PROCESSAMENTO DIGITAL DE

SINAIS

Professor : Valner Brusamarello

(brusamarello.valner@gmail.com)
OBJETIVO E PROGRAMA DA DISCIPLINA
Objetivo: Propiciar ao aluno os conhecimentos da teoria
fundamental do processamento digital de sinais,
permitindo-lhe as condições básicas para a realização de
projetos e pesquisas científicas na área.

O Programa está composto das seguintes unidades:

0. Apresentação Disciplina
1. Sinais e Sistemas de Tempo Discreto
2. Análise de Fourier de Tempo Discreto
3. A Transformada Z
4. Desenvolvimento e aplicações com MATLAB
5. A Transformada Discreta de Fourier
6. Desenvolvimento e aplicações com LabVIEW
7. Estruturas de Filtros Digitais
8. Projeto de Filtros FIR
9. Projeto de Filtros IIR
10. Aplicações e arquiteturas de processadores de DSP*
 BIBLIOGRAFIA
Bibliografia Básica
[1] Diniz, P. S. R.; Barros da Silva, E. A. & Lima Netto, S. (2002):
Processamento Digital de Sinais – Projeto e Análise de Sistemas. Bookman –
Artmed Editora, Porto Alegre, RS.
[2] Monson Hayes (2006): “Processamento Digital de Sinais – Coleção
Schaum”. Bookman – Artmed Editora, Porto Alegre, RS.
[3] Oppenheim & Schaffer (1989): Discrete-Time Signal Processing. Prentice-
Hall, Inc, NJ-Oppenheim & Schaffer (1999): Discrete-Time Signal Processing.
2.ed. Prentice-Hall, Inc, NJ.

Bibliografia Complementar
[1] Proakis & Monalakis (1989): Introduction to Discrete-Time Signal
Processing. Mac Millan Press, Inc.
[2] Van den Enden & Werhockx (1989): Discrete-Time Signal Processing: An
Introduction. Prentice-Hall Inc, NJ.
[3] Notas de aula disponibilizadas pelo professor da disciplina.
 PROCESSAMENTO DE SINAIS
Processamento analógico :

Sinal Processador Sinal

analógico de analógico de analógico de
entrada sinais saída

Processamento digital :

Sinal Processador Sinal

analógico A/D digital de D/A analógico
de entrada sinais de saída
VANTAGENS DO PROCESSAMENTO DIGITAL
„ Flexibilidade (reprogramável em tempo real)
„ Portabilidade (software)
„ Estabilidade (indep. do ambiente)
„ Exatidão (tolerância de componentes X nº de bits)
„ Maior imunidade a ruído (0 ou 1)
„ Transportabilidade (processamento “off-line”)
„ Operações mais sofisticadas (ex. Cancelador de eco)
„ Custo reduzido (VLSI e flexibilidade)

Limitação: Altas freqüências (microondas)

CATEGORIAS DO PROCESSAMENTO
DIGITAL DE SINAIS
Sinal digital (digitalizado)

FILTRO
ANÁLISE
DIGITAL

Medidas – geralmente no Geralmente é uma operação

domínio frequência. Ex.: no tempo. Ex.: remoção de
análise espectral de sinais, ruído, separação de bandas
análise de sinal de voz, ect de frequência, etc
„
Sinais de tempo discreto
Sinais e sistemas podem ser contínuos ou discretos no tempo e na amplitude..
O gráfico 1 corresponde a um sinal totalmente contínuo no tempo e na
amplitude.
„ O gráfico 2 corresponde a um sinal contínuo na amplitude e discreto no
tempo.
„ O gráfico 3 é contínuo no tempo porém só pode assumir alguns valores de
amplitude bem determinados, e portanto é um sinal discreto na amplitude.
„ O gráfico 4 representa um sinal discreto no tempo e na amplitude, pois só
pode assumir alguns valores de amplitude em intervalos de tempo bem
definidos.
 Sinais de tempo discreto
„ Para representar sinais amostrados no tempo é muito comum
simplificar a notação de amostragem do sinal analógico utilizando
apenas o índice “n” para indicarem qual amostra estamos trabalhando.
„ Por exemplo, se um sinal X(t) é amostrado a uma freqüência de
amostragem Fs=100Hz, e estamos na amostra 50, representamos isto
por X[50], o que significa dizer que, com relação ao tempo, estamos
medindo o sinal X(50*0.01).
„ Trabalhamos considerando as amostras igualmente espaçadas no
tempo.
 Sinais de tempo discreto
„ Uma sequência indexada de números reais ou complexos.
„ É uma função de uma variável de valor inteiro n.
„ n representa o número de amostras espaçadas no tempo. Assim x[n] é
uma representação no tempo.
„ Indefinida para valores de n “não inteiros”
„ Obtidos com um conversor AD.
„ O tempo entre uma amostra e outra é definido pela frequência de
aquisição fsampling
 Sequências complexas
„ Um sinal em tempo discreto pode apresentar valor
complexo.
BREVE REVISÃO DE NÚMEROS COMPLEXOS

