VREMENSKI ZAVISNA

FOURIEROVA TRANSFORMACIJA

Fourierova transformacija nam omogućava da iz spektra signala odredimo dominantnu

učestanost nekog prostoperiodičnog signala. Ukoliko pretpostavimo da se učestanost sinusoidalnog
signala ne menja sa vremenom, bez obzira na to koliko je prozorska funkcija široka, tj. koliko se
odbiraka signala obrađuje, osobine signala će biti iste od početka do kraja prozorske funkcije. Često
su, medjutim, u praktičnim primenama sinusoidalnih modela signala, osobine signala (amplitude,
učestanosti i faze) promenljive sa vremenom. Ovakav nestacionarni model opisuje na primer signal
govora, signale u prenosu podataka i radarski signal. Obična DFT nije dovoljna da opiše takve
signale te u tom slučaju moramo koristiti koncept vremenski zavisne Fourierove transformacije
(TDFT – Time-Dependant Fourier Transform), koja se u literaturi često zove i Fourierova
transformacija u kratkom vremenu (STFT – Short-Time Fourier Transform).
Vremenski zavisna Fourierova transformacija signala x[n] je data sa

+∞
[n, λ )
X= ∑ x[n + m]w[m]e
m = −∞
− jλ m
(10.1)

gde je sa w[n] obeležena prozorska funkcija. Jednodimenziona sekvenca x[n] , funkcija jedne
diskretne promenljive, se vremenski zavisnom Fourierovom transformacijom preslikava u
dvodimenzionu funkciju vremenske promenljive n, koja je diskretna, i frekvencijske promenljive λ ,
koja je kontinualna. Frekvencijska promenljiva za vremenski zavisnu Fourierovu transformaciju se
obeležava slovom λ da bi se razlikovala od frekvencijske promenljive konvencionalne diskretne
Fourierove transformacije ω . U izrazu za X [n, λ ) se koristi uglasta zagrada ispred n da bi se

naglasilo da je to diskretna promenljiva, a iza λ je obična zagrada koja ukazuje na kontinualnu

promenljivu. Vremenski zavisna Fourierova transformacija je periodična po λ sa periodom 2π i
zato se uzimaju u obzir samo vrednosti za 0 ≤ λ < 2π ili bilo koji drugi interval dužine 2π .
Jednačina (10.1) se može interpretirati kao Fourierova transformacija od x [ n + m ]

posmatrano kroz prozor w [ m ] . Prozorska funkcija ima stacionarno mesto na vremenskoj osi i kako

se n menja, signal „klizi“ kroz prozor tako da se za svaku vrednost n posmatra različita porcija
signala x. Ovakav postupak je ilustrativno prikazan na slici 10.1 za signal oblika
 x [ n ] = cos (ω0 n 2 ) , ω0 = 2π ⋅14 ⋅10−6 (10.2)

što je tipičan primer linearno frekvencijski modulisanog signala (primetiti da je „konstantna“

učestanost signala ω0 n i da se linearno povećava sa vremenom). Tipično je prozorska funkcija

w [ m ] konačne dužine centrirana oko m = 0 tako da, u stvari, X [n, λ ) predstavlja frekvencijsku

karakteristiku signala u okolini odbirka n. U ovom primeru je korišćena Hammingova prozorska

funkcija dužine 401 odbirak.

1
signal x[m+250]
0.5 prozor

-0.5

-1
-400 -200 0 200 400 600 800 1000 1200 1400 1600
m

1
signal x[m+850]
0.5 prozor

-0.5

-1
-1000 -800 -600 -400 -200 0 200 400 600 800 1000
m

Slika 10.1. Ilustracija postupka za izračunavanje vremenski zavisne Fourierove transformacije

Na slici 10.2 je prikazana procena učestanosti signala primenom vremenski zavisne

