Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema - 5 - Pds Transformada PDF
Tema - 5 - Pds Transformada PDF
de Fourier.
!
!
x(n) = " # Sabemos
x(n+N)=x(n). &
X (k) # e queNa nivel temporal esta señal se puede x(n)
n= 0 ==
x(n) %
% x(k)" #"(#n($n k$) k ) k= 0 n= 0
x(k)
expresar,
N enk=el0 primer periodo y usando deltas desplazadas, como: k= 0
k= 0
x(n) = % x(k) " # ( n $ k )
N $1 j" 2" #N" ($1
k$s)" n $ j# 2# % # k# n
' 0 j# 2#k$&# k#sn
k= 0 j" 2" #
Podemos " s" n
plantear ' N %1
otra %N j"
representación *j" 2" $ "j"s" n2" # " s" nN!
#12" # " k" n #alternativa usando j" 2" $ " ( k#s)" nN %1
%% X (k)
son la base x(n) = " #
x(n)
" e %
e=N" # N
&&
X (k)=# e( N N
X (k) #N e k=s )
) , ! n= 0 k= 0
! en el
x(n) # & X (k)frecuencial,
= "dominio # e N ( k= 0esto es n= 0
+ !k= 0 n= 0
k= 0
! k= 0
Evidentemente el objetivo ahora es determinar X(k) y α; para ello algunas j" 2" # " s" n
operaciones..... ' N %1 % j" 2" # " k" n * j"
N $1 j" 2" # " ( k$s)" n
# j" 2" $ " s" n ' N #1
N $1 N $1 ,% N$ j" 2" # " ( k$s)N
!j" 2" $ " k" n * # j" 2" $ " s"Nn
e
'0 k & s
N=#1
(
N #1
# j" 2" $ " s" nx(n) " eN #1 N #1 =
% %%
# j" 2" $ " s" n
# j"N2" $ " s" n $ " ) ' N
) & #1 " e
j" 2" $X" ((k)
k#s)" n ,
" en *
Nj" 2" $ ," k"
N $1
x(n) " e N j" = 2" # " s") n
%" & X (k) " e N "n=e0 ) x(n)k!
%
"n != s N x(n)x(n)
"e =& " " e " eN N
=
X (k) " e ) %
( =" )&
k= 0 &
"NNX" X (k) (s)" e N+ ,
,
!! % x(n) " e N ) ( k= 0= & " % % X+(k) " e , N
n= 0
! n= 0
k= 0 n= 0
( k= 0 +
n= 0 k= 0 n= 0 N #1 tomando α=1/N
Aplicando la ortogonalidad de las # j" 2" $ " s" n N $1 j" 2" # " s" n N $1 N $1 $ j" 2" # " ( k$
! es,
exponenciales complejas, esto % x(n) " e N
N $1
N " X (s)
= & "!
j" 2" # " ( k$s)" n % x(n) " e N #1
= & "%
N
$ %
X (k) " e
# j" 2" " k" n
N
! n= 0 ! '0 k & s
N "1 " j# 2# $ # ( k"s)# n
'0 k&s ! e !N
Ecuación de análisis % = (X (k) = % x(n) " e
n= 0
)N k = s
Nk= 0 n= 0
! %e N =(
)N k=s N #1
n= 0
# j" 2" $ " k" n
n= 0
n= 0 ! N "1 " j# 2# $ # ( k"s)# n
N #1 j" 2" $ " k" n
1 ' 0 k &N s
X (k) = %
EcuaciónNde #1
x(n) " e
síntesis
!
N
# j" 2" $ " s" n x(n)
e = % N" X=(k)
( %
" e
n= 0 N )N k = s
Procesado Digital de Señales. 4º de Ingeniería Electrónica.
N $1 Emilio Soria. j"E.T.S.E.
Profesor 2" # " s"Universitat
n de València.
! 1
N #1 x(n) %
j" 2" $" "ek" n
N n==0 & " N " X (s) k= 0
n=#$
! Procesado Digital de Señales. 4º de Ingeniería Electrónica.
Profesor Emilio Soria. E.T.S.E. Universitat de València.
!"#$%&'%(&)*(+
!"#$%%%%%%%%%%%%%%%%%%%%%%&'$()$*+,
-.#./$*$"0, !"#$%& !"'()*
122"0"3"0,
Propiedades del DFS.
