SİNYALLER

VE
SİSTEMLER
Dr. Cahit Karakuş

“Bardağı taşıracak son damla ben olacaksam, toprak içindeki buğday

tanesine damlasın isterim.” Cahit Karakuş
İÇİNDEKİLER
Giriş ......................................................................................................................................................... 4
1. Sinyaller ve Sistemler ...................................................................................................................... 5
2. Temel Bilgiler .................................................................................................................................. 6
Sinyal Gücü ve Enerjisi ...................................................................................................................... 6
Peryodik Sinyaller ............................................................................................................................. 7
Çift(Even) ve Tek(Odd) Sinyaller ..................................................................................................... 7
Sinyaller Üzerinde Temel İşlemler ...................................................................................................... 8
Sinyaller ve Gürültü ............................................................................................................................. 8
Kanal Kapasitesi ................................................................................................................................ 10
Gecikme ............................................................................................................................................ 16
Örnekleme ......................................................................................................................................... 16
3. Temel Sinyaller .............................................................................................................................. 23
Dürtü veya Delta İşareti .................................................................................................................... 23
Continuous-Time Exponential ........................................................................................................... 25
Sinusoidal Signals .............................................................................................................................. 27
Discrete-Time Exponential and Sinusoidal Signals ........................................................................... 32
Periodicity Property of Discrete-Time Complex Exponential ........................................................... 37
4. Elementary Signals ........................................................................................................................ 39
5. Sistemlerin Özellikleri.................................................................................................................... 41
Bellekli ve Belleksiz Sistemler ........................................................................................................... 41
Nedensellik (Causality) ...................................................................................................................... 43
Kararlılık ( Stability) ........................................................................................................................... 45
Doğrusallık – Lineer Sistemler ........................................................................................................... 46
Zamandan Bağımsız (Time Invariant) ................................................................................................ 47
6. Elektromanyetik Sinyaller ............................................................................................................. 50
Temel Alan Denklemleri .................................................................................................................... 50
Serbest Uzay Yol Kaybı ...................................................................................................................... 52
Verici Gücünden Elektrik Şiddetinin Hesaplanması .......................................................................... 54
Alış Gücünden Elektrik Alan Şiddetinin Hesaplanması ..................................................................... 55
Elektrik Alan Şiddetinin Alıcı Devrenin Giriş Gerilimi Cinsinden İfadesi ........................................... 55
7. Fourier Transform ......................................................................................................................... 57
Fourier transform and Fourier Series ............................................................................................... 58
Relationship of Fourier Series and Fourier Transform ...................................................................... 59
8. Signal Denoising Using Wavelets .................................................................................................. 60
9. Filtering ......................................................................................................................................... 60
10. Hilbert –Huang Transform ........................................................................................................ 61
11. Laplace Transform..................................................................................................................... 63
12. Z-Transform............................................................................................................................... 68
13. Sinyal Analiz ve Matlab ............................................................................................................. 69
14. Kaynakça ................................................................................................................................... 69
Giriş
Var olduğumuz kainat, sinyaller denizidir. Beyin çevresi ile algılama, hissetme ve koklama
dahil pek çok sinyal ile iletişim halindedir. En küçük yaşayan bir birim, bir hücre, en karmaşık
ve en akıllı canlı organizma (insan), çevresinden sürekli sinyalleri alır ve işler. Herhangi bir
canlı organizmanın hayatta kalması, sinyallerin uygun şekilde işlemesine ve tepki vermesine
bağlıdır.

Sinyal bilgi taşıyan bir işarettir. Bu ders notunda, sinyallerin matematiksel temsilleri
anlatılacak. Çevemizdeki sinyallere örnekler mi arıyorsunuz? İnsan sesi, kuşların cıvıltıları,
duman sinyalleri, jestler (işaret dili), çiçek kokularıdır. Vücut işlevlerimizin çoğu kimyasal
sinyallerle düzenlenir, kör insanlar dokunma hissini kullanır. Arılar dans modelleriyle
birbirleriyle iletişim kurarlar. Ses uzayda yayılır mı? Uzay neden karanlık.

Teknolojik sinyallerinin bazı örnekleri, bir telefon teli içindeki akım ve gerilim, bir verici
antenden çıkan elektromanyetik dalga, bir fiber kablonun kılındaki ışık yoğunluğunun
değişmesidir. Böylece neredeyse sonsuz bir çeşitlilikte sinyaller olduğunu ve sinyalleri bir
yerden başka bir yere taşıyan çok sayıda yol olduğunu görüyoruz.

Teknik anlamda, Sinyal: Bir veya daha fazla değişkenlerin gerçek veya karmaşık
fonksiyonudur. Fonksiyon tek bir değişkene bağlı olduğunda, sinyal bir boyutlu. Bir konuşma
sinyali, günlük maksimum sıcaklık, bir yerdeki yıllık yağış, tek boyutlu bir sinyal örneğidir.
Fonksiyon iki veya daha fazla değişkene bağlı olduğunda, sinyalin çok boyutlu olduğu
söylenir. Bir görüntü, iki boyutlu sinyali, iki boyutu temsil eden dikey ve yatay koordinatları
temsil etmektedir. Fiziksel dünyamız üç mekansal ve bir zamansal dört boyutludur.

Sözgelimi Morötesi ya da ultraviyole (kısaca UV) ışınım, dalga boyu 100 ile 400 nm arasındaki
ışına denir. Gözümüz, 400 ile 700 nm dalga boyları arasına duyarlıdır ve bunun dışındaki
ışınımı algılayamaz. Gecenin bir vakti kalkıp, çöle veya çöl iklimli bir yere gidin ve ultraviyole
ışığınızı açın. Işığın altında, canlı bir mavi-yeşil renkle parlayan akrepleri göreceksiniz. UV ışını
altında vücutlarında algılayıcı olarak görev yapan kimyasalların bir kısmı bozunur ve sözü
edilen renklerin etrafa saçılmasına neden olurlar.

Kızılötesi ışınım ise cisimlerin sıcaklığını uzaktan belirlemeye yarar. Termal görüntüleme
genelde askeri ve sanayi amaçlarla kızılötesi kameralar olarak tüketici pazarına da girmiş
bulunmaktadır. Geniş ve belirgin sıcaklıktaki soğuk ortamlarda (deniz, orman, çöl, karlı dağ,
bozkır) havadan arama kurtarma çalışmalarında insan gözünden kolay kaçan sıcak insan
vücudunun, ve konaklama ateş yerinin termografi ile daha kolay farkına varılır. Kızılötesi
ışınımın dalga boyu 750 nanometre ile 1 mikrometre arasındadır. Normal sıcaklığındaki insan
vücudu 10 mikrometre civarında ışıma yapar.
1. Sinyaller ve Sistemler
Bir f(t) sinyali zamanın bir fonksiyonudur. Gerilim v(t) veya akım i(t) olabilir.
Bir sinyalin fiziksel olarak var olabilmesi için, sinyal :
 Zamanda sınırlı olmalıdır.
 Bant genişliği sonlu olmalıdır.
 Zamanda sürekli olmalıdır.
 Aldığı değerler sonlu olmalıdır.
 Gerçel değerli olmalıdır.

Sinyal örnekleri:
 Elektriksel sinyaller
 Devredeki voltajlar ve akımlar
 Akustik sinyaller
 Zamanla akustik basınç (ses)
 Mekanik sinyaller
 Zaman içinde bir arabanın hızı
 Video sinyalleri
 Zaman içinde bir pikselin (kamera, video) yoğunluğu
 Sıcaklık
 Koku
 Kuantum parçacık yayınımı, Radyoaktif maddeler veya izotoplar
 Elektromanyetik yayınım
 Kimyasal yayınım – hormon
 Çekim Kuvvetleri
 Enerji kaynakları

Sistemler istenilen çıkış sinyallerini üretmek için giriş sinyallerini işler. Bir sistem bir sinyali
girdi olarak alır ve başka bir sinyale dönüştürür.
2. Temel Bilgiler
Çok geniş anlamda, bir sistem, çıkış sinyalinin giriş sinyaline oranı olarak tanımlanır. Oran
değerleri sistem tarafından hesaplanan giriş ve çıkış arasındaki ilişkidir.

Sinyal Gücü ve Enerjisi

Güç: Anlık ve Normalize

 Bir devrede Anlık Güç: 𝑝(𝑡) = 𝑣(𝑡)𝑖(𝑡)
𝑣 2 (𝑡)
 Ohm kanunundan, 𝑝(𝑡) = = 𝑖 2 (𝑡)𝑅
𝑅
 Anlık Normalize Güç R=1 ohm alınarak bulunur.
𝑝(𝑡) = 𝑣 2 (𝑡) = 𝑖 2 (𝑡)
 𝑓(𝑡) bir gerilim veya bir akım fonksiyonu olur ise 𝑝(𝑡) = 𝑓 2 (𝑡) olarak yazılır.
Peryodik Sinyaller

𝑓(𝑡) = 𝑓 (𝑡 + 𝑇0 ), ∀𝑡
Şeklinde ifade edilebilen sinyallere peryodik sinyaller denir. T0, değerine sinyalin peryodu
denir.

Çift(Even) ve Tek(Odd) Sinyaller

Tek (Odd) ve çift (Even) sinyaller; Çift sinyaller, dikey eksene göre simetrik olan sinyallerdir
ve matematilsel olarak f(t)=f(-t) şeklinde ifade edilirler. Tek sinyaller ise f(t)=-f(-t)
biçimindedir.
Sinyaller Üzerinde Temel İşlemler

Zaman Öteleme: Bir x(t) işaretini verilen sabit bir t0 zamanı kadar öteleme, veya geciktirme,
x(t-t0) şeklinde bir işaret üretir.

Sinyaller ve Gürültü
Sinyal zayıflamasının en yaygın tipi, vericide sinyal yükseltme işlemi sırasında görülen ve
sinyalle birlikte yükseltme işlemine tabi tutularak yükseltilen gürültü çeşidi olup, çoğunlukla
termal gürültü olarak bilinir.

Telsiz haberleşmesinde ise, termal gürültüye ilave olarak insan eliyle meydana gelen gürültü
ve kanalda varolan atmosferik gürültü de alıcı antene ulaşır. Telli veya telsiz haberleşmede,
kanaldaki diğer kullanıcılardan kaynaklanan gürültülerin etkisi, sinyal zayıflamasına etki eden
diğer bir gürültü çeşididir. Yüksek frekanslarda yapılan telsiz haberleşmesinde, sinyal
seviyesinin düşmesine sebep olan tipik bir etki de çok yollu yayılım olup, zaman bağımlı
olarak sinyal genliğinin değişimidir. Gönderilen sinyaldeki bütün bu rasgele değişim ve
bozulmalar istatistik terimlerle ifade edilebilir.

Gürültü: Gönderilen orijinal sinyali bozan ve sisteme istem dısı dahil olan herhangi bir enerji
(isaret ya da sinyal). Gürültünün varlığı analog veya sayısal sistemlerinin performansını
düşürür. Gürültünün iletişim sisteminin performansını ne kadar etkilediği sinyal gücünün
gürültü gücüne oranı (analog iletişim) ya da hata olasılığı (sayısal iletişim) ile ölçülür.

Girisim-Parazit (Interference): İstenmeyen isaretlerin sistemimize girerek sinyalimiz üzerinde

yaptığı bozucu etkidir. Çözüm istenmeyen isaret kaynaklarının sistemden uzaklastırılmasıdır.

Harmonik Bozulma: Sinyaller harmonik frekansların toplamından olusur. Tek frekanslı bir
sinüs dalgası; doğrusal olmayan bir cihazda yükseltildiğinde, bu tek frekanslı sinüs dalgasının
istenmeyen katlarının olusmasına denir. Harmonik bozulmanın çesitli dereceleri vardır. İkinci
derece harmonik bozulma v.b.
 Modülasyonlar Arası Bozulma: İki veya daha çok frekans; doğrusal olmayan bir cihazda
yükseltildiğinde, istenmeyen vektörel çarpımların (toplam veya fark frekanslarının)
olusmasıdır. Harmonik bozulmada olduğu gibi, bu bozulmanın da dereceleri vardır. Genel
olarak 2. derece modülasyonlar arası bozulma yüzdesi kullanılır.

