Teorija signalov - diskretni sistemi in signali
Teorija signalov - diskretni sistemi in signali
Teorija signalov - diskretni sistemi in signali
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
UNIVERZA<br />
V<br />
MARIBORU<br />
Žarko ČUČEJ<br />
TEORIJA SIGNALOV<br />
Diskretni <strong>signali</strong> <strong>in</strong> <strong>sistemi</strong><br />
signal˙D
CIP - Kataloški zapis o publikaciji<br />
Univerzitetna knjižnica Maribor<br />
681.51/.52(075.8)<br />
ČUČEJ, Žarko<br />
<strong>Teorija</strong> <strong>signalov</strong>: digitalni <strong>signali</strong> <strong>in</strong> <strong>sistemi</strong>/ Žarko Čučej;<br />
[risbe Žarko Čučej]. - Maribor: Fakulteta za elektrotehniko, računalništvo <strong>in</strong><br />
<strong>in</strong>formatiko, 2002<br />
ISBN . . .<br />
COBBIS-ID . . .<br />
naslov<br />
avtor<br />
TEORIJA SIGNALOV:<br />
Digitalni <strong>signali</strong> <strong>in</strong> <strong>sistemi</strong><br />
Žarko ČUČEJ<br />
revizija v3.02 20020225<br />
recenzija<br />
nerencenzirano<br />
jezik<br />
nelektorirano<br />
uredil <strong>in</strong> oblikoval Žarko ČUČEJ<br />
risbe<br />
Žarko ČUČEJ<br />
uporabljani programi MikTeX 2.1, W<strong>in</strong>Edt 5.3, CorelDraw 7<br />
založba<br />
SPaRC<br />
knjižna oblika<br />
elektronska, kot datoteka signal D.pdf na domači strani:<br />
http: SPaRC.feri.uni-mb/publikacije<br />
vse pravice pridržane
Kazalo<br />
1 Vzorčenje <strong>signalov</strong> 1<br />
1.1 Idealno vzorčenje . . . . . . . . . . . . . . . . . . . 1<br />
1.2 Spekter vzorca signala . . . . . . . . . . . . . . . . 1<br />
1.3 Tipalno razmerje . . . . . . . . . . . . . . . . . . . 4<br />
1.4 Rekonstrukcija zveznega signala . . . . . . . . . . . 5<br />
1.5 Pogreški pri končnih vzorcih . . . . . . . . . . . . . 9<br />
2 Diskretna Fourierova transformacija 11<br />
2.1 Vzorčenje <strong>signalov</strong> <strong>in</strong> njihovih spektrov . . . . . . 11<br />
2.2 Diskretna Fourierova transformacija . . . . . . . . 14<br />
2.2.1 Izpeljava DFT . . . . . . . . . . . . . . . . 14<br />
2.2.2 Simetrična obrazca za DFT <strong>in</strong> IDFT . . . . 18<br />
2.2.3 DFT <strong>in</strong> IDFT povezujeta periodično<br />
se ponavljajoča izseka signala <strong>in</strong> spektra . . 19<br />
2.2.4 Zapis otipkov signala <strong>in</strong> njegovega spektra . 20<br />
2.3 Lastnosti DFT <strong>in</strong> IDFT . . . . . . . . . . . . . . . 21<br />
2.4 Krožna konvolucija . . . . . . . . . . . . . . . . . . 22<br />
2.5 Računanje DFT . . . . . . . . . . . . . . . . . . . . 24<br />
3 Hitra Fourierova transformacija 27<br />
3.1 Matrični zapis DFT . . . . . . . . . . . . . . . . . 27<br />
3.2 Intuitivni razvoj algoritmov za FFT . . . . . . . . 28<br />
3.3 Grafična predstavitev FFT . . . . . . . . . . . . . 33<br />
3.3.1 Dualna vozlišča . . . . . . . . . . . . . . . . 34<br />
3.3.2 Razmestitev dualnih vozlišč . . . . . . . . . 34<br />
3.3.3 Izračun dualnega vozlišča . . . . . . . . . . 34<br />
3.3.4 Določitev W p . . . . . . . . . . . . . . . . . 36<br />
i
ii<br />
KAZALO<br />
4 z-transformacija 39<br />
4.1 Laplaceova transformacija vzorca signala . . . . . . 39<br />
4.2 Konvergenčna območja . . . . . . . . . . . . . . . . 41<br />
4.2.1 Kavzalni <strong>signali</strong> . . . . . . . . . . . . . . . . 41<br />
4.2.2 Nekavzalni <strong>signali</strong> . . . . . . . . . . . . . . 42<br />
4.2.3 Neomejeni <strong>signali</strong> . . . . . . . . . . . . . . . 43<br />
4.2.4 z transformacijski pari . . . . . . . . . . . . 43<br />
4.2.5 Povzetek lastnosti ROC . . . . . . . . . . . 44<br />
4.2.6 Vrste z-transformacije . . . . . . . . . . . . 46<br />
4.3 Inverzna Z transformacija . . . . . . . . . . . . . . 46<br />
4.4 Lastnosti z-transformacije . . . . . . . . . . . . . . 48<br />
4.4.1 L<strong>in</strong>earnost . . . . . . . . . . . . . . . . . . . 48<br />
4.4.2 Časovni premik . . . . . . . . . . . . . . . . 49<br />
4.4.3 Množenje z eksponentnim zaporedjem . . . 50<br />
4.4.4 Odvajanje X(z) . . . . . . . . . . . . . . . . 52<br />
4.4.5 Zasuk signalne osi . . . . . . . . . . . . . . 53<br />
4.4.6 Teorem o začetni vrednosti . . . . . . . . . 53<br />
4.4.7 Prenosna ali sistemska funkcija diskretnega<br />
sistema . . . . . . . . . . . . . . . 53<br />
4.5 Povezava<br />
z-transformacije , CFT <strong>in</strong> DFT . . . . . . . . . . . 55<br />
5 Diskretni <strong>sistemi</strong> 59<br />
5.1 Diferenčne enačbe . . . . . . . . . . . . . . . . . . 60<br />
5.2 Transformacija analognih sistemov v diskretne . . 63<br />
5.2.1 Metoda enakih impulznih odzivov . . . . . 64<br />
5.2.2 Bil<strong>in</strong>earna transformacija . . . . . . . . . . 66<br />
5.3 Izvedbe IIR sistemov . . . . . . . . . . . . . . . . . 67<br />
5.3.1 Direktna izvedba . . . . . . . . . . . . . . . 67<br />
5.3.2 Kaskadna izvedba . . . . . . . . . . . . . . 68<br />
5.3.3 Paralelna izvedba . . . . . . . . . . . . . . . 69<br />
5.4 Načrtovanje FIR sistemov . . . . . . . . . . . . . . 70<br />
Seznam oznak 73<br />
Literatura 77<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
1. Vzorčenje <strong>signalov</strong><br />
Vzorčenje analognih <strong>signalov</strong> da časovno <strong>diskretni</strong> signal. Pr<strong>in</strong>cip<br />
vzorčenja, ki je opisan v [23], dopolnjujemo s prikazom spektrov<br />
<strong>in</strong> izpeljavo Shannonovega pravila.<br />
1.1 Idealno vzorčenje<br />
Z vzorčenjem v izbranih trenutkih izmerimo vrednost analognega<br />
signala. To izmero imenujemo otipek. Pri idealnem vzorčenju se v<br />
enakomernih časovnih <strong>in</strong>tervalih otipa signal. Vrši ga množenjem<br />
analognega signala z vlakom Diracovih impulzov (slika 1.1-1).<br />
v( t)<br />
v( nT s ) = v( t)<br />
( tnT s ), n = ( oo , oo )<br />
v[ n]<br />
( tnT s )<br />
v( t) ( t)<br />
v( nT s )<br />
v[ n]<br />
t t<br />
t n<br />
Slika 1.1-1<br />
Postopek idealnega vzorčenja.<br />
1.2 Spekter vzorca signala<br />
Predpostavimo, da je spekter analognega signal frekvenčno omejen<br />
<strong>in</strong> oblike, ki jo kaže slika 1.2-1. Že iz obravnave periodičnih<br />
1
2 1. Vzorčenje <strong>signalov</strong><br />
Slika 1.2-1<br />
Spekter (izbranega) frekvenčno<br />
omejenega analognega signala.<br />
|V ( )<br />
|<br />
m 0 m <br />
<strong>signalov</strong> pa vemo, da je spekter vlaka Diracovih impulzov tak kot<br />
ga kaže slika 1.2-2. Kakšen pa je spekter vzorca signala? Vzorec<br />
<br />
( tnT s )<br />
( n<br />
s )<br />
<br />
<br />
<br />
0<br />
t<br />
( n1)<br />
n ( n1)<br />
( n2)<br />
T s T s T s T s T s<br />
1 <br />
2 s<br />
T s<br />
t<br />
Slika 1.2-2<br />
Neskončni vlak Diracovih impulzov <strong>in</strong> njegov spekter.<br />
signala smo ustvarili z množenjem dveh časovnih funkcij. Ena<br />
opisuje potek analognega signala, drugi pa vlak Diracovih impulzov.<br />
Vemo, da spekter izračunamo s Fourierovo transformacijo.<br />
Fourierova transformacija produkta v časovnem prostoru pa je<br />
konvolucija spektrov v frekvenčnem prostoru, oziroma:<br />
v(t) ·<br />
∞∑<br />
k=−∞<br />
δ(t − nT s ) ←→ V (ω) ∗<br />
∞∑<br />
m=−∞<br />
δ(ω − mω s ) , (1.2-1)<br />
kjer je ω s = 2π/T s osnovna frekvenca vlaka Diracovih impulzov.<br />
Konvolucijo smo (pri aperiodičnih <strong>signali</strong>h)v frekvenčnem<br />
prostoru def<strong>in</strong>irali kot:<br />
X(ω) = X 1 (ω) ∗ X 2 (ω) =<br />
∫ ∞<br />
−∞<br />
X 1 (ω)X 2 (ξ − ω) dω . (1.2-2)<br />
Vidimo, da postopek računanja konvolucije obsega frekvenčni<br />
premik za ξ, obrat frekvenčne osi pri X 2 okoli ord<strong>in</strong>ate (zato konvolucijo<br />
imenujemo tudi pregib), množenje <strong>in</strong> <strong>in</strong>tegracijo. Postopek<br />
računanja konvolucije <strong>in</strong> njeno odvisnost od premika ξ smo<br />
opisali že v prvi knjigi (<strong>Teorija</strong> <strong>signalov</strong>: uvod v teorijo). Zato<br />
tukaj le povzemamo grafični prikaz računanja konvolucije (slika<br />
1.2-3).<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
1.2 Spekter vzorca signala 3<br />
X 1 ( )<br />
X 1 ( )<br />
m m <br />
m 0 m m <br />
m 0<br />
m 0 m m <br />
<br />
X 2 ( )<br />
m<br />
0<br />
m<br />
<br />
m<br />
<br />
m<br />
0<br />
m<br />
<br />
m<br />
<br />
Slika 1.2-3<br />
Prikaz računanja konvolucije.<br />
Upoštevana sta spektra s slike<br />
1.2-1 <strong>in</strong> 1.2-2.<br />
m<br />
0<br />
m<br />
m<br />
<br />
<br />
m<br />
0<br />
m<br />
m<br />
<br />
<br />
X( )<br />
m<br />
0<br />
m<br />
m<br />
<br />
m 0 m m <br />
Iz prikaza na sliki 1.2-3 lahko sklepamo, da je spekter produkta<br />
analognega signal <strong>in</strong> vlaka Diracovih impulzov periodično<br />
se ponavljajoči spekter analognega signala. Perioda ponavljanja<br />
je določena s frekvenco vlaka Diracovih impulzov (slika 1.2-4).
4 1. Vzorčenje <strong>signalov</strong><br />
|V ( )<br />
|<br />
a<br />
Slika 1.2-4<br />
Prikaz nastanka spektra vzorca<br />
signala;<br />
a: spekter signala,<br />
b: spekter neskončnega vlaka<br />
Diracovih impulzov,<br />
c: spekter vzorca.<br />
b<br />
c<br />
s<br />
m<br />
m<br />
0<br />
0<br />
m<br />
n<br />
m<br />
s<br />
|X ( )<br />
| = | V( ) n |<br />
s<br />
<br />
<br />
s<br />
m<br />
0<br />
m<br />
s<br />
s<br />
<br />
1.3 Tipalno razmerje<br />
Iz izkušnje pridobljene pri konstrukciji vzorca otipkov lahko sklepamo,<br />
da na obliko spektra vzorca močno vpliva razmerje frekvenc<br />
ω m (mejna frekvenca analognega signala) <strong>in</strong> ω s (frekvenca<br />
ponavljanja Diracovih impulzov). Iz slike 1.2-4 vidimo, da se<br />
periodično ponavljajoči se spektri analognega signala ne prekrivajo,<br />
če je ritem otipavanja vsaj dvakrat večji od mejne frekvence<br />
analognega signala. Za pojasnilo je slika 1.3-1.<br />
a<br />
|X ( )<br />
| = | V( ) n |<br />
Slika 1.3-1<br />
Spekter vzorca signala;<br />
a: frekvenca otipavanja signala je<br />
premajhna (ω s < 2ω m ) - zato<br />
pride do prekrivanja spektrov,<br />
b: frekvenca otipavanja je<br />
ω s = 2ω m - prekrivanje izg<strong>in</strong>e.<br />
b<br />
0 s<br />
<br />
s<br />
s<br />
s m m<br />
obmoèje prekrivanja (alias<strong>in</strong>g)<br />
|X ( )<br />
| = | V( ) n |<br />
s m 0 m s s<br />
<br />
Iz prikazov spektrov vzorca signala na slikah 1.2-4 <strong>in</strong> 1.3-1<br />
lahko postavimo naslednji temeljni izrek vzorčenja <strong>signalov</strong>:<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
1.4 Rekonstrukcija zveznega signala 5<br />
DEFINICIJA 1.1 (Shannonov izrek).<br />
Da periodično ponavljanje spektra analognega signala, ki ga povzroči vzorčenje,<br />
ne spremeni njegove začetne oblike, je nujen <strong>in</strong> zadosten pogoj, da velja<br />
neenačba:<br />
ω s ≥ 2ω m oziroma f s ≥ 2f m , (1.3-1)<br />
kjer sta f s frekvenca vzorčenja (otipavanja) analognega signala <strong>in</strong> f m<br />
mejna frekvenca analognega signala. Seveda velja ω s = 2πf s <strong>in</strong> ω m =<br />
2πf m .<br />
Frekvenco f s = 2f m imenujemo tudi Nyquistova frekvenca.<br />
1.4 Rekonstrukcija zveznega signala<br />
Časovni potek zveznega, determ<strong>in</strong>ističnega signala je povsem določen<br />
z <strong>in</strong>verzno Fourierovo transformacijo njegovega spektra. Če pri<br />
vzorčenju spoštujemo pri vzorčenju Shannonovo pravilo, potem<br />
lahko iz spektra vzorca izrežemo osnovni spekter med −ω m <strong>in</strong><br />
ω m , ki pripada analognemu signalu. Iz njega lahko z <strong>in</strong>verzno<br />
Fourierovo transformacijo rekonstruiramo orig<strong>in</strong>alni signal (slika<br />
1.4-1).<br />
|X ( )<br />
| = | V( ) n |<br />
s<br />
m<br />
0<br />
m<br />
|V ( )<br />
| = | X( )| | |<br />
| | / 2|<br />
1, m<br />
=| s<br />
m =<br />
0 , | m<br />
|<br />
s<br />
m<br />
s<br />
<br />
Slika 1.4-1<br />
Spekter vzorca signala.<br />
s<br />
m<br />
0<br />
m<br />
s<br />
s<br />
<br />
Osnovni spekter izrežemo z idealnim nizkim sitom z mejno<br />
frekvenco ω m . Tako sito imenujemo tudi pravokotno okno <strong>in</strong> ga<br />
označimo z Π m . Zanj velja:<br />
{<br />
1 ω ≤ |ω m |<br />
Π m =<br />
(1.4-1)<br />
0 drugje<br />
Inverzna transformacija izrezanega dela spektra - ta je enak spek-
6 1. Vzorčenje <strong>signalov</strong><br />
tru zveznega signala - je določena z:<br />
v(t) = 1<br />
2π<br />
∫ ∞<br />
−∞<br />
X(ω) Π m e jωt dω (1.4-2)<br />
Izrazimo pravokotno okno Π m z mejami <strong>in</strong>tegriranja (vrednost<br />
<strong>in</strong>tegrala izven okna, to je v <strong>in</strong>tervalih (−∞, −ω m ) <strong>in</strong> (ω m , ∞) je<br />
enaka nič):<br />
v(t) = 1 ∫ ωm<br />
X(ω)e jωt dω<br />
2π −ω m<br />
= 1 ∫ ∞<br />
V (ω)e jωt dω .<br />
2π<br />
−∞<br />
(1.4-3)<br />
Iz (1.4-3) sledi, da lahko zvezno funkcijo v(t) povsem natančno<br />
rekonstruiramo iz njenega vzorca, če:<br />
(i)<br />
poznamo zaporedje v[n], ki določajo vzorec signala, <strong>in</strong> če<br />
(ii) je <strong>in</strong>terval med otipki konstanten <strong>in</strong> enak T s = 1/(2f m ) =<br />
π/ω m .<br />
Signal lahko iz vzorca rekonstruiramo tudi direktno, brez <strong>in</strong>verzne<br />
Fourierove transformacije. To nam omogoča Shannonova<br />
<strong>in</strong>terpolacijska formula:<br />
v(t) =<br />
∞∑<br />
n=−∞<br />
v[n]S a [ω m (t − nT s )] . (1.4-4)<br />
Iz (1.4-4) sledi, da je Shannonova <strong>in</strong>terpolacijska formula konvolucija<br />
otipkov s funkcijo S a (ω m ). Rekonstrukcijo signala v(t) iz<br />
znanih vzorcev v[n] s Shannonovo <strong>in</strong>terpolacijsko formulo kaže<br />
slika 1.4-2.<br />
Slika 1.4-2<br />
Rekonstrukcija analognega signala<br />
s Shannonovo <strong>in</strong>terpolacijsko<br />
formulo.<br />
v( t)<br />
T s<br />
T s<br />
v(2 Ts<br />
) Sa [ m ( t 2 Ts<br />
)]<br />
T s T s T s T s<br />
Veljavnost Shannonove <strong>in</strong>terpolacijske formule lahko uvidimo<br />
iz križne simetrije Fourierove transformacije (slika 1.4-3). Iz<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
1.4 Rekonstrukcija zveznega signala 7<br />
x( t)<br />
X( t)<br />
X( )<br />
x( )<br />
Slika 1.4-3<br />
Križna simetrija <strong>signalov</strong> <strong>in</strong><br />
njihovih spektrov.<br />
nje sledi, da je <strong>in</strong>verzna Fourierova transformacija idealnega nizkega<br />
sita funkcija S a (•), vemo pa tudi, da je <strong>in</strong>verzna Fourierova<br />
transformacija množenja konvolucija.<br />
To <strong>in</strong>tuitivno ugotovitev dopolnimo z dokazom. V njem upoštevajmo,<br />
da je spekter vzorca periodično ponavljanje spektra<br />
orig<strong>in</strong>alnega signala. Zato ga lahko opišemo s periodično funkcijo,<br />
katere perioda je enaka ω s , to funkcijo pa izrazimo s Fourierovo<br />
vrsto. Spekter te funkcije ima komponente v točkah:<br />
n 2π = n 2π = n<br />
2π = nT s , (1.4-5)<br />
ω s 2πf s 2π/T s<br />
torej so natančno tam, kjer se nahajajo otipki vzorca x(nT s ).<br />
Zato je od spektra, ki ga določa ta Fourierova vrsta, pa do orig<strong>in</strong>alnega<br />
signala, le korak.<br />
Da bomo lahko preprosto razlikovali periodične funkcije od<br />
ostalih, vpeljemo naslednje nove oznake:<br />
x p<br />
periodični signal oziroma funkcija,<br />
ki opisuje potek spektra vzorca<br />
X p spekter periodične funkcije x p<br />
□ □ □ □ <br />
DOKAZ (Shannonov <strong>in</strong>terpolacijski obrazec) Periodično funkcijo, ki<br />
opisuje spekter vzorca orig<strong>in</strong>alnega signala, izrazimo s kompleksno Fourierovo<br />
vrsto:<br />
∞∑<br />
x p (ω) = X p (nT s )e jnTsω , (1.4-6)<br />
n=−∞<br />
kateri je Fourierov par spekter X p (nT s ). Funkcija X p (nT s ) je določena<br />
z obrazcem za izračun kompleksnega Fourierovega koeficienta:<br />
X p (nT s ) = 1<br />
2ω m<br />
∫ ωm<br />
−ω m<br />
x p (ω) e −jnTsω dω . (1.4-7)<br />
zahtevna snov
8 1. Vzorčenje <strong>signalov</strong><br />
OPOMBA 1-1 Tu smo opustili običajno gledanje, da je signal v časovna funkcija,<br />
spekter pa frekvenčna. Na (1.4-6) <strong>in</strong> (1.4-7) gledamo kot na dve funkciji,<br />
od katerih je ena periodična, druga pa je njen Fourierov par.<br />
