14.9.2013.

SPIE09 Obrada zvunih signala

Kako signal prikazuje informaciju ?

01_02.a) Analiza u vremenskom podruju str.02-59

01_02.b) Analiza u frekvencijskom podruju str.60-103

Najvaniji dio svake DSP zadade je razumijevanje kako je pohranjena informacija u

signalu s kojim radimo. Postoje samo dva uobiajena naina kojim predstavljamo
informaciju u signalima koji se javljaju u prirodi:

Ozren Bilan, vii predava

ANALIZA U VREMENSKOM PODRUJU

Sustav djeluje na ulazni signal kako bi proizveo izlazni signal
koji se razlikuje od ulaznog u aspektu amplitude, frekvencije,
faze...). Sustav znamo opisati, predstaviti ili karakterizirati
ulazno izlaznom jednadbom diferencija. Sustav se moe
opisati i impulsnim odzivom.
Izlaz je onda konvolucija
ulaznog signala i impulsnog odziva.

Vremenski prikaz
signala
Harmonici

1.
1.1.
1.2.
1.3.
1.4.
2.
3.
4.
5.
6.
7.

UVOD
Konti nuirani i diskretni signali i DSP
Analiza u vremenskom i frekvencijskom podruju
DSP tra nsformacije
Projektiranje digitalnih filtera
Zvuni signali visoke razluivosti HD Audio
Di gitalna obrada govora
Sa imanje zvunih datoteka
Uvod u obradu zvunih signala umjetnim neuralnim mreama
Uvod u obradu i analizu zvunih signala va lidem Wavelet
Ra zlike DSP i procesora
30 s a ti predavanja + 30 sati laboratorijskih vjebi
Svi MATLAB kodovi nalaze se u skripti LAB VJEBE DOZS

Spektar signala

Harmonici

Fundamental
Spektrogram signala

Vrijeme trajanje
signala
Ozren Bilan

informacija prikazana u vremenskom podruju i

informacija prikazana u frekvencijskom podruju.

Informacija prikazana u vremenskom podruju opisuje kada se neto dogodilo i kolika

je amplituda pojave. ak i kada posjedujemo samo jedan uzorak ovog signala, jo
uvijek znamo neto o onome to mjerimo. To je najjednostavniji nain pohrane
informacije u signalu.
Za razliku od toga, informacije u frekvencijskom podruju prikazuju se indirektno.
Mnoge pojave imaju periodinost. Mjerenjem frekvencije, faze i amplitude ovih
periodinih promjena, najede dobivamo informacije o sustavu. Jedinstveni uzorak,
sam po sebi, ne sadrava informacije o periodinosti. Informacija je pohranjena u
odnosima mnogih toaka signala.
To nas dovodi do znaaja frekvencijskog odziva i odziva na koranu pobudu. Odziv na
step opisuje kako sustav modificira informaciju predstavljenu u vremenskom
podruju. Za razliku od toga, frekvencijski odziv pokazuje kako se mijenja informacija
predstavljena u frekvencijskom podruju.

Fundamental ili
osnovni harmonik

Ozren Bilan

Opdi model sustava obrade vremenski diskretnog signala (Discretetime signal processing - DTSP) ili sustava obrade digitalnog signala
(Digital signal processing - DSP) :

IMPULSNI ODZIV

Sustav djeluje na ulazni signal kako bi proizveo izlazni signal koji se

razlikuje od ulaznog u aspektu amplitude, frekvencije, faze...).

Uobiajeno se pretpostavlja da je signal (ili sustav) ukljuen u trenutku n=0, to

odgovara vremenu t=0 sempliranog analognog signala. Slijededi uzorak nastaje u
slijededem trenutku sempliranja, a oznaavamo ga n = 1.

Izlaz nazivamo odziv sustava. Moe imati vie od jednog ulaza i vie od
jednog izlaza. Tipini sustavi su digitalni filteri.

Ovakvim nainom oznaavanja vrijednosti negativnog indeksa oznaavaju hipotetske

vrijednosti prije poetka ili prije ukljuivanja signala ili sustava. Dakle, vrijeme na
dijagramu sukcesivnih vrijednosti uzoraka tee na desno.

Sustav znamo opisati, predstaviti ili karakterizirati ulazno izlaznom

jednadbom diferencija.

Ako signal kasnimo, sve vrijednosti signala pomiu se na desno.

Ako signal prethodimo sve vrijednosti signala pomiu se na lijevo.
Dakle, pomak na lijevo je ranije (prethoenje), a pomak na desno kasnije (kanjenje).

Sustav se takoer moe opisati impulsnim odzivom. Izlaz je onda

konvolucija ulaznog signala i impulsnog odziva.
Ulazni signal

Izlazni signal

SUSTAV

Ozren Bilan

Prisjetimo se signala jedininog uzorka (n):

(n) = 1 , n = 0
0 , n 0
Pomak na lijevo je ranije (prethoenje), a pomak na
desno kasnije (kanjenje).
Translatiramo li uzorak u na vremenski indeks k (k > 0),
signal je
(n-k) = 1 , n = k
0, nk
Translatiramo li uzorak na vremenski indeks k (k < 0),
signal je:
(n + k) = 1 ,
n = -k
0,
n -k
Izrazimo signal pomodu jedininih uzoraka.
Na slici je vrijednost x(n) u n = 1 jednaka 3, pa piemo:
x(n = 1) = x(1) (n - 1) = 3 x 1 = 3
Slino tome, u n = 2
x(n = 2) = x(2) (n 2) = 2 x 1 = 2

xn
Ozren Bilan

Primjer je na slici:

Impuls
vrijeme tee na desno

Ulazni signal
Impuls
ranije (prethoenje)

SUSTAV

Izlazni signal

i
kasnije (kanjenje)

xk n k

Ozren Bilan

Impulsni odziv digitalnog sustava definiran je kao izlaz (odziv),

sustava, kojeg oznaavamo h(n), ako je na ulazu jedinini uzorak (n).
Impulsni odziv moe biti realan ili kompleksan, a uobiajeno
podrazumijevamo da je realan.

IMPULSNI ODZIV

Dakle, najopdenitije signal x(n) izraavamo

Ako sustav obrauje vrijednosti signala uzorak po uzorak, to nazivamo uzrono

posljedini ili kauzalni sustav onda vrijednosti signala s negativnim indeksom nisu
dostupni sustavu. Dakle da bi sustav pribavio vrijednosti s negativnim indeksom, a to
su one koje su bile prije ukljuivanja sustava, potreban mu je vremeplov koji anticipira
vrijednosti signala prije ukljuenja

Primjedujemo odziv sustava prije pobude ?!

5

Ozren Bilan

14.9.2013.

FIR i IIR sustavi

Pobudimo li sustav jedininim uzorkom (n), impulsni odziv h(n)
sustava moe trajati konano a) ili beskonano b). U prvom sluaju rije
je o sustavu s konanim trajanjem impulsnog odziva (FIR), a u drugom
govorimo o sustavu s beskonanim trajanjem impulsnog odziva (IIR).
Neki autori ne spominju rije trajanje.

Izvod impulsnog odziva iz jednadbe

diferencija
Prema definiciji impulsnog odziva moemo na sustav primijeniti
jedinini uzorak pa eksperimentalnim putem dobiti izlaz sustava.
To to demo dobiti je impulsni odziv.
U drugom sluaju odziv sustava moemo dobiti jednadbom
diferencija, a postoje jo neki naini.

Alternativno, sustav moemo klasificirati kao rekurzivni ili nerekurzivni

umjesto IIR ili FIR. Razlikama demo se naknadno pozabaviti.
Kauzalnost sustava oituje se kroz njihov impulsni odziv: kauzalni
sustavi imaju vrijednost h(n) = 0 u n < 0 (ili n -1), inae su nekauzalni.
Oba prikazana sustava na slikama su - nekauzalna.
7

Ozren Bilan

Primjer 1
Odredi impulsni odziv sustava ija je ulazno izlazna jednadba
diferencija y(n) = 0.8y(n 1) + x(n)
Rjeenje
Ako supstituiramo x(n) sa (n) onda de y(n) biti upravo h(n):
h(n) = 0.8h(n 1) + (n)
Prisjetimo se (n)= 1 u n = 0, inae je jednak nuli. U kauzalnom
sustavu h(n) = 0 za n < 0, pa imamo:
h(0) = 0.8h(-1) + (0) = 1
h(1) = 0.8h( 0) + (1) = 0.8
h(2) = 0.8h(1) + (2) = 0.82
h(3) = 0.8h(2) + (3) = 0.8 3
...
h(n) = 0.8nu(n)
Sustav je IIR i stabilan je jer h(n) konvergira.
Najede ne dobivamo ovakav rezultat.
9

Ozren Bilan

DIGITALNA KONVOLUCIJA

Primjer 2
Impulsni odziv sustava je periodian s periodom od 3 indeksa
h(n) = [ 1, 2, 3; 1, 2, 3; 1, 2, 3; 1, 2 ... ]
Odredi ulazno-izlaznu signalnu jednadbu diferencija.
Rjeenje
Kasnimo zadani impulsni odziv 3 uzorka
h(n - 3) = [ 0, 0, 0; 1, 2, 3; 1, 2, 3; 1, 2 ]
Izraunamo razliku
h(n) - h(n - 3) = [ 1, 2, 3; 0, 0, 0; 0, 0 +
= (n)+2 (n-1)+3 (n-2)
Zatim
h(n) = h(n-3)+ (n)+2 (n-1)+3 (n-2)
Jednadba diferencija onda je:
y(n) = y(n - 3) + x(n) + 2x(n - 1) + 3x(n - 2)
Ozren Bilan

10

Kako sustav mijenja ulazni signal u izlazni signal?

To je DSP

Konvolucija je matematiki nain kombiniranja dva

signala u tredi, a predstavlja najvaniju tehniku digitalne
obrade signala.
Konvolucija povezuje tri signala: ulazni signal, izlazni signal i
impulsni odziv.

x[n]*h[n]=y[n]
Ozren Bilan

x[n]*h[n]=y[n]
ulazni signal konvoluiran s impulsnim odzivom jednak je izlazu

Glavne tehnike digitalne obrade signala su konvolucija i

Fourierova analiza. Obje tehnike temeljene su na strategiji
prikazanoj u poglavlju o linearnim sustavima:
signal rastavimo na jednostavne aditivne komponente
obradimo komponente na koristan nain.
sintetiziramo komponente u konani rezultat

Ozren Bilan

11

ulazni signal moe se rastaviti u niz impulsa, od kojih se svaki

moe promatrati kao skalirana i vremenski pomaknuta delta
funkcije.
izlaz (koji je poslijedica svakog impulsa) je skalirani i
pomaknuti oblik impulsnog odziva.
ukupni izlazni signal dobije se sumiranjem svih skaliranih i
pomaknutih impulsnih odziva.
Dakle, ako poznajemo impulsni odziv sustava, moemo
izraunati izlaz sustava za bilo koji mogudi ulazni signal.
To znai da znamo sve o sustavu i da ne moemo nita vie
saznati o karakteristikama sustava.
Ozren Bilan

12

14.9.2013.

