Przetwarzanie Sygnałów - Studia Inżynierskie, Sem. V, Kierunek AiR

Politechnika Warszawska
Wydział Mechatroniki
Instytut Automatyki i Robotyki
Przetwarzanie sygnałów
Zofia M. Łabęda-Grudziak
zofia.grudziak@pw.edu.pl
Studia inżynierskie, sem. V, kierunek AiR
sem. zimowy 2021/22 r.

Program przedmiotu PS
Program przedmiotu
• Wprowadzenie - pojęcia podstawowe dotyczące sygnałów i ich

klasyfikacja
• Główne charakterystyki sygnałów
• Podstawy matematyczne widmowej analizy sygnału. Szereg Fouriera
• Algorytmy wyznaczania DFT - FFT. Cechy widm dyskretnych.
Dyskretne okna czasowe. Obliczanie funkcji autokorelacji i gęstości
widmowej mocy
Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 2 / 83

Program przedmiotu PS
Program przedmiotu cd.
• Filtry cyfrowe
• Stabilność filtru cyfrowego. Realizacje rekursywne IIR (NOI),
nierekursywne FIR (SOI)
• Filtry adaptacyjne
• Modulacje sygnałów
• Kwantyzacja sygnałów
• Zastosowania metod analizy sygnału do przetwarzania, analizy,
kompresji sygnału mowy i obrazu

Efekty kształcenia przedmiotu PS
Efekty kształcenia
• Zrozumienie oraz umiejętność sformułowania i rozwiązania zadań

przetwarzania sygnałów (w zakresie teorii sygnałów ciągłych jak i
algorytmów cyfrowych przetwarzania sygnałów, w tym FFT).
• Znajomość podstawowych zastosowań i uwarunkowań cyfrowego
przetwarzania sygnałów.
• Podstawowe umiejętności projektowania filtrów analogowych i
cyfrowych (NOI/IIR i SOI/FIR).

Zasady zaliczenia przedmiotu AiR
Opis przedmiotu
Punkty ECTS: 3
Przedmiot: obowiązkowy
Wymagania: znajomość równań różniczkowych liniowych, podstaw
przekształceń całkowych, podstaw elektrotechniki, fizyki i matematyki w
zakresie studiów na Wydziale Mechatroniki, umiejętność programowania
strukturalnego
Wykład: 15h
Laboratorium: 15h
Ocena: Ocena z przedmiotu ustalana jest na podstawie zaliczenia
laboratorium i egzaminu; w skład oceny wchodzą:
• ocena z laboratorium 40%
• ocena z egzaminu 60%

Zasady zaliczenia przedmiotu IP
Opis przedmiotu
Punkty ECTS: 3
Przedmiot: obowiązkowy
Wymagania: znajomość równań różniczkowych liniowych, podstaw
przekształceń całkowych, podstaw elektrotechniki, fizyki i matematyki w
zakresie studiów na Wydziale Mechatroniki, umiejętność programowania
strukturalnego
Wykład: 15h
Laboratorium: 15h
Ocena: Ocena z przedmiotu ustalana jest na podstawie zaliczenia
laboratorium i zaliczenia wykładu; w skład oceny wchodzą:
• ocena z laboratorium 40%
• ocena z zaliczenia wykładu 60%

Organizacja laboratorium
Oprogramowanie:
• pierwsze 2 laboratoria w środowisku MATLAB, do pobrania tutaj:
https://www.ci.pw.edu.pl/Uslugi/Dystrybucja-
oprogramowania/Oprogramowanie-inzynierskie/MATLAB

Organizacja laboratorium
Oprogramowanie:
• pozostałe 5 laboratorium w środowisku LabVIEW, do pobrania tutaj:
https://www.ci.pw.edu.pl/Uslugi/Dystrybucja-
oprogramowania/Oprogramowanie-inzynierskie/LabVIEW

Zasady zaliczenia
Laboratorium
• Jednym z warunków uzyskania zaliczenia z laboratorium jest
uczęszczanie na zajęcia (nieusprawiedliwione opuszczenie więcej niż
jednych zajęć powoduje skreślenie z listy uczestników przedmiotu). W
przypadku dłuższej usprawiedliwionej nieobecności należy materiał z
opuszczonych zajęć odrobić. O terminie odrabiania zajęć decyduje
prowadzący laboratoria
• Studenta przychodzącego na zajęcia obowiązuje znajomość materiału
teoretycznego z wykładów poprzedzających laboratorium

Zasady zaliczenia
Laboratorium
• Zajęcia laboratoryjne składają się z 7 ćwiczeń
• Każde z ćwiczeń laboratoryjnych 1-7 oceniane jest w skali 0-10
punktów, z czego 4 punkty wejściówka, 6 punktów wykonanie
ćwiczenia:
wejściówka(0 − 4pkt) + sprawozdanie(0 − 6pkt)
labn =
2
X
Lab = labn
Można uzyskać maksymalnie 35 punktów z laboratorium.

Zasady zaliczenia
Laboratorium
• Wykonanie ćwiczenia sprawdzane jest w trakcie pracy i po jej
zakończeniu (poprzez ocenę złożonego protokołu)
• Wejściówka sprawdza przygotowanie studenta do wykonania ćwiczeń.
Obejmuje ona materiał podany na wykładzie
• Do zaliczenia laboratorium wymagane jest zaliczenie co najmniej 6 z 7
ćwiczeń:
• uzyskanie z wejściówki 2 punktów i łącznej punktacji 2.5 punktów
• uzyskanie 17.5/35 punktów ze wszystkich ćwiczeń

Zasady zaliczenia AiR

Wykład
• Obecność na wykładach nie jest obowiązkowa.
• Zaliczenie wykładów ma formę egzaminu pisemnego w sesji zimowej
(przewidywany jest termin egzaminu zerowego), za który można
uzyskać maksymalnie 45 punktów
• Do uzyskania końcowej oceny z przedmiotu, konieczne jest zaliczenie
egzaminu (przepołowienie) i zaliczenia laboratorium
• Ostateczna ocena z przedmiotu ustalana jest na podstawie sumy
punktów z zaliczenia egzaminu i laboratorium:
P = Lab + Egz
wg. następującej skali: (gdzie P - łączna liczba punktów; maksymalna

liczba punktów wynosi 80):
3.0 gdy P 40, 3.5 gdy P > 48, 4.0 gdy P > 56, 4.5 gdy P > 64,
5.0 gdy P > 72.
Zasady zaliczenia IP
Wykład
• Obecność na wykładach nie jest obowiązkowa.
• Zaliczenie wykładów ma formę kolokwium pod koniec semestru, za
który można uzyskać maksymalnie 45 punktów
• Do uzyskania końcowej oceny z przedmiotu, konieczne jest zaliczenie
kolokwium (przepołowienie) i zaliczenia laboratorium
• Ostateczna ocena z przedmiotu ustalana jest na podstawie sumy
punktów z zaliczenia wykładu i laboratorium:
P = Lab + Kol
wg. następującej skali: (gdzie P - łączna liczba punktów; maksymalna

liczba punktów wynosi 80):
3.0 gdy P 40, 3.5 gdy P > 48, 4.0 gdy P > 56, 4.5 gdy P > 64,
5.0 gdy P > 72.
Literatura
Literatura
Zieliński, T.
Cyfrowe Przetwarzanie Sygnałów - od teorii do zastosowań.
WKŁ, 2003.
Zieliński, T.
Cyfrowe Przetwarzanie Sygnałów.
WKŁ, 2005.
Szabatin, J.
Podstawy teorii sygnałów.
WKŁ, 2002.
Marven, C, Ewers, G
Zarys Cyfrowego Przetwarzania Sygnałów.
WKŁ, 1999.

Literatura
Literatura
Wojnar, A.
Teoria sygnałów.
WNT, 1980.
Lyons, R. G
Wprowadzenie do Cyfrowego Przetwarzania sygnałów.
WKŁ, 2010.
Izydorczyk, J, Płonka, G., Tyma, G.
Teoria Sygnałów - wstęp.
Helion, 1999.

Literatura
Wykład 1
• Wprowadzenie: podstawowe informacje o sygnałach

• Charakterystyki sygnałów: cechy energetyczne i statystyczne sygnałów

Wprowadzenie
Wprowadzenie

Wprowadzenie Podstawowe pojęcia
Pojęcie sygnału
Sygnał
Jest to proces zmian w czasie pewnej wielkości fizycznej lub stanu obiektu
fizycznego. Za pomocą sygnałów przekazywana jest informacja - sygnał
jest nośnikiem informacji (Teoria informacji). Inaczej - sygnał jest to
wielkość zmienna, której wartość można zmierzyć i która przenosi
informacje.
Z punktu widzenia techniki i zastosowań praktycznych największą rolę

odgrywają sygnały elektryczne, zwłaszcza napięcie i prąd.
Temperatura
Sygnałem jest temperatura - może się zmieniać w czasie, można ją
zmierzyć termometrem i przenosi ona informacje (znając temperaturę na
zewnątrz, możemy odpowiednio się ubrać).

W zastosowaniach inżynierskich
W praktyce inżynierskiej analiza sygnałów najczęściej sprowadza się do:

• analizy częstotliwościowej (fourierowskiej) - pytania o elementy
składowe (częstotliwościowe) sygnału
• analizy korelacyjnej - ustalenie charakteru sygnału (np. okresowości)
Typową operacją przetwarzania sygnałów jest ich filtracja, czyli

odseparowywanie od siebie składowych sygnału lub jego odszumianie.

W zastosowaniach inżynierskich
• Najczęściej obieg informacji w systemie zachodzi dzięki przesyłaniu i

przetwarzaniu wielkości elektrycznych - sygnały elektryczne w
postaci napięcia elektrycznego lub natężenia prądu w funkcji czasu
• Najważniejszą cechą sygnałów jest ich zmienność w czasie (choć
można też rozważać rozkład informacji w przestrzeni - sygnał w
funkcji położenia)
• Opis czasowy sygnałów i analiza cech czasowych jest punktem
wyjścia teorii sygnałów, zarówno istniejących fizycznie jak też ich
modeli matematycznych (nierealizowalnych)

Modele matematyczne
Modele matematyczne opisują ewolucję sygnałów w czasie i/lub w

przestrzeni.
Sygnał to zmienność wielkości fizycznej, która może być opisana za

pomocą:
• funkcji jednej f (x) lub wielu zmiennych f (x1 , x2 , x3 , . . .) (np.
temperatury, ciśnienia, napięcia elektrycznego itp.)
• w praktyce - funkcji czasu f (t) i/lub położenia w przestrzeni
f (x, y, z) (zagadnienia przetwarzania obrazów)

Modele rzeczywiste vs. zespolone
Jeżeli funkcje opisujące sygnały przyjmują wartości rzeczywiste, to

modele takie nazywamy rzeczywistymi.
Jeżeli funkcje opisujące sygnały przyjmują wartości zespolone, to modele

takie nazywamy zespolonymi. Modele zespolone zwiększają stopień
abstrakcji opisu sygnałów, ale jednocześnie ułatwiają znacznie ich analizę
formalną.
Jako modele sygnałów wprowadza się również wielkości niefunkcyjne

nazywane dystrybucjami.
Pojęcie sygnału będziemy utożsamiać z jego modelem matematycznym.

Zalety modeli matematycznych
Operowanie modelami matematycznymi ma szereg zalet, m.in.:

• formalną analizę sygnałów na różnym poziomie dokładności
• wprowadzenie jednoznacznych kryteriów podziału sygnałów i na tej
podstawie dokonanie ich klasyfikacji
• traktowanie sygnałów jako wielkości bezwymiarowych (w analizie
formalnej sygnałów nie jest istotne jakie jest fizyczne źródło ich
pochodzenia)

Co robimy z sygnałami?
Przekształcanie sygnału z jednej postaci do innej, np.:
• zmiana wielkości fizycznej
• filtracja
• modulacja/demodulacja
• kompresja
Analiza sygnałów
Wydobycie informacji zawartej w sygnale poprzez np.:
• rozpoznawanie sekwencji (np. głoski/słowa w syg. mowy, obiektu na
obrazie)
• analizę statystyczną

Konwersja
Urządzenie, które dokonuje konwersji sygnału z jednej postaci na inną
nazywa się konwerterem. Sygnał wejściowy lub wyjściowy konwertera jest
często sygnałem elektrycznym.
Przykładem konwertera jest głośnik, który przetwarza sygnał elektryczny

na zmienne ciśnienie powietrza - dźwięk.
Konwerterem, który działa odwrotnym kierunku, jest mikrofon -

przetwarza zmiany ciśnienia powietrza na zmiany sygnału elektrycznego.

Kompresja danych
Innym, często stosowanym, procesem przetwarzania sygnałów jest
kompresja danych, w której wykorzystuje się specyficzne cechy sygnału w
celu zmniejszenia zasobów niezbędnych do jego przechowywania lub
przesyłania.
Nagranie mowy często zawiera długie pauzy. Można je zidentyfikować i

usunąć.

Przetwarzanie analogowe vs. cyfrowe
Termin przetwarzanie sygnałów odnosi się do nauki analizowania

zmiennych w czasie procesów fizycznych. Dziedzina przetwarzania
sygnałów dzieli się na dwie kategorie:
• analogowe przetwarzanie sygnałów

• cyfrowe przetwarzanie sygnałów

Sygnały ciągłe i cyfrowe
Termin analogowy jest używany przy opisie przebiegu, który jest ciągły w
czasie i może przyjmować ciągły zakres wartości. Powszechnie nazywane
analogowe przetwarzanie sygnałów jest tożsame z pojęciem przetwarzanie
sygnałów o czasie ciągłym.
Termin sygnał o czasie dyskretnym jest używany do opisu sygnału,

który powstaje w wyniku spróbkowania (dyskretyzacji) w czasie sygnałów
ciągłych (z sygnału ciągłego pobierane są wartości - próbki tylko w
wybranych chwilach czasowych). Sygnał o czasie dyskretnym nie jest
reprezentowany jako przebieg ciągły, ale jako ciąg wartości. W przypadku
kwantowania osi wartości sygnału dyskretnego używa się określenia
sygnał cyfrowy.

Sygnały ciągłe i cyfrowe

Sygnał cyfrowy
Sygnał spróbkowany (w dziedzinie czasu) i skwantowany (w dziedzinie
wartości)

Dziedzina określoności sygnałów
Sygnały ciągłe
Sygnały określone w zbiorze ciągłym osi czasu są nazywane sygnałami
ciągłymi w czasie lub sygnałami ciągłymi. Najczęściej dziedziną takich
sygnałów jest:
• cała oś (−∞, ∞) - w modelach matematycznych dziedzina czasu
może być nieograniczona
• dodatnia półoś [0, ∞) - w modelach przyczynowych
• odcinek [t1 , t2 ] osi czasu - fizycznie istniejące układy
Sygnały ciągłe będziemy oznaczać jako x(t), y(t), . . . .

Sygnały dyskretne
Sygnały określone w dyskretnym (przeliczalnym lub skończonym) zbiorze
punktów osi czasu (. . . , t−1 , t0 , t1 , t2 , . . .) i nieokreślone w pozostałych
punktach są nazywane sygnałami dyskretnymi w czasie lub sygnałami
dyskretnymi.
Najczęściej dziedziną tych sygnałów jest zbiór chwil tn = nTs , n ∈ D,

odległych od siebie o stały odstęp Ts (ts ) nazywany przedziałem
dyskretyzacji. Zbiór D wartości zmiennej dyskretnej n jest zwykle
zbiorem wszystkich liczb całkowitych, zbiorem liczb naturalnych lub
skończonym podzbiorem [n1 , n2 ] zbioru liczb całkowitych.
Sygnały dyskretne będziemy oznaczać jako x(tn ), y(tn ), . . . lub w

przypadku próbkowania równomiernego w chwilach nTs jako
x(nTs ), y(nTs ), . . . .

Sygnał ciągły i dyskretny
Sygnał dyskretny w czasie otrzymujemy w wyniku próbkowania sygnału

ciągłego w czasie.

Jeżeli sygnał przybiera wartości różne od zera w przedziale nieskończonym,

nazywamy go sygnałem o nieskończonym czasie trwania. W
przypadku, gdy sygnał przybiera wartości różne od zera jedynie w
przedziale skończonym nazywamy go sygnałem o skończonym czasie
trwania lub sygnałem impulsowym.
Sygnał ciągły i dyskretny

Zakres sygnałów
Sygnały dzielimy także ze względu na ich przeciwdziedzinę (zbiór wartości

- zakres). Jeżeli zbiór ten jest ciągły, sygnał nazywamy ciągłym w
amplitudzie. Jeżeli jest on dyskretny (w szczególności skończony) sygnał
nazywamy dyskretnym w amplitudzie.
Szczególną podklasę sygnałów dyskretnych w amplitudzie stanowią

sygnały, które w każdej chwili określoności przybierają tylko dwie wartości
binarne (np. 0 i 1 lub 1 i –1 ). Sygnały takie są nazywane binarnymi.
Sygnały binarne mogą być zarówno ciągłe, jak i dyskretne w czasie.
Sygnały binarne dyskretne w czasie otrzymuje się w wyniku binarnego
kodowania sygnałów cyfrowych.

Zakres sygnałów
Sygnały binarne
Dyskretny sygnał binarny otrzymujemy w wyniku próbkowania ciągłego

sygnału binarnego.

Klasyfikacja sygnałów
Ogólnie wszystkie sygnały możemy podzielić na:

• funkcje różnych argumentów, np. czasu lub położenia
• funkcje różnej liczby argumentów, np. jedno-, dwu-, lub
wielowymiarowe
• funkcje przyjmujące różne wartości, np. rzeczywiste lub zespolone
• sygnały ze względu na rodzaj ich dziedziny i przeciwdziedziny
• z czasem ciągłym i ciągłe w amplitudzie (analogowe)
• z czasem ciągłym i dyskretne w amplitudzie
• z czasem dyskretnym i ciągłe w amplitudzie
• z czasem dyskretnym i dyskretne w amplitudzie (cyfrowe), w tym
sygnały binarne

Klasyfikacja sygnałów
Kluczowym podziałem okaże się klasyfikacja sygnałów ze względu na ich
parametry energetyczne i statystyczne.

Charakterystyki sygnałów

Jakie cechy sygnałów są dla nas istotne?
Rozważamy sygnały, które są rzeczywistymi funkcjami analitycznymi

argumentu rzeczywistego (czasu). Łatwo jest sformalizować energetyczne i
statystyczne cechy takich sygnałów.

Rodzaje rzeczywistych sygnałów i ich parametry
Sygnał, który przyjmuje niezerowe wartości, jedynie w skończonym odcinku

czasu < t1 , t2 >, nazywamy sygnałem o ograniczonym (skończonym)
czasie trwania lub sygnałem impulsowym.
Sygnał opisany funkcją okresową czasu nazywamy sygnałem okresowym.

Dla sygnału okresowego x(t) istnieje taka wartość T , dla której spełniony
jest warunek:
x(t) = x(t + T ) = . . . = x(t + kT )
dla każdego t. Czas T nazywamy okresem sygnału, k jest liczbą całkowitą.
Każda całkowita wielokrotność czasu k · T także jest okresem tego
sygnału. Najmniejszy istniejący okres nazywamy okresem podstawowym
(T0 ).

Odwrotność okresu podstawowego nazywamy częstotliwością sygnału:

1
f0 =
T
Jednostką częstotliwości jest herc (jeden Hz stanowi pojedynczą oscylację,
okres lub cykl, na sekundę).
Częstotliwością kątową (częstością, pulsacją) nazywamy szybkość

zmiany fazy sygnału okresowego w czasie:
2π
ω0 = 2πf0 =
T
Częstotliwość kątową określa się w radianach na sekundę (rd/s).

Ciągły sygnał sinusoidalny

Rozważmy ciągły przebieg sinusoidalny, o amplitudzie równej 1 i
częstotliwości f0 :
x(t) = sin(2πf0 t)
Jeżeli zmienna t w równaniu reprezentuje czas w sekundach, a f0
częstotliwość, to cały człon 2πf0 t jest kątem mierzonym w radianach.
sin(2πf0 (t + kT )) = sin(2πf0 t + 2πf0 kT ) = sin(2πf0 t + 2πf0 k(1/f0 ))

= sin(2πf0 t + 2πk) = sin(2πf0 t)

Charakterystyki sygnałów Parametry energetyczne
Parametry energetyczne
Energia, moc średnia i wartość skuteczna, należą do najważniejszych

parametrów sygnału.
Energia
Energią ciągłego sygnału deterministycznego x(t) nazywamy wielkość:
Z ∞
Ex = x2 (t)dt
−∞

Moc średnia
Mocą średnią ciągłego sygnału deterministycznego x(t) nazywamy
wielkość graniczną:
1 τ 2
Z
Px = lim x (t)dt
τ →∞ 2τ −τ
Moc średnia dla sygnału okresowego

Mocą średnią sygnału x(t) nazywamy wielkość:
Z t0 +T
1
Px = x2 (t)dt
T t0
gdzie T jest okresem, a t0 dowolną chwilą.

Wartość skuteczna
Wartością skuteczną sygnału jest nazywany pierwiastek z jego mocy:
p
xsk = Px

Sygnał sinusoidalny
Rozważmy sygnał sinusoidalny postaci: x(t) = A sin(ωt + ϕ).
• Moc średnia sygnału sinusoidalnego: Px = A2 /2
√
• Wartość skuteczna: xsk = A/ 2
Zdefiniowane wielkości energii i mocy sygnału nie mają sensu nadawanego

im w fizyce i należy je rozumieć jako wielkości bezwymiarowe. Przy takim
założeniu energię wyrażamy w sekundach, zaś moc jest bezwymiarowa.
W szczególnym przypadku: moc sygnału prądowego lub napięciowego x(t),

wyznacza się na jednostkowej rezystancji 1Ω.

Klasyfikacja sygnałów ze względu na parametry

energetyczne
Sygnały deterministyczne - takie, których wartości w dowolnej chwili są

wyznaczalne na podstawie znanych zależności matematycznych.
W rzeczywistości praktycznie nie mamy do czynienia z tego typu

sygnałami, jednak wprowadzamy takie założenie dla większości sygnałów
rzeczywistych o parametrach zbliżonych do tego określenia.


energetyczne
Energia i moc charakteryzują właściwości energetyczne sygnału. Na ich

podstawie sygnały deterministyczne są dzielone na dwie podstawowe
rozłączne klasy - sygnały o ograniczonej energii i o ograniczonej mocy.


energetyczne
Sygnał o ograniczonej energii

Sygnał x(t) jest nazywany sygnałem o ograniczonej energii, jeśli
0 < Ex < ∞


energetyczne
Sygnał o ograniczonej energii i ograniczonym czasie trwania
Ex < ∞, ponieważ t < ∞

Sygnały ciągłe o ograniczonej energii i ograniczonym czasie

trwania
Impuls prostokątny
Sygnał jest symetrycznym unormowanym impulsem prostokątnym o

jednostkowym czasie trwania i jednostkowej amplitudzie. Jego wartość
średnia i energia są również równe jedności. Został on oznaczony
specjalnym symbolem Π(t). Posługując się tym symbolem, możemy
zapisać dowolny impuls prostokątny o wysokości a, szerokości b i
przesunięty względem zera o czas c w postaci aΠ[(t − c)/b].
Sygnały ciągłe o ograniczonej energii i ograniczonym czasie

trwania
Impuls trójkątny
Symbol specjalny Λ(t) oznacza unormowany symetryczny impuls trójkątny

o czasie trwania równym 2 i wartości w zerze równej 1. Zapis Λ(t/T )
oznacza symetryczny impuls trójkątny o czasie trwania 2T .


energetyczne
Sygnały ciągłe
o ograniczonej energii
i nieskończonym czasie trwania:
Faktycznie: t → ∞
Praktycznie: t < ∞

Sygnały ciągłe o ograniczonej energii i nieskończonym

czasie trwania
Sygnał wykładniczy malejący
Sygnał jest przykładem sygnału o nieskończonym czasie trwania, którego

energia jest skończona.

Sygnały ciągłe o ograniczonej energii i nieskończonym

czasie trwania
Sygnał sinusoidalny malejący wykładniczo
Energia sygnału sinusoidalnego malejącego wykładniczo jest również

skończona.


energetyczne
Sygnały
ciągłe o nieograniczonej energii:
• sygnały
o nieskończonym czasie
trwania, np. sygnały okresowe
• sygnały nieustalone,
np. drgania tłumione


energetyczne
Sygnałem o ograniczonej mocy

Sygnał x(t) jest nazywany sygnałem o ograniczonej mocy, jeśli
0 < Px < ∞
Moc jest zawsze skończona! Moc mogłaby być nieskończona tylko wtedy
gdyby amplituda sygnału dążyła do nieskończoności
x(t) → ∞ ⇒ Px → ∞
co jest niemożliwe w przypadku rzeczywistych procesów fizycznych (szum

biały, funkcja grzebieniowa).


energetyczne
Uwaga
Z τ
1
Px = lim x2 (t)dt
τ →∞ 2τ −τ
Z ∞
Ex = x2 (t)dt
−∞
Na raz sygnał może być jedynie albo sygnałem mocy albo sygnałem
energii (albo żadnym z nich)!

Nieokresowe sygnały ciągłe o ograniczonej mocy
Sygnał stały
Skok jednostkowy


(nieskończonej energii)
Sygnał wykładniczy narastający


(nieskończonej energii)
Sygnał znaku
Energia sygnału stałego, jednostkowego, wykładniczo narastającego i

znaku jest nieskończona.


energetyczne
Sygnały o ograniczonej
mocy i ograniczone w amplitudzie
są sygnałami o nieskończonym
czasie trwania. Szczególną
podklasą są sygnały okresowe.

Okresowe sygnały ciągłe o ograniczonej mocy

Fala prostokątna bipolarna
Fala prostokątna unipolarna


energetyczne

Okresowe sygnały ciągłe o ograniczonej mocy
Sygnał harmoniczny
Sygnał harmoniczny jest określony przez trzy parametry: amplitudę X0 ,

pulsację ω0 (lub częstotliwość f0 = ω0 /2π = 1/T , gdzie T jest okresem),
oraz fazę początkową ϕ0 .

Wnioski
• Moc sygnałów o ograniczonej energii jest równa zeru
• Energia sygnałów o ograniczonej mocy jest nieskończona
• Każdy sygnał impulsowy ograniczony w amplitudzie jest sygnałem o
ograniczonej energii
• Sygnały o nieskończonym czasie trwania mogą być sygnałami o
ograniczonej energii bądź o ograniczonej mocy
• Sygnały o ograniczonej mocy i ograniczone w amplitudzie są
sygnałami o nieskończonym czasie trwania (w szczególności sygnały
okresowe)

Przykład
Dla sygnału niezmiennego w czasie, opisanego funkcją x(t) = 5 obliczyć
energię, moc średnią i wartość skuteczną.
Energia sygnału:
Z ∞ Z ∞
Ex = x2 (t)dt = 52 dt = 25t |∞
−∞ = ∞
−∞ −∞
Moc sygnału:
Z τ Z τ
1 2 1 25 τ
Px = lim x (t)dt = lim 52 dt = lim t | = 25
τ →∞ 2τ −τ τ →∞ 2τ −τ τ →∞ 2τ −τ
Wartość skuteczna p √
xsk = Px = 25 = 5

Charakterystyki sygnałów Parametry statystyczne

statystyczne
Dla sygnałów losowych

(stochastycznych) x(t) nie
istnieje wzór matematyczny
na wartości przyjmowane
w kolejnych chwilach
czasowych, tylko wzór
na prawdopodobieństwo
przyjęcia
przez sygnał określonej
wartości. Znamy jedynie
ogólne prawa statystyczne
według których
sygnał ewoluuje w czasie.


statystyczne
Zmienna losowa x to zmienna przyjmująca wartości w sposób losowy

(stochastyczny), ale zgodnie ze z góry określonym prawdopodobieństwem.
Dystrybuantą F (x0 ) zmiennej losowej x jest nazywane
prawdopodobieństwo przyjęcia przez nią wartości x mniejszej lub równej od
x0 :
F (x0 ) = Pr[x ¬ x0 ]
Kiedy x0 → −∞, wówczas F (x0 ) → 0, a dla x0 → ∞ mamy F (x0 ) → 1.
Jeżeli x0 przybiera wartości ciągłe, to równoważnym do dystrybuanty

opisem zmiennej losowej x jest jej funkcja gęstości
prawdopodobieństwa, definiowana jako pochodna dystrybuanty. Określa
ona, jakie jest prawdopodobieństwo przyjęcia przez zmienną losową x
wartości x0 .

Estymatory parametrów
• Zakładamy, że dysponujemy jedną realizacją ciągłego sygnału

losowego x(t) o skończonej długości Ts (t0 ¬ t ¬ t0 + Ts )
• Prawdopodobieństwo przyjęcia przez ten fragment sygnału wartości z
przedziału (x, x + ∆x) jest równe Tx /Ts , gdzie Tx jest sumą
odcinków czasu ∆ti , w których wartości chwilowe realizacji znajdują
P
się w tym przedziale: Tx = (∆ti ).
• W granicy dla Ts → ∞ otrzymujemy prawdopodobieństwo przyjęcia
przez całą realizację wartości z przedziału (x, x + ∆x):
Tx
Pr[x ¬ x(t) ¬ x + ∆x] = lim
Ts →∞ Ts

• W granicy dla Ts → ∞ otrzymujemy prawdopodobieństwo przyjęcia

przez całą realizację wartości z przedziału (x, x + ∆x):
Tx
Pr[x ¬ x(t) ¬ x + ∆x] = lim
Ts →∞ Ts
• Jeśli dodatkowo szerokość przedziału wartości ∆x → 0, to w granicy
uzyskuje się funkcję gęstości prawdopodobieństwa p(x) danego
sygnału (procesu) losowego x(t):
Pr[x ¬ x(t) ¬ x + ∆x]

p(x) =
∆x
która dla pojedynczej realizacji (próby) przyjmuje postać histogramu

Tx
Pr[x ¬ x(t) ¬ x + ∆x] = lim
Ts →∞ Ts
Pr[x ¬ x(t) ¬ x + ∆x]

p(x) =
∆x

Parametry statystyczne
Podstawą opisu właściwości sygnałów losowych nie jest jeden sygnał

(jedna realizacja procesu losowego), lecz wiele sygnałów (nieskończony
zbiór takich realizacji). Aby określić rodzaj sygnału (procesu) losowego x,
należy zebrać wiele jego realizacji. Zbiór tych realizacji określa właściwości
generującego je sygnału (procesu). Aby poznać te właściwości, należy
wyznaczyć i porównać podstawowe parametry statystyczne
obserwowanych danych, uśrednionych po zbiorze wszystkich realizacji (dla
każdego t).

Wartość średnia
Wartość średnia sygnału x(t) o nieskończonym czasie jest określona jako
wielkość graniczna:
1 τ
Z
µx = lim x(t)dt
τ →∞ 2τ −τ
Wartość średnia sygnału okresowego

Wartość średnia sygnału x(t) jest określona jako wielkość graniczna:
Z t0 +T
1
µx = lim x(t)dt
T →∞ T t0
gdzie T jest okresem, a t0 dowolną chwilą.

Wariancja
Wariancja sygnału x(t) o nieskończonym czasie jest określona jako
wielkość graniczna:
Z τ
1
σx2 = lim (x(t) − µx )2 dt
τ →∞ 2τ −τ

Funkcja korelacji wzajemnej i własnej

Funkcja korelacji wzajemnej (autokorelacji) sygnałów opisuje podobieństwo
(korelację) między tymi sygnałami w zależności od ich wzajemnego
przesunięcia τ : Z ∞
Rxy (τ ) = x(t)y(t − τ )dτ
−∞
Funkcja korelacji własnej sygnału x(t) dana jest wzorem:

Z ∞
Rxx (τ ) = x(t)x(t − τ )dτ
−∞


• Rxy (τ ) to iloczyn skalarny dwóch sygnałów w funkcji przesunięcia
jednego z nich
• W funkcji korelacji drugi sygnał opóźnia się w stosunku do pierwszego
o czas τ , następnie oba sygnały wymnaża się przez siebie i całkuje ich
iloczyn
• Dla każdego τ otrzymuje się liczbę, mówiącą na ile opóźniony drugi
sygnał jest podobny do sygnału pierwszego (skorelowany z nim)
• Funkcja korelacji Rxx (τ ) jest wykorzystywana do badania okresowości
sygnału, ponieważ przyjmuje ona wartości maksymalne dla wartości
przesunięcia τ równego wielokrotności okresu sygnału (iloczyn
x(t)x(t − τ ) ma zawsze wartość dodatnią, a całka z niego wartość
maksymalną)

Przykład
Funkcja korelacji własnej Rxx (τ ) jest stosowana do wyznaczania okresu
głosek dźwięcznych sygnału mowy. Umożliwia również wydobycie sygnału
zdeterminowanego z tła szumu.
Funkcja korelacji wzajemnej Rxy (τ ) może być stosowana do detekcji odbić

w sygnale odebranym w echografii impulsowej - impulsowy sygnał wysłany
jest korelowany (przesuwany w czasie i wymnażany) z sygnałem
odebranym, w którym występują kopie sygnału nadanego, odbite od
różnych obiektów.

Własności
• Antysymetria:
Rxy (τ ) = Ryx (−τ )
• Wartość maksymalna:
Z ∞
|Rxx (τ )| ¬ Rxx (τ ), Rxx (τ ) = |x(t)|2 dt
−∞

Uwaga
Termin korelacja w znaczeniu statystycznym, jest odnoszony do związku
statystycznego, jaki występuje między dwoma wielkościami (zmiennymi)
losowymi. W rachunku prawdopodobieństwa korelację dwóch zmiennych
losowych definiuje się jako wartość oczekiwaną ich iloczynu. Ma więc ona
znaczenie wielkości średniej w zbiorze (uśrednionej po wszystkich
możliwych realizacjach zmiennych losowych). W przypadku sygnałów
deterministycznych korelacja ma natomiast znaczenie wielkości uśrednionej
w czasie.


statystyczne
Sygnały stacjonarne
mają dla każdej chwili
czasowej takie same
wartości podstawowych
parametrów
statystycznych
(średnia, wariancja,
korelacja wzajemna)
w zbiorze ich
wielu realizacji, sygnały
zaś niestacjonarne nie
mają tej właściwości.


statystyczne
Gdy sygnał
jest stacjonarny oraz
jego parametry µx (k) i
Rxx (τ, k) są jednakowe
dla wszystkich realizacji
(k), to sygnał jest
ergodyczny. Pozwala
to nam przypisywać
te same właściwości
sygnału jego
kolejnym realizacjom
(np. wynikom różnych
serii pomiarowych):
µx (k) = µx oraz Rxx (τ, k) = Rxx

statystyczne
Sygnały nieergodyczne
nie spełniają założeń o
stałości w czasie: µx (k)
i Rxx (τ, k). W praktyce
trudno jest uzyskać
dostateczną liczbę
realizacji niezbędną
dla dokładnego
uśredniania w zbiorze.

Jakie cechy sygnałów są dla nas istotne?
Cechy energetyczne i statystyczne sygnałów


Wykład 2
• CPS: próbkowanie, kwantyzacja i kodowanie

• Problemy z przejściem do sygnału cyfrowego
• Matematyczna reprezentacja próbkowania
• Analiza częstotliwościowa: Szereg Fouriera

Cyfrowe przetwarzanie sygnałów

Cyfrowy system przetwarzania sygnałów

Przetwarzanie sygnałów cyfrowych PSC (ang. Digital Signal Processing,

DSP) jest dziedziną nauki i techniki która zajmuje się sygnałami w postaci
cyfrowej, jak również metodami przetwarzania tych sygnałów. Cyfrowe
przetwarzanie sygnałów znalazło zastosowanie w telekomunikacji,
elektronice, medycynie (tomografia komputerowa, rezonans magnetyczny).
Wykorzystuje się urządzenia przetwarzające dźwięk, obrazy, mowę.
Do zadań cyfrowego przetwarzania sygnałów należy zamiana sygnału z

postaci analogowej na cyfrową za pomocą przetwornika
analogowo-cyfrowego.
Przetwarzanie sygnałów cyfrowych jest z reguły realizowane przez

wyspecjalizowane do tego urządzenia komputerowe, korzystające z
procesorów sygnałowych. Pozwalają one na przetwarzanie sygnałów w
czasie rzeczywistym.

W przetwarzaniu sygnałów cyfrowych można analizować sygnały w

różnych dziedzinach:
• sygnały jednowymiarowe analizowane są w dziedzinie czasu
• sygnały wielowymiarowe w dziedzinie przestrzeni
• można również analizować sygnały w dziedzinie częstotliwości
W przypadku przekształcania dziedziny czasu do dziedziny
częstotliwości korzysta się z transformaty Fouriera. W wyniku tego
przekształcenia możemy dowiedzieć się informacji o fazie i amplitudzie
poszczególnych składowych częstotliwościowych.
W przypadku dziedziny czasu i przestrzeni, operacją najczęściej

wykorzystywaną jest obróbka sygnału wejściowego, mająca na celu
poprawienia jego własności. Proces, w którym się to odbywa nazywamy
filtracją.

Dlaczego cyfrowe przetwarzanie sygnałów jest korzystne?

• Można stosować komputerowe metody rejestracji, przetwarzania i
analizy sygnałów: niski koszt dokładności, łatwe modyfikacje i korekty,
możliwość powielania algorytmów
• Parametry systemów cyfrowych nie podlegają zmianom w czasie są
m.in. niezależnie od zmian temperatury
• Można stosować złożone procedury przetwarzania i analizy sygnałów,
które dzięki programowej realizacji można łatwo modyfikować
• Sygnał w postaci cyfrowej łatwo zapamiętać w postaci elektronicznej i
przesyłać
Aby przetwarzać sygnał cyfrowo, musi być on w postaci cyfrowej.

Co to znaczy ”sygnał cyfrowy”?

Cyfrowe przetwarzanie sygnałów Próbkowanie, kwantyzacja i kodowanie
Przetwarzanie analogowo-cyfrowe sygnałów
Aby przetworzyć sygnał analogowy w sygnał binarny, należy wykonać na

nim trzy fundamentalne operacje, które są realizowane przez przetwornik
analogowo-cyfrowy A/C:
• próbkowanie sygnału analogowego (konwersja na sygnał dyskretny)
• kwantowanie sygnału spróbkowanego (konwersja sygnału
dyskretnego na sygnał cyfrowy)
• kodowanie sygnału skwantowanego (konwersja na sygnał binarny)

Próbkowanie sygnału
Pierwszym krokiem cyfrowego przetwarzania sygnałów jest przekształcenie

sygnału ciągłego w dyskretny zbiór wartości w procesie zwanym
próbkowaniem. Jeśli jest to sygnał zmieniający się w czasie (np.
akustyczny), najczęściej mierzy się jego wartość w równych odstępach
czasu - próbkowanie równomierne. W przypadku próbkowania w
regularnych odstępach czasu - podaje się częstotliwość próbkowania
wyrażaną w liczbie próbek na sekundę, czyli w hercach (Hz). Przy
próbkowaniu wielowymiarowym - podaje się rozdzielczość mierzoną w ilość
punktach lub pikselach na cal (DPI, PPI).

Okres próbkowania Ts to czas pomiędzy pobieraniem kolejnych próbek.

Częstotliwość próbkowania to odwrotność okresu próbkowania:
fs = 1/Ts
Proces próbkowania można stosunkowo łatwo konfigurować poprzez

zmianę odstępu czasowego pomiędzy próbkami (Ts ). Jednakże pociąga to
za sobą zmiany w odzwierciedlaniu sygnału analogowego w zapisie
cyfrowym i ma istotny wpływ na identyfikację i przetwarzanie sygnału.

W wyniku próbkowania równomiernego z okresem Ts sygnał analogowy

x(t) jest przetworzony w sygnał dyskretny x(nTs ). Sygnał spróbkowany
jest sygnałem dyskretnym w czasie, ale w ogólnym przypadku nadal
analogowym w amplitudzie (jego wartości chwilowe należą do zbioru
ciągłego). Aby sygnał spróbkowany można było dalej przetwarzać cyfrowo,
zbiór wartości próbek musi być zbiorem skończonym - kwantyzacja.
Kwantyzacja sygnału
Kwantyzacja to nieodwracalne odwzorowanie statyczne zmniejszające

dokładność danych przez ograniczenie ich zbioru wartości.
Zbiór wartości wejściowych dzielony jest na rozłączne przedziały. Każda

wartość wejściowa wypadająca w określonym przedziale jest w wyniku
kwantyzacji odwzorowana na jedną wartość wyjściową przypisaną temu
przedziałowi. W rozumieniu potocznym proces kwantyzacji można
przyrównać do ”zaokrąglania” wartości do określonej skali.

Operacja kwantowania jest operacją nieliniową i można zapisać ją

formalnie w postaci:
x̃(nTs ) = Q(x(nTs ))
W jej wyniku zakres zmian sygnału (zakładamy, że jest on symetryczny)
jest dzielony na M przedziałów kwantyzacji z reguły o jednakowej
szerokości q, nazywanej kwantem lub krokiem kwantyzacji.
Każda próbka x(nTs ) jest przybliżana według pewnej reguły Q(·), jedną z
M , skwantowanych wartości x̃(nTs ), odpowiadających poszczególnym
przedziałom kwantyzacji. Liczbę M , wybiera się z reguły równą potędze 2.

Błąd kwantyzacji
Operacja kwantowania wprowadza specyficzny błąd do procesu
przetwarzania sygnału nazywany błędem kwantyzacji:
ε(nTs ) = x̃(nTs ) − x(nTs )
Błąd kwantyzacji jest sygnałem dyskretnym określonym w chwilach

próbkowania nTs i przybierającym losowe wartości w skończonym
przedziale o szerokości równej kwantowi q.

Kwantyzacja i Kodowanie sygnału

Dobór funkcji Q określa rodzaj kwantowania (np. ZM, U1, U2)
Operacja kodowania przyporządkowuje skwantowanym próbkom x̃(nTs ),

binarne słowa kodowe, zwykle o stałej długości log2 M .
Podkreślmy, że operacja kwantowania nie jest realizowana w przetworniku

A/C przez specjalny układ - dokonuje się automatycznie w wyniku
kodowania kolejnych próbek.
Kwantyzacja sygnału - sygnał cyfrowy
Sygnał dyskretny, którego próbki skwantowano do wartości dyskretnych

nazywamy sygnałem cyfrowym.
Mamy 4 poziomy kwantowania.

Kwantyzacja sygnału - sygnał cyfrowy
Kwantyzacja amplitudy próbek jest działaniem nieodwracalnym (np.

round(2.3)=2)!

