Apostilacompleta

1
DSP: Aula 1
Sinais e Sistemas Discretos
DELET-UFRGS Prof. Adalberto Schuck Jr.
Sinais Discretos:
n Sinais Discretos so aqueles cuja varivel
independente pode ser representada por n
os
.
Inteiros.
n Nota-se a V. Indep. entre colchetes: x[n]
1 0 0 2 0 0 3 0 0 4 0 0 5 0 0 6 0 0 7 0 0 8 0 0 9 0 0 1000
-1
- 0. 5
0
0. 5
1
1. 5
2
2. 5
3
3. 5
4
0 2 0 4 0 6 0 8 0 100 120 140
0
0. 5
1
1. 5
2
2. 5
3
3. 5
4
x(t) x(n)
2
Sinais Discretos:
n Sinais Discretos podem ser classificados em
2 tipos:
Fenmenos inerentemente Discretos: Estoque,
Bolsa de valores, dados demogrficos, etc...
Fenmenos Contnuos amostrados em instantes
determinados: Fala, Imagens, Msica em CD,
etc...
Alguns Sinais Discretos:
n A) Impulso Unitrio:
[ ]
'

0 n , 0
; 0 n , 1
n
-3 -2 -1 0 1 2 3
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
3
n B) Degrau Unitrio:
[ ]
'
<
0 n , 0
; 0 n , 1
n u
-4 -3 -2 -1 0 1 2 3 4 5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
n C) Sinais Senoidais Discretos:
[ ]
[ ] ) n . cos( . A n x
); n . sen( . A n x
+
+
Onde significa ngulo ( em Radianos), ou tb.
Freqncia Angular.
4
n OBS:
i) Aumentando , no necessriamente se
aumenta a taxa de oscilao da funo;
[ ] [ ]
{ }
) n . w ( A.sen
) 2 . n sen( ). n . w cos( ) 2 . n cos( ). n . w sen( . A
2 . n n . w sen . A n ). 2 w ( sen . A
0
0 0
0 0
+
+ +
Demonstrao:
0 5 10 15
-1
0
1
0 5 10 15
-1
0
1
0 5 10 15
-1
0
1
0 5 10 15
-1
0
1
0 5 10 15
-1
0
1
0 5 10 15
-1
0
1
0 5 10 15
-1
0
1
0 5 10 15
-1
0
1
0 5 10 15
-1
0
1
a) w
0
=0; b) w
0
= /8;
c) w
0
= /4 d) w
0
= /2;
e) w
0
= ; f) w
0
=3. /2;
g) w
0
=7. /4; h) w
0
=15. /8;
i) w
0
=2.
5
n OBS: ii) No para qualquer valor de
que a funo peridica;
Demonstrao:
x[n+N]=x[n], para todo n inteiro. N o perodo da funo (em n
o
. de amostras).
Assim, quer-se prova a igualdade [ ] [ ] n . w sen . A ) N n .( w sen . A
0 0
+
[ ] [ ] { } ) N . w sen( ). n . w cos( ) N . w cos( ). n . w sen( . A N . w n . w sen . A ) N n .( w sen . A
0 0 0 0 0 0 0
+ + +
Ento a igualdade
{ } ) n . w sen( . A ) N . w sen( ). n . w cos( ) N . w cos( ). n . w sen( . A
0 0 0 0 0
+
s valida sse 0 ) N . w sen( e 1 ) N . w cos(
0 0
.
Isto s acontecer quando inteiros k ; k . . 2 N . w
0
, ou seja,
inteiros k ;
N
k . . 2
. w
0


n D) Exponenciais Discretas:
c.1) Reais: [ ] , C ; . C n x
n
-1 d) 0; 1 - c)
1; 0 b) 1; a)
< < <
< < >
6
c.2)Puramente Complexas :
[ ]
n . . j
e n x

( ) ( ) n . sen . j n . cos e
n . . j
+
Por Euler, tem-se que:

0 2 4 6 8 10 12 14 16
-1
-0.5
0
0.5
1
0 2 4 6 8 10 12 14 16
-1
-0.5
0
0.5
1
Parte real
Parte Imaginria
c.3)Complexas : [ ] Complexos , C ; . C n x
n

[ ] Cmplx , C , e . C n x ; e
n .

Se fizermos a relao:
Adota-se as seguintes representaes:
+

. j r ; e . C C
. j
Ento tem-se:
[ ]
( )
( ) +
+
n j n . r
n . . j r . j
e . e . C
e . e . C n x
7
c.3)Complexas :
Aplicando Euler 2a. Exponencial e separando tem-se:
[ ] ( ) ( ) + + + n sen e C . j n cos e C n x
n . r n . r
0 5 10 15 20 25 30 35
-0.8
-0.6
-0.4
-0.2
0
0 . 2
0 . 4
0 . 6
0 . 8
1
Sistema Discretos
n Def.: Qq. processo que causa a
transformao de sinais;
Entradas;
Sadas;
Relao de transformao.
8
Sistema Discretos
n Propriedades dos Sistemas:
a) Memria: Se sada do sistema em um instante
de tempo depende apenas da entrada do sistema
naquele instante de tempo - Com Memria. Se a
sada depende de entradas naquele instante e em
instantes anteriores - Sem Memria.
[ ] [ ]
[ ] [ ]
n
k
n x n y
n x . A n y
Sem Memria;
Com Memria.
Sistema Discretos
b) Inversibilidade:
n Se distintas entradas causam distintas sadas;
n Se, conhecendo-se sua sada, pode-se determinar sua
entrada - Sistema inversvel - Existe um sistema
inverso.
9
Sistema Discretos
c) Causalidade: Sist. causal se a sua sada
depende apenas das entradas naquele instante e em
instantes anteriores (passados) - Sistema no
antecipativo.
0 5 10 15
0
0 . 1
0 . 2
0 . 3
0 . 4
0 . 5
0 . 6
0 . 7
0 . 8
0 . 9
1
-8 -6 -4 -2 0 2 4 6 8
0
0 . 1
0 . 2
0 . 3
0 . 4
0 . 5
0 . 6
0 . 7
0 . 8
0 . 9
1
Sist. No Causal Sist. Causal
Sistema Discretos
d) Linearidade: Sist. Linear se atende ao
princpio superposio:
[ ] [ ]
{ }
[ ] [ ] n y . A n y . A n x . A n x . A
2 2 1 1
T
2 2 1 1
+ +
10
Sistema Discretos
e) Invarincia no tempo: Um sist. invariante no
tempo se uma entrada atrasada causa a mesma
sada com o mesmo atraso:
[ ]
{ }
[ ]
[ ] [ ]
{ }
[ ] [ ] N n y n y N n x n x
; n y n x
1 2
T
1 2
1
T
1


Sistema Discretos
n Classe Sistemas Lineares e Invariantes no
tempo (Sist. LIT):
Obedeem s 2 propriedades ao mesmo tempo;
A sada est relacionada entrada pela soma
convolutiva.
Demonstao: Qq. sinal discreto pode ser representado
como a soma ponderada de impulsos deslocados.
[ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] ... 2 n . 2 x 1 n . 1 x 0 . 0 x ... k n . k x n x
k
+ + + +

11
Sistema Discretos
tempo:
[ ] [ ] [ ] [ ] { } [ ]. k y . a n x T n y superp. por , k x . a n x Se
k
k
k
k

[ ] [ ] [ ]
[ ] [ ] { } [ ] [ ] { }
[ ] [ ]

k
k
k
k
n h . k x
k n T . k x n x T n y
superp. por , k n k x n x Se
Sistema Discretos
tempo:
[ ] [ ]
[ ] [ ]
[ ] [ ] [ ]
[ ] [ ]

k n x . k h
k n h . k x n y Dai
. k n h k n
; n h n
: a Invarianci Por
k
k Soma Convolutiva
y[n]=x[n]*h[n]
Resposta do sistema a um impulso
Resp. do sistema a um impulso atrasado
12
Sistema Discretos
n Soma Convolutiva: y[n]=x[n]*h[n]=
Implementa-se na fora bruta:
Ou com 1 comando do Matlab:
k
] k n [ h ]. k [ x
for n = 1:N
y[n]=0.0;
for k= 1:N
y[n]=y[n]+x[k]*h[n-k];
end
end
y=conv(x,h);
Sistema Discretos
n Sub-Classe Sistemas LIT descritos por uma
Eq. de Diferenas:
[ ] [ ]

M
0 k
k
N
0 k
k
k n x b k n y a
13
Sistema Discretos
n Sub-Classe Sistemas LIT descritos por uma
Eq. de Diferenas:
[ ] [ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ]
'
,
_

+ + + + + +

N
1 k
k
M
0 k
k
0
M 1 0 N 1 0
k n y a k n x b
a
1
n y
: y[n] Isolando
; M n x b ... 1 n x b n x b N n y a ... 1 n y a n y a
Vai-se re-escrever esta equao para melhor visualizao:
Sistema Discretos
n Sub-Classe Sistemas LIT descritos por uma Eq. de
Diferenas:
[ ] [ ] [ ]
'
,
_

N
1 k
k
M
0 k
k
0
k n y a k n x b
a
1
n y
14
Sistema Discretos
n Como os 2 sub-sistemas so intercambiveis:
Sistema Discretos
n Colapsando as 2 linhas de retardo:
Forma cannica de
implementao do
sistema.
1
DSP: Aula 2
Sinais e Sistemas Discretos -
Exerccios prticos com MatLab
Sinais e Sistemas Discretos:
n Sinais Discretos: Gerao de alguns sinais:
Gerao de uma Funo Impulso:
clear; %remove todas variveis da workspace
n=32;
imp=zeros(1,n); %gera um vetor coluna de n zeros
%poderia ser gerado um vetor linha: imp=zeros(n,1);
imp(1)=1; %1
elemento da matriz est em n=1

