Transform

● Mapping from one domain to another domain.
● Information not clearly visible in one domain may 
be clearly visible in another domain.
● Example: presence of weak harmonics in a  
power line may be feebly visible in the waveform 
[time domain representation of amplitude (V) 
versus time (t)].
● But it will be clearly visible as vertical lines in the 
frequency domain (spectral) representation.  
1
ARJ_DSP_2010
 Frequency analysis tools
● Fourier series ­ continuous time periodic signals
● Fourier transform – continuous time aperiodic 
signals
● Discrete Fourier series – discrete time periodic 
signals
● Discrete Fourier transform – discrete time 
aperiodic signals 

2
ARJ_DSP_2010
 Discrete Fourier Series (DFS)
● For a periodic signal with period N

x  n = x  nN 
The discrete Fourier series (DFS) is defined as  
N −1
1  j2 nk/ N 
x  n =
N
∑ X k  e
k=0

3
ARJ_DSP_2010
 DFS
Where
N−1
− j2  nk/ N 
X k = ∑ x  n e
n =0

The  DFS coefficients are periodic with period N
X k N = X  k 

4
ARJ_DSP_2010
 DFS
● Decomposition of x  n 
into sum of N complex exponentials. 

Orthogonality property of complex exponentials 
N−1  k −l
 j2  n 
N
∑e = N ; k=l
k =0
N−1  k −l
 j2  n 
N
∑e =0 ; k ≠l
k =0

5
ARJ_DSP_2010
 Discrete Fourier Transform (DFT)
N −1
X k = ∑ x n−nk 
N
n=0

 N =e j2  nk / N  = Nth  root of unity

 N =cos 2  nk / N  j sin 2  nk / N 

Analysis equation : Mapping from time domain to frequency domain  

n : time index ; k : frequency index ; N number of points in DFT computation

6
ARJ_DSP_2010
 Inverse Discrete Fourier Transform 
(IDFT)
N −1
x n=1/ N  ∑ X k nk
N
n=0

 N =e j2  nk / N 

 N =cos 2  nk / N  j sin 2  nk / N 

Synthesis equation : Mapping from frequency  domain to time domain  

n : time index ; k : frequency index ; N number of points in DFT computation

7
ARJ_DSP_2010
 DFT
Compute 5 point and 50 point DFT of 
n
x  n = 0.8  u n 

n
8
ARJ_DSP_2010
50 point DFT

k
9
ARJ_DSP_2010
 Fourier Transform
∞
− j  n
X = ∑ x  n e
n=−∞
∞
n − j  n  1
X = ∑ 0.8 e = − j 
n= 0 1−0.8 e 

10
ARJ_DSP_2010
 Important property
● Unlike a CT sinusoid with frequency ranging 
from 0 to infinity, frequency of a complex 
exponential in discrete time domain ranges from 
 0 to2 
 j2 f t 
e ; f ranges from 0 to infinity
 jn  j 2   n   j2  n 
e =e because e =1

In discrete time domain, we cannot distinguish 
frequencies above  2  11
ARJ_DSP_2010
 Xa(F)

Analog frequency F

X(F/Fs)

Analog frequency F
12
ARJ_DSP_2010
 Analog frequency and digital 
frequency
Analog signal : A sin 2  F t
Frequency : F  Hz 
Angular frequency :Omega=2  F radian/sec 
2F n
Sampled analog signal : Asin
Fs
digital frequency : f =F / F s
digital angular frequency : =2  f =2  F / F s

Fs Fs
As F ranges from − to :ranges from −to 
2 2
ARJ_DSP_2010
13
 1
2

F
−F s Fs
2 2

14
ARJ_DSP_2010
 Relation between DFT and Fourier 
Transform
● In Fourier transform, the frequency variable is  continuous.
● In DFT, the frequency variable is made discrete.
● Envelope of Fourier transform is same as envelope of DFT.
● DFT is actually sampled version of the FT along the frequency 
axis. Samples are taken 2*pi/N apart.
● The number of points in DFT computation determines the 
frequency resolution of the DFT. 
● If we increase N, more samples are taken along the frequency 
axis, and we get more resolution.