Çapraz Konusma (Crosstalk): Aynı kılıf içerisinde yanyana bulunan kablolardaki sinyallerin
birbirlerini etkilemeleridir. Çözüm, bükümlü kablo kullanımı)

Isıl Gürültü: Devreyi olusturan; direnç, transistör ,vb. elemanlarda bulunan serbest
elektronlar ortam sıcaklığı nedeniyle gürültü olusturabilirler.Gürültü tarafından oluşturulan
güç Johnson formülü ile ifade edilir.
Pn = 4kTB
Bu formülde;
Pn; gürültü tarafından olusturulan güç,
k; Boltzman sabiti 1.38*10-23 J/K
T; sıcaklık (Kelvin)
B; bant genisliği (Hertz)
Direnç tarafından olusturulan ısıl gürültünün efektif voltaj değeri;
en= Karekök(4kTBR)

Schottky Gürültüsü: Diyot, BJT, FET veya tüp gibi etkin bir aygıtın çıkış öğesine taşıyıcıların
(elektronlar ve boşluk/delikler).Rasgele değişen bir gürültü türüdür. Var olan her işaretin
üzerine binmiş olarak bulunur. Bir diyot içerisindeki schottky gürültüsü;
In = Karekök(2 * qe * Idc * B)
Bu formülde;
qe; Elektron yükü 1.6*10-19,
Idc ; Diyot doğru akımı (A)
B; Esdeğer bant genisliği (Hertz)
Kanal Kapasitesi
Analog sinyaller sayısal sinyallere dönüştürülürken Nyquist ve Shannon teoremleri kullanılır.
Nyquist teoremi gürültüsüz iletişim ortamından gönderilebilecek toplam sayısal veri
miktarını ve örnekleme aralığını belirler. Bu teoreme göre analog sinyali sayısal işarete
dönüşüp bozulmadan yeniden analog işarete dönüşebilmesi için örnekleme frekansının
analog sinyalinin band genişliğinin iki katına eşit ya da büyük olması gerekir. Örnekleme
aralığı; örnekleme frekansının tersidir. Nyquist teoremi gürültüsüz iletişim kanallarını
tanımlar oysa iletişim ortamları gürültü ile birlikte varlığını sürdürürler bu nedenle işaretin
gürültüye oranına bağlı olarak kanal kapasitesini tanımlamak için Shannon’ın teoremi
kullanılır.

Haberleşme kanalı sinyalin vericiden alıcıya gönderilmesine yarayan fiziki bir ortamdır.
Elektrik sinyallerinin geçtiği, frekans ya da zaman ile ayrıştırılmış bant ya da yola kanal denir.
Telsiz haberleşmesinde kullanılan kanal genellikle atmosfer (serbest uzay) olup telefon veya
diğer telli haberleşme çeşitlerinde ise tel, koaksiyel kablo veya optik kablo gibi çeşitli fiziki
ortamlardır. Kullanılan kanal, telli ortam da olsa gönderilen sinyal bazı rasgele zayıflama
mekanizmalarına tabi olur.

Bir haberleşme sistemi tasarlanırken sinyal bozulmalarının bütün etkileri göz önüne
alınmalıdır.
• Spektrum; Bir işareti oluşturan frekans aralığı; fmin, fmax
• Band Genişliği; Spektrum genişliği=fmax-fmin
• Kapasite; iletilebilecek data oranı bps
• Gürültü, SNR
 • The maximum rate at which data can be transmitted over a given communication path
• Relationship of
– Data rate: bits per second
– Bandwidth: constrained by the transmitter, nature of transmission medium
– Noise: depends on properties of channel
– Error rate: the rate at which errors occur

• How do we make the most efficient use possible of a given bandwidth?

– Highest data rate, with a limit on error rate for a given bandwidth

A very important consideration in data communications is how fast we can send data, in bits
per second, over a channel. Data rate depends on three factors:
1. The bandwidth available
2. The level of the signals we use
3. The quality of the channel (the level of noise)

 Nyquist teoremi gürültüsüz kanal için geçerlidir

 Shannon’s teoremi gürültülü kanalın kapasitesini tanımlar.

Nyquist Teoremi
Harry Nyquist (1889-1976), isveç’te doğdu, 1907 yılında Amerika’da AT&T Bell
Laboratuarında çalıştı. Dr. Nyquist ve Dr. Claude Shannon modern telekomünikasyondaki
tüm teorik gelişmelerin alt yapı teoremini geliştirmişlerdir.

Nyquist teoremi gürültüsüz haberleşme kanalından bir saniyede transfer edilecek bit
miktarını tanımlar.
C=2 x B x n
C=64.000bps, B=4.000Hz ise n=?
n=64.000/(2*4.000)=8 bit.
Örneklenecek aralık sayısı=2^n=256 dır.

Analogdan sayısala iletildikten sonra sayısaldan analoğa dönüşüp orijinal işareti yeniden elde
etmede kriterler;
• Örnek alma aralığı
• Örnek alınan işaretin değerin ifade edildiği sayısal bit sayısı
• Ortamın kapasitesini sınırlayan etkiler; gürültü, direnme, zayıflama

Örnek alma frekansı, fs >=2*BW ise (BW: band genişliği), BW=10.000Hz ise örnek alma
frekansını bulunuz. Örnek alma zaman aralığını saniye olarak bulunuz.
Fs=2*10.000=20.000Hz
Ts=1/20000=50mikrosaniyedir.
Soru: Analog işaret sayısal işarete dönüşüp iletildikten sonra yeniden analoga çevrildiğinde
aynı işaret nasıl elde edilecektir?
Örnekleme aralığı;
300 Hz - 3400 Hz frekans aralığında işaretlerin toplamından oluşan telefon haberleşmesinde
örnekleme frekansı analog işaretinin bant genişliğinin iki katı alınırsa bant genişliği bozulmaz.
125 mikro saniye aralıklarla örnek alıp, analog işaret sayısal işarete dönüştürülürse orjinalite
bozulmaz.

Eğer bir f(t) analog işareti, bant genişliğinin 2 katına eşit ya da büyük bir frekansla eşit
aralıklarla örneklenirse sayısal işaretten orijinal analog işaret yeniden elde edilir. Analog
işareti sayısala çevirdikten sonra: Transfer edilir, bilgisayarda işlenir, tekrar duyabilmek için
analoga çevrilir. Nyquist’e göre: Analog frekansım, bant genişliğinin 2 katından büyük ya da
eşit olmalıdır.

fs >= 2*Bw, telefon iletişim teknolojisinde 0 – 4 kHz arasındadır.

1 fs  2 * 4KHz  8KHz
Ts 
fs

1 1
Ts    125.106 sec  125 sec
fs 8000

Analog işaretten 125 mikro saniyede bir örnek alınıp transfer edilip, tekrar analoga çevirilirse
işaretin orjinalitesi bozulmaz.
 Müzikte bant genişliği (Bw) 10 ile 12 kHz arasındadır.
 Çok yüksek kalite müziklerde Bw, 20kHz olmalıdır.

MaxDataRate  2 B log 2 V bits / sec

C = 2*B*log2 (2^n)
C= Kanaldan gönderilebilecek 1 saniyedeki bit sayısı (bps)
B = Kanal Band genişliği (Hz)
V=2^n= Örnek alınacak analog işaretin bölüneceği seviye sayısı
Shannon Teoremi (Claude Shannon 1916-2001 )
S
MaxDataRate  B log 2 (1  ) bits / sec
N

 S
C  W log 2 1  
 N
S  EbC

 N  N 0W

C  E C
 log 2 1  b 
W  N0 W 
C
As W   or  0, we get :
W
Eb 1
  0.693  1.6 [dB]
N0 log 2 e

Shannon limit:

 There exists a limiting value of below which there can be no error-free communication
at any information rate.
 By increasing the bandwidth alone, the capacity can not be increased to any desired
value.

İşaretin Gürültüye Oranı

SNR = 10 Log (S/N)
S: İşaret Seviyesi (Watt)
N: Gürültü Seviyesi (Watt)

Shannon Kapasite Formülü:

Veri hızını iletim gürültüsü ile ilişkilendirir.
İşaretin gücünün yüksek olması hatayı azaltacaktır.
𝐶 = 𝐵𝐿𝑜𝑔2 (1 + 𝑆𝑁𝑅)
Band genişliğini artırmak kapasiteyi artırır, ancak SNR oranını azaltır.
𝐸
𝑆𝑁𝑅 = 𝑁𝑏 olarak verilir. Burada Eb bit enrjisi, N0 ise Hertz başına gürültü gücüdür.
0
Soru:

Zamanla genliği, frekansı ve fazı değişen sinüsoidal işaretlerin birleşimden analog işaret elde
edilmektedir. Analog işareti sayısal işarete dönüştürürken Nyquist teoremi kullanılır. Bu
teoreme göre örnekleme frekansı maksimum frekansın iki katı seçilir. Nyquist oranı,
örtüşmeyi (aliasing) önlemek için minimum örnekleme sıklığıdır.

Aşağıda frekanslarıı verilen üç adet sinusoidal sinyalden oluşan analog sinyalin Nyquist
oranına göre örnekleme frekansını bulunuz.
F1  1000 Hz, F2  3000 Hz and F3  6000 Hz.

Kanal kapasitesi maksimum veri akış hızıdır. Veri hızı, band genişliği, gürültü, hata oarnı ile
ilişkilidir. Veri hızı saniyedeki veri işleme ya da iletilen bit sayısıdır.

Nyquist Bant Genişliği:

 Kanal band genişliği veri hızına bağlıdır.
 B band genişlikli bir kanaldan 2B bit hızıyla haberleşilir.
 Çok seviyeli sinyaller varsa Band kapasitesi, 𝐶 = 2𝐵𝐿𝑜𝑔2 𝑀 olacaktır.

Rayleigh Dağılımı:
Hareketli haberleşme kanallarında Rayleigh dağılımı düz sönümlemeye uğramış işaretin
alıcıdaki zarfının istatiksel olarak zamanla değişimini gösterir. Gürültü işaretinin dik
bileşenleri Gauss dağılımı şeklinde ifade edilip zarfı Rayleigh dağılımını
vermektedir.Rayleigh dağılımının olasılık yoğunluk fonksiyonu aşağıdaki gibi ifade edilir.
Gezgin iletisimde alıcı ve verici arasında direkt görüs yolu (line-of-sight, LOS)
yoksa Rayleigh dağılımıyla modellenir. Rayleigh dağılımı, düz sönümlemeye uğramıs ve
alıcıya doğrudan ulasmayan isaretin alıcıdaki zarfının istatistiksel olarak zamanla değisimini
tanımlamaktadır. Rayleigh dağılımı asağıdaki olasılık yoğunluk islevine sahiptir:
Gecikme
Gecikme çeşitleri:
 İşleme
 Protokol Kod Çalıştırmasına Zamanı
 Kuyruk
 İşlenmek Üzere Kuyrukta Bekleme Süresi
 Transmisyon
 "Bit Ortamdan Gönderme Süresi"
 Yayılma

Yayılım ve İletim gecikmesi

Propagation speed - speed at which a bit travels though the medium from source to
destination.
Transmission speed - the speed at which all the bits in a message arrive at the destination.
(difference in arrival time of first and last bit)
Propagation Delay = Distance/Propagation speed
Transmission Delay = Message size/bandwidth bps
Latency = Propagation delay + Transmission delay + Queueing time + Processing time

Örnekleme

Sampling continuous-time sinusoid and aliasing

If two sequences x1 (n)  A cos(1n  1 ) and x2 (n)  A cos(2 n  2 ) have frequencies and
phases related by,
2  1  2k , 2  1 or, 2  1  2k , 2  1
with k an integer, then the two sinusoidal sequences have the same samples, i.e. x1 (n)  x2 (n) . This
is illustrated in Figure below.

Here, 1 , 1  2 , 1 and 1  2

represents the same signal in the time
domain. If we limit the digital frequency 
within the interval  to  then there is
one to one correspondence between the
signals and their frequency representation.
For each frequency in the interval  to 
the corresponding aliases are all outside the
interval  to  itself.
Now, the range of unique digital frequencies,
         T  
Or,   / T     / T or,
 Fs     Fs
s 
Or,   s
2 2
This implies that the highest frequency of an analog signal must be less than half the sampling
frequency to avoid aliasing.

Example:

Consider the analog signal xa (t )  3cos 2000 t  5sin 6000 t  10cos12000 t . What is the
Nyquist rate for this signal? If the sampling rate is 5000 samples/sec what is the discrete-time signal
obtained after sampling? What is the analog signal ya (t ) we can reconstruct from the samples if we
use ideal interpolation?
-------------------------
Nyquist rate is the minimum sampling frequency to avoid aliasing. This is double the maximum
frequency of input signal.
Here, F1  1000 Hz, F2  3000 Hz and F3  6000 Hz.
Thus, Nyquist rate, FN  12000 Hz .
2000 6000 12000
x(n)  xa (nTs )  3cos
n  5sin n  10cos n
5000 5000 5000
2 6 12
 3cos n  5sin n  10cos n
5 5 5
2 4 2
Or, x(n)  3cos n  5sin(2  )n  10cos(2  n)
5 5 5
2 4 2
 3cos n  5sin n  10cos n
5 5 5
2 4 1 2
Or, x(n)  13cos n  5sin n .  f1  , f 2 
5 5 5 5
1
For perfect reconstruction, F1  f1  Fs   5000 Hz=1000 Hz , and
5
2
 F2  f 2  Fs   5000 Hz=2000 Hz .
5
Thus, ya (t )  13cos 2000 t  5sin 4000 t .
Note that, F1 is less than 2500 Hz. So no aliasing will occur. F2 is greater than 2500 Hz by 500 Hz. So
this frequency will appear as a lower frequency of (2500 - 500)=2000 Hz. Alternately, (3000-5000)= -
2000 Hz. The third frequency will change to (6000 - 5000) = 1000 Hz.
Quantization and Encoding

Quantization is a process that converts data from infinite or high precision to finite or lower
precision. The error introduced in representating the continuous-valued signal by a finite set of
discrete value levels is called quantization error and is denoted by e(n) .
 xˆ (n)  Q[ x(n)]

e(n)  xˆ (n)  x(n)
The distance  between two successive quantization levels is called quantization step size or
resolution.