stem(imp);
Outra maneira de gerar o sinal:
nn=1:32;
imp(nn)=0;
imp(1)=1;
stem(imp);
2
Gerao de uma Funo Degrau:
clear;
n=32;
dg=ones(1,n); %gera um vetor coluna de n nos. 1
%poderia ser gerado um vetor linha: imp=ones(n,1);
stem(dg);
Outra maneira de gerar o mesmo sinal:
nn=1:32; %vetor n=1,2,...,32
dg(nn)=1;
stem(dg);
Gerao de uma senide discreta:
clear;
nn=0:31; %vetor n=0,1,2,...,31
a=3;
x1=a*sin(pi*nn/17);
%antes de plotar, diga qual a periodicidade deste sinal
x2=a*sin(pi*nn/sqrt(23));
%idem
subplot(2,1,1);stem(nn,x1);
subplot(2,1,2);stem(nn,x2);
3
Gerao de exponenciais reais discretas:
clear;
nn=0:31; %vetor n=0,1,2,...,31
a1=1.1; a2=0.6; a3=-0.6; a4=-1.1; %gera os alfas....
x1=a1.^nn; % OBS:o operador expoente ponto e ^
x2=a2.^nn;
x3=a3.^nn;
x4=a4.^nn;
subplot(2,2,1);stem(x1);
Gerao de uma exponencial puramente complexa:
clear;
nn=0:31; %vetor n=0,1,2,...,31
x1=exp(j*pi*nn/3);
subplot(2,1,1);
stem(real(x1) ); %Plota a parte real da exponencial
subplot(2,1,2);
stem(imag(x1) ); %Plota a parte imaginria da exp.
4
Gerao de uma exponencial complexa:
clear;
nn=-10:1:10; %vetor coluna[-10 ... 10]
alpha=-0.1+0.3j;
x1=exp(alpha*nn);
subplot(2,2,1);stem(real(x1) ); %Plota a parte real
subplot(2,2,2);stem(imag(x1) );%Plota a parte imaginria
subplot(2,2,3);stem(abs(x1) ); %Plota o mdulo
subplot(2,2,4);stem(angle(x1) );%Plota a fase
n Sistemas Discretos: Soma Convolutiva
A soma convolutiva (tem-se a resposta impulsiva):
clear;
nn=0:20;nny=0:40
x=zeros(1,21);x(5:10)=1; %sinal uma janela
subplot(3,1,1);stem(nn,x); %Plota o sinal e a escala
h= x %Resp. Imp= sinal
subplot(3,1,2);stem(nn,h); %Plota a resp Impulsiva
% Antes de executar, tente ver qual resultado que ser obtido
% e os limites inicial e final deste resultado
y=conv(x,h);
subplot(3,1,3);stem(nny,y);
% Confira os resultados obtidos com os deduzidos
5
n Sistemas Discretos: Auto-Funes
clear;
alpha=0.7;nn=0:40
h=zeros(1,41);h(1:5)=1; %Resp. Impulsiva uma janela
subplot(3,1,1);stem(nn,h);
x=alpha.^nn; %Sinal uma exponencial real
subplot(3,1,2);stem(nn,x); %Plota o sinal
y=conv(x,h); %Executa a convoluo
subplot(3,1,3);stem(nn,y(1:41));
Compare a entrada c / a sada.....
n Sistemas Discretos: Auto-Funes
Outra funo que auto-funo:
%Usando ainda a workspace anterior
x=sin(pi*nn/12); %Sinal senoidal
subplot(3,1,2);stem(nn,x); %Plota o sinal
y=conv(x,h); %Executa a convoluo
subplot(3,1,3);stem(nn,y(1:41));
Compare novamente a entrada c / a sada.....
Exerccio: Como fica a sada se h=0.7.^nn ? Deduza e depois
execute
6
n Sistemas Discretos: Resposta Impulsiva
clear;
alpha=0.7;nn=0:40
x=zeros(1,41);x(1)=1; %sinal um impulso
h1=zeros(1,41);h1(1:5)=1; %resp.1 uma janela
subplot(4,1,1);stem(nn,h1);
h2=alpha.^nn; %resp.2 uma exponencial real
subplot(4,1,2);stem(nn,h2);
%executa as convolues
y1=conv(x,h1);y2=conv(x,h2);
subplot(4,1,3);stem(nn,y1(1:41));
subplot(4,1,4);stem(nn,y2(1:41));
n Sistemas discretos descritos pela equao de
diferenas:
Verificar as respostas Impulsivas:
clear;
b1=[1 0.8 0.6 0.4 0.2]; a1=[1]; %Sistema 1 s tem coefs Bks;
b2=1; a2=[1 0.7 0.6 0.2]; %Sistema 2 s tem coefs Aks;
b3=a2; a3=b1; % Sistema tem coefs Aks e Bks
x=zeros(1,25);x(1)=1; nn=0:24;
%vai-se calcular agora a resposta dos sistemas a um impulso
y1=filter(b1,a1,x); y2=filter(b2,a2,x); y3=filter(b3,a3,x);
%Plota-se as respostas impulsivas:
subplot(3,1,1); stem(nn, y1(1:25));
1
DSP: Aula 3
Anlise de Sinais Discretos por
Fourier - a DFS e a DTFT
Fourier - a DFT
n Neste mdulo, revisaremos os conceitos de anlise
espectral envolvidos com sinais discretos,
principalmente a ferramenta (denominada Discrete
Fourier Transform ou DFT) e seus algoritmos
eficientes (Fast Fourier Transform ou FFT);
n Para tanto, a semelhana do domnio contnuo,
sero inicialmente apresentadas outras 2
ferramentas: A Srie Discreta de Fourier (DFS) e a
Transformada de Fourier de Sinais Discretos (ou
Discrete Time Fourier Transform).
2
A Srie Discreta Fourier (DFS):
n Pode-se decompor um sinal discreto e
peridico em uma soma ponderada de
exponenciais complexas discretas ( a
semelhana de sinais contnuos).
n A funo exponencial discreta definida
por:
k . n .
N
2
. j
k
e ] n [

n A funo exponencial discreta tem 2
caractersticas bsicas:
I) A exponencial peridica com perodo N :
n .
4
2
. j
1
e ] n [

0 1 2 3 4 5 6
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Grfico da parte real da exponencial
3
II) Existem somente N diferentes exponenciais:
7 k n, 0 para
e ] n [
k . n .
8
2
. j
k

0 2 4 6 8
0
0. 5
1
0 2 4 6 8
-1
0
1
0 2 4 6 8
-1
0
1
0 2 4 6 8
-1
0
1
0 2 4 6 8
-1
0
1
0 2 4 6 8
-1
0
1
0 2 4 6 8
-1
0
1
0 2 4 6 8
-1
0
1
Grficos da parte real das exponenciais
n Seja um sinal x[n] peridico com perodo N.
Assim, x[n+N]=x[n];
-8 -6 -4 -2 0 2 4 6 8
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
N=4
4
n A representao deste sinal por
exponenciais complexas :
n Os coeficientes A
k
so calculados por:
N k
n . k .
N
2
j
k
e . A ] n [ x
N n
n . k .
N
2
j
k
e ]. n [ x
N
1
A
n Ex: trem pulsos
-40 -30 -20 -10 0 10 20 30 40
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
N
1
=4;
N=16
-N1 N1
5
( )
( )
N 2
k 2
sen
N
5 , 0 N k 2
sen
N
1
e 1
e 1
. e .
N
1
A
1 ,
1
1
; 1 , N
: obs
e . 1
N
1
e ]. n [ x
N
1
A
1
N
2
. k . j
N
) 1 N . 2 ( 2
. k . j
N . k .
N
2
j
k
1 N
0 n
N
n
N
N n
n . k .
N
2
j
N n
n . k .
N
2
j
k
1
1
1
1
,
_
1
1
1
]
1
'

n Os coeficientes ficam:
( )
( ) x sen
x . sen
) x ( f

,
_
,
_
32
k . . 2
sen
16
) 5 . 0 4 ( k . . 2
sen
) k ( x
-15 -10 -5 0 5 10 15 20
-0.1
0
0. 1
0. 2
0. 3
0. 4
0. 5
0. 6
n Esta uma funo do tipo:
n O grfico desta funo :
6
n OBS.1: Tanto o sinal como a exponencial
complexa so peridicos com perodo N,
logo, os coeficientes A
ks
tambm so
peridicos com perodo N;
n OBS.2: Na srie Fourier contnua, a
representao s converge para o sinal com
infinitos termos. Na DFS, bastam N
coeficientes para que a srie convirja para o
sinal.
A DTFT:
n A Transformada de Fourier de Sinais Discretos
desenvolvida para sinais limitados no tempo
(aperidicos);
n A DTFT obtida intuitivamente da DFS da
mesma forma que a TF foi obtida da SF: Faz-se o
perodo da funo peridica tender ao infinito,
criando-se um novo sinal aperidico e
modificando-se ento as equaes da srie;
n Como na TF, o espectro se torna contnuo, mas
peridico com perodo 2.
7
( ) [ ]
( )
+
+

. 2
n . . j
n
n . . j
d . e . X
2
1
) n ( x
e . n x X
onde dado em Radianos.
A DTFT:
n Deste modo, a transformada direta (DTFT)
e a transformada inversa (IDTFT) ficam
definidas como:
-8 -6 -4 -2 0 2 4 6 8
0
0. 1
0. 2
0. 3
0. 4
0. 5
0. 6
0. 7
0. 8
0. 9
1
A DTFT:
n Tem -se 2 caractersticas bsicas:
O Espectro contnuo em todo eixo , onde
dado em Radianos;
O Espectro sempre ser peridico com perodo
2.
n Um exemplo:
8
-1 - 0. 8 - 0. 6 - 0. 4 - 0. 2 0 0.2 0.4 0.6 0.8 1
0
1
2
3
4
5
Modulo
Frequencia Normalizada (*PI)
|
H
(
W
)
|
-1 - 0. 8 - 0. 6 - 0. 4 - 0. 2 0 0.2 0.4 0.6 0.8 1
-200
-100
0
100
200
Angulo em Graus
F
a
s
e
A DTFT:
n O espectro fica:
-15 -10 -5 0 5 10 15 20
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
0
2
4
6
8
10
Modulo
|H
(
W
)
|
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
-200
-100
0
100
200
Angulo em Graus
F
a
s
e
A DTFT:
n Outro ex.:
9
Propriedades da DFS:
Sinal peridico: Coeficientes da srie de Fourier:
1)x[n];y[n] peridicos c/perodo N a
k
,b
k
peridicos c/perodo N
2)A.x[n]+B.y[n] A. a
k
+B. b
k
3)x[n-n
0
]
a
k
.e
-j.k.(2/N).n
0
4)e
-j.M.(2/N)n
.x[n]
A
k-M
5)x
*
[n]
*
k
a
6)x[-n] a-
k
.
7)
'
m de mltiplo no n ; 0
m de mltiplo n ]; m n [ x
] n [ x
) m (
;
peridico com perodo m.N

k
a .
m
1
; peridico com perodo m.N
Propriedades da DFS:
Sinal peridico: Coeficientes da srie de Fourier:
8)

> <
N r
] r n [ y ]. r [ x Convoluo
peridica discreta.
N. a
k
.b
k
.
9)x[n].y[n] Modulao discreta.