V mnogih učbenikih to razložijo z zamenjavo <strong>signali</strong>h osi (na primer v [17]).<br />
Ker želimo pokazati, da je ”spekter” funkcije, ki opisuje spekter vzorca enak<br />
vzorcu, se bomo temu izognili <strong>in</strong> dokaz izpeljali po direktni, krajši poti.<br />
Zapišimo sedaj enačbo (1.4-3), s katero smo določili orig<strong>in</strong>alni signal<br />
iz spektra vzorca, tako, da je določena v trenutkih t = −nT s :<br />
v(−nT s ) = 1 ∫ ωm<br />
V (ω) e jω(−nTs) dω<br />
2π −ω m<br />
= 1 ∫ ωm<br />
V (ω) e −jnTsω dω . (1.4-8)<br />
2π −ω m<br />
Primerjava (1.4-7) <strong>in</strong> (1.4-8) pove, da se ti enačbi ujemata do multiplikativne<br />
konstante natančno:<br />
oziroma:<br />
∫<br />
1<br />
ωm<br />
V (ω) e −jnTsω dt<br />
X p (nT s )<br />
v(−nT s ) = 2ω m −ω<br />
∫ m<br />
1<br />
ωm<br />
x p (ω) e −jnTst dt<br />
2π −ω m<br />
X p (nT s ) =<br />
= π<br />
ω m<br />
π<br />
ω m<br />
v(−nT s ) (1.4-9)<br />
Povezavo v (1.4-9) izkoristimo pri določitvi funkcije x p (ω). Vstavimo<br />
jo v (1.4-6) <strong>in</strong> dobimo:<br />
x p (ω) =<br />
∞∑<br />
n=−∞<br />
∑<br />
∞<br />
= π<br />
ω m<br />
X p (nT s ) e jnTsω =<br />
n=−∞<br />
∞∑<br />
n=−∞<br />
π<br />
ω m<br />
v(−nT s ) e jnTsω<br />
v(−nT s ) e jnTsω (1.4-10)<br />
Spomnimo se, da x p (ω) opisuje periodično ponavljanje spektra V (ω).<br />
To pomeni, da se funkcija x p (ω) <strong>in</strong> spekter V (ω) na <strong>in</strong>tervalu (−ω m , ω m )<br />
povsem ujemata. Zato lahko V (ω) v (1.4-3) nadomestimo z x p (ω) oziroma<br />
z desno stranjo (1.4-10). Dobimo:<br />
v(t) = 1 ∫ ωm<br />
2π<br />
= 1<br />
2π<br />
V (ω) e jωt dω = 1<br />
−ω m<br />
2π<br />
(<br />
π ∑ ∞<br />
ω m<br />
∫ ωm<br />
−ω m<br />
n=−∞<br />
∫ ωm<br />
−ω m<br />
x p (ω) e jωt dω<br />
v(−nT s ) e jnTsω )<br />
e jωt dω ,<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
1.5 Pogreški pri končnih vzorcih 9<br />
pokrajšamo konstante ter zamenjamo vrstni red <strong>in</strong>tegriranja <strong>in</strong> seštevanja:<br />
∞∑<br />
v(t) =<br />
n=−∞<br />
∫<br />
1<br />
ωm<br />
v(−nT s )<br />
2ω m<br />
−ω m<br />
e jnTsω e jnωt dω<br />
uredmo eksponente ter <strong>in</strong>tegriramo:<br />
v(t) =<br />
=<br />
=<br />
∞∑<br />
n=−∞<br />
∞∑<br />
n=−∞<br />
∞∑<br />
n=−∞<br />
(<br />
1 e<br />
jω m(t+T s)<br />
)<br />
v(−nT s )<br />
2ω m j(t + T s ) − e−jωm(t+Ts)<br />
j(t + T s )<br />
(<br />
1 e jωm(t+Ts) − e −jωm(t+Ts) )<br />
v(−nT s )<br />
ω m (t + T s )<br />
j2<br />
v(−nT s ) s<strong>in</strong> [ jω(t + nT s ) ]<br />
ω m (t + nT s )2<br />
uporabimo še oznako S a za s<strong>in</strong>(·)/(·):<br />
v(t) =<br />
∞∑<br />
n=−∞<br />
v(−nT s ) S a<br />
[<br />
ωm (t + nT s ) ]<br />
<strong>in</strong> zamenjamo (−nT s ) z (+nT s ):<br />
v(t)<br />
∞∑<br />
n=−∞<br />
v(nT s ) S a [ω m (t − nT s )] , (1.4-11)<br />
kar je že znana Shannonova <strong>in</strong>terpolacijska formula.<br />
□<br />
Iz izpeljave v dokazu sledi tudi že znana ugotovitev:<br />
Zvezni signal je povsem določen, če poznamo njegov vzorec v <strong>diskretni</strong>h<br />
trenutkih nT s ; n = 0 ± 1, ±2, . . . ,. Ker je funkcija v(nT s )<br />
soda, torej v(nT s ) = v(−nT s ), je že popolnoma znana, če poznamo<br />
njen vzorec pri ne negativnih časih.<br />
□ □ □ □ <br />
1.5 Pogreški pri končnih vzorcih<br />
Shannonovo <strong>in</strong>terpolacijsko formulo smo izpeljali za frekvenčno<br />
omejen signal. Vemo, da frekvenčno omejeni <strong>signali</strong> imajo neskončni<br />
časovni obseg, <strong>in</strong> obratno, časovno omejeni <strong>signali</strong> imajo<br />
neskončni frekvenčni obseg. Pri praktični uporabi Shannonove
10 1. Vzorčenje <strong>signalov</strong><br />
<strong>in</strong>terpolacijske formule smo omejeni na konče vzorce, saj drugače<br />
ne moremo končati računanja. Posledica tega je, da se rekonstrukcija<br />
frekvenčno omejenega signala razlikuje od orig<strong>in</strong>ala za<br />
nek pogrešek, imenujemo ga e N .<br />
Število otipkov v vzorcu, ki jih upoštevamo pri rekonstrukciji<br />
analognega signala bodi ”N + 1, približek označimo z v N (t). Iz<br />
(1.4-4) izračunamo:<br />
<strong>in</strong><br />
v N (t) =<br />
N∑<br />
n=−N<br />
v N (nT s )S a [ω m (t − T s )] (1.5-1)<br />
e N = v(t) − v N (t) (1.5-2)<br />
Zlahka uvidimo, da se (1.5-1) <strong>in</strong> (1.5-1) razlikujeta le v členih, ki<br />
jih (1.5-1) nima, zato velja:<br />
e N = ∑ n>N<br />
v(nT s ) S a [ω m (t − nT s )] . (1.5-3)<br />
Energija pogreška, označimo jo z E N je enaka:<br />
E N =<br />
=<br />
∫ ∞<br />
−∞<br />
∫ ∞<br />
−∞<br />
|v(nT s ) − v N (t)| dt<br />
|S a [ω m (t − nT s )]| dt (1.5-4)<br />
Z upoštevanjem ortonormalnosti S a (•) izračunamo energijo pogreška:<br />
E N = T ∑ |v(nT s )| 2 . (1.5-5)<br />
n>N<br />
oziroma<br />
e N √ 2f m E N , f m = ω m<br />
2π<br />
. (1.5-6)<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
2. Diskretna Fourierova<br />
transformacija<br />
Z razširitvijo digitalnih računalnikov <strong>in</strong> njihove vse pogostejše <strong>in</strong>tegracije<br />
v merilni <strong>in</strong>strumentarij, komunikacijske naprave itd -<br />
na to vpliva hiter razvoj mikroelektronske tehnologije <strong>in</strong> cenenost<br />
njihove masovne proizvodnje - je nastala želja <strong>in</strong> potreba po digitalni<br />
obdelavi <strong>signalov</strong>. Analogne metode spektralne analize <strong>in</strong> na<br />
njej temelječe obdelave <strong>signalov</strong> seveda niso primerne za reševanje<br />
z digitalnimi računalniki. Sicer obstajajo <strong>sistemi</strong> umetne <strong>in</strong>teligence,<br />
ki na osnovi ekspertnih sistemov rešujejo enačbe analogne<br />
obdelave <strong>signalov</strong>, vendar pa morajo biti ti predstavljeni v zaprti<br />
matematični obliki. To <strong>in</strong> da za že najbolj preproste probleme<br />
potrebujemo obsežno strojno <strong>in</strong> programsko opremo, so razlogi<br />
za iskanje preprostejših <strong>in</strong> uč<strong>in</strong>kovitejših poti digitalne obdelave<br />
<strong>signalov</strong>, ki povezujejo časovni <strong>diskretni</strong> sistem s frekvenčnim.<br />
2.1 Vzorčenje <strong>signalov</strong> <strong>in</strong> njihovih spektrov<br />
Osnovno pravila vzorčenja, obliko spektra vzorca <strong>in</strong> Shannonovo<br />
<strong>in</strong>terpolacijsko formulo smo zgradili z uporabo zvezne Fourierove<br />
transformacije. Sedaj pa otipajmo še frekvenčni spekter! Pri<br />
ustvarjanju vzorca spektra se spomnimo, da smo pri diskretizaciji<br />
analognega signala privzeli dve podmeni:<br />
1. spekter signala je frekvenčno omejen<br />
2. perioda Diracovih impulzov je določena s Shannonovim pravilom.<br />
11
12 2. Diskretna Fourierova transformacija<br />
Videli smo, da je posledica vzorčenja časovnega signala periodično<br />
ponavljanje spektra analognega signala v ritmu frekvence<br />
vlaka Diracovih impulzov. Kaj pa se zgodi pri tvorjenju vzorca<br />
spektra?<br />
Če otipavamo frekvenčno omejen spekter analognega signala,<br />
na primer z N Diracovimi impulzi v frekvenčnem prostoru, dobimo<br />
<strong>diskretni</strong> spekter, za katerega pa vemo, da ga imajo le periodični<br />
<strong>signali</strong>. Iz povezave ω = 2π/T s <strong>in</strong> analogije z dogajanji<br />
pri vzorčenju signala sklepamo, da je časovni signal s takšnim<br />
spektrom periodičen ter da ima osnovno frekvenco 2ω m /N (slika<br />
2.1-1). Iz tega <strong>in</strong> iz rezultatov vzorčenja zveznega signala skle-<br />
v( t)<br />
|V ) |<br />
t<br />
m<br />
0<br />
m<br />
<br />
vzorèenje<br />
v( tT s )<br />
v( t) v( tT s )<br />
|Vm ) |<br />
T s <br />
s<br />
<br />
N<br />
2<br />
<br />
<br />
m N<br />
m<br />
t<br />
m<br />
0<br />
2<br />
<br />
N<br />
<br />
T s<br />
N otipkov<br />
m<br />
<br />
Slika 2.1-1<br />
Analogni signal <strong>in</strong> njegov spekter (zgoraj). Posledica vzorčenja spektra je nastanek periodičnega<br />
ponavljanja orig<strong>in</strong>alnega signala (spodaj).<br />
CTF:<br />
Cont<strong>in</strong>uous Fourier<br />
Transformation<br />
ICTF:<br />
Inverse CTF<br />
pamo, da z vzorčenjem periodičnega časovnega signala dobimo<br />
periodični <strong>diskretni</strong> spekter; oziroma, da za poznavanje signala<br />
<strong>in</strong> njegovega spektra zadošča poznavanje N otipkov (ene periode)<br />
signala ali N otipkov (ene periode) njegovega spektra. Pri tem<br />
moramo določiti N s Shannonovim pravilom.<br />
Slika 2.1-2 kaže analogni signal <strong>in</strong> njegov spekter, vzorec analognega<br />
signala <strong>in</strong> njegov spekter, ki jih povezuje zvezna Fourierovo<br />
oziroma zvezna <strong>in</strong>verzna Fourierova transformacija - na sliki<br />
sta označeni s kraticama CFT <strong>in</strong> ICFT ter zvezo med vzorcem<br />
spektra vzorca <strong>in</strong> signalom, ki ga dobimo z <strong>in</strong>verzno diskretna<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
2.1 Vzorčenje <strong>signalov</strong> <strong>in</strong> njihovih spektrov 13<br />
CFT<br />
v( t)<br />
|V ( )<br />
|<br />
v( nT s )<br />
|V ( )<br />
|<br />
ICFT<br />
t<br />
m 0<br />
vzorèenje<br />
CFT<br />
ICFT<br />
m<br />
<br />
t<br />
m<br />
0<br />
m<br />
<br />
vzorèenje<br />
|V[ m ] |<br />
m<br />
0<br />
m<br />
<br />
m<br />
DFT<br />
v[ n]<br />
IDFT<br />
T<br />
t<br />
Slika 2.1-2<br />
Analogni signal <strong>in</strong> njegov spekter (zgoraj). Vzorec signala <strong>in</strong> njegov spekter določen z zvezno Fourierovo<br />
transformacijo (sred<strong>in</strong>a), vzorčeni spekter vzorca <strong>in</strong> njegova povezava z vzorcem signala z DFT oziroma<br />
IDFT signala (spodaj).<br />
Fourierovo transformacijo. Povezava med njima je sliki označena<br />
s kraticama DFT <strong>in</strong> IDFT. Iz osenčenega dela slike vidimo, <strong>in</strong> to<br />
lahko zaključimo tudi že iz dosedanje razlage, da je ta signal (ki<br />
ustvari vzorec spektra vzorčenega analognega signala) periodično<br />
ponavljajoči se vzorec signala.<br />
DFT:<br />
Discrete Fourier<br />
Transformation<br />
IDFT:<br />
Inverse DFT
14 2. Diskretna Fourierova transformacija<br />
2.2 Diskretna Fourierova transformacija<br />
V uvodu smo si zastavili cilj, da z DFT povežemo vzorec signala<br />
z vzorcem spektra signala. Od transformacije zahtevamo, da je<br />
polna <strong>in</strong> obrnljiva, to pomeni, da obstaja tudi IDFT. To dosežemo<br />
le, če se število otipkov signala ujema s številom otipkov njegovega<br />
spektra. Želimo si tudi čimbolj simetrično zgradbo DFT <strong>in</strong><br />
IDFT. Pri tem izhajamo iz spoznanj pridobljenih pri preučevanju<br />
vzorca signala <strong>in</strong> njegovega spektra.<br />
2.2.1 Izpeljava DFT<br />
Izhajamo iz Fourierovega <strong>in</strong>tegrala:<br />
X(ω) =<br />
∫ ∞<br />
−∞<br />
x(t) e −jωt dt ,<br />
ki ga nadomestimo z njegovo aproksimacijo prvega reda<br />
2.2-1). To pomeni, da ga izračunamo po kvadratni formuli:<br />
(slika<br />
∞∑<br />
X(ω) = x(nT s ) e −jωnt T s . (2.2-1)<br />
n=−∞<br />
Vzorčimo še spekter.<br />
Pri tem upoštevamo, da povezujemo N<br />
x( t)<br />
x( nT s )<br />
nT s<br />
T<br />
z<br />
nTs<br />
Ts<br />
/ 2<br />
nTs<br />
Ts<br />
/ 2<br />
x( t) dt x( nTs<br />
) T<br />
s<br />
t<br />
dt → T s<br />
dω → Ω<br />
Ω = ω m<br />
N = 1 N<br />
2π<br />
T s<br />
t → nT s<br />
ω → mΩ<br />
Slika 2.2-1<br />
Pravokotna aproksimacija <strong>in</strong>tegriranja<br />
otipkov v periodi vzorca signala z N otipki v vzorca njegovega<br />
spektra. Perioda spektra je 2ω m , otipki si sledijo v <strong>in</strong>tervalu T s<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
2.2 Diskretna Fourierova transformacija 15<br />
oziroma Ω:<br />
X(mΩ) =<br />
=<br />
N−1<br />
∑<br />
n=−0<br />
N−1<br />
∑<br />
n=0<br />
2π<br />
−jm<br />
x(nT s ) e NTs nTs<br />
x(nT s ) e −j 2π N mn<br />
} {{ }<br />
jedro<br />
T s<br />
T s .<br />
V transformacijskem jedru e −j 2π N mn vpeljimo novo oznako W N :<br />
e −j 2π N = WN (2.2-2)<br />
<strong>in</strong> obrazec za zvezno Fourierovo transformacijo (CFT) <strong>diskretni</strong>h<br />
<strong>signalov</strong> je:<br />
N−1<br />
∑<br />
X(mΩ) = T s x(nT s )WN mn . (2.2-3)<br />
n=0<br />
Obrazec (2.2-3) povezuje m-ti otipek spektra z otipki signala.<br />
Vidimo, da je odvisen od konstante T s . Taka odvisnost seveda ni<br />
zaželena, zato so DFT def<strong>in</strong>irali kot:<br />
X(mΩ) =<br />
N−1<br />
∑<br />
n=0<br />
x(nT s )W mn<br />
N , m = 0, 1, . . . N − 1 (2.2-4a)<br />
<strong>in</strong> <strong>in</strong>verzno DFT kot:<br />
x(nT s ) = 1 −mn<br />
X(mΩ)WN , m = 0, 1, . . . N − 1 . (2.2-4b)<br />
N<br />
Še matrična oblika DFT <strong>in</strong> IDFT:<br />
analiza: DFT<br />
s<strong>in</strong>teza: IDFT<br />
[<br />
X(mΩ)<br />
]N = [ WN<br />
mn ]<br />
N×N · [x(nT<br />
s ) ] N<br />
[<br />
x(nTs ) ] N = 1 [ ] [ ]<br />
W<br />
−mn<br />
N<br />
N<br />
N×N X(mΩ)<br />
N<br />
(2.2-5a)<br />
(2.2-5b)<br />
Vrednosti jedra WN<br />
mn so koeficienti transformacijske matrike, ki<br />
povezuje stolpec z vektorjem otipkov signala <strong>in</strong> stolpec z vektorjem<br />
otipkov spektra. Določeni so z izbiro N. V kompleksni
16 2. Diskretna Fourierova transformacija<br />
{ W N<br />
}<br />
W 8<br />
5<br />
W<br />
6 8<br />
<br />
j<br />
W 8<br />
7<br />
Slika 2.2-2<br />
Predstavitev transformacijskega<br />
jedra WN<br />
mn = W 8 mn .<br />
W 8<br />
4<br />
1<br />
W<br />
0<br />
8<br />
8<br />
W8<br />
1<br />
{ }<br />
W N<br />
W 8<br />
3<br />
W<br />
2 j<br />
8<br />
W<br />
1<br />
8<br />
W<br />
9<br />
8<br />
<br />
ravn<strong>in</strong>i ležijo enakomerno porazdeljeni po enotski krožnici (slika<br />
2.2-2).<br />
ZGLED 2.2-1<br />
Izračunajmo DFT za zaporedje otipkov x(0) = 1, x(T s ) = 0, x(2T s ) = 0<br />
<strong>in</strong> x(3T s ) = 1 (slika 2.2-3).<br />
REŠITEV: Najprej določimo koeficiente transformacijskega jedra. Imamo<br />
štiri otipke, torej je N = 4. Iz (2.2-2) sledi:<br />
e −j 2π 4 = W4 .<br />
Vrednosti, ki jih lahko W 4 lahko zavzame, kaže slika 2.2-3.<br />
{ }<br />
W 3 4 = W4 7 = W<br />
11<br />
4<br />
= ... = j<br />
W N<br />
W 4 0 = 1<br />
Slika 2.2-3<br />
Vrednosti, ki jih lahko zavzame<br />
W 4 .<br />
W 4 2 =W<br />
W<br />
4 6 =<br />
10<br />
4<br />
= ... = <br />
W<br />
W<br />
4 4 =<br />
8<br />
4<br />
= ... =<br />
W N<br />
{ }<br />
W 1 4 = W4 5 = W<br />
9<br />
4<br />
= ... = j<br />
Prvo komponento spektra izračunamo z (2.2-4) pri m = 0 <strong>in</strong> n ∈ {0, 3}.<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
2.2 Diskretna Fourierova transformacija 17<br />
Dobimo:<br />
X(0) =<br />
3∑<br />
x(nT s )W4<br />
0<br />
n=0<br />
= x(0) + x(T s ) + x(2T s ) + x(3T s )<br />
= 1 + 0 + 0 + 1 = 2 .<br />
Vidimo, da je X(0) realen, z amplitudo 2 <strong>in</strong> faznim kotom φ(0) = 0. Drugo<br />
komponento spektra izračunamo pri m = 1 <strong>in</strong> n ∈ {0, 3}. Dobimo:<br />
X(1Ω) =<br />
3∑<br />
x(nT s )W4<br />
n<br />
n=0<br />
= x(0)W 0 4 + x(T s )W 1 4 + x(2T s )W 2 4 + x(3T s )W 3 4<br />
= 1 · (1) + 0 · (−j) + 0 · (−1) + 1 · (+j)<br />
= 1 + 0 + 0 + j = 1 + j .<br />
Vidimo, da je ta komponenta kompleksna. Za njeno amplitudo velja<br />
za fazni kot pa:<br />
|X(1Ω)| = √ 1 2 + (j) 2 = √ 2 ,<br />
φ(1Ω) = arctan I{X(1Ω)}<br />
R{X(1Ω)} = arctan 1 1 = 45o ,<br />
Podobno računamo tretjo komponento spektra.<br />
n ∈ {0, 3}. Dobimo:<br />
Pri njej je m = 2 <strong>in</strong><br />
X(2Ω) =<br />
3∑<br />
n=0<br />
x(nT s )W 2n<br />
4<br />
= x(0)W 0 4 + x(T s )W 2 4 + x(2T s )W 4 4 + x(3T s )W 6 4<br />
= 1 · (1) + 0 · (−1) + 0 · (1) + 1 · (−j)<br />
= 1 + 0 + 0 − 1 = 0 .<br />
Zaključimo še izračun zadnje komponente. Pri njej je m = 4 <strong>in</strong> n ∈ {0, 3}.<br />
Dobimo:<br />
X(2Ω) =<br />
3∑<br />
n=0<br />
x(nT s )W 3n<br />
4<br />
= x(0)W 0 4 + x(T s )W 3 4 + x(2T s )W 6 4 + x(3T s )W 9 4<br />
= 1 · (1) + 0 · (j) + 0 · (−1) + 1 · (−j)<br />
= 1 + 0 + 0 − j = 1 − j .
