Professional Documents
Culture Documents
ii
Sum
ario
1 Introduc
ao ao estudo de sinais e sistemas lineares
1.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1 Rudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.2 Filtragem e Modelagem . . . . . . . . . . . . . . . . . . . .
1.2 Tipos e Classificacoes de Sinais . . . . . . . . . . . . . . . . . . . .
1.3 Sistemas lineares e o princpio da superposicao . . . . . . . . . . . .
1.3.1 Tipos de sistemas . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2 Modelos de convolucao . . . . . . . . . . . . . . . . . . . . .
1.3.3 Transformada de Laplace, Transformada Z e funcoes de transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Representa
c
oes de Fourier e an
alise espectral
2.1 Serie de Fourier em tempo contnuo . . . . . . . . . . .
2.2 Serie de Fourier em tempo discreto . . . . . . . . . . .
2.3 Transformada de Fourier em tempo contnuo . . . . . .
2.4 Transformada de Fourier em tempo discreto . . . . . .
2.5 Analise da resposta em freq
uencia de sistemas lineares
.
.
.
.
.
.
.
.
.
.
3 Teoria da amostragem
3.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Amostragem de funcoes exponenciais periodicas . . . . . .
3.3 Teorema de Nyquist-Shannon . . . . . . . . . . . . . . . .
3.3.1 Formulacao matematica do processo de amostragem
3.4 Reconstrucao de sinais amostrados . . . . . . . . . . . . .
4 Filtragem digital de sinais
4.1 Introducao ao processamento digital de
4.1.1 Sistemas vistos como filtros . .
4.2 Tipos de filtros . . . . . . . . . . . . .
4.2.1 Filtros digitais . . . . . . . . . .
4.3 Criterios de especificacao de filtros . .
iii
sinais
. . . .
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
2
3
4
7
7
10
. 12
.
.
.
.
.
19
19
24
26
30
33
.
.
.
.
.
43
43
44
47
47
51
.
.
.
.
.
55
55
57
57
58
62
SUMARIO
iv
4.4
4.5
4.6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
62
63
68
70
71
75
78
80
81
83
Captulo 1
Introduc
ao ao estudo de sinais e
sistemas lineares
Este captulo aborda de forma rapida e introdutoria alguns conceitos matematicos
basicos aplicados `a teoria de controle e processamento de sinais. O material coberto
aqui abrange apenas os topicos e ideias que, mais tarde, serao de alguma utilidade
no desenvolvimento do formalismo matematico para a sntese de filtros digitais e
`a compreensao dos conceitos relacionados `a analise no domnio da freq
uencia. Isso
inclui: propriedades basicas de sinais, sistemas dinamicos lineares, soma e integral
de convolucao, autofuncoes de sistemas lineares, transformada de Laplace, transformada Z, e discretizacao de equacoes diferenciais. Para aqueles que ja tiveram contato
com as teorias de analise de sinais e sistemas lineares, a leitura deste captulo nao e
necessaria, mas pode ser muito u
til como revisao. Ja para aqueles que nao tiveram
um curso elementar nessa area, este captulo serve de fundamento para os assuntos
abordados no decorrer do curso; serve tambem como guia para aqueles que desejarem
aprofundar a teoria de sistemas dinamicos lineares.
1.1
Introduc
ao
1.1.1
Rudo
2
1.5
1
0.5
0
0.5
Processo
2
1.5
1
0.5
0
0.5
Ruido
2
1.5
1
0.5
0
0.5
2
1.1. Introducao
contaminadas com rudo. Chamamos de rudo toda variacao de um sinal que nao
seja causada pela dinamica propria do processo. Algumas das principais fonte de
rudo sao:
nao idealidades intrnsecas aos instrumentos de medicao
interferencia eletromagnetica
baixa isolacao nos condutores de sinal eletrico
turbulencias nos fluidos de processo
transicoes de fase nos fluidos de processo
vibracoes mecanicas em maquinas rotativas
ou ainda fontes aleatorias desconhecidas1 . Em geral, o rudo apresenta uma baixa
correlacao com as variacoes de sinal provocadas pela dinamica do processo. Isso
acontece porque as variacoes das variaveis de processo e as variacoes dos rudos sao
provocadas por fontes excitadoras diferentes na grande maioria da vezes.
Existem numerosas tecnicas para se eliminar ou reduzir o rudo em sinais. Neste
curso, abordaremos a mais comum de todas elas: a filtragem no domnio da freq
uencia.
Daremos enfase a tecnicas digitais de filtragem, uma vez que estas podem ser
implementadas em qualquer dispositivo digital programavel de processamento de
sinais; desde SDCDs a microcomputadores de uso geral. Muitos instrumentos para
aplicacao em controle de processos ja dispoem ate mesmo de funcoes especficas para
este fim.
1.1.2
Filtragem e Modelagem
Defeitos em componentes dos equipamentos tambem podem provocar rudo nas variaveis de
processo. Porem, nao se recomenda o uso de filtros para a eliminacao de tais efeitos. A maneira
adequada de eliminar este tipo de rudo e efetuar manutencao nos equipamentos.
1.2
Tipos e Classificaco
es de Sinais
Para um tratamento abrangente sobre filtros analogicos e suas implementacoes ver [1] e suas
referencias.
3
Sistemas cujas variaveis sao funcoes de apenas uma variavel independente sao descritos por
equacoes diferenciais ordinarias. Estes sao chamados de sistemas a par
ametros concentrados.
Quando ha mais de uma variavel independente, por exemplo, tempo e espaco, o modelo do sistema
exige que se usem equacoes diferenciais parciais e o sistema e dito ser de par
ametros distribudos
(1.1)
onde n e um n
umero inteiro, que chamaremos de tempo normalizado. Formalmente,
seu valor e definido como a razao entre o valor de t e a duracao do intervalo de
amostragem T sempre que esta razao for um n
umero inteiro.
t
t
Z
n=
T
T
Para finalizar o processo de amostragem, tomamos a func
ao amostrada f (nT ) e
definimos a partir dela a func
ao de tempo discreto f [n] segundo a relacao
f [n] = f (nT )
(1.2)
Deste modo, convencionaremos que funcoes em tempo discreto tem seus argumentos representados por n e indicados entre colchetes, enquanto que funcoes de tempo
contnuo tem argumentos representados por t entre parenteses4 . Vale ressaltar que,
apesar de funcoes em tempo discreto terem sua variavel independente no conjunto
dos n
umeros inteiros, a variavel dependente, ou seja, o valor da funcao, pode variar
continuamente ao longo de todo o conjunto dos n
umeros reais. Representando simbolicamente:
f :ZR
Crit
erio 1.2. Sinais Determinsticos X Sinais Estoc
asticos:
4
Um sinal determinstico e aquele cuja funcao que o descreve assume uma forma
matematica bem definida e que para cada valor da variavel independente tal funcao
associa um valor bem definido da variavel dependente.
Um sinal estocastico, ao contrario, so pode ser representado por suas estatsticas,
tais como media, variancia, momentos de ordem superior, distribuicoes de probabilidades. A funcao que o descreve nao pode ser matematicamente explicitada. Apenas
seus parametros estatsticos sao conhecidos. A maioria dos rudos enquadram-se
nesta categoria.
Crit
erio 1.3. Sinais Pares X Sinais Impares:
Sinais pares sao descritos por funcoes pares, ou seja, possuem a seguinte propriedade:
f (t) = f (t)
(1.3)
Sinais mpares, por sua vez, sao aqueles descritos por funcoes mpares, possuindo
a seguinte propriedade:
f (t) = f (t)
(1.4)
Exerccio 1.1. Mostre que todo sinal pode ser representado pela soma de duas
componentes. Uma dada por um sinal par e outra dada por um sinal mpar. Este
resultado tambem e valido para sinais em tempo discreto? Justifique.
Crit
erio 1.4. Sinais Peri
odicos X Sinais N
ao Peri
odicos
Um sinal periodico f (t) e aquele para o qual existe um valor da constante T que
satisfaz a condicao
f (t) = f (t + T )
(1.5)
para todo t. O menor valor de T que atende a essa condicao e chamado de perodo
fundamental. Qualquer m
ultiplo inteiro do perodo fundamental, tambem e um
perodo do sinal f (t). O inverso do perodo fundamental e chamado de freq
uencia
fundamental.
1
f0 =
(1.6)
T
Define-se tambem a freq
uencia angular fundamental, dada por
0 = 2f0 =
2
T
(1.7)
T
2
E = lim
f 2 (t)dt
(1.10)
T2
T
2
f 2 (t)dt
(1.11)
T2
Quando a energia total de um sinal e finita, ou seja 0 < E < , dizemos tratarse de um sinal de energia. Para sinais de energia, a potencia media P definida
em (1.11) tende a zero. Quando a potencia media de um sinal e finita, ou seja
0 < P < , dizemos tratar-se de um sinal de potencia. Para sinais de potencia, a
energia total E definida em (1.10) tende a infinito.
1.3
1.3.1
Tipos de sistemas
Nessas definicoes, consideramos que f (t) e uma funcao real. Se f (t) for uma funcao complexa,
devemos usar como definicao de potencia a relacao p(t) = f (t) f (t), onde o asterisco denota o
complexo conjugado.
d y(t)
dy(t)
dm u(t)
du(t)
F
,...,
, y(t),
,...,
, u(t) = 0
(1.12)
dtn
dt
dtm
dt
Quando se trata de um modelo em tempo discreto a sua descricao matematica pode
ser dada por uma equacao a diferencas com a seguinte forma geral:
x 1 (t) = F1 (x1 , x2 , . . . , xn , u1 , u2 , . . . , up )
x 2 (t) = F2 (x1 , x2 , . . . , xn , u1 , u2 , . . . , up )
..
x (t) = F (x , x , . . . , x , u , u , . . . , u )
n
y1 (t) = G1 (x1 , x2 , . . . , xn , u1 , u2 , . . . , up )
y2 (t) = G2 (x1 , x2 , . . . , xn , u1 , u2 , . . . , up )
..
y (t) = G (x , x , . . . , x , u , u , . . . , u )
q
(1.14)
= F (x(t), u(t))
(1.15)
y(t) = G(x(t), u(t))
O primeiro paradigma no estudo de sistemas dinamicos sao os chamados sistemas lineares. Dizemos que um sistema e linear se a ele se aplica o princpio da
superposicao. De modo simplificado, o princpio da superposicao estabelece que um
sistema e linear se, e somente se, a resposta do sistema a uma combinacao linear de
sinais de entrada e tambem uma combinacao linear dos sinais de sada, ponderada
pelos mesmos coeficientes. Simbolicamente:
u1 (t) y1 (t)
N
N
X
X
u2 (t) y2 (t)
i ui (t)
i yi (t)
(1.16)
..
i=1
i=1
u (t) y (t)
N
10
1.3.2
u(t t0 ) y(t t0 )
(1.17)
Modelos de convoluc
ao
(1.18)
(t)dt = 1
(1.19)
Esta segunda propriedade da funcao impulso unitario estabelece que a area sob
seu grafico e unitaria. Como conseq
uencia das duas propriedades dadas por (1.18)
e (1.19), pode-se mostrar que o valor de (t) para t = 0 tende a infinito7 .
