Upload
others
View
6
Download
0
Embed Size (px)
Citation preview
Fourierova transformace
Transformace
Zpracovánív
transform. oblasti
Zpracovánív
časové oblasti
x(n) X(n)
Základní idea transformace
InverzníTransformace
transform. oblastičasové oblasti
x(n)‘ X(n)‘
Typy Fourierových transformací
Diskrétní Fourierova transformaceN-bodová DFT signálu s N vzorky:
1,,1,0)(][1
0
/2 −==∑−
=
− NkenxkXN
n
NnkjDFT L
π
[ ]∑−
=
−=1
)/2sin()/2cos()(][N
DFT NnkjNnknxkX ππ
zpětná transformace IDFT :
1,,1,0][1
][1
0
/2 −== ∑−
=
NnekXN
nxN
k
NnkjDFT L
π
Jelikož ej2πnk/N je periodická, je periodická i DFT a IDFT ⇒ počítáme vzorky pouze přes jednu periodu.
∑=0n
Ximag
Ф
Xmag
Xm(k)=Xreal(k)+jXimag(k)
Polární tvar DFT
Xreal
22 )()( kXkXXX imagrealmagmag +==
= −Φ )(
)(tan 1
kX
kXX
real
imag
222 )()()()( kXkXkXkX imagrealmagPS +==
• Při použití polární reprezentace DFT – pozor na následující možné problémy :
– správnou konverzi fáze - sw většinou vrací fázový úhel v radiánech a to v rozsahu
– při výpočtu fáze pozor na nulovou reálnou část ( přetečení) (fáze je v tomto případě ±90º
– pozor na správnou konverzi úhlu z intervalu na interval – fáze u velmi nízkých amplitud, které se ztrácí v šumů může chaoticky kmitat
okolo nulové hodnoty
– fázová charakteristika se opakuje s periodou 2π – to způsobuje v některých případech nespojitost ve fázové charakteristice
– Amplitudová frekvenční charakteristika je vždy kladná – problémy – Amplitudová frekvenční charakteristika je vždy kladná – problémy mohou nastat pokud imaginární část transformovaného signálu je celá nulová -> může docházet ke prudké změně ve fázové charakteristice mezi –π a π
Př.: Výpočet DFT z definice: x[n]={1,2,1,0}
jeeenxXk
enxXk
jj
n
nj
DFT
nDFT
20121][]1[:1
40121][]0[:0
3
23
0
2
3
0
0
=+++===
−=+++===
=+++===
−−−
−−
=
−
=
∑
∑
∑
πππ
πππ
jeeenxXk
eeenxXk
jj
n
nj
DFT
jj
n
jnDFT
20121][]3[:3
00121][]2[:2
32
33
0
2
3
23
0
=+++===
=+++===
−−
=
−
−−
=
−
∑
∑
πππ
πππ
XDFT[k]={4,-2j,0,2j}
Symetrie DFT:
DFT reálného signálu vykazuje komplexně sdruženou symetrii okolo počátku tj.:
XDFT[-k]=XDFT* [k]
Protože je DFT periodické XDFT[-k]=XDFT [N-k]
Výpočet hodnot pro k=0 a k=N/2 (pro sudé N)
∑ ∑
∑∑−
=
−
=
−
=
−
=
−==
−==
1
0
1
0
1
0
1
0
][)1(1
]2
[][1
]0[
][)1(]2
[][]0[
N
k
N
kDFT
kDFT
N
n
nDFT
N
nDFT
kXN
NxkX
Nx
nxN
XnxX
Vlastnosti DFT
1. Linearita k1x1(n)+ k2x2(n) ↔ k1X1(n)+ k2X2(n)2. Periodičnost - funkce x(n) a X(n) jsou periodické s periodou P=N3. Kruhový časový posun :
celénkXennxkn
Nj
−⋅↔−−
0
)2
(
0 ],[][0
π
⇒ posun v čase způsobí změnu ve fázi4. Kruhový frekvenční posun
celénkXennx −⋅↔− 00 ],[][
celéknxekkXkn
Nj
−⋅↔−−
0
)2
(
0 ],[][0
π
4. Periodická konvoluce v časové oblasti
Periodickou konvoluci dvou sekvencí délky N určíme jako součin N-bodových transformací.