18 2. Diskretna Fourierova transformacija<br />
Slika 2.2-4<br />
Zaporedje x(nT s ) <strong>in</strong> njegov<br />
spekter, ki smo ga izračunali z<br />
DFT.<br />
( T)<br />
x n<br />
1<br />
0<br />
0<br />
2<br />
1,41<br />
0<br />
0<br />
45 o<br />
0<br />
-45 o<br />
X( m)<br />
( m)<br />
0<br />
2<br />
2<br />
2<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
√Tudi ta komponenta je kompleksna. Njena amplituda je enaka X(3T s ) =<br />
2, fazni kot pa je φ(3Ω) = −45 o . Amplitudni <strong>in</strong> fazni spekter sta prikazana<br />
na sliki 2.2-4.<br />
Matrični zapis izpeljane transformacije je seveda bolj kompakten. Za<br />
njegovo uporabo moramo najprej določiti koeficiente transformacijske matrike.<br />
V našem primeru je ta dovolj majhna, da si lahko pomagamo s skico<br />
na sliki 2.2-3. Z uporabo matričnega računa lahko zapišemo:<br />
X(mΩ) = W 4 · x(nT s )<br />
⎡ ⎤ ⎡<br />
⎤ ⎡ ⎤ ⎡<br />
⎤ ⎡ ⎤ ⎡ ⎤<br />
X(0) W4 0 W4 0 W4 0 W4<br />
0 x(0) 1 1 1 1 1 2<br />
X(Ω)<br />
⎢ ⎥<br />
⎣X(2Ω)<br />
⎦ = W4 0 W4 1 W4 2 W4<br />
3 ⎢<br />
⎣W4 0 W4 2 W4 4 W4<br />
6 ⎥<br />
⎦ ·<br />
x(T s )<br />
⎢ ⎥<br />
⎣x(2T s ) ⎦ = 1 −j −1 j<br />
⎢<br />
⎥<br />
⎣1 −1 1 −1⎦ ·<br />
0<br />
⎢ ⎥<br />
⎣0⎦ = 1 + j<br />
⎢ ⎥<br />
⎣ 0 ⎦ .<br />
X(3Ω) W4 0 W4 3 W4 6 W4<br />
9 x(3T s ) 1 j −1 −j 1 1 − j<br />
Iz matričnega zapisa je tudi lažje videti obsežnost računanja DFT. V<br />
obravnavanem primeru imamo 16 množenj <strong>in</strong> 16 seštevanj (potem, ko<br />
imamo že znane W4 mn ). ♦<br />
2.2.2 Simetrična obrazca za DFT <strong>in</strong> IDFT<br />
Poleg zapisane oblike DFT se pogosto uporablja simetrično oblika<br />
obrazcev za DFT <strong>in</strong> IDFT:<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
2.2 Diskretna Fourierova transformacija 19<br />
DFT X(mΩ) = √ 1 N−1<br />
∑<br />
x(nT s ) W −nm<br />
N<br />
, (2.2-6)<br />
N<br />
m=0<br />
IDFT x(nT s ) = √ 1 N−1<br />
∑<br />
X(mΩ) WN nm . (2.2-7)<br />
N<br />
m=0<br />
Ta obrazca sta posebej uporabna, kadar je N = 2 2b . Takrat<br />
je √ N = 2 b <strong>in</strong> se deljenje v (2.2-6) <strong>in</strong> (2.2-7) lahko izvede s<br />
preprostim pomikom rezultata v registru digitalnega signalnega<br />
procesorja za b bitov v desno.<br />
2.2.3 DFT <strong>in</strong> IDFT povezujeta periodično se<br />
ponavljajoča izseka signala <strong>in</strong> spektra<br />
Da DFT povezuje periodično ponavljanje sekvence otipkov signala<br />
<strong>in</strong> spektra - to smo z grafi pokazali na sliki 2.1-1 na strani 12<br />
– se prepričamo s primerjavo X(mΩ) z X[(m + N)Ω]:<br />
X(mΩ) =<br />
X[(m + N)Ω] =<br />
=<br />
N−1<br />
∑<br />
n=0<br />
N−1<br />
∑<br />
n=0<br />
N−1<br />
∑<br />
n=0<br />
N−1<br />
∑<br />
x(nT s )WN mn =<br />
n=0<br />
x(nT s )W (m+N)n<br />
N−1<br />
∑<br />
N<br />
=<br />
x(nT s )e −j 2π N mn e −j2nπ<br />
ker je n celo število, velja e −j2nπ = 1, <strong>in</strong>:<br />
X[(m + N)Ω] =<br />
=<br />
N−1<br />
∑<br />
n=0<br />
N−1<br />
∑<br />
n=0<br />
x(nT s )e −j 2π N mn<br />
x(nT s )W mn<br />
N<br />
x(nT s )e −j 2π N mn<br />
n=0<br />
= X(mΩ)<br />
x(nT s )e −j 2π N mn e −j 2π N Nn<br />
Pri tem ni odveč ponovno poudariti, da se periodično ponavlja<br />
zaporedje otipkov. Če je slučajno tudi signal periodičen, <strong>in</strong> se<br />
njegova perioda ne ujema z začetkom <strong>in</strong> koncem otipkov zajetih<br />
v DFT, se perioda signala “izgubi”. Za ilustracijo naj služi<br />
naslednja slika (slika 2.2-5)
20 2. Diskretna Fourierova transformacija<br />
v( t)<br />
CFT<br />
|V ( )<br />
|<br />
t<br />
ICFT<br />
m<br />
0<br />
m<br />
<br />
N ( t)<br />
Slika 2.2-5<br />
Ilustracija DFT periodičnega<br />
signala.<br />
m ( t)<br />
v( t)<br />
t<br />
CFT<br />
|V ( )<br />
|<br />
t<br />
ICFT<br />
m<br />
0<br />
m<br />
<br />
m( t) v( t)<br />
( t)<br />
DFT<br />
|V( m )<br />
|<br />
t<br />
IDFT<br />
m<br />
0<br />
m<br />
<br />
Vidimo, da je del signala, ki ga vzorčimo, določen s pravokotnim<br />
oknom Π m . Okno določi del signala, ki se periodično<br />
ponavlja <strong>in</strong> ta “signal” z DFT določimo Fourierovo vrsto tega signala.<br />
Seveda se Fourierovi vrsti orig<strong>in</strong>alnega signala <strong>in</strong> z oknom<br />
določenega signala ne ujemata, oziroma se ujemata takrat <strong>in</strong><br />
samo takrat, ko se okno ujema s periodo orig<strong>in</strong>alnega signala! S<br />
problemom oken se obširno ukvarjamo v poglavju ?? na strani ??.<br />
2.2.4 Zapis otipkov signala <strong>in</strong> njegovega spektra<br />
V nadaljevanju bomo zaradi krajšega zapisa pri zapisu otipkov<br />
signala <strong>in</strong> spektra opustili zapis Ω <strong>in</strong> T s , torej<br />
X(mΩ) = X[m] <strong>in</strong> x(nT s ) = x[n] .<br />
S tem bomo tudi poudarili neodvisnost DFT od <strong>in</strong>tervala tipanja,<br />
oziroma njegovo odvisnost od števila otipkov.<br />
OPOMBA 2-1 Vrednost Fourierove transformacije signala v trenutkih tipanja<br />
določa (2.2-3). Torej jo dobimo tao, da izračunano DFT pomnožimo z <strong>in</strong>tervalom<br />
tipanja T s.<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
2.3 Lastnosti DFT <strong>in</strong> IDFT 21<br />
2.3 Lastnosti DFT <strong>in</strong> IDFT<br />
DFT smo izpeljali iz zvezne Fourierove transformacije. zato upravičeno<br />
pričakujemo, da ima podobne lastnosti. Poglejmo.<br />
L<strong>in</strong>earnost<br />
DFT je l<strong>in</strong>earna operacija:<br />
a x[m] + b y[m] ↔ a X[k] + b Y [k] .<br />
Simetričnost Simetričnost obstaja simetrija med časovnim zaporedjem<br />
<strong>in</strong> pripadajočim frekvenčnim zaporedjem, ki ga izračunamo<br />
z DFT.<br />
1<br />
x[m] ↔ X[−k] .<br />
N<br />
Časovni zamik Zakasnitev vzorca x(n) za neko konstanto, ki<br />
jo odštejemo od n, na primer x(n − t 0 ) povzroči fazni zamik<br />
frekvenčnega zaporedja, ki ga izračunamo z DFT:<br />
Fazni zamik<br />
x(n − t 0 ) ↔ X[k] W k t 0<br />
N<br />
.<br />
x(n) W k t 0<br />
N<br />
↔ X(k − t 0 ) .<br />
Sode <strong>in</strong> lihe funkcije Pri sodi časovni funkciji dobimo realno<br />
<strong>in</strong> sodo frekvenčno zaporedje:<br />
x(n) = x(−n) ↔ R{X[k]} = R{X[−k]} ,<br />
pri lihi časovni sekvenci pa imag<strong>in</strong>arno <strong>in</strong> liho frekvenčno zaporedje:<br />
x(n) = −x(−n) ↔ I{X[k]} = −I{X[−k]} ,<br />
DFT realnih <strong>in</strong> imag<strong>in</strong>arnih funkcij DFT realne časovne<br />
funkcije generira sodo realno <strong>in</strong> liho imag<strong>in</strong>arno frekvenčno zaporedje:<br />
x(n) = R{x(−n)} ↔R{X[k]} + I{X[−k]}<br />
R{X[k]} = R{X[−k]}<br />
I{X[k]} = −I{X[−k]} .
22 2. Diskretna Fourierova transformacija<br />
L<strong>in</strong>earna korelacija L<strong>in</strong>earno korelacijo dveh zaporedij podatkov<br />
lahko izračunamo tudi z DFT. V prvi knjigi smo korelacijo<br />
dveh končnih zaporedij podatkov def<strong>in</strong>irali z:<br />
kakšen je potem odnos med y[n], v[n] <strong>in</strong> h[n]? Odgovor na to<br />
vprašanje bomo izpeljali iz def<strong>in</strong>icije diskretne Fourierove transformacije:<br />
(2.2-4a): X[m] =<br />
(2.2-4b):<br />
x[n] = 1 N<br />
N−1<br />
∑<br />
n=0<br />
N−1<br />
∑<br />
m=0<br />
x[n] W nm<br />
N<br />
X[m] W −nm<br />
N<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
2.4 Krožna konvolucija 23<br />
Z uporabo zgornjih enačb lahko zapišemo za H[k]:<br />
H[k] =<br />
Y [k] =<br />
N−1<br />
∑<br />
y[n] = 1 N<br />
m=0<br />
[ N−1<br />
= 1 N<br />
h[m] e −j2πkm/N , k = 0, 1, 2, . . . , N − 1<br />
] [ ∑ N−1<br />
]<br />
x[n] e −j2πkn/N h[m] e −j2πkm/N<br />
n=0<br />
N−1<br />
∑<br />
k=0<br />
N−1<br />
∑<br />
l=0<br />
[ N−1 ∑<br />
l=0<br />
N−1<br />
∑<br />
x[l]<br />
Izraz v oklepaju je:<br />
<strong>in</strong> zato:<br />
N−1<br />
∑<br />
m=0<br />
∑<br />
m=0<br />
] [ N−1<br />
]<br />
∑<br />
x[l] e −j2πkl/N h[m] e −j2πkml/N<br />
m=0<br />
m=0<br />
h[m]<br />
h[m] e −j2πkml/N =<br />
y[n] = 1 N<br />
N−1<br />
∑<br />
l=0<br />
[ N−1<br />
]<br />
∑<br />
h[m] e j2πk(n−l−m)/N<br />
m=0<br />
{<br />
N , n − l − m = 0<br />
N−1<br />
∑<br />
x[l]<br />
0 , sicer<br />
m=0<br />
h[m]Nδ[n − l − m]<br />
e j2πkn/N<br />
Ker je impulzni odziv enak 0 povsod razen ko je m = n − l, lahko<br />
preoblikujemo zgornjo enačbo v:<br />
ciklična konvolucija:<br />
y[n] = 1 N<br />
N−1<br />
∑<br />
N−1<br />
∑<br />
l=0 m=0<br />
x[l]h[n − l] (2.4-2)<br />
Seštevanje preko periode se razlikuje od seštevanja po vsej časovni<br />
osi. Zaradi te posebnosti tudi včasih imenujemo to konvolucijo<br />
periodična konvolucija. Da jo bomo simbolično ločevali od l<strong>in</strong>earne<br />
konvolucije, jo bomo označevali (ko bomo hoteli poudariti<br />
tip konvolucije) s simbolom ⊛:<br />
y[n] = x[n] ⊛ h[n] = 1 N<br />
N−1<br />
∑<br />
m=0<br />
x[l]h[n − l] . (2.4-3)
24 2. Diskretna Fourierova transformacija<br />
Torej smo poiskali <strong>diskretni</strong> Fourierov par:<br />
x[n] ⊛ h[n]<br />
F<br />
←−−−→ X[k]H[k] , (2.4-4)<br />
ki ga imenujemo krožna konvolucija. Njen izračun si lahko predstavljamo<br />
z dvema koncentričnima krogoma, kot kaže naslednja<br />
slika.<br />
2.5 Računanje DFT<br />
V analizi (<strong>in</strong> s<strong>in</strong>tezi) <strong>signalov</strong> je DFT zelo močno orodje. Iz<br />
def<strong>in</strong>icij vemo, da z DFT pravzaprav aproksimiramo zvezno Fourierovo<br />
transformacijo. zato ponavadi želimo čim bolj velik N,<br />
da je pogrešek aproksimacije čim manjši. Z večanjem N pa skokovito<br />
narašča število množenj <strong>in</strong> seštevanj. Že za izračun ene<br />
komponente spektra potrebujemo (N − 1) množenj (množenje z<br />
x(0) = 1 · x(0) ne štejemo) <strong>in</strong> N seštevanj. Za vse komponente<br />
spektra pa potrebujemo:<br />
(N − 1) 2 množenj<br />
N(N − 1)<br />
seštevanj<br />
seveda, če so vsi elementi transformacije samo realni ali samo<br />
imag<strong>in</strong>arni. V splošnem pa imamo pri DFT opraviti s kompleksnimi<br />
števili. Pri računanju DFT imamo šest različnih računanj<br />
glede na tip števila:<br />
tip števila<br />
realno z realnim<br />
realno z imag<strong>in</strong>arnim<br />
realno s kompleksnim<br />
1 množenje ali 1 seštevanje<br />
2 množenje ali 1 seštevanje<br />
kompleksno s kompleksnim<br />
tip števila<br />
imag<strong>in</strong>arno z imag<strong>in</strong>arnim<br />
imag<strong>in</strong>arno z realnim<br />
imag<strong>in</strong>arno s kompleksnim<br />
4 množenja + 2 seštevanji ali 2 seštevanji<br />
Vidimo, da DFT algoritem zahteva v najbolj neugodnem (splošnem)<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
2.5 Računanje DFT 25<br />
primeru<br />
4(N − 1) 2 množenj<br />
4N 2 − 6N<br />
seštevanj<br />
V več<strong>in</strong>i primerov so x(n) realna števila, tako da za izračun DFT<br />
ponavadi potrebujemo:<br />
(N 1 ) 2 množenj realnega števila s kompleksnim<br />
N(N − 1)<br />
W m N n je razen v posebnih primerih kompleksno število!<br />
kompleksnih seštevanj<br />
Iz tega kratkega pregleda postane razumljivo, zakaj so raziskovalci<br />
vložili veliko truda v iskanje posebnih tehnik hitrega<br />
računanja DFT <strong>in</strong> IDFT. Razložili jih bomo v naslednjem poglavju.
