Transformada Discreta de Fourier

Transformada discreta de Fourier
Dr. Ing. Leonardo Rey Vega

Se
nales y Sistemas (66.74 y 86.05)
Facultad de Ingeniera
Universidad de Buenos Aires
Agosto 2013
Se
1/39
Resumen
Repaso de serie discreta de Fourier
Transformada discreta de Fourier (DFT)
Propiedades de la transformada discreta de Fourier
C
alculo eficiente de la DFT
An
alisis de se
nales y sistemas mediante la DFT
Se
2/39
Por que la Transformada Discreta de Fourier (DFT)?

En clases anteriores vimos que la transformada de Fourier es una importante
herramienta de an
alisis para sistemas y se
nales en tiempo continuo y discreto.
Por eso es importante contar con un instrumento que permita calcular en forma
eficiente la transformada de Fourier de una se
nal!!
Notar que a trav
es del teorema del muestreo, podemos en principio pensar
directamente en el c
alculo de transformadas de Fourier de tiempo discreto Por
qu
e??
Aqu aparece la Transformada Discreta de Fourier (DFT), que es b
asicamente un
muestreo equispaciado en frecuencia de la transformada de Fourier de una
secuencia de tiempo discreto!! El gran punto a favor de la DFT es que existen
algoritmos computacionalmente muy eficientes para el c
alculo de la misma que son
conocidos colectivamente como algoritmos FFT (Fast Fourier Transform)!!
A continuaci
on veremos que la DFT est
a intimamente relacionada con la serie de
Fourier de una secuencia discreta!!
Se
3/39
Serie discreta de Fourier I

Una se
nal peri
odica en tiempo discreto satisface:
x
[n] = x
[n + N ], n Z
donde N es el periodo. Consideremos las exponenciales discretas con frecuencias
fundamentales 2
k:
N
kn
WN
= ej
j 2
N
donde hemos definido WN = e
2 kn
N
, kZ
. Tenemos que
(pN +k)n
kn
WN
= WN
, p Z
S
olo existen N exponenciales discretas distintas con frecuencia fundamental
0 = 2
!! Esto es sustancialmente diferente al caso continuo!!
N
Podemos escribir (cambiamos levemente la definici
on que consideramos hace unas
clases):
N
1
X
kn
a[k] =
x
[n]WN
, Ecuaci
on de an
alisis
n=0
x
[n] =
N 1
1 X
kn
a[k]WN
, Ecuaci
on de sint
esis
N k=0
Se
4/39
Serie discreta de Fourier II

Algunas consideraciones:
FS
Denotaremos x
[n] a[k].
Es claro que los coeficientes de Fourier satisfacen a[k] = a[k + rN ], r Z
como era de esperarse por las propiedades de las exponenciales discretas. Es
decir los coeficientes de Fourier, pensados como secuencias indexadas en k
son tambi
en una secuencia peri
odica de perodo N .
Sea x = [
x[0] x
[1] . . . x
[N 1]]T y a = [a[0] a[1] . . . a[N 1]]T . Podemos
escribir:
a = Wx
x=
donde es claro que W1 =
W=
1
1
1
..
.
1
1
j 2
N
j 2
2
N
e
e
..
.
ej
2 (N 1)
N
1
N
1
WH a
N
WH y
...
...
...
..
.
...
Se
j 2
(N 2)
N
j 2
2(N 2)
N
j 2
(N 1)
N
j 2
2(N 1)
N
e
e
e
e
..
.
ej
2 (N 1)(N 2)
N
..
.
ej
2 (N 1)(N 1)
N
5/39
Serie discreta de Fourier III

Tenemos las siguientes propiedades que son relativamente f
aciles de probar:
FS
FS
Linealidad: si x
[n] a[k] y y[n] b[k] con x
[n] e y[n] secuencias
peri
odicas de peri
odo N tenemos:
FS
x[n] + y[n] a[k] + b[k]

FS
Desplazamiento temporal: si x
[n] a[k] entonces la versi
on desplazada
x
[n m] de la secuencia temporal cumple con:
FS
km
x
[n m] WN
a[k] = ej
2 km
N
a[k]
FS
Dualidad: si x
[n] a[k] entonces:
FS
a[n] N x
[k]
FS
Simetra conjugada: x
[n] a[k] entonces:
FS
x
[n] a [k]
Se
6/39
Serie discreta de Fourier IV

