Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
SFTD_TFTD.pdf Análise de Sinais de Tempo Discreto no Domínio da Frequência 1 um sinal de tempo discreto x(n) é periódico se para algum valor positivo N, temos: x(n) = x(n + N) Isso é possível somente se N.w = 2..m N e m inteiros 2 também temos que uma sequência exponencial complexa é dada por x(n)=Bejn = Brjn Assim, o conjunto de todos os sinais exponenciais complexos de tempo discreto é dado por: k = 0, 1, 2, onde: w0 = 2 /N0 njkw k enx 0)( 3 Uma distinção muito importante entre as exponenciais complexas de tempo discreto e as de tempo contínuo é que os sinais ejot são distintos para valores distintos de 0, mas as seqüências ejwon, são distintas em freqüências que contemplam 2. njwknjnjwnkwj eeee 000 2 2 4 Série de Fourier de Tempo Discreto (DTFS) 5 Um sinal periódico qualquer x(n) pode ser aproximando como uma combinação linear como a seguir: podemos considerar a representação de um sinal como uma superposição ponderada de sinosóides complexas. 1 0 0 0)( N k njkw keanx 6 1 00 0 0)( 1 N n njkw k enx N a 7 onde ak é o coeficiente exponencial da Série de Fourier de Tempo Discreto (DTFS). Então podemos dizer que x(n) e ak são um par da Série de Fourier de Tempo Discreto (DTFS). 1 00 0 0)( 1 N n njkw k enx N a 1 0 0 0)( N k njkw keanx 8 9 10 11 12 Exemplo Obtenha a Série de Fourier de Tempo Discreto para a seqüência a seguir. Trace o espectro de amplitude e fase. -8 -6 -4 -2 0 2 4 6 8 10 12 0 0.5 1 1.5 2 2.5 3 x[n ] n 13 Exemplo Obtenha a Série de Fourier de Tempo Discreto para: x(n) = sen((0,1.)n) Trace o espectro de amplitude e fase. 14 Exemplo Obtenha a Série de Fourier de Tempo Discreto para: x(n) = cos((/4)n) Trace o espectro de amplitude e fase. 15 16 17 18 19 20 21 22 23 24 25 26 27 Exercicios Dados sinais abaixo indicados, determine os espectros de amplitude e de fase 28 29 Transformada de Fourier de Tempo Discreto (DTFT) 30 Seja um sistema discreto LTI: com, x(n) = ejwn A saída y(n) pode ser calculada como: y(n) = x(n) * h(n) 31 Definindo: )(.)()( knxkhny k )(.)()( knjw k ekhny jwk k jwn ekheny .)(.)( k jwkekhwH )()( (4.15) 32 A função H(w) na equação acima é conhecida como transformada de Fourier de h(n). Para uma seqüência x(nT) a transformada de Fourier, X(w), é definida como n jwnenTxwX )()( (4.16) 33 Da serie de Fourier, temos: 1 0 0 0)( N k njkw keanx 1 00 0 0)( 1 N n njkw k enx N a (4.17) 34 Fazendo o período tender a infinito podemos reescrever a última equação como a seguir. n njkw k enx N a 0)( 1 0 (4.18) 35 Substituindo a equação (4.16) na equação (4.18), vem: )( 1 0 0 wX N ak Substituindo a equação (4.19) na equação (4.17), vem: (4.19) 1 0 0 1 0 0 0 0 0 0 )( 2 1 )( 1 )( N k njkw N k njkw wewXewX N nx 36 Quando N0 , w0 = 2/N0 torna-se infinitesimal (w0 0). Neste caso a última equação torna-se 2 0 )( 2 1 )( dwewXnx jwn (4.20) 37 Assim, a representação por transformada de Fourier de Tempo Discreto (DTFT) é expressa como: 2 0 )( 2 1 )( dwewXnx jwn n jwnenTxwX )()( 38 Exemplo Obtenha a Transformada de Fourier de Tempo Discreto para: x(n) = anu(n) Trace o espectro de amplitude e fase. 39 Exemplo Obtenha a Transformada de Fourier de Tempo Discreto para: x(n) = u(n) – u(n – 6 ) Trace o espectro de amplitude e fase. 40 Exemplo Obtenha a Transformada de Fourier