The quantizer has (L+1) decision levels x1 , x2 ,L , xL1 that divide the amplitude range for x(n) into L
intervals.

For an input x(n) that falls in the interval I k , the quantizer assigns a value within the interval xˆ (k )
to x(n) . This process is shown in Figure above.
  xk 1  xk .
The number of levels in a quantizer is generally of the form, L  2 B 1 for a B+1 bit binary code word.

A 3-bit uniform quantizer in which the quantizer output is rounded to the nearest quantization level
is shown in Figure below.

With L quantization levels, the range of the quantizer is, R  2 B 1   . If the quantizer input is
bounded, x(n)  X max .
Darbe kod modülasyonu (PCM), PCM’de, darbeler sabit uzunlukta ve sabit genliktedir.
PCM ikili bir sistemdir; önceden belirlenmiş bir zaman bölmesi içinde bir darbenin
bulunması ya da bulunmaması, 1 ya da 0 mantık durumunu gösterir. PWM, PPM ve
PAM’da, tek bir ikili sayıyı (bit) göstermez.

Alma ucunda, sayısal / analog dönüştürücü (DAC), seri ikili veri akışını çok düzeyli bir
PAM sinyale dönüştürür. Örnekleme ve tutma devresi ile alçak geçiren filtre, PAM
sinyali tekrar başlangıçtaki analog biçimine dönüştürür. PCM kodlamayı ve kod
çözmeyi gerçekleştiren entegre devreye kodek (kodlayıcı / kod çözücü) denir.

Darbe modülasyonunda, analog enformasyonun ayrık zamanda iletişimi söz

konusudur. PAM, PWM ve PPM modülasyonlarıyla darbenin sırasıyla genliğinin,
genişliğinin ve bir periyot içindeki pozisyonunun sürekli olarak tüm işaret değerleri için
değişimine izin verilmektedir.

Zamanda ayrık duruma getirilmiş (örneklenmiş) işaretin genliğinin de belirli sayıda

ayrık seviyelere ayrılarak kuantalanmasıdır (kuantalama; belirli örnekleme
zamanlarında elde edilen genlik numuneleri). Örneklenmiş sürekli genlikli işareti, belirli
seviyelere kuantalamakla kalmayıp bir örnek anında her seviye için bir kod
kullanılacaktır. Bu türden modülasyon darbe kod modülasyonu (pulse code modulatıon
– PCM) olarak adlandırılır. PCM’de enformasyon taşıyan x(t), işareti önce uygun bir
örnekleme frekansı ile örneklenir. Daha sonra bu örnek değerler, belirli kuantalama
seviyelerine kuantalanır. Buna kuantalama işlemi adı verilir. Son olarak, her kuanta
seviyesi bir ikili kod kelimesi ile, yani sonlu sayıda (0,1) dizisi ile gösterilir. İkili kod
kelimeler dizisine dönüştürülen bu işarete PCM dalgası adı verilir. PCM sistemi verici
bölümünün blok diyagramı görülmektedir.

PCM’de verici bölümün blok diyagramı

Örnekleme Devresi
Nyquist örnekleme teoremi, bir PCM sistem için kullanılabilecek minimum örnekleme hızını
(fs) belirler. Bir örneklemenin alıcıda doğru olarak tekrar oluşturulabilmesi için, analog giriş
sinyalinin (fa) her çevrimi en az iki kez örneklenmelidir. Dolayısıyla, minimum örnekleme
hızı, en yüksek ses giriş frekansının iki katına eşittir. fs, fa’nın iki katından daha küçükse,
bozulma meydana gelir. Bu bozulmaya katlama bozulması denir. Minimum Nyquist
örnekleme hızı, matematiksel olarak, fs  2fa ifade edilir. Burada; fs = Minimum Nyquist
örnekleme hızı, fa = Örneklenebilecek en yüksek frekans

Kuantalama İşlemi
Darbe genlik modülasyonunda, örneklenmiş değerler belirli kuantalama seviyelerine
yuvarlatılmadan iletilmektedir. Ancak, bu işlem işaretin gürültüye olan bağışıklığı açısından
bir yarar sağlamayacaktır. Bunun yerine, işaret genliğini belirli kuanta seviyelerine
yuvarlatmak ve her kuanta seviyesi için, uygun bir kod kelimesi kullanmak daha uygun
olmaktadır. x(t) işaretinin maksimum ve minimum genlikleri Amax ile - Amax arasında
değişiyorsa ve bu aralıkta değişen genlik değerleri Q = 2n adet eşit kuanta seviyesine
bölünmek isteniyorsa kuantalama aralığı veya adımı;

a = 2Amax / 2n
olarak tanımlanmaktadır. Kuantalama işleminde örnek değerlerin bulunduğu dilim belirlenir.

Çeşitli işaret genliklerine karşılık gelen kuanta seviyeleri ve kod kelimeleri

Kuanta seviyeleri

Kuantalama dilim sayısı Q arttıkça, kuantalama gürültüsü de azalacaktır. Buna karşılık bir
örneği belirlemek için kullanılması gerekli bit sayısı da artacaktır.

PCM sistemindeki kuantalama hatası, kuvvetli işaretlerde ihmal edilebilecek kadar küçük
olmasına rağmen, zayıf işaretlerde kuantalama seviyesi ne olursa olsun önemlidir. Bu hatayı
önlemek amacı ile verici tarafta; sıkıştırma ve alıcı tarafta; genişletme işlemleri
yapılmaktadır. Sıkıştırma işlemi ile büyük genlikler zayıflatılarak küçük genliklerin seviyesine
düşürülür. Bu teknik PCM ve delta modülasyon tekniklerinin temelini oluşturur.

Lineer Kuantalama

Düzgün kuantalama eğrisi

Lineer Olmayan Kuantalama

Ses işaretlerinin istatistikleri incelendiğinde, küçük genliklere daha sık rastlanıldığı
görülmektedir. Oysa, yukarıda küçük işaretlerde kuantalama gürültüsünün rahatsız edici
boyutlarda olacağı gösterilmiş bulunulmaktadır.

Bu gürültüyü azaltmak için başvurulacak ilk yöntem, adım büyüklüğünün azaltılması veya
dilim sayısının artırılmasıdır. Ancak, bu durumda her bir örneği göstermek için kullanılması
gereken bit sayısı artacağından, bu yöntem her zaman uygun ve ekonomik değildir. Diğer
taraftan, çok seyrek olarak ortaya çıkan yüksek genlikli işaretler için gereksiz yere bir miktar
dilim ayrılmış olacaktır. Eğer en büyük genlik küçük tutulursa, bu defa da kırpılmalar
meydana gelecektir.

Örneğin, dinamiği 36 dB olan bir ses işareti ele alınırsa, en küçük işaretle 36 dB işaret gürültü
oranı elde etmek için, n = 12 bitlik kelime uzunluğunda bir PCM kullanmak gerekecektir.
Böyle bir kuantalayıcı da, en küçük işaret için 36 dB işaret gürültü oranı sağlanırken, en
büyük işaret için gereksiz yere 72 dB’lik bir işaret gürültü oranı elde edilecektir. Bununla
beraber, büyük işaretler için büyük adım, küçük işaretler için de küçük adım kullanılarak,
işaret gürültü oranının aynı olması sağlanabilir. Bunu gerçekleştirebilmek için, haberleşme
sistemlerinde bir sıkıştırma (compressing) yapılmaktadır.
In the following image is represented the A law (a-law) graphically

Kodlama İşlemi
Örneklenmiş analog işareti kuantaladıktan sonra, sayısal (dijital) işarete dönüştürmek için
kodlanması gerekmektedir. Genellikle bir analog işareti sayısal (dijital) işarete dönüştürmek
için, analog / sayısal dönüştürücüler (ADC) kullanılır. Bu dönüştürme işlemi sonucunda
kodlanmış işaret elde edilmektedir. Ancak bu kodlama, düzgün (uniform) bir kuantalama
sonucu elde edilen genliklerin kodlanması olup, düzgün olmayan kuantalama sonucu
bulunan örneklerin kodlanması için ikinci bir kodlama işlemine ihtiyaç olacaktır. Uygulamada
kullanılan analog / sayısal dönüştürücü (ADC) tiplerini üç gruba ayırmak mümkündür.

 Basamaklı dönüştürücü
 Ardışıl yaklaşımlı dönüştürücü
 Paralel dönüştürücü

Değişik tekniklerde çalışan bu analog /sayısal dönüştürücüleri, tüm devreler biçiminde

piyasada bulmak mümkündür. Bu tip tüm devrelerde genellikle, örnekleme, kuantalama ve
kodlama birlikte gerçekleştirilir.
3. Temel Sinyaller
Sinüzoidal İşaret
Üstel İşaret
Birim Basamak İşareti
Dikdörtgen Darbe
Sinc İşareti
Sign veya Signum İşareti
Dürtü veya Delta İşareti

Dürtü veya Delta İşareti

Matematiksel anlamda, dürtü işareti bir fonksiyon (veya işaret) değildir.

+∞
∫ ∅(𝑡)𝛿(𝑡)𝑑𝑡 = ∅(0)
−∞
Delta Dirac (Dürtü) işaretinin temel özellikleri

1. Tüm 𝑡 ≠ 0 değerleri için 𝛿(𝑡) = 0 𝑣𝑒 𝛿(0) = ∞

2.
𝑥(𝑡) ∗ 𝛿(𝑡) = 𝑥(𝑡)
𝑥(𝑡) ∗ 𝛿(𝑡 − 𝑡0 ) = 𝑥(𝑡 − 𝑡0 )

3.
+∞
∫ ∅(𝑡)𝛿(𝑡 − 𝑡0 )𝑑𝑡 = ∅(𝑡0 )
−∞
Continuous-Time Exponential
A continuous-time complex signal 𝑥(𝑡) can be written as

𝑥(𝑡) = 𝐶𝑒 𝑎𝑡
where 𝐶 and 𝑎 are, in general, complex numbers.

Real Exponential Signals

In this case both 𝐶 and 𝑎 are real numbers, and 𝑥(𝑡) is called a real exponential.

Periodic Complex Exponential and Sinusoidal Signals

𝑥(𝑡) = 𝑒 𝑗𝜔0 𝑡 (1.21)

An important property of this signal is that it is periodic. Let’s explore this.