Tenemos tambi
en la siguiente propiedad que analizaremos con un poco m
as de
detalle:
FS
FS
Si x
[n] a[k] y y[n] b[k] con x
[n] e y[n] secuencias peri
odicas de
peri
odo N . Tenemos que:
z[n] = x
[n] ~ y[n] =
N
1
X
FS
x
[m]
y [n m] a[k]b[k]
m=0
La convoluci
on peri
odica de secuencias de tiempo discreto peri
odicas se
corresponde con la multiplicaci
on de sus respectivos coeficientes de Fourier!!
La prueba de este resultado es muy simple y se deja como ejercicio. Es importante
analizar sin embargo la mec
anica de la convoluci
on peri
odica un poco m
as en
detalle. Tener en cuenta que:
La suma de convoluci
on se realiza en el intervalo finito 0 m N 1 (en
realidad se puede realizar en cualquier intervalo de largo N ).
Las secuencias x
[n] e y[n] est
an definidas fuera del intervalo 0 m N 1
y se repiten peri
odicamente fuera de
el.
Se
7/39
Serie discreta de Fourier V
Se
8/39
Serie discreta de Fourier VI

Para el caso de una secuencia peri
odica x
[n] con periodo N tenemos que la
transformada de Fourier de tiempo discreto de la misma se puede escribir como:
j ) =
X(e

X
2
2k
a[k]
N
N
k=
Es f
acil verificar:
x
[n]
=
=
1
2
1
N
j )ejn d
X(e
2
a[k]

k=

2
ejn d

N
N 1
2
1 X
a[k]ej N kn
N k=0
Consideremos una se
nal x[n] que es cero para n < 0 y n N . Sea tambi
en:
p[n] =
[n lN ]
l=
Se
9/39
Serie discreta de Fourier VII

Consideremos la se
nal dada por x
[n] = x[n] p[n]. Es claro que podemos escribir:
x
[n] =
x[n lN ]
l=
Vemos que x
[n] es una se
nal peri
odica con perodo N donde en 0 n N 1
tenemos que x
[n] = x[n].
En forma equivalente:

x[n] =
Usando el hecho de que P (ej ) =
j ) = P (ej )X(ej ):
X(e
j )
X(e
0nN 1
en otro caso

2
2
y que
k= N N
x
[n]
0
P
X(ej )

X
2
2

N
N
k=
X(ej(2/N )k )
k=

2
2

N
N

X
2
2
a[k]
N
N
k=
Se
10/39
Serie discreta de Fourier VIII

Donde hemos usado que a[k] = X(ej(2/N )k ) = X(ej )
k
= 2
N
Los coeficientes de Fourier de la se

nal x
[n] (versi
on periodizada de x[n]) son las
muestras de la transformada de Fourier de x[n] a intervalos regulares de 2
.
N
Notar la semejanza con las ideas de muestreo de una se
nal temporal. El hecho de
periodizar una secuencia de tiempo discreto de longitud N x[n] (sin que haya
aliasing en el tiempo) se refleja en muestrear la transformada de Fourier de x[n] a
!! Es posible reconstruir perfectamente la
intervalos regulares de longitud 2
N
transformada de Fourier completa X(ej ) usando X(ej(2/N )k ) k Z?? En caso
afirmativo como implementara dicha reconstrucci
on??
Notar que la clave en estos resultados es que la periodizaci

on de la secuencia de
longitud finta N original se haga de forma tal que no exista solapamiento
temporal en la se
nal peri
odica x
[n]. Si la se
nal x[n] tiene longitud N cual es rango
de valores permisibles para el periodo de la secuencia x
[n] de forma tal que pueda
extraer de un perodo de x
[n] la secuencia original x[n]. Qu
e sucede con los
coeficientes de Fourier para cada una de las posibles x
[n] con distintos periodos??
Se
11/39
Transformada discreta de Fourier I