Konvolucijska suma

Prikaz konvolucije u MATLAB-u

Kada je ulazni signal izraen jedininim uzorcima, izlaz sustava S je:

y(n) = S[x(n)] = S

k xk n k

Ponovimo: Konvolucija je temeljni i najvaniji koncept obrade i

analize signala. Primjenom konvolucije moemo dobiti izlaz
sustava za bilo koji po volji odabrani signal poznajemo li impulsni
odziv sustava. Pokazali smo da je matematika definicija
konvolucije u diskretnom vremenskom podruju:

Za svaki linearni sustav vrijedi:

yn S xk n k xk S n k
k
k
Nadalje, ako je sustav i vremenski ili posmano invarijantan (nepromjenjiv),
S[(n - k)] = h(n - k)
Izlaz de biti:

yn xk hn k
k

To je konvolucijska suma u DSP koji odgovara konvolucijskom integralu analognih

sustava. U jednadbi zvjezdica oznaava konvoluciju:

y n x n h n x k h n k
k

Rijeima: ako je impulsni odziv sustava h(n) poznat, moemo odrediti izlazni signal y(n)
za bilo koji ulazni signal x(n).
Zbog toga se impulsni odziv naziva i vremenska karakteristika sustava. Sumiranje se
izvodi od - do +, a u stvarnosti su relevantni signal ili impulsni odziv (ili oboje)
konani pa je i sumiranje (u raunalu ili DSP procesoru) konano.

Gdje je x[n] ulazni signal, h[n] impulsni odziv, a y[n] izlazni signal.
Operator * oznaava konvoluciju. Mnoimo izraze x[k] izrazima
pomaknutog h[n], potom ih sumiramo. Kljuni pojmovi za
razumijevanja konvolucije su impulsni odziv i impulsna
dekompozicija.

13

Ozren Bilan

14

Ozren Bilan

Impulsni odziv

Dekompozicija impulsne funkcije

Prisjetimo se: impulsni odziv izlaza sustava h[n], dobije se kao odziv
sustava sa jedininim uzorkom - impulsnom delta funkcijom na ulazu:
LTI sustavu odziv vremenski pomaknute impulsne funkcije je pomaknut
za isto iznos. Tako je impulsni odziv *n-1] je h[n-1]. Znamo li impulsni
odziv h[n], moemo odmah odrediti impulsni odziv h[n-1] pomakom
h[n] za +1. Sukladno tome, h[n-2] rezultira pomakom h[n] za +2. Kako
smo pokazali, linearnom sustavu, skalirani ulazni signal rezultirat de
identinim skaliranjem izlaznog signala:

Ponovimo koncept dekompozicije signala: ulazni signal

rastavlja se na jednostavne aditivne komponente, a odziv
sustava na ulazni signal dobije se sumiranjem izlaza
komponenata signala koje su proputene kroz sustav.
Opdenito vrijedi da se dekompozicija signala moe napraviti
u obliku oteane (ili ponderirane) sume osnovnih signala.
Tako pri Furierovoj transformaciji svaki periodini signal, pa
ak i kvadratni impuls, moemo predstaviti sumom sinusnih
i kosinusnih funkcija. Meutim, pri konvoluciji, kao temeljni
signali koristi se jedinini uzorak impulsna delta funkcija.

SUSTAV

SUSTAV

Tako de impulsni odziv signala na ulazu 3*n+ rezultirati impulsnim

odzivom h[n] pomnoenim s 3. Nadalje, ako je ulazni signal sastavljen
od tri komponente a*n++b*n-1++c*n-2], tada de impulsni odziv biti
ah*n++bh*n-1++ch*n-2]. Ovo svojstvo nazvali smo aditivnost linearnog
sustava:

Primjer de prikazati dekompoziciju signala na slici u slijed

impulsnih delta funkcija. Kako znamo impulsna funkcija *n+
ima vrijednost 1 u n=0, a nulu u n 0. Tada vrijednost
signala x[0] moemo zapisati kao 2 [n]. Slino tome, x[1]
bit de 3*n-1], zato jer je *n-1] jednak 1 u n=1, a nula u
svim ostalima. Na isti nain zapisujemo x[2] pomakom *n+
za 2, x[2]=1*n-2]. Dakle, signal x[n] predstavljamo sumom
3 pomaknute i skalirane impulsne funkcije:

Opdenito
signal moemo
zapisati kao sumu skaliranih i
pomaknutih delta funkcija

Kombinacijom svojstava impulsnog odziva i impulsne dekompozicije

moemo postaviti jednadbu konvolucije. U linearnim i vremenski
nepromjenjivim sustavima odziv, koji je posljedica nekoliko ulaznih
pobuda, moe se izraunati kao suma odziva ako svaki signal djeluje
samostalno. Ako je ulazni signal x[n]=2*n++3*n-1]+1*n-2], izlazni
signal bit de y[n]=2h*n++3h*n-1]+1h*n-2].
Dakle, oito je da de za ulazni signal:
izlaz sustava biti:
Uvjet: konvolucija vrijedi samo za linearne i vremenski nepromjenjive
LTI sustave.

15

Ozren Bilan

Primjer konvolucije

SUSTAV

Moemo
zakljuiti:
izvrimo
li
dekompoziciju ulaznog signala u niz
impulsa, izlazni signal moemo
izraunati sumiranjem skaliranih i
pomaknutih impulsnih odziva sustava.
Najvanije: od svih karakteristika
sustava jedino trebamo poznavati
impulsni odziv h[n]. Poznavanjem
impulsnog odziva moemo lako doznati
kako se sustav odziva na bilo koju
ulaznu pobudu.
16

Ozren Bilan

Proraun konvolucije

Neka su zadani signal i impulsni odziv sustava: x[n] = { 3, 4, 5 } i h[n] = { 2, 1 }

Signal x[n] ima vrijednosti uzoraka razliite od nule u tokama n=0,1,2. Impulsni
odziv h[n] ima uzorke razliite od nule u tokama n=0,1. Sve ostale vrijednosti
jednake su nuli.
ulazni signal x[n]
x[n] = { 3, 4, 5 }

Proraun u MATLAB-u
funkcijom conv
>> a = [3 4 5];
b = [2 1];
c = conv(a,b)

impulsni odziv h[n]

h[n] = { 2, 1 }

c=

Promatramo impulsni odziva h[n] pokuavajudi shvatiti kako se sustav ponaa.

Ulazni signal i impulsni odziv se mnoe i sumiraju. Kad impulsni signal ue u
sustav, prvi uzorak de se pomnoiti s 2 (dvostruko pojaati), a u slijededem
trenutku de se pomnoiti s 1 (postepeno oslabiti).
Dakle, sustav pojaava i dodaje jeku.
Primjenom jednadbe konvolucije izlazni signal
y[n+ bit de:

6 11 14

Uoavamo:
y[0+ se sastoji od jedne komponente x*0+h*0+, a sve ostale su jednake nuli u k 0.
Drugim rijeima
x[1]h[-1]=x[2]h[-2]=0.
Ako je n jednak ili vedi od 4, sve komponente y*n+ bit de jednake nuli. Dakle nakon n=4 nije
potrebno raunati y*n+ i sumiranje 4 signala y*0+, y*1+, y*2+, y*3+ proizvodi izlazni signal
konvolucije:
y[n]={6, 11, 14, 5}.

Izraunat demo vrijednosti y[0], y[1], y[2], y[3], ...

Ozren Bilan

17

Ozren Bilan

18

14.9.2013.

Kako bi obrazac prorauna jasno uoili redosljed sumiranja je obrnut to je ekvivalentno

savijanju (obrtanju) ulaznog signala ili impulsnog odziva. Posljednji lan napisat demo prvi, a
prvi lan demo napisati posljednji i zanemarit demo sve lanove jednake nuli.

MATLAB
Konvolucija

y*0+ = x*0+h*0+
y*1+ = x*1+h*0+ + x*0+h*1+
y*2+ = x*2+h*0+ + x*1+h*1+
y*3+ = x*3+h*0+ + x*2+h*1+

signal x(n)
x[n] = { 3, 4, 5 }

Vidi vjebe
KONVOLUCIJA
Convolution output up to n u
= -1 n=-1
15
10

Obrazac se ved uoava. y[2] rauna se od 2 ulazna uzorka: x[2] i x[1], te 2 uzorka impulsnog
odziva: h[0] i h[1]. Ulazni uzorci poinju od 2, to je isto kao i uzorci izlaza, a nakon toga idu
oni s manjim rednim brojem. Uzorci impulsnog odziva kredu od 0 i povedavaju.
Temeljem uoenog obrasca piemo jednadbu za sve uzorke izlaznog signala:

KONVOLUCIJA
Convolution output up to n =u
0 n= 0

15

x(m)h(n ! m)

y(n) =

10

x(m)h(n ! m)

-2

-1
0
1
2
3
4
n
System response h(-1-m) in black X, Signal x(m) in red O

-2

-1
0
1
2
3
4
n
System response h(0-m) in black X, Signal x(m) in red O

-2

-1

-2

-1

y*9+ = x*9+h*0+ + x*8+h*1+ + x*7+h*2+ + x*6+h*3+

15

x(m)h(n ! m)
10

m= ! 1

-2

0
-3

-2

-1

KONVOLUCIJA u n= 5

konvolucija
y[n]={6, 11, 14, 5}

X4
y(n) =

x(m)h(n ! m)
m= ! 1

5
0

-1
0
1
2
3
4
n
System response h(3-m) in black X, Signal x(m) in red O

-2

-1
0
1
2
3
4
n
System response h(4-m) in black X, Signal x(m) in red O

-2

MATLAB conv
>> a = [3 4 5];
b = [2 1];
c = conv(a,b)

2
0
-3

2
m

Convolution output up to n = 4

Prvi uzorak izlaznog signala y*0+ sastoji se od samo jednog lana, a po obrascu se rauna kao:
y*0+ = x*0+h*0+ + x[-1]h[1].
Bududi da x[-1] nije odreen, popunjavamo ga nulom.
Prikazat demo cijeli proraun animacijom u Matlabu kako bi uoili postupak:

KONVOLUCIJA u n= 4

y(n) =

-1
0
1
2
3
4
n
System response h(1-m) in black X, Signal x(m) in red O

0
-3

KONVOLUCIJA
3
Convolution output up tou
n = n=
3
10

x(m)h(n ! m)
m= ! 1

-2

0
-3

Gdje je i bilo koja toka uzorka, a k je broj uzorka impulsnog odziva. Npr.:ako se impulsni
odziv sastoji od 4 uzorka, uzorak izlaznog signala u toki 9 bit de:

15

X4
y(n) =

10

m= ! 1

m= ! 1

KONVOLUCIJA u n= 2

Convolution output up to n =
KONVOLUCIJA
u1 n= 1

15

X4

X4
y(n) =

Ozren Bilan

impulsni odziv h(n)

h[n] = { 2, 1 }

0
-3

-2

-1

c=
-1

6 11 14

nakon n=4, ne treba raunati y*n+ i sumiranje 4 signala y*0+, y*1+, y*2+, y*3+ daje konvoluciju izlazni signal y[n]={6, 11, 14, 5}.