> <
N L
L k L
b . a
10)x[n]-x[n-1]

k
N
2
. k . j
a e 1
,
_
11)x[n] real
a
k
= a-
k
*
;
Real{ a
k
}=Real{ a-
k
};
Img{ a
k
}=-Img{ a-
k
};

k k
a a

k k
a a

< <
12)Teorema de Parseval:

> < > <
N k
2
k
N n
2
a ] n [ x
N
1
10
Propriedades da DTFT:
Sinal aperidico discreto: Transformada de Fourier de sinais discretos:
1)x[n],y[n] X(
),Y(
);peridicos com perodo 2
2)A.x[n]+B.y[n] A.X(
)+B.Y(
)
3)x[n-n0]
) ( X . e
0
n . . j

4) ] n [ x e
n . . j 0
X(-)
5)x[-n] X(-
)
6)x
*
[n] X
*
(-)
7)
'
1
]
1
k. de mltiplo for no n se 0,
k; de mltiplo for n se ;
k
n
x
] n [ x
k
X(k. )
8)x[n]*y[n] Convoluo X(
).Y(
)
Propriedades da DTFT:
Sinal aperidico discreto: Transformada de Fourier de sinais discretos:
9)x[n].y[n] Modulao

2
d ). ( Y ). ( X
2
1
10)

n
k
] k [ x

+

+
k
j
) k 2 ( ). 0 ( X . ) ( X
e 1
1
11)x[n]-x[n-1] Diferenas
( ) ) ( X e 1
j

12)n.x[n]

d
) ( dX
. j
13)x[n] real
X(
)=X
*
(
)
Real{X( )}=Real{X(-)}
Img.{X(
)}=-Img.{X(
)}
) ( X ) ( X
<X(
)=-<X(-
)
14)Teorema de Parseval:

2
2
n
2
d . ) ( X
2
1
] n [ x
1
DSP: Aula 4
Fourier - a DFT
Fourier - a DFT
n Neste mdulo, revisaremos os conceitos de anlise
espectral envolvidos com sinais discretos,
principalmente a ferramenta (denominada Discrete
Fourier Transform ou DFT) e seus algoritmos
eficientes (Fast Fourier Transform ou FFT);
n Viu-se no mdulo anterior que o verdadeiro
espectro de um sinal discreto dado pela DTFT;
n Este espectro tem 2 caractersticas:
contnuo em todo eixo [rad];
peridico com peridico com perodo 2.
2
A DFT:
n Uma vez que no trivial se representar
espectros contnuos e peridicos em
computadores, foi proposta uma maneira
diferente de se representar sinais discretos
limitados no tempo: A DFT;
n Seja uma seqncia discreta x[n] de N
pontos, definida para n=0,1,2,...,N-1.
A DFT:
n A DFT e a IDFT desta seqncia so
definidas por:
[ ] [ ]
[ ] [ ] 1 N ,..., 1 , 0 n , e . K X
N
1
n x
; 1 N ,..., 1 , 0 k , e . n x k X
1 N
0 n
n . k .
N
. 2
j
1 N
0 n
n . k .
N
. 2
j
= =
= =
3
A DFT:
n Observa-se que as expresses so similares
DFS;
n Na verdade, a DFT a aplicao da DFS ao
sinal x[n] limitado no tempo ( a durao N
do sinal fica sendo o perodo N de um
sinal peridico); Logo, mesmo que o sinal
seja limitado no tempo, ele tratado como
se fosse peridico. Isto aparece em algumas
propriedades da DFT.
Exemplos de DFT:
n Ex.1:
0 2 4 6 8 10 12 14
-1
-0.8
-0.6
-0.4
-0.2
0
0. 2
0. 4
0. 6
0. 8
1
0 2 4 6 8 10 12 14
0
2
4
6
8
0 2 4 6 8 10 12 14
-4
-2
0
2
4
DFT:
a) abs
b) fase
Sinal:
4
Exemplos de DFT:
n Ex.2:
DFT:
a) abs
b) fase
Sinal:
0 5 10 15 20 25 30 35
0
0. 5
1
0 5 10 15 20 25 30 35
0
20
40
0 5 10 15 20 25 30 35
-1
0
1
A DFT:
n Ex.3:
DFT:
a) abs
b) fase
Sinal:
0 5 10 15 20 25 30 35
0
0. 5
1
0 5 10 15 20 25 30 35
0
5
10
15
0 5 10 15 20 25 30 35
-5
0
5
5
A DFT:
n Ex.4:
DFT:
a) abs
b) fase
Sinal:
0 10 20 30 40 50 60 70
-0.5
0
0. 5
1
0 10 20 30 40 50 60 70
0
2
4
0 10 20 30 40 50 60 70
-5
0
5
Propriedades da DFT:
n Como a DFT na verdade o mal uso da
DFS, as propriedades da DFT so as
mesmas da DFS. Entretanto, deve-se ter
sempre o cuidado de que a DFT trata um
sinal limitado no tempo como se este fosse
peridico.
6
n Por este motivo, 2 propriedades podem dar
problemas:
a)Deslocamento no Tempo;
b)Convoluo.
n Como o sinal tratado como se fosse peridico (
mostrada apenas uma janela temporal de n=0 at
N-1), estas propriedades so idnticas s da DFS:
Deslocamento Circular;
Convoluo Circular;
n Desloc. Tempo: Na DTFT,multiplicar a fase
por significa deslocar no tempo de m
amostras:
m . k .
N
2
j
e
Desloc. de
4 amostras:
0 2 4 6 8
0
1
2
3
4
5
6
0 2 4 6 8
0
1
2
3
4
5
6
7
n Na DFTDesloc. Circular:
Desloc. de
4 amostras:
0 2 4 6 8
0
1
2
3
4
5
6
0 2 4 6 8
0
1
2
3
4
5
6
n Convoluo: Na DTFT, multiplicar os
espectros convoluir no tempo as formas de
onda:
x
y
z=x*y
0 0. 5 1 1. 5 2 2. 5 3
0
0. 5
1
0 0. 5 1 1. 5 2 2. 5 3
0
0. 5
1
0 1 2 3 4 5 6
0
2
4
8
n Na DFT, tem-se a convoluo circular:
x
y
z=idft(X.Y)
0 0. 5 1 1. 5 2 2. 5 3
0
0. 5
1
0 0. 5 1 1. 5 2 2. 5 3
0
0. 5
1
0 0. 5 1 1. 5 2 2. 5 3
0
0. 5
1
n A soluo zero padding:
0 1 2 3 4 5 6
0
0. 5
1
0 1 2 3 4 5 6
0
0. 5
1
0 1 2 3 4 5 6
0
2
4
x
y
z=idft(X.Y)
9
Problemas da DFT:
n A truncagem est implcita na DFT:
0 10 20 30 40
-1
0
1
0 10 20 30 40
0
10
20
0 10 20 30 40
-5
0
5
0 10 20 30 40
-1
0
1
0 10 20 30 40
0
10
20
0 10 20 30 40
-5
0
5
Sinal
(3 ciclos)
Abs(FFT)
Fase(FFT)
Sinal
(3 ciclos+
1 ponto)
Abs(FFT)
Fase(FFT)
Problemas da DFT:
n Isto tb.nos limita a resoluo espectral:
3 Sinais com N=64 e
fs=2500Hz:
a) 100Hz+400Hz
b)100Hz+200Hz
c)100Hz+145Hz
0 10 20 30 40 50 60 70
0
10
20
30
0 10 20 30 40 50 60 70
0
10
20
30
0 10 20 30 40 50 60 70
0
10
20
30
Mdulos das DFTs:
10
Relao entre a DFT e a DTFT:
n Sejam as equaes da DTFT e da DFT:
n Observa-se que a DFT a amostragem de
um intervalo de 2 da DTFT(0<2 ) em
N pontos, indexados pela varivel k;
n A Resoluo espectral fica:
[ ] [ ]
( ) [ ]
=
= =
n
n . . j
1 N
0 n
n . k .
N
. 2
j
e . n x X
; 1 N ,..., 1 , 0 k , e . n x k X
1 N k 0 ; k .
N
2
k

