Sinais e Sistemas Discretos no Tempo • • • • • • • • • • Introdução Sinais discretos: Seqüências Sistemas discretos no tempo Sistemas lineares discretos no tempo - LTI Propriedades de sistemas LTI Equações diferença lineares com coeficiente constante Representação no domínio da freqüência Representação de seqüências por transformada de Fourier Propriedades de simetria transformada de Fourier Teoremas da transformada de Fourier. 1 2.0 Introdução • Sinal: algo que contém informações sobre o estado ou comportamento de um sistema físico, por exemplo sinal de voz. • Sinais contínuos no tempo: definidos ao longo de um intervalo de tempo contínuo e são representado por uma variável contínua independente. • Sinais discretos no tempo: definidos para tempo discreto, e são representados como uma seqüência de números. • Sistema de processamento de sinais – Sistemas contínuos no tempo – Sistemas discretos no tempo 2 Exemplo de sinais: a) Contínuo no tempo b) Sequências de amostras obtidas para T = 125 s Sinal discreto no tempo 3 2.1 Sinais Discretos no Tempo: Sequências • Sinais Digitais: sequências indexadas de números (reais ou complexos). O índice n é usado como tempo discreto, tal como o clock instantâneo de um processador digital. • Função impulso unitário discreta: Sequência de uma única amostra. 1; n 0 (n) 0; n 0 (n k ) (n ) 1 1 0 1 1; n k ou (n k ) 0; n k 2 3 0 1 2 3 k k+1 4 Impulso unitário ou sequência unitária • O impulso unitário segue as mesmas regras da função impulso unitário ou função delta de Dirac. • A propriedade da integração da função impulso envolvendo deslocamento pode ser visto como a propriedade do somatório de sequências unitárias deslocados. Propriedade do deslocamento • Uma seqüência discreta pode ser expressa como a soma de impulsos unitários discretos, deslocados e multiplicados por um peso: x(n) x(k ) (n k ) k • Outra interpretação usando convolução. x(n) x(n) * (n) 5 • Função degrau unitário 1; n 0 u( n ) 0; n 0 1; n k u( n k ) 0; n k ou u( n k ) u(n ) 1 1 0 1 2 3 4 5 0 1 • Outra interpretação: u( n k ) (m) m 3 k k+1 k+2 k+3 n m m 0 u ( n) n k 2 e (m) (n k ) (n) u(n) u(n 1) 6 Exponencial x[n] A n Senoidal x[n] A cos( o n ) 7 Sistemas Discretos no Tempo • Um sistema discreto no tempo é definido matematicamente como uma transformação ou um operador que mapeia uma sequência de de entrada com valor x[n] em uma outra sequência com valor y[n], isto é: Classificação: • Sistemas sem Memória x[n0 ] y[n0 ], x[n1 ] y[n1 ],........ Exemplo: y[n] = (x[n])2 + 2x[n] ; y[ n ] e x [ n ] y[n]=x[n]-x[n-1] , sistema com memória 8 Sistemas Discretos no Tempo Sistemas Lineares Um sistema é linear se ele obedece o teorema da superposição T {ax1[n] bx2 [n]} aT{x1[n]} bT{x2 [n]} Exemplo: n n y [ n ] x[ k ] n y1 [ n ] x1 [ k ] k y2 [ n ] x2 [ k ] k k n n n n k k k k y3 [ n ] x3 [ k ] ( ax1 [ k ] bx1 [ k ]) a x1 [ k ] b x2 [ k ] 9 Sistemas Discretos no tempo • Sistemas Invariante no Tempo x( n ) y( n ), então