#$%&+,+-$%& '()*,.()* Ejemplo de convolucion periódica
~
x2 [m]
4"*$5'"0, !"#$%&+,+/"-$%&+ !"'()*,/".()*
3 4"3
6)70"87"+50".* 9 #$%&+"-$%& $ ! '(2*.() 0 2* m
4 2 #5 –N 0 N
4"3 ~
x1 [m]
:.*3.7)0".* 9 ! #$1& $ -$% " 1& '()*".()*
1 #5
8! ) $1
!"#$%;<"=0"*/ #$%+0 1& "9
7
6 $ '()* –N 0 N m
8! 2 : x~2 [– m]
&'$()$*+,%;<"=0"*/ %9 '()+0 2*
6 7 $ #$%&
!"#$%&'()*+"()")*$,"-**./0"&*1,23*
Linealidad
!!"#!"$%&'()**+"", -./01223"", !"#$%&$'()(*+,%,'- .($/ 01''!"#$%&$'2&$%&,''''' 11 !"14 –N 0 N m
Producto ~
x2 [1 – m] = x~2 [–(m – 1)]
Convolución periódica
Desplazamiento temporal –N 0 N m
Desplazamiento frecuencial. ~
x2 [2 – m] = x~2 [–(m – 2)]
Figure 8.3 Procedure for forming the periodic convolution of two periodic
sequences.
N #1 j" 2" $ " k" n
1
x(n) = "
N
% X (k) " e N
k= 0
N & ) n="+
n=#$ k=N0#1
N'#1' $$ # j" 2"#& j" "2"k"&m" k"* m *j" 2" &
j" "2"k"&n" k" n
% " j# 2# $ # k ( " j# 2# $ # k# n 1
+
u(n) = = "N1#1"' ) $) x(m)
u(n) %%%%
x(m) "e# j""e2" &N" k" mN * , "ej",2""e& "Nk" nN
U(k) es periódica
U (k) = X 'e (periodo
N
corresponder a'los coeficientes
* =N) se puede
x(n)
* de un DFS. !
# e ,
! ! N u(n) = 1N"1Nk=N)0 $1
u(n) N
)( m=#$
= " )k= 0U m=#$
)
( x(m) %%%
(k) " e N
e
"
j" 2" # " k" n
N ,
,
"
,+ , N
e +
! & en la señal )temporal
Estoy interesado n="+que se ! Nk= 0 ( m=#$ +
k= 0
obtiene de esos coeficientes $ $ ' ' N #1N #1j" 2" &j" "2"k"&( n#m )* )*
" k" ( n#m
1
N $1 j" 2" # " k" n !! u(n) = =
u(n) %%
$ 1 x(m) %%
N #1''") $") N"1#1" ej" 2"e#& "j"k"2"N( n#m
x(m)
& "Nk")m* *, ,j" 2" & " k" n
!
1
u(n) = " %U (k) " e N !
!
u(n)
u(n) = =m=#$ % % %%
" ")) )(1N)" Nx(m)
x(m)
Nm=#$ )( N (
0 "e N
k= e
k= 0
N , ,+ "e , N
, ,+ +
N m=#$ k= 0 ( m=#$ k= 0 +
k= 0
N $1 j" 2" j" # " k" ( n$m )
N $1 2" # " k" ( n$m ) ' N n $nm$ =mr=" N
'
e ne ( N ) ='(= ( #1 j" 2" & " k"(rn#m
N "N
1
N #1' $ Aplicando
# j" 2" k" m *
& "!
! %%
N $1
j" 2" j"
& " k" 2" # " N
k" $
n$m '
N 1 n
N
$ m = r " N
)) 0) "0n $enm$ &mr&N" N
*r entero
r )entero
u(n) = " ) %) %
Procesado Digital de Señales. 4º de Ingeniería
x(m) "e
Electrónica.
Profesor Emilio Soria. E.T.S.E. Universitat de València.
N !
! , "e % %
k=Nu(n)
0e
k= 0
= N x(m) = ( " %
))(0N nk=$0m & r " N
,
r r" Nentero
,
! N ,+ k= 0 m=#$ +
k= 0 ( m=#$
% %
% %
)N ,
m=#$ ( k= 0 +
m=$% r=$%
x [n]
0 8 n
$
8 ! n
r="$ x~[n] = !
r = –!
x[n – r12]
(a)
!