=
Relao entre a DFT e a DTFT:
n Ex:
0 10 20 30 40 50 60 70
0
10
20
30
0 10 20 30 40 50 60 70
-4
-2
0
2
4
Leg:
Preto:DTFT
Verm:DFT
Mdulo
Fase
11
Interpretao
Grfica da
DFT:
1
DSP: Aula 5
Anlise de Sinais por Fourier -A DFT-
A DFT:
n Algoritmo FFT Radix 2 - velocidade dos
algoritmos:
O Matlab testa o no. de pontos N do sinal a ser decomposto por
DFT. Se N for uma potncia de 2, ele executa automaticamente
um algoritmo Radix-2, caso contrrio, ele faz a DFT pelo
mtodo normal.
x1=randn(1,32768); %gera uma sequencia de 32k pontos
x2=randn(1,32769); %grea outra sequencia de 32k+1 pontos
%Agora chamado o algoritmo p/clculo DFT:
y1=fft(x1); %cronometre o tempo de execuo
y2=fft(x2); %Cronometre tb. e compare com o anterior.
subplot(2,1,1);plot( abs (y1)); %plota mdulo DFT
subplot(2,1,2);plot( angle(y1)); %plota fase da DFT
2
A DFT:
n Anlise de alguns sinais simples por DFT:
Anlise de uma senide amostrada:
clear;
n=0:2047 %vetor com 2048 pontos;
fs=3000; %freq. Amostragem de 3000 Hz;
t=n*1/fs; %vetor de instantes de tempo de amsotragem
x=sin(2*pi*150*t); %senide de 150Hz amost 3kHz
plot(x);figure;
y=fft(x);
subplot(2,1,1);stem(n, abs(y)); %plota mdulo dft senide
subplot(2,1,2);stem(n, angle(y)); %plota fase dft senide
%Observe os espectros obtidos. Note que o eixo x no nos d freqncia, mas
sim n
os
. inteiros. Depois associaremos este eixo com o valor de freqncia.
figure;
subplot(2,1,1);stem(n, real(y)); %parte real dft senide
subplot(2,1,2);stem(n, imag(y)); %parte imag.dft senide
A DFT:
Anlise de uma soma de senides amostradas:
clear;
x=sin(2*pi*150*t)+cos(2*pi*250*t); %2 componentes amost 3kHz
plot(x);figure;
y=fft(x);
subplot(2,1,1); stem(n, abs(y)); %plota mdulo dft senide
subplot(2,1,2); stem(n, angle(y)); %plota fase dft senide
%Observe os espectros obtidos. Note que o eixo x no nos d freqncia, mas
sim n
os
. inteiros. Depois associaremos este eixo com o valor de freqncia.
figure;
subplot(2,1,1); stem(n, real(y)); %parte real dft senide
subplot(2,1,2); stem(n, imag(y)); %parte imag.dft senide
3
A DFT:
Anlise de uma onda quadrada amostrada:
clear;
x=square(2*pi*150*t); %onda quadrada de 150Hz amost 3kHz
y=fft(x);
subplot(3,1,1);plot(x); %plota sinal.
subplot(3,1,2);stem(n, abs(y)); %plota mdulo dft onda quad.
subplot(3,1,3);stem(n, angle(y)); %plota fase dft onda quad.
%Observe os espectros obtidos. Note que o eixo x no nos d freqncia,
mas sim n
os
. inteiros. Depois associaremos este eixo com o valor de
freqncia.
A DFT:
Anlise de um sinal modulado em AM:
clear;
t=n*1/fs; %vetor de instantes de tempo de amostragem
x=square(2*pi*150*t); %sinal modulador (igual ao anterior)
y=sin(2*pi*750*t); %gerao da portadora de 750Hz
z=x.*y %observar o operador multiplicao vetorial (.*)
t=fft(z);
subplot(2,1,1);plot(z); %plota sinal modulado;
subplot(2,1,2);stem(n, abs(t)); %plota md. espect. Sinal modulado
%Observe o espectro obtido e compare com o anterior.
4
A DFT:
n Efeito da truncagem de uma senide:
clear;
n=(0:31); %seq com 32 pontos
nn=(0:32); %seq.seq.com 33 pontos
x1=cos(2*pi*n/8); %gera 4 ciclos exatos de uma cos
x2=cos(2*pi*nn/8); % gera 4 ciclos e1 ponto a mais da mesma cos
y1=fft(x1);
y2=fft(x2);
subplot(3,2,1);stem(n,x1,'filled' );
subplot(3,2,3);stem(n,abs(y1),'filled');
subplot(3,2,5);stem(n,angle(y1),'filled' );
subplot(3,2,2);stem(nn,x2,'filled');
subplot(3,2,4);stem(nn,abs(y2),' filled');
subplot(3,2,6);stem(nn,angle(y2),' filled' );
%Observe o efeito da truncagem inexata de uma senide (senx/x aparece):
A DFT:
n Convoluo no domnio tempo x multip.espectros
Multiplicar os coeficientes da DFT significa fazer no domnio tempo a
convoluo circular e no a linear:
x1=[1 1 1 1]; %sinal 1
x2=x1; %sinal 2 idntico ao primeiro
x3=conv(x1,x2); %faz a convoluo no domnio tempo
stem(x3); figure;
y1=fft(x1); y2=fft(x2);%calcula-se os espectros dos sinais
y3=y1.*y2; %multiplica-se os espectros;
x4=ifft(y3); %aplica a transf. Inversa=achar a conv. circular
stem( real(x4) ); %observe como o resultado da conv.linear e circular
so diferentes. Soluo seria o zero padding preencher os 2 sinais com
zeros ao final de forma que os novos sinais tenham o mesmo no. de
pontos que o resultado da convoluo dos sinais originais.
Continua na prxima transparncia
5
A DFT:
n Convoluo no domnio tempo x multip.espectros
Zero Padding:
%No d clear, vai-se usar os grficos obtidos anteriormente
x1=[1 1 1 1 0 0 0]; %sinal 1 acrescido de mais 3 zeros
x2=x1; %idem
y1=fft(x1); y2=fft(x2);%calcula-se os espectros dos sinais
y3=y1.*y2; %multiplica-se os espectros;
x4=ifft(y3); %aplica a transf. Inversa=achar a conv. circular
x4=real(x4); % corrige o surgimento n
os
. complexos por round-off
stem(x4); %observe como o resultado agora confere com o obtido
pela convoluo linear
1
DSP: Aula 6
Teorema de Amostragem - Relao
entre TF, DTFT e DFT
Teorema de Amostragem:
n Pretende-se mostrar agora a relao entre os
sinais no domnio contnuo e no domnio
discreto: O Teorema de Amostragem;
n Vamos fazer inicialmente algumas
suposies tericas: Seja um sinal x(t), cujo
espectro obtido por Transformada de
Fourier X() limitado em (-
c
,
c
);
2
n Por exemplo:
n Amostrar este sinal x(t) pode ser
interpretado matematicamente por
multiplicar o sinal por um trem de impulsos
igualmente separados s(t):
n Assim, o sinal amostrado fica:
( ) ( )
+
=
=
n
. n t t s
( ) ( ) ( )
( ) ( )
( ) ( )
+
=
+
=
=
=
=
n
n
s
. n t . . n x
. n t . t x
t s . t x t x
3
n Graficamente temos:
n Resta uma pergunta: O quo prximas
devem estar as amostras do sinal para que
no se perca informao contida neste?
n A resposta foi dada por Shannon (1949):
Se o sinal tem banda limitada em
c
, ento
a freqncia de amostragem deve ser >2
c
.
4
n Sabendo-se que o espectro de um trem de
impulsos outro trem de impulsos,
separados de
s
=2./T, ento pela
propriedade da multiplicao temos que que
o espectro resultante do sinal amostrado
ser a convoluo do espectro do sinal com
o espectro do trem de impulsos.
n Isto mostrado graficamente por:
5
n Outro exemplo:
n Assim, observa-se graficamente que a
menor freqncia de amostragem que
permite a recuperao do sinal original sem
perdas :
n Quando esta regra no obedecida, ocorre
um fenmeno denominado de Aliasing,
rebatimento de freqncias
n Neste caso, o sinal original no pode mais
ser recuperado.
c s
. 2 >
6
n Graficamente:
s
1
>c
s
2
<c
n Concluindo, o espectro por Transformada
de Fourier de um sinal amostrado se torna
peridico na forma:
n Para recuperar o sinal original, basta aplicar
um filtro passa-baixas ideal; Este funcionar
como um interpolador, recuperando o sinal
original.
( ) =
+ , n . qq ; X
2
. n X
7
n A converso D/A mostrada graficamente:
n Matematicamente, temos que o sinal
recuperado dado por:
n Reconstruo a superposio de Sincs
deslocadas e escalonadas.
( ) ( )
( )
( )
( )

=
=
=
n
n
s r
T
nT t
T
nT t
sen
. nT x
T . n t h . nT x
) t ( h * ) t ( x ) t ( x
8
Relao entre TF e DTFT:
n Viu-se que um sinal amostrado tem como
caracterstica ter um espectro (T.F.) peridico com
perodo
s
=n.2/T;
n Por outro lado, a DTFT de um sinal discreto tb.
peridica, s que com perodo 2;
n Ento, os espectros tero a mesma forma,
mudando apenas a unidade do eixo das abscissas.
Para a TF. O eixo x dado em [rad/s]; para a
DTFT este eixo dado em [rad].
Relao entre TF e DTFT:
n Assim, se um sinal discreto x[n] for oriundo da converso A/D
de um sinal contnuo x(t), com freqncia de amostragem
s
,
ento a relao entre os eixos ser: [rad]=T. [rad/s]
9
Relao entre TF e DFT:
n Como a DFT a amostragem de N pontos
de um intervalo de 2 da DTFT, ento, a
relao entre o eixo k da DFTe o eixo
freqncia [rad/s] da TF :
n A relao a freqncia de amostragem s.
k .
N
Ento
k
N 2
s
k
k
s
=

=
Resumo das relaes entre
domnio contnuo e discreto:
Tempo Continuo Tempo Discreto
Domnio Tempo Domnio Freqncia Domnio Tempo Domnio Freqncia
Serie
de
Fourie
r
+
=
=
k
t jKw
k
0
e a ) t ( x
Tempo contnuo
Peridico em
tempo

=
0
T
t jkw
0
k
e ). t ( x
T
1
a
Freqncia discreta
Aperidico em
freqncia
=
N k
n ) N / 2 ( jK
k
e a ] n [ x
Tempo discreto
Peridico em tempo
=

=
N n
n ) N / 2 ( jK
0
k
e ] n [ x
N
1
a
Freqncia discreta
Peridico em
freqncia
Transf
.
de
Fourie
r
= dw e ). w ( X
. 2
1
) t ( x
jwt
Tempo contnuo
Aperidico em
tempo
= dt e ). t ( x ) w ( X
jwt
Freqncia continua
Aperidico em
freqncia
=
2
n . j
e ). ( X
. 2
1
] n [ x
Tempo discreto
Aperidico em
tempo
+
=

=
n
n . j
e ]. n [ x ) ( X
Freqncia continua
Peridico em
freqncia
1
DSP: Aula 7
Projeto de Filtro Digitais:
Projetos de Filtros Digitais:
n Neste mdulo apresentaremos os tipos de
filtros digitais, as bases tericas para
projetos, e como usar o Signal Processing
Toolbox do Matlab para fazer estes
projetos;
n Todos filtros aqui definidos fazem parte da
Sub-Classe de Sistemas Lineares
Invariantes no Tempo descritos por uma
Equao de Diferenas com coeficientes
reais:
2
[ ] [ ]

M
0 k
k
N
0 k
k
k n x b k n y a
Implementao
Direta Tipo I
[ ] [ ]

M
0 k
k
N
0 k
k
k n x b k n y a
Implementao
Cannica
3
Tipos de Filtros Digitais:
n Baseado na sua resposta impulsiva (e
indiretamente no diagrama de blocos da
implementao direta tipo I deste sistema)
pode-se classificar os filtros em 2 grandes
tipos:
Filtros FIR - Resposta Impulsiva Finita;
Filtros IIR - Resposta Impulsiva Infinita;
n Filtros FIR - Tem resposta impulsiva Finita
e so descritos pela equao:
n Sua implementao fica:
[ ] [ ]

M
0 k
k
k n x b n y
4
n Filtros IIR - Tem resposta impulsiva Infinita
e suas equaes diferenas contm a parte
recursiva (coeficientes a
k
);
n Tem-se 2 implementaes:
Equao completa;
Filtro s de plos:
[ ] [ ]

M
0 k
k
N
0 k
k
k n x b k n y a
[ ] [ ] [ ]

N
1 k
k 0
k n y a n x . b n y
Parmetros de Filtros Digitais:
n Devido ao teorema de amostragem, as
componentes de alta freqncia do sinal na
DTFT estaro sempre em torno de
n Assim, os 4 tipos de filtros ideais tem os
grficos mostrados a seguir:
,... 5 , 3 , t t t
5
Parmetros de Filtros Digitais:
Filtros FIR:
n Sua resposta impulsiva sempre finita, so
sempre estveis;
n Os coeficientes b
k
do filtro so os prprios
pontos da resposta impulsiva;
n So Janelas;
n A sada obtida atravs da convoluo do
sinal de entrada com os coefs. b
k
;
[ ] [ ]

M
0 k
k
k n x b n y
6
Filtros FIR:
n Exemplos de algumas janelas:
Janelas Mdulos da DTFT
Projeto de filtros FIR:
n O mtodo de Janelamento da Resposta
Ideal:
a) Cria-se o filtro ideal no domnio freqncia
(DTFT);
b) Faz-se a transformada inversa - a resposta
impulsiva ser infinita;
c) Trunca-se esta resposta com alguma janela;
d) Verifica-se se o espectro resultante atende s
especificaes.
7
-1 -0.8 -0.6 -0.4 -0.2 0 0. 2 0. 4 0. 6 0. 8 1
0
0. 5
1
1. 5
-20 -15 -10 -5 0 5 10 15
-0.5
0
0. 5
-20 -15 -10 -5 0 5 10 15
0
0. 5
1
-20 -15 -10 -5 0 5 10 15
-0.5
0
0. 5
-1 -0.8 -0.6 -0.4 -0.2 0 0. 2 0. 4 0. 6 0. 8 1
0
0. 5
1
1. 5
a) filtro ideal;
b)Resp. Impuls.
infinita;
c) Janela;
d)Resp. Impuls.
truncada;
e)Espectro filtro
obtido.
n No Matlab, isto feito automaticamente
pelas funes:
a) b=fir1(n,Wn,window); onde b o vetor de
coeficientes b
k
, n a ordem do filtro,Wn vetor
de freqs. corte entre 0 e 1 (1= rad) e window
a janela usada (default=hanning);*olhar
opcionais
b) b=fir2(n,f,m);onde n a ordem do filtro, f
o vetor de frequencias e m ovetor de
magnitudes associadas a cada ponto em f;
*olhar opcionais
8
n No Matlab, pode-se obter a resp. freqncia do
filtro com a funo freqz(b,a);
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-4000
-3000
-2000
-1000
0
Normalized frequency (Nyquist == 1)
P
h
a
s
e

