislu) naključne procese.<br />
4.1 Značilna funkcija<br />
osnutek<br />
Posebno pomemben moment je g(X) = e jωX Imenujemo ga značilna ali karakteristična<br />
funkcija. Definiramo jo z:<br />
φ X (ω) = E[e jωX ] =<br />
∫ ∞<br />
−∞<br />
e jωx f X (x) dx , −∞ < ω < ∞ , (4.1)<br />
ki je pravzaprav Fourierova transformacija funkcije gostote verjetnosti f X (x).<br />
Od nje se razlikuje le v predznaku eksponenta, kar pa ni pomembno, dokler<br />
ima inverzna transformacija nasprotni predznak:<br />
f X (x) = 1 ∫ ∞<br />
e − jωX φ X (ω) dω . (4.2)<br />
2π −∞<br />
Značilna funkcija pri diskretnih naključnih procesih je definirana z:<br />
φ X (ω) =<br />
∞<br />
∑<br />
k=−∞<br />
e jωx k<br />
P(X = x k ) . (4.3)<br />
81
82<br />
Ker je Fourierova transformacija enolična, je funkcija gostote verjetnosti (ali<br />
porazdelitev verjetnosti) popolnoma določena s svojo značilno funkcijo. Vse<br />
ostale pričakovane vrednosti so lahko iste za različne porazdelitvene funkcije.<br />
Značilne funkcije imajo končno zgornjo mejo, enaka je 1:<br />
‖φ X (ω)‖ 1 1 . (4.4)<br />
DOKAZ 4.1 (zgornja meja značilne funkcije)<br />
Veljavnost (4.4) dokažemo z naslednjo izpeljavo:<br />
|φ X (ω)| =<br />
∣<br />
∫ ∞<br />
−∞<br />
e jωx ∫ ∞<br />
f X (x) dx<br />
∣ ∣<br />
∣e jωx f X (x) ∣ dx .<br />
ker je absolutna vrednost integrala manjša ali enaka integralu absolutne vrednosti,<br />
lahko zapišemo: ∣ ∣ e jωX f X (x) ∣ ∣ = ∣ ∣e jωx∣ ∣ ∣ ∣ f X (x) ∣ ∣ = 1· f X (x) ,<br />
od koder sledi<br />
−∞<br />
∫ ∞<br />
|φ X (ω)| f X (x) dx = 1 .<br />
−∞<br />
Karakteristična funkcija ima zgornjo mejo pri ω = 0. Tam je φ(0) = E[e j0X ] =<br />
E[1] = 1.<br />
4.1.1 Določanje momentov iz karakteristične funkcije<br />
osnutek<br />
Karakteristična funkcija se izkaže za zelo pripravno pri določanju momentov.<br />
Če je znana, lahko iz nje n-moment izračunamo z n-tim odvodom, kar je<br />
mnogo bolj preprosto kot integracija produkta vrednosti naključne spremenljivke<br />
in funkcije porazdelitve gostote verjetnosti.<br />
Postopek računanja momentov iz karakteristične funkcije lahko razvijemo<br />
iz:<br />
d n[ E(e jωX ) ]<br />
dω n<br />
[ d n (e jωX ]<br />
)<br />
= E<br />
dω n = E [ ( jX) n e jωX] .<br />
Ker je pričakovana vrednost omejena, lahko medsebojno zamenjamo zaporedje<br />
integriranja in odvajanja. Pri ω = 0 in po deljenju z ( j) n dobimo:<br />
E[X n ] = (− j) n dn<br />
dω<br />
} {{ n φ X (ω)<br />
∣<br />
} ω=0<br />
. (4.5)<br />
Dω<br />
n<br />
□<br />
D n ω je operator odvajanja (kompleksnih funkcij) po frekvenci. Njegov ekvivalent<br />
v časovnem prostoru je D n<br />
t = (− j) n d n / dt n .
ZGLED 4.1.1<br />
Določimo karakteristično funkcijo za naključne spremenljivko z eksponencialno porazdelitvijo<br />
verjetnosti:<br />
{<br />
ae<br />
−ax<br />
x 0, a > 0<br />
f X (x) =<br />
0 sicer<br />
in iz nje izračunajmo prvi, drugi moment in varianco.<br />
REŠITEV: Karakteristično funkcijo izračunamo z njeno definicijo v (4.1):<br />
83<br />
∫ ∞<br />
∫ ∞<br />
φ X (ω) = e jωx f X (x) dx = e jωx (ae −ax ) dx =<br />
a<br />
−∞<br />
0<br />
a − jω .<br />
Prvi moment ali srednjo vrednost izračunamo z<br />
E[X] = D ω φ X (ω) = (− j) d<br />
∣<br />
dω φ a( j) ∣∣∣ω=0<br />
X(ω) = (− j)<br />
(a − jω) 2 = 1 a .<br />
Podobno pot uberemo pri računanju drugega momenta:<br />
E[X 2 ] = D 2 ωφ X (ω) = (− j) 2 d 2<br />
dω 2 φ X(ω) = (− j) 2 ja( j2)<br />
(a − jω) 3 ∣<br />
∣∣∣ω=0<br />
= 2 a 2 .<br />
Varianco pri znani pričakovani srednji vrednosti in znanem drugem momentu izračunamo<br />
po znani povezavi:<br />
var[X] = E[X 2 ] − (E[X]) 2 = 2 a 2 − ( 1<br />
a) 2<br />
= 1 a 2 .<br />
osnutek<br />
4.1.2 Značilna funkcija Gaussovega procesa<br />
Nesporno je Gaussov naključna spremenljivka ena najpomembnejših naključnih<br />
spremenljivk. Zaradi tega ima njena karakteristična funkcija enak pomen.<br />
Najprej jo izpeljimo za normirano Gaussovo porazdelitev (µ = 0,σ 2 = 1):<br />
∫ ∞<br />
{ } 1<br />
φ X (ω) = e jωx √ e −x2 /2<br />
dx<br />
−∞ 2π<br />
= 1 √<br />
2π<br />
∫ ∞<br />
−∞<br />
= 1 √<br />
2π<br />
∫ ∞<br />
= e −ω2 /2<br />
−∞<br />
e −x2 /2+ jωx dx = 1 √<br />
2π<br />
∫ ∞<br />
−∞<br />
e −(x+ jω)2 −ω 2<br />
2 dx = e −ω2 /2 1<br />
√<br />
2π<br />
∫ ∞<br />
e −x2 − j2ωx−ω 2 +ω 2<br />
2 dx<br />
e −(x+ jω)2 /2 dx<br />
}<br />
−∞<br />
{{ }<br />
=1<br />
. (4.6)<br />
♦
84<br />
Vidimo, da ima karakteristična funkcija enako zvonasto obliko kot funkcija<br />
porazdelitve gostote verjetnosti. Zapišimo še splošno obliko, ko je pričakovana<br />
srednja vrednost enaka µ x in varianca enaka σ 2 :<br />
∫ ∞<br />