Inversa de Tempo Discreto para: || W 0 W || 1 )( w w eX jw 41 Propriedades da Transformada de Fourier de Tempo Discreto As propriedades básicas da transformada de Fourier são apresentadas a seguir. Há muitas semelhanças e várias diferenças em relação ao caso contínuo. Quando a R0C de X(z) contém o círculo unitário, muitas dessas propriedades tornam-se similares a transformada Z. 42 Periodicidade X(w + 2 ) = X(w) Obs: 0 ≤ w < 2 Linearidade F[ax1(n) bx2(n)] = = aX1(w)bX2(w) onde a e b são constantes arbitrárias. n jwnenbxnax )()( 21 43 Deslocamento de tempo F [x(n - p)] = Deslocamento de freqüência F [ejw0nx(n)] = X(w – wo) Inversão de Tempo F [x(-n) ] = = X(-w) )()( wXeepnx jwp n jwn n jwnenx )( 44 Exemplo Calcule a transformada de Fourier de tempo discreto das seguintes seqüências. i) x[n] = (n - n0) ii) x[n] = ejw0n iii) x[n] = cos(w0n) |w0| ≤ 45 Multiplicação por n (ou Diferenciação em freqüência) F [nx(n)] = = Convolução Acumulação |w|≤ n jwnennx )( dw wdX j )( )()()(*)( 2121 wXwXnxnxF )( 1 1 )()0()( wX e wXkxF jw n k 46 Conjugação F[x*(n)] = =X*(-w) Relação de Parseval n jwnenx )(* 2 22 )( 2 1 ][ dwwXnxE n x 47 Calcule a transformada de Fourier de tempo discreto das seguintes seqüências. i) x[n] = u[n] ii) x[n] = 5u[n] – 3u[n -10] ii) x[n] = u[-n] iii) x[n] = 5nu[n] iv) x[n] = u[n]* 3[n -10] Exemplos 48 Características dos Sistemas LTI no Domínio da Freqüência A saída y(n) de um sistema LTI de tempo discreto pode ser determinada fazendo-se a convolução do sinal de entrada x(n) com a resposta ao impulso h(n); isto é, y(n) = x(n)*h(n) 49 Aplicando a propriedade da convolução da transformada de Fourier, obtemos Y(w) = X(w)H(w) onde Y(w), X(w) e H(w) são as transformadas de Fourier de y(n), x(n) e h(n), respectivamente. 50 A transformada de Fourier de tempo discreto de uma resposta ao impulso é chamada de resposta em Frequência (ou Função de Transferência) de um sistema LTI e é denotada por 51 Sendo que A função H(w) é chamada resposta em freqüência do sistema, |H(w)| é a resposta de magnitude ou amplitude do sistema e (w) é a resposta de fase do sistema. Obs: casos interessantes/especiais, x(n) = ejw0n , x(n) = Acos(w0n + 0) 52 Exemplo Determinar a resposta em frequência H(w) de um sistema caracterizado por h(n) = (0.5)nu(n). Traçar as respostas da magnitude e de fase. 53 Muitos sistemas LTI de tempo discreto são descritos por equações de diferença lineares com coeficientes constantes na forma com M N. 54 Aplicando a transformada de Fourier de tempo discreto, e rearranjando a equação, vem: 55 Exemplo Determinar a resposta em frequência H(w) do sistema Traçar as respostas da magnitude e de fase para 0 w π. 56 Relação entre as Transformadas de Fourier de tempo contínuo e discreto Até agora tratamos de seqüências discretas, onde não existe qualquer informação sobre o intervalo de tempo físico existente entre a i-ésima amostra e suas vizinhas imediatas i + 1 e i + 2. 57 Em muitas aplicações as seqüências discretas são obtidas a partir de sinais contínuos. onde T é o período de amostragem, e fs = 1/T é a freqüência de amostragem. Matematicamente, tratamos a amostragem (ou discretização) em dois estágios: n aanTta nTttxntxtxnx )().