Skripta za Digitalnu obradu signala

Danijel Vrgo

Ivan Kvolik

Ivan Vidovi

Ivan Podoreki

Gabrijel Skrenkovi
SADRAJ
Pitanja vezana uz predavanje 1 .......................................................................................................................................................................... 4

1. Definicija i klasifikacija signala prema svojstvima podruja definicije i podruja vrijednosti .............................................................. 4

2. Definicija i klasifikacija signala prema svojstvima nezavisne varijable ................................................................................................ 4

3. Definicija signala i diskretizacija po nezavisnoj varijabli i kvantizacija amplitude ............................................................................... 4

4. Definicija signala i konvolucija vremenski kontinuiranih i vremenski diskretnih signala..................................................................... 4

5. Definicija i klasifikacija sustava. .......................................................................................................................................................... 5

6. Definicija sustava i diferencijalni sustavi............................................................................................................................................. 6

7. Definicija sustava i definicija kauzalnosti diskretnog sustava. ............................................................................................................ 6

Pitanja vezana uz predavanje 2 .......................................................................................................................................................................... 7

8. z-transformacija.................................................................................................................................................................................. 7

9. Laplaceova transformacija .................................................................................................................................................................. 7

10. Frekvencijska karakteristika diskretnog sustava............................................................................................................................ 7

11. Otipkavanje vremenski kontinuiranog signala .............................................................................................................................. 8

12. Fourierova transformacija vremenski diskretnih aperiodinih signala .......................................................................................... 8

Pitanja vezana uz predavanje 3 .......................................................................................................................................................................... 9

13. Fourierova transformacija vremenski diskretnih periodinih signala ............................................................................................ 9

14. Periodina konvolucija .................................................................................................................................................................. 9

15. Gaussov impuls ............................................................................................................................................................................. 9

16. Spektar vremenski omeenih i vremenski neomeenih signala ................................................................................................. 10

17. Obnavljanje ili rekonstrukcija vremenski kontinuiranog signala iz vremenski diskretnog ........................................................... 10

18. Interpolator nultog i prvog reda .................................................................................................................................................. 11

19. Obnavljanje kontinuiranog spektra iz diskretnog ........................................................................................................................ 11

Pitanja vezana uz predavanje 4 ........................................................................................................................................................................ 12

20. Definicija filtra i prijenosna funkcija ............................................................................................................................................ 12

21. Definicija filtra i frekvencijska karakteristika ............................................................................................................................... 14

22. Definicija filtra i klasifikacija filtara. ............................................................................................................................................. 14

23. Butterworthova aproksimacija .................................................................................................................................................... 16

24. Chebyshevljeva aproksimacija .................................................................................................................................................... 18

Pitanja vezana uz predavanje 5 ........................................................................................................................................................................ 23

25. Definicija i projektiranje FIR filtra ................................................................................................................................................ 23

26. Definicija i tipovi FIR filtra ........................................................................................................................................................... 25

27. Gibbsov fenomen ........................................................................................................................................................................ 27

28. Projektiranje FIR filtara metodom vremenskih otvora ................................................................................................................ 29

Pitanja vezana uz predavanje 9 ........................................................................................................................................................................ 35

40. Obrada signala po blokovima direktni oblik ............................................................................................................................. 35

41. Obrada signala po blokovima zrcali i pomakni oblik ................................................................................................................. 38

42. Obrada signala po blokovima blokovi beskonane duljine ....................................................................................................... 39

43. Obrada signala po blokovima preklopi i zbroji metoda ............................................................................................................ 40

44. Obrada signala uzorak po uzorak direktni oblik ....................................................................................................................... 42

2
 45. Obrada signala uzorak po uzorak cirkularni meuspremnici .................................................................................................... 43

46. Linearna, periodina i cirkularna konvolucija .............................................................................................................................. 44

Pitanja vezana uz predavanje 10....................................................................................................................................................................... 51

47. Navesti osnovne uporedne karakteristike IIR i FIR filtara u odnosu na: red filtra, stabilnost i faznu karakteristiku .................... 51

48. Realizacija FIR filtra ..................................................................................................................................................................... 51

49. Realizacija IIR filtra ...................................................................................................................................................................... 52

Pitanja vezana uz predavanje 11....................................................................................................................................................................... 55

50. Kvantizacija filtarskih koeficijenata ............................................................................................................................................. 55

51. Usporedite direktnu i kaskadnu realizaciju. ................................................................................................................................ 55

52. Diskretna Fourierova transformacija DFT ................................................................................................................................. 55

53. Svojstva DFT ................................................................................................................................................................................ 55

54. Cirkularna konvolucija u vremenskoj domeni ............................................................................................................................. 56

55. Cirkularna konvolucija u frekvencijskoj domeni .......................................................................................................................... 56

56. Svojstvo simetrije DFT realnog konanog niza ............................................................................................................................ 57

Pitanja vezana uz predavanje 12....................................................................................................................................................................... 58

57. Definicija i temelji FFT. ................................................................................................................................................................ 58

58. Definicija FFT i postupci za FFT. ................................................................................................................................................... 58

59. Metoda podijeli pa vladaj ............................................................................................................................................................ 58

60. Korijen-2 metoda ........................................................................................................................................................................ 59

61. Primjena FFT algoritma u linearnom filtriranju ........................................................................................................................... 59

62. Diskusija uporabe FFT-a .............................................................................................................................................................. 60

13. PREDAVANJE ............................................................................................................................................................................................... 61

63. Pretipkavanje up sampling ....................................................................................................................................................... 61

64. Podtipkavanje down sampling ................................................................................................................................................. 61

65. Zahtijevi na interpolacijski i decimacijski filtar ............................................................................................................................ 61

14. PREDAVANJE ............................................................................................................................................................................................... 62

66. Definicija govora i glavne primjene digitalne obrade govora ...................................................................................................... 62

67. Reprezetacija govora ................................................................................................................................................................... 62

68. Model sa spojenim cijevima ........................................................................................................................................................ 63

69. Linearna predikcija(LPC model) ................................................................................................................................................... 63

Pitanja vezana uz predavanje 15....................................................................................................................................................................... 64

70. Definicija slike, rezolucija i tip signala. ........................................................................................................................................ 64

71. Definicija slike i klasifikacija slika ................................................................................................................................................. 64

72. Primjena obrade slike .................................................................................................................................................................. 64

73. 2D Fourierova transformacija ..................................................................................................................................................... 64

3
 Pitanja vezana uz predavanje 1

1. Definicija i klasifikacija signala prema svojstvima podruja definicije i podruja vrijednosti

Domena D = [xa, xb] R
kontinuirani signal po nezavisnoj varijabli
Domena D = {xn | N1 n N2, n, N1, N2 Z}
diskretni signal po nezavisnoj varijabli
Domena D = [xa, xb] R, kodomena K = [ya, yb] R
analogni signal
Domena D = {yq | M1 q M2; q, M1, M2 Z}
amplitudno kvantizirani signali
Digitalni signal = vremenski diskretni i amplitudno digitalni signal

2. Definicija i klasifikacija signala prema svojstvima nezavisne varijable

Kontinuirani signal (Kont.sign. = [R
C])
Diskretni signal (Diskr.sign. = [Z
C])
Kontinuirano periodini signal (Kont.per.p Kont.sign.)
Diskretno periodini signal (Diskr.per.p Diskr.sign.)