Cyfrowe przetwarzanie sygnałów Problemy z przejściem do sygnału cyfrowego
Problemy z przejściem do sygnału cyfrowego - próbkowanie

W procesie próbkowania część informacji o sygnale jest pomijana. Jeżeli
zmiany sygnału akustycznego są bardzo szybkie w porównaniu z
częstotliwością próbkowania lub jeśli obraz zawiera elementy małe w
porównaniu z rozdzielczością próbkowania, nie wszystkie szczegóły
oryginału zostaną uchwycone.
Ważnym parametrem próbkowania jest jego częstotliwość. Obecnie

produkowane przetworniki analogowo-cyfrowe posiadają maksymalną
częstotliwość próbkowania od kilkudziesięciu kiloherców do kilku
megaherców. Częstotliwość próbkowania określa, ile próbek jest
pobieranych w jednostce czasu.
Aby pobrane próbki w sposób efektywny opisywały przetwarzany sygnał

analogowy należy pobrać ich możliwie jak najwięcej. Oczywiście istnieją tu
ograniczenia, głównie sprzętowe i dodatkowo duża częstotliwość
próbkowania mocno obciąża system.
Podstawowym problem jest określenie częstotliwości próbkowania:

• musi ona być na tyle duża, aby dokładnie odwzorowywać dynamikę
badanego układu
• jednakże obserwacje zbyt bliskie siebie powodują duży nadmiar i
skorelowanie próbek, a więc niepotrzebny wzrost kosztów i
pracochłonności obliczeń
• natomiast dokonywanie próbkowania w momentach czasu zbyt
odległych od siebie, może prowadzić do pomieszania składowych
o małej i dużej częstotliwości sygnału obserwowanego


Aliasing
Niewłaściwie dobrana częstotliwość próbkowania prowadzi zwykle do
błędu interpretacji sygnału analogowego zwanego aliasingiem. Na
podstawie punktów pobranych z oryginalnego przebiegu analogowego
system identyfikuje go jako sygnał o innej częstotliwości. Ma to miejsce w
przypadku, gdy częstotliwość sygnału jest większa od pewnej
częstotliwości granicznej.
Aliasing stanowi potencjalne źródło błędów, które nie występują przy

bezpośrednim przetwarzaniu sygnałów analogowych i jest bezpośrednio
związane z przetwarzaniem cyfrowym.
Przykład
Zjawisko to najłatwiej jest zaobserwować na przykładzie szybko
obracającego się koła kiedy można zauważyć pozorną zmianę obrotu,
podczas przyspieszania lub zwalniania obrotów koła.
Problemy z przejściem do sygnału cyfrowego - aliasing
Załóżmy, że z tą samą częstotliwością próbkowania fs = 1/Ts są

próbkowane dwa sygnały harmoniczne:
x1 (t) = sin(2πf0 t)
o małej częstotliwości f0 , oraz:
x2 (t) = sin 2π(f0 + mfs )t
o dużo większej częstotliwości f0 + mfs , gdzie m jest pewną liczbą

naturalną.

W wyniku próbkowania otrzymujemy sygnały dyskretne:
x1 (nTs ) = sin(2πf0 nTs )
oraz
x2 (nTs ) = sin 2π(f0 + mfs )nTs = sin(2πf0 nTs + 2πmn) = sin(2πf0 nTs )
W obu przypadkach otrzymujemy identyczny ciąg próbek. Na jego

podstawie nie możemy rozstrzygnąć, czy pochodzi on od pierwszego, czy
też od drugiego sygnału.
Jeżeli faktycznie próbkujemy sygnał x2 (t) o dużej częstotliwości, to jest on

obserwowany jako sygnał x1 (t) o małej częstotliwości.


Sygnał harmoniczny
Niejednoznaczność jest spowodowana zbyt wolnym próbkowaniem sygnału
x2 (t) (dla m = 1).

Sygnał trapezowy
Aliasing występuje również w przypadku zbyt wolnego próbkowania
dowolnego sygnału okresowego o okresie T (częstotliwości podstawowej
f0 = 1/T ), który nie zawiera składowych harmonicznych o
częstotliwościach większych niż kf0 , gdzie k jest pewną liczbą naturalną.


Przykład
Rozważmy dwa sygnały sinusoidalne o amplitudzie 1 i częstotliwościach
1Hz i 11Hz. Sygnały próbkujemy równomiernie z częstotliwością 20Hz -
czyli na każdą sekundę trwania sygnału pobieramy 20 próbek. Zobaczmy
jak wyglądają oryginalne sygnały ciągłe, oraz ich spróbkowane wersje -
sygnały dyskretne. Poniżej znajduje się program i rysunki.


Przykład
Nie możemy bez niejednoznaczności określić częstotliwości sygnału na


Przykład
Widma obydwu sygnałów o różnych częstotliwościach (1Hz i 11Hz) są

identyczne i nałożyły się na siebie. Sygnał o częstotliwości 11Hz jest
błędnie reprezentowany przez prążek o częstotliwości 1Hz. Podczas
próbkowania z szybkością fs próbek na sekundę, nie jesteśmy w stanie
rozróżnić spróbkowanych wartości przebiegu sinusoidalnego o
częstotliwości f0 Hz oraz przebiegu sinusoidalnego o częstotliwości
(f0 + kfs )Hz, gdzie k jest dowolną liczbą całkowitą.
Przykład
Jeżeli k może być dowolną liczbą całkowitą, oznacza to, że ciąg próbek
może reprezentować nieskończoną liczbę sinusoid o częstotliwościach
f 0 + kfs . Jest to fundamentalne twierdzenie analizy częstotliwościowej, o
którym należy pamiętać za każdym razem (w pakiecie MATLAB funkcji
FFT).
Skąd zatem możemy mieć pewność, że wykonana przez nas analiza jest
poprawna (jak dla sygnału o częstotliwości 1Hz) bądź błędna (jak dla
sygnału o częstotliwości 11Hz, który został błędnie zinterpretowany jak
1Hz)? Te pytania prowadzą nas w kierunku twierdzenia o próbkowaniu,
które mówi o tym jaka powinna być częstotliwość próbkowania sygnału
dolnopasmowego, aby jego widmo zostało wyznaczone w poprawny
sposób, tj. bez niejednoznaczności w dziedzinie częstotliwości.


Czy na podstawie próbek sygnału analogowego x(t) można
jednoznacznie odtworzyć ten sygnał?
W ogólnym przypadku, bez dodatkowych założeń dotyczących sygnału i

sposobu jego próbkowania, nie jest możliwe jego odtworzenie z próbek z
pełną dokładnością.
Przy jakich założeniach, znajomość próbek wystarcza do wyznaczenia z

pełną dokładnością wszystkich pozostałych wartości sygnału między
chwilami próbkowania?
W przypadku sygnałów o ograniczonym paśmie możliwe jest jednoznaczne

odtworzenie sygnału na podstawie próbek, jeśli próbki te są pobierane
dostatecznie często. Sygnałami o ograniczonym paśmie mogą być
zarówno sygnały o ograniczonej energii, jak i o ograniczonej mocy.
Ogólnie problem ten rozstrzyga twierdzenie Kotielnikowa-Shannona o

próbkowaniu, będące jednym z fundamentalnych twierdzeń teorii
sygnałów.
W twierdzeniu Kotielnikowa-Shannona podany jest warunek Nyquista,

który jednoznacznie rozwiązuje problem aliasingu.

Warunek Nyquista
Sygnał musi być próbkowany z częstotliwością co najmniej dwukrotnie
większą od częstotliwości największej składowej obecnej w sygnale:
fs > 2fmax
gdzie fmax to składowa o największej częstotliwości.
Z warunku wynika, że aby możliwe było jednoznaczne odtworzenie sygnału

na podstawie próbek, próbki te muszą być pobierane z częstotliwością co
najmniej dwa razy większą od maksymalnej częstotliwości widma sygnału.

Przykład 1
Mowa jest sygnałem, który ma zakres częstotliwości średnio od 300Hz -
3000Hz. Dlatego możemy przyjąć, że częstotliwość próbkowania powyżej
6000Hz jest zupełnie wystarczająca.


Przykład 2
Białe i czarne prążki na koszuli odpowiadają ciągowi wartości 0 i 1 sygnału.

Rozdzielczość odpowiada próbkowaniu sygnału. Sygnał próbkujący -
pomiar wartości sygnału tylko w punktach oznaczonych.
Próbkowanie - 150 PPI

Próbkowanie - 96 PPI

Jak przeciwdziałać zjawisku aliasingu?

• Zwiększyć częstotliwość próbkowania (wg. warunku Nyquista)
• Obciąć wysokie częstotliwości przed próbkowaniem - wykorzystać
dolnoprzepustowy filtr antyaliasingowy, który eliminuje wszystkie
składowe o częstotliwości powyżej pewnej określonej wartości
W rzeczywistości nie da się wyeliminować całkowicie aliasingu ...

Problemy z przejściem do sygnału cyfrowego - kwantyzacja
Kwantyzacja - 256 poziomów


Kwantyzacja - 64 poziomy

Kwantyzacja - 32 poziomy


Poziomy kwantyzacji
• Liczba pikseli obrazu jest stała
• Każdy piksel jest przyporządkowany do jednego z poziomów
• Mniej poziomów → więcej pikseli zostaje przyporządkowanych do 1
poziomu

Kwantyzacja równomierna
Kwantyzacja równomierna prowadzi na ogół do złej jakości obrazu -
pojawiają się sztuczne kontury.

Matematyczna reprezentacja próbkowania

Matematyczna reprezentacja próbkowania Systemy LTI
W cyfrowym przetwarzaniu sygnałów wykorzystywane jest próbkowanie w

postaci mnożenia wejściowego przebiegu ciągłego przez tzw. okresową
deltę Diraca. Kluczowe są tutaj systemy liniowe niezmienne względem
przesunięcia (liniowe niezmiennicze w czasie, LTI, ang. Linear
Time-Invariant), dla których znajomość odpowiedzi systemu na
pobudzenie impulsowe δ(n) pozwala wyznaczyć odpowiedź systemu na
dowolny sygnał wejściowy.
Systemy LTI: jednorodne, addytywne i niezmienne względem przesunięcia.
Znając odpowiedź impulsową dowolnego systemu LTI możemy obliczyć

wynik ”przepuszczenia” sygnału przez ten system, po prostu obliczając
splot liniowy tego sygnału ze znaną odpowiedzią impulsową systemu.

Systemy jednorodne
Jeżeli sygnał wejściowy x(n) systemu dyskretnego jest skalowany za

pomocą stałego czynnika k, wówczas sygnał wyjściowy również jest
skalowany przez ten czynnik.

Systemy addytywne
Jeżeli sygnał wejściowy systemu dyskretnego jest sumą x1 (n) + x2 (n), to

aby ten system był addytywny, jego sygnał wyjściowy musi być sumą
poszczególnych sygnałów wyjściowych y1 (n) + y2 (n).
Systemy liniowe
Jeżeli system jest jednorodny i addytywny to jest liniowy.
Systemy linowe spełniają zasadę superpozycji - odpowiedź systemu

liniowego na sumę sygnałów wejściowych jest równa sumie odpowiedzi
systemu na poszczególne sygnały składowe:
H[ax1 (n) + bx2 (n)] = aH[x1 (n)] + bH[x2 (n)] = ay1 (n) + by2 (n)
Przykład systemu liniowego? y(n) = 5x(n), y(n) = x2 (n)
Czy system y(n) = 2x(n) + 1 jest liniowy?

Systemy liniowe niezmienne względem przesunięcia

Systemy niezmienne względem przesunięcia (liniowe niezmiennicze w
czasie) posiadają następującą właściwość:
y(n) = H(x(n)) ⇒ y(n − k) = H(x(n − k))
Jeżeli y(n) jest odpowiedzią systemu na pobudzenie x(n) to y(n − k) jest

odpowiedzią systemu na pobudzenie x(n − k). Warunek niezmienności w
czasie oznacza, że odpowiedź systemu na pobudzenie nie zależy od czasu,
w którym to pobudzenie nastąpiło.
Zakładamy, że wykorzystywane systemy będą systemami liniowymi

niezmiennymi względem przesunięcia (LTI, np. filtr o skończonej
odpowiedzi impulsowej - FIR).
Dla systemów LTI, znajomość odpowiedzi systemu na pobudzenie

impulsowe δ(n) pozwala wyznaczyć odpowiedź systemu na dowolny
sygnał wejściowy.
Impuls Diraca
W wielu zagadnieniach teorii sygnałów użytecznymi modelami sygnałów są

wielkości matematyczne zwane dystrybucjami. Dystrybucje nie są
funkcjami w sensie przyjętym w klasycznej analizie matematycznej i są
definiowane w sposób odmienny niż zwykłe funkcje. Najważniejszą z nich
jest impuls Diraca δ(t) (dystrybucja Diraca lub delta Diraca)

Impuls Diraca
Impuls Diraca opisuje gęstość amplitudy przypadającej na jednostkę czasu.

Jej miarą jest pole impulsu. W przeciwieństwie do omawianych sygnałów,
które przy przyjętej konwencji są bezwymiarowe, impuls Diraca ma wymiar
1/s, a więc taki sam jak częstotliwość. Z formalnego punktu widzenia
impuls Diraca nie należy do klasy sygnałów o ograniczonej mocy - jego
moc jest nieskończona.

Matematyczna reprezentacja próbkowania Splot
Splot
Splot dla sygnałów ciągłych i dyskretnych

Pojęcie splotu (ang. Convolution) jest jednym z fundamentalnych pojęć
teorii sygnałów. Operacja splotu będzie rozpatrywana zarówno w dziedzinie
czasu, jako operacja na sygnałach, jak i w dziedzinie częstotliwości, jako
operacja na widmach.
Dla sygnałów ciągłych:

Z ∞ Z ∞
y(t) = x(t) ∗ h(t) = x(τ )h(t − τ )dτ = h(τ )x(t − τ )dτ
−∞ −∞
Dla sygnałów dyskretnych:

∞
X ∞
X
y(n) = x(n) ∗ h(n) = x(k)h(n − k) = h(k)x(n − k)
k=−∞ k=−∞

Splot dla sygnałów ciągłych
Kolejność wykonywania operacji splotu

Z ∞
y(t) = x(t) ∗ h(t) = x(τ )h(t − τ )dτ
−∞
1 Odwróć w czasie drugi z sygnałów ze względu na τ : h(τ ) → h(−τ )

2 Przesuń go w czasie o czas t: h(−τ ) → h(t − τ )
3 Wymnóż pierwszy sygnał ze zmodyfikowanym drugim: x(τ )h(t − τ )
4 Scałkuj wynik mnożenia

Splot dla sygnałów dyskretnych
Kolejność wykonywania operacji splotu

∞
X
y(n) = x(n) ∗ h(n) = x(k)h(n − k)
k=−∞
Obliczanie splotu dyskretnego (filtracji cyfrowej) przebiega w ten sam

sposób jak splotu ciągłego.
1 Odwróć drugi z sygnałów ze względu na k: h(k) → h(−k)

2 Przesuń go o n próbek: h(−k) → h(n − k)
3 Wymnóż pierwszy sygnał ze zmodyfikowanym drugim: x(k)h(n − k)
4 Zsumuj wszystkie iloczyny próbek


Obliczanie splotu dwóch ciągłych impulsów prostokątnych
Sygnał x(τ ); kolejne przesunięcia odwróconego w czasie sygnału h(t0 − τ )

(t0 = 0, 0.5, 1, 2) i wynik splotu yt0 (t) dla t od 0 do t0 .
Splot z impulsem Diraca
Właściwości
x(t) ∗ δ(t) = x(t), x(t) ∗ δ(t − τ ) = x(t − τ )
x(n) ∗ δ(n) = x(n), x(n) ∗ δ(n − k) = x(n − k)
Splot sygnału dyskretnego x(n) z dystrybucją Diraca δ(n) daje w wyniku
ten sam sygnał x(n). Wynika stąd, że impuls Diraca δ(n) jest
elementem identycznościowym operacji splotu. W przypadku splatania
z dystrybucją przesuniętą w czasie o k otrzymujemy kopię sygnału
przesuniętą o k.

Dystrybucja grzebieniowa
Dystrybucja grzebieniowa jest modelem dystrybucyjnym najczęściej
wykorzystywanym w analizie sygnałów. Dystrybucja ta jest okresowym
ciągiem impulsów Diraca powtarzanych z okresem T . Jej wykres
przypomina nieskończony grzebień, którego ”zęby” są równoodległe i mają
jednakową wysokość.

Ciąg impulsowy Diraca

Sygnał ciągły a sygnał dyskretny - ciąg impulsowy Diraca
Próbkowanie sygnału z okresem Ts .


Sygnał dyskretny
Sygnał dyskretny jest ciągiem impulsowym x(nTs ) dla Ts = 1

{x(1), x(2), . . . , x(k), . . .}:
∞
X
x(n) = x(k)δ(n − k)
k=−∞
Odpowiedź systemu liniowego na pobudzenie sygnałem

dyskretnym
Sygnał wejściowy:
∞
X
x(n) = x(k)δ(n − k)
k=−∞
Odpowiedź impulsowa:
h(n) = H[δ(n)]
Korzystając z zasady superpozycji, odpowiedź systemu na sygnał
wejściowy jest postaci:
∞
X ∞
X ∞
X
y(n) = H[ x(k)δ(n−k)] = x(k)H[δ(n−k)] = x(k)h(n−k) =
k=−∞ k=−∞ k=−∞

Systemy liniowe niezmienne względem przesunięcia
System LTI jest jednoznacznie opisany przez odpowiedź impulsową

h(n) (h(t)). Jeżeli znamy odpowiedź impulsową systemu LTI, to
odpowiedź systemu na pobudzenie dowolnym sygnałem możemy obliczyć
jako splot tego sygnału z odpowiedzią impulsową.
∞
X
y(n) = x(n) ∗ h(n) = x(k)h(n − k)
k=−∞


dyskretnym
Splot
Niech: x(n) = [1 1 1], h(n) = [1 1]
y(n) = ∞ k=−∞ x(n − k)h(k)
P
P∞
y(0) = k=−∞ x(−k)h(k) = x(−0)h(0) = 1
y(1) = ∞ k=−∞ x(1 − k)h(k) =
P
x(1 − 0)h(0) + x(1 − 1)h(1) + x(1 − 2)h(2) + . . . = 1 + 1 + 0 = 2

y(2) = ∞ k=−∞ x(2 − k)h(k) =
P
x(2 − 0)h(0) + x(2 − 1)h(1) + x(2 − 2)h(2) + . . . = 1 + 1 + 0 = 2

y(3) = ∞ k=−∞ x(3 − k)h(k) =
P
x(3 − 0)h(0) + x(3 − 1)h(1) + x(3 − 2)h(2) + . . . = 0 + 1 + 0 = 1


dyskretnym
Splot
x(n) = [1 1 1], h(n) = [1 1] ⇒ y(n) = x(n) ∗ h(n) = [1 2 2 1]

Splot jako filtracja

Równania splotu
Z ∞
y(t) = x(t) ∗ h(t) = x(τ )h(t − τ )dτ
−∞
∞
X
y(n) = x(n) ∗ h(n) = x(k)h(n − k)
k=−∞
mają fundamentalne znaczenie w teorii przetwarzania układów

analogowych i cyfrowych, ponieważ opisują mechanizm filtracji sygnałów.
Jeden z sygnałów jest sygnałem filtrowanym (x(t) lub x(k)), drugi

sygnałem filtrującym (h(t) lub h(k)). Sygnał filtrujący jest zazwyczaj
odpowiedzią impulsową układu (filtra) analogowego lub cyfrowego przez
który przechodzi sygnał.
W wyniku filtracji: z sygnału x(t) lub x(k) są usuwane (redukowane) jego

wybrane składowe częstotliwościowe.
Filtr o skończonej odpowiedzi impulsowej

Weźmy pod uwagę filtr o skończonej odpowiedzi impulsowej (FIR). Jest to
przykład systemu LTI. Znamy odpowiedź impulsową filtru - jest to po
prostu zbiór współczynników filtru. Z powyższych rozważań wynika, że
możemy obliczyć wynik filtracji wykonując splot sygnału ze zbiorem
współczynników filtru.

Przykład
Operacja filtracji sygnału x(t) = sin(2πf1 t) + 0.5 sin(2πf2 t) za pomocą
sygnału h(t) = sin(2πf1 t)e(−4t)/0.1249 dla f1 = 2 Hz i f2 = 8 Hz.


Przykład
Sygnał filtrowany x(τ ), kolejne przesunięcia odwróconej w czasie

odpowiedzi impulsowej filtra h(t0 − τ ) (t0 = 0, 0.5, 1, 2 sekundy) i sygnał
po filtracji yt0 (t) dla t zmieniającego się od 0 do t0 .
Przykład
Wynik: z sygnału x(t) wyeliminowano składową 0.5 sin(2πf2 t), gdyż w

sygnale y(t) po zaniku stanu przejściowego dominuje składowa sin(2πf1 t).

Do czego jest potrzebny splot?

”Szybki” splot za pomocą FFT - możemy wykonać splot dwóch

transformat Fouriera sygnałów:
• splotowi dwóch sygnałów w dziedzinie czasu odpowiada mnożenie ich
transformat Fouriera
• mnożeniu dwóch sygnałów w dziedzinie czasu odpowiada splot ich
Z powyższej zasady wynika, że możemy obliczyć wynik splotu sygnałów
poprzez obliczenie ich transformat Fouriera, przemnożenie ich przez siebie i
obliczenie odwrotnej transformaty.

Do czego jest potrzebny splot?
W systemach LTI, transformatę Fouriera odpowiedzi impulsowej systemu

nazywa się transmitancją systemu H(f ).
Zdolność splotu do realizacji filtracji częstotliwościowej jest związana z

fundamentalną właściwością transformacji Fouriera, mówiącą, że jeśli
sygnały x(t), y(t) i h(t) (x(n), y(n) i h(n)) związane są zależnością
Z ∞ Z ∞
y(t) = x(τ )h(t − τ )dτ = h(τ )x(t − τ )dτ
−∞ −∞
y(t) = x(t) ∗ h(t) = h(t) ∗ x(t)

to transformata Fouriera sygnału na wyjściu układu jest równa
transformacie sygnału wejściowego przemnożonej przez transmitancję
systemu:
Y (f ) = H(f ) · X(f )

Analiza częstotliwościowa

Cyfrowe sygnały mogą być analizowane w dziedzinie czasu oraz w

dziedzinie częstotliwości. Algorytmy działające w dziedzinie czasu
operują bezpośrednio na próbkach cyfrowego sygnału. Analiza
częstotliwościowa sygnału, stosowana w wielu operacjach cyfrowego
przetwarzania sygnałów, polega na przekształceniu sygnału z dziedziny
czasu do dziedziny częstotliwości.

Każdy sygnał trwa w czasie i zbudowany jest z pewnej liczby

harmonicznych o odpowiedniej amplitudzie i początkowej fazie. Ilość
harmonicznych, ich amplituda i początkowa faza zależy od formy sygnału.
Ponieważ sygnał można rozłożyć na składowe harmoniczne, to istnieje jego
reprezentacja częstotliwościowa - widmo sygnału (ang. spectrum).
Przekształcenie sygnałów do dziedziny ich widma częstotliwościowego

(tj. jego składowych harmonicznych) pozwala ujawniać cechy sygnału,
które nie są widocznie w dziedzinie czasu, np. cechy posiadające istotną
wartość diagnostyczną.

Fourier odkrył, że dowolny sygnał okresowy można przedstawić w postaci

szeregu Fouriera, czyli sumy sygnałów trygonometrycznych (kosinusów i
sinusów) o różnych amplitudach i częstotliwościach.
Operację przekształcenia sygnału z dziedziny czasu do dziedziny

częstotliwości nazywa się przekształceniem (transformacją) Fouriera.
Wynik tej operacji, czyli częstotliwościową reprezentację sygnału, nazywa
się transformatą Fouriera.

Istnieją dwa rodzaje przekształceń Fouriera: dyskretne i ciągłe. Dyskretne

przekształcenie ma zastosowanie do sygnałów okresowych spełniających
warunki Dirichletta. Natomiast ciągłe przekształcenie Fouriera służy do
otrzymywania widma sygnałów nieokresowych o skończonej energii. Jeżeli
energia sygnału jest nieskończona, a moc średnia skończona, wtedy do
obliczania widma sygnału używa się transformaty Fouriera w sensie
granicznym.
W przypadku sygnałów dyskretnych (cyfrowych) mówimy o dyskretnym

przekształceniu Fouriera (DFT - Discrete Fourier Transform). W
praktyce nie oblicza się transformaty z definicji, stosuje się algorytm
szybkiego przekształcenia Fouriera (FFT - Fast Fourier Transform).

Dlaczego przekształcenie Fouriera jest ważne?
Szeroka klasa sygnałów może być reprezentowana za pomocą kombinacji

liniowej funkcji harmonicznych o różnych częstotliwościach.
Jeżeli potrafimy przedstawić sygnał okresowy w postaci kombinacji

pewnych funkcji (np. sinusoidalnych) i ten sygnał podawany jest na układ
liniowy, stacjonarny, to potrafimy znaleźć sygnał na wyjściu tego układu
jako liniową kombinację odpowiednich funkcji składowych (harmonicznych)
po ich przepropagowaniu przez ten układ.
Analiza sygnałów w dziedzinie częstotliwości jest zwykle łatwiejsza niż w

dziedzinie czasu.

Sygnały harmoniczne
Sygnałami harmonicznymi nazywamy takie, które można potraktować

jako sumę sygnałów sinusoidalnych o częstotliwościach będących całkowitą
wielokrotnością częstotliwości podstawowej (pierwsza składowa, nazywana
też składową podstawową, ma częstotliwość równą częstotliwości
analizowanego sygnału okresowego). Te składowe sygnały nazywamy
harmonicznymi sygnału, a ich suma tworzy szereg harmoniczny.
Najczęściej stosowane,”regularne” sygnały harmoniczne: sygnał

prostokątny, trójkątny, sinusoidalny (zawiera on tylko składową
podstawową)
Inne: dźwięki większości instrumentów muzycznych w stanie ustalonym są

w przybliżeniu sygnałami harmonicznymi.

Matematycznie sygnał możemy zapisać w postaci:
∞
X
x(t) = sin(kω0 t)
k=1
Każda ze składowych sygnału x(t) ma częstotliwość będącą całkowitą
wielokrotnością częstotliwości podstawowej (ω0 ).
Ponieważ nie wszystkie składowe mają jednakową amplitudę, musimy
uwzględnić dodatkowy czynnik odpowiadający za amplitudę:
∞
X
x(t) = bk sin(kω0 t)
k=1
Ostatnią rzeczą, którą musimy uwzględnić jest składowa stała. Dzięki niej
nasz wykres przesunięty jest wzdłuż osi y:
∞
a0 X
x(t) = + (ak cos(kω0 t) + bk sin(kω0 t))
2 k=1
Obecność składowej stałej zwykle wynika z kalibracji urządzeń
Przykład 1
Rozpatrzmy sygnał okresowy w postaci fali prostokątnej. Po wyznaczeniu
współczynników szeregu Fouriera, można go przedstawić za pomocą
nieskończonego szeregu trygonometrycznego nieparzystych
harmonicznych (1, 3, 5, 7, . . .), o malejących amplitudach:
A 1 1 1
x(t) = (sin(ω0 t) + sin(3ω0 t) + sin(5ω0 t) + sin(7ω0 t) + . . .)
4π 3 5 7

Przykład 1
A 1 1 1
x(t) = (sin(ω0 t) + sin(3ω0 t) + sin(5ω0 t) + sin(7ω0 t) + . . .)
4π 3 5 7
Jest to przedstawienie sygnału w dziedzinie czasu. Na rysunku pokazane są
trzy pierwsze składowe równania oraz ich suma.

Przykład 2
Rozważmy sygnał:
x(t) = sin t + 2 cos 2πt
będący sumą dwóch sygnałów harmonicznych o częstotliwościach:
f1 = 1/(2π) oraz f2 = 1. Korzystając ze wzorów
ejt − e−jt ej2πt + e−j2πt

sin t = cos 2πt =
2j 2
sygnał x(t) można zapisać w postaci skończonego szeregu:
x(t) = 1e−j2πt + j0.5e−jt − j0.5ejt + 1ej2πt

Przykład 2
Sygnał
x(t) = 1e−j2πt + j0.5e−jt − j0.5ejt + 1ej2πt
jest sygnałem prawie okresowym - nie jest sygnałem harmonicznym.
f2
W przypadku sygnałów okresowych stosunek częstotliwości f1 jest
liczbą wymierną!
f2
W przykładzie stosunek częstotliwości f1 = 2π jest liczbą niewymierną.

Analiza częstotliwościowa Szereg Fouriera
Szereg Fouriera
Warunki Dirichleta
Warunki Dirichleta dla sygnału okresowego x(t):
1 sygnał x(t) musi posiadać skończone wartości maksimów i minimów
w każdym skończonym przedziale
2 sygnał x(t) musi posiadać skończoną liczbę punktów nieciągłości w
każdym skończonym przedziale
3 sygnał x(t) musi być bezwzględnie całkowalny

Szereg Fouriera
Przyjmijmy następujące założenia i oznaczenia:

• x(t), t ∈ R - dowolny sygnał okresowy, spełniający warunki
Dirichleta
• f0 - częstotliwość podstawowa
• T = f1 - okres podstawowy
0
• ω0 = 2πf0 - pulsacja podstawowa
• t0 - początek okresu sygnału
• t0 + T - koniec okresu sygnału
• k - kolejny numer harmonicznej

Szereg Fouriera
Szereg Fouriera
Szeregiem Fouriera nazywamy przedstawienie sygnału spełniającego
warunki Dirichleta x(t) dla t ∈< t0 , t0 + T >, w postaci nieskończonej
sumy składowych harmonicznych:
∞
a0 X
x(t) = + (ak cos(kω0 t) + bk sin(kω0 t))
2 k=1
∞
a0 X 2kπt 2kπt
= + (ak cos + bk sin )
2 k=1
T T
gdzie ak i bk są współczynnikami Fouriera sygnału x(t) względem

ortogonalnego układu funkcji bazowych.

Szereg Fouriera
Współczynniki Fouriera
Współczynniki Fouriera sygnału x(t) dla t ∈< t0 , t0 + T >:
2 t0 +T
Z
a0 = x(t)dt
T t0
2 t0 +T 2kπt
Z
an = x(t) cos dt
T t0 T
2 t0 +T 2kπt
Z
bn = x(t) sin dt
T t0 T

Szereg Fouriera
Współczynniki Fouriera sygnału x(t) dla przedziału symetrycznego, tj.
t ∈< −T, T >:
1 T
Z
a0 = x(t)dt
T −T
1 T kπt
Z
an = x(t) cos dt
T −T T
1 T kπt
Z
bn = x(t) sin dt
T −T T
Uwaga:
• dla sygnału parzystego [x(t) = x(−t)], w przedziale symetrycznym,
wszystkie współczynniki bn są równe zero
• dla sygnału nieparzystego [x(t) = −x(−t)], w przedziale
symetrycznym, wszystkie współczynniki an są równe zero
Szereg Fouriera
Rozwinięcie Fouriera fali prostokątnej
Sygnał o przebiegu prostokątnym, okresowy o okresie 2T :

1 dla 0 < t < T


x(t) = −1 dla −T < t < 0
 0 dla t = −T, 0, T


Szereg Fouriera


1 dla 0 < t < T


x(t) = −1 dla −T < t < 0
 0 dla t = −T, 0, T

Na przedziale [−T, T ] jest to funkcja nieparzysta. Zatem ak = 0 dla

każdego k = 0, 1, . . .
Sygnał prostokątny rozwija się w następujący szereg Fouriera:

∞ ∞
2X 1 − (−1)k kπt 4X 1 (2k − 1)πt
x(t) = sin = sin
π k=1 k T π k=1 2k − 1 T

Szereg Fouriera

Szereg Fouriera
Rozwinięcie Fouriera fali trójkątnej
Sygnał trójkątny, okresowy o okresie 2T :

t dla 0 < t ¬ T


x(t) = −t dla −T ¬ t < 0
 0 dla t = −T, 0, T


Szereg Fouriera


t dla 0 < t ¬ T


x(t) = −t dla −T ¬ t < 0
 0 dla t = −T, 0, T

Na przedziale [−T, T ] jest to funkcja parzysta. Zatem bk = 0 dla każdego

k = 0, 1, . . .
Sygnał trójkątny rozwija się w następujący szereg Fouriera:

∞ (2k − 1)πt
T 4T X 1
x(t) = − 2 cos
2 π k=1 (2k − 1)2 T

Szereg Fouriera

Szereg Fouriera
Rozwinięcie Fouriera fali piłowej
Sygnał o przebiegu piłowym, okresowy o okresie 2T :
(
t dla −T < t ¬ T
x(t) =
0 dla t = −T, T

Szereg Fouriera

Sygnał o przebiegu piłowym, okresowy o okresie 2T :
(
t dla −T < t ¬ T
x(t) =
0 dla t = −T, T
Na przedziale [−T, T ] jest to funkcja nieparzysta. Zatem ak = 0 dla

każdego k = 0, 1, . . .
Sygnał piłowy rozwija się w następujący szereg Fouriera:

∞
2T X (−1)k+1 kπt
x(t) = sin
π k=1 k T

Szereg Fouriera

Analiza częstotliwościowa Szereg Fouriera - postać amplitudowo-fazowa
Szereg Fouriera - postać amplitudowo-fazowa
Szereg Fouriera
Alternatywna postać szeregu Fouriera, tzw. postać amplitudowo-fazowa:
∞
X ∞
X
x(t) = A0 + Ak sin(kω0 t + ϕk ) = A0 + Ak sin(2πkf0 t + ϕk )
k=1 k=1
gdzie:
a0
A0 = 2 - amplituda składowej stałej
q
Ak = a2k + b2k - amplituda k-tej składowej harmonicznej
kω0 - pulsacja k-tej składowej harmonicznej (widmo amplitudowe)

ak
ϕk = arc tg bk - faza k-tej składowej harmonicznej (widmo fazowe)

Szereg Fouriera
∞
X ∞
X
k=1 k=1
Znając amplitudę i fazę k - tej składowej harmonicznej można wyliczyć

współczynniki ak i bk :
ak = Ak sin(ϕk ) bk = Ak cos(ϕk )

Szereg Fouriera - interpretacja
∞
X ∞
X
k=1 k=1
Sygnał okresowy można przedstawić jako sumę sygnału stałego A0

(składowej stałej) oraz nieskończonej w ogólnym przypadku liczby
składowych harmonicznych o częstotliwościach kf0 , amplitudach Ak oraz
fazach początkowych ϕk .

Widmo sygnału
Funkcja okresowa o okresie T rozłożona w szereg Fouriera zawiera
składowe o częstotliwościach:
ω0 , 2ω0 , 3ω0 , . . .
Wartości poszczególnych składowych są równe współczynnikom szeregu

Fouriera. Układ współczynników odpowiadających poszczególnym
częstotliwościom tworzy tzw. widmo częstotliwościowe.
Dla przedstawienia funkcji w dziedzinie częstotliwości potrzebne są dwa

widma: widmo amplitudowe i widmo fazowe.

Widmo sygnału - wykres

• Na osi odciętych przyjmuje się częstotliwość lub pulsację
• Na osi rzędnych przyjmuje się amplitudy lub stosunki amplitud w
postaci prążków
• Widmo sygnałów okresowych jest widmem prążkowym, a odległość
między prążkami jest odwrotnie proporcjonalna do okresu T
• Długość prążków jest proporcjonalna do wartości amplitud
odpowiednich harmonicznych znajdujących się w analizowanym
sygnale
• Widmo amplitudowe rzeczywistej funkcji okresowej jest symetryczne
względem osi pionowej przechodzącej przez początek układu (funkcja
parzysta)
• Widmo fazowe jest funkcją symetryczną względem początku układu
(funkcja nieparzysta).

Przykład

Przykład

Analiza częstotliwościowa Szereg Fouriera - postać wykładnicza
Szereg Fouriera - postać wykładnicza
Trygonometryczny szereg Fouriera jest równoważny wykładniczemu

szeregowi Fouriera i zawsze postać wykładniczą można przekształcić do
postaci trygonometrycznej i odwrotnie. Wynika to z faktu, że każdą liczbę
zespoloną można przedstawić w postaci wykładniczej lub
trygonometrycznej.
Aby uzyskać postać zespoloną, do każdej harmonicznej w szeregu Fouriera

w postaci amplitudowo-fazowej zastosujemy wzór:
ejx + e−jx
cos x =
2


Szereg Fouriera
Dowolny, spełniający warunki Dirichleta sygnał x(t) w przedziale
< t0 , t0 + T > można przedstawić za pomocą sumy funkcji wykładniczych:
∞
X ∞
X
x(t) = ck (cos(kω0 t) + j sin(kω0 t)) = ck ejkω0 t
k=−∞ k=−∞

∞ ∞ ∞ 2π
X X X jk t
x(t) = ck ejkω0 t = ck ej2πkf0 = X(k)e T
k=−∞ k=−∞ k=−∞
gdzie:
Z t0 +T Z t0 +T
1 1
X(0) = x(t)dt, X(k) = x(t)e−jkω0 t dt
T t0 T t0

Z t0 +T
1
X(k) = x(t)e−jkω0 t dt
T t0
Między współczynnikami szeregu trygonometrycznego Fouriera w postaci

amplitudowo-fazowej i w postaci wykładniczej zachodzi zależność:
a0 ak − jbk Ak cos ϕk − jAk sin ϕk
X(0) = , X(k) = =
2 2 2

Widmo amplitudowe i fazowe

Współczynniki ck = X(k) są w ogólnym przypadku liczbami zespolonymi
- można je zapisać w układzie biegunowym za pomocą promienia i kąta
(modułu i fazy):
X(k) = |X(k)|ejϕk
• Moduł |X(k)| określany jest mianem widma amplitudowego

sygnału:
1q 2 1
ak + b2k =
|X(k)| = Ak
2 2
• ϕk określany jest mianem widma fazowego sygnału:
argX(k) = ϕk


Widmem sygnału okresowego x(t) nazywamy ciąg
{X(k) : k = 0, ±1, ±2, . . .} współczynników jego rozwinięcia w
wykładniczy (zespolony) szereg Fouriera.
• Widmem amplitudowym sygnału okresowego x(t) nazywamy ciąg

modułów tych współczynników {|X(k)| : k = 0, ±1, ±2, . . .}
• Widmem fazowym sygnału okresowego x(t) nazywamy ciąg liczb
(faz) {ϕk : k = 0, ±1, ±2, . . .} takich, że ϕk = argX(k)
• Widmo fazowe i amplitudowe jest określone dla dodatnich i
ujemnych k (częstotliwości) - interpretację fizyczną mają tylko
prawostronne części tych widm (dla składowej stałej i składowych
harmonicznych sygnału o częstotliwościach kf0 )


• Widmo amplitudowe jest funkcją parzystą, zaś widmo fazowe
jest funkcją nieparzystą
• Współczynnik X(0) oraz widma prawostronne, stanowią reprezentację
sygnału w dziedzinie częstotliwości (reprezentację widmową)

Przykład
Wyznaczyć widmo amplitudowe i fazowe sygnału:
h π i2
x(t) = 1 + 2 sin 2πt −
4
Po odpowiednich przekształceniach sygnał można przedstawić w postaci:
3π π
x(t) = 3 + 4 cos 2πt − + 2 cos 4πt +
4 2
Jest to sygnał o okresie T = 1 (częstotliwości f0 = 1/T = 1), zawierający
składową stałą i dwie składowe harmoniczne o częstotliwościach f0 = 1 i
2f0 = 1.

Przykład
3π
π
x(t) = 3 + 4 cos 2πt −+ 2 cos 4πt +
4 2
Wykładniczy szereg Fouriera sygnału x(t) ma postać:
x(t) = e−j(4πt+π/2) + 2e−j(2πt−3π/4) + 3 + 2ej(2πt−3π/4) + ej(4πt+π/2)
Stąd jego widmo jest postaci:
{. . . , 0, e−jπ/2 , 2ej3π/4 , 3, 2e−j3π/4 , ejπ/2 , 0, . . .}
Widmo amplitudowe jest postaci: {. . . , 0, 1, 2, 3, 2, 1, 0, . . .}
Widmo fazowe jest postaci: {. . . , 0, −π 3π −3π π

2 , 4 , 4 , 2 , 0, . . .}

Szereg Fouriera
Równość Parsevala
Dla szeregów Fouriera jest spełnione równanie Parsevala:
• dla szeregu trygonometrycznego:
Z t0 +T ∞
1 1X
x2 (t)dt = A20 + A2
T t0 2 k=1 k
• dla szeregu wykładniczego:

Z t0 +T ∞
1 X
x2 (t)dt = |X(k)|2
T t0 k=−∞
Całki po lewej stronie równości to moc średnia sygnału x(t), składniki sum
po prawej stronie równości są mocami średnimi harmonicznych sygnału.

Szereg Fouriera
Moc sygnału
Moc sygnału jest równa sumie mocy harmonicznych sygnału
Z t0 +T ∞
1 X
Px = x(t)2 dt = Pk
T t0 k=0
gdzie Pk jest mocą średnią k-tej harmonicznej.
Pierwiastkując obie strony równości otrzymamy wzór na wartość skuteczną

sygnału: p
xsk = Px

Równość Parsevala
Przykład
Wyznaczyć wartość skuteczną sygnału: x(t) = 2 + sin(ω0 t) + sin(ω0 t + π3 ).
Przekształćmy sygnał:
π
x(t) = 2 + sin(ω0 t) + sin(ω0 t + )
3
π π
= 2 + sin(ω0 t) + sin(ω0 t) cos( ) + cos(ω0 t) sin( )
√ 3 3
3 3
= 2 + sin(ω0 t) + cos(ω0 t)
2 2
Stosując wzór Parsevala:
s
3 2
√ √
3 2
11
xsk = 22 + √ + √ = √
2 2 2 2 2


Wykład 3
• Analiza częstotliwościowa: całka Fouriera, gęstość widmowa mocy

• Próbkowanie sygnałów: twierdzenie o próbkowaniu, widmo, zasada
nieoznaczoności


Istnieją dwa rodzaje przekształceń Fouriera: dyskretne i ciągłe.
Dyskretne przekształcenie ma zastosowanie do sygnałów okresowych

spełniających warunki Dirichletta. Natomiast ciągłe przekształcenie
Fouriera (całka Fouriera) służy do otrzymywania widma sygnałów
nieokresowych o skończonej energii. Jeżeli energia sygnału jest
nieskończona, a moc średnia skończona, wtedy do obliczania widma
sygnału używa się transformaty Fouriera w sensie granicznym.
Zaczniemy od całkowego przekształcenia Fouriera, a następnie przejdziemy

do dyskretnego przekształcenia Fouriera (DFT - Discrete Fourier
Transform) i algorytmu szybkiego przekształcenia Fouriera (FFT - Fast
Fourier Transform).

Analiza częstotliwościowa Całkowe przekształcenie Fouriera
Całkowe przekształcenie Fouriera
Wszystkie wcześniejsze rozważania mają sens dla sygnałów okresowych!

Do obliczania widma sygnałów nieokresowych o skończonej energii
używa się całkowego przekształcenia Fouriera!
Znajdźmy wzory na transformatę Fouriera sygnałów nieokresowych

korzystając z wyników otrzymanych dla szeregów Fouriera.
Niech analizowany sygnał nieokresowy zostanie na chwilę zamieniony na

okresowy przez jego powielenie z okresem T . Dla takiego sygnału
potrafimy znaleźć rozwinięcie. Następnie sprawdzamy, jak będą się
zachowywać współczynniki rozwinięcia w przypadku, gdy z okresem
będziemy zdążać do nieskończoności. Zabieg ten spowoduje, że nasz
sztucznie powielony, okresowy przebieg znów zamieni się w sygnał
nieokresowy.

Założenie dla sygnałów nieokresowych:

• T → ∞ - okres sygnału x(t) rośnie do nieskończoności
• ω0 → dω - pulsacja podstawowa ω0 = 2π/T maleje i dąży do
nieskończenie małej wartości dω
• kω0 → ω - ”skokowa” zmiana pulsacji kω0 przechodzi w zmianę
ciągłą
Tym samym widmo dyskretne (funkcja kω0 ) przechodzi w funkcję
ciągłą ω.