– 12 0 8 n
N = 12
!
... Figure 8.8 (a) Finite-length sequence x [n ]. (b) Periodic sequence x̃ [n ] corre-
...
(b)
sponding to sampling the Fourier transform of x [n ] with N = 12.
– 14 –7 0 14 n
N=7
Procesado Digital de Señales. 4º de Ingeniería Electrónica.
Profesor Emilio Soria. E.T.S.E. Universitat de València.
Figure 8.8 (a) Finite-length sequence x [n ]. (b) Periodic sequence x̃ [n ] corre-
sponding to sampling the Fourier transform of x [n ] with N = 12.
Figure 8.9 Periodic sequence x̃ [n ] corresponding to sampling the Fourier trans-
%Nx(n) "e
$1 j" 2" # " ( k$s)" n
= & " % % X (k) " e
N N n= 0
n= 0 '0 k & s k= 0 n= 0
! %e N =(
)N k ! =s #1 0 " n " 4
n= 0j" 2" # " ( k$s)" n
N $1 x(n)!= $ #1 0 " n " 4
'0 k & s % 0 5x(n)
"n" = $9
! %
Transformada e N
= ( Discreta
)N k = s de Fourier (DFT). %0 5 " n " 9
n= N
0 #1 # j" 2" $ " s" n
N #1
Conclusiones a tener en cuenta. $ # j" 2" " k" n
! % x(n) " e
Si x(n)n=tiene
N = & " N " X (s) X (k) =
longitud finita se puede recuperar
% x(n) " e
% x(n)usando
X (k) =obtenida "e
N
N #1 # j" 2" $ " k" n
N
0
N #1 # j" 2" $ " s" n La señal temporal dicho
! n= 0
dicha señal a partir de muestras de su muestreo de la Transformada de Fourier se n= 0
! % x(n)
Transformada " e = & " N
N " X (s)
de Fourier; no es necesario
! $ N #1
supone1periódica por construcción; aunque a
j" 2" " k" n
N #1 j" 2" $ " k" n
conocer dicha Transformada en todas las x(n) " %nos
= sólo (k) =" e 1el" primer
Xx(n) N
n= 0
frecuencias. #
nosotros
N
interesa
N
% periodo.
X (k) "e N
! 1 0"n"4 k= 0 k= 0
x(n) = $
% 0 5 " n Discreta
Se define la Transformada "9 de " j# 2# $ " j# 2# $
! Fourier (DFT)
# 1de una
0 " señal
n " 4x(n) como . Si se define N
x(n) = $ WN = e WN =e N
% 0N #1 5 " n "# j"92" $ " k"!
n !
% x(n) " e
X (k) =
N #1 # j" 2" $ " k" n
N
N #1 N #1
! n= 0
(k) = % x(n) " einversa queda
La XTransformada
!
N #1
1(ecuación de sintesis)
N
j" 2" $ " k" n X (k) =
! $ (k)Nk"=n
x(n)X"W $ x(n)Ec. k" n
"W NAnálisis
! x(n) = " % X (k) " e
definida como n= 0 N n= 0 n= 0
N N #1 j" 2" $ " k" n N #1 1
N #1
1 k= 0 1 x(n) $ #k" n
n X (k) "W N
x(n) = " % X (k) " e N x(n) = " $ =
X (k) "WNN "
#k"
Ec. Síntesis
N " j# 2# $ N k= 0
k= 0 k= 0
W N ="ej# 2# $N
Procesado Digital de Señales. 4º de Ingeniería Electrónica.
Profesor Emilio Soria. E.T.S.E. Universitat de València.
!
WN = e N
!
1 x[n]
Ejemplo de DFT (I).
0 4 n
1 x[n]
Sea la1 señal x(n); vamos a x[n]
1 x[n]
(a)
calcular su DFT con N=5. 0 4 n
0 n 4 n
0 4
(a) ~
x[n]
Implícitamente suponemos
(a)
1 (a)
~
que se tiene la señal ... ... x[n]
~ 1
x[n]
... ~
1 0 5 10 15 20 n...
x[n]
... 1 ...
