TE-072 Processamento Digital de Sinais I -
UFPR
10. Análise de Fourier usando
DFT
10.1. Introdução
Análise de Fourier : Avaliação explícita da
Transformada de Fourier (sinais limitados e amostrados)
Na verdade o que se deseja é: TDFT
Transformada de Fourier para Sinais Discretos
No entanto o que é realmente realizado é a : DFT
Transformada Discreta de Fourier
DFT é uma amostragem da TDFT
1
TE-072 Processamento Digital de Sinais I -
UFPR
10.1 Análise de Fourier usando DFT
Diversas aplicações: - Análise, Síntese e Codificação de Voz
- Sinais de Radar por efeito Doppler
- Avaliação de falhas mecânicas – motores
- Análise de harmônicos da rede – cos()
- Análise de imagens (bordas, ruídos,etc)
- Modulação – Telecomunicações
- etc ... ... ...
A análise de Fourier de sinais contínuos envolve:
2
TE-072 Processamento Digital de Sinais I -
UFPR
Sinal contínuo a ser analisado.
Filtro de Anti-aliasing
Sinal filtrado – espectro limitado.
Sinal filtrado amostrado.
Resposta em frequência da Janela.
Espectro do Sinal Janelado (convolução periódica)
DFT do sinal janelado (amostragem)
3
TE-072 Processamento Digital de Sinais I -
UFPR
10.2. DFT de sinais sinusoidais
Como vimos na aula passada:
Se o número de amostras do sinal
sinusoidal não for tal que haja um
número inteiro de ciclos amostrados
há o efeito de espalhamento espectral
4
TE-072 Processamento Digital de Sinais I -
UFPR
10.2.1. Efeito do Janelamento
Consideremos um sinal contínuo composto por duas componentes:
Sc (t )  A0 cos 0t  0   A1 cos 1t  1 
E sua amostragem ideal (sem aliasing e erros de quantização)
x[n]  A0 cos  0n  0   A1 cos  1n  1 
Onde :   T
A sequência janelada será:
v[n]  A0 w[n]cos  0n  0   A1w[n]cos  1n  1 
Cujo espectro, convolução de W() e X(). É:
V () 
A0 j0
A
e W     0   0 e  j0W     0  
2
2
A1 j1
A1  j1
e W    1   e W    1 
2
2
5
TE-072 Processamento Digital de Sinais I -
UFPR
Ex.:10.3
Leakage ou Vazamento : redução da
amplitude das componentes devido à
iteração de fase das duas componentes.
6
TE-072 Processamento Digital de Sinais I -
UFPR
A resolução de frequência é
definida pela largura do lóbulo
principal da janela.  Ajustar
L tamanho da Janela
O leakage é definido pela
relação entre as amplitudes do
lóbulo principal e os
secundários.  Tipo da Janela
Exemplo: Janela Kaiser
7
TE-072 Processamento Digital de Sinais I -
UFPR
10.2.2. Efeito da Amostragem do Espectro
Ex.10.5:
  2 
 2
cos
n

0.75cos


v[n]    16 
 8
0, outros


n,

0  n  63
v[n] zero-padding
8
TE-072 Processamento Digital de Sinais I -
UFPR
Ex.10.6: uso da janela de Kaiser
 2
v[n]  wK [n]cos 
 14

 4
n   0.75wK [n]cos 

 15
Escolha: =5.48

n

Lóbulo lateral com –40dB
ml  0.401
Largura do lóbulo principal
Como:
4 2

 0,389
15 14
Logo a janela ainda
consegue distinguir
as 2 componentes
9
TE-072 Processamento Digital de Sinais I -
UFPR
Porém, reduzindo para L=32
ml  0.815
Já não se consegue perceber
os dois picos.
Aumentar a resolução
da DFT resolve??
10
TE-072 Processamento Digital de Sinais I -
Ex.: 10.7
UFPR
Usando zero-padding no sinal anterior para fazer
a DFT de 64 pontos.
N=32
N=64
11
TE-072 Processamento Digital de Sinais I -
UFPR
N=128
N=1024
DTFT estimada
do sinal com L=32
12
TE-072 Processamento Digital de Sinais I -
UFPR
Ex.:10.8
DFT N=1024
L=32
L=42
L=54
L=64
13
TE-072 Processamento Digital de Sinais I -
UFPR
10.3. Transformada de Fourier Dependente do Tempo
Até agora consideramos que os sinais eram estacionários
no tempo, isto é, as propriedades dos sinais não variavam
do início ao fim da janela.
No entanto a maioria dos sinais naturais não são
estacionários. Ex.: Voz, música, imagem, vídeo.
Nestes casos as propriedades espectrais dos sinais
variam com o tempo. Necessitamos de uma ferramenta
capaz de fazer esta análise.
Short-Time Fourier Transform: STFT
ou Transformada de Fourier dependente do tempo.
14
TE-072 Processamento Digital de Sinais I -
UFPR
A transformada de Fourier dependente do tempo de um
sinal x[n] é definida como:
X [n, ) 


x[n  m]w[m].e jm
m 
Onde:
n: amostra temporal (discreta)
: Frequência (Contínua: análoga ao , porém dependente do tempo)
w[n]: Janela
Logo X[n,) é uma função de duas variáveis, 2-D
Pode ser vista como a Transformada de Fourier do sinal
deslocado no tempo x[n+m] janelado por w[m].
15
TE-072 Processamento Digital de Sinais I -
Ex.: 10.9