Wykładnicza postać szeregu Fouriera:

∞ ∞ 2π
X X jk t
x(t) = ck ejkω0 t = X(k)e T
k=−∞ k=−∞
gdzie: Z t0 +T
1
T t0
Poprzez powielenie z okresem T sygnału nieokresowego i zdążanie z tym

okresem do nieskończoności otrzymamy:
Z ∞
1
T −∞

Całkowe przekształcenie Fouriera - proste
Stąd X(jω) z T · X(k) można przedstawić w postaci:

Z ∞
X(jω) = x(t)e−jkωt dt
−∞
Współczynniki rozwinięcia wyliczamy:

1
X(k) = X(jkω0 )
T
Funkcja X(jω) jest nazywana prostą transformatą Fouriera lub
F-transformatą, jak również widmem częstotliwościowym sygnału x(t).

Całkowe przekształcenie Fouriera - odwrotne
Wykładnicza postać szeregu Fouriera:

∞ 2π
X jk T
t
x(t) = X(k)e
k=−∞
Korzystając z podstawienia otrzymujemy:

∞ ∞
X 1 1 X
x(t) = X(jkω0 )ejkω0 t = X(jkω0 )ejkω0 t ω0
k=−∞
T 2π k=−∞
Gdy T → ∞ to ω0 → 0. W efekcie, po prawej stronie suma zostanie

zastąpiona całką - widmo dyskretne (funkcja kω0 ) przechodzi w funkcję
ciągłą ω:
1 ∞
Z
x(t) = X(jω)ejωt dω
2π −∞

Wzór na prostą transformatę Fouriera

Z ∞
X(jω) = x(t)e−jωt dt
−∞
Wzór na odwrotną transformatę Fouriera

Z ∞
1
x(t) = X(jω)ejωt dω
2π −∞

X(jω) jest liczbą zespoloną:

Z ∞ Z ∞
X(jω) = x(t) cos(ωt)dt − j x(t) sin(ωt)dt = XR (jω) + XI (jω)
−∞ −∞
X(jω) = F[x(t)]
F - operator przekształcenia Fouriera
x(t) = F −1 [X(jω)]
F −1 - operator odwrotnego przekształcenia Fouriera

X(jω) = XR (jω) + XI (jω)

X(jω) jest liczbą zespoloną, więc możemy przedstawiać ją w układzie
biegunowym:
X(jω) = |X(jω)|ej argX(jω)

= A(ω)ejϕ(ω)
A(ω) - widmo amplitudowe (gęstość widmowa amplitudy)
ϕ(ω) - widmo fazowe (gęstość widmowa fazy)
Widmo amplitudowe i widmo fazowe są już rzeczywistymi

charakterystykami sygnału i dla ω 0 mają wyraźną interpretację
fizyczną. Opisują one gęstość amplitudy i odpowiednio gęstość fazy
elementarnych składowych harmonicznych sygnału w funkcji pulsacji ω.

Widma amplitudowe i mocy często wyrażamy w skali logarytmicznej, w

decybelach (dB):
A(jω) = 10 log10 |X(jω)|
Pxx (jω) = 10 log10 |X(jω)|2 = 20 log10 |X(jω)|

Przykład 1
(
∞ dla t = 0
δ(t) =
1 dla t 6= 0
Z ∞ Z ∞
δ(t)dt = 1, X(jω) = δ(t)e−jkωt dt = 1
−∞ −∞

Przykład 2
(
1 dla |t| ¬ T
x(t) =
0 dla |t| > T
Z T
sin ωT
X(jω) = δ(t)e−jωt dt = 2T
−T ωT

Przykład 2
Widmo amplitudowe impulsu prostokątnego ma charakterystyczną

strukturę ”listkową”. Środkowy przedział pulsacji obejmuje tzw. listek
główny, a po obu jego stronach występują listki boczne.

Podstawowe własności transformaty Fouriera

• Liniowość
F[ax1 (t) + bx2 (t)] = aF[x1 (t)] + bF[x2 (t)]
• Przesunięcie w czasie
F[x(t − t0 )] = e−jωt0 X(jω)
• Przesunięcie w częstotliwości (modulacja zespolona)
F −1 [X(j(ω ± ω0 ))] = e±jω0 t x(t)


• Symetria (dualność)
F(X(jt)) = 2πx(−ω)
• Skalowanie w czasie i częstotliwości
1 jω
F[x(at)] = X
a a
• Twierdzenie Parsevala
Z ∞ Z ∞
1
2
|x(t)| dt = |X(jω)|2 dω
−∞ 2π −∞


• Mnożenie sygnałów
Z ∞
1
F[x(t) · y(t)] = [X(jω) ∗ Y (jω)] = X(jν)Y (j(ω − ν))dν
2π −∞
• Splot sygnałów
Z ∞
−1
F [x(t) ∗ y(t)] = X(jω) · Y (jω) = x(t − τ )y(τ )dτ
−∞

Transmitancja widmowa układu liniowego
Jeśli sygnał x(t) o widmie X(jω) po przejściu przez układ liniowy (układy
LTI - zasada superpozycji) zamienia się w sygnał y(t) o widmie Y (jω), to
stosunek transformaty sygnału wyjściowego do transformaty sygnału
wejściowego nazywamy transmitancją widmową (częstotliwościową)
układu.
Y (jω)
G(jω) =
X(jω)

Transmitancja widmowa układu może być przedstawiona w postaci
G(jω) = |G(jω)|ejϕ
Moduł transmitancji |G(jω)| nazywany jest charakterystyką

amplitudową układu, a funkcja ϕ(jω) charakterystyką fazową układu.
Jeśli do wejścia układu liniowego doprowadzony zostanie sygnał

sinusoidalny o pulsacji ω, to sygnał wyjściowy będzie również sinusoidalny,
o tej samej częstotliwości lecz o innej amplitudzie i fazie. Charakterystyka
amplitudowa i fazowa pokazują, jak zmienia się amplituda i faza sygnału
wyjściowego przy zmianie częstotliwości sygnału wejściowego.

Znając transmitancję widmową układu i widmo sygnału wejściowego

można łatwo wyznaczyć widmo sygnału wyjściowego:
Y (jω) = G(jω) · X(jω)

Analiza częstotliwościowa Gęstość widmowa mocy
Gęstość widmowa mocy
Z ∞
−∞
Podczas transformacji następuje zmiana dziedziny czasu na dziedzinę
częstotliwości, czyli widmo zawiera informację o ”zawartości”
częstotliwościowej sygnału.
Transformatę tę można interpretować jako wyznaczanie miary korelacji

(podobieństwa) sygnału do poszczególnych funkcji harmonicznych, czyli
sprawdzenia ”ile” jest w sygnale konkretnej ”częstotliwości”.

Badając widmo sygnału, przedstawiamy widmo amplitudowe, czyli moduł

widma (w skali decybelowej). W wielu dziedzinach stosuje się zamiast tego
widmową gęstość mocy (ang. Power Spectral Density, PSD), a wynik
analizy nazywa się periodogramem. Metoda ta ma zastosowanie
szczególnie do sygnałów losowych oraz sygnałów z dodanym szumem.
Tradycyjna metoda obliczania periodogramu operuje w dziedzinie czasu.

Periodogram oblicza się jako iloczyn widma sygnału i zespolonego
sprzężenia widma. Dla sygnałów rzeczywistych, periodogram jest równy
kwadratowi modułu widma. Przedstawia on rozkład mocy widmowej
sygnału na jednostkę częstotliwości.


Widmowa gęstość mocy opisuje jaki jest rozkład częstotliwościowy mocy
sygnału (informacja o rozkładzie mocy sygnału ”pomiędzy” składowe
częstotliwości - analogicznie do widma częstotliwościowego).
X(jω) = |X(jω)|ej argX(jω)
Mamy różne postaci widma częstotliwościowego:

Z ∞ Z ∞
X(jω) = x(t) cos(ωt)dt − j x(t) sin(ωt)dt = XR (jω) + XI (jω)
−∞ −∞
ALE są one określone tylko jeśli sygnał x(t) jest bezwzględnie całkowalny:
Z T
|x(t)|dt < ∞
0
W przypadku sygnałów mocy nie istnieje transformata Fouriera, jako

że sygnał z niezerową mocą średnią nie jest całkowalny z kwadratem.
Alternatywa (twierdzenie Chinczyna-Wienera): jeśli sygnał może być

potraktowany jako losowy proces stacjonarny to gęstość widmowa mocy
jest transformatą Fouriera funkcji autokorelacji Rxx (τ ) tego sygnału.
Dlaczego?
Gdyż o okresowości występującej w sygnale mówi również funkcja

autokorelacji: Z ∞
Rxx (τ ) = x(t)x(t − τ )dτ
−∞
w której występują wszystkie częstotliwości składowe sygnału.


Możemy więc obliczyć transformatę Fouriera funkcji autokorelacji. Co daje
w rezultacie wzór:
Z ∞
Pxx (jω) = F[Rxx (τ )] = Rxx (τ )e−jωt dτ
−∞
Ponieważ funkcja autokorelacji jest symetryczna względem τ = 0
(Rxx (τ ) = Rxx (−τ )), Pxx jest rzeczywiste, gdyż tylko symetryczne
względem zera funkcje cos(2πf t) są potrzebne do rozwinięcia
harmonicznego Rxx (τ ).
Dla ciągłych sygnałów stacjonarnych, ergodycznych funkcja gęstości

widmowej mocy jest równa:
h 1 i
Pxx (f ) = lim E XT (f )XT∗ (f )
T →∞ 2T
gdzie E[] oznacza wartość oczekiwaną, XT (f ) jest transformatą Fouriera
fragmentu sygnału z przedziału czasowego < −T, T > (czyli widmem
amplitudy tego fragmentu).
Periodogram
Funkcja
h 1 i
Pxx (f ) = lim E XT (f )XT∗ (f )
2T T →∞
nazywana jest periodogramem i ma taki sam wymiar jak funkcja widmowej

gęstości mocy.

sygnału na jednostkę częstotliwości:
1
Pxx (f ) = |XT (f )|2
2T

Periodogram
Szum
Szum nazywa się białym, jeśli jego Pxx (f ) jest stałe i nie zależy od
częstotliwości. Jeśli tak nie jest, to szum jest kolorowy.
Szczególnym rodzajem szumu kolorowego jest idealny szum

dolnopasmowy, dla którego funkcja Pxx (f ) ma kształt prostokątny, tzn.
ma wartość stałą, różną od zera dla częstotliwości z przedziału
(−fmax , fmax ) oraz równą zero poza tym przedziałem. Innymi przykładami
szumu kolorowego jest szum różowy i niebieski.
Periodogram szumu o rozkładzie normalnym z wariancją σ 2 : Pxx (f ) = σ 2

Próbkowanie sygnałów
Próbkowanie sygnałów

Próbkowanie sygnałów Widmo iloczynu dwóch sygnałów
Ograniczenia
Analiza częstotliwościowa sygnałów ciągłych sprowadza się do

wykonywania na nich całkowego przekształcenia Fouriera.
W praktyce nie można zrealizować całkowania od minus do plus

nieskończoności, sygnał x(t) całkuje się od pewnej chwili czasowej t0 do
chwili t0 + T . Jest to równoważne całkowaniu od plus do minus
nieskończoności fragmentu sygnału xw (t), otrzymanego w wyniku
wymnożenia sygnału x(t) z funkcją prostokątnego ”okna” czasowego w(t),
równego jeden w przedziale [t0 , t0 + T ] oraz zeru poza nim:

Ograniczenia
Ograniczenie sygnału (czas analizy)
Ograniczenie widma (filtracja)

Ograniczenia
Ograniczenie sygnału i widma

Mnożenie i splot dwóch sygnałów
Mnożenie dwóch funkcji w dziedzinie czasu lub częstotliwości oznacza ich

splot w drugiej z tych dziedzin:
F[(x(t) · y(t)] = X(jω) ∗ Y (jω)
F −1 [(x(t) ∗ y(t)] = X(jω) · Y (jω)


Z ∞
y(t) = x(t) ∗ h(t) = x(τ )h(t − τ )dτ
−∞
1 Odwróć drugi z sygnałów: h(τ ) → h(−τ )

2 Przesuń go o czas h(−τ ) → h(t − τ )
3 Wymnóż pierwszy sygnał przez zmodyfikowany drugi: x(τ )h(t − τ )
4 Scałkuj wynik mnożenia

Obliczanie splotu

Widmo iloczynu dwóch sygnałów

Całkowanie od plus do minus nieskończoności fragmentu sygnału xw (t),
otrzymanego w wyniku wymnożenia sygnału x(t) z funkcją prostokątnego
”okna” czasowego w(t):
Z t0 +T Z ∞
Xw (jω) = xw (t)e−jkωt dt = [x(t)w(t)]e−jkωt dt
t0 −∞
Zgodnie z właściwością iloczynu:
F[(x(t) · w(t)] = X(jω) ∗ W (jω)
widmo Xw (jω) jest różne od widma X(jω) i jest równe splotowi widma
X(jω) całego sygnału z widmem funkcji okna W (jω):
Z ∞
1
Xw (jω) = X(ν)W (ω − ν)dν
2π −∞

W przypadku okna prostokątnego:
X(jω) = π[δ(ω − ω0 ) + δ(ω + ω0 )]
Stąd
1
Xw (jω) = [W (ω − ω0 ) + W (ω − ω0 )]
2
Funkcje okien powinny mieć widmo jak najbardziej zbliżone do delty
Diraca - skoncentrowane wokół pulsacji ω = 0 oraz szybko malejące do
zera wraz oddalaniem się od tej pulsacji:
• widmo okna powinno mieć wąski listek główny wokół ω = 0
• niski poziom listków bocznych (oscylacji po obu stronach listka
głównego).
Jednak jednoczesne spełnienie obu tych wymagań nie jest możliwe.


Sygnał kosinusoidalny mnożony przez okno prostokątne

Widmo iloczynu dwóch sygnałów - problemy
W przypadku analizy częstotliwościowej realizowanej metodą ciągłego

przekształcenia Fouriera mamy do czynienia z problemem rozdzielczości
częstotliwościowej i amplitudowej analizy częstotliwościowej:
• im listek główny widma okna jest węższy, tym lepiej są rozróżnialne w
Xw (jω) składowe harmoniczne o pulsacjach leżących blisko siebie
(rozdzielczość częstotliwościowa)
• im poziom listków bocznych widma okna jest mniejszy, tym większa
może być różnica amplitud poszczególnych składowych
harmonicznych, które są obserwowane (rozróżnialne) w Xw (jω)
(rozdzielczość amplitudowa).


Rozdzielczość częstotliwościowa i amplitudowa
Wykresy z lewej/prawej strony: suma dwóch sygnałów kosinusoidalnych o

częstotliwościach leżących coraz bliżej siebie/o różnych częstotliwościach i
coraz większej różnicy amplitud.

W pierwszym przypadku jest istotna szerokość listka głównego widma

okna, a w przypadku drugim - poziom oscylacji listków bocznych
widma okna.
Rozdzielczość częstotliwościową analizy można polepszyć zwiększając

długość okna. Z właściwości całkowego przekształcenia Fouriera
(przeskalowanie) wynika, że kiedy długość okna rośnie (dłuższy jest czas,
w którym jest ono różne od zera), jego widmo staje się węższe, czyli
szerokość listka głównego maleje niezależnie od rodzaju okna.
Rozdzielczość amplitudową analizy można natomiast zmienić wybierając

okno, charakteryzujące się wymaganym poziomem oscylacji bocznych
widma. Poziom ten jest stały i charakterystyczny dla poszczególnych okien.

Okna prostokątne o różnej długości i ich widma Fouriera. Wraz ze

wzrostem długości okna zwiększa się wysokość i zmniejsza szerokość listka
głównego jego widma Fouriera.
Jednocześnie, wraz ze wzrostem długości okna względny poziom oscylacji

listków bocznych nie ulega zmianie (w odniesieniu do wysokości listka
głównego).
Okienkowanie w dziedzinie czasu - przeciek
W rzeczywistości używa się okienkowania, ponieważ obliczenia działają na

nieskończonym okresowym przedłużeniu sygnału wejściowego. Ponieważ
wiele faktycznych sygnałów albo wcale nie jest okresowych, albo próbkuje
się je w przedziale innym niż ich rzeczywisty okres, może to wytwarzać
składowe fałszywej częstotliwości na sztucznej ”krawędzi” między
powtarzanymi przedziałami, zwanej przeciekiem. Mnożąc sygnał w
dziedzinie czasu przez funkcję okienkowania, która dochodzi do zera na
obu końcach, tworzymy płynne przejście między powtarzającymi się
interwałami w nieskończonym okresowym przedłużeniu, łagodząc w ten
sposób tworzenie tych składników sztucznej częstotliwości.

Próbkowanie sygnałów Twierdzenie o próbkowaniu
Widmo sygnału - próbkowanie
• Próbkowanie jest to ”pomiar”, rejestracja wartości sygnału tylko w

określonych punktach czasowych
• Jest to iloczyn sygnałów x(t) (sygnału próbkowanego) i p(t) (sygnału
próbkującego):
xs (t) = x(t) · p(t)
• W idealnym przypadku sygnał próbkujący p(t) to ciąg impulsów
Diraca: ∞
X
p(t) = δ(t − kT )
k=−∞
gdzie T jest okresem próbkowania (fs = 1/Ts częstotliwością

próbkowania).
• Z właściwości transformacji Fouriera:
F[(x(t) · p(t)] = X(jω) ∗ P (jω)

Ponieważ iloczyn w dziedzinie czasu jest równoważny splotowi w dziedzinie

częstotliwości - pulsacji (i odwrotnie), więc widmo Fouriera sygnału po
spróbkowaniu jest równe (korzystając z liniowości splotu i własności splotu
sygnału z deltą Diraca):
∞
1 h X i
Xδ (jω) = X(jω) ∗ ωp δ(ω − kωp )
2π k=−∞
∞
1 h X i
= ωp X(jω) ∗ δ(ω − kωp )
2π k=−∞
∞
1 h X i
= ωp X(j(ω − kωp ))
2π k=−∞
gdzie ωp = 2π/T .

Widmo sygnału spróbkowanego
Widmo sygnału po spróbkowaniu Xp1 (ω) jest równe sumie

poprzesuwanych widm X(ω) sygnału oryginalnego x(t).

Konsekwencja częstotliwościowego próbkowania ciągłych sygnałów

Aby widma te nie ”zlały się” i aby było możliwe odtworzenie widma X(jω)
z widma Xδ (jω), sygnał x(t) powinien mieć widmo ograniczone, tzn.
niezerowe tylko dla wybranego przedziału (przedziałów) częstotliwości.
• Załóżmy na początek, że X(jω) = 0 dla |ω| ωm .
• Jeśli ωm ¬ ωp /2, to powyższy warunek jest spełniony i filtrując
sygnał xδ (t) idealnym filtrem dolnoprzepustowym o pulsacji
granicznej ωg takiej, że ωm ¬ ωg ¬ ωp − ωm , jesteśmy w stanie
odfiltrować z sygnału xδ (t) widma przesunięte X(j(ω − kω0 ), k 6= 0.
• Jeśli znamy ωm sygnału, to najniższą pulsacją próbkowania, nie
powodującą utraty informacji ”analogowej”, jest ωp = 2ωm .
• Wówczas idealny filtr ma pulsację graniczną ωg = ωm .


dolnopasmowych i możliwości ich rekonstrukcji z sygnałów dyskretnych w
czasie:
• widmo X(ω) sygnału ciągłego
• widmo Xp1 (ω) sygnału ciągłego po spróbkowaniu z częstotliwością
fp1 (pulsacją ωp1 ), taką że fp1 /2 > fmax
• idealna charakterystyka częstotliwościowa Hp1 (ω) filtra
rekonstruującego o częstotliwości granicznej fg1 = fp1 /2 (pulsacji
ωg1 = ωp1 /2)
• poprawnie ”zrekonstruowane” widmo sygnału ciągłego, czyli iloczyn
Xp1 (ω)Hp1 (ω)



W przypadku kiedy częstotliwość próbkowania jest za mała (ωp < 2ωm )

wówczas poprzesuwane ”kopie” widma oryginalnego X(jω) ”zlewają się”
(aliasing) i nie jest możliwe odzyskanie X(jω) stosując filtrację.

Twierdzenie o próbkowaniu Nyquista-Shannona

Jeżeli sygnał nie zawiera częstotliwości wyższych niż B[Hz] to jest on
dokładnie określony (może być wiernie odtworzony) za pomocą próbek
1
oddalonych od siebie o 2B
Oznacza to, że minimalna częstotliwość próbkowania fs musi spełniać

poniższy warunek Nyquista:
fs > 2B
Inaczej: sygnał x(t), którego widmo X(jω) = 0 dla |ω| > ωN można
jednoznacznie odtworzyć na podstawie jego próbek jeżeli częstotliwość
próbkowania fs spełnia warunek:
ωs
> ωN
2
2π
gdzie ωs = 2πfs = T . Częstotliwość ωN nazywana jest częstotliwością
Nyquista.
Warunek Nyquista
Sygnał musi być próbkowany z częstotliwością co najmniej dwukrotnie
większą od częstotliwości największej składowej obecnej w sygnale.
Mowa ma zakres częstotliwości średnio od 300Hz − 3000Hz, dlatego

możemy przyjąć, że częstotliwość próbkowania powyżej 6000Hz jest
zupełnie wystarczająca.
Nagrywając jadący samochód, rejestrujemy kolejne położenia obrotowe

jego kół. Jeśli fs < 2ωkol to pojawia się zakłócenie - koła się zatrzymują
lub kręcą wstecz.

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.
Żeby uniknąć niejednoznaczności powinniśmy zastosować filtr

antyaliasingowy - należy on do filtrów dolnoprzepustowych, tzn. eliminuje
wszystkie składowe o częstotliwości powyżej pewnej określonej wartości.


Widmo fragmentu sygnału kosinusoidalnego, ”wyciętego” przez okno
prostokątne.


W wyniku przeprowadzenia dyskretyzacji sygnałów zgodnie z
twierdzeniem o próbkowaniu, otrzymamy dodatkowe okresowe
powtarzanie się ciągłych widm sygnałów.

Obserwowane widma są okresowe, więc cała informacja o nich jest

zawarta w ich jednym okresie.
Widmo Fouriera sygnału przyjmującego wartości rzeczywiste ma

właściwość symetrii:
XR (−jω) = XR (jω), XI (−jω) = −XR (jω)
z której wynika, że już wartości widma z przedziału [0, ωp /2] wystarczą do

jego pełnej identyfikacji.


W przypadku obliczeń komputerowych wartości widma można wyznaczyć
jedynie dla mniejszego lub większego, lecz zawsze skończonego zbioru
pulsacji. Ciągłe widmo teoretyczne musi więc zostać spróbkowane, w
wyniku czego otrzymuje się skończony zbiór prążków widma.
Zbyt rzadkie próbkowanie widma ciągłego może doprowadzić do

dodatkowych trudności interpretacyjnych i postawienia błędnej diagnozy
częstotliwościowej, spowodowanej nietrafieniem podczas próbkowania w
maksima widma.
Zdyskretyzowane widmo sygnału jest odbiciem idealnego

(teoretycznego) widma nieskończonego sygnału ciągłego (dokładając
niedoskonałości stosowanych metod.
Wybór kształtu funkcji okna i jej długości oraz sposobu próbkowania

widma mają decydujące znaczenie na to co zobaczymy.
Jeden okres widma sygnału spróbkowanego

Jeden okres widma sygnału kosinusoidalnego, ”wyciętego” przez okno
prostokątne.

Próbkowanie sygnałów Zasada nieoznaczoności w teorii sygnałów
Zasada nieoznaczoności w teorii sygnałów

W własności transformaty Fouriera o zmianie skali
1 jω
F[x(at)] = X
a a
wynika, że im szybciej sygnał zmienia się w czasie, tym szersze jest jego
widmo. Zależność tą można ująć w formie zależności liczbowej,
wprowadzając odpowiednie miary czasu trwania sygnału i szerokości
widma.
• Równoważnym czasem trwania sygnału x(t) nazywamy wielkość:
Z ∞
1
∆tx = x(t)dt
x(0) −∞
• Szerokością równoważną widma X(jω) nazywamy wielkość:

Z ∞
1
∆ωx = X(jω)dω
X(0) −∞

Zauważmy, że:
Z ∞ Z ∞
1
x(t)dt = X(0), x(0) = X(jω)dω
−∞ 2π −∞
Zatem
X(0)
∆tx = 1 R∞
2π −∞ X(jω)dω
Iloczyn równoważnego czasu trwania sygnału i równoważnej szerokości
jego widma jest wielkością stałą:
∆tx ∆ωx = 2π
Jeśli jedna z tych miar wzrasta, druga proporcjonalnie maleje.

∆tx ∆ωx = 2π
Zasada nieoznaczoności mówi, że iloczyn miary czasu trwania sygnału i
odpowiadającej jej miary szerokości jego widma jest ograniczony od dołu i
że nie można tych miar zmniejszać jednocześnie.
• W przypadku zmniejszania czasu trwania sygnału trzeba się liczyć z
tym, że jego widmo będzie się odpowiednio poszerzać
• Odwrotnie, chcąc wygenerować sygnał o wąskim widmie, należy
uwzględnić, że musi on trwać w czasie dostatecznie długo

Systemy telekomunikacyjne
Zasada nieoznaczoności znajduje odbicie w projektowaniu cyfrowych
systemów telekomunikacyjnych - dąży się do przesyłania informacji za
pomocą jak najkrótszych impulsów, co skraca czas transmisji, i
jednocześnie do przesyłania informacji w jak najkrótszym paśmie, co
zwiększa pojemność systemu. Zgodnie z zasadą nieoznaczoności
wymagania te są sprzeczne i wyboru czasu trwania impulsu i szerokości
jego widma dokonuje się na drodze kompromisu.


Wykład 4
• Dyskretna transformacja Fouriera DFT

• Algorytm FFT
• Interpretacja DFT

Dyskretna Transformacja Fouriera DFT
Dyskretna Transformacja Fouriera

Tor przetwarzania sygnałów podczas analizy

częstotliwościowej
Tor przetwarzania sygnałów - w praktyce realizowany podczas analizy

częstotliwościowej sygnałów. Celem analizy jest estymacja widma X(jω)
ciągłego sygnału x(t), który znajduje się na początku tego toru, na
podstawie widma X(k) dyskretnego sygnału x(n), powstałego w wyniku
kolejnych operacji, wykonywanych na sygnale x(t).

Tor przetwarzania sygnałów podczas analizy

częstotliwościowej
Operacjami tymi są:

• filtracja dolnoprzepustowa sygnału x(t) filtrem ”antyaliasingowym”
o odpowiedzi impulsowej h(t), która ma zapewnić, aby podczas
próbkowania sygnału x(t) spełnione było twierdzenie
Kotielnikowa-Shannona
• dyskretyzacja w czasie, kwantyzacja i kodowanie sygnału przez
układ próbkowania z podtrzymaniem (P&P) i przetwornik
analogowo-cyfrowy (A/C)
• wymnożenie sygnału z oknem czasowym - w analizie DFT
poddajemy tylko N próbek sygnału
• wyznaczenie dyskretnej transformaty Fouriera - w praktyce
spróbkowanie widma

W praktycznych zastosowaniach numerycznych (obliczeniowych) analizy

częstotliwościowej nie dysponujemy sygnałem ciągłym x(t) tylko ciągiem
jego próbek x(n), powstałych w wyniku zdyskretyzowania w czasie i
skwantowania w poziomie sygnału analogowego za pomocą przetwornika
analogowo-cyfrowego.
Dyskretna Transformacja Fouriera (DFT) jest procedurą matematyczną

stosowaną do wyznaczania zawartości harmonicznej lub częstotliwościowej
sygnału dyskretnego. DFT wywodzi się z ciągłego przekształcenia
Fouriera: Z ∞
−∞
gdzie x(t) jest sygnałem ciągłym w dziedzinie czasu.

Dyskretna Transformacja Fouriera DFT Dyskretna Transformacja Fouriera
Załóżmy, że sygnał okresowy x(t) został spróbkowany N razy w czasie

jego okresu T = N ∆t w chwilach n∆t = nT /N , zgodnie z twierdzeniem
Kotielnikowa-Shannona z częstotliwością dwa razy większa od
maksymalnej częstotliwości występującej w sygnale.
W takim przypadku sygnał spróbkowany jest sygnałem okresowym

spełniającym warunek:
x(n∆t) = x((n + N )∆t)
Wprowadzając czas unormowany względem okresu próbkowania ∆t,

otrzymujemy dyskretny sygnał okresowy x(n) = x(n + N ), którego próbki
x(n), n = 0, 1, . . . , N − 1, pobrane w przedziale < 0, T >, powtarzają się
co N próbek. Sygnały takie nazywamy sygnałami N -okresowymi.

x(n) = x(n + N )


Najmniejsza częstotliwość szeregu Fouriera (tzw. częstotliwość
podstawowa) wynosi:
1 1 fs
f0 = = =
T N ∆t N
Częstotliwości kolejnych k-tych harmonicznych analizy:
k k kfs
kf0 = = =
T N ∆t N


Z równania na szereg Fouriera i współczynniki szeregu dla czasu ciągłego:
Z T ∞
1
x(t)e−jkω0 t dt, x(t) =
X
X(k) = X(k)ejkω0 t
T 0 k=−∞
mamy odpowiednie równania dla czasu dyskretnego:

−1 −1
1 NX −jk 2π
N ∆t
n∆t 1 NX −jk 2π
N
n
X(k) = x(n∆t)e = x(n)e
N ∆t n=0 N n=0

N −1 2π
X jk N
n
x(n) = X(k)e
k=0
Nie jest możliwe zrealizowanie nieskończonych granic sumowania. Granice

te są zawsze skończone, w związku z czym w rzeczywistości nie jest
transformowany cały sygnał tylko jego fragment o długości N próbek.
Wzór na proste przekształcenie Fouriera DFT

−1
1 NX −jk 2π
N
n
X(k) = x(n)e
N n=0
gdzie n to indeks próbki w czasie, k to numer harmonicznej.
Wzór na odwrotne przekształcenie Fouriera IDFT (ang. inverse DFT)

N −1 2π
X jk N
n
x(n) = X(k)e
k=0
gdzie n to indeks próbki w czasie, k to numer harmonicznej.
Uwaga: liczni autorzy przenoszą dzielenie przez N z równania X(k) do

równania x(n).


−1
1 NX −jk 2π
N
n
X(k) = x(n)e
N n=0
X(k) = |X(k)|ejarg[X(k)] = |X(k)|ejϕ

gdzie
• Widmo amplitudowe - funkcja parzysta:
q
|X(k)| = Re[X(k)]2 + Im[X(k)]2
• Widmo fazowe - funkcja nieparzysta:
Im[X(k)]
ϕ = arg[X(k)] =
Re[X(k)]

Widmo dyskretne
• Widmo {X(k) : k = 0, 1, . . . , N − 1}
• Widmo amplitudowe {|X(k)| : k = 0, 1, . . . , N − 1}
• Widmo fazowe {arg[X(k)] : k = 0, 1, . . . , N − 1}
• Widmo mocy {|X(k)|2 : k = 0, 1, . . . , N − 1}


Widmo amplitudowe
• Aby obliczyć amplitudę składowej widmowej, należy podzielić moduł

widma przez liczbę próbek i uwzględnić fakt, że widmo sygnału
rzeczywistego rozkłada się na ”dwie połowy”
• Nie dotyczy pierwszej wartości (składowej stałej) oraz składowej
Nyquista - te dwie nie mają pary
• Wartość składowej stałej podzielona przez N jest równa wartości
średniej sygnału w analizowanym okresie

Częstotliwości próbek widma
• Na podstawie N próbek sygnału obliczamy N próbek widma
• Widmo pokrywa zakres częstotliwości < 0, fs >
• k-ta wartość widma odpowiada częstotliwości:
kfs
kf0 =
N
• Rozdzielczość częstotliwościowa analizy widmowej:
fs
∆f =
N
• Rozdzielczość czasowa analizy widmowej:
N 1
∆t = =
fs ∆f
Widmo N -punktowego przekształcenia Fouriera ma okres N (widmo

jest funkcją N -okresową):
X(k) = X(k + N )
Korzystając ze wzoru: ejθ = cos(θ) + j sin(θ):

−1
1 NX −j(k+N ) 2π
N
n
X(k + N ) = x(n)e
N n=0
−1
1 NX
= x(n)e−j2πkn/N e−j2πkn
N n=0
−1
1 NX
= x(n)e−j2πkn/N = X(k)
N n=0

Dyskretna Transformacja Fouriera DFT Właściwości przekształcenia Fouriera
Właściwości przekształcenia Fouriera

W przypadku dyskretnych sygnałów okresowych DFT ma właściwości
przekształcenia Fouriera, z tą różnicą, że miejsce ciągłego, okresowego
widma X(jω) zajmie w tym przypadku dyskretne (prążkowe), także
okresowe widmo X(k).

−1
1 NX −jk 2π
N
n
X(k) = x(n)e
N n=0
Rozpatrzymy wartości X(k) widma w jednym jego okresie obejmującym

punkty k = 0, 1, . . . , N − 1 przy założeniu, że N -okresowy sygnał x(n)
jest rzeczywisty, a liczba N jest parzysta (w praktyce liczbę tę wybiera
się z reguły jako liczbę parzystą).


• DPF jest przekształceniem liniowym, tzn. przekształcenie kombinacji
liniowej sygnałów jest taką samą kombinacją liniową ich widm
dyskretnych.
• Wartość w punkcie k = 0. Próbka X(0) widma jest rzeczywista i
równa sumie próbek sygnału w przedziale n = 0, 1, . . . , N − 1:
5 5
1 X 1 X
X(0) = x(0)e−j2π0n/N = x(0)
N n=0 N n=0
• Wartość w punkcie k = N/2. Próbka X(N/2) widma jest liczbą

rzeczywistą:
5
1 X
X(N/2) = (−1)n x(n)
N n=0


• Właściwość symetrii. Próbki widma położone symetrycznie
względem N/2 są parami sprzężone.
−1
1 NX
X(N − k) = x(n)e−j2π(N −k)n/N
N n=0
−1
1 NX
= x(n)e−j2πn ej2πkn/N
N n=0
−1
1 NX
= x(n)ej2πkn/N = X ∗ (k)
N n=0


W szczególności wartości X(k) o indeksach położonych symetrycznie
względem N/2 są parami sprzężone:

N/2−1
N 1 X −j 2π N
+k n
X( + k) = x(n)e N 2
2 N/2 n=0
N/2−1
1 X 2π
= x(n)e−jπn e−j N kn
N/2 n=0
N/2−1
1 X 2π N
= x(n)(−1)n e−j N kn = X ∗ ( − k)
N/2 n=0 2


N N
+ k) = X ∗ ( − k)
X(
2 2
Zatem N/2-ty prążek widma X(k), k = 0, 1, 2, . . . , N − 1 leży na osi
symetrii: względem niego część rzeczywista jest symetryczna
Re[X(N/2 + k)] = Re[X(N/2 − k)]
a część urojona jest asymetryczna
Im[X(N/2 + k)] = −Im[X(N/2 − k)]
czyli użyteczna informacja jest zawarta tylko w pierwszych N/2 + 1

prążkach (k = 0, 1, 2, . . . , N/2). Zauważymy, że zawsze zachodzi:
Im[X(0)] = 0 oraz Im[X(N/2)] = 0


Z właściwości symetrii widma X(k) wynika, że jeśli sygnał N -okresowy jest
rzeczywisty i liczba jego próbek jest parzysta, to jego widmo jest w pełni
określone N/2 + 1 liczbami: dwiema liczbami rzeczywistymi X(0) i
X(N/2) oraz N/2 − 1 liczbami zespolonymi X(1), . . . , X(N/2 − 1).
Próbki X(N/2 + 1), . . . , X(N − 1) nie wnoszą dodatkowej informacji o

widmie. Ponieważ próbki te są równe próbkom X(−N/2 + 1), . . . , X(−1)
przesuniętym o okres N w lewo, można przyjąć, że odpowiadają one
pulsacjom ujemnym. Właściwość ta jest identyczna jak w przypadku
dyskretnego szeregu Fouriera N -okresowego sygnału rzeczywistego. Ma
ona istotne znaczenie przy numerycznym obliczaniu DFT sygnałów
rzeczywistych.


Znając wartości widma sygnału N -okresowego dla k = 0, 1, . . . , N − 1 (w
przypadku sygnałów rzeczywistych i parzystej liczby N :
k = 0, 1, . . . , N/2), możemy, zgodnie ze wzorem

−1
1 NX −jk 2π
N
n
X(k) = x(n)e
N n=0
wyznaczyć próbki tego sygnału.

Właściwości widma
Z właściwości symetrii wynika bezpośrednio, że dla sygnałów rzeczywistych
spełnione są dla każdego k równości:
• dla widma amplitudowego - modułu współczynników:
|X(k)| = |X(−k)|, |X(k)| = |X(N − k)|
• dla widma fazowego - argumentu współczynników:
arg[X(k)] = arg[X(−k)], arg[X(k)] = −arg[X(N − k)]

Twierdzenie Parsevala
N
X −1 N
X −1
|x(n)|2 = |X(k)|2
n=0 k=0
Zgodnie z tym twierdzeniem energia Ex (N ) sygnału x(n) zawarta w

przedziale [0, N − 1] może być obliczona jako średnia arytmetyczna za ten
przedział kwadratów modułów próbek widma tego sygnału.

Przykład 1
Dyskretny sygnał okresowy x(n) jest określony w jednym okresie N = 6
próbkami: x(0) = x(1) = x(2) = 1, x(3) = x(4) = x(5) = 0. Zgodnie ze
wzorem
5
1 X
X(k) = x(n)e−j2πkn/N
N n=0
obliczamy:
X(0) = 61 5n=0 x(n)e−j2π0n/6 = 16 [x(0) + . . . + x(5)] = 3
P
√
X(1) = 1 + e−jπ/3 + e−j2π/3 = 1 − j 3
X(2) = 1 + e−j2π/3 + e−j4π/3 = 0
X(3) = 1 + e−jπ + e−j2π = 1
X(4) = 1 + e−j4π/3 + e−j4π/3 = 0 √
X(5) = 1 + e−j5π/3 + e−j5π/3 = 1 + j 3

Przykład 1
Zadanie można rozwiązać alternatywnie - korzystając z własności DFT
mamy:
6−1
X
x(n) = 1 + 1 + 1 = 3 = X(0)
n=0
6−1
X
(−1)n x(n) = 1 − 1 + 1 = 1 = X(3)
n=0
X(4) = X ∗ (2)
X(5) = X ∗ (1)

Przykład 1
Uwzględniając właściwości DFT, sprawdzimy także słuszność twierdzenia
Parsevala.
Z jednej strony:
5
X
Ex (6) = |x(n)|2 = 3
n=0
z drugiej:
5
1X 1
Ex (6) = |X(k)|2 = [X 2 (0) + 2|X(1)|2 + 2|X(2)|2 + X 2 (3)] = 3
6 k=0 6

Przykład 1
Dyskretny sygnał okresowy oraz jego widmo amplitudowe i fazowe, które

wykreślono w okresie −3 < k ¬ 3.

Przykład 2
Dyskretny sygnał okresowy x(n) jest określony w jednym okresie N = 4
próbkami: x(0) = 1, x(1) = 3, x(2) = x(3) = 4. Zgodnie ze wzorem
3
1 X
X(k) = x(n)e−j2πkn/N
N n=0
obliczamy:
X(0) = 41 3n=0 x(n)e−j2π0n/4 = 14 [x(0) + x(1) + x(2) + x(3)] = 3

P
X(1) = 41 (−3 + j)
X(2) = − 14 (2)
X(3) = − 41 (3 + j)

Przykład 3
Wniosek - własność symetrii.
N N
X( + k) = X ∗ ( − k)
2 2
Widmo amplitudowe - funkcja parzysta
N N
|X( + k)| = |X( − k)|
2 2
Widmo fazowe - funkcja nieparzysta
N N
arg[X( + k)] = −arg[X( − k)]
2 2

Algorytm FFT
Algorytm FFT

Algorytm FFT
Dyskretna Transformacja Fouriera - FFT
Istnieje wiele metod optymalizacji numerycznej równań DFT i IDFT,

prowadzących do minimalizacji liczby wykonywanych operacji
arytmetycznych. W ich wyniku otrzymuje się algorytmy tzw. szybkich
transformacji Fouriera FFT (ang. Fast Fourier Transform). To one są
najczęściej stosowane w praktyce do analizy częstotliwościowej sygnałów.

Algorytm FFT

Zadanie obliczenia dyskretnej transformacji Fouriera sygnału sprowadza się
do wyznaczenia wartości liczbowych sum

N −1 −1
X −jk 2π
n 1 NX
X(k) = x(n)e N
= x(n)WNnk
n=0
N n=0
dla przekształcenia prostego (czas - częstotliwość) oraz sum

−1 −1
1 NX jk 2π
n
N
X(k)WN−nk
N
X
x(n) = X(k)e =
N k=0 k=0
dla przekształcenia odwrotnego (częstotliwość - czas), gdzie
WNm = e−j2πm/N
Uwaga: czynnik 1/N występuje w przekształceniu odwrotnym - inaczej

niż w implementacjach FFT!
Algorytm FFT
Algorytm FFT
W praktyce nie oblicza się transformaty z definicji, stosuje się algorytm

szybkiego przekształcenia Fouriera FFT.
FFT jest algorytmem numerycznego wyznaczania DFT polegającym na

zmniejszeniu liczby operacji obliczeniowych i liczby danych pośrednich.
Wyznaczenie DFT i IDFT w oparciu o powyższe wzory wymaga wykonania
N 2 mnożeń oraz N dodawań. Stosując algorytm szybkiej transformacji
Fouriera FFT liczbę obliczeń można zmniejszyć do ok N/2log2 N .

Algorytm FFT
Algorytm FFT
Algorytmy FFT bazują na metodzie ”Dziel i zwyciężaj”, która jest

powszechnie stosowana w informatyce. Polega na rekurencyjnym dzieleniu
złożonego problemu na dwa lub więcej prostszych do momentu uzyskania
podproblemów nie wymagających skomplikowanych obliczeń. Bazową
operacją FFT jest tzw. ”motylek”- operacja wiążąca dane wejściowe z
wyjściowymi.
• Zakłada się, że liczba N powinna by potęgą 2
• Istnieją dwie wersje tego algorytmu znane jako FFT z podziałem
czasowym oraz FFT z podziałem częstotliwościowym

Algorytm FFT Algorytm FFT - podział częstotliwościowy
Algorytm FFT - podział częstotliwościowy

Zmniejszenie nakładu obliczeń transformaty DFT można uzyskać stosując
następujący ciąg przekształceń.
1. Podział sekwencji wejściowej x(n) = {x(0), . . . , x(N − 1)} na dwie
połowy:
N N
{x(0), . . . , x − 1 } oraz {x , . . . , x(N − 1)}
2 2
Transformatę DFT całej sekwencji z uwzględnieniem transformat
obydwu części można zapisać odpowiednio
N/2−1 N −1
X X
X(k) = x(n)WNnk + x(n)WNnk
n=0 n=n/2
Podstawiając n = n + N/2w drugiej sumie powyższego wzoru

otrzymujemy
N/2−1 N/2−1
X kN/2 X N nk
X(k) = x(n)WNnk + WN x n+ WN
n=0 n=0
2

Wykorzystując własności funkcji WNnk :
kN/2
WN = e−jkπ = (e−jπ )k = (cos(π) − j sin(π))k = (−1)k
zależność na DFT przyjmuje postać
N/2−1 h
X N i nk
X(k) = x(n) + (−1)k x n + WN
n=0
2
Z kolei wyrażenie (−1)k = 1 dla k parzystego i (−1) dla k nieparzystego.
Możemy, więc zapisać równanie oddzielnie dla k parzystego
N/2−1 h
X N i nk
X(k) = x(n) + x n + WN
n=0
2
oraz k nieparzystego
N/2−1 h
X N i nk
X(k) = x(n) − x n + WN
n=0
2

Dokonajmy podstawienia 2k oraz 2k + 1 odpowiednio dla parzystych i
nieparzystych k:
N/2−1 h
X N i 2nk
X(2k) = x(n) + x n + WN
n=0
2
N/2−1 h
X N i n 2nk
X(2k + 1) = x(n) − x n + WN WN
n=0
2
Wykorzystajmy własność funkcji W :
nk
WN2nk = WN/2
oraz zastosujmy podstawienia

N N
a(n) = x(n) + x n + , b(n) = x(n) − x n +
2 2

Wyrażenia przyjmują bardziej czytelną postać dwóch (N/2)-punktowych
transformat DFT
N/2−1 N/2−1
X X
nk
X(2k) = a(n)WN/2 , X(2k + 1) = b(n)WNn WN/2
nk
n=0 n=0
Rozkład N punktowej DFT na dwie (N/2) punktowe DFT: N = 8.


