Академический Документы
Профессиональный Документы
Культура Документы
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
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
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
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)
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