Вы находитесь на странице: 1из 58

Оглавление

Понятие сигнала. Классификация сигналов. ........................................................ 2


Основные задачи цифровой обработки сигналов. ............................................... 4
Некоторые функциональные пространства: линейное, метрическое,
Гильбертово. Понятие и свойства скалярного произведения. Примеры. ......... 5
Пространства сигналов. Примеры базисов. Процесс ортогонализации Грама-
Шмидта. .................................................................................................................... 8
Дискретизация и восстановление сигналов. Механизм дискретизации
аналогового сигнала. ............................................................................................... 9
Дискретизация и восстановление сигналов. Восстановление сигнала............ 14
8.Дискретизация и восстановление сигналов. Дискретизация сигнала. ......... 19
Теорема Котельникова.......................................................................................... 21
Свойства коэффициентов Фурье. Равенство Парсеваля. Теорема Планшереля.
................................................................................................................................. 29
Свойства коэффициентов Фурье ......................................................................... 29
Равенство Парсеваля. ............................................................................................ 30
Свойства преобразования Фурье. ........................................................................ 32
Основные свойства преобразования Фурье: ...................................................... 32
Дискретное преобразование Фурье (прямое и обратное). Свойства ДПФ. .... 38
13.Дискретное преобразование Фурье и частота сигнала. ............................... 45
14. Эффект растекания спектра. .......................................................................... 47
15. Быстрое преобразование Фурье с прореживанием по времени. Оценка
сложности ДПФ и БПФ. ....................................................................................... 48
16. Быстрое преобразование Фурье с прореживанием по частоте. Оценка
сложности ДПФ и БПФ. ....................................................................................... 49
17. Цифровые фильтры. Обобщенная схема цифрового фильтра. Общая схема
линейных стационарных фильтров. .................................................................... 51
18. Цифровые фильтры. Основные характеристики цифровых фильтров...... 52
19. Преобразование Лапласа. Связь преобразований Лапласа и Фурье. ......... 53
20. Фильтрующее свойство дельта-функции. .................................................... 55
21. Преобразование Лапласа от дискретного сигнала. ...................................... 55
22. S-плоскость и Z-плоскость. ............................................................................ 57
23. Передаточная функция фильтра в Z-плоскости. .......................................... 57
24. Z-преобразование: определение, области сходимости, свойства, примеры
вычисления............................................................................................................. 57
25. Z-преобразование и сверточное представление сигнала. ........................... 58
26. Обратное Z-преобразование: метод интегрирования по контуру,
разложение на элементарные дроби, метод степенных рядов. ........................ 58

Понятие сигнала. Классификация сигналов.


Сигналом (от лат. signum - знак) называется физический процесс или явление,
несущее сообщение о каком-либо событии, состоянии объекта, либо передающее команды
управления, оповещения и т.д. Таким образом, сигнал является материальным носителем
сообщения. Таким носителем может служить любой физический процесс (свет,
электрическое поле, звуковые колебания и т.п.). В радиоэлектронике изучаются и
используются в основном электрические сигналы. Сигналы как физические процессы
наблюдаются с помощью различных приборов и устройств (осциллографом, вольтметров,
приемников). Любая модель отражает ограниченное число наиболее существенных
признаков реального физического сигнала. Несущественные признаки сигнала
игнорируются для упрощения математического описания сигналов. Общим требованием к
математической модели является максимальное приближение к реальному процессу при
минимальной сложности модели. Функции, описывающие сигналы могут принимать
вещественные и комплексные значения, поэтому часто говорят о вещественных и
комплексных моделях сигналов.
Классификация сигналов. По возм-ти предсказания мгн. Значений сигналав любой
момент времени разл-ют:
Детерминированные сигналы, т.е. такие сигналы, для которых мгновенные
значения для любого момента времени известны и предсказуемы с вероятностью равной
единице;
Случайные сигналы, т.е. такие сигналы, значение которых в любой момент
времени невозможно предсказать с вероятностью равной единице.
Все сигналы, несущие информацию являются случайными, поскольку полностью
детерминированный сигнал (известный) информации не содержит.
Простейшими примерами детерминированного и случайного сигналов являются
напряжения сети и напряжения шума
соответственно (см. рис.2.1).
В свою очередь случайные и
детерминированные сигналы могут подразделяться
на непрерывные или аналоговые сигналы и
дискретные сигналы, имеющие несколько разновидностей. Если сигнал можно измерять
(наблюдать) в любой момент времени, то его называют аналоговым. Такой сигнал
существует в любой момент времени. Дискретные сигналы могут наблюдаться и
измеряться в дискретные (отдельные) ограниченные по длительности к моменту
появления отрезки времени. К дискретным сигналам относятся импульсные сигналы.
На рисунке показаны два вида
импульсов. Видеоимпульс и
радиоимпульс . При формировании
радиоимпульсов видеоимпульс
используется как управляющий
(модулирующий) сигнал и в этом случае
между ними существует аналитическая связь:
(2.1)
При этом называется огибающей радиоимпульса, а функция - его
заполнением.
Импульсы принято характеризовать амплитудой A, длительностью ,
длительностью фронта и среза и при необходимости частотой
или периодом повторения.
Импульсные сигналы могут быть самых различных видов.
В частности различают импульсные сигналы называемые
дискретными (см. рис.2.3).
Эта разновидность сигналов может быть представлена математической моделью в
виде счетного множества значений функции - где i = 1, 2, 3, ...., k, отсчитываемых в
дискретные моменты времени . Шаг дискретизации сигнала по времени и по амплитуде
обычно величина постоянная для данного типа сигнала, т.е. минимальное приращение
сигнала
;
Каждое из значений конечного множества S можно представить в двоичной
системе исчисления в виде числа: - 10101; - 11001; - 10111. Такие сигналы называют
цифровыми.

Основные задачи цифровой обработки сигналов.


К основным задачам цифровой обработке сигнала относится:
 спектральный анализ;
 линейная фильтрация;
 свертка традиционных типов;
 частотно-временной анализ;
 нелинейная обработка;
 адаптивная фильтрация;
 многоскоростная обработка;
 секционная свертка.

Взадачах ЦОС выделяют этапы предварительной (первичной) и вторичной


обработки сигналов. Это связано с тем, что в общем случае на входе системы ЦОС
наблюдается смесь x(t) полезного сигналаs(t), некоторого шумаn(t) и различных помех
разной природыp(t):
(1.1
x(t)= S(t)+ p(t)+ n , )
где n(t) является характеристикой самого техничного устройства, аp(t) – некоторое
искажающее воздействие самой физической среды, в которой распространяется сигнал
(например, затухание).
Различают следующие задачи цифровой обработки сигналов:
1)Обеспечение оптимального приёма сигналов, под которым понимается
обеспечение максимально возможного подавления помех различной природы и шумов,
т.к. в общем случае на вход приёмника попадает их смесь:
2)Определение числовых параметров сигналов – энергии, средней мощности,
среднеквадратичного значения и т.д.
3)Разложение сигналов на некоторый набор элементарных составляющих для
рассмотрения их в дальнейшем по отдельности или совместно, а так же решение обратной
задачи синтеза сигнала.
4)Количественное измерение степени схожести или подобия сигна-
лов.
5)Решение задач распознавания и идентификации сигналов.
При этом выделяют следующие основные этапы цифровой обработки сигналов:
1)Предварительная обработка – приём, успешное преобразование из аналоговой в
цифровую форму представления.
2)Первичная обработка – оптимальный приём и анализ (см. задачи 1-
3).
3) Вторичная обработка – выделение сигнала заданного вида, 6ласссификация,
распознавание и т.д. (см. задачи4-5).
Важнейшей задачей первичной обработки сигнала является
подавление n(t) иp(t) (шума и помехи). Такая задача оптимального приема может быть
решена только на основе использования избыточности представления исходного сигнала,
а также имеющихся сведений о свойствах полезного сигнала, помехи и шума для
увеличения вероятности правильного приема
[11,19].

Некоторые функциональные пространства:


линейное, метрическое, Гильбертово. Понятие и
свойства скалярного произведения. Примеры.
Пространства сигналов. Примеры базисов. Процесс
ортогонализации Грама-Шмидта.
Процесс ортогонализации Грама Шмидта :
Данный алгоритм позволяет из множества ЛНЗ (линейно независимых)
векторов построить множество ортогональных векторов или
ортонормированных векторов , однако при условии, что выполняется данное
условие: каждый вектор либо же выражается линейной комбинацией
векторов .