19

20

Ozren Bilan

Primjena konvolucije na zvuk

SVOJSTVA DIGITALNE KONVOLUCIJE

U linearnoj akustici jeka je konvolucija

izvornog zvuka s funkcijom koja predstavlja
razliite objekte koje ga reflektiraju.
U umjetnoj reverberaciji, konvolucija se koristi
pri mapiranju impulsnog odziva realne
prostorije na digitalni audio signal.
Pri filtriranju izvodi se konvolucija

Digitalna konvolucija ima nekoliko vanih karakteristika, to nam

pri radu omogudava spajanje sustava u razliite konfiguracije:

Ozren Bilan

21

Asocijativnost

yn xn k hk hk xn k hk xk n

[x(n) h1(n)] h2(n) = x(n) [ h1(n) h2(n)]

Distributivnost

Ozren Bilan

22

Dekonvolucija

Usporedba konvolucije i filtriranja

Ozren Bilan

Komutativnost

23

Dekonvolucija je inverzna operacija

konvolucije. Koristi se za proraun ulaza u
poznati filter ako je poznat filtrirani izlaz.
Postupak je osjetljiv na um koeficijenata.
Sintaksa za deconv je: [q,r] = deconv(b,a)
gdje je b polinom dividenda, a je divizor, q je
kvocijent, a r je ostatak. Prvo demo
konvoluirati dva jednostavna vektora a i b
a = [1 2 3];
b = [4 5 6];
c = conv(a,b)
c = 4 13 28 27 18
Sada demo izvriti dekonvoluciju b iz c
[q,r] = deconv(c,a)
q=456
r=00000
U Matlabu se opisane napredne tehnike
dekonvolucije nalaze u:
System Identification Toolbox Users Guide.
Ozren Bilan

24

14.9.2013.

STABILNOST SUSTAVA

TRANZIJENTNI I STEP ODZIV

Stabilnost je jedno od najvanijih svojstava realnih sustava. Nestabilnim

sustavima izlaz se moe po volji mijenjati ili izlaziti iz odreenih granica,
a raunalni programi mogu davati netone rezultate.
Definicija stabilnosti DSP sustava podrazumjeva: sustav je stabilan kada
u odnosu na ogranieni ulazni signal, na izlazu daje ogranieni izlazni
signal. Ovaj kriterij stabilnosti izrazimo matematiki:

Na sustave se esto naglo primijeni neki signal koji se zatim naglo

iskljui. U takvim sluajevima esto moemo primjetiti kako se sustav
ponaa razliito od stanja kada je na njega primijenjen neki ustaljeni
signal.
Reakcija sustava u situaciji kada je na njega naglo primijenjen signal i
naglo iskljuen naziva se tranzijentni odziv. Normalna reakcija na
pobudu naziva se stabilni odziv, a ede ustaljeni odziv.

h n <

n=-

Dakle, impulsni odziv je apsolutno sumabilan.

FIR sustavi su najede stabilni.

IIR sustavi za stabilnost moraju imati impulsni odziv koji dovoljno brzo
slabi.

Tranzijentni odziv je vana karakteristika sustava iako se ne koristi tako

esto kao impulsni odziv. Tranzijentni odziv otkriva karakteristike i
brzinu reakcije sustava (poput ivih bida). U najvedem broju sluajeva
cilj nam je da sustav poprimi ustaljeni odziv to bre i to je glae
mogude (bez istitravanja).

25

Ozren Bilan

Odziv na step

Ozren Bilan

26

Karakteristike sustava iz odziva na step

Impulsni odziv sustava ne pokazuje direktno njegov tranzijentni odziv.

Za tu svrhu umjesto jedininog uzorka koristimo jednini step u(n).
Odziv na step, kojeg oznaavamo s(n), predstavlja reakciju sustava
kada je na ulazu primijenjen jedinini step u(n). Jedinini step je
tekuda suma jedininih uzoraka:

u n n k
k 0

Zamijenimo li u jednadbi konvolucije impulsni odziv pomodu odziva na

step moemo izraziti odziv na step sustava: () za bilo koji ulazni
signal x(n) kao konvoluciju:

= ()
=

Izlazni signal bit de

= ( 1)

Pa je odziv na step tekuda suma impulsnih odziva:

sn hk

To pokazuje kako moemo karakterizirati svaki linearni vremenski

nepromjenjivi sustav odzivom na step umjesto impulsnim odzivom.
Meutim, karakteriziranje sustava impulsnim odzivom je opdenitije.
z-transformacija je vrlo uinkovita pri rjeavanju tranzijentnih
problema o emu demo govoriti.

k 0

Zbog toga se impulsni odziv moe odrediti iz odziva na step:

= ( )

Ozren Bilan

27

Ozren Bilan

28

Ozren Bilan

30

DIGITALNI FILTERI
Digitalni filteri su tipini i najedi DSP sustavi, a predstavljaju sami temelj
digitalne obrade signala.
Obradu signala nazivamo filtriranje. Obraujemo li signale u diskretnom
vremenu obradu nazivamo digitalno filtriranje.
Digitalni filtri odreeni su svojim impulsnim odzivom h[n], koji opisuje izlaz
filtera kada je na ulazu jedinini impuls.
Za sada demo upoznati tipine filtre i njihove jednadbe diferencija. Digitalni
filtri djeluju na ulazni signal kako bi proizveli izlazni signal koji se razlikuje po
amplitudi, frekvenciji i fazi s obzirom na ulazni signal.
Digitalni filtri kao i analogni postoje u 4 osnovna frekvencijski selektivna
tipa. To su:
nisko propusni,
visoko propusni,
pojasno propusni i
pojasno nepropusni (ili pojasna brana).
Frekvencijske aspekte filtra obradit demo nakon to upoznamo osnovne
transformacije.
Sada demo klasificirati filtere samo
temeljem impulsnih odziva i strukture.
Ozren Bilan

29

14.9.2013.

Nerekurzivni i FIR filteri

Nerekurzivnim filterima trenutni izlazni signal ovisi samo o ulaznom
signal cijelo vrijeme trajanja. Matematiki, nerekurzivni filteri opisuju se
jednadbom diferencija
M
yn

b xn k
k

k M

bk su koeficijenti filtera koji mogu biti realni ili kompleksni (uobiajeno

podrazumijevamo da su realni). Granice intervala sumiranja su -M do M,
mogu biti od - do . Kauzalnim filterima, donja granica intervala je
nula. Strukturno, nerekurzivni filteri sastoje se od tri tipa operatora:
kanjenja, mnoenja i sumatora. Slijededa slika predstavlja direktnu
implementaciju kauzalnog nerekurzivnog filtera s 4 koeficijenta to
pokazuju 4 izvoda na slici.
3

y(n) bk x(n k ) b0 x(n) b1 x(n 1) b2 x(n 2) b3 x(n 3)

k 0

Na slici, z-1 predstavlja jedinino kanjenje tj. kanjenje za jedan vremenski

indeks. Impulsni odziv h(n) dobivamo supstitucijom x(n k) s (n k)
h n

bk n k b
n
k M

31

Ozren Bilan

k 0

Gdje su ak koeficijenti za rekurzivni dio (povratna petlja). bk su koeficijenti za

nerekurzivni dio (unaprijedna petlja). U teoriji, granice M, N mogu biti , a
u stvarnosti su konane. N je red filtera. Ako su svi koeficijenti jednaki nuli
rije je o nerekurzivnom filteru.
Neki autori piu jednadbu diferencija u obliku:
k 0

k 0

y n =

y n =

h k x n - k

k = -M

h k x n - k

k =0

Nerekurzivni filteri neposredno implementiraju konvolucijsku sumu.

Ozren Bilan

32

Slika prikazuje direktnu implementaciju. Naknadno demo analizirati problem

strukture filtera jer postoje razne strukture razliitih karakteristika za razliite
primjene.

y(n) a k yn k bk xn k

A kauzalni filter:

y(n) = 0.9y(n 1) 0.4y(n 2) + 2 x(n) 3 x(n 1) 4 x(n - 2)

Rekurzivnim filterima izlazni signal ovisi o ulaznom signalu cijelo vrijeme

trajanja signali ali i o prethodnom izlaznom signalu. Jednadba diferencija
kauzalnog rekurzivnog filtera: N
M

Kada su jedna ili obje granice sumiranja jednake , vie nije rije o
FIR nego o IIR filteru. Meutim, u najvedem broju sluajeva granice su
konane pa su nerekurzivni i rekurzivni filtri jedno te isto.
Zamijenimo li bk sa h(k) moemo napisati nerekurzivni (FIR) filter:

Pogledajmo strukturu ili implementaciju filtera prikazanu jednadbom

diferencija:

Rekurzivni i IIR filteri

k 1

Rezultati analize dovode do dva vana zakljuka:

Koeficijenti filtera su impulsni odziv h(n) u istom indeksu n,
Nerekurzivni filter odreen jednadbom
=
= = () takoer je FIR filter.

ak y(n k ) bk x(n k )

Nerekurzivnim filterima koeficijenti bk predstavljaju impulsni odziv.

Rekurzivnim filterima koeficijenti bk ne predstavljaju impulsni odziv.
Impulsni odziv odreuje im se iz definicije impulsnog odziva, dakle
supstituiramo x(n k) jedininim impulsom (n k), a y(n k) sa h(n k).
y(n)

Rekli smo da su granice M, N konane; da li de impulsni odziv filtera biti

konaan? U stvarnosti impulsni odziv je opdenito beskonaan pa su
rekurzivni filteri uglavnom IIR tipa (analizirat demo neke primjere).