Consideremos una secuencia x[n] de longitud M . Es decir x[n] = 0 para n < 0 y
n M . Sea N M . Siempre podremos definir la secuencia peri
odica x
[n] con
peri
odo N :
X
x
[n] =
x[n lN ]
l=
Dado que M N siempre podemos recuperar x[n] (con ceros agregados en

n = M, M + 1, . . . N 1) a partir de un periodo de x
[n]. Es decir:

x[n] =
x
[n]
0
0nN 1
en otro caso
Consideremos la operaci
on q = n mod N . Esto significa que n = rN + q donde
r Z y q {0, 1, . . . , N 1}. Es decir q es el resto que surge de dividir n por N .
Es f
acil probar que
x
[n] = x[n mod N ] x[((n))N ]
Probarlo!!! Esto nos permitir
a escribir en forma compacta la relaci
on entre x[n] y
su versi
on periodizada de periodo N .
Se
12/39
Transformada discreta de Fourier II

Sean a[k] = X(ej(2/N )k ) = X(ej )
= 2
k
N
, k Z los coeficientes del desarrollo
de Fourier de x
[n]. Esta secuencia es peri
odica con peri
odo N . Definimos la
siguiente secuencia:

a[k] 0 k N 1
X[k] =
0
en otro caso
o lo que es lo mismo:
a[k] =
X[k rN ] = X[k mod N ] = X[((k))N ]
r=

Es claro que X[k] = X(ej(2/N )k ) = X(ej )
= 2
k
N
que:
a[k] =
N
1
X
, k = 0, 1, . . . , N 1. Dado
kn
x
[n]WN
, kZ
n=0
x
[n] =
N 1
1 X
kn
a[k]WN
, kZ
N k=0
Se
13/39
Transformada discreta de Fourier III

Usando las definiciones previas podemos escribir:
PN 1
kn
0k N 1
n=0 x[n]WN
X[k] =
0
en otro caso
1 PN 1
kn
0nN 1
n=0 X[k]WN
N
x[n] =
0
en otro caso
O en forma m
as compacta, y asumiendo implictamente que X[k] = 0 para k < 0 y
k N y x[n] = 0 para n < 0 y n N :
X[k] =
N
1
X
kn
x[n]WN
, Ecuaci
on de an
alisis
n=0
x[n] =
N 1
1 X
kn
X[k]WN
, Ecuaci
on de sint
esis
N k=0
Las dos u
ltimas ecuaciones definen lo que llamaremos las ecuaciones de sint
esis y
an
alisis de la DFT (Discrete Fourier Transform). En forma a
un m
as compacta la
DFT de N puntos la denotaremos como:
DF T
x[n] X[k]
N
Se
14/39
Transformada discreta de Fourier IV

Notar que tenemos que:

X[k] = X(ej(2/N )k ) = X(ej )
= 2
k
N
, k {0, 1, . . . , N 1}
La DFT es igual a las muestras de la tranformada de Fourier de x[n] evaluada en

los puntos k = 2
k, k {0, 1, . . . , N 1}, o sea N muestras en el intervalo
N
[0, 2)!!
Algunas aclaraciones
Notar que las ecuaciones de an
alsis y sint
esis definen x[n] y X[k] en el
intervalo [0 : N 1]. Sin embargo, si dichas expresiones se evalu
an para
valores fuera de dicho intervalo el resultado no ser
a cero. Existe una
periocidad implcita en ambas definiciones que es necesario tener en cuenta
cuando se analicen las propiedades de la DFT, a
un cuando s
olo estemos
interesados en los valores para el intervalo [0 : N 1].
Sea x = [x[0] x[1] . . . x[N 1]]T y X = [X[0] X[1] . . . X[N 1]]T :
X = Wx
x=
1
WH X
N
donde la definici
on de W CN N es igual que antes.
Se
15/39
Transformada discreta de Fourier V

