Przetwarzanie

sygnałów
Wykład 2
Transformacja Fouriera
Próbkowanie sygnałów
dr inż. Andrzej Pepłowski
andrzej.peplowski@pw.edu.pl
Dobieranie koszul
Widmowa
gęstość
mocy
??

Szybkie samochody
Cyfrowe przetwarzanie
sygnałów
Dlaczego cyfrowe przetwarzanie
sygnałów jest korzystne?
• Niski koszt dokładności

• Łatwe modyfikacje i korekty

• Możliwość powielania algorytmów

• Brak efektu starzenia się podzespołów

• Łatwość implementacji bardziej złożonych funkcji

• Prosta transmisja informacji

Aby przetwarzać sygnał cyfrowo, musi być on w postaci cyfrowej.
Co to znaczy „sygnał cyfrowy”?
Wartości ciągłe
Sygnał Sygnał spróbkowany
analogowy

Czas ciągły Czas zdyskretyzowany

Sygnał Sygnał cyfrowy

skwantowany Wartości skwantowane
Problemy z przejściem do sygnału cyfrowego

B Ł ĄD K WANT Y ZACJ I A L I A SI NG

Zbyt mała liczba poziomów kwantyzacji Zbyt mała częstotliwość próbkowania

→ Utrata informacji o sygnale → Fałszywa informacja w sygnale
Kwantyzacja – 256 poziomów
Kwantyzacja – 128 poziomów
Kwantyzacja – 64 poziomy
Kwantyzacja – 32 poziomy
Kwantyzacja – 16 poziomów
Poziomy kwantyzacji
• Liczba pikseli obrazu jest stała.
• Każdy piksel jest przyporządkowany do jednego z n poziomów.
• Mniej poziomów → więcej pikseli zostaje przyporządkowanych do 1 poziomu.
Próbkowanie – 330 ppi (points per inch)
Białe i czarne prążki na koszuli odpowiadają
ciągowi wartości 0 i 1 sygnału.

Rozdzielczość (wyrażona w punktach na cal)

odpowiada próbkowaniu sygnału.

Sygnał próbkujący – pomiar wartości sygnału

tylko w punktach oznaczonych ⊸
Próbkowanie – 150 ppi
Próbkowanie – 96 ppi
Częstotliwość próbkowania
• sygnał fali prostokątnej spróbkowany z różną częstotliwością

• próbkowanie: iloczyn sygnału wejściowego 𝑥(𝑡) oraz sygnału próbkującego 𝑝(𝑡)

𝑥𝑠 (𝑡) = 𝑥(𝑡) ∙ 𝑝(𝑡)

• zbyt mała częstotliwość → pojawienie się fałszywej częstotliwości w 𝑥𝑠 (𝑡)

Częstotliwość próbkowania

• zbyt mała częstotliwość → pojawienie się fałszywej częstotliwości

Aby określić tę częstotliwość, potrzebujemy
narzędzia.
Analiza częstotliwościowa
Analiza częstotliwościowa
Szereg Fouriera
Szereg Fouriera

𝑥 𝑡 , 𝑥, 𝑡 ∈ ℝ – dowolny sygnał okresowy, spełniający warunki Dirichleta

𝑇0 = 1/𝑓0 – okres podstawowy / częstotliwość podstawowa

𝜔0 = 2𝜋𝑓0 – pulsacja podstawowa

Szereg Fouriera – przedstawienie sygnału x(t) w postaci nieskończonej sumy

składowych harmonicznych
Szereg Fouriera
Szereg Fouriera – przedstawienie sygnału 𝑥 𝑡 w postaci nieskończonej sumy
składowych harmonicznych:
∞
𝑎0
𝑥 𝑡 = + ෍ [𝑎𝑛 cos 𝑛𝜔0 𝑡 + 𝑏𝑛 sin 𝑛𝜔0 𝑡 ]
2
𝑛=1
𝑡0+𝑇0
2
𝑎𝑛 = න 𝑥 𝑡 cos(𝑛𝜔0𝑡) 𝑑𝑡
𝑇0
𝑡0
𝑡0+𝑇0
2
𝑏𝑛 = න 𝑥 𝑡 sin(𝑛𝜔0𝑡) 𝑑𝑡
𝑇0
𝑡0
Przykład – ćwiczenie
rachunkowe
Rozwinięcie Fouriera fali prostokątnej

1
0, 𝑑𝑙𝑎 𝑡 ∈< 0; )
𝑥 𝑡 =ෑ 𝑡 = 2
1
1, 𝑑𝑙𝑎 𝑡 ∈ < ; 1)
2
 Rozwinięcie Fouriera fali prostokątnej
Proponuję rozwiązanie zadania dla 𝑛 = 5 (dla pierwszych pięciu wyrazów szeregu).