()()()( 58 1. Um gerador de trem de impulsos (delta de Dirac) 2. Um conversor de impulsos para seqüências Tais estágios são apresentados na figura a seguir, onde fica claro a modulação entre o sinal contínuo xa(t) e o trem de impulsos (t). O conversor na verdade é um dispositivo eletrônico do tipo sample-and-hold. 59 conversor x(n) (t) xa(t) xs(t) x(n) = xs(t) = xa(nT) Portanto, as amostras somente serão definidas para os instantes t = nT = n/Fs=2πn/wT onde T é o tempo entre as amostras, Fs é a freqüência de amostragem e wT= 2πFs é a freqüência angular de amostragem. 60 Exemplo xa(t) x(n) = xs(t) 61 O sinal amostrado representado na figura anterior é obtido modulando o sinal contínuo xa(t) com o trem de pulsos (t), com isto, temos um sinal amostrado no domínio contínuo: n as nTtnTxtx )().()( 62 Então n Tnj a tj ss enTxdtetxX )()()( Da definição da amostragem de um sinal, temos x(n) = xa(nT), e a definição da DTFT nos dá n jwnenxwX )()( Por comparação, temos: Tws wXX )()( 63 Logo k aa kX T TX )( 1 )( Ou seja, X(w) é uma versão “escalada” em freqüência de Xs() (escala definida por w = T). k a T k T w X T wX 21 )( 64 Apenas reforçando, quando discretizamos o sinal xa(t) em xs(t) (e consequentemente x(n)), a sua DTFT corresponde a soma de réplicas da Transformada de Fourier do sinal contínuo original xa(t), espaçadas a cada 2 radianos, o que mantém a periodicidade implícita da DTFT. 65 sequencias numericas.pdf Sequencia de números discretos 1 A figura 1.1 ilustra o processamento de um sinal analógico por sistema digital Processamento Digital A/D D/A Conversor Analógico Digital Conversor Digital Analógico Sinal de entrada Sinal de Saída Figura 1.1 – Processamento Digital de Sinais 2 1.2 Sinais Um sinal é definido como qualquer quantidade física que varia com o tempo, espaço, ou qualquer outra variável independente ou variáveis. Matematicamente, nós descrevemos um sinal em função de uma ou mais variáveis independentes. 3 Todo sinal carrega algum tipo de informação e o objetivo do processamento do sinal é extrair ou modificar a informação contida no sinal. 4 1.2.1 Sinais de tempo discreto Definição: um sinal de tempo discreto possui um valor (informação, amplitude) somente em determinados pontos fixados no tempo. Dessa forma, a variável independente, neste caso, tem somente valores discretos, os quais no geral são uniformemente espaçados. 5 Matematicamente, um sinal de tempo discreto é representado por uma função de uma variável independente n. Usualmente, n representa o tempo. Assim, um sinal é indicado por x(n), e sua representação gráfica é mostrada na figura 1.2 6 Figura 1.2 – Representação gráfica de um sinal de tempo discreto 7 Além da representação gráfica de um sinal discreto no tempo ou seqüência, como ilustrado na figura 1.2, existem algumas representações alternativas que são muitas vezes mais fácil de usar. Estas são: 1. Representação funcional 2. Represntação tabular 8 3. Representação de sequência Uma sequência ou sinal de duração infinita, com a origem do tempo (n = 0) indicado pelo símbolo , é representado como x(n) = {, 0, 0, 1, 4, 1, 0, 0, } 9 Uma sequência x(n), que é zero para n < 0, pode ser representada como x(n) = {0, 1, 4, 1, 0, 0, } A origem do tempo para uma seqüência x(n), que é zero para n < 0, é o ponto (mais à esquerda) na seqüência. 