Оператором проекции является выражение: , где —


скалярное произведение вектора и .
Процесс Грама Шмидта:

Элемент выражается так: . Результатом данных преобразований может


быть либо система ортогональных векторов , либо ортонормированных
векторов . (База евклидового пространства называется ортонормированной, если
она ортогональна, а все её векторы нормированы. Вектор называется нормированным,если
его скалярный квадрат равен единице.)
Пример:
Для того, чтобы построить ортогональный базис подпространства, натянутого на
данную систему векторов, нужно применить процесс ортогонализации:

Решение:
Дано: .

Вычислить: . Возьмём
такое . Далее высчитаем: . Далее
положим такое Аналогично,
, где
и .
Ответ: (1, 2, 2, -1 ), (2, 3, -3, 2), (2, -1, -1,-2).

,
— ортогональный базис;
— ортонормированный базис.

Дискретизация и восстановление сигналов.


Механизм дискретизации аналогового сигнала.
Под дискретизацией сигналов (в узком смысле) понимают преобразование
аналогового сигнала x(t) в последовательность отсчётов его мгновенных значений, взятых
через интервалы времени Dt (рис. 2.5)

, k = 0, ±1, ±2,…,
Dt – шаг дискретизации,

– частота дискретизации.

x(t) а t xд(t) б t yр(t) 1 в t Рис. 2.5. Дискретизация сигнала

Для аналитического описания процесса дис-кретизации используем решётчатую

функцию (рис. 2.5, в) вида ,

где .

Функция связана с функцией 1(t) (единичного скачка) и d-функцией


следующим образом

. (2.8)

Введение функции позволяет процесс дискретизации аналогового


сигнала x(t) выразить произведением вида (рис. 2.5, б)

Как и d-функция обладает фильтрующим свойством


.

Поскольку периодическая функция с периодом Dt, то её можно представить


рядом Фурье

, где

(фильтрующее свойство!)

и, следовательно, .
Учитывая свойство спектральной функции комплексного гармонического
колебания (2.6) и выражение (2.8), имеем

Исходя из очевидных соотношений , получим

. (2.9)
Окончательно

(2.10)
и по свойству смещения спектра (2.7)

.
Из (2.10) вытекает, что процесс дискретизации сигналов можно реализовать на
перемножителе (рис.2.6).
Задача наилучшего приближения функции конечной
последовательностью полиномов.
Задача наилучшего приближения в нормированном пространстве.

Задана функция y(x), некоторый класс функций X и некоторая норма, или метрика.

Найти функцию , такую что .


Чаще всего используются нормы и , такие что
, (равномерное приближение)

. (среднеквадратичное приближение)
Задача приближения полиномами.

Пусть класс X состоит из функций вида

,
где - заданная последовательность функций.
Например, при получаем задачу приближения алгебраическими полиномами.
При или - тригонометрическими полиномами и т.п.
Тригонометрическими функциями приближаем, когда строим ряды Фурье.
Общая задача интерполяции.

Пусть f(x) – определена на [a,b] и принадлежит некоторому классу .


Задана сетка узлов a  x0 < x1 <…< xn  b.
Требуется построить функцию

,
линейную относительно функций  k(x) и такую, что выполняется условие

, (1)
причем, система {k(x)}k=0, …, n линейно независима.
Выбор системы {k(x)} определяется классом функций f(x).
Частный случай – интерполяция многочленами:
{k(x)} = {xk}, k = 0, 1, …, n
Пусть Ln(x) – искомый интерполяционный многочлен n-ой степени.
Должно выполняться условие:

. (2)
Определитель системы (2) называется определителем Вандермонда.

.
Замечание 1.
Система (2) плохо обусловлена, в связи с чем, ее численное решение
затруднительно. Понятие плохой обусловленности будет подробно рассмотрено в лекции
11.
Поэтому интерполяционный полином находят другим способом.
Найдем частные полиномы , обладающие свойством

.
В качестве таких полиномов можно взять

.
Тогда полином , обладающий свойством , можно записать в виде

. (3)
Очевидно, - полиномn-го порядка, или n-ой степени. Полученный таким
способом полином называют интерполяционным полиномом Лагранжа.
Подведем некоторые итоги.
Итак, поставленная задача интерполяции функции y(x) на сетке узлов
алгебраическим полиномомn-ой степени решается с помощью интерполяционного
полинома Лагранжа (3).
Теорема 1.
Полином - единственное решение задачи (2).
Пусть существует другой полином такой, что .
Поскольку и полиномы степениn, то - - полином степени , причем в
узлах интерполяции разность

Но полином степени не может иметь(n+1) корней, следовательно,


= - единственный полином Лагранжа.
Существуют и другие формы представления помимо (3).
Рассмотрим погрешность аппроксимации функции y(x) с помощью полинома .
Теорема 2.
Пусть функция , , (максимум существует, т.к.(n+1)–я
производная непрерывна, следовательно, максимум достигается на отрезке [a,b]). Пусть
задана сетка узлов , - интерполяционный полином Лагранжа. Тогда для
погрешности интерполяции справедливы оценки:

, (4)

, (5)
где - специальный полином (n+1)-ой степени. (6)
Запишем y(x) в виде:
, (*)
где - погрешность интерполяции в точкеx[a,b].
Очевидно, что
, i=0, 1,…, n (7)
С учетом (7) можно искать в виде
.
Зафиксируем ,
Рассмотрим функцию
. (8)
Очевидно, обращается в 0 в(n+2) -х точках
t=x:
(см. (*))
:
, (см. (6)) i=0,1,2…n
По теореме Ролля на интервале (a,b) существует, по крайней мере, (n+1) точка, в
которой обращается в 0.
По теореме Ролля на интервале (a,b) существует, по крайней мере, n точек,
которых .
И так далее…
Существует, по крайней мере, одна точка такая, что .
Учитывая, что
,
и дифференцируя (n+1) раз формулу (8) по t в точке получим
,

.
Поэтому

.
Отсюда следуют (4) и (5).
Пример 1.
Пусть , [a,b] - отрезок [100,144].
Построить интерполяционный многочлен второго порядка L2(x) в узлах
, , .
Оценить погрешность интерполяции в т. x=116 и на всем отрезке [a,b].

Дискретизация и восстановление сигналов.


Восстановление сигнала.
Для ввода сигнала с аналогового датчика в цифровую систему непрерывный сигнал
должен быть продискретизирован по времени и амплитуде, а затем представлен двоичным
кодом. Но в цифровых системах часто возникает и обратная задача – восстановление
аналогового непрерывного сигнала по его дискретным отсчетам. Такая необходимость
возникает на выходе цифровых каналов передачи сигналов, на выходе цифровых систем
обработки информации (например, при выдаче управляющих воздействий на аналоговые
исполнительные механизмы).
Для восстановления аналогового непрерывного сигнала необходимо, прежде всего,
подать последовательность цифровых отсчетов на ЦАП (рис.), а затем полученный на его
выходе электрический дискретный и квантованный сигнал пропустить через ФНЧ.
Если спектр исходного сигнала был ограничен частотой FВ, то частота среза ФНЧ
выбирается равной FВ. Частота дискретизации FД при этом должна была быть взята в
соответствии с теоремой Котельникова равной 2FВ.
Однако, все рассмотренное выше основывалось на некоторых идеализированных
условиях. Рассмотрим некоторые проблемы, возникающие в практических применениях.
То как будет выглядеть спектр сигнала после дискретизации на рис. показано при
условии что частота дискретизации FД по крайней мере в два раза выше наивысшей
частоты спектра.
Если уменьшать частоту дискретизации FД, то частичные спектры будут
«сходиться» по частотной оси, а при выборе частоты дискретизации FДнепозволительно
низкой, они будут перекрываться (рис. ). При этом восстановить спектр исходного сигнала
уже не получится.