1
0, 𝑑𝑙𝑎 𝑡 ∈< 0; )
2
𝑥 𝑡 =ς 𝑡 = ቐ 1
1, 𝑑𝑙𝑎 𝑡 ∈ < ; 1)
2

∞
𝑎0
𝑥 𝑡 = + ෍ [𝑎𝑛 cos 𝑛𝜔0 𝑡 + 𝑏𝑛 sin 𝑛𝜔0 𝑡 ]
2
𝑛=1

𝑡0+𝑇0 𝑡0+𝑇0
2 2
𝑎𝑛 = න 𝑥 𝑡 cos(𝑛𝜔0𝑡) 𝑑𝑡 𝑏𝑛 = න 𝑥 𝑡 sin(𝑛𝜔0𝑡) 𝑑𝑡
𝑇0 𝑇0
𝑡0 𝑡0
 Rozwinięcie Fouriera fali prostokątnej
1
0, 𝑑𝑙𝑎 𝑡 ∈< 0; 2)
𝑥 𝑡 =ς 𝑡 = ቐ 1 𝑇0 = 1
1, 𝑑𝑙𝑎 𝑡 ∈ < ; 1)
2
∞
𝑎0
𝑥 𝑡 = + ෍𝑏
[𝑎𝑛𝑛sin
cos𝑛𝜔
𝑛𝜔0 𝑡0 𝑡 + 𝑏𝑛 sin 𝑛𝜔0 𝑡 ]
2
𝑛=1
𝑡0+𝑇0 𝑡0+𝑇0
2 2 1
𝑎𝑛 = න 𝑥 𝑡 cos(𝑛𝜔0𝑡) 𝑑𝑡 𝑏𝑛 = න 𝑥 𝑡 sin(𝑛𝜔0𝑡) 𝑑𝑡 𝑥 𝑡 ≈
𝑇0 𝑇0 2
𝑡0 𝜔0 = 2𝜋𝑓0 𝑡0
1 𝑡10+𝑇0 1
2 1 1
𝑎 = 2 නන𝑥 𝑡𝑥 𝑡 cos(𝑛2𝜋𝑓
cos(𝑛2𝜋𝑡) 𝑑𝑡 𝑡) 𝑑𝑡 1
𝑎1 = 𝑛02=න1𝑇𝑥 𝑡 cos(2𝜋𝑡) 𝑑𝑡 = 02 න cos(2𝜋𝑡) 𝑑𝑡 = 2 sin 2𝜋𝑡 |1/2 = (sin 2𝜋 − sin 𝜋 )= 0
0= 1 2𝜋 𝜋
1/2 0𝑡0 1/2
1 1 1 1