3. Definicija signala i diskretizacija po nezavisnoj varijabli i kvantizacija amplitude

Digitalizacija analognog signala - kvantizacija po amplitudi i diskretizacija po nezavisnoj varijabli
Kvantizacija - pretvorba kontinuirane vrijednosti signala u konani broj vrijednosti
Domena kvantiziranih signala je konani skup vrijednosti
{nQ | n Z, Q R, nQ [yc, yd] R}
- dobiva se konaan broj jednoliko razmaknutih vrijednosti, svakoj vrijednosti iz podruja
vrijednosti se pridui njoj najblia vrijednost
Otipkavanje - diskretizacija signala po nezavisnoj varijabli
Vrem. diskretni signal ys nastaje otipkavanjem kontinuiranog signala y.
y:R
R, ys=Z
R,
n Z : ys (n) = y (nT)

4. Definicija signala i konvolucija vremenski kontinuiranih i vremenski diskretnih signala

u1 je kontinuirani signal (nez. varijabla je kont.), u2 je diskretni signal (nez. varijabla je diskr.)

:  < , >
Signali su svevremenski ako:

:  < , >

,  0
,  0
Signali u1k i u2k su kauzalni ako:

 = 
() = 
0,  < 0 0,  < 0

,  < 0
,  < 0

Signali su antikauzalni ako:

 = 
() = 
0,  0 0,  0

4

:  <  ,  > ,  < , 0 >,  < 0, >
Signali su nekauzalni ako poinju prije t=0, n=0:

:  <  ,  > ,  < , 0 >,  < 0, >

,
[, ]
Konvolucija dva vrem. kont. signala je pridruivanje novog vrem. kont. signala

 = 
  ,
 =

- definira se konvolucijskim integralom

 = 
 =  
  , 

,
[, ]
Konvolucija dva vrem. diskr. signala je pridruivanje novog vrem. diskr. signala

 = 
 =  
( ), 

5. Definicija i klasifikacija sustava.

Sustav S je:
funkcija koja transformira ulazni signal u u izlazni y:
= (
)
funkcija koja preslikava prostor signala u prostor signala: :    [  ]
sveukupnost ulazno-izlaznih parova  = 
,
 |
  ,
[  ]}
Opisuje se blokovskim dijagramima

Vrem. kont. sustav je opisan funkcijom . "
": . "# . "#
Klasifikacija

Vrem. diskr. sustav je opisan funkcijom " $. "
": " $. "# " $. "#
Linearni sustavi su sustavi za koje %, & vrijedi
= 
,
= (
)
homogenost %
 = %
 = %
, &
 = &
 = &

aditivnost %
 + &
 = %

+ &

superpozicija %
+ &
 = %
 + &(
)

Vrem. diskr. sustav DM kasni za M koraka u odnosu na ulazni signal,

=  
(). Tada taj sustav
ima odziv:
 =
 ', , ' 
Sustav je vremenski stalan, ako za bilo koju pobudu
() daje odziv
(), a za zakanjeli ulaz
 
() daje zakanjeli odziv 
() ( 
) =  (
)()

5
 6. Definicija sustava i diferencijalni sustavi.

Za vrem. diskr. LTI sustav, :  

 
 definira se impulsni odziv h kao odziv na pobudu
Mnogi sustavi modeliraju se LTI (linear time invariant) sustavima

Kroneckerovom delta f-jom, = *, vrijedi  = (*),  

Odziv ovakvog sustava
= (
) definiran je konvolucijom ulaznog signala i impulsnog odziva

 = 
   = 
 =  

Za vrem. kont. LTI sustav :  


 definira se impulsni odziv h, kao odziv na pobudu

Diracovom delta f-jom, = *, vrijedi  = (*),  

Odziv ovakvog sustava
= (
) definiran je konvolucijom ulaznog signala i impulsnog odziva

 = 
  = (
) =  

7. Definicija sustava i definicija kauzalnosti diskretnog sustava.

Za mnogo kauzalnih kontinuiranih LTI SISO sustava, veza ulaznog i izlaznog signala dana je implicitno
preko dif. jednadbe s koeficijentima








  
 + + + + + + +
     

+
+ + + =
+

6
 Pitanja vezana uz predavanje 2

Dvostrana z-transformacija diskretnog signala x, ,  

8. z-transformacija

Za vrem. diskr. signal definira se DTFT

U sluaju da podruje konvergencije Z-transformacije sadri jedininu krunicu  = , , vrijedi:

9. Laplaceova transformacija

Odziv mirnog, lin. vrem. diskr. sustava na svevremensku eksponencijalu - je

10. Frekvencijska karakteristika diskretnog sustava

 = .- , pri emu je . = () ,  ,  0, .() je kompleksan broj

Na pobudu kompleksnom eksponencijalom odziv je istog oblika i rezultat je mnoenja pobude s

Odziv LTI diskr. sustava na svevrem. eksponencijalu,  = , :

 = .(, )-, , 1 
konstantom.

.(, ) je frekvencijska karakteristika sustava (ujedno i DTFT od ())

.(, ) =  ()cos (1)   ()sin (1)

2.(,
)2 = 3(,[., ]) + (4[., ])
4[.(, )]
.(, ) = tan 5 6
,[., ]
Zbog parnosti realnog (cos) i neparnosti imaginarnog (sin) dijela frekv. karakteristike .(, ) =
.(, ). Periodina je s 2: .(, ( ) = .(, )
Odziv kontinuiranog sustava na pobudu kompleksne eksponencijale
 = .()-,
Frekvencijska karakteristika . = 7 ,  je izraz za Fourierovu transformaciju

impulsnog odziva 

Diskretni signal
 899: ;(, ) ;, kontinuirani signal
 899: ;(, ) ;(")

Za LTI vrem. diskr. sustave opisane jednadbom diferencija primjenom DTFT (tj. z-transformacije)

;(, ) + , ;()
+ 
dobije se

.(, ) = .

-(, ) 1 +  , -() 1 +  
=
, = =

Za LTI vrem. kontinuirane sustave opisane s diferencijalnom jednadbom, primjenom CTFT (tj.

;() + () + + () + + +  + +

Laplaceovom transformacijom) dobije se

. =
-() () +  () + +   + 
=
;(") + " + + " + + + " + +
. =
-(") " +  " + +  " + 
=

7
 11. Otipkavanje vremenski kontinuiranog signala
Aperiodiki diskr. signal mogue je generirati iz kont.. aperiod. signala postupkom otipkavanja koji je
ekvivalentan amplitudnoj modulaciji periodinog niza impulsa.

 = +  =  * = = =* =

Signal () koji se otipkava mnoi se nizom Diracovih impulsa kako bi se generirao novi signal

Postupak otipkavanja (uzimanja uzorka) vrem. kont. signala moe se smatrati kao pridruivanje

Primjenom svojstva frekv. pomaka, mnoenje s , u vremenskoj domeni rezultira u vremenskom

funkciji x niza impulsa iji je intenzitet proporcionalan njenim vrijednostima na mjestu impulsa.

pomaku >  = X(j( k ) ,  . Isto se dobije i primjenom mnoenja u vrem.

Fourierova transformacija niza Diracovih impulsa moduliranog s () je periodini kontinuirani

domeni, tj. konvolucije u frekv. domeni.

spektar koji je nastao periodinim ponavljanjem >()

Za aperiodike diskr. signale ,   definira se Fourierova transformacija (DTFT - Discrete Time
12. Fourierova transformacija vremenski diskretnih aperiodinih signala

Fourier Transformation) >(, ) = (),

>(, ) je dekompozicija aperiodinog diskr. signala  na njegove komponente, to je ujedno i

spepktar signala ()

za < 0,2? >, odnosno < ?, ? >

Spektar vrem. kont. signala defninran je za < , >, spektar vrem. diskr. signala definiran je

Spektar >(, ) kontinuiran (zbog aperiodinosti signala u vrem. domeni) i periodian obzirom na 2:
>(, () ) = >(, ), 1 

frekv. podruje bilo kojeg diskr. signala omeeno na < ?, ? >, svaka frekvencija izvan intervala

Kako je spektar periodian, izraz za DTFT predstavlja Fourierov red, a () njegove koeficijente )
ekvivalentna odgovarajuoj frekvenciji unutar intervala

>(, ) = (),

Mnoenjem obje strane s , i integracijom preko intervala < ?, ? >

 >(, ), 1 =  @  (), A , 1



Sreivanjem desne strane dobije se

 = 
 ()  , () 1 = 


2? ,
0,

 =  >(, ), 1
1
2?