2. Podział uzyskanych dwóch sekwencji {a(0), . . . , a(N/2 − 1)} oraz
N/2−1
{b(0)WN0 , . . . , b(N/2 − 1)WN } na cztery sekwencje (N/4)
punktowe. Wyznaczenie transformat DFT dla poszczególnych
sekwencji w sposób analogiczny do czynności w punkcie nr 1.
Rozkład dwóch (N/2) punktowych DFT na cztery (N/4) punktowe DFT.

3. Przeprowadzanie dekompozycji DFT do momentu uzyskanych

sekwencji dwuelementowych tzw. ”motylków”.
Dwupunktowy ”motylek” FFT.

W przypadku 2-punktowego DFT:

1
X
X(k) = x(n)W2nk
n=0
X(0) = a(0)W20 + a(1)W20 = a(0) + a(1)

X(1) = a(0)W20 + a(1)W21 = a(0) − a(1)
W drugim równaniu wykorzystano własność współczynnika obrotu:
W21 e−j2π/2 = −1.

Omówiona metoda dekompozycji DFT nosi nazwę algorytmu FFT z
podziałem w dziedzinie częstotliwości DIF (ang. decimation in
frequency ).
8 punktowy FFT z podziałem w dziedzinie częstotliwości.

W fazie końcowej algorytm wymaga posortowania uzyskanych wartości

widma. Można do tego wykorzystać metodę numeracji o odwróconej
kolejności bitów (ang. Bit-Reversal Procedure)

Algorytm FFT Algorytm FFT - podział czasowy
Algorytm FFT - podział czasowy
Istnieje również metoda dekompozycji DFT z podziałem w dziedzinie

czasu DIT (ang. decimation in time). Powstaje ona w wyniku rozkładu
algorytmu spowodowanego podziałami danych wejściowych na ciągi
danych parzystych i nieparzystych.
• Podział N -punktowego przekształcenia na dwa N/2-punktowe,
następnie na cztery N/4-punktowe itd. dokonuje się l razy (N = 2l)
aż do otrzymania przekształcenia 2-punktowego
• Do wyznaczenia N -punktowej FFT należy wykonać N/2 operacji
mnożenia oraz N operacji dodawania
• Całkowita liczba operacji elementarnych wynosi lN/2 operacji
mnożenia i N l operacji dodawania
• Złożoność obliczeniowa algorytmu FFT wynosi N log2 N

x(0), x(2), . . . , x(2n), x(1), x(3), . . . , x(2n + 1)
N/2−1 N/2−1
X X (2n+1)k
X(k) = x(2n)WN2nk + x(2n + 1)WN
n=0 n=0
N/2−1 N/2−1
X X
nk
X(k) = x(2n)WN/2 + WNk x(2n nk
+ 1)WN/2
n=0 n=0

N/2−1
X
nk
C(k) = x(2n)WN/2
n=0
N/2−1
X
nk
D(k) = x(2n + 1)WN/2
n=0
X(k) = C(k) + WNk D(k)
Otrzymujemy wzory:
X(k + N/2) = C(k) − WNk D(k)
gdzie:
k+N/2
WN = −WNk , k = 0, 1, . . . , (N/2) − 1

Dla N = 8:
X(k) = C(k) + W8k D(k), k = 0, 1, 2, 3

X(k + 4) = C(k) − W8k D(k), k = 0, 1, 2, 3

Sygnał pierwotny podawany jest na wejście grafu motylkowego w

uporządkowaniu z odwróconą kolejnością bitów.

Algorytm FFT - okno analizy
• Klasyczny algorytm FFT wymaga aby długość okna analizy była

potęgą dwójki - trzymajmy się tej konwencji
• Typowe długości DFT: 512, 1024, 2048
• Jeżeli nie mamy wystarczającej liczby próbek, możemy uzupełnić je
zerami do najbliższej potęgi dwójki. Nie należy robić tego bez
potrzeby, tracimy czas na obliczanie zerowych próbek

Algorytm FFT - okno analizy

Złożoność obliczeniową FFT przedstawiono poglądowo na rysunku dla
N = 16. Wynika stąd, że liczba mnożeń zespolonych na każdym etapie
dekompozycji wynosi N a etapów jest log2 N . Jednak można zauważyć, że
połowa mnożeń przez WNk się powtarza i stąd książkowy wzór
O(N/2log2 N ).

Interpretacja dyskretnego przekształcenia Fouriera
Interpretacja dyskretnego przekształcenia Fouriera

Interpretacja dyskretnego przekształcenia Fouriera Przeciek DFT
Przeciek DFT
Przykłady, w których DFT dawały poprawne wyniki, miały starannie

dobrane przebiegi sinusoidalne - wejściowe ciągi x(n). DFT próbkowanych
sygnałów rzeczywistych prowadzi do wyników, które mogą być mylące.
Właściwość DFT, znana jako przeciek widma, powoduje, że wyniki DFT

stanowią jedynie aproksymację rzeczywistych widm oryginalnych sygnałów
wejściowych poddanych próbkowaniu. Istnieją metody minimalizacji
przecieku, ale nie można go wyeliminować całkowicie.

Przeciek DFT
Z poprzednich wykładów wiemy, że w przypadku sygnałów dyskretnych

występuje niejednoznaczność związana z próbkowaniem sygnałów ciągłych:
ten sam zbiór próbek może reprezentować nieskończoną liczbę sygnałów o
częstotliwościach: f0 + kfs . Zastanawialiśmy się z jaką częstotliwością
należy próbkować sygnał ciągły, aby otrzymany zbiór próbek zachował jego
wartość informacyjną? Oraz jakie są dalsze konsekwencje próbkowania
sygnałów?
Z warunku Nyquista wiemy, że sygnał musi być próbkowany z

częstotliwością co najmniej dwukrotnie większą od częstotliwości
największej składowej obecnej w sygnale:
fs > 2fmax
gdzie fmax to składowa o największej częstotliwości.

Przeciek DFT
Sygnał ciągły x(t) ma swoją ciągłą transformatę Fouriera. Kiedy

próbkujemy taki sygnał to otrzymujemy ciąg próbek x(n) o liczności
n = 1, 2, . . . , N . Jeżeli dla sygnału spróbkowanego obliczymy DFT, to
otrzymamy spróbkowaną aproksymacje ciągłej transformaty Fouriera
sygnału ciągłego.
Im więcej próbek posiada analizowany fragment sygnału (czyli im większa

częstotliwość próbkowania), tym lepiej DFT przybliża prawdziwe widmo
sygnału ciągłego.

Przeciek DFT
Przykład
Rozważmy sygnał ciągły, który zawiera dwie harmoniczne o
częstotliwościach 5Hz i 15.5Hz i amplitudach odpowiednio 1 i 0.5. Sygnał
próbkujemy z częstotliwością fs =50Hz i zbieramy N = 50 próbek sygnału.
Do wyznaczenia widma sygnału używamy algorytmu FFT.

Przeciek DFT
Przykład
Widać, że po obliczeniu DFT za pomocą algorytmu FFT coś jest nie tak.
Obraz z ostatniego rysunku nie odpowiada rysunkowi transformaty
Fouriera sygnału ciągłego.

Przeciek DFT
Przykład
Prążek przy częstotliwości 15.5Hz wydaje się być rozmyty. Ponadto w

widmie występuje więcej częstotliwości niż jest ich naprawdę, a widmo
wydaje się być symetryczne względem połowy częstotliwości próbkowania.
Po trzecie wartości harmonicznych nie odpowiadają wartościom 1 i 0.5.

Przeciek DFT
Przykład
Gdyby więc wprost interpretować ostatni rysunek, to stwierdzilibyśmy, że w

sygnale występują częstotliwości 5Hz, 45Hz o wartościach 25, oraz szereg
częstotliwości bliskich 15Hz i 35Hz... W czym tkwi problem?

Rozdzielczość DFT
Mając N próbek sygnału w dziedzinie czasu (spróbkowanego z
częstotliwością f0 ), wyznaczamy widmo sygnału również w N punktach,
równomiernie rozłożonych na osi częstotliwości od 0 do fs .
Liczba próbek N jest istotnym parametrem, gdyż określa jaka jest

rozdzielczość DFT w dziedzinie częstotliwości. Częstotliwości dla których
jest wyznaczana DFT są opisane wyrażeniem:
kfs
kf0 = fDF T = , k = 0, 1, . . . , N
N
Rozdzielczość analizy częstotliwościowej:
fs
∆f =
N
Nie można rozróżnić dwóch składowych widmowych, jeżeli odstęp między
nimi jest mniejszy niż ∆f (”wpadają” one do tego samego przedziału
analizy).
Rozdzielczość DFT
Przykład
Suma sinusów o f1 = 234.375 i f2 = 281.25 Hz.

Symetria DFT
Przykład
Z rysunku widać, że widmo sygnału jest symetryczne względem połowy

częstotliwości próbkowania. Dla rzeczywistych sygnałów dyskretnych x(n),
wartości DFT dla częstotliwości k > (N/2), są nadmiarowe, gdyż prążek
dla k-tej częstotliwości będzie miał taką samą wartość jak dla
częstotliwości N − k.
Symetria DFT
Przykład
Dlatego licząc i rysując widmo sygnału (algorytm FFT w MATLABie),

robimy to dla pierwszych N/2 wartości częstotliwości. Wartości widma
powyżej N/2 nie wnoszą żadnej dodatkowej informacji, a są jedynie
”odbiciem” prążków w paśmie podstawowym.

Przeciek widma DFT
Przykład
DFT jest wyznaczana dla dyskretnych wartości częstotliwości. Bardzo
ważną konsekwencją tego, że DFT próbkuje widmo sygnału ciągłego jest
to, że jest ono poprawnie wyznaczane tylko dla harmonicznych sygnału
x(n) o częstotliwościach odpowiadających częstotliwościom w których jest
obliczane DFT, czyli dla całkowitych wielokrotności fNs .
Jeżeli sygnał zawiera częstotliwość np. 1.5 fNs , czyli pomiędzy

częstotliwościami dla których jest liczone DFT kf s
N , to energia związana z
tą częstotliwością pojawi się we wszystkich innych N częstotliwościach
obliczonego widma. Zjawisko to nazywa się przeciekiem widma, bo
energia harmonicznej 1.5 fNs jakby ”wycieka” na sąsiednie prążki widma.

Przeciek widma DFT

Przykład
Z taką sytuacją mamy do czynienia w okolicy częstotliwości 15.5Hz. W

rzeczywistości mamy do czynienia z sygnałami o składowych ”pomiędzy”
punktami wyznaczania widma. Wynik będzie więc bardziej lub mniej
”rozmyty” przez efekt przecieku. Zjawisko to można minimalizować, m.in.
poprzez dobór odpowiednich okien czasowych.
Wartości widma DFT
Przykład
Wartości prążków dla częstotliwości 5Hz i 15.5Hz, są większe niż amplitudy

harmonicznych tworzących sygnał x(n). Dlatego należy brać pod uwagę
czynnik skalujący, który dla sygnałów rzeczywistych wynosi N/2.

Wartości widma DFT
Przykład
Nie obserwujemy nadmiarowego pasma powyżej połowy częstotliwości

próbkowania, a wartości harmonicznych odpowiadają (tylko dla 5Hz)
wartościom prawdziwym. Problemem wciąż jest przeciek widma wokół
częstotliwości 15.5Hz.

Przeciek DFT
Przeciek to właściwość dotycząca tylko DFT. Jest związana z faktem, że

zbiór funkcji bazowych DFT jest zbiorem skończonym. W jego skład
wchodzą funkcje sinusoidalne i kosinusoidalne o całkowitej liczbie okresów.
Przeciek widma DFT obserwujemy w przypadku, gdy transformujemy

dyskretne funkcje. Problem wynika z faktu, że DFT traktuje
transformowany sygnał jak sygnał okresowy. Jeżeli chcemy transformować
sygnały nieokresowe musimy odpowiednio dobrać długość okresu, czyli
liczbę punktów DFT.
Inną klasą sygnałów, w przypadku których ujawnia się przeciek DFT, są

sygnały harmoniczne (sygnały sinusoidalne), których częstotliwości nie
pokrywają się z częstotliwościami funkcji bazowych DFT. W DFT
częstotliwości funkcji bazowych określane są przez numer składowej k i
liczbę punktów N .

Przeciek DFT
Jeżeli używamy DFT do analizy jednego sygnału harmonicznego, to można

tak dobrać liczbę próbek DFT, aby częstotliwość tego sygnału była jedną z
tych ściśle zdefiniowanych częstotliwości (np. f = 0.3 to można użyć 1000
punktowej DFT, wtedy dla k = 300 będziemy mieli częstotliwość
k/N =0.3).
Większy problem pojawia się kiedy analizujemy sygnał składający się z

kilku sygnałów harmonicznych. Wtedy dużo trudniej dobrać liczbę próbek
DFT tak, aby w pełni uniknąć zjawiska przecieku. Maksymalny przeciek
w przypadku sygnałów harmonicznych występuje wtedy, gdy
częstotliwość sygnału znajduje się dokładnie pośrodku między
sąsiednimi częstotliwościami składowych DFT.

Przeciek DFT
Co możemy zrobić, żeby zredukować problem przecieku DFT?

• Rozwiązaniem jest dopisanie na końcu sygnału odpowiedniej
liczby zer (ang. Zero Padding ). Jeżeli sygnał jest sygnałem o
ograniczonym czasie trwania, to taki zabieg nie zmienia w sposób
istotny jego właściwości (bo jego wartości w tym czasie są i tak równe
zero), a zwiększa rozdzielczość DFT (czyli odległość pomiędzy
sąsiednimi prążkami).
• Najbardziej powszechnie stosowanym środkiem zaradczym dla redukcji
efektów przecieku jest wykorzystanie techniki okienkowania (ang.
Windowing ), które jest operacją mnożenia sygnału przez specjalnie
zdefiniowaną funkcję okna. Okno ma za zadanie zmienić charakter
(nie da się go wyeliminować) przecieku widma w taki sposób, aby
pomiar amplitudy sygnałów harmonicznych był pomiarem bardziej
dokładnym.

Zero padding
Rozdzielczość DFT wskazuje jaka jest zdolność rozróżnienia w sygnale
dwóch składowych harmonicznych o mało różniących się częstotliwościach.
Odległość między próbkami można zmniejszyć poprzez uzupełnienie
zarejestrowanego ciągu próbkami zerowymi, czyli sztucznie wydłużając
czas obserwacji.
Możemy wziąć np. 1024 próbki sygnału, wstawić na koniec 1024 zera i
policzyć transformatę z 2048 próbek. W ten sposób pozornie zwiększamy
dwukrotnie rozdzielczość częstotliwościową ∆f względem DFT o
rozmiarze 1024 bez uzupełniania zerami, zachowując rozdzielczość
czasową DFT 1024. Jest to pozorny zysk, ponieważ nie otrzymujemy w
ten sposób więcej danych. W uzyskanym widmie, co druga wartość będzie
odpowiadała wartościom widma transformaty o rozmiarze 1024, a
pozostałe wartości widma są interpolowane.
Uzupełnianie zerami stosuje się często w celu otrzymania ciągu próbek o

parzystej długości, co umożliwia
Z. M. Łabęda-Grudziak (IAiR PW)
zastosowanie do obliczeń algorytmu
Przetwarzanie sygnałów 01.10.2021
FFT.
72 / 100
Zero padding
Skalowanie w czasie i częstotliwości
Wydłużenie czasu trwania sygnału powoduje skupienie jego widma.

Zero padding
Przykład
Rozważmy sygnał spróbkowany z częstotliwością fs = 1280Hz:
x(t) = cos(2π · 150t) + cos(2π · 105t)

Zero padding
Przykład
W ten sposób pozornie zwiększamy czterokrotnie rozdzielczość

częstotliwościową ∆f względem DFT o rozmiarze 32 bez uzupełniania
zerami.

Zero padding
Przykład
Uzupełnienie zerami nie wprowadza nowej informacji o sygnale - nie

zwiększa zdolności rozróżniania częstotliwości, ale uwypukla szczegóły
widma widoczne wcześniej.

Interpretacja dyskretnego przekształcenia Fouriera Funkcje okna czasowego
Wpływ nałożenia okna czasowego na widmo sygnału
Zjawisko przecieku widma można też wytłumaczyć następująco. Jeżeli

bierzemy z sygnału N próbek do obliczenia DFT, to można to potraktować
jako mnożenie sygnału przez funkcję okna prostokątnego (funkcję, która
ma wartość 1 dla próbek branych do DFT i 0 dla pozostałych).
Widmo okna prostokątnego jest proporcjonalne do funkcji sin(x)/x.

Mnożeniu w dziedzinie czasu odpowiada splot w dziedzinie widma. Jeżeli
okno prostokątne nie obejmuje wielokrotności okresu sygnału, rzeczywiste
widmo sygnału i widmo okna prostokątnego ”rozjeżdżają się” przy
obliczaniu splotu. Wynikiem tego są zafalowania charakterystyki widmowej.


W pierwszym przypadku, okno obserwacji sygnału ma długość równą

okresowi badanego sygnału, w drugim zaś jest krótsze.

Wycięty fragment sygnału traktowany jest jako fragment reprezentujący

cały, nieskończenie długi sygnał. Porównując nieskończony sygnałem
okresowy z sygnałem odtworzonym na podstawie wyciętego fragmentu,
można zauważyć, że w wyniku zastosowania krótszego okna, analizowany
sygnał nie może być już traktowany jako ”czysta” sinusoida. Zawiera on
gwałtowny skok wartości chwilowej, który musi być odtworzony w
dziedzinie częstotliwości - objawia się w widmie sygnału w postaci
rozmycia prążka.
Skończony czas obserwacji powoduje, że możliwe do obliczenia widmo

DFT jest na ogół zniekształcone w stosunku do rzeczywistego widma
sygnału o nieograniczonym czasie trwania.
DFT stanowi widmo sygnału x(n) z nałożonym oknem w(n). Nałożenie

okna prostokątnego nie zmienia wartości próbek i odpowiada tylko operacji
wycięcia z sygnału skończonego wycinka o długości N . Zastosowanie okna
czasowego polega na przemnożeniu bloku próbek przez wybraną funkcję
okna przed obliczeniem transformaty Fouriera.


Kształt widma okna ma decydujący wpływ na rozdzielczość
częstotliwościową i amplitudową analizy, przeprowadzanej za pomocą DFT.
Dla sygnałów ciągłych i okna prostokątnego problem rozdzielczości
częstotliwościowej i amplitudowej był pokazany na rysunku:
Okna prostokątne
Z. M. Łabęda-Grudziak (IAiR o różnej długości
PW) i ich
Przetwarzanie widma Fouriera. Wraz
sygnałów ze
01.10.2021 82 / 100

Z powyższych rysunków wynika, że po spróbkowaniu sygnałów fragmentów
ciągłych problem rozdzielczości będzie w analogiczny sposób dotyczył
analizy częstotliwościowej fragmentów sygnałów dyskretnych.
O zniekształceniu widma DFT decydują głównie: szerokość listka

głównego widma okna oraz wysokość listków bocznych.
• Szerokość listka głównego widma okna wpływa na rozróżnialność
częstotliwościową DFT
• Jeżeli różnica częstotliwości dwóch składowych o podobnych
amplitudach jest mniejsza od szerokości listka głównego, to
odpowiadające im prążki zleją się w jeden wskutek rozmycia widma
• Wysokość listków bocznych widma okna wpływa na rozróżnialność
amplitudową DFT
• Jeżeli w widmie występuje składowa o amplitudzie porównywalnej z
amplitudą lisków bocznych, to ”utonie” ona w pofalowaniach widma
DFT związanych z listkami
Funkcje okien czasowych
• Zmniejszenie przecieków widma uzyskujemy poprzez przemnożenie

bloku próbek przez funkcję okna czasowego
• Funkcja okna tłumi skrajne wartości okna analizy
• Skutek działania funkcji okna:
• redukuje ”rozlewanie się” amplitudy składowych na sąsiednie wartości
widmowe
• jednocześnie poszerza główne prążki widmowe - efekt przecieku skupia
się w wąskim zakresie


Ponieważ największy wpływ na zjawisko przecieku mają krańce okna
czasowego, zastosowanie dłuższych odcinków pomiarowych pozwala na
dokładniejsze wyznaczenie funkcji widma sygnału. Aby nie zmieniać
długości okna stosuje się okna czasowe wygładzające o innej postaci niż
prostokątne, ale zniekształcają one sygnał tak, aby na krańcach okna
czasowego zmniejszyć wagę sygnału.

Zaprojektowano specjalne funkcje okna, których wspólną cechą jest

amplituda bliska zeru na skraju okna. W ten sposób redukuje się efekt
skoku amplitudy przy zapętleniu okna.


Spośród wielu funkcji okna, najczęściej stosowane są trzy: Hamminga, von

Hanna oraz Blackmana.

Przykład

Przykład

Przykład

Przykład


Przypadek występowania przecieków widmowych
Rozważmy sygnał sinusoidalny próbkowany z częstotliwością fs = 1kHz.
Dla okna prostokątnego, poziom przecieków mierzony na częstotliwości

750 Hz wynosi ok. -30 dB.

Zastosowanie okna Hamminga powoduje stłumienie przecieków na tej

częstotliwości o ok. 20 dB.

Okno von Hanna daje większe tłumienie, ok. 50 dB, ale przy samym prążku
(ok. 920 Hz) tłumienie jest gorsze niż dla okna Hamminga. Wreszcie, okno
Blackmana daje największe tłumienie dla 750 Hz: niecałe 60 dB.
Przypadek braku przecieków widmowych

Zobaczmy co się dzieje dla sygnału sinusoidalnego o częstotliwości 3000
Hz, a więc w sytuacji, gdy dla okna o długości 2048 próbek nie ma
przecieków. Wykres pokazuje częstotliwości wokół 3000 Hz.


Przypadek braku przecieków widmowych
Widać że każda ze specjalnych funkcji okna znacznie poszerza prążek

względem okna prostokątnego. Okna Hamminga i von Hanna dają
praktycznie identyczny wynik. Okno Blackmana powoduje największe
poszerzenie prążka. Zatem większe stłumienie przecieków przez funkcję
okna wiąże się z większym poszerzeniem
głównego prążka. 01.10.2021 97 / 100
Wybór funkcji okna zależy więc od potrzeb, nie ma okna uniwersalnego i

optymalnego.
• Okno Blackmana przyda się gdy trzeba silnie stłumić przecieki,
kosztem poszerzenia maksimów widmowych
• Jeżeli priorytetem jest rozróżnienie prążków położonych blisko siebie,
lepszym wyborem może być okno Hamminga czy von Hanna
• Stosujemy funkcje okna gdy analizujemy widmo, np. szukamy
maksimów.
• Nie stosujemy funkcji okna przy przetwarzaniu w dziedzinie
częstotliwości, gdy później wracamy do dziedziny czasu.

Filtr dolnoprzepustowy i metoda okienkowania
Filtry są to układy lub algorytmy, które modyfikują sygnał.
Filtr cyfrowy to algorytm, który na podstawie pewnej deterministycznej

funkcji przekształca wejściowy ciąg próbek w zmodyfikowany ciąg
wyjściowy.
Najczęściej stosowane są filtry przepustowo-zaporowe, których zadaniem

jest przepuszczenie pewnych zakresów częstotliwości sygnału i wytłumienie
pozostałych.

Filtr dolnoprzepustowy i metoda okienkowania
Filtr dolnoprzepustowy (ang. low-pass, LP) przepuszcza składowe

częstotliwościowe do ustalonej częstotliwości granicznej fc , nazywanej też
częstotliwością odcięcia (ang. cutoff frequency ). Do częstotliwości
granicznej mamy pasmo przepustowe (ang. pass band), powyżej - pasmo
zaporowe (ang. stop band).
W celu wyznaczenia odpowiedzi impulsowej filtru, nakładamy okno

czasowe na odpowiedź impulsową filtru, centralnie wokół zerowego
punktu na osi czasu. Stąd nazwa tej metody projektowania filtru: metoda
okienkowania. Podobnie jak w przypadku analizy częstotliwościowej, należy
używać specjalnych funkcji okna, aby ograniczyć zafalowania
charakterystyki (listki boczne). Możemy zastosować te same funkcje, co w
przypadku FFT, a więc okno Hamminga lub Blackmana.


Wykład 6
• Metody opisu systemów:Przekształcenie Laplace’e,

• Wprowadzenie do filtracji sygnałów
• Filtry cyfrowe FIR

Metody opisu systemów

Transformata Fouriera
• Transformata Fouriera - metoda opisu systemów w dziedzinie

częstotliwości, która umożliwia wykonanie wielu użytecznych
czynności:
• analiza odpowiedzi systemu w dziedzinie częstotliwości
• próbkowanie
• modulacja

Proste przekształcenie Fouriera:

Z ∞
X(jω) = F{x(t)} = x(t)e−jωt dt
−∞
Odwrotne przekształcenie Fouriera:

Z ∞
1
x(t) = F −1 {X(jω)} = X(jω)ejωt dω
2π −∞

Transformatę Fouriera można stosować dla sygnałów:

1 ze skończoną energią
Z ∞
|x(t)|2 dt < ∞
−∞
2 spełniających warunki Dirichleta

• x(t) jest bezwzględnie całkowalna na t ∈ (−∞, ∞)
• x(t) ma skończoną liczbą maksimów i minimów w każdym skończonym
przedziale
• x(t) ma skończoną liczbę nieciągłości o skończonej wartości w każdym
skończonym przedziale
• x̂(t) = x(t) w punktach ciągłości sygnału x(t)
x(t+ )+x(t− )
• x̂(t) = 2 w punktach nieciągłości sygnału x(t)
3 okresowych

Problem: Czy potrzebne są innego rodzaju przekształcenia?
Transformata Fouriera nie może być zastosowana do szerokiej klasy

sygnałów i niestabilnych systemów.

Przekształcenie Laplace’e
Przekształcenie Laplace’a jest rozszerzeniem transformaty Fouriera,

które pozwala na analizę szerszej klasy sygnałów i systemów.
Przekształcenie jest postaci:
Z ∞
x(t) → X(s) = x(t)e−st dt = L{x(t)}
−∞
gdzie s = δ + jω jest wartością zespoloną. Przekształcenie ma sens tylko

wtedy gdy Z ∞
|x(t)e−st dt| < ∞
−∞
Przekształcenie powinno być jednoznaczne, tzn. dla każdej funkcji x(t)

istnieje tylko jedna transformata X(s) i na odwrót. Przekształcenia można
dokonać na każdej funkcji dającej się ograniczyć funkcjami wykładniczymi.

Przekształcenie Laplace’e
Powiązanie z transformatą Fouriera

Z ∞
X(s) = [x(t)e−δt ]e−jωt dt = F{x(t)e−δt }
−∞
gdzie F to transformata Fouriera.
Obszar Zbieżności (OZ) - wszystkie wartości zespolone s, dla których

spełniony jest warunek
Z ∞
OZ = {s = δ + jω; |x(t)e−δt |dt < ∞}
−∞
Jeśli s = jω jest w OZ (np. δ = 0) wtedy
X(jω) = F{x(t)}

Zera i bieguny transmitancji
Wiele najczęściej używanych i interesujących transformat posiada postać

ułamkową
L(s)
X(s) =
M (s)
gdzie L(s) i M (s) to wielomiany zmiennej s.
• Pierwiastki L(s) - zera transmitancji X(s)

• Pierwiastki M (s) - bieguny transmitancji X(s)
• Każdy sygnał x(t) zbudowany z liniowej kombinacji zespolonych
funkcji wykładniczych posiada transformatę Laplace’a w postaci
ułamkowej

Odwrotne przekształcenie Laplace’e
Przekształcenie odwrotne polega na znalezieniu funkcji zmiennej

rzeczywistej x(t) przy danej funkcji X(s), czyli na rozwiązaniu równania
całkowego: Z ∞
X(s) = F{x(t)} = x(t)e−st dt
0

Transformata Z
• Przekształcenie Laplace’a można stosować do sygnałów i systemów

czasu ciągłego
• W przypadku sygnałów czy systemów czasu dyskretnego do
wyznaczenia transmitancji należy użyć przekształcenia Z:
∞
x(n)z −n = Z{x(n)}
X
X(z) =
n=−∞

Powiązanie transformaty Z z transformatą Fouriera
z = rejω , r = |z|
Powiązanie z transformatą Fouriera czasu dyskretnego:
∞
x(n)(rejω )−n
X
X(rejω ) =
n=−∞
∞
(x(n)r−n )ejωn = Fd {x(n)r−n }
X
=
n=−∞
Obszar Zbieżności (OZ):

∞
|x(n)r−n | < ∞}
X
OZ = {z = rejω ;
n=−∞
Jeśli s = jω jest w OZ (np. δ = 0) wtedy X(jω) = F{x(t)}
Jeśli koło jednostkowe (r = 1) leży wewnątrz OZ to transformata Fouriera

istnieje.
Powiązanie transformaty Z z przekształceniem Laplace’a

Przekształcenie Laplace’a
Z ∞
x(t) → X(s) = x(t)e−st dt = L{x(t)}
−∞
Załóżmy, że t = nT wtedy:
∞
X −n
X(s) = lim T x(n) esT
T →0
n=−∞
Przekształcenie Z
∞
x(n)z −n = Z{x(n)}
X
X(z) =
n=−∞
Można rozważać przekształcenie Z jako przekształcenie Laplace’a czasu

dyskretnego z z = esT .
1 oś jω w przestrzeni s odpowiada okręgowi jednostkowemu w

przestrzeni z
2 lewa strona przestrzeni s, Re(s) < 0 ⇒ wnętrze koła jednostkowego
|z| = |esT | < 1
3 prawa strona przestrzeni s, Re(s) > 0 ⇒ przestrzeń na zewnątrz koła
jednostkowego |z| = |esT | > 1

Ad.1 s = δ + jω, δ = 0, czyli:
z = esT = ejωT
stąd |z| = 1
Ad.2 s = δ + jω, δ < 0, czyli:
z = esT = e(δ+jω)T = eδ ejωT
wiadomo, że e < 1, stąd |z| < 1

Ad.3 s = δ + jω, δ > 0, czyli:
z = esT = e(δ+jω)T = eδ ejωT
wiadomo, że e > 1, stąd |z| > 1

Wprowadzenie do filtracji sygnałów

Układy liniowe, niezmienne w czasie - ciągłe
W cyfrowym przetwarzaniu sygnałów kluczowe są systemy liniowe

niezmienne względem przesunięcia (liniowe niezmiennicze w czasie,
LTI, ang. Linear Time-Invariant), dla których znajomość odpowiedzi
systemu na pobudzenie impulsowe δ(n) pozwala wyznaczyć odpowiedź
systemu na dowolny sygnał wejściowy.


Odpowiedź impulsowa
Ponieważ układ filtru realizuje mnożenie w dziedzinie ω, w dziedzinie czasu

dokonuje operacji splotu.
Funkcję h(t) nazywamy odpowiedzią impulsową. Jest to sygnał powstający

na wyjściu na skutek pobudzenia w postaci δ(t).

Transmitancja
Układ charakteryzuje zależność odpowiedzi od pobudzenia (uwzględniając
pochodne):

Transmitancja

Układy liniowe, niezmienne w czasie - dyskretne
Transmitancja
Analogicznie, możemy zapisać równanie na transmitancję w dziedzinie
zespolonej dla układu dyskretnego:
y(n) = x(n) ∗ h(n) Y (z) = X(z) · H(z)

N −1 P −i
Y (z) i=0 bi z
H(z) = = PM −1
X(z) 1 + i=1 ai z −i

Układy liniowe, niezmienne w czasie - dyskretne
N −1 P −i
Y (z) i=0 bi z
H(z) = = PM −1
X(z) 1 + i=1 ai z −i
• Pierwiastki licznika transmitancji: zera filtru

• Pierwiastki mianownika transmitancji: bieguny filtru
Filtr jest stabilny gdy bieguny filtru leżą wewnątrz okręgu

jednostkowego.

Filtry cyfrowe
Filtry cyfrowe

Filtry cyfrowe
Filtry cyfrowe
Filtry są to układy lub algorytmy, które modyfikują sygnał. Filtr cyfrowy

to algorytm, który na podstawie pewnej deterministycznej funkcji
przekształca wejściowy ciąg próbek w zmodyfikowany ciąg wyjściowy.
Dzięki pamięci wewnętrznej odpowiedź filtru na daną próbkę nie zależy
tylko od bieżącej próbki, ale również od próbek poprzednich.
Właściwości filtrów cyfrowych opisuje się przy użyciu transmitancji.

Najczęściej stosowane są filtry przepustowo-zaporowe, których zadaniem
jest przepuszczenie pewnych zakresów częstotliwości sygnału i wytłumienie
pozostałych. Istnieją jednak również inne typy filtrów, np.
wszechprzepustowe, Hilberta, itp.
Filtr można zbudować, obliczając transformatę Fouriera sygnału, regulując

odpowiednie składowe częstotliwościowe, a następnie obliczając odwrotną
transformatę Fouriera, żeby powrócić do dziedziny czasu.

Filtry cyfrowe
Filtry cyfrowe

Filtry cyfrowe
Filtry cyfrowe
Po co filtrujemy sygnały?
Aby uzyskać:
• redukcję zakłóceń sygnału (np. zakłóceń od sieci energetycznej)
• zmianę charakterystyki widmowej sygnału
• wyodrębnienie zadanych składowych sygnału spośród jego innych
składowych (detekcja)

Filtry cyfrowe
Filtry cyfrowe
Filtry dzielimy na:

• filtry o skończonej odpowiedzi impulsowej (SOI) - tzw. filtry
nierekursywne
• filtry o nieskończonej odpowiedzi impulsowej (NOI) - tzw. filtry
rekursywne

Filtry cyfrowe
Filtry cyfrowe
Przykład 1
Wykres czasowy sygnału z czujnika (np. dźwięk), z którego wynika że coś
jest nie tak jak trzeba. Ale co?

Filtry cyfrowe
Filtry cyfrowe
Przykład 1
Spójrzmy na wykres widma sygnału - zniekształcenia muszą zostać
odfiltrowane z sygnału!

Filtry cyfrowe
Filtry cyfrowe
Przykład 1
Filtr cyfrowy jest algorytmem, który usuwa z sygnału niepożądane
składowe. Najczęściej filtry działają w dziedzinie częstotliwości:
• tłumią (filtrują) pewien zakres częstotliwości
• przepuszczają pozostałe częstotliwości bez zmian

Filtry cyfrowe
Filtry cyfrowe - wygładzanie
Przykład 2
Wykres zaszumionego sygnału, który wymaga wygładzenia przez
filtrowanie.

Filtry cyfrowe
Przykład 2
Aby wygładzić sygnał, każdą próbkę zastępujemy średnią z N ostatnich
próbek sygnału (wliczając bieżącą):
−1
1 NX
y(n) = x(n − i)
N i=0

Filtry cyfrowe
Przykład 2

Filtry cyfrowe

Przykład
Wynik wygładzania dla różnej liczby N :

Filtry cyfrowe

Przykład
Charakterystyki częstotliwościowe układów wygładzania:

Filtry cyfrowe
Równanie algorytmu wygładzania:

−1
1 NX
y(n) = x(n − i)
N i=0
Alternatywnie możemy zapisać:
y(n) = b · x(n) + b · x(n − 1) + b · x(n − 2) + . . . + b · x(n − (N − 1))
gdzie b = 1/N są to współczynniki filtru (ang. filter coefficients).
Wartości N ostatnich próbek (w tym bieżącej) mnożymy przez

współczynnik b i dodajemy do siebie. Jest to filtr średniej ruchomej (ang.
Moving Average Filter, MA).

Filtry cyfrowe
Zapiszmy równanie filtru średniej ruchomej:
y(n) = b · x(n) + b · x(n − 1) + b · x(n − 2) + . . . + b · x(n − (N − 1))
w sposób bardziej ogólny:
y(n) = b0 · x(n) + b1 · x(n − 1) + b2 · x(n − 2) + . . . + bN −1 · x(n − (N − 1))
albo krócej:
N
X −1
y(n) = bi · x(n − i)
i=0
Dla filtru średniej ruchomej:
b0 = b1 = b2 = . . . = bN −1

Filtry cyfrowe
Współczynniki bi mogą być dowolne. Przykładowo - takie (N = 101, sinc):

Filtry cyfrowe
Jak wygląda charakterystyka częstotliwościowa przy takich

współczynnikach?

Filtry cyfrowe
Przykład 1
Wróćmy do przykładu sygnału z czujnika:

Filtry cyfrowe
Przykład 1
Czy to nam pomoże usunąć zniekształcenia?

Filtry cyfrowe
Przykład 1
Widmo sygnału oryginalnego oraz po przetworzeniu przez algorytm
wygładzania poprzez filtrację:

Filtry cyfrowe
Przykład
Wykres postaci przed i po filtracji - zniekształcenia zostały usunięte!

Filtry cyfrowe Filtry FIR
Filtry cyfrowe
Filtry FIR
Przepis na obliczenie wyjściowych wartości próbek - tzw. równanie
różnicowe:

N
X −1
y(n) = bi · x(n − i)
i=0
Algorytm realizujący obliczenia wg tego równania nazywa się filtrem

cyfrowym o skończonej odpowiedzi impulsowej (SOI), określane
angielskim skrótem FIR (ang. Finite Impulse Response).

Filtry cyfrowe
Filtry FIR
N
X −1
y(n) = bi · x(n − i)
i=0
Co robi filtr FIR:

• bierze N ostatnich próbek
• mnoży je przez współczynniki bi
• sumuje wyniki mnożenia
• wysyła wynik na wyjście

Filtry cyfrowe
Filtry FIR
Zauważmy, że równanie różnicowe
N
X −1 N
X −1
y(n) = bi · x(n − i) = h(i) · x(n − i)
i=0 i=0
jest równaniem splotu
y(n) = h(n) ∗ x(n)
gdzie h(n) jest odpowiedzią impulsową filtru, taką samą jak ciąg wartości
jego współczynników.

Filtry cyfrowe
Filtry FIR
Równanie splotu
N
X −1
y(n) = h(n) ∗ x(n) = h(i) · x(n − i)
i=0
w zastosowaniu do filtrów FIR:

• odwracamy porządek czasowy ciągu próbek wejściowych
• wymnażamy odwrócony ciąg przez współczynniki filtru
• dokonujemy sumowania iloczynów w celu obliczenia pojedynczej
próbki wyjściowej filtru

Filtry FIR
Odpowiedź impulsowa jest dokładnie tym, co wynika z jej nazwy - jest to
wyjściowy ciąg czasowy filtru, gdy na wejście podana zostanie pojedyncza
próbka o jednostkowej wartości, po której i przed którą następują próbki o
wartości zerowej. Polega to po prostu na przemnożeniu kolejnych
współczynników filtru przez jednostkową próbkę.
Oznacza to, że odpowiedź impulsowa filtru FIR jest identyczna, jak

wartość współczynników filtru. Dlatego pojęcia ”współczynniki filtru
FIR” i ”odpowiedź impulsowa” są synonimami.

Filtry FIR
Odpowiedź impulsowa filtru FIR na pobudzenie impulsowe δ(n) jest
zbiorem współczynników bi . Transformata Fouriera odpowiedzi
impulsowej jest charakterystyką częstotliwościową filtru.
Zachowanie filtru ocenimy przez wyznaczenie kształtu charakterystyki

filtru w dziedzinie częstotliwości - możemy to zrobić dzięki
właściwościom splotu w systemach liniowych.
y(n) = h(n) ∗ x(n)

Filtry FIR
Operacja splotu w zastosowaniu do filtrów FIR działa następująco:
dyskretna transformata Fouriera DFT splotu odpowiedzi impulsowej filtru
(współczynniki) i ciągu wejściowego jest równa iloczynowi widma ciągu
wejściowego i DFT odpowiedzi impulsowej.
Relację tę można zapisać:

DFT
y(n) = h(n) ∗ x(n) −
)−
−−
−*
− H(m) · X(m) = Y (m)
IDFT
Równanie wskazuje, że dwa ciągi:
y(n) = h(n) ∗ x(n) i H(m) · X(m) = Y (m)
są parą transformat Fouriera.

Filtry FIR
Zatem wyznaczając DFT splotu
y(n) = h(n) ∗ x(n)
otrzymujemy iloczyn
H(m) · X(m)
który jest widmem zespolonym Y (m) sygnału na wyjściu filtru.
Podobnie, możemy wyznaczyć y(n) = h(n) ∗ x(n) wyznaczając odwrotną

DFT (IDFT) z H(m) · X(m).
Splot w dziedzinie czasu jest równoważny mnożeniu w dziedzinie

częstotliwości.

Filtry FIR
Z równania
DFT
−−
y(n) = h(n) ∗ x(n) )−−
−*
− H(m) · X(m) = Y (m)
IDFT
wynika, co należy uczynić, aby wyznaczyć odpowiedź impulsową filtru FIR:

Iloczyn H(m) · X(m) to DFT sygnału wyjściowego filtru. Ponieważ
X(m) jest DFT ciągu wejściowego filtru, to funkcja transmitancji
filtru jest zdefiniowana jako H(m), czyli jako DFT odpowiedzi
impulsowej filtru h(n).
Amplitudowe widmo wyjściowe jest iloczynem charakterystyki
amplitudowej i widma amplitudowego sygnału wejściowego X(m) · H(m).

Filtry FIR
Transmitancja
W dziedzinie zmiennej zespolonej z, opóźnieniu sygnału o jedną próbkę

odpowiada z −1 . Transmitancja filtru FIR w dziedzinie zespolonej (w
systemach LTI, transformatę Fouriera odpowiedzi impulsowej systemu
nazywa się transmitancją systemu) wyraża się wzorem:
H(z) = b0 + b1 z −1 + b2 z −2 + . . . + bN −1 z −(N −1)

N −1 N −1
h(i)z −i = bi z −i
X X
=
i=0 i=0
Celem projektowania filtru FIR jest obliczenie współczynników bi takich,

aby uzyskać pożądany kształt charakterystyki częstotliwościowej.
Filtry FIR
Schemat
Pobieramy sygnał po każdym z −1 i mnożymy przez bi - miejsca te nazywa
się ”odczepami” (ang. tap).