A area sob o grafico da funcao impulso tambem e chamada de peso ou forca do
impulso. Quando multiplicado por uma constante C, o impulso C(t) passa a ter
peso C. Outra propriedade importante e a propriedade de amostragem, selec
ao ou
peneiramento, a qual afirma que
Z
f (t)(t t0 )dt = f (t0 ).
(1.20)
0, n =
6 0
[n] =
1, n = 0
11
(1.21)
y(t) =
h(t )u( )d
(1.22)
h[n k]u[k]
(1.23)
k=
que e a soma de convolucao, denotada de forma resumida por y[n] = h[n] u[n]. A
demonstracao destes resultados pode ser encontrada em [5, 6, 7].
Exerccio 1.5. Mostre que a convolucao e uma operacao que possui as propriedades
comutativa, distributiva e associativa.
Exerccio 1.6. Mostre que a convolucao de uma funcao f (t) com um impulso deslocado de t0 segundos, dado por (t t0 ), e a funcao f (t) deslocada dos mesmos t0
segundos, dada por f (t t0 ).
As funcoes h(t) e h[n] sao, na verdade, modelos dos sistemas, no sentido de que
contem informacao sobre a sua dinamica. De acordo com sua definicao, h(t) e a
Felipe Borges Cunha
12
(1.24)
ja que h(t ) = 0 para todo > t. Se alem disso, o sinal de entrada tambem for
causal, ou seja, u(t) = 0 para todo t < 0, entao a (1.25) e simplificada para
Z
h(t )u( )d
y(t) =
(1.26)
1.3.3
Fazendo uma analogia dos espacos vetoriais com o espaco das funcoes, podemos
entender um sistema dinamico como um operador que, ao operar sobre uma funcao
u(t) resulta em uma outra funcao y(t). Representamos simbolicamente essa operacao
como
y(t) = H{u(t)}
(1.27)
Sistemas lineares, conforme ja foi dito, atendem ao princpio da superposicao, ou
seja, para quaisquer funcoes u1 (t) e u2 (t) e quaisquer escalares 1 e 2 , e verdade
que
H{1 u1 (t) + 2 u2 (t)} = 1 H{u1 (t)} + 2 H{u2 (t)}
(1.28)
O operador H na equacao (1.28) tem portanto, no espaco das funcoes, a mesma
propriedade que uma matriz n n no espaco vetorial de dimensao n. Deste modo,
Introducao a Filtragem Digital de Sinais
13
(1.30)
(1.31)
st
y(t) = e
h()es d
(1.32)
(1.34)
14
Esse fator constante H(s), quando encarado como uma funcao da variavel complexa
s e chamado de func
ao de transferencia do sistema.
Assim como a funcao de resposta ao impulso h(t), a funcao de transferencia
H(s) tambem e um modelo matematico do sistema. Como H(s) e transformada
de Laplace de h(t), ambas as representacoes contem a mesma informacao. Dizemos
que h(t) e um modelo no domnio do tempo e H(s) e um modelo no domnio da
freq
uencia complexa, pois o parametro s e uma variavel complexa com dimensao de
freq
uencia.
Exerccio 1.7. Mostre que a funcao u[n] = z n , em que z e uma constante complexa,
e autofuncao dos sistemas lineares invariantes no tempo em tempo discreto, ou seja:
u[n] = z n
y[n] = H(z) z n
onde
H(z) = Z {u[n]} =
h[n] z k
(1.37)
(1.38)
n=
e a transformada Z de h[n].
A funcao H(z) dada por 1.38 tem, para sistemas em tempo discreto, o mesmo
significado que H(s) para sistemas em tempo contnuo. Tambem ela recebe o nome
de funcao de transferencia, `as vezes chamada de func
ao de transferencia pulsada [8].
A transformada Z portanto, e o equivalente em tempo discreto da transformada de
Laplace. Do mesmo modo que a transformada de Laplace, a transformada Z esta
sujeita a questoes relacionadas com a convergencia do somatorio que a define, bem
como a questoes relativas `a unicidade da transformada inversa. Nao aprofundaremos
aqui essas questoes. Para uma discussao mais profunda sobre existencia e unicidade
da transformada de Laplace e da transformada Z ver [5, 6, 4].
Assim como a transformada de Laplace, a transformada Z tem sua versao unilateral para sinais causais.
H(z) = Z {u[n]} =
h[n] z k
(1.39)
n=0
(1.40)
Equa
c
oes diferenciais, equac
oes a diferencas e func
ao de transfer
encia em
Z
Partindo da hipotese da linearidade e invariancia no tempo, chegamos aos modelos de
sistemas em tempo contnuo e em tempo discreto dados pelas respostas aos impulsos
Introducao a Filtragem Digital de Sinais
15
dn y(t)
dy(t)
dm u(t)
du(t)
+
.
.
.
+
a
+
a
y(t)
=
b
+ . . . + b1
+ b0 u(t)
1
0
m
n
m
dt
dt
dt
dt
(1.41)
dn y(t)
dy(t)
dm u(t)
du(t)
L an
+ . . . + a1
+ a0 y(t) = L bm
+ . . . + b1
+ b0 u(t)
dtn
dt
dtm
dt
(1.42)
an sn Y (s) + . . . + a1 sY (s) + a0 Y (s) = bm sm U (s) + . . . + b1 sU (s) + b0 U (s)
(an sn + . . . + a1 s + a0 ) Y (s) = (bm sm + . . . + b1 s + b0 ) U (s)
Y (s) =
bm sm + . . . + b1 s + b0
U (s) = H(s) U (s)
an sn + . . . + a1 s + a0
bm sm + . . . + b1 s + b0
(1.43)
an sn + . . . + a1 s + a0
A equacao (1.43) define a mesma funcao de transferencia dada por (1.36) considerando condicoes iniciais nulas. Deste modo, tanto a equacao diferencial, quanto
a resposta ao impulso, quanto a funcao de transferencia sao modelos validos do
sistema e contem as mesmas informacoes sobre sua dinamica8 .
H(s) =
Estamos considerando implicitamente que o sistema esta inicialmente relaxado, ou seja, suas
condicoes iniciais sao nulas. Caso esta condicao nao esteja atendida os tres modelos nao sao
necessariamente equivalentes [7].
16
d y(t)
L
= sk Y (s).
dtk
Portanto, podemos dizer que a variavel s, representa no domnio da freq
uencia, a
operacao de diferenciacao.
Analisemos agora o que acontece em tempo discreto. Considere uma equacao
diferencial de primeira ordem dada por
y(t) =
du(t)
dt
(1.44)
du(t)
u(nT + T ) u(nT )
y(nT ) =
'
(1.46)
dt t=nT
T
Transformando agora para o tempo normalizado n segundo (1.2) teremos
y[n] =
1
(u[n + 1] u[n])
T
(1.47)
!
1 X
Y (z) =
u[n + 1]z n U (z)
T n=0
Fazendo a mudanca de variaveis k = n + 1
!
1 X
Y (z) =
u[k]z (k1) U (z)
T k=1
9
Na verdade, esta e a definicao da derivada lateral pela direita. Para que a derivada de uma
funcao exista no ponto t e necessario que as derivadas laterais `a esquerda e `a direita existam e seja
iguais.
10
Detalhes da teoria da amostragem serao vistos no Captulo 3
Y (z) =
1
T
17
!
u[k]z k U (z)
k=1
1
(zU (z) U (z))
T
(1.48)
Comparando (1.48) com (1.47) podemos perceber que o produto pela variavel z
no domnio da freq
uencia, corresponde ao avanco de uma unidade no domnio do
tempo. Percebe-se tambem que, a aproximacao da derivada dada por (1.46) e um
sistema nao causal, pois em (1.47), o valor de y[n] depende de um valor futuro
u[n + 1]. Comparando este resultado com a equacao (1.40) obtida no Exerccio 1.8,
vemos que o produto pela variavel z 1 equivale a uma operacao de atraso unitario
no tempo discreto.
Exerccio 1.9. Obtenha a versao em tempo discreto da equacao (1.45) utilizando
para aproximar a derivada a expressao de definicao da derivada lateral esquerda.
Compare o resultado obtido com a equacao (1.48).
Resposta:
y[n] =
1
(u[n] u[n 1])
T
Y (z) =
1
U (z) z 1 U (z)
T
(1.49)
De modo geral, podemos aproximar qualquer equacao diferencial para uma expressao equivalente em tempo discreto usando o procedimento do Exerccio 1.9.
A equacao resultante envolve sempre versoes deslocadas no tempo dos sinais y[n]
e u[n]. Tais equacoes sao denominadas equac
oes a diferencas e sao o equivalente
em tempo discreto das equacoes diferenciais. O procedimento descrito aqui consiste na obtencao de uma aproximacao numerica da equacao diferencial por uma
equacao a diferencas. Existem formas de se obter a equacao a diferencas equivalente a uma dada equacao diferencial de forma analtica sem a necessidade de se
recorrer a aproximacoes. O procedimento para isto requer o conhecimento da teoria de sistemas lineares em espaco de estados e pode ser encontrado nas referencias
Felipe Borges Cunha
18
[7, 9, 10]. Outras formas de discretizacao por aproximacao tambem sao possveis.
As diferencas residem essencialmente na expressao usada para aproximar em termos
discretos a operacao contnua da derivada. Algumas das abordagens mais usadas
podem ser encontradas em [11]
Nao abordaremos aqui as tecnicas para resolucao de equacoes a diferencas11 .
Apenas precisamos conhece-las para usa-las mais adiante, no Captulo 4 no desenvolvimento de algoritmos de implementacao de filtros digitais. Para tanto, basta
entendermos a relacao entre o atraso no domnio do tempo e o produto por z 1 no
domnio da freq
uencia dada por (1.40).