From Discrete-Time Signal Processing, 2e by Oppenheim, Schafer, and Buck ©1999-2000 Prentice Hall, Inc.
0 5 10 15 20 n
Aplicando la definición y ... 4 # j" 2" $ " k" n (b) # j" 2" $ " k ...
From Discrete-Time Signal Processing, 2e by Oppenheim, Schafer, and Buck ©1999-2000 Prentice Hall, Inc.
#2" j" $ " k
(b) 5 10 )
155 k = 5 " r
20 ~ ~n
n= 0 5 5 1# e 5 X[k] X[k]
Buck Inc.
| X (e j!) | | X (e j!) |
Schafer, andHall,
~ (b)
by Oppenheim,Prentice
5 X[k] ...
| X (e j!) | ... Lo que obtenemos son infinitas ... ...
©1999-2000
~
... " j# $5
...# k j# $ # k –1 muestras
0 j# $1# k 2
" periodicas; %7sólo
$ 8# k (nos
10 X[k] k
!
2 j!)"| e 0 2
|eX (e
3 4 5 6
sen ' 9
* 4" 11 !
Buck 2e
2"
e 20 3 interesa
= e" el
j#6$ #primer
# periodo
Processing,
–1 1 2 4 5 0.4#7k 8 & 9 2 10 ) 11 k
X (k) = " j# $0# k # " j# $ # k 2" (c)
% $ # k 4"
and
j# $ # k ( !
Signal
–1 0 1 2 3 4 5 6 7 8 9... 10 11 k ...
Schafer,
sen' *
From Discrete-Time
0 2" 4"e 10 ! e 10 " e 10 (c) & 10 )
(d)
Figure 8.10 Illustration of the DFT. (a) Finite-length sequence x [n ]. (b) Periodic
sequence x̃ [n ] formed from x [n ] with period N = 5. (c) Fourier series coefficients
–2 –1 0 1 2 3 4 5 6 7 8 9 10 11 5 k X̃ [k ] for x̃ [n ]. To emphasize that the Fourier series coefficients are samples of the
x[n]
1
x[n]
1
x[n]
1
0 4 n
0 4 n
(a)
(a) n
Ejemplo de DFT (II). 0 4
~
x[n] ~
(a) x[n]
1
Ahora consideramos N=10. 1
Implícitamente suponemos ~
x[n]
1
que se tiene la–10señal –10 0 4 0 4 10 n
10 n
(b) (b)
$ (" k & & $)" k )
–10 9
9 # j" 2" $ " k" n
# j" 2" $ " k" n 4
4
0
# j" $ " k" n
# j" $ " k" n 1
4 # # j" $ " k
# j"e$ " k sensen
10 ( + n+
# j" $ " 0.4" k ' 2' *2 *
Operando XX
(k)(k) %%
= = x(n) x(n)
" e" e 10
10
= = x(n) %%
x(n)
"5e " e 5
3.24
5 1 # e
= = 5# j" $#"j"k $=" k e#=j"e$ " 0.4" k " " |&X[k]|
3.24 3.24 sen (
$)" k )
& $ " k3.24
| X[k]|
n=
n= 0 0 n=
n= 0 0 (b) 1 #1e# e5
5 sen( + + ' 10
1.24 1 ' 10
1.24 * *
1.24 1 1.24
5 | X[k]|
–10 0 10 k
–10 0 3.24 3.2410 k
!! " $j##$k # k
" j# j# $j## $
k #k " j#"$j## k$ # k 1.24 % $1.24
(c) %
#$k (# k (
(c) 1 sen
sen ' ' * *
e22 e2 2 "e 2 2 & &2 2) )
(k)= =e
XX(k) #
e# "e
=e =" ej#"$j## 0.4#
$ # 0.4#
k k
# # !X[k]
–10 " j# $ # k
" j# $ # k j# $j## $
k #k " j#"$j## k$ #0k % $%#$k (# k ( 10 0.4k!
!X[k]
e e 1010 e e10 10 " e" e10 10 sen
sen' ' * * 0.4 !
(c) & 10) )
& 10 0.2 !
0.2 !
–10 0 10 k
–0.2 ! 10 !X[k]
–10 0 0.4 ! k
–0.2 ! –0.4 !
