Professional Documents
Culture Documents
em tempo discreto
de sinais 3 a edição
Processamento
em tempo discreto
de sinais 3 a edição
Alan V. Oppenheim
Massachusetts Institute of Technology
Ronald W. Schafer
Hewlett-Packard Laboratories
Tradução:
Daniel Vieira
Revisão técnica:
Dr. Marcio Eisencraft
Professor adjunto do Centro de Engenharia, Modelagem e Ciências
Sociais Aplicadas da Universidade Federal do ABC (UFABC)
Doutor em Engenharia Elétrica pela Escola Politécnica da
Universidade de São Paulo
Dra. Maria D. Miranda
Professora adjunta do Departamento de Telecomunicações e
Controle da Escola Politécnica da Universidade de São Paulo
Doutora em Engenharia Elétrica pela Escola Politécnica da
Universidade de São Paulo
Oppenheim, Alan V.
Processamento em tempo discreto de sinais / Alan V. Oppenheim,
Ronald W. Schafer; tradução Daniel Vieira; revisão técnica Marcio
Eisencraft e Maria D. Miranda. – 3. ed. – São Paulo: Pearson Education
do Brasil, 2012.
12-13205 CDD-621.38223
2013
Direitos exclusivos para a língua portuguesa cedidos à
Pearson Education do Brasil Ltda.,
uma empresa do grupo Pearson Education
Rua Nelson Francisco, 26
CEP 02712-100 – São Paulo – SP – Brasil
Fone: 11 2178-8686 – Fax: 11 2178-8688
vendas@pearson.com
Prefácio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XV
1 Introdução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.0 Introdução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Perspectiva histórica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Promessas futuras. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Sinais e sistemas de tempo discreto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.0 Introdução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1 Sinais de tempo discreto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Sistemas de tempo discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.1 Sistemas sem memória . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.2 Sistemas lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.3 Sistemas invariantes no tempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.4 Causalidade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.5 Estabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Sistemas LIT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Propriedades dos sistemas lineares invariantes no tempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5 Equações de diferenças lineares com coeficientes constantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6 Representação no domínio da frequência de sinais e sistemas de tempo discreto . . . . . . . . . . . . . . . . . . . . . 26
2.6.1 Autofunções para sistemas lineares invariantes no tempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6.2 Entradas exponenciais complexas abruptamente aplicadas. . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.7 Representação de sequências por transformadas de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.8 Propriedades de simetria da transformada de Fourier. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.9 Teoremas da transformada de Fourier. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.9.1 Linearidade da transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.9.2 Teorema do deslocamento no tempo e do deslocamento na frequência. . . . . . . . . . . . . . . . . 36
2.9.3 Teorema da reflexão no tempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.9.4 Teorema da diferenciação na frequência. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.9.5 Teorema de Parseval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.9.6 Teorema da convolução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.9.7 Teorema da modulação ou do janelamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.10 Sinais aleatórios de tempo discreto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.11 Resumo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Problemas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3 A transformada z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.0 Introdução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.1 Transformada z. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
13.5 Cepstrum complexo para sequências exponenciais, de fase mínima e de fase máxima. . . . . . . . . . . . . . . . 588
13.5.1 Sequências exponenciais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 588
13.5.2 Sequências de fase mínima e fase máxima. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 589
13.5.3 Relação entre o cepstrum real e o cepstrum complexo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 590
13.6 Cálculo numérico do cepstrum complexo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 591
13.6.1 Desfazendo as voltas da fase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 591
13.6.2 Cálculo numérico do cepstrum complexo usando a derivada logarítmica. . . . . . . . . . . . . . 594
13.6.3 Realizações de fase mínima para sequências de fase mínima. . . . . . . . . . . . . . . . . . . . . . . . . 594
13.6.4 Cálculo recursivo do cepstrum complexo para sequências de fase mínima e de
fase máxima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 595
13.6.5 Uso da ponderação exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 595
13.7 Cálculo numérico do cepstrum complexo a partir de raízes de polinômios. . . . . . . . . . . . . . . . . . . . . . . . . . 596
13.8 Desconvolução usando o cepstrum complexo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 597
13.8.1 Desconvolução homomórfica fase mínima/passa-tudo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 597
13.8.2 Desconvolução homomórfica fase mínima/fase máxima . . . . . . . . . . . . . . . . . . . . . . . . . . . . 598
13.9 Cepstrum complexo para um modelo multipercurso simples. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 599
13.9.1 Cálculo do cepstrum complexo por análise com a transformada z. . . . . . . . . . . . . . . . . . . 601
13.9.2 Cálculo do cepstrum usando a TFD. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 602
13.9.3 Desconvolução homomórfica para o modelo multipercurso . . . . . . . . . . . . . . . . . . . . . . . . . 604
13.9.4 Decomposição de fase mínima. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 606
13.9.5 Generalizações. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 608
13.10 Aplicações para processamento de voz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 609
13.10.1 Modelo de sinal de voz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 609
13.10.2 Exemplo de desconvolução homomórfica de voz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 611
13.10.3 Estimando os parâmetros do modelo de voz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 613
13.10.4 Aplicações. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 614
13.11 Resumo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 614
Problemas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 615
A Sinais aleatórios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 621
B Filtros de tempo contínuo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 629
C Respostas dos problemas básicos selecionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 632
Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 640
Índice remissivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 647
Esta terceira edição de Processamento em Tempo truídos e atividades extraclasse, esse novo texto incluiu
Discreto de Sinais provém de nosso livro-texto original mais de 400 problemas.
Digital Signal Processing, publicado em 1975. Esse texto Enquanto a área continuava a avançar em teoria
muito bem-sucedido apareceu em um período em que e em aplicações, grande parte dos fundamentos básicos
a área era nova e apenas começava a se desenvolver ra- permanecia igual, embora aperfeiçoada em ênfase, in-
pidamente. Nessa época, o assunto era ensinado apenas terpretação e pedagogia. Consequentemente, a segunda
em nível de pós-graduação e em algumas poucas facul- edição de Processamento em Tempo Discreto de Sinais
dades. Nosso texto de 1975 foi elaborado para esses cur- foi publicada em 1999 nos EUA. Essa nova edição foi
sos. Ele ainda é impresso e bem-sucedido em diversas uma revisão importante, que teve a intenção de tornar o
faculdades nos Estados Unidos e outros países. assunto de processamento em tempo discreto de sinais
Na década de 1980, o ritmo da pesquisa, da tec- ainda mais acessível a alunos e engenheiros em exercí-
nologia de aplicações e da implementação do processa- cio, sem comprometimento na cobertura do que consi-
mento de sinais deixou claro que o processamento di- deramos ser os conceitos essenciais que definem a área.
gital de sinais (PDS) alcançaria e superaria o potencial Esta terceira edição de Processamento em Tempo
que ficara evidente na década de 1970. A importância Discreto de Sinais é uma revisão importante de nossa
explosiva do PDS justificou nitidamente a revisão e a segunda edição. A nova edição responde a mudanças
atualização do texto original. Ao organizar essa revisão, no modo como o assunto é ensinado e a mudanças no
ficou claro que ocorreram tantas mudanças, tanto na escopo dos cursos típicos em nível de graduação e pri-
área de atuação quanto no nível e no estilo com que o meiro ano de pós-graduação. Ela dá continuidade à
tópico era ensinado, que foi mais apropriado desenvol- tradição de enfatizar a acessibilidade dos tópicos aos
ver um novo livro-texto, baseado fortemente em nosso alunos e engenheiros em exercício, realçando os prin-
texto original, embora tenhamos mantido a publicação cípios fundamentais com ampla aplicabilidade. Uma
do texto original. Chamamos o novo livro, publicado característica importante da nova edição é a incorpora-
em 1989 nos EUA, de Processamento em Tempo Discre- ção e a expansão de alguns dos tópicos mais avançados,
to de Sinais, para enfatizar que a maior parte da teoria cuja compreensão agora é essencial para o trabalho de
e das técnicas de projeto do PDS discutidas no texto forma eficaz na área. Cada capítulo da segunda edição
se aplica a sistemas de tempo discreto em geral, sejam passou por uma revisão e mudanças significativas, um
analógicos ou digitais. capítulo totalmente novo foi acrescentado e um capítu-
No desenvolvimento de Processamento em Tempo lo foi restaurado e atualizado significativamente a par-
Discreto de Sinais, reconhecemos que os princípios bá- tir da primeira edição.
sicos do PDS estavam sendo comumente ensinados em À medida que continuávamos a ensinar o assunto
nível de graduação, muitas vezes até mesmo como par- no decorrer dos dez anos desde a segunda edição, cons-
te de um primeiro curso em sistemas lineares de tem- tantemente criávamos novos problemas para atividades
po discreto, porém, com mais frequência, em um nível extraclasse e provas. Coerentemente com a importância
mais avançado em matérias de terceiro ano, quarto ano que sempre demos a exemplos e atividades extraclasse
ou início da pós-graduação. Portanto, foi apropriado bem construídos, selecionamos mais de 130 dos melho-
expandir consideravelmente o tratamento de tópicos res deles para ser incluídos na terceira edição, que agora
como sistemas lineares, amostragem, processamento contém mais de 700 problemas extraclasse.
multitaxa de sinais, aplicações e análise espectral. Além Como em edições anteriores deste texto, conside-
disso, mais exemplos foram incluídos para enfatizar e ramos que o leitor tenha uma base avançada em cálculo,
ilustrar conceitos importantes. Em conformidade com bem como um bom conhecimento de elementos de nú-
a importância que colocamos em exemplos bem cons- meros complexos e variáveis complexas. Uma base em
teoria de sistemas lineares para sinais de tempo contí- cularmente empolgante que, com um desses poderosos
nuo, incluindo transformadas de Laplace e Fourier, con- pacotes de software instalado, o computador portátil de
forme ensinado na maioria dos currículos de engenha- cada aluno se torne um laboratório de última geração
ria elétrica e mecânica em nível de graduação, continua para a experimentação de conceitos de processamento
sendo um pré-requisito básico. Agora também é comum, em tempo discreto de sinais e de sistemas.