(
d
e
g
r
e
e
s
)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-150
-100
-50
0
50
Normalized frequency (Nyquist == 1)
M
a
g
n
i
t
u
d
e

R
e
s
p
o
n
s
e

(
d
B
)
0 10 20 30 40 50 60 70
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Ex. de projeto:
b=fir1(64,0.5);
stem(b);
freqz(b,1);
n Resta uma questo: Qual a ordem do filtro
(quantos coeficientes deve-se usar)?
n Depende das especificaes do projeto;
9
n Parks e McClellan sugerem uma expresso que,
permitem estimar a ordem N de um filtro dadas as
especificaes do mesmo:
n Com isto tem-se um bom chute inicial;
( )

+
324 , 2
13 Log 20
1 N
p s 10
Vantagens e Desvantagens de
filtros FIR:
n Vantagens:
Projeto simples;
So sempre estveis;
No alteram a fase do sinal (eles so fase nula ou fase
linear);
Por no ter recusrividade, so imunes a erros de
arredondamento;
n Desvantagens:
A resposta em freqncia sempre pior do que um
filtro IIR; pode-se precisar de uma ordem muito grande
(N>500) para se atingir as especificaes.
10
Filtros IIR:
n Tem como principal caracterstica a
Recursividade - as sadas so re-injetadas no
sistema para o clculo de uma nova sada;
n Por este motivo, a resposta impulsiva
infinita:
n A expresso geral re-escrita fica:
[ ] [ ] [ ]
'

N
1 k
k
M
0 k
k
0
k n y a k n x b
a
1
n y
Filtros IIR:
n Neste caso, a filtragem no efetuada por
convoluo - ela feita por uma das estruturas
vistas;
n Os filtros IIR podem ter problemas de estabilidade
- os coeficientes a
k
do origem aos plos do
sistema; a Transf. Z deste sistema (p/ a
0
=1) :
( )
N
1 k
k
k
M
0 k
k
k
z a 1
z b
z H
11
Filtros IIR:
n Forma tradicional de projeto de filtro
Transformar Filtros Analgicos, bem
conhecidos, em Filtros Digitais - Passar do
Plano s para o Plano z;
n 2 Mtodos mais usados para se efetuar esta
transformao:
a) Mtodo Impulse Invariance;
b) Mtodo Transformao Bi-linear;
Filtros IIR - Impulse Invariance:
n Sistema Discreto h[n] definido pela
amostragem de um Sistema Contnuo h
c
(t);
n Com esta transformao observa-se que plos
no plano s se relacionam com plos no plano z
por:
[ ] ( ) ( )
,
_
para ; H
1
H . n h . n h
c c
( ) ( )

N
1 k
1 s
k
N
1 k
k
k
c
z . e 1
A .
z H
s s
A
s H
k
12
Filtros IIR - Impulse Invariance:
n Problemas:
O sistema contnuo h
c
(t) deve ser limitado em
freqncia:
Caso isto no ocorra, haver Aliasing e a
conseqente degradao das especificaes do
filtro. Isto sempre ocorrer com filtros reais
(no-ideais). Por isto este mtodo no o mais
empregado.
( ) ; , 0 H
c
>
Filtros IIR - Transf. Bilinear:
n Neste mtodo feito um mapeamento dos
plos e zeros do plano s para o plano z de
forma a preservar a estabilidade do sistema:
Sist. Analgico: Plos do plano s devem estar
no semi-plano esquerdo;
Sist Analgico: TF o eixo j do plano s;
Sist. Digital: Plos do plano z devem estar no
interior do crculo unitrio;
Sist. Digital: DTFT o crculo unitrio dado
por z=e
j
(|z|=1) no plano z;
13
n O mapeamento de eixos que garante estas
caractersticas :
n Assim, dado um sistema contnuo com resp.
Hc(s), a resp. H(z) do sistema discreto
obtida por:
s
2
T
1
s
2
T
1
z
z 1
z 1
T
2
s
d
d
1
1
d
,
_
,
_
+

+
( )

,
_
1
1
d
c
z 1
z 1
T
2
H z H
14
n A relao entre as freqncias das TF e da
DTFT ficam:
( ) ( )
[ ] [ ] rad ; s / rad
(eq.b) 2 / T . arctg . 2 (eq.a) 2 / tg .
T
2
d
d

n Passos de projeto:
a)Especificar o filtro digital (freqs. corte, mag,
etc...);
b)Fazer o Pr-Warp determinar as freq. corte
do filtro analgico a ser projetado atravs da eq.b;
c) Projetar o filtro analgico acima especificado,
determinando sua H
c
(s), pelas tcnicas habituais;
d)Aplicar T. Bilinear H
c
(s), determinando H(z);
e) De H(z), determinar os coeficientes a
k
e b
k
;
15
Filtros IIR -No Matlab
n No matlab, o projeto de filtros IIR usa transf.
Bilinear;
n Existem comandos que projetam os filtros a
partir de modelos analgicos:
[b,a]=butter(n,Wn,opcionais);
[b,a]=cheby1(n,Wn,opcionais);
[b,a]=cheby2(n,Wn,opcionais);
[b,a]=ellip(n,Wn,opcionais); entre outros.
Filtros IIR -No Matlab
Butter
Cheby
tipo I
Cheby
tipo II
Elip
1
DSP: Aula 8
Teoria Amostragem e Filtros Digitais
Teoria Amostragem:
n Amostragem de um sinal senoidal:
Relao de escala freqncia para a DFT:
clear;
N=2048; %no. de pontos a ser usado
n=0:(N-1); %vetor com 2048 pontos;
deltaf=3000/N;% P/a DFT,o pt.N=freq. amostragem, logo f
k
=fs.k/N
t=n*1/fs; %vetor de instantes de tempo de amostragem
fk=n*deltaf; %vetor com escala freq. da DFT
x=sin(2*pi*150*t); %senide de 150Hz amost 3kHz
plot(t,x);figure;
y=fft(x);
subplot(2,1,1);stem(fk, abs(y)); %plota mdulo dft
subplot(2,1,2);stem(fk, angle(y)); %plota fase dft com escala em Hz
2
Teoria Amostragem:
n Aliasing:
Amostragem de 3 sinais diferentes, um com freq>fs/2:
clear;
N=512;nn=0:(N-1); %vetor com 512 pontos;
deltaf=3000/N;
t=nn*1/fs; f=nn*deltaf; %vetores tempo e freq
x1=sin(2*pi*1000*t); %senide de 1000Hz amost 3kHz
y1=fft(x1);y2=fft(x2);y3=fft(x3);
subplot(6,1,1);plot(t,x1);subplot(6,1,2);stem(f, abs(y1));
*Observe que o terceiro sinal apresenta componente rebatida em relao
metade da freq. amostragem.
Filtros FIR:
n Projeto de um filtro FIR passa-baixas:
Filtro FIR passa-baixas com ordem 32 e wc= /2 rad:
clear;
N=1024; %No. de pontos do sinal
b=fir1(32,0.5); %fir1(N, wc), onde wc est entre[0 1], 1=
stem(b);figure; %plota a resp impulsiva do filtro
freqz(b,1); %mostra a resposta em freq. do filtro projetado
x=randn(1,N); %gera 1024 pts. rudo branco
xx=fft(x);
y=filter(b,1,x); %neste caso poderia-se fazer y=conv(b,x)
yy=fft(y);
figure
nn=0:(N-1);nn=nn*2/N; %escala normalizada p/DFT
subplot(2,1,1);plot(nn,abs(xx)); %espectro do rudo
subplot(2,1,2);plot(nn,abs(yy)); %espectro do rudo filtrado
*compare o espectro do sinal filtrado com o mdulo da resp. do filtro. Lembre-se que
este est com a escala em dBs, enquanto aquele est em escala linear.
3
Filtros FIR:
n Projeto de um filtro FIR passa-altas:
Filtro FIR passa-altas com ordem 64 e wc= /2 rad:
clear;
N=1024; %No. de pontos do sinal
b=fir1(64,0.5, high); %fir1(N, wc), onde wc est entre[0 1], 1=
stem(b);figure; %plota a resp. impulsiva
freqz(b,1); %mostra a resposta em freq. do filtro projetado
x=randn(1,N); %gera 1024 pts. rudo branco
xx=fft(x);
y=filter(b,1,x); %neste caso poderia-se fazer y=conv(b,x)
yy=fft(y);
figure
nn=0:(N-1);nn=nn*2/N; %escala normalizada p/ DFT
subplot(2,1,1);plot(nn,abs(xx)); %espectro do rudo
subplot(2,1,2);plot(nn,abs(yy)); %espectro do rudo filtrado
*compare os resultados com os obtidos anteriormente
Filtros FIR:
n Projeto de filtros FIR passa-faixas e rejeita-faixas:
2 Filtros FIR:
1 passa-faixas com ordem 128, wc1= /4e wc2= /2 rad:
1 rejeita-faixas com ordem 128, wc1= /4e wc2= /2 rad:
clear;
wc=[0.25 0.5]; %vetor com freqs de corte inferior e superior
b1=fir1(128,wc); % Passa-faixas
b2=fir1(128,wc,stop) %Rejeita-Faixas
subplot(2,1,1);stem(b1);
subplot(2,1,2);stem(b2);figure; %plota resp. impuls. filtros
freqz(b1,1); %mostra a resposta em freq. do filtro projetado
figure;
freqz(b2,1);
*compare os resultados, observando a ordem do filtro...
4
Filtros IIR:
n Projeto de um filtro IIR passa-baixas:
1 filtro IIR1 passa-baixas, Butterworth, com ordem 12, wc1= /2 rad:
clear;
[b,a]=butter(12,0.5); % Passa-baixas Butterworth
freqz(b,a); %mostra a resposta em freq. do filtro projetado
*compare os resultados com os obtidos no FIR P.B., observando a resposta e a
ordem de ambos os filtros. Para executar uma filtragem, deve-se usar a funo
filter(b,a,x).
Filtros IIR:
n Projeto de um filtro IIR passa-altas:
1 filtro IIR1 passa-baixas, Chebyshev I, com ordem 10, wc1= /4 rad:
clear;
[b,a]=cheby1(10,0.5,0.25,high); % Passa-altas Chebyshev
%[b,a]=cheby1(N,R, Wc,opc?), N=ordem, R=ripple, Wc=freq.corte;
% olhar help para mais detalhes
freqz(b,a); %mostra a resposta em freq. do filtro projetado
*compare os resultados com os obtidos no FIR P.a., observando a resposta e a
ordem de ambos os filtros. Para executar uma filtragem, deve-se usar a funo
filter(b,a,x).
1
1
DSP: Aula 9
Introduo aos Processos Estocsticos
2
Definies:
n Processos Determinsticos: os sinais (ou sistema)
modelagem por uma relao matemtica explcita.
Tem repetibilidade.
Ex.: V=R.I ; I=I
0
.exp( qV/2kT) ; etc...
n Processos Estocsticos: os sinais no conseguem
ter um modelo matemtico explcito.
No tem repetibilidade;
Ex: Rudo trmico; Voz; Dados digitais; etc...
n Descreve-se estes processos por:
Parmetros estatsticos do processo;
Entropia.
2
3
Aplicaes:
n Deteco de sinais em rudo (autocorrelao, filtro
wiener, etc...);
n Modelagem de processos (voz, outros...);
n Filtros Kalman;
n Estimao do Espectro:
Periodograma;
Blackman-Tukey;
Modelagem paramtrica (AR, MA, ARMA);
4
Classificao:
n Processos Determinsticos:
Peridicos:
n Senoidais:
x(t)= A sen (w.t+);
n Peridicos Complexos:
x(t)= x(t+n.T), qq.t;
No Peridicos:
n Quase peridicos;
n Transientes.
s w t w A t x
n n n n
+ = ); sen( . ) (
+ = ) . . sen( . ) . . cos( . ) (
0 0
t w n B t w n A t x
n n
3
5
Definies:
Processo Estocstico
{x
k
(t)}
Coleo de k
Experimentos ou
amostras.
processo qdo.
k
6
Definies:
Mdia do
processo:
=