x( n n0 ) y( n n0 ) • Exemplo: n y [ n ] x[ k ] k n n0 y [ n n0 ] x [ k ] k n n n n0 k k k y1 [ n ] x1 [ k ] x1 [ k n0 ] x1 [ k1 ] y [ n n0 ] 10 Causalidade • Um sistema L é causal, se para qualquer no, os valores da sequência de saída para n = no dependem somente dos valores da sequência de entrada par n no, ou seja y(n) é uma função de {…, x(n-2), x(n-1), x(n)} somente. • Só depende de valores passados • Exemplos: n y [ n ] x[ k ] k y [ n ] x[ n ] x[ n 1 ] y[n]=x[n]-x[n+1] , não causal Obs. Um sistema pode ser processado em tempo real (produzindo uma saída imediata para cada instante de tempo n) se e somente se 11 o sistema é causal. Estabilidade • Um sistema L é estável no sentido BIBO (bounded-input, bounded-output stable) se somente se, para qualquer entrada limitada a saída resultante é também limitada. • Formalmente - O sistema L é estável se somente se para algum AR, A>0, é verdadeiro que: x(n) A para todon ( x é limitado) Então existe um BR, B>0, tal que: y(n) B para todon ( y é limitado) onde • Exemplo: y (n) L[ x(n)]. y[ n ] e x [ n ] n y [ n ] x[ k ] k 12 Sistema instável. Se x[n]=u[n]; saída infinita Sistemas discretos lineares e invariante no tempo (LTI) • Um sistema L é um processo de transformação de sinais. L x(n) y(n) y(n)=L[x(n)] • Um sistema L é linear se, para qualquer x(n), v(n) tal que y(n) L[ x(n)] e w(n) L[v(n)] e qualquer constante a, b R , tem-se: ay(n) bw(n) L[ax(n) bv(n)] • Um sistema é invariante no tempo (ou invariante ao deslocamento) se para todo x(n) tal que y (n) L[ x(n)], tem-se, para todo k, que : y(n k ) L[ x(n k )] 13 Resposta ao impulso unitário de um sistema linear • A resposta ao impulso unitário de um sistema L é definida por: h(n) L[ (n)] • Se o sistema L é LTI, então [ n ] L h[ n ] h(n m) L[ (n m)] A resposta impulso unitário de um sistema LTI discreto no tempo caracteriza um sistema da mesma forma que caracteriza os sistemas LTI contínuos no tempo. • Resposta ao impulso unitário Resposta a qualquer entrada 14 Resposta de sistemas LTI a uma entrada qualquer • Para determinar a resposta para uma entrada arbitrária x(n), considere: y[n]=L(x[n]). Mas, x[n], pode ser escrito um somatório de impulsos, ou seja: x(n) x(k ) (n k ) k Portanto: y [ n ] Lx[ n ] L x[ k ] [ n k ] k y [ n ] x [ k ] L[ n k ] k y [ n ] x [ k ] h[ n k ] k Convolução soma 15 Convolução Soma • Se L é um sistema LTI com resposta impulso unitário h(n), ou seja: y[n] Lx[n] e então y [ n ] x [ k ] h[ n k ] k É a convolução soma ou convolução discreta que pode ser avaliada diretamente para cada n, por computador ou na mão. • Exceto para certos sinais simples é difícil encontrar uma forma fechada para o resultado. • A operação de convolução é representada por: y [ n ] x [ n ] * h[ n ] x [ k ] h[ n k ] k y[n] x[n] * h[n] h[n] * x[n] 16 Convolução Soma y [ n ] x [ k ] h[ n k ] k Como calcular: 1. Rebate-se um dos sinais, isto é, escrevendo x[-n] ou h[-n]. 