Fourierovom transformacijom vrem. diskr. aperiodinom signalu definiranom u vrem. domeni

DTFT: DiskrSignal
KontPeriod2Signal >(, ) = (),

pridruen je frekv. kontinuiran periodian signal, definiran u frekv. domeni

Inverznom F. transformacijom frekv. kontinuiranom periodinom signalu (spektru) definiranom u

frekv. domeni pridruen je vrem. diskr. aperiodian signa, definiran u vremenskoj domeni
IDFT: KontPeriod2Signal
DiskrSignal  = 7 >(, ), 1

8
 Pitanja vezana uz predavanje 3

13. Fourierova transformacija vremenski diskretnih periodinih signala

Per. vrem. diskretan signal x(n)=x(n+N), N= cijeli broj; ima periodian spektar (zbog diskretnosti
signala u vrem. domeni koji se ponavlja svakih 2; ima diskretan spektar (zbog periodinosti signala u

vrem. domeni) pri emu je razmak izmeu susjednih frekv. komponenti radijana
to je Fourierov


red za periodini diskretni signal koji sadrava najvie N frekvencijskih komponenti ima oblik e ,
k=0,1,,N-1
F. transformacijom vrem. diskretnom per. signalu, definiranom u vrem. domeni, pridruen je frekv.

=B " $C,$
" $C,$

diskretan per. signal, definiran u frekv. domeni.

> =  e ,  , = 0,1, ,  1

1


Koeficijenti F. reda omoguuju prikaz u frekv. domeni tako da > predstavlja amplitudu i fazu vezanu

uz frekvencijsku komponentu , = , . Taj spektar periodian je s osnovnim periodom N.

Inverznom F. transformacijom frekv. diskr. per. signalu, definiranom u frekv. domeni, pridruuje se
vrem. diskr. per. signal u vrem. domeni.

4=B " $C,$
" $C,$

 =
> e ,  , = 0,1, ,  1

14. Periodina konvolucija

Neka su D() i
D() periodini signali sa DTFS >E = DFe i ;E =

DGe .

signalu perioda N 1 (> ; ) =

H = E E D(F)
D( F)
Periodina konvolucija dvaju per. vrem. diskr. signala perioda N rezultira u periodinim vrem. diskr.

15. Gaussov impuls

F. transformacija aperiodinog vrem. kontinuiranog signala  = , ,   je Gaussov impuls.

?
> = 3 ,


9
 16. Spektar vremenski omeenih i vremenski neomeenih signala
Signal neomeen u vremenu moe imati frekv. neomeen spektar

Spektar vrem. omeenog signala je frekvencijski neomeen (pravokutni, trokutni impuls)

Frekv. omeeni spektar je spektar vrem. neomeenog signala (sinc(x)).
Signal i njegov spektar ne mogu istovremeno biti omeeni u obje domene.

17. Obnavljanje ili rekonstrukcija vremenski kontinuiranog signala iz vremenski diskretnog

Periodini se spektar > () moe dobiti iz:

Koristei rekonstrukcijski filtar frekv. karakteristike . (), filtrira se > () da bi se dobilo njegovu
to je Fourierov red za periodini spektar.

osnovnu sekciju spektra. >  = > . 

Frekvencija otipkavanja > 2 tako da nema preklapanja spektra.
> = > . ,
1
=
>  =  (=),

> = .  @  (=), A

1
=

?
Inverznom F. transformacijom spektra X(j) dobije se:
sin = ( =)
 =  (=) ?

= ( =)
Kont. signal x(t) rekonstruiran je iz uzoraka otipkanog signala x(nT) interpolacijom s funkcijom

( )
. Ova prijenosna funkcija je impulsni odziv idealnog filtra (ima nekauzalan imp. odziv - odziv

na impuls poinje prije nego se impuls pojavio - neostvariv je).

10
 18. Interpolator nultog i prvog reda

Nulti red

Prvi red

Rekonstrukcija kontinuiranog signala realizira se izdvajanjem osnovne sekcije od () to se postie

19. Obnavljanje kontinuiranog spektra iz diskretnog

mnoenjem s idealnim pravokutnim otvorom u vremenskoj domeni

1, || <
1 = I 
. Spektar > tada glasi

0, || >
Vidi se da je spektar jednoznano oznaen iz njegovih uzoraka >  interpolacijom s funkcijom

.
Dakle, kontinuirani spektar koji ima omeeno trajanje  = 0 za || >

jednoznano je odreen



svojim uzorcima na jednoliko rasporeenim frekvencijama =

11
 Pitanja vezana uz predavanje 4

20. Definicija filtra i prijenosna funkcija

- Filtar je naprava ili sistem koji na odreeni unaprijed propisani nain vri konverziju veliina na
svojim ulazima u veliine na svojim izlazima.
- Cilj: umanjiti neeljena svojstva ulaznih veliina
zadrati ili istaknuti eljena svojstva
- Elektriki filtar je sistem ije su ulazne i izlazne veliine elektriki signali.
- Njegova funkcija je da na propisani nain promijeni karakteristike spektra ulaznog signala
- Termin elektrikivezan je za karakter signala kojeg se tim filtrom obrauje (ne ovisi o
nainu izvedbe)

Prijenosna funkcija filtra

- Elektriki filtar je sistem pa ga je u tom smislu mogue definirati kao skup specifikacija
kojima su odreeni odnosi izmeu njegovih ulaza i izlaza.

Sistem s jednim ulazom x(t) i jednim izlazom y(t)

- Za linearni i vremenski nepromjenjiv sistem odnos izmeu ulaza i izlaza definiran je

konvolucijskim integralom

 =    ()

gdje su:
h(t) impulsni odziv sistema
x(t) ulaz, poticaj ili pobuda
y(t) izlaz ili odziv sistema

- S matematikog gledita sustav je mogue shvatiti kao operator koji djeluje na funkciju
ulaza, to se moe opisati izrazom

gdje je F operator.
- Laplaceovom transformacijom konvolucijskog integrala dobiva se odnos ulaznog i izlaznog
signala u frekvencijskoj domeni:

gdje je H(s) prijenosna funkcija filtra

- Prijenosna funkcija H(s) definirana je kao omjer Laplace-ovih transformacija izlaznog i
ulaznog signala

- Opi oblik elektrikog filtra koji se razmatra je elektrika mrea sastavljena od konanog
broja elemenata koji su:
koncentrirani
linearni

12
 vremenski nepromjenjivi
- Za takve sustave ulazno-izlazne odnose mogue je definirati diferencijalnom jednadbom N-
-tog reda oblika:

gdje su bi (i=0, N) i aj (j=0, M) realni koeficijenti.

