UVOD

Uvod u digitalnu obradu signala

Moglo bi se reći da poreklo tehnika za digitalnu obradu signala potiče još iz 17. veka kada
su razvijene metode konačnih diferencijala, numeričke integracije i numeričke interpolacije, sa
ciljem da se reše fizički problemi koji su uključivali kontinualne promenljive i funkcije. Kasnije se
interes za obradu signala pojavio 50-ih godina XX veka sa pojavom i dostupnošću digitalnih
računara. Početne aplikacije su se uglavnom sastojale od simulacija metoda za analognu obradu
signala. Početkom 60-ih godina istraživači su počeli da smatraju digitalnu obradu signala kao
posebnu naučnu i istraživačku oblast i od tada je došlo do razvoja brojnih metoda i značajnih
dostignuća kako u teoretskom smislu, tako i u praktičnoj upotrebi tehnika digitalne obrade signala.
Digitalna obrada analognih signala se sastoji u osnovi iz tri stepena: konverzije analognih
signala u digitalni oblik, obrade tog digitalnog oblika i konačno, konverzije obrađenog digitalnog
signala nazad u analognu formu. Kako se amplituda analognog signala menja u vremenu, najpre se
koristi sample-and-hold kolo (S/H) koje vrši odabiranje signala u periodičnim intervalima i drži
tako odabranu vrednost konstantnom. Zatim se takav signal vodi na A/D (analogno/digitalni)
konvertor i signal se digitalizuje. Izlaz iz A/D konvertora je binarna sekvenca čija se obrada dalje
vrši u digitalnom signal-procesoru implementiranjem odgovarajućeg algoritma obrade signala. Na
izlazu digitalnog signal-procesora se opet dobija binarna sekvenca koja se konvertuje u stepeničasti
analogni signal korišćenjem D/A (digitalno/analognog) konvertora. Na kraju se koristi
niskopropusni filtar koji vrši odstranjivanje neželjenih visokofrekventnih komponenata i na izlazu
filtra se dobija željeni obrađeni analogni signal.
Nasuprot prethodno opisanoj obradi signala, direktna analogna obrada analognog signala je
konceptualno mnogo jednostavnija pošto uključuje samo jedan procesor i stoga se i nameće pitanje
koje su prednosti digitalne obrade signala u odnosu na analognu obradu signala. Postoje, naravno,
mnoge prednosti, ali najvažnije su sledeće.
Za razliku od analognih kola, funkcionisanje digitalnih kola ne zavisi od preciznih vrednosti
digitalnog signala. Kao rezultat, digitalna kola su manje osetljiva na tolerancije vrednosti
komponenata i skoro da su neosetljiva na temperaturu, starenje i mnoge druge spoljašnje parametre.
Osim toga, digitalna kola su veoma pogodna za integraciju u veće sisteme tako da je, imajući u vidu
skorašnji naprdak VLSI (very large scale integrated) tehnologija, vrlo jednostavno integrisati
veoma sofisticirane i kompleksne sisteme digitalne obrade signala na samo jedan čip.
U digitalnim signal-procesorima signali i koeficijenti koji opisuju operacije su predstavljeni
kao binarne reči. Stoga se može postići željena tačnost jednostavnim povećavanjem dužine reči,
naravno imajući u vidu cost-benefit efekte. Osim toga, dinamički opsezi za signale i koeficijente se
mogu povećati korišćenjem aritmetike sa pokretnom tačkom ukoliko je potrebno. Digitalni signal-
procesori dozvoljavaju deljenje sopstvenih resursa na veći broj signala korišćenjem vremenskog
multipleksa i time se smanjuje cena obrade po signalu. Digitalna implementacija dozvoljava
jednostavno podešavanje karakteristika procesora u toku obrade signala kao što je recimo prilikom
implementacije adaptivnih filtara. Podešavanja adaptivnih filtara se mogu lako realizovati
periodičnim menjanjem koeficijenata algoritma koji predstavlja karakteristike filtra. Druga
aplikacija sa menjanem koeficijenata je realizacija sistema sa programabilnim karakteristikama kao
što su frekventno selektivni filtri sa podešavajućim učestanostima propusnih i nepropusnih opsega.
Takođe možemo napomenuti da je realizacija banke filtara veoma jednostavna u digitalnoj formi.
Digitalna implementacija dozvoljava realizacije nekih karakteristika koje nisu moguće u
analognoj formi kao što su sistemi linearne faze i obrada signala sa promenljivom periodom
odabiranja. Digitalna kola se takođe mogu vezati na red bez problema baferovanja ili zasićenja kao
što je to slučaj sa analognim kolima. Digitalni signali se takođe mogu memorisati na različitim
medijima skoro beskonačno puta bez ikakvog gubitka informacija. Takvi signali se kasnije mogu
obrađivati u off-line režimu, npr. obrada video, audio ili seizmičkih signala.
Velika prednost aplikacija digitalne obrade signala je u obradi signala na veoma malim
učestanostima kao što su recimo seizmički signali. Naime, ukoliko se vrši analogna obrada signala,
kalemi i kondenzatori koji su potrebni za takvu obradu moraju da budu veoma velikih dimenzija.
Digitalna obrada signala ima naravno i nekih nedostataka. Prvi očigledni nedostatak je u
povećanju kompleksnosti sistema za digitalnu obradu analognih signala zbog potrebe za dodatnim
kolima za preprocesiranje i postprocesiranje kao što su A/D i D/A konvertori i njima priključeni
filtri i dodatna digitalna kola.
Drugi nedostatak digitalne obrade signala je ograničen opseg frekvencija signala koji mogu
da se obrađuju. Ovaj nedostatak je naročito izražen prilikom digitalne obrade analognih signala.
Kao što će biti kasnije pokazano, analogni kontinualni signal mora biti odabran sa učestanošću
odabiranja koja je najmanje dva puta veća od učestanosti naviše frekvencijske komponente u
signalu. Ako ovaj uslov nije zadovoljen, tada se komponente signala koje su na većoj učestanosti od
polovine učestanosti odabiranja pojavljuju kao komponente signala na nižim učestanostima i time
mogu da znatno naruše talasni oblik obrađivanog analognog signala. Frekvencijski opseg na kome
može da se vrši digitalna obrada signala je primarno određen hardverom kola za odabiranja i A/D
konvertora. Najviše učestanosti odabiranja koje postoje u praksi su reda GHz. Međutim na tako
visokim učestanostima odabiranja ograničavajući faktor je A/D konvertor. Naime, ako podaci
moraju tako brzo da se digitalizuju onda je to moguće uraditi sa relativno malom rezolucijom A/D
konvertora (6-8) bita, dok je u praksi poželjno da se amplitudski nivoi kvantizuju sa 12-16 bita.
Stoga se može reći da je gornja granica učestanosti odabiranja u praktičnim aplikacijama ipak oko
10-100 MHz. Sa napretkom integrisane tehnologije može se ipak očekivati pomeranje ovih granica.
Treći nedostatak je posledica činjenice da su digitalni sistemi konstruisani korišćenjem
aktivnih kola koja se povezuju u aktivnu električnu mrežu. Naime, digitalni signal- procesori koji u
sebi imaju veliki broj poluprovodničkih komponenata mogu imati veliku disipaciju te i potrošnja
električne energije može biti izražena. Sa druge strane, mnoštvo algoritama analogne obrade signala
se može implementirati korišćenje samo pasivnih komponenata (kalema, kondenzatora, otpronika)
kojima nije potrebno napajanje. Osim toga, pasivne komponente su pouzdanije od aktivnih kola.
U svakom slučaju, prednosti digitalne obrade signala su znatno izraženije od nedostataka, i
sa daljim razvojem i smanjenjem cene hardvera za digitalnu obradu signala broj aplikacija digitalne
obrade signala se rapidno povećava.