26 2. Diskretna Fourierova transformacija<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
3. Hitra Fourierova<br />
transformacija<br />
Hitra Fourierova transformacija na široko odprla vrata digitalnim<br />
signalnim procesorjem <strong>in</strong> s tem moderni obdelavi <strong>signalov</strong>. Vse<br />
algoritme računanja DFT, ki za svojo izvedbo potrebujejo manj<br />
kot (N − 1) 2 kompleksnih množenj, imenujemo hitra Fourierova<br />
transformacija. Za te algoritme se je uveljavila kratica FFT.<br />
FFT:<br />
Fast Fourier<br />
Transformation<br />
3.1 Matrični zapis DFT<br />
V matričnem zapisu DFT bomo upoštevali (??) <strong>in</strong> (??). Izhodiščni<br />
vzorec signala bomo označili z x 0 , zaradi krajšega pisanja<br />
bomo pri zapisu jedra izpuščali <strong>in</strong>deks N. S tem dogovorom<br />
lahko zapišemo:<br />
X(n) =<br />
N−1<br />
∑<br />
k=0<br />
x 0 (k) W nk , n ∈ (0, N − 1) . (3.1-1)<br />
Z (3.1-1) smo v resnici zapisali N enačb, za vsak otipek spektra<br />
je ena. Na primer, če je N = 4, velja:<br />
X(0) = x 0 (0)W 0 + x 0 (1)W 0 + x 0 (2)W 0 + x 0 (3)W 0<br />
X(1) = x 0 (0)W 0 + x 0 (1)W 1 + x 0 (2)W 2 + x 0 (3)W 3<br />
X(2) = x 0 (0)W 0 + x 0 (1)W 2 + x 0 (2)W 4 + x 0 (3)W 6<br />
X(3) = x 0 (0)W 0 + x 0 (1)W 3 + x 0 (2)W 6 + x 0 (3)W 9<br />
27
28 3. Hitra Fourierova transformacija<br />
oziroma v matrični obliki lahko zapišemo:<br />
⎡ ⎤ ⎡<br />
⎤ ⎡ ⎤<br />
X(0) W 0 W 0 W 0 W 0 x 0 (0)<br />
X(1)<br />
⎢<br />
⎣X(2)<br />
⎥<br />
⎦ = W 0 W 1 W 2 W 3<br />
⎢<br />
⎣W 0 W 2 W 4 W 6 ⎥<br />
⎦ ·<br />
x 0 (1)<br />
⎢<br />
⎣x 0 (2)<br />
⎥<br />
⎦<br />
X(3) W 0 W 3 W 6 W 9 x 0 (3)<br />
(3.1-2)<br />
3.2 Intuitivni razvoj algoritmov za FFT<br />
Za ilustracijo algoritma FFT je udobno, če za N izberemo število,<br />
ki ga izračunamo z:<br />
N = 2 γ , γ : celo število . (3.2-1)<br />
Obstajajo sicer algoritmi, ki to omejitev obidejo, vendar njihova<br />
zahtevnost presega namen tega zapisa. Zato bomo v nadaljevanju<br />
opisali le algoritme na predpostavki (3.2-1). Pri izbiri N = 4 = 2 2<br />
smo že upoštevali to priporočilo.<br />
Prvi korak pri razvoju algoritma FFT za podani primer v<br />
(3.1-2) je, da delno izračunamo vrednosti koeficientov W nk :<br />
⎡ ⎤ ⎡<br />
⎤ ⎡ ⎤<br />
X(0) 1 1 1 1 x 0 (0)<br />
X(1)<br />
⎢<br />
⎣X(2)<br />
⎥<br />
⎦ = 1 W 1 W 2 W 3<br />
⎢<br />
⎣1 W 2 W 0 W 2 ⎥<br />
⎦ ·<br />
x 0 (1)<br />
⎢<br />
⎣x 0 (2)<br />
⎥ (3.2-2)<br />
⎦<br />
X(3) 1 W 3 W 2 W 1 x 0 (3)<br />
Izpisane vrednosti koeficientov smo dobili z upoštevanjem cikličnosti<br />
W nk , ki smo jo grafično predstavili že na sliki 2.2-2,<br />
v analitični obliki pa jo zapišemo z:<br />
Spomnimo se, da je:<br />
n k<br />
W nk = W n k mod N (3.2-3)<br />
mod N = ostanek deljenja nk<br />
N ,<br />
torej pri N = 4, n = 2 <strong>in</strong> k = 3 dobimo:<br />
W 2·3 = W 6 = W 2 ,<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
3.2 Intuitivni razvoj algoritmov za FFT 29<br />
DOKAZ<br />
W 6 = e j 2π 4 ·6 = e −j3π = e −jπ = e j 2π 4 ·2 = W 2 (3.2-4)<br />
□<br />
Drugi korak je poiskati faktorje matrike v (3.2-2) tako, da<br />
lahko matriko zapišemo v obliki:<br />
⎡ ⎤ ⎡<br />
⎤ ⎡<br />
⎤ ⎡ ⎤<br />
X(0) 1 W 0 0 0 1 0 W 0 0 x 0 (0)<br />
X(2)<br />
⎢<br />
⎣X(1)<br />
⎥<br />
⎦ = 1 W 2 0 0<br />
⎢<br />
⎣0 0 1 W 1 ⎥<br />
⎦ ·<br />
0 1 0 W 0<br />
⎢<br />
⎣1 0 W 2 0<br />
⎥<br />
⎦ ·<br />
x 0 (1)<br />
⎢<br />
⎣x 0 (2)<br />
⎥<br />
⎦<br />
X(3) 0 0 1 W 3 0 1 0 W 2 x 0 (3)<br />
(3.2-5)<br />
Metoda faktoriziranja temelji na teoriji FFT, ki jo bomo opisali<br />
v dodatku k FFT. Za zdaj naj zadostuje preizkus, da produkt<br />
matrik v (3.2-5) enak matriki v (3.2-5) z izjemo, da sta medsebojno<br />
zamenjani prva <strong>in</strong> druga (če označimo vrstice z 0, 1, 2 <strong>in</strong><br />
3 od zgoraj navzdol, glej <strong>in</strong>dekse vektroja [x(n)]), kar pa smo<br />
upoštevali v zapisu vektorja F X(m)], ki ga sedaj označimo z:<br />
⎡ ⎤<br />
X(0)<br />
¯X(n) =<br />
X(2)<br />
⎢<br />
⎣X(1)<br />
⎥ . (3.2-6)<br />
⎦<br />
X(3)<br />
Naslednji korak je izračun produkta desne matrike <strong>in</strong> vektorja<br />
[xn]:<br />
⎡ ⎤ ⎡<br />
⎤ ⎡ ⎤<br />
x 1 (0) 1 0 W 0 0 x 0 (0)<br />
x 1 (1)<br />
⎢<br />
⎣x 1 (2)<br />
⎥<br />
⎦ = 0 1 0 W 0<br />
⎢<br />
⎣1 0 W 2 0<br />
⎥<br />
⎦ ·<br />
x 0 (1)<br />
⎢<br />
⎣x 0 (2)<br />
⎥ (3.2-7)<br />
⎦<br />
x 1 (3) 0 1 0 W 2 x 0 (3)<br />
Vidimo, da element za izračun x 1 (0) potrebujemo eno kompleksno<br />
množenje (z W 0 ) <strong>in</strong> eno kompleksno seštevanje:<br />
x 1 (0) = x 0 (0) + W 0 x 0 (2)<br />
V matrikah zapisani<br />
W 0 niso zamenjani z 1<br />
zaradi splošnosti<br />
postopka!
30 3. Hitra Fourierova transformacija<br />
{ W N<br />
}<br />
j W 3<br />
W 2<br />
-j<br />
0 2<br />
W W<br />
{ W N<br />
}<br />
W 1<br />
-1 1<br />
Element x 1 (1) je prav tako določen z enim kompleksnim množenjem<br />
<strong>in</strong> seštevanjem. pro računanju x 1 (2) pa potrebujemo le eno kompleksno<br />
seštevanje, saj je W 0 = −W 2 :<br />
x 1 (2) = x 0 (0) + W 2 x 0 (2)<br />
= x 0 (0) + W 0 x 0 (2) (3.2-8)<br />
Slika 3.2-1<br />
Lega W 0 v kompleksni ravn<strong>in</strong>i<br />
kjer pa smo množenje W 0 x 0 (2) že izvedli pri računanju x 1 (0)!<br />
Iz istega razloga imamo pri računanju x 1 (3) le eno kompleksno<br />
seštevanje <strong>in</strong> nič množenja. Vmesni vektor [x 1 (k)] tako izračunamo<br />
s štirimi kompleksnimi seštevanji <strong>in</strong> dvema kompleksnima množenjima.<br />
Nadaljujmo z računanjem (3.2-5):<br />
⎡ ⎤ ⎡ ⎤ ⎡<br />
⎤ ⎡ ⎤<br />
X(0) x 2 (0) 1 W 0 0 0 x 1 (0)<br />
X(2)<br />
⎢<br />
⎣X(1)<br />
⎥<br />
⎦ = x 2 (1)<br />
⎢<br />
⎣x 2 (2)<br />
⎥<br />
⎦ = 1 W 2 0 0<br />
⎢<br />
⎣0 0 1 W 1 ⎥<br />
⎦ ·<br />
x 1 (1)<br />
⎢<br />
⎣x 1 (2)<br />
⎥<br />
⎦<br />
X(3) x 3 (3) 0 0 1 W 3 x 1 (3)<br />
(3.2-9)<br />
Element x 2 (0) izračunamo z enim kompleksnim množenjem <strong>in</strong><br />
seštevanjem:<br />
x 2 (0) = x 1 (0) + W 0 x 1 (1) , (3.2-10)<br />
element x 2 (1) izračunamo z enim seštevanjem, ker je W 0 =<br />
−W 2 . Podobno je pri računanju x 2 (2), kjer potrebujemo eno<br />
kompleksno množenje <strong>in</strong> seštevanje, pri računanju x 2 (3) pa le<br />
eno seštevanje.<br />
Računanje ¯X(n) po poti, ki jo določa (3.2-5) tako zahteva 4<br />
kompleksna množenja <strong>in</strong> 8 kompleksnih seštevanj. Če pa računamo<br />
X(n) po direktni poti, ki jo določa (3.2-2), pa potrebujemo 16<br />
kompleksnih množenj <strong>in</strong> 12 kompleksnih seštevanj.<br />
Postopek faktorizacije, ki smo ga opisali za N = 4, lahko<br />
pri DFT, kjer je N = 2 γ , enostavno razširimo tako, da matriko<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
3.2 Intuitivni razvoj algoritmov za FFT 31<br />
Tabela 3-1<br />
Primerjava števila operacij med FFT <strong>in</strong> DFT<br />
FFT<br />
Nγ<br />
2<br />
(<br />
= 4 · 2<br />
2 = 4 )<br />
kompleksnih množenj<br />
DFT<br />
Nγ (= 4 · 2 = 8)<br />
kompleksnih seštevanj<br />
N 2 (<br />
4 2 = 16 ) kompleksnih množenj<br />
N(N −1) (= 4 · 3 = 12)<br />
kompleksnih seštevanj<br />
W N×N nadomestimo s produktom γ faktoriziranih matrik velikosti<br />
N × N, ki vsaka zase m<strong>in</strong>imizira število kompleksnih množenj<br />
<strong>in</strong> seštevanj. Primerjavo potrebnih množenj <strong>in</strong> seštevanj pri taki<br />
izvedbi FFT <strong>in</strong> direktne DFT podaja tabela 3-1.<br />
Če privzamemo, da je število množenj sorazmerno času računanja,<br />
je približno razmerje med časoma računanja FFT <strong>in</strong> DFT določeno<br />
z:<br />
N 2<br />
Nγ/2 = 2N γ<br />
ki je pri N = 1024 = 2 1 0 več kot 200 : 1. Na sliki 3.2-2 je<br />
diagram primerjave števila množenj pri FFT <strong>in</strong> DFT.<br />
Proces faktorizacije ima slabost, da rezultat ni več urejen po<br />
istem vrstnem redu kot so urejeni vhodni podatki. Spomnimo<br />
se, da je rezultat FFT ¯X(n) <strong>in</strong> ne X(n), torej:<br />
⎡ ⎤<br />
⎡ ⎤<br />
X(0)<br />
X(0)<br />
¯X(n) =<br />
X(2)<br />
⎢<br />
⎣X(1)<br />
⎥<br />
⎦ namesto X(n) = X(1)<br />
⎢<br />
⎣X(2)<br />
⎥<br />
⎦<br />
X(3)<br />
X(3)<br />
,<br />
Ta premetanka rezultatov je <strong>in</strong>herentna procesu faktorizacije matrik<br />
<strong>in</strong> je postranski problem FFT. Za zaporedne razvrstitve rezultatov<br />
obstoji preprosta tehnika, ki jo pokažimo na obravnava-
32 3. Hitra Fourierova transformacija<br />
1024<br />
Slika 3.2-2<br />
Primerjava števila množenj pri<br />
FFT <strong>in</strong> DFT v odvisnosti od N.<br />
število mnoenj ( x 1000)<br />
512<br />
256<br />
DFT<br />
128<br />
64<br />
FFT<br />
število otipkov v vzorcu - N<br />
nem primeru. številke otipkov zapišimo v b<strong>in</strong>arni obliki:<br />
⎡ ⎤ ⎡ ⎤<br />
X(0) X(00 B )<br />
X(2)<br />
⎢<br />
⎣X(1)<br />
⎥<br />
⎦ → X(10 B )<br />
⎢<br />
⎣X(01 B )<br />
⎥<br />
⎦<br />
X(3) X(11 B )<br />
bit revers<strong>in</strong>g notation<br />
Če zapišemo b<strong>in</strong>arno vrednost v nasprotni smeri, torej da 01 B<br />
postane 10 B , 10 B postane 01 B , 00 B <strong>in</strong> 11 B pa se ne spremenita,<br />
potem premetani rezultat uredimo!<br />
⎡ ⎤<br />
⎡ ⎤<br />
X(00 B )<br />
X(00 B )<br />
¯X(n) =<br />
X(10 B )<br />
⎢<br />
⎣X(01 B )<br />
⎥<br />
⎦ preide v X(01 B )<br />
⎢<br />
⎣X(10 B )<br />
⎥<br />
⎦ = X(n)<br />
X(11 B )<br />
X(11 B )<br />
Ta tehnika ureditve rezultatov je splošna ter jo je preprosto<br />
realizirati. Pomnilniški register v računalniku, ki vsebuje b<strong>in</strong>arni<br />
zapis podatkov preprosto krožno premaknemo v desno za toliko<br />
mest, kot je dolga zapis številke otipka (slika 3.2-3)<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
3.3 Grafična predstavitev FFT 33<br />
1<br />
1<br />
0<br />
1<br />
1<br />
1<br />
0<br />
1<br />
1<br />
1<br />
0<br />
1<br />
1 0 1 1<br />
premetani podatki<br />
kroenje v desno (štiri krat)<br />
urejeni rezultati<br />
Slika 3.2-3<br />
Urejanje rezultata FFT.<br />
3.3 Grafična predstavitev FFT<br />
Pri večjih N je zapis algoritma za FFT nepregleden. Zato si<br />
ponavadi pomagamo z grafično predstavitvijo algoritma v obliki<br />
črtnega diagrama poteka računanja. Imenujemo ga signalni diagram.<br />
Primer signalnega diagrama za obravnavani primer kaže<br />
slika 3.3-1.<br />
Signal Flow Graph<br />
x ( k ) x ( k)<br />
x ( k)<br />
0 1 2<br />
x 0<br />
( 0)<br />
x 1<br />
( 0) x 2<br />
( 0)<br />
W 0<br />
W 1<br />
x 0<br />
( 1)<br />
x 0<br />
( 2)<br />
x W 2<br />
1<br />
( 1) x 2<br />
( 1)<br />
W 0<br />
W 2 x 1<br />
( 2) W 1 x 2<br />
( 2)<br />
x 0<br />
( 3)<br />
W 2 x W 3<br />
1<br />
( 3) x 2<br />
( 3)<br />
Slika 3.3-1<br />
Signalni diagram.<br />
Iz slike vidimo, da v vsako vozlišče prihajata dve črti, ki predstavljata<br />
prenosno pot iz predhodnih vozlišč. Po tej poti se<br />
prenese podatek, če je pot označena z W p , pa tudi pomnoži z<br />
označenim elementom matrike [W ]. V vozliščih se vstopna podatka<br />
seštejeta <strong>in</strong> seštevek prenese po poteh, ki izhajata iz tega<br />
vozlišča.<br />
Za ilustracijo razumevanja signalnega diagrama izpišimo iz
34 3. Hitra Fourierova transformacija<br />
njega enačbi za x 1 (2) <strong>in</strong> x 2 (2):<br />
x 1 (2) = x 0 (0) + W 2 x 0 (2)<br />
x 1 (0) = x 0 (0) + W 2 x 0 (1)<br />
Vidimo, da sta ti enačbi enaki (3.2-7) <strong>in</strong> (3.2-8).<br />
Signalni diagram je natančen <strong>in</strong> pregleden nač<strong>in</strong> predstavitev<br />
izvajanja algoritma FFT. Vsaki stolpec vozlišča predstavlja<br />
izračun ene matrike, zato je v grafu γ stolpcev.<br />
3.3.1 Dualna vozlišča<br />
Iz signalnega diagrama takoj uvidimo, da so v vsakem stolpcu<br />
po dvoje vozlišč, v katera vodita poti iz istega para vozlišč v<br />
predhodnem stolpcu vozlišč, še več, iz tega para ne gre rezultat<br />
izračuna v nobeno drugo vozlišče. Ta vozlišča imenujemo dualna<br />
vozlišča.<br />
Na signalnem diagramu za N = 16 (slika 3.3-2) so označena<br />
nekatera dualna vozlišča. Iz njega vidimo, da sta dualni par v<br />
drugem stolpcu [x 1 (k)] vozlišči x 1 (0) <strong>in</strong> x 1 (8).<br />
Ker je izračun dualnega para neodvisen od ostalih vozlišč,<br />
lahko njegov izračun naredimo na ”mestu”. To pomeni, da lahko<br />
sočasno izračunamo x 1 (0) <strong>in</strong> x 1 (8) s podatki x 0 (0) <strong>in</strong> x 0 (8), rezultat<br />
izračuna pa zapišemo v pomnilniško lokacijo, v kateri sta<br />
prej bila x 0 (0) <strong>in</strong> x 0 (8).<br />
3.3.2 Razmestitev dualnih vozlišč<br />
Raziščimo še razpored dualnih vozlišč v stolpcu. Razdaljo med<br />
njimi pa označimo v številki vozlišča k. Iz slike 3.3-2 vidimo, da<br />
je v stolpcu l = 1 dualni par x 1 (0) <strong>in</strong> x 1 (8), medsebojno pa je<br />
razmaknjen za k = 4 = N/2 l , oziroma za razmik med dualnimi<br />
pari velja:<br />
k = N 2 l ,<br />
N : število otipkov<br />
l : številka stolpca<br />
k : številka otipka<br />
Torej je k vozlišču x l (k) dualno vozlišče x l (k + N/ l ).<br />
3.3.3 Izračun dualnega vozlišča<br />
(3.3-1)<br />
Za izračun dualnega para potrebujemo le eno kompleksno množenje.<br />
Za pojasnitev si poglejmo dualni par x 2 (8) <strong>in</strong> x 2 (12). prenosna<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
3.3 Grafična predstavitev FFT 35<br />
x 0<br />
(0)<br />
x 0<br />
(1)<br />
x 0<br />
(2)<br />
x 0<br />
(3)<br />
x 0 (4)<br />
x 0<br />
(5)<br />
x 0<br />
(6)<br />
x 0<br />
(7)<br />
x 0<br />
(8)<br />
x 0<br />
(9)<br />
x 0<br />
(10)<br />
x 0 (11)<br />
x 0<br />
(12)<br />
x 0<br />
(13)<br />
x 0<br />
(14)<br />
x 0<br />
(15)<br />
l 1 l 2 l = 3<br />
l 4<br />
vmesni podatki<br />
vhodni<br />
podatki<br />
x0 ( k )<br />
x1 ( k ) x 2 ( k)<br />
x 3 ( k)<br />
x 4 ( k)<br />
W 0 x 1<br />
(0) W 0 x 2<br />
(0) W 0 x 3<br />
(0) W 0 x 4<br />
(0)<br />
W 0 x 1<br />
(1) W 0 x 2<br />
(1) W 0 x 3<br />
(1) W 0 x 4<br />
(1)<br />
W 0 x 1<br />
(2) W 0 x 2<br />
(2) W 8 x 3<br />
(2) W 8 x 4<br />
(2)<br />
W 0 x 1<br />
(3) W 0 x 2<br />
(3) W 8 x 3<br />
(3) W 8 x 4<br />
(3)<br />
dualni<br />
x par<br />
W 0 1<br />
(4) x<br />
vozlišè<br />
W 8 2<br />
(4) W 4 x 3<br />
(4) W 4 x 4<br />
(4)<br />
W 0 x 1<br />
(5) W 8 x 2<br />
(5) W 4 x 3<br />
(5) W 4 x 4<br />
(5)<br />
W 0 x 1<br />
(6) W 8 x 2<br />
(6) W 12 x 3<br />
(6) W 12 x 4<br />
(6)<br />
W 0 x 1<br />
(7) W 8 x 2<br />
(7) W 12 x 3<br />
(7) W 12 x 4<br />
(7)<br />
W 8 x 1<br />
(8) W 4 x 2<br />
(8) W 2 x 3<br />
(8) W 2 x 4<br />
(8)<br />
W 8 x 1<br />
(9) W 4 x 2<br />
(9) W 2 x 3<br />
(9) W 2 x 4<br />
(9)<br />
W 8 x 1<br />
(10) W 4 x 2<br />
(10) W 10’ x 3<br />
(10) W 10’ x 4<br />
(10)<br />
W 8 x 1<br />
(11) W 4 x 2<br />
(11) W 40 x 3<br />
(11) W 40 x 4<br />
(11)<br />
W 8 x 1<br />
(12) W 12 x 2<br />
(12) W 6 x 3<br />
(12) W 6 x 4<br />
(12)<br />
W 8<br />
W 8<br />
W 8<br />
Slika 3.3-2<br />
Signalni diagram za N = 16.<br />
x 1<br />
(13) W 12 x 2<br />
(13) W 6 x 3<br />
(13) W 6 x 4<br />
(13)<br />
x 1<br />
(14) W 12 x 2<br />
(14) W 14 x 3<br />
(14) W 14 x 4<br />
(14)<br />
x 1<br />
(15) W 12 x 2<br />
(15) W 14 x 3<br />
(15) W 14 x 4<br />
(15)<br />
pot, ki gre iz x 1 (12) izvede množenje z W 8 oziroma z W 1 2 preden<br />
podatek prispe v vozlišče x 2 (8 oziroma x 2 (12). Pomembno<br />
je poudariti, da velja:<br />
W 4 = −W 12 ,
36 3. Hitra Fourierova transformacija<br />
torej zadostuje le eno množenje:<br />
x 2 (8) = x 1 (8) + W 4 x ( 12)<br />
x 2 (12) = x 1 (8) + W 12 x 1 (12)<br />
= x 1 (8) − W 4 x 1 (12)<br />
saj produkt enkrat prištejemo, enkrat pa odštejemo. Na splošno,<br />
če je utež (potenca) vozlišča p, torej imamo W p , je utež dualnega<br />
para p + N/2 oziroma imamo W p+N/2 . Ker velja<br />
W p = −W p+N/2<br />
potrebujemo pri izračunu dualnega para le eno množenje. Splošni<br />
zapis izračuna poljubnega dualnega para je:<br />
x l (k) = x l−1 (k) + W p x l−1 (k + N 2 l ) (3.3-2)<br />
x l (k + N 2 l ) = x l−1 (k) − W p x l−1 (k + N 2 l ) . (3.3-3)<br />
Ob izračunu vozlišč nekega stolpca običajno pričnemo računati<br />
pri k = 0 <strong>in</strong> nadaljujemo z računanjem zaporednih vozlišč <strong>in</strong> njihovih<br />
dualnih parov. Ko k naraste na N/2 l , preskočimo k vozlišč,<br />
saj smo jih že izračunali, ter nadaljujemo izračun naslednje skup<strong>in</strong>e<br />
dualnih parov (če obstaja v stolpcu). Računanje prek<strong>in</strong>emo,<br />
ko k preseže N − 1.<br />
3.3.4 Določitev W p<br />
Poiskali smo že vse lastnosti vsakega stolpca razen določanja uteži<br />
p. Vrednost p določimo po naslednjem pravilu:<br />
1. Zapišemo k v b<strong>in</strong>arni obliki. Za zapis potrebujemo γ bitov.<br />
2. Skaliramo k tako, da pomaknemo zapisane bite za γ − l v<br />
desno. Pri tem z leve strani vpisujemo ničle (uporabimo<br />
ukaz šhift right (γ − l)”.<br />
l 0<br />
Slika 3.3-3 0<br />
( l)<br />
3. Obrnemo zaporedje bitov. Dobljeni zapis določa število p.<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
3.3 Grafična predstavitev FFT 37<br />
Zapisani postopek pojasnimo s primerom izračuna p za vozlišče<br />
x 3 (8) (slika ??). Zanj velja:<br />
γ = 4 , k = 8 , l = 3<br />
Sedaj pa po opisani proceduri določimo p:<br />
1. k = 8D = 1000B<br />
2. pomik v desno za γ − l = 4 − 3 = 1 <strong>in</strong> vpis 0 z leve: 0100 B<br />
3. obrnemo zaporedje bitov 0010 B <strong>in</strong> dobimo p = 2.