33

Ozren Bilan

Ozren Bilan

34

RJEENJA JEDNADBE DIFERENCIJA

Rjeenja i odzivi

Ulazno-izlazna jednadba diferencija

kauzalnog rekurzivnog ili IIR filtera (ili opdenito sustava)

Ulazno izlazna jednadba diferencija signala ili sustava opdenito opisuje odnos
izlaznog i ulaznog signala, a ne govori nam nita o unutranjoj strukturi filtera.
Kako bi odredili odziv, dakle, izlaz filtera na odreeni ulazni signal moramo
poznavati stanje filtera prije nego primijenimo signal na ulaz. To stanje nazivamo
poetni uvjeti.
Relaksiranom sustavu na izlazni signal ne djeluju uinci prethodnog (prolog)
signala, pa je y(n) = 0 za n < 0. Ako to nije sluaj stav nazivamo nerelaksiran.

y(n) a k yn k bk xn k
k 1

=
=0

Pogledajmo jednadbu: = 0.8 1 + ()

Ako je ulazni signal x(n) primijenjen u trenutku n = 0 onda de izlazni signal
u trenutku n = 0 biti:
0 = 0.8 1 + (0)

k 0

=0

U nerelaksiranom sustavu postoji y(-1), a takoer i y(-1), y(-2),, koji djeluju na

sukcesivne vrijednosti y(n). Dakle, izlazni signal y(n) de se sastojati od dvije
komponente:
Prva zbog ulaznog signala x(n), primijenjenog u n = 0, bez uzimanja u obzir
poetnih uvjeta. Nazivamo ga odziv nultog stanja, a oznaavamo yzs(n).
Druga, zbog samih poetnih uvjeta, bez uzimanja u obzir ulaznog signala.
Nazivamo ga odziv nultog ulaza yzi(n).

Gdje su koeficijenti ak i bk konstante, a N je red filtera.

Ozren Bilan

35

Ozren Bilan

36

14.9.2013.

Svaki odziv odreujemo rjeavanje pripadne jednadbe diferencija. Odziv

nultog stanja zovemo i prisilni odziv, a odziv nultog ulaza zovemo prirodni
odziv i ovisi o strukturi sustava.
Suma ova dva odziva je ukupni odziv sustava.
Kada su poetni uvjeti sustava jednaki nuli (relaksirani sustav) primjena
ulaznog signala rezultira s dva odziva: tranzijentnim odziv i ustaljenim
odzivom. Tranzijentni odziv, kratko vrijeme nakon pobude, preklopi se sa
ustaljenim odzivom i nastavlja se svek dok postoji ulazni signal. Ako naglo
iskljuimo ulazni signal ponovno nastaje tranzijentni odziv. Nazivamo ih
tranzijent pri ukljuivanju i tranzijent pri iskljuivanju.
Matematikim argonom tranzijentni odziv je homogeno rjeenje
jednadbe diferencija, a ustaljeni odziv je partikularno rjeenje.
Superpozicija ova dva rjeenja je ukupno rjeenje.
Konvolucija ulaznog signala i impulsnog odziva sustava takoer daje odziv
sustava ukupno rjeenje. Pri tome ne moemo odijeliti homogeno i
partikularno rjeenje.
z-transformacija je uinkovita pri rjeavanju jednadbi diferencija isto tako
kako je Laplaceva transformacija pogodna za diferencijalne jednadbe.

DIGITALNA KORELACIJA
Korelacija dva signala mjeri stupanj njihove slinosti. Korelacija signala sa
samim sobom takoer ima smisao i primjenu. Dok se konvolucija moe
primijeniti na signale i sustave, korelacija se primijenjuje samo na signale. Kao i
konvolucija i korelacija se definira za analogne i digitalne signale.
Korelacija se koristi na podrujima radara, geofizike, komunikacija, a posebno kod
svih sluajnih procesa. U DSP konvolucija je mnogo eda, ali korelacija ima vrlo
veliku primjenu kod zvunih signala.
Korelacija daje odgovor na pitanje:
kolika je slinost signala A i signala B?
Intuitivni odgovor dobivamo usporedbom deterministikih signala sa
stohastikim signalom.
Deterministiki signali su predvidivi ekvivalenti signala koji se dobiju
matematikim funkcijama
Stohastiki signali su nepredvidivi i ekvivalentni onima dobivenima sluajnim
procesima.

37

Ozren Bilan

38

Ozren Bilan

Krina korelacija

Korelacija signala

R je operator korelacije. Krina korelacija dva realna vremenski diskretna

signala x(n) i v(n), odreena je
R m = x(n)v(n-m)
m = 0, 1, 2, ...
to je ekvivalentno

R xv m x n m v m m = 0, 1, 2, ...
n
Uoavamo da je korelacija na indeksu n jednaka sumi umnoaka prvog i
drugog pomaknutog signala.
Zamijenimo li signale
x(n) i v(n) dobivamo:

Rvx m vn xn m m = 0, 1, 2, ...
n
to je ekvivalentno

Rvx m v n m x n
m = 0, 1, 2, ...

Pojam korelacija podrazumijeva mjerljivo odreivanje slinosti i razlike dva signala.

n=0:23;
A=[ones(1,4),zeros(1,8),ones(1,4),zeros(1,8)];
subplot (3,1,1),stem(n,A);
grid
axis([0 25 0 1.5]);
title('Signal A')
xlabel('uzorak')
B=randn(size(A));
% signal B je Gaussov um iste duine kao A
subplot(3,1,2),stem(n,B);
axis([0 25 -3 3]);
title('Signal B')
xlabel('uzorak')
C=A;
subplot(3,1,3),stem(n,C);
axis([0 25 0 1.5]);
title('Signal C');
xlabel('uzorak')

xv

intuitivna i vizuelna definicija korelacije.

n=-

Dakle
Rxv(m) = Rvx(-m)
to znai da je prva korelacija obrnuta verzija ili zrcalna slika drugog izraza, ali
sadrava istu informaciju.
Procjena korelacije slina je konvoluciji, s razlikom to nije potrebno obrtanje
pa su koraci prorauna
pomakni pomnoi sumiraj.

Uvidom u dijagrame vidimo da je signal A

koreliran sa signalom C dok je B
nekoreliran i sa A i sa C.
To je intuitivna i vizuelna definicija
korelacije.
Ozren Bilan

39

Korelacija i komunikacije

Autokorelacija
Auto-korelacija signala x(n) jednaka je krinoj korelaciji sa samim
sobom:

R xx m x nx n m
n

to je ekvivalentno

R xx m x n m x n

Neka se digitalni signal x(n) prijenosi na drugi kraj komunikacijskog

kanala. Nakon prijenosa dolazi do prijemnika gdje postaje x(nn0), a
dodaje mu se i sluajni um z(n). Onda je ukupni signal na prijemniku:
y(n) = x(n n0) + z(n)
Napravimo li krinu korelaciju y(n) i x(n) :
R yx m

U trenutku m=0 (pomak jo nije zapoeo) auto-korelacija je

maksimalna jer je signal najsliniji samom sebi.
Autokorelacija (samoslinost) se smanjuje kako m raste u oba smjera.
Auto-korelacija je parna simetrina funkcija varijable m:
Rxx(m) = Rxx(-m)
Ozren Bilan

40

Ozren Bilan

41

xn n0 xn m z n xn m
ynxn m xn n znxn m n

n
0

= Rxx(m n0) + Rzx(m)

Krina korelacija sastoji se od dvije komponente: auto-korelacije
transmitiranog signala s vremenskim pomakom i krine-korelacije
transmitiranog signala x(n) i uma z(n).
Znaaj je u tome to je Rxx(m n0) uobiajeno vedi od Rzx(m) , a vrna
vrijednost je u m = n. Istovremeno Rzx(m), je manji jer um ima
sluajnu prirodu, a signal ne ovisi o umu. Dakle, analizom Rzx(m)
odreujemo kanjenje primljenog signala.
Ozren Bilan

42

14.9.2013.

R yy m

Korelacija periodinih signala

Za dva periodina signala x(n) i v(n) koja imaju isti period N uzoraka,
krina korelacija i autokorelacija odreene su izrazima:
1 N 1
x nv n m
N n 0
1 N 1
R xx m
x nx n m
N k 0
R xv m

1 M 1
yn yn m
M n 0

Supstitucijom izraza y(n) u funkciju autokorelacije, slijedi:

Kvantitativno iskazivanje korelacije

Problem: kako odrediti kvalitativni algoritamski nain procjene korelacije?
Mogudnost: mnoimo signale uzorak po uzorak i usrednjavamo rezultat.
Postupak daje pozitivne brojeve ako su signali identini, a vrijednosti vrlo bliske
nuli za dva sluajna signala.
N 1
1
N

x [ n] x [ n]
1

n 0

Koristimo prethodno pokazane signale (program str. 34.):

Signal A,
Signal B (sluajni um) i
Signal C (identian signalu A).

Ozren Bilan

44

Krina korelacija sluajnih signala

n=0:100;
sum1=randn(size(n));
sum2=randn(size(n));
sum1*sum2'/length(sum1)
ans =
-0.0284

Pitamo se:
jesu li dva sluajna signala
(um1 i um2) korelirana?

S vrlo velikom vjerojatnodu, za dva sluajna nekorelirana

signala, moemo oekivati rezultat izmeu:

Raunamo:

>> A*B'/length(A)
ans =
Mala vrijednost za signale A i B
0.0839
govori da su signali
>> A*C'/length(A) nekorelirani.
Pozitivna i mnogo veda
ans =
vrijednost izrauna signala A i C
0.3333
govori da su signali korelirani.

2/N = 0.1990
Zakljuujemo: ova dva signala su nekorelirana.

45

Ozren Bilan

Nedostatak jednostavne krine korelacije

Iako su dva signala ista i donji je pomaknut za 5 uzoraka u
desno ili gornji 5 uzoraka u lijevo, jednostavna krina
korelacija dat de nam rezultat blizak nuli. Signali su potpuno
isti samo postoji relativni pomak k=5.

Pomaknuta krina-korelacija rjeava problem

Vri se pomak signala za k uzoraka u odnosu na drugi signal i rauna se r12(k).
Svi mogudi k pomaci daju vektor vrijednosti koji nazivamo potpuna krina
korelacija.
Postupak izvodi MATLAB naredbom xcorr
xcorr je ekvivalentna s conv (convolution) s jednim signalom koji se uzima u
proraun obrnutim redoslijedom .
r12 (k )

Zato jer je signal x(n) periodian s periodom N i funkcija auto-korelacije

Rxx je periodina s vrnim vrijednosti u m = 0, N, 2N ... Krina
korelacija Rxz(m) i Rzx(m) signala i uma imaju malu vrijednost jer su
signal i um nekorelirani. Poslijednji izraz Rzz(m) je autokorelacija
uma koja ima vrnu vrijednost u m = 0, a brzo slabi na nulu jer je
sluajne prirode. Dakle, ostaje najveda.
Opisana osobina omogudava nam da detektiramo periodini signal x(n)
ak i tada kada je amplituda uma usporediva sa signalom ili veda.
Opisana metoda korelacije koristi se za
odreivanje fundamentalne frekvencije govora i glazbe u
okolnostima vrlo visoke razine uma.