Pregled osnovnih kontinualnih i diskretnih signala

U ovom delu ćemo navesti osnovne i najčešće korišćene elementarne kontinualne i diskretne
signale. Prvi od njih je jedinični impulsni signal koji se često naziva i Dirakov impuls u
kontinualnom slučaju, ( ) t δ . Ovaj signal se može definisati na više načina, ali u svakom slučaju,
mora da zadovolji nekoliko uslova:

( )
( )
( )
2
1
1 2
0 za 0
nije definisana za 0
1, 0
0, ina če
t
t
t t
t t
t t
t dt
δ
δ
δ
= ≠
=
< < ¦
=
´
¹

(1.1)
U literaturi se često definiše na bazi funkcionala i ova definicija je od velikog interesa u digitalnoj
obradi signala.
( ) ( ) ( )
0 0
x t x t t t dt δ
+∞
−∞
= −

(1.2)
pri čemu je ( ) x t proizvoljan kontinualni signal definisan u trenutku
0
t . Sa druge strane, u
diskretnom slučaju se definiše jedinična impulsna sekvenca, koja se često naziva i impuls u
diskretnom vremenu ili jedinični impuls, sa oznakom | |
n δ ili ( ) n δ . Definiše se kao
( )
1, 0
0, 0
n
n
n
δ
= ¦
=
´

¹
(1.3)
Drugim rečima, jedinična impulsna sekvenca je diskretni signal koji ima vrednost 0 svuda sem za
0 n = kada je jednaka 1. Za razliku od kontinualne jedinične impulsne funkcije ( ) t δ koja je takođe
jednaka 0 za svako 0 t ≠ i koja ima površinu 1, definicija jediničnog impulsa u diskretnom slučaju
je matematički neuporedivo jednostavnija. Jedinična impulsna sekvenca pomerena za k odbiraka se
definiše kao
( )
1,
0,
n k
n k
n k
δ
= ¦
− =
´

¹
(1.4)
i može se pokazati da se proizvoljni diskretni signal može predstaviti kao suma pomerenih
jediničnih impulsa različitih amplituda.
Jedinična odskočna funkcija ili Hevisajdova funkcija (koja je dobila ime po engleskom
matematičaru – Oliver Heaviside) se obeležava, u kontinualnom slučaju, sa ( ) u t ili ( ) h t i definiše
se na sledeći način:
( )
0, 0
1, 0
t
h t
t
< ¦
=
´
>
¹
(1.5)
Primetimo da jednačinom (1.5) Hevisajdova funkcija nije definisana za 0 t = , tj. funkcija ima
prekid u toj tački. Neki autori definišu vrednost funkcije za 0 t = , tj. daje se vrednost funkciji 0, 1
ili 0.5, ali u svakom slučaju prekid u tački 0 ostaje. U praktičnim slučajevima to i nema uticaja na
analizu i rešenja problema. U diskretnom slučaju se definiše jedinična odskočna sekvenca ili
jedinični odskočni signal (umesto prideva odskočni može se koristiti i engleska reč step) kao:
( )
0, 0
1, 0
n
h n
n
< ¦
=
´

¹
(1.6)
i, kao i za impulsni signal, definicija je egzaktna i matematički jednostavna.
Od velikog značaja u digitalnoj obradi signala je klasa signala koji opisuju jednostavne
harmonijske oscilacije i koji se mogu nazvati i sinusoidalnim signalima. Tipičan oblik jednog
takvog analognog signala je opisan relacijom
( ) ( ) cos ,
a
x t A t t θ = Ω + −∞ < < ∞ (1.7)
pri čemu indeks a označava da je signal ( ) x t analogni. Ovaj signal je potpuno određen sa tri
parametra: sa A je obeležena amplituda sinusoide, sa Ω učestanost u radijanima po sekundi (rad/s) i
sa θ je obeležena faza u radijanima. Umesto Ω se često koristi linearna učestanost F koja ima
jedinicu Hz ili broj perioda (ciklusa) signala u sekundi, pri čemu važi da je
2 F π Ω = (1.8)
Potpuno ravnopravna predstava sinusoidalnog signala imajući u vidu (1.8) može biti i
( ) ( ) cos 2 ,
a
x t A Ft t π θ = + −∞ < < ∞ (1.9)
Signal opisan prethodnom relacijom ima nekoliko važnih osobina:
- Za svaku konstantnu vrednost učestanosti F, signal ( )
a
x t je periodičan. Naime lako se
može pokazati da važi
( ) ( )
a p a
x t T x t + = , pri čemu je 1/
p
T F = osnovna perioda
sinusoidalnog signala.
- Kontinualni sinusoidalni signali sa različitim učestanostima su međusobno različiti.
- Povećanje učestanosti F označava veći broj oscilacija u nekom vremenskom intervalu.
Sve osobine i relacije koje smo do sada naveli za sinusoidalne signale, važe i za klasu tzv.
kompleksnih eksponencijalnih signala (koji se u literaturi najčešće nazivaju kompleksne sinusoide)
( )
( ) j t
a
x t Ae
θ Ω +
= (1.10)
Ovo se jednostavno može pokazati imajući u vidu Eulerov inentitet, cos sin
j
e j
φ
φ φ
±
= ± .
Učestanost je, po prirodi, pozitivna fizička vrednost jer je interpretiramo kao broj perioda signala u
jedinici vremena za periodične signale. Ipak, u mnogim slučajevima, samo zbog formalne
matematičke potrebe, uvode se i negativne učestanosti. Naime, poznato je da se signal dat izrazom
(1.7) može, korišćenjem Eulerove formule, predstaviti i na sledeći način:
( ) ( )
( ) ( )
cos
2 2
j t j t
a
A A
x t A t e e
θ θ
θ
Ω + − Ω +
= Ω + = + (1.11)
Dakle, sinusidalni signal može da se dobije kao zbir dva konjugovano-kompleksna eksponencijalna
signala jednakih amplituda, pri čemu prvi sabirak iz (1.11) odgovara pozitivnoj učestanosti, a drugi
sabirak odgovara negativnoj učestanosti Ω u rad/s.
Sinusoidalni signal u diskretnom vremenu se može napisati u sledećem obliku:
( ) ( ) cos , x n A n n ω θ = + −∞ < < ∞ (1.12)
pri čemu n označava redni broj odbirka ( n Z ∈ ), A je amplituda sinusoide, ω je učestanost u
radijanima po odbirku i θ je faza u radijanima. Ako umesto ω koristimo za promenljivu
učestanosti f definisano sa
2 f ω π = (1.13)
jednačina (1.12) postaje
( ) ( ) cos 2 , x n A fn n π θ = + −∞ < < ∞ (1.14)
pri čemu učestanost f ima dimenziju izraženu u pariodama (ciklusima) po odbirku. Za razliku od
kontinualnih sinusoida, diskretni sinusoidalni signali su karakteristani sledećim osobinama:
1. Diskretna sinusoida je periodična samo ako je frekvencija f racionalni broj. Po definiciji,
diskretni signal ( ) x n je periodičan sa periodom N ( 0 N > ) ako i samo ako važi da je
( ) ( ), x n N x n n + = ∀ (1.15)
Najmanja vrednost N za koju važi izraz (1.15) se zove osnovna perioda signala. Dokaz osobina
periodičnosti je jednostavan. Za sinusoidu učestanosti
0
f koja je periodična mora da važi:

( ) ( )
0 0
cos 2 cos 2 f N n f n π θ π θ + + = + (
¸ ¸
(1.16)
Ova relacija je ispunjena ako i samo ako postoji ceo broj k za koji važi

0
2 2 f N k π π = (1.17)
ili, ekvivalentno,

0
k
f
N
= (1.18)
Na osnovu (1.18) možemo reći da je diskretni sinusoidalni signal periodičan samo ako se učestanost
0
f može izraziti kao količnik dva cela broja (tj. ako je racionalan broj). Da bismo odredili osnovnu
periodu periodične sinusoide, N, potrebno je da predstavimo učestanost
0
f kao u (1.18) i skratimo
sve zajedničke delioce tako da su k i N uzajamno prosti. Tada je osnovna perioda signala jednaka N.
Primetimo da mala promena u učestanosti može rezultovati velikom promenom osnovne periode.
Na primer, ako je
1
29/ 60 f = onda je
1
60 N = , a ako je
2
30/ 60 f = , onda je
2
2 N = .
2. Diskretne sinusoide čije se učestanosti razlikuju za celobrojni umnožak 2π su identične. Da bi se
ovo dokazalo, posmatrajmo sinusoidu oblika ( )
0
cos n ω θ + . Jednostavno se može pisati da je

( ) ( ) ( )
0 0 0
cos 2 cos 2 cos n n n n ω π θ ω π θ ω θ + + = + + = + (
¸ ¸
(1.19)
Na osnovu (1.19) se može zaključiti da se sve sinusoidalne sekvence
( ) ( ) cos , 0,1, 2,...
k k
x n A n k ω θ = + = (1.20)
pri čemu važi

0 0
2 ,
k
k ω ω π π ω π = + − ≤ ≤ (1.21)
ne mogu razlikovati, tj. identične su. Sa druge strane, sinusoidalni signali koji imaju različite
učestanosti u opsegu π ω π − ≤ ≤ odnosno
1 1
2 2
f − ≤ ≤ su različiti. Može se i reći da je sinusoida
učestanosti ω π > ili
1
2
f > identična nekoj sinusoidalnoj sekvenci koja ima učestanost ω π < .
Ovaj efekat se naziva zamena učestanosti (aliasing). Stoga učestanosti koje su u opsegu
π ω π − ≤ ≤ odnosno
1 1
2 2
f − ≤ ≤ možemo nazvati jedinstvenim učestanostima, dok su učestanosti
van tog opsega tzv. zamenjene učestanosti.
3. Najveća učestanost oscilacija diskretne sinusoide se dobija kada je ω π = (ili ω π = − ), ili
ekvivalentno
1
2
f = (ili
1
2
f = − ). Ovo tvrđenje direktno sledi iz prethodnih. Za diskretne
sinusoidalne signale se definiše osnovni opseg učestanosti i on se može definisati na dva načina:
π ω π − ≤ ≤ ili 0 2 ω π ≤ ≤ , odnosno
1 1
2 2
f − ≤ ≤ ili 0 1 f ≤ ≤ . Da ne bi došlo do zabune, osnovni
opseg učestanosti realnih sinusoidalnih signala je: 0 ω π ≤ ≤ , odnosno
1
0
2
f ≤ ≤ .


Fourierova transformacija kontinualnih signala

U ovom delu ćemo se podsetiti osnovnih definicija i osobina Fourierove transformacije, bez
posebne detaljnije i dublje analize (egzistencija, uslovi konvergencije itd.). Za kontinualni signal
( ) x t se definiše Fourierova transformacija ( ) X F , odnosno ( ) X Ω , na sledeći način:

( ) ( ) { } ( )
( ) ( ) { } ( )
2 j Ft
j t
X F x t x t e dt
X x t x t e dt
π
+∞

−∞
+∞
− Ω
−∞
= =
Ω = =


F
F
(1.22)
Inverzna Fourierova transformacija se definiše sledećim relacijama:

( ) ( ) { } ( )
( ) ( ) { } ( )
1 2
1
1
2
j Ft
j t
x t X F X F e dF
x t X X e d
π
π
+∞
− +
−∞
+∞
− + Ω
−∞
= =
= Ω = Ω Ω


F
F
(1.23)
Posmatrajmo Dirakovu funkciju u frekvencijskom domenu. Na osnovu definicije na bazi
funkcionala date sa (1.2), može se pisati da je

( )
( )
0
0
2 2
0
2 2
0
j F t j Ft
j F t j Ft
F F e dF e
F F e dF e
π π
π π
δ
δ
+∞
−∞
+∞

−∞
− =
+ =


(1.24)
te se na osnovu (1.24) može pisati da je
( ) ( ) ( ) ( )
0 0
2 2 2 2
0 0 0
1 1 1
cos 2
2 2 2
j F t j F t j Ft j Ft
F F e dF F F e dF e e F t
π π π π
δ δ π
+∞ +∞

−∞ −∞
− + + = + =
∫ ∫
(1.25)
Na osnovu ovoga se može pisati da je

( ) { } ( ) ( )
0 0 0
1
cos 2
2
F t F F F F π δ δ = − + + (
¸ ¸
F (1.26)
Analogno se može izvesti i

( ) { } ( ) ( )
0 0 0
1
sin 2
2
F t F F F F
j
π δ δ = − − + (
¸ ¸
F (1.27)
kao i
{ } ( ) 1 F δ = F (1.28)
Spektar signala se definiše kao moduo Fourierove transformacije i na slici 1.1 je dat spektar signala
datog jednačinom (1.26). Primetiti i da je spektar signala datog sa (1.27) isti.
( ) { }
0
cos 2 F t π F
1/ 2
1/ 2
F
0
F
0
F −