Рис. Наложение частичных спектров друг на друга, если FВ > FД/2


Исходя из этого определяется минимально допустимая частота дискретизации FД.
В соответствии с рассмотренным перефразируем теорему Котельникова следующим
образом. Для того чтобы иметь возможность восстановить исходный сигнал после его
дискретизации без искажений необходимо, чтобы частота дискретизации FД была бы по
крайней мере в два раза выше частоты FВ наивысшей спектральной составляющей,
присутствующей в исходном сигнале.
Обратим внимание, что в соответствии с нашими прежними рассуждениями,
разговор идет не только о возможности восстановления сигнала. Невозможность
восстановления сигнала после дискретизации означает потерю информации, которую он
нес. Т. е. рассмотренные выше условия определяют минимально допустимую частоту
взятия отсчетов исходного непрерывного сигнала при вводе их в цифровую
вычислительную систему.

Рис. Определение предельной частоты дискретизации


для восстановления спектра исходного сигнала
Как видно из рис. предельная частота дискретизации FД, при которой перекрытия
частичных спектров еще не происходит, равна удвоенной верхней частоте спектра
сигнала, т. е. равна 2FB. Эта частота называется частотой Найквиста. Дискретизация с
частотой Найквиста называется предельной дискретизацией. Очевидно, что при выборе
частоты дискретизации равной частоте Найквиста АЧХ такого фильтра должна быть
идеальной (как это и показано на рис.). Норберт Винер сказал по поводу создания
идеальных фильтров следующее: «Ни один из фильтров, отвечающих условию
причинности, не может иметь бесконечного затухания в конечной (ненулевой) полосе
частот. Идеальный фильтр физически неосуществим из-за самой его сущности, а не по
причине отсутствия необходимых технических средств».

Сигнал, дискретизированный с FД > 2FB, называется передискретизированным


сигналом. Несмотря на то, что в этом случае получается избыточное число отсчетов, на
практике частоту дискретизации FД выбирают именно так. Дискретизация с такой
частотой разносит частичные спектры относительно друг друга по частотной оси на
большее расстояние. При этом между наивысшей частотой спектра исходного сигала FВ и
половиной частоты дискретизации FД/2 будет некоторый интервал, в который можно
«поместить» срез АЧХ ФНЧ. Чем больше этот интервал, тем меньше требований к
фильтру. Требования к АЧХ аналогового фильтра на входе дискретизатора будут зависеть
от того, как близко частотные составляющие частичных спектров (внеполосного сигнала)
отстоят от FД/2, а также требуемой величиной их подавления.
Построение аналоговых фильтров высокого порядка связано с известными
трудностями – требуется применение прецизионных пассивных элементов и
высококачественных операционных усилителей с хорошей температурной и временной
стабильностью. Кроме того, надо иметь в виду, что всякий фильтр высокого порядка
обладает существенно нелинейной фазовой характеристикой.

Передискретизация позволяет значительно снизить требования к характеристике


аналогового ФНЧ. Даже удвоение Fд дает возможность сделать срез его АЧХ довольно
пологим (рис. а). А при увеличении частоты дискретизации в четыре (рис. .б) и более раз,
требования к аналоговому ФНЧ снижаются до вполне заурядных.

Рис. Требуемые АЧХ аналоговых фильтров после двукратного (а) и


четырехкратного (б) повышения частоты дискретизации
Чтобы облегчить требования к фильтрации преобразованного сигнала, перед ЦАП
можно разместить цифровой фильтр. Выполнить такой фильтр с нужными
характеристиками значительно проще, чем аналоговый. Он может иметь достаточно
высокий порядок и при этом обладать линейной фазовой характеристикой.
Характеристика цифрового фильтра, как и спектр цифрового сигнала, тоже имеет
периодическую структуру и тоже повторяется на частотах, кратных частоте
дискретизации. Поэтому, если цифровой фильтр будет работать на частоте
дискретизации FД, то подавить высокочастотные компоненты все равно не удастся.
Проблема может быть решена путем искусственного увеличения частоты
дискретизации FД в несколько раз. При этом недостающие значения сигнала вычисляются
по известным значениям методами интерполяции (рис. ). Фактически речь идет о
«сглаживании» цифрового сигнала перед его подачей на ЦАП, Так как число уровней
дискретных отсчетов на выходе цифровой системы при этом увеличивается, то и
разрядность ЦАП должна быт увеличена.

Рис. Повышение частоты дискретизации с помощью интерполяции


Другое допущение, сделанное выше для более простого рассмотрения теоремы
Котельникова и также отраженное на рис., состоит в том, что спектр исходного сигнала
ограничен, или как еще говорят, является финитным.
Спектры реальных сигналов в большинстве своем не являются строго финитными
функциями, т. е. являются неограниченными по протяженности (рис. а). В этом случае
выбор верхней граничной частоты FВ является условным. Если продискретизировать
непрерывный сигнал с не финитным спектром, то спектр этого сигнала после
дискретизации будет выглядеть так, как показано на рис. б.

Рис. Не финитный спектр исходного сигнала (а) и спектр такого сигнала


после дискретизации (б).
Из сделанных ранее рассуждений видно, что при дискретизации сигнала с
неограниченным спектром периодическое повторение спектра, вызванное
дискретизацией, будет сопровождаться эффектом наложения друг на друга (или
элайзингом от анлг. «aliasing») частичных спектров своими «хвостами».
В силу неограниченной протяженности исходного спектра этот эффект
принципиально неустраним при любой частоте дискретизации FД. Однако иногда этим
эффектом пренебрегают. Дело в том, что если рассматривать спектры сигналов, с
которыми приходится иметь дело на практике, то оказывается – большинство сигналов
сильно ограничены в области высоких частот. Поэтому при выборе достаточно высокой
частоты дискретизации эффект наложения после восстановления спектра приводит к
достаточно незначительным погрешностям.
Эти погрешности можно дополнительно ограничить. Для ослабления эффекта
наложения сигнал перед дискретизацией пропускают через ФНЧ с целью подавления
высокочастотных составляющих сигнала выше частоты FВ = FД/2, чтобы не допустить их
свертывание в информационную часть спектра. С одной стороны пропускание сигнала
через фильтр можно рассматривать как действия, меняющие его форму – фактически
искажающие исходный сигнал. Однако, в данном случае очевидно, что такие
преобразования в конечном итоге приведут после восстановления спектра в нужной
полосе пропускания к меньшим погрешностям, чем в случае когда будет сказываться
эффект наложения. Фильтры низких частот, ограничивающие в системах цифровой
обработки сигналов перед выполнением дискретизации сигнала его спектр, называются
антиэлайзинговыми.
8.Дискретизация и восстановление сигналов.
Дискретизация сигнала.
Дискретизация - преобразование непрерывной функции в дискретную.
Используется в гибридных вычислительных системах и цифровых устройствах при
импульсно-кодовой модуляции сигналов в системах передачи данных. При передаче
изображения используют для преобразования непрерывного аналогового сигнала в
дискретный или дискретно-непрерывный сигнал. Обратный процесс называется
восстановлением. При дискретизации только по времени, непрерывный аналоговый
сигнал заменяется последовательностью отсчётов, величина которых может быть равна
значению сигнала в данный момент времени. Возможность точного воспроизведения
такого представления зависит от интервала времени между отсчётами Δt. Согласно
теореме Котельникова:

где
- наибольшая частота спектра сигнала.
1.2 Квантование (Обработка сигналов)
Квантование (англ. quantization) - в информатике разбиение диапазона значений
непрерывной или дискретной величины на конечное число интервалов. Существует также
векторное квантование - разбиение пространства возможных значений векторной
величины на конечное число областей. Квантование часто используется при обработке
сигналов, в том числе при сжатии звука и изображений. Простейшим видом квантования
является деление целочисленного значения на натуральное число, называемое
коэффициентом квантования.

Рисунок 1 - Квантованный сигнал


Однородное (линейное) квантование - разбиение диапазона значений на отрезки
равной длины. Его можно представлять как деление исходного значения на постоянную
величину (шаг квантования) и взятие целой части от частного:

.
Рисунок 2 - Неквантованный сигнал с дискретным временем
Не следует путать квантование с дискретизацией (и, соответственно, шаг
квантования с частотой дискретизации). При дискретизации изменяющаяся во времени
величина (сигнал) замеряется с заданной частотой (частотой дискретизации), таким
образом, дискретизация разбивает сигнал по временной составляющей (на графике - по
горизонтали). Квантование же приводит сигнал к заданным значениям, то есть, разбивает
по уровню сигнала (на графике - по вертикали).
Сигнал, к которому применены дискретизация и квантование, называется
цифровым.