By definition 𝑥(𝑡) is periodic, if 𝑥(𝑡) = 𝑥(𝑡 + 𝑇)

for some real value of 𝑇. Therefore,

𝑒 𝑗𝜔0 𝑡 = 𝑒 𝑗𝜔0 (𝑡+𝑇)

Or,

𝑒 𝑗𝜔0 𝑡 = 𝑒 𝑗𝜔0 𝑡 𝑒 𝑗𝜔0 𝑇

⇒ 𝑒 𝑗𝜔0 𝑇 = 1 (1.23)
This equation can be true,

1 If, 𝜔0 = 0, then 𝑥(𝑡) = 1, which is periodic for any value of 𝑇.

2 If, 𝜔0 ≠ 0, then the fundamental period 𝑇0 of 𝑥(𝑡), i.e. the smallest value of 𝑇
for which equation (1.23) holds, is
2𝜋 (1.24)
𝑇0 =
|𝜔0 |
Replacing the value of 𝑇with this 𝑇0 in equation (1.23), and using Euler’s
formula, that is,
𝑒 𝑗𝜔0 𝑇 = cos(𝜔0 𝑇) + 𝑗sin(𝜔0 𝑇)
We get
𝑒 𝑗𝜔0 𝑇 = cos(2𝜋) + 𝑗 sin(2𝜋) = 1 + 𝑗0 = 1

Therefore, the signal 𝑥(𝑡) as given by equation (1.21) is a periodic signal. Similarly, it can be
shown that the signal 𝑥(𝑡) = 𝑒 −𝑗𝜔0 𝑡 has the same fundamental period.
Sinusoidal Signals
A closely associated signal is the sinusoidal signal

𝑥(𝑡) = 𝐴 cos(𝜔0 𝑡 + 𝜙)
Continuous-Time Sinusoidal Signal

x(t)=A cos( 0 t+  )

A cos( )

Using Euler’s formula, the complex exponential of equation can be written as

𝑥(𝑡) = 𝑒 𝑗𝜔0 𝑡 = cos(𝑗𝜔0 𝑡) + 𝑗 sin(𝑗𝜔0 𝑡)

Similarly, the sinusoidal signal of equation can be written as

𝑒 𝑗(𝜔0 𝑡+𝜙) + 𝑒 −𝑗(𝜔0 𝑡+𝜙) 𝐴 𝐴

𝐴 cos(𝜔0 𝑡 + 𝜙) = 𝐴 ( ) = 𝑒 𝑗𝜙 𝑒 𝑗𝜔0 𝑡 + 𝑒 −𝑗𝜙 𝑒 −𝑗𝜔0 𝑡
2 2 2

It can noted that the two exponentials above equation have complex amplitudes. If we
define ℜℯ{𝑐} as the real component of a complex number 𝑐, and ℑ𝓂{𝑐} as the imaginary
part of 𝑐, then

𝐴 cos(𝜔0 𝑡 + 𝜙) = 𝐴 ℜℯ{𝑒 𝑗(𝜔0 𝑡+𝜙) }

𝐴 sin(𝜔0 𝑡 + 𝜙) = 𝐴 ℑ𝓂{𝑒 𝑗(𝜔0 𝑡+𝜙) }

Sürekli zamanda, 𝑥(𝑡)=cos(2𝜋𝑓𝑡 + ∅) = cos(𝜔𝑡 + ∅)

Ayrık zamanda, 𝑥[𝑛] = cos(2𝜋𝑓𝑛 + ∅) = cos(𝜔𝑛 + ∅)

𝑓: frekans(1/sec=Hz)

𝜔:açısal frekans (radian/sec)

∅: faz (radian)
𝑥𝑐 (𝑡) = 𝐴𝑐𝑜𝑠(2𝜋𝑓𝑡)
𝜋
𝑥𝑠 (𝑡) = 𝐴𝑠𝑖𝑛(2𝜋𝑓𝑡) = 𝐴𝐶𝑜𝑠(2𝜋𝑓𝑡 − )
2
A: Genlik

T=1/f, Peryot
𝜋
∅ = 2 , Faz
Frequency and Period

From equation 1.24, it is clear that the fundamental period 𝑇0 of a continuous-time

sinusoidal or a periodic complex exponential signal, is inversely proportional to the |𝜔0 |,
which is called the fundamental frequency. If we decrease the value of the magnitude of 𝜔0 ,
we slow down the rate of oscillations and hence increase the period 𝑇0 . Alternatively, if we
increase the value of the magnitude of 𝜔0 , we increase the rate of oscillations and hence
decrease the period 𝑇0 .

Energy and Power

Over the one fundamental period 𝑇0 of a continuous-time sinusoidal or a periodic complex

exponential signal, the signal energy and power can be determined as:
𝑇0 𝑇0
𝑗𝜔0 𝑡 2 (1.30)
𝐸𝑝𝑒𝑟𝑖𝑜𝑑 = ∫ |𝑒 | 𝑑𝑡 = ∫ 1𝑑𝑡 = 𝑇0
0 0
𝑇0 𝑇0
1 2 1 𝑇0
𝑃𝑝𝑒𝑟𝑖𝑜𝑑 = ∫ |𝑒 𝑗𝜔0 𝑡 | 𝑑𝑡 = ∫ 1𝑑𝑡 = = 1 (1.31)
𝑇0 𝑇0 𝑇0
0 0

As there are an infinite number of periods as 𝑡 ranges from −∞ to +∞, the total energy
integrated over all time is infinite. The total average power is however remains 1, as by
definition,
𝑇
1 2 1
𝑃∞ = lim ∫|𝑒 𝑗𝜔0 𝑡 | 𝑑𝑡 = lim 2𝑇 = 1 (1.32)
𝑇→∞ 2𝑇 𝑇→∞ 2𝑇
−𝑇

Harmonics of a Periodic Complex Exponential

We have noted that,

𝑒 𝑗𝜔𝑇0 = 1 (1.33)

which implies that 𝜔𝑇0 is a multiple of 2𝜋, i.e.,

𝜔𝑇0 = 2𝜋𝑘, where 𝑘 = 0, ±1, ±2, ⋯ (1.34)

This shows that 𝜔 must be an integer multiple of 𝜔0 , i.e., the fundamental frequency. We
can therefore, write

𝜙𝑘 (𝑡) = 𝑒 𝑗𝑘𝜔0 𝑡 , where 𝑘 = 0, ±1, ±2, ⋯ (1.36)

This is called the k-harmonic of the complex exponential signal.

General Complex Exponential Signals

The general complex exponential signals are of the form

𝑥(𝑡) = 𝐶𝑒 𝑎𝑡
Where both 𝐶 and 𝑎 are complex numbers. Let us represent them as

𝐶 = |𝐶|𝑒 𝑗𝜃

𝑎 = 𝑟 + 𝑗𝜔0

Thus 𝐶 is written in polar form and 𝑎 is written in Cartesian form, then

𝑥(𝑡) = 𝐶𝑒 𝑎𝑡 = |𝐶|𝑒 𝑗𝜃 𝑒 (𝑟+𝑗𝜔0 )𝑡 = |𝐶|𝑒 𝑟𝑡 𝑒 𝑗(𝜔0 𝑡+𝜃) (1.42)

Using Euler’s formula, it can be written as

𝑥(𝑡) = 𝐶𝑒 𝑎𝑡 = |𝐶|𝑒 𝑟𝑡 cos(𝜔0 𝑡 + 𝜃) + 𝑗|𝐶|𝑒 𝑟𝑡 sin(𝜔0 𝑡 + 𝜃) (1.43)

1 For 𝑟 = 0, the real and imaginary parts of a complex exponential are sinusoidal.
2 For 𝑟 > 0, they correspond to sinusoidal signals multiplied with growing exponential.
3 For 𝑟 < 0, they correspond to sinusoidal signals multiplied with decreasing
exponentials.
x(t)= |C| ertcos(0 t+  )

x(t)= |C| e-rtcos(0 t+  )

t
Discrete-Time Exponential and Sinusoidal Signals
A discrete-time complex exponential signal or sequence 𝑥[𝑛] can be written as

𝑥[𝑛] = 𝐶𝛼 𝑛 (1.44)
where 𝐶 and 𝛼 are, in general, complex numbers. This could also be written as

𝑥[𝑛] = 𝐶𝑒 𝛽𝑛 (1.45)
where

𝛼 = 𝑒𝛽
The form given in equation (1.44) is more often used in discrete-time signal processing.

Real Exponential Signals

In this case both 𝐶 and 𝛼 are real numbers, and 𝑥[𝑛] is called a real exponential. We see
different types of behaviors, as shown below in the figure.
Discrete-time Real Exponential with  >1 Discrete-time Real Exponential with 0<  <1
x[n]=C  n, C=1,  =1.1 x[n]=C  n, C=1,  =0.9

n
n
 Discrete-time Real Exponential with -1<  <0 Discrete-time Real Exponential with  <-1
x[n]=C  n, C=1,  =-0.9 x[n]=C  n, C=1,  =-1.1

n n

Sinusoidal Signals

Another important complex exponential is obtained by using the form given in equation
1.45, and by considering 𝛽 to be purely imaginary (so that |𝛼| = 1). More, specifically, we
consider:

𝑥[𝑛] = 𝑒 𝑗𝜔0 𝑛 (1.46)

A closely associated signal is the sinusoidal signal

𝑥[𝑛] = 𝐴 cos(𝜔0 𝑛 + 𝜙) (1.47)

Using Euler’s formula, the complex exponential of equation (1.47) can be written as

𝑥[𝑛] = 𝑒 𝑗𝜔0 𝑛 = cos(𝜔0 𝑛) + 𝑗 sin(𝜔0𝑛) (1.48)

Similarly, the sinusoidal signal of equation (1.25) can be written as

𝑒 𝑗(𝜔0 𝑛+𝜙) + 𝑒 −𝑗(𝜔0 𝑛+𝜙) 𝐴 𝐴 (1.49)

𝐴 cos(𝜔0 𝑛 + 𝜙) = 𝐴 ( ) = 𝑒 𝑗𝜙 𝑒 𝑗𝜔0 𝑛 + 𝑒 −𝑗𝜙 𝑒 −𝑗𝜔0 𝑛
2 2 2

It can noted that the two exponentials in equation 1.27 have complex amplitudes. If we
define ℜℯ{𝑐} as the real component of a complex number 𝑐, and ℑ𝓂{𝑐} as the imaginary
part of 𝑐, then

𝐴 cos(𝜔0 𝑛 + 𝜙) = 𝐴 ℜℯ{𝑒 𝑗(𝜔0 𝑛+𝜙) }

𝐴 sin(𝜔0 𝑛 + 𝜙) = 𝐴 ℑ𝓂{𝑒 𝑗(𝜔0 𝑛+𝜙) }
 (a) x[n]=cos(2 n/12)

(b) x[n]=cos(8 n/31)

(c) x[n]=cos(n/6)

General Complex Exponential Signals

The general discrete-time complex exponential signals are of the form

𝑥[𝑛] = 𝐶𝛼 𝑛
where both 𝐶 and 𝛼 are complex numbers. Let us represent them as

𝐶 = |𝐶|𝑒 𝑗𝜃

𝛼 = |𝛼|𝑒 𝑗𝜔0

Thus 𝐶 and 𝛼 are written in polar form, then

𝑥[𝑛] = 𝐶𝛼 𝑛 = |𝐶|𝑒 𝑗𝜃 |𝛼|𝑛 𝑒 𝑗𝜔0 𝑛 = |𝐶||𝛼|𝑛 𝑒 𝑗(𝜔0 𝑛+𝜃)

Using Euler’s formula, it can be written as

𝑥[𝑛] = 𝐶𝛼 𝑛 = |𝐶||𝛼|𝑛 cos(𝜔0 𝑛 + 𝜃) + 𝑗|𝐶||𝛼|𝑛 sin(𝜔0 𝑛 + 𝜃) (1.50)

4 For |𝛼| = 1, the real and imaginary parts of a complex exponential are sinusoidal.
5 For |𝛼| > 1, they correspond to sinusoidal signals / sequences multiplied with growing
exponential.
6 For |𝛼| < 1, they correspond to sinusoidal signals / sequences multiplied with
decreasing exponentials.

This is shown graphically on the next page.

Growing Sinusoidal Signal

Decaying Sinusoidal Signal

n
Periodicity Property of Discrete-Time Complex Exponential
There are many similarities between continuous-time and discrete-time signals. But also
there are many important differences. One of them is related with the discrete-time
exponential signal 𝑒 𝑗𝜔0 𝑛 .

The following properties were found with regard to the continuous-time exponential signal
𝑒 𝑗𝜔0 𝑡 :

1. The larger the magnitude of 𝜔0 , the higher is the rate of oscillations in the signal;
2. 𝑒 𝑗𝜔0 𝑡 is periodic for any value of 𝜔0 .
Let us now see how these properties are different in the discrete-time case:

1. To see the difference for the first property, consider the discrete-time complex
exponential:
𝑒 𝑗(𝜔0 +2𝜋)𝑛 = 𝑒 𝑗2𝜋𝑛 𝑒 𝑗𝜔0 𝑛 = 𝑒 𝑗𝜔0 𝑛 (1.51)

This shows that the exponential at 𝜔0 + 2𝜋 is the same as that at frequency 𝜔0 .