43

Ozren Bilan

r12

1 M 1
1 M 1
xn xn m
xn z n m zn xn m
M n 0
M n 0
1 M 1

zn xn m
M n 0

= Rxx(m) + Rxz(m) + Rzx(m) + Rzz(m)

Obje korelacije imaju period od N uzoraka. Pogledajmo primjenu:

Signal y(n) dolazi na prijemnik i sastoji se od transmitiranog signal x(n) i
dodanog uma smetnje z(n) :
y(n) = x(n) + z(n)
Auto-korelacija primljenog signala u trajanju od M uzoraka, gdje je M
mnogo vedi od perioda N, je:
R yy m

1 M 1
xn z n xn m z n m
M n 0

1
N

N 1

x [ n] x [ n k ]
n 0

Ozren Bilan

47

Ozren Bilan

46

Potpuna krina korelacija

A=[ones(1,4),zeros(1,8),ones(1,4),zeros(1,8)];
B=filter([0,0,0,0,0,1],1,A);
[acor,lags]=xcorr(A,A2);
subplot(3,1,1),stem(A);
xlabel('uzorak')
grid
title('Izvorni signal A')
subplot(3,1,2),stem(A2);
xlabel('uzorak')
grid
title('pomaknuti signal B')
subplot(3,1,3), stem(lags,acor/length(A)),
grid
title('Potpuna krina korelacija A i B')
xlabel('uzorak')

Ako signal B pomaknemo u lijevo za 5 uzoraka

oba signala bit de identina i potpuna krina
korelacija bit de jednaka r12 = 0.333
Ozren Bilan

48

14.9.2013.

Auto-korelacija

Potpuna krina-korelacija sluajnih signala

Krina korelacija signala sa samim sobom naziva se auto-korelacija.

1 N 1
r11 (k ) x1[n]x1[n k ]
N n 0
Auto-korelacija s nultim pomakom identina je efektivnoj vrijednosti snage signala.

N=1:100;
n1=randn(size(N));
n2=randn(size(N));
[acor,lags]=xcorr(n1,n2);
stem(lags,acor/length(n1));

r11 (0)

1
N

N 1

N 1

x [ n] x [ n] N x [ n ]
1

n 0

n 0

Auto-korelacija sluajnih signala

n=0:50;
N=randn(size(n));
[rNN,k]=xcorr(N,N);
stem(k,rNN/length(N));
grid;
title('Auto-korelacija
sluajnih signala')

Krina-korelacija sluajnih signala je

sluajna i nema vrha. To nam govori
da nema nikakve slinosti signala

Matematiki, autokorelacija sluajnih signala

slina je impulsnoj funkciji
Ozren Bilan

49

50

Ozren Bilan

Identifikacija sinusnog signala maskiranog umom

Auto-korelacija sinusnog signala

n=0:1999;
omega=2*pi*100/1000;
d=sin(omega*n);
d3n=d+3*randn(size(d));
% sinusni signal je maskiran trostrukim sumom
d5n=d+5*randn(size(d));
% sinusni signal je maskiran peterostrukim sumom
subplot(3,1,1),plot(d(1:100)),title('Signal')
subplot(3,1,2),plot(d3n(1:100)),
title(signal s trostrukim sumom'), axis([0,100,-15,15])
subplot(3,1,3), plot(d5n(1:100)),
title(signal s peterostrukim sumom'), axis([0,100,-15,15])

n=0:99;
omega=2*pi*100/1000;
sinusni_signal=sin(omega*n);
[acor_sinusni_signal,k]=xcorr(sinusni_signal,sinusni_signal);
plot(k,acor_sinusni_signal/length(sinusni_signal));
grid;
title('Auto-korelacija signala - sinusni_signal')
xlabel('uzorak')

Signal
1

-1

10

20

30

40

50

60

70

80

90

100

70

80

90

100

70

80

90

100

signal s trostrukim sumom

10
0

Vektor auto-korelacije ima istu

frekvencijsku komponentu kao
izvorni signal

U signalu maskiranom umom ne

moemo vidjeti sinusni valni oblik

-10
0

10

20

30

40

50

60

signal s peterostrukim sumom

10
0
-10
0

Ozren Bilan

51

Identificiranje umom maskirane sinusoide

Normalni spektar

10

30

40

50

60

52

Identificiranje umom maskirane sinusoide

Auto-korelacijski spektar
acor3n=xcorr(d3n,d3n);
acor5n=xcorr(d5n,d5n);
subplot(2,1,1),fft_plot(d3n,1000);grid;
title('100 Hz, 3x um spektar signala')
subplot(2,1,2),fft_plot(acor3n,1000);grid;
title('100 Hz, 3x um autokorelacijski spektar')
pause
figure, subplot(2,1,1),fft_plot(d5n,1000);grid;
title('100 Hz, 5x um autokorelacijski spektar')
subplot(2,1,2),fft_plot(acor5n,1000);grid;
title('100 Hz, 5x um autokorelacijski spektar')

n=0:1999;
omega=2*pi*100/1000;
d=sin(omega*n);
d3n=d+3*randn(size(d)); % sinusni signal je maskiran trostrukim umom
d5n=d+5*randn(size(d)); % sinusni signal je maskiran peterostrukim umom
subplot(2,1,1),fft_plot(d3n,1000);grid;
title('100 Hz 3x um')
subplot(2,1,2),fft_plot(d5n,1000);grid;
title('100 Hz 5x um')

Normalni spektar sinusoide

maskirane umom: velika snaga
uma onemogudava sigurnu
detekciju

FFT

Autokorelacija

FFT

Auto-korelacija signala sa umom daje

vedi odnos signal/um pri detekciji
dominantne frekvencijske komponente
usporedimo li je s FFT

Ozren Bilan

20

Ozren Bilan

53

Autokorelacija

Ozren Bilan

54

14.9.2013.

Odreivanje udaljenosti sonarom i radarom

Odreivanje udaljenosti sonarom i radarom

x=[ones(1,100),zeros(1,924)];
n=0:1023;
plot(n,x, 'r'); axis([0 1023 -.2, 1.2])
grid;
title('Transmitirani impuls');xlabel('uzorak,n')
h=[zeros(1,399),1];
% Impulsni odziv kasni 400 uzoraka
x_return=filter(h,1,x);
% Proputamo signal kroz filter za kanjenje
figure,plot(n,x_return, 'r'); axis([0 1023 -.2, 1.2])
grid;
title('Povratni signal impulsa');xlabel('uzorak, n')

[xcor_pure,lags]=xcorr(x_return,x);
plot(lags,xcor_pure/length(x))
grid;
title('krina-korelacija, transmitiranog i primljenog
signala')
xlabel('kanjenje, uzoraka')

Sonar i radar su ureaji koji emitiraju, a potom

primaju reflektirani signal temeljem kojeg
izvlae informacije o poloaju objekata pod
morem, u zraku, na moru ili na kopnu.
Ekstrakciju informacije iz reflektiranog signala
oteava superponirani um pa se koristi
korelacija.

x_ret_n=x_return+1.5*randn(size(x_return));
plot(n,x_ret_n); axis([0 1023 -6, 6])
% Vidimo promjenu na osi podrucja
grid;
title('Povratni signal i superponirani um')
xlabel('uzorak,n')

Simulacija emitiranog
i primljenog impulsa
sa kanjenjem od 400
uzoraka (jeka).

Znamo da se nalazi se na 400. uzorku, ali se ne vidi

Krina korelacija emitiranog i primljenog

signala pokazuje da su korelirani s kanjenjem
od 400 uzoraka.
55

Ozren Bilan

Ozren Bilan

56

Zakljuak

Odreivanje udaljenosti sonarom i radarom

Krina-korelacija emitiranog
signala sa jekom uma vrlo jasno
pokazuje korelaciju pri kanjenju
od 400 uzoraka

[xcor,lags]=xcorr(x_ret_n,x);
plot(lags,xcor/length(x))
grid;

U prisustvu uma povratni signal je

nemogude vidjeti

Krina-korelacija omogudava procjenu stupnja

slinosti dva signala.
Primjena je identificiranje povratne jeke sonara i radara pri
izraenom umu.

Auto-korelacija (korelacija signala sa samim sobom)

pomae identificiranju karakteristika signala u
izraenom umu.

57

Ozren Bilan

Ozren Bilan

SPIE09 Obrada zvunih signala

Signali i sustavi u frekvencijskom podruju

01_02.b) Analiza u frekvencijskom podruju

Ozren Bilan, vii predava

ANALIZA U
FREKVENCIJSKOM
PODRUJU

Ciljevi
Nastanak kvadratnog vala: Gibbsov uinak

0.5

Digitalni (vremenski diskretni) signali i

sustavi
mogu
se
analizirati
u
frekvencijskom podruju Fourierovom
analizom.
Vana
karakteristika
sustava
je
frekvencijski odziv.

Ozren Bilan

58

-0.5

-1

59

Definicija Fourierove transformacije i objanjenje vanijih svojstava.

Objasniti Gibbsov uinak
Objasniti funkciju sinc i prikazati FT osnovnih signala
Definicija Fourierove transformacije u diskretnom vremenu (DTFT) dokaz da daje maksimalni
odziv na digitalnim frekvencijama sadranim u diskretnom signalu vremenskog podruja.
Dokaz tri kljuna svojstva DTFT: linearnost, periodinost i kanjenje.
Pokazati nastanak replika frekvencijskog sadraja signala na cjelobrojnim viekratnicima
frekvencije sempliranja.
Pokazati koncept primjene filtra vremenskog otvora u analizi spektra i pokazati utjecaj
razliitih prozora na rezoluciju DTFT.
Objasniti ogranienja DTFT i princip neodreenosti spektralne analize.
Odrediti snagu i energiju signala u vremenskom i frekvencijskom podruju.
Pokazati simulaciju signala sluajnog uma i svojstva Gaussove snage spektra diskretnih
signala.
Izvesti frekvencijski odziv opdeg LTI DSP sustava i pokazati da je frekvencijski odziv vrijednost
prijenosne funkcije u z-podruju na jedininoj krunici u kompleksnoj ravnini.
Ozren Bilan

60

10

14.9.2013.