Рисунок 3 - Цифровой сигнал


При оцифровке сигнала уровень квантования называют также глубиной
дискретизации или битностью. Глубина дискретизации измеряется в битах и обозначает
количество бит, выражающих амплитуду сигнала. Чем больше глубина дискретизации,
тем точнее цифровой сигнал соответствует аналоговому. В случае однородного
квантования глубину дискретизации называют также динамическим диапазоном и
измеряют в децибелах (1 бит ≈ 6 дБ).
Квантование по уровню - представление величины отсчётов цифровыми
сигналами. Для квантования в двоичном коде диапазон напряжения сигнала от Umin до
Umax делится на 2n интервалов. Величина получившегося интервала (шага квантования):

Каждому интервалу присваивается n-разрядный двоичный код - номер интервала,


записанный двоичным числом. Каждому отсчёту сигнала присваивается код того
интервала, в который попадает значение напряжения этого отсчёта. Таким образом,
аналоговый сигнал представляется последовательностью двоичных чисел,
соответствующих величине сигнала в определённые моменты времени, то есть цифровым
сигналом. При этом каждое двоичное число представляется последовательностью
импульсов высокого (1) и низкого (0) уровня.

Теорема Котельникова.
Передача непрерывных (аналоговых) сигналов по линии связи предполагает
передачу бесконечного множества их мгновенных значений на протяжении конечного
промежутка времени. При этом спектр финитного, т.е. ограниченного во времени,
непрерывного сигнала бесконечен. Однако, на практике различные радиотехнические
устройства (фильтры, усилители и другие) имеют ограниченную полосу пропускания, что

приводит к ограничению спектра сигнала некоторой граничной частотой (или ),


которая определяется свойствами получателя сообщений. Так например, общепринятой
нормой в системах передачи речевых сигналов является ограничение спектра сигнала в

пределах , в системах телевидения – . Как преодолеть


противоречие между ограничением спектра сигнала и конечным временем его
существования? Ответ на этот вопрос даёт теорема, сформулированная и доказанная
академиком В.А. Котельниковым и получившая название теоремы Котельникова или
теоремы отсчётов.
Теорема Котельникова формулируется следующим образом. Непрерывный

сигнал , ограниченный по спектру частотой (или ), полностью определяется

совокупностью мгновенных значений (отсчётов) в моменты времени ,

отстоящие друг от друга на интервал времени .


Математически теорема Котельникова определяется выражением

, (3.1)
или с учётом (2.12)

, (3.2)

которое представляет собой разложение сигнала в особого рода ряд по


системе базисных функций
,

являющихся ортогональными на интервале времени (сравните с


разложением сигнала в ряд Фурье).
Доказательство теоремы Котельникова приведено в литературе [1]. Мы же
остановимся на вопросах физического толкования и практического применения
результатов теоремы.
Выделим одно из слагаемых ряда (3.1)

. 3.3)
Это слагаемое представляет собой отклик идеального фильтра нижних частот
(ФНЧ), т.е. фильтра с постоянным коэффициентом

передачи в пределах полосы частот от нуля до , на

очень короткий импульс с амплитудой . (рис.


3.1).
Отметим, что в моменты

времени , и т.д.
значения отклика равны нулю. Это определяет механизм восстановления непрерывного
сигнала по его отсчётам.
Формирование последовательности отсчётов непрерывного сигнала, которая

представляет собой дискретный сигнал, т.к. значение любого отсчёта

сохраняется неизменным в течение интервала времени (см. классификацию


сигналов), осуществляется при помощи импульсного
модулят
ора.
П
ростейш
ий
вариант
импульс
ного
модулят
ора представляет собой перемножитель (рис. 3.2), на один вход которого подаётся непре-

рывный сигнал , а на второй – последовательность

коротких единичных импульсов вида (1.13), следующих друг за другом с

периодом (рис. 3.2, а). Тогда на выходе перемножителя будет иметь место
последовательность коротких импульсов

амплитуды которых равны , т.е. соответствуют мгновенным значениям

сигнала , отсчитанным в момент времени . (рис 3.3, в).


Процесс формирований последовательности отсчётов
называется дискретизацией непрерывного сигнала.
Восстановление непрерывного сигнала осуществляется путём подачи дискретного

сигнала на идеальный фильтр нижних частот. Отклик фильтра на каждый отсчёт

определяется выражением (3.2). При этом, в момент времени , значение


отклика определяется только k -тым отсчётом дискретного сигнала; отклик на остальные
отсчёты равны нулю (Рис. 3.3, г). Суммируясь, эти отклики дают на выходе ФНЧ

исходный сигнал .
Отметим два важных обстоятельства.

Во-первых, точное восстановление сигнала имеет место только при .

Введя в рассмотрение частоту дискретизации , получим так


называемую частоту Найквиста, т.е. минимальное значение частоты дискретизации, при
котором возможно точное восстановление непрерывного сигнала. Обычно, на практике
частоту дискретизации выбирают выше предела Найквиста. Так, например, частота

Найквиста для речевого сигнала при составляет . В

реальных РТИС эта частота составляет .


Во-вторых, точное восстановление сигнала возможно при суммировании

бесконечного числа откликов, что соответствует сигналу , неограниченному во


времени. Но в действительности, сигналы являются ограниченными и по спектру и по
времени. Однако, при определённых допущениях теорема Котельникова справедлива и
для этого случая.

Если сигнал, длительностью ограничивается радиотехническим устройством с

граничной частотой , то для его представления в дискретной форме требуется

конечное число отсчетов, где

. (3.4)

Таким образом для восстановления сигнала длительностью , ограниченного по

спектру частотой достаточно передать независимых отсчетов, однозначно


связанных с его формой.
Но теоретически сигнал, ограниченный по времени имеет бесконечный спектр. А

это означает, что при восстановлении сигнала по отсчетам будет иметь место ошибка,

т.е. восстановленный сигнал ŝ(t) будет отличаться от исходного . Казалось бы,


теорема Котельникова неприменима к реальным сигналам. Тем не менее, если к точности

восстановления сигнала по отсчетам предъявить определенные требования,


например, допустить его восстановление с заданным уровнем ошибки, то утверждения
теоремы Котельникова можно с успехом распространить на реальные сигналы, несколько
изменив частоту дискретизации по сравнению с пределом Найквиста.

Теперь с учетом того, что реальный сигнал длительностью представляется


отсчетами мгновенных значений, выражение (3.1) принимает вид:

.
(3.5)

Величина называется базой сигнала . Понятие базы играет важную роль


при представлении непрерывного сигнала конечным числом отсчетов. Соответствующим
образом выбранная база определяет информационные показатели сигналов, способность
противостоять помехам при передаче по каналам связи, энергетическую скрытность и
другие.
Рассмотрим теперь вопрос оценки точности восстановления непрерывного сигнала

по совокупности отсчетов его мгновенных значений. Как уже неоднократно


подчеркивалось выше, ограниченный во времени сигнал имеет бесконечный спектр.
Согласно равенству Парсеваля (2.50) энергия такого сигнала равна

, 3.6)

где или – энергетический спектр, представленный как функция

либо круговой , либо циклической частоты.

Энергия за пределами частоты (или ) составляет величину

. (3.7)

На рис. 3.4 изображен энергетический спектр сигнала, ограниченного во времени и

граничная частота .
Площадь под всей кривой характеризует полную энергию

сигнала , а площадь заштрихованного участка - ту часть

энергии , которая сосредоточена за пределами .


Тогда отношение

(3.8)
может служить оценкой точности восстановления сигнала. Задаваясь

величиной можно определить частоту , а следовательно и частоту дискретиза

ции .