Fourierove transformacije. Na ovoj slici, koja u stvari, predstavlja spektrogram signala x, na apscisi
je prikazano vreme, tj. redni broj odbirka na kome se procenjuje učestanost, dok je na ordinati
procena učestanosti. Napomenimo da je procena izvršena počev od n=200 (to je posledica usvojene
dužine Hammingove prozorske funkcije, 401) jer se za prvih 200 odbiraka nenulti odbirci prozorske
funkcije se množe sa nultim odbircima signala (10.2) pa procena nije adekvatna.
Kako je X [n, λ ) diskretna Fourierova transformacija signala x[n + m]w[m] , vremenski
zavisna Fourierova transformacija je invertibilna (možemo odrediti inverznu transformaciju)
ukoliko prozorska funkcija ima makar jedan nenulti odbirak. Inverzna transformacija je jednaka
 2π
1
∫ X [ n, λ ) e
jλ m
=
x[n + m]w[m] d λ, −∞ < m < ∞ (10.3)
2π 0

odakle se dalje dobija da je

2π
1
x[n] =
2π w[0] ∫ X [n, λ )d λ
0
(10.4)

ako je w[0] ≠ 0 . Kako je X [n, λ ) periodično po λ sa periodom 2π , integracija u jednačinama

(10.3) i (10.4) može ići po bilo kom intervalu dužine 2π . Jasno je da se iz jednačine (10.3) može
odrediti ne samo pojedinačni odbirak x[n] nego i svi odbirci koji su pomnoženi sa nenultim
odbircima prozorske funkcije.

procena ucestanosti sinusoide primenom TDFT

1.5

1
λ

0.5

0
0 2000 4000 60008000 10000 12000 14000
n
zumirana procena ucestanosti od 1200. do 2200. odbirka
0.2
procenjena ucestanost
zadata ucestanost

0.15
λ

0.1
1200 1300 1400 1500 1600 1700 1800 1900 2000 2100 2200
n

Slika 10.2. Spektorgram signala – procena učestanosti signala oblika kosinusoide kao u (10.2)

Preuređivanje sume iz jednačine (10.1) nas može dovesti do druge korisne interpretacije
vremenski zavisna Fourierove transformacije. Ukoliko uvedemo smenu m′ = m + n u jednačini
(10.1), X [n, λ ) može biti zapisano kao

+∞
X [n, λ )
= ∑
m′= −∞
x[m′]w[−(n − m′)]e jλ ( n − m′) (10.5)
Jednačina (10.5) može biti interpretirana kao konvolucija

λ ) x[n] ∗ hλ [n]
X [n,= (10.6a)

gde je

] w[− n]e jλ n
hλ [n= (10.6b)

Iz jednačine (10.6a) se vidi da vremenski zavisna Fourierova transformacija kao funkcija od

n sa fiksiranim λ može biti interpretirana kao izlaz linearnog vremenski invarijantog filtra sa
impulsnim odzivom hλ [n] , ili, ekvivalentno, sa frekvencijskim odzivom

H λ ( e jω ) = W ( e j ( λ −ω ) ) (10.7)

Generalno, prozor koji ima nenulte odbirke u pozitivnom vremenskom intervalu se zove
nekauzalni prozor pošto izračunavanje X [n, λ ) korišćenjem jedančine (10.1) zahteva odbirke iza
kojih sledi odbirak n u sekvenci. Ekvivalentno, u interpretaciji linearnog filtriranja, impulsni odziv
hλ [n] = w[− n]e jλn je nekauzalan.

U jednačini (10.1) odbirci prozora u vremenu se drže konstantnim i signal se pomera u

intervalu gde su odbirci prozora nenulti. Na ovaj način se vreme posmatranja za Fourierovu
transfromaciju stalno ponovo definiše tako da bude baš na n-tom odbirku signala. Druga mogućnost
je da se prozor pomera kako se n menja i tada se vreme posmatranja za Fourierovu analizu fiksira
na n-ti odbirak signala za koji se trenutno vrši analiza. Na ovakav način se može doći do nove
definicije vremenski zavisne Fourierove transformacije
+∞
Xˆ [n, λ )
= ∑
m′= −∞
x[m]w[m − n]e − jλ m . (10.8)

Odnos između veličina u jednačinama (10.1) i (10.8) lako može biti opisan i to kao

Xˆ [n, λ ) = e − jλ n X [n, λ ) (10.9)