Digitalni (vremenski diskretni) signali i sustavi mogu se analizirati u

frekvencijskom podruju Fourierovom analizom. Vana karakteristika sustava
je frekvencijski odziv.
Za analogne signale Fourierova analiza koristi Fourierove redove (CTFS) i
Fourierovu transformaciju (CTFT). Razvoj teorije digitalne obrade signala The
posebno diskretne Fourierove transformacije i digitalnih signal procesora te
raunala omogudila je daljnju uporabu Fourierove analize.

FOURIEROVI REDOVI (CTFS) USTALJENO VRIJEME

(ANALOGNO)
U ustaljenom vremenu (analogno) Fourierova analiza sastoje se od Fourierovih redova ili
razvoja i Fourierove transformacije ili integrala. Pokazat demo vrlo kratki pregled
Trigonometrijski razvoj u red
Francuski matematiar Jean Baptiste Joseph Fourier pokazao je da se periodini valni oblik
moe rastaviti u beskonani red sinusoidalnih i kosinusidalnih komponenti ije su frekvencije
viekratnici osnovne frekvencije sloenog periodinog valnog oblika.

Kratko demo se osvrniti na Fourierovu analizu analognih signala pa demo prijedi

na Fourierove redove u diskretnom vremenu (DTFS) i Fourierovu
Transformaciju u diskretnom vremenu (DTFT).

Furierova
transformacija
ini
zvunom signalu (datoteci) isto ono
to prizma ini zraci bijele svjetlosti;

Spomenit demo i Brzu Furierovu transformaciju koja je vrlo vana u

primjenama u DSP.

rastavlja je na sastavne dijelove.

Isto tako kako je zraka bijele svjetlosti
sastavljena od mnogo boja, segment
zvune datoteke sastavljen je od
mnogo razliitih frekvencija.

Naglasit demo najvanije aspekte DTFT, a to je frekvencijski odziv sustava. DTFT

je povezana s jo opdenitijom i univerzalnijom transformacijom digitalnih
sustava - z-transformacijom.
61

Ozren Bilan

Sumiranjem harmonikih sinusnih i kosinusnih funkcija odreenih amplituda An i Bn,

dobijemo tono izvorni signal.
Za periodiki signal x(t) s osnovnim periodom T sekundi, Furierov red predstavlja signal
sumom sinusnih i kosinusnih komponenti koje su harmonici osnovne frekvencije f0.

62

Ozren Bilan

Zadan je vremenski promjenjivi signal x(t), s periodom T0 (sec) ili krunom

frekvencijom 0 2 / T0(rad/s) ili frekvencijom F0 = 1/T0 (Hz). Trigonometrijski razvoj
u red je

x( t ) a 0 a n cos n 0 t bn sin 0 t
n 1

Gdje su koeficijenti odreeni:

a0

Potrebno je izraunati vrijednosti An i Bn.

an

n 1

1 T0 / 2
x( t )dt

T0 T0 / 2

2 T0 / 2
x( t ) cos n 0 tdt

T0 T0 / 2

bn

2 T0 / 2
x( t ) sinn 0 tdt

T0 T0 / 2

Granice integracije su T0/2 do T0/2, pri emu se druga granica moe koristiti sve
dok je raspon granica jednak periodu T0, npr. 0 do T0.
Komponente imaju slijedede znaenje :
a0
: srednja vrijednost signala (ili istosmjerna komponenta)
a1cos 0t + b1sin 0t : osnovni harmonik, fundamentalna komponente, jer je suma
dvije sinusoide iste frekvencije je sinusoida na toj frekvenciji ili
prvi harmonik.
a2cos0t + b2sin0t : drugi harmonik
a3cos0t + b3sin0t : tredi harmonik

63

Ozren Bilan

Znamo da je suma dvije sinusoide iste frekvencije - sinusoida na toj

frekvenciji, u specifinom sluaju:

Ozren Bilan

64

Razvoj kompleksne eksponencijale

a cos t b sin t a 2 b 2 cos t tan 1

a

To je razlog zbog kojeg jednadbu x(t ) a 0 n1a n cos n 0 t n1bn sin 0 t

Fourierov razvoj u red u obliku kompleksne eksponencijale mnogo je vaniji i

kompaktniji jer je neposredno povezan s Fourierovom transformacijom. Razvoj
je jednadba sinteze :

Moemo napisati u obliku amplitudnog i faznog razvoja:

x ( t ) c0 c n cos( n 0 t 0 )

Gdje je:

Dvije simetrine komponente Xn i X-n uvijek se pojavljuju u paru i suma svakog

para je realna. Odnos kompleksne eksponencijale i trigonometrijskih
koeficijenata je:

n 1

c0 a0

c n a n2 bn2

n arctan

bn
an

Pri ovom razvoju u red prepoznajemo co kao srednju vrijednost

(istosmjernu komponentu), fundamental
i drugi
harmonik
...itd.

Koeficijente Xn moemo izraunati iz analitike jednadbe:

Dijagram koeficijenata u ovisnosti o frekvenciji predstavlja magnitudni

spektar, a dijagram faze o ovisnosti o frekvenciji nazivamo fazni
spektar. Oba spektra se diskretna ili linijska.
Ozren Bilan

65

Granice integracije mogu biti od T0/2 do T0/2 umjesto od 0 do T.

Bududi da su koeficijenti Xn opdenito kompleksni piemo:
Varijacija
predstavlja spektar magnitude, a varijacija n spektar faze
signala. Realnim signalima, spektar magnitude je parno simetrian, a spektar
faze neparno simetrian (asimetrian)
Ozren Bilan

66

11

14.9.2013.

Odnos realnog kosinusa i imaginarnog sinusa u

kompleksnoj eksponencijali
Odnos realnog
kosinusa i
imaginarnog sinusa
u kompleksnoj
eksponencijali e jT.

Funkcija sin(x)/x ili sinc

Pri razmatranju Fourierove analize nailazimo na posebnu funkciju
sin(x)/x. Dijagram funkcije pokazuje da je to simetrina funkcija jedinine
povrine s maksimumom jednakim 1 u ishoditu. Prolazi kroz nulu su u
jednakim intervalima . Udaljenost od ishodita do prvog prolaska kroz
nule jednaka je . Vrijednost funkcije oscilira i progresivno slabi. Prvi
minimum ima vrijednost -0.2178, a idudi maksimum 0.1284. Prolasci kroz
nulu i ekstremi odreeni su prema slijededim relacijama.

Olakava shvadanje
pojma faze.

x=linspace(-10,10);
y=sinc(x);
plot(x,y);grid;

Svojstvo spiralnog
oblika = projekcija
na bilo koju ravninu
paralelno s
vremenskom osi
daje sinusoidalni
valni oblik.

67

Ozren Bilan

Fourierov teorem
a0
an cos(n0t ) bn sin(n0t
2 n 1
2 T
an s (t ) cos(n0t )dt
T 0
2 T
bn s (t ) sin(n0t )dt
T 0
2 T
2 T
a0 = s (t ) cos(0)dt s (t )dt
T 0
T 0

cn

1
T
1
Tp

T /2

s (t )e
e

jn0t

dt

1
nf 0

jnf 0 w

e jnf0 w

1 sin(nf 0 w)
Tp
nf 0
w
sinc(nf 0 w)
Tp

1
T

s (t )e jn0 dt

Koeficijenti (a,b,c) predstavljaju frekvencijski sadraj

signala na diskretnim frekvencijama

dt

w/ 2

1
1
e
Tp jn 2f 0
1
Tp

jn0t

cn

jn0t

T /2
w/ 2

ce

s(t )

1
1
e
Tp jn0
e
e
2j

w/ 2
jn 2 f 0t
w/ 2

Fourierovi koeficijenti pravokutnog slijeda impulsa

jnf 0 w

jnf 0 w

w sin(nf 0 w)
Tp
nf 0 w
for
za

w=1;
% odreujemo irinu impulsa u ms
fmax=3500;
% odreujemo maksimalnu frekvenciju
R1=4;
% odreujemo odnos perioda i irine za
svaki sluaj
R2=8;
R3=32;
[c1,f1]=pulse_train(fmax,w,R1);
% funkcijom odreujemo Fourierove
koeficijente
[c2,f2]=pulse_train(fmax,w,R2);
% sluaj 2
[c3,f3]=pulse_train(fmax,w,R3);
% sluaj 3
subplot(3,1,1),stem (f1,c1),
title(odnos perioda i irine impulsa = 4');
subplot(3,1,2),stem (f2,c2),
title(odnos perioda i irine impulsa = 8');
subplot(3,1,3),stem (f3,c3),
title('odnos perioda i irine impulsa = 32');
xlabel('Harmonika frekvencija Hz')

<n<
69

Ozren Bilan

Fourierova transformacija

{x(t )}

x(t )e

x(t )e

dt

jt

Porastom odnosa perioda i irine impulsa frekvencijska

gustoda koeficijenata raste. Konano, u graninom sluaju,
koeficijenti postaju kontinuirana funkcija frekvencije.
Ozren Bilan

70

b) Jedinini impulse
To je delta Diracova funkcija, a ne prethodno spomenut
uski impulse. Transformacija je

Iz analize slijeda impulsa zakljuujemo da opdem neperiodinom signalu kontinuirana

funkcija frekvencije predstavlja frekvencijski sadraj kontinuiranog signala.
Definicija Fourierove transformacije:
jt
X ()

68

MATLAB analiza slijeda kvadratnih impulsa

Fourierov teorem: svaki kontinuirani periodiki

signal moe se predstaviti beskonanom sumom
harmoniki povezanih sinusoida.

s (t )

Ozren Bilan

dt

Ilustrirat demo glavne Fourierove transformacijske parove bez dokaza:

Uski impuls t
To je impulse jedinine amplitude infinitezimalne irine.
Transformacija je

c) Konstanta
Transformacija je

t t

infinitezimalne irine

Ozren Bilan

71

Ozren Bilan

72

12

14.9.2013.