38 3. Hitra Fourierova transformacija<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
4. z-transformacija<br />
Kljub temu, da je v naravi več<strong>in</strong>a <strong>signalov</strong> zveznih, danes prevladuje<br />
numerična obdelave <strong>signalov</strong>. Pot do številčne predstavitve<br />
signala je diskretizacija signala tako po času kot po amplitudi. Z<br />
osnovnimi pojavi, ki se pri tem zgodijo, smo spoznali na poti iz<br />
zvezne Fourierove v diskretno Fourierovo transformacijo. Kako<br />
pa je z Laplaceovo transformacijo?<br />
4.1 Laplaceova transformacija vzorca signala<br />
Pri obravnavi zveznih <strong>signalov</strong> smo namignili, da lahko na Fourierovo<br />
transformacijo gledamo kot na poseben primer Laplaceove<br />
transformacije s σ = 0. Zato lahko sklepamo, da ima Laplaceova<br />
transformacija vzorca nekatere podobnosti s Fourierovo transformacijo<br />
vzorca.<br />
Laplaceova transformacija vzorca signala se glasi:<br />
X(s) = L { x[n] } { ∞<br />
}<br />
∑<br />
∞∑<br />
= L x(nT ) · (t − nT ) = x[n]e −nT s .<br />
n=0<br />
n=0<br />
Laplaceova transformacija vzorca signala (podobno kot Fourierova<br />
transformacija) da periodično sliko. To slutimo že iz obravnave<br />
vzorčenja, uvidimo pa tudi iz funkcije X[s + j(k 2π/T )]:<br />
X(s + jk 2π ∞ T ) = ∑<br />
x[n] e −nT (s+jk 2π T<br />
= ∞ ∑<br />
x[n] e −nT s e jnk 2π T<br />
} {{ } =<br />
=1<br />
n=0<br />
n=0<br />
Funkcija X(s) je torej periodična vzdolž vzporednice jω v ravn<strong>in</strong>i<br />
σ + jω (slika 4.1-1).<br />
∞∑<br />
x[n] e −nT s .<br />
n=0<br />
39
40 4. z-transformacija<br />
poli <strong>in</strong> nièle<br />
zveznega signala<br />
j<br />
poli <strong>in</strong> nièle<br />
vzorca signala<br />
j<br />
j<br />
m<br />
j<br />
m<br />
j<br />
m<br />
Slika 4.1-1<br />
Periodičnost Laplaceove<br />
transformiranke vzorca signala.<br />
<br />
j<br />
j<br />
j<br />
m<br />
m<br />
<br />
m<br />
j<br />
m<br />
j<br />
m<br />
Zaradi periodičnosti X(s) Laplaceova transformacija izgubi<br />
mnogo lepih lastnosti. Tako imamo pri <strong>in</strong>verzni Laplaceovi transformaciji<br />
opravka z neskončnim številom polov <strong>in</strong> ničel v s-ravn<strong>in</strong>i.<br />
Izmed vseh moramo izbirati le tiste, ki ležijo znotraj pasu [−ω m , ω m ],<br />
te pripadajo analognemu orig<strong>in</strong>alu. Če vpeljemo zamenjavo:<br />
e sT = z (4.1-1)<br />
def<strong>in</strong>iramo novo transformacijo, imenujemo jo z-transformacija:<br />
X(z) =<br />
∞∑<br />
x[n]z −n , (4.1-2)<br />
n=0<br />
ki preslika pas vzdolž realne osi v s-ravn<strong>in</strong>i omejen z −jω, jω v z-<br />
ravn<strong>in</strong>o tako, kot kaže slika 4.1-2. Vrednosti X(z) so def<strong>in</strong>irane<br />
le za tiste vrednosti z, pri katerih je potenčna vrsta (4.1-1) konvergentna.<br />
Konvergenčno območje omejuje krožnica, ki gre skozi<br />
najbližji oziroma najoddaljenejši pol funkcije X(z) ali krožnici,<br />
ki omejujeta konvergenčno polje izven kolobarja, v katerem se<br />
nahajajo poli.<br />
Konvergenčno območje je odvisno od obnašanja funkcije X(z), ko<br />
n narašča preko vseh mej proti −∞ ali proti ∞. Seveda o območju<br />
konvergence ne sme biti polov.<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
4.2 Konvergenčna območja 41<br />
j<br />
j<br />
m<br />
j<br />
m<br />
<br />
{ z}<br />
{ z}<br />
Slika 4.1-2<br />
Preslikava s-ravn<strong>in</strong>e v z-ravn<strong>in</strong>o.<br />
Kaj pa <strong>in</strong>verzna z-transformacija? Nje ne moremo izpeljati z<br />
<strong>in</strong>verzno Laplaceovo transformacijo. Zanjo je potrebno znanje iz<br />
kompleksne analize <strong>in</strong> komformih preslikav. Inverzni Laplaceovi<br />
transformaciji je posvečen poseben razdelek.<br />
4.2 Konvergenčna območja<br />
Vsi <strong>signali</strong>, ki smo jih opisali v prejšnjem podpoglavju, so kavzalni.<br />
Njihovi poli so znotraj ali na robu enotskega kroga. To<br />
uvidimo iz (4.1-2), saj X(z) konvergira, ko je |z| 1. Povedano<br />
drugače, z-transformacija obstaja, torej je X(z) je konvergentna<br />
funkcij, če se |z| nahaja v konvergenčnem območju.<br />
Čeprav nas v obdelavi <strong>signalov</strong> zanimajo predvsem kavzalni<br />
<strong>signali</strong>, se kljub temu zastavlja vprašanje, kje je konvergenčno<br />
območje pri ostalih <strong>signali</strong>h? Ta odgovor je pomemben, da uvidimo<br />
vse posebnosti z-transformacije. Ta je očitno odvisna od<br />
konvergenčnega območja, konvergenčno območje pa od signala.<br />
V nadaljevanju bomo posplošili določilo konvergenčnega območja<br />
tako za kavzalne kot tudi za nekavzalne ter neomejene signale.<br />
Zaradi krajšega pisanja uvajamo za konvergenčna območja kratico<br />
ROC, ki jo bomo predvsem uporabljali v zapisu enačb <strong>in</strong> ROC:<br />
naštevkih.<br />
Region of Convergence<br />
4.2.1 Kavzalni <strong>signali</strong><br />
Kavzalne signale opiše funkcija, ki ima pole znotraj enotskega<br />
kroga. Torej, X(z) je konvergentna funkcija, če velja:<br />
ROC: R < |z| < ∞ , (R max = 1) (4.2-1)
42 4. z-transformacija<br />
kjer je R razdalja med koord<strong>in</strong>atnim izhodiščem <strong>in</strong> najbolj oddaljenim<br />
polom. Poudarimo:<br />
Pri kavzalnih <strong>signali</strong>h z-transformacija preslika pas med −ω m , ω m<br />
negativne s-polravn<strong>in</strong>e v notranjost enotskega kroga (slika 1.3-1).<br />
Stabilni kavzalni sistem ima pole znotraj enotskega kroga ali na<br />
njem.<br />
Slika 4.2-1<br />
Konvergentno področje za<br />
kavzalna zaporedja.<br />
j<br />
j<br />
m<br />
j<br />
m<br />
<br />
{ z}<br />
konvergenèno<br />
obmoèje<br />
{ z}<br />
4.2.2 Nekavzalni <strong>signali</strong><br />
Za nekavzalne signale velja:<br />
x[n] = 0 n > 0 (4.2-2)<br />
0∑<br />
∞∑<br />
X(z) = x[n]z −n = x(−n)z n (4.2-3)<br />
n=−∞<br />
n=0<br />
Vidimo, da X(z) konvergira tudi pri z = 0. To pomeni, da<br />
koord<strong>in</strong>atno izhodišče pripada konvergenčnemu področju. konvergenčno<br />
območje je omejeno s krožnico, ki gre skozi pol, ki je<br />
najbližje koord<strong>in</strong>atnemu središču (slika 1.4-1). X(z) konvergira<br />
Slika 4.2-2<br />
Konvergenčno območje za<br />
nekavzalna zaporedja.<br />
j<br />
j<br />
j<br />
m<br />
m<br />
<br />
{ z}<br />
konvergenèno<br />
obmoèje<br />
{ z}<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
4.2 Konvergenčna območja 43<br />
za<br />
ROC: 0 < |z| < R , (R m<strong>in</strong> = 1) (4.2-4)<br />
4.2.3 Neomejeni <strong>signali</strong><br />
Predstavimo ga lahko kot vsoto kavzalnega <strong>in</strong> nekavzalnega zaporedja:<br />
0∑<br />
∞∑<br />
X(z) = x[n]z −n + x[n]z −n (4.2-5)<br />
n=−∞<br />
n=0<br />
kjer kavzalni del konvergira v območju (4.2-1), nekavzalni pa v<br />
območju (4.2-4), zato je konvergentno območje neomejenega signala<br />
določeno s presekom teh območij (slika 4.2-3):<br />
ROC: R N < |z| < R Z (4.2-6)<br />
kjer R n določa (4.2-1), R z pa (4.2-4).<br />
{ z}<br />
konvergentno<br />
obmoèje<br />
1<br />
{ z}<br />
Slika 4.2-3<br />
Konvergentno področje za<br />
neomejena zaporedja.<br />
4.2.4 z transformacijski pari<br />
V razdelkih tega podpoglavja smo opisali ztransformacije za nekatere<br />
pogoste signale. Ti zapisi povezujejo pare v z-transformaciji,<br />
podobno kot smo spoznali Fourierove <strong>in</strong> Laplaceove pare. S tabelami<br />
teh parov si pomagamo pri računanju transformacije <strong>in</strong><br />
njenega obrata.
44 4. z-transformacija<br />
V tabeli 4-1 so zbrani vsi izračunani pari, pa tudi nekateri<br />
drugi, ki jih pogosto srečujemo <strong>in</strong> jih tudi uporabljamo v tem<br />
učbeniku.<br />
4.2.5 Povzetek lastnosti ROC<br />
Iz podanih primerov lahko zaključimo, da samo zapis z-transformacije<br />
ne zadostuje. Podati moramo še konvergenčno območje. Povzetek<br />
lastnosti konvergenčnih območij so v naslednjem naštevku.<br />
Lastnost 1<br />
Konvergenčno območje je površ<strong>in</strong>a omejena s krožnico<br />
s središčem v izhodišču z-ravn<strong>in</strong>e, za katero velja:<br />
ROC: 0 R N < |z| < R Z ∞ .<br />
Lastnost 2<br />
Lastnost 3<br />
Lastnost 4<br />
Lastnost 5<br />
Lastnost 6<br />
Lastnost 7<br />
R N <strong>in</strong> R Z sta krožnici, ki omejujeta konvergenčno<br />
območje.<br />
Fourierova transformacija x[n] absolutno konvergira,<br />
če <strong>in</strong> samo če je konvergenčno območje z-transformacij<br />
x[n] zajema tudi enotski krog.<br />
V konvergenčnem območju ne sme biti nobenega pola.<br />
Če je x[n] končno zaporedje, torej zaporedje, ki je<br />
različno od nič le znotraj omejenega <strong>in</strong>tervala, −∞ <<br />
N 1 n N 2 < ∞, kjer sta N 1 , N 2 meji <strong>in</strong>tervala,<br />
potem je konvergenčno območje vsa z-ravn<strong>in</strong>a z izjemo<br />
točk z = 0 <strong>in</strong> z = ∞.<br />
Če je x[n] desno stransko ali kavzalno zaporedje, to<br />
je zaporedje, ki je enako nič pri n < N < ∞, se konvergenčno<br />
območje nahaja zunaj kroga, ki ga določa<br />
krožnica skozi najbolj oddaljen pol.<br />
Če je x[n] levo stransko ali nekavzalno zaporedje, to<br />
je zaporedje, ki je enako nič pri n > N > −∞, se<br />
konvergenčno območje nahaja znotraj kroga, ki ga<br />
določa krožnica skozi najbližji pol.<br />
Če je x[n] dvo-stransko ali neomejeno zaporedje, torej<br />
vsota kavzalnega <strong>in</strong> nekavzalnega zaporedja, je<br />
konvergenčno območje znotraj kolobarja, ki ga omejujeta<br />
krožnici skozi najbolj oddaljen pol, ki pripada<br />
notranji skup<strong>in</strong>i polov (določa jih levo stranski del<br />
zaporedja) <strong>in</strong> najbližji pol zunanje skup<strong>in</strong>e polov<br />
(določa jih desno stranski del zaporedja).<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
4.2 Konvergenčna območja 45<br />
Tabela 4-1<br />
Pogosti z-transformacijski pari<br />
štev. zaporedje transform ROC<br />
1 δ[n] 1 vsi z<br />
2 u[n]<br />
3 −u[−n − 1]<br />
1<br />
1 − z −1 |z| > 1<br />
1<br />
1 − z −1 |z| < 1<br />
4 δ[n − m] z −m vsi z razen 0<br />
(m > 0) ali ∞,<br />
(m < 0)<br />
5 a n u[n]<br />
6 −a n u[−n − 1]<br />
7 na n u[n]<br />
8 −na n u[−n − 1]<br />
9 cos[nω 0 ]u[n]<br />
10 s<strong>in</strong>[nω 0 ]u[n]<br />
12 r n cos[nω 0 ]u[n]<br />
12 r n cos[nω 0 ]u[n]<br />
12 r n s<strong>in</strong>[nω 0 ]u[n]<br />
13<br />
{<br />
a n , 0 n N − 1<br />
0 , sicer<br />
1<br />
1 − az −1 |z| > |a|<br />
1<br />
1 − az −1 |z| < |a|<br />
az −1<br />
(1 − az −1 ) 2 |z| > |a|<br />
az −1<br />
(1 − az −1 ) 2 |z| < |a|<br />
1 − cos[nω 0 ]<br />
1 − 2 cos[ω 0 ]z −2 |z| > 1<br />
s<strong>in</strong>[nω 0 ]z −1<br />
1 − 2 cos[ω 0 ]z −2 |z| > 1<br />
r cos[nω 0 ]z −1<br />
1 − 2r cos[ω 0 ]r 2 z −2 |z| > 1<br />
r cos[nω 0 ]z −1<br />
1 − 2r cos[ω 0 ]r 2 z −2 |z| > 1<br />
r s<strong>in</strong>[nω 0 ]z −1<br />
1 − 2r cos[ω 0 ]r 2 z −2 |z| > 1<br />
1 − a N z −N<br />
1 − az −1 |z| > 0
46 4. z-transformacija<br />
Lastnost 8<br />
Konvergenčno območje mora omejevati sklenjena krivulja.<br />
4.2.6 Vrste z-transformacije<br />
V primerih kavzalnih <strong>in</strong> nekavzalnih <strong>signalov</strong> govorimo o tako<br />
imenovani enostranski z-transformaciji. Za kavzalne signale jo<br />
imenujemo leva z-transformacija, za nekavzalne signale pa desna<br />
z-transformacija. Pri neomejenih <strong>signali</strong>h imamo opravka s<br />
splošno ali dvostransko z-transformacijo:<br />
∞∑<br />
Z{x[n]} = x[n] z −n (4.2-7)<br />
i=−∞<br />
Def<strong>in</strong>icija dvostranske z-transformacije je ekvivalentna def<strong>in</strong>iciji<br />
dvostranski Laplaceovi transformaciji ali dvostranski kompleksni<br />
Fourierovi transformaciji.<br />
4.3 Inverzna Z transformacija<br />
Določiti jo moramo na več nač<strong>in</strong>ov, vsem nač<strong>in</strong>om pa je v ozadju<br />
znana relacija iz kompleksne analize.<br />
∮<br />
{<br />
1<br />
z k−1 0 k ≠ 0<br />
dz =<br />
(4.3-1)<br />
2πj<br />
1 k = 1<br />
C<br />
Za rešitev krivuljnega <strong>in</strong>tegrala moramo določiti krivuljo C, ki<br />
mora obiti vse pole. Če pomnožimo levo <strong>in</strong> desno stran enačbe,<br />
ki def<strong>in</strong>ira z-transformacijo, z z k−1 :<br />
∞∑<br />
∞∑<br />
X(z)z k−1 = x[n] z −n z k−1 = x[n] z k−n−1<br />
n=0<br />
n=0<br />
ter rezultat <strong>in</strong>tegriramo po zaključeni krivulji C, ki je v območju<br />
konvergence:<br />
∮<br />
∞∑<br />
∮<br />
X(z)z k−1 dz = x[n] z k−n−1 dz . (4.3-2)<br />
C<br />
C<br />
n=0<br />
Zaradi (4.3-1) je na desni strani (4.3-2) različen od nič samo člen<br />
z k = n, zato sledi:<br />
∮<br />
X(z)z k−1 dz = x(k)(2πj) ,<br />
C<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
4.3 Inverzna Z transformacija 47<br />
∮<br />
1<br />
kjer je 2πj zaradi<br />
2πj C z−1 dz = 1. Sledi, da je x[n] določen z:<br />
x[n] = 1<br />
2πj<br />
∮<br />
C<br />
X(z) z n−1 dz . (4.3-3)<br />
Iz kompleksne analize je znano, da lahko <strong>in</strong>tegral v (4.3-3) rešimo<br />
s teoremom o residiumih, to je ostankih. S tem teoremom smo se<br />
srečali že pri določanju <strong>in</strong>verzne Laplaceove transformacije, zato<br />
zapišimo:<br />
∮<br />
1<br />
X(z) z n−1 dz = ∑ [ ]<br />
Res X(z)vseh polov znotraj C<br />
2πj C<br />
<strong>in</strong> pokažimo primer izračuna:<br />
ZGLED 4.3-1 Določitev <strong>in</strong>verzne z-transformacije z residiumi<br />
Imejmo funkcijo:<br />
X(z) =<br />
z −1<br />
(1 − z −1 )(1 − 0, 5z −1 ) = z<br />
(z − 1)(z − 0, 5)<br />
za katero s pomočjo residiumov izračunajmo <strong>in</strong>verzno z-transformacijo:<br />
x[n] = 1 ∮<br />
z<br />
2π (z − 1)(z − 0, 5) zn−1 dz<br />
= 1<br />
2π<br />
∮<br />
z n<br />
(z − 1)(z − 0, 5) dz = ∑ [ ]<br />
Res X(z)<br />
z n (z − 1)<br />
z n (z − 1)<br />
∣<br />
=<br />
∣ +<br />
(z − 1)(z − 0, 5) z=1 (z − 0, 5)(z − 0, 5)<br />
=<br />
1 n<br />
(<br />
0, 1<br />
5n<br />
+<br />
(1 − 0, 5) 0, 5 − 1) = 2 − 0, 5n−1 = 2 −<br />
2<br />
= 2(1 − 2 −n )<br />
∣<br />
z=0,5<br />
) n−1<br />
x( nT<br />
)<br />
2<br />
1<br />
Slika 4.3-1<br />
Ilustracija zgleda 4.3-1.<br />
0<br />
1 2 3<br />
n<br />
♦
48 4. z-transformacija<br />
4.4 Lastnosti z-transformacije<br />
Mnoge lastnosti z-transformacije sop zelo uporabne pri proučevanju<br />
časovno <strong>diskretni</strong>h <strong>signalov</strong> <strong>in</strong> sistemov. Na primer, s izkoristimo<br />
jih lahko pri računanju <strong>in</strong>verzne z-transformacije.<br />
V tem podpoglavju bomo opisali najpogosteje uporabljane lastnosti.<br />
Pri njihovem opisu bomo konvergenčna območja označevali<br />
z ROC x , kjer bo <strong>in</strong>deks x povedal kateri signal bo določil ROC,<br />
torej konvergenčno območje. Na primer:<br />
x[n]<br />
z<br />
←→ X(z) ROC = ROC x .<br />
To označevanje seveda postane bolj smiselno, ko imamo opravka<br />