Рассмотрим следующий пример. Пусть сигнал на интервале

времени описывается экспоненциальной функцией


Воспользовавшись преобразованием Фурье, найдем спектральную функцию
сигнала

.
Модуль спектральной функции

,
а энергетический спектр

.
Воспользовавшись выражением (3.5), найдем энергию сигнала

.
В соответствии с (3.6), вычислим :

При расчете и использован табличный интеграл

.
Найдем величину среднеквадратичной ошибки восстановления

.
Представим

.
Тогда

,
откуда следует

.
Полагая, что для малых значений

,
получим

.
Теперь можно найти

,
или переходя к циклическим частотам

.
Частота дискретизации

Таким образом, задаваясь величиной можно определить частоту


дискретизации непрерывного сигнала. Очевидно, число отсчетов при дискретизации
рассматриваемого сигнала будет равно

.
Из приведенного примера следует, что чем меньшую ошибку восстановления
требуется обеспечить, тем выше должна быть частота дискретизации.
Теорема Котельникова устанавливает однозначное соответствие между аналоговым
сигналом и отсчетами его мгновенных значений во временной области. Оказывается,
можно сформулировать теорему отсчетов и в частотной области. При этом примем во

внимание, что комплексный спектр одиночного сигнала длительностью является

сплошным. Тогда имеет место следующее утверждение. Спектральная функция

сигнала , ограниченного во времени величиной полностью определяется

совокупностью отсчетов , отстоящих друг от друга на частотный

интервал , т.е.
. (3.9)
Теорема отсчетов в частотной области основывается на свойстве симметрий

преобразований Фурье относительно переменных (или ) и . Суть этого свойства

состоит в том, что преобразование Фурье периодического сигнала с периодом


приводит к линейчатой (дискретной) спектральной функции, где отдельные спектральные
составляющие (см. подраздел 2.1) отстоят друг от друга по оси частот на

величину (или ), и наоборот, преобразование Фурье периодической

спектральной функции с периодом приводит к дискретной временной функции

с периодом .

Исходя из этого свойства, если в (3.2) заменить на ; на ,

а на , то в результате получим выражение (3.9). Как и в случае разложения

сигнала в ряд Котельникова, разложение его спектра ограничивается


отсчетами. Тогда выражение (3.5) в частотной области принимает вид

. (3.10)

Казалось бы, для восстановления спектральной функции по совокупности

отсчетов , необходимо знать отсчетов модуля и отсчетов аргумента

комплексных величин . Однако, если учесть, что модуль спектра , т.е.

амплитудный спектр является четной функцией, а аргумент , т.е. фазовый спектр –


нечетной функцией, то число независимых отсчетов сокращается вдвое и

составляет , т.е. равно базе сигнала.


Свойства коэффициентов Фурье. Равенство Парсеваля.
Теорема Планшереля.

Свойства коэффициентов Фурье


Коэффициенты ряда Фурье обладают рядом важных свойств.
1. Если имеет период (например, рис. 11.1), то коэффициенты ряда Фурье
для нее вычисляются по следующим формулам

, , .
ƒ Известны свойства периодических функций
а) ;
б) ;

в) .
Тогда доказываемые формулы получаются, если в них положить , .<
2. Если четная функция, то для .
Если нечетная функция, то , для .
ƒ По определению: четная функция удовлетворяет условию , а нечетная
. Известно, что:
а) если , четные функции, то – четная;
б) если нечетная, а четная, то – нечетная;
в) если и нечетная, то – четная.
Тогда, если – четная, то – нечетная, т.к. нечетная.

.
Таким образом, . Аналогично доказывается, что если нечетная, то .<
Из этого свойства следует, что тригонометрический ряд Фурье для четных
функций имеет вид
,

где , ,
Для нечетных функций тригонометрический ряд Фурье соответственно имеет вид

где ,
Сделанные выводы сохраняются для тригонометрических рядов по системе общего
вида. Для четной функции:

где , .
Для нечетной функции:

где .
Равенство Парсеваля.
Равенство Парсеваля (теорема Планшереля) – один из основных инструментов,
составляющих методы анализ сигнала. Позволяет оценить энергию сигнала во временном
и частотном представлении.
Энергия сигнала (это мощность, работа, которую сигнал может совершить).
Пусть сигнал во временном представлении выражает зависимость напряжения от
времени x(t). Если ток, генерирующий сигнал, проходит по проводнику с
сопротивлением R, то сила тока i(t) = x(t)/R, и тогда мощность электрического тока
w(t) = x(t)· i(t) = x(t)2/R.
Следовательно, мощность сигнала пропорциональна величине x(t)2 , а если R=1, то
равна этой величине. Тогда, по определению, работа, которую совершает электрический
ток, или которую он может совершить (энергия), пропорциональна (в исключительных
случаях равна)
В общем случае, когда x(t) – комплексное выражение,
где - комплексное сопряженное к

для каждой квадратично суммируемой функции

интеграл
сходится в L2 к нек-рой функции при ,
то есть

При этом сама функция f(х).представляется как предел в L2 при


интегралов

то есть

Кроме того, справедливо соотношение

(формула Парсеваля - Планшереля). Функция

где предел понимается в смысле сходимости в L2, наз. преобразованием Фурье фун
кции f и обозначаетсяобычным символом

(1)
при этом интеграл (1) понимается в смысле главного значения на
в метрике L2. Аналогичноистолковывается равенство

(2)

Для функции
интегралы (1) и (2) существуют в смысле главного значения почти при всех х.

Функции f и удовлетворяют почти при всех хтакже соотношениям


Если обозначить преобразование Фурье, -

его обращение, то П. т. перефразируется так: и -


взаимно обратные унитарные операторы в L2.

Свойства преобразования Фурье.


Основные свойства преобразования Фурье:
Свойствами преобразований Фурье определяется взаимное соответствие
трансформации сигналов и их спектров.
1. Линейность. Преобразование Фурье относится к числу линейных интегральных
операций, т.е. спектр суммы сигналов равен сумме спектров этих сигналов.

(3.6)
Пример суммирования сигналов и его отображения в суммирования спектров
приведен на рис. 3.6:

Рис. 3.6. Сигналы и их спектры. s0(k)=s1(k)+s2(k) S1(ω)+S2(ω) = S0(ω).


2. Свойства четности преобразования определяются косинусными (четными,
действительными) и синусными (нечетными, мнимыми) частями разложения и подобием
прямого и обратного преобразований.
На рис. 3.7. приведены примеры, поясняющие свойства четности преобразования.
Сигнал s1(k) является четным, s1(k) = s1(-k), и имеет только вещественный четный спектр
(мнимая часть спектральной функции представлена нулевыми значениями). Сигнал s2(k)=
-s2(-k) нечетный и имеет мнимый нечетный спектр, а нулевыми значениями представлена
его действительная часть. Сигнал s3(k) образован суммой сигналов s1(k) и s2(k).
Соответственно, спектральная функция сигнала представлена и действительной четной
частью (принадлежащей s1(k)), и мнимой нечетной частью (принадлежащей s2(k)). При
обратном преобразовании Фурье раздельно действительной и мнимой части спектра S3(ω),
равно как и любых других комплексных спектров, будут раздельно восстановлены четная
и нечетная части исходного сигнала.
Заметим, что произвольный исходный сигнал может быть задан в одностороннем
варианте (в интервале 0 – Т), но четная и нечетная части этого сигнала занимают интервал
от -Т до Т, при этом на левой половине числовой оси (от -Т до 0) эти два сигнала
компенсируют друг друга, давая нулевые значения.
Сигнал s(t), спектр S(ω). При этом если:
s(t) – четный, то S(ω) – вещественный, четный;
s(t) – нечетный, то S(ω) – мнимый, нечетный
s(t) – произвольный, то S(ω) – действительная часть – четная,
а мнимая часть – нечетная.

Рис. 3.7. Свойства четности преобразования


3. Изменение аргумента функции (сжатие или расширение сигнала) приводит к
обратному изменению аргумента ее Фурье-образа и обратно пропорциональному
изменению его модуля. Действительно, если s(t) S(ω), то при изменении длительности
сигнала с сохранением его формы (растяжении сигнала по временной оси), т.е. для
сигнала с новым аргументом s(x) = s(a∙t) при x= a∙t, получаем:

(3.7')
Выражение (3.7') действительно при а > 0. При а < 0 происходит зеркальный
поворот сигнала относительно вертикальной оси, а замена переменной t = x/a вызывает
перестановку пределов интегрирования и, соответственно, изменение знака спектра:
s(a∙t) -(1/a)S(ω/a). (3.7'')
Обобщенная формула изменения аргумента:
s(a∙t) SHAPE \* MERGEFORMAT -(1/|a|)S(ω/a), a ≠ 0 (3.7)
Если под аргументом функции и ее спектра понимать определенные физические
единицы, например, время - частота, то отсюда следует: чем короче по своей
длительности сигнал, тем шире по частоте его спектр, и наоборот. Это можно наглядно
видеть на рис. 3.6. для сигналов s1(k) и s2(k) и их спектров S1(ω) и S2(ω).
От изменения аргумента функций следует отличать изменение масштаба
представления функций. Изменение масштаба аргументов изменяет только оцифровку
числовых осей отображения сигналов и их спектров, но не изменяет самих сигналов и
спектров. Так, при масштабе оси времен t = 1 секунда, масштаб оси частот f = 1/t = 1 герц,
а при t = 1 мксек f = 1/t = 1 МГц (t = a∙t, f= 1/a∙t, a = 10-6).
4. Теорема запаздывания. Запаздывание (сдвиг, смещение) сигнала по аргументу
функции на интервал to приводит к изменению фазочастотной функции спектра (фазового
угла всех гармоник) на величину -ωto без изменения модуля (амплитудной функции)
спектра. Применяя замену переменной t - to = x, получаем:

(3.8)
Совершенно очевидно, что амплитуды гармоник сигнала при его сдвиге изменяться
не должны. С учетом того, что |exp(-jωto)| = 1, это следует и из (3.8):
|S(ω) exp(-jωto)| = |S(ω)|.
Фазовый спектр сдвигается на -ωto с линейной зависимостью от частоты:
S(ω) exp(-jωto) = R(ω) exp[j(j(ω)] exp(-jωto) = R(ω) exp[j(j(ω) - ωto)]. (3.9)

Рис. 3.8. Изменение спектра сигнала при его сдвиге.


Пример двух одинаковых сигналов, сдвинутых относительно друг друга на to = 1, и
соответствующих данным сигналам спектров приведен на рис. 3.8.
5. Преобразование производной (дифференцирование сигнала):

(3.10)
Таким образом, дифференцирование сигнала отображается в спектральной области
простым умножением спектра сигнала на оператор дифференцирования сигнала в
частотной области jω, что эквивалентно дифференцированию каждой гармоники спектра.
Умножение на jω приводит к обогащению спектра производной сигнала
высокочастотными составляющими (по сравнению с исходным сигналом) и уничтожает
составляющие с нулевой частотой.

Рис. 3.9. Спектры сигнала и его производной


Пример сигнала, его производной и соответствующих им спектров приведен на
рис. 3.9. По изменению аргумента спектра (для четного исходного сигнала он был
нулевым) можно видеть, что для всех гармоник спектра появляется сдвиг фаз на π/2 (900)
для положительных частот, и на - π/2 (-900) для отрицательных частот.
В общем случае, для кратных производных:
dn[y(t)]/dtn = (jω)n Y(ω). (3.11)
6. Преобразование интеграла сигнала в частотной области при известном спектре
сигнала может быть получено из следующих простых соображений. Если имеет место s(t)
= d[y(t)]/dt jω Y(ω) = S(ω), то должна выполняться и обратная операция:

. Отсюда следует:

(3.12)

Рис. 3.10. Сигналы и амплитудные спектры сигналов


Оператор интегрирования в частотной области (1/jω) при ω > 1 ослабляет в
амплитудном спектре высокие частоты и при ω < 1 усиливает низкие. Фазовый спектр
сигнала смещается на -900 для положительных частот и на 900 для отрицательных. Пример
модуля спектра сигнала и его интегральной функции приведены на рис. 3.10.
Формула (3.12) справедлива для сигналов с нулевой постоянной составляющей.
При интегрировании сигналов с определенным значением постоянной
составляющей С = const в правой части выражения (3.12) появляется дополнительное
слагаемое преобразования Фурье постоянной составляющей C, которое представляет
собой, как будет показано ниже, дельта-функцию на нулевой частоте с весовым
коэффициентом, равным значению С:
y(t) Y(ω) = (1/jω)S(ω) + C·d(ωo).
7. Преобразование свертки сигналов y(t) = s(t) * h(t):

По теореме запаздывания (3.8):

Отсюда:
s(t) * h(t) S(ω) ∙ H(ω). (3.13)
Пример выполнения свертки в частотной области приведен на рис. 3.11. Отметим,
что частотное представление H(ω) импульсного отклика h(t) линейной системы (или
соответствующей линейной операции) имеет смысл частотной передаточной функции
системы и позволяет определить сигнал на выходе системы (в частотной форме
представления) при задании произвольного сигнала (в частотной форме) на ее входе. По
существу, функция H(ω) представляет собой распределение по частоте коэффициента
пропускания частотных составляющих сигнала с входа на выход системы (операции).

Рис. 3.11. Сигналы и амплитудные спектры сигналов


Таким образом, свертка функций в координатной форме отображается в частотном
представлении произведением Фурье-образов этих функций.
Это положение имеет фундаментальное значение в практике обработки данных.
Любая линейная система обработки данных (информационных сигналов) реализует
определенную операцию трансформации сигнала, т.е. выполняет операцию свертки
входного сигнала s(t) с оператором системы h(t). С использованием преобразования
свертки эта операция может производиться как с динамической, так и с частотной формой
представления сигналов. При этом обработка данных, представленных в цифровой форме,
производится, как правило, в частотной области, т.к. может быть на несколько порядков
выше по производительности, чем во временной области. Она представляет собой
последовательность следующих операций.
1) Перевод сигнала в частотную область: s(t) S(ω).
2) Умножение спектра сигнала на передаточную функцию системы:
Y(ω) = H(ω)·S(ω).
Передаточная функция системы определяется аналогичным преобразованием h(τ)
H(ω) или задается непосредственно в частотном представлении, что позволяет задавать
передаточные функции сколь угодно сложной формы, в том числе с разрывами и
скачками, для которых во временной области потребуются операторы h(τ) с бесконечной
импульсной характеристикой.
3) Перевод спектра обработанного сигнала во временную область:
Y(ω) y(t).
8. Преобразование произведения сигналов y(t) = s(t)·h(t):
Произведение функций в координатной форме отображается в частотном
представлении сверткой Фурье-образов этих функций, с нормировочным множителем
(1/2π), учитывающим несимметричность прямого и обратного преобразования Фурье
функций s(t) и h(t) при использовании угловых частот.

(3.14)
9. Спектральная плотность (прямое преобразование Фурье)
a) гармонической функции s(t) = cos(ω0t)

;
б) радиоимпульса (свойство смещения спектра) позволяет рассчитать
спектральную плотность сигнала s(t), умноженного на гармоническое колебание s1(t)
= s(t)cos(ω0t + φ0).

где GA(jΩ) – спектральная плотность огибающей A(t).


Следовательно возникает расщепление спектра G(jΩ) на две части максимумы
которых возникают на частотах (+ω0) и (–ω0).
в) δ-функции s(t) = δ(t):
G(jΩ) = 1

Дискретное преобразование Фурье (прямое и


обратное). Свойства ДПФ.
Дискретное преобразование Фурье (ДПФ) — один из распространенных
инструментов спектрального анализа сигналов, широко применяемый в самых разных
отраслях науки и техники.
Дискретизация сигнала по времени. Дискретно-временное преобразование
Фурье.

Рассмотрим дискретный сигнал как результат умножения непрерывного

сигнала на решетчатую функцию:

(3)

где – дельта-функция:

(4)
– интервал дискретизации. Графически процесс дискретизации можно
представить, как это показано на рисунке 1.
Рисунок 1. Процесс дискретизации сигнала

Вычислим преобразование Фурье дискретного сигнала , для этого подставим


выражение (3) в выражение для преобразования Фурье (1):

(5)
Поменяем местами операции суммирования и интегрирования и используем
фильтрующее свойство дельта-функции:

(6)
Тогда выражение (5) с учетом (6) принимает вид:
(7)
Таким образом, мы избавились от интегрирования в бесконечных пределах,
заменив его конечным суммированием комплексных экспонент.

Комплексные экспоненты в выражении (7) являются


периодическими функциями с периодом:

(8)

где — частота дискретизации сигнала (Гц).


Необходимо отметить, что исключено из выражения (8), так как
при комплексная экспонента равна единице. Максимальный период повторения

спектра будет при , в этом случае он

равен рад/c.

Таким образом, спектр дискретного сигнала , есть —


периодическая функция циклической частоты , определенная как (7). Если мы введем

нормировку частоты дискретизации Гц, то (7) переходит к выражению


дискретно-временного преобразования Фурье (ДВПФ):

1. (9)

ДВПФ использует только индексы отсчетов входного сигнала при частоте

дискретизации Гц. В результате ДВПФ мы получим периодическую

функцию нормированной циклической частоты .