na maioria dos currículos de graduação, incluir uma ex- Como professores, procuramos consistentemente
posição inicial a sinais e sistemas de tempo discreto, a melhor maneira de usar os recursos do computador
transformadas de Fourier de tempo discreto e processa- para melhorar o ambiente de aprendizado de nossos
mento em tempo discreto dos sinais de tempo contínuo. alunos. Continuamos a acreditar que os livros-texto são
Nossa experiência no ensino de processamen- a melhor maneira de apresentar o conhecimento de
to em tempo discreto de sinais no nível avançado de forma conveniente e estável. Os livros-texto necessaria-
graduação e no nível de pós-graduação confirma que mente evoluem em uma escala de tempo relativamente
é essencial começar com uma revisão cuidadosa desses lenta. Isso assegura uma certa estabilidade e fornece
tópicos, para que os alunos prossigam para os tópicos tempo para a análise dos desenvolvimentos na área e
mais avançados a partir de uma base de conhecimen- para avaliar maneiras de apresentação de novas ideias
to sólida e uma familiaridade com uma estrutura de aos alunos. Por outro lado, as mudanças na tecnologia de
notação consistente, usada ao longo de todo o curso e software e hardware de computadores ocorrem em uma
que acompanha o livro-texto. Tipicamente, em uma pri- escala de tempo muito mais rápida. As revisões de soft-
meira exposição ao processamento em tempo discreto ware muitas vezes ocorrem semestralmente, e as veloci-
de sinais no início dos cursos de graduação, os alunos dades de hardware continuam a aumentar anualmente.
aprendem a realizar manipulações matemáticas, mas é Isso, juntamente com a disponibilidade da world-wide-
revendo os tópicos que eles aprendem a manipular com -web, proporciona a oportunidade de atualização mais
mais desenvoltura os conceitos fundamentais. Portanto, frequente dos componentes interativos e experimentais
nesta edição, retemos a cobertura desses fundamentos do ambiente de aprendizado. Por esses motivos, propor-
nos cinco primeiros capítulos, melhorados com novos cionar ambientes separados para a matemática básica e
exemplos e uma discussão expandida. Em seções poste- os conceitos básicos na forma de livro-texto, e para a ex-
riores de alguns capítulos são incluídos tópicos adicio- periência interativa e prática, principalmente por meio
nais, como ruído de digitalização, que pressupõe conhe- da world-wide-web, parece ser um caminho natural.
cimento básico em sinais aleatórios. Uma rápida revisão Com isso em mente, criamos esta terceira edição
do fundamento essencial para essas seções foi incluída de Processamento em Tempo Discreto de Sinais, incor-
no Capítulo 2 e no Apêndice A. porando o que acreditamos ser a matemática e os con-
Uma mudança importante no ensino de PDS, que ceitos fundamentais do processamento em tempo dis-
ocorreu por volta da última década, é um amplo uso de creto de sinais.
sofisticados pacotes de software, como MATLAB, Lab- O material neste livro está organizado de modo
VIEW e Mathematica, que fornecem uma experiência a fornecer uma flexibilidade considerável em seu uso
interativa e prática para os alunos. A acessibilidade e a nos níveis de graduação e pós-graduação. Uma maté-
facilidade de uso desses pacotes de software fornecem ria eletiva típica de um semestre em nível de gradua-
a oportunidade de associar os conceitos e a matemá- ção poderia abranger em profundidade o Capítulo 2,
tica, que são a base para o processamento em tempo seções 2.0-2.9; o Capítulo 3; o Capítulo 4, seções 4.0-4.6;
discreto de sinais, a aplicações envolvendo sinais reais e o Capítulo 5, seções 5.0-5.3; o Capítulo 6, seções 6.0-
sistemas em tempo real. Esses pacotes de software são 6.5; e o Capítulo 7, seções 7.0-7.3; e uma breve passada
bem documentados, possuem excelente suporte técnico pelas seções 7.4-7.6. Se os alunos tiverem estudado si-
e excelentes interfaces com o usuário, fato que os torna nais e sistemas de tempo discreto em um curso anterior
facilmente acessíveis aos alunos sem tirar a atenção do sobre sinais e sistemas, será possível passar mais rapi-
principal objetivo: o desenvolvimento de ideias e a in- damente pelo material dos capítulos 2, 3 e 4, fazendo
tuição sobre os fundamentos. Em muitos cursos de pro- com que haja mais tempo para abordar o Capítulo 8. No
cessamento de sinais, agora é comum que sejam incluí- primeiro ano do curso de pós-graduação ou um curso
dos projetos e exercícios a ser resolvidos com o uso de de especialização poderiam ser incorporados aos tópi-
um ou vários dos pacotes de software disponíveis. Cer- cos anteriores os tópicos restantes do Capítulo 5, uma
tamente, isso precisa ser feito com cautela, a fim de ma- discussão de processamento multitaxa de sinais (Seção
ximizar o benefício ao aprendizado do aluno, enfatizan- 4.7), uma exposição a algumas das questões de digita-
do a experimentação dos conceitos, parâmetros e assim lização apresentadas na Seção 4.8 e talvez uma intro-
por diante, em vez de fornecer simplesmente exercícios dução à formatação do ruído em conversores A/D e
que podem ser resolvidos com uma “receita”. É parti- D/A, conforme discutido na Seção 4.9. No primeiro ano
do curso de pós-graduação também devem-se incluir a de sistemas lineares invariantes no tempo. Embora o
exposição a algumas das questões de digitalização tra- material nos capítulos 2 e 3 possa ser uma revisão para
tadas nas seções 6.6-6.9, uma discussão dos filtros FIR muitos alunos, a maior parte dos cursos introdutórios
ideais, conforme incorporados nas seções 7.7-7.9, e um sobre sinais e sistemas não terá a profundidade ou a
tratamento completo da transformada de Fourier dis- abrangência desses capítulos. Além disso, esses capítu-
creta (Capítulo 8) e seu cálculo usando a FFT (Capítulo los estabelecem a notação que será usada ao longo de
9). A discussão da TFD pode ser efetivamente reforça- todo o texto. Assim, recomendamos que os capítulos 2
da com muitos dos exemplos no Capítulo 10. Em um e 3 sejam estudados tão cuidadosamente quanto neces-
curso de pós-graduação de dois semestres, todo o texto, sário para que os alunos se sintam confiantes em seu
incluindo os novos capítulos sobre modelagem para- domínio dos fundamentos dos sinais e sistemas de tem-
métrica de sinais (Capítulo 11) e o cepstrum (Capítulo po discreto.
13), pode ser abordado juntamente com uma série de No Capítulo 4 é feita uma discussão detalhada da
tópicos avançados adicionais. Em todos os casos, os pro- relação entre os sinais de tempo contínuo e de tempo
blemas extraclasse ao final de cada capítulo podem ser discreto quando os sinais de tempo discreto são obtidos
trabalhados com ou sem o auxílio de um computador, com amostragem periódica dos sinais de tempo con-
e podem ser usados para fortalecer a relação entre a tínuo. Isso inclui um desenvolvimento do teorema da
teoria e a implementação por computador dos sistemas amostragem de Nyquist. Além disso, discutimos a supe-
de processamento de sinais. ramostragem e a subamostragem dos sinais de tempo
Concluímos este prefácio com um resumo do con- discreto conforme usadas, por exemplo, nos sistemas
teúdo de cada capítulo, destacando as mudanças signifi- de processamento multitaxas de sinais e na conversão
cativas na terceira edição. da taxa de amostragem. O capítulo conclui com uma
No Capítulo 2, apresentamos a aula básica dos si- discussão de algumas das questões práticas encontradas
nais e sistemas de tempo discreto e definimos as pro- na conversão de tempo contínuo para tempo discreto,
priedades básicas do sistema, como linearidade, inva- incluindo a pré-filtragem para evitar aliasing, a mode-
riância no tempo, estabilidade e causalidade. O foco lagem dos efeitos da digitalização de amplitude quando
principal do livro está nos sistemas lineares invariantes os sinais de tempo discreto são representados digital-
no tempo, devido ao rico conjunto de ferramentas dis-
mente e o uso da sobreamostragem na simplificação
poníveis para projetar e analisar essa classe de sistemas.
dos processos de conversão A/D e D/A. Esta terceira
No Capítulo 2, em particular, desenvolvemos a repre-
edição inclui novos exemplos de simulações de ruído
sentação no domínio do tempo dos sistemas lineares
de digitalização, uma nova discussão dos filtros de in-
invariantes no tempo através da soma de convolução
terpolação obtidos das splines e novas discussões da
e abordamos a classe de sistemas lineares e invarian-
interpolação de múltiplos estágios e bancos de filtros
tes no tempo representados por equações de diferen-
multitaxas em dois canais.
ças lineares com coeficientes constantes. No Capítulo
6, abordamos essa classe de sistemas em mais detalhes. No Capítulo 5, aplicamos os conceitos desenvol-
Também no Capítulo 2, abordamos a representação no vidos nos capítulos anteriores a um estudo detalhado
domínio da frequência dos sinais e sistemas de tempo das propriedades dos sistemas lineares invariantes no
discreto por meio da transformada de Fourier de tempo tempo. Definimos a classe de filtros ideais seletivos em
discreto. O foco principal do Capítulo 2 está na repre- frequência e desenvolvemos a função de sistema e re-
sentação das sequências em termos da transformada de presentação de polos e zeros para os sistemas descritos
Fourier de tempo discreto, ou seja, como uma combi- por equações de diferenças lineares com coeficientes
nação linear de exponenciais complexas, e o desenvol- constantes, uma classe de sistemas cuja implementação
vimento das propriedades básicas da transformada de é considerada em detalhes no Capítulo 6. Também no
Fourier de tempo discreto. Capítulo 5, definimos e discutimos o atraso de grupo,
No Capítulo 3, desenvolvemos a transformada z a resposta de fase e a distorção de fase, além das rela-
como uma generalização da transformada de Fourier. ções entre a resposta de magnitude e a resposta de fase
Esse capítulo foca o desenvolvimento dos teoremas e dos sistemas, incluindo uma discussão sobre os sistemas
das propriedades básicas da transformada z e o desen- de fase linear de fase mínima, passa-tudo e sistemas de
volvimento do método da expansão em frações parciais fase linear generalizada. As mudanças da terceira edi-
para a operação de transformada inversa. Uma nova se- ção incluem um novo exemplo dos efeitos do atraso de
ção sobre a transformada z unilateral foi acrescentada grupo e atenuação.