Exemplo 1.1. Considere um sistema em tempo contnuo inicialmente relaxado
descrito pela seguinte equacao
Z t
y(t) = c1 u(t) + c2
u( )d
(1.50)
onde u(t) e um sinal causal. Obtenha um modelo discretizado deste sistema com
perodo de amostragem T e encontre sua funcao de transferencia no domnio Z.
Como o sistema esta inicialmente relaxado, podemos efetuar a derivada da
equacao (1.50) sem perda de informacao. Logo
dy(t)
du(t)
= c1
+ c2 u(t)
dt
dt
(1.51)
(1.52)
Note que esta e uma equacao a diferencas que expressa o valor de y[n] em funcao
de seu valor anterior e da entrada atual e anterior. Em outras palavras, y[n] nao
depende de valores futuros, e portanto, o sistema e causal. Efetuando a transformada
Z em (1.52) teremos
(1.54)
Para uma introducao aos metodos de solucao de equacoes a diferencas veja [12]
Captulo 2
Representac
oes de Fourier e
an
alise espectral
Este captulo e um resumo das tecnicas de analise de Fourier em tempo contnuo
e em tempo discreto. Filtros de sinais, sejam eles analogicos ou digitais, operam
no domnio da freq
uencia. O que um filtro efetivamente filtra, ou seleciona, sao
as faixas de freq
uencia em que os sinais possuem energia, separando as faixas de
interesse, correspondentes `a dinamica do processo, daquelas faixas correspondentes
`as freq
uencias de rudo. Para compreender adequadamente de que forma os filtros
operam, e necessario, portanto, conhecer os metodos de analise de sinais e sistemas
no domnio da freq
uencia. Tais metodos sao fundamentados na analise de Fourier.
As secoes de 2.1 a 2.4 apresentam um resumo do formalismo matematico das tecnicas
de analise de Fourier. Aqueles que ja dominam tais tecnicas podem se limitar a fazer
uma leitura diagonal e passar `a secao 2.5, onde tecnicas de Fourier sao usadas na
analise da resposta em freq
uencia de sistemas lineares.
2.1
S
erie de Fourier em tempo contnuo
Considere novamente a funcao (1.29). Se desejarmos avaliar as respostas do sistema a entradas senoidais de diferentes freq
uencias basta fazer com que o n
umero
complexo s = + j seja puramente imaginario impondo s = j. Chamamos
este procedimento de analise da resposta em freq
uencia em regime permanente. A
equacao (1.31) torna-se entao
Z
y(t) =
h( )ej(t ) d
(2.1)
Da resulta que
Z
jt
y(t) = e
19
h( )ej d
(2.2)
REPRESENTAC
OES
DE FOURIER E ANALISE
ESPECTRAL
20
(2.4)
Sendo assim, exponenciais com argumento puramente imaginario, tambem sao autofuncoes de sistemas lineares invariantes no tempo1 e o autovalor H(j) e a funcao
de transferencia em regime permanente dada pela transformada de Fourier de h(t).
Funcoes do tipo ejt assumem valores complexos, pois
ejt = cos(t) + jsen(t)
onde o parametro desempenha o papel de freq
uencia angular. No mundo real os
sinais sao funcoes de valor real. Isso significa que, para tratar sinais reais usando
a teoria das autofuncoes, precisamos sempre nos valer dos pares complexos conjugados ej e ej . Neste sentido, para exponenciais complexas, existe o conceito de
freq
uencia negativa, uma vez que
ejt = cos(t) + jsen(t)
Como cosseno e uma funcao par e seno e uma funcao mpar, temos
ejt = cos(t) jsen(t)
Desta forma, as exponenciais com freq
uencia negativa anulam as partes imaginarias
das exponenciais de freq
uencia positiva.
Para tirarmos proveito do princpio da superposicao, devemos procurar formas
de representar os sinais de entrada como combinacao linear de autofuncoes. Deste
modo, o calculo da sada se resume `a mesma combinacao linear das autofuncoes
ponderadas pelos seus respectivos autovalores.
Analisaremos primeiro sinais de entrada representados por funcoes periodicas de
tempo contnuo. Ja sabemos que funcoes periodicas atendem a condicao (1.5) com
perodo fundamental T e freq
uencia fundamental 0 = 2/T . Toda funcao cuja
freq
uencia e k0 , ou seja, um m
ultiplo inteiro de 0 , tambem possui perodo T =
2/0 que atende `a equacao (1.5). Portanto, qualquer combinacao linear de funcoes
periodicas cujas freq
uencias sejam m
ultiplos inteiros de 0 serao tambem periodicas
e com perodo T 2 . Se tomarmos entao uma combinacao linear de autofuncoes na
1
2
21
X
f (t) =
F [k]ejk0 t
(2.6)
k=
(2.8)
A convergencia da serie de Fourier de uma funcao f (t) se aplica apenas aos pontos onde f (t)
e contnua. Nas descontinuidades de f (t), sua serie de Fourier converge para a media aritmetica
dos limites laterais da descontinuidade. Alem disso, a convergencia da serie de Fourier tem como
condicao suficiente o atendimento `as condicoes de Dirichlet. Maiores detalhes em [3] e [12]
4
Esta propriedade so se verifica quando a imagem da funcao f (t) esta contida no conjunto dos
n
umeros reais, ou seja, f e uma funcao real da variavel t.
22
REPRESENTAC
OES
DE FOURIER E ANALISE
ESPECTRAL
A, t0 + nT < t < t0 + + nT
(2.9)
f (t) =
0, t0 + + nT < t < t0 + (n + 1) T
Em primeiro lugar, devemos reconhecer que este e um sinal periodico. Tracando
o seu grafico, obtemos a figura 2.1. Este sinal e conhecido como porta peri
odica.
(2.10)
t0 +
A
1
j k0 t
F [k] =
T jk0
t0
j k0 (t0 + )
A
1
e
ej k0 t0
T jk0
1 jk0 (t0 + 2 + 2 )
A
e
ejk0 (t0 + 2 2 )
F [k] =
T jk0
Introducao a Filtragem Digital de Sinais
23
A
2
ej k0 2 ej k0 2
F [k] =
ej k0 (t0 + 2 )
T k0
2j
Reconhecendo a funcao entre parenteses como a forma de Euler do seno e arrumando
os termos, ficamos com
sen k0 2
F [k] = A
ejk0 (t0 + 2 )
(2.11)
T
k0 2
Calculando o modulo desta expressao obtemos
sen k
02
|F [k]| = A
T k0 2
e para a fase temos
(2.12)
/F [k] = k0 t0 +
(2.13)
2
Trancando os graficos de magnitude e fase em funcao de k, temos a figura 2.2.
Essas representacoes graficas da magnitude e fase da funcao F [k] sao chamadas
de espectros. Essa denominacao se justifica se lembrarmos que a variavel independente k pode ser interpretada como uma freq
uencia normalizada. Cada componente
harmonica de ordem k possui um coeficiente f [k] que representa quanto da potencia
total do sinal periodico f (t) esta presente naquela componente de freq
uencia k0 5 .
O grafico da Fig.2.2 deixa claro, para o exemplo estudado, que as componentes
de freq
uencia mais intensas sao aquelas proximas da origem, sendo a maior delas
quando k = 0, que representa a intensidade da componente constante do sinal. De
fato, o sinal representado por (2.9) possui um valor medio positivo, que corresponde
justamente `a intensidade da componente de freq
uencia nula e aumenta com a razao
cclica /T .
Ao variarmos o valor de , alteramos apenas a razao cclica da onda quadrada,
mas nao variamos o seu perodo fundamental. Conseq
uentemente, as distancias
entre as componentes harmonicas k0 nao mudam. Apenas a envoltoria do espectro
se modifica. Observe na Fig.2.3 como o pico de magnitude em k = 0 se reduz `a
medida que a razao /T diminui.
A expressao entre parenteses na equacao (2.11) corresponde a uma funcao importante na teoria de processamento de sinais e recebe um nome especial: seno cardinal,
e e denotada por:
sen(x)
(2.14)
Sinc(x) =
x
5
REPRESENTAC
OES
DE FOURIER E ANALISE
ESPECTRAL
24
Magnitude
0.2
0.15
0.1
0.05
0
1000
Fase
500
500
1000
25
20
15
10
10
15
20
25
2.2
sen(x)
x
(2.15)
S
erie de Fourier em tempo discreto
Funcoes periodicas em tempo discreto tambem podem ser representadas por serie
de Fourier. Nao demonstraremos aqui a deducao da serie, pois o princpio fundamental e o mesmo que foi usado no tempo contnuo, ou seja, representar funcoes
periodicas com combinacao linear das autofuncoes exponenciais limitando a analise
a autofuncoes com freq
uencias harmonicas7 .
6
25
= 0,2 T
= 0,1 T
= 0,05 T
A equacao de analise e
F [k] =
1 X
f [n]ejk0 n .
N
(2.17)
n=hN i
Note que, em tempo discreto, tanto o sinal f [n] como seu espectro F [k] sao funcoes
periodicas das variaveis discretas n e k. As autofuncoes que servem de base para a
construcao da serie sao ejk0 n para N valores consecutivos de k.
Exerccio 2.2. Diferentemente das funcoes periodicas em tempo contnuo, as funcoes
periodicas em tempo discreto nao necessitam de infinitas componentes harmonicas
para compor sua expansao em serie de Fourier (compare a eq.(2.6) com a eq.(2.16)).
Felipe Borges Cunha
26
REPRESENTAC
OES
DE FOURIER E ANALISE
ESPECTRAL
Se uma dada funcao f [n] e periodica com perodo N , entao sua expansao em serie
de Fourier necessita no maximo de N componentes harmonicas de freq
uencias. Explique por que (Sugestao: Determine a condicao que a freq
uencia angular deve
satisfazer para que ejn seja uma funcao periodica e use a eq.(3.2)).
2.3
A serie de Fourier, conforme vimos ate agora, e uma forma de representar sinais
periodicos como combinacao linear de autofuncoes dos sistemas lineares invariantes
no tempo. Estes sinais periodicos sao sempre sinais de potencia, conforme definido na
secao 1.2. Como em tempo contnuo, o espaco das funcoes periodicas tem dimensao
infinita, esta combinacao linear pode ter infinitos termos. Porem, cada termo possui
uma freq
uencia que e um m
ultiplo inteiro da freq
uencia fundamental do sinal a ser
representado.