Поскольку спектр дискретного сигнала — периодическая функция, то можно

рассматривать только один период повторения спектра при

рад/с или при Гц.

Обратное дискретное преобразование Фурье


Аналогично (3) можно записать выражение для дискретного спектра через
решетчатую функцию:

(15)

где — дискретные отсчеты спектра на одном периоде

повторения рад/с.
Подставим (15) в выражение для обратного преобразования Фурье (1):

(16)
где — коэффициент пропорциональности, задача которого — обеспечить
равенство по амплитуде исходного дискретного сигнала и результата ОДПФ.

Коэффициент пропорциональности учитывает коэффициент обратного


преобразования Фурье.
Поменяем местами операции суммирования и интегрирования и учтем
фильтрующее свойство дельта-функции:

2. (17)

Возьмем дискретные отсчеты через интервал сек, тогда (17)


можно записать:
(18)
Учтем (11) и получим:

(19)
Опустив в (19) интервалы дискретизации по частоте и по времени, получим
выражение для ОДПФ, в котором остался неизвестным коэффициент
пропорциональности :

(20)
Для того чтобы рассчитать коэффициент , необходимо в выражение для ОДПФ
(20) подставить выражение для ДПФ (14):

(21)
Поменяем местами в (21) порядок суммирования и объединим экспоненты:

(22)
Рассмотрим подробнее сумму комплексных экспонент входящую в (22).
При имеем:

(23)
Теперь рассмотрим эту же сумму при .
Пусть , тогда:
(24)
Каждая комплексная экспонента, входящая в сумму (24), есть вектор на
комплексной плоскости единичной длины, повернутый на угол:

(25)
Таких векторов будет , и они повернуты относительно друг друга на одинаковые

углы .
Поскольку все векторы выходят из одной точки (из 0 комплексной плоскости) и
повернуты относительно друг друга на одинаковые углы как это показано на рисунке 4
для .

Рисунок 4. Сумма комплексных экспонент


Нетрудно показать, что для всех ,
, , суммы комплексных экспонент (24) равны нулю.
Тогда в выражении (22) от суммы по останется только
слагаемое при , и (22) можно представить в виде:

(26)

Из (26) можно заключить, что .


Таким образом, окончательное выражение для ОДПФ имеет вид:

Свойства ДПФ
. Линейность

Если и , - дискретные сигналы, а и -

их ДПФ, то ДПФ сигнала равно


2. Сдвиг во времени

Если дискретному сигналу , соответствует ДПФ ,

то ДПФ сигнала равно m – целое число. Иными словами, сдвиг отсчётов

последовательности на m интервалов приводит лишь к изменению фазочастотной


характеристики ДПФ. Следует отметить, что в отличие от аналогового сигнала, когда s(t)
целиком сдвигается по оси времени, для дискретного сигнала имеется в виду круговой

сдвиг. Например, при m>0 отсчёты поочерёдно переносятся в


конец последовательности.
3. Свёртка сигналов

Если дискретным сигналам и , соответствуют

ДПФ и , то ДПФ сигнала

(2.48)
называемого круговой (периодической) свёрткой, равно
(2.49)
Полученный результат можно распространить с некоторыми уточнениями и на

случай апериодической (линейной) свёртки, когда дискретные функции и не

являются периодическими и содержат разное число отсчётов ( и ). Очевидно, что

алгоритму число отсчётов в совокупности будет равно Для

получения такого же периода в круговой свёртке необходимо последовательности

и дополнить нулевыми отсчётами, чтобы каждая из них содержала в итоге по N


отсчётов.

Итак, вычисление ОДПФ произведения даёт такой же результат, как

вычисление круговой свёртки сигналов и .


В заключение отметим, что алгоритм вычисления ДПФ (2.46) можно использовать

для вычисления ОДПФ. Для этого необходимо все отсчёты сигнала заменить

отсчётами спектра , поменяв их, кроме , местами: S[1] c S[N-1], S[2] c S[N-2] и
т.д., полученный результат разделить на N.

13.Дискретное преобразование Фурье и частота


сигнала.
Дан аналоговый сигнал , который имеет сплошной спектр

Спектральная плотность дискретизированного по времени сигнала

имеет периодическую структуры с периодом нах по оси частот , т.е. спектр


аналогового сигнала периодически повторяется.
Спектр дискретизированного сигнала по времени (2) будет определяться
следующим выражением

(3)
Если количество выборок конечно и сигнал существует при , то сумма (3)

становится конечной. (4)

где - длительность сигнала; - период дискретизации; - количество


выборок.
Для осуществления цифровой обработки требуется дискретизация сигнала не

только во временной, но и в частотной области. Это означает, что сплошной спектр

должен быть представлен совокупностью своих значений на дискретных

частотах . Такой спектр, получается из сплошного при периодическом

повторении последовательности с периодом . Интервал между

соседними спектральными линиями (5)

Подставляя в выражение (4) получаем

, где при чётном


(6)
Полученное выражение (6) называют дискретным преобразованием Фурье (ДПФ).
Аргументы и обычно называются просто и . Поэтому ДПФ можно записать

, где (7)

в пределах одного периода . Выражение (6) трактовать, как

алгоритм вычисления спектральных коэффициентов по заданным временным

отсчётам . Если велико, то реализовать (6) очень сложно.


Существует алгоритм быстрого преобразования Фурье – реализован в
микросхемах.
Используя дуальность прямого и обратного преобразования Фурье можно ,
основываясь на выражении (7) получить выражение для ОДПФ

, где (8)
Обратное дискретное преобразование Фурье (ОДПФ).
Вывод. Дискретизированному сигналу , где ,

соответствует сложный спектр с периодической структурой. Свойства


непрерывных преобразований Фурье распространяются также и на ДПФ

14. Эффект растекания спектра.


Предположим, что с помощью АЦП регистрируется периодический сигнал.
Обычно длительность записанного сигнала не равна периоду сигнала или целому
количеству периодов сигнала. Какие изменения произойдут в спектре сигнала, если
выполнить дискретное преобразование Фурье записанного сигнала, длительность
которого не равна целому числу периодов исходного сигнала?
Периодический сигнал имеет дискретный спектр, то есть он может быть
представлен как линейная комбинация гармонических функций. Поэтому достаточно
рассмотреть, какие изменения в спектре произойдут в спектре одной гармонической

функции. В разделе про дискретное преобразование Фурье говорилось, что сигнал –


это ровно один период сигнала. То есть в данном случае зарегистрированный отрезок
периодического сигнала должен быть периодически продолжен, при этом периодом
повторения должна быть длительность всей записи сигнала. Если длительность записи
отлична от периода сигнала, который записывали, то при периодическом повторении
записи сигнала произойдёт искажение формы сигнала, соответственно и его спектра.

Например, регистрировался синусоидальный сигнал с периодом , а


длительность записи равна , причём , где – целое число. Тогда при
периодическом повторении записи сигнала (рис. 3) появятся разрывы первого рода, так
как значения сигнала в начале и конце записи разные.

Рис. 3. Периодически повторяющийся отрезок сигнала.


На рис. 3 сплошной линией показан отрезок записанного сигнала, а штрихованной
линией его периодическое продолжение. Период повторения равен . Отрезок
записанного сигнала можно также интерпретировать как исходный сигнал, свёрнутый с
прямоугольным импульсом, определяющий отрезок времени, в который была сделана
запись. Тогда согласно свойствам преобразования Фурье спектр записанного сигнала
будет произведением исходного спектра со спектром прямоугольного импульса (рис. 4).

Рис. 4. Амплитудные спектры отрезков синусоиды, целое число периодов (сверху),


нецелое (снизу).

15. Быстрое преобразование Фурье с


прореживанием по времени. Оценка сложности
ДПФ и БПФ.
Aлгоритм быстрого преобразования Фурье (БПФ) - это оптимизированный по
скорости способ вычисления ДПФ. Основная идея заключается в двух пунктах.
1. Необходимо разделить сумму (1) из N слагаемых на две суммы по N/2
слагаемых, и вычислить их по отдельности. Для вычисления каждой из подсумм, надо их
тоже разделить на две и т.д.
2. Необходимо повторно использовать уже вычисленные слагаемые.
Применяют либо "прореживание по времени" (когда в первую сумму попадают
слагаемые с четными номерами, а во вторую - с нечетными), либо "прореживание по
частоте" (когда в первую сумму попадают первые N/2 слагаемых, а во вторую -
остальные). Оба варианта равноценны. В силу специфики алгоритма приходится
применять только N, являющиеся степенями 2. Рассмотрим случай прореживания по
времени.
16. Быстрое преобразование Фурье с
прореживанием по частоте. Оценка сложности ДПФ и
БПФ.
Алгоритм БПФ с прореживанием по частоте

Пусть имеется отсчетов входного сигнала , , при

этом представляет собой целую степень двойки .