nesta edição. No Capítulo 5, os resultados desenvolvi- No Capítulo 6, focamos especificamente os siste-
dos nos capítulos 2 e 3 são usados extensivamente em mas descritos por equações de diferenças lineares com
uma discussão detalhada da representação e análise coeficientes constantes, e desenvolvemos sua represen-
tação em termos de diagrama de blocos e diagrama de contrário, no caso do tempo discreto, muitos sistemas
fluxo de sinais lineares. Grande parte do capítulo trata e algoritmos de processamento de sinais envolvem o
do desenvolvimento de uma variedade de importantes cálculo explícito da transformada de Fourier. Embora a
estruturas de sistema e da comparação de algumas de própria transformada de Fourier não possa ser calcula-
suas propriedades. A importância dessa discussão e a da, uma versão amostrada dela, a transformada de Fou-
variedade de estruturas de filtro se relacionam ao fato rier discreta (TFD), pode ser calculada, e para sinais de
de que, em uma implementação prática de um sistema duração finita, a TFD é uma representação de Fourier
de tempo discreto, os efeitos das imprecisões dos coefi- completa do sinal. No Capítulo 8, a TFD é apresentada,
cientes e erros da aritmética podem depender muito da e suas propriedades e relações com a transformada de
estrutura específica utilizada. Embora essas questões Fourier de tempo discreto (TFTD) são desenvolvidas
básicas sejam similares em implementações digitais e em detalhes. Neste capítulo, também fornecemos uma
analógicas em tempo discreto, elas serão ilustradas nes- introdução à transformada de cosseno discreto (TCD),
te capítulo no contexto de uma implementação digital, que desempenha um papel muito importante em apli-
com uma discussão dos efeitos da digitalização dos coe- cações como compactação de áudio e vídeo.
ficientes e da aritmética do ruído de arredondamento No Capítulo 9, a rica e importante variedade de
para filtros digitais. Uma nova seção fornece uma dis- algoritmos para calcular ou gerar a TFD é introduzida e
cussão detalhada dos filtros em treliça FIR e IIR para discutida, incluindo o algoritmo de Goertzel, os algorit-
a implementação de equações de diferenças lineares mos da transformada de Fourier rápida (FFT, do inglês
com coeficientes constantes. Conforme discutido no Fast Fourier Transform) e a transformada chirp. Nesta
Capítulo 6 e mais adiante no Capítulo 11, essa classe terceira edição, as operações básicas de superamostra-
de estruturas de filtro se tornou extremamente impor- gem e subamostragem, discutidas no Capítulo 4, são
tante em muitas aplicações devido a suas propriedades usadas para oferecer noções adicionais para a dedução
desejáveis. Nas discussões sobre filtros em treliça, em dos algoritmos de FFT. Conforme também é discutido
muitos textos e artigos, é comum associar sua impor- nesse capítulo, a evolução da tecnologia alterou consi-
tância à análise de predição linear e de modelagem de deravelmente as métricas importantes na avaliação da
sinais. Entretanto, a importância do uso de implemen- eficiência dos algoritmos de processamento de sinais.
tações em treliça dos filtros FIR e IIR é independente Na época da publicação de nosso primeiro livro, na dé-
de como a equação de diferenças a ser implementada é cada de 1970, tanto a memória quanto o custo computa-
obtida. Por exemplo, a equação de diferenças pode ser cional (multiplicações e também adições de ponto flu-
resultado do uso de técnicas de projeto de filtro, con- tuante) eram dispendiosos, e a eficiência dos algoritmos
forme abordagem do Capítulo 7, do uso da modelagem muitas vezes era julgada por quanto era exigido desses
paramétrica de sinais, conforme abordagem do Capítu- recursos. Atualmente, é comum empregar memória
lo 11, ou resultado de qualquer uma das diversas outras adicional para aumentar a velocidade e reduzir os re-
formas em que a equação de diferenças a ser implemen- quisitos de potência na implementação de algoritmos
tada aparece. de processamento de sinais. De uma maneira similar, as
Enquanto o Capítulo 6 trata da representação e plataformas multi-core, em alguns contextos, têm resul-
implementação de equações de diferenças lineares com tado no favorecimento da implementação paralela de
coeficientes constantes, o Capítulo 7 trata dos procedi- algoritmos, mesmo aumentando o custo computacional.
mentos para a obtenção dos coeficientes dessa classe de Muitas vezes, o número de ciclos de troca de dados, co-
equações de diferenças para aproximar uma desejada municação em um chip e requisitos de potência agora
resposta de sistema. As técnicas de projeto são separa- são as principais medidas na escolha da estrutura para
das naquelas usadas em filtros com resposta ao impul- implementação de um algoritmo. Conforme discutimos
so de duração infinita (IIR, do inglês Infinite Impulse no Capítulo 9, embora a FFT seja mais eficiente em
Response) e naquelas usadas em filtros com resposta ao termos das multiplicações exigidas do que o algoritmo
impulso de duração finita (FIR, do inglês Finite Impul- de Goertzel ou da implementação direta da TFD, ela é
se Response). Novos exemplos de projeto de filtro IIR menos eficiente do que ambos se a métrica dominante
fornecem noções adicionais sobre as propriedades dos for ciclos de comunicação, pois a implementação direta
diferentes métodos de aproximação. Um novo exemplo da TFD ou o algoritmo de Goertzel permitem um para-
sobre projeto de filtro para interpolação fornece uma lelismo de implementação muito maior do que a FFT.
estrutura de comparação entre os filtros IIR e FIR em Com a base desenvolvida nos capítulos anteriores
uma configuração prática. e particularmente nos capítulos 2, 3, 5 e 8, no Capítu-
Na teoria de sistema linear de tempo contínuo, a lo 10 focamos a análise de Fourier dos sinais usando
transformada de Fourier é principalmente uma ferra- a TFD. Sem uma compreensão detalhada das questões
menta analítica para representar sinais e sistemas. Ao envolvidas e da relação entre a transformada de Fou-
rier de tempo contínuo, a TFTD e a TFD, o uso da TFD penha um papel importante na discussão do cepstrum
na análise prática de sinais muitas vezes pode causar do Capítulo 13.
confusão e má interpretação. Abordamos uma série Nosso primeiro livro, em 1975, e a primeira edição
dessas questões no Capítulo 10. Também consideramos deste livro, em 1989, incluíam um tratamento detalhado
com alguns detalhes a análise de Fourier dos sinais com da classe de técnicas não lineares conhecidas como aná-
características variantes no tempo, por meio da trans- lise cepstral e desconvolução homomórfica. Essas técni-
formada de Fourier dependente do tempo. A novidade cas têm se tornado cada vez mais importantes, e agora
nesta terceira edição é a abordagem com mais detalhes são de uso generalizado em aplicações como codifica-
da análise de banco de filtros, incluindo um exemplo de ção de voz, reconhecimento de voz e locução, análise
banco de filtros MPEG. Também foram incluídos novos de dados de imagens geofísicas e médicas, e em muitas
exemplos de análise de Fourier dependente do tempo outras aplicações em que a desconvolução é um tema
dos sinais chirp ilustrando o efeito do comprimento da importante. Consequentemente, nesta edição, introdu-
janela e simulações mais detalhadas da análise do ruído zimos esses tópicos com discussão e exemplos expan-
de digitalização. didos. O capítulo contém uma discussão detalhada da
O Capítulo 11, sobre a modelagem paramétrica de definição e das propriedades do cepstrum e da varieda-
sinais, é um capítulo totalmente novo. Começando com de de formas de calculá-lo, incluindo novos resultados
o conceito básico da representação de um sinal como sobre o uso de raízes de polinômios como base para o
a saída de um sistema LIT, o Capítulo 11 mostra como cálculo do cepstrum. Uma exposição ao material do Ca-
os parâmetros do modelo do sinal podem ser encontra- pítulo 13 também fornece ao leitor a oportunidade de
dos pela solução de um conjunto de equações lineares. desenvolver novas abordagens sobre os fundamentos
Os detalhes dos cálculos envolvidos na preparação e apresentados nos capítulos iniciais, no contexto de um
na solução das equações são discutidos e ilustrados por conjunto de técnicas não lineares de análise de sinal,
meio de exemplos. Uma ênfase particular está na solu- com importância crescente e que servem para o mesmo
ção com o algoritmo de Levinson–Durbin e nas muitas tipo de análise rica apreciada pelas técnicas lineares. O
propriedades da solução que são facilmente obtidas a capítulo também inclui novos exemplos que ilustram o
partir dos detalhes do algoritmo, como a interpretação uso da filtragem homomórfica na desconvolução.
do filtro em treliça. Aguardamos ansiosamente o uso desta nova edi-
O Capítulo 12 trata da transformada de Hilbert ção como material de ensino, e esperamos que nossos
discreta. Essa transformada surge em diversas aplica- colegas e alunos se beneficiem com as muitas melhorias
ções práticas, incluindo filtragem inversa, representa- em comparação às edições anteriores. O processamento
ções complexas de sinais reais passa-banda, técnicas de de sinais em geral e o processamento em tempo discreto
modulação em banda lateral única e muitas outras. Com de sinais em particular são de uma imensa riqueza em
o advento do aumento da sofisticação dos sistemas de todas as suas dimensões, e prometem desenvolvimentos
comunicações e da crescente riqueza de métodos para ainda mais interessantes no futuro.