!! 0.2 !
–0.4 ! (d)
Procesado Digital de Señales. 4º de Ingeniería Electrónica.
–10 (d) k
Profesor Emilio Soria. E.T.S.E. Universitat de València. Figure 8.110 Illustration of the DFT. (a) Finite-length sequence
10 x [n ]. (b) Periodic
sequence x̃ [n ] formed from –0.2
x [n ] with
! period N = 10. (c) DFT magnitude. (d) DFT
Figure 8.11 phase.
Illustration (x’sDFT.
of the indicate values.) x [n ]. (b) Periodic
indeterminate sequence
(a) Finite-length
sequence x̃ [n ] formed from x [n ] with period N!Processing,
–0.4Signal
From Discrete-Time = 10.2e(c) DFT magnitude.
by Oppenheim, (d) DFT
Schafer, and Buck ©1999-2000 Prentice Hall, Inc.
X (k) = % x(n) " e 10 = % x(n) " e 5 = # j" $ " k
=e "
&$ "k)
n= 0 n= 0 1# e 5 sen( +
' 10 *
! #1 0 " n " 4
x(n) = $
! " j# $ # k % 0j# $ # k5 " "nj# "
$ # k9 %$ #k(
Propiedades
e 2
de la DFTTABLE" j#8.2$ # 0.4# k '& 2 *)
e 2 "e 2
sen
X (k) = " j# $ # k #N #1j# $ # k =e #
"# j#j"$2"# k$ " k" n Finite-Length Sequence (Length N) N-point DFT (Length N)
%$ #k(
eX (k)
10 = e 10 %
x(n)"" ee 10 N 1. x[n]
2. x [n], x [n]
sen'
& 10 )
1
*
2
X [k]
X 1 [k], X2 [k]
WN =e N 9. x ∗ [n]
!=0
X ∗ [((−k)) N ]
! 10. x ∗ [((−n)) N ] X ∗ [k]
11. Re{x[n]} X ep [k] = 1 {X [((k)) N ] + X ∗ [((−k)) N ]}
2
12. jJ m{x[n]} Xop [k] = 1 {X [((k)) N ] − X ∗ [((−k)) N ]}
2
N #1 13. xep [n] = 1 {x[n] + x ∗ [((−n)) N ]} Re{X [k]}
$
2
k= 0 1
Procesado Digital de Señales. 4º de Ingeniería Electrónica. 17. xop [n] = {x[n] − x[((−n)) N ]} jJ m{X [k]}
2
Profesor Emilio Soria. E.T.S.E. Universitat de València.
From Discrete-Time Signal Processing, 2e by Oppenheim, Schafer, and Buck ©1999-2000 Prentice Hall, Inc.
X (k) = " j# $ # k
# j# $ # k " j# $ # k
=e #
%
e 10 e 10 " e 10 sen'
&
! l= #$
Aquí teníamos dos problemas; por una parte tenemos un sumatorio infinito; necesito conocer
TODA la secuencia x(n) desde ± ∞ para calcular dicha Transformada de Fourier.
Por otra parte, la Transformada de Fourier
! es función de una variable (w) que puede tomar
infinitos valores (intervalo 0-2⋅π).
Las soluciones han sido por una parte restringir el tamaño de x(n); este hecho tendrá una
repercusión directa sobre la RESOLUCIÓN de la DFT. Se define dicha resolución como la
mínima frecuencia que la DFT puede discernir. De modo intuitivo si tengo una señal de
duración 1 s la mínima frecuencia que podré diferenciar es 1 Hz (en ese intervalo temporal la
sinusoide completa con frecuencia mínima es la de 1 Hz). Otro efecto relacionado con el
anterior es el del enventanado que se comentará más adelante.
Por otra parte, se ha muestreado la Transformada de Fourier lo que conduce a efectos
parecidos a los que se tenía cuando se muestreaba a nivel temporal; por una parte la
repetición de espetros (a nivel temporal) se traduce aquí en una repetición de la señal
temporal. Esto además conlleva a tener en cuenta los posible efectos del “aliasing
temporal”.
Procesado Digital de Señales. 4º de Ingeniería Electrónica.
Profesor Emilio Soria. E.T.S.E. Universitat de València.