This is very different when compared with the continuous-time exponential case,
in which the signals 𝑒 𝑗𝜔0 𝑡 are all distinct for distinct values of 𝜔0 .
 In discrete-time, these signals are not distinct. In fact, the signal with
frequency 𝜔0 is identical to signals with frequencies 𝜔0 ± 2𝜋, 𝜔0 ± 4𝜋
and so on. Therefore, in considering discrete-time complex exponentials,
we need only consider a frequency interval of size 2𝜋. The most
commonly used 2𝜋 intervals are 0 ≤ 𝜔0 ≤ 2𝜋 or the interval −𝜋 ≤
𝜔0 ≤ 𝜋.
 Due to equation 1.51, as 𝜔0 is gradually increased, the rate of oscillations
in the discrete-time signal does not keep on increasing. If 𝜔0 is increased
from 0 to 2𝜋, the rate of oscillations first increase and then decreases.
This is shown in the figure 1.27 below.
 Note in particular that for 𝜔0 = 𝜋 or for any odd multiple of 𝜋,
𝑛
𝑒 𝑗𝜋𝑛 = (𝑒 𝑗𝜋 ) = (−1)𝑛 (1.52)
so that the signal oscillates rapidly, changing sign at each point in time
(see figure 1.27).
 x[n] = cos(0*n) x[n] = cos( n/8) x[n] = cos( n/4)
1 1 1

0.5 0 0

0 -1 -1
0 10 20 30 0 10 20 30 0 10 20 30
x[n] = cos( n/2) x[n] = cos( n) x[n] = cos(3 n/2)
1 1 1

0 0 0

-1 -1 -1
0 10 20 30 0 10 20 30 0 10 20 30
x[n] = cos(7 n/4) x[n] = cos(15 n/8) x[n] = cos(2 n)
1 1 1

0 0 0.5

-1 -1 0
0 10 20 30 0 10 20 30 0 10 20 30

Figure 1.27: Discrete-time sinusoidal sequences for several different frequencies

2. The second property is the periodicity of the discrete-time complex exponential

signals.
𝑒 𝑗𝜔0 (𝑛+𝑁) = 𝑒 𝑗𝜔0 𝑛 (1.53)
Or equivalently,
𝑒 𝑗𝜔0 𝑁 = 1 (1.54)
Equation 1.54 could only be true if 𝜔0 𝑁 is a multiple of 2𝜋
𝜔0 𝑁 = 2𝜋𝑚 (1.55)
Or
𝜔0 𝑚 (1.56)
=
2𝜋 𝑁
This equation (1.56) means that the discrete-time signal 𝑒 𝑗𝜔0 𝑛 is periodic only
𝜔
when 2𝜋0 is a rational number (i.e. it could written as a fraction).

Table 1.1 Comparison of the signals 𝒆𝒋𝝎𝟎 𝒕 and 𝒆𝒋𝝎𝟎 𝒏 .

𝒆𝒋𝝎𝟎𝒕 𝒆𝒋𝝎𝟎𝒏
Distinct signals for distinct values of 𝝎𝟎 . Identical signals for values of 𝜔0 separated by
multiples of 2𝜋.
Periodic for any choice of 𝝎𝟎 . Periodic only if 𝜔0 = 2𝜋𝑚⁄𝑁 for some
integer 𝑁 > 0 and 𝑚.
Fundamental frequency 𝝎𝟎 . Fundamental frequency 𝜔0 /𝑚.
Fundamental period Fundamental period
𝝎𝟎 = 𝟎: undefined 𝜔0 = 0: undefined
𝟐𝝅 2𝜋
𝝎𝟎 ≠ 𝟎: 𝝎 𝜔0 ≠ 0: 𝑚 (𝜔 )
𝟎 0
4. Elementary Signals
5. Sistemlerin Özellikleri
Bir sistemin özellikleri o sistemin davranışları açısından bize önemli bilgiler verir. Böylece
sistemleri daha iyi anlayabilir ve analiz edebiliriz. Bu özellikler,
1) Deterministik sistemler
2) Stokastik sistemler
3) Sürekli-zaman ve ayrık-zaman sistemler
4) Analog ve dijital sistemler
5) Invertible/terslenebilir sistemler
6) Lineer ve Lineer olmayan sistemler
7) Bellekli (dinamik) ve belleksiz (anlık, instantaneous) sistemler
8) Causal (nedensel) ve causal olmayan (noncausal) sistemler
9) Zamandan bağımsız ve bağımlı sistemler
10) Kontrol Sistemleri: kontrol edilebilir – Gözlenebilir Sistemler

Bellekli ve Belleksiz Sistemler

Bir sistemin çıkışı, girişin sadece o andaki değerlerine bağlı ise bu sisteme belleksiz
sistem denir. Bir sistemin çıkışı, girişin önceki ve/veya sonraki değerlerine bağlı ise bu
sisteme bellekli sistem denir. Gecikme, öteleme sinyalin girişi ile ilgili olmadığı
durumlar için sistem belleksizdir. Çünkü zamanda gecikme ya da ötelemesinyalin
girişi değildir.

Örnek:
y(t) = ax 2 (t) + bx(t)
Yukarda verilen Sistem çıkış sağlamak için girişin sadece o andaki değerine ihtiyaç
duyar, o değerin karesini alır, gerekli işlemleri yaparak bize sonucu sunar. Sistemin
çıkışı, girişin sadece o andaki değerlerine bağlı olduğundan sistem belleksizdir.

Örnek:
𝑛

𝑢[𝑛] = ∑ 𝛿[𝑚]
𝑚=−∞
Bu sistemde çıkışın “n” adımdaki değerini bulabilmek için girişin o ana kadarki bütün
değerlerine ihtiyaç vardır. Bu durumda sistemin bir bellek ihtiyacı duyduğu açıktır.

Örnek:
𝑦(𝑡) = 𝑥 2 (𝑡 + 1)
Bu sistemin çıkış sinyali 𝑦(𝑡), giriş sinyali 𝑥(𝑡)’nin sonraki değerlerine bağlı olarak
değiştiği için, bu sistem bellekli sistemdir.

Örnek:
𝑦(𝑡 + 1) = 𝑥 2 (𝑡 + 1)
Bu sistemin çıkış sinyali 𝑦(𝑡), giriş sinyali 𝑥(𝑡)’nin sadece o anki değerine bağlı olarak
değişmektedir. Dolayısıyla sistem belleksiz bir sistemdir.

Örnek:
𝑦(𝑡) = 𝑥(𝑡) + 𝑐𝑜𝑠(𝑡 + 𝜏)
Sistemin çıkışı, sistemin girişinin sadece o anki değerine bağlı olarak değiştiği için, söz
konusu sistem belleksiz sistemdir. Burada kosinüs terimindeki 𝜏 kadar gecikme, giriş
sinyali ile ilgili olmadığı için sistemin bellek kontrolünde dikkate alınmamaktadır.
Zamanda geciken giriş sinyali değildir.

Belleksiz sistemlere örnekler:

“t” nin herhangi bir anında çıkış değeri, “ t” nin aynı andaki giriş değerine bağlı ise
sistem belleksizdir. Bir belleksiz sistem her zaman nedenseldir, tersi, elbette,
herzaman doğru değildir.
Nedensellik (Causality)
Sistemin herhangi bir zamandaki çıktısı, mevcut zamanda veya geçmişte girdi değerlerine
bağlıysa, bu sistem nedenseldir. Diğer bir anlatımla eğer bir sistemin çıkışı, şu anki girişi
dâhil olmak üzere önceki değerlerine bağlı ise sisteme nedensel (causal) sistem denir. Tüm
gerçek zamanlı fiziksel sistemler nedenseldir; çünkü zaman sadece ileriye akar. Tüm
belleksiz sistemler nedenseldir. Kayıtlı veriler üzerinde işlem yapmamız durumunda,
nedensellik de gerekli olmayabilir.

Nedensel sinyallere örnek olarak şunları verebiliriz:

Örnek:
y(t)=x(t-3)-x(t)/3
y(t), x(t)’nin şu anki ve “t-3” anındaki değerine bağlı olduğu için nedenseldir.

Örnek:
𝑦(𝑛) = 𝑛 𝑥(𝑛)
𝑦(𝑛) , şu anki n ve x(n) değerine bağlıdır. Nedensel.

Örnek:
𝑦(𝑡) = 𝑒 𝑥(𝑡) , nedensel sistemdir.
Örnek:
y(t) = x(t +1) Nedensel olmayan sistemdir.

Örnek:
𝑦(𝑛) = 𝑥(𝑛) + 𝑛 𝑥(𝑛 + 1), şu anki ve gelecekteki değerlerine bağlıdır; nedensel değil.

Örnek:
ℎ(𝑡) = 𝑒 −𝑡 𝑢(𝑡), şu anki değerlere bağlı nedenseldir.

Örnek:
𝐴𝑐𝑜𝑠(2𝜋𝑓0 𝑡 + ∅) 𝑡≥0
𝑥(𝑡) = {
0 𝑡<0

Örnek: y(n) – 1/4y(n-1)-3/8y(n-2) = -x(n) + 2x(n-1), sistem nedenseldir.

Örnek: y(t) = x(t−2)+x(2−t), sistem nedenseldir.
Örnek: y(t) = dx(t)/dt, Sistem nedenseldir.
Örnek: y(t) = x(t/3), sistem nedensel değildir. Çünkü, t=-3 alındığında, y(-3)=x(-1); -1
değeri -3 değerine göre gelecektir.
Örnek: y(t)=cos(x(t)), nedenseldir.

Nedensel sistemlere örnekler:

 Nedensel olmayan sistemlere örnekler:

Kararlılık ( Stability)

Stabilite için birkaç tanım var. Burada sınırlı giriş bağlantılı çıkış (Bounded input bonded
output - BIBO) kararlılığını dikkate alacağız. Her sınırlanmış giriş sınırlı bir çıkış üretiyorsa, bir
sistem BIBO kararlı olarak söylenir.

Eğer tüm “n” değerleri için |𝑥[𝑛]| < 𝑀 < ∞ koşulu sağlanıyorsa 𝑥(𝑛) sınırlıdır.

Örnek:
Aşağıdaki eşitlik ile tanımlı ortalama alan bir sistem kararlıdır, Çünkü sınırlı sayıdaki
değerlerin toplamı sınırlıdır.

𝑁
1
𝑦[𝑛] = ∑ 𝑥[𝑛]
2𝑁 + 1
𝑘=−𝑁

Örnek:

Örnek:

a) Sistem nedenseldir.
b) Sistem kararlıdır, çünkü 𝑡 → ∞ → ℎ1 (𝑡) → 0
Doğrusallık – Lineer Sistemler
Doğrusal, Zamanda Değişmez Sistemler - Linear, Time Invariant (LTI) Systems
Doğrusal (linear) bir sistem çok basit iki özelliğe sahiptir: Toplanırlık (additivity) ve
Homojenite (homogeneity).

a) Toplanırlık:
Sisteme 𝑥1(𝑡) sinyali girildiğinde 𝑦1(𝑡) sinyali ve 𝑥2(𝑡) sinyali girildiğinde 𝑦2(𝑡) sinyali elde
ediliyorken; 𝑥1(𝑡)+𝑥2(𝑡) sinyali girildiğinde 𝑦1(𝑡)+𝑦2(𝑡) sinyali elde ediyor ise sistem
doğrusallığın ilk basamağını geçmiştir.

b) Homojenite:
Sisteme 𝑥1(𝑡) sinyali girildiğinde 𝑦1(𝑡) sinyalini elde ediliyorken, 𝑎𝑥1(𝑡) sinyali girildiğinde
𝑎𝑦1(𝑡) sinyalini elde ediliyor ise (𝑎 herhangi bir sabit olmak üzere) sistem artık doğrusaldır
diyebiliriz.

Bu durumda; a ve b şıkları birleştirilerek, süperpozisyon (superposition) özelliğini sağlayan

sistemler doğrusal sistemlerdir. Diğer bir deyişle; ax1(t) + bx2(t) sinyali girildiğinde ay1(t) +
by2(t), (a ve b herhangi iki sabit olmak üzere) çıkış sinyalinin elde edildiği sistemlere
doğrusal sistemler denir.

Örnek: 𝑦(𝑡) = 𝑥(𝑡) + 𝑐𝑜𝑠(𝑡 + 𝜏)

Bu sisteme 𝑥(𝑡)=𝑎𝑥1(𝑡)+𝑏𝑥2(𝑡) girişi uyguladığımızda, Çıkış,
𝑦(𝑡)=𝑥(𝑡)+𝑐𝑜𝑠(𝑡+𝜏)=(𝑎𝑥1(𝑡)+𝑏𝑥2(𝑡))+cos (𝑡+𝜏)
olarak elde edilir. Bu durumda sistemin doğrusal olduğunu söylenemez.
Zamandan Bağımsız (Time Invariant)
Zamanda değişmezlik ise bir sistemin girişinde t0 kadar gecikme oluyorsa, çıkışında da t0
kadar gecikme olmasıdır. Bu durumda sistem zamanda değişmezdir (time invariant). Bir
sisteme x(t) sinyalini girdiğimizde y(t) sinyalini elde ediyorken, x(t − t0) sinyalini girdiğimizde
çıkış aynı miktarda gecikerek y(t − t0) çıkış sinyalini veriyorsa sistem zamanda değişmez (time
invariant) bir sistemdir.

Bir sistemin zamandan bağımsız olabilmesi için davranışı zamanın ne olduğuna bağlı
olmamalıdır. Yani girdi sinyalinde yaptığımız tüm kaydırma işlemleri çıktı sinyaline
yansımalıdır. Örneğin
x(t) → y(t) , x(t - to) → y(t - to)

Bir sistem ancak ve ancak, tüm x(t) ve tüm t0 değerleri için, x(t-t0) için sistem yanıtı y(t-t0) ise
zamanla değişmeyen bir sistemdir. Burada y(t), sistemin x(t) için üretmiş olduğu yanıttır.