A questao que se coloca agora e: Podemos representar funcoes nao periodicas,
em particular, sinais de energia na forma de combinacao linear de autofuncoes do
tipo ej0 t ? A resposta e sim.
Inicialmente consideremos a funcao periodica generica fp (t) de perodo T mostrada
no grafico da Fig.2.4 cujo espectro e dado pela equacao de analise da serie de Fourier.
Z T
2
1
F [k] =
fp (t)ejk0 t dt
(2.18)
T T2
A funcao periodica fp (t) e recuperada atraves da equacao de sntese
fp (t) =
F [k]ejk0 t
(2.19)
k=
0 d
T
(2.20)
k0
Definindo T F [k] = F (j) e multiplicando a equacao de analise or T , teremos no
limite
Z
F (j) =
f (t)ejt dt
(2.21)
X
k=
F [k]
T jk0 t
e
0
2
(2.22)
27
Figura 2.4: Limite de uma funcao periodica com o perodo tendendo a infinito.
No limite entao, o somatorio se transforma numa integral, pois a variavel discreta
k0 se torna uma variavel contnua .
Z
1
f (t) =
F (j)ejt d
(2.23)
2
As equacoes (2.21) e (2.23) sao respectivamente as equacoes de analise e sntese
da transformada de Fourier em tempo contnuo. Note que a (2.21) corresponde
exatamente `a mesma funcao obtida em (2.3) por outro caminho.
Exemplo 2.2. Calcular a transformada de Fourier do pulso quadrado dado por
1, t0 t t0 +
f (t) =
(2.24)
0, caso contrario
Utilizando a equacao de analise (2.21) temos
Z t0 +
F (j) =
1 ejt dt
(2.25)
t0
t0 +
1 j(t0 + )
1
jt
jt0
=
F (j) =
e
j
j
t0
(2.26)
28
REPRESENTAC
OES
DE FOURIER E ANALISE
ESPECTRAL
1.2
0.8
F(j)
0.6
0.4
0.2
0.2
0.4
30
20
10
10
20
30
F (j) =
1 ej
j
jt0
ej 2 ej 2 ej 2 ej 2
j
ejt0
(2.27)
ej 2 ej 2
1
F (j) =
ej(t0 + 2 )
(2.28)
2j
2
sen 2
F (j) =
ej(t0 + 2 )
(2.29)
F (j) = Sa
ej(t0 + 2 )
(2.30)
2
Note que o espectro F (j) e uma funcao contnua da freq
uencia e que sua
magnitude
F [k] ejk0 t
k=
29
( k0 )d =
1 jk0 t
e
2
ou seja:
1 jk0 t
TFTC
e
( k0 )
(2.31)
2
onde TFTC significa Transformada de Fourier em Tempo Contnuo.
Deste modo, cada componente de freq
uencia ejk0 t possui uma transformada de
Fourier na forma de um impulso na freq
uencia k0 . Usando a equacao (2.31) para
calcular a transformada de Fourier de f (t) teremos
F{f (t)} =
F [k] F ejk0 t
k=
F{f (t)} =
2F [k] ( k0 )
(2.32)
k=
para t 0.
(t nT ). Sugestao: use a equacao (2.32).
n=
30
REPRESENTAC
OES
DE FOURIER E ANALISE
ESPECTRAL
(2.33)
f (t) g(t)
2.4
1
F (j) G(j)
2
(2.34)
F e
F ej ejn d
(2.35)
h2i
f [n] ejn
(2.36)
n=
(2.37)
31
f[n]
0
2
4
6
8
Tempo discreto normalizado (n)
10
F e
jn
n=0
n
=
ej
n=0
Como o termo exponencial tem sempre magnitude unitaria, a convergencia do somatorio so depende de . Como 0 < < 1, o somatorio converge para
F ej =
1
1 ej
32
REPRESENTAC
OES
DE FOURIER E ANALISE
ESPECTRAL
2.5
33
An
alise da resposta em freq
u
encia de sistemas
lineares
Ate agora, vimos que ha formas de representar sinais de diversos tipos por meio de
diferentes representacoes de Fourier. Todas elas sao combinacoes lineares de autofuncoes de sistemas lineares invariantes no tempo. Todas elas tambem nos fornecem
funcoes no domnio da freq
uencia que representam a intensidade de cada componente de freq
uencia presente no sinal analisado. Nosso objetivo agora e descobrir
como essas representacoes de Fourier no domnio da freq
uencia podem ser u
teis na
analise de sistemas lineares.
Ja sabemos que a resposta de um sistema linear em tempo contnuo pode ser
dada pela integral de convolucao
Z
y(t) = h(t) u(t) =
h(t )u( )d
Como e sao variaveis independentes entre si, podemos inverter a ordem das
integrais em e .
Z Z
1
h( )ej d U (j)ejt d
y(t) = u(t) h(t) =
2
Reconhecendo a integral interna como a transformada de Fourier de h(t), podemos
escrever
Z
1
h(t) u(t) =
H(j) U (j)ejt d
2
O termo do segundo membro e justamente a equacao de sntese aplicada ao produto
H(j) U (j). Em outras palavras, H(j) U (j) e a transformada de Fourier de
Felipe Borges Cunha
REPRESENTAC
OES
DE FOURIER E ANALISE
ESPECTRAL
34
h(t) u(t). Desta forma, onde antes havia uma integral de convolucao entre duas
funcoes no domnio do tempo, agora ha um produto entre funcoes no domnio da
freq
uencia. Usando uma notacao mais compacta
TFTC
(2.38)
dy(t)
+ y(t)
dt
(2.39)
Esta propriedade tambem e valida no domnio da transformada de Laplace. Essa e outras propriedades das representacoes de Fourier podem ser encontradas nas referencias [5, 6, 2], bem como
uma abordagem completa sobre as representacoes de Fourier, incluindo tabelas de transformadas
e suas propriedades.
35
(2.40)
0+
0+
u(t)dt =
dy(t)
RC
+ y(t) dt
dt
0+
0+
(t)dt = RC
dy(t)
dt
0+
dt +
y(t)dt
1 = RC y(t)|0+
+ 0 1 = RC (y(0+) y()) = RCy(0+)
Felipe Borges Cunha
REPRESENTAC
OES
DE FOURIER E ANALISE
ESPECTRAL
36
Ou seja,
1
RC
Calculemos agora a resposta ao impulso para t > 0. Neste caso, a excitacao
e nula, conforme a definicao da funcao impulso pela equacao (1.18). Portanto, a
solucao de (2.39) resume-se `a solucao da equacao homogenea
y(0+) =
RC
dy(t)
+ y(t) = 0
dt
(2.41)
dy
= dt
y
Calculando a integral indefinida de ambos os membros
Z
Z
dy
dt
=
y
RC
RC
t
+ ln(K)
RC
onde ln(K) e uma constante de integracao arbitraria. Calculando a exponencial de
ambos os membros temos que
ln(y) =
y(t) = K e RC t
A presenca da constante arbitraria K na solucao da equacao diferencial representa
um grau de liberdade para se ajustar a solucao `a condicao inicial, ou seja, o valor
de y(0+). Teremos entao
1
1
RC
1
1
e RC t
RC
(2.42)
=
RC
1
RC
1
1
( RC
+j )t
e
=
0
+ j
1
RC
1
RC
37
(2.43)
+ j
1 j0 t 1 j0 t
e
+ e
2
2
(2.44)
Conforme a equacao (2.4), as exponenciais do tipo ejt sao autofuncoes dos sistemas
lineares invariantes no tempo. Sendo assim, a entrada u(t) = cos(0 t), conforme
expressa por (2.44), e uma superposicao de autofuncoes. A resposta do sistema a
esta entrada pode entao ser calculada usando a equacao (2.4) para cada componente
de freq
uencia de u(t). Sendo assim,
1
1
y(t) = H(j)=0 ej0 t + H(j)=0 ej0 t
2
2
y(t) =
1
RC
1
RC
+ j0
1 j0 t
e
+
2
1
RC
1
RC
j0
1 j0 t
e
2
Note que, para cada uma das componente exponenciais, ha um coeficiente invariante no tempo, mas que e funcao da freq
uencia angular de cada componente do sinal
de entrada u(t). As freq
uencias 0 e 0 sao simetricas. Portanto, as componentes
exponenciais de freq
uencia 0 e 0 sao complexos conjugados, assim como seus
respectivos coeficientes H(j0 ) e H(j0 ). Expressando esses coeficientes na sua
forma polar, temos
1
y(t) = q
2
1
RC
1
RC
j0 t
+ 0 2
1
+ q
2
1
RC
1
RC
ej ej0 t
+ 0 2
1
RC
1 2
RC
+ 0 2
1 j(0 t+)
e
+ ej(0 t+)
2
que e equivalente a
y(t) = q
1
RC
1 2
RC
cos(0 t + )
+ 0
(2.45)
38
REPRESENTAC
OES
DE FOURIER E ANALISE
ESPECTRAL
Neste exemplo, comparando y(t) dado por (2.45) com u(t) dado por (2.40),
podemos perceber que a resposta do circuito da figura 2.9 a uma tensao excitacao
senoidal consiste exatamente em um sinal senoidal do mesmo tipo com amplitude
e fase modificadas. As alteracoes de amplitude e fase que o sistema provoca na
entrada u(t) para gerar a sada y(t) sao dependentes das caractersticas do circuito
e da freq
uencia do sinal de entrada u(t). Isto e evidenciado pela expressao de H(j)
dada pela equacao (2.43). Por isso, damos a esta tecnica o nome de analise da
resposta em freq
uencia. A maneira como o sistema altera amplitude e fase do sinal
de entrada e dada diretamente pela sua funcao de transferencia. A amplitude do
sinal de entrada e multiplicada pela magnitude da funcao de transferencia calculada
em = 0 , enquanto que a fase do sinal de entrada e somada com o angulo de fase
da funcao de transferencia, tambem para = 0 .
` luz deste exemplo, podemos perceber que qualquer sinal que possa ser exA
presso como superposicao de autofuncoes, sera processado pelos sistemas lineares
desta mesma forma: ganho de amplitude e deslocamento de fase. Por este motivo,
e conveniente interpretarmos os sistemas lineares como dispositivos que alteram as
caractersticas do sinal de entrada em funcao das freq
uencias de suas componentes
jt
exponenciais periodicas do tipo e . Da vem o conceito de filtro de sinais. Um
sistema linear pode ser projetado para atenuar as componentes de freq
uencias indesejadas. Se, por exemplo, um sinal de freq
uencia baixa esta contaminado com rudo
de freq
uencias altas, um filtro corretamente projetado pode ser capaz de eliminar,
ou atenuar, essa interferencia indesejada.