- Laplace-ovom transformacijom slijedi:

- Separacijom X(s) i Y(s) mogue je funkciju H(s) izraziti kao:

- Funkcija H(s) je realna racionalna funkcija kompleksne frekvencije s, koju je mogue

prikazati u obliku omjera dvaju polinoma s realnim koeficijentima:

- H(s) je mogue prikazai i u sljedeem obliku:

gdje su:
- soi (i = 1,..,M) korijeni polinoma u brojniku P(s) ili nule prijenosne funkcije,
- spj (j = 1,,N) korijeni polinoma u nazivniku Q(s) ili polovi prijenosne funkcije
- k realna konstanta jednaka k = aM/bN
- U oba sluaja korijeni mogu biti realni ili kompleksni
- Svaki kompleksni korijen ima odgovarajui konjugirano kompleksni par, pa se uparivanjem,
H(s) moe prikazati u obliku:

- s je kompleksna varijabla, tj. s=+j, pa je onda i funkcija H(s) kompleksna veliina za neki
proizvoljni broj s
- U uvjetima stacionarnog stanja sinusne pobude, varijabla s postaje jednaka j, pa i
prijenosna funkcija H(s) postaje H(j)

13
- H(j) se naziva kompleksnom frekvencijskom karakteristikom filtra

- Osnovna funkcija elektrikih filtara sadrana je upravo u obliku frekvencijske karakteristike

H(j).

21. Definicija filtra i frekvencijska karakteristika

- Promjene koje elektriki filtar treba unijeti u spektar ulaznog signala najee se svode na priguenje
ili eliminaciju odreenih nepoeljnih frekvencijskih komponenti tog signala.
- Za zadani ulazni signal x(t) s pripadnim frekvencijskim spektrom X(j)

spektar izlaznog signala odreen je izrazom:

kao umnoak spektra signala i prijenosne funkcije

- Za module i faze vrijede sljedei izrazi:

- Modul prijenosne funkcije elektrikog filtra esto se izraava preko svoje logaritamske mjere:

gdje se funkcija aN() naziva logaritamskom mjerom pojaanja filtra i izraava u Neperima [N]
- Ako se modul logaritmira po dekadskoj bazi dobiva se logaritamska mjera pojaanja izraena u [dB]

- Pored fazno frekvencijske karakteristike (), esto se koristi i funkcija grupnog vremena kanjenja
Tg() definirana kao:

22. Definicija filtra i klasifikacija filtara.

- Filtre je mogue obzirom na oblik frekvencijske karakteristike podijeliti u dvije skupine:

- selektivni filtri
- korektori
- Kod selektivnih filtara oblik |H(j)| je takav da je mogue jasno razlikovati frekvencijska podruja u
kojima je ulazni signal priguen od onih u kojima je on proputen

Selektivni filtri
- Podruje proputanja filtra
- pojas frekvencija u kojem amplitudno frekvencijska karakteristika ima vrijednost priblino
jednaku 1
- komponente pobudnog signala ije su frekvencije unutar tog pojasa pojavljuju se na izlazu
filtra sa priblino istom amplitudom kao i na ulazu.
- Podruje guenja filtra
- pojas frekvencija u kojem je amplitudno frekvencijska karakteristika priblino jednaka nuli

14
 -frekvencijske komponente ulaznog signala koje se nalaze unutar tog pojasa nisu proputene
na izlaz

- Amplitudno frekvencijska karakteristika |H(j)| je funkcija bez diskontinuiteta, pa je prijelaz izmeu

podruja proputanja i podruja guenja kontinuiran
- Prijelazno podruje filtra
- podruje frekvencija na prijelazu izmeu podruja proputanja i podruja guenja

- Obzirom na poloaj svakog od spomenutih podruja na frekvencijskoj osi, mogue je razlikovati 4

osnovna tipa selektivnih filtara.

Nisko propusni (NP) filtar

- podruje proputanja za 0 < < 1
- podruje guenja za 2 < <
-vrijedi: 1 < 2

Visoko propusni (VP) filtar

- podruje proputanja za 2 < <
- podruje guenja za 0 < < 1
-vrijedi: 1 < 2

Pojasno propusni (PP) filtar

- podruje proputanja za 2 < < 3
- podruje guenja za 0 < < 1 i 4 < <
-vrijedi: 1 < 2 < 3 < 4

15
Pojasna brana (PB)
- podruje proputanja za 0 < < 1 i 4 < <
- podruje guenja za 2 < < 3
-vrijedi: 1 < 2 < 3 < 4

Filtarski korektori
- Za razliku od selektivnih filtara, nemaju jasno definirana podruja proputanja odnosno podruja
guenja
- Slue za korekciju frekvencijske karakteristike nekog drugog sustava
- Obzirom na injenicu da li korigiraju amplitudno/frekvencijsku ili fazno/frekvencijsku karakteristiku
sustava dijele se na:
- amplitudne korektore i
- fazne korektore

Fazni korektori
- Najee se koriste svepropusni filtri
- amplitudno/frekvencijska karakteristika im je ravna u cijelom frekvencijskom podruju
- sve su frekvencijske komponente signala prenesene bez priguenja, ali su fazno pomaknute
prema definiranim filtarskim specifikacijama.

23. Butterworthova aproksimacija

- Karakteristina funkcija je zadana kao:

16
slijedi amplitudno/frekvencijska karakteristika filtra:

uz graninu frekvenciju definiranu kao:

Butterworth filter N=1 do N=6 c = 1

Podruje proputanja N=1 do N=6 c = 1

Svojstva Butterworthove aproksimacije

- Neovisno o redu filtra N vrijedi:

- Amplitudno/frekvencijska karakteristika filtra je monotono padajua porastom frekvencije od 0

prema
Prvih 2N-1 derivacija kvadrata amplitudno/frekvencijske karakteristike u toki = 0 su jednake 0 za
N-ti red.

17
- Takva karakteristika se naziva maksimalno glatkom
- U podruje guenja amplitudno/frekvencijska karakteristika u logaritamskom mjerilu pada linearno
(20N dB po dekadi)
- Na osnovu kvadrata amplitudno frekvencijske karakteristike treba odrediti H(s) filtra:

- Supstitucijom = s/j slijedi:

- Korijeni nazivnika dobivaju se rjeavanjem:

- polovi funkcije H(s) H(-s) u s ravnini su jednoliko rasporeeni po krunici polumjera c

- Uparivanjem konjugirano kompleksnih parova polova dobiva se prijenosna funkcija opeg oblika:

- Za normirani filter c=1 vrijedi 0k=1 za svaki k, a

Primjer za N=5 i c=1

24. Chebyshevljeva aproksimacija

- Karakteristina funkcija zadana je kao:

18
gdje je TN() polinom Chebysheva N-tog stupnja u varijabli definiran kao:

- Kod Butterworthove aproksimacije nule karakteristine funkcije |K(j)| su sve u =0

- Boljim rasporedom nula kod funkcije TN2() postie se poklapanje s idealnom karakteristikom u vie
toaka u podruju proputanja.
- Izraz za TN() mogue je pisati i kao:

- Navedeni izraz vrijedi za -1< <1 dok se za ||>1 moraju koristiti hiperbolne funkcije:

- Za Chebyshevljeve polinome vrijedi slijedea rekurzivna formula:

- Koritenjem rekurzivne formule i poznavanjem prva dva polinoma T0() i T1() lako se pronalaze
preostali:

Polinomi Chebyshevljeva TN() za N=1 do N=5

Kvadrat polinoma TN2() za N=1 do N=5

19
Svojstva Chebyshevljevih polinoma
- |TN()| 1 za -1 1
- TN() kada
- TN() kada za parni N
- TN() kada za neparni N
- TN() je parna funkcija od za parni N, odnosno neparna za neparni N
- u intervalu -1< <1 polinom TN() ima jednaku valovitost s ekstremima +1 odnosno -1

- Amplitudno frekvencijska karakteristika normiranog filtra s Chebyshevljevom aproksimacijom dana

je izrazom:

- Konstanta odreuje valovitost RP u podruju proputanja filtra:

odnosno

20
- Svojstva filtra sa Chebyshevljevom aproksimacijom:

- Amplitudno/frekvencijska karakteristika filtra monotono padajua porastom frekvencije od 1

prema

- Polovi funkcije H(s) H(-s) u s ravnini nalaze se na elipsi

-Parametri polova 0k i qk dobivaju se uparivanjem konjugirano kompleksnih parova kao:

gdje je dan izrazom

21
Primjer za N=4 i c=1, RP = 1dB (=0.509)

Chebyshev tip I aproksimacija

Chebyshev tip II aproksimacija

22
 Pitanja vezana uz predavanje 5

25. Definicija i projektiranje FIR filtra

- FIR filter je filter s konanim impulsnim odzivom.