Slika 1.1. Spektar signala ( )
0
cos 2 F t π
U sledećoj tabeli su navedene Fourierove transformacije osnovnih funkcija.
Tabela 1.1. Fourierove transformacije osnovnih funkcija
( ) x t ( ) X F
( ) ( ) x t h t =
( ) ( )
1 1
2 2
X F F
j F
δ
π
= +
( ) ( ) x t t δ = ( ) 1, X F F = ∀
( ) 1, x t t = ∀ ( ) ( ) X F F δ =
( ) ( )
0
cos 2 x t F t π =
( ) ( ) ( )
0 0
1
2
X F F F F F δ δ = − + + (
¸ ¸

( ) ( )
0
sin 2 x t F t π =
( ) ( ) ( )
0 0
1
2
X F F F F F
j
δ δ = − − + (
¸ ¸

( )
0
2 j F t
x t e
π
= ( )
0
F F δ −
( )
1,
2 2
0, ina če
P P
t
x t
¦
− ≤ ≤
¦
=
´
¦
¹

( )
( ) sin FP
X F
F
π
π
=
( )
( ) 2sin 2
2
t
x t
t
πβ
π
= ( )
1,
0, ina če
F
X F
β β − ≤ ≤ ¦
=
´
¹


Pokažimo samo kako se računa pretposlednja Fourierova transformacije iz tabele 1.1.

( ) ( )
( )
( )
/ 2
/ 2
2 2 2
/ 2
/ 2
2
2
2
2
1
1
2
sin
1 1
2 sin
2 2
P
P
j Ft j Ft j Ft
P
P
P
P
j F
j F
X F x t e dt e dt e
j F
FP
e e j FP
j F j F F
π π π
π
π
π
π
π
π π π
+∞
− − −

−∞ −
| |
− −
− |
\ .
= = ⋅ = −
| |
= − − = = |
|
\ .
∫ ∫
(1.29)
Grafik funkcije date jednačinom (1.29) je prikazan na slici 1.2 za dva slučaja: P=4 i P=8.
(Primetimo da to nije spektar signala jer ima i negativan deo i takođe primetimo da je Fourierova
transformacija čisto realna jer je signal u vremenskom domenu paran – za neparne signale
Fourierova transformacija je čisto imaginarna)

Slika 1.2. Grafik funkcije dat izrazom (1.29)
Nule funkcije date jednačinom (1.29) se dobijaju kada je , 1, 2,... FP k k π π = = ± ± , tj. za
1 2
, ,... F
P P
= ± ± . Maksimum se dobija za 0 F = i iznosi
( ) ( )
0 0
sin cos
lim lim
F F
FP P FP
P
F
π π π
π π
→ →
= = .
Primetimo da se povećanjem P broj “oscilacija” po jedinici frekvencije povećava, tj. nule funkcije
postaju učestalije. Povećanjem P se povećava vrednost maksimuma funkcije, dok se širina glavnog
loba (glavne arkade) smanjuje (jer iznosi
2
P
). Takođe primetimo i da se povećanjem P povećava
-1.5 -1 -0.5 0 0.5 1 1.5
-2
-1
0
1
2
3
4
5
6
7
8


P=8
P=4
amplituda prvog bočnog loba. Analiza ove funkcije će biti od velikog interesa kada budemo
izučavali projektovanje FIR filtara pomoću prozorskih funkcija.
Na kraju će biti prikazane i osnovne osobine Fourierove transformacije u tabeli 1.2.
Tabela 1.2. Osobine Fourierove transformacije
( ) x t ( ) X F
( ) y t ( ) Y F
( ) ( ) x t y t
( ) ( ) ( ) ( ) X Y F d X F Y d η η η η η η
+∞ +∞
−∞ −∞
− = −
∫ ∫

( ) ( ) ( ) ( ) x y t d x t y d τ τ τ τ τ τ
+∞ +∞
−∞ −∞
− = −
∫ ∫

( ) ( ) X F Y F
( )
0
x t t − ( )
0
2 j Ft
e X F
π −

( ) dx t
dt

( ) 2 j FX F π
( )
t
x d τ τ
−∞


( ) ( ) ( )
1
, 0 0
2
X F X
j F π
=
( )
2
x d τ τ
+∞
−∞

( )
2
X F dF
+∞
−∞


( ) x t

( ) X F


( ) x at 1 F
X
a a

| |
|
\ .

( )
0
2 j F t
e x t
π
( )
0
X F F −


Uticaj konačnog intervala posmatranja

U praksi se obrada signala uvek vrši na nekom konačnom vremenskom intervalu. Osim toga
digitalna obrada signala podrazumeva obradu signala diskretizovanih u vremenu. Na ovom mestu
ćemo videti kakav uticaj na spektralne karakteristike nekog kontinualnog signala ima konačan
vremenski interval sa napomenom da je uticaj u slučaju diskretnih signala isti, samo sa neznatno
različitim formulama.
Posmatrajmo kontinualni signal ( ) x t u nekom konačnom vremenskom intervalu
2 2
P P
t − ≤ ≤ . U opštem slučaju, naravno, vremenski interval ne mora da bude simetričan. Ako je
signal ( ) x t definisan za svako t −∞ ≤ ≤ +∞, onda se signal u konačnom intervalu vremena, ( )
p
x t ,
može opisati sledećom relacijom:
( )
( ),
2 2
0, ina če
p
P P
x t t
x t
¦
− ≤ ≤
¦
=
´
¦
¹
(1.30)
odnosno
( ) ( ) ( )
p
x t x t w t = ⋅ (1.31)
pri čemu je
( )
1,
2 2
0, ina če
P P
t
w t
¦
− ≤ ≤
¦
=
´
¦
¹
(1.32)
Po teoriji Fourierove transformacije množenje dve funkcije u vremenskom domenu odgovara
konvoluciji Fourierovih transformacija tih funkcija u frekvencijskom domenu, odnosno
( ) ( ) ( ) ( ) ( ) ( ) ( )
p
X F X F W F X W F d X F W d η η η η η η
+∞ +∞
−∞ −∞
= ∗ = − = −
∫ ∫
(1.33)
gde su sa ( )
p
X F , ( ) X F i ( ) W F obeležene Fourierove transformacije signala ( )
p
x t , ( ) x t i
( ) w t , respektivno. Izraz za ( ) W F smo već izračunali (1.29) pa jednačina (1.33) postaje
( ) ( )
( ) ( )
( )
( )
( )
sin sin
p
F P P
X F X d X F d
F
π η πη
η η η η
π η πη
+∞ +∞
−∞ −∞

= = −

∫ ∫
(1.34)
Efekat konvolucije Fourierove transformacije signala ( ) X F sa sinc funkcijom se u digitalnoj
obradi signala naziva “curenje” spektra i ovaj efekat ćemo ilustrovati na primeru signala
( ) ( )
0
cos 2 x t F t π = . Iz (1.26) je
( ) ( ) ( )
0 0
1
2
X F F F F F δ δ = − + + (
¸ ¸
pa je iz (1.34)

( ) ( ) ( )
( )
( ) ( )
( )
( ) ( )
( )
0 0
0 0
0 0
1 2
sin
1
2
sin sin
1 1
2 2
p
sinc sinc
P
X F F F F F d
F F P F F P
F F F F
πη
δ η δ η η
πη
π π
π π
+∞
−∞
= − − + − + (
¸ ¸
− +
= +
− +

 
(1.35)
Dakle, spektar rezultujućeg signala je jednak zbiru dve sinc funkcije koje imaju maksimume na
učestanostima
0
F − i
0
F . Prikaz pojedinačnih sinc funkcija i funkcije ( )
p
X F za slučaj
0
2.1 F = i
4 P = je dat na slici 1.3.

