Transformada de Fourier

http://www.fiec.espol.edu.ec
 ¿Qué veremos hoy?
 Las transformadas de Fourier

 El dominio de la frecuencia
 La inversa de la DFT
 Calculo de la DFT
 Representación Polar

 Respuesta en Frecuencia
 Convolución usando Frecuencia
 Transformadas de Fourier
 Jean Baptiste Joseph Fourier (1768
–
1830)
 Contribuyo a la idea de que una
función puede ser representada
por la suma de funciones
sinusoidales
2pkt 2pkt
f (t) = c + åak cos( ) + åbk sin( )
¥ ¥
k =1 k =1
T T
Transformada de Fourier
Transformada de Fourier
Transformada de Fourier
 Trasformada de Fourier
 Es interesante descomponer
una señal en sinusoides por la:
• FIDELIDAD SINUSOIDAL
 Eso garantiza que si entra un
sinusoide a un sistema lineal solo
variará su fase y su amplitud pero su
frecuencia sera la misma
 Transformadas de Fourier
 Dependiendo del tipo de función
que se desee transformar se utilizan
diferentes métodos
 Transformadas de Fourier

u Aperiodiodicas
Continuas
Transformada de Fourier

 Periódicas Continuas
Series de Fourier

 Aperiódicas Discretas
T. Discreta en Tiempo de
Fourier

 Periódicas Discretas
Transformada Discreta de
Fourier
 Transformada de Fourier
 Nosotros manejamos señales con
un número finito de muestras
 Hay dos opciones
• Convertirlas a Aperiódicas Discretas
• Convertirlas a Periódicas Discretas
 Para sintetizar una señal aperiódica
se necesita un número infinito de
sinusoides
 Transformada de Fourier
 Por lo tanto nos concentraremos
en la Transformada Discreta de
Fourier
 Llamada más comúnmente por
su siglas en ingles DFT
 Para hacerlo debemos pensar en la
señal digital como periódica, o sea
que se repite indefinidamente
 Transformada de Fourier
 Existen dos maneras de
atacar matemáticamente la
DFT
• DFT Sinusoidal (Real)
• DFT Exponencial (Complejo)
 DFT Real
 Se basa en calcular los
coeficientes de la siguiente
ecuación:

N/2 N/2

x[n] = åak cos(2pkn / N ) + åbk sin(2pkn / N )

k =0 k =0

Re X [n] = a[n]
Im X [n] = b[n]
DFT Real
DFT Real
 DFT Complejo
 Se basa en la identidad
ix
e = cos(x) + isen(x)
 De tal manera que:
 Real vs. Complejo
 La verdadera transformada de
Fourier es compleja por naturaleza
 Hacerla real permite
estudiarla mejor, pero
introduce ciertos problemas
 Nosotros utilizaremos las dos
dependiendo de la aplicación
 El dominio de la frecuencia
 Aplicar la transformada de fourier a
una señal en el dominio del tiempo
tiene como efecto expresar esa señal
en el dominio de la frecuencia
 X[n]=DFT(x[n])
 Por lo tanto el eje x de la
transformada de fourier representa
frecuencia
El dominio de la frecuencia
 El dominio de la frecuencia
 El eje x se puede expresar de 4
maneras:
• Fracción de la frecuencia de Muestreo
• Número de Muestra
• Frecuencia Natural (radianes)
• Frecuencia Absoluta
 Inversa de la DFT
 Así como podemos ir del dominio
del tiempo al dominio de la
frecuencia
 Usamos la inversa de la DFT
para pasar de la frecuencia al
tiempo
 Por lo tanto podemos ver que al
 pasar del tiempo a la frecuencia solo
estamos expresando la misma
información de otra manera
 Inversa de la DFT
 Eso nos lleva a un concepto muy
importante en analisis de señales y
sistemas: Dualidad
 Cálculo de la DFT
 Hay 3 métodos para calcular la
DFT
• DFT por ecuaciones simultaneas
• DFT por correlación
• FFT
 Hoy veremos los dos primeros
 DFT por ecuaciones
simultaneas
 Tenemos N valores en tiempo y
hay que calcular N valores en
frecuencia
 Debemos escribir N
ecuaciones lineales
independientes
N/2 N/2

x[n] = åak cos(2pkn / N ) + åbk sin(2pkn / N )

k =0 k =0
 N/2 N/2

x[1] = åak cos(2p / N ) + åbk sin(2pk / N )

k =0 k =0
 DFT por ecuaciones
simultaneas
 Se puede resolver usando los
métodos como Eliminación de Gauss
 Pero en la práctica es muy lento
 Solo se utiliza de manera teórica
 DFT por correlación
 Correlacionamos la señal original
con cada una de las funciones
sinusoidales base
 Esto significa multiplicar cada punto
de la señal de entrada por la función
sinusoidal y luego sumar todos los