2. Calcula-se y[n] para cada n deslocando-se x[n] sobre h[n], ou vice-versa. 3 Exemplo: x[n] 1 1 0 1 h[n] n 2 0 n 1 3 2 1 ... -2 -1 0 y[n]=0, n<0 1 1 2 3 k 17 3 x[n] 1 0 2 1 n 1 0 n 1 3 2 1 ... -2 -1 0 1 1 2 3 n y[n] = 0, n < 0; y[0] = x[0]h[0] = 1x3= 3 18 3 x[n] 1 0 2 1 1 n 0 n 1 3 2 1 ... -2 -1 0 1 1 2 3 n y[n] = 0, n < 0; y[0] = x[0]h[0] = 1x3= 3 y[1]= x[0]h[1] + x[1]h[0] = 1x2+1x3 = 5 19 3 x[n] 1 0 2 1 1 n 0 n 1 3 2 1 ... -2 -1 0 1 1 2 3 n y[n] = 0, n < 0; y[0] = x[0]h[0] = 1x3= 3 y[1]= x[0]h[1] + x[1]h[0] = 1x2+1x3 = 5 y[2] = x[1]h[1] = 1x2= 2 20 3 x[n] 1 0 2 1 1 n 0 n 1 3 2 1 ... -2 -1 0 1 1 2 3 n y[n] = 0, n < 0; y[0] = x[0]h[0] = 1x3= 3 y[1]= x[0]h[1] + x[1]h[0] = 1x2+1x3 = 5 y[2] = x[1]h[1] = 1x2= 2 y[n] = 2, n > 0; 21 Causalidade e Estabilidade y [ n ] x [ k ] h[ n k ] k • Teorema - Um sistema LTI com resposta impulso unitária h(n) é causal e e somente se: h( n ) 0 para n 0. • Teorema - Um sistema LTI é estável se somente se ele tem uma resposta impulso unitário h(n) absolutamente somável, ou seja: h( n ) n 22 Propriedades de Sistemas LTI • Todos os sistemas LTI são descritos são descritos pela convolução soma. y [ n ] x [ k ] h[ n k ] k • Comutativa: y[n] x[n] * h[n] h[n] * x[n] • Distributiva: x[n] * (h1[n] h2 [n]) x[n] * h1[n] x[n] * h2 [n] x[n] h1[n] h2 [n] y[n] h1[n] y[n] x[n] x[n] x[n] h2 [n] h1[n] h1[n] * h2 [n] y[n] y[n] Cascade connection of LTI Systems h2 [n] x[n] h1[n] h2 [n] y[n] Parallel connection of LTI Systems 23 Exemplos de Sistemas LTI • Retardo ideal h[n] [n nd ], nd 0 • Média móveis 1 M2 M1 n M 2 , 1 h[n ] [ n k ] M1 M 2 1 M 1 M 2 1 k M1 0, otherwise. • Acumulador 1, n 0 h[n] [k ] u[n] 0 , n 0 k n • Forward Difference h[n] [n 1] [n]. • Backward Difference h[n] [n] [n 1]. 24 Equação Diferença Linear com Coeficientes Constantes • Um sistema LTI discreto pode ser caracterizado por uma equação diferença linear com coeficientes constantes • Ela pode ser visto como o análogo discreto de uma equação diferencial linear com coeficientes constantes aplicada na teoria de sistemas contínuos. • Exemplo - Equação diferença genérica: K M k 0 m 0 b(k ) y(n k ) a(m) x(n m). que é uma soma ponderada de saídas deslocadas expressa como uma soma ponderada de entradas deslocadas para um dado instante 25 de tempo. Equação Diferença: Exemplo • Se M=0, a(0)=1; K=2, b(0)=1, b(1)=1/2, b(2)=1/8, então a ED torna-se 1 1 y (n 1) y (n 2) x (n ) 2 8 Representação gráfica y (n) x(n) + - - y (n ) Unit delay y(n 1) 1/2 Unit delay A Digital Filter 1/8 y(n 2) • Dado um sistema descrito por uma equação diferença, a saída do sistema pode ser encontrada pela solução da equação no domínio do tempo ou da transformada Z. 26 Exemplo • Considere a seguinte equação diferença: y(n) 9 y(n 2) x(n) • Encontre y (n ) para n 0,..., – a condição inicial: dada: y(1) y(2) 0 – entrada: x(n) n2 n • Solução numérica: y (0) x (0) 9 y ( 2) 0 y (1) x (1) 9 y ( 1) 2 y (2) x (2) 9 y (0) 6 y (3) x (3) 9 y (1) 20 • Deve-se encontrar uma forma fechada para a expressão de y(n). 