=
N
k
k
n
x
t x
N
t
1
1 1
) (
1
lim ) (
4
7
Definies:
Auto-correlao
do processo:
=

=

+ = +
=
N
k
k k
n
xx
N
k
k k
n
xx
t x t x
N
t t R
t x t x
N
t t R
1
1
2 1 2 1
) ( ). (
1
lim ) , (
) ( ). (
1
lim ) , (

8
Classificao:
n Processos Estocsticos:
Estacionrios: Mdia e auto-correlao no variam
c/tempo.
No Estacionrios: Mdia e/ou auto-correlao variam
com o tempo.
n Tcnicas especiais para anlise e processamento.
) ( ) , (
; ) (

xx xx
x x
R t t R
t
= +
=
5
9
Classificao:
n Processos Estocsticos Estacionrios: Para os
processos estacionrios faz-se outro teste:
n mdia amostral:
n Auto-correlao amostral:
Ergdicos: A mdia e a auto-correlao amostrais no
variam com k:
Mdia e auto-correlao so iguais de amostra p/amostra
Uma s amostra necessria para descrever todo processo.
No Ergdicos:
Todas amostras so usadas para descrever o processo.

=
T
k
T
x
dt t x
T
k
0
). (
1
lim ) (
+ =

T
k k
T
xx
dt t x t x
T
k R
0
). ( ). (
1
lim ) , (
) ( ) , ( ; ) (
xx xx x x
R k R k = =
10
Processos estacionrios:
n Usualmente trabalha-se com processos
estocsticos estacionrios (ergdigos ou no).
n Os 2 parmetros comentados acima se referem
uma POPULAO. Entretanto tem-se somente
amostras Estimao dos parmetros;
n Vai-se definir a seguir alguns parmetros
estatsticos usados em processos
ESTACIONRIOS e seus estimadores amostrais:
6
11
n Mdia:
n Varincia:
n Covarincia:
Existem-se tb. C
yy
() e C
xy
()
{ } [ ]
=
= =
N
n
x k x
n x
N
u t x E u
1
1
~
) (
[ ] { } [ ] [ ]
=
= =
N
n
x
x
x k
x n x
N
t x E
1
2 2 2 2
1
~
) (
[ ][ ] { }
[ ] [ ] [ ] [ ]
=
+ =
+ =
N
n
x x xx
x k x k xx
k n x n x
N
k C
t x t x E C
1
.
1
] [
) ( . ) ( ) (

12
n Correlao:
Existem-se tb. a outra auto-correlao R
yy
() e a
correlao cruzada R
xy
().
{ }
[ ] [ ]
[ ] [ ] N k k n x n x
k N
k R
N k k n x n x
N
k R
t x t x E R
k N
n
xx
k N
n
xx
k k xx
+
=
+ =
+ =
=
0 ; .
1
] [
~
0 ; .
1
] [
) ( ). ( ) (
1
1

7
13
n Covarincia e Correlao:
A covarincia e a correlao avaliam a semelhana
entre conjuntos de pontos, entretanto a covarincia
normalizada com relao s mdias destes pontos;
Quando a(s) mdia(s) dos pontos zero, C=R;
C
xx
(0)=
2
x (varincia x);
R
xx
(0)=
2
x (valor mdio quadrtico x).
A auto-correlao e a auto-covarincia so funes
pares R
xx
()=R
xx
(-);
O mesmo no vale para a correlao (covarincia)
cruzada;
14
n Covarincia e Correlao:
Funo do MatLab: r=xcorr(x,y,opcionais);
n calcula a autocorrelao do sinal x ou a correlao cruzada
entre os sinais x e y.
Pode-se fazer uma funo que faa a correlao na
fora bruta:
function rxx=autocorr(x)
% funo autocorrelao
% r=autocorr (x);
% Calcula a autocrrelao do sinal x na fora bruta
% schuck, 2003
fim=length(x);
lag_final=fim/2;
for k=0:lag_final,
rxx(k+1)=0.0;
for n=1:(fim-k),
rxx(k+1)=rxx(k+1)+(x(n).*x(n+k));
end
rxx(k+1)=(1/(fim-k))*rxx(k+1);
end
8
15
n Algumas funes e suas Auto-correlaes:
a) Impulso
b) senide
c) Rudo Branco
16
n Aplicao: Deteco sinal senoidal em rudo:
a) senide
c) senoide +
rudo c/
9dB de S/N
b) Rudo
Branco
d)autocorrela-
o sinal c)
9
17
n Aplicao: Deteco sinal radar:
a) Pulso Tranmitido;
b)Sinal Recebido
(pulso em n=1000
+rudo branco)
c) Correlao Cruzada
entre sinais a) e c)
18
n Funes Densidade Espectral:
n Espectro definidos pelas Relaes de Wiener - Khintchine:
{ }
{ }
{ }

= =
= =
= =

d e R R S
d e R R S
d e R R S
j
xy xy xy
j
yy yy yy
j
xx xx xx
. ). ( ) ( ) (
. ). ( ) ( ) (
. ). ( ) ( ) (
.
.
.
1
1
DSP: Aula 10
Processos Estocsticos - Exerccios c/
Matlab
2
Distribuies:
n Primeiro, criaremos 2 sinais estocsticos com
distribuies diferentes:
x=randn(1,1024); %Cria sinal aleatrio com pdf Gaussiana
y=rand(1,1024); %Cria sinal aleatrio com pdf uniforme
plot(x);figure;plot(y);
figure;hist(x); %Histograma do sinal x
figure; hist(y); %Histograma do sinal y
mediax=mean (x); desviox=std(x); %mdia e desvio-padro x
mediay=mean (y); desvioy=std(y); %mdia e desvio-padro y
2
3
Distribuies:
n O que acontece com a mdia e a varincia, quando
se somam 2 sinais estocsticos?
x1=5+10*randn(1,1024); %Cria sinal aleatrio1
x2=4*randn(1,1024); %Cria sinal aleatrio2
plot(x1);figure;plot(x2);
mediax1=mean (x1); desviox1=std(x1);
mediax2=mean (x2); desviox2=std(x2);
mediax1;mediax2;desviox1^2;desviox2^2;
x3=x1+x2;figure;plot(x3);
media3=mean(x3);var3=std(x3)^2;
%qual a sua concluso?
4
Distribuies:
O que acontece com a mdia, a varincia e a
distribuio quando se filtram processos estocsticos?
clear all
x1=10+5*randn(1,4096); %Cria sinal aleatrio1
plot(x1);figure;hist(x1);
mediax1=mean (x1); varx1=std(x1).^2;
mediax2=mean (x2); var2=std(x2).^2;
b1=fir1(64, 0.5); %projeta filtro fir c/wc=0.5*pi rads
b2=fir1(64,0.05); %projeta filtro fir c/wc=0.5*pi rads
y1=filter(b1,1,x1); figure;plot(y1); figure;hist(y1);
y2=filter(b2,1,x1); figure;plot(y2); figure;hist(y2);
mediay1=mean(y1);vary1=std(y1).^2; mediay2=mean(y2);vary2=std(y2).^2;
%comparando os histogramas, o tipo de distribuio mudou? E em relao s mdias
e varincias? Quais as suas concluses?
3
5
Processos Estocsticos Estacionrios:
n Vai-se criar agora 3 processos diferentes:
M=64; N=1024;
a=0.5;m=3;
x1=(rand(M,N)-0.5)*m+a; %processo1
a=0.02;b=5;
mc=ones(M,1)*b*sin((1:N)*pi/N);
ac=a*ones(M,1)*[1:N];
x1=(rand(M,N)-0.5).*mc+ac; %processo 2
ar=rand(M,1)*ones(1,N);
mr=rand(M,1)*ones(1,N);
x3=(rand(M,N)-0.5).*mr+ar; %processo3
%Para cada processo plote vrias linhas com subplot. Por
inspeo, quais processos no so estacionrios?
6
n continuando:
media1=mean(x1);%para matrizes, mean calcula um vetor
com a mdia dos valores de cada coluna (clculo
vertical)
plot(media1);
media2=mean(x2);figure;plot(media2);
media3=mean(x3);figure;plot(media3);
%Agora, observando as mdias, ficou confirmada a sua
resposta anterior?
% Entretanto, no existe no matlab uma funo que calcule as
funes auto-correlao do processo (modo vertical). Ento,
podemos tambm observar a estacionariedade verificando-se
as PDFs de cada coluna. Se forem iguais, o processo
estacionrio:
4
7
n continuando:
for i=1:16, % teria-se que fazer para todas colunas, mas....
figure; hist(x1(:,i));
end
end
end
% Se as PDFs (histogramas) das colunas de cada processo
forem identicas, o processo estacionrio. Caso contrrio, o
processo no estacionrio. Qual(is) dos processos
estacionrio(s)?
8
Processos Estocsticos Ergdicos:
n Testa-se agora a mdia e a autocorrelao de cada
uma das sries temporais:
for i=1:64,
mediax1(i)=mean(x1(i,:)); % calcula a mdia de cada linha da matriz do
processo...
Rxx1(i,:)=xcorr(x1(i,:),biased); %calcula autocorrelao de cada linha da matriz....
mediax2(i)=mean(x2(i,:));%idem x2
Rxx2(i,:)=xcorr(x2(i,:),biased);
mediax3(i)=mean(x3(i,:));%idem x3
Rxx3(i,:)=xcorr(x3(i,:),biased);
end
%Plote diversas funes mdia e autocorrelao para cada processo e diga quais dos
processos so ergdicos?
5
9
Processos Estacionrios:
n A funo autocorrelao:
Vai-se fazer a estimao da funo autocorrelao de
diversos sinais:
clear all;
x1=randn(1,1024); %gaussiana c/mdia 0
x2=rand(1,1024); %distribuio uniforme
n=1:1024;
x3=sin(2*pi*n/32); %senide
x4=zeros(1,1024);x4(1)=1; %impulso unitrio
plot(x1);figure;plot(x2);figure;plot(x3);figure;plot(x4);
rx1=xcorr(x1,biased );
rx2=xcorr(x2,biased );
rx3=xcorr(x3 ,biased);
rx4=xcorr(x4 ,biased);
%plote os disversos grficos de autocorrelao e verifique se esto de acordo
com o esperado. Caso no estejam, tente descobrir porque.
10
Correlao cruzada:
n Assim como pode-se calcular um estimador da
autocorrelao, pode-se tb. calcular a correlao
entre 2 sries temporais diferentes:
x1=randn(1, 4096); %sinal aleatrio
n=0:4095;
x3=xcorr(x1,x2,biased); %correlao entre senide e rudo
plot(x3);
%Qual seria a correlao terica entre os 2?
6
11
Correlao
n Diferena entre estimador da correlao biased e
unbiased:
function rxx=autocorrunb(x)
% funo autocorrelao
% r=autocorr(x);
% Calcula a autocorrelao no-tendenciosa do sinal x na fora bruta
% schuck, 2003
fim=length(x);
lag_final=fim/2;
for k=0:lag_final,
rxx(k+1)=0.0;
for n=1:(fim-k),
rxx(k+1)=rxx(k+1)+(x(n).*x(n+k));
end
rxx(k+1)=(1/(fim-k))*rxx(k+1); Divide o valor por 1/(N-k)
end
12
Correlao
n Diferena entre estimador da correlao biased e
unbiased:
function rxx=autocorrb(x)
% funo autocorrelao
% r=autocorrb(x);
% Calcula a autocorrelao tendenciosa do sinal x na fora bruta
% schuck, 2003
fim=length(x); %o N o final do vetor
lag_final=fim/2;
for k=0:lag_final,
rxx(k+1)=0.0;
for n=1:(fim-k),
rxx(k+1)=rxx(k+1)+(x(n).*x(n+k));
end
rxx(k+1)=(1/(fim))*rxx(k+1); %divide o valor por 1/N
end
7
13
Correlao
n Experimente usar estas funes nos sinais
anteriores e observe os resultados:
clear all ;
x1=randn(1,1024); %gaussiana c/mdia 0
x2=rand(1,1024); %distribuio uniforme
n=1:1024;
x4=zeros(1,1024);x4(1)=1; %impulso unitrio
plot(x1);figure;plot(x2);figure;plot(x3);figure;plot(x4);
rx1u=autocorrunb(x1);
rx1b=autocorrb(x1);
subplot(2,1,1);plot(rx1b);
subplot(2,1,2);plot(rx1u);
%observe o grfico;repita para os outros sinais x2, x3 e x4 e tire suas
concluses sobre qual a diferena entre o estimador no-tendencioso
(unbiased) e o estimador tendencioso (biased).
14
Aplicao de correlao cruzada:
n Deteco de eco de Radar:
Primeiro vamos inserir uma funo correlao cruzada
(corrcruz.m, fornecida em anexo):
A seguir execute o programa abaixo:
clear all ;
x=0.5* randn(1,4096); %rudo
n=0:99;
pulso=sin(2*pi*n/20);
jan=hanning(100);
pulso=pulso.*jan'; %pulso emitido
plot(pulso);
x(1000:1099)=x(1000:1099)+pulso; soma o pulso ao rudo
plot(x);
y=corrcruz(pulso,x);
plot(y);
1
1
DSP: Aula 11
Estimao da Funo Densidade
Espectral
2
n P/Processos Estacionrios as Funes Densidade
Espectral:
n Espectro definidos pelas Relaes de Wiener - Khintchine:
{ }
{ }
{ }