- FIR sustav za proizvoljni M

Projektiranje FIR filtra

- Pretpostavimo signal koji je suma kosinusnih signala
u[n] = u1[n] + u2[n] = {cos(0,1 n) + cos(0,4 n)} (n)
-Pretpostavimo da elimo sustav (filtar) koji e:
- guiti signal u1[n] (kosinus kutne frekvencije 0,1 rad/sec)
- proputati signal u2[n] (kosinus kutne frekvencije 0,4 rad/s)
- Radi jednostavnosti uzmimo:
- red filtra N=2 (tri uzorka impulsnog odziva)
- impulsni odziv filtra h[0] = h[2] =
h[1] =

- jednadba diferencija ovog sustava je:

y[n] = h[0] u[n] + h [1] u[n - 1] + h[2] u[n - 2] =
= u[n] + u[n - 1] + u[n - 2]
a pripadna frekvencijska karakteristika
H(ej) = h[0] + h [1] e-j + h[2] e-j2

23
 = (1+ e-j2) + e-j =
e j + e j -j
= 2 e + e-j =
2
= (2 cos() + ) e-j

Amplitudna i fazna karakteristika filtra su

|H(ej)| = 2 cos() +
() = -
Iz zahtjva na filtar odreujemo i
|H(ej0,1)| = 2 cos(0,1) + = 0
|H(ej0,4)| = 2 cos(0,4) + = 1

= -6,76195
= 13,456335

to daje
y[n] = = -6,76195 ( u[n] + u[n - 2]) + 13,456335 u[n - 1]

Uz pobudu u[n] = {cos(0,1 n) + cos(0,4 n)} (n)

24
 26. Definicija i tipovi FIR filtra

- FIR filtri su filtri s linearnom fazom

- simetrija impulsnog odziva je nuan preduvjet za linearnu fazu
- Ovisno o tipu simetrije impulsnog odziva definiramo etiri tipa FIR filtra sa realnim impulsnim
odzivom duljine N+1

- TIP 1 - simetrian impulsni odziv

- neparan broj uzoraka impulsnog odziva
- TIP 2 - simetrian impulsni odziv
- paran broj uzoraka impulsnog odziva
- TIP 3 - antisimetrian impulsni odziv
- neparan broj uzoraka impulsnog odziva
- TIP 4 - antisimetrian impulsni odziv
- paran broj uzoraka impulsnog odziva

TIP1 FIR filtra

- Impulsni odziv zadovoljava slijedei uvjet
h[n] = h[N - n] 0nN

- Za daljnje razmaranje pretpostavimo N=8. U tom sluaju prijenosna funkcija filtra je

Prema definiciji tipa 1 FIR filtra za N=8 vrijedi

h[0] = h[8], h[1] = h[7], h[2] = h[6], h[3] = h[5].
te se prethodni izraz moe pojednostaviti

Pripadna frekvencijska karakteristika

ili u opem sluaju

25
26
 27. Gibbsov fenomen

- Najizravniji pristup projektiranju FIR filtra je uzimanje konanog broja uzoraka iz beskonanog
impulsnog odziva idealnog filtra. Neka je Hd(ej) eljena idealna prijenosna karakteristika filtra, a
hd[n] odgovarajui impulsni odziv beskonanog trajanja

Kauzalni impulsni odziv konanog trajanja moemo dobiti kao

h(k) se moe prikazati kao produkt eljenog impulsnog odziva i otvora konanog trajanja
h[n] = hd[n]w[n]

0  
gdje je
1 = J
,
1,
0,
U frekvencijskoj domeni vrijedi

27
Odnosno H(ej) je periodika kontinuirana konvolucija eljene prijenosne karakteristike Hd(ej) i
Fourierove transformacije vremenskog otvora W(ej).
Fourierova transformacija vremenskog otvora w[n] je

Za dovoljno velik N minimalno guenje u pojasu guenja je konstantno i iznosi oko 8,9% razlike
izmeu amplitudne karakteristike idealnog filtra u pojasu proputanja i u pojasu guenja.

28
 Ovisnost guenja bone latice o broju uzoraka

Ovisnost maksimalne valovitosti u podruju guenja o redu filtra

28. Projektiranje FIR filtara metodom vremenskih otvora

Postupak projektiranja je sljedei:

- Uzeti idealnu karakteristiku filtra

- Izraunati Fourierovu transformaciju idealne

karakteristike filtra => beskonaan impulsni odziv

29
- Odabrati vremenski otvor (npr. pravokutni
vremenski otvor)

- Pomnoiti beskonani impulsni odziv s uzorcima

vremenskog otvora => konaan impulsni odziv

- Amplitudno frekvencijska karakteristika

idealnog i dobivenog filtra

- greka dobivenog filtra

Tipovi vremenskih otvora:

-Fiksni - Pravokutni
- Bartlettov (trokutni)
- Hannov
- Hammingov
- Blackmanov
-Promjenjivi - Dolph-Chebyshevljev
- Kaiserov

30
31
Promjenjivi vremenski otvori
- Omoguuju kontrolu minimalnog guenja
- Kod njih se promjenom odreenih parametara pri projektiranju moe utjecati na karakteristiku filtra

32
Dolph-Chebyshevljev otvor

Primjer

- Vee guenje -> ira glavna latica

- Vei red otvora -> ua glavna latica

Kaiserov otvor

33
gdje je I0(u) modificirana Bessel-ova funkcija nultog reda prve vrste

a parametar koji kontrolira guenje u podruju guenja

Postoje izrazi za procjenu i duljine filtra N u ovisnosti o guenju u stop bandu S

34
 Pitanja vezana uz predavanje 9

40. Obrada signala po blokovima direktni oblik

Obrada po blokovima
- prikupljanje uzoraka u blokove
- FIR filtracija signala konanog trajanja
- brza konvolucija dugakih signala razloenih u krae blokove
- DTF/FFT
- analiza i sinteza govora
- obrada slike

- DSP algoritam za svaki uzorak signala

- filtracija dugakih signala u stvarnom vremenu
- audio efekti
- sustavi regulacije
- adaptivna obrada signala

Definicija bloka

Konvolucijska sumacija
- diskretni sustav mogue je opisati pomou konvolucijske sumacije

 = 
( )

- vrijedi samo za linearne vremenski nepromjenjive (LTI) sustave.

Direktni oblik konvolucije

- Kauzalni FIR filtar M-tog reda
h = [h0, h1,, hM], Lh = M+1
-koje je podruje vrijednosti od n i m?

 = 
( )

- iz definicije h(n) i u(n) slijedi
0mM (*)
0 n-m L-1 (**)
m n L-1+M (**+m)

35
 0 m n L-1+m L-1+M (*),(**)
0 n L+M-1 (*),(**)

iz toga slijedi LV = L+M

- Blok izlaznog signala:

y = [y0, y1,, yL-1+M]
odziv je dui od ulaza za M uzoraka:

Koje je podruje vrijednosti m za svaki n?