Pergunta: Na álgebra básica, de onde “NASCEM” os

números complexos?
Resposta: Das raízes das equações de 2.º grau, sempre
que b2 < 4ac !
Exemplo (fazer no quadro!) :
Vamos encontar as raízes (x = x0 f ( x0 ) = 0 ) das funções :
f ( x) = x + 2 x + 2
2
(a = 1, b = 2, c = 2)
− f ( x) = − x 2 − 2 x − 2 (a = −1, b = −2, c = −2)
raizes_complexas.m
BREVE REVISÃO DE NÚMEROS COMPLEXOS

Plano complexo (cartesiano) : z = a + jb

Conjugado? → z = a − jb
*

Plano complexo (polar) : z = r∠θ

Conjugado? → z = r∠ − θ
*

Relação entre a forma polar e a = r cos(θ )

a → forma cartesiana?
(desenhar no quadro!) b = r sen(θ )
⎛b⎞
Cartesiano → Polar : z = a + b ∠ arctan⎜ ⎟
2 2

⎝a⎠
Polar → Cartesiano : z = r cos(θ ) + jr sen(θ )
IDENTIDADE DE EULER
Em 1748, na publicação Introductio in Analysin
Infinitorum, o matemático Leonhard Euler (1707–1783)
estabeleceu a equação (identidade) que seria uma das
mais importantes para o estudo da teoria de
telecomunicações:
jθ
e = cos(θ ) + j sen(θ ) , j = − 1
Para se ter uma idéia da importância desta equação, basta
lembrar que no núcleo da Série e da Transformada de
Fourier, tanto para sinais contínuos como discretos, está
presente uma exponencial complexa.

[ ] jθ
z = r cos(θ ) + j sen(θ ) ⇒ z = re ! (FASOR)
Tema de casa - Só com a identidade de Euler, prove:
(Obs.: Pode–se usar os resultados já provados para provar os seguintes...)

e jθ + e − j θ e jθ − e − j θ
1. cos(θ ) = ; sen(θ ) =
2 2j
1 1
2. cos (θ ) = [1 + cos(2θ )] ; sen (θ ) = [1 − cos(2θ )]
2 2

2 2
3. cos 2 (θ ) + sen 2 (θ ) = 1 ; cos 2 (θ ) − sen 2 (θ ) = cos(2θ )
1
4. sen(α )sen( β ) = [cos(α − β ) − cos(α + β )]
2
1
5. cos(α )cos( β ) = [cos(α − β ) + cos(α + β )]
2
1
6. sen(α )cos( β ) = [sen(α − β ) + sen(α + β )]
2
Tema de casa - Usando as identidades de n.º 4 a 6, prove:

7. cos(α − β ) = sen(α )sen( β ) + cos(α )cos( β )

8. cos(α + β ) = cos(α )cos( β ) − sen(α )sen( β )
9. cos(2θ ) = cos (θ ) − sen (θ )
2 2

10. sen(α − β ) = sen(α )cos( β ) − sen( β )cos(α )

11. sen(α + β ) = sen(α )cos( β ) + sen( β )cos(α )
12. sen (2θ ) = 2sen (θ ) cos(θ )
EXPANSÃO EM SÉRIES

Expansão em séries de Taylor de f(x) centrada em a:

com | x − a | < R , onde

Considerando f(x)=ex com a=0

Para qualquer x no intervalo

Em x=1
EXPANSÃO EM SÉRIE – EXERCÍCIO
∞ n 2 3 4 5
x x x x x
ex = ∑ = 1+ x + + + + "
n = 0 n! 2! 3! 4! 5!
Exercício : Com base na expansão em série acima
e nas identidades de n.o 1 do slide anterior, prove
que as expansões em série para sen( x) e cos( x) são :
x3 x5 x7 x9
sen( x) = x − + − + "
3! 5! 7! 9!
2 4 6 8
x x x x
cos( x) = 1 − + − + "
2! 4! 6! 8!
FREQÜÊNCIAS POSITIVAS E NEGATIVAS (?!)