d e R R S
d e R R S
d e R R S
j
xy xy xy
j
yy yy yy
j
xx xx xx
. ). ( ) ( ) (
. ). ( ) ( ) (
. ). ( ) ( ) (
.
.
.
2
3
n A estimao dos espectros de potncia merece um
estudo parte, pois existem diferentes mtodos:
Periodograma;
Mdia dos Periodogramas;
Mdia dos Periodogramas com janelamento e
superposio,
Atravs dos estimadores da Correlao;
Por mtodos Paramtricos:
n MA;
n AR (ou LPC);
n ARMA
4
Periodograma:
n Periodograma:
Seja uma seqncia x[n], N=0,1,...,N-1 . A DFT desta
seqncia dada por:
O Periodograma fica ento definido por:
n Estimador simples, porm;
n Grande variabilidade entre o estimador e o valor terico.
1 ,..., 1 , 0 ; ]. [ ] [
1
0
.
2

N k e n x k X
N
n
n k
N
j

1 ,..., 1 , 0 ; ] [
1
] [
2
N k k X
N
k P
xx
3
5
Periodograma:
n Variabilidade do periodograma:
sinal (ruido branco)
Espectro Terico
Periodograma
6
Periodograma:
Pode-se tambm utilizar a multiplicao do sinal por
uma janela w[n] diferente da retangular, para minimizar
o leakage e reduzir a variabilidade do espectro:
a DFT:
O periodograma:
n onde U uma constante de normalizao que depende da
janela utilizada:
1 ,..., 1 , 0 ; ] [ ]. [ ] [
1
0
.
2

N k e n w n x k X
N
n
n k
N
j

1 ,..., 1 , 0 ; ] [
.
1
] [
2
N k k X
U N
k P
xx
( )
1
0
2
] [
1
N
n
n w
N
U
4
7
Periodograma: Periodograma:
n Exemplo:
a) sinal* janela
Hanning
b) Period. sinal sem
janelamento:
c) Period. sinal com
janelamento:
8
Na mdia dos periodogramas, divide-se todo sinal em R
segmentos (trechos) de comprimento N; pode-se
multiplicar cada segmento por uma janela especfica
w[n];
Calcula-se os periodogramas dos R trechos;
Faz-se a mdia dos espectros obtidos:
Mdia dos Periodogramas (Bartlett):
1 ,..., 1 , 0 ; ] [
.
1
] [
2
N k k X
U N
k P
r r
R
r
r xx
k P
R
k P
1
] [
1
] [
~
; ] [ ]. [ ] [
1
0
.
2
N
n
n k
N
j
r r
e n w n x k X
5
9
Tem-se como principal vantagem a reduo da variabilidade do estimador;
A desvantagem que o espectro resultante ter menos pontos que o sinal
original;
Mdia dos Periodogramas:
a) sinal:
b) periodograma:
c) mdia de 4
periodogramas:
10
Mtodo de Welch:
n Na mdia dos periodogramas, quando se usa
janelamento dos trechos diferente do
retangular, diversos pontos acabam no
contribuindo para a estimao do espectro;
n Soluo: usa-se trechos com overlap no
clculo da mdia dos espectros;
n Melhor estimador espectral.
6
11
Mtodo de Welch:
a) Janelamento
sem overlap;
b) Janelamento
com overlap.
12
Mtodo de Welch:
n No Matlab este mtodo implementado
pela funo psd(x,opcionais);
n Ex:
x=randn(1,1024);
y=psd(x);
subplot(2,1,1);plot(x);
subplot(2,1,2);plot(y);
7
13
Espectro por estimadores da Correlao:
n Neste mtodo usa-se quase a definio de
funo densidade espectral:
Calcula-se um estimador da funo Auto-
correlao R
xx
[k],com -NkN;
Pode-se multiplicar R
xx
[k] por uma janela
diferente da retangular;
Calcula-se a DFT de R
xx
[k];
14
Ex:
a) Sinal
b) autocorrelao
do sinal (sem
janelamento);
c) 1/2 DFT{Rxx}
8
15
Ex:
a) Sinal
b) autocorrelao
do sinal (com
janelamento);
c) 1/2 DFT{Rxx}
16
Modelagem Paramtrica:
Nas modelagens paramtricas, calcula-se os
coeficientes de um filtro digital que quando
alimentado por um sinal banda larga (rudo
branco, trem de impulsos), tenha como sada
um estimador do sinal a ser modelado;
Em funo dos tipos de filtros digitais, tem-se
os diferentes modelos:
n MA: Modela-se um filtro FIR;
n AR: Modela-se um filtro IIR s com plos;
n ARMA: Modela-se um filtro IIR completo.
9
17
Modelagem Paramtrica:
O problema se reduz a estimar os coeficientes
do filtro:
Uma vez que o sinal de excitao tem espectro
constante ( rudo), o espectro do sinal de sada
igual ao espectro do filtro, logo a funo
transferncia filtro=estimador espectro sinal.
18
Modelagem Paramtrica AR:
Dos 3 modelos, o mais largamente utilizado o
modelo auto-regressivo, tambm conhecido
como LPC (Linear Predictive Coding, uso do
modelo em predio de pontos):

L
k
k
k n s a n r n s
1
] [ . ] [ ] [
10
19
Quer-se estimar os L coeficientes ak que dem
na sada do filtro um estimador do sinal s[n].
Usa-se um critrio de minimizao do erro
quadrtico:

1
1
]
1
+
n
L
k
k
n
n r k n s a n s n e E
2
1
2
] [ ] [ . ] [ ] [
]; [ ] [ . ] [
] [ . ] [ ] [
] [ ] [ ] [
1
1
n r k n s a n s
k n s a n r n s
n s n s n e
L
k
k
L
k
k
+
'
20
Derivando-se o erro quadrtico em relao a
cada um dos coeficientes ak e igualando a
zero:
Distribuindo o somatrio externo:
Este um sistema de L equaes p/L incgnitas
L i i n s k n s a n s
a
E
n
L
k
k
i
,..., 2 , 1 ; 0 ] [ . ] [ . ] [ . 2
1

,
_
L i i n s k n s a i n s n s
n
L
k n
k
,..., 2 , 1 ; 0 ] [ ]. [ . ] [ ]. [
1
+