𝑎0 = 2 න 𝑥 𝑡 cos(0) 𝑑𝑡 = 2 න 𝑥 𝑡 𝑑𝑡 = 2 න 𝑥 𝑡 𝑑𝑡 = 2 න 1 𝑑𝑡 = 2𝑥|11/2 = 1
0 =1 0 1/2 1/2
1
𝑎𝑛 = (sin 𝑛2𝜋 − sin 𝑛𝜋 ) = 0 dla każdego 𝑛 ∈ ℕ
𝑛𝜋
Rozwinięcie Fouriera fali prostokątnej
1
0, 𝑑𝑙𝑎 𝑡 ∈< 0; 2)
𝑥 𝑡 =ς 𝑡 = ቐ 1
1, 𝑑𝑙𝑎 𝑡 ∈ < ; 1)
2
∞
𝑎0
𝑥 𝑡 = + ෍𝑏
[𝑎𝑛𝑛sin
cos𝑛𝜔
𝑛𝜔0 𝑡0 𝑡 + 𝑏𝑛 sin 𝑛𝜔0 𝑡 ]
2
𝑛=1
𝑡0+𝑇0
2 1 2
𝑏𝑛 = න 𝑥 𝑡 sin(𝑛𝜔0𝑡) 𝑑𝑡 𝑥 𝑡 ≈ − sin 2𝜋𝑡
𝑇0 2 𝜋
𝑡0
1
1 1 1 2
𝑏1 = 2 න sin(2𝜋𝑡) 𝑑𝑡 = 2 (−cos 2𝜋𝑡 ) |1/2 = (−cos 2𝜋 + cos 𝜋 ) = −
2𝜋 𝜋 𝜋
1/2 = −1 = −1
2
𝑏1 = −
𝜋
Rozwinięcie Fouriera fali prostokątnej
1
0, 𝑑𝑙𝑎 𝑡 ∈< 0; 2)
𝑥 𝑡 =ς 𝑡 = ቐ 1
1, 𝑑𝑙𝑎 𝑡 ∈ < ; 1)
2
∞
𝑎0
𝑥 𝑡 = + ෍𝑏
[𝑎𝑛𝑛sin
cos𝑛𝜔
𝑛𝜔0 𝑡0 𝑡 + 𝑏𝑛 sin 𝑛𝜔0 𝑡 ]
2
𝑛=1
𝑡0+𝑇0
2 1 2
𝑏𝑛 = න 𝑥 𝑡 sin(𝑛𝜔0𝑡) 𝑑𝑡 𝑥 𝑡 ≈ − sin 2𝜋𝑡
𝑇0 2 𝜋
𝑡0
1
1 1 1
𝑏2 = 2 න sin(4𝜋𝑡) 𝑑𝑡 = 2 (−cos 4𝜋𝑡 ) |1/2 = (−cos 4𝜋 + cos 2𝜋 )= 0
4𝜋 2𝜋
1/2 = −1 =1
𝑏𝑛 = 0 dla każdego 𝑛 parzystego
Rozwinięcie Fouriera fali prostokątnej
1
0, 𝑑𝑙𝑎 𝑡 ∈< 0; 2)
𝑥 𝑡 =ς 𝑡 = ቐ 1
1, 𝑑𝑙𝑎 𝑡 ∈ < ; 1)
2
∞
𝑎0
𝑥 𝑡 = + ෍𝑏
[𝑎𝑛𝑛sin
cos𝑛𝜔
𝑛𝜔0 𝑡0 𝑡 + 𝑏𝑛 sin 𝑛𝜔0 𝑡 ]
2
𝑛=1
𝑡0+𝑇0
2 1 2 2
𝑏𝑛 = න 𝑥 𝑡 sin(𝑛𝜔0𝑡) 𝑑𝑡 𝑥 𝑡 ≈ − sin 2𝜋𝑡 − sin 6𝜋𝑡
𝑇0 2 𝜋 3𝜋
𝑡0
1
1 1 2 2
𝑏3 = 2 න sin(6𝜋𝑡) 𝑑𝑡 = 2 (−cos 6𝜋𝑡 ) |1/2 = (−cos 6𝜋 + cos 3𝜋 ) = −
6𝜋 3𝜋 3𝜋
1/2 = −1 = −1
2
𝑏3 = − 3𝜋
Rozwinięcie Fouriera fali prostokątnej
1
0, 𝑑𝑙𝑎 𝑡 ∈< 0; 2)
𝑥 𝑡 =ς 𝑡 = ቐ 1
1, 𝑑𝑙𝑎 𝑡 ∈ < ; 1)
2
∞
𝑎0
𝑥 𝑡 = + ෍𝑏
[𝑎𝑛𝑛sin
cos𝑛𝜔
𝑛𝜔0 𝑡0 𝑡 + 𝑏𝑛 sin 𝑛𝜔0 𝑡 ]
2
𝑛=1
𝑡0+𝑇0
2 1 2 2 2
𝑏𝑛 = න 𝑥 𝑡 sin(𝑛𝜔0𝑡) 𝑑𝑡 𝑥 𝑡 ≈ − sin 2𝜋𝑡 − sin 6𝜋𝑡 − sin(10𝜋𝑡)
𝑇0 2 𝜋 3𝜋 5𝜋
𝑡0
1
1 1 2 2
𝑏5 = 2 න sin(10𝜋𝑡) 𝑑𝑡 = 2 (−cos 10𝜋𝑡 ) |1/2 = (−cos 10𝜋 + cos 5𝜋 ) = −
10𝜋 5𝜋 5𝜋
1/2
2
𝑏5 = − 5𝜋
 Rozwinięcie Fouriera fali prostokątnej
obraz wejściowy
1
0, 𝑑𝑙𝑎 𝑡 ∈< 0; 2)
𝑥 𝑡 =ς 𝑡 = ቐ 1
1, 𝑑𝑙𝑎 𝑡 ∈ < ; 1)
2
∞
𝑎0
𝑥 𝑡 = + ෍𝑏
[𝑎𝑛𝑛sin
cos𝑛𝜔
𝑛𝜔0 𝑡0 𝑡 + 𝑏𝑛 sin 𝑛𝜔0 𝑡 ]
2
𝑛=1
2
𝑡0+𝑇0
obraz po kompresji
𝑏𝑛 = න 𝑥 𝑡 sin(𝑛𝜔0𝑡) 𝑑𝑡
𝑇0
𝑡0