Ejemplo: Consideremos

x[n] =
ej0 n
0
0nN 1
en otro caso
La DFT de esta secuencia (siempre para 0 k N 1) se puede calcular como:
X[k] =
N
1
X
kn
x[n]WN
=
n=0
N
1
X
ej0 n ej
2 kn
N
n=0
Esta suma se puede evaluar f

acilmente para obtener:
X[k] = e
j(0 2
k)(N 1)/2
N
sinc
N
sinc
N
2
1
2
0
0

2
k
N

2
k
N
, k = 0, 1, . . . , N 1
Este resultado se puede obtener muestreando la transformada de Fourier de x[n] a

intervalos regulares de longitud 2
, donde
N
X(ej ) = ej(0 )(N 1)/2
Se
sinc
sinc
N
(0
2
1
(0
2

)
, [0, 2)
)
16/39
Transformada discreta de Fourier VI

9
0.5
7
0
arg(X(k))
|X(k)|
6
5
4
0.5
3
1.5
2
2
1
0
2.5
Si 0 =
N = 10, 0 = 0.8
2
k
N 0
N = 10, 0 = 0.8
tenemos que:

X[k] =
N
0
Se
k = k0
en otro caso
17/39
Propiedades de la DFT I
Al analizar las propiedades de la DFT debemos considerar la periocidad implicita
en la secuencia x[n] y en la misma DFT X[k]. Veremos que dicha periodicidad
influencia fuertemente las propiedades de la DFT
Linealidad: Sea x[n] una se
nal de longitud N1 y y[n] una se
nal de longitud
N2 . Consideremos z[n] = x[n] + y[n]. Es claro que la longitud de z[n] ser
a
N3 = max {N1 , N2 } (alguna de las secuencias ser
a completada con ceros!).
DF T
DF T
N3
N3
Sea entonces x[n] X[k] y y[n] Y [k]. Es claro que:

DF T
z[n] X[k] + Y [k]

N3
Es claro que la propiedad sigue siendo v

alida si las DFT se toman con una
longitud com
un N N3 .
Desplazamiento circular de una secuencia: Sea una secuencia x[n] de
DF T
longitud N y x[n] X[k]. Entonces:

N
DF T
km
x[((n m))N ] WN
X[k]
N
Sobre la izquierda tenemos que lo se denomina un desplazamiento circular.

Notar la diferencia con la propiedad de la serie de Fourier discreta o la
transformada de Fourier de tiempo discreto!!
Se
18/39
Propiedades de la DFT II
Esta propiedad es una consecuencia de la periodicidad implcita que existe en la
DFT. Gr
aficamente podemos ver f
acilmente qu
e es un desplazamiento circular
Se
19/39
Propiedades de la DFT III

Veamos ahora la demostraci
on de esta propiedad. Sabemos que la extensi
on
peri
odica de x[n] se puede escribir como x
[n] = x[((n))N ]. Sabemos adem
as que
FS
x
[n] a[k] con lo cual podemos escribir:
FS
x
[n] = x[((n))N ] a[k] = X[((k))N ]
Consideremos ahora un secuencia peri
odica x
1 [n], de periodo N , cuya serie de
km . Sabemos que x
Fourier esta dada por a[k]WN
1 [n] = x
[n m]. Sea secuencia de
longitud N x1 [n] que da lugar a x
1 [n] de forma tal que x
1 [n] = x1 [((n))N ].
Entonces tenemos que:
x
1 [n] = x
[n m] = x[((n m))N ] = x1 [((n))N ]
Es claro que
FS
km
x
1 [n] = x[((n m))N ] a[k]WN
= X1 [((k))N ]
donde X1 [k] es la DFT de x

1 [n] = x[((n m))N ]. Es f
acil ver que:
km
X1 [k] = WN
X[k]
Se
20/39
Propiedades de la DFT IV
Para ver esto u
ltimo notemos que:
((k))N m
X1 [((k))N ] = WN
X[((k))N ] = W ((k))N m a[k]

((k))N m
km es peri
Pero como WN
odica en k con periodo N tenemos que WN
Esto implica que:
km
X1 [((k))N ] = WN
a[k]
km .
= WN
que es lo mismo que obtuvimos arriba. Es decir, la secuencia X1 [k] de longitud N ,

km = X [((k)) ] es:
que da origen a la se
nal periodizada a[k]WN
1
N

X1 [k] =
km a[k]
WN
0
0k N 1
en otro caso
km X[k].
lo que es equivalente a X1 [k] = WN
Notar que la prueba no es particularmente difcil. S

olo hay que usar fuertemente
la periodicidad inherente en las ecuaciones de sint
esis y an
alisis de la DFT. Sin
embargo, la prueba gr
afica es particularmente simple de entender. Esta es la
clave de todas la propiedades de la DFT!! Gr
aficamente, usando la periodicidad
inherente, todas las propiedades son f
aciles de entender!!
Se
21/39
Propiedades de la DFT V
DF T
Dualidad: Sea una secuencia x[n] de longitud N y x[n] X[k].