10 Uma seqüência de duração finita pode ser representada como x(n) = {3, -1, -2, 5, 0, 4, -1} enquanto que uma seqüência de duração finita, que satisfaz a condição x(n) = 0 para n < 0 pode ser representada como x(n) = {0, 1, 4, 1} 11 Na grande maioria das aplicações práticas de processamento digital de sinais. Um sinal de tempo discreto freqüentemente é derivado de um sinal de tempo contínuo fazendo-se uma amostragem do mesmo a uma taxa uniforme. 12 1.2.1.1 – Seqüências Elementares Há diversos sinais elementares que se destacam no estudo dos sinais e sistemas. Descreve-se a seguir estes sinais. 13 i) Função Impulso O impulso unitário, comumente denotada por (n), é: ,0,0,1,0,0, 0 1 0 0 )( n n n 14 ii) Função Degrau A função degrau, comumente denotada por u(n), é: },1,1,1,1{ },1,1,1,1,0,0,{ 0 1 0 0 )( n n nu 15 iii) Função Rampa Como um sinal de teste, a função rampa nos possibilita avaliar como um sistema reagiria a um sinal que cresce linearmente com o tempo. r(n)=nu(n) 0 0 0 )( nn n nr 16 iv) Sinais Exponenciais Reais Em termos de tempo discreto, é uma prática comum escrevermos um sinal exponencial real como (1.4) A natureza exponencial deste sinal é prontamente confirmada definindo-se para algum . er nBrnx )( 17 Exponencial decrescente, para a qual 0 < r < 1 18 Exponencial crescente, para a qual r > 1 19 É neste ponto que o caso dos sinais exponenciais de tempo discreto é distintamente diferente dos sinais exponenciais de tempo contínuo. Note que quando r < 0, um sinal exponencial de tempo discreto assume sinais (+, -) que se alternam. 20 21 Exemplo Esboce os sinais exponenciais x(n) dados a seguir. i) x(n) = (-1/2)n ii) x(n) = 5n iii) x(n) = -3n 22 v) Sinais Exponenciais Complexos Em sua forma mais geral, pode ser escrito como x(n)=Bejn = Brjn (1.5) onde: B é a amplitude, r = e α = (-ja + w) a = atenuação w = freqüência em rad 23 a) r < 1 b) r > 1 0 20 40 60 80 100 120 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 n x [n ] 0 20 40 60 80 100 120 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 n x[ n] 24 vi) Sinais Senoidais Em sua forma mais geral, pode ser escrito como x(n)=A cos(wn + ) (1.6) onde: A é a amplitude, w é a freqüência em radianos por segundo, é o ângulo de fase em radianos. 25 A Figura a seguir ilustra um sinal senoidal de tempo discreto para A = 1, = 0 e N = 12. 26 vii) Relação entre Sinais Senoidais e Exponenciais Complexos Usando a identidade de Euler, temos ej = cos + j sen (1.7) Definindo B = Aej (1.8) Ou seja, podemos escrever A cos(w n + ) = Re {Bejwn } (1.9) e A sen(w n + ) = Im {Bejwn} (1.10) 27 Exemplo Determine as componentes real e imaginária dos sinais exponenciais complexos x(n) dados a seguir. i) x(n) = 3e-j(3/2)n ii) x(n) = 5x3jn 28 Exemplo Utilizando a identidade de Euler escreva os sinais exponenciais complexos em termos de sinais senoidais, e vice-versa, dados a seguir. i) x[n] = 5e-j(5/3)n ii) x[n] = 3cos(7/4) + 4sen(9/13) 29 viii) Sinal Senoidal Exponencialmente Amortecido x(n) = B rn sen(wn + )] (1.11) Para que o sinal da equação (1.11) decresça com o tempo, o parâmetro r deve situar-se na faixa 0 < | r | < 1. 30 0 20 40 60 80 100 120 -10 -5 0 5 10 15 x[ n] n 31 ix) Seqüência Aleatória Muitas seqüências na prática não podem ser descrita por expressões matemáticas como mostradas anteriormente. Estas seqüências são chamadas de seqüências aleatórias (ou estocásticas) e são caracterizados por parâmetros de funções densidade de probabilidade associada aos seus momentos estatísticos. 