1 2 2 2 2 2 2 2 2
𝑥 𝑡 ≈ − sin 2𝜋𝑡 − sin 6𝜋𝑡 − sin(10𝜋𝑡) − sin(14𝜋𝑡) − sin(18𝜋𝑡) − sin(22𝜋𝑡) − sin(26𝜋𝑡) − sin(30𝜋𝑡)
2 𝜋 3𝜋 5𝜋 7𝜋 9𝜋 11𝜋 13𝜋 15𝜋

Silne oscylacje funkcji aproksymowanej w otoczeniu punktów nieciągłości.

Efekt Gibbsa (tzw. „dzwonienie”)
Szereg Fouriera

Alternatywna postać szeregu Fouriera (tzw. postać amplitudowo-fazowa):

∞

𝑥 𝑡 = 𝐴0 + ෍ 𝐴𝑛 cos(𝑛𝜔0 𝑡 − 𝜑𝑛 )
𝑛=1
𝑎0
𝐴𝑛 = 𝑎𝑛 + 𝑏𝑛 (𝐴0 =
2 2 ) – amplituda n-tej składowej harmonicznej
2

𝑛𝜔0 – pulsacja n-tej składowej harmonicznej

𝑏𝑛
𝜑𝑛 = arctg( ) – faza początkowa n-tej składowej harmonicznej
𝑎𝑛
Widmo amplitudowe i fazowe

Postać amplitudowo-fazowa pozwala wyznaczyć widmo amplitudowe i fazowe

sygnału:
∞

𝑥 𝑡 = 𝐴0 + ෍ 𝐴𝑛 cos(𝑛𝜔0 𝑡 − 𝜑𝑛 )
𝑛=1

Widmo częstotliwościowe sygnału – przedstawienie sygnału w dziedzinie

częstotliwości (𝑓) lub pulsacji (𝜔)

Daje to informację o częstotliwościach, amplitudzie i fazach składowych sygnału.