x[n]  cos 0 n 2

UFPR
0  2  7.5 106
Espectrograma:
16
TE-072 Processamento Digital de Sinais I -
UFPR
10.5. Análise de Fourier de Sinais Não-Estacionários
Sinais Estacionários: Sinais cujas propriedades estatísticas
(momentos) não se alteram com o tempo.
A magnitude da Transformada de Fourier não se altera
no tempo, apenas a fase das componentes.
17
TE-072 Processamento Digital de Sinais I -
UFPR
Exemplo de aplicação: Análise de Sinais de Voz
- Sons Vozeados: A E I O U
- Sons Fricativos: X, S - Sons Fricativo-Vozeados: V, F, Z
- Sons explosivos: B, P
Formantes: Frequências naturais de ressonância
das cavidades que compõe o trato vocal.
Faixa de frequências: 50 a 15kHz (20kHz mulheres e crianças)
Porém: mantém alta inteligibilidade mesmo limitada 3kHz
Telefonia: considera-se 300Hz a 3400kHz, usa-se fs=8kHz
O sistema vocal pode ser pensado como um sistema variante
no tempo. E a voz como a resposta desse sistema à uma entrada
trem de pulso quase-periódico (vozeados) ou ruído branco (fricativos).
A voz pode ser considerada um sinal estacionário em janelas de
15ms a 20ms.
18
TE-072 Processamento Digital de Sinais I -
UFPR
Mostrar: SpectroLab
19
TE-072 Processamento Digital de Sinais I -
UFPR
10.6. Análise de Fourier de Sinais Randômicos
Sinais randômicos (estocásticos): Sinais que não possuem
uma formulação matemática definida, porém podem ser
caracterizados por medidas estatísticas (momentos).
Média:
1 L1
mˆ x   x[n]
L n 0
1 L 1
2
Variância: ˆ    x[n]  mˆ ' x 
L n 0
2
x
Estas são estimativas das verdadeiras varáveis
baseados em L amostras. A estimativa tende ao valor
verdadeiro a medida que L
20
TE-072 Processamento Digital de Sinais I -
UFPR
Problema mais comum:
Como estimar a densidade Espectral de Potência Pss ()
de um sinal randômico contínuo sc (t ) ?
L 1
Podemos estimar através do Espectro V      w[n]x[n]e jn
do sinal amostrado e janelado v[n]  x[n]w[n] n0
Através da Relação:
1
2
I () 
V ()
LU
1 L 1
2
U    w[n]
L n 0
Se w[n] é a Janela Retangular I() é dito periodograma
Se w[n] é outra janela I() é dito periodograma modificado
Usando a DFT para calcular o espectro V() temos:
1
2
I ( k ) 
V [k ]
LU
21
TE-072 Processamento Digital de Sinais I -
UFPR
Cuidado no cálculo do periodograma amostrado I(k):
- Se o sinal x[n] possuir um nível DC (média não nula),
este deve ser retirado de modo a não obscurecer possíveis
baixas frequências existentes, devido ao leakage.
No entanto demostra-se que:
Var  I () P ()
2
xx
Não é um estimador consistente
uma vez que a variância não tende a zero
apenas com o incremento da Janela
22
TE-072 Processamento Digital de Sinais I -
UFPR
Ex.: Ruido branco
distribuição uniforme.
Idealmente:
Pxx ()   x2  1
Periodogramas
calculados por:
1
1
2
I [ k ]  I ( k )  V [ k ] 
L
L
L 1
 jkn (2 / N )
w
[
n
]
x
[
n
].
e

2
n 0
23
TE-072 Processamento Digital de Sinais I -
UFPR
Um estimador consistente é a média de K periodogramas:
Var  I () 
1 2
Pxx ()
K
Uma vez que a variância tente a zero com o aumento de K
24
TE-072 Processamento Digital de Sinais I -
UFPR
Ex.: x[n]  A cos 0n     e[n]
A=0.5 0=2/21 e  fase randômica 0 <2 
e[n] ruído branco de distribuição uniforme com
média zero e variância unitária  3  e[n]  3
25
TE-072 Processamento Digital de Sinais I -
UFPR
26
TE-072 Processamento Digital de Sinais I -
UFPR
10.7. Analise espectral de sinais randômicos usando
a função de autocorrelação.
Baseia-se no Princípio que:
A Densidade Espectral de Potência de um Sinal pode
ser calculada como a Transformada de Fourier da
função de autocorrelação do sinal.
27
TE-072 Processamento Digital de Sinais I -
UFPR
Ex.1: Deseja-se analisar em frequência um sinal estacionário
cuja frequência máxima é 1.25kHz, com resolução de 5Hz.
a)Qual a taxa de amostragem mínima a ser utilizada?
b)Quantas amostras necessito adquirir?
28
TE-072 Processamento Digital de Sinais I -
UFPR
a) Mínima freq. de amostragem:
Taxa de Nyquist
Fs>2*1.25kHz Fs>2.5kHz
Logo
1
Ts 
 400 s
2.5k
b) P/ resolução de 5Hz
Tamanho da janela:
1
 5 To  0.2 s
To
Logo necessito:
To
0.2
N

N  500
Ts 400
Uso N=512 p/ Radix-2 FFT
29
TE-072 Processamento Digital de Sinais I -
UFPR
Ex.2: Um certo processador de FFT tem uma capacidade
máxima de computar FFT 2048 pontos e o tempo requerido
para carregar e computar um espectro é de 200ms.
O processador atua em tempo real, e uma memória
auxiliar é utilizada para fazer a aquisição enquanto a FFT
e computada.
a) Qual a mais alta frequência que pode ser resolvida?
b) Qual a resolução em frequência obtida?
30
TE-072 Processamento Digital de Sinais I -
UFPR
Sistema processa/captura 2048 amostras em 200ms, logo
O período de amostragem é:
200 m
Ts 
 97.65 s
2048
fs  10.24 kHz
a) Maior frequência resolvível: fh 
fs
 5.12 kHz
2
1
1
b) Resolução em frequência: fo 

 5Hz
To 200 m
31