15
ARJ_DSP_2010
 Example : DFT computation
● Compute DFT of the rectangular pulse train for 
N = 5.

0 1 2 3 4
n

16
ARJ_DSP_2010
 5 point DFT
4 4
X k = ∑ x n−nk ∑ −nk
5 =  5
n=0 n=0

−nk
5 =cos 2  nk /5− j sin 2  nk /5

X 0=11111=4
X 1=10.30−0.95i−0.80−0.58i−0.800.58i0.300.95i=0
X 2=0
X 3=0 4
X 4=0

0 k 17
ARJ_DSP_2010
 10 point DFT
9 9
X k = ∑ x n−nk ∑ −nk
10 = 10
n=0 n=0

−nk
10 =cos 2  nk /10− j sin 2  nk /10

X 0=11111...1=10
X 1=0
X 2=0
X 3=0
10

X 9=0

0 18
ARJ_DSP_2010
 DFT
● 5 point DFT is not equal to 10 point DFT
N

∑ −nk
N =N for k =0 ; k= N , k=2 N ,...
n=0
N

∑ −nk
N =0 for n≠kN where k≥0
n=0

19
ARJ_DSP_2010
 DFT example 2
x  n =sin 2  f nT  ; n=0 :31
f =10 Hz ; T =1 /64

20
ARJ_DSP_2010
32 point DFT magnitude and phase 

magnitude

phase

21
ARJ_DSP_2010
 Interpretation of DFT
● One peak at k = 5
● Sampling frequency = Fs
● N point DFT
● Fs is sampled at N points
● Bins in DFT are separated by Fs/N Hz
● Peak at k = 5 corresponds to 5*Fs/N = 
5*64/32 = 10 Hz
● DFT is a mapping from time domain to frequency domain.
● Frequency resolving power of DFT = Fs/N
22
ARJ_DSP_2010
 DFT Example 
x  n =1 ; 0≤n≤2 ; 0 otherwise

Compute DFT for N = 4 and N = 8, , and plot the
magnitude responses

23
ARJ_DSP_2010
DFT for N = 4

24
ARJ_DSP_2010
DFT for N = 8

25
ARJ_DSP_2010
 DFT as a Linear transformation
N −1
X k = ∑ x n−nk 
N
n=0

N −1
1
x n= ∑ X k Nnk 
N k=0

Computation of each point of DF is performed by 
N complex multiplications and N­1 complex additions.
Total number of computations to evaluate N point DFT
2
N complex multiplications
N  N −1complex additions
26
ARJ_DSP_2010
let input sequence x  n is viewed as an N point vector x N
x 0 x 0 
x 1 x 1
x N= X N=
x 2 ... x 2 ...
x  N−1 x  N −1
WN 11 1 . . ... . . . . . . . . . . .1
2  N −1
1W N W . . . . . . . . W
N N
2 4  2  N −1 
1W N W N . . . . . . . . W N
 N −1  2  N −1   N−1  N −1 
1W N WN ........W N
27
ARJ_DSP_2010
 DFT X N =W N x N

−1
IDFT x N =W N
xN

−11
W = conjugate W N
N
N

28
ARJ_DSP_2010
 Example
● Compute DFT of the 4 point sequence 

x  n = 0,1, 2, 3

29
ARJ_DSP_2010
 Relation of DFT to Fourier series 
coefficients
X k =N c k
N −1
1 − j2  nk / N 
ck =
N
∑ x p n e
n=0

N point DFT provides exact shape of spectrum of 
a periodic sequence with fundamental period N

30
ARJ_DSP_2010
Relation of DFT to Fourier transform

X k =X  for =2  k /N

N point DFT provides exact shape of spectrum of 
a periodic sequence with fundamental period N