Jednačina (10.1) je pogodnija za korišćenje ukoliko se koristi DFT za određivanje λ iz

vremenski zavisne Fourierove transformacije jer je tada w[m] konačne dužine, tj. ima nenulte
odbirke za 0 ≤ m ≤ ( L − 1) , te je onda konačne dužine i x[n + m]w[m] . S druge strane, jednačina
(10.9) je više u upotrebi za interpretaciju Fourierove analize u teoriji banaka filtara.
U praksi, vremenski zavisna Fourierova transformacija se izračunava na konačnom setu
diskretnih vrednosti učestanosti. Osim toga, zbog konačne dužine sekvence prozorske funkcije,
adekvatna predstava TDFT je tačna samo ukoliko je broj odbiraka po učestanosti veći od dužine
prozorske funkicije. Definišimo vremenski zavisnu diskretnu Fourierovu transformacija (TDDFT –
Time-Dependant Discrete Fourier Transform) signala x [ n ] u N tačaka, na osnovu jednačine (10.1)

kao

+∞ 2π
−j
X [ n, k ] =
∑ x[n + m]w[m]e
km
N
, k=
0,1,..., N − 1 (10.10)
m = −∞

2π k  rad 
pri čemu k predstavlja indeks na frekvencijskoj osi koji odgovara učestanosti ωk = .
N  odbirku 
Jednačina (10.10) može biti interpretirana kao diskretna Fourierova transformacija signala x[n + m]
gledano kroz prozor w[m] . Prozor ima stacionarno poreklo i kako se n menja, signal klizi kroz
prozor tako da se za svaku vrednost n vidi različiti deo signala.

2
procenjena ω
ω
1.8

1.6

1.4

1.2

0.8

0.6

0.4
50 100 150 200 250 300 350 400 450
redni broj odbirka

Slika 10.3. Procena učestanosti signala datog sa (10.11)

Kao primer za ilustraciju, možemo primeniti vremenski zavisnu diskretnu Fourierovu

transformaciju na sinusoidalni signal kome je učestanost promenljiva u vremenu kao
 0.5 0 ≤ n < 100
0.75 100 ≤ n < 200

x[n] = cos (ω [ n ] ⋅ n ) , n = 0,1,...500, ω [ n ] = 1 200 ≤ n < 300 (10.11)
2 300 ≤ n < 400

1.5 400 ≤ n < 500

Primenom DFT nije moguće proceniti učestanost u signalu jer on nije stacionaran. Ukoliko u
jednačini (10.10) za w [ m ] koristimo Hammingovu prozorsku dužine 65 odbiraka datu sa:

 2π m 
w [ m] =0.54 + 0.46 cos  , − 32 =−M ≤ m ≤ M =32 (10.12)
 2M + 1 

primenom Matlab funkcije spectrogram, dobija se procena učestanosti data na slici 10.3.
Vremenski zavisna Fourierova transformacija se koristi za analizu nestacionarnih signala
(kod kojih osobine signala variraju u vremenu), kao što je npr. suma sinusoidalnih komponenata sa
vremenski zavisnim amplitudama, učestanostima i fazama. U daljem tekstu će biti opisane dve
karakteristične primene TDFT: za signal govora i zvuka i za signal kojim se opisuje Dopplerov
radarski signal.

