UNIVERZITET U TRAVNIKU

TEHNIČKI FAKULTET

ODSJEK/SMJER:

Inžinjerska Informatika

FOURIEROVE TRANSFORMACIJE I PRIMJENA

Seminarski rad iz Signala, mjerenja i sustava

Student: Amar Kalem

Mentor: Admir Šupić

Januar, 2018
 SADRŽAJ

1. UVOD ............................................................................................................. 2

2. Diskretna Furijerova transformacija ............................................................... 3

3. Brza Furijerova transformacija ....................................................................... 3

4. Radix-2 arhitektura ......................................................................................... 6

5. Furijerove transformacije kompleksnih signala ............................................. 8

6. Gibsov fenomen.............................................................................................. 9

7. Primjena Furijerovih transformacija ............................................................ 12

8. Zaključak ...................................................................................................... 14

9. Literatura ...................................................................................................... 15

1
 1. UVOD

Po teoriji Furijeovih redova, svaki periodičan signal možemo predstaviti zbirom beskonačno
mnogo ortogonalnih funkcija. Budući da predstava signala preko Furijeovog reda omogućava
potpuno drugačiji uvid u karakteristike signala u odnosu na vremenski domen, prirodno se
postavlja pitanje da li je moguće ideju razlaganja signala na njegove prostoperiodične
komponente proširiti i na neperiodične signale. Posmatrajući neperiodičan signal kao
periodičan signal sa beskonačno velikim periodom, Furijeova transformacija proširuje ovakav
koncept razlaganja signala i na neperiodične signale.

Prilikom sinteze periodičnog signala na osnovu koeficijenata Furijeovog reda u zbiru učestvuje
beskonačno mnogo prostoperiodičnih funkcija, ali je neophodno naglasiti da se njihove
učestanosti međusobno razlikuju za konačan iznos i da je razlika susjednih učestanosti jednaka
osnovnoj učestanosti signala. Prema tome, spektar periodičnih signala se računa za diskretne
vrijednosti učestanosti. Proširujući ovaj koncept na neperiodične signale uvođenjem
beskonačno velikog perioda, osnovna učestanost signala postaje infinitezimala, a samim tim se
i razlike između susjednih učestanosti beskonačno smanjuju, te spektar postaje kontinualna
funkcija učestanosti.

2
 2. Diskretna Furijerova transformacija

Diskretna Fourijeova Transformacija (DFT) se koristi za numeričko određivanje spektra

signala. DFT je veoma važna u domenu frekvencijske analize zato što uzima diskretni signal u
vremenskom domenu i transformiše taj signal u frekvencijski domen.
DFT se primenjuje nad ulaznim nizom podataka x(n) koji se sastoji od N elemenata, pri
čemu se kao rezultat dobija niz X(k) koji takođe ima N elemenata. Izlazni niz se definiše kao:

gdje su koeficijenti WN definisani kao:

Inverzna Furijeova Transformacija (iDFT) je definisana kao Diskretna:

Kao što se može uočiti, razlika u računanju DFT i iDFT se sastoji samo u množenju svakog
člana sa 1/N, kao i u primjeni različitih koeficijenata. S obzirom, da je postupak za računanje
DFT i iDFT jako sličan u daljem radu će biti opisan postupak za računanje DFT koji se vrlo
jednostavno može modifikovati za potrebe računanja iDFT.

3. Brza Furijerova transformacija

Brza Furijeova Transformacija (FFT) predstavlja skup postupaka kojima se efikasno računa
Diskretna Furijeova Transformacija (DFT). FFT smanjuje broj potrebnih izračunavanja za
računanje DFT. Umjesto O(N2) izračunavanja potrebnih za klasičan DFT algoritam,
korištenjem FFT potrebno je O(N log2N). To praktično znači da za ulazni niz od N=1024
elementa, ubrzanje iznosi preko 100 puta !
FFT postupci se zasnivaju na razlaganju N članova niza u nekoliko podnizova. Postoji
nekoliko vrsta razlaganja DFT kao što su: Radix-2, Radix-4, Radix-8, Split-Radix i dr. Ovdje
je predstavljen Radix-2 FFT algoritmu koji pokazuje kako se diskretna Fourierova

3
transformacija (DFT) dužine N razdvaja na dvije diskretne Fourierove transformacije dužine
N/2 pri čemu jedna od njih sadrži parne a druga neparne članove ulaznog niza x(n). Ako
krenemo od osnovne formule za DFT i izvršimo sljedeća razlaganja, dobija se:

Što se u kontekstu parnih i neparnih podnizova može iskazati kao:

Prethodne dvije formule pokazuju da je moguće uštedeti 50% operacija u odnosu na klasični
DFT algoritam. Kao što se uočava, ušteda se postiže time što se iste izračunate vrijednosti Fparno
i Fneparno koriste za računanje dva člana izlaznog niza. Tok izračunavanja 8-elementne FFT
primjenom prethodnih formula, tj. dvije-4 elementne DFT prikazan je na slici koja sledi:

Slika 1. Tok podataka 8-elementne FFT primenom dve 4-elementne DFT

__________________________________________________________________
Ray Ranjan Varghese, Chanjal G.Tharayil, "Design, Simulation and Synthesis of an FFT
Processor using VHDL",

4
 Sa slike se uočava da se rezultati izračunatih 4-elementnih DFT koriste tako što se
odgovarajući izlaz gornjeg DFT kola sabira i oduzima od izlaza donjeg koji je prethodno
pomnožen odgovarajućim koeficijentom. Međutim, ovo početno razlaganje koje je
predstavljeno na Slici 1. može se primeniti i na svaki od 4-elementnih DFT. Tako se razlaganja
mogu nastaviti:

Slika 2. Tok podataka 8-elementnog Radix-2 FFT (“decimacija u vremenu”)

Sa Slike 2. se uočava da se sve operacije prilikom računanja Radix-2 FFT mogu opisati jednim
osnovnim elementom koji se naziva “leptir”. Ovaj element se samo primjenjuje nad različitim
ulaznim podacima x(0) i x(1) i sa drugačijim koeficijentom W. Kao što će kasnije biti
prezentovano, najsloženiji problem kod FFT algoritama predstavlja pribavljanje odgovarajućih
podataka i koeficijenata.

Slika 3. “Leptir” - Osnovni element Radix-2 FFT algoritma

Tok podataka predstavljen na Slici 2. pokazuje da je za pravilan rad ovog algoritma neophodno
preurediti elemente na ulazu, pri čemu će redosljed elemenata na izlazu biti uređen. Ovakav tip
Radix-2 FFT algoritma se naziva “decimacija u vremenu”. Modifikacija ovog algoritma koja
podrazumjeva da su ulazni elementi uređeni, a izlazni ne, naziva se “decimacija u frekvenciji :

5
 Slika 4. Tok podataka 8-elementnog Radix-2 FFT (“decimacija u frekvenciji”)

Cijeli algoritam predstavljen na slici 4. se izvodi po “etapama”. U prvoj etapi se primjenjuje

“leptir” nad parovima elemenata[x(0), x(4)], [x(1), x(5)], [x(2), x(6)] i [x(3), x(7)]. U drugoj
etapi nad parovima [x(0), x(2)], [x(1), x(3)]… U poslednjoj (trećoj) etapi “leptir” se primenjuje
nad parovima [x(0), x(1)], [x(2), x(3)]. Inače, broj etapa je log2N.
Važno je napomenuti da Radix-2 FFT algoritam podrazumjeva da broj elemenata ulaznog
niza predstavlja stepen broja 2, jer smo sva razlaganja vršili na parne i neparne elemente. Slično
ovom, Radix-4 zahtjeva da N bude stepen četvorke i unosi dodatno poboljšanje u brzini na
račun povećanja složenosti kola. Takođe, važno je istaći da je ovaj algoritam primjenjiv na
kompleksne brojeve, ali je nadalje, zbog složenosti, razmatran samo realan ulazni niz.

4. Radix-2 arhitektura
Arhitekture za računanje Radix-2 algortima su predstavljene u literaturi [2] 1 ali je principijelna
blok šema uglavnom ista i predstavljena je na Slici 5. Ovo kolo periodično obavlja sljedeći niz
operacija: 1) Generiše adrese ulaznih podataka i odgovarajućeg koeficijenta W. Na početku su
to x(0) i x(4). 2) Zatim vrši čitanje podataka iz memorija sa prethodno izračunatih adresa. 3)
Izračunava “leptir” nad ovim podacima. 4) Upisuje rezultate u memoriju podataka na iste adrese
sa kojih su podaci pročitani.
Ove četiri operacije se obavljaju za svaki ulazni par podataka u svakoj od etapa. To znači
da ima N/2*log2N ovakvih operacija. Blokovi koji generišu adrese ulaznih podataka (x(0), x(4),
x(1), x(5),...), kao i odgovarajućih koeficijenata predstavljaju komponente koje u najvećoj mjeri