 Widmo fali prostokątnej
∞
𝑎0 𝑏
𝑥 𝑡 = 𝐴0 + ෍ 𝐴𝑛 cos(𝑛𝜔0 𝑡 − 𝜑𝑛 ) 𝐴𝑛 = 𝑎𝑛2 + 𝑏𝑛2 (𝐴0 = ), 𝜑𝑛 = arctg(𝑎𝑛)
2 𝑛
𝑛=1
𝐴𝑛 = 𝑎𝑛 2 + 𝑏𝑛 2 ቊ 𝑎𝑛 = 0 dla każdego 𝑛
⇒ 𝐴𝑛 = 𝑏𝑛
𝜋
1 2 2 2 𝑎𝑛 = 0 dla każdego 𝑛 𝜑𝑛 → dla każdego 𝑛
𝑥 𝑡 ≈ − sin 𝜔0 𝑡 − sin 3𝜔0 𝑡 − sin(5𝜔0 𝑡) 2
2 𝜋 3𝜋 5𝜋
1 2 𝜋 2 𝜋 2 𝜋 widmo amplitudowe
= − cos 𝜔0 𝑡 − − sin 3𝜔0 𝑡 − − sin(5𝜔0 𝑡 − )
2 𝜋 2 3𝜋 2 5𝜋 2
 Widmo fali prostokątnej
∞
𝑎0 𝑏
𝑥 𝑡 = 𝐴0 + ෍ 𝐴𝑛 cos(𝑛𝜔0 𝑡 − 𝜑𝑛 ) 𝐴𝑛 = 𝑎𝑛2 + 𝑏𝑛2 (𝐴0 = ), 𝜑𝑛 = arctg(𝑎𝑛)
2 𝑛
𝑛=1
𝐴𝑛 = 𝑎𝑛 2 + 𝑏𝑛 2 ቊ 𝑎𝑛 = 0 dla każdego 𝑛
⇒ 𝐴𝑛 = 𝑏𝑛
𝜋
1 2 2 2 𝑎𝑛 = 0 dla każdego 𝑛 𝜑𝑛 → dla każdego 𝑛
𝑥 𝑡 ≈ − sin 𝜔0 𝑡 − sin 3𝜔0 𝑡 − sin(5𝜔0 𝑡) 2
2 𝜋 3𝜋 5𝜋
1 2 𝜋 2 𝜋 2 𝜋 widmo fazowe
= − cos 𝜔0 𝑡 − − sin 3𝜔0 𝑡 − − sin(5𝜔0 𝑡 − )
2 𝜋 2 3𝜋 2 5𝜋 2
Szereg Fouriera – postać wykładnicza
∞

𝑥 𝑡 = 𝐴0 + ෍ 𝐴𝑛 cos(𝑛𝜔0 𝑡 − 𝜑𝑛 )
𝑛=1
Stosując wzór Eulera: 1 𝑗𝑥
cos(𝑥) = (𝑒 + 𝑒 −𝑗𝑥 )
2
1 𝑗 𝑛𝜔 𝑡−𝜑 −𝜑𝑛
cos 𝑛𝜔0 𝑡 − 𝜑𝑛 = (𝑒 0 𝑛 + 𝑒 −𝑗
− 𝑛𝜔0 𝑡−𝜑 )
2
1 −𝑗𝜑 𝑗𝑛𝜔 𝑡
= (𝑒 𝑛 𝑒 0 + 𝑒 −𝑗 −𝜑𝑛 𝑒 −𝑗𝑛𝜔
−𝑗𝑛 0 𝑡
)
2
1 −𝑗𝜑 𝑗𝑛𝜔 𝑡 ∗ 𝑗(−𝑛)𝜔
= (𝑒 𝑛 𝑒 0 + 𝑒 −𝑗𝜑𝑛 𝑒 (−𝑛) 0 𝑡 )
2
Szereg Fouriera – postać wykładnicza
∞

𝑥 𝑡 = 𝐴0 + ෍ 𝐴𝑛 cos(𝑛𝜔0 𝑡 − 𝜑𝑛 )
𝑛=1
Stosując wzór Eulera: ∞ 𝐴𝑛 ∗ 𝑗(−𝑛)𝜔 𝑡
𝑥 𝑡 = 𝐴0 + σ𝑛=1 (𝑒 −𝑗𝜑𝑛 𝑒 𝑗𝑛𝜔0 𝑡 + 𝑒 −𝑗𝜑𝑛 𝑒 0 )
2

𝑎0 𝑐|𝑛| ∗
𝐴0 = 𝑛=0
2
2
1 𝑇0
𝑒 −𝑗𝜑𝑛
𝑐𝑛 = 𝐴𝑛 −𝑗𝜑𝑛 𝑗𝑛𝜔0 𝑡 𝑑𝑡
𝑛
𝑒
𝐴
𝑛>0 = න 𝑥(𝑡)𝑒
2 0
2𝑇0 0
𝐴 =
𝑐|𝑛| ∗ 𝑛<0 𝑎0
∞