27 Transformada de Fourier de Sinais Contínuos Define-se a transformada de Fourier de um sinal contínuo x(t) e a sua inversa pelas integrais: X ( ) x( t )e jt dt 1 jt x( t ) X ( ) e d 2 A transformada de Fourier X ( ) representa o conteúdo de frequência do sinal x(t). Em geral é complexo. Notação: x( t ) X ( ) 28 Transformada de Fourier Algumas propriedades importantes: 1. Linearidade: ax1( t ) bx2 ( t ) aX1( ) bX2 ( ) 2. Deslocamento no tempo: x( t t0 ) G( )e jt0 3. Deslocamento na frequência: x( t )e j0t G( 0 ) 4. Convolução no tempo 5. Produto no tempo: x1( t )* x2 ( t ) X 1( ) X 2 ( ) 1 x1 ( t )x2 ( t ) X 1( )* X 2 ( ) 2 29 Transformada de Fourier Transformada de Fourier da convolução de entre os dois sinais x1(t) e x2(t). x1( t )* x2 ( t ) x1( )x2 ( t )d integral de convolução jt F [ x1( t )* x2 ( t )] x1( )x2 ( t )de dtd Fazendo t t dt d j( ) F [ x1( t )* x2 ( t )] x1( )x2 ( )de dd F [ x1( t )* x2 ( t )] x1( t )e j d x2 ( )e j d X 1( ) X 2 ( ) x1( t )* x2 ( t ) X 1( ) X 2 ( ) 30 Exemplo de alguns pares de transformada 1. ( t ) 1 2. 1 2 ( ) 3. cos( 0 t ) ( 0 ) ( 0 ) 4. cos( 0 t ) j( 0 ) ( 0 ) t T AT sen( T / 2 ) 5. Arect( ) ATsa( ) T 2 ( T / 2 ) 1 2 k 6. ( t kT ) ) ( T k T k 31 Amostragem Periódica Um método típico de obter um sinal discreto é através da amostragem de um sinal contínuo no tempo, isto é: x(n) xc (nTs ) 32 Teorema da Amostragem • Teorema da Amostragem descreve precisamente quanta informação é retida quando uma função é amostrada ou, se uma função de banda limitada pode ser exatamente reconstruída a partir de suas amostras. • Demonstração: Suponha que xc (t ) X c () é um sinal de banda limitada no intervalo de frequência c , c ou X () 0 for c X () c 0 c Então x(t) pode ser exatamente reconstruída das amostras eqüidistantes x(n) xc (nTs ) xc (2n / s ) s 2c onde Ts 2 / s é a amostra periódica, f s 1 / Ts é a frequência de amostragem (amostras/segundo), s 2 / Ts é para radianos/seg. 33 Representação Matemática da Amostragem s(t ) xc (t ) s(t ) xs (t ) Conversão de trem de impulsos para seqüência discreta x(n) xc (nT ) (t nT ) n Trem de impulsos xs (t ) xc (t ) s (t ) xc (t ) (t nT ) n xs (t ) xc (nT ) (t nT ) n (modulação) (propriedade do deslocamento) 2 S ( j ) ( k s ) onde s 2 / T é a taxa de amostragem. T k 1 1 X s ( j) X c ( j) * S ( j) X c j ( ks ) 2 T k 1 2k j X ( e ) X c j j jT T k T T X s ( j) X (e ) X (e ). T 34 Espectro de xc(t) Trem de impulso no domínio da frequência Espectro do sinal amostrado, quando s 2 / T 2 N Espectro do sinal amostrado, quando s 2 / T 2 N 35 Reconstrução exata de um sinal contínuo a partir de suas amostras usando um filtro passa-baixa. 