Slika 1.3. Grafik funkcije dat izrazom (1.34)
Spektar rezultujuće funkcije nije više zbir dve delta funkcije, ali takođe ima dva pika i oni su takođe
na učestanostima
0
F − i
0
F , ili su blago pomereni. Naime, svaka pojedinačna sinc funkcija ima
maksimum na istom mesto kao i odgovarajuća delta funkcija koji iznosi
2
P
. Međutim, zbog uticaja
druge sinc funkcije na toj učestanosti (koji je obično veoma mali) vrednost maksimuma više nije
2
P

i, što je bitnije, položaj maksimuma na x-osi može da se promeni tako da pozicija maksimuma u
spektru više nije na učestanostima
0
F − i
0
F . Taj efekat se može opisati i kao “gubitak čistoće
-4 -3 -2 -1 0 1 2 3 4
-0.5
0
0.5
1
1.5
2
2.5
F


sinc1
sinc2
Xp(F)
tona”. Postoje, naravno i slučajevi kada je uticaj bočnih lobova jedne sinc funkcije na drugu na
učestanostima od interesa jednak nuli i to kada je zadovoljen uslov da je
0
1
2 , 1, 2,... k F k
P
⋅ = = ± ± ,
odnosno kada važi da je
0
2F P ceo broj. Što se tiče uticaja dužine konačnog intervala posmatranja,
isti zaključci važe kao što smo ranije izveli za funkciju čiji je spektar dat jednačinom (1.29),
odnosno čiji je grafik dat na slici 1.2. Efekat curenja spektra je jedan od činilaca zbog kojih u praksi
nije uvek moguće odrediti tačnu učestanost sinusoide.







kalemi i kondenzatori koji su potrebni za takvu obradu moraju da budu veoma velikih dimenzija. Ovaj nedostatak je naročito izražen prilikom digitalne obrade analognih signala. Digitalna kola se takođe mogu vezati na red bez problema baferovanja ili zasićenja kao što je to slučaj sa analognim kolima. Takođe možemo napomenuti da je realizacija banke filtara veoma jednostavna u digitalnoj formi. naravno imajući u vidu cost-benefit efekte. audio ili seizmičkih signala. Frekvencijski opseg na kome . Velika prednost aplikacija digitalne obrade signala je u obradi signala na veoma malim učestanostima kao što su recimo seizmički signali. vrlo jednostavno integrisati veoma sofisticirane i kompleksne sisteme digitalne obrade signala na samo jedan čip. Stoga se može postići željena tačnost jednostavnim povećavanjem dužine reči. Digitalna implementacija dozvoljava realizacije nekih karakteristika koje nisu moguće u analognoj formi kao što su sistemi linearne faze i obrada signala sa promenljivom periodom odabiranja. Takvi signali se kasnije mogu obrađivati u off-line režimu. Druga aplikacija sa menjanem koeficijenata je realizacija sistema sa programabilnim karakteristikama kao što su frekventno selektivni filtri sa podešavajućim učestanostima propusnih i nepropusnih opsega. dinamički opsezi za signale i koeficijente se mogu povećati korišćenjem aritmetike sa pokretnom tačkom ukoliko je potrebno. Podešavanja adaptivnih filtara se mogu lako realizovati periodičnim menjanjem koeficijenata algoritma koji predstavlja karakteristike filtra. Digitalna obrada signala ima naravno i nekih nedostataka. Prvi očigledni nedostatak je u povećanju kompleksnosti sistema za digitalnu obradu analognih signala zbog potrebe za dodatnim kolima za preprocesiranje i postprocesiranje kao što su A/D i D/A konvertori i njima priključeni filtri i dodatna digitalna kola. Digitalni signali se takođe mogu memorisati na različitim medijima skoro beskonačno puta bez ikakvog gubitka informacija. Kao što će biti kasnije pokazano. Ako ovaj uslov nije zadovoljen. Digitalna implementacija dozvoljava jednostavno podešavanje karakteristika procesora u toku obrade signala kao što je recimo prilikom implementacije adaptivnih filtara. tada se komponente signala koje su na većoj učestanosti od polovine učestanosti odabiranja pojavljuju kao komponente signala na nižim učestanostima i time mogu da znatno naruše talasni oblik obrađivanog analognog signala. Osim toga. obrada video.skorašnji naprdak VLSI (very large scale integrated) tehnologija. Naime. Digitalni signalprocesori dozvoljavaju deljenje sopstvenih resursa na veći broj signala korišćenjem vremenskog multipleksa i time se smanjuje cena obrade po signalu. analogni kontinualni signal mora biti odabran sa učestanošću odabiranja koja je najmanje dva puta veća od učestanosti naviše frekvencijske komponente u signalu. ukoliko se vrši analogna obrada signala. U digitalnim signal-procesorima signali i koeficijenti koji opisuju operacije su predstavljeni kao binarne reči. Drugi nedostatak digitalne obrade signala je ograničen opseg frekvencija signala koji mogu da se obrađuju. npr.

ali u svakom slučaju. = x ( t0 ) +∞ −∞ ∫ x ( t ) δ ( t − t ) dt 0 (1. δ ( t ) . i sa daljim razvojem i smanjenjem cene hardvera za digitalnu obradu signala broj aplikacija digitalne obrade signala se rapidno povećava. Naime. kondenzatora.može da se vrši digitalna obrada signala je primarno određen hardverom kola za odabiranja i A/D konvertora. t1 < 0 < t2 ina če U literaturi se često definiše na bazi funkcionala i ova definicija je od velikog interesa u digitalnoj obradi signala. Stoga se može reći da je gornja granica učestanosti odabiranja u praktičnim aplikacijama ipak oko 10-100 MHz. Najviše učestanosti odabiranja koje postoje u praksi su reda GHz. U svakom slučaju.  t1 1. Pregled osnovnih kontinualnih i diskretnih signala U ovom delu ćemo navesti osnovne i najčešće korišćene elementarne kontinualne i diskretne signale. pasivne komponente su pouzdanije od aktivnih kola. ako podaci moraju tako brzo da se digitalizuju onda je to moguće uraditi sa relativno malom rezolucijom A/D konvertora (6-8) bita.2) . Naime. mnoštvo algoritama analogne obrade signala se može implementirati korišćenje samo pasivnih komponenata (kalema. Ovaj signal se može definisati na više načina. Osim toga. Sa druge strane. Sa napretkom integrisane tehnologije može se ipak očekivati pomeranje ovih granica. prednosti digitalne obrade signala su znatno izraženije od nedostataka. Prvi od njih je jedinični impulsni signal koji se često naziva i Dirakov impuls u kontinualnom slučaju. Međutim na tako visokim učestanostima odabiranja ograničavajući faktor je A/D konvertor. mora da zadovolji nekoliko uslova: = 0 za t ≠ 0 δ (t ) δ ( t ) nije definisana za t = 0 t2 (1. otpronika) kojima nije potrebno napajanje. dok je u praksi poželjno da se amplitudski nivoi kvantizuju sa 12-16 bita.1) ∫ δ ( t ) dt = 0. digitalni signal. Treći nedostatak je posledica činjenice da su digitalni sistemi konstruisani korišćenjem aktivnih kola koja se povezuju u aktivnu električnu mrežu.procesori koji u sebi imaju veliki broj poluprovodničkih komponenata mogu imati veliku disipaciju te i potrošnja električne energije može biti izražena.