Sistemin davranışı ve özellikleri zamanla değişmezse, bir sistemin zamanla değişmez olduğu
söylenir. Böylece, bir zaman gecikmesi veya giriş sinyaldeki zaman ilerlemesi, çıkış sinyalinde
aynı gecikmeye veya ilerlemeye yol açarsa, bir sistemin zamanla değişmez olduğu söylenir.

Doğrusal Zamanla Değişmeyen sistem kümesi bazı nedenlerden dolayı özellikle önemlidir.
Bu sistemlerin girişlerine gösterdikleri yanıt, basit bir şekilde giriş işareti ile sistemin birim
dürtü yanıtının evrişimi (konvolüsyonu) olarak elde edilebilir.
Soru: Aşağıdaki sistemin özelliklerini belirleyiniz.
𝑦(𝑡) = 𝑥(𝑡 − 2) + 𝑥(2 − 𝑡)

Nedensellik:
𝑡 = 0 anında, 𝑦(0) = 𝑥(−2) + 𝑥(2)
Sistemin şu andaki değeri, geçmişteki ve gelecekteki değerine bağlıdır. Bu yüzden
sistem nedensel değildir. Çünkü sistemin herhangi bir zamandaki çıktısı, mevcut
zamanda veya geçmişte girdi değerlerine bağlıysa, sistem nedenseldir.

Bellekli ya da belleksiz:
Sistem belleklidir. Çünkü t anındaki çıkış t’den farklı zamanlardaki giriş değerlerine
bağlıdır.

Doğrusallık, Lineerlik:
Sistemin girişine 𝑥(𝑡)=𝑎𝑥1(𝑡)+𝑏𝑥2(𝑡) sinyalini girdiğimizde, çıkışta 𝑦(𝑡)=𝑎𝑦1(𝑡)+𝑏𝑦2(𝑡),
𝑎 ve 𝑏 herhangi iki sabit olmak üzere, y(t) sinyalini elde ettiğimiz sistemlere doğrusal
sistemler denir.

𝑦(𝑡) = 𝑥(𝑡 − 2) + 𝑥(2 − 𝑡)

𝑦1 (𝑡) = 𝑥1 (𝑡 − 2) + 𝑥1 (2 − 𝑡)
𝑦2 (𝑡) = 𝑥2 (𝑡 − 2) + 𝑥2 (2 − 𝑡)

𝑥(𝑡) = 𝛼𝑥1 (𝑡) + 𝛽𝑥2 (𝑡)

𝑦(𝑡) = (𝛼𝑥1 + 𝛽𝑥2 )(𝑡 − 2) + (𝛼𝑥1 + 𝛽𝑥2 )(2 − 𝑡)
𝑦(𝑡) = 𝛼𝑥1 (𝑡 − 2) + 𝛽𝑥2 (𝑡 − 2) + 𝛼𝑥1 (2 − 𝑡) + 𝛽𝑥2 (2 − 𝑡)
𝑦(𝑡) = 𝛼𝑥1 (𝑡 − 2) + 𝛼𝑥1 (2 − 𝑡) + 𝛽𝑥2 (𝑡 − 2) + 𝛽𝑥2 (2 − 𝑡)
𝑦(𝑡) = 𝛼(𝑥1 (𝑡 − 2) + 𝑥1 (2 − 𝑡)) + 𝛽(𝑥2 (𝑡 − 2) + 𝑥2 (2 − 𝑡))
𝑦(𝑡) = 𝛼𝑦1 (𝑡) + 𝛽𝑦2 (𝑡)
𝑠𝑖𝑠𝑡𝑒𝑚 𝑙𝑖𝑛𝑒𝑒𝑟𝑑𝑖𝑟.

Sistemin zamanla değişip değişmediği:

Bir sistemin zamandan bağımsız olabilmesi için davranışı zamanın ne olduğuna bağlı
olmamalıdır. Yani girdi sinyalinde yaptığımız tüm kaydırma işlemleri çıktı sinyaline
yansımalıdır. Örneğin
x(t) → y(t) , x(t - to) → y(t - to)

Böylece, bir zaman gecikmesi veya giriş sinyaldeki zaman ilerlemesi, çıkış sinyalinde
aynı gecikmeye veya ilerlemeye yol açarsa, bir sistemin zamanla değişmez olduğu
söylenir.
Örnek: y(t) = x(t−2)+x(2−t)
The system is time invariant. 𝑡 → 𝑡 − 𝑎
𝑦(𝑡 − 𝑎) = 𝑥((𝑡 − 𝑎) − 2) + 𝑥(2 − (𝑡 − 𝑎))=y(t-a)
6. Elektromanyetik Sinyaller
Temel Alan Denklemleri
Alan teorisinden, serbest uzayda Fraunhofer bölgesinde yani uzak alanda elektrik ve
manyetik alan şiddetleri daima aynı fazdadır ve birbirlerine diktir. Gözlem noktasındaki
Poyting vektörü

P  Re(Ex H * ) Watt/Birim Alan (1)

şeklinde verilir. Burada;

E, volt/m cinsinden elektrik alan şiddeti,
H, amper/m cinsinden manyetik alan şiddetidir.

Gözlem noktasındaki toplam güç, kürenin merkezindeki kaynaktan R yarıçaplı gözlem

noktasına doğru küresel yüzey üzerinde güç yoğunluk fonksiyonun entegrali ile aşağıda
gösterildiği biçimde elde edilir.

P   p.d a =  ( E x H  ) . ( R 2 sin  d d ) u

2
E2 
  R sin d d
2
=
0 0
0

E2
= ( 4R 2 ) Watt (2)
0

Burada R kaynak ile gözlem noktası arasındaki uzaklık ve  0  377

karakteristik empedansıdır.

E
H  [A/m]
0
Elektrik alanda depolanan enerji,

0 2
We 
2  v
E dv Joules (3)

ile tanımlanır. Burada ɛ˳= 8.85x10 12  1 x10 9 F/m boşluk veya havanın dielektrik
36
sabitidir, |E|, elektrik alan şiddetinin genliğidir. Manyetik alanda depolanan enerji

0 2
Wm 
2  v
H dv Joules (4)
ile tanımlanır. Burada  0 = 4  x 10-7 H/m boşluk veya havanın endüktansı veya manyetik
geçirgenlik katsayısıdır. |H|, manyetik alan şiddetinin genliğidir. Uzak alanda elektrik ve
manyetik alan arasındaki ilişki

E
0   . İle verilir. (5)
H
Ölçüm Birimleri

ORTAM

P1 , V1 P2 , V2

1) dB- desibel iki güç seviyesi oranı ilen tanımlandığından birimsiz sayıdır.

P2
dB  10Log10 ( )
P1

İki güç seviyesi birbirleri ile orantı temelinde ilişkilidir. Eğer P2 güç seviyesi P1 güç
V2
seviyesinden büyük ise dB pozitiftir. Tersi durumda negatiftir. P  , eşit veya
R
aynı direnç değerlerinde gerilimler ölçüldüğünde dB değeri gerilimler cinsinden
aşağıdaki biçimde yazılır.

V2
dB  20Log10 ( )
V1

2) dBW- Çıkışta ölçülen P2 [Watt] gücünün, girişte P1= 1W referans gücüne oranının
logaritmik değeridir.

3) dBm- Çıkışta ölçülen P2 [Watt] gücünün, girişte P1= 1mW= 10 3 Watt referans
gücüne oranının logaritmik değeridir.

P watt  P mwatt 
dB  10Log10 ( 23 )  10 log 10 ( 2 )
10 watt  1 mwatt 

dBm=dBW+30
dBW=dBm-30

dBW = -30 + dBm =-60 + dB  W

dBV = -60 + dBmW=-120 + dB  V.
Serbest Uzay Yol Kaybı

Serbest uzay yol kaybı, elektromanyetik dalgadan enerjiyi emen hava gibi bir ortamın yok
edici zayıflamasından farklıdır. Bir küresel dalgadaki güç yoğunluğu yayılırken uzaklığa bağlı
olarak zayıflar.

Gt=Verici
Anten Gr=Alıcı
Kazancı Anten
Kazancı

Pe Pd
R
FSL=Boş Uzay Yol Kaybı
Lr=Kablo ve
Konnektör Kaybı
Lt=Kablo ve
Konnektör Kaybı

VERİCİ ALICI
Pt=Verici
Çıkış Pr=Alıcı
Gücü Alış
Gücü

Pr, alış gücü, antenin önündeki güç yoğunluğu ile alış antenin ışıma açıklığı, anten kazancı ve
kablo kaybının çarpılmasıdır. Alıcı antenin önündeki güç yoğunluğu, verici gücü, anten
kazancı ile kablo kaybının çarpılıp küresel yüzey alanına bölümüne eşittir. Alış gücü (6) nolu
denklem ile tanımlanır. (Friis denklemi)

 2
Pr  Pt Gt Lt Gr Lr ( ) Watt (6)
4 R

 2
FSL  ( ) , Watt
4 R

Burada
Pr: alış güç seviyesi, Watt,
Pd; alış güç yoğunluğu, W/m2,
Pt; verici çıkış gücü, Watt,
Gt; verici anten kazancı, (nümerik),
Lt; verici tarafta hat kaybı, (nümerik),
Gr; alıcı anten kazancı (nümerik),
Lr; alıcı tarafta hat kaybı (nümerik),
R; Alıcı verici antenler arasındaki uzaklık (metre),
 c

f
Burada
 , dalga uzunluğu, (metre),
c=ışık hızı=3 x 108 m/s
f=frekans (Hz=1/s) dir.

2
is ışıma açıklığıdır. Verici gücü dBW, anten kazancı dBi, kablo kaybı dB olarak
4
verilirse (6) nolu denklemdeki alıcı güç seviyesi dBW olarak hesaplanır (7).
Pr = Pt + Gt + Gr - Lt – Lr – 20 Log10 ( 4  R ) (7)

Son terim serbest uzay yol kaybı olarak adlandırılır.
FSL= - 20 Log10 ( 4  R ) dB.

10

-10

-20
Pr, Alýþ Gücü, [dBm]

100MHz
-30

-40
450MHz
900MHz
-50 2.45GHz
5.3GHz 1.8GHz

-60 3.5GHz
10.0GHz

-70

-80
0 1000 2000 3000 4000 5000 6000
R, Uzaklýk, [m]

Yol kayıpları

Verici ve alıcı anten arasındaki yol kayıpları propagasyon çevre şartlarına güçlü bir
şekilde bağlıdır. Birebir görüşe sahip birkaç yansımaya sahip Çok yollu bir çevrede yol
kayıpları:

  
2N 2
d  jk ( dn  d )
Lpath  
 4 d 
1  
n 1
n
dn
e

Burada d doğrudan 2 anten arasındaki uzaklık, n n. Sayıdaki objenin yansıma sabiti

dn n. Objenin doğrudan alıcı antene uzaklığı N toplam yansıma sayısı. Topraktaki
yansıyan sinyalin genliği ve fazı dalga polarizasyonuna oluş açısına ve toprak
özelliğine bağlıdır. Birbirini takip eden topraktan gelen yansıma modelindeki yol
kayıpları:
 2
  
2
d  jk ( d1 d )
Lpath   1 e
 4 d  d1

Buradaki d birebir görüşteki alıcıya olan mesafe d1  d  (2h) yansımış yol

2 2

uzunluğu. Uzun mesafelerde ise ( d >>= 4π h2 / λ ), denklemde verilen yol kaybı d −4

ile orantılı hale gelir.

Alıcı bölgesindeki sinyal gücü yol kaybı formülünden bulunur:

Ptag  PG
t t L path

Verici Gücünden Elektrik Şiddetinin Hesaplanması

Verici antenden R m uzaktaki güç yoğunluğu

Pt Gt Lt
Pd  W / m2 (8)
4 R 2

Serbest uzaydaki uzak alanda elektromagnetik dalganın taşıdığı güç yoğunluğu (2)
nolu denklemde verilen elektrik alan şiddetinden hesaplanır.
E2 E2
Pd   W / m2 (9)
 0 120 
(8) ve (9) nolu denklemlerden elektrik alan şiddeti güç yoğunluğu ya da verici gücü
cinsinden hesaplanabilir.
5.48
E  120  Pd  19.4 Pd  Pt Gt Lt V / m. (10)
R
Güç yoğunluğu ve elektrik alan şiddetinin dB cinsinden logaritmik olarak ifadesi (11)
ve (12) denklemlerinde verildiği gibidir.

Pd=-11dB-20 Log10 ( R) +Pt (dBW)+Gt(dBi)-Lt(dB) dBW / m 2 (11)

E=14.8dB-20 Log10 ( R) +Pt (dBW)+Gt(dBi)-Lt(dB) dBV / m (12)

(12) nolu denklemden (11) nolu denklem çıkarılırsa dBW/m2 cinsinden güç
yoğunluğu dBV/m cinsinden yazılır.
E = 25.8 dB + Pd(dBW/m2) dBV/m. (13)
Alış Gücünden Elektrik Alan Şiddetinin Hesaplanması
Alıcı antenin ışıma açıklığında güç yoğunluğu, alış gücünün anten kazancı, kablo kaybı
ve anten ışıma açıklığına bölümüne eşittir.