Vejamos o caso do exemplo 2.5. Consideremos que R = 16, 0k e C = 1, 0F .
A funcao de transferencia H(j) fica
H(j) =
62, 5
62, 5 + j
39
0
0.2
0.1
0.1
0.2
Sinal com ruido
0.3
0.4
0.5
0.1
0.1
0.2
Sinal filtrado
0.3
0.4
0.5
0
0.2
1
RC
1 2
RC
(2.46)
+
e o angulo de fase e
/H(j) = tg1 (RC)
(2.47)
REPRESENTAC
OES
DE FOURIER E ANALISE
ESPECTRAL
40
Magnitude
0.5
Fase (rad)
0
2
1
0
1
2
500
400
300
200
100
0
100
(rad/s)
200
300
400
500
1
RC
41
Magnitude (dB)
0
5
10
15
20
Fase (Graus)
25
0
20
40
60
80
100
0
10
10
(rad/s)
10
10
42
REPRESENTAC
OES
DE FOURIER E ANALISE
ESPECTRAL
e L t (t) + (t)
a) h(t) = R
L
b) H(j) =
R
L
j
+ j
Captulo 3
Teoria da amostragem
3.1
Introduc
ao
No mundo real, em geral, as grandezas fsicas sao variaveis contnuas que variam ao
longo do tempo. Suas representacoes matematicas sao sinais em tempo contnuo.
Para que seja possvel o uso de sistemas digitais para processar sinais de tempo
contnuo e necessario que se converta tais sinais para uma representacao digital
capaz de ser armazenada e processada digitalmente. A este processo, chamamos de
digitalizac
ao. Dividimos didaticamente a digitalizacao em tres etapas. Amostragem,
quantizacao, e codificacao. O diagrama de blocos da figura 3.1 ilustra estas etapas.
44
TEORIA DA AMOSTRAGEM
3.2
Amostragem de func
oes exponenciais peri
odicas
45
x(nTs ) = ej2 T
=
=
T
T 2
s
fs
Interpretando a razao entre as freq
uencias f0 e fs como uma freq
uencia normalizada
F0 teremos
x[n] = ej2F0 n
Definindo tambem 0 = 2F0 como a freq
uencia angular normalizada teremos
x[n] = ej0 n
(3.1)
Esta e a exponencial em tempo discreto que usamos na Secao 2.4 como autofuncao
dos sistemas lineares em tempo discreto. Lembremos que esta funcao so e periodica
se a freq
uencia 0 for um m
ultiplo racional de 2.
Sabemos que, em tempo discreto
ej(0 +k2)n = ej0 n ejk2n = ej0 n
(3.2)
Pela definicao de funcao periodica dada em (1.5), podemos concluir que a funcao
exponencial complexa ej0 n e periodica no domnio da freq
uencia e possui perodo
2, pois a cada m
ultiplo inteiro de 2 somado ao valor de 0 a funcao ej(0 +k2)n se
torna novamente igual a ej0 n .
Esta propriedade de periodicidade de ej0 n no domnio da freq
uencia nos permite
inferir um criterio para a escolha da freq
uencia de amostragem de sinais em tempo
contnuo.
Ja sabemos que e possvel representar qualquer sinal de interesse pratico como
superposicao de autofuncoes do tipo ejn . Ao amostrarmos um sinal em tempo
contnuo x(t), desejamos que o mesmo seja representado de forma u
nica pela seq
uencia
em tempo discreto x[n] resultante da amostragem. Para tanto, apos a amostragem,
cada componente de freq
uencia de x(t) deve possuir uma representacao u
nica em
tempo discreto. Como a funcao ejn e periodica em com perodo 2, ela so e
capaz de representar, sem ambig
uidades, componentes de freq
uencia numa faixa de
largura 2.
Considere que M seja a maxima componente de freq
uencia do sinal x(t). Sua
representacao normalizada sera M = M /s . Para que M nao gere uma representacao ambgua tal como acontece em (3.2) devemos garantir que seu valor esteja
numa faixa de largura 2
< M < = 1 < 2 ffMs < 1 = fs < 2fM < fs
Felipe Borges Cunha
46
TEORIA DA AMOSTRAGEM
(3.3)
x1(t)
0.5
0
0.5
1
1
x2(t)
0.5
0
0.5
1
0
0.2
0.4
0.6
Tempo (s)
0.8
3.3
47
Teorema de Nyquist-Shannon
As conclusoes da secao anterior podem ser obtidas tambem pela analise de Fourier
do processo de amostragem. Esta abordagem resulta no chamado Teoroema de
Nyquist-Shannon, que diz o seguinte:
Teorema 3.1. Um sinal limitado em faixa, que nao possua componentes acima da
freq
uencia fM , e determinado univocamente por seus valores tomados a intervalos
uniformes de largura Ts = 2f1M
Para podermos provar este teorema, trabalharemos mais profundamente o formalismo matematico do processo de amostragem.
3.3.1
Formulac
ao matem
atica do processo de amostragem
Neste caso, f [n] e uma funcao da variavel discreta n. Este procedimento e puramente
algebrico e nao explicita de que forma se pode amostrar na pratica um sinal contnuo.
Para modelarmos matematicamente o processo real de amostragem, consideremos
a seguinte funcao em tempo contnuo, formada por uma seq
uencia, ou trem, de
impulsos unitarios sucessivos.
Ts =
(t nTs )
(3.4)
n=
Usaremos esse trem de impulsos para amostrar um sinal f (t) atraves do produto de
funcoes f (t) Ts (t).
Temos entao que, o produto f (t) Ts (t) resulta em
fs (t) = f (t)
(t nTs )
n=
fs (t) =
f (t) (t nTs )
n=
fs (t) =
f (nTs ) (t nTs )
n=
48
TEORIA DA AMOSTRAGEM
1
TFTC
f (t) Ts (t)
F j( ) Ts (j)d
2
Sabemos que o espectro da funcao f (t) e limitado em faixa, ou seja, nao contem
freq
uencias superiores a fM , conforme a Figura 3.4a. O espectro do trem de impulsos
Ts (t) foi calculado no Exerccio 2.3 como sendo tambem um trem de impulsos em
freq
uencia dado por
2 X
Ts (j) =
( ks )
(3.5)
Ts k=
que pode ser visto na Figura 3.4b. Portanto, o espectro do sinal amostrado fs (t) =
f (t) Ts (t) e a convolucao de F (j) com Ts (j). Mas sabemos que Ts (j) e
uma seq
uencia de impulsos deslocados em freq
uencia e que a convolucao do espectro
F (j) com cada impulso deslocado de ks sera o proprio espectro F (j) deslocado
Introducao a Filtragem Digital de Sinais
49
Figura 3.4: (a) Espectro do sinal f (t), (b) Espectro do trem de impulsos de
amostragem, (c) Espectro do sinal amostrado fs (t).
para a freq
uencia ks . Portanto,
1 X
Fs (j) =
F (j ( ks ))
Ts k=
(3.6)
Ts , || c
(3.7)
H(j) =
0, || > c
Felipe Borges Cunha
50
TEORIA DA AMOSTRAGEM
A operacao de filtragem e representada na forma de diagrama de bloco na figura
3.5
51
3.4
Reconstruc
ao de sinais amostrados
Ts e
c
jt
d =
Ts ejc t ejc t
Ts 1 jt c
=
e
2 jt
t
2j
c
Ts
c sen (c t)
c
sen (c t) = 2
= 2 Sa (c t)
t
s
c t
s
(3.8)
52
TEORIA DA AMOSTRAGEM
A equacao (3.8) mostra a que a resposta ao impulso unitario do filtro passabaixas ideal e uma funcao seno cardinal do tempo. Tracando o grafico de h(t) em
funcao do tempo, podemos ver que esta funcao nao e nula para t < 0 e portanto, o
filtro passa-baixas ideal nao e causal. Sistemas nao causais nao podem ser realizados
em tempo real. Logo, na pratica e impossvel implementar um filtro ideal1 .
2 /
h(t)
5
c
4
c
3
c
2
c
53
54
TEORIA DA AMOSTRAGEM
Captulo 4
Filtragem digital de sinais
4.1
Introduc
ao ao processamento digital de sinais
Figura 4.1: Diagrama de blocos representativo das principais funcoes num sistema
de processamento digital de sinais.
Vimos no captulo anterior que sinais de tempo contnuo, podem ser, pelo menos
em teoria, completamente descritos por suas amostras tomadas a intervalos regulares. Para que isto seja possvel, devem-se atender duas condicoes.
O sinal deve ser limitado em faixa, ou seja, nao deve ter componentes acima
de uma freq
uencia maxima M .
A freq
uencia de amostragem s deve ser pelo menos o dobro de M
55
56
Vimos tambem que nenhum sinal real, de duracao finita, possui espectro limitado
em faixa. Porem, na pratica, a maioria dos sinais de interesse contem seu conte
udo
energetico proximo de uma faixa limitada. As componentes de freq
uencia fora desta
faixa carregam consigo pouca energia, e conseq
uentemente, pouca informacao. Para
que se possa entao amostrar um sinal em tempo contnuo, deve-se primeiro garantir
que o sinal a ser amostrado seja limitado em faixa. Isto e conseguido submetendo
previamente o sinal original a uma etapa analogica de filtragem. A este pre-filtro
da-se o nome de filtro anti-aliasing, ou ainda filtro anti-recobrimento [1], pois ele
evita que as componentes de alta freq
uencia interfiram nas de baixa freq
uencia apos
a amostragem.
Apos o condicionamento de sinal proporcionado pelo filtro anti-aliasing, ocorre
de fato o processo de amostragem, quantizacao e codificacao mostrados na Figura
3.1. Essa divisao e meramente didatica, posto que, em geral, essas tres etapas podem
ser executadas de forma simultanea no chamado conversor A/D.