36 O efeito da aliasing na amostragem de uma função coseno Aliasing : sobreposição de espectros xc (t ) cos(o ) 37 Exemplo: Amostragem do sinal contínuo xc (t ) cos(4000t ) com período de amostragem T = 1/6000 e taxa de amostragem s 2 / T 12000 38 Transformada de Fourier de Sequência • Definição: A transformada de Fourier (FT) de uma sequência x(n) é dada por: X (e j ) jn x ( n ) e n contanto que x(n) seja absolutamente somável: x(n) . n • A somabilidade absoluta (ou quadrática) é condição suficiente para a existência da FT. • Definição: A transformada de Fourier Inversa (IFT) da função X (e j ) é dada por: 1 j jn x( n ) X ( e ) e d. 2 • Obs: A transformada de Fourier de uma sequência pode ser interpretada em termos da representação em série de Fourier. 39 2.7.2 Interpretações da Transformada Fourier • Sinais: A transformada de Fourier X (e j ) de um sinal x(n) descreve o conteúdo de frequência do sinal. j – Para cada frequência 0 , o espectro de amplitude X ( e ) descreve a importância daquela frequência contida no sinal. 0 – Para cada frequência 0 , o Espectro de fase X (e j0 ) descreve a localização (deslocamento relativo) daquela componente de frequência do sinal. • Sistemas: A resposta em frequência H (e j ) de um sistema linear descreve como as frequências de entrada do sistema são modificadas – Uma componente de frequência da entrada 0 é amplificada ou atenuada por um fator H (e j ) . 0 – Uma componente de frequência da entrada 0 é defasada por 40 uma quantidade H (e j ). 0 Exemplo: Filtro Passa-Baixa H ( e j 0 ) Espectro de Amplitude de um filtro passa-baixa ou sistema passa-baixa 2 0 c 2 • O sinal discreto h(n) cujo espectro de amplitude é H ( e j 0 ) é composto principalmente por baixas frequências, isto é, frequências abaixo de uma dada frequência de corte c . Frequências mais altas ocorrem com baixa amplitude. • Um sistema discreto com espectro de amplitude como mostrado acima deixa passar baixas frequência com um ganho maior que as altas. • As frequências mais altas se aproximam de (2k 1) . 41 2.7.4 Resposta de um sistema linear a uma entrada senoidal • Suponha que a entrada de um sistema linear real h(n), H (e jé) uma função senoidal x(n) A0 cos(0n ) ( A0 0) 1 j (0n ) e j (0n ) Mas cos( 0n ) e 2 A0 j (0n ) E então: j 0 j ( 0 n ) j 0 y (n) e 2 Como h(n) é real, H (e H (e j0 )e H (e ) ) H * (e j0 ,) então * A0 j (0n ) e H (e j0 ) e j (0n ) H (e j0 ) 2 A0 Re e j (0n ) H (e j0 ) y (n) A ReH (e )cos( n ) A ImH (e )sin( n ) j0 0 j0 0 0 A0 H (e j0 ) cos[ 0n H (e j0 )] 0 42 2.7.5 Analise da resposta senoidal • A resposta a uma função senoidal com frequência 0 não é afetada pelo processo de filtragem, exceto por um ganho (atenuação ou amplificação) H ( e j ) e a fase por deslocamento 0 H (e j0 ) • Definições: Espectro de amplitude da transformada de Fourier j j j H (e ) H (e ) H (e ) * 1/ 2 Espectro de Fase j H ( e ) j 1 I H (e ) tan j H ( e ) R j j H (e ) H (e ) 2 R 2 I 1/ 2 H R (e j ) ReH (e j ) onde, H I (e j ) ImH (e j ) • A transformada de Fourier pode ser expressa na forma: H (e j0 ) H (e j0 )e jH ( e j 0 ) 43 2.7.6 Exemplo: Função impulso • Função impulso: x(n) A (n) x(n ) X (e j ) A (n)e jn A n n -3 -2 -1 0 1 2 Ae j 0 A [ , ]. 