32 1.2.1.2 Classificação de Seqüências i) Seqüências pares e ímpares - seqüência par: x(-n) = x(n) para todo n - seqüência ímpar: x(-n)= -x(n) para todo n Obs: seqüências pares - são simétricas em relação ao eixo vertical seqüências ímpares - são anti-simétricas (assimétricas) em relação à origem de tempo. (1.12) 33 Figura 1.2 – a) Seqüência x(n) par. b) Seqüência x(n) impar. b) a) 34 Qualquer seqüência x(n) arbitraria de valor real pode ser decomposta em componentes par e ímpar x(n) = xp(n) + xi(n) (1.13) onde as partes pares e ímpares são dadas por xp(n) = [x(n) + x(-n)]/2 e xi(n) = [x(n) – x(- n)]/2 35 ii) Seqüência periódica, seqüência não periódica. -seqüência periódica: x(n) = x(n + N) para todo n inteiro onde N é um número inteiro positivo . período fundamental de x(n) : o menor valor inteiro positivo de N que satisfaz a equação x(n)= x(n + N) (1.14) freqüência angular de x(n) é definida por w = 2/N (1.15) 36 Especificamente, para que o seqüência senoidal de tempo discreto seja periódica, a freqüência angular w deve ser um múltiplo na forma de razão de 2. Obs: x(n + N) = A cos(wn + wN + ) em geral, exigimos que w N = 2 m radianos ou w = (2 m)/N rad/ciclo, m, N inteiros 37 - seqüência aperiódica ou não-periódica: qualquer seqüência x(n) para a qual não haja nenhum valor inteiro positivo de N para satisfazer a condição x(n) = x(n + N). Figura 1.3 – a) Onda quadrada alternando entre –1 e +1. b) Seqüência aperiódica consistindo de três amostras diferentes de zero. a) b) 38 iii) Seqüência de potência e seqüência de energia A potência instantânea dissipada no resistor é definida por (1.16) ou, de modo equivalente, (1.17) se R = 1 , vem (1.18) Rnvnp /)()( 2 )()( 2 nRinp )()( 2 nxnp 39 A potência média da seqüência de tempo discreto x(n) é; 1 0 2 )( 2 1 lim N n N nx N P Obs: como há período N (seqüências periódicas) 1 0 2 )( 1 N n nx N P (1.19 ) 40 N Nn nx N E )( lim 2 A energia total da seqüência de tempo discreto x(n) é; Obs: como não há período; N (seqüências aperiódicas) n nxE )(2 (1.20) 41 Uma seqüência é chamada de seqüência de energia se e somente se a energia total da seqüência satisfazer a condição 0 < E < Por outro lado, ela é chamada de seqüência de potência se e somente se a potência média da seqüência satisfazer a condição 0 < P < 42 Exemplo Determine se os seguintes sinais são periódicos. Se forem, encontre o período fundamental i) x[n] = cos(2n) ii) x[n] = cos(2n) 43 Exemplo Os sinais senoidais x(n) dados a seguir são periódicos? Caso afirmativo qual o período fundamental. 533 5 cos10][ nnx nsennx 7 20 5][ 44 Exemplo Determine o período fundamental dos sinais exponenciais complexos x[n] dados a seguir. i) x(n) = 3e-j(/2)n ii) x(n) = 3x5jn 45 Exemplo Determine se o sinal é de potência ou energia. Calcule a sua respectiva potência ou energia. i) ii) cos(n) n 0 4n4- 2 nsen 46 1.2.1.3 Operações Básicas em Sinais Uma questão de fundamental importância no estudo de sinais e sistemas é o uso de sistemas para processar ou manipular seqüências. Esta questão normalmente envolve uma combinação de operações básicas. A seguir identificaremos algumas destas operações. 