(d) Kauzalna eksponencijala

To je funkcija
x(t) = eat ,
t0
0 ,
t<0
Transformacija je
X(F) =
Pa je magnitudni spektar

X (F )

(e) Jedinini step

Transformacija i magnitudni spektar su

1
a j 2F

a 2 2F

73

Ozren Bilan

Fourierova transformacija u diskretnom vremenu

DTFT

(f) Kosinus i sinus

cosinus Acos2F0t ima Fourierovu transformaciju

X ()

x[n]e

jn

Napiemo li ga u obliku Acos0t transformacija je

x()=j(-0 )+j(-0 )

75

Ozren Bilan

Zadan je signal x[n] = [1,-1,1,-1]

Izraunaj DTFT signala na digitalnim frekvencijama i /2.
N 1

n 0

n 0

n 0

n 0

X () x[n]e jn x[n]e j n x[n]cos( n) j sin( n) x[n]cos( n)

(1)(1) (1)(1) (1)(1) (1)(1)
4

= /2

N 1
3
3

X () x[n]e jn x[n]e j n / 2 x[n] cos( n) j sin( n)

2
2

n 0
n 0
n 0

3
3
(1)[cos(0) j sin(0)] (1)[cos( ) j sin( )] (1)[cos( ) j sin( )] (1)[cos
j sin( )]
2
2
2
2
(1)(1) (1)( j ) (1)(1) (1)( j )
0

Ozren Bilan

f
fs

DTFT je Fourierova transformacija za vremenski diskretne signale

DTFT zahtjeva konani kauzalni signal pri proraunu, pa tonost ovisi o broju
uzoraka N
DTFT je kontinuirana kompleksna funkcija
Proraun DTFT zahtjeva N lanova za diskretnu . Dakle, ne ide bez raunala.
Uinkoviti proraun DTFT predstavlja vrlo vaan problem u DSP (FFT ili brza
Furierova transformacija)

Ozren Bilan

76

Primjer: kratki sinus na 3 frekvencije

Primjer x[n] = [1,-1,1,-1]

= :

N 1

x[n]e jn
n 0

Slino, transformacija sinusne funkcije sin2F0t i sin 0t

A
A
su
X ( f ) j ( F F ) j ( F F )
2
2
0

74

Ozren Bilan

77

n=0:7;
omega1=pi/2;
x=cos(omega1*n);
stem(n,x, 'filled'),
title('8 uzoraka sinusoide frekvencije pi/2')
xlabel('Index, n')
omega=[0,pi/2,pi];
% 3 vrijednosti
X=[0,0,0];
% inicijalizacija vektora X
for k=1:3
% za svaku vrijednost omega
for m=1:8
% za svaku vrijednost signala
% raunamo DTFT sumiranjem za k-tu vrijednost
X(k)=X(k)+x(m)*exp(-j*omega(k)*(m-1));
end
end
figure,plot(omega/pi,abs(X));grid
title('Tri toke DTFT')
ylabel('Magnituda DTFT')
xlabel('Digitalna frekvencije izraena u pi')

Ozren Bilan

78

13

14.9.2013.

Primjer: DTFT kratki sinus na 512 frekvencija

i DTFT dugi sinus na 512 frekvencija

Svojstva DTFT: linearnost

n=0:99; % kreiramo signal od 100 uzoraka

omega1=pi/2;
x=cos(omega1*n);
dtft_demo(x,0,pi,512);
grid;
title('DTFT sinusoide s omega = pi/2, N = 100 uzoraka')

dtft_demo(x,0,pi,512);
% funkcija
grid;

Pretpostavimo y[n] = x1[n] + x2[n]

Y ( )

y[n]e

jn

x [n]e

jn

x [n] x [n] e

x [n]e

jn

jn

X 1 () X 2 ()
DTFT linearne kombinacije signala je linearna
kombinacija DTFT individualnih signala.

79

Ozren Bilan

Svojstva DTFT: periodinost

X ()

x[n]e

Neka je DTFT signala x[n] jednaka X(), a DTFT signala x[n-k] jednaka Xk()

X ( 2 k )

x[n]e

X k ()

j ( 2 k ) n

x[n]e

n mk
then, vrijedi:
Onda

e j 2 kn cos(2 kn) j sin(2 kn) 1

so
vrijedi

x[n]e

jn

jn

m nk

but jer je
Zato

X ( 2 k )

x[n k ]e

Neka
let : je

DTFT je periodina u
frekvencijskom podruju s
periodom 2

jn j 2 kn

X k ()

X ( )

x[m]e j ( m k )

m k

x[m]e

jm jk

e jk X ()

Ozren Bilan

81

Repliciranje sadraja spektra u

frekvencijskom podruju (periodinost DTFT)
[asig,tt]=analog([50,200,350,450],[1,0.75,
0.4,0.3],500,36000);
d1000=sample(tt,asig,1000);
d2000=sample(tt,asig,2000);
d3000=sample(tt,asig,3000);

spektar signala s etiri komponente 40, 100,

150 i 200 Hz sempliran s 1kHz, 2kHz i 3kHz

Izvorni spektar i kopije na cjelobrojnim viekratnicima frekvencije sempliranja

subplot(3,1,2),
dtft_demof(d2000,0,9000,16*512,2000);
grid;
title('Fs = 2000 Hz')
subplot(3,1,3),
dtft_demof(d3000,0,9000,16*512,3000);
grid;
title('Fs = 3000 Hz')

Ozren Bilan

DTFT signala koji kasni k uzoraka je e -jk

puta DTFT signala koji ne kasni

82

Ozren Bilan

Uinak duine signala i vremenskog otvora na

frekvencijsku rezoluciju

dtft_demof(d1000,-500,500,512,1000);
grid;
figure,subplot(3,1,1),
dtft_demof(d1000,0,9000,16*512,1000);
grid;
title('Fs = 1000 Hz')

80

Svojstva DTFT: vremensko kanjenje

jn

Ozren Bilan

83

N1=0:9;
N2=0:19;
N3=0:39;
omega=pi/2;
x1=cos(omega*N1);
x2=cos(omega*N2);
x3=cos(omega*N3);
[X1,f]=dtft_demo(x1,0,pi,512);
[X2,f]=dtft_demo(x2,0,pi,512);
[X3,f]=dtft_demo(x3,0,pi,512);
subplot(3,1,1),
plot(f/pi,(abs(X1)/max(abs(X1)))),
title('DTFT - N=10')
subplot(3,1,2),
plot(f/pi,(abs(X2)/max(abs(X2)))),
title('DTFT - N=20')
subplot(3,1,3),
plot(f/pi,(abs(X3)/max(abs(X3)))),
title('DTFT - N=40')
xlabel('X os frekvencija u Pi radijana')

Podvostruenje duine signala dvostruko

smanjuje irinu glavnog loba.
Ozren Bilan

4
N
84

14

14.9.2013.

0
Time
N= 7

-2

y (t)

0
Time
N= 49

-2

-1

0
Time
N= 70

0
Time
N= 19

1
0

-1

Nastanak kvadratnog vala: Gibbsov uinak

0
-2

-1

0
-2

1
0

-1

0
-1

0
Time

-2

-1

0
Time

Gibbsov uinak

U stvarnosti Gibbsov uinak

podrazumijeva:

0.5

valovanje,
prebaaj i
podbaaj.

-0.5

85

Ozren Bilan

y (t)

-2

y (t)

Bududi da je razvoj u red beskonaan, u praksi moramo odbaciti vie lanove

reda (vie harmonike). Taj postupak ima eng. naziv truncation. Pri rekonstrukciji
(sintezi) signala iz oblika bez viih harmonika ne dobivamo izvorni signal.
Mogude je pokazati da je Furierov razvoj u red optimalan. To znai da de srednji
kvadrat greke (MSE) izmeu originalnog signala i rekonstruiranog signala biti
minimalan u odnosu na druge razvoje u red s istim brojem koeficijenata. to se
uzme vie koeficijenata u obzir to de greka biti manja.
Meutim, interesantna je injenica koja pokazuje da de uvijek postojati
prebaaj i podbaaj signala pri naglim promjenama valnog oblika, pa ak i onda
kada je broj harmonika vrlo visok. Pojavu nazivamo Gibbsov uinak.
Kvadratnom valnom obliku prebaaj i podbaaj iznosi oko 9%.

Moemo zakljuiti da je
valovanje vidljivo ak onda i
kada uzmemo u obzir vedi
broj komponenata, to je
najizraenije pri vrlo brzim
promjenama valnog oblika.

N= 3

y (t)

podbaaj

rekonstruirani val

N= 1

y (t)

prebaaj

Izvorni val
2

y (t)

Na slici je usporedba
originalnog
kvadratnog
valnog
oblika
i
rekonstruiranog valnog oblika
iz samo jedne po do 70
komponenata.

Gibbsov uinak

86

Ozren Bilan

-1

Uinak duine signala i oblika prozor filtera u

vremenskom podruju

Uinak duine signala i vremenskog otvora

Gibbsov uinak

U svim sluajevima primjena

pravokutnog prozora koji naglo
odrezuje signal rezultira bonim
lobovima - Gibbsov uinak

x=analog(100,1,100,4000);
% sinusoida 100 Hz, trajanje 100 ms, Fs=4kHz
xw=x.*hamming(length(x))';
% Hamming vremenski otvor ili prozor
subplot(3,1,1), plot(x),
title('Sinusoida proputena kroz pravokutni
vremenski otvor, N=401')
subplot(3,1,2),
plot(hamming(length(x))),
title('Hamming vremenski otvor, N=401')
subplot(3,1,3),
plot(xw),
title('Sinusoida proputena kroz Hamming
vremenski otvor, N=401')
xlabel('x os indeks uzorka')
Filter vremenskog otvora (prozor), u ovom sluaju
Hamming, opdenito zaobljava naglo odrezivanje signala
pri tome sauva njegovu frekvencijsku karakteristiku

Ozren Bilan

87

Uinak duine signala i oblika prozor filtera u

frekvencijskom podruju
N=0:39;
omega=pi/2;
x=cos(omega*N);
xw=x.*hamming(length(x))';
[X,f]=dtft_demo(x,0,pi,512);
[XW,f]=dtft_demo(xw,0,pi,512);

88

Ozren Bilan

Uinak duine signala i vremenskog otvora

Hamming i Blackman
xb=x.*blackman(length(x))';
[XB,f]=dtft_demo(xb,0,pi,512);
subplot(2,1,1),plot(f/pi,20*log10(abs(XW)/max(abs(XW))))
title('Hamming')

subplot(2,1,1),plot(f/pi,abs(X)/max(abs(X)));
title('DTFT signala proputenog kroz pravokutni vremenski otvor, N=40');
subplot(2,1,2),plot(f/pi,abs(XW)/max(abs(XW)));
title('DTFT signala proputenog kroz Hamming vremenski otvor, N=40');
xlabel('x os frekvencija u pi radijana')

axis([0,1,-100,0])
subplot(2,1,2),plot(f/pi,20*log10(abs(XB)/max(abs(XB))))
title('Blackman')

1. Blackman prozor
jo vie potiskuje
bone lobove ali
2. Blackman prozor
slabi rezoluciju jo
vie, r = 2.6

Hammingov prozor potiskuje bone

lobove ali slabi rezoluciju glavnog loba.