Filtry FIR
Parametry
• Długość filtru FIR (ang. filter length):
• liczba współczynników filtru (N ) - długość odpowiedzi impulsowej
• Rząd filtru FIR (ang. filter order ):

• najwyższa potęga w transmitancji
• zawsze o 1 mniejsza niż długość filtru (N-1) (współczynniki
numerujemy od zera)
Np. filtr FIR o 51 współczynnikach ma długość 51 i rząd 50.

Filtry FIR
Stabilność
Transmitancję filtru można też zapisać w następujący sposób:
H(z) = k(1 − q1 z −1 )(1 − q2 z −1 )(1 − q3 z −1 ) . . . (1 − qN −1 z −1 )
gdzie k to stałe wzmocnienie, a qi to zera transmitancji.
Transmitancja filtru FIR o długości N posiada:

• N − 1 zer (w parach zespolonych sprzężonych)
• N − 1 biegunów (zera mianownika transmitancji) położonych w
punkcie zerowym
Z tego względu, filtry FIR są zawsze stabilne.

Filtry FIR
Stabilność

Filtry FIR
Charakterystyka amplitudowa
Moduł transmitancji |H(z)| określa charakterystykę amplitudową
(częstotliwościową) - wzmocnienie filtru dla poszczególnych zakresów
częstotliwości.

Filtry FIR
Wzmocnienie filtru
Najczęściej chcemy przepuścić wybrany zakres częstotliwości bez zmiany i
stłumić pozostałe.
W zależności od przepuszczanego pasma częstotliwości filtry dzielimy na:

• Pasmo przepustowe (ang. Pass Band, BP) - wzmocnienie filtru
powinno być równe 1, składowe przepuszczane bez zmiany
• Pasmo zaporowe (ang. Stop Band, SB) - wzmocnienie filtru
powinno być bliskie 0, składowe są tłumione
• Częstotliwość graniczna lub odcięcia (ang. cut-off ) - granica
między pasmem przepustowym i zaporowym

Filtry FIR
Rodzaje filtrów
• Filtr dolnoprzepustowy (DP): low-pass (LP) przepuszcza składowe
częstotliwościowe do ustalonej częstotliwości granicznej. Do
częstotliwości granicznej mamy pasmo przepustowe, powyżej - pasmo
zaporowe.

Filtry FIR
Rodzaje filtrów
• Filtr górnoprzepustowy (GP): high-pass (HP) działa ”odwrotnie” do
filtru dolnoprzepustowego - tłumi częstotliwości poniżej częstotliwości
granicznej, przepuszcza pozostałą część pasma.

Filtry FIR
Rodzaje filtrów
• Filtr pasmowo-przepustowy (PP): band-pass (BP) przepuszcza
częstotliwości w zakresie leżącym pośrodku pełnego pasma. Ma on
dwa pasma zaporowe i jedno przepustowe. Jest on więc opisany
dwoma częstotliwościami granicznymi - górną i dolną.

Filtry FIR
Rodzaje filtrów
• Filtr pasmowo-przepustowy (PP): band-pass (BP). Dwie
częstotliwości graniczne - górna i dolna.

Filtry FIR
Rodzaje filtrów
• Filtr pasmowo-zaporowy (PZ): band-stop (BS) działa przeciwne do
filtru środkowoprzepustowego - posiada pasmo zaporowe ”w środku” i
dwa pasma przepustowe.

Filtry FIR
Rodzaje filtrów
• Wąskopasmowy filtr pasmowo-zaporowy: notch filter.
Służy do eliminacji jednej konkretnej częstotliwości.

Filtry FIR
Projektowanie filtrów
• Decyzja projektanta:
• jaki typ charakterystyki?
• jaka długość filtru (ile współczynników)?
• która metoda projektowania?
• Obliczenie współczynników filtru na podstawie podanych danych -
wykonuje program komputerowy
• Sprawdzenie obliczonych charakterystyk filtru
• Ocena efektów filtracji, ew. powtórzenie projektu

Filtry cyfrowe Filtr dolnoprzepustowy
Filtry FIR
Projektowanie filtru dolnoprzepustowego

Projektowanie filtru FIR na ogół wymaga utworzenia takiego zbioru
współczynników (równoważnie, odpowiedzi impulsowej) h(i), przy którym
odpowiedź częstotliwościowa H(m) spełnia określone wymagania.
Procedura projektowania rozpoczyna się od określenia wymaganej funkcji

transmitancji, po czym następuje obliczenie współczynników filtru, które
dadzą taką funkcję transmitancji.
Możemy rozpocząć od rozważenia ciągłego dolnoprzepustowego filtru, a

następnie dokonać jego symulacji za pomocą filtru cyfrowego.

Filtry FIR

Niech ciągła funkcja transmitancji H(f ) będzie przypadkiem idealnym -
wartość jednostkowa w paśmie dolnych częstotliwości i zero (nieskończenie
wielkie tłumienie) powyżej częstotliwości granicznej.
Dyskretna reprezentacja w dziedzinie częstotliwości, ciągłego filtru

dolnoprzepustowego H(f ) jest okresową funkcją (z okresem równym
częstotliwości próbkowania fs ).

Filtry FIR

DFT
−−
y(n) = h(n) ∗ x(n) )−−
−*
− H(m) · X(m) = Y (m)
IDFT
Jedną z metod wyznaczenia współczynników filtru jest metoda

algebraiczna, w której należy posłużyć się IDFT z H(m) otrzymując:
h(n) = w(n) · sinc(kn)
gdzie w(n) jest funkcją okna ze środkiem w n = 0. Funkcja
sin πx
sinc(x) =
πx
jest parzysta (sinc(x) = sinc(−x)) oraz dla wszystkich x całkowitych
różnych od zera sinc(x) = 0.

Filtry FIR

We wzorze
sin πkn
h(n) = w(n) ·
πkn
dla k ¬ 1, h(n) jest odpowiedzią impulsową filtru dolnoprzepustowego o
częstotliwości granicznej równej kfs /2, gdzie fs jest częstotliwością
próbkowania filtrowanego sygnału. Gdu k = 1, częstotliwość graniczna jest
równa fs /2, czyli granicy Nyquista dla fs .
Odpowiedź impulsowa h(n) jest funkcją sinc wyznaczoną dla liczb

całkowitych. Dokładna wartość wzmocnienia tego filtru dla składowej
stałej zależy od wybranej funkcji okna. W przypadku prawidłowego wyboru
jest w przybliżeniu proporcjonalna do 1/k.

Filtry FIR

Dolnoprzepustowy filtr FIR
Przykład 1
Rozpatrzymy filtr dolnoprzepustowy dla wcześniejszego przykładu.
Aby usunąć zniekształcenia, potrzebny jest filtr dolnoprzepustowy o

częstotliwości granicznej ok. 3 kHz.

Przykład
Idealna charakterystyka filtru dolnoprzepustowego o częstotliwości
granicznej 3 kHz wygląda tak jak na poniższym wykresie.
Teoretycznie, powinniśmy móc obliczyć odwrotną transformatę Fouriera,

otrzymując współczynniki filtru. Czy aby na pewno?

Problemy
W rzeczywistości, nie da się wykonać takiego filtru FIR poprzez liczenie
IFFT idealnej charakterystyki widmowej (formalne określenie: filtr
nierealizowalny), z dwóch powodów:
• liczba współczynników filtru jest nieskończona - ma nieskończoną

odpowiedź impulsową, czyli N = ∞
• odpowiedź impulsowa filtru jest niezerowa dla ujemnych wartości
czasu, czyli zanim wprowadzone zostaje pobudzenie - taki filtr jest
nieprzyczynowy

Przykład 1
Pierwszy problem (N = ∞) możemy rozwiązać przycinając odpowiedź
impulsową do ustalonej długości. Możemy wyciąć wybraną liczbę
współczynników wokół zerowej wartości czasu. Np. biorąc współczynniki
od −50 do 50.
Mówiąc inaczej, nakładamy okno czasowe na odpowiedź impulsową

filtru, centralnie wokół zerowego punktu na osi czasu. Stąd nazwa metody
projektowania filtru - metoda okienkowania.

Przykład 1

Przykład 1
W skutek przycięcia odp. impulsowej pojawiły się zniekształcenia:

Przykład 1
Zwróćmy uwagę na to, że amplitudy listków bocznych okna są zbyt małe,
by można je było zauważyć korzystając ze skali liniowej.

Przykład 1
Możemy zobaczyć szczegóły listków bocznych wykreślając widmo
amplitudowe okna w skali logarytmicznej i dokonując normalizacji wartości
szczytowej listka głównego do wartości 0 dB.
Dla danej funkcji okna możemy wyrazić widmo amplitudowe w mierze

logarytmicznej, za pomocą wyrażenia:
|W (m)|
WdB (m) = 20 log10
|W (0)|
gdzie człon |W (0)| jest wartością W (m) dla maksimum głównego listka
dla m = 0.

Przykład 1
Charakterystyka w skali logarytmicznej bardzo wyraźnie odbiega od
idealnej: przejście do pasma zaporowego jest bardzo szerokie, a w paśmie
zaporowym są widoczne zafalowania charakterystyki.

Przykład
Powodem zniekształceń jest nieciągłość odpowiedzi impulsowej na
granicach przyciętego fragmentu:


Niech
• h∞ (n) reprezentuje określoną na nieskończonym przedziale czasu
funkcję sinc współczynników idealnego dolnoprzepustowego filtru FIR
• w(n) reprezentuje ciąg wartości funkcji okna
Wtedy iloczyn
w(n) · h∞ (n)
przedstawia obcięty zestaw współczynników filtru h(n).

Ucinając nieskończenie długi ciąg h∞ (n) poprzez przemnożenie go przez

funkcję okna prostokątnego w(n) otrzymamy nierównomierności
charakterystyki amplitudowej dla h(n) w paśmie przepustowym, które są
wynikiem gwałtownej zmiany wartości od zera do jedynki i od jedynki do
zera funkcji w(n).
Projektowanie metodą okna polega na zredukowaniu nieciągłości w(n).

Rozwiązaniem jest przemnożenie przycinanej odpowiedzi impulsowej przez
funkcję okna, inną niż okno prostokątne:
Wybór okna ma wpływ na kształt charakterystyki filtru.


Ogólnie można powiedzieć, że im mniejsza będzie wielkość sygnału
zawarta w częściach odrzuconych, tym odpowiedź będzie bliższa
odpowiedzi idealnej.
Nakłada to ograniczenie na wybór wielkości okna. Przed zastosowaniem

funkcji okna należy upewnić się obejmuje ona wszystkie próbki odpowiedzi
impulsowej o ” znaczącej wielkości” (zależy od zastosowania).
Podobnie jak w przypadku analizy częstotliwościowej (gdy zmniejszaliśmy

przeciek DFT), należy używać specjalnych funkcji okna, aby ograniczyć
zafalowania charakterystyki (listki boczne). Możemy zastosować te same
funkcje, co w przypadku DFT (FFT), a więc okno Hamminga, von Hanna
lub Blackmana.
Istnieją również specyficzne typy okien do projektowania filtrów, np. okno

Kaisera, które posiada parametr umożliwiający regulowanie stopnia
zafalowania charakterystyki w wybranym
paśmie częstotliwości.
Przetwarzanie sygnałów 01.10.2021 85 / 134
Typowe okna: Hamminga, von Hanna, Blackmana.

Przykład 1
Odpowiedź impulsowa przycięta bez okna oraz oknem Blackmana:

Przykład 1
Porównanie charakterystyk widmowych bez okna i z oknem Blackmana:

Zniekształcenia w wyniku przycięcia odpowiedzi impulsowej

1. Zafalowania charakterystyki w paśmie przepustowym - korygowane
przez funkcję okna.


2. Pasmo przejściowe - filtr zaczyna tłumić przed i kończy za
częstotliwością graniczną. Funkcje okna poszerzają pasmo przejściowe!


3. Zafalowania w paśmie zaporowym (zmniejszone tłumienie sygnału w
tym paśmie) - redukowane przez funkcję okna.

Jaki wpływ na kształt charakterystyki ma długość filtru?
Większe okno obejmie dłuższy fragment idealnej odpowiedzi impulsowej

filtru, a więc można się spodziewać że charakterystyka filtru będzie
”dokładniejsza”.


Przykład 1
Wykres charakterystyk filtrów o różnej długości N i stałej częstotliwości
granicznej 3 kHz.

Przykład 1
Z wykresów wynika, że w ”nieidealnym” filtrze FIR zawsze występuje
pasmo przejściowe w pobliżu częstotliwości granicznej. Zgodnie z
przewidywaniem, większa długość filtru powoduje zmniejszenie szerokości
pasma przejściowego. W paśmie zaporowym występują zafalowania, ich
kształt również zależy od długości filtru.

Jakie są zalety i wady filtrów o większej długości?

• Im większa liczba współczynników filtru, tym bliżej jesteśmy
charakterystyki idealnego filtru:
• węższe pasmo przejściowe
• mniejsze zafalowania w paśmie przepustowym
• większe tłumienie w paśmie zaporowym
• ogólnie bardziej skuteczna filtracja
• Większa liczba współczynników oznacza również:
• więcej operacji do wykonania (każdy współczynnik to dodatkowe
mnożenie i dodawanie)
• większą pamięć potrzebną do przechowania wartości współczynników i
próbek sygnału
• większe opóźnienie między wejściem a wyjściem filtru - to jest
największa wada

Dolnoprzepustowy Filtr FIR
Bez względu na to, jak wielu współczynników użyjemy - ogniw filtru,

zawsze będą występować nierównomierności charakterystyki w paśmie
przepustowym. Dopóki używamy okna o skończonej długości
Powyższe aspekty mają znaczenie przy implementacji filtrów FIR w

systemach o ograniczonych zasobach, np. na procesorach sygnałowych.
Opóźnienie wprowadzane przez filtr ma też znaczenie w systemach, które
mają działać w czasie rzeczywistym.

Okno jest tym lepsze im mniejsza jest szerokość listka głównego i większe
jest tłumienie dla listków bocznych - wtedy widmo jest bardziej zbliżone
do delty Diraca. Jednak szerokość listka głównego jest odwrotnie
proporcjonalna do długości okna w dziedzinie czasu. Ponieważ istotą
stosowania okien jest skracanie odpowiedzi impulsowych, więc prowadzi to
do sprzecznych wymagań.
Praktycznie stosowane filtry FIR mają często długość ponad 100. Należy
zawsze znaleźć kompromis pomiędzy dokładnością filtracji oraz
wykorzystaniem procesora i pamięci oraz czasem wykonywania obliczeń.

Wpływ okna na charakterystyki filtru

Przybliżona szerokość pasma przejściowego oraz minimalne tłumienie w
paśmie zaporowym przy długości filtru N i częstotliwości próbkowania fs :
Okno Szerokość Tłumienie

brak 0.9fs /N 21 dB
von Hann 3.1fs /N 44 dB
Hamming 3.3fs /N 53 dB
Blackman 5.5fs /N 74 dB


• Użycie okna powoduje zwiększenie (polepszenie) tłumienia w paśmie
zaporowym
• Zmniejszane są zafalowania w paśmie przepustowym
• Wytłumienie współczynników na końcach okna powoduje zmniejszenie
efektywnej długości filtru - poszerzenie pasma przejściowego
• Trzeba to zrekompensować zwiększeniem długości filtru

Okno Kaisera
Do tej pory projektowaliśmy filtry FIR podając częstotliwości graniczne i
liczbę współczynników. Często jednak chcemy, aby filtr spełniał określone
wymagania, np. aby tłumienie w paśmie zaporowym wynosiło co najmniej
70 dB. Możemy próbować różnych długości filtru aż otrzymamy pożądane
tłumienie, ale są lepsze metody uzyskania tego efektu.
W przeciwieństwie do typowych okien czasowych, okno Kaisera jest

parametryczne. Posiada parametr β, który steruje kształtem okna -
większe wartości β powodują, że okno staje się coraz węższe, przez co po
zastosowaniu okna, zwiększa się tłumienie listków bocznych i poszerza się
listek główny. Możemy obliczyć wartość β dającą pożądane tłumienie.
Możliwe jest także otrzymanie charakterystyki o ustalonej szerokości pasma
przejściowego (szerokość pasma przejściowego zależy od rzędu filtru).

Okno Kaisera
Parametr β pozwala wpływać na kształt charakterystyki filtru.

Okno Kaisera
Charakterystyki widmowe filtru (N = 101) dla okna Kaisera z różnymi
wartościami β:

Zastosowanie okna Kaisera do projektowania filtru

• Zakładamy minimalne tłumienie w paśmie zaporowym i maksymalny
poziom zafalowań w paśmie przepustowym - bierzemy większą z tych
wartości (w dB)
• Zakładamy szerokość pasma przepustowego
• Obliczamy β dające zadane tłumienie (ze wzoru)
• Obliczamy długość filtru dającą zadaną szerokość
Np.: zakładamy min. tłumienie pz -80 dB, max. zafalowanie pp 0.005 (46
dB), szerokość p. przejściowego 100 Hz. Stąd obliczamy: β = 7.8573 N =
2410.

Filtr FIR
Problemy
Pierwszy problem - czyli nieskończona liczba współczynników filtru - został
rozwiązany (zminimalizowany) przez funkcję okien.
Pozostaje drugi problem - nieprzyczynowy filtr (odpowiedź impulsowa

h(n) jest niezerowa dla pewnych ujemnych wartości t).
Możemy go łatwo rozwiązać przesuwając przyciętą odpowiedź impulsową

tak, aby zaczynała się w zerze.

Filtr FIR
Przesunięcie odpowiedzi impulsowej

Filtr FIR
Interpretacja przesunięcia odpowiedzi impulsowej

• Filtr nieprzyczynowy o długości N = 2M + 1 potrzebuje:
• M poprzednich próbek sygnału
• bieżącą próbkę sygnału
• M przyszłych próbek sygnału
• Nie mamy jeszcze M przyszłych próbek, musimy na nie poczekać M
okresów próbkowania
• Wynik filtracji bieżącej próbki pojawi się na wyjściu filtru po M
okresach próbkowania (opóźnienie)
N −1
M=
2

Filtr FIR
Charakterystyka fazowa filtru FIR jest (odcinkami) liniowa, z przeskokami

fazy. Nieciągłości fazy wynikają z jej cykliczności (zawijanie wokół 2π).

Filtr liniowofazowy
Sama faza filtru niewiele nam tu powie. Bardziej istotna jest

charakterystyka opóźnienia grupowego, które jest pochodną
charakterystyki fazowej względem pulsacji, z ujemnym znakiem.
Zatem liniowość fazy filtru FIR daje nam to, że opóźnienie grupowe
dla częstotliwości f równa się nachyleniu charakterystyki fazowej dla tej
częstotliwości (z odwróconym znakiem).
Filtry, które mają (odcinkami) liniową charakterystykę fazową, a w

konsekwencji stałą charakterystykę opóźnienia grupowego, nazywamy
filtrami liniowofazowymi (ang. Linear Phase Filters). Zaletą tych filtrów
jest to, że nie zaburzają zależności fazowych pomiędzy składowymi
częstotliwościami sygnału. Ma to znaczenie w sytuacjach, w których
zależności fazowe są istotną cechą sygnału.

Filtr FIR
Charakterystyka opóźnienia grupowego filtru FIR:
Opóźnienie grupowe dla tego filtru jest stałe, równe (N − 1)/2 (czyli tyle,
o ile przesunęliśmy odpowiedź impulsową). Oznacza to, że każda składowa
częstotliwościowa sygnału jest opóźniana o tę samą liczbę próbek.

Filtr FIR
Co nam daje stałe opóźnienie grupowe?

• Jeżeli mamy sygnał o złożonym widmie (np. sygnał akustyczny), to
wszystkie składowe widmowe są opóźniane przez filtr o tę samą liczbę
próbek
• Zależności fazowe między składowymi widmowymi na wyjściu filtru są
takie same jak na wejściu
• Liniowofazowy filtr FIR nie wprowadza zniekształceń fazowych -
jest to ważna cecha tych filtrów
• Większa długość filtru to zwiększenie opóźnienia wprowadzanego
przez filtr

Filtr FIR
Przykład 1
Opóźnienie grupowego - widoczne opóźnienie sygnału po filtracji.

Filtr FIR
Metoda projektowania filtrów FIR - podsumowanie

• Projektujemy idealną charakterystykę w dziedzinie częstotliwości
• Obliczamy odpowiedź impulsową (IFFT)
• Przycinamy funkcją okna do żądanej długości,
• Przesuwamy na osi czasu tak aby zaczynała się w 0
W wyniku powyższej metody otrzymujemy współczynniki filtru.

Filtr FIR
Dla filtru dolnoprzepustowego o częstotliwości granicznej fc i

częstotliwości próbkowania fs :
sin(2πnfc /fs )
h(n) = w(n) ·
nπ
fc 2nf
c
= w(n) · 2π sinc
fs fs
gdzie sinc(x) = sin(πx)/(πx).
Obliczoną odpowiedź trzeba przesunąć o (N − 1)/2.

Filtry cyfrowe Filtr GP, PP, PZ
Filtr górnoprzepustowy
Filtr górnoprzepustowy działa ”odwrotnie” do filtru dolnoprzepustowego -
tłumi częstotliwości poniżej częstotliwości granicznej, przepuszcza
pozostałą część pasma. Zasada projektowania jest taka jak dla filtru
dolnoprzepustowego, ale musimy wziąć nieparzystą liczbę współczynników.
Filtr górnoprzepustowy można otrzymać z filtru DP:

• w dziedzinie widma: GP (f ) = 1 − DP (f )
• w dziedzinie czasu: hGP (n) = δ(n) − hDP (n)
W praktyce:
• obliczamy odpowiedź dla filtru DP o tej samej częstotliwości
granicznej
• odwracamy znak każdej wartości
• dodajemy 1 do wartości dla czasu zerowego
• mnożymy przez okno i przesuwamy.
Porównanie odpowiedzi impulsowych filtru dolnoprzepustowego i

górnoprzepustowego:

Filtr pasmowo-przepustowy
Filtr pasmowo-przepustowy przepuszcza częstotliwości w zakresie

leżącym pośrodku pełnego pasma. Ma on dwa pasma zaporowe i jedno
przepustowe. Jest on więc opisany dwoma częstotliwościami granicznymi -
górną i dolną. Filtr ma zerowe wzmocnienie zarówno dla zerowej
częstotliwości, jak i dla częstotliwości Nyquista.
Filtr pasmowo-przepustowy można otrzymać z filtru DP i GP:

• w dziedzinie widma: P P (f ) = DP (f ) · GP (f )
• w dziedzinie czasu: hP P (n) = hDP (n) ∗ hGP (n)

Filtr pasmowo-zaporowy
Działania filtru pasmowo-zaporowego jest przeciwne do filtru

pasmowo-przepustowego. Posiada pasmo zaporowe ”w środku” i dwa
pasma przepustowe. Częstotliwość zerowa leży w paśmie przepustowym,
częstotliwość Nyquista - również.
Filtr pasmowo-zaporowy można otrzymać z filtru DP i GP:

• w dziedzinie widma: P P (f ) = DP (f ) + GP (f ) = 1 − P P (f )
• w dziedzinie czasu - dwie metodu:
hP Z (n) = hDP (n) + hGP (n), hP Z (n) = δ(n) − hP P (n)

Porównanie odpowiedzi impulsowych pasmowo-przepustowych i

pasmowo-zaporowych:

Filtry DP, GP, PP, PZ
Projektując filtr możemy różnie dobrać długość filtru N .

• Nieparzysta długość filtru N
• filtr FIR typu pierwszego (I)
• środkowa próbka wyznacza symetrię
• możliwe wszystkie charakterystyki - DP, GP, PP, PZ
• Parzysta długość filtru N
• filtr FIR typu drugiego (II)
• dwie symetryczne połowy
• wzmocnienie dla cz. Nyquista musi być zerowe
• możliwe więc tylko filtry DP i PP

Filtry DP, GP, PP, PZ
• Chcemy aby wzmocnienie filtru w paśmie przepustowym było równe

1, więc wymagana jest więc normalizacja wzmocnienia filtru
• Dla filtru DP:
• możemy wybrać do normalizacji częstotliwość 0
• wzmocnienie na częstotliwości 0 jest równe sumie współczynników
odpowiedzi impulsowej
• dzielimy wszystkie współczynniki przez sumę współczynników
• Dla filtru GP wybieramy częstotliwość Nyquista
• Dla filtrów PP i PZ wybieramy częstotliwość środkową f - średnia
dolnej i górnej częstotliwości granicznej

Optymalne metody projektowania filtrów

• Metoda okienkowa jest prostą metodą projektowania filtrów, ale nie
jest optymalna, tzn. nie daje najlepszego możliwego dopasowania
charakterystyki zaprojektowanego filtru do idealnej charakterystyki.
• Pierwszą z metod optymalnego projektowania filtrów FIR jest metoda
najmniejszych kwadratów (ang. Least Squares, LS, LSQ). Celem
metody jest uzyskanie jak najmniejszej ważonej różnicy pomiędzy
zaprojektowaną a idealną charakterystyką w paśmie przepustowym
oraz zaporowym.
• Drugą optymalną metodą jest iteracyjna metoda Parksa-McClellana.
Minimalizuje ona różnicę między zaprojektowaną a idealną
charakterystyką filtru w paśmie przepustowym i zaporowym. Metoda
ta opiera się na algorytmie Remeza, dlatego funkcjonuje ona
również pod tą nazwą.
• W metodach optymalizacyjnych musimy zapewnić dostatecznie
szerokie pasmo przejściowe w odniesieniu do długości filtru aby
uzyskać dobre tłumienie w paśmie zaporowym.
Projekty filtrów
Przykład 3
Rozważmy sygnał składający się z pięciu ”sinusów” o częstotliwościach
500, 1000, 1500, 2000, 2500 Hz oraz z szumu.

Projekty filtrów
Przykład 3
Projekt 1: chcemy odfiltrować pierwsze dwa prążki. Stosujemy:
• filtr górnoprzepustowy
• częstotliwość graniczna 1250 Hz
• częstotliwość próbkowania 48000 Hz
• szerokość pasma przejściowego 200 Hz
• okno Hamminga - estymowana minimalna długość:
3.3 · (48000/200) = 792
• wybieramy długość N = 801 z zapasem (dla GP musi być nieparzysta)

• procedurę okienkowania, z obliczaniem odpowiedzi impulsowej w
dziedzinie czasu

Projekty filtrów
Przykład 3

Projekty filtrów
Przykład 3
Jeśli zamienimy okno Hamminga na okno Kaisera - szerokość pasma
przejściowego 200 Hz, zaś minimalne tłumienie 60 dB:

Projekty filtrów
Przykład 3
Projekt 2: zostawiamy tylko drugi i trzeci prążek. Stosujemy:
• filtr pasmowo-przepustowy
• częstotliwości graniczne pasm przepustowych: 750, 1750 Hz
(wzmocnienia filtru na tych częstotliwościach: 1, 1)
• częstotliwości graniczne pasm zaporowych: 0, 730, 1770, 24000 Hz
(wzmocnienia filtru na tych częstotliwościach: 0, 0, 0, 0)
• okno Hamminga, N = 801
• procedurę okienkowania, z obliczaniem odpowiedzi impulsowej w
dziedzinie częstotliwości

Projekty filtrów
Przykład 3

Projekty filtrów
Przykład 3
Projekt 3: usuwamy środkowy prążek. Stosujemy:
• filtr pasmowo-zaporowy
• metodę najmniejszych kwadratów

Projekty filtrów
Przykład 3
Jeżeli chcemy większe tłumienie, musimy zwiększyć długość filtru i/lub
poszerzyć pasmo przejściowe.

Projekty filtrów
Przykład 3
Projekt 4: usuwamy drugi i czwarty prążek.
• Projektujemy filtr podając częstotliwości graniczne pasm oraz
wzmocnienia - jedno na każde pasmo.
• Redukujemy pasma przejściowe do 100 Hz (dla 200 Hz algorytm
iteracyjny nie uzyskał zbieżności)
• metodę Parksa-McClellana (”Remeza”)

Projekty filtrów
Przykład 3

Projekty filtrów
Przykład 3
Jeśli zamiast usuwania prążków chcemy je stłumić o 20 dB:

Podsumowanie
• Filtry FIR to cyfrowe realizacje układów modyfikujących sygnały

• Prosty algorytm (splot liniowy) i względnie łatwe projektowanie
• Najczęściej używane filtry: dolnoprzepustowy, górnoprzepustowy,
środkowoprzepustowy, środkowozaporowy
• Długość filtru to liczba współczynników filtru, rząd filtru jest o jeden
mniejszy niż jego długość
• Filtry FIR zawsze są stabilne - jeżeli wyłączymy sygnał wejściowy, po
pewnym czasie sygnał na wyjściu również stanie się zerowy,
• Filtry FIR projektowane metodą okienkową są zawsze liniowofazowe -
mają stałe opóźnienie dla wszystkich częstotliwości, nie wprowadzają
zniekształceń fazowych

Podsumowanie
• Metoda okienkowania jest podstawową metodą projektowania filtrów
FIR. Specyfikacja filtru objemuje częstotliwości graniczne oraz liczbę
współczynników
• Filtry typu I wymagają nieparzystej liczby współczynników, nadają się
do projektowania każdej charakterystyki filtru
• Filtry typu II wymagają parzystej liczby współczynników, nie nadają
się do charakterystyk mających niezerowe wzmocnienie na
częstotliwości Nyquista (górnoprzepustowych i pasmowo-zaporowych)
• Użycie okna Kaisera umożliwia uzyskanie pożądanej szerokości pasma
przejściowego i tłumienia w paśmie zaporowym
• Metody optymalnego projektowania filtrów FIR - metoda
najmniejszych kwadratów oraz metoda Parksa-McClellana
(”Remeza”) - umożliwiają lepsze dopasowanie charakterystyki filtru w
paśmie przepustowym i zaporowym do idealnej charakterystyki. W
porównaniu do metody okienkowania, zmniejszają szerokość pasma
przejściowego, ale mogą zmniejszyć tłumienie w paśmie zaporowym.

Wykład 5
• Rozdzielczość częstotliwościowa i czasowa analizy

• Generowanie sygnałów okresowych za pomocą FFT
• Obliczanie korelacji wzajemnej za pomocą FFT
• Krótkookresowe przekształcenie Fouriera (STFT)
• Odwrotne przekształcenie Fouriera (IFFT)
• Dwuwymiarowa dyskretna transformacja Fouriera
• Dyskretne przekształcenie kosinusowe
• Modulacja sygnałów
• Filtry analogowe

Rozdzielczość częstotliwościowa i czasowa analizy

Operację przekształcenia sygnału z dziedziny czasu do dziedziny
częstotliwości nazywa się przekształceniem (transformacją) Fouriera.
Wynik tej operacji, czyli częstotliwościową reprezentację sygnału, nazywa
się transformatą Fouriera.
W przypadku sygnałów dyskretnych (cyfrowych) mówimy o dyskretnym

przekształceniu Fouriera (DFT). W praktyce nie oblicza się transformaty z
definicji, stosuje się algorytm szybkiego przekształcenia Fouriera (FFT).
W podręcznikach opisuje się często algorytm FFT typu radix-2, w którym

rozmiar transformaty musi być potęgą dwójki. Gotowe procedury FFT
najszybciej działają wtedy, gdy liczba próbek jest potęgą dwójki. Będą
jednak działać również dla innych rozmiarów transformaty, jedynie
obliczenia mogą trwać dłużej. Najwięcej obliczeń jest potrzebnych wtedy,
gdy liczba próbek jest dużą liczbą pierwszą, wtedy konieczne jest liczenie
DFT z definicji.
Widmo amplitudowe
Na podstawie N próbek sygnału cyfrowego obliczamy N wartości

zespolonego widma. Ponieważ widmo sygnału jest sygnałem zespolonym,
zazwyczaj analizujemy moduł widma - widmo amplitudowe.
Na podstawie N próbek sygnału otrzymujemy N wartości widmowych,

pokrywających zakres od 0 do fs , gdzie fs jest częstotliwością
próbkowania, a fs /2 jest częstotliwością Nyquista. Odstęp między dwoma
punktami widma wynosi więc fs /N , w naszym przypadku: 23.4375 Hz.

Widmo amplitudowe
Sygnał sinusoidalny zawiera tylko jedną składową widmową o ustalonej

częstotliwości. Zatem widmem sinusa, obserwowanym w zakresie od 0 Hz
do częstotliwości Nyquista, jest jeden prążek widmowy.
Na wykresie pełnego widma widzimy dwa prążki. Jeżeli sygnał poddawany

transformacji Fouriera jest rzeczywisty, wtedy zawsze otrzymamy dwie
kopie widma, druga kopia będzie lustrzanym odbiciem pierwszej
(dokładnie: będzie jej zespolonym sprzężeniem). Często potrzebujemy
tylko jednej kopii widma.
Widmo amplitudowe
Na podstawie N próbek sygnału otrzymujemy (N/2) + 1 wartości

zespolonego widma jeżeli N jest parzyste, (N − 1)/2 wartości jeżeli N jest
nieparzyste. Pierwsza wartość transformaty jest składową stałą, czyli sumą
wartości sygnału (jest ona zawsze rzeczywista). Jeżeli N jest parzyste,
ostatnia wartość wyniku reprezentuje składową dla częstotliwości Nyquista
(również jest rzeczywista).

Widmo amplitudowe
Przykład
Rozważmy widmo dla sygnału będącego sumą trzech sinusów o
częstotliwościach: 1000, 3000, 5000 kHz i amplitudach: 0.5; 0.3; 0.2.
Widmo jest wykreślone w skali liniowej i decybelowej dla częstotliwości do
10000 Hz.

Widmo Widmo fazowe
Przykład
Widmo fazowe przedstawia fazę poszczególnych składowych widmowych.
Przy analizie widma fazowego, pamiętajmy że faza jest cykliczna, zawija

się wokół wartości 2π.

Widmowa gęstość mocy
Badając widmo sygnału, pokazujemy widmo amplitudowe, czyli moduł

widma, w skali decybelowej. W wielu dziedzinach stosuje się zamiast tego
widmową gęstość mocy, a wynik analizy nazywa się periodogramem.
Metoda ta ma zastosowanie szczególnie do sygnałów losowych oraz
sygnałów z dodanym szumem.

sygnału na jednostkę częstotliwości.

Widmowa gęstość mocy
Przykład

Jakie znaczenie ma rozmiar transformaty Fouriera?
Na podstawie N próbek sygnału otrzymujemy N wartości widma w

zakresie od 0 do fs . Zatem odstęp pomiędzy dwoma wartościami widma
wynosi:
fs
∆f =
N
Wartość ∆f nazywa się rozdzielczością częstotliwościową
transformaty Fouriera. Jest to najmniejsza wykrywalna różnica pomiędzy
dwoma składowymi widmowymi. Dwie składowe częstotliwościowe sygnału
odległe od siebie o mniej niż ∆f będą reprezentowane w widmie przez tę
samą wartość.

Przykład
Dla fs = 48 kHz, rozdzielczość częstotliwościowa zmienia się ze
zwiększaniem rozmiaru transformaty następująco:
N 128 256 512 1024 2048 4096

∆f [Hz] 375.00 187.50 93.75 46.88 23.44 11.72

Aby lepiej zilustrować znaczenie rozdzielczości częstotliwościowej,

spróbujmy wykryć częstotliwość prążka widmowego dla pojedynczego
sinusa 1000 Hz używając różnych rozmiarów transformaty.
Na skutek skończonej rozdzielczości FFT nie dostajemy nigdy dokładnej

wartości częstotliwości prążka. Raz jest ona za mała, raz za duża. Jednak
można zauważyć, że większy rozmiar transformaty to zawsze mniejszy błąd
estymacji częstotliwości. Potrzebowaliśmy rozmiaru co najmniej 2048 aby
błąd spadł poniżej 1%.

Czy zatem większy rozmiar transformaty jest zawsze lepszy?
Jeżeli widmo sygnału jest niezmienne w czasie, tak jak w przypadku

sinusa, wtedy tak. W praktycznych przypadkach (np. analiza sygnału
mowy) widmo sygnału jest jednak zmienne w czasie. Większy rozmiar
transformaty wymaga większej liczby próbek, a więc dłuższego odcinka
czasowego. Czas, z którego pobieramy N próbek wynosi:
N
∆t =
fs
Wartość ∆t jest rozdzielczością czasową FFT. Określa ona minimalny
odstęp czasowy pomiędzy dwoma zdarzeniami w sygnale, który umożliwia
rozróżnienie tych dwóch zdarzeń. Jeżeli np. w sygnale pojawią się dwa
impulsy odległe od siebie o mniej niż ∆t, to przy obliczaniu FFT z odcinka
zawierającego oba impulsy zostaną one uśrednione.
Przykład
Poniższa tabela pokazuje zarówno rozdzielczość częstotliwościową, jak i
czasową.
N 128 256 512 1024 2048 4096

∆f [Hz] 375.00 187.50 93.75 46.88 23.44 11.72
∆t[ms] 2.67 5.33 10.67 21.33 42.67 85.33
Zwiększamy rozmiar transformaty i poprawiamy rozdzielczość

częstotliwościową. Ale jednocześnie pogarszamy rozdzielczość czasową.
Dlatego duże rozmiary FFT stosujemy dla sygnałów o stabilnym widmie,
gdy zależy nam na dokładnym rozróżnieniu składowych
częstotliwościowych. Z kolei małe rozmiary FFT stosujemy przy analizie
szybkozmiennego widma, godząc się na mniej dokładną analizę
składowych. W przypadkach pośrednich szukamy kompromisu.

Przypomnijmy o uzupełnianiu próbek zerami (zero padding). Możemy

wziąć np. 1024 próbki sygnału, wstawić na koniec 1024 zera i policzyć
transformatę z 2048 próbek.
W ten sposób pozornie zwiększamy dwukrotnie rozdzielczość

częstotliwościową względem transformaty o rozmiarze 1024 bez
uzupełniania zerami, zachowując rozdzielczość czasową transformaty 1024.
Jest to pozorny zysk, ponieważ nie otrzymujemy w ten sposób więcej

danych. W uzyskanym widmie, co druga wartość będzie odpowiadała
wartościom widma transformaty o rozmiarze 1024, a pozostałe wartości
widma są interpolowane. Niemniej jednak, metoda ta jest w pewnych
zastosowaniach użyteczna.

Generowanie sygnałów okresowych za pomocą FFT

Sygnały harmoniczne oraz inne sygnały okresowe można również

generować poprzez zbudowanie żądanego widma i obliczenie odwrotnej
transformaty Fouriera. Zasadnicza wada tego podejścia to brak możliwości
uzyskania dowolnej częstotliwości sygnału, dostępne częstotliwości
wynikają z rozmiaru transformaty i częstotliwości próbkowania.
Uzyskanie dowolnej częstotliwości sygnału wymaga zastosowania

interpolacji. Zaletą metody jest szybsze działanie niż w przypadku
generowania addytywnego (zwłaszcza gdy trzeba obliczyć bardzo wiele
składowych) i możliwość generowania sygnałów o dowolnym widmie.

Rozpatrzmy sygnał sinusoidalny. Chcemy uzyskać N próbek sygnału,
zatem potrzebujemy N wartości widma. Ponieważ tworzymy sygnał
rzeczywisty, wystarczy określić jedną połowę widma. Dokładnie
potrzebujemy N/2 + 1 wartości widma: pierwsza wartość określa składową
stałą, ostatnia - częstotliwość Nyquista (dla uproszczenia zakładamy, że N
jest parzyste), pozostałe wartości określają amplitudę (i fazę) składowych
sygnału. Wartość widma o indeksie k reprezentuje składową sygnału o
częstotliwości kfs /N .

Tworzymy więc bufor o długości N/2 + 1 wypełniony zerami, pamietając
że posługujemy się wartościami zespolonymi. Amplituda sygnału ma
wynosić 1. Ponieważ składowa od sygnału sinusoidalnego musi pojawić się
w widmie dwa razy, dzielimy amplitudę na dwa. Składowa sinusoidalna
stanowi część urojoną zespolonej pulsacji widmowej, dlatego wartość
składowej widmowej musi być równa −0.5j. Wstawiając tę wartość pod
indeks k = 1 uzyskamy jeden okres sygnału, indeks nk pozwoli uzyskać
częstotliwość n razy większą. Po obliczeniu IFFT i pominięciu szczątkowej
części urojonej, musimy jeszcze przeskalować amplitudę sygnału ze
współczynnikiem N .

Otrzymaliśmy oczekiwany wynik:


Sygnał trójkątny
Dla sygnału trójkątnego musimy obliczyć amplitudy nieparzystych
składowych widmowych, zgodnie ze wzorem na szereg Fouriera (ponownie
dzieląc amplitudy na dwa), pozostawiając parzyste składowe równe zeru.
Należy pamiętać o nie nadpisywaniu składowych: stałej i dla częstotliwości
Nyquista.

Sygnał piłokształtny
Dla sygnału piłokształtnego należy obliczyć amplitudy wszystkich
składowych widma. Ustawienie dodatnich amplitud daje ”piłę”
narastającą, ujemnych amplitud daje ”piłę” opadającą.

Sygnał prostokątny
Podobnie postępujemy dla sygnału prostokątnego, regularnego (o
współczynniku kształtu równym 0.5).

Obliczanie korelacji wzajemnej za pomocą FFT

”Szybki” splot za pomocą FFT
Możemy splatać ze sobą dwa sygnały w dziedzinie czasu. W podobny

sposób możemy wykonać splot dwóch transformat Fouriera sygnałów.
Możemy także obliczyć splot w inny sposób. Zasada:
• splotowi dwóch sygnałów w dziedzinie czasu odpowiada mnożenie ich
• mnożeniu dwóch sygnałów w dziedzinie czasu odpowiada splot ich
Z powyższej zasady wynika, że możemy obliczyć wynik splotu sygnałów
poprzez obliczenie ich transformat Fouriera, przemnożenie ich przez siebie i
obliczenie odwrotnej transformaty. Nie możemy jednak po prostu
wymnożyć transformat sygnałów, ponieważ w ten sposób obliczymy splot
kołowy. Chcąc obliczyć splot liniowy, musimy wydłużyć oba sygnały do
długości L + M − 1 , gdzie L i M to długości splatanych sygnałów,
poprzez uzupełnienie ich zerami na końcu.

Splot sygnałów można obliczyć za pomocą mnożenia transformat Fouriera

sygnałów. Skoro korelacja wzajemna jest podobna do splotu, można
również wykorzystać FFT do obliczenia korelacji.
Najprostszą metodą jest odwrócenie w czasie jednego z sygnałów przed

obliczeniem FFT. Można jednak postąpić inaczej - dla sygnałów
rzeczywistych, odwróceniu sygnału w czasie odpowiada obliczenie
zespolonego sprzężenia jego transformaty. Sprzężenie liczby zespolonej
obliczamy przez odwrócenie znaku części urojonej. Tak jak w przypadku
splotu, musimy pamiętać o uzupełnieniu sygnałów zerami.