amostragem eficiente de sinais de tempo contínuo em
banda larga e multibanda, o entendimento básico das
transformadas de Hilbert tem se tornado cada vez mais Alan V. Oppenheim
importante. A transformada de Hilbert também desem- Ronald W. Schafer
dar com este projeto. Em particular, expressamos nosso Eric Strattman, Darla Secor, Diane Wheeler, Stacy
agradecimento e apreciação a: Schultz, Kay Gilstrap e Charlotte Doughty,
por seu auxílio administrativo na preparação
Professor John Buck, por sua atuação significativa
desta revisão e apoio contínuo de nossas ativi-
na preparação da segunda edição e seu tem-
dades de ensino,
po e esforço contínuos durante a vida daquela
edição, Tom Baran, por sua ajuda em muitas das questões
de computação associadas ao gerenciamento
Professores Vivek Goyal, Jae Lim, Gregory Wor-
de arquivos para esta edição e por sua ajuda
nell, Victor Zue, e doutores Babak Ayazifar,
significativa com os exemplos em diversos ca-
Soosan Beheshti e Charles Rohrs, que lecio-
pítulos,
naram no MIT usando várias edições e fize-
ram muitos comentários e sugestões úteis, Shay Maymon, que leu meticulosamente a maior
parte dos capítulos, reformulou muitos dos
Professores Tom Barnwell, Russ Mersereau e
problemas nos capítulos mais avançados, fez
Jim McClellan, durante muito tempo amigos
correções e deu sugestões importantes,
e colegas de Ron Schafer, que lecionaram
constantemente a partir de várias edições e in- A todos os que ajudaram na revisão cuidadosa
fluenciaram muitos aspectos do livro, do manuscrito e provas diagramadas: Berkin
Bilgic, Albert Chang, Myung Jin Choi, Majid
Professor Bruce Black, do Rose-Hulman Institute
Fozunbal, Reeve Ingle, Jeremy Leow, Ying
of Technology, por organizar cuidadosamente
Liu, Paul Ryu, Sanquan Song, Dennis Wei e
dez anos de novos problemas, selecionando os
Zahi Karam.
melhores, atualizando-os e integrando-os aos
capítulos, E aos muitos assistentes de ensino que influen-
ciaram esta edição, direta ou indiretamente,
Professor Mark Yoder e Professor Wayne Padgett,
enquanto trabalhavam conosco no ensino do
por desenvolverem materiais adicionais,
assunto no MIT e na Georgia Tech.
Ballard Blair, por seu auxílio na atualização da bi-
bliografia,
Esse material é de uso exclusivo para professores e está protegido por senha. Para ter acesso a ele, os professores que ado-
tam o livro devem entrar em contato com seu representante Pearson ou enviar e-mail para universitarios@pearson.com.
1 Os acrônimos MPEG e JPEG são os termos usados informalmente para se referir aos padrões desenvolvidos pelo Moving Picture Expert
Group (MPEG) e pelo Joint Photographic Expert Group (JPEG) da International Organization for Standardization (ISO).
2 Em um contexto geral, vamos nos referir à variável independente como “tempo”, embora, em contextos específicos, a variável independente
possa assumir uma grande variedade de significados possíveis. Consequentemente, tempo contínuo e tempo discreto devem ser entendidos
como termos genéricos que se referem a uma variável independente contínua e uma variável independente discreta, respectivamente.
Fourier rápida (FFT, do inglês fast Fourier transform), em uma memória de estado sólido) e o processamento
modelagem paramétrica de sinal, técnicas multitaxas, final para reconstruir o sinal de áudio é executado em
implementação de filtros polifásicos e novas formas de tempo real quando a saída é reproduzida para escuta.
representar sinais, como expansões em wavelets. Ape- Os sistemas de gravação e reprodução de CD e MP3
nas como um exemplo dessa mudança, os sistemas de baseiam-se em muitos dos conceitos de processamento
comunicação por rádio analógicos estão evoluindo para de sinais abordados neste livro.
os “software rádios” reconfiguráveis, que são implemen- A engenharia financeira representa outro campo
tados quase exclusivamente com computação digital. que está emergindo rapidamente e que incorpora mui-
O processamento em tempo discreto de sinais é tos conceitos e técnicas de processamento de sinais. A
baseado no processamento de sequências numéricas in- modelagem, a previsão e a filtragem eficazes de dados
dexadas sobre as variáveis inteiras, em vez de funções econômicos podem resultar em ganhos significativos no
de uma variável independente contínua. Em processa- desempenho e na estabilidade econômica. Os gerentes
mento digital de sinais (PDS), os sinais são representa- de investimentos de carteira de títulos, por exemplo,
dos por sequências de números com precisão finita, e baseiam-se cada vez mais no uso do processamento
o processamento é implementado usando computação sofisticado de sinais, pois mesmo um aumento muito
digital. O termo mais geral processamento em tempo pequeno na previsibilidade de um sinal ou na relação
discreto de sinais inclui o processamento digital de si- sinal-ruído (SNR, do inglês signal-to-noise ratio) pode
nais como um caso especial, mas também inclui a pos- resultar em um ganho significativo no desempenho.
sibilidade de que sequências de amostras (dados amos- Outra área importante do processamento de sinais
trados) possam ser processadas com outras tecnologias é a interpretação de sinais. Nesses contextos, o objetivo
de tempo discreto. Frequentemente, a distinção entre do processamento é obter uma caracterização do sinal
os termos processamento em tempo discreto de sinais de entrada. Por exemplo, em um sistema de reconheci-
e processamento digital de sinais tem importância me- mento ou compreensão de voz, o objetivo é interpretar
nor, pois ambos tratam de sinais de tempo discreto. o sinal de entrada ou extrair informações dele. Tipica-
Isso é particularmente verdadeiro quando se emprega mente, tal sistema aplica um pré-processamento digital
computação de alta precisão. Embora existam muitos (filtragem, estimação de parâmetros e assim por diante)
exemplos em que os sinais a serem processados são ine- seguido por um sistema de reconhecimento de padrões
rentemente sequências de tempo discreto, a maior parte para produzir uma representação simbólica, como uma
das aplicações envolve o uso da tecnologia de tempo transcrição fonética da voz. Essa saída simbólica pode,
discreto para processar sinais que se originam como si- por sua vez, ser a entrada de um sistema de processa-
nais de tempo contínuo. Nesse caso, um sinal de tempo mento simbólico, como um sistema especialista baseado
contínuo tipicamente é convertido em uma sequência em regras, para fornecer a interpretação final do sinal.
de amostras, ou seja, um sinal de tempo discreto. De Ainda outra categoria relativamente nova de
fato, um dos mais importantes estímulos à aplicação processamento de sinais envolve a manipulação sim-
generalizada do processamento digital de sinais foi o bólica de expressões em processamento de sinais.
desenvolvimento de chips de conversão A/D e D/A de Esse tipo de processamento é potencialmente útil em
baixo custo, com base em digitalização diferencial com estações de trabalho para processamento de sinais e
formatação de ruído. Após o processamento em tempo no projeto de sistemas de processamento de sinais
discreto, a sequência de saída é convertida de volta em auxiliado por computador. Nessa classe de processa
um sinal de tempo contínuo. Nesses sistemas, a opera- mento, sinais e sistemas são representados e manipu-
ção em tempo real frequentemente é exigida ou dese- lados como objetos de dados abstratos. As linguagens
jável. À medida que as velocidades dos computadores de programação orientadas a objeto fornecem um
aumentaram, o processamento em tempo discreto de ambiente conveniente para a manipulação de sinais,
sinais de tempo contínuo em tempo real tornou-se co- sistemase expressões de processamento de sinais sem
mum em sistemas de comunicação, radar e sonar, codifi- utilizar explicitamente sequências numéricas de da-
cação e aprimoramento de voz e vídeo, engenharia bio- dos. A sofisticação dos sistemas projetados para reali-
médica e muitas outras áreas de aplicação. Aplicações zar o processamento simbólico de sinais é diretamente
que não necessitam de processamento em tempo real influenciada pela incorporação de conceitos, teoremas
também são comuns. O CD player e o MP3 player são e propriedades fundamentais de processamento de
exemplos de sistemas assimétricos em que um sinal de sinais, como aqueles que formam a base deste livro.
entrada é processado apenas uma vez. O processamento Por exemplo, um ambiente de processamento de si-
inicial pode ocorrer em tempo real, mais lento que em nais que incorpora a propriedade de que a convolução
tempo real ou até mais rápido do que em tempo real. A no domínio do tempo corresponde à multiplicação
forma processada da entrada é armazenada (no CD ou no domínio da frequência pode explorar uma série
de rearranjos das estruturas de filtragem, incluindo (ed.) (2005), Woods (2006), Gonzalez e Woods (2007)
aquelas que envolvem o uso direto da transformada e Pratt (2007). A análise de dados sísmicos, necessária
de Fourier discreta (TFD) e o algoritmo de FFT. De na exploração de petróleo, medições relacionadas a ter-
modo similar, os ambientes que incorporam a relação remotos e monitoramento de testes nucleares, também
entre taxa de amostragem e aliasing podem fazer uso utiliza técnicas de processamento de sinais multidimen-
eficaz de estratégias de dizimação e interpolação para sionais. Aplicações sísmicas são discutidas, por exemplo,
a implementação de filtros. Ideias semelhantes estão em Robinson e Treitel (1980) e Robinson e Durrani
sendo atualmente exploradas para implementar o (1985).
processamento de sinais em ambientes de rede. Nes- O processamento de sinais multidimensionais é
se tipo de ambiente, os dados podem, potencialmente, apenas um dos muitos tópicos avançados e específicos
ser marcados com uma descrição em alto nível do pro- que se baseiam nos fundamentos abordados neste texto.
cessamento a ser feito, e os detalhes da implementa- A análise espectral, baseada no uso da TFD e no uso de
ção podem ser baseados dinamicamente nos recursos modelos de sinais, é outro aspecto particularmente rico
disponíveis na rede. e importante do processamento de sinais. Discutimos
Muitos dos conceitos e das técnicas de projeto dis- muitas facetas desse assunto nos capítulos 10 e 11, que
cutidos neste texto agora são incorporados na estrutura focam os conceitos e técnicas básicas relacionadas ao
de sistemas de software sofisticados, como MATLAB, uso da TFD e da modelagem paramétrica de sinais. No
Simulink, Mathematica e LabVIEW. Em muitos ca- Capítulo 11, também discutimos com detalhes métodos
sos em que os sinais de tempo discreto são adquiridos de análise espectral de alta resolução, com base na repre-
e armazenados em computadores, essas ferramentas sentação do sinal a ser analisado como a resposta de um
permitem que operações de processamento de sinais filtro linear invariante no tempo (LIT, ou do inglês LTI —
extremamente sofisticadas sejam executadas a partir linear time-invariant) de tempo discreto a um impulso
das funções básicas. Nesses casos, geralmente não é ou a ruído branco. A análise espectral é obtida por meio
necessário conhecer os detalhes do algoritmo que im- da estimação dos parâmetros (por exemplo, os coefi-
plementa o cálculo de uma operação como a FFT, mas cientes da equação de diferenças) do sistema seguida
ainda assim é essencial entender o que é calculado e pelo cálculo do quadrado da magnitude da resposta em
como deve ser interpretado. Em outras palavras, um frequência do filtro modelado. Discussões detalhadas
bom conhecimento dos conceitos considerados neste sobre análise espectral podem ser encontradas nos tex-
texto é essencial para o uso adequado das ferramentas tos de Kay (1988), Marple (1987), Therrien (1992), Ha-
de software de processamento de sinais que agora estão yes (1996) e Stoica e Moses (2005).