0mM (*)
0 n-m L-1 (**)
- dobivamo -(L-1) m-n 0 (**(-1))
- pribrojimo n: n-L+1 m n
- dakle, m mora zadovoljiti dvije nejednadbe:
n-L+1 m n
0mM (*)
- iz ove dvije nejednadbe slijedi:
max(0, n-L+1) m min(n, M)

(,)

 = 
( )
(,)

za n = 0, 1,, L + M 1

Primjer
- FIR filter reda 3
- ulazni signal od 5 uzoraka
- izlazni blok je duljine 5+3 (indeksi od 0 do 7)
- h = [h0, h1, h2, h3]
- u = [u0, u1, u2, u3, u4]
- y = [y0, y1, y2, y3, y4, y5, y6, y7]

(,)

 = 
( )  = 0, 1, 2, , 7
(,)

36
Svaki uzorak yn je suma svih moguih produkata hi i uj za koje vrijedi i + j = n

Matrini oblik
- y = Hu gdje je matrica H sastavljena iz koeficijenata impulsnog odziva filtra
- ulazni vektor je duljine L
- izlazni vektor je duljine L+M
- H je pravokutna matrica dimenzija (L+M)xL
- stupce od H tvore zakanjele replike bloka impulsnog odziva h
- H je Toeplitzova matrica

Alternativni matrini oblik

37
dimenzija od U je (L+M)x(M+1)

41. Obrada signala po blokovima zrcali i pomakni oblik

- Vrlo esta i oigledna interpretacija konvolucije

- Impulsni odziv filtra se zrcali pa se posmie preko ulaznog niza

- Prvih M uzoraka izlaznog bloka naziva se prijelazni odziv (input-on transient) ili utitravanje filtra
- stacionarno stanje (steady state) filtra je za
M n L-1
yn = h0un + h1un-1 + + hMun-M

- zadnjih M uzoraka za L n L-1+M naziva se istitravanje filtra

Stacionarni odziv i utitravanje/istitravanje FIR filtra

- za filtar M-tog reda i ulazni blok duljine L mogue su ove vrijednosti indeksa odziva
0 n L-1+M
- tri razliite granice konvolucijske sumacije za tri dijela izlaznog bloka*:
- utitravanje filtra 0n<M
- stacionarno stanje M n L-1
- istitravanje filtra L-1 < n L-1+M

*uz pretpostavku da je duljina filtra mnogo kraa od duljine ulaznog bloka: M+1< L tj. M < L-1

- donja granica sumacije je max(0, n-L+1), a gornja granica je min(n, M)

- utitravanje filtra 0 n < M < L-1
max(0, n-L+1) = 0, min(n,M) = n

38

 = 

- stacionarno stanje M n L-1

max(0, n-L+1) = 0, min(n,M) = M

 = 

- istitravanje filtra M < L-1 < n L-1+M

max(0, n-L+1) = n-L+1, min(n,M) = M

 = 

42. Obrada signala po blokovima blokovi beskonane duljine

- filtar beskonane duljine, konaan ulazni signal

M = , L <
- filtar konane duljine, beskonaan ulazni signal
M < , L =
- filtar beskonane duljine, beskonani ulazni signal
M = , L =
u sva tri sluaja 0 n

(,)

 = 

(,)
kada L -> max(0, n-L+1) = 0
kada M -> min(n,M) = n

 = 


za M = , L <
(,)

(,)

 = 

za M < , L =

 = 


za M = , L =

39
Opi sluaj

( , )

 = 

( , )

43. Obrada signala po blokovima preklopi i zbroji metoda

- za vrlo dugake (ili beskonane) signale

- ulazni signal se podijeli u krae blokove duljine L:
u = uA, uB, uC
- izlazni blokovi duljine L+M se preklapaju
y 0 = h * uA
y 1 = h * uB
y 2 = h * uC
- potrebno je zbrojiti dijelove koji se preklapaju

40
Primjer
- Neka je ulazni dugaki signal = [u0, u1, u2, u3, u4, u5, u6, u7, u8]
- Razloimo ulazni signal na blokove duljine L = 3
- Neka je filtar reda M = 2

41
 44. Obrada signala uzorak po uzorak direktni oblik

- kontinuirana obrada uzoraka

- realizacije u stvarnom vremenu
- elementarni funkcijski blokovi
- zbrajalo
- mnoilo
- element za kanjenje

Direktni oblik
- realizacija slijedi direktno iz konvolucijske sumacije za M < , L =

 = 
( )

odgovara joj blok dijagram:

42
- uvode se varijable stanja
w0(n), w1(n), w2(n), , wM(n)
w0(n) = u(n)
w1(n) = u(n-1) = w0(n-1)
w2(n) = u(n-2) = w1(n-1)
w3(n) = u(n-3) = w2(n-1)

wM(n) = u(n-M) = wM-1(n-1)

- novi zapis konvolucije

 = 
1 ()

- prednost je da se svi lanovi sumacije odnose na isti n
- i svi su dostupni za obradu u koraku n
- w0(n) je trenutni ulazni uzorak
- wi(n), i = 1, , M su trenutni iznosi elemenata za kanjenje

45. Obrada signala uzorak po uzorak cirkularni meuspremnici

Modulo M+1 cirkularni meuspremnik

43
 46. Linearna, periodina i cirkularna konvolucija

- do sada je, preutno razmatrana linearna konvolucija

- ilustrirajmo je jo jednim primjerom:

- Neka su zadani diskretni nizovi:

x1[n] = [1 1 1 0]
x2[n] = [1 2 3 4]
Linearna konvolucija ovih nizova je:

=    

za 0 n 2N-2

44
Periodina i cirkularna konvolucija

- Za periodine nizove D [n] i D [n] perioda N definiramo periodinu konvoluciju

D[] =  D  D  

- Bitna razlika u odnosu na izraunavanje linearne konvolucijske sumacije za aperiodske nizove je da

- Periodiziramo li nizove x1[n] i x2[n] dobit emo D [n] i D [n]

se ovdje sumacija izvrava u intervalu 0 j N-1

- Ovi nizovi su prikazani kako slijedi:

Izraunavanje periodine konvolucije

45

0 =  D  D 0  = 1 1 + 1 4 + 1 3 + 0 2 = 8

1 =  D  D 1  = 1 2 + 1 1 + 1 4 + 0 3 = 7

2 =  D  D 2  = 1 3 + 1 2 + 1 1 + 0 4 = 6

46

3 =  D  D 3  = 1 4 + 1 3 + 1 2 + 0 1 = 9

Cirkularna konvolucija

- Cirkularnom konvolucijom nazivamo jednu periodu periodine konvolucije, pa za prethodni primjer

slijedi:

Periodina konvolucija je:

D[] =  D  D  

Ako se ograniimo samo na jedan period slijedi:

47

 =
D[] =  D  D ( ) 

za za 0 n N-1

Oigledno je da je dovoljno promatrati jedan period za D  i D  

- Jednom periodu linearno pomaknutog niza D   odgovara cirkularni pomak aperiodskog niza
  to je prikazano D ( )  a to odgovara raunanju rednog broja koraka po modulu N.
- Iz svega je vidljivo da se cirkularna konvolucija (koja e biti duljine N uzoraka) moe primijeniti za
dva aperiodska niza duljine N.