puntos
DFT por correlación

c[n] = åa[i]b[i]
i=0

N -1

Re X [k] = å x[i]cos(2pki / N )
i=0
N -1

Im X [k] = -å x[i]sin(2pki / N )
i=0
DFTporcorrela ción
 Notación Polar
 Tal como representamos a la
función en frecuencia con una parte
real y una imaginaria podemos
expresarla en forma de Magnitud y
Fase
 Mag X[0] y Fas X[0] son calculadas
a
partir de Re X[0] y Im X[0] y asi con
las demas muestras
 Notación Polar
 Esta forma de representar la
función en frecuencia nos ayuda a
visualizarla mejor
 Notación Polar
 Se calcula de la siguiente manera
Notación Polar
 Notación Polar
 Usamos la notación polar
para visualizar la señal
 Usamos la notación rectangular
para hacer los cálculos
 Análisis Espectral
 Como ya vimos, en muchas
señales, la información no esta
codificada en la forma de la señal,
sino en su frecuencia
 Ejemplo de esto:
• Sonido
• Radar Submarino
• Color
 Análisis Espectral
 Para analizar este tipo de señales el
dominio del tiempo es insatisfactorio
 Trate de analizar su voz
simplemente viendo a forma de la
señal en tiempo
 Se utiliza la transformada de fourier
para representar estas señales en
frecuencia y asi poderlas analizar
 Análisis Espectral
4 Vowel A
x 10
3

-1

-2

-3

-4 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45

0
Time(seconds)
 Análisis Espectral
 Obtenemos la transformada de
Fourier
 Obtenemos la parte real y
la graficamos
 Análisis Espectral
Vowel A (256 samples - hamming)
1012

11
10

10
10

9
10

P 8
10
o
w
e
r 10
7

6
10

5
10

10
4
0 1000 2000 3000 4000 5000 6000
Frequency(Hz)
 Análisis Espectral
 Vamos tomando grupos de
muestras y realizamos la misma
técnica y luego las graficamos
juntas
 Análisis Espectral
Sida.txt, 256, hamming

500

1000

1500

2000

2500
Hz

3000

3500

4000

4500

5000

5500
0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
Seconds
 Análisis Espectral
 A representar una función en
sus componentes de frecuencia
se le llama Análisis Espectral
 Nos permite saber que frecuencias
están presentes dentro de una señal
 Análisis Espectral
 Al tomar un grupo de muestras
estamos multiplicando la función por
una ventana cuadrada
 Eso provoca distorsiones en
las frecuencias obtenidas
Análisis Espectral
Multiplicación por Ventana
 Ventanas
 Existen varias ventanas
• Cuadrada
• Barlett (triangulo)
• Welch (parabola)
• Hann (Hanning)
• Hamming
 Ventanas
Cuadrada Barlett
Vowel O - SQUARE (256 samples) Vowel O - BARTLETT (256 samples)

12
1012 10

1010 1010

108 108

Power
Power
106

106

4
10

104

10
2 0 1000 2000 3000 4000 5000 6000
Frequency(Hz) 10
2 0 1000 2000 3000 4000 5000 6000
Frequency(Hz)

Welch Vowel O - WELCH (256 samples) Vowel O - HANN (256 samples)

Hann
10
12 1012

10
10 10
10

8 108
10
Power
Power

6 106
10

4 104
10

10
2
10
2
0 1000 2000 3000 4000 5000 6000
0
1000 2000 3000 4000 5000 6000 Frequency(Hz)
Frequency(Hz)
 Resolución
 Si tomamos más puntos
tendremos una mejor definición en
frecuencia
 Pero empeorara la definición
en tiempo
 Si tomamos menos puntos,
tendremos una mejor definición en
tiempo
 Pero empeorara la definición de
la frecuencia
 Resolución
Sidai.txt, 64, hamming

500

1000

1500

2000

2500

H
z 3000

3500

4000

4500

5000

5500
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1
Seconds
 Resolución
Sidai.txt, 128, hamming

500

1000

1500

2000

2500

H
z 3000

3500

4000

4500

5000

5500
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1
Seconds
 Resolución
Sidai.txt, 256, hamming

500

1000

1500

2000

2500

Hz3000

3500

4000

4500

5000

5500
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1
Seconds
 Resolución
Sidai.txt, 512, hamming

500

1000

1500

2000

2500

Hz
3000

3500

4000

4500

5000

5500
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1
Seconds
 Resolución
Sidai.txt, 1024, hamming

500

1000

1500

2000

2500
Hz
3000

3500

4000

4500

5000

5500
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1
Seconds
 Respuesta en Frecuencia
 Asi como en el dominio del tiempo
un sistema puede ser caracterizado
por su Respuesta a Impulso
 En la Frecuencia un sistema se
caracteriza por su Respuesta en
Frecuencia
u La relación entre las dos es
la transformada de Fourier
Respuesta en Frecuencia
 Respuesta en Frecuencia
 Muchas veces podemos entender
mejor el funcionamiento de un
sistema si analizamos la Respuesta a
Frecuencia en vez de la Respuesta a

Impulso
Respuesta en Frecuencia
 Convolución en Frecuencia
 Si
• x[n] * h[n] = y[n]
 Entonces
• X[f] ? H[f] = Y[f]

u Respuesta
• Multiplicación
 Convolución en Frecuencia
 Convolucionar dos señales en el
dominio del tiempo, significa
multiplicarlas en el dominio de la
frecuencia
 Y viceversa
Convoluc iónenFrecuencia
Convolución en Frecuencia
 ¿Qué veremos hoy?
 Las transformadas de Fourier

 El dominio de la frecuencia
 La inversa de la DFT
 Calculo de la DFT
 Representación Polar

 Respuesta en Frecuencia
 Convolución usando Frecuencia
 Proxima Clase
 Viernes 27 de Junio:
• Aplicaciones de la DFT