amplamente disponíveis. A modelagem de sinais também desempenha um
Naturalmente, os problemas de processamento de papel importante na compressão e codificação de dados,
sinais não se limitam aos sinais unidimensionais. Embo- e, mais uma vez, os fundamentos de equações de dife-
ra existam algumas diferenças fundamentais nas teorias renças fornecem a base para a compreensão de muitas
para processamento de sinais unidimensionais e multi- dessas técnicas. Por exemplo, uma classe de técnicas de
dimensionais, grande parte do material que discutimos codificação de sinais, conhecida como codificação predi-
aqui tem um correspondente direto nos sistemas multi- tiva linear (LPC, do inglês linear predictive coding), ex-
dimensionais. A teoria do processamento digital de si- plora a ideia de que, se um sinal é a resposta de uma certa
nais multidimensionais é apresentada com detalhes em classe de filtros de tempo discreto, o valor do sinal em
diversas referências, incluindo Dudgeon e Mersereau qualquer índice de tempo é uma função linear (e, portan-
(1984), Lim (1989) e Bracewell (1994).3 Muitas apli- to, linearmente predizível) de valores anteriores. Conse-
cações de processamento de imagens requerem o uso quentemente, representações eficientes do sinal podem
de técnicas de processamento de sinais bidimensionais. ser obtidas pela estimativa desses parâmetros de predi-
Este é o caso de áreas como codificação de vídeo, ima- ção e usando-os juntamente com o erro de predição para
gens médicas, aprimoramento e análise de fotografias representar o sinal. O sinal pode, então, ser recuperado
aéreas, análise de fotos meteorológicas de satélites e quando necessário a partir dos parâmetros do modelo.
aprimoramento de transmissões de vídeo de sondas Essa classe de técnicas de codificação de sinal tem sido
lunares e de espaço profundo. Aplicações do processa- particularmente eficaz na codificação de voz e é descrita
mento digital de sinais multidimensionais ao proces- de forma aprofundada em Jayant e Noll (1984), Markel e
samento de imagens são discutidas, por exemplo, em Gray (1976), Rabiner e Schafer (1978) e Quatieri (2002),
Macovski (1983), Castleman (1996), Jain (1989), Bovic e também é discutida com algum detalhe no Capítulo 11.
3 Nomes de autores e datas são usados ao longo do texto para se referir a livros e artigos listados nas Referências, ao final do livro.
Outro tópico avançado de importância conside- publicação do tratado de Fourier sobre a representação
rável é o processamento adaptativo de sinais. Os siste- de funções em séries harmônicas.
mas adaptativos representam uma classe particular de Até o início da década de 1950, o processamen-
sistemas variantes no tempo, e, em certo sentido, não to de sinais como definimos era tipicamente executado
lineares, com ampla aplicação e com técnicas estabele- com sistemas analógicos implementados com circuitos
cidas e eficazes para seu projeto e análise. Novamente, eletrônicos ou ainda com dispositivos mecânicos. Em-
muitas dessas técnicas se baseiam nos fundamentos de bora os computadores digitais estivessem aparecendo
processamento em tempo discreto de sinais abordados em ambientes de negócios e em laboratórios científicos,
neste texto. Descrições mais aprofundadas sobre pro- eles eram caros e tinham capacidade relativamente li-
cessamento adaptativo podem ser vistas em Widrow e mitada. Nessa mesma época, a necessidade de proces-
Stearns (1985), Haykin (2002) e Sayed (2008). samento mais sofisticado de sinais em algumas áreas de
Esses representam apenas alguns dos muitos tó- aplicação levou a um interesse considerável no proces-
picos avançados que se estendem a partir do conteúdo samento em tempo discreto de sinais. Um dos primeiros
abordado no texto. Outros incluem técnicas avançadas usos dos computadores digitais em PDS foi na explora-
e específicas de projetos de filtros, uma variedade de ção geofísica, em que sinais sísmicos de frequência rela-
algoritmos especializados para o cálculo da transforma- tivamente baixa podiam ser digitalizados e gravados em
da de Fourier, estruturas específicas de filtros e diversas fita magnética para processamento posterior. Esse tipo
técnicas avançadas de processamento multitaxa de si- de processamento de sinais geralmente não podia ser
nais, incluindo transformadas wavelet. [Veja introduções feito em tempo real; minutos ou mesmo horas de tem-
a esses assuntos em Burrus, Gopinath e Guo (1997), po de processamento eram necessários para processar
Vaidyanathan (1993) e Vetterli e Kovačević (1995).] apenas segundos de dados. Ainda assim, a flexibilidade
Constantemente se diz que o propósito de um livro do computador digital e os benefícios em potencial tor-
‑texto fundamental deve ser descobrir, em vez de cobrir, naram essa alternativa extremamente atraente.
um assunto. Na escolha dos tópicos e da profundidade Também na década de 1950, o uso de computadores
de abrangência, fomos guiados por essa filosofia. Essa digitais em processamento de sinais emergiu de uma for-
breve discussão e as Referências ao final do livro deixam ma diferente. Graças à flexibilidade dos computadores
claro que existe uma grande variedade de teorias desa- digitais, frequentemente era útil simular um sistema de
fiadoras e aplicações atraentes a serem reveladas por processamento de sinais em um computador digital antes
aqueles que diligentemente se preparam com um estudo de implementá-lo no hardware analógico. Desse modo,
dos fundamentos de PDS. um novo algoritmo ou sistema de processamento de si-
nais poderia ser estudado em um ambiente experimental
flexível antes de comprometer recursos econômicos e de
1.1 Perspectiva histórica engenharia para sua construção. Exemplos típicos des-
O processamento em tempo discreto de sinais sas simulações foram as simulações do vocoder, realiza-
avançou em passos irregulares no decorrer dos anos. das no Lincoln Laboratory do Massachusetts Institute of
Observar o desenvolvimento da área de processamen- Technology (MIT) e no Bell Telephone Laboratories. Na
to em tempo discreto de sinais provê uma perspectiva implementação de um vocoder de canal analógico, por
valiosa sobre os fundamentos que permanecerão no exemplo, as características de filtro afetavam a qualidade
centro dessa área por muito tempo. Desde a invenção percebida do sinal de voz codificado de maneiras difíceis
do cálculo no século XVII, cientistas e engenheiros têm de quantificar de modo objetivo. Por meio de simulações
desenvolvido modelos para representar fenômenos computacionais, essas características de filtro podiam ser
físicos em termos de funções de variáveis contínuas e ajustadas, e a qualidade percebida de um sistema de co-
equações diferenciais. Porém, técnicas numéricas têm dificação de voz podia ser avaliada antes da construção
sido usadas para resolver essas equações quando solu- do equipamento analógico.
ções analíticas não são possíveis. De fato, Newton usou Em todos esses exemplos de processamento
métodos de diferenças finitas que são casos especiais de sinais usando computadores digitais, o computa-
de alguns dos sistemas de tempo discreto que apresen- dor oferecia vantagens significativas em flexibilida-
tamos neste texto. Matemáticos do século XVIII, como de. Porém, o processamento não podia ser feito em
Euler, Bernoulli e Lagrange, desenvolveram métodos tempo real. Consequentemente, a atitude prevalente
para integração numérica e interpolação de funções de até o fim da década de 1960 era a de usar o compu-
uma variável contínua. Uma pesquisa histórica interes- tador digital para aproximar, ou simular, um sistema
sante de Heideman, Johnson e Burrus (1984) mostrou de processamento analógico de sinais. Seguindo essa
que Gauss descobriu o princípio fundamental da FFT tendência, os primeiros trabalhos em filtragem digital
(discutida no Capítulo 9) em 1805 — antes mesmo da concentravam-se em maneiras como um filtro poderia
ser programado em um computador digital de modo deduzida para o cálculo da transformada de Fourier
que, com a conversão A/D do sinal, seguida pela fil- de um sinal de tempo discreto ou sequência e envolvia
tragem digital, seguida pela conversão D/A, o sistema um conjunto de propriedades e matemática que eram
global se aproximasse de um bom filtro analógico. A exatas no domínio de tempo discreto — não era sim-
ideia de que os sistemas digitais poderiam de fato ser plesmente uma aproximação para uma transformada
práticos para a implementação em tempo real efetiva de Fourier de tempo contínuo. Esse fato teve o efeito
do processamento de sinais na comunicação de voz, de estimular uma reformulação de muitos conceitos e
processamento de radar ou qualquer uma de várias algoritmos de processamento de sinais em termos de
outras aplicações parecia ser altamente especulativa, matemática de tempo discreto, e essas técnicas então
mesmo em casos mais otimistas. Velocidade, custo e formaram um conjunto exato de relações no domínio
tamanho, naturalmente, foram três dos fatores impor- de tempo discreto. Após essa mudança do paradigma
tantes em favor do uso de componentes analógicos. de que o processamento de sinais em um computador
À medida que os sinais passaram a ser processa- digital era simplesmente uma aproximação para as téc-
dos em computadores digitais, os pesquisadores tive- nicas de processamento analógico de sinais, emergiu a
ram uma tendência natural de experimentar algoritmos visão atual de que o processamento em tempo discreto
de processamento de sinais cada vez mais sofisticados. de sinais é uma área de pesquisa importante por si só.