11
21
Atravs deste sistema se estima o valor dos L
coeficientes ak. Estas equaes so
denominadas Equaes de Yule-Walker, ou,
Equaes Normais.
Computacionalmente resolver este sistema
um processo muito pesadoExistem
algoritmos computacionais mais rpidos para
resolver este sistema:
n Mtodo Levinson-Durbin;
n Mtodo de Burg.
22
O Matlab tem estas funes embutidas:
a=lpc(x,N); %calcula os coefs. Aks do LPC por Yule-Walker.
a=levinson(x,n); %calcula os coefs. Aks do LPC por Levinson-
Durbin.
a=aryule(x,N); %calcula os coefs. Aks. do AR por Yule-Walker.
a=arburg(x,N); %calcula os coefs. Aks do AR pelo mtodo Burg.
12
23
Ex. : Trecho sinal de voz
a) Sinal de Voz x;
b) y1=log(psd(x));
c)ar=lpc(x,14);
y2=freqz(1,ar);
%resposta do filtro
com os coefs. Aks.
1
1
DSP: Aula 12
Filtros Adaptativo
2
Filtros Adaptativos
n Bibliografia Recomendada:
Adaptative Signal Processing - Widrow &
Stearns. Prentice-Hall.
Adaptative Filter Theory 3 ed.- Haykin.
Prentice-Hall.
2
3
Filtros Adaptativos
n Definio:
Um sistema adaptativo aquele que se altera
(ajusta) tal que sua performance (desempenho)
melhore sob algum critrio.
Ex: CAG de rdios e televises.
n Caractersticas:
Se ajustam automaticamente em face
mudanas do ambiente ou requisio do
sistema;
4
Filtros Adaptativos
n Caractersticas (cont.):
Tendem a ser auto-projetveis;
Em certos limites eles tendem a ser auto-
reparveis;
Eles so sistemas VARIANTES no TEMPO;
Podem ser treinados para executar tarefas
especficas e certas tomadas de deciso.
3
5
Filtros Adaptativos
n Classificao:
Adaptao Malha
Aberta
6
Filtros Adaptativos
n Classificao:
Adaptao Malha
Fechada
4
7
Filtros Adaptativos
n Forma Geral de um Adaptador Malha
Fechada:
* Idia Bsica de
Adaptao: Sistema se
adapta para minimizar
o sinal erro.
8
Aplicaes de Adaptao Malha
Fechada:
n Modelagem (Identificao):
5
9
Fechada:
n Modelagem Inversa (Deconvoluo):
10
Fechada:
n Predio:
6
11
Fechada:
n Cancelamento de Interferncias:
12
Filtros Adaptativos FIR:
n O Combinador Linear Adaptativo:
a) mltiplas entradas b) uma s entrada
L
l
l l
n x n w n y
0
] [ ]. [ ] [

L
l
l
l n x n w n y
0
] [ ]. [ ] [
7
13
n O Combinador Linear Adaptativo:
a) mltiplas entradas b) uma s entrada
1
1
1
1
1
1
]
1
] [
] [
] [
] [
2
1
0
n x
n x
n x
n x
X
L
n
M
1
1
1
1
1
1
]
1
] [
] 2 [
] 1 [
] [
L n x
n x
n x
n x
X
n
M
1
1
1
1
1
1
]
1
] [
] [
] [
] [
2
1
0
n w
n w
n w
n w
W
L
n
M
n
T
n n
T
n n
X W W X Y . .
14
n Expresso do erro:
Assume-se que os coeficientes Wn esto
ajustados no seu melhor valor, ou seja Wn=W.
Elevando o erro ao quadrado:
( )
( )
n
T
T
n
X W n d
W X n d
n y n d n e
. ] [
. ] [
] [ ] [ ] [

( ) W X X W W X n d n d n e
T
n n
T T
n
. . . . ]. [ . 2 ] [ ] [
2 2
+
8
15
n Expresso do erro mdio quadrtico (MSE):
Assume-se que os processos e[n], d[n] e Xn so
estacionrios, assim:
Como:
{ } { } { } { }W X n d E W X X E W n d E n e E
T
n
T
n n
T
. ]. [ . 2 . . . ] [ ] [
2 2
+
{ } R
x x x x x
x x x x x
x x x x x
E X X E
Ln n Ln n Ln
Ln n n n n
Ln n n n n
T
n n

'
2
1 0
1
2
1 0 1
0 1 0
2
0
. .
. .
. .
.
L
M M M M
L
L
Matriz
Autocorrelao
16
n Erro mdio quadrtico (cont.):
E tambm:
Ento o MSE fica:
{ } P
x d
x d
x d
E X d E
Ln n
n n
n n
n n

'
.
.
.
.
1
0
M
Vetor Correlao
Cruzada entre o
sinal desejado e a
entrada.
{ } { } W P W R W n d E n e E MSE
T T
. . 2 . . ] [ ] [
2 2
+
9
17
n Gradiente:
Quer-se os coeficientes W que minimizem o
MSE. Ento:
0 . 2 . . 2
1
0

1
1
1
1
1
1
1
1
]
1
P W R
w
MSE
w
MSE
w
MSE
W
MSE
L
M
gradiente
A soluo
fica:
P R W P W R . 0 .
1 * *

Equaes de
Wiener-Hopf
18
Algoritmos de Adaptao:
n A equao do MSE prov a chamada
Superfcie de performance:
1 peso wparbola;
2 pesos w parabolide;
L pesos Hiperbolide.
10
19
n Os algoritmos de adaptao efetuam uma
procura do mnimo global na superfcie de
performance.
n Idia bsica:
( )
n n n
w w +
+

1
20
n 1) Steepest Descent:
( )
n n n
w w +
+

1
max
1
0
< <
onde
e max o maior auto-valor de R
Obs: Lembrar que:
P W R . 2 . . 2
11
21
n 2)Mtodo de Newton:
n n n
R w w +

+
. .
1
1

1 0 < < onde
Quando =1/2, teoricamente se obteria os valores
mnimos do MSE em uma interao apenas. Na prtica
usa-se 0< <1/2.
Obs: Lembrar que:
P W R . 2 . . 2
22
n 3)Mtodo LMS:
( ) sinal) (energia . 1
1
0
+
< <
L
onde
Usa-se um estimador para o
gradiente:
( )
n n n
n n n
X e w
w w
. . . 2
+
+
+
n n n
X e . . 2

Ento:
12
23
Algoritmos LMS:
function [h,y,e]=lms(x,d,delta,N)
% Algoritmo de adaptaao de coeficientes LMS
% ------------------------------------------
% [h,y,e] = lms(x, d, delta,N) onde
% h = Filtro FIR estimado
% y = Array de saida y[n]
% x = Array de entrada x[n]
% d = Array Sinal Desejado d[n]
% e = Array com o erro calculado e[n]= d[n]-x[n]
% delta = Passo de adaptaao (0 <= delta << 1)
% N = Numero de coeficientes do Filtro FIR
%
% Ingle & Proakis, 2000, modificado por Schuck Jr. 2003
%
M=length(x);
y=zeros(1,M); %Cria o array de saida
e=zeros(1,M); %Cria o array de erro
h=zeros(1,N); %Inicializa o filtro FIR
% Check for errors.
if(delta<0 | delta>=1),
error('Adaptive gain delta is out of range.');
end
for n = N:M
x_aux= x(n:-1:n-N+1);
y(n) = h * x_aux';
e(n) = d(n)-y(n);
h = h + 2*delta*e(n)*x_aux;
end
24
Exemplos de Aplicaes:
n Modelagem:
clear all;
close all;
x= randn(1,1024); %sinal entrada
b=fir1(16,0.25); %sistema a ser modelado
freqz(b,1); %resposta em freq. do sistema
d=filter(b,1,x); %sinal desejado
[h,y,e]=lms(x,d,0.01,16); %adaptao
figure;plot(abs(e.^2)); %curva de adaptao(erro
quadrtico)
figure;plot(y); %sinal de saida filtro adaptativo
figure;freqz(h,1); %resposta em freq. do filtro adaptado
%compare as respostas em freq. obtidas.
13
25
n Deconvoluo:
clear all;
close all;
sinal= randn(1,1024); %sinal a ser injetado
b=1;a=[1 -1.74 0.87]; %planta s de plos a ser modelada
inversamente
freqz(b,a); %resposta em freq. do sistema
x=filter(b,1,sinal); %saida sistema=sinal entrada
d= zeros(1,length(x));
for i=52:length(x),
d(i)=sinal(i-51); %sinal desejado sinal entrada atrasado
end % de 51 amostas (1 do sistema+50 do filtro
adaptativo)
[h,y,e]=lms(x,d,0.007,100); %adaptao c/FIR 100 taps
figure;plot(abs(e.^2)); %curva de adaptao(erro quadrtico)
figure;freqz(h,1); %resposta em freq. do filtro adaptado
%O que aconteceria se o sistema fosse um sistema FIR?
26
n Cancelamento de Interferncias:
clear all;
close all;
n=1:1024;
sinal=cos(2*pi*n/128);%um sinal senoidal
plot(sinal);
x=sin(2*pi*n/32); %interferncia (Ex.60Hz)
b=fir1(16,0.5);%simula caminho da interferncia
ruido1=filter(b,1,ruido);%ruido correlacionado a ser somado ao
sinal
d=sinal+ruido1; %sinal desejado
figure;plot(d);
[h,y,e]=lms(x,d,0.001,64); %adaptao c/FIR 100 taps
figure;plot(e); %sinal erro ( o sinal filtrado).
1
1
DSP: Aula 13
Arquiteturas Processadores DSP
2
Processadores DSP
Caractersticas que diferenciam DSPs de
processadores comuns:
Multiplicao por Hardware;
Arquitetura Harvard;
Modos de Endereamento especializados;
Controle de Programa especializados;
Outros....
2
3
Processadores DSP
Multiplicao por Hardware:
Feita diretamente na ULA;
Permite operaes rpidas de Multiplicao e
Acumulao ( Multiply and Accumulate,
MAC);
Deve prever bits extras para no haver perda
preciso numrica na operao;
4
Processadores DSP
a) Hardware tpico Ponto
Fixo:
3
5
Processadores DSP
a) Hardware tpico Ponto
Flutuante:
6
Processadores DSP
Arquitetura Harvard:
Multiplo acesso memria;
Permite que se faa a leitura de uma instruo
do programa ao mesmo tempo que se busca
dados (Pipelining);
Muito mais eficientes que a arquitetura Von
Neumann tradicional;
4
7
Processadores DSP
a) Arquitetura Von Neumann
(Proc.tradicionais)
b) Arquitetura Harvard
(Proc.multiplo acesso memria)
8
Processadores DSP
Pipelining:
5
9
Processadores DSP
Pipelining:
10
Processadores DSP
Modos de endereamento especiais:
Geradas por hardware=>AGU (Address
generetor Unit),permite a gerao de
endereamentos especializados:
Endereamento Indireto registradores com
aritmtica Mdulo (para Buffers circulares);
Endereamento Indireto registradores com bit
reversal (para algoritmos FFT Radix 2);
Endereamento Indireto registradores com pr ou
ps incremento;
Endereamento direto pgina memria (p/16 bits);
6
11
Processadores DSP
Controles de Execuo especializados:
Single e Multi-instruction Hardware Loops;
Contadores de repetio de loops;
Outras funes especializadas:
Interrupes;
Pilhas;
Aninhamento de loops (hardware e software);
12
Processadores DSP- Exemplos
7
13
Processadores DSP- Exemplos

Apostilacompleta

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Apostilacompleta

Diunggah oleh

Hak Cipta:

Format Tersedia

1

DELET-UFRGS Prof. Adalberto Schuck Jr.

Por Euler, tem-se que:

DELET-UFRGS Prof. Adalberto Schuck Jr.

elemento da matriz est em n=1

);peridicos com perodo 2

Anda mungkin juga menyukai