z več <strong>signali</strong>, na primer<br />
x 1 (n)<br />
x 2 (n)<br />
z<br />
←→ X(z)<br />
z<br />
←→ X(z)<br />
ROC = ROC x1<br />
ROC = ROC x2<br />
<strong>in</strong> je na primer skupno konvergenčno območje določeno s presekom:<br />
ROC = ROC x1 ∩ ROC x2 .<br />
4.4.1 L<strong>in</strong>earnost<br />
L<strong>in</strong>earnost:<br />
ax 1 (n)+bx 2 (n)<br />
z<br />
←→ aX 1 (z)+bX 2 (z)<br />
ROC = ROC x1 ∩ROC x2<br />
sledi iz def<strong>in</strong>icije z-transformacije. Konvergenčno območje je<br />
določeno s presekom konvergenčnih območij posameznih ROC.<br />
Pri zaporedju z racionalno z-transformacijo, kjer pole aX 1 (z) +<br />
bX 2 (z) sestavljajo vsi poli X 1 (z) <strong>in</strong> X 2 (z), torej ni črtanja polov,<br />
ROC natančno prekriva <strong>in</strong>dividualna konvergenčna področja. Če<br />
je l<strong>in</strong>earna komb<strong>in</strong>acija taka, da ničle enega od <strong>signalov</strong> oziroma<br />
sistemov črtajo - kompenzirajo pole drugega, potem lahko konvergenčno<br />
področje postane večje. Preprosti primer te možnosti<br />
dobimo če sta x 1 (n) <strong>in</strong> x 2 neskončni zaporedji, njuna l<strong>in</strong>earna<br />
komb<strong>in</strong>acija pa končno zaporedje. V tem primeru je ROC vsa<br />
z-ravn<strong>in</strong>a z možno izjemo točk z = 0 <strong>in</strong> z = ∞. Primer take<br />
komb<strong>in</strong>acije je:<br />
x[n] = a n u[n] − a n u(n N ) .<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
4.4 Lastnosti z-transformacije 49<br />
Tu sta tako a n u[n] kot a n u(n − N) neskončni desno stranski zaporedji.<br />
Njihova z-transformacija ima pole pri z = a. Zato imata<br />
<strong>in</strong>dividualni ROC določen z |z| > |a|. Vendar je ta pol kompenziran<br />
z ničlo pri z = a, zato skupni ROC zajema vso z-ravn<strong>in</strong>o<br />
razen koord<strong>in</strong>atnega izhodišča.<br />
4.4.2 Časovni premik<br />
x[n − n 0 ]<br />
z<br />
←→ z n 0<br />
X(z)<br />
ROC = ROC x (z izjemo, če se<br />
doda ali črta z = 0<br />
ali z = ∞) .<br />
n 0 je celo število. Če je pozitivno, se orig<strong>in</strong>alno zaporedje premakne<br />
v desno, če pa je negativno pa v levo. Enako kot pri l<strong>in</strong>earni<br />
komb<strong>in</strong>aciji, se lahko ROC spremeni, saj faktor z −n 0<br />
spremeni<br />
število polov v točkah z = 0 <strong>in</strong> z = ∞.<br />
Izpeljava te lastnosti sledi iz obrazca za z-transformacijo (4.1-2):<br />
(4.1-2): Xz =<br />
Če vanj vstavimo x(n − n 0 ) dobimo:<br />
(4.1-2): Y z =<br />
∞∑<br />
i=−∞<br />
x[n − n 0 ] z −n<br />
∞∑<br />
i=−∞<br />
x[n] z −n .<br />
z zamenjavo spremenljivk m = n − n 0 → n = m + n 0 dobimo<br />
oziroma<br />
=<br />
∞∑<br />
i=−∞<br />
Y z = z −n 0<br />
X(z) .<br />
x(m) z −m−n 0<br />
= z −n 0<br />
∞∑<br />
i=−∞<br />
x(m) z m<br />
} {{ }<br />
X(z)<br />
Lastnost časovnega premika lahko mnogokrat uč<strong>in</strong>kovito izkoristimo<br />
(skupaj z ostalimi lastnostmi) pri računanju <strong>in</strong>verzne z-<br />
transformacije. To podkrepimo z naslednjim zgledom:
50 4. z-transformacija<br />
ZGLED 4.4-1 Izračun <strong>in</strong>verzne z-transformacije s pomočjo lastnosti<br />
časovnega premika<br />
Imejmo funkcijo:<br />
X(z) = 1<br />
(z − 1 4<br />
, ROC: |z| > 1 4<br />
.<br />
Iz določitve ROC sklepamo, da je pripadajoče zaporedje desno stransko<br />
(kavzalno). Zgornjo enačbo lahko preoblikujemo v:<br />
X(z) =<br />
z −1<br />
1 − 1 4 z−1 , ROC: |z| > 1 4<br />
(4.4-1)<br />
tu je nekaj sklicevanja na stare enačbe ....<br />
<strong>in</strong> pripadajoče zaporedje je:<br />
= −4 +<br />
4<br />
1 − 1 4 z−1 (4.4-2)<br />
x[n] = −4δ(n) + 4( 1 4 )n u[n] . (4.4-3)<br />
Iskani x[n] lahko izračunamo s pomočjo lastnosti časovnega premika bolj<br />
direktno. Izhajajmo iz (??), ki jo zapišimo v obliki:<br />
( )<br />
X(z) = z −1 1<br />
1 − 1 , ROC: |z| > 1 . (4.4-4)<br />
4 z−1 4<br />
Iz zapisa lastnosti časovnega premika sklepamo (vemo), da je koeficient<br />
z −1 v (4.4-4) pomeni časovni premik zaporedja 1 4<br />
n<br />
u[n] za en otipek v<br />
desno:<br />
x[n] = ( 1 4 )n−1 u[n − 1] . (4.4-5)<br />
Četudi sta zaporedji (4.4-3) <strong>in</strong> (4.4-5) na pogled različni, ja lahko pokazati,<br />
da sta isti za vse vrednosti n.<br />
♦<br />
4.4.3 Množenje z eksponentnim zaporedjem<br />
z0 n z<br />
x[n] ←→ X(z/z 0 ) , ROC = |z|ROC x<br />
Zapis ROC= |z 0 |ROC x pomeni, daje konvergenčno območje ROC x<br />
transformirano z z 0 . To pomeni, da se konvergenčno območje<br />
spremeni iz R N < |z| < R Z v |z 0 | < |z| < |z 0 |R Z .<br />
Ta lastnost uvidimo, če z0 n x[n] vstavimo v (4.1-2). Posledica te<br />
lastnosti je, da so vse lokacije polov <strong>in</strong> ničel skalirane s faktorjem<br />
|z 0 |. Če ima X(z) pol pri z = z 1 , potem ima X(z0 − 1z) pol pri<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
4.4 Lastnosti z-transformacije 51<br />
z = z 0 z. Če je z 0 pozitivno realno število, se poli premaknejo<br />
radialno k (z 0 < 0) ali od (z 0 > 1) središča z-ravn<strong>in</strong>e, če pa je z 0<br />
kompleksno število z absolutno vrednostjo enako ena, torej velja<br />
|z 0 | = 1 , z = e jω 0<br />
z 0 ∈ C ,<br />
skaliranje povzroči zasuk z-ravn<strong>in</strong>e za kot ω 0 . To lahko predstavimo<br />
kot frekvenčni premik, ki ga dobimo pri (amplitudni) modulaciji.<br />
Torej, če za signal obstaja Fourierova transformacija,<br />
potem lahko to lastnost zapišemo tudi tako:<br />
z = e jω 0n x[n]<br />
z<br />
←→ X(e j(ω−ω 0) ) .<br />
ZGLED 4.4-2 Izračun z-transformacije<br />
Izhajamo iz povezave:<br />
u[n]<br />
z<br />
←→<br />
1<br />
1 − z −1 , |z| > 1 . (4.4-6)<br />
Z njo <strong>in</strong> lastnostjo množenja z eksponentno zaporedjem želimo določiti z<br />
transformacijo zaporedja:<br />
x[n] = r n cos(ω 0 n)u[n] , |z| > 1 . (4.4-7)<br />
Najprej s pomočjo Eulerjevega obrazca izrazimo x[n] v eksponentni obliki:<br />
x[n] = 1 2 (rejω0 ) n u[n] + 1 2 (re−jω0 ) n u[n] ,<br />
potem pa z uporabo (4.4-6) <strong>in</strong> lastnostjo množenja z eksponentnim zaporedjem<br />
izpeljemo:<br />
1<br />
2 (rejω0 ) n u[n]<br />
1<br />
2 (re−jω0 ) n u[n]<br />
z<br />
←→<br />
z<br />
←→<br />
Iz lastnosti l<strong>in</strong>earnosti še sledi:<br />
1<br />
2<br />
1 − re jω0 z −1 , |z| > R<br />
1<br />
2<br />
1 − re −jω0 z −1 , |z| > R<br />
1<br />
1<br />
2<br />
X(z) =<br />
1 − re jω0 z −1 + 2<br />
1 − re −jω0 z −1<br />
= 1 − r cos ω 0z −1<br />
1 − 2r cos ω 0 z −1 , |z| > R (4.4-8)<br />
♦
52 4. z-transformacija<br />
4.4.4 Odvajanje X(z)<br />
nx[n]<br />
z<br />
←→ −z dX(z)<br />
dz<br />
ROC = ROC x (z izjemo, če se<br />
doda ali črta z = 0<br />
ali z = ∞) .<br />
To lastnost lahko dokažemo z odvajanjem def<strong>in</strong>icije z-transformacije:<br />
(4.1-2) X(z) =<br />
−z dX(z)<br />
dz<br />
∞∑<br />
i=−∞<br />
= −z<br />
=<br />
∞∑<br />
i=−∞<br />
x[n]z −n ,<br />
∞∑<br />
(−n)x[n]z −n−1<br />
i=−∞<br />
nx[n]z −n = Z { nx[n] } .<br />
Uporabnost lastnosti odvajanja si oglejmo na naslednjem primeru.<br />
ZGLED 4.4-3 Izračun z-transformacije z uporabo lastnosti odvajanja<br />
Določimo z-transformacijo za zaporedje:<br />
x[n] = na n u[n] = n(a n u[n]) .<br />
Iz tabele z-transformacijskih parov (tabela 4-1) poiščemo par:<br />
par štev. 5:<br />
a n u[n]<br />
z<br />
←→<br />
1<br />
1 − az −1 , |z| > |a| ,<br />
katerega odvod je iskana X(z):<br />
X(z) = −z d ( )<br />
1<br />
dz 1 − az −1<br />
<strong>in</strong> iskani rezultat je:<br />
az −1<br />
(1 − az −1 ) 2<br />
= na n u[n]<br />
z<br />
←→<br />
az −1<br />
(1 − az −1 ) 2 , |z| > a .<br />
♦<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
4.4 Lastnosti z-transformacije 53<br />
4.4.5 Zasuk signalne osi<br />
x[−n]<br />
z<br />
←→ X(1/z) , ROC = 1<br />
ROC x<br />
Zapis konvergenčnega območja ROC= 1/ROC x pove, da je ROC X<br />
<strong>in</strong>vertiran. To pomeni, da če vrednosti z take, da velja R N <<br />
|z| < R Z , potem po zasuku signalne osi velja 1/R Z < |z| < 1/R N ,<br />
oziroma, če je z 0 v konvergenčnem območju x[n], potem je 1/z 0<br />
v konvergenčnem območju z-transformacije x[−n].<br />
Lastnost lahko dokažemo z uporabo def<strong>in</strong>icije z-transformacije.<br />
Njeno uporabnost pa sipoglejmo na naslednjem preprostem primeru.<br />
ZGLED 4.4-4 Izračun z-transformacije z uporabo zasuka signalne osi<br />
Določimo z-transformacijo za zaporedje:<br />
x[n] = na n u[−n] ,<br />
ki ga dobimo z zasukom signalne osi zaporedju x[n] = na n u[n], glej prejšnji<br />
zgled. Z uporabo lastnosti zasuka signalne osi sledi:<br />
X(z) = 1<br />
1 − az = −a−1 z −1<br />
1 − a −1 z −1 , |z| > |a −1 | .<br />
4.4.6 Teorem o začetni vrednosti<br />
Če je x[n] enak nič za n < 0, torej je x[n] desno stransko, kavzalno<br />
zaporedje, potem velja:<br />
x[0] = lim<br />
z→∞ X(z) .<br />
4.4.7 Prenosna ali sistemska funkcija diskretnega<br />
sistema<br />
Diskretni sistem lahko opišemo s prenosno funkcijo, ki je analogna<br />
prenosni funkciji zveznih sistemov. seveda obravnavamo<br />
<strong>diskretni</strong> l<strong>in</strong>earni, časovno neodvisni sistem, za katerega lahko<br />
zapišemo konvolucijsko vsoto:<br />
y(n) = x[n] ∗ h(n) .<br />
Na osnovi lastnosti z-transformacije sklepamo, da je z.transformacija<br />
izhodnega signala enaka zmnožku z-transformacije vhodnega signala<br />
<strong>in</strong>z-transformacije prenosne funkcije sistema (slika 4.4-1):<br />
Y (z) = X(z)H(z) .<br />
♦
54 4. z-transformacija<br />
Slika 4.4-1<br />
Blokovna shema diskretnega<br />
sistema.<br />
Poudarimo:<br />
x( n) h( n)<br />
X( z) H( z)<br />
y( n) x( n)* h( n)<br />
Y( z) X( z)* H( z)<br />
Poznavanje H(z) ne določa enoumno sistema. Določiti še moramo<br />
konvergenčno območje.<br />
Konvergenčno območje ozko vezano na lastnosti sistema. Če<br />
je sistem stabilen, velja:<br />
∞∑<br />
|h(n)| < ∞<br />
i=−∞<br />
<strong>in</strong> iz z-transformacije impulznega odziva:<br />
∞∑<br />
h(n) z −n<br />
i=−∞<br />
sledi, da enotski krog |z| = 1 pripada območju uniformne konvergence<br />
funkcije H(z). Da je sistem kavzalen, mora biti konvergenčno<br />
območje izven krožnice, ki gre skozi najbolj oddaljeni<br />
pol.<br />
ZGLED 4.4-5 Določitev konvergenčnega območja<br />
Poiščimo konvergenčno območje za sistemsko funkcijo<br />
H(z) =<br />
z 2 − z − 1<br />
(z 2 − z + 0, 5)(z − 2)<br />
tako, da bo sistem stabilen.<br />
Rešitev: faktoriziramo H(z):<br />
z<br />
H(z) =<br />
(z − z 1 )(z − z 2 )(z − z 3 )<br />
<strong>in</strong> poiščimo pole:<br />
z 1 = 0, 5 + j0, 5 , z 2 = 0, 5 − j0, 5 , z 3 = 2<br />
Vidimo, da je konvergenčno območje izven kolobarja (slika 4.4-2):<br />
√<br />
2<br />
2 < |z| < 2<br />
Da je sistem kavzalen, mora biti konvergenčno območje izven enotskega<br />
kroga. To v tem primeru ni izpolnjeno.<br />
♦<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
4.5 Povezava<br />
z-transformacije , CFT <strong>in</strong> DFT 55<br />
{ z}<br />
enotski<br />
krog<br />
j0,<br />
5<br />
R n R z<br />
0,5 1<br />
2<br />
{ z}<br />
Slika 4.4-2<br />
Ilustracija zgleda 4.4-5.<br />
j0,<br />
5<br />
konvergentno<br />
obmoèje<br />
4.5 Povezava<br />
z-transformacije , CFT <strong>in</strong> DFT<br />
Oglejmo si še podobnost <strong>in</strong> povezanost z-transformacije, zvezne<br />
Fourierove <strong>in</strong> diskretne Fourierove transformacije. V ta namen<br />
zapišimo kompleksno število z v polarni obliki:<br />
z = |z| e jω
56 4. z-transformacija<br />
<strong>in</strong> jo zapišimo v splošni z-transformaciji:<br />
X(z = |z|e jω ) =<br />
=<br />
<strong>in</strong>fty<br />
∑<br />
n=−∞<br />
<strong>in</strong>fty<br />
∑<br />
n=−∞<br />
x[n] [ |z| e jω] −n<br />
x[n]|z| −n e −jnω .<br />
Če izberemo, da je |z| = 1, se zgornja enačba poenotavi v:<br />
X(z = 1 · e jω ) =<br />
<strong>in</strong>fty<br />
∑<br />
n=−∞<br />
x[n] e −jnω ,<br />
DFT:<br />
diskretna Fourierova<br />
transformacija<br />
CFT:<br />
zvezna Fourierova<br />
transformacija<br />
kar je Fourierova transformacija zaporedja x[n]!<br />
V splošnem primeru je z-transformacija vzdolž poljubnega<br />
kroga s polmerom R enaka Fourierovi transformaciji zaporedja<br />
x[n], ki je pomnožena s faktorjem R −n . To je ponovna podobnost<br />
med z-transformacijo, Laplaceovo transformacijo <strong>in</strong> Fourierovo<br />
transformacijo. Seveda pa obstajajo funkcije, za katere<br />
obstaja z-transformacija, Fourierova pa ne. Vzrok je prav R −n .<br />
Vrednosti DFT so otipki CFT <strong>diskretni</strong>h <strong>signalov</strong>. Od tod<br />
sledi, da je DFT enaka otipkom z-transformacije na enotskem<br />
krogu:<br />
X(mΩ) = X(z) ∣ ,<br />
z=e<br />
j 2π N k<br />
Ω je <strong>in</strong>terval med otipku spektra (Ω = 2π<br />
T s<br />
). Grafična predstavitev<br />
naštetih povezav <strong>in</strong> podobnosti je predstavljena na sliki 4.5-1.<br />
ZGLED 4.5-1 Podobnost z-transformacije, DFT <strong>in</strong> CFT<br />
Izračunajmo z-transformacijo zaporedja:<br />
x[n] = u[n] − u(n − 4)<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
4.5 Povezava<br />
z-transformacije , CFT <strong>in</strong> DFT 57<br />
{ z}<br />
toèke doloèa<br />
DFT, W = W<br />
N 8<br />
{ z}<br />
Slika 4.5-1<br />
Povezava CFT, DFT <strong>in</strong> cal Z<br />
transformacije.<br />
z 1<br />
kronico doloèa<br />
Fourierova transformacija<br />
Rešitev:<br />
CFT:<br />
DFT:<br />
X(z) =<br />
3∑<br />
z −n = 1 + z −1 + z −2 + z −3<br />
n=0<br />
=<br />
(1 − z−4<br />
1 − z−1<br />
= z −2+1/2 z 2 − z −2<br />
z 1/2 − z → −1/2 X(e jω ) = X(z) ∣ = s<strong>in</strong>(2ω)<br />
e−jω(2−1/2)<br />
z=e jω s<strong>in</strong>(ω/2)<br />
s<strong>in</strong>(kπ/2)<br />
X(k) = X(z) ∣ = e−j3πk/8<br />
z=e j2πk/8<br />
s<strong>in</strong>(πk/8)<br />
♦
58 4. z-transformacija<br />
u( n)<br />
1<br />
Slika 4.5-2<br />
Ilustracija zgleda 4.5-1. Zgoraj:<br />
diskretna enotska stopnica,<br />
sred<strong>in</strong>a: diskretna enotska<br />
stopnica zakasnjena za 4 otipke,<br />
spodaj: rezultat.<br />
u( n 4)<br />
1<br />
x( n)<br />
0<br />
0<br />
1<br />
1<br />
2<br />
2<br />
3<br />
3<br />
4<br />
4<br />
5<br />
5<br />
6<br />
6<br />
7<br />
7<br />
8<br />
8<br />
9<br />
9<br />
n<br />
n<br />
1<br />
0<br />
1<br />
2<br />
3<br />
4<br />
5<br />
6<br />
7<br />
8<br />
9<br />
n<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
5. Diskretni <strong>sistemi</strong><br />
Pri projektiranju kateregakoli sistema - bodisi analognega ali diskretnega<br />
- delo opravimo v treh korakih:<br />
1. Najprej določimo lastnosti sistema.<br />
2. Izračunamo analogno prenosno funkcijo.<br />
Zakaj analogno? Tudi če načrtujemo <strong>diskretni</strong> sistem, najprej<br />
izračunamo analogno izvedbo sistema. Razloga sta<br />
naslednja:<br />