Alguns desses algoritmos foram concebidos usando a Outro desenvolvimento importante na história do
flexibilidade do computador digital, e não tinham uma processamento em tempo discreto de sinais aconteceu
implementação prática aparente em equipamento ana- na área da microeletrônica. A invenção, e subsequente
lógico. Assim, muitos desses algoritmos foram tratados proliferação, do microprocessador preparou o caminho
como ideias interessantes, mas de certa forma imprati- para as implementações de baixo custo dos sistemas de
cáveis. Porém, o desenvolvimento desses algoritmos de processamento em tempo discreto de sinais. Embora
processamento de sinais tornou a ideia da implementa- os primeiros microprocessadores fossem muito lentos
ção totalmente digital dos sistemas de processamento para implantar a maioria dos sistemas em tempo discre-
de sinais ainda mais atraente. Começou-se a trabalhar to em tempo real, exceto em taxas de amostragem mui-
ativamente na investigação de vocoders digitais, anali- to baixas, em meados da década de 1980, a tecnologia de
sadores de espectro digitais e outros sistemas totalmen- circuito integrado avançou para um nível que permitiu
te digitais, na esperança de que eventualmente esses a implementação de microcomputadores de ponto fixo
sistemas se tornassem práticos. e ponto flutuante muito velozes, com arquiteturas es-
A evolução de um novo ponto de vista para o pro- pecialmente projetadas para desenvolver algoritmos de
cessamento em tempo discreto de sinais foi acelerada processamento em tempo discreto de sinais. Com essa
ainda mais pela divulgação, por Cooley e Tukey (1965), tecnologia surgiu, pela primeira vez, a possibilidade da
de uma classe eficiente de algoritmos para cálculo de aplicação generalizada das técnicas de processamento
transformadas de Fourier, conhecida coletivamente em tempo discreto de sinais. O ritmo rápido de desen-
como FFT. A FFT foi importante por vários motivos. volvimento na microeletrônica também afetou signifi-
Muitos algoritmos de processamento de sinais que ti- cativamente o desenvolvimento de algoritmos de pro-
nham sido desenvolvidos nos computadores digitais cessamento de sinais em outras formas. Por exemplo,
exigiam tempos de processamento várias ordens de nos primeiros dispositivos de processamento digital de
grandeza maiores do que o tempo real. Frequentemen- sinais em tempo real, a memória era relativamente cara,
te, isso acontecia porque a análise espectral era um com- e uma das métricas importantes no desenvolvimento
ponente importante do processamento de sinais e não de algoritmos de processamento de sinais era o uso
havia um meio eficiente para implementá-la. A FFT re- eficiente da memória. Hoje em dia, a memória digital
duziu o tempo de cálculo da transformada de Fourier é tão barata que muitos algoritmos incorporam inten-
em ordens de grandeza, permitindo a implementação cionalmente mais memória do que é absolutamente
de algoritmos de processamento de sinais cada vez mais necessário, de modo que os requisitos de potência do
sofisticados, com tempos de processamento que permi- processador sejam reduzidos. Outra área em que as li-
tiam a experimentação interativa com o sistema. Além mitações na tecnologia impuseram uma barreira signifi-
disso, com a percepção de que os algoritmos de FFT cativa para o desenvolvimento generalizado do PDS foi
poderiam, realmente, ser implementáveis em hardware na conversão de sinais analógicos em sinais de tempo
digital dedicado, muitos algoritmos de processamento discreto (digitais). Os primeiros conversores A/D e D/A
de sinais que anteriormente pareciam ser impraticáveis amplamente disponíveis eram dispositivos únicos, que
começaram a parecer viáveis. custavam milhares de dólares. Combinando a teoria do
Outra implicação importante da FFT foi que era processamento digital de sinais com a tecnologia da mi-
um conceito inerentemente de tempo discreto. Ela foi croeletrônica, conversores A/D e D/A com sobreamos-
tragem e custando poucos dólares ou menos possibilita- Técnicas de processamento em tempo discreto de
ram uma miríade de aplicações em tempo real. sinais já promoveram avanços revolucionários em algu-
De modo similar, reduzir o número de operações mas áreas de aplicação. Um exemplo notável ocorre na
aritméticas, como multiplicações ou adições em ponto área de telecomunicações, em que as técnicas de pro-
flutuante, agora é menos essencial, pois os processa- cessamento em tempo discreto de sinais, a tecnologia
dores com múltiplos núcleos frequentemente possuem microeletrônica e a transmissão por fibra ótica combi-
vários multiplicadores disponíveis e torna-se cada vez naram-se para mudar a natureza dos sistemas de comu-
mais importante reduzir a comunicação entre os nú- nicação de formas realmente revolucionárias. Pode-se
cleos, mesmo que isso exija mais multiplicações. Em um esperar um impacto similar em muitas outras áreas. De
ambiente com múltiplos núcleos, por exemplo, o cálculo fato, o processamento de sinais sempre foi e sempre
direto da TFD (ou o uso do algoritmo de Goertzel) é será uma área que prospera com novas aplicações. As
mais “eficiente” do que o uso de um algoritmo de FFT, necessidades de uma nova área de aplicação às vezes
pois, embora muito mais multiplicações sejam necessá- podem ser preenchidas pelo conhecimento adaptado
rias, os requisitos de comunicação são significativamen- de outras aplicações, porém, constantemente, novas ne-
te reduzidos, pois o processamento pode ser distribuído cessidades de aplicação estimulam a criação de novos
de modo mais eficiente entre os vários processadores algoritmos e novos sistemas de hardware para imple-
ou núcleos. De um modo geral, a reestruturação de mentar esses algoritmos. Inicialmente, aplicações em
algoritmos e o desenvolvimento de outros novos para sismologia, radar e comunicações proveram o contexto
explorar oportunidades de processamento paralelo e para o desenvolvimento de muitas das técnicas centrais
distribuído estão se tornando uma nova tendência sig- de processamento de sinais que discutimos neste livro.
nificativa no desenvolvimento de algoritmos de proces- Certamente, o processamento de sinais continuará no
samento de sinais. centro das aplicações de defesa nacional, entreteni-
mento, comunicação, tratamento médico e diagnóstico.
1.2 Promessas futuras Recentemente, vimos aplicações de técnicas de proces-
Engenheiros microeletrônicos continuam a buscar samento de sinais em novas áreas, tão distantes quanto
por aumentos na densidade e produção de circuitos; finanças e análise de sequências de DNA.
como resultado, a complexidade e a sofisticação dos Embora seja difícil prever onde outras novas apli-
sistemas microeletrônicos crescem continuamente. A cações surgirão, não há dúvida de que elas serão evi-
complexidade, a velocidade e a capacidade dos chips de dentes para aqueles que estiverem preparados para
PDS têm crescido exponencialmente desde o início da reconhecê-las. A chave para estar pronto para resolver
década de 1980, e não mostram sinais de desaceleração. novos problemas de processamento de sinais é, e sempre
Quando uma técnica de integração em escala de lâmina foi, um profundo conhecimento da matemática funda-
torna-se altamente desenvolvida, sistemas muito com- mental dos sinais e sistemas e dos projetos e algoritmos
plexos de processamento em tempo discreto de sinais de processamento associados. Embora o processamen-
são implementados com baixo custo, tamanho reduzido to em tempo discreto de sinais seja uma área dinâmica e
e baixo consumo de energia. Além disso, as tecnologias de crescimento continuado, seus fundamentos são bem
como sistemas mecânicos microeletrônicos (MEMS, formulados, e é extremamente valioso aprendê-los bem.
do inglês microelectronic mechanical systems) prome- Nosso objetivo neste livro é abordar os fundamentos da
tem produzir muitos tipos de sensores muito pequenos, área, fornecendo um tratamento coerente da teoria dos
cujas saídas deverão ser processadas usando-se técnicas sistemas lineares em tempo discreto, filtragem, amos-
de PDS que operam sobre redes distribuídas de senso- tragem, análise de Fourier de tempo discreto e modela-
res de entradas. Consequentemente, a importância do gem de sinais. Este texto deve fornecer ao leitor o co-
processamento em tempo discreto de sinais continuará nhecimento necessário para uma apreciação do amplo
a aumentar, e o desenvolvimento futuro na área prome- escopo de aplicações do processamento em tempo dis-
te ser ainda mais impactante do que o curso do desen- creto de sinais e uma base para que ele possa contribuir
volvimento que acabamos de descrever. para desenvolvimentos futuros nessa área tão excitante.
representação da transformada de Fourier dos sinais de a sequência inteira, assim como nos referimos ao “sinal
tempo discreto como uma combinação linear de expo- analógico xa(t)”. Representamos graficamente os sinais
nenciais complexas. Na Seção 2.10 será feita uma rápida de tempo discreto (ou seja, sequências) como mostrado
introdução aos sinais aleatórios de tempo discreto. na Figura 2.1. Embora a abscissa seja representada como
uma linha contínua, é importante reconhecer que x[n] é
2.1 Sinais de tempo discreto definido somente para valores inteiros de n. Não é correto
pensar que x[n] é nulo quando n não é um inteiro; x[n]
Os sinais de tempo discreto são representados mate-
é simplesmente indefinido para valores não inteiros de n.
maticamente como sequências de números. Uma sequên-
Como exemplo de sequência obtida por amostra-
cia de números x, em que o n-ésimo número na sequência
gem, na Figura 2.2(a) é mostrado um segmento de um
é indicado por x[n],1 é escrita formalmente como
sinal de voz correspondente à variação de pressão acús-
x = {x[n]}, −∞ < n < ∞, (2.1) tica em função do tempo, e na Figura 2.2(b) é apresen-
tada uma sequência de amostras do sinal de voz. Em-
sendo n um inteiro. Na prática, tais sequências surgem fre- bora o sinal de voz original esteja definido em todos os
quentemente da amostragem periódica de um sinal analó- instantes de tempo t, a sequência contém informações
gico (ou seja, de tempo contínuo) xa(t). Nesse caso, o valor sobre o sinal apenas em instantes discretos. O teorema
numérico do n-ésimo número na sequência é igual ao va- da amostragem, discutido no Capítulo 4, garante que o
lor do sinal analógico, xa(t) no instante nT, isto é, sinal original pode ser reconstruído de forma tão preci-
x[n] = xa (nT), −∞ < n < ∞. (2.2) sa quanto se queira a partir de uma sequência corres-
A grandeza T é o período de amostragem, e seu in-
verso é a frequência de amostragem. Embora as sequências x [–1] x [0]
x [1] x [n]
nem sempre surjam da amostragem de formas de onda x [–2]
x [2]
analógicas, é conveniente se referir a x[n] como a “n-ésima
amostra” da sequência. Além disso, embora, estritamen-
te falando, x[n] indique o n-ésimo número na sequência, 7 8 9 10 11
a notação da Equação 2.1 é com frequência desnecessa- –9 –8 –7 –6 –5 –4 –3 –2 –1 0 1 2 3 4 5 6 n
riamente confusa, e é conveniente e sem ambiguidade
referir-se à “sequência x[n]” quando queremos denotar Figura 2.1 Representação gráfica de um sinal de tempo discreto.