4  Pr
Pd  W / m2 (14)
2 Gr Lr

(14) nolu denklemi (10) nolu denklemde yerine koyarsak elektrik alan şiddetini V/m
cinsinden elde ederiz.

68.77 Pr 1 / 2
E ( ) V /m (15)
 Gr Lr

Güç yoğunluğu ve elektrik alan şiddetinin dB cinsinden logaritmik ifadesi (16) ve (17)
nolu denklemlerde verilmiştir.

Pd  11dB  20 Log10 ( )  Pr dBW  Gt dBi  Lt dB dBW m 2 (16)

E  36.8 dB  20 Log10 ( )  Pr dBW  Gt dBi  Lt dB dBV m (17)

Elektrik Alan Şiddetinin Alıcı Devrenin Giriş Gerilimi Cinsinden İfadesi

Antenden gelen işaretin maksimum, kayıpsız ve yüksek verimde alıcı devreye

aktarılması için giriş empedansının konjigesinin antenin çıkış empedansına eşit olması
gerekmektedir.
Antenin çıkış empedansı 50 ohm, hattın karakteristik empedansı 50 ohm ve alıcı
devrenin giriş empedansı 50 ohm ise alış gücü (18) denklemi ile belirtilir.

V2
Pr  , W (18)
R
Anten ışıma açıklığında güç yoğunluğu ise

0.251 V 2
Pd  W , (19)
 2 G r Lr m2

Alan şiddeti ise (10) nolu denklemden

E  120  Pd  19.4 Pd V / m. olur. (20)

Güç yoğunluğu ve elektrik alan şiddetinin dB cinsinden logaritmik ifadesi (16) ve (17)
nolu denklemlerde verilmiştir.

Pd  6 dB  20 Log10 ( )  V dBV  Gt dBi  Lt dB dBW m 2 (21)

E  19.8 dB  20 Log10 ( )  V dBV  Gt dBi  Lt dB dBV m (22)

Üretici tarafından belirtilen antenin en önemli özelliklerinden biride anten faktörüdür.

Alıcı gücü ölçüldüğünde elektrik alan şiddeti ve giriş gerilimi bulunduğunda anten
faktörü (23) nolu denklem ile hesaplanır.

E
AntenFaktör ( AF )   19.8  20Log10 ( )  Gr  Lr dB
V
7. Fourier Transform
Fourier dönüşümü, sadece sinüs ve kosinüs temel işlevleri kullanılarak sentezlenebilen
sinyalleri analiz etmek için yeterlidir.

Dünyadaki birçok şey, bir dalga formu aracılığıyla tanımlanabilir - zaman, mekan veya başka
bir değişkenin fonksiyonu. Örneğin, ses dalgaları, elektromanyetik alanlar, radyodan
dinlediğiniz müzik, hisse senetlerini zamana göre fiyatı, nefesinizin sıklığı vb.

Fourier Dönüşümü, bize bu dalga formlarını doğrudan görüntülemenin benzersiz ve güçlü bir
yolunu sunduğu için önemli bir rol oynamaktadır. Fourier Transform, görüntü analizi,
görüntü filtreleme, görüntü rekonstrüksiyonu ve görüntü sıkıştırması gibi çok çeşitli
uygulamalarda kullanılır.

Bir Fransız matematikçi ve fizikçi Jean Baptiste Joseph Fourier Fourier analizini yaptı.
Periyodik sinyalin uygun seçilmiş sinüzoidal dalgaların toplamı olarak temsil edilebileceği
konusunda tartışmalı bir iddiaya sahipti. Bu yazının bir gözden geçiricisi olan matematikçi
Lagrange, süreksiz eğimler gibi köşeleri olan sinyalleri temsil etmek için bir yaklaşımın
kullanılamayacağı konusunda ısrar etti. Lagrange’ın görüşü doğruydu ama tam olarak değil,
çünkü sıfır enerjiye sahip iki sinüzoit arasındaki fark çok yakındı. Makale sonunda Lagrange
öldükten sonra yayınlandı. Fourier’in genelleme iddiasının biraz kuvvetli olduğu ortaya çıksa
da, sonuçları günümüze kadar devam eden önemli bir araştırma selini harekete geçirdi.

Fourier dönüşümü fizik ve mühendislik alanındaki birçok uygulama ile matematiksel bir
dönüşümdür. Fourier serileri denilen trigonometrik serileri kullanarak kısmi diferansiyel
denklemleri içeren birçok önemli problemi çözebiliriz.

Evrende gözlediğiniz tüm dalga formları farklı frekans ve genliklere sahip sinüs
fonksiyonlarının toplamından ibarettir!
Fourier transform and Fourier Series
We have already seen that the Fourier transform is important. For an LTI system,
𝑥(𝑡) = 𝑒 𝑖𝜔𝑡 , then the complex number determining the output 𝑦(𝑡) = 𝐻(𝑓)𝑒 𝑖2𝜋𝑓𝑡 is given
by the Fourier transform of the impulse response:
∞
𝐻(𝑓) = ∫ ℎ(𝑡)𝑒 −𝑖2𝜋𝑓𝑡 𝑑𝑡
−∞
Well what if we could write arbitrary inputs as superpositions of complex exponentials, i.e.
via sums or integrals of the following kind:
𝑥(𝑡) = ∑ 𝑋𝑘 𝑒 𝑖2𝜋𝑓𝑘𝑡
𝑘
Then notice, outputs of LTI systems y(t) will always take the form
𝑦(𝑡) = ∑ 𝑋𝑘 𝐻(𝑓𝑘 )𝑒 𝑖2𝜋𝑓𝑘𝑡
𝑘
This is the root of the Fourier series.

𝑘
Proposition 1.1. Let x(t) be period with period T, so that the frequencies 𝑓𝑘 = 𝑇 =
𝑘𝑓0 , and
𝑘
𝑥(𝑡) = ∑𝑘 𝑋𝑘 𝑒 𝑖2𝜋𝑇𝑡 - SYNTHESIS EQUATION
= ∑ 𝑋𝑘 𝑒 𝑖2𝜋𝑘𝑓0 𝑡
𝑘
Then, 𝑥(𝑡) = 𝑥(𝑡 ± 𝑚𝑇), and
𝑘
1 𝑇
𝑋𝑘 = 𝑇 ∫0 𝑥(𝑡)𝑒 −𝑖2𝜋𝑇𝑡 𝑑𝑡 - ANALYSIS EQUATION
𝑇
1 ⁄2
= ∫ 𝑥(𝑡)𝑒 −𝑖2𝜋𝑘𝑓0 𝑡 𝑑𝑡
𝑇 −𝑇⁄
2
Proof: Use the property that
𝑇 (𝑚−𝑛)
∫ 𝑒 𝑖2𝜋 𝑇
𝑡
𝑑𝑡 = 𝑇𝛿[𝑚 − 𝑛]
0
Then we have
𝑇 𝑚 𝑇 𝑘 𝑚
∫ 𝑥(𝑡)𝑒 −𝑖2𝜋 𝑇 𝑡 𝑑𝑡 = ∫ ∑ 𝑋𝑘 𝑒 𝑖2𝜋𝑇𝑡 𝑒 −𝑖2𝜋 𝑇 𝑡 𝑑𝑡
0 0 𝑘
𝑇 (𝑘−𝑚)
= ∑ 𝑋𝑘 ∫ 𝑒 𝑖2𝜋 𝑇
𝑡
𝑑𝑡
𝑘 0

= ∑ 𝑋𝑘 𝑇𝛿[𝑘 − 𝑚]
𝑘
OK, so how do we use this. Well, for periodic signals with period T, then we just have
to evaluate the Fourier series coefficients 𝑋𝑘 .
 Example 1.1.
1. x(t)=constant, then 𝑋0=constant and 𝑋𝑘 = 0, 𝑘 ≠ 0 for any period T.
1
2. 𝑥(𝑡) = 𝑒 𝑖2𝜋𝑓0 𝑡 , then 𝑇 = 𝑓 , 𝑋1 = 1, 𝑋𝑘 = 0, 𝑘 ≠ 1.
0
1 1
3. 𝑥(𝑡) = cos(2𝜋𝑓0 𝑡), then 𝑇 = 𝑓 , 𝑋1 = 𝑋−1 = 2, 𝑋𝑘 = 0, 𝑘 ≠ ±1.
0
1 1 1
4. 𝑥(𝑡) = sin(2𝜋𝑓0 𝑡), then 𝑇 = 𝑓 , 𝑋1 = 2𝑗, 𝑋−1 = − 2𝑗, 𝑋𝑘 = 0, 𝑘 ≠ ±1.
0

Relationship of Fourier Series and Fourier Transform

So, Fourier series is for periodic signals. Fourier transform is for non-periodic signals. Let’s
examine and construct the Fourier transform by allowing the period of the periodic signals
go to ∞, see what we get.

Let’s define 𝑥̃(𝑡) to be the periodic version of x(t), where x(t) has finite support 𝑥(𝑡) = 0,
|𝑡| ≥ 𝑇⁄2. Thus, 𝑥̃(𝑡 ± 𝑚𝑇) = 𝑥(𝑡), 𝑡 ∈ [− 𝑇⁄2 , 𝑇⁄2]

Definition 1.1. Define the Fourier transform of x(t) to be

∞
𝑋(𝑓) = ∫ 𝑥(𝑡)𝑒 −𝑖2𝜋𝑓𝑡 𝑑𝑡
−∞
Then we have the relationship between FT and FS.

Proposition 1.2.
1 1
𝑋̃𝑘 = 𝑇 𝑋(𝑘𝑓0 ) where 𝑓0 = 𝑇
where
1
𝑥̃(𝑡) = ∑𝑥 𝑋̃𝑘 𝑒 𝑖2𝜋𝑘𝑓0 𝑡 , where 𝑓0 = 𝑇

Example 1.2. Let 𝑥(𝑡) = 1, 𝑡 ∈ [− 𝐴⁄2 , 𝐴⁄2], and 0 otherwise. Then

∞
𝑋(𝑓) = ∫ 𝑥(𝑡)𝑒 −𝑖2𝜋𝑓𝑡 𝑑𝑡
−∞
𝐴⁄
2
=∫ 𝑒 −𝑖2𝜋𝑓𝑡 𝑑𝑡
−𝐴⁄2
𝐴⁄
𝑒 −𝑖2𝜋𝑓𝑡 | 2
−𝐴⁄2
=
−𝑖2𝜋𝑓
−𝑖𝜋𝑓𝐴
𝑒 − 𝑒 𝑖𝜋𝑓𝐴
=
−𝑖2𝜋𝑓
sin(𝜋𝑓𝐴)
=
𝜋𝑓
Let 𝑥̃(𝑡 ± 𝑚𝑇) = 𝑥(𝑡), 𝑡 ∈ [− 𝑇⁄2 , 𝑇⁄2]. Then,
1
𝑥̃(𝑡) = ∑𝑘 𝑋̃𝑘 𝑒 𝑖2𝜋𝑘𝑓0 𝑡 where 𝑓0 = 𝑇
 𝑘
1 sin(𝜋𝑘𝑓0 𝐴) sin(𝜋 𝑇 𝐴)
𝑋̃𝑘 = 𝑋(𝑘𝑓0 ) = =
𝑇 𝑇𝜋𝑘𝑓0 𝜋𝑘
OK, so we see that the Fourier transform can be used to define the Fourier series.
Now what we would like to do is understand how to represent the periodic signals
when the period goes to infinity 𝑇 → ∞, so that we can have a synthesis pair. Let’s
remind ourselves that 𝑥̃(𝑡) is the periodic version of x(t), where x(t) has finite
𝑇
support 𝑥(𝑡) = 0, |𝑡| ≥ 2.