{ [ 1 −(x − µ)<br />
2<br />
φ X (ω) = exp{ jωx} √ exp dx<br />
2πσ 2<br />
−∞<br />
[<br />
jµω − σ 2 ω 2 ]<br />
2<br />
∫ ∞<br />
]}<br />
2σ 2<br />
exp<br />
[− (x − µ − jσ 2 ω) 2 ]<br />
2σ 2 dx<br />
1<br />
= exp<br />
√<br />
2πσ 2 −∞<br />
} {{ }<br />
=1<br />
= exp [ jµω − σ 2 ω 2 /2 ] . (4.7)<br />
Tudi sedaj ima značilna funkcija enak potek kot Gaussova porazdelitvena<br />
funkcija. V obeh primerih ima φ X (ω) maksimum, enak je 1, pri ω = 0.<br />
Podano izpeljavo oziroma rezultat v (4.8) posplošimo še za Gaussovo naključno<br />
spremenljivko Y = aX + b:<br />
[ ] [<br />
φ Y (ω) = E e jωY = E e jωaX+b] = e jωb E<br />
[e jωaX]<br />
z vpeljavo nove oznake ω ′ = aω lahko zapišemo:<br />
[ ] [<br />
]<br />
φ Y (ω) = e jωb E e jω′ X<br />
= e jωb exp jµω ′ − σ 2 (ω ′ ) 2 /2<br />
[<br />
] [<br />
]<br />
= exp jµaω − σ 2 a 2 ω 2 /2 = exp jω(µa + b) − (aσ) 2 ω 2 /2<br />
osnutek<br />
.<br />
(4.8)<br />
Ker je to Gaussova karakteristična funkcija, je Y Gaussova naključna spremenljivka<br />
z srednjo vrednostjo aµ x + b in varianco a 2 σ 2 .<br />
4.2 Avtokorelacija naključnih signalov<br />
V analizi signalov, pri katerih je različnost njihovih oblik takšna, da jih ni<br />
možno opisati oziroma predvideti, vpeljemo določene skupne značilnosti, ki<br />
jih je možno določiti. Ena zelo pomembna značilnost je avtokorelacija.<br />
Opazujmo množico naključnih signalov {X(t)} z omejeno srednjo kvadratno<br />
vrednostjo. Za signal X 1 (t) ∈ {X(t)} tvorimo izraz:<br />
∫<br />
1 T<br />
r xx (τ) = lim<br />
T →∞ 2T<br />
X 1(t)X 1 (t + τ) dt . (4.9)<br />
−T<br />
Ta obrazec imenujemo avtokorelacija naključne funkcije X 1 (t) iz družine<br />
{X(t)}. V smislu klasifikacije signalov so naključni signali močnostni signali.<br />
Zato za njih lahko definiramo avtokorelacijo podobno kot pri periodičnih<br />
signalih, torej kot povprečno vrednost korelacije na definicijskem<br />
intervalu, torej tako, kot je zapisano v (4.9).
Predpostavimo, da avtokorelacijska funkcija obstaja za vse realne vrednosti<br />
τ in da je ista za vse funkcije iz družine {X(t)}. V tem primeru je r xx (τ)<br />
značilnost cele družine in ne samo funkcije X 1 (t) iz {X(t)}.<br />
85<br />
4.2.1 Lastnosti avtokorelacije naključnih signalov<br />
Avtokorelacija r xx (τ) naključnega signala X 1 (t) ∈ {X(t)} ima naslednje lastnosti:<br />
1. Avtokorelacija je soda funkcija<br />
r xx (τ) = r xx (−τ) . (4.10)<br />
DOKAZ 4.2<br />
Vemo, da je r xx (τ) za periodične in aperiodične signale soda funkcija. Pričakujemo,<br />
da je takšna tudi pri naključnih signalih. To dokažemo z zamenjavo τ s −τ. Dobimo:<br />
1<br />
∫ T<br />
r xx (−τ) = lim<br />
T →∞ 2T −T X 1(t)X 1 (t − τ) dt<br />
1<br />
∫ T −τ<br />
= lim X 1 (t)X 1 (t + τ) dt<br />
T →∞ 2T −T −τ<br />
1<br />
∫ T<br />
= lim<br />
T →∞ 2T −T X 1(t)X 1 (t + τ) dt = r xx (τ) .<br />
Torej je r xx (τ) = r xx (−τ), kar je lastnost sodih funkcij<br />
osnutek<br />
2. Avtokorelacija naključne funkcije vzeta pri τ = 0 določa srednjo moč signala<br />
X 1 (t):<br />
∫<br />
1 T<br />
r xx (0) = lim<br />
T →∞ 2T −T x2 1(t) dt . (4.11)<br />
DOKAZ 4.3<br />
Če v (4.9) vstavimo τ = 0, dobimo:<br />
r xx (0) = lim<br />
T →∞<br />
1<br />
∫ T<br />
2T −T X 1 2 (t) dt .<br />
□<br />
to je srednja kvadratna vrednost signala X 1 (t) ali tudi srednja moč.<br />
□<br />
3. Vrednost avtokorelacije čistega naključnega signala, – to je signala, ki<br />
ne vsebuje periodičnih ali aperiodičnih komponent – je pri neskončnem<br />
argumentu enaka nič:<br />
r xx (∞) = 0 . (4.12)
86<br />
Te lastnosti ne bomo dokazali – dokaz zahteva nekaj izrekov verjetnostnega<br />
računa, ki jih nismo opisali. Zato le krajša intuitivna razlaga te<br />
lastnosti. Če je signal čisto naključen, s to lastnostjo ugotavljamo, da<br />
sta “začetek” in “konec” naključnega signala statistično neodvisna. To<br />
se pravi, da med njima ni vzročne povezave, oziroma povedano drugače,<br />
“konec” signala se ne “spominja” svojega “začetka”. To fizikalno dejstvo<br />
je razmeroma lahko umljivo, saj časovno med seboj oddaljeni dogodki<br />
običajno niso medsebojno povezani.<br />
4. Če je avtokorelacija zvezna v izhodišču, je zvezna povsod:<br />
če<br />
potem<br />
1<br />
∣<br />
lim ∣r xx (0) − r xx (±ε) ∣ = 0 (4.13)<br />
ε→0 2T<br />
1<br />
∣<br />
lim ∣r xx (τ) − r xx (τ ± ε) ∣ = 0 (4.14)<br />
ε→0 2T<br />
To znamenito lastnost je dokazal Wiener s pomočjo Schwartzove neenačbe<br />
(glej razdelek na strani ), ki pravi: če obstajata integrala<br />
∫<br />
∫<br />
g 2 (t) dt in f 2 (t) dt<br />
realnih funkcij g(t) in f (t), potem velja neenakost<br />