31
ARJ_DSP_2010
Relation of DFT to Z transform
N −1
X k = ∑ x n−nk 
N
n=0

32
ARJ_DSP_2010
 Relation of DFT to Z transform
N −1
X k = ∑ x n−nk 
N
n=0

N −1
X z = ∑ x n z−n
n=0

N −1 N −1
1  j2  nk / N 
X z = ∑ [ ∑ −n
X k e ]z
n=0 N k=0

N −1 N −1
1
X z =
N
∑ X k [ ∑ e j2  nk / N  z−n ]
k=0 n=0

33
ARJ_DSP_2010
 Properties of DFT
● Periodicity
X(n+K) = X(k)
● Linearity
if x1(n) has DFT X1(k) and x2(n) has DFT 
X2(k),
DFT of ax1(n) + bx2(n) = aX1(k) + bX2(k)

34
ARJ_DSP_2010
 Circular convolution
● Let DFT of x1(n) = X1(k) and DFT of x2(n) = 
X2(k).
● The product of DFTs X1(k)X2(k) is the DFT of 
the sequence obtained from the circular 
convolution of x1(n) with x2(n) 

35
ARJ_DSP_2010
 Example: Circular convolution
● Let x1(n) = [2,1,2,1] and x2(n) = [1 2 3 4]. Perform 
4 point circular convolution of x1(n) and x2(n).
● Find the 4 point DFTs X1(k) and X2(k).
● Find the product DFT and prove that it is the DFT 
of the circular convolution result from step 1.  

36
ARJ_DSP_2010
 Circular convolution
● x1(n) = [2,1,2,1] 2
● x2(n) = [1,2,3,4] 1

4 4
3 2 3 2

1 1

37
ARJ_DSP_2010
x1(n) = 2 1 2 1
x2(n) = 1 4 3 2

x3(0) = 2.1 + 1.4 + 2.3 + 1.2 = 14

x3(1) = 2.2 + 1.1 + 2.4 + 1.3 = 16

x3(2) = 2.3 + 1.2 + 2.1 + 1.4 = 14

x3(3) = 2.4 + 1.3 + 2.2 + 1.1 = 16

38
ARJ_DSP_2010
4 point DFT of x1(n)

X1(k) =[6,0,2,0]
4 point DFT of x2(n)

X2(k) =[10, ­2+j2, ­2, ­2­j2]

X1(k).X2(k) = [60,0­4,0]
4 point IDFT of X1(k).X2(k)

[16,14,16,14] = 4 point circular convolution of x1(n)
And x2(n)
39
ARJ_DSP_2010
 Linear convolution with DFT
● If x1(n) has N1 points and x2(n) has N2 points,
their linear convolution results in N3 = N1+N2­1 
points.
● To perform linear convolution with DFT, first pad  
x1(n) and x2(n) with zeros to have N3 points.
● Perform N3 point DFT of x1(n), and x2(n).
● Compute the product of these N3 point DFTs.
● Find the N3 point IDFT to  get the linear convolution 
result
40
ARJ_DSP_2010
 example
● Linear filtering with DFT and IDFT
● Let input sequence x(n) = [1,2,2,1].
● Impulse response h(n) = [1,2,3].
● The output of the system = x(n)*h(n)
● N3 = 4+3­1 = 6.
● Zero padded sequence x'(n) = [1,2,2,1,0,0]
● Zero padded sequence h'(n) = [1,2,3,0,0,0] 
41
ARJ_DSP_2010
● Linear filtering with DFT and IDFT
● Linear convolution of x(n) with h(n) = [1,4,9,11,8,3].
● 6 point DFT of x'(n) = [6, ­j3,46, 0, 0, 0, j3.46 ]
● 6 point DFT of h'(n) = [6, 0.5­j4.33, ­1.5+j0.866, 2, ­1.5­j0.866j, 
0.5+j4.33]
● Product of DFT's = [36, ­15­j1.732,0,0,0,­15+j1.732]
● 6 point IDFT of  [36, ­15­j1.732,0,0,0,­15+j1.732] = 
[1,4,9,11,8,3], the linear convolution of x(n) and h(n)

