Professional Documents
Culture Documents
FOURIEROVA TRANSFORMACIJA
+∞
[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
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)
w [ m ] konačne dužine centrirana oko m = 0 tako da, u stvari, X [n, λ ) predstavlja frekvencijsku
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
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)
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.
Odnos između veličina u jednačinama (10.1) i (10.8) lako može biti opisan i to kao
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
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.
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
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
3000
0.4 -60
Frequency (Hz)
0 -80 2000
-0.2 -90
1500
-0.4 -100
1000
-0.6 -110
-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
-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
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
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
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