N
Entonces:
DF T
X[n] N x[((k))N ]
N
La prueba se realiza f
acilmente usando la periodicidad inherente y la
FS
dualidad en la serie de Fourier: si x

[n] a[k] entonces:
FS
a[n] N x
[k]
Probarlo!!!
Simetra conjugada: Sea una secuencia x[n] de longitud N y
DF T
x[n] X[k]. Entonces:

N
DF T
x [n] X [((k))N ]
N
La prueba se realiza f
acilmente utilizando nuevamente la periodicidad
inherente en la DFT y la simetra conjugada en serie de Fourier. Probarlo!!!
Se
22/39
Propiedades de la DFT VI
La siguiente es la propiedad central de la DFT
Convoluci
on circular: Sean x[n] e y[n] una se
nales de longitud N .
Consideremos
N
1
N
1
X
X
z[n] = x[n]}y[n]
x[m]y[((nm))N ] =
x[((nm))N ]y[m] y[n]}x[n]
N
m=0
m=0
(1)
DF T
DF T
donde n = 0, 1, . . . , N 1. Si x[n] X[k] y y[n] Y [k] tenemos

DF T
z[n] X[k]Y [k]

N
La ecuaci
on (1) define lo que se conoce como la convoluci
on circular de N puntos
entre x[n] e y[n]. Se ve claramente que de la misma forma que la convoluci
on
lineal o la peri
odica es conmutativa! Vemos entonces que la familiar propiedad de
multiplicaci
on de 2 espectros se traduce, en el caso de la DFT, a la convoluci
on
circular!!
La clave de la convoluci
on circular es verla como el resultado en el intervalo
[0 : N 1] de la convoluci
on peri
odica entre las versiones periodizadas x
[n] e y[n]
de x[n] e y[n].
Se
23/39
Propiedades de la DFT VII

La convoluci
on peri
odica x
[n] ~ y[n] se puede representar
Se
24/39
Propiedades de la DFT VIII

La convoluci
on circular x[n]}y[n] se puede representar:
N
Se
25/39
Calculo eficiente de DFT I

Vimos que la DFT y la IDFT (Inverse Discrete Fourier Transform) de N puntos
de una secuencia de largo N se pueden escribir como el producto de una matriz de
N N por un vector de longitud N . Sea x = [x[0] x[1] . . . x[N 1]]T y
X = [X[0] X[1] . . . X[N 1]]T :
X = Wx
x=
1
WH X
N
donde:
W=
1
1
1
..
.
1
1
j 2
N
e
2
ej N 2
..
.
ej
2 (N 1)
N
...
...
...
..
.
...
j 2
(N 2)
N
j 2
(N 1)
N
e
2
ej N 2(N 2)
..
.
ej
2 (N 1)(N 2)
N
e
2
ej N 2(N 1)
..
.
ej
2 (N 1)(N 1)
N
Para analizar la complejidad computacional de calcular la DFT de una secuencia

de largo N debemos analizar la complejidad e c
alculo del producto de un vector de
largo N por una matriz de dimensiones N N !!
Se
26/39
Calculo eficiente de DFT II

La complejidad computacional de un algoritmo se mide por:
Cantidad de c
alculos necesarios para implementarlo. En general se
consideran n
umero de multiplicaciones y sumas necesarias.
Memoria utilizada para guardar los datos necesarios.
Operaciones que involucren movimientos de datos dentro del
microprocesador (copiado de registros, movimientos de punteros, etc).
Para el caso de la DFT (y en general para cualquier algoritmo de procesamiento
de se
nales) se considera fundamentalmente el n
umero de multiplicaciones y sumas.
Esta medida est
a directamente relacionada con el tiempo o velocidad de c
omputo
que demandar
a la aplicaci
on del algoritmo y en forma indirecta tambi
en con el
consumo energ
etico del mismo!!
En el caso de la DFT vemos que:
Para el c
alculo de cada entrada del vector X debemos realizar N
multiplicaciones y N 1 sumas.
Debemos repetir ese c
alculo N veces (el n
umero de elementos en X).
Para la DFT vemos que es necesario realizar N 2 multiplicaciones y N (N 1)
sumas complejas!!
Se
27/39
Calculo eficiente de DFT III