∫<br />
[ ∫ ∫ ]<br />
∣ g(t) f (t) dt<br />
∣ x dt][ 2 y 2 dt<br />
Poglejmo!<br />
DOKAZ 4.4 (zveznost avtokorelacije)<br />
Izhajamo iz (4.14) pri τ > 0:<br />
osnutek<br />
∣<br />
∣r xx (τ) − r xx (τ ± ε) ∣<br />
=<br />
∣ lim 1<br />
∫ T<br />
ε→0 2T −T X 1<br />
∫ T<br />
1(t)X 1 (t + τ) dt − lim<br />
ε→0 2T −T X 1(t)X 1 (t + τ ± ε) dt<br />
∣<br />
=<br />
∣ lim 1<br />
∫ T<br />
ε→0 2T −T X 1(t) [ X 1 (t + τ) − X 1 (t + τ ± ε) ] dt<br />
∣ .<br />
.<br />
Uporabimo Swartzovo neenačbo. Signalu x 1 (t) damo vlogo funkcije f (t), signalu<br />
[x 1 (t + τ) − x 1 (t + τ ± ε) ] pa funkcije g(t):
87<br />
∣ rxx (τ) − r xx (τ ± ε) ∣ ∣ 2<br />
1<br />
∫ T<br />
lim<br />
ε→0 2T −T x2 1(t) dt<br />
} {{ }<br />
=r xx (0)<br />
1<br />
∫ T [<br />
· lim x1 (t + τ) − x 1 (t + τ ± ε) ] 2 dt<br />
ε→0 2T −T<br />
1<br />
∫ T [<br />
= r xx (0) lim x<br />
2<br />
ε→0 2T 1 (t + τ) − x 1 (t + τ)x 1 (t + τ ± ε) + x1(t 2 + τ ± ε) ] dt<br />
−T<br />
[<br />
1<br />
∫ T<br />
1<br />
∫ T<br />
= r xx (0) lim<br />
ε→0 2T −T x2 1(t + τ) dt − lim<br />
ε→0 2T<br />
} {{ }<br />
−T x 1(t + τ)x 1 (t + τ ± ε) dt<br />
} {{ }<br />
=r xx (0)<br />
ε→0<br />
1<br />
∫ T<br />
+ lim<br />
2T −T x2 1(t + τ ± ε) dt<br />
} {{ }<br />
=r xx (0)<br />
= r xx (0) [ r xx (0) − 2r xx (±ε) + r xx (0) ]<br />
= 2r xx (0) [ r xx (0) − r xx (±ε) ] .<br />
osnutek<br />
]<br />
=r xx (±ε)<br />
Če velja (4.13), potem izraz v oglatem oklepaju z manjšanjem ε proti nič upada<br />
proti nič, s tem pa upada proti nič tudi |r xx (τ)−r xx (τ ± ε)| 2 , oziroma tudi |r xx (τ)−<br />
r xx (τ ± ε)|. Torej je (4.14) res.<br />
□<br />
5. Vrednost avtokorelacijske funkcije je največja pri premiku τ = 0:<br />
4.3 Einstein-Wiener-Hinčinov izrek<br />
|r xx (0) r xx (τ) pri τ ≠ 0 . (4.15)<br />
Spomnimo se definicija avtokorelacije funkcije kompleksnega aperiodičnega<br />
signala x(t):<br />
∫ ∞<br />
r xx (τ) = x ∗ (t)x(t + τ) dt . (4.16)<br />
−∞<br />
Izrazimo konjugirano kompleksno vrednost x ∗ (t) z inverzno transformacijo<br />
njunih spektrov:<br />
x ∗ (t) = 1 ∫ ∞<br />
X ∗ (ω)e − jωt dω (4.17)<br />
2π −∞<br />
in signal x(t + τ) z:<br />
x(t + τ) = 1<br />
2π<br />
∫ ∞<br />
−∞<br />
X(ω)e jω(t+τ) dω . (4.18)<br />
Vstavimo (4.17) in (4.18) v obrazec za avtokorelacijo (4.16), zamenjamo ω<br />
z v ter u, oziroma dω z dv ter du, in dobimo:
88<br />
∫ ∞<br />
r xx (τ) =<br />
=<br />
−∞<br />
∫ ∞<br />
−∞<br />
[ 1<br />
2π<br />
1<br />
2π<br />
∫ ∞<br />
−∞<br />
∫ ∞<br />
−∞<br />
][ 1<br />
X ∗ (v)e jvt dv<br />
2π<br />
1<br />
2π<br />
∫ ∞<br />
−∞<br />
= 1 ∫ ∞<br />
∫ ∞<br />
X ∗ (v)X(u)e − juτ<br />
2π −∞<br />
−∞<br />
povrnemo originalno oznako za krožno frekvenco:<br />
oziroma:<br />
= 1 ∫ ∞<br />
X ∗ (ω)X(ω)e − jωτ dω<br />
2π −∞<br />
= 1 ∫ ∞<br />
|X(ω)| 2 e − jωτ dω<br />
2π −∞<br />
= F {|X(ω)| 2 } .<br />
r xx (τ)<br />
F<br />
←−−−→ |X(ω)| 2<br />
∫ ∞<br />
−∞<br />
]<br />
X(u)e −u(t+τ) du dt<br />
X ∗ (v)X(u)e<br />
} jvt e − {{ ju(t+τ)<br />
}<br />
dv du dt<br />
e j(v−u)t e<br />
∫ − juτ<br />
∞<br />
1<br />
e j(v−u)t dv dt du<br />
2π −∞<br />
} {{ }<br />
=δ(v−u)<br />
} {{ }<br />
=1<br />
Povezavo (4.19), oziroma simbolični zapis (4.20) imenujemo Einstein-Wiener-<br />
Hinčinov izrek 1,2,3 . Ta izrek velja na splošno, za vse signale, katerim lahko<br />
izračunamo avtokorelacijo, oziroma Fourierovo transformacijo, ter za vse τ.<br />
Pri τ = 0 (4.19) preide v znano Parsevalovo identiteto:<br />
E x = r xx (0) = 1<br />
2π<br />
osnutek<br />
∫ ∞<br />
−∞<br />
|X(ω)| 2 dω . (4.21)<br />
Ker je družina signalov, za katero lahko izračunamo Fourierovo transformacijo,<br />
omejena na energijske signale, posplošimo Einstein-Wiener-Hinčinov<br />
1 V literaturi je ta izrek običajno imenovan Wiener-Hinčinov izrek v čast pionirskega dela,<br />
ki sta ga na tem področju neodvisno drug od drugega opravila opravila Norbert Wiener [41,<br />
1930] in A.I. Hinčin [42, 1934]. Kasneje je bil odkrit pozabljen članek Alberta Einsteina,<br />
ki ga je leta 1914 predstavil na srečanju Švicarskega združenja fizikov v Baslu. V njem je<br />
diskutiral o avtokorelacijski funkciji in njeni povezavi s spektralno vsebino signala. Angleški<br />
prevod članka je doživel ponatis šele leta 1987 v reviji IEEE ASSP Magazine in tako<br />
postal znan širši strokovni javnosti.<br />
2 Angleški transkripcija ruskega imena A.J. Hinčina je A.Ya. Khintchine.<br />
3 Za razumevanje in uporabo Einstein-Wiener-Hinčinov izreka v inženirski praksi pa je<br />
zaslužen predvsem odlični učbenik “Statistical Theory of Communications” [44, 1960], ki<br />
ga je napisal Wienerov učenec Y.W. Lee.