5. Periodická korelace
][][][][ 2121 kXkXnxnx ⋅↔∗
][][][][ *2121 kXkXnxnx ⋅↔∗∗
6. Obraz obrácené posloupnosti
7. Vlastnosti spektra reálné posloupnosti
][][ kXnx −↔−
][][][ kNXkXkX −=−= ∗∗
)()(
)()(
)](Im[)](Im[
)](Re[)](Re[
kNk
kNXkX
kNXkX
kNXkX
−−=−=
−−=−=
φφ
5. Periodická konvoluce ve frekvenční oblasti
8. Vlastnosti spektra reálné a sudé posloupnosti• je-li x[n] reálná a sudá je i X[k] reálná sudá
9. Vlastnosti spektra reálné a liché posloupnosti• je-li x[n] reálná a lichá, pak je X[k] imaginární, li chá
10. Alternativní vzorec pro výpočet IDFT
][][1
][][ 2121 kXkXNnxnx ∗↔⋅
*1
0
2* )(
1)(
= ∑
−
=
−N
k
knN
jekX
Nnx
π
K výpočtu inverzní transformace je možné použít algoritmů pro výpočet DFT:
• nejprve obrátíme znaménka hodnot imaginární části X(k),• vypočteme DFT• obrátíme znaménka imaginárních částí vypočtených hodnot• výsledek vydělíme N
Vlastnosti fázové charakteristiky
Velikost DFT vzorků
• Je-li x(n) reálný vstupní signál složený ze sinusovek s odpovídající amplitudou A0 a celočíselným počtem cyklů přes N vzorků, je velikost DFT vzorku odpovídající sinusovky Mr daná vztahem
0
NAM r = 20AM r =
• Pro komplexní vstupní signál s velikostí A0 (tj. A0ej2πft) je výstupnívelikost DFT vzorků
NAM r 0=
Rozlišení DFT
Amplitudové, fázové, výkonové spektrum
Amplitudové spektrum
Replikace signálu a nulová interpolace spektra
Existuje vztah mezi replikací v jedné oblasti a nulovou interpolací v druhé oblasti:
Je-li x[n] M-krát replikován, je DFT(x[n]) interpolován (nulová interpolace) a násoben M:
x[n] → DFT → XDFTk]
{ x[n], x[n], … ,x[n] } ↔ M XDFT↑[k/M]
M-krát
M-násobná interpolace:
x↑[n/M] ↔ {XDFTk], XDFTk], … , XDFTk] }
M-krát
DFT dvojice
Impulz : {1,0,0, …, 0} ↔ {1, 1, 1, …, 1} konstanta
Konstanta: {1, 1, 1, …, 1} ↔ {N, 0,0, … , 0, 0} impulz
Exponenciála:
N
kj
nn
eπ
α
αα 21
1−
−
−↔
Sinusoida:
Neα1−
)]([5.0][5.02cos 000 kNkNkkN
N
kn −−+−↔
δδπ⇓
N-bodová sinusoida s periodou N a F0=k/N má pouze dva nenulové vzorky
Inverzní DFT
1,,1,0][1
][1
0
/2 −== ∑−
=
NnekXN
nxN
k
NnkjDFT L
π
DFT a IDFT mají podobný vztah, až na znaménko u exponenciály a normalizační faktor 1/N. Je-li DFT symetrická (komplexně sdružená symetrie) ⇒ x[n] může být vyjádřena jako součet sinusoid, protože dvojici AejΘ v k0 a v N-k0 odpovídá sinusoida
Θ+N
kn
N
A 02cos2 π
XDFT[0] odpovídá dc složce XDFT[0]/N a DFT vzorek XDFT[N/2] (pro sudé N) odpovídá frekvenci F= 0.5 a odpovídá signálu Kcos(nπ), kde K=(1/N)XDFT[N/2]
Př.: XDFT[k] = {4, -2j, 0, 2j}
2)2024(25.0][25.0]1[:1
1)0121(25.0][25.0]0[:0
3
2
3
23
0
2
3
0
0