Hagamos un peque
no ejemplo para analizar esto:
1
Supongamos un sistema que muestrea una se

nal de tiempo continuo a una
tasa de 48 KHz (algo est
andar para se
nales de audio de buena calidad). La
se
nal de tiempo discreto que entra al microprocesador se va partiendo en
pedazos de largo N = 8192.
A cada uno de esos pedazos se le desea realizar un an

alisis en frecuencia.
Para ello se les calcula una DFT.
El procesador deber
a ser capaz de terminar el c
alculo de dicha DFT antes
que se vuelva a juntar un nuevo pedazo de se
nal de N = 8192.
Ello significa que el microprocesador deber

a ser capaz de realizar
aproximadamente 64000000 multiplicaciones en aproximadamente 166 mseg
(no contamos las sumas ni el resto de operaciones que involucran el manejo
apropiados de registros, acceso a memoria, etc).
El microprocesador debe ser capaz de realizar una multiplicaci

on por cada 2
nseg!!
Si bien actualmente existen microprocesadores que pueden realizar esto, no

es algo del todo eficiente.
Se
28/39
Calculo eficiente de DFT IV

Si observamos la matriz W vemos que la misma presenta mucha simetra.
Esa simetra puede ser explotada para reducir sustancialmente el c
alculo de la
DFT!! De esta forma surgen los algoritmos FFT (Fast Fourier Transform) para el
c
alculo r
apido de la DFT!!
El trabajo seminal de Cooley and Tukey
Cooley, James W.; Tukey, John W. (1965). An algorithm for the machine
calculation of complex Fourier serie. Math. Comput. 19 (90): 297301.
dio lugar al algoritmo de Cooley-Tukey para el c
alculo de la FFT. El mismo
presenta (cuando N es potencia de 2) una complejidad de
N
2
log N multiplicaciones complejas.
N log N sumas complejas.

Para el ejemplo anterior el n
umero de multiplicaciones complejas a realizar se
reduce a 61440!! Un gran ahorro en velocidad de c
alculo!
La clave del algoritmo es dividir el c
alculo de la DFT de N puntos en c
alculos de
DFT m
as peque
nas (primero de tama
no N/2, luego N/4 y as sucesivamente) y
aprovechar la simetra presente en las exponenciales complejas de tiempo discreto!!
Se
29/39
Analisis de Fourier por medio de la DFT I

Una de los principales usos de la DFT es el an
alisis de Fourier de se
nales de
tiempo continuo. Esto es muy u
til en campos como las comunicaciones,
procesamiento de habla o radar.
Muchos analizadores de espectro comerciales proveen an
nales
de tiempo continuo a trav
es de un procedimiento de muestreo de tiempo continuo
a tiempo discreto seguido por el c
omputo de una DFT!!
Filtro
anti-aliasing
La se
nal a analizar rc (t) es pasada por un filtro anti-aliasing para generar
xc (t) y poder pasar de tiempo continuo a tiempo discreto.
A trav
es del muestreo (y eligiendo apropiadamente la tasa de muestreo)
generamos las muestras x[n].
Una ventana de longitud finita es aplicada a la secuencia x[n] y se genera la
se
nal y[n].
Se calcula la DFT de la se
nal y[n]. Obviamente se desea que la DFT Y [k]
represente lo m
as fielmente posible a Rc (j).
Se
30/39
Analisis de Fourier por medio de la DFT II

La transformada de Fourier de la secuencia discreta x[n], asumiendo que no hay
aliasing en el proceso de muestreo es:

1
X ej = Xc
, [, )
T
T
Adem
as la se
nal y[n] = x[n]w[n] se puede caracterizar en forma equivalente por:
Z

1
X ej W ej() d
Y ej =
2
Finalmente, asumiendo que la ventana w[n] tiene longitud N , la DFT se puede
escribir como:
N
1
X
kn
Y [k] =
y[n]WN
, k = 0, . . . , N 1
n=0
Es claro entonces que
Y [k] = Y

ej
= 2k
N
De esta forma los valores de DFT Y [k] se corresponden con las frecuencias de
tiempo continuo
2k
k =
, k = 0, . . . , N
NT
Se
31/39
Analisis de Fourier por medio de la DFT III

Algunas consideraciones:
Lo que se desea finalmente es que los valores de T Y [k] sean lo m
as similares
posibles a los valores de Rc (jk ). Con N lo suficientemente grande
podramos obtener bastante detalle en el espectro de rc (t). Podemos
aumentar la resoluci
on aumentando T ??
Existen distintos efectos que impiden que T Y [k] = Rc (jk ).
En primer lugar est
a la presencia del filtro anti-aliasing puede eliminar zonas
del espectro de Rc (j) para frecuencias elevadas (o ruido). Es m
as, puede
esperarse alg
un solapamiento luego de este filtrado (el filtro anti-aliasing no
es ideal) al hacer el muestreo. Se supone, que la zonas del espectro de
Rc (j) filtradas, no son importantes o son despreciables y que el posterior
solapamiento no molesta demasiado.
El efecto de la cuantificaci
on tambi
en impide conservar exactamente los
valores exactos de las muestras. Este efecto y el anterior, se pueden
minimizar implementando adecuadamente el sistema de muestreo (dise
no del
filtro anti-aliasing, selecci
on de frecuencia de muestreo, n
umero de bits del
conversor, etc). De esta forma uno puede asumir que Rc (j) Xc (j).
Dado que la se
nal x[n] puede tener una longitud ilimitada o muy grande se
hace necesaria la presencia de la ventana w[n]. Vemos que la misma puede
alterar la forma del espectro de X(ej ). Sin embargo, si la misma tiene
buenas propiedades dicha distorsi
on puede ser tolerable. En general, si N es
grande, la ventana no va a traer mayores problemas.
Se
32/39
Analisis de Fourier por medio de la DFT IV

Ejemplo: Consideremos la se
nal
rc (t) = A1 cos (1 t) + A2 cos (1 t)
Suponiendo que no hay efectos distorsivos en el muestreo (filtro anti-aliasing no
ideal, ruido, fen
omenos de cuantificaci
on,e tc) tenemos:
x[n] = A1 cos (1 n) + A2 cos (2 n), n Z
donde i = i T con i = 1, 2. La secuencia enventanada:
y[n] = A1 w[n] cos (1 n) + A2 w[n] cos (2 n), n Z
En el dominio de la frecuencia podemos escribir:
Y

A
A
A

A1
1
2
2
ej =
W ej(1 ) +
W ej(+1 ) +
W ej(2 ) +
W ej(+2 )
2
2
2
2
A continuaci
on consideremos que la ventana w[n] es la ventana rectangular:

w[n] =
1
0
Se
0nN 1
en otro caso
33/39
Analisis de Fourier por medio de la DFT V

35
30
30
1=2/5
2=4/5
25
N=32
25
|Y(ej)|
|W(ej)|
20
20
15
15
10
10
5
pi
pi/2
pi/2
pi
25
pi
pi/2
pi/2
pi
35
30
1=2/20
2=4/20
20
1=2/20
2=5/40
25
|Y(ej)|
|Y(ej)|
15
20
15
10
10
5
5
pi
pi/2
pi/2
pi
Se
pi
pi/2
pi/2
pi
34/39
Analisis de Fourier por medio de la DFT VI