Fasor girando no sentido

anti - horário : θ (t ) = ω c t
Fasor girando no sentido
horário : θ (t ) = −ω c t
onde ω c = 2πf c t (rad/s) , f c em Hz.

fasor_girando.m
Sequências Fundamentais
1. Impulso unitário : {...,0,0,1,0,0,...}
↑
⎧1 , n = 0 ⎧1 , n = n0
δ ( n) = ⎨ δ (n − n0 ) = ⎨
⎩0 , n ≠ 0 ⎩0 , n ≠ n0

2. Degrau unitário : {...,0,0,1,1,1,...}

↑
⎧1 , n ≥ 0 ⎧1 , n ≥ n0
u ( n) = ⎨ u (n − n0 ) = ⎨
⎩0 , n < 0 ⎩0 , n < n0
Sequências Fundamentais
Sequências Fundamentais
É muito importante notar que quando se
fala de freqüências que vão de 0 à 2 π
radianos estamos falando em freqüências
normalizadas. Todos os sinais ao serem
representados apenas pelo número de sua
amostra (x[0], x[1]...), sofrem uma
normalização, pois se não soubermos
qual foi a freqüência de amostragem
utilizada para gerar a seqüência, então
não podemos dizer qual a freqüência real
do sinal analógico
que originou tal seqüência.
Por sofrer esta normalização, todos os
sinais podem
ser tratados da mesma forma e são
representados completamente por
freqüências nesta faixa de valores
independentemente da freqüência do
sinal analógico original.
 TIPOS DE SEQÜÊNCIAS
3. Exponencial real : x(n) = a n , ∀n; a ∈ R
4. Exponencial complexa : x(n) = e (σ 0 + jω 0 ) n , ∀n;
onde σ 0 é denominado atenuação
e ω 0 é a freqüência em radianos.

5. Senoidal : x(n) = cos(ω 0 n + θ ) , ∀n;

Sequências
„ Exemplo de um sinal
contínuo e discreto.

„ Se ts=0,05, então fo=1

kHz.
Sequências
„ Exemplo: x1[n], x2[n]
e x[n]= x1[n]+x2[n]
 Sequências
„ A sequência pode ser infinita ou finita, designada em um intervalo
[N1,N2].

6. Periódica ( ~
x (n)) : A seqüência x(n) é periódica se
x(n) = x(n + N ) , ∀n
O menor inteiro N ( N > 0) que satisfaz a relação acima é
chamado de período fundamental
„ x1 [n] e x2[n] são aperiódicas.
„ X3[n] é periódica com período
N=16.
 Sequências simétricas
„ Um sinal de valor real é dito par se:
„ E é dito ímpar se:
„ Qualquer sinal pode ser decomposto
em:
„ Para encontrar a parte par:
„ Para encontrar a parte ímpar:
Amplitude, Magnitude, Potência
„ Amplitude: pode ser positivo ou negativo.
„ Magnitude: O quanto o valor se afasta de zero (sempre positivo).
„ Potência: A potência de um sinal é proporcional a sua amplitude ao
quadrado. Considerando uma constante unitária, temos o valor relativo
de potência! Devido ao fato de elevar ao quadrado a amplitude, é fácil
distinguir dois sinais com amplitudes diferentes:
Operações sobre sequências
„ Transformações da variável independente
„ Frequentemente manipula-se o índice n
„ f(n) é uma função de n
„ Transformações mais comuns:
‹ Deslocamento: Se no for positivo, o sinal é
deslocado no amostras a direita (atraso):

‹ Inversão: faz o espelhamento do sinal

‹ Escalamento de tempo: down-sampling:

Up-sampling:
Operações sobre sequências
 OPERAÇÕES SOBRE SEQÜÊNCIAS
Adição: É feita somando-se amostras de mesmo índice
{ x1 (n)} + { x2 (n)} = { x1 (n) + x2 (n)}

Multiplicação: Produto das amostras de mesmo índice

{ x1 (n)} ⋅ { x2 (n)} = { x1 (n) x2 (n)}
„ Escalamento: escalamento da amplitude de x[n]
por uma constante c.
OPERAÇÕES SOBRE SEQÜÊNCIAS

n2
Soma de amostras: ∑ x(n) = x(n ) + ... + x(n
n = n1
1 2 − 1) + x(n2 )

n2
Produto de amostras : ∏ x (n) = x (n ) × " × x (n
n1
1 2 − 1) × x (n2 )