=++−⋅=⋅==
=++−⋅=⋅==
=+++⋅=⋅==
∑
∑
∑
=
=
πππ
πππjj
k
kj
DFT
kDFT
jejeekXxn
ekXxn
0)2024(25.0][25.0]3[:3
1)2024(25.0][25.0]2[:2
2
3
2
33
0
2
3
33
0
=++−⋅=⋅==
=++−⋅=⋅==
∑
∑
=
=πππ
πππ
jj
k
kj
DFT
jj
k
jkDFT
jejeekXxn
jejeekXxn
IDFT → x[n]={1,2,1,0}
*1
0
2* )(
1)(
= ∑
−
=
−N
k
knN
jekX
Nnx
π
K výpočtu inverzní transformace je možné použít algoritmů pro výpočet DFT:
Alternativní vzorec pro výpočet IDFT
DFT: • nejprve obrátíme znaménka hodnot imaginární části X(k),• vypočteme DFT• obrátíme znaménka imaginárních částí vypočtených hodnot• výsledek vydělíme N
DFT- volba frekvenční osy
Prosakování ve spektru (Spectrum leakage)
• Prosakování se vyskytuje tehdy, pokud u vzorkovaného analogového signálu počítáme DFT z N vzorků a v těchto vzorcích není obsažen celočíselný počet period sinusoid obsažených ve vstupním signálu.
• Při prosakování se v DFT vyskytnou spektrální čáry i jinde než v ±f0 (f0 je frekvence vstupního signálu
• Prosakování je možné eliminovat, ale nelze jej odstranit úplně.
• K vysvětlení prosakování ve spektru se používá Fourierův obraz reálné kosinové funkce
]/)(sin[)](sin[
21
)(
),/2cos()(
]/)()([
Nmk
mkemX
NnKnx
Nmkmknjr
r
+−
−⋅=
=
−−−
ππ
ππ
]/)(sin[)](sin[
21
]/)(sin[2
]/)()([
Nmk
mke
Nmk
Nmkmknj
++⋅+
−
−−+
ππ
ππ
NnmjN
nw enxnwmX
/21
0
)()()( π==
=
⋅=∑
K omezení vlivu prosakování ve spektru se před provedením DFT násobí vstupní signál tzv. vyhlazovacím oknem.
Maticový zápis DFT a IDFT
N
j
N eWπ2−
= [ ] [ ]
[ ] [ ][ ] 1,...,1,011,...,1,0
1
0
*
1
0
−==
−==
∑
∑−
=
−
=
NnWkXN
nx
NkWnxkX
N
k
nkNDFT
N
n
nkNDFT
Označíme
Nx1 matice
[ ][ ][ ]
[ ]
[ ][ ][ ]
[ ]
−
=
− −−−−
−
−
1
2
1
0
1
2
1
0
)1)(1()1(210
0
)1(2420
1210
00000
Nx
x
x
x
WWWW
W
WWWW
WWWW
WWWWW
NX
X
X
X
NNN
NN
NNN
N
NNNNN
NNNNN
NNNNN
M
L
MOMM
L
L
M
N DFT rovnic lze zapsat maticově X=WNX
Nx1 matice
NxN matice
Maticový zápis IDFT
[ ]
[ ]TNN
T
NN
WN
W
XWN
XXWX
∗−
∗−
=
=⇒=
1
1
1
1
IDFT maticeN
• výběr N vzorků vzorkovaného signálu = násobení vzorkovaného signálu pravoúhlým oknem
• kromě pravoúhlého okna lze použít i jiné typy oken• každé okno má určitou frekvenční charakteristiku a podle toho je vhodné
pro zpracování určitého typu signálu
Spektrální vyhlazení časovými okny
Základní charakteristiky okenZákladní charakteristiky oken
• Amplitudová charakteristika
3
6
3707.0
log20
65.0
log20
WdBP
P
WdBP
P
⇒=
⇒=
Další charakteristiky oken:
koherentní zesílení (coherent gain)
ENBW (equivalent noise bandwith)
[ ]∑−
=
=1
0
1 N
k
kwN
CG
[ ]∑− 1
2N
kwN
SL (scallop loss)
[ ]
[ ]∑
∑−
=
==1
0
0
2
N
k
k
kw
kwNENBW
[ ]
[ ]∑