izrek še na močnostne signale – to so periodični in naključni signali. Če upoštevamo,<br />
da je avtokorelacija soda funkcija, potem lahko Fourierov transformacijo<br />
v (4.19) poenostavimo v kosinusno Fourierovo transformacijo, oziroma<br />
pri naključnih signalih pomembnost te Fourierove transformacije poudarimo<br />
z zapisom v obliki izreka:<br />
89<br />
IZREK 4.1 (Einstein-Wiener-Hinčinov izrek)<br />
Statistična avtokorelacija r xx (τ) signala, ki ga rojeva naključni proces – stacionaren<br />
vsaj v širšem smislu – in gostota močnostnega spektra R xx (ω) tega signala, tvorita<br />
Fourierov par:<br />
r xx (τ)<br />
F<br />
←−−−→ R xx (ω) ,<br />
ki ju povezuje kosinusna Fourierova transformacija:<br />
∫ ∞<br />
R xx (ω) = r xx (τ)cosωτ dτ<br />
(4.22a)<br />
−∞<br />
r xx (τ) = 1 ∫ ∞<br />
R xx (ω)cosωτ dω<br />
2π −∞<br />
. (4.22b)<br />
Pri tem morata biti izpolnjena pogoja ‖r xx (τ)‖ 1 < ∞ in ‖R xx (τ)‖ 1 < ∞.<br />
Spomnimo se, da smo s Parsevalovo identiteto pri periodičnih signalih povezali<br />
moč signala z močnostnim spektrom, pri aperiodičnih signalih pa energijo<br />
signala z energijskim spektrom; ter da z avtokorelacijo pri τ = 0 pri<br />
periodičnih signalih izračunamo moč signala, pri aperiodičnih pa energijo signala.<br />
Ker iz (4.21) sledi, da je Einstein-Wiener-Hinčinov izrek posplošitev<br />
Parsevalove identitete, zato glede na vrsto signala določa:<br />
osnutek<br />
1. Fourierova transformacija avtokorelacije periodičnega signala močnostni<br />
spekter,<br />
2. Fourierova transformacija avtokorelacije aperiodičnega signala energijski<br />
spekter,<br />
3. Fourierova transformacija avtokorelacije naključnega signala pa gostoto<br />
močnostnega spektra.<br />
<br />
4.3.1 Izpeljava Einstein-Wiener-Hinčinovega<br />
izreka za naključne signale<br />
Zakaj Einstein-Wiener-Hinčinov izrek pri naključnih signalih povezuje avtokorelacijo<br />
in gostoto močnostnega spektra, najlažje uvidimo iz izpeljave tega<br />
izreka za te signale.<br />
Opazujmo naključni signal X(t), ki ga rojeva stacionarni naključni proces.<br />
Ta signal naj ima srednjo vrednost enako nič. Zamislimo si, da smo končno
90<br />
dolgo opazovali ta signal, na primer med trenutkoma t 1 in t 2 . Trajanje opazovanja<br />
označimo z intervalom t 2 − t 1 = 2T , sredino intervala pa upoštevamo<br />
kot referenčno točko opazovanja t = 0 (slika 4.3). Opazovani del naključnega<br />
signala X(t) lahko definiramo kot nov, aperiodični, prehodni signal z znano<br />
obliko:<br />
{<br />
X(t) −T t T<br />
X T (t) =<br />
, (4.23)<br />
0 sicer<br />
za katerega lahko izračunamo Fourierov transform, oziroma lahko v skladu z<br />
(4.19) avtokorelacijo i r xx (τ) aperiodičnega signala izrazimo z inverzno Fourierovo<br />
transformacijo energijskega spektra:<br />
∫ T<br />
i r xx (τ) = X T (t)X T (t + τ) dt<br />
−T<br />
= 1 ∫ ∞<br />
|X T (ω)| 2 e jωτ dω . (4.24)<br />
2π<br />
−∞<br />
Predeksponent i označuje izbrani interval 2T . Ker bomo kasneje interval 2T<br />
večali preko vseh meja, normiramo (4.24) na interval 2T . S tem zagotovimo<br />
obstoj inverzne Fourierove transformacije:<br />
i r xx (τ)<br />
2T = 1<br />
2T<br />
= 1<br />
2π<br />
∫ T<br />
X T (t)X T (t + τ) dt<br />
−T<br />
|X T (ω)| 2<br />
e − jωτ dω<br />
2T<br />
. (4.25)<br />
∫ ∞<br />
−∞<br />
osnutek<br />
Avtokorelacija v (4.25) velja le za opazovani interval naključnega signala in<br />
ne za ves signal. Boljši približek k avtokorelaciji naključnega signala X(t)<br />
dobimo, če izračunamo avtokorelacijo za množico intervalov na X(t), ki jih<br />
raztrosimo po naključnem signalu tako, da je razdalja med njimi zagotovi<br />
t 1 2T t 2<br />
Xt<br />
t<br />
Slika 4.1<br />
Ilustracija definicije signala XT (t).<br />
X t T <br />
t<br />
-T T
91<br />
2T 2T<br />
2T<br />
t 1 2T t 2<br />
Xt<br />
t<br />
1 X t T <br />
1rr xx <br />
osnutek<br />
-T<br />
-T<br />
-T<br />
2 X t T <br />
3 X t T <br />
n X t T <br />
T<br />
T<br />
T<br />
t<br />
t<br />
t<br />
t<br />
2rr xx <br />
3rr xx <br />
nrr xx <br />
-T<br />
T<br />
Slika 4.2<br />
Zbirka signalov i XT (t) in pripadajoče vrednosti avtokorelacij<br />
i r xx (τ).<br />
statistično neodvisnost (slika 4.3.1). Na ta način lahko oblikujemo populacijo<br />
neskončno mnogo funkcij i X T (t) in pripadajočih vrednosti avtokorelacij<br />
i r xx (τ). Če je populacija stacionarna vsaj v širšem smislu, lahko določimo<br />
avtokorelacijo signala X(t) v trenutku t kot povprečje vseh avtokorelacij na<br />
izbranih intervalih 2T :<br />
r xx (τ) = i r xx (τ) = i X T (t) i X T (t + τ) . (4.26)
92<br />
S povprečenjem vseh intervalov smo določili statistično avtokorelacijo naključnega<br />
signala X(t):<br />
r xx (τ)<br />
2T<br />
= i {<br />
r xx (τ) 1<br />
2T = 2π<br />
= 1<br />