Autokorelacja
Autokorelacja jest szczególnym przypadkiem korelacji wzajemnej sygnału
”samego ze sobą”. Autokorelacja dla danej wartości przesunięcia opisuje
podobieństwo sygnału do jego przesuniętej kopii. Największe
podobieństwo, uzyskamy dla zerowego przesunięcia, gdy oba korelowane
sygnały są identyczne.
Autokorelacja sygnału dla zerowego przesunięcia jest równa energii

sygnału, czyli sumie kwadratów próbek. Unormowana funkcja
autokorelacji powstaje przez podzielenie wartości funkcji autokorelacji
przez energię sygnału, tak że dla zerowego przesunięcia, wartość
autokorelacji przyjmuje wartość maksymalną, równą 1.

Autokorelacja
Podstawowym zastosowaniem autokorelacji jest wyszukiwanie okresowości
w sygnale. Jeżeli sygnał jest idealnie okresowy (np. sygnał sinusoidalny),
maksima funkcji autokorelacji będą znajdowały się w punktach równych
wielokrotności okresu.
Dla sygnałów ”pseudookresowych”, w których kolejne okresy mogą różnić

się od siebie (np. dźwięków instrumentów muzycznych), autokorelacja
pozwoli znaleźć długość powtarzającego się fragmentu sygnału.

Autokorelacja
Sygnał trójkątny
Rozważmy sygnał trójkątny - sekwencja ta powtarza się z okresem o
długości 20 próbek:

Autokorelacja
Sygnał trójkątny
Funkcja autokorelacji obliczona jako korelacja wzajemna jest zawsze

symetryczna (nie ma znaczenia w którą stronę przesuwamy kopię sygnału).
Potrzebujemy części, która zaczyna się od zerowego przesunięcia. Musimy
więc odrzucić pierwszych L − 1 wartości, gdzie L oznacza długość
sygnału. Ponadto możemy unormować funkcję autokorelacji w taki sposób,
aby dla zerowego przesunięcia wartość autokorelacji wynosiła jeden.

Autokorelacja
Sygnał trójkątny
Dla zerowego przesunięcia mamy maksymalną wartość autokorelacji. W

miarę zwiększania się przesunięcia, kopie sygnału stają się coraz mniej
podobne do siebie. W chwili gdy minimum jednego sygnału pokrywa się z
maksimum drugiego (przesunięcie równe połowie okresu), autokorelacja
przyjmuje wartość minimalną.

Autokorelacja
Sygnał trójkątny
Gdy dalej zwiększamy przesunięcie, okresy zaczynają nakładać się na siebie

i wartość autokorelacji wzrasta. Gdy przesunięcie jest równe długości
okresu, wartość autokorelacji osiąga lokalne maksimum. Dalej cykl się
powtarza.

Autokorelacja
Sygnał trójkątny
Na wykresie widać, że dla przesunięć równych kolejnym wielokrotnościom

okresu, wartości autokorelacji są coraz mniejsze, chociaż przesunięcie
sygnału o dowolną liczbę okresów daje taki sam sygnał. Wynika to z
liniowego sposobu liczenia autokorelacji - dla większych przesunięć, mniej
próbek bierze udział w obliczeniach, stąd mniejsze wartości.

Obliczanie autokorelacji za pomocą FFT
Korelację wzajemną możemy obliczyć za pomocą FFT - w ten sam sposób

można obliczyć też autokorelację. W przypadku sygnałów rzeczywistych,
mnożeniu transformaty sygnału przez jej zespolone sprzężenie odpowiada
kwadrat modułu transformaty. W taki sposób jest liczona autokorelacja
metodą FFT.

Sygnał trójkątny
Obliczmy autokorelację sygnału trójkątnego podaną powyżej metodą.
Wynik normujemy dzieląc przez wynik otrzymany dla zerowego
przesunięcia. Z obliczonego wyniku bierzemy pierwszą połowę wartości
autokorelacji, druga połowa jest symetryczna i odpowiada ujemnym
przesunięciom.

Sygnał trójkątny
W ten sposób otrzymujemy autokorelację kołową. Amplituda maksimów

dla przesunięć równych wielokrotnościom okresu jest jednakowa.

Sygnał trójkątny
Aby otrzymać autokorelację liniową, musimy uzupełnić sygnał L − 1
zerami, gdzie L jest długością analizowanego sygnału.
Otrzymujemy identyczny wynik jak dla autokorelacji obliczonej wcześniej z

definicji.

Widma funkcji korelacji i autokorelacji
Widmową gęstość mocy

Postacie widmowe funkcji korelacji wzajemnej i autokorelacji mają również
interpretację fizyczną. Transformatę Fouriera funkcji autokorelacji Rxx
sygnału x(n) oblicza się jako:
Pxx (k) = X(k) · X(k)∗ = |X(k)|2
Funkcja Pxx reprezentuje widmową gęstość mocy (PSD), nazywaną

periodogramem. Widmowa gęstość mocy opisuje rozkład częstotliwościowy
mocy sygnału.

Widmową gęstość mocy

Transformata Fouriera funkcji korelacji wzajemnej Rxy sygnałów x(n) i
y(n) jest obliczana jako:
Pxy (k) = X(k)∗ · Y (k)
Funkcję Pxy nazywa się widmem wzajemnym lub wzajemną gęstością

widmową (ang. Cross-Spectral Density, CSD). Funkcja ta opisuje
wzajemną zależność wartości dwóch sygnałów w dziedzinie częstotliwości.

Koherencja
Koherencję (ang. Coherence) reprezentuje wzajemną zależność mocy
dwóch sygnałów w dziedzinie częstotliwości. Obliczamy ją następująco:
|Pxy |2
Cxy =
Rxx Ryy
Funkcje Rxx , Rxy , Cxy są stosowane przede wszystkim do analizy sygnałów

o charakterze losowym (stochastycznych), również zaszumionych
sygnałów. Ze względu na naturę takich sygnałów, nie wystarczy obliczyć
tych funkcji dla jednego bloku próbek. W praktyce stosuje się podział
sygnału na odcinki za pomocą okien czasowych, obliczenie pożądanych
funkcji oraz uśrednienie i skalowanie wyników z poszczególnych okien.

Krótkookresowe przekształcenie Fouriera
Krótkookresowe przekształcenie Fouriera (SFT)

Sygnał świergotowy
Sygnał świergotowy (chirp) jest to sygnał o zmiennej częstotliwości
chwilowej. Najprostszym przypadkiem sygnału świergotowego jest sygnał
sinusoidalny, którego częstotliwość chwilowa jest przestrajana w trakcie
generowania. Najczęściej stosuje się liniowe lub logarytmiczne przestrajanie
częstotliwości. Sygnały świergotowe stosuje się np. do badania
charakterystyki częstotliwościowej układów, podając na wejście sygnał
świergotowy, rejestruje się odpowiedź systemu na pobudzenia o różnych
częstotliwościach.
Sygnał świergotowy przestrajany liniowo możemy wygenerować w taki sam

sposób, jak sygnał sinusoidalny, ale stosując inną wartość częstotliwości
dla każdej próbki.

Poniższy przykład generuje sygnał o czasie trwania 100 ms, przestrajany
liniowo w zakresie od 1 Hz do 200 Hz.

Poniżej przykład dla przestrajania logarytmicznego od 20 Hz do 500 Hz w
ciągu 1 sekundy.

Do tej pory wykonywaliśmy analizę częstotliwościową dowolnie wybranego

fragmentu sygnału. Ma to sens jeżeli widmo sygnału jest niezmienne.
Ale praktyczne sygnały, np. mowa lub muzyka, mają widmo zmieniające
się w czasie. Wybierając różny fragment sygnału do analizy otrzymamy
różne wyniki.

Obliczymy widmo sygnału świergotowego (chirp): sygnał trwający 1
sekundę, o częstotliwości wzrastającej liniowo od 20 Hz do 5000 Hz.
Widmo dla dwóch fragmentów sygnału:
Widzimy, że w oby przypadkach uchwyciliśmy inną chwilową częstotliwość

sygnału. Nie wystarczy więc zbadać widma w jednej chwili, musimy
przeanalizować cały sygnał.

Krótkookresowe przekształcenie Fouriera (ang. Short Time Fourier

Transform, STFT) polega na podzieleniu sygnału na odcinki czasowe za
pomocą funkcji okna, obliczeniu widma dla każdego odcinka osobno oraz
połączeniu wyników w całość. Można wyobrazić sobie okno przesuwające
się po osi czasu.
Wynik STFT przedstawia się w formie spektrogramu i jest on

trójwymiarowy:
czas (oś pozioma) – częstotliwość (pionowa) – amplituda (kolor).

W praktyce bardzo często stosuje się zakładkowanie (ang. Overlapping )

okien czasowych. Polega to na tym, że okno nie jest przesuwane o swoją
długość, lecz o część długości, zwykle 25%, 50% lub 75%. Niektóre próbki
są więc poddawane analizie w więcej niż jednym oknie. Robi się tak z
dwóch powodów:
• redukuje się efekty brzegowe (zniwelowanie wpływu funkcji okna na
widmo) - zniekształcenia w skrajnych obszarach okna wynikające z
mnożenia amplitud próbek przez wartości funkcji okna bliskie zeru
• zwiększa się w ten sposób rozdzielczość czasową analizy
Zwykle stosuje się następującą konwencję:
• dla okien Hamminga i von Hanna: przesunięcie o 50% długości okna
• dla okna Blackmana: przesunięcie o 25% długości okna


Spektrogram sygnału świergotowego (chirp): użyjmy okna Hamminga o
rozmiarze 2048, z zakładkowaniem 75% (1536 próbek).
Na osi poziomej mamy czas, na osi pionowej częstotliwość, amplituda

widma jest przedstawiona za pomocą określonej mapy barw
(przedstawionej na słupku). Widzimy na wykresie liniową zmianę
częstotliwości analizowanego sygnału.
Wykres mocno powiększonego fragmentu spektrogramu:
Widoczne prostokąty uwidaczniają rozdzielczość czasową (szerokość

prostokąta) i częstotliwościową (wysokość prostokąta). Wszystkie elementy
sygnału leżące wewnątrz jednego prostokąta ”zlewają się” w jeden wynik.


Widmo tego samego sygnału dla okna o rozmiarze 512:
Widać że prostokąty stały się znacznie węższe (lepsza rozdzielczość

czasowa), ale zarazem stały się dużo wyższe (gorsza rozdzielczość
częstotliwościowa). Zmiana rozmiaru okna czasowego zmienia więc
proporcje szerokości do wysokości każdego prostokąta, ale nie da się
prostokąta ”zmniejszyć”. Te wykresy ilustrują problem zależności obu
rozdzielczości FFT od siebie (nie da się uzyskać jednocześnie dobrej
rozdzielczości czasowej i częstotliwościowej w STFT).
Dźwięk klarnetu
Analizy rzeczywistego dźwięku - nagranie klarnetu odgrywającego dźwięk o
wysokości 440 Hz:

Dźwięk klarnetu
Spektrogram pokazuje zmiany widma dźwięku klarnetu. W początkowej

fazie dźwięku, tzw. fazie ataku, dźwięk zaczyna się tworzyć gdy muzyk
wprawia powietrze wewnątrz instrumentu w drgania - widmo jest w tej
fazie niestabilne. Następnie mamy fazę podtrzymania (muzyk cały czas
dmucha w instrument).

Dźwięk klarnetu
Widzimy harmoniczną strukturę dźwięku - częstotliwość podstawową 440

Hz i jej całkowite wielokrotności - harmoniczne. Około 1.2 s. muzyk
przestaje pobudzać instrument i dźwięk zaczyna się wygaszać (faza
wybrzmiewania lub zwolnienia). Wszystkie te informacje możemy odczytać
z histogramu dzięki analizie STFT.

Podsumowując:
• przekształcenie Fouriera działa na blokach próbek
• krótkookresowe przekształcenie Fouriera STFT stosujemy do analizy
dłuższych sygnałów, po podzieleniu go na okna czasowe, które zwykle
nakładają się na siebie (zakładkowanie)
• spektrogram to wykres czas - częstotliwość - amplituda widma,
pokazujący wynik STFT
• każde obliczone widmo uśrednia to co się dzieje wewnątrz danego
bloku
• tracone są chwilowe zmiany sygnału wewnątrz bloku

Odwrotne przekształcenie Fouriera
Odwrotne przekształcenie Fouriera (IDFT)

FFT dokonuje przekształcenia sygnału z dziedziny czasu do dziedziny

częstotliwości. Mamy również odwrotne przekształcenie Fouriera (w
wersji ”szybkiej”: ang. Inverse Fast Fourier Transform, IFFT), które,
wykonuje przekształcenie w odwrotnym kierunku.
Bardzo często stosujemy ciąg operacji: FFT - przetwarzanie w dziedzinie

częstotliwości - IFFT i powrót do sygnału w dziedzinie czasu.

IFFT
Spróbujmy wykorzystać IFFT do wygenerowania sygnału sinusoidalnego o
częstotliwości 1000 Hz.
Prążek widmowy odpowiadający częstotliwości f ma w widmie indeks

N · f /fs . Dla N = 2048 i fs = 48000 Hz, dostajemy n = 42.(6). Musimy
tę wartość zaokrąglić. Biorąc prążek o indeksie n = 43 otrzymujemy
częstotliwość fs · n/N , czyli 1007.81 Hz.
Aby otrzymać amplitudę sygnału równą 1, amplituda widmowa prążka

musi być równa połowie długości transformaty, natomiast faza dla sygnału
sinus musi wynosić −π . Tworzymy więc wektor zer o typie liczb
zespolonych i wstawiamy zespoloną amplitudę prążka na właściwe miejsce.

IFFT
Okres sygnału o częstotliwości 1000 Hz wynosi (dla częstotliwości

próbkowania 48000 Hz) 480 próbek, więc 240 próbek sygnału powinno
objąć dokładnie 5 okresów sygnału. Ponieważ dokonaliśmy zaokrąglenia,
okres uległ nieznacznemu skróceniu. Widać jednak, że istotnie
otrzymaliśmy w ten sposób sygnał sinusoidalny.

Dwuwymiarowa dyskretna transformacja Fouriera

Do analizy częstotliwościowej i przetwarzania dyskretnych sygnałów

dwuwymiarowych x(n, m), na przykład obrazów cyfrowych, często stosuje
się dwuwymiarową transformację Fouriera. Jest ona zdefiniowana za
pomocą następującej pary równań (k, l = 0, 1, . . . , N − 1):

−1 N −1
1 NX X −j 2π
N
(mk+nl)
X(k, l) = 2 x(m, n)e
N m=0 n=0

N −1 N −1 2π
X X j N
(mk+nl)
x(k, l) = X(k, l)e
m=0 n=0
1
Uwaga: czasami czynnik N2 pojawia się w równaniu na x(k, l).

Równanie

−1 N −1
1 NX X −j 2π
N
(mk+nl)
X(k, l) = 2 x(m, n)e
N m=0 n=0
reprezentuje transformację właściwą (”prostą”). Równanie

N −1 N −1 2π
X X j N
(mk+nl)
x(k, l) = X(k, l)e
m=0 n=0
reprezentuje transformację ”odwrotną”. Jak widać pod względem

obliczeniowym równania różnią się jedynie znakiem wykładnika, a więc
mogą być wyznaczane za pomocą (prawie) identycznych algorytmów.

Ponieważ równanie

−1 N −1
1 NX X −j 2π
N
(mk+nl)
X(k, l) = 2 x(m, n)e
N m=0 n=0
można zapisać jako:

−1 h N −1
1 NX X −j 2π
N
nl i −j 2π
N
mk
X(k, l) = 2 x(m, n)e e
N m=0 n=0
stąd wynika, że obliczenie dwuwymiarowego DFT sprowadza się do

wykonania dwóch serii jednowymiarowych, N -punktowych algorytmów
DFT, przy czym każda seria składa się z N takich algorytmów.

Każda seria składa się z N algorytmów:

1 DFT wszystkich wierszy macierzy x(m, n), m = 0, 1, . . . , N − 1:

N −1 2π
X −j N
nl
Xw (m, l) = x(m, n)e
n=0
2 DFT wszystkich kolumn macierzy Xw (m, l), l = 0, 1, . . . , N − 1:

N −1 2π
X −j N
mk
X(k, l) = Xw (m, l)e
m=0
Możemy więc skorzystać z szybkich procedur FFT.

Dyskretne przekształcenie kosinusowe
Dyskretne przekształcenie kosinusowe (DCT)

Dyskretna transformacja kosinusowa (ang. Discrete Cosine Transform,

DCT) jest to rodzaj blokowej transformacji wykonywanej na wartościach
dyskretnych. Jest szczególnie popularna w dziedzinie stratnej kompresji
danych. Jest stosowana w standardach kompresji obrazów nieruchomych
JPEG i ruchomych MPEG oraz w algorytmie kompresji dźwięku MPEG
audio. Transformacja ta pozwala na pewnego rodzaju rozkład obrazu na
składowe o ”różnym stopniu szczegółowości”.
Przy pomocy transformacji DCT możemy rozłożyć dowolny obraz na sumę

wzorów graficznych utworzonych ze złożenia funkcji kosinus o różnych
częstotliwościach. Ponieważ kodery obrazu i wideo operują na blokach o
boku 4-8-16 pikseli takim obrazem rozkładanym na składowe kosinusowe
jest pojedynczy blok.

Przed przystąpieniem do dyskretnego przekształcenia kosinusowego duży

obraz dzielimy na bloki o rozmiarze 8 × 8 pikseli.
Powody:
• zamiar wykorzystania nadmiarowości w zbiorze pikseli. Dowolny piksel
jest z dużym prawdopodobieństwem ściśle związany z czterema
otaczającymi go innymi pikselami, a także należy się spodziewać, że
każdy z tych czterech pikseli ma także jakieś związki ze swoimi
czterema sąsiadami. Natomiast jest mało prawdopodobne, że
rozpatrywany piksel ma jakiś związek z innym pikselem, który jest od
niego oddalony na znaczną odległość. Stąd, dzieląc obraz na mniejsze
bloki mamy nadzieję na uformowanie grupy pikseli, które są
statystycznie ze sobą związane, co w konsekwencji pozwala na
wyeliminowanie znacznej ilości związanej z tym nadmiarowości
informacyjnej

• zamiar redukcji liczby wymaganych operacji obliczeniowych. W tym

sensie DCT jest podobne do DFT. Dokonywanie DCT na całym
obrazie jest niepraktyczne - wymagane obliczenia zajęłyby zbyt dużo
czasu - brak zastosowań do systemów czasu rzeczywistego. Po
przeprowadzeniu DCT na bloku pikseli otrzymamy zbiór zależnych od
częstotliwości współczynników. W rzeczywistości dla danego obrazu
przeważają składowe niskoczęstotliwościowe (włączając w to składową
stałą, czyli obrazy jednobarwne), a składowych
wysokoczęstotliwościowych jest znacznie mniej.
Po podziale obrazu na mniejsze bloki ilość informacji wynikłej po obróbce
DCT będzie mniejsza i w konsekwencji czas potrzebny na przeprowadzenie
odwrotnego DCT będzie odpowiednio również mniejszy.


Poniżej obrazek, zawierający wszystkie funkcje bazowe transformacji DCT
dla bloku 8 × 8 pikseli. Obraz - blok 8 × 8 - zrekonstruowany z jego
reprezentacji częstotliwościowej DCT będzie ważoną sumą wszystkich 64
obrazków:

W lewym górnym rogu funkcja bazowa to po prostu wypełniony kwadrat,

odpowiada on składowej stałej bloku. Potem, wzdłuż osi, poziomo i
pionowo, mamy wzory powstałe z funkcji kosinus, o rosnącej częstotliwości
w miarę oddalania się od składowej stałej.
Po przekątnej mamy iloczyny kosinusów z obu kierunków, które tworzą

charakterystyczne kratki. W prawym dolnym rogu znajduje się po prostu
kratka o oczku wielkości jednego piksela - odpowiada ona maksymalnej
częstotliwości funkcji kosinus wzdłuż obu osi.
Najwięcej ”szczegółów”, czyli największą zmienność prezentuje funkcja

bazowa z prawego dolnego rogu, zaś najmniej ”detali” znajdziemy w
górnym lewym rogu, czyli w sąsiedztwie składowej stałej (częstotliwość
równa zero).
Kolor biały oznacza tu wartość maksymalną, a czerń minimalną.

Transformacja kosinusowa ma za zadanie ustalić ”udział” każdej (każdej z
osobna) z tych funkcji bazowych w transformowanym bloku tak, aby
nakładając na siebie wszystkie te pofalowane kwadraciki pomnożone przez
odpowiadające im udziały otrzymać pierwotny obraz.
DCT
DCT przekształca skończony ciąg N liczb rzeczywistych
x(0), . . . , x(N − 1) w ciąg liczb rzeczywistych X(0), . . . , X(N − 1)
zgodnie z zależnościami:
−1 −1
1 NX 2 NX
r
πk(2n + 1)
X(0) = √ x(n), X(k) = x(n) cos
N n=0 N n=0 2N
dla k = 1, 2, . . . , N − 1. X(k) jest nazywane współczynnikiem DCT lub

transformatą.

IDCT
Definiuje się również odwrotną dyskretną transformację kosinusową
(IDCT) jako:
−1
2 NX
r
1 πk(2n + 1)
x(n) = √ X(0) + X(k) cos
N N k=1 2N
dla n = 0, 2, . . . , N − 1.


Zaletą stosowania transformaty DCT w kompresji jest fakt, że większość
współczynników jest zwykle bliska 0 - po kwantyzacji wyzerują się one, co
zredukuje liczbę bitów potrzebną do reprezentacji sygnału bez
wprowadzania dużego błędu.
Przetwarzanie sygnałów wielowymiarowych wymaga zastosowania

przekształcenia o odpowiedniej liczbie wymiarów. Ponieważ przekształcenie
wielowymiarowe DCT jest separowalne, odpowiednie transformaty można
uzyskać przez kolejne wykonanie jednowymiarowych przekształceń we
wszystkich wymiarach.
Na przykład przekształcenie bloków obrazu, czyli sygnału 2-wymiarowego,

sprowadza się do obliczenia wyniku DCT we wszystkich wierszach danego
bloku, a następnie przekształcenie tych współczynników kolejnym
zestawem operacji DCT liczonych po wszystkich kolumnach - kolejność
operacji jest dowolna.

Szybkie wyznaczanie DCT
Równanie na DCT dla k = 1, 2, . . . , N − 1:
−1 −1
1 NX 2 NX
r
πk(2n + 1)
X(0) = √ x(n), X(k) = x(n) cos
N n=0 N n=0 2N
można przekształcić oddzielnie sumując parzyste i nieparzyste próbki

sygnału x(n):
−1
1 NX h πk(4n + 1) i
X(k) = √ x̃(n) cos
N n=0 2N
h 1 N −1 i
= Re √ e−jπk/2N · x̃(n)e−j2πkn/N
X
N n=0
gdzie x̃(n) = x(2n).

Szybkie wyznaczanie DCT

Czyli możemy obliczyć X(k) wykonując N -punktowe DFT (FFT) na
sygnale x̃(n):
h 1 i
X(k) = Re √ e−jπk/2N · DF TN (x̃(n))
N

Szybkie wyznaczanie IDCT

Jeśli jako operację odwrotną wykonamy następujące N -punktowe IDFT:
h 1 i
x̄(n) = Re IDF TN { √ ejπk/2N X(k)}
N
−1
h NX 1 i
= Re { √ ejπk/2N X(k)}ej2πkn/N
n=0 N
to próbki parzyste i nieparzyste sygnału wejściowego x(n) można w

następujący sposób odtworzyć z próbek sygnału x̄(n)
(n = 0, 1, . . . , N/2 − 1):
x(2n) = x̄(n) x(2n + 1) = x̄(N − 1 − n)

Modulacja sygnałów

Wstęp
Modulacja sygnałów analogowych jest szeroko stosowana w

telekomunikacji, np. do transmisji fal radiowych.
W technice cyfrowej modulacja ma mniejsze znaczenie, z uwagi na

dyskretny charakter sygnałów i powstawanie aliasingu. Cyfrowa modulacja
jest spotykana np. w cyfrowej syntezie dźwięku.
Teoria modulacji sygnałów stanowi bardzo obszerny temat, dlatego

przedstawione zostaną podstawowe zagadnienia. Pominięty zostanie m.in.
aspekt demodulacji sygnałów.

Bloki funkcjonalne systemu telekomunikacyjnego
Ogólny schemat systemu telekomunikacyjnego, przeznaczonego do

przesyłania informacji od nadawcy do odbiorcy:

Po stronie nadawczej systemu występuje źródło informacji, generujące

pierwotny sygnał informacyjny, przetwornik informacja-sygnał oraz
nadajnik, którego zadaniem jest wytworzenie sygnału zmodulowanego.
Sygnał otrzymany na wyjściu nadajnika jest transmitowany przez kanał
transmisyjny do odbiornika.

Po stronie odbiorczej występuje odbiornik sygnału, przetwornik

sygnał-informacja oraz odbiornik informacji. Zasadniczym zadaniem
odbiornika sygnału jest dokonanie demodulacji sygnału - operacji
odwrotnej do modulacji. Sygnał zdemodulowany jest następnie
przetwarzany przez przetwornik sygnał-informacja, na którego wyjściu
występuje odzyskany sygnał informacyjny. Sygnał ten jest już bezpośrednio
odbierany przez odbiornik informacji, którym w większości przypadków jest
człowiek.


Nadajnik
W nadajniku jest realizowany cały zespół operacji mających na celu
odpowiednie ukształtowanie sygnału przekazywanego do odbiornika przez
kanał transmisyjny. Zestaw tych operacji w różnych systemach jest na ogół
różny.
W każdym nadajniku występują jednak dwa podstawowe układy:

modulator oraz wzmacniacz. Zadaniem modulatora jest wytworzenie
sygnału zmodulowanego, tj. przetworzenie sygnału elektrycznego do
postaci, która umożliwia jego transmisję na odległość. Zadaniem układów
wzmacniających jest natomiast zapewnienie odpowiedniej mocy tego
sygnału.
W przypadku systemów bezprzewodowych (radiowych, telewizyjnych,

telemetrycznych) w nadajniku występuje ponadto antena nadawcza, za
pomocą której sygnał zmodulowany jest emitowany w wolną przestrzeń.
Odbiornik
W odbiorniku sygnału są realizowane dwie podstawowe operacje:
wzmocnienie sygnału odebranego i jego demodulacja. Wzmocnienie
sygnału jest konieczne, aby możliwe było dalsze jego przetwarzanie.
Demodulacja natomiast przywraca pierwotną postać sygnału
informacyjnego.
W niektórych przypadkach, jak na przykład w systemach radiolokacyjnych,

moc sygnału użytecznego na wejściu odbiornika może być dużo mniejsza
od mocy sygnału zakłócającego. Mówimy wówczas, że sygnał jest ukryty
w szumie. Zadaniem odbiornika jest w takim przypadku, po pierwsze,
wykrycie sygnału w szumie, a następnie - wyeliminowanie towarzyszących
mu zakłóceń i tym samym możliwie najbardziej wierne jego odtworzenie.

Cele modulacji sygnału
• Bez modulacji przesyłanie sygnałów na dalekie odległości byłoby

niemożliwe
• Modulacja ma przede wszystkim na celu dopasowanie właściwości
widmowych sygnału do charakterystyk częstotliwościowych kanału
transmisyjnego
• Sygnał informacyjny jest z reguły sygnałem dolnopasmowym, o
znaczącym udziale składowych niskoczęstotliwościowych, podczas gdy
istniejące kanały są zawsze środkowoprzepustowe. Bezpośrednie
przesyłanie sygnału w jego naturalnym paśmie, nazywanym pasmem
podstawowym, powodowałoby zatem niedopuszczalne zniekształcenia
tych składowych. W wyniku modulacji widmo sygnału jest
przenoszone w zakres wyższych częstotliwości, co umożliwia
dopasowanie widmowe sygnału do kanału


• Modulacja umożliwia efektywne wykorzystanie pasma przepustowego
kanału. Bez modulacji przez jeden kanał można przesłać tylko jeden
sygnał. Jednoczesna transmisja dwóch niezmodulowanych sygnałów,
o pokrywających się pasmach podstawowych, spowodowałaby
nałożenie się w kanale ich widm, co uniemożliwiłoby odseparowanie
tych sygnałów po stronie odbiorczej
• Stosując modulacje analogowe, widma sygnałów można przenieść w
różne, nie zachodzące na siebie, pasma częstotliwości i tym samym
odseparować je w odbiorniku za pomocą dostrojonych do tych pasm
filtrów środkowoprzepustowych. Modulacja umożliwia zatem
przekazywanie wielu sygnałów przez jeden kanał transmisyjny w
systemach zwielokrotnienia częstotliwościowego, nazywanych także
systemami z podziałem częstotliwościowym (ang. Frequency-Division
Multiplexing, FDM). W ten sposób jest organizowana transmisja
sygnałów np. w systemach telefonicznych, a także w systemach
radiowych i telewizyjnych
• Stosując modulacje impulsowe lub cyfrowe, można organizować

transmisję wielu sygnałów przez jeden kanał w systemach
zwielokrotnienia czasowego, nazywanych systemami z podziałem
czasowym (ang. Time-Division Multiplexing, TDM). W systemach
tych transmitowane sygnały są przemieszane w częstotliwości, ale
odseparowane od siebie w czasie, tzn. próbki sygnałów są
przekazywane w różnych, ściśle określonych przedziałach czasu.
Umożliwia to rozdzielenie próbek po stronie odbiorczej za pomocą
układów separujących odpowiednio synchronizowanych w czasie
• Inna koncepcja cyfrowych systemów transmisji wielu sygnałów przez
wspólny kanał - systemy z podziałem kodowym (ang. Code-Division
Multiple Access, CDMA). Sygnały w tych systemach są przemieszane
zarówno w częstotliwości, jak i w czasie, ale każdy z nich posiada swój
własny identyfikator w postaci odpowiedniej sekwencji kodującej.
Dzięki temu możliwa jest ich separacja po stronie odbiorczej.
W skrócie - modulację stosujemy z następujących powodów:

• aby umożliwić przesyłanie sygnałów użytecznych o niskich
częstotliwościach na duże odległości
• aby zmniejszyć wrażliwość przesyłanego sygnału na zakłócenia
• aby umożliwić skuteczne przesyłanie i późniejsze wyodrębnienie ilości
sygnałów użytecznych znajdujących się w tych samych pasmach

Modulacja sygnału
Modulacją sygnału (ang. Modulation) nazywamy zmianę parametrów

sygnału za pomocą innego sygnału. W typowych rozwiązaniach, sygnałem
poddawanym modulacji, nazywanym sygnałem nośnym lub falą nośną,
jest sygnał sinusoidalny. W takim przypadku mamy trzy parametry, które
możemy modulować: amplitudę, częstotliwość i fazę.
Parametry te są uzmienniane w zależności od bieżących wartości sygnału

informacyjnego. Sygnał informacyjny jest nazywany sygnałem
modulującym, a fala nośna - sygnałem modulowanym. Sygnał
otrzymany w wyniku operacji modulacji jest nazywany sygnałem
zmodulowanym.

Modulacja sygnału
Modulacja amplitudy
Tor transmisji sygnału zmodulowanego:

Modulacja sygnału
Modulacja amplitudy
Modulacja amplitudy (ang. Amplitude Modulation, AM) polega na
modulowaniu amplitudy sygnału nośnego przez sygnał modulujący:
y(n) = (Ac + xm (n)) sin(2πnfc /fs )

= (Ac + Am sin(2πnfm /fs )) sin(2πnfc /fs )
gdzie fm oznacza częstotliwość modulującą, fc oznacza częstotliwość

nośną, Am oznacza amplitudę sygnału modulującego, Ac oznacza
amplitudę sygnału nośnego.
Stosunek Am /Ac nazywa się głębokością modulacji. W przypadku, gdy

ten stosunek przekroczy wartość 1, mówimy o zjawisku przemodulowania.

Modulacja sygnału
Modulacja amplitudy
Przebieg sygnału zmodulowanego amplitudowo:

Modulacja amplitudy
Przykład
Rozważmy sygnał nośny o częstotliwości 5 kHz i amplitudzie 1, który jest
modulowany sygnałem sinusoidalnym o częstotliwości 500 Hz i amplitudzie
0.25.

Modulacja amplitudy
Przykład
Modulacja amplitudy wpływa na obwiednię sygnału. Widmo sygnału

zmodulowanego amplitudowo: występuje składowa na częstotliwości
nośnej. Składowe widmowe sygnału modulującego znajdują się po obu
stronach składowej nośnej - są one nazywane wstęgą dolną i wstęgą górną.

Modulacja amplitudy
Przykład
Wstęga dolna to składowa na częstotliwości 5000 - 500 = 4500 Hz,

wstęga górna to składowa na częstotliwości 5000 + 500 = 5500 Hz. W
taki sam sposób powstaje widmo w przypadku gdy sygnał modulujący
zawiera wiele składowych widmowych, musi to jednak być sygnał o
ograniczonym paśmie.
Modulacja amplitudy
Przykład
Widmo sygnału z modulacją amplitudy:

Modulacja amplitudy
Modulacja amplitudy
• Sygnały zmodulowane amplitudowo mają węższe pasmo. Z jednej
strony jest to ich zaletą (jeśli w danym paśmie chcemy przesyłać jak
najwięcej sygnałów), z drugiej - wadą (jeśli chcemy uzyskać wysoką
jakość transmisji)
• Ze względu na prostotę układów odbiorczych modulacja AM jest
powszechnie stosowana w analogowej komunikacji na falach średnich i
krótkich (chociaż większość rozgłośni transmituje sygnał na falach
ultrakrótkich) z częstotliwościami nośnymi sięgającymi ok. 30 MHz.
W przypadku fal długich, sygnał nośny o częstotliwości z zakresu
30-300 kHz jest modulowany amplitudowo sygnałem radiowym o
paśmie częstotliwości ograniczonym do zakresu słyszalnego

Modulacja sygnału
Modulacja amplitudy
• Wadą modulacji amplitudy jest zależność amplitudy odbieranego
sygnału nie tylko od przesyłanych danych, lecz także od odległości od
nadajnika
• Sygnały AM są jednak mało odporne na zakłócenia

Modulacja sygnału
Modulacja częstotliwości
Sygnały zmodulowane kątowo zajmują w kanale transmisyjnym znacznie
szersze pasmo w porównaniu z sygnałami zmodulowanymi amplitudowo.
Dzięki szerszemu pasmu systemy modulacji kąta mają istotną przewagę
nad systemami modulacji amplitudy
• Przy założeniu takiej samej transmitowanej mocy sygnału
użytecznego w obu typach systemów są one bardziej odporne na
szumy i zakłócenia
• Właściwość ta jest konsekwencją ogólnego podstawowego prawa
telekomunikacji, zgodnie z którym, przy określonych zdolnościach
transmisyjnych kanału, zwiększanie pasma zajętego w kanale przez
transmitowany sygnał umożliwia przesyłanie go przy mniejszym
stosunku sygnał-szum. Oznacza to, że przy zadanym poziomie
szumów, ta sama informacja zawarta w sygnale może być przesłana
przy mniejszej emitowanej mocy sygnału użytecznego
Modulacja sygnału
Sygnały zmodulowane kątowo zajmują w kanale transmisyjnym znacznie
szersze pasmo w porównaniu z sygnałami zmodulowanymi amplitudowo.
Dzięki szerszemu pasmu systemy modulacji kąta mają istotną przewagę
nad systemami modulacji amplitudy.
• Dobierając odpowiednie wartości parametrów sygnału zmodulowanego
kątowo, mamy możliwość regulowania szerokości jego pasma i tym
samym wpływania na odporność systemu na zakłócenia. Możliwość
wymiany między szerokością pasma a stosunkiem sygnał-szum w
systemach modulacji kąta przesądziła o ich powszechnym
zastosowaniu do transmisji fonii w systemach radiowych i
telewizyjnych
• Analogowa modulacja częstotliwości jest stosowana m.in do transmisji
sygnału radiowego za pomocą fal ultrakrótkich (UKF). W Polsce,
częstotliwości nośne, przydzielane rozgłośniom radiowym mieszczą się
w zakresie 87.5 - 108 MHz
Modulacja sygnału
W modulacji częstotliwości (ang. Frquency Modulation, FM) nadajnik
również jest wyposażony w oscylator wytwarzający falę nośną. W tym
przypadku częstotliwość wyjściowa zmienia się w zależności od
przesyłanego sygnału.
y(n) = Ac sin(2πn(fc + xm (n))/fs )

= Ac sin(2πn(fc + Am sin(2πnfm /fs ))/fs )

Modulowanie chwilowej częstotliwości sygnału, możemy uzyskać

zmieniając wartość częstotliwości używaną do obliczenia kąta fazowego.

Przykład
Poniższy przykład pokazuje modulację częstotliwości dla sygnału nośnego
o częstotliwości 500 Hz i amplitudzie 1, za pomocą sygnału sinusoidalnego
o częstotliwości 100 Hz i amplitudzie 30.

Przykład
Drgania są szybsze, gdy sygnał jest dodatni i wolniejsze, gdy sygnał jest
ujemny.

Przykład
Widmo sygnału zmodulowanego częstotliwościowo dla sygnału nośnego o
częstotliwości 5000 Hz i amplitudzie 1, zmodulowanego za pomocą
sygnału sinusoidalnego o częstotliwości 500 Hz i amplitudzie 10:

Przykład
W tym przypadku, wstęga dolna i górna zawierają kilka składowych.

Szerokość pasma zależy od indeksu modulacji, czyli stosunku amplitudy
sygnału modulującego do częstotliwości sygnału nośnego.

Modulacja sygnału
• W systemach modulacji kąta uzyskuje się wyraźną poprawę
odporności na zakłócenia, a tym samym poprawę jakości transmisji
• Sygnały zmodulowane kątowo wymagają jednak do transmisji
znacznie szerszego pasma i bardziej złożonych układów modulatorów i
demodulatorów
• Szerokość pasma sygnałów FM jest praktycznie stała, niezależna od
pasma sygnału modulującego. Z tego względu w praktyce jest zwykle
stosowana modulacja FM.
• Sygnał FM jest jednak bardziej wrażliwy na zakłócenia wynikające z
wielodrogowości propagacji (np. w wyniku odbić od budynków)

Modulacja sygnału
Modulacja fazy
Modulacja fazy (ang. Phase Modulation, PM) jest podobna do modulacji
częstotliwości. Różnica polega na tym, że wartości sygnału modulującego
są dodawane do kąta fazowego sygnału nośnego:
y(n) = Ac sin(2πnfc /fs + xm (n))

= Ac sin(2πnfc /fs + Am sin(2πnfm /fs )))


Modulacja fazy
Przykład
Poniższym przykład pokazuje modulację fazy dla sygnału nośnego o
częstotliwości 500 Hz i amplitudzie 1, za pomocą sygnału sinusoidalnego o
częstotliwości 100 Hz i amplitudzie 30.

Modulacja fazy
Przykład
Widmo sygnału z modulacją fazy:

Modulacja fazy
Przykład
W stosunku do modulacji częstotliwości, amplituda sygnału modulującego

w przypadku modulacji fazy musi być mniejsza.

Modulacja fazy
Przykład
Rozważmy szczególny przypadek gdy obie częstotliwości, modulująca i
nośna, są identyczne lub ich stosunek jest równy stosunkowi małych liczb
naturalnych. Wówczas powstaje sygnał harmoniczny. Niech obie
częstotliwości będą równe 440 Hz i amplituda sygnału modulującego
równa 10.

Modulacja sygnału
Modulacja fazy
Metoda modulacji fazy jest podstawą syntezy dźwięku metodą modulacji
częstotliwości (ang. FM Synthesis) - nazwa metody została nieprawidłowo
dobrana, gdyż wykorzystywana jest modulacja fazy (w technice cyfrowej
jest ona łatwiejsza do implementacji niż modulacja częstotliwości).
Metoda syntezy FM była wykorzystywana m.in w instrumentach firmy

Yamaha produkowanych w latach 80. ubiegłego stulecia. Stosowano tam
wielokrotną modulację fazy w układzie sześciu generatorów sygnału
sinusoidalnego, łączonych w różne kombinacje.

Filtry analogowe
Filtry analogowe

Filtry analogowe
Właściwości filtrów
Właściwości filtrów analogowych i cyfrowych mogą być określane w

dziedzinie czasu i w dziedzinie częstotliwości. Wybór dziedziny definiuje
sposób kodowania informacji w sygnale.
Na przykład obrazy są przykładem dwuwymiarowych sygnałów, w których

informacja kodowana jest w dziedzinie czasu (przestrzeni). Ludzkie oko
rejestruje krawędzie obiektów, jasność i kolor poszczególnych elementów
obrazu.
Inaczej jest w przypadku dźwięku. Tu informacja kodowana jest w

dziedzinie częstotliwości. Ucho ludzkie reaguje na częstotliwość fali
akustycznej i zawartość składowych harmonicznych.

Filtry analogowe
Charakterystyka częstotliwościowa filtru
Właściwości filtrów w dziedzinie częstotliwości określa charakterystyka

częstotliwościowa filtru.
Dla układów analogowych uzyskuje się ją przez analizę odpowiedzi filtru na

pobudzenie sygnałem harmonicznym (sinusoidalnym). Filtry analogowe
wpływają na sygnał harmoniczny w taki sposób, że zmieniają jego
amplitudę i fazę. Zmiana tych dwóch parametrów zależy od częstotliwości
harmonicznego sygnału pobudzającego.
Charakterystyka częstotliwościowa filtru jest transformatą Fouriera jego

odpowiedzi impulsowej. Fakt ten jest szczególnie istotny dla filtrów
cyfrowych. Dzięki niemu można obliczyć odpowiedź częstotliwościową
poprzez obliczenie DFT odpowiedzi impulsowej filtru. Jest to zadanie
obliczeniowo dużo prostsze od wyznaczania odpowiedzi dla sygnałów
harmonicznych o różnych częstotliwościach.

Filtry analogowe
Filtry
Filtry są układami wykorzystywanymi w sytuacji gdy chcemy przepuścić

wybrany zakres częstotliwości bez zmiany i stłumić pozostałe. W
zależności od przepuszczanego pasma częstotliwości wyróżniamy:
• pasmo przepustowe (ang. Pass Band, BP) - wzmocnienie filtru
powinno być równe 1, składowe przepuszczane bez zmiany
• pasmo zaporowe (ang. Stop Band, SB) - wzmocnienie filtru
powinno być bliskie 0, składowe są tłumione
• częstotliwość graniczna lub odcięcia (ang. cut-off ) - granica
między pasmem przepustowym i zaporowym

Filtry analogowe
Filtry
Ze względu na przeznaczenie filtru możemy wyróżnić cztery podstawowe

rodzaje filtrów:
• filtr dolnoprzepustowy DP (ang. Low-Pass Filter, LP) -
przepuszczający niskie częstotliwości a blokujący wysokie
• filtr górnoprzepustowy, GP (ang. High-Pass Filter, HP),
przepuszczający wysokie częstotliwości a tłumiący niskie
• filtr środkowo-przepustowy (ang. Band-Pass Filter, BP),
przepuszczający pewien zakres częstotliwości
• filtr środkowo-zaporowy (ang. Band-Stop Filter, BF), blokujący
pewien zakres częstotliwości

Filtry analogowe
Odpowiedź amplitudowa i pomiar parametrów filtru

Wykres typowej charakterystyki amplitudowej filtru dolnoprzepustowego
(zależność wzmocnienia od częstotliwości):
Pasmo przepustowe zdefiniowane jest jako obszar częstotliwości, w którym

sygnały przechodzą przez układ praktycznie nie osłabione. Pasmo rozciąga
się od punktu, w którym amplituda sygnału spada poniżej 3 dB od
wartości nominalnej. Punkt ten nazywamy częstotliwością obcięcia (f3dB ).
Filtry analogowe

Wyróżniamy częstotliwość odcięcia dolną, gdy częstotliwości niższe niż te z
pasma przenoszenia są tłumione o 3dB, oraz częstotliwość odcięcia górną,
gdy częstotliwości wyższe niż te z pasma przenoszenia są tłumione o 3dB.
Przykładowa charakterystykę filtru dolnoprzepustowego z naniesioną
stromością charakterystyki, częstotliwością odcięcia górną, pasmem
przenoszenia i pasmem zaporowym:

Filtry analogowe
W celu osiągnięcia bardziej stromego nachylenia charakterystyki filtru,

akceptowany jest pewien poziom tętnień w paśmie przepustowym.