𝑥 𝑡 = ෍ 𝑐𝑛 𝑒 −𝑗𝑛𝜔0 𝑡
𝑛=−∞
Szereg Fouriera – postać wykładnicza
∞

𝑥 𝑡 = ෍ 𝑐𝑛 𝑒 −𝑗𝑛𝜔0 𝑡
𝑛=−∞
Współczynniki 𝑐𝑛 postaci wykładniczej szeregu Fouriera pozwalają wyznaczyć
widmo mocy sygnału:
{|𝑐𝑛 |2 , 𝑛 = 0, ±1, ±2, … }

Innymi słowy, suma mocy średniej poszczególnych składowych równa się mocy
całego sygnału (twierdzenie Parsevala):
𝑡0+𝑇0 ∞
1
𝑃= න |𝑥(𝑡)|2 𝑑𝑡 = 𝐴02 + ෍ |𝑐𝑛 |2
𝑇0
𝑡0 𝑛=−∞
Całkowe przekształcenie
Fouriera
Całkowe przekształcenie Fouriera

Wszystkie powyższe rozważania mają sens dla sygnałów okresowych!

Założenie dla sygnałów nieokresowych:
1) Dowolny sygnał traktujemy jako sygnał losowy.
2) Czas powtórzenia się sygnału (tzn. jego okres):
𝑇0 → ∞
𝜔0 → 𝑑𝜔
𝑛𝜔0 → 𝜔

3) Tym samym widmo dyskretne (funkcja 𝑛𝜔0 ) przechodzi w funkcję ciągłą 𝜔.

Całkowe przekształcenie Fouriera
∞

lim ෍ 𝑐𝑛 𝑒 −𝑗𝑛𝜔0 𝑡 =
𝑇0 →∞
𝑛=−∞
∞
1 𝑇0
lim ෍ ( න 𝑥(𝑡)𝑒 𝑗𝑛𝜔0 𝑡 𝑑𝑡)𝑒 −𝑗𝑛𝜔0 𝑡 =
𝑇0 →∞ 𝑇0 0
𝑛=−∞
∞
1 𝑇0
න ( න 𝑥(𝑡)𝑒 𝑗𝜔𝑡 𝑑𝑡)𝑒 −𝑗𝜔𝑡 𝑑𝜔 =
𝑇0 0
−∞
∞

න 𝑋(𝑗𝜔)𝑒 −𝑗𝜔𝑡 𝑑𝜔
−∞
Całkowe przekształcenie Fouriera
∞ ∞

𝑋 𝑗𝜔 = න 𝑥 𝑡 cos 𝜔𝑡 𝑑𝑡 − 𝑗 න 𝑥 𝑡 sin 𝜔𝑡 𝑑𝑡
−∞ −∞

= 𝑋𝑅 𝑗𝜔 + 𝑗𝑋𝐼 𝑗𝜔

𝑋 𝑗𝜔 jest nazywane transformatą Fouriera jak również widmem

częstotliwościowym sygnału 𝑥 𝑡 .

ℱ(𝑥 𝑡 ) – operator przekształcenia Fouriera

ℱ −1 (𝑋 𝑗𝜔 ) – operator odwrotnego przekształcenia Fouriera

Całkowe przekształcenie Fouriera
∞ ∞

𝑋 𝑗𝜔 = න 𝑥 𝑡 cos 𝜔𝑡 𝑑𝑡 − 𝑗 න 𝑥 𝑡 sin 𝜔𝑡 𝑑𝑡 = 𝑋𝑅 𝑗𝜔 + 𝑗𝑋𝐼 𝑗𝜔

−∞ −∞

Ponieważ 𝑋 𝑗𝜔 jest liczbą zespoloną, możemy przedstawiać ją w układzie

biegunowym:
𝑋 𝑗𝜔 = |𝑋 𝑗𝜔 |𝑒 −𝑗𝜑(𝜔)
𝑋 𝑗𝜔 - widmo amplitudowe 𝑒 −𝑗𝜑(𝜔) - widmo fazowe
Podstawowe własności 𝑥 𝑡 ∈ℂ
transformaty Fouriera
Liniowość
ℱ 𝑎𝑥1 𝑡 + 𝑏𝑥2 𝑡 = 𝑎𝑋1 𝑗𝜔 + 𝑏𝑋2(𝑗𝜔)