Primena vremenski zavisne Fourierove transformacije u obradi govora i zvuka

Analitičko modelovanje govornog signala i tehnike koje se bave obradom zvuka i govora su
posebna velika celina u digitalnoj obradi signala. Na ovom mestu možemo samo reći da se, ukoliko
se radi o konstantnom obliku vokalnog trahta, govor može modelovati kao odziv linearnog
vremenski-invarijantnog sistema na kvazi periodičnu povorku sinusoida (za zvučne glasove) i
širokopojasni šum (za bezvučne glasove). Vokalni traht je jedan akustični transmisioni sistem koji
se može okarakterisati svojim prirodnim učestanostima, tzv. formantima koji odgovaraju
rezonancijama u frekvencijskom odzivu. U normalnom govoru, vokalni traht menja oblik relativno
sporo i može se modelovati kao sporo vremenski-promenljiv filtar koji podešava osobine svog
frekvencijskog odziva u zavisnosti od spektra eksitacije. Za običan govor se može pretpostaviti da
su njegove karakteristike konstantne u suštini u vremenskom intervalu opsega od 30 do 40 ms.
Frekvencijski sadržaj govora može sadržati komponente na učestanostima i do 15 kHz, ali ipak
možemo reći da je govor razumljiv do granične učestanosti od oko 3 kHz. Stoga, recimo, u
telefonskim sistemima se vrši odabiranje sa standardnom učestanošću od 8 kHz. Sa ovako
izabranom učestanošću odabiranja, interval vremena od 40 ms odgovara broju od 320 odbiraka.
 Na slici 10.4 je prikazan spektrogram glasa ’o’. Možemo primetiti da snimanje glasa traje
1.4 sekunde, ali da se glas nalazi samo u opsegu od 0.8 do 1 sekunde, a da ostatak u stvari
predstavlja šum. Takođe možemo zaključiti da se prvi formant glasa ’o’ nalazi na oko 500 Hz.
Napomenimo da je korišćena Hammingova prozorska funkcija dužine 401 odbirak. Signal je
odabiran sa učestanošću od 8 kHz. Na slici 10.5 je prikazana procena učestanosti signala čiji je
spektrogram prikazan na slici 10.4 u opsegu od 0.8 do 1 sec.

1.4

1.2

0.8
Time

0.6

0.4

0.2

0 500 1000 1500 2000 2500 3000 3500 4000

Frequency (Hz)

Slika 10.4. Spektrogram glasa ’o’

Na slikama 10.6 i 10.7 su prikazana još dva ilustrativna primera primene spektrograma u
obradi zvuka. Na slici 10.6 je prikazan vremenski oblik, DFT i spektrogram cvrkuta ptica.
Evidentno je da DFT ne daje nikakvu informaciju o spektralnim karakteristikama signala zbog
njegovog nestacionarnog porekla. Na spektrogramu se jasno vidi koliki je opseg učestanosti cvrkuta
ptica i takođe možemo primetiti korelaciju između vremenskog oblika signala i spektrograma.
(Pauzama u vremenskom domenu odgovaraju „hladni“ delovi spektrograma.) Na slici 10.7 su
prikazani vremenski oblik, DFT i spektrogram zvuka koji predstavlja padanje jajeta i razbijanje.
Može se primetiti kako se menja učestanost zvuka prilikom pada a takođe i da sam pad u
vremenskom domenu ima oblik Diracovog impulsa tako da ima izražene sve frekvencijske
komponente. Slike 10.6 i 10.7 su dobijene korišćenjem postojećeg demoa u Matlabu.
(Matlab/Demos/Graphics/Visualizing Sound/Run this demo)
 procena ucestanosti glasa o
520

500

480

460
f [Hz]

440

420

400

380
0.8 0.82 0.84 0.86 0.88 0.9 0.92 0.94 0.96 0.98 1
vreme

Slika 10.5. Procena učestanosti prvog formanta glasa ’o’ – analiza porcije signala od 0.8 do 1 sec

13129 Samples 13129 Samples 13129 Samples

1 -30 4000
0.8 -40
3500
0.6 -50
Power/frequency (dB/Hz)

3000
0.4 -60
Frequency (Hz)

0.2 -70 2500

0 -80 2000
-0.2 -90
1500
-0.4 -100
1000
-0.6 -110

-0.8 -120 500

-1 -130 0
0 0.5 1 1.5 2 0 1 2 3 4 0.2 0.4 0.6 0.8 1 1.2 1.4
Time in seconds Frequency (kHz) Time

Slika 10.6. Cvrkut ptica – vremenski oblik, DFT čitave sekvence, spektrogram signala

10001 Samples 10001 Samples 10001 Samples

1 -40 4000
0.8
-50 3500
0.6
Power/frequency (dB/Hz)

-60 3000
0.4
Frequency (Hz)

0.2 2500
-70
0 2000
-80
-0.2
1500
-0.4 -90
1000
-0.6
-100 500
-0.8

-1 -110 0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 0 1 2 3 4 0.2 0.4 0.6 0.8 1 1.2
Time in seconds Frequency (kHz) Time