n ≥ 0 i.pri čemu je x ( t ) proizvoljan kontinualni signal definisan u trenutku t0 . u diskretnom slučaju se definiše jedinična impulsna sekvenca. koja se često naziva i impuls u diskretnom vremenu ili jedinični impuls. sa u ( t ) ili h ( t ) i definiše se na sledeći način: 0. Sa druge strane. U diskretnom slučaju se definiše jedinična odskočna sekvenca ili jedinični odskočni signal (umesto prideva odskočni može se koristiti i engleska reč step) kao: 0. n ≠ 0 (1. definicija jediničnog impulsa u diskretnom slučaju je matematički neuporedivo jednostavnija. U praktičnim slučajevima to i nema uticaja na analizu i rešenja problema. ali u svakom slučaju prekid u tački 0 ostaje. Od velikog značaja u digitalnoj obradi signala je klasa signala koji opisuju jednostavne harmonijske oscilacije i koji se mogu nazvati i sinusoidalnim signalima.5. n < 0 h (n) =  1.6) . definicija je egzaktna i matematički jednostavna. t < 0 h (t ) =  1. funkcija ima prekid u toj tački. jedinična impulsna sekvenca je diskretni signal koji ima vrednost 0 svuda sem za n = 0 kada je jednaka 1.3) Drugim rečima. u kontinualnom slučaju. n ≠ k (1. t > 0 (1. Definiše se kao δ (n) =  1. tj. 1 ili 0. Jedinična odskočna funkcija ili Hevisajdova funkcija (koja je dobila ime po engleskom matematičaru – Oliver Heaviside) se obeležava. Tipičan oblik jednog takvog analognog signala je opisan relacijom (1. tj. daje se vrednost funkciji 0. Za razliku od kontinualne jedinične impulsne funkcije δ ( t ) koja je takođe jednaka 0 za svako t ≠ 0 i koja ima površinu 1. kao i za impulsni signal.5) Primetimo da jednačinom (1. Neki autori definišu vrednost funkcije za t = 0 .5) Hevisajdova funkcija nije definisana za t = 0 .4) i može se pokazati da se proizvoljni diskretni signal može predstaviti kao suma pomerenih jediničnih impulsa različitih amplituda. n = k 0. sa oznakom δ [ n ] ili δ ( n ) . Jedinična impulsna sekvenca pomerena za k odbiraka se definiše kao δ (n − k ) =  1. n = 0 0.

11) Dakle. Ovaj signal je potpuno određen sa tri parametra: sa A je obeležena amplituda sinusoide. sa Ω učestanost u radijanima po sekundi (rad/s) i sa θ je obeležena faza u radijanima. signal xa ( t ) je periodičan. Naime. po prirodi. e ± jφ Učestanost je.7) može.11) odgovara pozitivnoj učestanosti. − ∞ < t < ∞ (1. Povećanje učestanosti F označava veći broj oscilacija u nekom vremenskom intervalu. korišćenjem Eulerove formule.7) pri čemu indeks a označava da je signal x ( t ) analogni.8) može biti i (1.8) xa ( t ) = A cos ( 2π Ft + θ ) . uvode se i negativne učestanosti. Ipak. u mnogim slučajevima. poznato je da se signal dat izrazom (1. pri čemu važi da je Ω =2π F Potpuno ravnopravna predstava sinusoidalnog signala imajući u vidu (1. predstaviti i na sledeći način: xa ( t ) A cos ( Ωt + θ ) = = A j ( Ωt +θ ) A − j ( Ωt +θ ) e + e 2 2 (1. = cos φ ± j sin φ . samo zbog formalne matematičke potrebe. Umesto Ω se često koristi linearna učestanost F koja ima jedinicu Hz ili broj perioda (ciklusa) signala u sekundi.9) Za svaku konstantnu vrednost učestanosti F. pozitivna fizička vrednost jer je interpretiramo kao broj perioda signala u jedinici vremena za periodične signale. − ∞ < t < ∞ Signal opisan prethodnom relacijom ima nekoliko važnih osobina: - (1. pri čemu je Tp = 1/ F xa ( sinusoidalnog signala. Sve osobine i relacije koje smo do sada naveli za sinusoidalne signale. a drugi sabirak odgovara negativnoj učestanosti Ω u rad/s. Sinusoidalni signal u diskretnom vremenu se može napisati u sledećem obliku: . kompleksnih eksponencijalnih signala (koji se u literaturi najčešće nazivaju kompleksne sinusoide) xa ( t ) = Ae j ( Ωt +θ ) (1. važe i za klasu tzv. Naime lako se može pokazati da važi xa ( t + Tp ) =t ) . osnovna perioda - Kontinualni sinusoidalni signali sa različitim učestanostima su međusobno različiti. sinusidalni signal može da se dobije kao zbir dva konjugovano-kompleksna eksponencijalna signala jednakih amplituda.10) Ovo se jednostavno može pokazati imajući u vidu Eulerov inentitet. pri čemu prvi sabirak iz (1.= xa ( t ) A cos ( Ωt + θ ) .

Na primer.15) se zove osnovna perioda signala. − ∞ < n < ∞ x (n) (1.= A cos (ω n + θ ) . potrebno je da predstavimo učestanost f 0 kao u (1. − ∞ < n < ∞ x (n) (1. diskretni signal x ( n ) je periodičan sa periodom N ( N > 0 ) ako i samo ako važi da je x ( n + N ) x ( n ) . f0 = k N (1.14) pri čemu učestanost f ima dimenziju izraženu u pariodama (ciklusima) po odbirku. Za sinusoidu učestanosti f 0 koja je periodična mora da važi: cos  2π f 0 ( N + n ) + θ  cos ( 2π f 0 n + θ ) =   (1. Po definiciji.16) Ova relacija je ispunjena ako i samo ako postoji ceo broj k za koji važi 2π f 0 N = 2kπ ili. diskretni sinusoidalni signali su karakteristani sledećim osobinama: 1. Diskretna sinusoida je periodična samo ako je frekvencija f racionalni broj.15) Najmanja vrednost N za koju važi izraz (1. Dokaz osobina periodičnosti je jednostavan.13) = A cos ( 2π fn + θ ) . Primetimo da mala promena u učestanosti može rezultovati velikom promenom osnovne periode.12) pri čemu n označava redni broj odbirka ( n ∈ Z ).17) (1.12) postaje (1. ako je racionalan broj). N. ekvivalentno. Da bismo odredili osnovnu periodu periodične sinusoide. A je amplituda sinusoide. a ako je f 2 = 30 / 60 . ω je učestanost u radijanima po odbirku i θ je faza u radijanima. Tada je osnovna perioda signala jednaka N. onda je N 2 = 2 . ako je f1 = 29 / 60 onda je N1 = 60 . Za razliku od kontinualnih sinusoida. ∀n = (1.18) i skratimo sve zajedničke delioce tako da su k i N uzajamno prosti.18) Na osnovu (1. . Ako umesto ω koristimo za promenljivu učestanosti f definisano sa ω = 2π f jednačina (1.18) možemo reći da je diskretni sinusoidalni signal periodičan samo ako se učestanost f 0 može izraziti kao količnik dva cela broja (tj.