2π<br />
∫ ∞<br />
∫ ∞<br />
−∞<br />
| i X T (t)| 2 }<br />
e jωτ dω (4.27)<br />
2T<br />
{ | i X T (t)| 2 }<br />
e jωτ dω . (4.28)<br />
2T<br />
−∞<br />
Sedaj večajmo interval |2T | tako, da se i X T (t) zlijejo v X(t). Pri ergodičnih<br />
procesih v tem primeru zaviti oklepaj v (4.28) opiše gostoto močnostnega<br />
spektra:<br />
{ |<br />
lim<br />
i X T (t)| 2 }<br />
= R xx (ω) , (4.29)<br />
T →∞ 2T<br />
oziroma (4.28) preide v:<br />
r xx (τ)<br />
r xx (τ) = lim<br />
T →∞ 2T = 1 ∫ ∞<br />
R xx (ω)e jωτ dω<br />
2π −∞<br />
. (4.30)<br />
4.3.2 Gostota močnostnega spektra<br />
Funkcija R xx (ω) določa gostoto v močnostnega spektra naključne funkcije<br />
x(t). Opravičimo to ime! V ta namen v (4.30) postavimo τ = 0:<br />
To vodi do:<br />
lim<br />
1<br />
T →∞ 2T<br />
r xx (0) = 1<br />
2π<br />
∫ T<br />
−T<br />
∫ ∞<br />
osnutek<br />
−∞<br />
X 2 (t) dt = 1<br />
2π<br />
R xx (ω) dω . (4.31)<br />
∫ ∞<br />
Leva stran (4.32) določa srednjo moč signala x(t), izraz:<br />
−∞<br />
R xx (ω) dω . (4.32)<br />
R xx (ω) dω<br />
pa infinitezimalno moč x(t), ki jo vsebuje frekvenčni pas dω. Končni prispevek<br />
moči dobimo le znotraj končnega frekvenčnega pasu. Zato R xx (ω)<br />
predstavlja gostoto moči v točki ω.<br />
4.3.3 Lastnosti gostote močnostnega spektra<br />
1. Vrednost gostote močnostnega spektra stacionarnega naključnega procesa<br />
pri frekvenci ω = 0 je enaka površini pod avtokorelacijsko funkcijo:<br />
R xx (0) =<br />
∫ ∞<br />
−∞<br />
r xx (τ) dτ . (4.33)
2. Srednja kvadratna vrednost stacionarnega naključnega procesa je enaka<br />
površini pod funkcijo gostote močnostnega spektra:<br />
E[X 2 (t)] = 1<br />
2π<br />
∫ ∞<br />
−∞<br />
93<br />
R xx (ω) dω . (4.34)<br />
Ta lastnost dobimo direktno iz (4.22b), če izberemo τ = 0. Velja r xx (0) =<br />
E[X 2 (t)].<br />
3. Gostota močnostnega spektra naključnega stacionarnega procesa je vedno<br />
nenegativna:<br />
R xx (ω) 0 pri vseh ω . (4.35)<br />
Ta lastnost je posledica dejstva, da je srednja kvadratna vrednost procesa<br />
vedno negativna: E[X 2 (t)] > 0.<br />
4. Funkcija gostote močnostnega spektra realnega naključnega procesa, X(t) :<br />
x ∈ R je soda funkcija:<br />
R xx (−ω) = R xx (ω) . (4.36)<br />
DOKAZ 4.5<br />
V definiciji Fourierove transformacije avtokorelacije (4.22a) zamenjamo ω z −ω:<br />
R xx (−ω) =<br />
∫ ∞<br />
−∞<br />
r xx (τ)e jωt dt .<br />
osnutek<br />
Z zamenjavo −τ s τ in upoštevanjem, da je avtokorelacija r xx (τ) soda funkcija,<br />
dobimo<br />
∫ ∞<br />
R xx (−ω) = r xx (τ)e − jωt dt = R xx (ω) .<br />
−∞<br />
□<br />
5. Lastnosti primerno normalizirane funkcije (porazdelitve) gostote močnostnega<br />
spektra so ponavadi povezane z lastnostmi funkcijo porazdelitve<br />
gostote verjetnosti.<br />
Z normalizacijo želimo doseči, da je površina pod normalizirano porazdelitvijo<br />
gostote močnostnega spektra enaka ena. To dosežemo z:<br />
ρ X (ω) =<br />
1<br />
2π<br />
∫ ∞<br />
R xx (ω)<br />
−∞<br />
R xx (ω) dω<br />
Funkcija R X (ω) ima podobne lastnosti kot f X (x):<br />
a) ρ X (ω) > 0<br />
b) ∫ ∞<br />
−∞ ρ X(ω) dω = 1<br />
. (4.37)
94<br />
4.4 Fourierova transformacija<br />
avtokorelacije Gaussovega procesa<br />
Fourierova transformacija funkcije porazdelitve gostote verjetnosti pri Gaussovem<br />
naključnem procesu ...<br />
4.5 Beli šum<br />
S terminom beli šum označujemo signal, katerega gostota močnostnega spektra<br />
je konstantna za vse frekvence:<br />
R xx (ω) = N 0<br />
2<br />
, −∞ < ω < ∞ (4.38)<br />
kjer je deljenje z 2 zaradi tega, ker upoštevamo šum tudi pri negativnih frekvencah<br />
4.3. Moč šuma, ki jo izračunamo s (4.38), je videti neskončna. Če je<br />
Slika 4.3<br />
Spekter močnostne gostote<br />
belega šuma.<br />
šum takšen, da je njegov spekter omejen, kot je to primer pri vseh fizikalnih<br />
procesih, imamo opravka z obarvanim šumom.<br />
Koncept belega šuma v obdelave signalov izjemno pomemben. Iz kvantne<br />
mehanike vemo, da ima termični (toplotni) šum gostoto močnostnega spektra<br />
določeno z:<br />
R xx (ω) = 1 2Rh|ω|<br />
2π e h|ω|kT − 1<br />
N___<br />
2 0<br />
S<br />
0<br />
osnutek<br />
, −∞ < ω < ∞ (4.39)<br />
kjer je k Boltzmanova konstanta (1,37×10 −23 ), h Planckova konstanta (6,62×<br />
10 −34 ) in T temperatura v stopinjah Kelvina. Njena maksimalna gostota je<br />
pri ω = 0 in znaša:<br />
<br />
max{R xx (ω)} = r xx (0) = 1 π RkT ,<br />
ki jo lahko izračunamo z limitnim postopkom. Pri frekvenci | f | 0,1kT 0 /h =<br />
6 × 10 11 Hz gostota močnostnega spektra upade le za 5%. Čeprav ta šum<br />
nima povsem konstante gostote močnostnega spektra, ga do te visoke frekvence<br />
v inženirstvu upoštevamo kot konstantnega. To frekvenčno območje<br />
presega danes v praksi uporabljana frekvenčna področja.