Convertido em codigo binario, o sinal pode ser processado por um sistema digital
que, na maioria das vezes, e microprocessado. Muitas vezes, o resultado do processamento permanece no formato digital e este e seu destino final. Em outros casos,
o resultado do processamento precisa ser novamente convertido em sinal analogico
para que possa ser devolvido ao mundo fsico na forma de tensao ou corrente
eletrica, que muitas vezes servira de sinal de entrada para um outro sistema. E
o que ocorre, por exemplo, em sistemas de controle. O controlador digital precisa
enviar sinal de comando para um dispositivo analogico, tal como uma valvula de
controle, um pistao hidraulico ou um conversor de freq
uencia. Esta u
ltima etapa de
processamento consiste na atuacao do conversor D/A juntamente com um filtro de
reconstruc
ao, tambem chamado de filtro anti-imagem, que serve para atenuar as distorcoes provocadas pelas nao-idealidades do processo de reconstrucao implementado
no conversor D/A [6].
Outras aplicacoes, como por exemplo, processamento de audio, capturam o
sinal, processam, e em seguida reconvertem o sinal para o mesmo domnio original.
Funcoes tpicas de processamento de sinais de audio sao, por exemplo, equalizacao
e cancelamento de eco. Essas e outras operacoes sao realizadas digitalmente por
a esta famlia de algoritmos
meio de algoritmos que atuam no sinal digitalizado. E
que pertencem os filtros digitais. Conforme foi dito no Captulo 1, o objetivo deste
curso e apresentar as tecnicas basicas que permitam desenvolver filtros digitais para
o pre-processamento de sinais destinados a servir como dados para identificacao de
parametros de modelos de processos. Portanto, nosso escopo e bastante limitado diante da amplitude do tema processamento digital de sinais. Para o leitor interessado,
as referencias [12, 13, 14] trazem maiores desenvolvimentos neste tema.
Introducao a Filtragem Digital de Sinais
4.1.1
57
Todo sistema dinamico linear, seja ele em tempo contnuo ou tempo discreto, pode
ser entendido como um filtro de algum tipo, desde que seja assintoticamente estavel.
Na verdade, ao determinarmos a funcao de transferencia de um sistema linear, estamos determinando o seu espectro de resposta em freq
uencia, que nada mais e do que
uma forma de descrever suas propriedades de filtragem. A resposta em freq
uencia
de um sistema linear revela quais freq
uencias sao amplificadas e quais freq
uencias
sao atenuadas pelo sistema. Ate mesmo o sistema de suspensao de um automovel
pode ser entendido como um filtro. O projeto das molas e amortecedores deve, entre
outras coisas, levar em conta a atenuacao das perturbacoes e ondulacoes que afetam
as rodas do veculo, para que as mesmas nao se propaguem para a sua estrutura.
4.2
Tipos de filtros
Os filtro seletores de sinais podem ser agrupados segundo diferentes criterios de classificacao e podem ser de diversos tipos. Inicialmente, separamos os filtros segundo
a implementac
ao. Temos entao:
a) Filtros anal
ogicos passivos, compostos apenas de componentes passivos, como
capacitores, indutores e resistores. Os circuitos RC e RL do Captulo 2 e o sistema
de suspensao convencional dos automoveis sao exemplos de filtros passivos.
b) Filtros anal
ogicos ativos, compostos por componentes ativos, tais como transistores e amplificadores operacionais. Os sistemas de suspensao ativa, que possuem amortecedores atuados hidraulicamente, podem ser interpretados como filtros ativos.
c) Filtros digitais, compostos por algoritmos executados por algum sistema microprocessado programavel, ou ainda por um sistema digital de logica fixa.
Temos tambem classificacoes quanto `a seletividade, que determinam o comportamento dos filtros para cada faixa de freq
uencia.
a) Filtro passa-baixa, projetado para permitir a transmissao de componentes de
freq
uencias abaixo de uma determinada freq
uencia de corte e atenuar todas as
componentes de freq
uencia acima desta.
b) Filtro passa-alta, projetado para atenuar componentes de freq
uencia abaixo
da freq
uencia de corte e permitir a transmissao das componentes de freq
uencia
acima desta.
Felipe Borges Cunha
58
4.2.1
Filtros digitais
1
(u[n] + u[n 1] + u[n 2] + u[n 3])
4
Calculando a transformada Z desta equacao temos
y[n] =
Y (z) =
1
1 + z 1 + z 2 + z 3 U (z)
4
59
(4.2)
(4.3)
Neste caso, assim como em todo filtro FIR, o valor de Y (z) e dado por um polinomio
na variavel independente z 1 multiplicado pela entrada U (z). Este polinomio e a
funcao de transferencia do filtro.
H(z) =
1 + z 1 + z 2 + z 3
4
(4.4)
(4.5)
HI ej =
sen() + sen(2) + sen(3)
4
Teremos entao que os espectros de magnitude e fase sao dados por
j q 2
H e = HR (ej ) + HI 2 (ej )
e
j
= tg1
H e
!
HI ej
HR (ej )
(4.6)
(4.7)
(4.8)
(4.9)
1
(u[n] + u[n 1] + u[n 2] + u[n 3] + u[n 4] u[n 4])
4
(4.10)
1
1
(u[n] u[n 4]) + (u[n 1] + u[n 2] + u[n 3] + u[n 4])
4
4
(4.11)
60
|H(ej)| (dB)
0
10
20
30
__
2
180
Fase (graus)
__
90
0
90
180
__
0
(rad)
__
1
(u[n] u[n 4])
4
(4.12)
Deste modo, a equacao que define y[n] tornou-se agora recursiva. Esta propriedade
e comum a todos os filtros cuja resposta ao impulso tenha duracao finita, ou seja,
filtros FIR. Note que, apesar de equivalentes, as duas representacoes nao sao iguais.
Para visualizar isto, tome a transformada Z da equacao (4.12) e obtenha a funcao
de transferencia em z da equacao recursiva.
H(z) =
1 z 4
4(1 z 1 )
(4.13)
Note que a funcao de transferencia dada por (4.13) tem ordem 4 enquanto que a
funcao de transferencia dada por (4.4) tem ordem 3. Apesar disso, ambas possuem
a mesma resposta em freq
uencia.
Exerccio 4.1. Obtenha os diagrams de magnitude e fase da funcao de transferencia
dada por (4.13) e compare com a figura 4.2
Introducao a Filtragem Digital de Sinais
61
A equacao (4.2) e a equacao (4.12) sugerem, cada uma, uma forma diferente de se
implementar o filtro de media movel. Cada implementacao especfica de uma certa
funcao de transferencia e chamada de realizac
ao. A Figura 4.3 mostra, na forma
de diagramas de blocos as realizacoes nao recursiva e recursiva do mesmo filtro de
media movel utilizando elementos basicos de operacao de soma e atraso unitario.
Tais elementos sao triviais no ambito da eletronica digital. Tais diagramas podem
ser prontamente transformados em circuitos eletronicos digitais com um mnimo de
esforco de projeto.
Figura 4.3: Realizacoes do filtro de media movel de 4 amostras na forma (a) nao
recursiva, e (b) recursiva.
Ao contrario do filtro de media movel e de todos os outros filtros FIR, os filtros
IIR nao podem ser expressos de forma nao recursiva. Existem varias vantagens e
desvantagens, tanto na utilizacao de filtros IIR como de filtros FIR. Neste curso,
concentraremos nossa atencao em tecnicas de sntese de filtros IIR derivadas das
tecnicas de sntese de filtros analogicos. O leitor interessado em maiores desenvolvimentos a respeito das diferencas, vantagens e desvantagens dessas duas famlias de
filtros digitais, bem como em tecnicas para sntese de filtros FIR pode consultar as
referencias [12, 13, 5].
Como u
ltimo comentario desta Secao, vale a pena lembrar que todo filtro analogico
tem resposta ao impulso de duracao infinita. Por isso, nao existe a classificacao FIR
e IIR para filtros analogicos. Do mesmo modo, filtros digitais derivados de filtros
analogicos por qualquer tecnica de discretizacao tambem sera do tipo IIR.
Felipe Borges Cunha
62
4.3
Crit
erios de especificac
ao de filtros
4.3.1
Filtros ideais
Figura 4.4: Espectros dos filtros ideais (a) passa-baixa; (b)passa-alta; (c) rejeitafaixa; (d) passa-faixa.
No caso de filtros digitais, a especificacao cobre apenas a faixa de freq
uencias
angulares 0 , pois sabemos que o espaco das freq
uencias em tempo discreto
tem topologia circular com perodo 2 e, alem disso, o espectro de magnitude de um
sistema real tem que ser uma funcao par da freq
uencia [4, 5]. Portanto, a faixa de
freq
uencias negativas e simetrica `a faixa positiva e as faixas abaixo de e acima
de sao meras repeticoes do mesmo espectro para .
Introducao a Filtragem Digital de Sinais
4.3.2
63
Filtros reais
Para que sejamos capazes de projetar filtros realizaveis, precisamos definir tolerancias
nas especificacoes dos filtros ideais. Na pratica, nao se consegue um ganho perfeitamente plano na faixa de passagem. Devemos definir entao, uma variacao maxima
toleravel do ganho nesta faixa. Do mesmo modo, nao e possvel ter ganho nulo
na faixa de rejeicao; por isso definimos o seu ganho maximo toleravel. Tambem a
transicao da faixa de passagem para a faixa de rejeicao nao pode ocorrer de maneira
descontnua. Deve existir uma faixa de transicao em que o ganho decai de forma
suave. Novamente, costuma-se expressar essas especificacoes de forma grafica. A
essa representacao grafica da especificacao do filtro da-se o nome de gabarito.
A figura 4.5 exemplifica o caso de um filtro passa-baixa analogico, que servira
como prototipo para todos os outros filtros. Chamamos de a tolerancia de variacao
de ganho na banda de passagem e de a tolerancia de ganho na banda de rejeicao.
A freq
uencia maxima da banda de passagem e determinada pelo parametro p e a
freq
uencia mnima da banda de rejeicao e designada por r 1 .
Coment
arios sobre m
etodos de especificac
ao de filtros
Para geramos a especificacao de resposta em freq
uencia de um filtro, necessitamos
de algum conhecimento a priori da composicao em freq
uencias do sinal a ser filtrado. Por exemplo, em telecomunicacoes, e freq
uente a necessidade de se separar
as componentes de freq
uencia dos sinais de voz de outras interferencias ac
usticas
ou eletricas. Portanto, e preciso conhecer a faixa de freq
uencias presente na voz
humana para poder especificar a freq
uencia de corte do filtro destinado a eliminar
rudo das transmissoes de voz.
1
64
5
0
5
0
100
200
300
400
500
600
Tempo discreto
700
800
900
1000
Figura 4.6: Sinal amostrado `a taxa de uma amostra por segundo e contaminado
com rudo.