Proposition 1.3. Let 𝑥̃(𝑡) be periodic with period T, and 𝑥(𝑡) = 𝑙𝑖𝑚 𝑇→∞ 𝑥̃(𝑡). Then
∞
𝑥(𝑡) = ∫ 𝑋(𝑓)𝑒 𝑖2𝜋𝑓𝑡 𝑑𝑓
−∞
To see this,
𝑥(𝑡) = lim 𝑥̃(𝑡) = lim ∑ 𝑋̃𝑘 𝑒 𝑖2𝜋𝑘𝑓0 𝑡
𝑇→∞ 𝑇→∞
𝑘
1
= lim ∑ 𝑋(𝑘𝑓0 )𝑒 𝑖2𝜋𝑘𝑓0 𝑡
𝑇→∞ 𝑇
𝑘

= lim ∑ 𝑋(𝑘𝑓0 )𝑒 𝑖2𝜋𝑘𝑓0 𝑡

𝑇→∞
𝑘

= lim ∑ 𝑋(𝑘𝑓0 )𝑒 𝑖2𝜋𝑘𝑓0 𝑡 𝑓0

𝑓0 →∞
𝑘
∞
= ∫ 𝑋(𝑓)𝑒 𝑖2𝜋𝑓𝑡 𝑑𝑓
−∞

8. Signal Denoising Using Wavelets

9. Filtering
10. Hilbert –Huang Transform
The underlying principle of the Huang’s EMD method is the concept of instantaneous
frequency defined as the derivative of the phase of an analytic signal Error! Reference
source not found.. A mono-component signal, by definition, has a unique well-defined and
positive instantaneous frequency represented by the derivative of the phase of the signal. A
signal, with multiple modes of oscillation existing simultaneously, will not have a meaningful
instantaneous frequency. Accordingly, a distorted signal must be decomposed into its
constituent mono-component signals before the application of Hilbert transform to
calculate the instantaneous frequency.

The essence of EMD is to recognize oscillatory modes existing in time scales defined by the
interval between local extrema. A local extremum point is any point on the signal where its
derivative is zero, and its second derivative non-zero. The term local is used to differentiate
it from a global extremum point. For instance, within an observation window, there may be
several local extrema, however only one global maximum and global minimum point may be
present. Once the time scales are identified, IMFs with zero mean are sifted out of the
signal. The steps comprising the EMD method are as follows:

A1. Identify local maxima and minima of distorted signal, s(t),

A2. Perform cubic spline interpolation between the maxima and the minima to
obtain the envelopes eM(t) and em(t), respectively,

mt  
eM t   em t 
A3. Compute mean of the envelopes, 2 ,
A4. Extract c1(t) = s(t) - m(t),
A5. c1(t) is an IMF if the number of local extrema of c1(t), is equal to or differs
from the number of zero crossings by one, AND the average of c 1(t) reasonably zero.
If c1(t) is not an IMF, then repeat steps A1-A4 on c1(t) instead of s(t), until the new
c1(t) obtained satisfies the conditions of an IMF,
A6. Compute the residue, r1(t) = s(t) – c1(t),
A7. If the residue, r1(t), is above a threshold value of error tolerance, then repeat
steps A1-A6 on r1(t), to obtain the next IMF and a new residue.
In practice, an appropriate stopping criterion, in step A5, avoids ‘over-improving’ c1(t) as
that can lead to significant loss of information Error! Reference source not found.. The first
IMF obtained, consists of the highest frequency components present in the original signal.
The subsequent IMFs obtained, contain progressively lower frequency components of the
signal. If n orthogonal IMFs are obtained in this iterative manner, the original signal may be
reconstructed as,

s(t )   ci (t )  r (t ) (20.1)
n

The final residue exhibits any general trends followed by the original signal.
11. Laplace Transform
Laplace dönüşümü bir dizi özelliğe sahiptir ve diferansiyel denklemlerin çözümünde ortaya
çıkmaktadır:
 Bir diferansiyel denklemi cebirsel bir denkleme dönüştürür. Böylece, daha basit
cebirsel denklemleri çözerek ve sonra dönüştürmeyi tersine çevirerek, diferansiyel
denkleme bir çözüm üretebiliriz.
 Bir rastgele değişkenin moment üretme fonksiyonu, yoğunluğunun Laplace
dönüşümü ile ilgilidir (-s ile değiştirerek) ve toplamın yoğunluğunu dikkate alırken
yararlı olabilir çünkü bir konvolüsyonun Laplace dönüşümü onların Laplace
dönüşümlerinin ürünüdür.

Fourier dönüşümü, sadece sinüs ve kosinüs temel işlevleri kullanılarak sentezlenebilen

sinyalleri analiz etmek için yeterlidir. Ancak, sinyalin üstel bileşenleri olduğunu
bulduğumuzda, örneğin, zaman içinde üssel olarak değişkenlik gösteren sinüs dalgası için,
bu, fourier'in verdiği bize sadece yarım bilgi. Böyle durumlarda kaybolur. Bu tür durumlarda
laplace dönüşümü zorunludur.

Laplace, filtre tasarımında ve analog devrelerin analizinde yaygın olarak kullanılır.

Laplace, hangi üssel koşulların kullanılması gerektiğine karar verebilir, böylece sistemimiz
birleşir ve aynı zamanda sabit kalır.

Aniden başlayan veya biten herhangi bir şeyi analiz etmek isterseniz, Laplace
dönüşümünden büyük ölçüde faydalanırsınız. Bu geçişlere sistem cevabı gibi gerçek
uygulamalarda çok karşılaşılır. Aksine, Fourier dönüşümü, bir Laplace dönüşümünün
problemi büyük ölçüde basitleştirdiği asimetrik fenomenlerle uğraşırken çok verimsizdir. Bu,
Laplace'ın çok önemli bir analitik aracı dönüştürmesini sağlar.

Laplace tansformasyonu doğrusal sistemleri tanımlamak için yaygın olarak kullanılmaktadır.

Türevleri içeren dağınık denklemleri cebirsel denklemlere dönüştürebilir. Eğer sistem bir
girişe ve bir çıkışa sahipse, çıkışın girişin bir fonksiyonu olarak tanımlandığı durumlarda, onu
s etki alanına (laplace kullanarak) dönüştürebilir ve sistemi bir transfer fonksiyonu ile
tanımlayabilirsiniz. X (s) 'in girdi olduğunu, Y (s)' nin çıkış olduğunu ve H (s) 'nin transfer
fonksiyonu olarak bilinen şey olduğunu varsayalım. Sistem çıkışı Y (s) = H (s) * X (s) olarak
tanımlanabilir. Transfer fonksiyonu Y (s) / X (s) ile eşit olacaktır. Bu önemli görünmeyebilir,
ancak bir sistemin transfer fonksiyonu bulunduğunda, bize söylenen sistemin çok fazla bir
kısmını söyleyebilir. Transfer fonksiyonunun pay ve paydası faktörize edilirse, bir kutup-sıfır
tanımı yapılabilir. Sisteminiz yüksek frekansları söndürmek için yapılmış bir elektrik devresi
ise, düşük geçiş filtresi, sadece kutup-sıfır çizimi filtrenin belirli frekanslara nasıl tepki
verdiğini size söyleyebilir. Bu, laplace dönüşümünün sadece küçük bir uygulamasıdır, ancak
birçok mühendislik dalında kullanışlı olabilen transfer fonksiyonları ile lineer sistemlerin
tanımlanmasını sağlar.

 Sistemlerin, sadece bir frekans veya zaman alanı verileri yerine, sinusoidler ve
üsteller gibi doğal bileşenler açısından analiz edilmesine yardımcı olur.
 Yoğun aktarım işlevini, kutuplar ve sıfırlar cinsinden tanımlanabildiği ve sezgisel
olarak sistemin kararlılığını, aşılmasını veya gürültüsünü tahmin etmede yardımcı
olan uygun bir alana (S-etki alanı) çevirir.
 Fourier Dönüşümü, şifreli bir dönüşümü çok daha kolay bir çarpıma dönüştürürken,
bir Laplace Dönüşümü, S-etki alanında basit bir polinom cebiri ile yoğun bir
diferansiyel denklemin çözülmesine yardımcı olur.
 Yinelemeli filtrelerin kararlılığını analiz etmek için DSP'de temel olan Z-Dönüşümü,
Laplace Dönüşümü'nün yakın akrabasıdır.

Laplace Dönüşümleri
1) Dinamik ve kontrolde standart gösterimi (kısa gösterim) sağlar.
2) Matematik cebirsel işlemlere dönüştürür.
3) Blok diyagram analizi için avantajlıdır.

a   a a
L(a)=  ae-st dt   e  st   0     
0
s 0
 s s
 
1  1
L(e )=  e e dt   e-(b+s)t dt 
-bt -bt -st
-e  (b s)t  
0 0
b+s 0 s+b

 df  df -st
L(f )  L     e dt  sL( f )  f (0)
 dt  0 dt
Laplace dönüşümleri proses kontrolünde kullanılabilir:
1) Diferansiyel denklemlerin çözümü (doğrusal)
2) Doğrusal kontrol sistemlerinin analizi (frekans cevabı)
3) Farklı girdiler için geçici yanıtın tahmini

x(t) input y(t) output

Dynamic

System
A processor which
processes the input
signal to produce the
output

Static system: y(t) = ax(t) => easy (simple processing)

Dynamic system:
dy ( n ) (t ) dy ( n 1) (t ) dx ( m) (t )
n
 a1 n 1
 ...  a n y(t )  b0 m
 ...  bm x(t )
dt dt dt

Örnek:

d3y d2y dy du
3
 6 2  11  6 y  4  2u
dt dt dt dt
y( 0 )=y( 0 )=y( 0 )=0
du
 0 at t=0
dt

s3Y(s)+ 6s 2Y(s)+11sY(s)  6Y (s) = 4sU(s) + 2U(s)

4s+2 1
Y(s)= 
s 3  6s 2  11s  6 s
1
U(s)  (unit step input)
s

s(s3+6s 2+11s+6 )=s(s+1 )(s+2 )(s+3 )

 4s+2 α α α α
1 1  31  25 /3 3  4
(s(s+1 )(s+2)(s+3 ) s s 1 s) 2 s  3
Y(s)=
3s s 1 s  2 s 3

1 5
y(t)=  e t  3e  2t  e 3t
3 3
1
t  y(t) 
3

 1  1
1. L [1]   e  st dt   e  st 
0 s 0 s

  u du 1  ( a  1)
2. L [t a ]   t a e  st dt   ( ) a e u  a 1  u a e u du 
0 0 s s s 0 s a 1


 e ( s  a ) t 1
3. L [e ]  
at at  st
e e dt  
0  (s  a) 0
sa

1 s a
4. L [e iat ]   L [cos at  i sin at ]  2 i 2
s  ia s a 2
s  a2
s a
 L [cos at ]  2 , and L [sin at ]  2
s a 2
s  a2

e at  e  at 1 1 1 a
5. L [sinh at ]  L [ ] (  ) 2
2 2 sa sa s  a2
e at  e  at 1 1 1 s
L [cosh at ]  L [ ] (  ) 2
2 2 sa sa s  a2
Properties of Laplace Transform

Property Original Function Transformed Function

Linearity af (t) + bg(t) aF(s) + bG(s)
f (t - a) u(t-a) e-asF(s)
Shifting
eat f (t) F(s - a)
1 s
Scaling f (at) F( )
a a
snF(s)-sn-1f(0)-sn-2f(0)-sn-
f (n)(t) 3
f(0)-…-f (n-1)(0)
Differentiation
d n F ( s)
(-t)nf (t)
ds n
t 1
 0
f ( )d
s
F ( s)
Integration
1 

t
f (t )  s
F ( s)ds
t
Convolution  0
f ( ) g (t  )d F(s)G(s)
Periodic 1 T

Function
f (t) = f (t + T)
1  e  sT  0
f (t )e  st dt

Initial Value lim f (t )  lim sF ( s )

t 0 s 
Theorem
f (t ) F ( s)
lim  lim
t 0 g (t ) s   G( s)
lim f (t )  lim sF ( s)
t  s 0
Final Value
Theorem f (t ) F ( s)
lim  lim
t  g (t ) s  0 G( s)

Linearity
L [af (t) + bg(t)] =
  
 0
[af (t )  bg (t )]e st dt  a  f (t )e st dt  b g (t )e st dt  aF ( s)  bG( s)
0 0
12. Z-Transform
Z-dönüşümü, ayrı veri dizilerinin manipülasyonu için yararlıdır ve ayrık-zaman sistemlerinin
formülasyonu ve analizi için yeni bir önem kazanmıştır. Bugün uygulamalı matematik, dijital sinyal
işleme, kontrol teorisi, nüfus bilimi, ekonomi alanlarında yoğun olarak kullanılmaktadır. Bu ayrık
modeller, diferansiyel denklemlerle sürekli modellerin çözümüne benzer bir şekilde, diferansiyel
denklemlerle çözülür. Fark denklemlerinin çözümünde z-dönüşümünün oynadığı rol, diferansiyel
denklemlerin çözümünde Laplace dönüşümlerinin oynadığı role karşılık gelir.

1. The z-transform

The function notation for sequences is used in the study and application of z-transforms. Consider a
function defined for that is sampled at times , where is the
sampling period (or rate). We can write the sample as a sequence using the
notation . Without loss of generality we will set and consider real sequences
such as, . The definition of the z-transform involves an infinite series of the
reciprocals .

Definition 1 (z-transform) Given the sequence the z-transform is defined as

follows

(1) ,

which is a series involving powers of .

13. Sinyal Analiz ve Matlab

14. Kaynakça