Avtokorelacijo belega šuma teoretično lahko dobimo z inverzno Fourierovo<br />
transformacijo:<br />
95<br />
r xx (τ) = 1 ∫ ∞ N 0<br />
2π −∞ 2 e jωτ dω = N ∫<br />
0 1 ∞<br />
e jωτ dω ,<br />
2 2π −∞<br />
Ta integral ne moremo direktno oceniti, je pa sorazmeren Diracovem impulzu<br />
pri τ = 0.<br />
r xx (0) = N 0<br />
δ(τ) (4.40)<br />
2<br />
Zato v analizi sistemov pogosto uporabljamo beli šum (realiziranega s toplotnim<br />
šumom) namesto Diracovega impulza.<br />
4.6 Kumulativni močnostni spekter<br />
Da bi tudi fizikalno ponazorili spekter močnostne gostote, si oglejmo preprosto<br />
metodo, po kateri bi ta spekter mogli meriti, ilustrira jo slika 4.4.<br />
x( t)<br />
idealno<br />
nizko<br />
sito<br />
P<br />
R = 1 <br />
Slika 4.4<br />
Ilustracija k meritvi moči P(ω), ki se troši na<br />
uporu 1 Ω.<br />
Na sliki 4.4 vidimo generator g, ki poganja v idealno nizko sito funkcijo<br />
funkcijo x(t), ki bodi ali električni tok ali električna napetost. Pri idealnem<br />
nizkem situ lahko spreminjamo mejno kotno frekvenco ω c . Na sito imamo<br />
priključen upor R, R = 1 Ω, na katerem se troši moč, ki teče od generatorja<br />
preko sita v upor.<br />
Pri situ spreminjamo mejno frekvenco in istočasno merimo uporabljeno<br />
moč P(ω) na uporu R. mejna frekvenca ω c naj se veča od nič preko ω 1 ,ω 2 ,...<br />
naprej: 0 < ω 1 < ω 2 < ....Vrednosti porabljene moči, ki pripada frekvenčnim<br />
intervalom (0,ω 1 ), (0,ω 2 ), (0,ω 3 ),... so P(ω 1 ), P(ω 2 ), P(ω 3 ) in tako<br />
naprej. Razmere ponazarja slika 4.5. Moč P(ω) je tako moč, ki se uporabi na<br />
osnutek<br />
P<br />
0<br />
<br />
<br />
Slika 4.5<br />
Na uporu porabljena moč, če<br />
večamo prepustno področje sita<br />
preko katerega teče naključni<br />
električni val od generatorja k<br />
porabniku.<br />
uporu in ki pripada frekvenčnemu področju med frekvenco nič in ω. Strmino<br />
krivulje 4.5 kaže slika 4.6.
96<br />
Slika 4.6<br />
Strmina ali odvod krivulje s slike<br />
4.6.<br />
strmina P<br />
0<br />
<br />
ustrezne enačbe v tekstu<br />
še ni<br />
Slika 4.7<br />
Črtkana krivulja še enkrat predstavlja krivuljo s slike<br />
4.6. Debelo izvlečena črta predstavlja spekter s x (ω)<br />
gostote moči. Dobili smo ga tako, da smo razpolovili<br />
ploščino pod črtkano krivuljo in polovico narisali na<br />
negativni strani osi ω.<br />
Krivulja na sliki 4.6, ki smo jo dobili z z meritvijo, je tako imenovani<br />
integralni močnostni spekter ali tudi kumulativni močnostni spekter. Odvod<br />
te krivulje, ki ga kaže slika 4.6, je spekter močnostne gostote ali gostote<br />
moči. Da bi bili v soglasju z definicijo spektra R xx (ω), po enačbi [4.9], ki<br />
je soda funkcija spremenljivke ω, razpolovimo ploščino pod krivuljo na sliki<br />
4.6 in eno polovico narišemo na levi strani po osi ω. Dobimo razmere, ki jih<br />
ilustrira slika 4.7.<br />
S<br />
0<br />
strmina P<br />
Ploščina pod krivuljo na intervalu (−∞,∞) predstavlja do multiplikativne<br />
konstante 1<br />
2π<br />
natančno moč, ki je na tem intervalu.<br />
Če vsebuje naključna funkcija tudi periodične komponente, je spekter<br />
močnostne gostote sestavljen iz dveh delov: iz zvezne krivulje R n (ω), ki<br />
ustreza čistemu naključnemu valu n(t) in iz zaporedja impulzov r xx (mω 1 ) za<br />
periodični val x(t). Razmere ponazarja slika 4.8.<br />
osnutek<br />
<br />
Slika 4.8<br />
Spekter močnostne gostote za naključne signale, ki<br />
vsebujejo tudi periodične komponente.<br />
Sm<br />
0<br />
S<br />
<br />
Pri mnogokratnikih mω 1 osnovne krožne harmonične frekvence ω 1 so<br />
amplitude impulzov, ki ponazarjajo gostoto moči posameznih periodičnih<br />
komponent, neskončno visoke. Integrali impulzov - to so ploščine impulzov,<br />
ustrezajo močem, ki jih imajo harmonične komponente pri posameznih frekvencah<br />
in so zato končni. Da bi mogli na istem diagramu prikazati prispevke<br />
moči za periodične in naključne signale tudi količinsko in ne le kakovostno,
97<br />
vpeljemo tako imenovani integralni močnostni spekter S n (ω) z zvezo:<br />
S n (ω) =<br />
∫ ω<br />
−∞<br />
R n (ω) dω . (4.41)<br />
Integralni močnostni spekter je je pozitivna naraščajoča funkcija, kajti spekter<br />
močnostne gostote R n (ω) je pozitivna funkcija. Integralni močnostni<br />
spekter S x (mω 1 ) za periodične signale je:<br />
∞<br />
∑<br />
S x (ω) = xx (mω 1 ) =<br />
m=−∞r 1 4<br />
∞<br />
∑<br />
m=−∞<br />
(<br />
a<br />
2<br />
mω1 + b 2 mω 1<br />
)<br />
osnutek<br />
. (4.42)<br />
Če imamo val z naključno in s periodično komponento, je integralni spekter<br />
vsota vseh ustreznih spektrov:<br />
Tovrstni spekter ponazarja slika 4.9.<br />
S S + Sm <br />
S(ω) = S n (ω) + S x (mω 1 )<br />
0<br />
S<br />
Kot že vemo, je celotna moč periodičnega signala dana z vrednostjo ustrezne<br />
avtokorelacije pri premiku nič. Imamo:<br />
r xx (0) =<br />
∞<br />
∑<br />
m=−∞<br />
r xx (mω 1 ) = S x (∞) .<br />
Podobno je skupna moč naključne komponente dana z avtokorelacijo ustrezne<br />
funkcije pri τ = 0:<br />
r n (0) = 1 ∫ ∞<br />
R n (ω) dω = S n (∞) .<br />
2π −∞<br />
Tako je<br />
S(∞) = r n (0) + r xx (0) .<br />
Integralni močnostni spekter S(ω) ima naslednje lastnosti:<br />
1. S(ω) je ne negativna funkcija,<br />
2. S(ω) je realna funkcija in<br />
3. S(ω) ni padajoča funkcija.<br />
<br />
Slika 4.9<br />
Integralni močnostni spekter naključnega<br />
signala, ki vsebuje tudi periodično<br />
komponento.