Filtry analogowe
Rejon przejściowy jest obszarem zawartym między pasmem przepustowym

oraz pasmem zaporowym i nazywany jest nachyleniem charakterystyki
filtru. Stopień nachylenia charakterystyki, czyli szybkość zmiany
wzmocnienia z częstotliwością jest bardzo istotnym parametrem oceny
filtru.
Filtry analogowe
Pasmo zaporowe wybierane jest zgodnie z potrzebami projektanta, np. z

określeniem częstotliwości spadku amplitudy o -80 dB. Ważną cechą filtru
jest utrzymanie odpowiedzi amplitudowej poniżej wyspecyfikowanego
poziomu w obszarze całego pasma zaporowego.
Filtry analogowe
Odpowiedź fazowa filtru

Opis filtru wyłącznie za pomocą zmiany jego wzmocnienia w funkcji
częstotliwości jest niepełny.
Odpowiedź fazowa jest ważna, gdyż jest ściśle związana z czasem

opóźnienia przechodzącego przez filtr sygnału dla różnych częstotliwości:
• filtr z liniową odpowiedzią fazową opóźnia wszystkie częstotliwości
o taki sam czas
• filtr o nieliniowej odpowiedzi fazowej powoduje, że częstotliwości
opóźniane są o różne okresy, co wywołuje zniekształcenia w sygnale
wyjściowym
W rzeczywistości liniowość fazy filtru ma znaczenie tylko w obrębie pasma
przepustowego i obszaru przejściowego, gdyż poza nimi sygnał jest
tłumiony i staje się nieistotny. Stąd podczas projektowania filtrów często
zakładamy pewne odstępstwa od liniowej odpowiedzi fazowej, dzięki czemu
osiągamy bardziej strome nachylenie charakterystyki lub wyższy rząd filtru.
Filtry analogowe
Parametry w dziedzinie czasu
Filtry można charakteryzować parametrami w dziedzinie czasu:

• czasem narastania - czas upływający między chwilą pojawienia się
skoku na wejściu a chwilą, w której odpowiedź układu osiągnie 90%
wartości stanu ustalonego
• amplitudą pierwszej oscylacji (przerzutem) - ogólnie występowanie
oscylacji jest niepożądaną cecha odpowiedzi filtru
• czasem ustalania - czas upływający do chwili, gdy odpowiedź
znajduje się w uprzednio zdefiniowanym obszarze wokół wartości
ustalonej i więcej poza granice tego obszaru nie wyjdzie
Znajomość tych parametrów jest szczególnie ważna wtedy, gdy sygnałami
wejściowymi filtru są skoki lub impulsy.

Filtry analogowe
Projektowanie filtru
Załóżmy, że chcemy zaprojektować filtr dolnoprzepustowy o płaskiej

charakterystyce amplitudowej w pasmie przepustowym i ostrym przejściu
charakterystyki do pasma zaporowego. Krańcową prędkością opadania
charakterystyki amplitudowej filtru w dalszych obszarach pasma
zaporowego będzie zawsze 6n dB/oktawe, gdzie n jest liczbą biegunów.
Ponieważ danej liczbie biegunów odpowiada zawsze co najmniej tyle samo
elementów składowych w układzie filtru, wiec wymagana krańcowa
prędkość opadania charakterystyki amplitudowej decyduje o stopniu
skomplikowania układu filtru.
Jeśli zdecydujemy się na użycie 6-biegunowego filtru dolnoprzepustowego,

to w zakresie dużych częstotliwości krańcowa prędkość opadania
charakterystyki amplitudowej tego filtru wynosić będzie 36 dB/oktawe.

Filtry analogowe
Następnym krokiem projektowym może być optymalizacja filtru z punktu
widzenia maksymalnej płaskości jego charakterystyki w pasmie
przepustowym, lecz osiągniemy to kosztem powolnej zmiany nachylenia
charakterystyki w obszarze przejściowym miedzy pasmem przepustowym a
pasmem zaporowym. Z drugiej strony, otrzymamy znaczne wyostrzenie
charakterystyki amplitudowej w obszarze przejściowym, jeśli dopuścimy
wystąpienie pewnych zafalowań.
Trzecim kryterium, które może zadecydować o dalszym kierunku prac

projektowych, jest wymaganie, aby sygnały o częstotliwościach
mieszczących się w pasmie przepustowym filtru przechodziły przez filtr bez
zniekształceń, powodowanych niewłaściwymi przesunięciami fazowymi.
Konieczne może być również spełnienie wymagań odnośnie wartości czasu

narastania, amplitudy pierwszej oscylacji czy czasu ustalania się
odpowiedzi na wejściowy sygnał skokowy.
Filtry analogowe
Istnieją metody projektowania filtrów odpowiednie dla każdego z

wymienionych przypadków, a nawet dla przypadków wymagających
spełnienia wszystkich wskazanych wymagań jednocześnie. W
rzeczywistości, racjonalny wybór filtru nie będzie przebiegał według
przedstawionego opisu.
Zwykle zaczyna się od narzucenia pewnych wymagań na płaskość

charakterystyki w pasmie przepustowym, na tłumienie dla określonej
częstotliwości pasma zaporowego i na wszelkie inne parametry o istotnym
znaczeniu dla danego zastosowania. Następnie wybiera się sposób
projektowania najbardziej przydatny do wykonania danego zadania,
stosując filtr o takiej liczbie biegunów, aby spełnić wymagania projektu.

Filtry analogowe
Typy filtrów
Praktyczne realizacje układowe filtrów są zwykle kompromisem

pomiędzy poszczególnymi wartościami różnych parametrów.
Podstawowymi parametrami filtru są tętnienia pasma przepustowego,
częstotliwość odcięcia (f3dB ), nachylenie charakterystyki oraz tłumienność
pasma zaporowego. Podobne parametry możemy odnieść do
charakterystyki fazowej.

Filtry analogowe
Typy filtrów
Poszczególne typy rozwiązań układowych filtrów optymalizują niektóre z
tych parametrów, co ma zastosowanie zarówno do filtrów analogowych jak
i cyfrowych:
• filtr Butterwortha (o maksymalnie płaskiej charakterystyce
amplitudowej)
• filtr Czebyszewa (o maksymalnej ostrości załamania charakterystyki
amplitudowej w obszarze przejściowym)
• filtr eliptyczny (Cauera) (o dużej nieliniowości charakterystyki
fazowej i dużej stromości nachylenia charakterystyki amplitudowej)
• filtr Bessela (o maksymalnie płaskiej charakterystyce czasu
opóźnienia)
Charakterystykę częstotliwościową każdego z tych typów filtrów można
uzyskać za pomocą rożnych rozwiązań układowych. Każdy z wymienionych
rodzajów filtrów może być dolnoprzepustowy, górnoprzepustowy lub
środkowoprzepustowy.
Filtry analogowe
Typy filtrów
Filtr Butterwortha
Filtr Butterwortha charakteryzuje się całkowicie płaską odpowiedzią
amplitudową w pełnym obszarze pasma przepustowego, za to posiada
kiepską charakterystykę przejściową o bardzo wolnym nachyleniu oraz
nieliniowością odpowiedzi fazowej w rejonie obszaru przejściowego.
Wzmocnienie tego filtru jest równe:
1
|H(jω)| = r 2n
ω
1 + ω3dB
gdzie H(jω) = Y (jω)/X(jω) jest transmitancją układu, ω3dB jest

pulsacją pasma 3 dB i n jest rzędem filtru.

Filtry analogowe
Typy filtrów
Filtr Butterwortha
Przy zwiększaniu rzędu filtru płaski obszar pasma przepustowego zbliża się
do częstotliwości odcięcia i staje się bardziej załamany, co również
poprawia charakterystykę nachylenia filtru (choć z reguły zwiększenie filtru
komplikuje projekt układu).

Filtry analogowe
Typy filtrów
Filtr Butterwortha
Zalety i wady:
• charakteryzuje się płaskim pasmem przepustowym
• charakteryzuje nieliniowością charakterystyki fazowej
• Charakteryzuje się małą stromością charakterystyki, którą można
zwiększyć zwiększając rząd filtru co jednak radykalnie zwiększa ilość
obliczeń
Wykorzystywany rzadko ze względu na niespełnienie wymagań na ostre
nachylenie charakterystyki, jak i nieodpowiednią odpowiedź fazową.

Filtry analogowe
Typy filtrów
Filtr Czebyszewa
Zawiera niewielkie tętnienia w paśmie przepustowym i jednocześnie jego
nachylenie obszaru przejściowego jest o wiele bardziej ostre w porównaniu
z filtrem Butterwortha. Odpowiedź amplitudowa filtru Czebyszewa
wyrażona jest zależnością:
1
|H(jω)| = p
1 + ε2 Cn2 (ω)
gdzie Cn jest specjalnym wielomianem, będącym funkcją rzędu n, a ε jest

stałą określającą ilość tętnień w paśmie przepustowym.

Filtry analogowe
Typy filtrów
Filtr Czebyszewa
n Cn (ω)
1 ω
2 2ω 2 − 1
3 4ω 3 − 3ω
4 8ω 4 − 8ω 2 + 1
5 16ω 5 − 20ω 3 + 5ω
6 32ω 6 − 48ω 4 + 18ω 2 − 1

Filtry analogowe
Typy filtrów
Filtr Czebyszewa
Charakterystyka amplitudowa w paśmie√przepustowym oscyluje pomiędzy
wartościami |Hmax | = 1 i |Hmin | = 1/ 1 + ε2 .
Spośród wszystkich filtrów o tej samej amplitudzie oscylacji w paśmie

przepustowym, filtr ten ma największe nachylenie charakterystyki dla
pulsacji granicznej ω3dB ,
Filtry analogowe
Typy filtrów
Filtr Czebyszewa
Zalety i wady:
• charakteryzuje się tętnieniami pasma przepustowego oraz zaporowego
- gęstość tętnień wzrasta wraz z powiększeniem rzędy filtru
• charakteryzuje nieliniowością charakterystyki fazowej
• Charakteryzuje się większą w porównaniu z filtrem Butterwortha
stromością charakterystyki
Wykorzystywany rzadko ze względu na nieodpowiednią odpowiedź fazową -
gorszą niż w przypadku filtru Butterwortha.

Filtry analogowe
Typy filtrów
Filtr eliptyczny (Cauera)

Filtr Cauera stanowi realizację kompromisu między tętnieniami w paśmie
przepustowym i nachyleniem charakterystyki. Odpowiedź amplitudowa
filtru elipstycznego wyrażona jest zależnością:
1
|H(jω)| = p
1 + ε2 Un2 (ω)
gdzie Un nazywana jest funkcją eliptyczną Jacobiego.

Filtry analogowe
Typy filtrów

Charakterystyka amplitudowa w paśmie√przepustowym oscyluje pomiędzy
wartościami |Hmax | = 1 i |Hmin | = 1/ 1 + ε2 .
Filtr ten ma najkrótsze pasmo przejściowe dla danego rzędu filtru.

Filtry analogowe
Typy filtrów

Zalety i wady:
• w paśmie przepustowym jak i zaporowym występują tętnienia
• charakteryzuje się najkrótszym obszarem przejściowym dla danego
rzędu filtru
• charakteryzuje wyjątkowo nieliniową charakterystyką fazową
• Charakteryzuje się dużą stromością nachylenia charakterystyki
Filtr Eliptyczny można stosować tylko tam, gdzie faza nie stanowi
istotnego parametru projektowego.

Filtry analogowe
Typy filtrów
Filtr Bessela
W niektórych zastosowaniach istotnie jest, aby filtr przenosił wiernie
kształt sygnału w swoim paśmie przenoszenia. Jak wiadomo każdy sygnał
periodyczny w czasie można rozłożyć na szereg Fouriera. Aby zachować
kształt sygnału, należy nie tylko zachować amplitudy poszczególnych
składowych harmonicznych ale również ich fazy. Do zobrazowania w jaki
sposób filtr wpływa na fazę składowej sygnału o danej częstotliwości służy
charakterystyka opóźnienia grupowego, definiowana jako pochodna
charakterystyki fazowej filtru.
Jeżeli za kryterium projektowania filtru założymy maksymalnie płaską

charakterystykę opóźnienia grupowego to otrzymamy filtr Bessela. Filtry te
mają wyjątkowo płaską charakterystykę odpowiedzi fazowej w całym
paśmie przepustowym. W celu osiągnięcia dobrej odpowiedzi fazowej
musimy poświęcić stromość nachylenia charakterystyki obszaru
przejściowego.
Filtry analogowe
Typy filtrów
Porównanie charakterystyk filtrów trzeciego rzędu

W celu porównania filtrów rozważmy charakterystyki filtrów Bessela,
Butterwortha oraz Czebyszewa o zafalowaniach od 0.5 do 3dB.

Filtry analogowe
Typy filtrów
Porównanie charakterystyk filtrów trzeciego rzędu w paśmie przepustowym

Filtry analogowe
Typy filtrów
Porównanie opóźnienia grupowego filtrów trzeciego rzędu


Wykład 6
• Filtry cyfrowe IIR

• Funkcja koherencji

Filtr IIR
Filtry IIR

Filtr IIR
Filtry FIR i IIR
W przeciwieństwie do filtrów FIR, które są wyłącznie cyfrowym

algorytmem, filtry o nieskończonej odpowiedzi impulsowej (NOI),
określane angielskim skrótem IIR (ang. Infinite Impulse Filter ), są
cyfrowym odpowiednikiem analogowych filtrów, budowanych w oparciu o
rezystory i kondensatory (RC), cewki (RLC), czasami z dodatkiem
wzmacniaczy operacyjnych (filtry aktywne). Metody projektowania filtrów
analogowych są szeroko opracowane i metody cyfrowego projektowania
filtrów IIR w dużej mierze na nich bazują.
Filtry FIR są preferowane w zastosowaniach, w których podstawowym

wymaganiem jest liniowość charakterystyki fazowej (filtry o liniowej fazie
opóźniają wszystkie częstotliwości o ten sam czas). Cechą odróżniającą
filtry IIR od FIR jest to, że są one rekursywne, tzn. posiadają sprzężenie
zwrotne. W filtracji biorą udział nie tylko próbki sygnału, ale także
poprzednie wyniki filtracji (wartości wyjściowe).

Filtr IIR
Filtr analogowy
Filtr RC pierwszego rzędu

Filtr RC pierwszego rzędu składa się z rezystora włączonego szeregowo z
odbiornikiem oraz kondensatora włączonego równolegle do odbiornika.
Stała czasowa filtru wynosi: T = RC.
Częstotliwość graniczna przedstawionego układu filtru wynosi:

1 1
fc = =
2πT 2πRC
co jest równoważne pulsacji:
1 1
ωc = =
T RC

Filtr IIR
Filtr analogowy

Wielkością charakteryzującą dolnoprzepustowy filtr RC jest transmitancja
określana jako stosunek napięcia wyjściowego do wejściowego
(transmitancja filtrów analogowych jest opisana w dziedzinie ciągłej
pulsacji zespolonej s = j2πf ):
ωc 1
H(s) = =
s + ωc 1 + RCs
Moduł transmitancji:
1 1
|H(jω)| = p 2
=p
1 + (ωRC) 1 + (ω/ωc )2

Filtr IIR
Filtr analogowy

Przykładowa charakterystyka filtra dolnoprzepustowego RC

Filtr IIR
Filtr analogowy
Filtr RC drugiego rzędu

Filtr drugiego rzędu - szeregowe połączenie dwóch filtrów pierwszego
rzędu.
ωc2
H(s) = 2
s + aωc s + ωc2

Filtr IIR
Filtr analogowy
Filtr RC drugiego rzędu

Filtr IIR
Filtry IIR
Równanie różnicowe
Równanie różnicowe filtru IIR wygląda następująco:
y(n) = b0 x(n) + b1 x(n − 1) + b2 x(n − 2) + . . . + bN x(n − N )

−a1 y(n − 1) − a2 y(n − 2) − . . . aN y(n − N )
N
X N
X
= bi x(n − i) − aj y(n − j)
i=0 j=0
Filtr rzędu N używa do filtracji: bieżącej próbki sygnału, N poprzednich

próbek sygnału oraz N poprzednich wyników filtracji.

Filtr IIR
Filtry IIR
Transmitancja
Transmitancja filtru IIR jest następująca:
b0 + b1 z −1 + b2 z −2 + . . . + bN z −N
H(z) =
1 + a1 z −1 + a2 z −2 + . . . + aN z −N
Współczynniki filtru a (w mianowniku) nazywa się rekursywnymi,

współczynniki b (w liczniku) nazywa się nierekursywnymi.

Filtr IIR
Filtry IIR
b0 + b1 z −1 + b2 z −2 + . . . + bN z −N
H(z) =
1 + a1 z −1 + a2 z −2 + . . . + aN z −N
• W filtrach IIR nie posługujemy się już pojęciem długości filtru

• Wartość N oznacza rząd filtru
• Filtr rzędu N ma N + 1 współczynników b w liczniku i N
współczynników a w mianowniku
• Unormowana transmitancja ma zawsze a0 = 1

Filtr IIR
Filtry IIR
Filtr IIR drugiego rzędu

Transmitancja filtru IIR drugiego rzędu:
b0 + b1 z −1 + b2 z −2
H(z) =
1 + a1 z −1 + a2 z −2
Wracając do dziedziny czasu otrzymamy równanie różnicowe filtru IIR
drugiego rzędu:
y(n) = b0 x(n) + b1 x(n − 1) + b2 x(n − 2) − a1 y(n − 1) − a2 y(n − 2)

Filtr IIR
Filtry IIR
N
X N
X
y(n) = bi x(n − i) − aj y(n − j)
i=0 j=0
• Wynik filtracji zależy nie tylko od wartości próbek sygnału

wejściowego, ale również od poprzednich wyników filtracji
• Filtry IIR są rekursywne - posiadają pętlę sprzężenia zwrotnego
między wyjściem a wejściem
• Wynik filtracji bieżącej próbki ma wpływ na wyniki dla kolejnych
próbek sygnału - jest to efekt mianownika w transmitancji filtru
• Filtry FIR mają 1 w mianowniku - nie są rekursywne

Filtr IIR
Filtry IIR
N
X N
X
y(n) = bi x(n − i) − aj y(n − j)
i=0 j=0
• Aby dokonać filtracji, filtr musi zapamiętać poprzednie próbki

wejściowe i poprzednie wyniki filtracji - jest to pamięć albo stan filtru
• Stan dla filtru rzędu N musi zawierać:
• N poprzednich próbek wejściowych
• N poprzednich wyników filtracji
• Stan filtru musi być aktualizowany po każdej przetworzonej próbce

Filtr IIR
Filtry IIR
Schemat
Schemat blokowy filtracji IIR dla filtru rzędu drugiego:

Filtr IIR
Filtry IIR
N
X N
X
y(n) = bi x(n − i) − aj y(n − j)
i=0 j=0
Tak jak we wszystkich systemach ze sprzężeniem zwrotnym, zmiany
sygnału wejściowego filtru IIR mogą, w niektórych przypadkach,
spowodować powstanie na wyjściu niestabilności i oscylacji o
nieskończonym czasie trwania. Stąd też wzięła się nazwa ”nieskończona
odpowiedź impulsowa”, czyli możliwość istnienia na wyjściu niezerowych
próbek o nieskończonym czasie trwania w sytuacji, gdy na wejście filtru nie
podawany jest żaden sygnał (lub próbki zerowe).
Z uwagi na to, że w filtrach IIR stosuje się sprzężenie zwrotne, przy

implementacji filtru mogą występować problemy ze stabilnością (czyli
wspomniane występowanie niezerowych próbek na wyjściu filtru, gdy na
wejściu nie ma sygnału lub jest on zerowy - chcemy, aby na wyjściu
również był sygnał zerowy, gdy na wejściu są same 0).
Filtr IIR
Filtry IIR
Stabilność
Jedna z najważniejszych właściwości każdego systemu jest stabilność.
Systemem stabilnym nazywamy taki, w którym przy ograniczonym sygnale
wejściowym, sygnał wyjściowy również przyjmuje wartości z ograniczonego
zakresu.
Filtry IIR są układem ze sprzężeniem zwrotnym. Aby taki układ był

stabilny, wzmocnienie w pętli sprzężenia zwrotnego musi być mniejsze od
jedności - po każdym przejściu przez filtr, wartości sygnału powracające na
wejście stają się wtedy coraz mniejsze.
Wygaszanie oscylacji odpowiedzi impulsowej filtru wynika ze wzmocnienia

pętli sprzężenia zwrotnego mniejszego od jedności.

Filtr IIR
Filtry IIR
Stabilność
Co się stanie w przypadku gdy wzmocnienie w pętli sprzężenia zwrotnego
będzie większe od jedności?
Wartości z wyjścia układu zostają wzmocnione w pętli sprzężenia i dodane

do wartości sygnału wejściowego. Po kolejnym przejściu przez filtr, zostają
one ponownie wzmocnione i dodane do sygnału wejściowego.
W ten sposób odpowiedź impulsowa zamiast wygasać, przyjmuje postać

narastających oscylacji. Układ jest niestabilny. Niestabilne filtry IIR nie
mogą być stosowane w praktyce, ponieważ nie działają zgodnie z
wymaganiami projektowymi.

Filtr IIR Stabilność
Stabilność
Zera i bieguny
Zera i bieguny filtru wykreśla się na płaszczyźnie zespolonej: oś pozioma to
część rzeczywista, oś pionowa to część urojona. Okrąg o promieniu równym
1 i środku w punkcie zerowym nazywa się okręgiem jednostkowym. Zera
zaznacza się na wykresie symbolem kółka, a bieguny - krzyżyka.
Zera oraz bieguny tworzą pary zespolone sprzężone.
Jedną z najważniejszych właściwości płaszczyzny zespolonej jest to, że

obszar stabilności filtru na płaszczyźnie z leży wewnątrz okręgu
jednostkowego.

Stabilność
Zera i bieguny
Transmitancję filtru IIR:
b0 + b1 z −1 + b2 z −2 + . . . + bN z −N
H(z) =
1 + a1 z −1 + a2 z −2 + . . . + aN z −N
można zapisać w równoważnej formie ZPK (w formie zer Z, biegunów P i

wzmocnień K):
(1 − q1 z −1 )(1 − q2 z −1 ) . . . (1 − qM z −1 )
H(z) = k
(1 − p1 z −1 )(1 − p2 z −1 ) . . . (1 − pN z −1 )
• q - zera transmitancji (miejsca zerowe licznika)

• p - bieguny transmitancji (miejsca zerowe mianownika)
• k - stałe wzmocnienie filtru

Stabilność
Zera i bieguny
Mając daną funkcję transmitancji H(z) filtru cyfrowego, możemy
prześledzić położenie biegunów tej funkcji w celu zbadania stabilności filtru.
Jeśli wszystkie bieguny znajdują się wewnątrz okręgu jednostkowego, to

filtr IIR będzie stabilny: |pi | < 1 dla każdego i.
Jeżeli jakikolwiek biegun znajdzie się na zewnątrz okręgu jednostkowego,

to filtr będzie niestabilny.
Jeżeli istnieją bieguny o module bliskim 1, układ taki nazywa się układem
na granicy stabilności. Nie jest on ani stabilny, ani niestabilny, jego
odpowiedź impulsowa ani nie wygasza się, ani nie narasta.

Stabilność
Zera i bieguny
Przykładowy rozkład zer i biegunów dla filtru IIR:

Stabilność
Filtr IIR pierwszego rzędu

Rozważmy filtr jednobiegunowy w postaci czasowej:
y(n) = x(n) − a1 y(n − 1)
Transmitancja jest postaci:

1
H(z) =
1 + a1 z −1
Układ pobudzamy impulsem jednostkowym: [1, 0, 0, 0, 0, . . .]. Co się stanie
dla różnych wartości a?

Stabilność

Dla |a1 | < 1: amplituda impulsu zmniejsza się po każdym przejściu przez
pętlę i wygasa do zera - filtr jest stabilny.

Stabilność

Dla |a1 | = 1: impuls będzie krążył w nieskończoność w pętli, z
niezmienioną amplitudą - filtr jest na granicy stabilności.

Stabilność

Dla |a1 | > 1: po każdym przejściu przez pętlę, amplituda impulsu zwiększa
się i narasta do nieskończoności - filtr jest niestabilny.

Stabilność
Filtr IIR czwartego rzędu

Odpowiedź impulsowa stabilnego, dolnoprzepustowego filtru IIR, o
częstotliwości granicznej 3 kHz, która wygasa do zera.

Sprawdzanie stabilności filtru IIR

• Transmitancję zapisaną w formie ilorazu wielomianów ze
współczynnikami a i b:
b0 + b1 z −1 + b2 z −2 + . . . + bN z −N
H(z) =
1 + a1 z −1 + a2 z −2 + . . . + aN z −N
należy zamienić na formę ZPK:
(1 − q1 z −1 )(1 − q2 z −1 ) . . . (1 − qM z −1 )
H(z) = k
(1 − p1 z −1 )(1 − p2 z −1 ) . . . (1 − pN z −1 )
• Obliczamy wartość bezwzględną wszystkich biegunów pi (w filtrach
IIR bieguny zależą od współczynników ai ).
• Obliczamy maksimum tych wartości
• Jeżeli jest mniejsza od 1, filtr jest stabilny
• W przeciwnym wypadku filtr jest niestabilny
Przypomnienie: filtry FIR mają pi = 0, dlatego są zawsze stabilne.
Filtr IIR Metody projektowania filtru IIR
Metody projektowania filtru IIR
• Metoda niezmienności odpowiedzi impulsowej

• Metoda Yule-Walkera
• Metoda transformacji biliniowej
• Metody optymalizacyjne

Metoda niezmienności odpowiedzi impulsowej

• Projektujemy charakterystykę widmową filtru w dziedzinie zmiennej
ciągłej s
• Obliczamy ciągłą odpowiedź impulsową za pomocą odwrotnego
przekształcenia Laplace’a
• Próbkujemy ciągłą odpowiedź impulsową
• Obliczamy zera i bieguny, stąd obliczamy współczynniki filtru

Metoda niezmienności odpowiedzi impulsowej

Metoda niezmienności odpowiedzi impulsowej opiera się na założeniu, że
odpowiedź impulsowa filtru analogowego i cyfrowego w punktach
próbkowania jest identyczna.
• Metoda czasami stosowana zamiast przekształcenia dwuliniowego
• Można obliczyć dowolne charakterystyki widmowe
• Bardziej skomplikowane obliczenia
• Metoda podatna na błędy związane z aliasingiem

Metoda Yule-Walkera
• Stosowana do systemów autoregresyjnych (AR), do których należą też
filtry IIR
• Współczynniki filtru są obliczane za pomocą algebry liniowej -
operacji na macierzach
• Dopasowanie metodą najmniejszych kwadratów
• Umożliwia zaprojektowanie filtru o dowolnym kształcie charakterystyki
• Skomplikowane obliczenia, dość rzadko stosowana do projektowania
filtrów

Metoda projektowania filtru IIR
Metoda transformacji biliniowej

Metoda transformacji biliniowej (ang. bilinear transform) jest popularną
techniką projektowania filtrów IIR (obok metody niezmienniczości
odpowiedzi impulsowej). Polega na aproksymacji analogowego filtru
zdefiniowanego ciągłą transformatą Laplace’a H(s), filtrem dyskretnym o
funkcji transmitancji H(z).

Metoda projektowania filtru IIR

Metoda transformacji biliniowej (przekształcenia dwuliniowego) jest bardzo
użyteczna, ponieważ:
• pozwala uprościć zastępowanie funkcji zmiennej s przez funkcję
zmiennej z przy przejściu H(s) do H(z), eliminując potrzebę
stosowania przekształceń: Laplace’a i Z (nie wymaga rozkładu na
ułamki proste)
• odwzorowuje całą płaszczyznę s w płaszczyznę z, chroniąc przed
problemem aliasingu w dziedzinie częstotliwości
• powoduje nieliniowe zniekształcenie osi częstotliwości dla funkcji H(z)
względem osi częstotliwości dla analogowego filtru, co poprawia
stromość charakterystyki pasma przejściowego dla cyfrowych filtrów
dolnoprzepustowych

Transmitancję analogowego filtru zmiennej s można przekształcić na

transmitancję filtru cyfrowego zmiennej z za pomocą przekształcenia
dwuliniowego (transformacji biliniowej):
2 z−1 2 1 − z −1
s→ =
T z+1 T 1 + z −1
gdzie T jest odstępem próbkowania (1/fs ) dla filtru dyskretnego.
Interesuje nas, gdzie - po dokonaniu transformacji - odwzorowane zostaną

na płaszczyźnie z bieguny filtru analogowego. Dzięki transformacji
dwuliniowej mamy pewność, że każdy biegun leżący w lewej
półpłaszczyźnie s zostanie odwzorowany na biegun położony wewnątrz
okręgu jednostkowego na płaszczyźnie zmiennej z

Graficzna ilustracja transformacji biliniowej transmitancji Ha (s) filtra

analogowego na transmitancję Hc (z) filtra cyfrowego.


Projektowanie filtru IIR przy użyciu transformacji dwuliniowej wymaga
wykonania następujących kroków:
1 Projektujemy analogowy prototyp wybranego filtru o zadanych
parametrach - wyznaczamy transmitancję operatorową H(s)
2 Określamy częstotliwość próbkowania fs filtru cyfrowego i ustalamy
okres próbkowania T = 1/fs
3 Wykonujemy przekształcenie dwuliniowe - aby otrzymać H(z)
dokonujemy podstawienia
2 z−1 2 1 − z −1
s= =
T z+1 T 1 + z −1
4 Możemy określić równanie filtru IIR w dziedzinie czasu:
N
X N
X
y(n) = bi x(n − i) − aj y(n − j)
i=0 j=0

Filtr cyfrowy
Filtr dolnoprzepustowy drugiego rzędu

Po transformacji dwuliniowej
2 z−1 2 1 − z −1
s= =
T z+1 T 1 + z −1
transmitancja filtru drugiego rzędu przyjmuje postać:
b0 + b1 z −1 + b2 z −2
H(z) =
1 + a1 z −1 + a2 z −2

Filtr cyfrowy
Filtr dolnoprzepustowy drugiego rzędu

Przykład dla filtru DP drugiego rzędu o częstotliwości granicznej 3 kHz:

Zoptymalizowana metoda projektowania filtru IIR
Zdarza się się, że poszukiwana charakterystyka częstotliwościowa filtru IIR

ma dowolny kształt - nie dysponujemy wyrażeniem dla transformaty Z
filtru - nie may równań, na podstawie których moglibyśmy wyznaczyć
współczynniki filtru IIR.
Istnieją algorytmy, które korzystając z pewnych kryteriów błędu, dokonują

iteracji współczynników filtru tak, aby zminimalizować błąd pomiędzy
żądaną charakterystyką filtru, a aktualnie wyliczoną. Programy
optymalizacyjne wymagają od projektanta określenia kilku podstawowych
wartości amplitud i częstotliwości oraz żądanego rzędu filtru, tak aby
obliczyć współczynniki w obu pętlach: w przód i w tył.

Program wspomagający projektowanie filtru zażąda od nas:

• rząd filtru
• częstotliwość graniczna lub lista częstotliwości (zwykle nie podajemy
ich w Hz, ale jako unormowane wartości od 0 do 1, gdzie 1 oznacza
częstotliwość Nyquista)
Ponieważ cyfrowe filtry IIR są obliczane na podstawie projektu filtru
analogowego, dla którego istnieje kilka realizacji, mamy różne typy filtrów
IIR, różniące się kształtem charakterystyki - filtry Buttwerwortha,
Czebyszewa, eliptyczne.

W zależności od typu wybranego filtru, należy określić dodatkowe

parametry:
• parametr Rp jest wymagany dla filtru Czebyszewa I i eliptycznego -
oznacza on maksymalny poziom zafalowań w paśmie przepustowym
(w dB)
• parametr Rz jest wymagany dla filtru Czebyszewa II i eliptycznego -
oznacza minimalne tłumienie w paśmie zaporowym (w dB)
• parametr określający typ charakterystyki: dolnoprzepustowy,
górnoprzepustowy, pasmowo-przepustowy, pasmowo-zaporowy


Projekt wymaga zadania parametrów, opisujących dopuszczalne odchyłki
względem idealnego filtru. Zaprojektowana charakterystyka nie może
”wchodzić” na czerwone pola:

Parametr Rp określa maksymalne zafalowanie w paśmie przepustowym

(maksymalna utrata wzmocnienia w tym paśmie).

Parametry fp i fz - szerokość pasma przejściowego, czyli częstotliwości

graniczne pasma przepustowego i zaporowego.

Parametr Rz - minimalne tłumienie w paśmie zaporowym, względem

pasma przepustowego.

Filtr IIR Typy filtrów IIR
Typy filtrów IIR
Wykres ilustrujące charakterystyki typów filtrów: dla filtru

dolnoprzepustowego rzędu 8, o częstotliwości granicznej 3 kHz oraz
zadanymi parametrami Rp = 1 dB i Rz = 60 dB.
Filtr Butterwortha

Typy filtrów IIR
Filtr Butterwortha
• Wymagane parametry: fp , fz lub fp , N
• Filtr Butterwortha posiada maksymalnie płaską charakterystykę w
paśmie przepustowym - nie zniekształca amplitud składowych w tym
paśmie
• Pasmo przejściowe jest bardzo szerokie - słabe tłumienie
• Szybkość opadania charakterystyki w paśmie przejściowym wynosi
około N · 6 dB/oktawę, gdzie oktawa oznacza podwojenie
częstotliwości, N jest rzędem filtru
• Pasmo zaporowe w zasadzie nie występuje
• Aby uzyskać dobre tłumienie w paśmie zaporowym, musimy stosować
filtry dużego rzędu

Typy filtrów IIR
Filtr Czebyszewa typu pierwszego

Typy filtrów IIR
Filtr Czebyszewa typu pierwszego

• Wymagane parametry: Rp, fp , fz lub Rp, fp , N
• Dopuszcza zafalowania charakterystyki w paśmie przepustowym -
maksymalną wielkość tych zafalowań w dB podajemy jako parametr
Rp - filtr zniekształca w pewnym stopniu amplitudy składowych
sygnału w paśmie przepustowym
• W zamian poprawia się tłumienie w paśmie zaporowym - szybkość
opadania charakterystyki jest większa niż dla filtru Butterwortha
• Większy rząd filtru poprawia tłumienie w pasmie zaporowym, ale
zwiększa częstotliwość zafalowań w paśmie przepustowym

Typy filtrów IIR
Filtr Czebyszewa typu drugiego

Typy filtrów IIR
Filtr Czebyszewa typu drugiego

• Wymagane parametry: fp , fz , Rz lub fp , N , Rz
• Nakłada ograniczenie na tłumienie w paśmie zaporowym - parametr
Rz.
• Tłumienie w paśmie zaporowym jest mniejsze niż dla poprzednich
filtrów - otrzymujemy zafalowania w paśmie zaporowym

Typy filtrów IIR

Typy filtrów IIR

• Wymagane parametry: Rp, fp , fz , Rz lub Rp, fp , N , Rz
• Ma najwęższe pasmo przejściowe spośród wszystkich typów
• Ceną za to jest jednak występowanie zafalowań w paśmie
przepustowym oraz zaporowym, jak i zmniejszone tłumienie w paśmie
zaporowym
• Ponieważ filtr eliptyczny wyrównuje wielkość zafalowań w paśmie
przepustowym i zaporowym, jest też nazywany filtrem o
równomiernych zafalowaniach

Typy filtrów IIR

Istotny jest wpływ rzędu filtru eliptycznego na charakterystykę: większy
rząd N to węższe pasmo przejściowe (dotyczy wszystkich typów).

Wybór typu filtra
Czy należy się kierować przy wyborze typu filtra:

• Wybierzemy eliptyczny, jeżeli zależy nam na skutecznym tłumieniu,
a dopuszczamy zafalowania w obu pasmach
• Wybierzemy Czebyszewa, jeżeli zależy nam na braku zafalowań w
jednym z pasm (zwłaszcza w paśmie przepustowym), a godzimy się
na mniej skuteczne tłumienie
• Wybierzemy Butterwortha, jeżeli absolutnie nie zgadamy się na
zafalowania, a skuteczność tłumienia nie jest tak bardzo ważna
(używamy filtrów wyższego rzędu)
Filtr eliptyczny jest najczęściej stosowany.

Metoda projektowania filtru IIR - uwagi
• Projektuje się analogowy prototyp wybranego typu filtru, spełniający

założenia projektowe
• Jest to zawsze filtr dolnoprzepustowy, o znormalizowanej pulsacji
granicznej ω = 1
• Następnie przekształca się prototyp do żądanej charakterystyki i
częstotliwości granicznej


Projektowany jest filtr dolnoprzepustowy, a następnie z niego można

uzyskać pozostałe typy charakterystyk, poprzez przekształcenie
transmitancji.
• Zamiana w filtr dolnoprzepustowy:
s
s→
ωc
• Zamiana w filtr górnoprzepustowy:
ωc
s→
s

Filtry pasmowo-przepustowe i pasmowo-zaporowe projektuje się tak jak

filtr dolnoprzepustowy, z tym że należy podać listę dwóch częstotliwości
granicznych, dolną ωd i górną ωg .
• Zamiana w filtr pasmowo-przepustowy:
(ωg − ωd )s
s→
s2 + ωg ωd
• Zamiana w filtr pasmowo-zaporowy:
s2 + ωg ωd
s→
(ωg − ωd )s

• Zauważmy, że zamiast s pojawia się s2 - oznacza to, że rząd filtru

PP/PZ wzrasta dwukrotnie w stosunku do prototypu DP
(przekształcenie to powoduje dwukrotne zwiększenie rzędu filtru)
• W programach do projektowania filtrów, zadawany rząd N dotyczy
zawsze prototypu. Wynikowy filtr PP lub PZ ma dwa razy większy
rząd niż zadany
• Projektując filtr DP lub GP zadanego rzędu, spodziewamy się
konkretnego tłumienia (nachylenia charakterystyki w paśmie
przejściowym)
• Filtr PP lub PZ tego samego rzędu nie da takiego samego tłumienia -
potrzebny jest filtr rzędu około dwukrotnie większego
• Filtr PP/PZ można traktować jako szeregowe połączenie filtrów DP i
GP - wynikowy rząd jest dwukrotnie większy niż rząd składowych
filtrów


Porównanie charakterystyk dla różnych rzędów:

• Chcemy aby wzmocnienie filtru w paśmie przepustowym było równe

1, więc wymagana jest więc normalizacja wzmocnienia filtru
• Wzmocnienie k dla pulsacji ω = 2πf można obliczyć podstawiając do
wzoru na transmitancję:
z → ejω = cos(ω) + j sin(ω)
• Dla filtru DP i PZ: ω = 0

• Dla filtru GP: ω = π
• Dla PZ: ω w środku pasma przepustowego

Filtr IIR Charakterystyka fazowa i opóźnienie grupowe
Charakterystyka fazowa filtrów IIR
Filtry o skończonej odpowiedzi impulsowej (FIR) projektowane do

typowych zastosowań przepustowo-zaporowych charakteryzują się liniową
charakterystyką fazową i stałym opóźnieniem grupowym. Dzięki temu
opóźnienie wprowadzane przez filtr jest jednakowe dla wszystkich
składowych częstotliwościowych i sygnał nie jest zniekształcany fazowo
wskutek filtracji.
Filtry IIR nie posiadają tej cechy. Filtry IIR zniekształcają fazę sygnału.
Opóźnienie zależy od częstotliwości.
Dla sygnałów o złożonym widmie (mowa, muzyka), sygnał na wyjściu

filtru składa się z komponentów widmowych, które pojawiły się na wejściu
w różnym czasie.

Charakterystyka fazowa filtrów IIR

Charakterystyki fazowe poszczególnych typów filtrów IIR (DP 3 kHz,
N =8):

Opóźnienie grupowe filtrów IIR

Bardziej istotna jest charakterystyka opóźnienia grupowego (pochodna
charakterystyki fazowej względem pulsacji, z ujemnym znakiem):

Przykład
Aby zilustrować efekt opóźnienia rozważmy sygnał:
sin(500) + 0.5 sin(2.5)
Rozważmy eliptyczny filtr filtr DP o częstotliwości granicznej 3 kHz.

Przykład

Przykład
Sygnał po filtracji, na skutek zniekształceń fazowych, zmienia swój kształt.

Czy można dokonać filtracji sygnału filtrem IIR tak, aby nie powstały
zniekształcenia fazowe?
• Tylko w sytuacji przetwarzania offline - gdy mamy cały sygnał do
dyspozycji
• Nie można w przypadku przetwarzania online - gdy wciąż napływają
nowe próbki sygnału
• W sytuacji, gdy nie dopuszczamy zniekształceń fazowych (wymagamy
liniowość fazy) możemy rozważać tylko filtry FIR

Filtracja zerofazowa
Filtry IIR projektowane w opisany wyżej sposób mają nieliniową
charakterystykę fazową i zmienne opóźnienie grupowe. Jest to istotna
wada przy przetwarzaniu sygnałów szerokopasmowych. Istnieje jednak
możliwość zaprojektowania filtrów IIR nie zniekształcających fazy. Będą to
jednak filtry nieprzyczynowe. Nie będzie można ich zastosować w
przypadku, gdy próbki sygnału są przetwarzane online. Ale jeżeli
dysponujemy całym sygnałem, możemy zastosować opisywaną metodę.
Zasada filtracji zerofazowej (ang. Zero-Phase Filtering ) jest następująca:

1 filtrujemy sygnał normalnie
2 odwracamy wynik filtracji w czasie i ponownie przepuszczamy przez
filtr - est to tzw. filtr ”w przód-wstecz” (ang. Forward-Backward
Filter )
3 otrzymamy sygnał, który nie będzie zniekształcony fazowo względem
oryginalnego sygnału
Dlaczego to działa?
1 Przy pierwszym przetwarzaniu, do sygnału dodawane są
zniekształcenia fazowe spowodowane przez nieliniową charakterystykę
filtru
2 Następnie odwracamy sygnał w czasie - operacja ta powoduje
odwrócenie fazy oryginalnego sygnału względem zera (zmianę znaku).
Po ponownym przejściu sygnału przez filtr, dodane zniekształcenia
mają przeciwny znak do tych dodanych do sygnału w pierwszej fazie
3 W rezultacie mamy filtr, którego charakterystyka amplitudowa jest
równa kwadratowi charakterystyki oryginalnego filtru, natomiast
charakterystyka fazowa jest zerowa - zniekształcenia fazowe nakładają
się dwukrotnie, ale z przeciwnym znakiem, zatem kompensują się
nawzajem.