Symetria dualna
ℱ 𝑋 𝑗𝜔 = 𝑥(−𝑡)

Skalowanie w dziedzinie czasu / częstotliwości

ℱ 1 𝑗𝜔 ℱ 1 𝑡
𝑥 𝑎𝑡 ՞ 𝑋 / 𝑋 𝑘𝑗𝜔 ՞ 𝑥( )
|𝑎| 𝑎 𝑘 𝑘
Podstawowe własności 𝑥 𝑡 ∈ℂ
transformaty Fouriera
Przesunięcie w dziedzinie czasu
ℱ
𝑥 𝑡 − 𝑎 ՞ 𝑒 −𝑎𝑗𝜔𝑡 𝑋(𝑗𝜔)

Przesunięcie w dziedzinie częstotliwości

ℱ
𝑥 𝑡 𝑒 𝑎𝑗𝑡 ՞ 𝑋(𝑗𝜔 − 𝑗𝑎)

Modulacja amplitudy
1 ℱ
𝑥 𝑡 cos(𝜔𝑚𝑡) ՞ (𝑋 𝑗𝜔 − 𝑗𝜔𝑚 + 𝑋(𝑗𝜔 + 𝑗𝜔𝑚)
2
Podstawowe własności 𝑥 𝑡 ∈ℂ
transformaty Fouriera
Iloczyn sygnałów
ℱ[𝑥 𝑡 ∙ 𝑦 𝑡 ] = 𝑋 𝑗𝜔 ∗ 𝑌(𝑗𝜔)

Splot sygnałów
ℱ[𝑥 𝑡 ∗ 𝑦 𝑡 ] = 𝑋 𝑗𝜔 ∙ 𝑌(𝑗𝜔)

Twierdzenie Parsevala
+∞ +∞

න 𝑥 2 𝑡 𝑑𝑡 = න |𝑋 𝑗𝜔 |2𝑑𝜔
−∞ −∞
Podstawowe własności 𝑥 𝑡 ∈ℝ
transformaty Fouriera
Funkcja 𝑥 𝑡 parzysta

𝑋 𝑗𝜔 - parzysta i rzeczywista (𝐼𝑚(𝑋 𝑗𝜔 = 0)

Funkcja 𝑥 𝑡 nieparzysta
𝑋 𝑗𝜔 − nieparzysta i urojona (𝑅𝑒(𝑋 𝑗𝜔 = 0)

Sprzężenie zespolone
𝑋 −𝑗𝜔 = 𝑋∗(𝑗𝜔)
Widmowa gęstość mocy
 Widmowa gęstość mocy Widmowa
gęstość
mocy
??

Widmowa gęstość mocy – informacja o rozkładzie mocy sygnału „pomiędzy” składowe częstotliwości
(analogicznie do widma częstotliwościowego)
𝑋 𝑗𝜔 = 𝑋 𝑗𝜔 𝑒 −𝑗𝜑 𝜔
różne postaci widma częstotliwościowego = 𝑋𝑅 𝑗𝜔 + 𝑗𝑋𝐼 𝑗𝜔

ALE: Są one określone tylko jeśli sygnał 𝑥 𝑡 jest bezwzględnie całkowalny, tzn.:
𝑇0
න 𝑥 𝑡 𝑑𝑡 < ∞
0

Nie jest to spełnione dla sygnałów mocy!

Widmowa gęstość mocy Widmowa
gęstość
mocy
??
O okresowości występującej w sygnale mówi jeszcze:
∞

𝑅𝑥𝑥 = න 𝑥 𝑡 𝑥 𝑡 − 𝜏 𝑑𝜏
−∞

funkcja autokorelacji sygnału

Widmowa gęstość mocy Widmowa
gęstość
mocy

W funkcji 𝑅𝑥𝑥 występują wszystkie częstotliwości składowe sygnału.