98<br />
4.7 Linearni sistemi z naključnim vhodom<br />
V opisu prehoda naključnih signalov skozi sistem smo zapisali, da linearni<br />
sistem ne spremeni naključnega procesa. Če je na vhodu Gaussov proces, potem<br />
je tudi na izhodu Gaussov proces. Določa ga funkcija srednje vrednosti<br />
in avtokorelacije ali kovariančna funkcija<br />
Imejmo sistem z impulznim odzivom h(t), pri katerem sta srednja vrednost<br />
in avtokorelacija naključnega procesa na vhodu enaki µ x in R xx (t 1 ,t 2 ).<br />
V tem primeru je srednja vrednost signala na izhodu sistema določena z:<br />
ali<br />
µ y (t) = E[Y (t)]<br />
[ ∫ ∞<br />
]<br />
= E X(u)h(t − u) du =<br />
−∞<br />
[ ∫ ∞<br />
µ y (t) = E[Y (t)] = E<br />
−∞<br />
∫ ∞<br />
−∞<br />
]<br />
X(u)h(t − u) du<br />
E[X(u)h(t − u)] du<br />
∫ ∞<br />
= E[X(u)h(t − u)] du . (4.43)<br />
−∞<br />
Podobno, avtokorelacijsko funkcijo določa:<br />
R yy (t 1 ,t 2 ) = E[Y (t 1 ),Y (t 2 )]<br />
[ ∫ ∞<br />
∫ ∞<br />
]<br />
= E X(t 1 − u)h(u) du X(t 2 − u)h(v) dv<br />
−∞<br />
−∞<br />
[ ∫ ∞ ∫ ∞<br />
]<br />
= E X(t 1 − u)X(t 2 − u)h(u)h(v) du dv<br />
∫ ∞<br />
=<br />
−∞<br />
−∞ −∞<br />
∫ ∞<br />
−∞<br />
osnutek<br />
EX(t 1 − u)X(t 2 − u)h(u)h(v) du dv<br />
ali<br />
∫ ∞ ∫ ∞<br />
R yy (t 1 ,t 2 ) = R xx (t 1 − u,t 2 − u)h(u)h(v) du dv . (4.44)<br />
−∞ −∞<br />
Iz (4.43) in (4.44) sledi, da funkcija srednje vrednosti in avtokorelacijska<br />
funkcija veljata za katerikoli naključni proces na izhodu linearnega sistema.<br />
Ti funkciji imata pri naključen proces Gaussovem procesu poseben pomen,<br />
saj ga določata.<br />
V posebnem primeru, ko je X(t) stacionarni proces v širšem smislu, torej<br />
µ x (t) = µ x , in R xx (t 1 ,t 2 ) = R xx (τ), kjer je τ = t 2 − t 1 , se funkcija za srednjo
99<br />
vrednost poenostavi v:<br />
µ y (t) =<br />
∫ ∞<br />
−∞<br />
µ x h(u) du<br />
ali<br />
∫ ∞<br />
µ y (t) = µ x h(u) du = µ y , (4.45)<br />
in je konstanta. Poenostavi se tudi avtokorelacijska funkcija:<br />
ali<br />
R yy (t 1 ,t 2 ) =<br />
∫ ∞ ∫ ∞<br />
−∞<br />
−∞<br />
−∞<br />
R xx (t 2 − v(t 1 − u)h(u)h(v) du dv<br />
∫ ∞ ∫ ∞<br />
R yy (τ) = R xx (τ − v + u)h(u)h(v) du dv . (4.46)<br />
−∞ −∞<br />
Torej, če vhodni signal stacionaren v širšem smislu, je tudi izhodni signal<br />
stacionaren v širšem smislu.<br />
Gostoto močnostnega spektra na izhodu linearnega sistema lahko izpeljemo<br />
iz (4.46):<br />
R yy (τ) = 1<br />
2π<br />
∫ ∞ ∫ ∞ ∫ ∞<br />
−∞<br />
−∞<br />
−∞<br />
S x (ω)e jω(τ−v+u) h(u)h(v) dω du dv<br />
osnutek<br />
kjer z zamenjavo zaporedja integriranja dobimo:<br />
R yy (τ) = 1 ∫ ∞<br />
[ ∫ ∞<br />
][ ∫ ∞<br />
]<br />
S x (ω) h(u)e jωu du h(v)e jωv dv e jωτ dω .<br />
2π −∞<br />
−∞<br />
−∞<br />
(4.47)<br />
Pri realnem impulznem odzivu h(t) integral z neodvisno spremenljivko v določa<br />
prenosno funkcijo H(ω), integral z neodvisno u pa njen konjugirano<br />
kompleksni potek H ∗ (ω). Zato se (4.47) v tem primeru poenostavi v:<br />
R yy (τ) = 1<br />
2π<br />
= 1<br />
2π<br />
∫ ∞<br />
−∞<br />
∫ ∞<br />
−∞<br />
S x (ω)|H(ω)| 2 e jωτ dω<br />
S y (ω)e jωτ dω , (4.48)<br />
kjer smo upoštevali znano relacijo |H(ω)| 2 = H(ω)H ∗ (ω). Ker je Fourierova<br />
transformacija enolična, sta integranda v (4.48) enaka. Zato velja:<br />
S y (ω) = S x (ω)|H(ω)| 2 . (4.49)
100<br />
Slika 4.10<br />
Prenosna (frekvenčna)<br />
karakteristika idealnega nizkega<br />
sita.<br />
1<br />
<br />
S<br />
0<br />
<br />
<br />
ZGLED 4.7.1 (izhod linearnega sistema pri belem šumu na vhodu)<br />
Določimo izhodni signal idealnega nizkega sita (slika 4.10), ko je na vhodu sita naključni<br />
signal belega šuma.<br />
REŠITEV:<br />
Za beli šum velja<br />
R xx (τ) = N 0<br />
2 δ(τ) in S x(ω) = N 0<br />
2 , −∞ < ω < ∞ .<br />
Potek gostote močnostnega spektra na izhodu sita določimo z (4.49):<br />
S x (ω) = N 0<br />
2 , −Ω < ω < Ω .<br />
Avtokorelacijo izhodnega signala določimo z ():<br />
∫ Ω N 0<br />
R yy (τ) =<br />
Ω 2 e jωτ dω = ΩN 0 S a (ωτ) , −∞ < τ < ∞ .<br />
♦<br />
osnutek
osnutek
Literatura<br />
[1] H. Kwakernaak, R. Sivan: Modern signals and systems (third edition). The<br />
McMillan Press LTD., ISBN 0–13–812728–X<br />
[2] A.V. Oppenheim, Ronald W. Schafer: Discrete-Time Signal Processing.<br />
Prentice Hall Processing Series, 1989, ISBN 0–13–216292–X<br />
[3] Charles L. Phillips, John M. Parr (1995). Signals, systems, and transformas,<br />
Prentice Hall Inc., ISBN 0–13–795253–8<br />
[4] E.C. Ifeachor, B.W. Jervis: Digital signal procesing, A practical approach.<br />
Addison-Wesley, 1997, ISBN 0–201–54413–X<br />
[5] H. S. Carslaw: An introduction to Fourier’s series and integrals (third<br />
edition). Dover Publications, inc. (ponatis 1960)<br />
[6] I.N. Sneddon: Fourier transforms. Dover publications Iinc., (ponatis 1995),<br />
ISBN 0–486–68522–5 (pbk)<br />
[7] H.F. Davis: Fourier series and orthogonal functions. Dover publications Inc.,<br />
1963, ISBN 0–486–65973–9<br />
osnutek<br />
[8] M. Reed, B. Simon: Fourier analysis, Self-Adjaintness. Academic press Inc.,<br />
1975, ISBN 0–12–585002–6(v.2)<br />
[9] M. R. Spiegel: Theory and problems of Fourier analysis with applications to<br />
boundary value problems. Schaum’s outline series, McGraw-Hill<br />
(18.izdaja 1994). ISBN 0-07-060219-0<br />