32 ms
(a)
256 amostras
(b)
Figura 2.2 (a) Segmento de um sinal de voz em tempo contínuo xa(t). (b) Sequência de amostras x [n] = xa(nT ) obtida a partir do sinal na parte (a)
com T = 125 μs.
1 Observe que usamos [ ] para delimitar a variável independente das funções de variável discreta, e usamos ( ) para delimitar a variável inde-
pendente das funções de variável contínua.
pondente de amostras, se as amostras são tomadas com Um dos aspectos importantes da sequência impul-
frequência suficiente. so é que uma sequência arbitrária pode ser representada
Na discussão da teoria dos sinais e sistemas de como uma soma de impulsos devidamente ponderados
tempo discreto, diversas sequências básicas são de par- e atrasados. Por exemplo, a sequência p[n] na Figura 2.4
ticular importância. Elas são mostradas na Figura 2.3 e pode ser expressa como
serão discutidas a seguir.
p[n] = a−3δ[n + 3] + a1δ[n − 1] + a2δ[n − 2] + a7δ[n − 7]. (2.4)
A sequência amostra unitária [Figura 2.3(a)] é de-
finida como a sequência De modo geral, qualquer sequência pode ser ex-
pressa como
0, n = 0,
δ[n] = (2.3) ∞
1, n = 0.
x[n] = x[k]δ[n − k]. (2.5)
A sequência amostra unitária desempenha para si- k=−∞
nais e sistemas de tempo discreto o mesmo papel que Faremos uso específico da Equação 2.5 ao discutir
a função impulso unitário (função delta de Dirac) de- a representação de sistemas lineares de tempo discreto.
sempenha para sinais e sistemas de tempo contínuo. Por A sequência degrau unitário [Figura 2.3(b)] é de-
conveniência, frequentemente nos referimos à sequência finida como
amostra unitária como um impulso de tempo discreto ou
simplesmente como um impulso. É importante observar 1, n ≥ 0,
que um impulso de tempo discreto não sofre das mesmas u[n] =
0, n < 0. (2.6)
complicações matemáticas que o impulso de tempo con-
tínuo; sua definição na Equação 2.3 é simples e precisa. O degrau unitário está relacionado ao impulso
unitário por
1
Amostra unitária n
... ...
u[n] = δ[k]; (2.7)
k=−∞
0 n ou seja, o valor da sequência degrau unitário no índice
(a) (de tempo) n é igual à soma acumulada do valor da se-
quência impulso no índice n e de todos os seus valores
Degrau unitário anteriores. Uma representação alternativa do degrau
1 unitário em termos do impulso é obtida interpretando-se
... ... o degrau unitário na Figura 2.3(b) como uma soma de
impulsos atrasados, como na Equação 2.5. Nesse caso, os
0 n valores não nulos são todos unitários, de modo que
(b) u[n] = δ[n] + δ[n − 1] + δ[n − 2] + · · · (2.8a)
ou
∞
Exponencial real u[n] = δ[n − k]. (2.8b)
...
k= 0
...
a1
0 n a–3
... p [n]
2 7
–4 –2 0 1 3 4 5 6 8 n
(d)
a2 a7
Figura 2.3 Algumas sequências básicas. As sequências mostradas
desempenham papéis importantes na análise e representação dos Figura 2.4 Exemplo de uma sequência a ser representada como uma
sinais e sistemas de tempo discreto. soma de impulsos ponderados e atrasados.
A restrição de que n deve ser inteiro resulta no fato de cular os valores da sequência de saída a partir dos valo-
que alguns sinais senoidais não são periódicos. Por exem- res da sequência de entrada. Deve-se enfatizar que o va-
plo, não existe um inteiro N tal que o sinal x3[n] = cos(n) lor da sequência de saída em cada valor do índice n pode
satisfaça a condição x3[n + N] = x3[n] para todo n. Essas e depender de amostras da entrada x[n] para todos os
outras propriedades das senoides de tempo discreto que valores de n, ou seja, y no instante n pode depender de
se opõem às de suas correspondentes em tempo contínuo toda ou de parte da sequência x inteira. Nos exemplos a
são devidas à limitação do índice de tempo n aos inteiros seguir são mostrados alguns sistemas simples e úteis.
para sinais e sistemas de tempo discreto.
Quando combinamos a condição da Equação 2.17
Exemplo 2.2 Sistema atraso ideal
com nossa observação anterior de que ω0 e (ω0 + 2πr)
são frequências indistinguíveis, fica claro que existem O sistema atraso ideal é definido pela equação
N frequências distinguíveis para as quais as sequências
y[n] = x[n − nd], −∞ < n < ∞, (2.20)
correspondentes são periódicas com período N. Um con-
junto de tais frequências é ωk = 2πk/N, k = 0, 1, ..., N − 1. em que nd é um inteiro positivo fixo que representa o atra-
Essas propriedades das sequências exponenciais com- so do sistema. Em outras palavras, o sistema atraso ideal
plexas e senoidais são básicas tanto para a teoria quanto desloca a sequência de entrada para a direita de nd amos-
tras para formar a saída. Se, na Equação 2.20, nd fosse um
para o projeto de algoritmos computacionais para aná- inteiro negativo fixo, então o sistema deslocaria a entrada
lise de Fourier de tempo discreto, e elas serão discutidas para a esquerda de |nd| amostras, o que corresponderia a
com mais detalhes nos capítulos 8 e 9. um avanço de tempo.
Relacionado à discussão anterior está o fato de
que a interpretação de frequências altas e baixas é um
tanto diferente para sinais exponenciais complexos e No sistema do Exemplo 2.2, somente uma amostra
senoidais de tempo contínuo e tempo discreto. Para um da sequência de entrada é envolvida na determinação
sinal senoidal de tempo contínuo x(t) = A cos(Ω0t + φ), de uma dada amostra da saída. Este não é o caso no
à medida que Ω0 aumenta, x(t) oscila progressivamen- exemplo a seguir.
te mais rápido. Para o sinal senoidal de tempo discreto
x[n] = A cos(ω0n + φ), quando ω0 aumenta de ω0 = 0
até ω0 = π, x[n] oscila progressivamente mais rápi- Exemplo 2.3 Sistema média móvel
do. Porém, quando ω0 aumenta de ω0 = π até ω0 = 2π, O sistema média móvel geral é definido pela equação
as oscilações se tornam mais lentas. Isso é ilustrado
M2
na Figura 2.5. De fato, graças à periodicidade em ω0 1
y[n] = x[n − k]
das sequências senoidais e exponenciais complexas, M1 + M2 + 1
k=−M 1
ω0 = 2π é indistinguível de ω0 = 0, e, de modo mais geral, 1
as frequências em torno de ω0 = 2π são indistinguíveis das = x[n + M 1 ]
M1 + M2 + 1
frequências em torno de ω0 = 0. Como consequência,
+ x[n + M 1 − 1]+ ··· + x[n]
para sinais senoidais e exponenciais complexas, os va-
+ x[n − 1] + ··· + x[n − M 2 ] . (2.21)
lores de ω0 nas proximidades de ω0 = 2πk para qualquer
valor inteiro de k são tipicamente chamados de frequên- Esse sistema calcula a n-ésima amostra da sequência de
cias baixas (oscilações relativamente lentas), enquanto saída como a média de (M1 + M2 + 1) amostras da sequên-
os valores de ω0 nas proximidades de ω0 = (π + 2πk) cia de entrada em torno da n-ésima amostra. Na Figura 2.7
para qualquer inteiro k são tipicamente chamados de é mostrado um gráfico de uma sequência de entrada em
função de um índice auxiliar k e as amostras (pontos sóli-
frequências altas (oscilações relativamente rápidas).
dos) envolvidas no cálculo da amostra de saída y[n] para
n = 7,M1 = 0 e M2 = 5. A amostra da saída y[7] é igual a um
2.2 Sistemas de tempo discreto sexto da soma de todas as amostras entre as linhas trace-
jadas verticais. Para se calcular y[8], as duas linhas traceja-
Um sistema de tempo discreto é definido matema- das são deslocadas uma amostra para a direita.
ticamente como uma transformação ou um operador
que mapeia uma sequência de entrada com valores x[n]
em uma sequência de saída com valores y[n]. Isso pode Classes de sistemas são definidas pela imposição
ser indicado como de restrições sobre as propriedades da transformação
y[n] = T {x[n]} (2.19) T {·}. Isso frequentemente leva a representações ma-
temáticas muito genéricas, conforme veremos. De im-
e é indicado de modo esquemático na Figura 2.6. A portância particular são as restrições e propriedades do
Equação 2.19 representa uma regra ou fórmula para cal- sistema, discutidas nas seções 2.2.1-2.2.5.
0 = 0 ou 0 = 2
... ...
0 n
(a)
0 = /8 ou 0 = 15/8
... ...
0 n
(b)
0 = /4 ou 0 = 7/4
... ...
0 n
(c)
0 =
... ...
0 n
... ...
(d)
Figura 2.5 cosω0n para diversos valores diferentes de ω0. À medida que ω0 aumenta de zero para π [partes (a)-(d)], a sequência oscila mais
rapidamente. À medida que ω0 aumenta de π para 2π [partes (d)-(a)], as oscilações se tornam mais lentas.
T{ • }
x [n] y[n] 2.2.1 Sistemas sem memória
Figura 2.6 Representação de um sistema de tempo discreto, isto é, Um sistema é denominado sem memória se a saí-
uma transformação que mapeia uma sequência de entrada x[n] em da y[n] para cada valor de n depender somente da en-
uma única sequência de saída y [n]. trada x[n] no mesmo valor de n.
x [k]
n–5
0 n k
Exemplo 2.4 Um sistema sem memória em que yk [n] é a resposta do sistema para a entrada xk [n].