Slika 10.7. Padanje i razbijanje jajeta – vremenski oblik, DFT čitave sekvence, spektrogram signala

Primena vremenski zavisne Fourierove transformacije u obradi radarskih signala

Elementi tipičnog radarskog sistema su sledeći:

• Antena koja se koristi i kao predajna i kao prijemna
 • Predajnik koji generiše odgovarajući signal na mikrotalasnim učestanostima i
smatraćemo da je taj signal sinusoidalan. Ovaj oblik transmitovanog signala se
ujedno i najčešće koristi, s tim da se mogu koristiti i drugi oblici signala zavisno od
osobina kako radara, tako i cilja
• Prijemnik koji detektuje i pojačava reflektovani signal koji je primila antena
U ovakvim radarskim sistemima, transmitovani signal se kreće brzinom svetlosti, reflektuje
se od objekta i vraća se anteni takođe brzinom svetlosti. Pri ovome se pravi kašnjenje u vremenu
kao posledica putovanja talasa od antene do objekta i nazad. Ako pretpostavimo da je transmitovani
signal oblika cos ( Ω0t ) i da je udaljenost od antene do objekta ρ ( t ) , tada je primljeni signal oblika

s (t ) = cos [ Ω0 (t − 2 ρ (t ) / c) ] (10.13)

gde je c brzina svetlosti. Ako se objekat ne pomera u odnosu na antenu, tada je ρ ( t ) = ρ0 , gde je

ρ 0 udaljenost od antene. Kako je vremensko kašnjenje između transmitovanog i primljenog signala

2 ρ 0 / c , merenjem istog možemo proceniti udaljenost objekta od cilja. Ukoliko, pak, ρ ( t ) nije

konstantno, primljeni signal je fazno modulisan i fazna razlika sadrži informaciju, kako o rastojanju,
tako i o relativnom kretanju objekta u odnosu na radar. Predstavimo vremenski zavisnu udaljenost
objekta od antene Taylorovim redom

d ρ0 1 d 2 ρ0 2
ρ (t ) =
ρ0 + t+ t + ... (10.14)
dt 2! dt 2

dρ 0 d 2 ρ0
gde je ρ 0 nominalno rastojanje, brzina, ubrzanje itd. Ako zanemarimo sve članove
dt dt 2
Taylorovog reda osim prvog i drugog, dobijamo da je

 d ρ0  
s=
(t ) cos  Ω0 − 2Ω0 / c  t − 2Ω 0 ρ 0 / c  (10.15)
 dt  

U ovom slučaju, frekvencija primljenog signala se razlikuje od frekvencije transmitovanog signala

za Doplerov pomeraj po učestanosti, definisan kao

d ρ0
Ω d =−2Ω0 /c (10.16)
dt

Tada, vremensko kašnjenje i dalje može biti iskorišćeno za estimaciju udaljenosti, a brzinu objekta
u odnosu na antenu možemo izračunati iz Doplerovog pomeraja po frekvenciji.
 U praksi, primljeni signal je obično vrlo slab, a osim toga bi u jednačini (10.15) trebalo sa
leve strane jednačine dodati i šum koji u sistemu postoji. Takođe je, u većini radarskih sistema,
signal iz jednačine (10.15) frekvencijski pomeren u niži opseg, ali i tada Doplerov pomeraj po
učestanosti zadovoljava jednačinu (10.16).
Na slici 10.8 je ilustrativno prikazano kako se vremenski zavisna Fourierova transformacija
koristi za procenu brzine cilja primenom radara sa konstantnom talasnom formom (CW -
Continuous Waveform) koji rade na principu Doplerovog efekta. Na prvoj slici je prikazan
spektrogram signala dok su na drugoj slici prikazane referentna i procenjena brzina primenom
procedure opisane u prethodnom tekstu.

1800
9 referentna brzina
1600 procenjena brzina
8
1400
7
1200
6
1000
brzina
Time

5
800
4
600
3
400
2
200
1

0
0 10 20 30 40 50 60 70 80 90 100 0 1 2 3 4 5 6 7 8 9 10
Frequency (Hz) vreme

Slika 10.8. Procena brzine cilja primenom spektrograma