[10] M. R. Spiegel: Theory and problems of Lapalace transform. Schaum’s<br />
outline series, McGraw-Hill (18.izdaja 1994). ISBN 0-07-06231-X<br />
[11] M. E. van Valkeburg: Network Analysis.<br />
[12] D. Lange (19xx). Methoden der Signal und sistemanalise.<br />
[13] Dietmar Achilles: Die Fourier-Transformation in der Signalverabeitung.<br />
Springer Verlag, 1985<br />
[14] Charles K. Chui, Guanrong Chen: Signal Processing and System Theory<br />
(Selected topics). Springer Verlag, 1992<br />
[15] Paul A. Lynn (1994). An introduction to the analysis and Processing of<br />
signals. MacMillan Press LTD. 1994, ISBN 0–333–48887–3<br />
[16] I.N. Bronštein, K.A. Semendjajev, G. Musol, H. Mühlig: Matematični<br />
priročnik. Tehniška založba Ljubljana.<br />
137
138<br />
[17] Ludvig Gyergyek: Teorija obdelave signalov in statistične metode. Založba<br />
FER Ljubljana, 1987.<br />
[18] Tine Zorič, Dali Ðonlagić, Rajko Svečko: Teorija linearnih diskretnih<br />
sistemov. Založba FERI Maribor, 1994 ISBN 86–436–0053–4<br />
[19] Rajko Svečko, Tine Zorič: Teorija linearnih diskretnih sistemov. Založba<br />
FERI Maribor, 1994 ISBN 86–435–0076–3<br />
[20] Rajko Svečko: Teorija sistemov. Založba FERI Maribor, 2000 ISBN<br />
86–435–0366–5<br />
[21] Žarko Čučej: Komunikacije v sisteih daljinskega vodenja, Založba FERI<br />
Maribor, 1998, ISBN 86–435–0217–0<br />
[22] Žarko Čučej, Peter Planinšič: Teorija signalov: Uvod v teorijo, Založba FERI<br />
Maribor, 1999, ISBN 86–435–0267–7<br />
[23] Žarko Čučej, Peter Planinšič: Teorija signalov: Harmonična <strong>analiza</strong> in<br />
obdelava, Založba FERI Maribor, 2001, (trenutno dosegljiva kot datoteka<br />
Signal_B na http://SPaRC.feri.uni-mb/ ⇒ digitalna knjižnica)<br />
[24] Žarko Čučej (ured.): Teorija signalov: Uvod v teorijo in statistično obdelavo<br />
(s primeri uporabe programa MATLAB), Založba FERI Maribor, 2004,<br />
http://SPaRC.feri.uni-mb/ ⇒ digitalna knjižnica<br />
[25] Erhard Stepanek Praktische analyse linearer systeme durch<br />
faltungsoperationen, Academishe verlagsgesellschaft, Geest & Portig<br />
k.g. Leipzig, 1976<br />
[26] John J. Komo: Random Signal Annalysis in Engineering Systems, Acaddemic<br />
Press. Inc., 1987, ISBN 0–12–418660–2.<br />
osnutek<br />
[27] Harry Urkowitz: Signal theory and random processes. Artech house. Inc.,<br />
1983, ISBN 0–89006–121–1<br />
[28] Igor Grabec, Janez Gradišek: Opis naključnih pojavov, Univerza v Ljubljani,<br />
Fakulteta za strojništvo, 2000, ISBN 961–6238–42–6.<br />
[29] Ludvig Gyergyek: Teorija obdelave signalov in statistične metode. Univerza<br />
v Ljubljani, Založba FER Ljubljana, 1987<br />
[30] Rajko Jamnik: Verjetnostni račun. Univerza v Ljubljani, Mladnska knjiga,<br />
1987<br />
[31] Rajko Jamnik: Matematična statistika. Državna založba Slovenije, 198o<br />
[32] Georgije Lukatela: Statistička teorija telekomunikacija i teorija informacija 1<br />
Gra ¯devinska knjiga Beograd, 1991, ISBN 86–395–0280–3<br />
[33] Ian A. Glover, Peter M. Grant: Digital Communications Prentice Hall<br />
Europe, 1998, ISBN 0–13–5653391–6<br />
[34] John G. Proakis: Digital Communications (third edition) McGraw-Hill<br />
International editions, 1995, ISBN 0–07–113814–5<br />
[35] Jay L. Devore: Probability and statistics for engineering and sciences<br />
Brooks/Cole Publishing company 1991, ISBN 0–534–14352–0
139<br />
[36] Yannis Viniotis: Probability and random processes for electrical engineers<br />
McGraw-Hill International editions, 1997, ISBN 0–07–067491–4<br />
[37] Claude E. Shannon: A mathematical theory of communications<br />
[38] Kemin Zhow, John c. Doyle and Keith Glower: Robust and optimal control<br />
Prentice Hall, Upper Saddle River, New Jersey 07458, 1996 ISBN<br />
0-13-456567-3<br />
[39] Slovar Slovenskega knjižnega jezika Slovenska akademija znanosti in<br />
umetnosti, Državna založba SLoenije, 1980<br />
[40] Random Hause Dictionary of the English Language Edit. Jess Stein, Random<br />
Hause Inc., 1966, ISBN: 0–394–47176–8<br />
[41] Norbert Wiener: Generalized Harmonic Analysis Acta Mathematica, Vol. 55,<br />
str. 117–258, 1930<br />
[42] A.J. Hinčin: Teorija korreljaciii stacionarnih slučajnih funkcij Uspehi<br />
matematičeskih nauk, vip. 5, 42, 1938<br />
[43] A.Ya. Khintchine: Korrelationstheorie der stacionören stochaschen Prozese<br />
Matematiche Annalen, vol.1, No. 109, str. 415–458, 1934<br />
[44] Y.W. Lee: Statistical Theory of Communications John Willey & Sons, New<br />
York, 1960<br />
[45] Leon Cohen: Time-Frequency Analysis Prentice Hall PTR, 1995<br />
[46] M.H. Ackroyd: Instataneous and time-varying spectra – An introduction,<br />
objavljeno v Radio Electron. Eng., vol 239, str. 145–152, 1970<br />
[47] R.M. Lerner: Representation of signals, objavljeno v E.J. Baghdady (editor)<br />
Lectures on Communication System Theory, McGraw-Hill Book Co.,<br />
1961<br />
osnutek<br />
[48] M.I. Skolnik: Introduction to Radar Systens McGraw-Hill Book Co., 1980<br />
[49] J.G. Kikwood: Quantum statistics of almost classical ensembles Phys. Rev.,<br />
vol. 44, str. 31–37, 1933<br />
[50] Ya. P. Terletsky: Z. Eksp.. Teor. Fiz., vol. 7, str. 1290, 1937<br />
[51] Vinay K. Ingle and John G. Proakis: Digital Signal Processing using<br />
MATLAB R○ Brooks/Cole: BookWare Companion Series TM , 2000, ISBN<br />
0-534-3717-4