3 X ( e j ) A 44 2.7.6 Exemplo: Função “Comb” • Função “Comb”: j X (e ) A N 1 e n N 1 A; x(n) 0; jn n N 1 else cos[ ( N 1)] cos(N ) A 1 cos( ) [ , ]. x(n ) A X ( e j ) A n -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 45 2.7.6 Exemplo: Função pulso triangular • Pulso triangular: A[1 n /( N 1)]; x(n) 0; n N 1 else N 1 N 1 1 jn X (e j ) A e jn n e N 1 n N 1 n N 1 N 1 Noteque ne jn n 1 x(n ) A d N 1 jn j e . d n1 X ( e j ) n A -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 46 2.7.6 Exemplo: Exponecial unilateral • Exponencial unilateral: X (e ) a e j n jn n 0 a n ; x(n) 0; n0 else a a-e j , . x(n ) 1 X ( e j ) n 2 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 (a=2) 47 2.7.6 Exemplo: Exponencial bilateral x(n) a • Exponencial bilateral: j X (e ) a n e jn n x(n ) n (a 1) a 1 2 a -2a cos( ) 1 2 , . 1 X ( e j ) n 3 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 (a=2) 48 2.8.1 Propriedades de Simetria da Transformada Fourier • Definições: conjugado - sequência simétrica: xe (n) xe* (n) conjugado - sequência antisimétrica : xo (n) xo* (n) – Qualquer x(n) pode ser expresso como a soma de um sequência conjugada simétrica (x(n) real e par) com uma sequência conjugada antisimétrica (x(n) real e ímpar): x(n) x (n) x (n) 0 1 x ( n ) x* ( n ) xe* ( n ) 2 1 xo ( n ) x ( n ) x * ( n ) xo* ( n ) 2 xe ( n ) onde, e • Similarmente, a transformada de Fourier X (e j ) pode ser expressa como a soma de funções conjugadas simétricas e antisimétricas. X (e j ) X e (e j ) X o (e j ) Onde, 1 X (e j ) X * ( e j ) X e* ( e j ) 2 1 X o (e j ) X ( e j ) X * (e j ) X o* ( e j ) 2 X e ( e j ) 49 2.8.2 Propriedades de Simetria da Transformada de Fourier Sequência x(n) 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. x* (n ) x* ( n ) Rex(n) Imx(n) xe (n ) xo (n ) Any real x(n) Any real x(n) Any real x(n) Any real x(n) Any real x(n) xe (n) (real x(n)) xo (n) (real x(n)) Transformada de Fourier X (e j ) X * (e j ) X * (e j ) X e (e j ) X o (e j ) X R (e j ) Re X (e j ) jX I (e j ) j Im X (e j ) X (e jj ) X * (e jj ) X R (e ) X R (e ) X I (e j ) X I (e j ) X ( e j ) X ( e j ) X (e j ) X I (e j ) X R (e j ) jX I (e j ) 50 2.9 Teoremas da Transformada de Fourier Fourier Transform X (e j ) andY (e j ) Sequence x(n) and y(n) 1. 2. 3. 4. 5. ax(n) by(n) (Linearity) x(n nd ) (nd an integer,timeshifting) e j0n x(n) (frequencyshifting) x(n) (timereversal) nx(n) (differentiationin frequency) aX (e j ) bX (e j ) e jnd X (e j ) X (e j ( 0 ) ) X (e j ) dX ( e j ) j d on theorem) X (e j )Y (e j ) 6. x(n) * y(n) (convoluti 1 j j ( ) X ( e ) Y ( e )d 7. x(n) y (n) (windowing theorem) 2 Parseval’s Theorem 8. n 1 x(n) 2 2 1 x ( n ) y ( n ) 9. 2 n * 2 X (e j ) d 2 ( X (e j ) is called theenergy density spectrum.) X (e j )Y * (e j )d 51 Exercício: Prova do Teorema de Parseval Proof: n 1 x(n) 2 2 X (e j 2 ) d * 1 j jn x ( n ) x ( n ) x ( n ) x ( n ) X ( e ) e d 2 n n n 1 j jn x(n) X * ( e ) e d 2 n 2 * 1 2 jn X * ( e ) x ( n ) e d n j 1 j j X * ( e ) X ( e )d 2 1 j 2 X ( e ) d 2 52