Zadani nizovi x1[n] = [1 1 1 0] i x2[n] = [1 2 3 4]

Izraunavanje cirkularne konvolucije

0 =  D  D 0  = 1 1 + 1 4 + 1 3 + 0 2 = 8

48

1 =  D  D 1  = 1 2 + 1 1 + 1 4 + 0 3 = 7

2 =  D  D 2  = 1 3 + 1 2 + 1 1 + 0 4 = 6

3 =  D  D 3  = 1 4 + 1 3 + 1 2 + 0 1 = 9

49
Izraunavanje linearne konvolucije pomou cirkularne

50
 Pitanja vezana uz predavanje 10

47. Navesti osnovne uporedne karakteristike IIR i FIR filtara u odnosu na: red filtra, stabilnost i
faznu karakteristiku

Realizacija IIR filtara se temelji na izravnoj implementaciji jednadbe diferencija odnosno

prijenosne funkcije

Digitalne filtre prikazujemo blokovskim dijagramima

Postoje 4 tipa FIR filtara

48. Realizacija FIR filtra

- kaskadna - razbijanje transfer funkcije H[z] na sekcije drugog reda

Realizacija

Izgled strukture je onda

- polifazna - u opem sluaju polifazna dekompozicija

na L grana je oblika

51
gdje je:

Polifazna dekompozicija H(z) paralelna struktura

Postupak dekompozicije za kauzalni FIR filtar reda

M=8

Djelimo na parne i ne parne te uvodimo notaciju E(z)

Nakon toga H(z) izgleda ovako

gdje je

Izgled strukture je onda

49. Realizacija IIR filtra

Z transformacijom piemo prjenosnu funkciju

52
Sustav ima nule i polove

VRSTE:
1) Direktna I realizacija
- M+N+1 mnoenja
- M+N zbrajanja
- M+N+1 memorijskih lokacija

2) Direktna II realizacija
- Kompaktnija struktura
- M+N+1 mnoenja
- M+N zbrajanja
- Max (M,N) memorijskih lokacija

Openito nedostatci direktnih realizacija su osjetljive promjene koeficijenata i nisu preporuljive u

praktinim aplikacijama

Transponirana direktna

3) Kaskadna
- razlaganje transfer funkcije H(z) na sekcije nieg reda
k polinomi u brojniku i nazivniku prikazuju se kao produkti polinoma nieg reda

53
 - razliite kaskadne realizacije (36) postie se razliitim uparivanjem polova i nula ili/i
izmjenom redoslijeda sekcija u kaskadi

4) paralelna

54
 Pitanja vezana uz predavanje 11

50. Kvantizacija filtarskih koeficijenata

Tonost s kojom se mogu specificirati koeficijenti filtra ograniena je duljinom rijei ili duljinom
registra.

Kvantizacija koeficijenata ima za posljedicu promjenu poloaja polova i nula, tj. promjenu
frekvencijske karakteristike.

Osjetljivost frekvencijske karakteristike na kvantizaciju koeficijenata mogue je minimizirati

realizacijom filtra kao spoja sekcija drugog reda (paralelna ili kaskadna realizacija).

51. Usporedite direktnu i kaskadnu realizaciju.

Kaskadna realizacija je superiornija direktnoj

Kod kaskadne realizacije nule se odreuju implicitno.

Pojedina nula osjea kvantizacijsku pogreku u brojniku i nazivnicima svih sekcija drugog reda.

52. Diskretna Fourierova transformacija DFT

Diskretna fourierova transformacija (numeriko odreivanje spektra) uvodi se zato to je za veinu

signala nemogue nai matematiki izraz

Kako je spektar periodian, dovoljno je pri otipkavanju spektra, uzeti samo N uzoraka iz osnovnog
perioda pri emu e razmak meu uzorcima biti 2/N

53. Svojstva DFT

Koeficijenti fourierovog reda su

Ako se usporede Xk i X(e^(j*2**k/N)) za k=0,1,2,3,,N-1 zakljuuje se da vrijedi:

55
Zatim vrimo otipkavanje spektra

Otipkavanjem moe doi do aliasinga to jest do preklapanja spektra u vremenskoj domeni

Takoer postoji i inverzna DFT

Sva svojstva koja vrijede za DFT vrijede i za DTFT zato to DFT aperiodinog niza definiramo kao
otipkavanje njegovog DTFT niza

54. Cirkularna konvolucija u vremenskoj domeni

Cirkularnoj konvoluciji u vremenskoj domeni , dvaju nizova , odgovara produkt njihovih DFT u
frekvencijskoj domeni

Cirkularna konvolucija dva konana niza je niz duljine N

55. Cirkularna konvolucija u frekvencijskoj domeni

Slino cirkularnoj konvoluciji u vremenskoj domeni, dvaju konanih nizova, definira se i cirkularna
konvolucija u frekv domeni koja odgovara dolje navedenom izrazu:

56
 56. Svojstvo simetrije DFT realnog konanog niza
Ako imamo DFT:

Zakljuujemo:

Te se pokazuje da vrijedi:

57
 Pitanja vezana uz predavanje 12

57. Definicija i temelji FFT.

>  =  [], 1


,0

FFT je postupak efikasnog raunanja DFTa (DFT koristi N2 mnoenja, dok FFT koristi log ).

Diskretno raunanje DFTa je neefikasno jer ne koristi simetrinost 5K = K 6 i periodinost

(K = K ) kompleksne exponencijale WN

58. Definicija FFT i postupci za FFT.

FFT algoritmi temelje se na dekompoziciji DFTa u niz parcijalnih DTFa, odnosno periodinosti i

simetrinosti cplx exponencijale. Razlaganjem DFTN od N toaka na dva DTFN/2 za toaka, broj
potrebnih mnoenja iznosi 2 L M

59. Metoda podijeli pa vladaj

Pr.: raunanje DFTa u N=L*M toaka. Niz  moe se pohraniti kao jednodimenzionirano polje s
Radi se dekompozicija DFTa u N toaka u sukcesivno manje blokove DFTa.

indexom n:

Odnosno u dvodimenzionalno polje s indexima l i m:

Ako je razlaganje = 'F + G, DFT je pohranjen po recima, prvi redak sadri prvih M elemenata X(k),
Niz x[n] moe biti pohranjen u pravokutno polje ovisno o nainu razlaganja indexa n u indexe (l,m).

drugi red sadri slijedei niz od M elemenata. Ako je razlaganje  = F + G, rezultati X(k) pohranjeni
su po stupcima.
3 koraka prorauna:
Raunaju se komponente DFTa u M toaka za svaki od redaka l=0,1,,L-1

58
 Rauna se novo polje G(l,q)
Raunaju se komponente DFTa u L toaka za svaki stupac q=0,1,,M-1 polja G(l,q)
Tada je broj mnoenja=N(M+L+1), broj zbrajanja=N(M+L-2)

60. Korijen-2 metoda

>  =  ()K

Potrebno je N2 kompleksnih mnoenja i N(N-1) zbrajanja. Moe se koristiti svojstvo periodinosti i
simetrinosti kompleksne exponencijale. DTFT se moe efikasno izraunati ako je mogue faktorizirati
N prim brojevima. Ako je N = ri, tada je r baza FFT algoritma.
Ako je N=2i, uzima se M=N/2 i L=2 (dakle 2 retka i N/2 stupaca). U prvom redu je f1(n) u koji ulaze
parni uzorci od x(n), a u drugom je f2(n) u koji ulaze neparni uzorci.
f1(n) i f2(n) dobiveni su decimacijom x(n) za faktor 2, stoga se ovaj algoritam naziva algoritmom
decimacije u vremenu.
Pogledati 12. Poglavlje, str. 49. slide
Dobivene strukture su pravilne (oblika leptira)

61. Primjena FFT algoritma u linearnom filtriranju

Primjena kod filtriranja dugih nizova. Neka je niz u(n) duljine L na ulazu FIR filtra impulsnog odziva
duljine M. u(n)=0; n<0 & n L, h(n)=0; n<0 & nM. Odziv filtra danog konvolucijskom sumacijom je
duljine N=L+M-1. h(n) i u(n) se moraju do duljine N produljiti odgovarajuim brojem nula koristei
overlap-add metodu

Duljina ulaznog bloka je L uzoraka, duljina DFTa i IDFTa je N=L+M-1. Svakom bloku dodajemo M-1
nula i raunamo N toaka DFTa

Dobivaju se izlazni blokovi duljine N u kojima nema aliasinga jer su duine DFTa i IDFTa

59
 62. Diskusija uporabe FFT-a

Potrebno je podesiti duljinu ulaznog bloka L uz bazu 2 tako da N (N=L+M-1) bude potencija broja 2.
To se ostvaruje produljivanjem ulaznog u(n) i h(n) odgovarajuim brojem nula na N toaka.
Transformacija impulsnog odziva rauna se samo jednom i zatim se izraunatih N toaka pohranjuje u
memoriju.
Povoljnije je primijeniti FFT algoritam decimacije u frekvenciji pa e uzorci H(k) iUm(k) biti u bit-
reversed poretku. Tada e i transformacija izlaznog niza biti u bit-reversed poretku. No, IDFT koristi
algoritam s ulaznim bitom u bit-reversed poretku, pa e y(n) biti u normalnom poretku. Na kraju se
zbraja M-1 uzoraka.