∑−
=
−
=
−
= 1
0
1
0log20 N
k
N
k
N
kj
kw
ekw
SL
π
Používaná DFT okna a jejich charakteristiky
Používaná DFT okna a jejich charakteristiky
Bartlett
von Hann
Hamming
Blackmann
Kaiser
• Zvětšování délky okna (u všech oken) klesá šířka hlavního laloku, velikost postranních laloků se téměř nemění
• Ideální případ amplitudové charakteristiky (pro okno dané délky) - úzký (a co nejvyšší) hlavní lalok a nízké postranní lalok y -> protichůdnépožadavky - většinou s klesající šířkou hlavního laloku roste amplituda postranních laloků
• Dynamické rozlišení - schopnost odlišit velké změny v amplitudě signálu.
• Frekven ční rozlišení okna - schopnost od sebe odlišit sinusovky s podobnou amplitudou a blízkou frekvencí. Platí: při použití vyhlazovacích oken od sebe nelze odlišit dvě sinusovky s Platí: při použití vyhlazovacích oken od sebe nelze odlišit dvě sinusovky s frekvencemi nižšími než je šířka hlavního laloku okna.
N
kW
S
fF M ==
∆=∆
ke zmenšení ∆F musíme zmenšit WM → zvětšit N (ale ne přidáním nul !!!) → více vzorků signálu
Příklad: x(t)=A1cos(2πf0t)+ A2cos(2π(f0+∆f)t)A1 = A2 = 1 f0=30Hz S=128HzMáme N vzorků, doplnit počet nulami na NFFTJaké je nejmenší ∆f pro: pravoúhlé okno von Hannovo okno
pro následující N a NFFT: a) N=256, NFFT=2048
b) N=512, NFFT=2048
c) N=256, NFFT=4096
⇒ nelze zvětšit rozlišení p řidáním nul, ale pouze zv ětšením délky signálu
A2 = 0.05 (26dB pod A1 tj. 20log(1/0.05) )
• Výkonová spektrální hustota (PSD – power spectral density) Rxx(f) analogového výkonového nebo náhodného signálu x(t) je Fourierova transformace autokorelační funkce rxx(t).
• Rxx(f) je reálná nezáporná sudá funkce s hodnotou Rxx(0) rovnou průměrnému výkonu signálu x(t).
• PSD se používá k odhadu spektra vzorkovaného signálu konečné délky
Dva způsoby odhadu spektra :
Odhad spektra
– neparametrický odhad – o signálu nic nevíme a odhadujeme spektrum– parametrický odhad – odhad spektra modelujeme jako koeficienty filtru
buzeného šumem
Neparametrické odhady: • Periodogram – periodogram P[k] je založena na DFT (FFT) N-vzorkované řady x[n] a je definován jako:
[ ] [ ] 21 kXN
kP DFT=
• dobrý odhad pro deterministické, pásmově omezené, výkonové signály, vzorkované vyšší frekvencí než Nyquistova
• Špatné pro signály poškozené šumem
Welchova metoda• je založená na průměrování překrývajících se periodogramových odhadů• Princip:
– signál je rozdělen na k překrývajících se M vzorkovaných úseků (s překrytím D vzorků, D=50-75%). Každý úsek je násoben M vzorkovým oknem w(n) kvůli omezení prosakování.