Za analogne sisteme obstajajo bolje razdelane tehnike<br />
načrtovanja sistemov kot za diskretne sisteme.<br />
Več<strong>in</strong>o <strong>diskretni</strong>h sistemov načrtujemo zato, da z njimi<br />
nadomestimo analogne.<br />
3. Zgradimo sistem.<br />
Realizacija diskretnega sistema se razlikuje od analognega.<br />
Poleg procesnega dela obsega še pretvorbo analognega signala v<br />
digitalni - to opravimo z vzorčenjem signala <strong>in</strong> kodiranjem vzorca.<br />
Rekonstrukcijo zveznega signala opravi digitalno analogna pretvorba<br />
(slika 5.0-1). Procesiranje signala običajno izvaja digitalni<br />
signalni procesor, uporabljajo pa se tudi standardni mikroprocesorji,<br />
mikroprocesorji z reduciranim <strong>in</strong>strukcijskim naborom ali<br />
namenski mikroprocesorji oziroma mikroprocesorke mreže, ko je<br />
pomembna hitrost računanja ali pa imamo opraviti z zelo kompleksnimi<br />
algoritmi.<br />
V tem poglavju se s term<strong>in</strong>om <strong>diskretni</strong> sistem razumeva časovno<br />
<strong>diskretni</strong> sistem. V nadaljevanju bomo obravnavali le l<strong>in</strong>earne,<br />
59
60 5. Diskretni <strong>sistemi</strong><br />
Slika 5.0-1<br />
Primerjava obdelave signala z<br />
analognim <strong>in</strong> digitalnim<br />
sistemom.<br />
analogni sistem:<br />
v( t)<br />
V( s)<br />
h( t)<br />
H( s)<br />
diditalni sistem:<br />
v( t) v[ n] h[ n]<br />
y[ n] y( t)<br />
ADC<br />
DAC<br />
V( s) V( z) H( z)<br />
Y( z) Y( s)<br />
y( t)<br />
Y( s)<br />
časovno <strong>in</strong>variantne diskretne sisteme. Za te sisteme ne moremo<br />
zgraditi računskih algoritmov. Ti obstajajo le za digitalne, to je<br />
časovno <strong>in</strong> amplitudno diskretne sisteme. Obe vrsti sistemov se<br />
razlikujeta v kvantizaciji otipkov. Razliko med obema sistemoma<br />
obravnavamo kot šum, ki ga zaradi izvora imenujemo kvantizacijski<br />
šum. Če je kvantizacijska stopnica dovolj majhna - torej<br />
digitalni zapis otipka zelo natančen, lahko zanemarimo razliko<br />
med <strong>diskretni</strong>m <strong>in</strong> digitalnim sistemom.<br />
Vedno pa se moramo zavedati, da so natančne izpeljave povezav<br />
le med analognimi <strong>in</strong> <strong>diskretni</strong>mi <strong>sistemi</strong>. Z digitalnimi<br />
<strong>sistemi</strong> lahko le aproksimiramo analognega.<br />
5.1 Diferenčne enačbe<br />
Lastnosti diskretnega sistema lahko opišemo le z diferenčnimi<br />
enačbami, ki povezujejo diskretne trenutke poznavanja vrednosti<br />
vhodnega <strong>in</strong> izhodnega signala. Z njimi aproksimiramo običajen<br />
zapis zveznih sistemov diferencialnimi enačbami:<br />
dx(t) x(n) − x(n − 1)<br />
= (5.1-1)<br />
dt<br />
T s<br />
kjer so T s <strong>in</strong>terval otipavanja signala, x(n) <strong>in</strong> x(n − 1) pa zaporedna<br />
otipka signala (v trenutkih n·T s <strong>in</strong> (n−1)T s ). Z upoštevanjem<br />
(5.1-1), lahko diferencialno enačbo, ki povezuje vhodni <strong>in</strong> izhodni<br />
signal zveznega sistema aproksimiramo z:<br />
B ′ 0x(n) + B ′ 1x(n − 1) + B ′ 2x(n − 2) + · · · + B ′ Mx(n − M) =<br />
A ′ 0y(n) + A ′ 1y(n − 1) + A ′ 2y(n − 2) + · · · + A ′ Ny(b − N) (5.1-2)<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
5.1 Diferenčne enačbe 61<br />
oziroma v krajši obliki:<br />
M∑<br />
M∑<br />
B jx(n ′ − j) = A ′ ky(n − k) (5.1-3)<br />
j=0<br />
Enolično določitev diskretnega sistema z (5.1-3) zahteva poznavanje<br />
začetnih pogojev. Torej se v tem <strong>diskretni</strong> sistem ne<br />
razlikuje od analognega. Za kavzalni sistem so začetni pogoji<br />
naslednji:<br />
x(n < N) = 0 ⇒ y(n − N) = 0 (5.1-4)<br />
Pri kavzalnem sistemu je tudi A 0 ≠ 0. To pomeni, da je trenutni<br />
izhod sistema odvisen od trenutnega <strong>in</strong> izbranega števila predhodnih<br />
vhodov ter izbranega števila predhodnih izhodov. Zato<br />
lahko (5.1-2) delimo z A 0 :<br />
B ′ 0<br />
A ′ 0<br />
x(n) + B′ 1<br />
A ′ 0<br />
k=0<br />
x(n − 1) + B′ 2<br />
A ′ x(n − 2) + · · · + B′ M<br />
0<br />
A ′ x(n − M) =<br />
0<br />
y(n) + A′ 1<br />
A ′ y(n − 1) + A′ 2<br />
0<br />
A ′ y(n − 2) + · · · + A′ N<br />
0<br />
A ′ y(b − N) (5.1-5)<br />
0<br />
oziroma z vpeljavo novih oznak A k = A ′ k /A′ 0 <strong>in</strong> B k = B ′ k /A′ 0<br />
dobimo:<br />
B 0 x(n) + B 1 x(n − 1) + B 2 x(n − 2) + · · · + B M x(n − M) =<br />
y(n) + A 1 y(n − 1) + A 2 y(n − 2) + · · · + A N y(b − N) (5.1-6)<br />
Izhod sistema je:<br />
y(n) = B 0 x(n) + B 1 x(n − 1) + · · · + B M x(n − M)−<br />
A 1 y(n − 1) − A 2 y(n − 2) − · · · − A N y(b − N)<br />
M∑<br />
M∑<br />
= B j x(n − j) − A k y(n − k) N ≤ M<br />
j=0<br />
k=1<br />
(5.1-7)<br />
Red enačbe določa M, zato ima enačba prvega reda <strong>in</strong>dekse j ∈<br />
(0, 1) <strong>in</strong> k ∈ (1). Izhod sistema je:<br />
y(n) = B 0 x(n) + B 1 x(n − 1) − A 1 y(n − 1) (5.1-8)<br />
Grafično predstavitev (5.1-8) kaže slika 5.1-1.
62 5. Diskretni <strong>sistemi</strong><br />
zakasnitev<br />
za en otipek<br />
x( n-1)<br />
B 1<br />
Slika 5.1-1<br />
Ponazoritev (5.1-8).<br />
x( n)<br />
B 0<br />
A 0<br />
y( n-1)<br />
zakasnitev<br />
za en otipek<br />
y( n)<br />
Izračunajmo sedaj impulzni odziv sistema (5.1-8). Dobimo ga<br />
tako, da na vhod damo enotski impulz. Po def<strong>in</strong>iciji moramo v<br />
tem primeru na izhodu dobiti impulzni odziv:<br />
Dobimo:<br />
x(n) = x(0) = δ(n = 0) ⇒ y(n) = h(n) (5.1-9)<br />
y(n) = h(0) = B 0 δ(0) + B 1 δ(0 − 1) − A 1 h(0 − 1)<br />
= B 0 · 1 + B 1 · 0 − A 1 · 0<br />
= B 0<br />
h(1) = B 0 δ(1) + B 1 δ(0) − A 1 h(0)<br />
= B 0 · 0 + B 1 · 1 − A 1 · B 0<br />
= −A 1 B 0 + B 1<br />
h(2) = B 0 δ(2) + B 1 δ(1) − A 1 h(1)<br />
= B 0 · 0 + B 1 · 0 − A 1 (−A 1 B 0 + B 1 )<br />
= −A 1 (−A 1 B 0 + B 1 )<br />
h(3) = B 0 δ(3) + B 1 δ(2) − A 1 h(2)<br />
= B 0 · 0 + B 1 · 0 − A 1 [−A 1 (−A 1 B 0 + B 1 )]<br />
= (−A 1 ) 2 (−A 1 B 0 + B 1 )<br />
(5.1-10)<br />
Iz poteka računanja odziva v (5.1-10) lahko enostavno uganemo,<br />
kakšen je odziv v trenutku n:<br />
h(n) = (−1) n (−A 1 B 0 + B 1 ) (5.1-11)<br />
zato lahko oblikujemo splošni zapis impulznega odziva:<br />
h(n) = B 0 δ(n) + (−1) n (−A 1 B 0 + B 1 )u(n − 1) (5.1-12)<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
5.2 Transformacija analognih sistemov v diskretne 63<br />
-1<br />
0 1 2 n2 n1 n t<br />
Slika 5.1-2<br />
Ponazoritev u(n − 1).<br />
kjer un − 1 (n − 1) otipek vzorca enotske stopnice (slika 5.1-2).<br />
Z njim določimo časovno pozicijo drugega člena na desni strani<br />
(5.1-12).<br />
Iz (5.1-12) vidimo, da ima zapisani sistem neskon ni odziv.<br />
Temu je vzrok povratna vez - odvisnost trenutnega izhoda sistema<br />
od predhodnih izhodov. Diskretne sisteme s to lastnostjo<br />
imenujemo <strong>sistemi</strong> z neskončnim impulznim odzivom. Zanje uporabljamo<br />
kratico IIR.<br />
Poleg sistemov IIR obstaja še druž<strong>in</strong>a sistemov, pri katerih<br />
trenutni izhodi niso odvisni od predhodnih izhodov. To druž<strong>in</strong>o<br />
dobimo iz sistemov IIR tako, da jim črtamo povratne vezave:<br />
A 1 = A 2 = · · · A N = 0. V primeru sistema prvega reda zato<br />
velja:<br />
y(n) = B 0 x(n) + B 1 x(n − 1) (5.1-13)<br />
IIR:<br />
Inf<strong>in</strong>ite Impulse<br />
Response<br />
Njegov odziv je določen z:<br />
x( n)<br />
zakasnitev x( n-1)<br />
za en otipek B 1<br />
Slika 5.1-3<br />
y ( n<br />
B ) Ponazoritev u(n − 1).<br />
0<br />
h(n) = B 0 δ(n) + B 1 δ(n − 1) (5.1-14)<br />
FIR:<br />
Fnf<strong>in</strong>ite Impulse<br />
Response<br />
Ti <strong>sistemi</strong> imajo končno dolg impulzni odziv, zato jih označujemo<br />
s kratico FIR.<br />
5.2 Transformacija analognih sistemov v diskretne<br />
Ker so metode načrtovanja analognih vezij dobro znane <strong>in</strong> dodelane,<br />
ponavadi diskretne sisteme načrtujemo tako, da najprej<br />
načrtamo zvezni sistem, ki ga na to z ustrezno metodo prevedemo<br />
v <strong>diskretni</strong>. V nadaljevanju sta opisani dve metodi pretvorbe.
64 5. Diskretni <strong>sistemi</strong><br />
5.2.1 Metoda enakih impulznih odzivov<br />
Analogni sistem pretvorimo v digitalni sistem tako, da je impulzni<br />
odziv h(n) enak vzorcu analognega sistema pomnoženega s<br />
<strong>in</strong>tervalom otipavanja:<br />
h(n) = T s h(t = nT s ) (5.2-1)<br />
Kot smo že ugotovili v obravnavi vzorčenja, lahko vzorec signala,<br />
ta je v tem primeru impulzni odziv h(n), popolnoma določi orig<strong>in</strong>al,<br />
če je orig<strong>in</strong>al frekvenčno omejen <strong>in</strong> če je pri vzorčenju bilo<br />
spoštovano Shannonovo pravilo. To pomeni, da mora veljati:<br />
∣<br />
H(jω)<br />
∣<br />
|ω|≥ωm= 2π<br />
Ts<br />
= 0 (5.2-2)<br />
V nasprotnem primeru pride do prekrivanja periodično ponavljajoče<br />
se transformiranke impulznega odziva, ki onemogoča transformacijo<br />
analognega sistema v disktretnega.<br />
Za izhodišče izpeljave transformacije zveznega sistema v <strong>diskretni</strong><br />
uporabimo faktorizirano obliko prenosne funkcije zveznega<br />
sistema:<br />
H(s) =<br />
N∑<br />
k=1<br />
H k<br />
s − s k<br />
(5.2-3)<br />
kjer so s k poli zvezne prenosne funkcije, H k pa koeficienti, katere<br />
lahko (v primeru enojnih polov) preprosto izračunamo s pomočjo<br />
residiumov:<br />
H k = lim H(s) · (s − s k ) (5.2-4)<br />
s→sk<br />
Inverzna Laplaceova transformacija zveznega impulznega odziva<br />
je:<br />
N∑<br />
h(t) = H k e skt u(t) (5.2-5)<br />
k=1<br />
kjer je u(t) enotska stopnica (z njo opišemo časovno območje<br />
odziva). Iz (5.2-1) sledi, da je impulzni odziv diskretnega sistema<br />
enak:<br />
h(n) = T s<br />
N ∑<br />
k=1<br />
njegova z-transformacija pa je enaka:<br />
H(z) = T s<br />
∞ ∑<br />
n=0 k=1<br />
H k e s kt u(t) (5.2-6)<br />
N∑<br />
H k e skt z −n (5.2-7)<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
5.2 Transformacija analognih sistemov v diskretne 65<br />
oziroma, če upoštevamo vrednost vrste, ki določa z-transformacijo:<br />
H(z) =<br />
N∑<br />
k=1<br />
T s H k<br />
1 − e s kT sz −1<br />
(5.2-8)<br />
Iz podane izpeljave lahko zaključimo, da prenosno funkcijo diskretnega<br />
sistema lahko določimo po naslednjem postopkom:<br />
1. Zvezno prenosno funkcijo zapišemo v zaprti obliki<br />
2. Izvedemo preslikavo polov s k v analognem svetu v e s kT s<br />
pole v diskretnem svetu.<br />
3. Koeficiente H k pomnožimo s korakom otipavanja T s , oziroma<br />
vzpostavimo ekvivalentost:<br />
H k<br />
1 − s k<br />
←→ T sH k<br />
1 − e s kT sz −1<br />
(5.2-9)<br />
ZGLED 5.2-1<br />
Za zvezno prenosno funkcijo<br />
H(s) =<br />
1<br />
(s + 1)(s + 2)<br />
določimo z metodo enakih impulznih odzivov prenosno funkcijo ekvivalentnega<br />
diskretnega sistema!<br />
Najprej H(s) razcepimo na delne ulomke:<br />
H(s) =<br />
1<br />
(s + 1)(s + 2) = A<br />
s + 1 + B<br />
s + 2 = 1<br />
s + 1 + 1<br />
s + 2<br />
Upoštevamo ekvivalenco v (5.2-9) <strong>in</strong> predpostavimo T s = 1. Dobimo:<br />
1<br />
H(z) =<br />
1 − e −1 z −1 + 1<br />
1 − e −2 z −1<br />
1 − e −2 z −1 − 1 + e −1 z −1<br />
=<br />
1 − e −1 z −1 − e −2 z −1 + e −2 z<br />
( −2<br />
1<br />
e<br />
=<br />
− ) 1<br />
e z<br />
−1<br />
2<br />
1 − ( 1<br />
e + ) 1<br />
e z<br />
−1<br />
+ 1 2 e<br />
z −2 2<br />
0, 233z −1<br />
=<br />
1 − 0, 503z −1 + 0, 050z −2 ♦
66 5. Diskretni <strong>sistemi</strong><br />
Postopek enakih impulznih odzivov smo sicer izpeljali za enojne<br />
pole. Velja pa tudi za večkratne pole. V tem primeru moramo<br />
pri razcepu analogne prenosne funkcije v delne ulomke upoštevati<br />
ustrezne razcepne obrazce, ki smo jih opisali pri <strong>in</strong>verzni Laplaceovi<br />
transformaciji.<br />
5.2.2 Bil<strong>in</strong>earna transformacija<br />
Fourierova transformacija diskretnega signala je enaka vrednostim<br />
z-transformacije na enotskem krogu. Analogno Fourierova<br />
transformacija orig<strong>in</strong>alnega - analognega - signala je enaka vrednostim<br />
Laplaceove transformacije na imag<strong>in</strong>arni osi (to je vrednostim,<br />
ki jih dobimo pri formalni zamenjavi spremenljivk s z<br />
jω). Iz teh relacij lahko zaključimo, da pri načrtovanju diskretnega<br />
sistema smiselno izvesti transformacijo, ki preslika vrednosti<br />
na imag<strong>in</strong>arni osi v s-ravn<strong>in</strong>i v vrednosti na enotski krožnici v<br />
z ravn<strong>in</strong>i. V tem primeru bo Fourierova transformacija v analognem<br />
svetu ekvivalentna Fourierovi transformaciji v diskretnem<br />
svetu.<br />
Najpreprostejša transformacija, ki vrši tako preslikavo, je bil<strong>in</strong>earna<br />
transformacija:<br />
s = 2 T s<br />
1 − z −1<br />
1 + z −1 (5.2-10)<br />
kjer je 2/T s poljubna konstanta <strong>in</strong> jo ponavadi izenačimo z 1.<br />
Preprosto se lahko prepričamo, da ta transformacija povezuje<br />
enotski krog z imag<strong>in</strong>arno osjo s-ravn<strong>in</strong>e. Spomnimo se def<strong>in</strong>icije<br />
spremenljivke z <strong>in</strong> zapišimo:<br />
s = σ + jω a = 2 T s<br />
1 − e −jω<br />
1 + e −jω = j 2 T s<br />
tan(ω/2) = jω a (5.2-11)<br />
Vidimo, da se krožnica res transformira v imag<strong>in</strong>arno os. Pri<br />
spremembi točke na krožnici od −π do π, se spremeni frekvenca<br />
ω a od −∞ do ∞ (slika 5.2-1). Inverzna formula bil<strong>in</strong>earne transformacije<br />
izračunamo z obratom (5.2-10):<br />
z = 1 + (T s/2)s<br />
1 − (T s /2)s<br />
(5.2-12)<br />
Iz izračuna absolutne vrednosti (5.2-12) uvidimo, da se pri<br />
bil<strong>in</strong>earni transformaciji leva polravn<strong>in</strong>a s preslika znotraj enot-<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
5.3 Izvedbe IIR sistemov 67<br />
j<br />
a<br />
1 Ts<br />
s<br />
z <br />
( / 2)<br />
1<br />
( T / 2)<br />
s<br />
s<br />
{ z}<br />
1 { z}<br />
Slika 5.2-1<br />
Bil<strong>in</strong>earna transformacija.<br />
skega kroga v z-ravn<strong>in</strong>i (slika 5.2-1):<br />
|z| = 1 + (T s/2)(σ + jω a )<br />
1 − (T s /2)(σ + jω a )<br />
√<br />
(1 + Ts<br />
2<br />
=<br />
)(σ2 + ωa)<br />
2 (5.2-13)<br />
(1 − Ts<br />
2 )(σ2 + ωa) < 1 pri σ < 0 2<br />
5.3 Izvedbe IIR sistemov<br />
Diskretne IIR sisteme lahko izvedemo na več nač<strong>in</strong>ov. Izmed<br />
njih se najpogosteje uporabljajo: direktne, kaskadne <strong>in</strong> paralelne<br />
vezave. Pri vseh izhajamo iz (5.1-7).<br />
5.3.1 Direktna izvedba<br />
Direktna vezava, kot pove že ime, direktno preslika matematični<br />
zapis sistema v shemo vezja oziroma shemo algoritma. Za sistem<br />
prvega reda, opisuje ga (5.1-8), shemo kaže slika 5.1-1, splošni<br />
zapis sistema IIR v (5.1-7):<br />
(5.1-7): y(n) =<br />
M∑<br />
M∑<br />
B j x(n−j)− A k y(n−k) , N ≤ M<br />
j=0<br />
k=1<br />
pa lahko preslikamo v shemo na sliki 5.3-1.