= k pri čemu važi (1. ili ekvivalentno f = 1 1 (ili f = − ). 2 Ovaj efekat se naziva zamena učestanosti (aliasing). odnosno 0 ≤ f ≤ . sinusoidalni signali koji imaju različite 1 1 učestanosti u opsegu −π ≤ ω ≤ π odnosno − ≤ f ≤ su različiti. bez posebne detaljnije i dublje analize (egzistencija. Jednostavno se može pisati da je cos (ω0 + 2π ) n + θ  cos (ω0 n + 2π n + θ ) cos (ω0 n + θ ) = =   (1. − π ≤ ω0 ≤ π (1. dok su učestanosti 2 2 van tog opsega tzv. Stoga učestanosti koje su u opsegu −π ≤ ω ≤ π odnosno − 1 1 ≤ f ≤ možemo nazvati jedinstvenim učestanostima. Diskretne sinusoide čije se učestanosti razlikuju za celobrojni umnožak 2π su identične.. Da bi se ovo dokazalo. 3. = 0. Sa druge strane.).21) ne mogu razlikovati.2..1. Može se i reći da je sinusoida 2 2 učestanosti ω > π ili f > 1 identična nekoj sinusoidalnoj sekvenci koja ima učestanost ω < π . uslovi konvergencije itd. odnosno − 1 1 ≤ f ≤ ili 0 ≤ f ≤ 1 .19) Na osnovu (1. na sledeći način: . osnovni 2 2 1 opseg učestanosti realnih sinusoidalnih signala je: 0 ≤ ω ≤ π . 2 Fourierova transformacija kontinualnih signala U ovom delu ćemo se podsetiti osnovnih definicija i osobina Fourierove transformacije. odnosno X ( Ω ) . Da ne bi došlo do zabune. Za kontinualni signal x ( t ) se definiše Fourierova transformacija X ( F ) . posmatrajmo sinusoidu oblika cos (ω0 n + θ ) . Ovo tvrđenje direktno sledi iz prethodnih. 2.. tj. Za diskretne 2 2 sinusoidalne signale se definiše osnovni opseg učestanosti i on se može definisati na dva načina: −π ≤ ω ≤ π ili 0 ≤ ω ≤ 2π .20) ω k = ω 0 + 2 k π . Najveća učestanost oscilacija diskretne sinusoide se dobija kada je ω = π (ili ω = −π ). zamenjene učestanosti. identične su.19) se može zaključiti da se sve sinusoidalne sekvence xk ( n ) A cos (ωk n + θ ) .

27) isti. .1 je dat spektar signala datog jednačinom (1.25) )} {cos ( 2π F t= 0 1 δ ( F − F0 ) + δ ( F + F0 )   2 (1. Na osnovu definicije na bazi funkcionala date sa (1. može se pisati da je +∞ −∞ +∞ ∫ δ (F − F )e 0 j 2π Ft dF = e j 2π F0t (1.24) −∞ ∫ δ (F + F )e 0 j 2π Ft dF = e − j 2π F0t te se na osnovu (1.27) F {1} = δ ( F ) (1.28) Spektar signala se definiše kao moduo Fourierove transformacije i na slici 1.26).2).= F { x ( t )} X (F ) = = F= X (Ω) { x ( t )} +∞ −∞ ∫ x (t ) e ∫ x (t ) e − j 2π Ft dt (1. Primetiti i da je spektar signala datog sa (1.26) Analogno se može izvesti i F kao i t )} {sin ( 2π F= 0 1 δ ( F − F0 ) − δ ( F + F0 )   2j  (1.24) može pisati da je 1 1 1 j 2π F t − j 2π F t j 2π Ft j 2π Ft ∫ δ ( F − F0 ) e dF + 2 −∞ δ ( F + F0 ) e dF = 2 e 0 + e 0 = cos ( 2π F0t ) ∫ 2 −∞ Na osnovu ovoga se može pisati da je F +∞ +∞ ( ) (1.23) ( Ω )} { X = 21 π ∫ X (Ω) e + jΩt dΩ Posmatrajmo Dirakovu funkciju u frekvencijskom domenu.22) +∞ − jΩt dt −∞ Inverzna Fourierova transformacija se definiše sledećim relacijama: = F −1 { X ( F )} x (t ) = = F x (t ) −1 +∞ −∞ ∫ X (F )e +∞ −∞ + j 2π Ft dF (1.

1. − ≤ t ≤ x (t ) =  2 2 0.1. .1.F {cos ( 2π F t )} 0 1/ 2 1/ 2 F − F0 F0 Slika 1. ∀F = X (F ) = δ (F ) 1 δ ( F − F0 ) + δ ( F + F0 )   2 x ( t ) = sin ( 2π F0t ) x ( t ) = e j 2π F0t P P  1. ∀t t) x ( t ) = cos ( 2π F0t ) X (F ) = X ( F ) 1. Tabela 1. − β ≤ F ≤ β X (F ) =  če 0. Fourierove transformacije osnovnih funkcija x (t ) x (t ) = h (t ) X (F ) = X (F ) 1 1 δ (F ) + 2 j 2π F x (t ) = δ (t ) x (= 1. Spektar signala cos ( 2π F0 t ) U sledećoj tabeli su navedene Fourierove transformacije osnovnih funkcija. ina Pokažimo samo kako se računa pretposlednja Fourierova transformacije iz tabele 1. ina če  x (t ) = 2sin ( 2πβ t ) 2π t X= (F ) 1 δ ( F − F0 ) − δ ( F + F0 )   2j  δ ( F − F0 ) X (F ) = sin (π FP ) πF 1.