x(n) Zero pad to 
Have N3 point DFT
N3 points  
 
N3 point IDFT
 
h(n) Zero pad to 
Have N3 point DFT
N3 points  
42
  ARJ_DSP_2010
 example
● Linear filtering with DFT and IDFT
● Let input sequence x(n) = [1,2,2,1].
● Impulse response h(n) = [1,2,3].
● The output of the system = x(n)*h(n)
● N3 = 4+3­1 = 6.
● Zero padded sequence x'(n) = [1,2,2,1,0,0]
● Zero padded sequence h'(n) = [1,2,3,0,0,0] 
43
ARJ_DSP_2010
 example
● Linear filtering with DFT and IDFT
● Let input sequence x(n) = [1,2,2,1].
● Impulse response h(n) = [1,2,3].
● The output of the system = x(n)*h(n)
● N3 = 4+3­1 = 6.
● Zero padded sequence x'(n) = [1,2,2,1,0,0]
● Zero padded sequence h'(n) = [1,2,3,0,0,0] 
44
ARJ_DSP_2010
 FFT: Fast Fourier Transform
● N point DFT direct evaluation : 
Each point in DFT : N complex multiplications, 
N complex additions
● Total computations for k = 0 to N­1 is N2 complex 
 multiplications
2 
● N complex  additions
● Computational complexity is proportional to N2

45
ARJ_DSP_2010
 FFT
● Divide and conquer approach
● Split N point into two N/2, N/2 point sequences ,and 
so on until we reach 2 point DFT.
● This process of splitting the sequence into sub 
sequences is called decimation
● Decimation can be performed in time (along n) or in 
frequency (along k)
● Computational complexity is proportional to
N log2N
46
ARJ_DSP_2010
 2
N log2N < < N

47
ARJ_DSP_2010
 Decimation in time (DIT) FFT 
algorithm
N −1
X k = ∑ x n−nk
N
n=0

 N =e j2  nk / N 

Splitting input sequence X(k) into  two parts 
(even and odd half)  based on the time index n

N −1 N −1
X k = ∑ x n nk
N ∑ x nnk
N
n=odd n n= even n

48
ARJ_DSP_2010
 DIT (Decimation in time)
N /2−1 N /2−1
X k = ∑ x 2 r 1N2r1 k   ∑ x 2 r 2rk
N
r=0 r =0
N /2−1 N /2−1

∑ x odd nrkN / 2 ] kN  ∑ x even nrk 

X k =[  N /2 
n=0 n=0

1 k   2rk rk 

2r
N = N N

2rk  rk 
N =  N /2

X k =[ N /2 point DFT of odd x n] kN  N /2 point DFT of even x n

N point DFT is periodic with period N

49
ARJ_DSP_2010
N point DFT is periodic 
with period N
N−1
X k = ∑ x  n
−nk
N
n =0
N −1
−n  k N  
X k N = ∑ x  n  N
n=0
N −1
X k N = ∑ x  n 
−nk 
N =X  k 
n=0

−Nk − j2 Nk / N  − j2  k 

N =e =e =cos 2  k =1
50
ARJ_DSP_2010
 8 point DIT Algorithm: STEP 1
X(0)
x(0)
x(2) X(1)
4 point
X(2)
x(4) DFT
x(6) X3)

X(4)
x(1)
x(3) 80
4 point X(5)

DFT 18 X(6)

x(5)
82
x(7) X(7)
3
8
51
ARJ_DSP_2010
 8 point DIT Algorithm: STEP 2
This process is repeated for each 4 point DFT block

x(0) X(0)
2 point
x(4)
X(1)
x(2) 0 X(2)
2 point  4
x(6) 1 X3)
 4

x(1) X(4)
2 point
x(5) X(5)
x(3) X(6)
0
x(7) 2 point  4
X(7)
1
 4

52
ARJ_DSP_2010
 8 point DIT Algorithm: STEP 3
This process is repeated for each 2 point DFT block

 02

53
ARJ_DSP_2010
 8 point DIF Algorithm: Flow graph

x(0) X(0)

x(4) X(4)
 02
x(2) 0 X(2)
 4
x(6) X(6)
0 1
 2  4

X(1)
x(1)
80
x(5) 0 0
X(5)
 1
2  4  8
x(3) X(3)

x(7) 82 X(7)

 02 14 38

54
ARJ_DSP_2010