∞ ∞

∑ x ( n) x ( n) = ∑
2
Energia : Ex = *
x ( n)
n =−∞ n =−∞

1 N −1
Px = ∑ x(n)
2
Potência do sinal :
N n=0
Simbologia
 SÍNTESE DE SEQÜÊNCIAS
∞
• Síntese por impulsos : x(n) = ∑ x(k )δ (n − k )
k = −∞
„ O impulso ou amostra unitária pode ser utilizada para decompor um
sinal arbitrário x[n] em uma soma de amostras unitárias ponderadas e
deslocadas:
 A SÉRIE GEOMÉTRICA

{ }
∞
1
x ( n) = α , n ≥ 0 : ∑ α →
n n
, para α < 1
n =0 1−α

N −1 ⎧ 1−α N
⎪ , ∀α ≠ 1
∑ α = ⎨ 1−α
n

n =0 ⎪⎩ N , α =1
CORRELAÇÃO ENTRE SEQÜÊNCIAS

∞
Correlação cruzada : rxy (k ) = ∑ x ( n) y ( n − k )
n = −∞

∞
Autocorrelação : rxx (k ) = ∑ x ( n) x ( n − k )
n = −∞
 SISTEMAS de Tempo Discreto
y (n) = T [x(n)]
„ É um operador matemático que transforma um sinal de entrada em
outro sinal – de saída.

Um sistema é aditivo se: e homogêneo se:

T []
⋅ é linear se for aditivo e homogêneo
8 simultaneamente:
T [a1 x1 (n) + a2 x2 (n)] = a1T [x1 (n)] + a2T [x2 (n)]
∀ a1 , a2 , x1 (n) , x2 (n)
 SISTEMAS LINEARES
„ Aplicando na decomposição de x[n]:

„ Como os coeficientes x[k] são constantes, usamos a propriedade de

homogeneidade:

„ Definindo hk[n] como sendo a resposta do sistema a uma amostra

unitária no tempo n=k

„ Somatório de superposição.
Lienaridade
Exemplo de sistema linear

„ b) seno 1 Hz, fs=32 Hz.

„ c) seno 3 Hz.
„ d) soma dos dois
sinais, e demostração
de que o sistema é
linear.
Exemplo de sistema não linear

„ Se a e b representam os sinais de 1 e 3
Hz:

„ a2 e b2 geram componentes em (0 e 2 Hz)

e (0 e 6 Hz). O termo ab 2 e 4 Hz:
Sistemas sem memória
„ Um sistema é dito sem memória se a saída no
tempo n-no depender apenas da entrada nesse
tempo, assim podemos determinar y[no] a partir
de x[no] apenas.

„ Sem memória: Com memória:

Sistemas Invariantes ao deslocamento
„ Se um deslocamento na entrada de no amostras corresponder a um
deslocamento de no amostras na saída.
„ Ou seja temos uma saída y[n-no] para uma entrada x[n-no]
„ Para testar a invariância ao deslocamento é preciso testar y[n-no] para
T{x[n-no]}
„ A resposta y[n] para a entrada x[n]:
„ Teste:

„ Outro exemplo: seja

„ Porém para
„ O que é diferente de ou seja esse é um sistema
variante no tempo.
Invariância ao deslocamento
Sistemas invariantes ao tempo
„ A entrada na letra
c) está defasada
de 4 amostras.
Sistemas Lineares Invariantes no Tempo (ou ao
deslocamento)
„ Se h[n] for a resposta do sistema LTI a amostra unitária , então a
resposta a δ[n-k] será h[n-k]

x ( n ) → L [⋅] → y ( n ) → Desloc. de k → y (n − k )

x ( n ) → Desloc. de k → x ( n − k ) → L [⋅] → y ( n − k )

∞
y (n) = LIT [x(n)] = ∑ x ( k ) h( n − k )
k = −∞

y ( n) ≡ x ( n) ∗ h( n)
Resposta de um sistema ao impulso
„ Se conhecermos a
resposta ao impulso de
um sistema, podemos
caracterizar a saída do
mesmo para qualquer
entrada.
CAUSALIDADE E ESTABILIDADE
Sistema causal: Saída não depende de valores futuros da entrada. Se para qualquer no
a resposta no tempo no depender apenas dos valores de entrada até no.

h(n) = 0 , n < 0
n ∞
⇒ y (n) = ∑ x(k )h(n − k ) = ∑ h(k ) x(n − k )
k = −∞ k =0
Ex. sistema causal Ex. sistema não causal