6
utiču na brzinu rada ovog kola. S obzirom da je najoptimalnija realizacija ovih komponenti
veoma složena i predstavlja poseban problem opisan u brojnim radovima, u ovom radu je
implementiran samo jednostavan algoritam koji postiže traženu funkcionalnost. Ovaj algoritam
je implementiran kombinacijom raznih brojača i pomoćnih kola. Memorija podataka služi za
čuvanje ulaznih podataka ali i rezultata koji se upisuju na mesto samih podataka nakon
računanja leptira i koji se koriste u narednim etapama.

Slika 5. Pojednostavljena blok šema Radix-2 FFT

__________________________________________________________________________
1
"Fast Fourier Transform v3.2", Xilinx Product Specification

7
 5. Furijerove transformacije kompleksnih signala

U praksi se najčešće radi sa realnim signalima, iako se ponekad ukazuje potreba za formiranjem
kompleksnih signala u vremenu, njihovom analizom i obradom. Prilikom definisanja Furijeove
transformacije nismo postavljali uslove da signal u vremenu bude realan. Stoga isti definicioni
izraz za Furijeovu transformaciju možemo primijeniti i na kompleksne signale. Dakle,
Furijeova transformacija kompleksnog signala:

je data sa:

Relani i imaginarni dijelovi Furijeove transformacije su:

Ako je realni dio signala u vremenu parna, a imaginarni neparna funkcija, imaginarni dio
Furijeove transformacije će biti jednak nuli, jer je proizvod parne i neparne funkcije neparna
funkcija, a integral neparne funkcije od −∞ do ∞ je jednak nuli. Slično, ako je realni dio signala
u vremenu neparna, a imaginarni parna funkcija, realni dio Furijeove transformacije će biti
jednak nuli. Iz prethodni relacija lako se izvode specijalni oblici Furijeovog integrala koji
uspostavljaju vezu između realnih i imaginarnih dijelova Furijeove transformacije sa parnim i
neparnim dijelovima signala u vremenu i obrnuto.

Kada radimo analizu kompleksnih signala u vremenskom domenu, onda je potrebno razmotriti
i spektar konjugovano kompleksnih signala. Konjugovana Furijeova transformacija je data sa:

8
Ako potražimo reflektovanu konjugovanu Furijeovu transformaciju:

vidimo da ona zapravo predstavlja Furijeovu transformaciju konjugovano kompleksnog

signala:

pa zaključujemo da je:

6. Gibsov fenomen

Prilikom rekonstrukcije signala množenje u frekvencijskom domenu uniformnom prozorskom

funkcijom P (Ω) , koja je različita od nule i jednaka jedinici samo za Ω ≤ Ω0 , garantuje idealnu
rekonstrukciju signala čija je gornja granična učestanost manja ili jednaka od Ω0 . Ako bi širina
prozorske funkcije bila manja, došlo bi do odsijecanja dijela spektra signala na učestanostima
većim od Ω0 . U slučaju signala sa diskontinuitetima, čiji spektar nije ograničen i prekriva cijeli
frekvencijski opseg od −∞ do ∞ beskonačno, odsijecanje visokofrekvencijskih komponenti je
neminovno sve dok je širina prozorske funkcije konačna. Rekonstrukcija signala bez
visokofrekvencijskih komponenti rezultuje aproksimativnim oblicima signala.
Srednjekvadratna greška koja se čini pri rekonstrukciji signala se smanjuje sa povećanjem širine
prozorske funkcije i teži ka nuli kada širina prozorske funkcije teži ka beskonačnosti. Međutim,
pri rekonstrukciji signala koji sadrže diskontinuitete, iako srednjekvadratna greška postaje jako

9
mala pri velikim širinama prozora, rekonstruisani signal se po svom obliku značajno razlikuje
od originalnog signala i u njemu se pojavljuju karakteristični preskoci i oscilacije nazvani
Gibsov fenomen2. Ilustrovaćemo Gibsov fenomen na primjeru rekonstrukcije Hevisajdove
funkcije iz njenog spektra. U svrhu rekonstrukcije, pomnožimo spektar Hevisajdove funkcije
U (Ω) sa prozorskom funkcijom P (Ω) širine Ω0 :

Inverznom Furijeovom transformacijom dobijamo:

Inverzna Furijeova transformacija prozorske funkcije dobije se koristeći pravilo simetrije:

tako da je rekonstruisana Hevisajdova funkcija jednaka:

Slika 6 a).