Observaciones sobre el efecto del ventaneo:
El ancho del l
obulo principal de la ventana rectangular w[n] es inversamente
proporcional a N . De hecho es aproximadamente = 4
.
N
El espectro ideal debera ser el de dos impulsos en 1 y 2 . El ancho no
despreciable del l
obulo principal de la ventana hace que los impulsos se
transformen en picos altos pero con cierto ancho.
Cuando la separaci
on entre las dos frecuencias presentes es mucho mayor a
, los dos picos se diferencian muy bien en el espectro y podemos
identificar las frecuencias componentes.
Cuando la separaci
on entre las frecuencias es comparable a vemos que
los picos se empiezan a solapar. La altura de los l
obulos secundarios de la
ventana producen leakage (fugas) de un pico hacia el otro.
Cuando la separaci
on entre las frecuencias componentes es menor a no
podemos diferenciar las dos frecuencias presentes.
El uso adecuado de la ventana es fundamental en funci
on de lo que esperamos
observar en el espectro. El dise
no adecuado de ventanas es muy importante y un
area de inter
es en procesamiento de se
nales. Se puede probar que existe un
compromiso entre el ancho del l
obulo principal y la altura de los l
obulos
secundarios. Existen t
ecnicas de dise
no para jugar con este trade-off. M
as
adelante volveremos sobre esto.
Se
35/39
Analisis de Fourier por medio de la DFT VI

30
25
=2/5
1
=4/5
25
FFT de 32 puntos
20
20
|Y(k)|
|Y(ej)|
15
15
10
10
pi/2
pi
3pi/2
2pi
10
15
20
25
30
35
25
30
FFT de 64 puntos
25
20
FFT de 128 puntos

20
|Y(k)|
|Y(k)|
15
15
10
10
10
20
30
40
50
60
70
Se
20
40
60
80
100
120
140
36/39
Analisis de Fourier por medio de la DFT VII
Observaciones sobre el efecto del muestreo en frecuencia con la DFT:

Vemos que a medida que aumentamos el tama
no de la DFT (agregando
ceros) tomamos muestras de la transformada de Fourier a intervalos m
as
peque
nos. Ello permite aproximar con mayor claridad la verdadera
transformada de Fourier.
De ninguna manera, el agrego de ceros permite resolver mejor detalles en la
se
nal x[n]: si el largo de la ventana N es tal que no se puede diferenciar dos
frecuencias con distancia entre ellas menor a , el agregado de ceros no
permitir
a diferenciarlas tampoco. Por qu
e??
La posibilidad de observar detalles finos en el espectro de una se
nal est
a vinculada
al n
umero N de muestras efectivas de x[n] usadas para el c
alculo de la DFT y las
caractersticas espectrales de la ventana usada. El agregado de ceros no mejora la
resoluci
on espectral. S
olo permite aproximar con mayor detalle una transformada
de Fourier (en donde ya est
a fijada la mnima resoluci
on espectral obtenible).
Se
37/39
Temas para leer por cuenta propia

Lectura obligatoria
Serie de Fourier en tiempo discreto (Secciones 8.1 y 8.2 y tabla 8.1 de
Oppenheim and Schafer).
Muestreo de la transformada de Fourier (Secci
on 8.4 de Oppenheim and
Schafer).
Propiedades de la DFT (Secci
on 8.6 y tabla 8.2 de Oppenheim and Schafer).
Convoluci
on lineal mediante la DFT (Secci
Schafer).
Transformada de Fourier dependiente del tiempo (Secci
on 10.3 de
Oppenheim and Schafer).
An
nales no estacionarias (Secci
on 10.5 de Oppenheim
and Schafer).
Lectura optativa
Tranformada discreta del coseno (DCT) (Secci
Schafer).
C
omputo eficiente de la DFT (Secciones 9.0, 9.1, 9.2 y 9.3 de Oppenheim
and Schafer).
Se
38/39
Algunos ejercicios I
1 Ejercicios 8.5, 8.9, 8.10, 8.12, 8.23, 8.32, 8.37de Oppenheim and Schafer.
2 Ejercicios 8.39, 8.40, 8.41, 8.43, 8.59 y 8.60 de Oppenheim and Schafer.
3 Ejercicio 10.2, 10.3, 10.4, 10.6,10.10, 10.12, 10.24, 10.25,10.31, 10.44 de Oppenheim and
Schaffer.
Se
39/39

Transformada Discreta de Fourier

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Transformada Discreta de Fourier

Uploaded by

Copyright:

Available Formats

Transformada discreta de Fourier

Dr. Ing. Leonardo Rey Vega