Zaleca się stosowanie filtracji zerofazowej zawsze w przypadkach gdy

mamy do dyspozycji kompletny sygnał i chcemy go przetworzyć za
pomocą filtru IIR. Redukujemy w ten sposób zniekształcenia fazowe
wprowadzane przez filtr.
Możemy również zastosować metodę zerofazową do filtru FIR. Filtry te nie

zniekształcają fazy, ale filtracja zerofazowa powoduje że filtr nie wprowadza
opóźnienia, sygnał oryginalny i przefiltrowany pozostają zsynchronizowane.

Przykład
Wykres pokazuje charakterystykę fazową sygnału przed i po filtracji.

Filtr IIR Problemy z rekursywnością
Problemy z rekursywnością filtrów IIR
Współczynniki filtru zapisywane są ze skończoną precyzją - kwantyzacja

(np. liczby double ok. 15 miejsc po przecinku), przez co wyniki filtracji są
obarczone błędem nazywanym szumem kwantyzacji.
W filtrze rekursywnym, zaszumione wyniki filtracji są podawane

ponownie na wejście filtru, przez co błędy kwantyzacji ulegają kumulacji
i są coraz większe po każdym ”przejściu przez filtr”. Może to spowodować
nie tylko powstanie niedokładnych wyników, ale również utratę
stabilności filtru.
Efekt ten jest tym bardziej dotkliwy, im większy jest rząd filtru. Dla filtrów
IIR rzędu 1 lub 2, efekt ten jest mniej istotny. W praktyce potrzebujemy
jednak filtrów wyższego rzędu.


Szum kwantyzacji
Szum kwantyzacji to różnica wyników między projektowanym a
zaprogramowanym filtrem. Efekt szumu kwantyzacji e(n) jest też obecny
w filtrach FIR, ale tam jest ograniczony do wyjścia filtru:
N
X −1
y(n) = h(n)x(n − i) + e(n)
i=0
W filtrze IIR, wynik obarczony błędem jest brany pod uwagę w

obliczeniach dla następnych próbek:
N
X N
X
y(n) = bi x(n − i) − ai (x(n − i) + e(n − i)) + e(n)
i=0 i=0
Im większy rząd filtru, tym większy szum kwantyzacji (błąd dłużej ”krąży”
w filtrze).
Szum kwantyzacji
Przykład szumu kwantyzacji filtru IIR w implementacji stałoprzecinkowej,
dla rzędu 2 i 8.

Utrata stabilności
Szum kwantyzacji wpływa na transmitancję filtru:
ai y(n − i) → ai (y(n − i) + e(n − i)) = ai y(n − i) + ai e(n − i)
ai bi
ai (n) = PN bi (n) = PN
1+ i=0 ai e(n − i) 1 + i=0 ai e(n − i)
Szum zmienia współczynniki filtru, więc zmienia także zera i bieguny.
Szum może zwiększyć moduł bieguna powyżej 1 - filtr staje się niestabilny,
chociaż został zaprojektowany jako stabilny!

Utrata stabilności
Przykład odpowiedzi impulsowej eliptycznego filtru DP 3 kHz, 20-tego
rzędu.

Utrata stabilności
• Ryzyko utraty stabilności z powodu błędów kwantyzacji wzrasta z
rzędem filtru
• Filtry niskich rzędów (< 8) nie mają zwykle takiego problemu - lepiej
więc stosować filtry niskiego rzędu
• Co zrobić, jeżeli charakterystyka filtru wymaga zastosowania
wysokiego rzędu, np. 20? Należy zastosować kaskadowe połączenie
sekcji drugiego rzędu.

Kaskadowe Łączenie filtrów IIR
Transmitancja filtru IIR zapisana w formie ZPK:
(1 − q1 z −1 )(1 − q2 z −1 ) . . . (1 − qM z −1 )
H(z) = k
(1 − p1 z −1 )(1 − p2 z −1 ) . . . (1 − pN z −1 )
Ten sam wzór możemy też zapisać w następującej równoważnej formie:
(1 − q1 z −1 )(1 − q2 z −1 ) (1 − q3 z −1 )(1 − q4 z −1 )
H(z) = k1 · k2 · ... ·
(1 − p1 z −1 )(1 − p2 z −1 ) (1 − p3 z −1 )(1 − p4 z −1 )
(1 − qN −1 z −1 )(1 − qN z −1 )
kN/2
(1 − pN −1 z −1 )(1 − pN z −1 )
gdzie k1 · . . . · kN/2 = k.

Każdy ”fragment” transmitancji reprezentuje filtr IIR drugiego rzędu:
(1 − q1 z −1 )(1 − q2 z −1 ) b0 + b1 z −1 + b2 z −2
H(z) = k1 = k1
(1 − p1 z −1 )(1 − p2 z −1 ) 1 + a1 z −1 + a2 z −2
Taki filtr składowy nazywa się sekcją drugiego rzędu (ang. Second Order
Section, SOS), inaczej filtrem dwukwadratowym lub bikwadratowym
(jeden ”kwadrat” w liczniku, drugi w mianowniku).
Każdy filtr IIR parzystego rzędu N można przedstawić jako kaskadę N/2
sekcji drugiego rzędu. Dla nieparzystych rzędów filtru trzeba zastosować
dodatkowo jedną sekcję pierwszego rzędu.

(1 − q1 z −1 )(1 − q2 z −1 ) (1 − q3 z −1 )(1 − q4 z −1 )
H(z) = k1 · k2 · ... ·
(1 − p1 z −1 )(1 − p2 z −1 ) (1 − p3 z −1 )(1 − p4 z −1 )
(1 − qN −1 z −1 )(1 − qN z −1 )
kN/2
(1 − pN −1 z −1 )(1 − pN z −1 )
Taki zapis transmitancji reprezentuje kaskadowe połączenie sekcji drugiego

rzędu.
Sposób podziału na sekcje jest w zasadzie dowolny - uporządkowanie może

opierać się na tym, jak daleko bieguny sekcji znajdują się od okręgu
jednostkowego (wzrastającego albo malejącego dystansu). Zwykle w jednej
sekcji umieszcza się parę sprzężonych zer i odpowiadającą im parę
sprzężonych biegunów.

• Każda sekcja ma własną pętlę sprzężenia zwrotnego

• Każda pętla obejmuje dwa opóźnienia zamiast N
• Wpływ szumu kwantyzacji na wyniki filtracji jest zredukowany do
pętli pojedynczych sekcji
Dla filtrów drugiego rzędu wpływ błędów kwantyzacji jest mniejszy niż dla
wyższych rzędów, zatem np. kaskada czterech filtrów drugiego rzędu jest
równoważna filtrowi ósmego rzędu, ale cechuje się mniejszym wpływem
błędów kwantyzacji.
Z tego powodu zaleca się stosowanie tej struktury, przy projektowaniu

filtrów IIR wyższych rzędów (N > 8, choć nie jest to sztywne zalecenie),
szczególnie w przypadkach, w których występują duże błędy kwantyzacji,
np. w implementacji stałoprzecinkowej.

Struktura kaskadowa
Przykład odpowiedzi impulsowej eliptycznego filtru DP 3 kHz, 20-tego
rzędu, ale zaprojektowany jako sekcje drugiego rzędu.

Filtry IIR
Podsumowując, mamy trzy możliwe opisy filtru IIR:

1 TF - współczynniki licznika i mianownika (b, a)
2 ZPK - zera, bieguny i stałe wzmocnienie
3 SOS - sekcje drugiego rzędu
Każdy z tych trzech opisów można przeliczyć na pozostałe, ale nie powinno
się przekształcać postaci TF w SOS, zwłaszcza dla filtrów wyższego rzędu.

Projekty filtrów
Przykład
Rozważmy sygnał składający się z pięciu ”sinusów” o częstotliwościach
500, 1000, 1500, 2000, 2500 Hz oraz z szumu.

Projekty filtrów
Przykład
Projekt 1: chcemy usunąć dwa ostatnie sinusy. Stosujemy:
• filtr dolnoprzepustowy
• rząd filtru N = 8
• typ eliptyczny
• zakładamy maksymalne zafalowanie w paśmie przepustowym: Rp = 1
dB
• zakładamy minimalne tłumienie w paśmie zaporowym, względem
pasma przepustowego: Rz = 60 dB (z wykresu wynika, że stosunek
sygnału do szumu ok. 50 dB, więc Rz = 60 dB powinno wystarczyć)
• wynik w formie TK - współczynników (b, a) (zakładamy, że filtr nie
straci stabilności)
Projekty filtrów
Przykład
• Zakładamy maksymalne zafalowanie w paśmie przepustowym: Rp = 1

dB
• Zakładamy minimalne tłumienie w paśmie zaporowym, względem
pasma przepustowego: Rz = 60 dB (z wykresu wynika, że stosunek
sygnału do szumu ok. 50 dB, więc Rz = 60 dB powinno wystarczyć)
Projekty filtrów
Przykład

Projekty filtrów
Przykład
Projekt 2: chcemy usunąć pierwszy i ostatni prążek. Stosujemy:
• pasmowo-przepustowy
• częstotliwości graniczne pasma przepustowego 750 Hz, 2250 Hz
• częstotliwości graniczne pasma zaporowego 500 Hz, 2500 Hz
• typ eliptyczny
• zafalowania: Rp = 1 dB, Rz = 60 dB
• wynik w formie SOS - nie mamy pewności jaki będzie wynikowy rząd
filtru, zabezpieczamy się przed utratą stabilności

Projekty filtrów
Przykład
Wynik obliczeń w formie SOS:
Otrzymaliśmy 7 sekcji drugiego rzędu - filtr ma rząd 14. Wzmocnienie jest

zawarte w liczniku pierwszej sekcji (k = 0.0006). Program uwzględnia
a0 = 1 (czwarta kolumna).

Projekty filtrów
Przykład

Filtry IIR a FIR
Podsumujmy najważniejsze cechy filtrów o skończonej i nieskończonej

odpowiedzi impulsowej.
Cecha FIR IIR

Zawsze są stabilne Tak Nie
Mogą być liniowofazowe Tak Nie
Wpływ szumu kwantyzacji Mały Duży
Wymagany rząd filtru Większy Mniejszy
Ostatnia z wymienionych cech wyjaśnia dlaczego w ogóle używamy filtrów

IIR, pomimo licznych wad tego typu w porównaniu z filtrami FIR. Filtry
IIR zazwyczaj wymagają wykonania znacznie mniejszej ilości obliczeń niż
filtr FIR o zbliżonej charakterystyce. Wynika to z tego, że aby uzyskać
pożądany kształt charakterystyki, w przypadku filtru IIR wystarczy
znacznie mniejszy rząd.

Filtry IIR a FIR

Przykład
Popatrzmy na porównanie dwóch filtrów: filtr FIR projektowany oknem
Kaisera oraz filtr eliptyczny IIR (DP 3-3,2 kHz, Rz = 60 dB):
FIR: rząd 871 (872 mnożenia), IIR: rząd 9 (19 mnożeń).

Filtry IIR a FIR
Przykład
Porównanie filtrów FIR i IIR z taka sama liczba mnożeń.
FIR: rząd 18 (19 mnożeń), IIR: rząd 9 (19 mnożeń).

Podsumowanie
• Filtry IIR są cyfrowym odpowiednikiem analogowych filtrów
• Filtr IIR jest rekursywny. W filtracji biorą udział także poprzednie
wyniki filtracji
• Transmitancja filtru jest opisana ułamkiem, ze współczynnikami b w
liczniku i a w mianowniku
• Projektowanie filtrów IIR opiera się na znanych metodach
projektowania filtrów analogowych i stosowaniu przekształceń
• Przy projektowaniu filtru należy wybrać typ filtru. Wybór zależy od
wymagań, typy filtru różnią się szerokością pasma przejściowego,
wielkością zafalowań w paśmie przepustowym i wielkością tłumienia w
paśmie zaporowym
• Transmitancję filtru IIR można zapisać w formie zer, biegunów i
wzmocnienia
• Filtr IIR nadający się do praktycznego zastosowania musi być stabilny
- moduł wszystkich biegunów musi być mniejszy od 1
Podsumowanie
• Potrzebują znacznie mniejszego rzędu niż filtry FIR aby uzyskać

podobną skuteczność filtracji - są bardziej wydajne, wymagają
mniejszej ilości obliczeń
• Nie wymagają dużo miejsca w pamięci
• Nie wprowadzają dużych opóźnień związanych z przetwarzaniem
• Są proste w implementacji

Podsumowanie
• Filtry IIR nie mają liniowej charakterystyki fazowej, opóźnienie

grupowe zależy od częstotliwości. Filtry IIR mogą zniekształcać
fazowo sygnały szerokopasmowe - różne składowe widma mają różne
opóźnienia, faza się ”rozjeżdża”
• Filtracja zerofazowa nie wprowadza zniekształceń fazowych, ale filtr
jest nieprzyczynowy - musimy mieć pełny sygnał do dyspozycji
• Błędy numeryczne kumulują się przy filtracji IIR, zniekształcają one
charakterystykę filtru i mogą spowodować jego niestabilność
• Implementacja filtrów IIR za pomocą sekcji drugiego rzędu zmniejsza
wpływ błędów na filtr i jest zalecana, szczególnie dla większych
rzędów filtru
• Projektowanie jest trudniejsze niż dla FIR

Jak zmierzyć wpływ filtracji na sygnał?
Funkcja korelacji wzajemnej

Z ∞
Rxy (τ ) = x(t)y(t − τ )dτ
−∞
Opisuje współzmienność (współzależność) sygnałów:

• wynosi 0, kiedy którykolwiek z sygnałów ma wartość 0
• jest ujemna kiedy znaki x(t) i y(t) są różne i dodatnia, kiedy są
zgodne
• osiąga maksima i minima lokalne dla τmax takich, że: x(τmax ) i
y(τmax ) również są maksimami/minimami lokalnymi


Możemy więc obliczyć transformatę Fouriera funkcji autokorelacji. Co daje
w rezultacie wzór na wzajemną gęstość widmowa mocy:
Z ∞
Gxy (ω) = Rxy (t)e−jωt dt
−∞
Opisuje rozkład współzmienności sygnałów x(t) i y(t) na składowe
częstotliwościowe.
W przypadku filtracji możemy udowodnić, że:

Y (ω)
Gxy (ω) = H(ω)Gxx (ω) = Gxx (ω)
X(ω)
gdzie Gxx (ω) jest widmową gęstością mocy sygnału x(t).
Funkcja koherencji
|Gxy (ω)|2
γxy (ω) = Gyy (ω)
Gxx (ω)
Jest to odpowiednik funkcji korelacji wzajemnej w dziedzinie częstotliwości.

Funkcja koherencji
Funkcja koherencji przyjmuje wartości z przedziału:
0 < γxy (ω) < 1
Na podstawie zależności na transmitancję:
Gxy (ω) = H(ω)Gxx (ω)
możemy powiedzieć, że dla γxy (ω) = 1, odpowiedź y(t) zależy całkowicie

od x(t). Można to analizować dla każdej ω.


Wykład 8
• Specjalne typy filtrów i ich zastosowania w przetwarzaniu dźwięku

• Przetwarzanie obrazów
• Analiza częstotliwościowa obrazów
• Własności transformaty sygnału 2D
• Przetwarzanie obrazów - histogram
• Modulacja sygnału

Specjalne typy filtrów i ich zastosowania w przetwarzaniu dźwięku
Specjalne typy filtrów i ich zastosowania w

przetwarzaniu dźwięku

Specyficzne typy filtrów
W poprzednich wykładach przedstawiliśmy typowe filtry FIR i IIR tłumiące

zakresy częstotliwości.
Istnieją specyficzne typy filtrów do konkretnych zastosowań, związanych z

przetwarzaniem dźwięku, w tym:
• filtry różniczkujące, całkujące i Hilberta
• filtry grzebieniowe i wszechprzepustowe
• filtry parametryczne
• filtry interpolacyjne i decymacyjne

Filtr różniczkujący
Zadaniem filtru różniczkowego (ang. Differentiator ) jest obliczanie

pochodnej sygnału. W obwodach analogowych, rolę układów
różniczkujących pełnią układy zbudowane z rezystorów i cewek (RL).
Cyfrowe filtry różniczkujące mogą mieć zastosowanie w przypadkach, w

których pochodna sygnału jest potrzebna do uzyskania żądanych
informacji. W analizie sygnałów, obliczenie pochodnej sygnału może być
przydatne przy obliczaniu ekstremów sygnału.

Najprostszym cyfrowym filtrem różniczkującym („naiwny” układ
różniczkujący) jest filtr FIR pierwszego rzędu, który oblicza różnicę między
bieżącą a poprzednią próbką:
y(n) = x(n) − x(n − 1)
Innym przykładem filtru różniczkującego jest filtr drugiego rzędu, dany

równaniem różnicowym:
1
y(n) = (x(n) − x(n − 2))
2
Oba filtry nie są cyfrowym odpowiednikiem analogowych układów
różniczkujących. Jeżeli filtr ma obliczać pochodną sygnału, to po podaniu
na jego wejście sygnału sin(x) powinniśmy uzyskać na wyjściu sygnał
x cos(x) , czyli jego charakterystyka częstotliwościowa powinna narastać
liniowo z częstotliwością, a charakterystyka fazowa powinna być stała i
równa π/2 .
Obydwa filtry mają charakterystyki znacznie odbiegające od oryginalnej:
Filtr działa zgodnie z założeniami tylko w paśmie do ok. 5 kHz. Będzie

więc różniczkował składowe sygnału o niskich częstotliwościach, natomiast
wyższe częstotliwości zostaną stłumione. Może to być pożądanym
efektem, jeżeli nie chcemy uwzględniać szumu przy obliczaniu pochodnej.
• Idealny filtr różniczkujący posiada transmitancję: H(z) = jω

• Widmo amplitudowe narasta liniowo od (0, 0) do (π, 2π)
• Nie da się zrealizować cyfrowego filtru mającego idealną
charakterystykę układu różniczkującego, można ją jednak przybliżyć
stosując metody optymalizacyjne w projektowaniu filtru. Do realizacji
takiego filtru musimy wykorzystać filtr FIR typu III (nieparzysty) lub
IV (parzysty), czyli o asymetrycznej odpowiedzi impulsowej.
• Można zaprojektować taki filtr FIR, podając punkty charakterystyki,
np.: (0, 0); (0.99999, 2π), (1, 0).
• Odpowiedź impulsową przycinamy do żądanej długości:
charakterystyka widmowa filtru różniczkującego - mniejsza
długość filtru to większe odchylenie na końcu pasma

Przykład
Filtrujemy sygnał położenia obiektu. Mając sygnał opisujący zmiany
położenia obiektu, możemy uzyskać informację o prędkości poruszania się
tego obiektu (pochodna położenia = prędkość).

Filtr Hilberta i sygnał analityczny
Filtrem Hilberta nazywa się filtr, który dokonuje przesunięcia fazowego

sygnału rzeczywistego o wartość π.
Sygnał analityczny jest sygnałem zespolonym, którego część urojona jest

równa części rzeczywistej przesuniętej o kąt π.
Układ przekształcający sygnał rzeczywisty w sygnał analityczny nazywa się

transormatorem Hilberta (ang. Hilbert Transformer ).

Filtr Hilberta i sygnał analityczny
Sygnał analityczny ma jedną ważną cechę

• Widmo sygnału rzeczywistego jest symetryczne, ma ono dwie kopie
na ”dodatnich i ujemnych” częstotliwościach
• Przekształcenie sygnału rzeczywistego w analityczny powoduje, że
pozostaje tylko jedna część widma, druga kopia (”nadmiarowa”) dla
ujemnych częstotliwości (od częstotliwości Nyquista do częstotliwości
próbkowania) zostaje wyzerowana
• Tworzymy sygnał zespolony operując bezpośrednio na widmie
sygnału, obliczamy FFT sygnału, zerujemy wartości widma dla
ujemnych częstotliwości, podwajamy amplitudy pozostałych
składowych (aby zachować energię sygnału) oraz wykonujemy IFFT

Filtr Hilberta
• Wykonuje przesunięcie fazy o 90◦

• Transmitancja: −j dla dodatnich częstotliwości, j dla ujemnych, 0 dla
zera
• Moduł transmitancji: 1 w całym paśmie - filtr nie modyfikuje
amplitud widma
• Możemy zaprojektować filtr tak, że ma zerowe wzmocnienie dla 0 i π,
wzmocnienie 1 pomiędzy: (0, 0); (0.00001, 1); (0.99999, 1); (1, 0)
• Odpowiedź impulsowa również musi być antysymetryczna (typ III lub
IV)

Filtr Hilberta
Po co stosować filtr Hilberta?

• Sygnał analityczny to sygnał zespolony, w którym:
• część rzeczywista = oryginalny sygnał
• część urojona = sygnał po filtracji Hilberta
• Dla sygnałów w przybliżeniu symetrycznych, np. dla dźwięku:
• moduł sygnału analitycznego = obwiednia, czyli reprezentacja zmian
energii sygnału (np. głośności dźwięku)
• faza sygnału analitycznego = chwilowa częstotliwość
• Sygnały analityczne używane są w analizie sygnałów oraz do
demodulacji sygnałów

Przykład
Moduł sygnału analitycznego daje obwiednię sygnału mowy. Po jej
wygładzeniu za pomocą np. filtru DP dostajemy sygnał reprezentujący
głośność:

Filtr całkujący
Filtr całkujący (ang. Integrator ) oblicza całkę sygnału, jego działanie jest
zatem odwrotne do filtru różniczkującego. W obwodach analogowych,
układy różniczkujące składają się z rezystorów i kondensatorów (RC).
W dziedzinie cyfrowej, całkowanie sygnału odpowiada sumowaniu

dyskretnych wartości. Filtr całkujący musi mieć realizację IIR- układ
rekursywny, który sumuje próbki sygnału z wejścia.

Filtr całkujący
Filtr całkujący pierwszego rzędu ma równanie różnicowe:
y(n) = y(n − 1) + x(n)
Jest to tzw. filtr całkujący wstecz (ang. Backward Rectangular

Integrator ). Inna forma filtru całkującego:
y(n) = y(n − 1) + x(n − 1)
to tzw. filtr całkujący w przód (ang. Forward Rectangular Integrator ).

Trzecia forma filtru pierwszego rzędu to:
1
y(n) = y(n − 1) + (x(n) + x(n − 1))
2
Jest to tzw. filtr trapezoidalny (ang. Trapezoidal Integrator ).

Filtr całkujący
Charakterystyki filtrów:
Filtr ”w przód” i ”wstecz” mają identyczne charakterystyki, leżące nieco

powyżej idealnej charakterystyki 1/jω. Charakterystyka filtru
trapezoidalnego leży nieco poniżej idealnej.

Stratny układ całkujący

Wszystkie filtry całkujące mają jedną wspólną cechę: są to filtry
niestabilne (nie da się ich zrealizować w praktyce). Łatwo zauważyć, że
jeżeli na wejście filtru podamy sygnał o stałych wartościach, odpowiedź
filtru będzie dążyła do nieskończoności. Jeżeli podamy sygnał przyjmujący
tylko wartości dodatnie, obliczana suma będzie coraz większa.
Rozwiązaniem problemu jest wprowadzenie do równania różnicowego

współczynnika 0 < α < 1. Dla filtru całkującego wstecz, równanie
różnicowe przyjmuje postać:
y(n) = x(n) + αy(n − 1)
Układ o takim równaniu różnicowym nazywa się stratnym układem

całkującym (ang. Leaky Integrator ), czyli ”układ całkujący z
przeciekiem”, obrazowo opisuje efekt jego działania: część obliczonej
wcześniej sumy ”wycieka” z układu. Modyfikacja ta zapewnia, że moduł
biegunów jest mniejszy od jedności i układ jest stabilny.
Transmitancja takiego filtru ma postać:

1
H(z) =
1 − αz −1
Wartości α stosowane w praktyce są zwykle bardzo bliskie jedności,
najczęściej w zakresie 0.99 − 0.998.

Charakterystyki częstotliwościowe stratnego układu całkującego dla

różnych α - układ działa w przybliżeniu jak filtr DP:
Zmniejszanie parametru α powoduje większe tłumienie charakterystyki dla

niskich częstotliwości. W podobny sposób można zmodyfikować
charakterystykę filtru całkującego ”w przód” oraz trapezoidalnego.

Filtr całkujący
Przykład
Całkujemy znowu sygnał prędkości, dostajemy z powrotem położenie.
Błędy na początku - filtr nie zna wcześniejszych próbek.

Filtr składowej stałej
Wiele sygnałów pozyskiwanych z czujników zawiera składową stałą (ang.

Direct Component), czyli są one przesunięte o pewną wartość na skali
amplitudy. Składowa stała jest niepożądana i powinna być odfiltrowana
z sygnału.
Jeżeli mamy do dyspozycji kompletny sygnał, wystarczy obliczyć składową

stałą i odjąć ją od sygnału. W praktycznych zastosowaniach przetwarzamy
jednak sygnał ciągły. W widmie sygnału, składowa stała jest
reprezentowana przez składową na zerowej częstotliwości. Filtr składowej
stałej (ang. DC Blocker ) jest filtrem górnoprzepustowym, który usuwa
składową stałą z sygnału. Filtr nie powinien jednak tłumić składowych
sygnału o niskich częstotliwościach.

Typowy filtr cyfrowy usuwający składową stałą powstaje poprzez

połączenie filtru różniczkującego z filtrem całkującym:
• filtr różniczkujący daje zerowe wzmocnienie składowej stałej, ale silnie
tłumi niższe częstotliwości
• stratny filtr całkujący wzmacnia niskie częstotliwości
Wzmocnienie filtru różniczkującego zależy wprost od częstotliwości,

natomiast filtru całkującego - od odwrotności częstotliwości, zatem te dwa
filtry kompensują nawzajem swoje wzmocnienie, za wyjątkiem
częstotliwości bliskich zeru, gdzie wzmocnienie wynikowego filtru zostaje
zredukowane.

Równanie różnicowe pierwszego rzędu przyjmuje postać:
y(n) = x(n) − x(n − 1) + αy(n − 1)
Transmitancja filtru składowej stałej pierwszego rzędu ma postać:
1 − z −1
H(z) =
1 − αz −1
Znaczenie parametru α jest takie samo jak dla filtru całkującego: α < 1,
aby układ był stabilny.

Charakterystyki układu usuwania DC dla różnych α - wartości bliższe 1

dają skuteczniejsze działanie:

Przykład
Sygnał ze sztucznie dodaną składową stałą (0,1) i sygnał po filtracji
(α = 0.998)

Układ opóźniający próbki
Układ opóźniający próbki, tzw. linia opóźniająca (ang. Delay Line),

przechowuje próbki i wypuszcza je po L okresach próbkowania:
y(n) = x(n − L)
Możemy do sygnału dodać jego opóźnioną i stłumioną kopię:
y(n) = b0 x(n) + bL x(n − L)

Filtr grzebieniowy
Filtr grzebieniowy (ang. Comb Filter ) jest to filtr o cyklicznie

powtarzającej się charakterystyce amplitudowej, przypominającej
kształtem grzebień.
Filtr grzebieniowy typu FIR można uzyskać z filtru FIR pierwszego rzędu
poprzez zwiększenie opóźnienia do wartości L, tak że równanie różnicowe
przyjmuje postać:
y(n) = b0 x(n) + bL x(n − L)
gdzie |bL | ¬ 1. Działanie filtru polega zatem na dodaniu do sygnału jego
”echa”, czyli opóźnionej i przeskalowanej kopii.

Filtr grzebieniowy
Odpowiedź impulsowa filtru:
Filtr wytwarza echo sygnału, opóźnione o L próbek i zmniejszone

względem oryginału. Można np. dodać echo do dźwięku.

Filtr grzebieniowy
Charakterystyki amplitudowe filtru dla b0 = 1:
Chcemy jedynie dodać opóźnione echo sygnału, nie chcemy zmieniać

widma amplitudowego - użyty filtr bardzo silnie modyfikuje to widmo.

Filtr grzebieniowy
• Ze względu na kształt widma, nazywa się go filtrem grzebieniowym

• Stosując opóźnienie o L próbek dostajemy widmo, w którym jest L
”zębów grzebienia” w zakresie od 0 do fs
• Amplitudy maksimów zależą od współczynnika bL
Możemy ten sam układ zrealizować jako filtr rekursywny - do sygnału

dodajemy opóźnione o L próbek wyjście filtru:
y(n) = b0 x(n) + aL y(n − L)
gdzie |aL | < 1, aby filtr był stabilny.

Filtr grzebieniowy
Odpowiedź impulsowa filtru rekursywnego:
Rekursywny filtr grzebieniowy jest także stosowany w przetwarzaniu

dźwięku, umożliwia on uzyskanie efektu wielokrotnego echa (ang.
Multiple Echo) tłumione kopie sygnału pojawiają się co L próbek. Czasem
efekt ten jest określany jako pogłos (ang. Reverberation), ale nie jest to
poprawna nazwa, gdyż właściwy pogłos, symulujący odbicia dźwięku w
pomieszczeniu, nie ma charakteru kopii o stałych przesunięciach
czasowych, liczba kopii wzrasta z czasem, a odstępy między nimi
zmniejszają się.
Filtr grzebieniowy
Charakterystyki amplitudowe filtru dla b0 = 1:
Filtr grzebieniowy, który ma ”odwrotnie zęby” niż filtr FIR. W przypadku

filtru rekursywnego, częstotliwości maksimów widmowych są wyznaczone
przez położenie biegunów. Filtr o opóźnieniu L ma L biegunów
rozłożonych równomiernie na okręgu o promieniu |aL | (zależności są takie
same, jak dla zer filtru grzebieniowego FIR).
Filtr grzebieniowy
• Oba filtry grzebieniowe (FIR i IIR) zniekształcają widmo (efekt

grzebienia)
• Chcemy mieć układ, który generuje echo (opóźnia sygnał), ale nie
modyfikuje widma amplitudowego
• Kształt widma filtrów FIR i IIR jest w przybliżeniu przeciwstawny
• Co otrzymamy jak połączymy oba typy filtrów w jeden?

Filtr wszechprzepustowy
Filtr wszechprzepustowy (ang. All-Pass Filter ) posiada charakterystykę

amplitudową równą jedności w całym zakresie częstotliwości. Zadaniem
tego filtru jest modyfikacja fazy sygnału, bez wpływu na jego amplitudę.
Jeżeli popatrzymy na zamieszczone wcześniej wykresy charakterystyk

amplitudowych filtrów grzebieniowych - zwykłego i rekursywnego,
zobaczymy że jedna jest odwrotnością drugiej (w przybliżeniu), ich iloczyn
jest równy jedności. W istocie, połączenie kaskadowe nierekursywnego
i rekursywnego filtru grzebieniowego o tym samym opóźnieniu L i o
przeciwnych współczynnikach skalujących bL i aL , daje filtr
wszechprzepustowy.

Rozważmy filtr pierwszego rzędu (L = 1). Połączenie obu filtrów daje filtr
o równaniu różnicowym:
y(n) = b0 x(n) + x(n − L) − aL y(n − L)
oraz transmitancji:
b0 + z −L
H(z) =
1 + aL z −L

Odpowiedź impulsowa filtru:
Filtr nadal wytwarza wielokrotne echo, tak jak chcemy.

Charakterystyki częstotliwościowe filtru:
Widmo amplitudowe równe jedności w całym zakresie częstotliwości!

• Filtr przenosi wszystkie częstotliwości bez zmiany amplitudy (stąd

nazwa wszechprzepustowy)
• Modyfikuje tylko charakterystykę fazową, wytwarza wielokrotne echo
• Układ działa, pod warunkiem że b0 = aL - wtedy wpływy obu pętli
znoszą się nawzajem
• Filtr wszechprzepustowy jest wykorzystywany m.in. do efektów
brzmieniowych oraz w korektorach barwy dźwięku

Filtry półkowe
Filtry półkowe (ang. Shelving Filters):

• przepuszczają jeden zakres częstotliwości bez zmian,
• wprowadzają wzmocnienie lub tłumienie w pozostałej części pasma
• modyfikują albo niskie, albo wysokie częstotliwości
Regulator niskich i wysokich „tonów” (korekcja barwy dźwięku):

Inne...
• Filtr szczytowy
• Bank filtrów
• Filtr połówkowy
• ...

Przetwarzanie obrazów
Przetwarzanie obrazów

Przetwarzanie obrazów Analiza częstotliwościowa obrazów
Obraz jako macierz

• Wymiary obrazu: 256 × 256 px
• Liczba poziomów koloru: 256
• Każdemu pikselowi odpowiadają trzy liczby: współrzędna X,
współrzędna Y i poziom jasności

Obraz jako macierz

• Liczba poziomów koloru: 256
• Każdemu pikselowi odpowiadają trzy liczby: współrzędna X,
współrzędna Y i poziom jasności

Linie obrazu jako przebiegi sygnału 1D

Linie obrazu jako przebiegi sygnału 1D

Transformata Fouriera obrazu
1. Dla każdej linii obrazu (tj. dla każdego wiersza macierzy pikseli)
obliczamy transformatę Fouriera

2. Tak otrzymane przebiegi tworzą linie kolejnego „obrazu”

2.1 W tym obrazie linie również są rozpatrywane jako przebiegi

3 Następnie obliczamy transformaty Fouriera kolumn obrazu pkt. 2

3 Następnie obliczamy transformaty Fouriera kolumn obrazu pkt. 2

Zmiana ostrości obrazu
Efekt tętnień analogiczny do rozwinięcia fali prostokątnej w skończony

szereg Fouriera.


Wysokie częstotliwości w obrazie odpowiadają krawędziom, a niskie

obszarom o równomiernej barwie.

Przetwarzanie obrazów Własności transformaty sygnału 2D
Okresowość widma obrazu
Widmo sygnału domyślnie obliczamy dla odcinka [0, fs ] (fs to w tym

wypadku liczba pikseli w każdym z wymiarów)

Rotacja widma

Zasada nieoznaczoności
Wydłużenie czasu trwania sygnału powoduje skupienie jego widma

Widmo bardziej skupione w osi pionowej (odwrotnie z obiektem na

obrazie).


Przetwarzanie obrazów Przetwarzanie obrazów - histogram
Histogram obrazu

• Liczba poziomów jasności możliwych do przypisania każdemu
pikselowi: 256

Histogram obrazu
Histogram przedstawia informację, ile pikseli każdego poziomu znajduje się

w całym obrazie.

Histogram obrazu
Porównanie obrazów o różnym histogramie:

Histogram obrazu
Krzywa na histogramie ilustruje przekształcenie - przypisanie niższych

wartości pikselom.

Histogram obrazu
Liczba pikseli o wartościach bliskich najciemniejszym dominuje w obrazie.

Histogram obrazu
Mało kontrastowe szczegóły widoczne w obszarach obrazu o wysokiej

wcześniejszej jasności.

Histogram obrazu
Krzywa na histogramie ilustruje przekształcenie - przypisanie wyższych

wartości pikselom.

Histogram obrazu
Mniej poziomów ciemnych (”rozrzedzone” słupki histogramu), więcej

pikseli jasnych.

Histogram obrazu
Widoczne szczegóły w obszarze obrazu, gdzie wcześniej dominowały

piksele ciemne o zbliżonych wartościach.

Modulacja sygnału
Modulacja sygnału

Modulacja sygnału
Modulacja amplitudy (analogowa)

Modulacja sygnału
Modulacja częstotliwości (analogowa)

Modulacja sygnału
Modulacja fazy (analogowa)

Modulacja sygnału
Realizacje modulacji

Modulacja sygnału
Modulacja cyfrowa
Modulacja cyfrowa to proces zmiany analogowego sygnału nośnego przez

binarny sygnał modulujący, który z łatwością możemy przesłać np. drogą
radiową.
Sygnałem nośnym w modulacji cyfrowej jak i analogowej jest przebieg

harmoniczny, jednak w modulacjach cyfrowych sygnał modulujący to
strumień elementów binarnych.
Podobnie jak w modulacjach analogowych tak i w cyfrowych zmianom

ulega amplituda, częstotliwość lub faza przebiegu nośnego. Ponieważ
cyfrowy sygnał modulujący zmienia się skokowo, to zmiany w przebiegu
zmodulowanym również są skokowe.
Celem modulacji jest dopasowanie właściwości sygnału wyjściowego

zmodulowanego do parametrów kanału transmisyjnego.

Modulacja sygnału
Modulacja ASK
Modulacja ASK (ang. Amplitude Shift Keying ) zwana kluczowaniem

amplitudy ma miejsce, gdy występuje zmiana amplitudy sygnału nośnego
w zależności od cyfrowego sygnału modulującego. Proces kluczowania
amplitudy jest zbliżony do modulacji amplitudy AM - jest to szczególny
rodzaj modulacji AM. Różnica polega na tym, iż sygnał modulujący jest
sygnałem cyfrowym.
Cechą charakterystyczną kluczowania amplitudy jest to, że dzięki

cyfrowemu sygnałowi modulującemu w czasie trwania stanu wysokiego
występuje pełna amplituda sygnału zmodulowanego. W stanie niskim jest
ona wytłumiona. Podobnie jak modulacja AM, kluczowanie amplitudy jest
liniowe, czułe na zakłócenia.

Modulacja sygnału
Modulacja ASK
Zmiana amplitudy harmonicznego sygnału nośnego w zależności od stanu

wejściowej informacji cyfrowej:

Modulacja sygnału
Modulacja FSK
Modulacja FSK (ang. Frequency Shift Keying ), zwana kluczowaniem

częstotliwości, jest szczególnym przypadkiem modulacji częstotliwości
FM. Sygnałem modulującym jest sygnał cyfrowy. Modulacja FSK polega
na przypisaniu odpowiedniej częstotliwości sygnału nośnego każdemu z
dwóch stanów sygnału modulującego.
Przejście z jednej częstotliwości może odbywać się z ciągłością fazy lub bez
niej. Ta modulacja wyróżnia się stała amplitudą chwilową, niezależną od
sygnału modulującego. Ta właściwość jest bardzo przydatna przy
transmisji sygnałów przez kanały, gdzie występują zmiany amplitudy
transmitowanego sygnału na skutek nieliniowości tego kanału.
Zaletą tej modulacji jest również odporność na zakłócenia impulsowe oraz

zniekształcenia (np. opóźnieniowe). Dlatego też modulacja FSK jest
częściej stosowana niż modulacja ASK.

Modulacja sygnału
Modulacja FSK
Przypisanie odpowiedniej częstotliwości sygnału nośnego każdemu z dwóch

stanów sygnału modulującego:

Modulacja sygnału
Modulacja PSK
Modulacja PSK (ang. Phase Shift Keying ) zwana kluczowaniem fazy to

jeden z rodzajów modulacji PM. Ma ona miejsce, gdy przy stałej
amplitudzie i częstotliwości harmonicznego sygnału nośnego występuje
przesunięcie fazy w zależności od stanu informacji pierwotnej.
Podobnie jak w przypadku modulacji FSK, modulacja PSK charakteryzuje

się stałą w czasie amplitudą chwilową, co odróżnia ją od modulacji ASK,
gdzie amplituda chwilowa zmienia się. Powoduje to większe narażenia na
zniekształcenia nieliniowe.

Modulacja sygnału
Modulacja PSK
Przesunięcie fazy w zależności od stanu informacji pierwotnej, przy stałej

amplitudzie i częstotliwości harmonicznego sygnału nośnego:

Modulacja sygnału
Widmo sygnału zmodulowanego
Przypomnienie - próbkowanie sygnału analogowego:

Modulacja sygnału
Sygnał użyteczny - zapis głoski ”a”:

Modulacja sygnału
Widmo sygnału użytecznego

Modulacja sygnału
Widmo fali nośnej

Modulacja sygnału

Modulacja sygnału
Zastosowania modulacji
• Sygnał modulujący/użyteczny - łatwy do zakłócenia

• Niewielka amplituda
• Brak okresowości (brak możliwości uśredniania kilku przebiegów)
• Szerokie pasmo - problematyczne przy wąskich pasmach przenoszenia
• Sygnał nośny (częściej - fala nośna) - ”odporny” na zakłócenia
• Duża amplituda
• Częstotliwość dostosowana do funkcji przenoszenia systemu

Modulacja sygnału
Zastosowania modulacji
• Dostosowywanie pasma przesyłanego sygnału do stosowanego kanału

komunikacji
• Uodpornienie sygnałów na szumy i zakłócenia
• Możliwość przesyłania wielu sygnałów równocześnie w tym samym
kanale komunikacji

Modulacja sygnału
Dziękuję za uwagę

Przetwarzanie Sygnałów - Studia Inżynierskie, Sem. V, Kierunek AiR

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Przetwarzanie Sygnałów - Studia Inżynierskie, Sem. V, Kierunek AiR

Uploaded by

Copyright:

Available Formats

Politechnika Warszawska

Studia inżynierskie, sem. V, kierunek AiR

sem. zimowy 2021/22 r.

• Wprowadzenie - pojęcia podstawowe dotyczące sygnałów i ich

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 2 / 83

Program przedmiotu cd.

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 3 / 83

• Zrozumienie oraz umiejętność sformułowania i rozwiązania zadań

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 4 / 83

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 5 / 83

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 6 / 83

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 7 / 83

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 8 / 83

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 9 / 83

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 10 / 83

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 11 / 83

Zasady zaliczenia AiR

wg. następującej skali: (gdzie P - łączna liczba punktów; maksymalna

wg. następującej skali: (gdzie P - łączna liczba punktów; maksymalna

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 14 / 83

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 15 / 83

• Wprowadzenie: podstawowe informacje o sygnałach

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 16 / 83

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 17 / 83

Z punktu widzenia techniki i zastosowań praktycznych największą rolę

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 18 / 83

W praktyce inżynierskiej analiza sygnałów najczęściej sprowadza się do:

Typową operacją przetwarzania sygnałów jest ich filtracja, czyli

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 19 / 83

• Najczęściej obieg informacji w systemie zachodzi dzięki przesyłaniu i

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 20 / 83

Modele matematyczne opisują ewolucję sygnałów w czasie i/lub w

Sygnał to zmienność wielkości fizycznej, która może być opisana za

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 21 / 83

Modele rzeczywiste vs. zespolone

Jeżeli funkcje opisujące sygnały przyjmują wartości rzeczywiste, to

Jeżeli funkcje opisujące sygnały przyjmują wartości zespolone, to modele

Jako modele sygnałów wprowadza się również wielkości niefunkcyjne

Pojęcie sygnału będziemy utożsamiać z jego modelem matematycznym.

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 22 / 83

Zalety modeli matematycznych

Operowanie modelami matematycznymi ma szereg zalet, m.in.:

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 23 / 83

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 24 / 83

Przykładem konwertera jest głośnik, który przetwarza sygnał elektryczny

Konwerterem, który działa odwrotnym kierunku, jest mikrofon -

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 25 / 83

Nagranie mowy często zawiera długie pauzy. Można je zidentyfikować i

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 26 / 83

Przetwarzanie analogowe vs. cyfrowe

Termin przetwarzanie sygnałów odnosi się do nauki analizowania

• analogowe przetwarzanie sygnałów

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 27 / 83

Sygnały ciągłe i cyfrowe

Termin sygnał o czasie dyskretnym jest używany do opisu sygnału,

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 28 / 83

Sygnały ciągłe i cyfrowe

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 29 / 83

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 30 / 83

Dziedzina określoności sygnałów

Sygnały ciągłe będziemy oznaczać jako x(t), y(t), . . . .

Z. M. Łabęda-Grudziak (IAiR PW) Przetwarzanie sygnałów 01.10.2021 31 / 83

Dziedzina określoności sygnałów