60
 13. PREDAVANJE

63. Pretipkavanje up sampling

- koristi se za poveanje frekvencije otipkavanja za cijelobrojni faktor L pa je izlazna frekvencija

F'T L puta vea od ulazne frekvencije FT otipkavanja x[n]
1
F 'T = FT * L =
T'
- realizira se umetanjem L-1 jednoliko razmaknutih uzoraka vrijednosti nula izmeu dva
susjedna uzorka x[n]
- X prt ( z ) = X ( z L )

64. Podtipkavanje down sampling

- koristi se za smanjenje frekvencije otipkavanja za cijelobrojni faktor M pa je izlazna

FT 1
frekvencija F'T M puta manja od ulazne frekvencije FT otipkavanja x[n] F 'T = =
M T'
- realizira se zadravanjem svakog M-tog uzorka te uklanjanjem preostalih M-1 uzoraka izmeu
njih
M 1
1 k
- X pom ( z ) = X ( zW M )
M k =0
65. Zahtijevi na interpolacijski i decimacijski filtar

- zahtijevi na interpolacijski filtar: eljeni niskopropusni filtar treba imati graninu frekvenciju

pojasa guenja S = i graninu frekvenciju pojasa proputanja P to je blie mogue
L
S kako bi se reducirala distorzija spektra x[n]
C
- ako je C najvia frekvencija u x[n] koja treba biti ouvana tada je P =
L
C
- specifikacije na niskopropusni interpolacijski filtar prema tome su: H (e j ) = L,
L

0,
L
- zahtijavi za decimacijski filtar: na slian nain se definiraju specifikacije za niskopropusni
decimacijski filtar(tako pie, nisam ja skratio )

- H (e j ) = 1, C
M

0,
M
- niskopropusni decimacijski i interpolacijski filtri mogu biti IIR i FIR filtri i projektirani su uobiajnim
postupcima

61
 14. PREDAVANJE

66. Definicija govora i glavne primjene digitalne obrade govora

- Govor je signal koji nosi informaciju(akustiki valni oblik)

- Glavne primjene:
1) kodiranje govora u svrhu uinkovitijeg prijenosa ili pohrane
2) prepoznavanje govora,diktiranog ili prirodnog, s vezanim izgovorom rijei
3) prepoznavanje govornika
4) prepoznavanje jezika
5) sustavi za detekciju rijei
6) sinteza govora
7) sustavi za dijalog ovjeka i raunala
8) sustavi za raznovrsne transformacije govornog signala kao to su promjene visine
glasa, brzine izgovora...
9) sustavi za pomo osobama oteena vida, sluha ili govora
10) sustavi za poboljanje kvalitete govora
11) analiza govora u svrhu dijagnostike raznih oboljenja

67. Reprezetacija govora

Dijeli se na reprezentaciju govornog signala, reprezentaciju valnog oblika i parametarsku

reprezentaciju

1) sustavi s reprezentacijom valnog oblika signala:

- algoritmi koji nastoje valni oblik signala to je bolje mogue reprezentirati i prenjeti na
prijamnu stranu
- pojavili se poetkom 70-ih
- najznaajniji standardi iz tog doba su PCM(64 kbit/s) i ADPCM(32 kbit/s)
- ti koderi se mogu koristiti za prijenos drugih signala(glazbe...)
2) sustavi sa parametarskom reprezentacijom
- prvi sustavi javljaju se krajem 80-ih razvojem mobitela
- govorni signal je predstavljen modelom a ne valnim oblikom
- model je opisan parametrima
- parametri se kvantiziraju, kodiraju i pretvaraju u digitalni niz eljene brzine prijenosa
3) sustavi sa reprezentacijom govornog signala
- poetkom 90-ih
- elja za udvostruenjem broja telefonskih kanala prepolavljanjem brzine uz ouvanje
kvalitete ili poveanje kvalitete uz istu brzinu prijenosa
- naglasak je na kvaliteti reproduciranog signala, brzina je sekundarna

62
68. Model sa spojenim cijevima

- oblik vokalnog trakta mogue je reproducirati skupom cijevi iji presjek varira od glasnica do
usnica
- svaki glas ima karakteristian skup cijevi koji aproksimira oblik vokalnog trakta

-
- Na spojevima cijevi dolazi do djelominog proputanja i djelomine refleksije a refleksija je
vea to je razlika u presjecima vea
- Koeficijent refleksije je rK = ( AK *1 AK ) /( AK +1 + AK ) i odreuje prijenosnu funkciju
modela
- Ako su duine svih cijevi jednake onda se takav model moe opisati u vremenski diskretnoj
domeni bez gubitka tonosti uslijed otpkavanja
- Period otipkavanja se uzima da bude dvostuk od vremena irenja kroz jednu cijev

69. Linearna predikcija(LPC model)

- modeliranje trenutnih uzoraka signala na osnovu linearne kombinacije konanog broja

predhodnih uzoraka
- zadatak linearne predikcije je da za zadani signal konanog trajanja odredi skup koeficijenata
prediktora takav da je srednja kvadratna pogreka prediktora najmanja
- tonost modela ovisi o redu prediktora
- LPC model opisuje vremenski kratkotrajne korelacije u govornom signalu(1-2 ms)
- Red LPC je tipino 10 za frekvenciju otipkavanja 8 kHz(filtar opisan sa 10 koeficijenata)
- Parametre filtra je potrebno kvantizirati i kodirati sa to manje bitova i ta kvantizacija
uzrokuje promjenu frekvencijske karakteristike

63
 Pitanja vezana uz predavanje 15

70. Definicija slike, rezolucija i tip signala.

Slika je dvodimenzionalni diskretni signal. Dobiva se otipkavanjem i kvantizacijom kontinuiranog 2D

signala. Rezolucija dobivene slike je proporcionalna frekvenciji signala, dubina slike proporcionalna je
broju bita kvantizatora.

71. Definicija slike i klasifikacija slika

Kod obrade 2D signala zanimaju nas prostorne koordinate, a ne vrijeme. , , , = (

, ). Slika je nekauzalan signal. Crno bijela slika je 2D signal iji je intenzitet l predstavljen kao
funkcija dvije koordinate x i y. Slika u boji je signal koji se sastoji od tri 2D signala koji predstavljaju
osnovne boje: RGB

72. Primjena obrade slike

Obrada slike - poboljanje slike za ljudsku interpretaciju (kontrast, salt & pepper um -
medijan filtar, operacije na histogramu, uklanjanje zamuenosti)
Analiza i razumijevanje slike - obrada slike za automatsku interpretaciju pomou raunala

73. 2D Fourierova transformacija

To je linearna spearabilna transformacija. Postoji nekoliko osnovnih sluajeva:

2D DFT svodi se na dvije 1D DFT transformacije

- 1D DFT po stupcima pa 1D DFT po redcima ili (row-column) obrnuto

64