Sistema estável (BIBO): Entrada limitada ⇒ Saída Limitada

x ( n) < ∞ ⇒ y ( n) < ∞ , ∀ x , y
∞ ∞
⇔ ∑ h(n) < ∞ Se sist. causal ⇒ lim N →∞ ∑ h( n) = 0
−∞ n= N
Resposta ao impulso absolutamente somável.
Estabilidade
„ Um sistema LTI com resposta a amostra unitária
h[n]=anu[n], será estável sempre que |a|<1:

„ Um exemplo de sistema instável:

„ Veja que nesse caso a resposta é ilimitada!

Convolução
„A relação entre a entrada e a saída de um LTI é dada pela soma de
convolução.

„ Tabela útil – séries comuns

Convolução
„ Exemplo
Convolução
„ X[k]h[-k]=y[0]=1
„ Deslocando h[-k] a direita
temos h[1-k].
„ X[k]h[1-k]=y[1]=3.
„ X[k]h[2-k]=y[2]=6.
„ X[k]h[3-k]=y[4]=5.
„ X[k]h[4-k]=y[4]=3.
„ X[k]h[5-k]=y[5]=0.
Convolução

„ Seja o sinal de entrada x[n]

Convolução
Convolução
Convolução

„ Convolução utilizada para um filtro passa-baixas e um filtro passa-altas.

O sinal de entrada é a soma de um seno com uma rampa ascendente. A
resposta ao impulso em a) é um arco suave, fazendo com que passem a
saída apenas componentes de baixa frequência. No caso b) apenas as
componentes de alta frequência é que passam a saida.
Convolução

„ O atenuador inversor (a) gira o sinal de “cabeça para baixo” e reduz sua
amplitude. Em (b) temos o derivador da sequência.
Equação de diferenças
„ Um sistema linear e invariante ao deslocamento também pode ser
descrito por uma equação de diferenças com coeficientes constantes.

„ a[k] e b[k] são constantes que definem o sistema

„ Se tiver um ou mais termos diferente de zero é recursiva
„ Para um LSI, não recursivo com a[k]=0 a resposta a amostra unitária:

„ Se h[n] tem comprimento finito, então o sistema é FIR (Finite Impulse

response).
„ Se a[k]≠0 a resposta a amostra unitária é geralmente infinita e o sitema
é IIR (Infinite Inpulse Response)
SISTEMAS FIR E SISTEMAS IIR

Um sistema LIT causal terá resposta impulsiva finita (FIR) se :

M
h( n) = 0 , n < 0 e n > M ⇒ y ( n) = ∑ h( k ) x ( n − k )
k =0

Caso contrário, terá resposta impulsiva infinita (IIR) :

∞
y ( n) = ∑ h( k ) x ( n − k )
k =0
EQUAÇÕES DE DIFERENÇAS
Um Sistema LIT discreto pode ser descrito por :

N M

∑ a y (n − l ) = ∑ b
l =0
l
m =0
m x ( n − m) , ∀ n

ou de forma equivalente por :

M N
y (n) = ∑ bm x(n − m) − ∑ al y (n − l )
m =0 l =1
Equações de diferenças
„ Solução homogênea + solução particular

„ A solução homogênea é encontrada resolvendo a

equação de diferenças homogênea.

„ A solução pode ser determinada fazendo yh=zn. E

substituindo:
 Equações de diferenças
„ Se os coeficientes a(k) forem reais, essas raízes ocorrem em
conjugados complexos.
„ Se zi for uma raiz de multiplicidade m e as restantes m-p raízes forem
distintas a solução homogênea é:

„ Para determinar a solução particular é necessário encontrar a yp[n]

que satisfaz a equação de diferenças para a x[n] dada. Veja tabela
Equações de diferenças
„ Exemplo sabendo que
determinar a solução de
Solução particular:

Para a solução homogênea:

RESPOSTA NATURAL E RESPOSTA FORÇADA
x(n) y(n)
+
y(n-1)
α Z-1

Exemplo : y (n) = αy (n − 1) + x(n)

y (0) = αy (−1) + x(0)
y (1) = αy (0) + x(1) = α 2 y (−1) + αx(0) + x(1)
# #
y (n) = α n +1 y (−1) + α n x(0) + α n −1 x(1) + " + αx(n − 1) + x(n)
n
y (n) = α n +1 y (−1) + ∑ α k x(n − k ) , n ≥ 0
k =0