В алгоритме БПФ с прореживанием по времени производилось разделение
исходного сигнала в соответствии с двоично-инверсной перестановкой. Таким образом,
мы получили первую и вторую половины дискретного преобразования Фурье (ДПФ).

В алгоритме с прореживанием по частоте исходный сигнал

, , делится пополам, т.е. и

, .

Тогда ДПФ сигнала может быть записано в виде:

(1)

Рассмотрим выражение (1) для спектральных отсчетов

, , с четными индексами:

(2)
Учтем в выражении (2), что , а

также , тогда получим:

(3)

Таким образом, спектральные отсчеты , , с четными

индексами есть точечное ДПФ сигнала .

Аналогично рассмотрим выражение (1) для спектральных отсчетов

, , с нечетными индексами:

(4)

Учтем в выражении (4), что , а также,

что . Тогда выражение (4) можно


представить в виде:

(5)

Спектральные отсчеты , , с нечетными

индексами есть точечное ДПФ

сигнала .
Таким образом, процедура разделения заключается в расчете сигналов половинной

длительности и , . После чего можно заменить

точечное ДПФ двумя точечными ДПФ сигналов и .

17. Цифровые фильтры. Обобщенная схема


цифрового фильтра. Общая схема линейных
стационарных фильтров.
Цифровой фильтр – это устройство или программа, или дифференциальный
оператор, который выделяет из спектра сигнала определенные частоты и удаляет
остальные.

Полоса пропускания полоса перехода дальше еще есть полоса подавления


Импульсная характеристика (ИХ) – реакция фильтра на мгновенный импульс, то
есть на дельту функцию.

Амплитудно-частотная характеристика (АЧХ) – зависимость амплитуды выходного


сигнала от спектра входного сигнала:
Фаза-частотная характеристика (ФЧХ) – зависимость фазы входного сигнала от
спектра входного.
Передаточная функция (ПФ) – это дифференцируемый или матричный оператор,
описывающий зависимость выходного сигнала от входного.

18. Цифровые фильтры. Основные характеристики


цифровых фильтров.
Цифровой фильтр – это устройство или программа, или дифференциальный
оператор, который выделяет из спектра сигнала определенные частоты и удаляет
остальные.

Полоса пропускания полоса перехода дальше еще есть полоса подавления


Импульсная характеристика (ИХ) – реакция фильтра на мгновенный импульс, то
есть на дельту функцию.

Амплитудно-частотная характеристика (АЧХ) – зависимость амплитуды выходного


сигнала от спектра входного сигнала:
Фаза-частотная характеристика (ФЧХ) – зависимость фазы входного сигнала от
спектра входного.
Передаточная функция (ПФ) – это дифференцируемый или матричный оператор,
описывающий зависимость выходного сигнала от входного.

19. Преобразование Лапласа. Связь преобразований


Лапласа и Фурье.
Преобразова́ние Лапла́са (ℒ) — интегральное преобразование, связывающее
функцию F(s) комплексного переменного (изображение) с функцией f(x) вещественного
переменного (оригинал). С его помощью исследуются свойства динамических систем и
решаются дифференциальные и интегральные уравнения.
Одной из особенностей преобразования Лапласа, которые предопределили его
широкое распространение в научных и инженерных расчётах, является то, что многим
соотношениям и операциям над оригиналами соответствуют более простые соотношения
над их изображениями. Так, свёртка двух функций сводится в пространстве изображений
к операции умножения, а линейные дифференциальные уравнения становятся
алгебраическими.
Прямое преобразование Лапласа
Преобразованием Лапласа функции вещественной переменной f(t) называется F(s)

комплексной переменной такая что:

Правая часть этого выражения называется интегралом Лапласа.


Обратное преобразование Лапласа
Обратным преобразованием Лапласа функции комплексного переменного F(s)
называется функция f(t) вещественной переменной, такая что:

Где - некоторое вещественное число (см. условия существования). Правая часть


этого выражения называется интегралом Бромвича.
Двустороннее преобразование Лапласа — обобщение на случай задач, в которых
для функции f(x) участвуют значения x <0.
Двустороннее преобразование Лапласа определяется следующим образом:

Дискретное преобразование Лапласа. Применяется в сфере систем компьютерного


управления. Дискретное преобразование Лапласа может быть применено для решётчатых
функций.
Различают D -преобразование и Z -преобразование.
D –преобразование:

Пусть — решётчатая функция, то есть значения


этой функции определены только в дискретные моменты времени nT, где n — целое
число, а T — период дискретизации.
Тогда, применяя преобразование Лапласа, получим:

Z –преобразование. Если применить следующую замену переменных:

получим Z-преобразование:

Преобразование Лапласа находит широкое применение во многих областях


математики (операционное исчисление), физики и техники:
Решение систем дифференциальных и интегральных уравнений — с помощью
преобразования Лапласа легко переходить от сложных понятий математического анализа
к простым алгебраическим соотношениям.
Расчёт передаточных функций динамических систем, таких, к примеру, как
аналоговые фильтры.
Расчёт выходных сигналов динамических систем в теории управления и обработке
сигналов.
Расчёт электрических схем. Производится путём решения дифференциальных
уравнений, описывающих схему операторным методом.

20. Фильтрующее свойство дельта-функции.

Дельта-функция обладает фильтрующим свойством. Суть его заключается в том,


что если дельта-функция d(t-t) входит под интеграл какой-либо функции в качестве
множителя, то результат интегрирования равен значению подынтегральной функции в
точке t расположения дельта-функции, т. е.:

ò s(t) d(t-t) dt=s(t).

Пределы интегрирования в этом выражении можно ограничить ближайшими


окрестностями точки t.

21. Преобразование Лапласа от дискретного


сигнала.
Дискретное преобразование Лапласа. Применяется в сфере систем компьютерного
управления. Дискретное преобразование Лапласа может быть применено для решётчатых
функций.
Различают D -преобразование и Z -преобразование.
D –преобразование:

Пусть — решётчатая функция, то есть значения


этой функции определены только в дискретные моменты времени nT, где n — целое
число, а T — период дискретизации.
Тогда, применяя преобразование Лапласа, получим:

Z –преобразование. Если применить следующую замену переменных:

получим Z-преобразование:

Преобразование Лапласа находит широкое применение во многих областях


математики (операционное исчисление), физики и техники:
Решение систем дифференциальных и интегральных уравнений — с помощью
преобразования Лапласа легко переходить от сложных понятий математического анализа
к простым алгебраическим соотношениям.
Расчёт передаточных функций динамических систем, таких, к примеру, как
аналоговые фильтры.
Расчёт выходных сигналов динамических систем в теории управления и обработке
сигналов.
Расчёт электрических схем. Производится путём решения дифференциальных
уравнений, описывающих схему операторным методом.
22. S-плоскость и Z-плоскость.
23. Передаточная функция фильтра в Z-
плоскости.
24. Z-преобразование: определение, области
сходимости, свойства, примеры вычисления.
Z-преобразованием (преобразованием Лорана) называют свёртывание исходного
сигнала, заданного последовательностью вещественных чисел во временной области, в
аналитическую функцию комплексной частоты. Если сигнал представляет импульсную
характеристику линейной системы, то коэффициенты Z-преобразования показывают

отклик системы на комплексные экспоненты то есть на


гармонические осцилляции с различными частотами и скоростями нарастания/затухания.
Z-преобразование, как и многие интегральные преобразования, может быть задано
как одностороннее и двустороннее.
Двустороннее Z-преобразование X(z) дискретного временного сигнала x[n]
задаётся как:

Одностороннее Z-преобразование. В случаях, когда x[n] определена только для


n>=0, одностороннее Z-преобразование задаётся как:
25. Z-преобразование и сверточное представление
сигнала.
26. Обратное Z-преобразование: метод
интегрирования по контуру, разложение на
элементарные дроби, метод степенных рядов.
Обратное Z-преобразование определяется, например, так:

Оценить