X (F ) = ∫ x (t ) e −∞ +∞ − j 2π Ft 1 − dt = j 2π Ft dt = e − j 2π Ft − ∫/ 21⋅ e j 2π F −P P/2 P/2 −P/ 2  P − j 2π F  −   sin (π FP ) 1  − j 2π F P 1  2 2 2 j sin = − −e e  = (π FP ) =  j 2π F j 2π F  πF   (1. ± . nule funkcije postaju učestalije.29) Grafik funkcije date jednačinom (1. .. (Primetimo da to nije spektar signala jer ima i negativan deo i takođe primetimo da je Fourierova transformacija čisto realna jer je signal u vremenskom domenu paran – za neparne signale Fourierova transformacija je čisto imaginarna) 8 7 6 5 4 3 2 1 0 -1 -2 -1...2. tj. Takođe primetimo i da se povećanjem P povećava P . . ±2. Grafik funkcije dat izrazom (1... k = 1. Maksimum se dobija za F = 0 i iznosi lim ± F →0 F →0 πF π P P Primetimo da se povećanjem P broj “oscilacija” po jedinici frekvencije povećava. F = .29) Nule funkcije date jednačinom (1. tj. dok se širina glavnog loba (glavne arkade) smanjuje (jer iznosi 2 ).5 1 1. Povećanjem P se povećava vrednost maksimuma funkcije.29) je prikazan na slici 1.5 Slika 1.29) se dobijaju kada je π FP = π .5 0 0.5 P=8 P=4 -1 -0.2 za dva slučaja: P=4 i P=8. za k ± sin (π FP ) π P cos (π FP ) 1 2 = lim = P..

Analiza ove funkcije će biti od velikog interesa kada budemo izučavali projektovanje FIR filtara pomoću prozorskih funkcija. Na kraju će biti prikazane i osnovne osobine Fourierove transformacije u tabeli 1. Na ovom mestu ćemo videti kakav uticaj na spektralne karakteristike nekog kontinualnog signala ima konačan vremenski interval sa napomenom da je uticaj u slučaju diskretnih signala isti. j 2π F +∞ x ( t − t0 ) dx ( t ) dt −∞ +∞ ∫ t x (τ ) dτ x (τ ) dτ 2 ( X ( 0) = 0) 2 −∞ ∫ −∞ ∫ X (F ) dF x∗ ( t ) x ( at ) e j 2π F0t x ( t ) X ∗ ( −F ) 1 ∗ F  X   a a X ( F − F0 ) Uticaj konačnog intervala posmatranja U praksi se obrada signala uvek vrši na nekom konačnom vremenskom intervalu.2. . Osim toga digitalna obrada signala podrazumeva obradu signala diskretizovanih u vremenu. Tabela 1. samo sa neznatno različitim formulama. Osobine Fourierove transformacije x (t ) y (t ) x (t ) y (t ) +∞ +∞ +∞ X (F ) Y (F ) −∞ ∫ X (η ) Y ( F −η ) dη = ∫ X ( F −η ) Y (η ) dη −∞ +∞ −∞ ∫ x (τ ) y ( t − τ ) dτ = ∫ x ( t − τ ) y (τ ) dτ −∞ X ( F )Y ( F ) e − j 2π Ft0 X ( F ) j 2π FX ( F ) 1 X (F ).amplituda prvog bočnog loba.2.

34) Efekat konvolucije Fourierove transformacije signala X ( F ) sa sinc funkcijom se u digitalnoj obradi signala naziva “curenje” spektra i ovaj efekat ćemo ilustrovati na primeru signala x ( t ) = cos ( 2π F0t ) . − ≤ t ≤ w (t ) =  2 2 0.33) postaje X p (F ) = +∞ −∞ ∫ X (η ) sin (π ( F − η ) P ) = dη π ( F −η ) +∞ −∞ ∫ X ( F −η ) sin (πη P ) πη dη (1. onda se signal u konačnom intervalu vremena. Izraz za W ( F ) smo već izračunali (1. naravno. − ≤ t ≤ xp (t ) =  2 2 0. Ako je 2 2 signal x ( t ) definisan za svako −∞ ≤ t ≤ +∞ . odnosno X p ( F ) = X ( F ) ∗W ( F ) = +∞ −∞ ∫ X (η ) W ( F − η ) dη = +∞ −∞ ∫ X ( F −η )W (η ) dη (1.33) gde su sa X p ( F ) . Iz (1. može opisati sledećom relacijom: P P   x (t ) . respektivno. vremenski interval ne mora da bude simetričan. če ina  odnosno (1. X ( F ) i W ( F ) obeležene Fourierove transformacije signala x p ( t ) .29) pa jednačina (1.34)  2 . U opštem slučaju.31) P P  1.26) je X ( F ) = 1 δ ( F − F0 ) + δ ( F + F0 )  pa je iz (1.32) Po teoriji Fourierove transformacije množenje dve funkcije u vremenskom domenu odgovara konvoluciji Fourierovih transformacija tih funkcija u frekvencijskom domenu. ina če  (1.30) x p= x ( t ) ⋅ w ( t ) (t ) pri čemu je (1. x p ( t ) . x ( t ) i w ( t ) .Posmatrajmo kontinualni signal − x ( t ) u nekom konačnom vremenskom intervalu P P ≤ t ≤ .

2. Prikaz pojedinačnih sinc funkcija i funkcije X p ( F ) za slučaj F0 = 2.3. svaka pojedinačna sinc funkcija ima maksimum na istom mesto kao i odgovarajuća delta funkcija koji iznosi P .5 1 0.1 i P = 4 je dat na slici 1. spektar rezultujućeg signala je jednak zbiru dve sinc funkcije koje imaju maksimume na učestanostima − F0 i F0 . ili su blago pomereni. Naime.5 0 -0.35) Dakle. Grafik funkcije dat izrazom (1. položaj maksimuma na x-osi može da se promeni tako da pozicija maksimuma u spektru više nije na učestanostima − F0 i F0 .5 -4 -3 -2 -1 0 F 1 2 3 4 Slika 1. Međutim.X p (F ) = = 2 2 π ( F − F0 ) π ( F + F0 )         sinc1 sinc 2   ∫ 2 δ ( F −η − F ) + δ ( F −η + F ) πη 1 sin (π ( F − F ) P ) 1 sin (π ( F + F ) P ) + 0 0 −∞ 0 0 +∞ 1 sin (πη P ) dη (1. zbog uticaja 2 P 2 druge sinc funkcije na toj učestanosti (koji je obično veoma mali) vrednost maksimuma više nije i.5 sinc1 sinc2 Xp(F) 2 1. Taj efekat se može opisati i kao “gubitak čistoće . što je bitnije.34) Spektar rezultujuće funkcije nije više zbir dve delta funkcije. ali takođe ima dva pika i oni su takođe na učestanostima − F0 i F0 .3.

. odnosno čiji je grafik dat na slici 1. 2 ± P odnosno kada važi da je 2F0 P ceo broj.2.29). k = 1. . Postoje.. naravno i slučajevi kada je uticaj bočnih lobova jedne sinc funkcije na drugu na učestanostima od interesa jednak nuli i to kada je zadovoljen uslov da je k ⋅ 1 = F0 .tona”. Efekat curenja spektra je jedan od činilaca zbog kojih u praksi nije uvek moguće odrediti tačnu učestanost sinusoide. isti zaključci važe kao što smo ranije izveli za funkciju čiji je spektar dat jednačinom (1. ±2.. Što se tiče uticaja dužine konačnog intervala posmatranja..

Sign up to vote on this title
UsefulNot useful