47 i) Soma e produto de duas seqüências Assumindo x(n) e y(n) quaisquer, a soma e o produto dessas seqüências é definida, respectivamente, por: s(n) = x(n) + y(n) n|n Z s(n) = x(n) . y(n) n|n Z Note que as operações soma e produto são feitas amostra a amostra. (1.21) 48 ii) Produto com escalar Assumindo x(n) e quaisquer, o produto do escalar pela seqüência x(n) é definida por: s(n) = .x(n) (1.22) Observe que todas as amostras da seqüência são multiplicadas por . 49 iii) Deslocamento no tempo (avanço ou atraso) y(n) = x(n - m) (1.23) em que o deslocamento m deve ser um número inteiro; ele pode ser positivo ou negativo. Se m > 0, a forma de onda que representa x(n) é deslocada intacta para a direita, em relação ao eixo do tempo. Se m < 0, ela é deslocada para a esquerda. 50 A figura a seguir ilustra a operação de deslocamento no tempo. 51 iv) Reflexão y(n) = x(-n) (1.24) A seqüência y(n) representa uma versão refletida de x(n) em relação ao eixo de amplitude. Os dois casos seguintes são de especial interesse: 52 Sinais pares, para os quais temos x(-n) = x(n) para todo n; ou seja, um sinal par é o mesmo que sua versão refletida Sinais ímpares, para os quais temos x(-n) = -x(n) para todo n; ou seja, um sinal ímpar é o negativo de sua versão refletida. 53 A figura a seguir ilustra a operação de reflexão. 54 v) Mudança de escala de tempo y(n) = x(kn), k > 0 (1.25) Se k > 1, então alguns valores da seqüência de tempo discreto y(n) são perdidos, como ilustra a Figura a seguir. 55 Exemplo Escreva o sinal x[n] a seguir, utilizando o sinal impulso unitário e a propriedade do deslocamento no tempo. 0 1 2 3 4 5 6 7 8 9 10 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 n x[ n] 56 Exemplo Digamos que x[n] seja dado na figura a seguir. Determine suas componentes par e impar. -5 0 5 10 15 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 x[ n] n 57 Exemplo Digamos que x[n] seja dado na figura a seguir. Esboce cuidadosamente os seguintes sinais. i) y[n] = x[2n] ii) y[n] = x[(1/3)n] -5 0 5 10 15 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 x[ n] n 58 Exemplo Digamos que x[n] seja dado na figura a seguir. Esboce cuidadosamente o seguinte sinal. i) y[n] = x[-n] -6 -4 -2 0 2 4 6 8 10 12 14 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 x[ n] n 59 Exemplo Digamos que x[n] seja dado na figura a seguir. Esboce cuidadosamente o seguinte sinal. i) z[n] = x[n].y[n] ii) z[n] = x[n]+y[n] -5 -4 -3 -2 -1 0 1 2 3 4 5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 n y [n ] 0 1 2 3 4 5 6 7 8 9 10 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 n x [n ] 60 Exemplo Digamos que x[n] seja dado na figura a seguir. Esboce cuidadosamente os seguintes sinais. i) y[n] = -x[n] ii) y[n] = 2x[n] 0 1 2 3 4 5 6 7 8 9 10 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 n x[ n] 61 Exercícios Digamos que x[n]e y[n] sejam dados nas figuras a seguir. Esboce cuidadosamente os seguintes sinais. i) x[3n-1]; ii) y[1-n]; iii) x[n+2]+y[n-4]; iv) x[-n]y[-2-n] -1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 x[ n] n -2 -1 0 1 2 3 4 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 y[ n] n 62 Exercicios_SFTD.pdf Exercicios Dados sinais abaixo indicados, determine os espectros de amplitude e de fase 28 29
Compartilhar