10
 Slika 6 b).

Slika 6 c).

Slika 6. Rekonstrukcija Hevisajdove funkcije iz ograničenog spectra signala:

a) p(t) inverzna Furijerova transformacija prozorske funkcije

b) pomjeranje reflektovane Hevisajdove funkcije pri određivanju konvolucije
c) konvolucija Hevisajdove funkcije sa p(t).

________________________________________________________________________
2
Gibsov fenomen (Josiah Willard Gibbs, 1839 –1903).

11
 7. Primjena Furijerovih transformacija

Ukoliko signal u vremenu funkcionalnog oblika x (t) (npr. Pravougaoni impuls) ima spektar
funkcionalnog oblika X (Ω )(u posmatranom primjeru to je sinc funkcija), onda spektar signala koji u
vremenu ima funkcionalni oblik X (t) (sinc funkcija u posmatranom primjeru) poprima oblik
reflektovanog originalnog signala (pravougaonog impulsa u posmatranom primjeru) pomnoženog sa 2 π.
Dakle, ako postoji transformacioni par x (t) ↔X( Ω) , tada je:

Primjer: Odrediti i nacrtati Furijeove transformacije Dirakovog impulse x (t) = δ (t) i konstante x (t)=1.

Rješenje
Polazeći od definicionog izraza za Furijeovu transformaciju i koristeći svojstvo odabiranja
Dirakove funkcije dobijamo Furijeovu transformaciju Dirakovog impulsa:

Dirakova funkcija je realna i parna, pa je njen spektar paran i realan. Furijeovu transformaciju konstante
X(t) =1 pronaći ćemo koristeći osobinu simetrije Furijeove transformacije:

12
Slika 7. a) Dirakova funkcija, b) njena Furijerova transformacija, c) konstanta, d) njena Furijerova transformacija

13
 8. Zaključak

Značenje Fourierove transformacije je višestruko i ovisno o primjeni. Česta je primjena kada

se funkcija - signal, koja je definirana na cijelom realnom pravcu, pretvara u funkciju koja za
odredenu frekvenciju k vraća F(s), vrijednost iz koje možemo saznati informacije o amplitudi i
fazi za frekvenciju s. Mnogo je operacija lakše obavljati preko Fourierove transformacije
funkcije, među njima je najbitnija konvolucija. Jednako tako, Fourierova transformacija ima
puno svojstava koja olakšavaju analiziranje funkcije – signala.

Diskretna Fourierova tranformacija pripada u područje Fourierove analize. Ona kao takva
prebacuje funkciju iz jedne domene u drugu, primjerice iz vremenske u frekvencijsku domenu.
Ulazna funkcija DFT-a mora biti definirana diskretnim vrijednostima i analizira se na
ograničenom intervalu. S obzirom da je ulazna funkcija konačna sekvenca realnih i
kompleksnih brojeva, DFT je idealna za procesiranje informacija pohranjenih u računalu. DFT
se široko koristi u obradi signala (obrada slike, obrada zvuka) te za rješavanje parcijalnih
diferencijalnih jednačina.

14
 9. Literatura

[1] Douglas L. Perry, "VHDL:Programming by Example", Fourth Edition, McGraw-Hill

[2] "Fast Fourier Transform v3.2", Xilinx Product Specification

[3] Ray Ranjan Varghese, Chanjal G.Tharayil, "Design, Simulation and Synthesis
of an FFT Processor using VHDL", Mahatma Gandhi University, 2001

[4] Nitin Chaudhary, "Design and Implementation of Low-Power FFT

processors", Project Report 2003/2004 MSc in System Level Integration

[5] M. Hasan and T. Arslan, "Coefficient memory addressing scheme

for high performance FFT Procesors", Electronics Letters Vol. 37 No.22, pp 1322-
1324

[6] Poljak, Stjepan. Brza Fourierova transformacija i primjene, diplomski rad, Odjel za
matematiku Sveuˇciliˇste J.J. Strossmayer u Osijeku, Java implementacija:
http://www.mathos.hr/FFT/fourier.html, 2010.

15