A princpio, e difcil distinguir se ha no sinal alguma variacao oriunda de dinamica
de processo, ou se toda a variacao observada e devida a rudo. Porem, qualquer
um que tenha suficiente familiaridade com o processo, pode perceber uma certa
regularidade nas variacoes observadas. Para os olhos bem treinados de um operador
ou um engenheiro de processo, oscilacoes na dinamica do processo podem estar
escondidas por tras de rudo aleatorio. Muitas vezes isso e suficiente para determinar
que freq
uencias sao devidas ao processo e quais sao as faixas de rudo a serem
filtradas. Porem, este nao e o caso geral. Nem sempre dispomos de familiaridade com
o processo a ponto de detectarmos visualmente seu comportamento dinamico. Para
Introducao a Filtragem Digital de Sinais
65
0.6
0.4
0.2
/2
(rad)
/2
freq
uencia positiva. E esta simetria em torno do eixo = 0 que anula as partes
imaginarias das funcoes do tipo ejn .
Percebemos claramente, no espectro do sinal, dois picos mais intensos proximos
da origem. Suponhamos que, neste exemplo, as variacoes mais lentas do sinal sao
2
66
0.4
Componentes
caractersticas
de rudo colorido
0.2
/2
(rad)
/2
67
68
4.3.3
Transformaco
es de freq
u
encia
s
p
(4.14)
H(
s) = H
s
p
= H(s)
(4.15)
Filtro passa-alta
Se desejamos projetar um filtro passa-alta, devemos encontrar uma transformacao
que converta o prototipo passa-baixa normalizado num passa-alta com as mesmas
especificacoes. Tal transformacao e dada por
s =
Introducao a Filtragem Digital de Sinais
p
s
(4.16)
69
Filtro passa-faixa
Para transformar o prototipo passa-baixa normalizado num passa-faixa com banda
de passagem 1 < < 2 usamos a seguinte transformacao
s =
s2 + 0 2
Bs
(4.17)
(4.18)
0 = 1 2
(4.19)
importante ressaltar que esta transformacao impoe uma simetria geometrica ao
E
espaco das freq
uencias, de modo que as freq
uencias limites da banda de rejeicao
tambem devem atender `a condicao dada por
0 = 3 4
(4.20)
dessa forma, a freq
uencia central da banda de passagem coincide com a freq
uencia
central da banda de rejeicao do ponto de vista da media geometrica. A freq
uencia
limite da banda de passagem do prototipo passa-baixas normalizado sera unitaria,
ou seja, p = 1 e a freq
uencia limite da banda de rejeicao sera dada por
r =
4 3
2 1
(4.21)
Filtro rejeita-faixa
Para obter um filtro rejeita-faixa com banda de rejeicao de largura B = 2 1 a
partir de um prototipo passa-baixa normalizado usa-se a transformacao
s =
Bs
+ 0 2
s2
0 = 1 2 = 3 4
(4.22)
(4.23)
70
4.4
Funco
es de aproximac
ao para
prot
otipos anal
ogicos de filtros
Magnitude
1
0.8
0.6
0.4
0.2
0
0.5
1
1.5
2
Frequencia angular (rad/s)
2.5
4.4.1
71
Butterworth
dk
(4.26)
= 0 para 1 k 2n 1
|H
(j)|
d k
=0
onde n e a ordem da funcao. A expressao geral que define a funcao de Butterworth
e
1
|H(j)|2 =
(4.27)
2n
1 + c
Os dois parametros fundamentais deste filtro sao a ordem n e a chamada freq
uencia
de corte c . Note que, quando = c temos um ganho |H(j)| = 1/ 2, que
corresponde a 3dB, independentemente da ordem n do filtro. A determinacao
da ordem do filtro e feita a partir das suas especificacoes e esta relacionada com o
que chamamos de seletividade. Para se determinar a ordem mnima necessaria que
atende as especificacoes, usa-se o seguinte criterio:
(1 2 )(1)2
log 2 (22 )
n
(4.28)
2 log pr
Escolhe-se n como o menor n
umero inteiro que satisfaz (4.28). Se as especificacoes
de ganho do filtro forem dadas em funcao das atenuacoes em dB, usa-se
A
min
10 10 1
log
Amax
10 10 1
n
(4.29)
2 log pr
onde Amax corresponde `a maxima atenuacao em dB permitida na faixa de passagem
e Amin corresponde `a mnima atenuacao em dB exigida na faixa de rejeicao3 .
Considerando o nosso exemplo e usando o criterio (4.28) para o filtro passa baixas
normalizado, temos:
(10,12 )(10,1)2
log 0,12 (20,10,12 )
= 4, 2483
(4.30)
n
2 log 2,037
1
3
72
2 2
n1
c r
2
1 2
2n1
(4.31)
1 0, 1
p
2 0, 1 0, 12
! 15
c 2, 037
0, 12
1 0, 12
101
(4.32)
1, 1560 c 1, 2866
Podemos escolher qualquer valor de c dentro da faixa calculada. Escolheremos
entao c = 1, 2
Exerccio 4.2. Deduza os criterios (4.28) e (4.29) a partir de (4.27).
Ferramentas computacionais
A sntese de filtros e significativamente simplificada pelo uso de pacotes de ferramentas computacionais voltadas tanto para calculo numerico como calculo simbolico.
A mais popular na area da engenharia de controle e processamento de sinais e o
MATLABr 4 . O toolbox de processamento de sinais do MATLABr ja traz uma
funcao chamada buttord que calcula a ordem e a freq
uencia de corte necessarias
para um filtro Butterworth em funcao das suas especificacoes.
Exerccio 4.3. Use o comando buttord do MATLABr para calcular a ordem e a
freq
uencia de corte do filtro considerado no exemplo.
De posse da ordem necessaria e da freq
uencia de corte, pode-se determinar todos
os coeficientes da funcao de transferencia do filtro. Se os parametros de especificacao
usados para sntese tiverem sido normalizados, a funcao de transferencia na variavel
4
73
1
2n =
2
c 2
1+
1
H(j) H(j) =
1 + (1)
(j)2
n =
1+
1+
(4.34)
2n
(4.35)
(j)(j)
c 2
n =
c 2
(1)n
j
c
H(
s) H(
s) =
1+
(1)n
2n
(4.36)
s
c
Os polos de H(
s) H(
s) serao as razes de
1 + (1)
s
c
2n
=0
(4.37)
(4.38)
2k+n1
s = ej 2n
(4.39)
para todo k Z. Note que a expressao (4.39) fornece apenas 2n polos distintos
uniformemente distribudos sobre o crculo de raio unitario no plano s, conforme
mostra a Figura 4.10.
Como a funcao H(
s) tem que ser estavel, dos 2n polos dados por (4.39) somente aqueles n polos com parte real negativa sao devidos a H(
s). Os outros n
polos correspondem ao complexo conjugado H(
s). Escolhendo entao apenas os n
polos estaveis, H(
s) sera entao, a funcao de transferencia do filtro no domnio da
transformada de Laplace, com freq
uencia normalizada por c .
Felipe Borges Cunha
74
= 1.2000 j
= 0.3708 + j
= 0.3708 j
= 0.9708 + j
= 0.9708 j
0.0000
1.1413
1.1413
0.7053
0.7053
75
1
(s + 1, 2) (s + 0, 7416 s + 1, 4401) (s2 + 1, 9416 s + 1, 4399)
2
(4.40)
Para obter a funcao de transferencia real H(s) a ser implementada devemos efetuar as transformacoes de freq
uencia estudadas na Secao 4.3.3. Neste caso especfico,
isto equivale apenas a fazer mais uma denormalizacao simplesmente substituindo s
por sp , o que da:
H(s) =
s5
+ 1, 0484
s4
+ 0, 5495
s3
0, 0036
+ 0, 1780 s2 + 0, 0356 s + 0, 0036
(4.41)
Ferramentas computacionais
O toolbox de processamento de sinais do MATLABr ja traz uma funcao chamada
butter para sntese de filtros do tipo Butterworth tanto analogicos como digitais.
Os dados de entrada sao a ordem do filtro e a freq
uencia de corte c , que pode ser
normalizada ou nao.
Exerccio 4.4. Digite help butter na janela de comando do MATLABr para
verificar a sintaxe de uso do comando butter e use-o para sintetizar a funcao de
transferencia do filtro analogico que atende as seguintes especificacoes:
Freq
uencia maxima da faixa de passagem: p = 100 rad/s;
Ganho mnimo da faixa de passagem: |H(jp )| = 0, 95;
Freq
uencia mnima da faixa de rejeicao: r = 500 rad/s;
Ganho maximo da faixa de rejeicao: |H(jr )| = 0, 01.
Trace o diagrama de magnitude da funcao de transferencia encontrada e verifique
se ela atende as especificacoes dadas.
4.4.2
Chebyshev
76
1
1 + 2 Cn 2
(4.42)
onde Cn (
) e um polinomio de Chebyshev de grau n na variavel normalizada
=
/p , definido por
)) para |
| 1
cos (n cos1 (
(4.43)
Cn (
) =
cosh n cosh1 (
) para |
| 1
O fator na funcao de transferencia de Chebyshev e chamado fator de ripple,
ou fator de ondulac
ao e esta relacionado com a amplitude permitida de ondulacao
do ganho na banda de passagem, dada pelo criterio de especificacao . Note que,
neste caso, a relacao do da equacao (4.42) e do da figura 4.5 e
r
1
2 2
(4.44)
=1
=
1 + 2
1
A equacao (4.43) e de difcil tratamento analtico. Felizmente, e possvel obter
uma forma recursiva para o calculo do polinomio de Chebyshev de ordem n. Calculemos inicialmente, os polinomios de grau n = 0 e grau n = 1. A (4.43) da
C0 (
) = 1
C1 (
) =
(4.45)
A partir de C0 (
) e C1 (
) podemos entao calcular de forma recursiva qualquer
polinomio de Chebyshev usando a relacao de recorrencia
Ck+1 (
) = 2
Ck (
) Ck1 (
)
(4.46)
O polinomio de Chebyshev sempre sera uma funcao par se o grau n for par ou
uma funcao mpar se o grau n for mpar. Seus coeficientes sao sempre n
umeros
n1
inteiros e o coeficiente do termo de maior grau sempre sera 2
(a u
nica excecao e
o polinomio de grau zero). O valor de Cn (1) e sempre unitario, independentemente
do grau n.