Możemy więc obliczyć ℱ[𝑅𝑥𝑥 (𝜏)]

Funkcja widmowej gęstości mocy 𝐺𝑥 (𝑗𝜔):

𝐺𝑥 𝑗𝜔 = ℱ[𝑅𝑥𝑥 (𝜏)] = න 𝑅𝑥𝑥 (𝜏)𝑒 −𝑗𝜔𝑡 𝑑𝜏

−∞
 ✓

Próbkowanie sygnałów
Próbkowanie sygnałów

• Próbkowanie – „pomiar”, rejestracja wartości sygnału tylko w określonych

punktach czasowych

• Jest to iloczyn sygnałów 𝑥 𝑡 (syg. próbkowanego) i 𝑝 𝑡 (sygnału próbkującego):

𝑥𝑠 𝑡 = 𝑥 𝑡 𝑝(𝑡)

• Z właściwości transformacji Fouriera:

ℱ[𝑥 𝑡 ∙ 𝑦 𝑡 ] = 𝑋 𝑗𝜔 ∗ 𝑌(𝑗𝜔)

(Operacją splotu zajmiemy się szerzej za 2 tygodnie, przy okazji filtracji sygnału.)
Widmo sygnału wejściowego

W widmie sygnału próbkowanego 𝑥 𝑡 najwyższa częstotliwość to 𝑓𝑔𝑟, tzn.:

𝑋 𝑓 = 0 𝑑𝑙𝑎 𝑓 > 𝑓𝑔𝑟 = 𝐵

𝐵 – szerokość pasma sygnału

𝑓𝑔𝑟 = 𝐵
Widmo sygnału próbkującego

W idealnym przypadku sygnał próbkujący 𝑝(𝑡) to ciąg impulsów Diraca:

∞

𝑝 𝑡 = ෍ 𝛿(𝑡 − 𝑛𝑇𝑠)
𝑛=−∞

1
𝑇𝑠 – okres próbkowania (𝑓𝑠 = - częstotliwość próbkowania)
𝑇𝑠

Widmem tego sygnału jest również ciąg impulsów Diraca.

1
𝑇𝑠 𝑓𝑠 =
𝑇𝑠
Widmo sygnału spróbkowanego

Przebieg czasowy Widmo częstotliwościowe

• Sygnał próbkowany 𝑥 𝑡

• Sygnał próbkujący 𝑝 𝑡
1
𝑇𝑠 𝑓𝑠 =
𝑇𝑠

• Sygnał spróbkowany 𝑦 𝑡

1
𝑇𝑠 𝑓𝑠 =
𝑇𝑠

W widmie sygnału spróbkowanego kopie widma sygnału wejściowego są oddalone od siebie o 𝑓𝑠.
Twierdzenie o próbkowaniu
Nyquista-Shannona
Jeżeli sygnał nie zawiera częstotliwości wyższych niż 𝐵 [𝐻𝑧], to jest on dokładnie określony (może być
1
wiernie odtworzony) za pomocą próbek oddalonych od siebie o 2𝐵 [𝑠] .

Oznacza to, że minimalna częstotliwość próbkowania musi spełniać poniższy warunek (zwany
warunkiem Nyquista):
𝑓𝑠 > 2𝐵
Widmo sygnału spróbkowanego

• 𝑓𝑠 > 2𝐵 • 𝑓𝑠 = 2𝐵 • 𝑓𝑠 < 2𝐵

𝐵
𝐵 𝐵

Gdy warunek Nyquista nie jest spełniony, zachodzi zjawisko zwane aliasingiem.
Oznacza to nakładanie się na siebie widma odpowiadającego „prawdziwemu” sygnałowi
oraz widma będącego jego kopią, powstałą na skutek próbkowania.
W sygnale odtworzonym widoczne jest wówczas zakłócenie – fałszywa informacja.
Przykłady aliasingu
Przykłady aliasingu

• W przypadku rejestracji video, sygnał optyczny (światło padające na matrycę) jest

próbkowany z pewną częstotliwością, wyrażoną w liczbie klatek na sekundę.

• Nagrywając jadący samochód, rejestrujemy kolejne położenia obrotowe jego kół.

• Jeśli 𝑓𝑠 < 2𝜔𝑘ół, to pojawia się zakłócenie – koła się zatrzymują lub kręcą wstecz.

https://youtu.be/05ze4_Y-ipY?t=135
Laboratorium #1
Dziękuję za uwagę