4 r

N
r2

Ozren Bilan

89

Ozren Bilan

90

15

14.9.2013.

Uinak duine signala i vremenskog otvora:

usporedba razliitih prozora

Spektralna analiza
Pravokutni

Problem: Koliki je minimalni broj uzoraka za dovoljnu rezoluciju spektralnih komponenti

signala s(t)? Podrazumijevamo frekvenciju sempliranja 10 kHz.
s(t ) sin(2 2000t ) .0032sin(2 2500t ) sin(2 3000t )

20 log 0.0032= -49.89 dB

Spektralne komponente 2000 i 3000 Hz, podijeljene su s komponentom 2500 Hz koja je 50

dB slabije od preostale dvije komponente.

subplot(3,1,1),
plot(f/pi,20*log10(abs(X)/max(abs(X))))
axis([0,1,-100,0])
subplot(3,1,2),
plot(f/pi,20*log10(abs(XW)/max(abs(XW))
))
axis([0,1,-100,0])
subplot(3,1,3),
plot(f/pi,20*log10(abs(XB)/max(abs(XB))))

eljena rezolucija je po izboru 300 Hz.

Hamming

Odgovor: Za potiskivanje bonih lobova vie od 50 dB potreban je Blackmanov prozor.

2 f 2
4 r

f

N
fs fs
or
ili
2rf s
f
N

Blackman

91

Ozren Bilan

2rf s (2)(2.6)(10000)

173
f
300

Ozren Bilan

Analiza spektra - znaaj primjene

tonog vremenskog otvora

92

Diskretna Fourierova transformacija (DFT)

x=analog([2000 2500 3000],[1 .0032 1],17.3,10000);

xh=x.*hamming(length(x))';
% proputamo signal kroz Hamming prozor
xb=x.*blackman(length(x))';
% proputamo signal kroz Blackman prozor
[Xh,f]=dtft_demof(xh,0,5000,512,10000);
% DTFT Hamming signala
[Xb,f]=dtft_demof(xb,0,5000,512,10000);
% DTFT Blackman signala
subplot(2,1,1),plot(f,20*log10(abs(Xh)/max(abs(Xh)))),
axis([0 5000 -80 0])
title('DTFT - Hamming prozor')
subplot(2,1,2),plot(f,20*log10(abs(Xb)/max(abs(Xb)))),
axis([0 5000 -80 0])
title('DTFT - Blackman prozor')
xlabel('Hz')

N 1

X [k ] x[n]e

j 2

k
n
N

n 0

k 0,1, 2,...N 1

20 log 0.0032= -49.89 dB

Hamming prozor ne potiskuje bone

lobove dovoljno za potrebnu rezoluciju
slabe komponente signala pri tono
potrebnoj relativnoj amplitudi -50 dB.
Potrebnu
rezoluciju
omogudava
Blackman prozor

Ozren Bilan

DFT predstavlja diskretnu transformaciju X[k] digitalnog signala

Duina DFT jednaka je duini signala
DFT uvijek je odreena u intervalu = [0,2]
DFT predstavlja uzorak DTFT od signala x[n] u intervalu [0,2].

93

Diskretna Fourierova transformacija (DFT)

Ozren Bilan

94

Diskretna Fourierova transformacija (DFT)

n1=0:10;
n2=0:40;
f=pi/4;
y1=cos(f*n1);
y2=cos(f*n2);
subplot(2,1,1),
stem(n1,y1, 'filled');
title('kratki signal, y1'),
xlabel('uzorak')
subplot(2,1,2),
stem(n2,y2, 'r', 'filled');
title('dugi signal, y2'),
xlabel('uzorak')
[X1,omega1]=dft_demo(y1);
[X2,omega2]=dft_demo(y2);
subplot(2,1,1),
stem(omega1/pi,abs(X1), 'filled');
title('DFT signala y1')
subplot(2,1,2),
stem(omega2/pi,abs(X2), 'r', 'filled');
title('DFT signala y2')
xlabel('digitalna frekvencija izraena u pi')

[X1_dtft,omega_dtft]=dtft_demo(y1,0,
2*pi,512);
plot(omega_dtft/pi,abs(X1_dtft))
grid;
hold
stem(omega1/pi,abs(X1), r')
legend('DTFT x1','DFT x1')
title(Usporedba DTFT i DFT signala x1')
hold off

DFT signala je uzorak DTFT u intervalu [0,2]

Ozren Bilan

95

Ozren Bilan

96

16

14.9.2013.

Inverzne transformacije DTFT i DFT

Inverzna DTFT

x[n]

1
2

Inverzna DFT

X ( )e

jn

1
X [k ]e
N k 0
n 0,1,...N 1
where
gdje je

x[n]e

jn

N 1

X [k ] x[ n]e

Vrms 2 A2 1

R
2 R

N 1

x[ n]

where
gdje je
X ()

Energija i snaga signala

Analogni signali, npr. pojaala, fiziki prenose energiju do zvunika, kako bi se izvrio koristan rad. Digitalni
signali nose samo informaciju, a ne prenose energiju. Digitalni signali predstavljeni su samo brojevima koji
predstavljaju analogni signal. Sinusni napon amplitude A, napona Uef, disipira snagu na poznatoj impedanciji
prema relaciji:

j 2

j 2

k
n
N

Snaga je proporcionalna kvadratu efektivnog napona, a potroena energija je umnoak snage i vremena. U
analogiji s prethodnim izrazom, moemo odrediti snagu digitalnog signala kao srednji kvadrat vrijednosti
signala:
1 N 1
P | x[n] |2
N n 0
Bududi da broj uzoraka N, odreuje prozor ili vremenski otvor t=NTs, mogude je odrediti energiju digitalnog
signala:
N 1
E | x[n] |2

k
n
N

n 0

Realni signali moraju potivati zakon sauvanja energije. Zbog toga signal u vremenskom podruju mora imati
istu energiju kao signal u frekvencijskom podruju. Digitalni signali moraju imati istu energiju u oba podruja.

n 0

1
N

N 1

| x[n] |

1
N

n 0

N 1

x[n]x [n] 2 N | X

n 0

() |2 d

U jednadbi lijeva strana je u vremenskom podruju, a desna u frekvencijskom. Rezultat je Parsevalov teorem.
Digitalnom signalu energija je ista u vremenskom i frekvencijskom podruju. Teorem sauvanja energije
implicira da energija digitalnog signala ne smije ovisiti o frekvenciji sempliranja fs.
Ozren Bilan

97

98

Ozren Bilan

Proraun snage i energije signala

Proraun snage i energije signala

% Konstruiramo pseudoanalogni signal od tri komponente

% pa sempliramo na dvije razliite Fs
[s,t]=analog([100,200,300],[2,1,.5],1000,50000);

Izraunaj snagu signala:

d1000=sample(t,s,1000);
d2000=sample(t,s,2000);

s(t ) 2sin(2100t ) sin(2 200t ) 0.5sin(2 300t )

% snaga u vremenskom podruju na Fs1 i Fs2

fprintf('snaga u vremenskom podruju na Fs1 i Fs2');

Snaga analognog signala:

22/2+12/2 +0.52/2=2.625
Izraunaj snagu digitalnog signala:
Na dvije razliite frekvencije sempliranja 1 kHz i 2kHz
U vremenskom podruju (efektivna vrijednost)
U frekvencijskom podruju integriranjem DTFT

[mean(d1000.^2),mean(d2000.^2)]
% snaga u frekvencijskom podruju:
fprintf('snaga u frekvencijskom podruju na Fs1 i Fs2');
[sig_power(d1000), sig_power(d2000)]
snaga u vremenskom podruju na Fs1 i Fs2
ans = 2.6224 2.6237 (Ukupna snaga ne ovisi o Fs)
snaga u frekvencijskom podruju na Fs1 i Fs2
Power = 2.6224
Power = 2.6237 (Snaga u frekvencijskom podruju jednaka je snazi u vremenskom)

Ozren Bilan

99

100

Ozren Bilan

Zakljuci za signal u frekvencijskom podruju

1. Diskretni vremenski promjenjivi signal u frekvencijskom podruju dobijemo raunanjem njegove
diskretne vremenske Fourierove transformacije DTFT to je FT za vremenski diskretne signale

Frekvencijski odziv

X ()

x[n]e

N 1

x[n]e jn

jn

Frekvencijski odziv LTI sustava dobije se raunanjem DTFT jednadbe

diferencija primjenom svojstva linearnosti i kanjenja.
N

ak y[n k ]

bk x[n k ]

k 0

k 0

n 0

f
fs

2.
3.
4.
5.
6.

DTFT zahtjeva konani kauzalni signal pri proraunu, pa tonost ovisi o broju uzoraka N
DTFT je kontinuirana kompleksna funkcija
Proraun DTFT zahtjeva N lanova za diskretnu ; ne ide bez raunala.
Najvanija svojstva DTFT su linearnost, periodinost i svojstvo kanjenja.
Primjena DTFT pri analizi spektra zahtjeva procjenu duine signala (rezolucije) i funkcije prozora za
potiskivanje Gibbsovog uinka.
7. DFT je diskretna transformacija X[k] digitalnog signala, za razliku od kontinuirane transformacije X().
Duina DFT jednaka se duini signala, pri emu je DFT signala uzorak DTFT u intervalu [ = 0,2]:

X [ k ] x[ n]e
N 1

k
n
N

j2

n 0

H( )

Y( )
X( )

b0 b1e
a0 a1e

j
j

b2e
a2e

j2

bM e
aN e

j2

k 0,1, 2,...N 1

jM

8. Parsevalov teorem sauvanja energije pokazuje da je snaga signala ista u vremenskom i

frekvencijskom podruju:

2
2

jN

E x(t ) dt

H( )

bk e

jk

ak e

jk

k 0
N

H() je vrijednost prijenosne funkcije H(z) na jedininoj krunici z=e j

X ( F ) dF

9. Ukupna snaga signala ne ovisi o frekvenciji sempliranja

| X ( f ) |2
10. Gustoda snage signala obrnuto je proporcionalna frekvenciji sempliranja p( f )
Nf s
11. Frekvencijski odziv LTI DSP sustava je vrijednost prijenosne funkcije na jedininoj krunici u
kompleksnoj ravnini, interpretiramo li kut u kompleksnoj ravnini kao digitalnu frekvenciju .
H( )

k 0

Y( )
X( )

b0
a0

b1e
a1e

j
j

b2e
a2e

j2
j2

bM e
aN e

jM
jN

H( )
Ozren Bilan

101

bk e

jk

ak e

jk

k 0
N

Ozren Bilan

102/102

k 0

17