UFRN – DCA
Processamento Digital de Sinais
Aula 05
Transformada Discreta de
Fourier
Prof. Felipe Silveira
Sumário
• Introdução
• Amostragem Espectral
• Transformada Discreta de Fourier
• Convolução Linear a partir da DFT
Introdução
• Por que estudar Transformada Discreta de Fourier?
• A Transformada de Fourier de Tempo Discreto não
pode ser calculada em sistemas computacionais
▫ Domínio: Freqüência Contínua
• Solução: Transformada Discreta de Fourier
▫ Amostragem da DTFT
Teorema da Amostragem Espectral
• O espectro X (ω) de um sinal x (t) limitado no tempo
(τ segundos), pode ser reconstruído das amostras de
X (ω) tomadas em intervalos f0 < 1/τ Hz
Teorema da Amostragem Espectral
• Seja xT0 (t) um sinal periódico formado pela
repetição de x (t) a cada T0 segundos (T0 > τ):
Teorema da Amostragem Espectral
• Esse sinal periódico pode ser descrito pela seguinte
série exponencial de Fourier:
em que
Teorema da Amostragem Espectral
• Desde que T0 > τ, os ciclos sucessivos de x(t) não
se sobrepõem e x(t) pode ser recuperado.
• Tal recuperação implica indiretamente que X(ω)
pode ser reconstruído de suas amostras.
Teorema da Amostragem Espectral
• As amostras do espectro X(ω) são separadas pela
frequência fundamental
• A condição para a recuperação é
ou
Teorema da Amostragem
Transformada Discreta de Fourier
• Quando o sinal x(t) é amostrado e, então,
periodicamente repetido, o espectro correspondente
também é amostrado e periodicamente repetido.
• Transformada Discreta de Fourier:
▫ Tem por objetivo relaciona as amostras de x(t) com as
amostras de X(ω)
Transformada Discreta de Fourier
• Observações quanto a DFT:
▫ O número de amostras do sinal x(t) em um período é
igual ao número de amostras do espectro X(ω) em
um período. A razão é:
▫ Aliasing: Pode ser reduzido aumentando , mas
nunca pode ser eliminado
▫ Espalhamento Espectral: Quando o sinal precisa ser
truncado no tempo para que possa ser manipulado
O Par de DFT’s
• Se e são a n-ésima e k-ésima amostras
de e , então definimos:
• Essas amostras se relacionam pelas equações (DFT’s):
Transformada Discreta de Fourier
• Escolha de Parâmetros:
▫ Definir o valor de B, a largura de faixa do sinal, já que
▫ Além disso, o intervalo de amostragem é dado por:
▫ Outro parâmetro importante é a resolução espectral:
▫ Se a resolução for dada, calculamos e por:
Transformada Discreta de Fourier
• Preenchimento Nulo (Zero Padding)
▫ Se f0 não for pequeno, pode-se perder detalhes
significativos
▫ Para se reduzir f0 tem-se que aumentar T0
Essa opção aumenta N0
Pode ser necessário incluir amostras nulas no sinal
• O preenchimento nulo não diminui a distorção
provocada por aliasing
Exercício
• Um sinal x(t) possui duração de 2 ms e largura
de faixa essencial de 10 kHz. É desejável uma
resolução de freqüência de 100 Hz na DFT.
Determine N0
Exercício
• Utilize a DFT para calcular a transformada de
Fourier de
• Trace o espectro resultante e o compare com a
Transformada de Fourier do sinal, dada por:
Solução em Matlab
Solução em Matlab
Propriedades da DFT
• Linearidade: As DFT’s devem ter o mesmo
comprimento N0. Se necessário fazer Zero Padding.
• Reversão no tempo:
▫ Deve ser observado que devem estar sempre
entre 0 e N0 – 1. Como as seqüências são periódicas:
Propriedades da DFT
• Deslocamento no tempo: Deve ser observado
que os deslocamentos são circulares.
• Deslocamento na freqüência: Deve ser
observado que os deslocamentos são circulares.
• Teorema de Parseval:
Propriedades da DFT
• Convolução circular no tempo:
em que y[n] é uma convolução circular entre
x[n] e h[n]. Na forma matricial temos:
Convolução Circular versus
Convolução Linear
• Observe que convoluções lineares é que possuem
interesse prático
▫ Sistemas LIT’s podem ser expressos por convoluções
lineares.
Filtragem é realizada por convoluções lineares
• É possível relacionar convoluções circulares com
convoluções lineares?
▫ Possibilitaria o cálculo eficiente de convoluções por
DFT’s
Convolução Circular versus
Convolução Linear
• Seja, x[n] e h[n] seqüências com comprimentos
L e M, respectivamente.
• Pode ser observado que a convolução circular
dada por
é equivalente a convolução linear entre x[n] e
h[n] se
Filtragem Digital Usando DFT
• Através do preenchimento com zeros, é possível
implementar a convolução linear entre dois
sinais de comprimento finito usando a DFT.
• Entretanto, na prática, um dos sinais pode ter
comprimento infinito, ou ser de longa duração
• A solução adotada é dividir a seqüência longa em
blocos de duração N0, e realizar a convolução de
cada bloco com a seqüência curta.
Filtragem Digital Usando DFT
• Os resultados da convolução de cada bloco têm
que ser apropriadamente combinados
• Existem dois métodos equivalentes que podem
ser usados para combinar os resultados parciais:
▫ Sobreposição-e-Soma (Overlap-add);
▫ Sobreposição-e-Armazenamento (Overlap-save).
Sobreposição-e-Soma
• Seja h[n] a resposta ao impulso discreta no tempo com
duração finita e igual a M amostras
• Algoritmo Overlap-Add:
▫ Dividir x[n] em blocos xl[n] de comprimento L;
▫ Preencher h[n] e cada bloco xl[n] com zeros até o comprimento
L + M - 1;
▫ Realizar a convolução circular de cada bloco usando DFT’s de
comprimento L + M - 1;
▫ Somar os resultados de cada convolução realizando sempre uma
sobreposição das M-1 últimas amostras de yl[n] com as M-1
primeiras amostras de yl+1[n].
Sobreposição e Soma
Sobreposição-e-Armazenamento
• Seja h[n] a resposta ao impulso discreta no tempo com
duração finita e igual a M amostras.
• Algoritmo Overlap-Save:
▫ Dividir x[n] em blocos xl[n] de comprimento N0 e sobreposição de
M-1 amostras entre blocos sucessivos.
O primeiro bloco deve ser ainda preenchido com M-1 zeros no seu início.
▫ Preencher h[n] com zeros até o comprimento N0;
▫ Efetuar a convolução circular de cada bloco xl[n] usando DFT’s de
comprimento N0;
▫ Compor o sinal de saída y[n] a partir dos blocos yl[n] sempre
descartando as primeiras M-1 amostras de cada bloco yl[n].
Sobreposição e
Armazenamento
Resumo da Aula
• Amostragem Espectral
• Transformada Discreta de Fourier
▫ Propriedades
▫ Exemplos
• Convolução Circular
• Convolução Linear a partir de DFT’s
▫ Overlap-Add;
▫ Overlap-Save.
Bibliografia
• Lathi, B. P., Sinais e Sistemas Lineares,
Bookman, 2 ed., 2007.
• Oppenheim, A. V., et al., Discrete-Time Signal
Processing, ed. Prentice-Hall, 1998.
• Proakis J. G., Manolakis D. G., Digital Signal
Processing, 1996.