Assim como no caso do filtro de Butterworth, o primeiro passo na sntese do
filtro de Chebyshev e determinar a ordem n mnima necessaria para atender as
especificacoes do gabarito. Temos entao que
1 2
1
cosh
(4.47)
n
r
1
cosh
p
Introducao a Filtragem Digital de Sinais
77
!
r
2
2
(1
)
1
cosh1
2 2
n
(4.48)
r
1
cosh
p
Se as especificacoes de de ganho forem dadas em termos das atenuacoes em dB,
teremos
q
Amin
10
10
cosh1 p Amax
10
10
1
n
(4.49)
r
1
cosh
p
onde Amin e a atenuacao mnima requerida na faixa de rejeicao e Amax e a maxima
atenuacao permitida na faixa de passagem.
O proximo passo consiste em obter a expressao da funcao de transferencia do
filtro de Chebyshev no domnio da freq
uencia complexa normalizada s. Seja entao
|H(j
)|2 = H(j
) H(j
) = H(
s) H(
s)s=j
(4.50)
logo
H(
s) H(
s)s=j =
(4.51)
2 Cn 2 (
)
1+
onde
= /p . Os 2n polos de (4.51) sao as razes de
1 + 2 Cn 2 (
) = 0
(4.52)
(4.53)
(2k 1)
1
1
1
k = sen
senh
senh
2n
n
k = cos
(2k 1)
2n
1
1
1
cosh
senh
n
(4.54)
78
com 1 k n. A expressao de H(
s) sera dada entao por
H(
s) =
K
(
s s1 ) . . . (
s sn )
(4.55)
onde
o fator K deve ser escolhido de modo a que H(0) = 1 para n mpar e H(0) =
1/ 1 + 2 para n par.
Ferramentas computacionais
A sntese de filtros Chebyshev tambem e facilitada pelo MATLABr atraves da
funcao cheby1. Os dados de entrada da funcao sao a ordem do filtro, a maxima
ondulacao na banda de passagem, dada em dB, e a freq
uencia limite da banda
de passagem p . Se for usado p = 1, tem-se a sntese do filtro normalizado na
freq
uencia.
Exerccio 4.5. Usando a funcao cheby1 do MATLABr , sintetize um filtro Chebyshev que atenda as seguintes especificacoes:
Freq
uencia maxima da faixa de passagem: p = 200 rad/s;
Ganho mnimo da faixa de passagem: |H(jp )| = 0, 90;
Freq
uencia mnima da faixa de rejeicao: r = 500 rad/s;
Ganho maximo da faixa de rejeicao: |H(jr )| = 0, 01.
Trace o grafico de magnitude da funcao de transferencia do filtro e verifique se o
mesmo atende as especificacoes.
4.4.3
Chebyshev inverso
79
=p
1 + 2
1 2
(4.58)
n
(4.59)
r
1
cosh
p
onde os fatores de ripple e sao dados em funcao das especificacoes de resposta
em freq
uencia e pelas relacoes (4.44) e (4.58).
Ao contrario das outras funcoes estudadas, a funcao de Chebyshev inversa possui
zeros finitos, imaginarios puros. Seus valores normalizados por r sao dados por
1
(2k 1)
(4.60)
zk = j cos
2n
No caso dos polos, expressamos os mesmos por
pk = (
k + j
k )1
onde
(2k 1)
k = sen
2n
k = cos
(2k 1)
2n
(4.61)
1
1
1
senh
senh
n
1
1
1
cosh
senh
n
(4.62)
80
filtros Chebyshev inversos, ou tipo II. Os dados de entrada da funcao sao a ordem do
filtro, a maxima ondulacao na banda de rejeicao, dada em dB, e a freq
uencia limite
da banda de rejeicao r . Se for usado r = 1, tem-se a sntese do filtro normalizado
na freq
uencia.
Exerccio 4.6. Usando a funcao cheby2 do MATLABr , sintetize um filtro Chebyshev que atenda as mesmas especificacoes do Exerccio 4.5, ou seja:
Freq
uencia maxima da faixa de passagem: p = 200 rad/s;
Ganho mnimo da faixa de passagem: |H(jp )| = 0, 90;
Freq
uencia mnima da faixa de rejeicao: r = 500 rad/s;
Ganho maximo da faixa de rejeicao: |H(jr )| = 0, 01.
Trace o grafico de magnitude da funcao de transferencia do filtro. Verifique se o
mesmo atende as especificacoes e compare o resultado com o resultado obtido no
Exerccio 4.5.
4.4.4
Outras func
oes de aproxima
c
ao
Alem dos filtros Butterworth, Chebyshev e Chebyshev inverso, existem outros tais
como filtro elptico, ou de Cauer, filtro de Bessel, filtro Chebyshev modificado, filtro
Cauer modificado, e outros. Nao abordaremos todos estes filtros, porem todos eles
seguem as mesmas ideias basicas estudadas aqui. Os exemplos apresentados neste
curso sao os mais usados e mais conhecidos e cobrem as aplicacoes nas quais estamos
interessados. Outras aproximacoes podem ser tambem obtidas pelo MATLABr com
o uso de funcoes predefinidas para sntese de filtros, como por exemplo, besself e
ellip.
Nao faz parte do escopo deste curso analisar todas as vantagens e desvantagens dos diferentes tipos de filtros em relacao a cada tipo de aplicacao. Mas convem
salientar que, no exposto nas secoes anteriores, so nos preocupamos com os espectros
de magnitude dos filtros analisados. Porem, cada funcao de aproximacao de filtros
possui suas proprias caractersticas de espectro de fase e isso pode ser de fundamental importancia em algumas aplicacoes. Em controle de processos, por exemplo,
quando se utiliza um filtro em algum ponto do caminho do sinal realimentado, a
defasagem que ele gera pode ser tal que, em certas freq
uencias, provoque a inversao
da polaridade do sinal, adicionando um atraso de 180 graus. Isso pode transformar a
realimentacao negativa em realimentacao positiva e ocasionar instabilidade do processo. Se existe algum filtro no caminho da realimentacao, isso deve ser considerado
no momento do projeto do sistema de controle e sintonia do controlador.
Exerccio 4.7. Trace os espectros de fase dos filtros obtidos nos Exerccios 4.4, 4.5
e 4.6.
Introducao a Filtragem Digital de Sinais
4.5
81
z1
z+1
(4.64)
z1
Ts
(4.65)
z1
Ts z
(4.66)
ln(z)
Ts
(4.67)
Felipe Borges Cunha
82
83
4.6
Realizac
ao de filtros digitais
(4.68)
Y (z) an z n + . . . + a1 z 1 + a0 = U (z) bn z m + . . . + b1 z 1 + b0
(4.69)
logo,
Deve-se ter cautela ao definir a ordem em que os termos dos polinomios A(z) e B(z) sao
escritos. Diferentes autores usam diferentes formas de escrever tais polinomios e de indexar os
coeficientes em funcao do grau de cada termo. Em alguns casos, o termo de grau k pode ter
coeficiente com ndice n k, enquanto que em outros casos, termo de grau k pode estar associado
a coeficiente com ndice k. Tambem deve-se ter atencao quando `a variavel independente ser z ou
z 1 . Alem disso, no MATLABr nao e permitido indexar vetores com ndice 0, e a seq
uencia de
indexacao dos coeficientes sempre fica deslocada de uma unidade em relacao aos graus dos termos
correspondentes.
84
Ferramentas computacionais
O MATLABr traz tambem uma funcao para realizacao de filtros digitais. Trata-se
da funcao filter. Apos sintetizar a funcao de transferencia do filtro, os polinomios
do numerador e do denominador sao passados como argumento para a funcao filter
juntamente com o vetor u[n] de dados a ser filtrado. O resultado do calculo da funcao
e um vetor contendo a seq
uencia y[n] obtida apos a filtragem do sinal de entrada
u[n].
Outra funcao muito u
til e fvtool, ou Filter Visualization Tool, que cria um
ambiente grafico para analise de filtros do ponto de vista de resposta em freq
uencia
(transformada de Fourier em tempo discreto) e resposta no domnio do tempo (resposta ao impulso unitario e ao degrau unitario).
Exerccio 4.9. Digite no espaco de trabalho do MATLABr o comando help fvtool
e, com base nas instrucoes dadas pelo MATLABr , use a ferramenta fvtool para
analisar os filtros sintetizados nos Exerccios 4.4, 4.5 e 4.6. Compare os resultados
de magnitude e fase com os graficos obtidos nos Exerccios 4.4, 4.5, 4.6 e 4.7.
Refer
encias Bibliogr
aficas
[1] Sidnei Noceti Filho. Filtros Seletores de Sinais. Editora da UFSC, Florianopolis,
1998.
[2] B. P. Lathi. Sinais e Sistemas Lineares. Bookman, Porto Alegre, 2006.
[3] Harry F. Davis. Fourier Series and Orthogonal Functions. Dover, New York,
1989. Reimpressao do original de 1963.
[4] Bernd Girod, Rudolf Rabenstein, and Alexandrer Stenger. Sinais e Sistemas.
LTC, Rio de Janeiro, 2003.
[5] Alan V. Oppenheim, Alan S. Willsky, and Hamid Nawab. Signals And Systems.
Prentice Hall, New Jersey, 1997.
[6] Simon Haykin and Barry Van Veen. Sinais e Sistemas. Bookman, Porto Alegre,
2001.
[7] Chi-Tsong Chen. Linear System Theory and Design. Oxford University Press,
New York, 1999.
[8] Benjamin C. Kuo. Digital Control Systems. Oxford University Press, New York,
1992.
[9] Wilson J. Rugh. Linear System Theory. Prentice Hall, Upper Saddle River,
New Jersey, 1996.
[10] John S. Bay. Fundamentals of Linear State Space Systems. McGraw-Hill.
[11] Gene F. Franklin, J. David Powell, and Michael L. Workman. Digital Control
of Dynamic Systems. Addison-Wesley, Menlo Park, CA, 1998.
[12] John G. Proakis and Dimitris G. Manolakis. Digital Signal Processing - Principles, Algorithms and Applications. Prentice Hall, Upper Saddle River, New
Jersey, 1996.
85
86
REFERENCIAS
BIBLIOGRAFICAS
[13] Paulo Sergio Ramirez Diniz, Eduardo Antonio Barros da Silva, and Sergio Lima
Netto. Processamento Digital de Sinais - Projeto e analise de sistemas. Bookman, 2004.
[14] Monson H. Hayes. Processamento Digital de Sinais. Bookman, 2006.