68 5. Diskretni <strong>sistemi</strong><br />
x( n)<br />
B 0<br />
y( n)<br />
Slika 5.3-1<br />
Direktna izvedba diskretnega<br />
sistema, osnovna oblika.<br />
x( n-1)<br />
x( n-2)<br />
x( n-N)<br />
T s<br />
B 1<br />
T s<br />
B 2<br />
T s<br />
A 0<br />
B N<br />
A 1<br />
A M<br />
T s<br />
T s<br />
T s<br />
y( n-1)<br />
y( n-2)<br />
y( n-M)<br />
Iz slike vidimo, da imamo dva sklopa, ki sta povezana v kaskado.<br />
Prvi sklop pripada vhodnemu signalu <strong>in</strong> njegovim zakasnitvam,<br />
drugi sklop pa povratnim vplivom izhodnega signala. Ker<br />
sta sklopa l<strong>in</strong>earna, ju seveda lahko medsebojno zamenjamo, ne<br />
da bi se spremenil izhod celotnega sistema. Pri tej spremembi<br />
prihranimo zakasnilne elemente manjšega od v kaskado vezanih<br />
sklopov (slika 5.3-2).<br />
Slika 5.3-2<br />
Direktna izvedba diskretnega<br />
sistema, modificirana oblika.<br />
x( n) y( n)<br />
B 0<br />
T s<br />
A 0<br />
A 1<br />
B 1<br />
T s<br />
B 2<br />
T s<br />
A M<br />
B N<br />
5.3.2 Kaskadna izvedba<br />
Prenosno funkcijo lahko izrazimo tudi v faktorizirani obliki, podobno<br />
kot smo jo zapisali za kaskadne zgradbe analognih sit. Pri<br />
tem združimo konjugirano kompleksne pole <strong>in</strong> ničle. Za sodo prenosno<br />
funkcijo lahko zapišemo:<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
5.3 Izvedbe IIR sistemov 69<br />
kjer je<br />
H(z) = H 0<br />
(1 + b 11 z −1 + b 12 z −2 ) · · · (1 + b k1 z −1 + b k2 z −2 )<br />
(1 − a 11 z −1 + ab 12 z −2 ) · · · (1 − a k1 z −1 − a k2 z −2 )<br />
(5.3-1)<br />
= H 0 · H 1 (z)H 2 (z) · · · H k (z) (5.3-2)<br />
H k (z) = (1 + b k1z −1 + b k2 z −2 )<br />
(1 − a k1 z −1 − a k2 z −2 )<br />
(5.3-3)<br />
gradnik kaskade. Njegova struktura je lahko taka kot pri modificirani<br />
direktni. Kaskadno realizacijo prenosne funkcije kaže slika<br />
5.3-3.<br />
x( n) y1( n) y n<br />
T s<br />
a 11<br />
b 10<br />
b 11<br />
T s<br />
a 12<br />
b 12<br />
k1( )<br />
T s<br />
b k1<br />
T s<br />
a k 2<br />
b k 2<br />
a k1<br />
b k 0<br />
y( n)<br />
Slika 5.3-3<br />
Kaskadna izvedba diskretnega sistema, na osnovi modificirane oblike.<br />
Če prenosna funkcija ni soda, pomeni da ima realne ničle ali<br />
pole. V tem primeru imamo v kaskadni zgradbi tudi člen prvega<br />
reda. Tega preprosto dobimo iz drugega reda tako, da postavimo<br />
a 21 = b 21 = 0.<br />
5.3.3 Paralelna izvedba<br />
Pot do paralelne izvedbe je razcep faktorizirane prenosne funkcije<br />
na delne ulomke drugega reda. Ker v tem primeru izhod določa<br />
vsota vseh gradnikov drugega reda, jih vežemo vzporedno (slika<br />
5.3-4).
70 5. Diskretni <strong>sistemi</strong><br />
x( n) y( n)<br />
b 10<br />
T s<br />
a 11<br />
b 11<br />
T s<br />
a 12<br />
b 12<br />
Slika 5.3-4<br />
Paralelna izvedba diskretnega<br />
sistema, modificirana oblika.<br />
T s<br />
b k 0<br />
a k1<br />
b k1<br />
T s<br />
a k 2<br />
b k 2<br />
5.4 Načrtovanje FIR sistemov<br />
Do končnega odziva lahko najenostavneje pridemo tako, da obrežemo<br />
neskončni odziv na končno dolž<strong>in</strong>o. To pomeni, da sistemu tipa<br />
IIR s prenosno funkcijo h IIR (n), ki ga dobimo s preslikavo analognega<br />
sistema v <strong>diskretni</strong>, odgovarja sistem tipa FIR s prenosno<br />
funkcijo h F IR (n), ki sta v naslednji medsebojni povezavi:<br />
{<br />
h IIR (n) 0 ≤ n ≤ N − 1<br />
h F IR (n) =<br />
(5.4-1)<br />
0 drugje<br />
oziroma<br />
kjer je<br />
h F IR (n) = h IIR w(n) (5.4-2)<br />
w(n) =<br />
{<br />
1 0 ≤ n ≤ N − 1<br />
0 sicer<br />
(5.4-3)<br />
w(n) imenujemo pravokotno okno.<br />
Pri šir<strong>in</strong>i okna imamo nasprotujoči si zahtevi. Po eni strani<br />
želimo, da je N čim manjši, da ga lahko hitreje izračunamo, ozi-<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
5.4 Načrtovanje FIR sistemov 71<br />
roma, da za sistem potrebujemo manj elementov, če ga realiziramo<br />
z vezji. Po drugi strani mora okno biti dovolj veliko, da<br />
bodo vrednosti, ki ostanejo izven okna, zanemarljivo majhna v<br />
primerjavi z vrednostmi, ki so znotraj okna. Torej je izbira velikosti<br />
okna vedno iskanje kompromisa.<br />
Poglejmo si določitev velikosti okna v frekvenčnem prostoru.<br />
Transformiranka množenja časovnega okna z odzivom sistema<br />
tipa IIR je konvolucija Fourierovih transformirank okna <strong>in</strong> prenosne<br />
funkcije:<br />
H(e jω ) = H IIR ∗ W (e jω ) = 1 H IIR (e jθ )W e j(ω−θ) dθ<br />
2π −π<br />
(5.4-4)<br />
Idealna oblika okna, ki ne popači H(jω), mora imeti obliko 2πδ(ω).<br />
V tem primeru (5.4-4) preide v:<br />
H(jω) = H IIR ∗ W = 1<br />
2π<br />
∫ π<br />
−π<br />
∫ π<br />
H IIR (e jθ )2πδ(ω − θ) dθ<br />
= H IIR (jω) (5.4-5)<br />
Žal idealno okno ni uporabno, ker zahteva, da je w(n) = 1 za<br />
vsak n, kar pomeni, da ne obreže prenosne funkcije tipa IIR <strong>in</strong><br />
zato nimamo končno dolgega odziva sistema. Vseeno primerjajmo<br />
transformiranko idealnega okna s transformiranko pravokotnega<br />
okna. Vemo, da je transformiranka pravokotnega poteka<br />
signala funkcija S a (x) = (s<strong>in</strong> x)/x oziroma diskretna Fourierova<br />
transformacija vzorca pravokotnega okna enaka:<br />
Π(jω) =<br />
=<br />
N−1<br />
∑<br />
n=0<br />
N−1<br />
∑<br />
n=0<br />
N−1<br />
∑<br />
x(n)WN kn =<br />
n=0<br />
1 · W kn<br />
N<br />
e 2π N kn (5.4-6)<br />
Velikost okna določata točki −2π/N <strong>in</strong> 2π/N, ki omejujeta glavni<br />
val funkcije S a . Šir<strong>in</strong>a glavnega vala se manjša z naraščanjem N,<br />
vendar se s tem ne zmanjša valovanje S a izven glavnega vala.<br />
Postaja le ožje. Ta valovitost povzroči, da je prenosna funkcija<br />
H F IR (e jω ) valovita <strong>in</strong> zato je valovit tudi impulzni odziv. Ta<br />
pojav imenujemo Gibbsov pojav.<br />
Gibbsov pojav lahko zelo zmanjšamo, če namesto pravokotnega<br />
okna uporabimo okno drugačne oblike. Opis pogosto uporabljenih<br />
oken je v tabeli 5-1
72 5. Diskretni <strong>sistemi</strong><br />
Tabela 5-1<br />
Pogosta okna<br />
tip okna<br />
pravokotno okno<br />
w(n) =<br />
matematični opis<br />
{<br />
1 0 ≤ n ≤ N − 1<br />
0 drugje<br />
trikotno okno<br />
w(n) =<br />
{<br />
2n/(N − 1) 0 ≤ n ≤ (N − 1)/2<br />
2 − 2n/(N − 1) drugje<br />
Hann<strong>in</strong>govo okno<br />
w(n) =<br />
[ ( )]<br />
1 − cos 2nπ<br />
N−1<br />
0 ≤ n ≤ N − 1<br />
0 drugje<br />
{ 1<br />
2<br />
Hamm<strong>in</strong>govo okno<br />
w(n) =<br />
{ ( )<br />
0, 54 − 0, 46 cos<br />
2nπ<br />
N−1<br />
0 ≤ n ≤ N − 1<br />
0 drugje<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
Seznam oznak<br />
operacije<br />
〈 , 〉 skalarni ali notranji produkt<br />
x(t)<br />
na primer 〈a, b〉 = ab s<strong>in</strong> α α : kot med a <strong>in</strong> b, a, b iznos a, b.<br />
povprečna vrednost x(t), na primer x(t) = 1 ∫ T /2<br />
T −T /2 x(t) dt = 1 ∫<br />
T<br />
spremenljivke<br />
f frekvenca, f = 1/T<br />
T<br />
x(t) dt<br />
h<br />
p h<br />
H<br />
H(e jω )<br />
H(s)<br />
H(z)<br />
impulzni odziv<br />
h(t) impulzni odziv zveznega l<strong>in</strong>earnega sistema<br />
h[n] impulzni odziv diskretnega l<strong>in</strong>earnega sistema<br />
periodično podaljšan impulzni odziv<br />
na periodo omejen periodično podaljšan impulzni odziv<br />
Fourierov transform impulznega odziva: F{h(t)}<br />
tudi H(f), H(ω), H(jω)<br />
Laplaceov transform impulznega odziva L{h(t)}<br />
z-transformiranka diskretnega impulznega odziva<br />
73
74 Seznam oznak<br />
p(t) trenutna moč<br />
r(τ) korelacija<br />
r x (τ): avtokorelacija signala x(t)<br />
r xy (τ): križna korelacija signala x(t) s signalom y(t)<br />
u(t) enotska stopnica, u(t) = 1, t 0<br />
v vhodni signal<br />
x<br />
x q<br />
h x<br />
X<br />
x ∗<br />
y<br />
signal<br />
x(t) zvezni časovni signal<br />
x[n] <strong>diskretni</strong> časovni signal<br />
amplitudno <strong>diskretni</strong> signal<br />
x q (t) amplitudno <strong>diskretni</strong> časovni zvezni signal<br />
x q [n] amplitudno <strong>in</strong> časovno <strong>diskretni</strong> signal<br />
harmonični signal, h x = ae jωt<br />
na eno periodo omejen periodični signal x(t) ali x[n]<br />
konjugirano kompleksni signal<br />
če je x(t) = a(t) + jb(t), potem x ∗ (t) = a(t) − jb(t)<br />
izhodni signal<br />
E<br />
P<br />
T<br />
δ(t)<br />
∆[n]<br />
φ(t)<br />
ω<br />
energija<br />
povprečna moč, P = 1 T<br />
∫<br />
T<br />
p(t) dt<br />
perioda (periodičnega) signala, x(t) = x(t + T ), T = 1 f<br />
Diracov impulz<br />
enotski ali Kroneckerjev impulz<br />
bazična funkcija<br />
krožna frekvenca, ω = 2πf = 2π<br />
T<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
Seznam oznak 75<br />
A<br />
B<br />
C<br />
N<br />
R<br />
T<br />
Z<br />
T<br />
T −1<br />
F<br />
L<br />
Sa<br />
množice<br />
amplitudno območje signala, amplitudni razmah (<strong>in</strong>terval realnih števil)<br />
prostor b<strong>in</strong>arnih števil<br />
prostor kompleksnih števil<br />
C N : prostor kompleksnih N-teric<br />
prostor naravnih števil<br />
prostor realnih števil<br />
R N : prostor realnih N-teric<br />
signalna os<br />
T N : <strong>in</strong>terval celih števil [0, 1, . . . N 1 ], def<strong>in</strong>icijska domena<br />
T T : <strong>in</strong>terval realnih števil [0, T ), def<strong>in</strong>icijska domena<br />
prostor celih števil<br />
ramp(t) strm<strong>in</strong>a<br />
rect(t)<br />
Z − : nepozitivna (sem<strong>in</strong>egativna) cela števila<br />
Z + : nenegativna (semipozitivna) cela števila<br />
transformacije<br />
transformacija, preslikava signala<br />
<strong>in</strong>verzna transformacija<br />
Fourierova transformacija<br />
Laplaceova transformacija<br />
posebni <strong>signali</strong><br />
s<strong>in</strong> x/x, ”sample function”<br />
pravokotni pulz<br />
trian(t) trikotni pulz
76 Seznam oznak<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
Literatura<br />
[1] H. Kwakernaak, R. Sivan: Modern signals and systems (third<br />
edition). The McMillan Press LTD., ISBN 0–13–812728–X<br />
[2] A.V. Oppenheim, Ronald W. Schafer: Discrete-Time Signal<br />
Process<strong>in</strong>g. Prentice Hall Process<strong>in</strong>g Series, 1989, ISBN<br />
0–13–216292–X<br />
[3] Charles L. Phillips, John M. Parr (1995). Signals, systems, and<br />
transformas, Prentice Hall Inc., ISBN 0–13–795253–8<br />
[4] E.C. Ifeachor, B.W. Jervis: Digital signal proces<strong>in</strong>g, A practical<br />
approach. Addison-Wesley, 1997, ISBN 0–201–54413–X<br />
[5] H. S. Carslaw: An <strong>in</strong>troduction to Fourier’s series and <strong>in</strong>tegrals<br />
(third edition). Dover Publications, <strong>in</strong>c. (ponatis 1960)<br />
[6] I.N. Sneddon: Fourier transforms. Dover publications I<strong>in</strong>c.,<br />
(ponatis 1995), ISBN 0–486–68522–5 (pbk)<br />
[7] H.F. Davis: Fourier series and orthogonal functions. Dover<br />
publications Inc., 1963, ISBN 0–486–65973–9<br />
[8] M. Reed, B. Simon: Fourier analysis, Self-Adja<strong>in</strong>tness.<br />
Academic press Inc., 1975, ISBN 0–12–585002–6(v.2)<br />
[9] M. R. Spiegel: Theory and problems of Fourier analysis with<br />
applications to boundary value problems. Schaum’s outl<strong>in</strong>e series,<br />
McGraw-Hill (18.izdaja 1994). ISBN 0-07-060219-0<br />
[10] M. R. Spiegel: Theory and problems of Lapalace transform.<br />
Schaum’s outl<strong>in</strong>e series, McGraw-Hill (18.izdaja 1994). ISBN<br />
0-07-06231-X<br />
[11] M. E. van Valkeburg: Network Analysis.<br />
[12] D. Lange (19xx). Methoden der Signal und sistemanalise.<br />
77
78 Literatura<br />
[13] Dietmar Achilles: Die Fourier-Transformation <strong>in</strong> der<br />
Signalverabeitung. Spr<strong>in</strong>ger Verlag, 1985<br />
[14] Charles K. Chui, Guanrong Chen: Signal Process<strong>in</strong>g and System<br />
Theory (Selected topics). Spr<strong>in</strong>ger Verlag, 1992<br />
[15] Paul A. Lynn (1994). An <strong>in</strong>troduction to the analysis and<br />
Process<strong>in</strong>g of signals. MacMillan Press LTD. 1994, ISBN<br />
0–333–48887–3<br />
[16] I.N. Bronšte<strong>in</strong>, K.A. Semendjajev, G. Musol, H. Mühlig:<br />
Matematični priročnik. Tehniška založba Ljubljana.<br />
[17] Ludvig Gyergyek: <strong>Teorija</strong> obdelave <strong>signalov</strong> <strong>in</strong> statistične<br />
metode. Založba FER Ljubljana, 1987.<br />
[18] T<strong>in</strong>e Zorič, Dali Donlagić, Rajko Svečko: <strong>Teorija</strong> l<strong>in</strong>earnih<br />
<strong>diskretni</strong>h sistemov. Založba FERI Maribor, 1994 ISBN<br />
86–436–0053–4<br />
[19] Rajko Svečko, T<strong>in</strong>e Zorič: <strong>Teorija</strong> l<strong>in</strong>earnih <strong>diskretni</strong>h sistemov.<br />
Založba FERI Maribor, 1994 ISBN 86–435–0076–3<br />
[20] Rajko Svečko: <strong>Teorija</strong> sistemov. Založba FERI Maribor, 2000<br />
ISBN 86–435–0366–5<br />
[21] Žarko Čučej: Komunikacije v sisteih dalj<strong>in</strong>skega vodenja,<br />
Založba FERI Maribor, 1998, ISBN 86–435–0217–0<br />
[22] Žarko Čučej, Peter Plan<strong>in</strong>šič: <strong>Teorija</strong> <strong>signalov</strong>: Uvod v teorijo,<br />
Založba FERI Maribor, 1999, ISBN 86–435–0267–7<br />
http://SPaRC.feri.uni-mb/publikacije<br />
[23] Žarko Čučej, Peter Plan<strong>in</strong>šič: <strong>Teorija</strong> <strong>signalov</strong>: Harmonična<br />
analiza <strong>in</strong> obdelava, Založba FERI Maribor, 2001, (trenutno<br />
dosegljiva kot datoteka Signal C na<br />
http://SPaRC.feri.uni-mb/publikacije)<br />
[24] Erhard Stepanek Praktische analyse l<strong>in</strong>earer systeme durch<br />
faltungsoperationen, Academishe verlagsgesellschaft, Geest &<br />
Portig k.g. Leipzig, 1976<br />
[25] John J. Komo: Random Signal Annalysis <strong>in</strong> Eng<strong>in</strong>eer<strong>in</strong>g<br />
Systems, Acaddemic Press. Inc., 1987, ISBN 0–12–418660–2.<br />
[26] Harry Urkowitz: Signal theory and random processes. Artech<br />
house. Inc., 1983, ISBN 0–89006–121–1<br />
[27] Igor Grabec, Janez Gradišek: Opis naključnih pojavov, Univerza<br />
v Ljubljani, Fakulteta za strojništvo, 2000, ISBN 961–6238–42–6.<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225
Literatura 79<br />
[28] Ludvig Gyergyek: <strong>Teorija</strong> obdelave <strong>signalov</strong> <strong>in</strong> statistične<br />
metode. Univerza v Ljubljani, Založba FER Ljubljana, 1987<br />
[29] Rajko Jamnik: Verjetnostni račun. Univerza v Ljubljani,<br />
Mladnska knjiga, 1987<br />
[30] Rajko Jamnik: Matematična statistika. Državna založba<br />
Slovenije, 198o<br />
[31] Georgije Lukatela: Statistička teorija telekomunikacija i teorija<br />
<strong>in</strong>formacija 1 Gradev<strong>in</strong>ska knjiga Beograd, 1991, ISBN<br />
86–395–0280–3<br />
[32] Ian A. Glover, Peter M. Grant: Digital Communications<br />
Prentice Hall Europe, 1998, ISBN 0–13–5653391–6<br />
[33] John G. Proakis: Digital Communications (third edition)<br />
McGraw-Hill International editions, 1995, ISBN 0–07–113814–5<br />
[34] Jay L. Devore: Probability and statistics for eng<strong>in</strong>eer<strong>in</strong>g and<br />
sciences Brooks/Cole Publish<strong>in</strong>g company 1991, ISBN<br />
0–534–14352–0<br />
[35] Yannis V<strong>in</strong>iotis: Probability and random processes for electrical<br />
eng<strong>in</strong>eers McGraw-Hill International editions, 1997, ISBN<br />
0–07–067491–4<br />
[36] Claude E. Shannon: A mathematical theory of communications<br />
[37] Slovar Slovenskega knjižnega jezika Slovenska akademija znanosti<br />
<strong>in</strong> umetnosti, Državna založba SLoenije, 1980<br />
[38] Random Hause Dictionary of the English Language Edit. Jess<br />
Ste<strong>in</strong>, Random Hause Inc., 1966, ISBN: 0–394–47176–8
80 Literatura<br />
Žarko Čučej: <strong>Teorija</strong> <strong>signalov</strong> revizija 20020225