– PSD každého úseku je odhadnuto periodogramem – PSD každého úseku je odhadnuto periodogramem – k periodogramů je zprůměrováno – M-bodový průměrný periodogram
• Metoda je vhodná pro detekci frekvencí, které jsou blízko sebe (dobré frekvenční rozlišení)
Bartlettova metoda • Jako Welchova metoda, ale segmenty se nepřekrývají a nejsou násobeny
oknem
Blackman-Tukey metoda: • metoda určuje PSD z autokorelace násobené oknem• Princip:
– N vzorkový signál x[n] je doplněn nulami na 2N vzorků výsledkem je signál y[n]– určí se periodická autokorelace y[n] nalezením YFFT[k] a určením IFFT součinu
YFFT[k] YFFT[k]* a dostaneme 2N bodový autokorelační odhad rxx[n].– autokorelační odhad rxx[n] je násoben M-bodovým oknem (kvůli vyhlazení
spektra a redukci vlivu špatného autokorelačního odhadu signálu konečné délky)– určíme FFT M-bodové autokorelace násobené oknem a dostaneme vyhlazený
periodogram– menší M (užší okno) lepší vyhlazení, ale může dojít k maskování některých – menší M (užší okno) lepší vyhlazení, ale může dojít k maskování některých
špiček (peaků) nebo k překrytí ostrých detailů. Obvykle se používá M v rozsahu M=0.1N až M=0.5N
– jako okno pro vyhlazení se nejčastěji používá Bartlettovo okno.
• metoda je vhodná pro detekci dobře oddělených peaků s rozdílnou velikostí (dobré dynamické rozlišení)
Rychlá Fourierova transformaceFFTFFT
2)2
(2
22
22)2
(2
)(22
113
2
1
Njj
NkN
NNkj
kj
nN
Nn
NN
njN
Nnj
nN
NnN
NNnj
Nnj
Wee
WWee
WWee
===
−==
==
−−
−−
+−+−
++−−
ππ
ππ
ππ
ππ
Algoritmus využívá symetrie a periodicity exponenciály WN=e-j2πn/N
2
222)
2(2
4 NNN
jN
jWWee ==
−− ππ
Základní výsledky využité ve FFT výpočtech:
1-bodová transformace : DFT jediného čísla A je číslo A2-bodová transformace : DFT 2-bodové řady
XDFT[0]=x[0] + x[1] XDFT[1]=x[0] - x[1]
• Radix 2-FFT transformace využívá toho, že N-bodová DFT může být zapsána jako součet dvou N/2 bodových transformací vytvořených ze sudých a lichých vzorků.
[ ] [ ] [ ] [ ]
[ ] [ ]
[ ] [ ]∑∑
∑∑
∑∑∑
−−
−
=
−
=
−
=
+−
=
−
=
=++=
=++==
12
12
12
0
2
12
0
2
12
0
)12(
12
0
21
0
122
122
NN
N
n
nkN
kN
N
n
nkN
N
n
knN
N
n
nkN
N
n
nkNDFT
WnxWWnx
WnxWnxWnxkX
Označíme Xe[k] – sudé vzorky (sudý index) a Xo[k] - liché vzorky (lichý index), pak
[ ] [ ]∑∑==
++=2
0 2
2
0 2
122n
nkN
kN
n
nkN WnxWWnx
[ ] [ ] [ ] 1,,2,1,0 −=+= NkkXWkXkX okNeDFT L
[ ] [ ] [ ]
[ ] [ ] 12
1,,2,1,0
222
12
1,,2,1,0
2
−=−=
=
++
+=
+
−=+=
+
NkkXWkX
NkXW
NkX
NkX
NkkXWkXkX
okN
e
oN
k
Ne
DFT
okN
eDFT
L
L
Na základě periodicity lze odvodit:
tzv. Danielson-Lanzos lemma
A=Xe[k]
B=Xo[k]
Výpočet FFT – decimace ve frekvenci DIF
Výpočet FFT – decimace v čase DIT
Výpočet FFT - porovnání