Usando a definição do princípio da superposição, po-
Um exemplo de sistema sem memória é um sistema para de-se mostrar facilmente que os sistemas dos exemplos 2.2 e
o qual x[n] e y[n] estão relacionados por
2.3 são lineares. (Veja o Problema 2.39.) Um exemplo de um
y[n] = (x[n])2, para cada valor de n. (2.22) sistema não linear é o sistema do Exemplo 2.4.
O sistema no Exemplo 2.2 não é sem memória, a menos
que nd = 0; em particular, esse sistema é referenciado Exemplo 2.5 Sistema acumulador
como tendo “memória”, seja nd positivo (um atraso no
tempo) ou negativo (um avanço no tempo). O sistema de O sistema definido pela equação de entrada-saída
média móvel no Exemplo 2.3 não é sem memória, a me- n
nos que M1 = M2 = 0. y[n] = x[k] (2.26)
k=−∞
é chamado de sistema acumulador, pois a saída no instante n
é o acúmulo ou soma da amostra presente e todas as amostras
2.2.2 Sistemas lineares de entrada anteriores. O sistema acumulador é um sistema li-
A classe dos sistemas lineares é definida pelo prin- near. Como esse fato pode não ser intuitivamente claro, é um
exercício útil passar por todos os passos e mostrar esse resul-
cípio da superposição. Se y1[n] e y2[n] são as respostas tado mais formalmente. Começamos definindo duas entradas
de um sistema quando x1[n] e x2[n] são as respectivas quaisquer x1[n] e x2[n] e suas saídas correspondentes.
entradas, então o sistema é linear se e somente se
n
T {x1[n] + x2[n]} = T {x1[n]} + T {x2[n]} y 1 [n] = x1 [k], (2.27)
k=−∞
= y1[n] + y2[n] (2.23a) n
y 2 [n] = (2.28)
x2 [k].
e
k=−∞
T {ax[n]} = aT {x[n]} = ay[n], (2.23b) Quando a entrada é x3[n] = ax1[n] + bx2[n], o princípio da
superposição requer que a saída seja y3[n] = ay1[n] + by2[n]
em que a é uma constante arbitrária. A primeira pro- para todas as escolhas possíveis de a e b. Podemos mostrar
priedade é a propriedade da aditividade, e a segunda, isso a partir da Equação 2.26:
a propriedade da homogeneidade ou da mudança de n
escala. Essas duas propriedades juntas compreendem o y3 [n] = x3 [k], (2.29)
princípio da superposição, formulado como k=−∞
n
T {ax1[n] + bx2[n]} = aT {x1[n]} + bT {x2[n]} (2.24) ax1 [k] + bx (2.30)
= 2 [k] ,
para constantes arbitrárias a e b. Essa equação pode ser k=−∞
n n
generalizada para a superposição de várias entradas. =a x1 [k] + b (2.31)
x2 [k],
Especificamente, se k=−∞ k=−∞
Exemplo 2.6. Porém, o sistema do Exemplo 2.8 é não dade, é preciso que, para todas as entradas limitadas, a saída
causal se M > 1, pois y[1] = x[M]. Outro sistema não seja limitada. Se pudermos encontrar apenas uma entrada
causal é dado no exemplo a seguir. para a qual a propriedade do sistema não seja válida, então
teremos mostrado que o sistema não tem essa propriedade.
Exemplo 2.9 Sistemas de diferenças progressivas No exemplo a seguir ilustra-se a forma de se testar a estabi-
lidade para vários dos sistemas que definimos.
e regressivas
O sistema definido pela relação Exemplo 2.10 Testando a estabilidade ou
y[n] = x[n + 1] − x[n] (2.41) instabilidade
O sistema do Exemplo 2.4 é estável. Para ver isso, suponha
é chamado de sistema de diferenças progressivas. Esse
que a entrada x[n] seja limitada de modo que |x[n]| ≤ Bx
sistema é não causal, pois o valor atual da saída depende
para todo n. Então, |y[n]| = |x[n]|2 ≤ Bx2. Assim, podemos
de um valor futuro da entrada. A violação da causalidade
escolher By = Bx2 e provamos que y[n] é limitado.
pode ser demonstrada considerando as duas entradas
x1[n] = δ[n − 1] e x2[n] = 0 e suas saídas correspondentes De modo semelhante, podemos ver que o sistema definido
y1[n] = δ[n] − δ[n − 1] e y2[n] = 0 para todo n. Note que no Exemplo 2.6 é instável, pois y[n] = log10(|x[n]|) = −∞
x1[n] = x2[n] para n ≤ 0, de modo que a definição da causa- para quaisquer valores do índice de tempo n em que
lidade requer que y1[n] = y2[n] para n ≤ 0, que claramente x[n] = 0, embora a saída seja limitada para quaisquer
não é o caso para n = 0. Assim, por esse contraexemplo, amostras de entrada que não sejam nulas.
mostramos que o sistema é não causal. O acumulador, como definido no Exemplo 2.5 pela Equa-
O sistema de diferenças regressivas, definido como ção 2.26, também não é estável. Por exemplo, considere
o caso em que x[n] = u[n], que claramente é limitada por
y[n] = x[n] − x[n − 1], (2.42) Bx = 1. Para essa entrada, a saída do acumulador é
tem uma saída que depende somente dos valores presente n
e passado da entrada. Como y[n0] depende somente de y[n] = u[k] (2.45)
x[n0] e x[n0 − 1], o sistema é causal por definição. k=−∞
0, n < 0, (2.46)
=
(n + 1), n ≥ 0.
e pelo princípio da superposição da Equação 2.24, po- A dedução da Equação 2.49 sugere a interpreta-
demos escrever ção de que a amostra da entrada em n = k, representa-
∞ ∞
da como x[k]δ[n − k], é transformada pelo sistema em
y[n] = x[k]T{δ[n − k]} = x[k]hk[n]. (2.48) uma sequência de saída x[k]h[n − k] para −∞ < n <
k=−∞ k=−∞
∞, e que, para cada k, essas sequências são superpos-
tas (somadas) para formar a sequência de saída total.
De acordo com a Equação 2.48, a resposta do siste-
Essa interpretação é ilustrada na Figura 2.8, que mos-
ma a qualquer entrada pode ser expressa em termos das
tra uma resposta ao impulso, uma sequência de entrada
respostas do sistema às sequências δ[n − k]. Se apenas a
simples que possui três amostras não nulas, as saídas
linearidade for imposta, então hk[n] dependerá tanto de
individuais devidas a cada amostra e a saída composta
n quanto de k, caso em que a utilidade computacional
devida a todas as amostras na sequência de entrada. Es-
da Equação 2.48 é um tanto limitada. Obteremos um
pecificamente, x[n] pode ser decomposto como a soma
resultado mais útil se impusermos a restrição adicional
das três sequências x[−2]δ[n + 2], x[0]δ[n] e x[3]δ[n − 3]
de invariância de tempo.
que representam os três valores não nulos na sequência
A propriedade de invariância de tempo implica
x[n]. As sequências x[−2]h[n + 2], x[0]h[n] e x[3]h[n − 3]
que, se h[n] é a resposta a δ[n], então a resposta a δ[n − k]
são as respostas do sistema para x[−2]δ[n + 2], x[0]δ[n]
é h[n − k]. Com essa restrição adicional, a Equação 2.48
e x[3]δ[n − 3], respectivamente. A resposta para x[n] é
se torna
então a soma dessas três respostas individuais.
∞
Embora a expressão da soma de convolução seja
y[n] = x[k]h[n − k], para todo n. (2.49) semelhante à integral de convolução da teoria dos sis-
k=−∞
temas lineares de tempo contínuo, a soma da convolu-
Uma consequência da Equação 2.49 é que um ção não deve ser considerada como uma aproximação
sistema LIT é completamente caracterizado por sua da integral de convolução. A integral de convolução é
resposta ao impulso h[n] no sentido de que, dadas as principalmente uma ferramenta de análise matemáti-
sequências x[n] e h[n] para todo n, é possível usar a ca na teoria dos sistemas lineares de tempo contínuo;
Equação 2.49 para calcular cada amostra da sequência veremos que a soma de convolução, além de sua im-
de saída y[n]. portância analítica, muitas vezes serve como uma rea-
A Equação 2.49 é chamada de soma de convolu- lização explícita de um sistema linear de tempo dis-
ção, e é representada pela notação operacional creto. Assim, é importante ganhar alguma experiência
y[n] = x[n] * h[n]. (2.50) com as propriedades da soma de convolução em cál-
culos práticos.
A operação convolução de tempo discreto toma A interpretação anterior da Equação 2.49 enfatiza
duas sequências x[n] e h[n] e produz uma terceira se- que a soma de convolução é um resultado direto da li-
quência y[n]. A Equação 2.49 expressa cada amostra da nearidade e da invariância no tempo. Porém, um modo
sequência de saída em termos de todas as amostras das ligeiramente diferente de ver a Equação 2.49 leva a
sequências de entrada e de resposta ao impulso. uma interpretação computacional particularmente útil.
A notação da Equação 2.50 para a operação de Quando vista como uma fórmula para calcular um úni-
convolução como uma abreviação para a Equação co valor da sequência de saída, a Equação 2.49 informa
2.49 é conveniente e compacta, mas precisa ser usada que y[n] (isto é, o n-ésimo valor da saída) é obtido pela
com cautela. A definição básica da convolução de duas multiplicação da sequência de entrada (expressa como
sequências é dada pela Equação 2.49, e qualquer uso uma função de k) pela sequência cujos valores são h[n −
da forma abreviada da Equação 2.50 deve ser sempre k], −∞ < k < ∞ para qualquer valor fixo de n, seguida
referenciada à Equação 2.49. Por exemplo, considere pela soma de todos os valores dos produtos x[k]h[n − k],
y[n − n0]. A partir da Equação 2.49, vemos que com k sendo o índice de contagem no processo de soma.
∞ Portanto, a operação de convoluir duas sequências en-
y[n − n0 ] = x[k]h[n − n0 − k] (2.51) volve fazer o cálculo especificado da Equação 2.49 para
k=−∞ cada valor de n, gerando-se assim a sequência de saída
ou, em notação abreviada, completa y[n], −∞ < n < ∞. A chave para executar os
cálculos da Equação 2.49 para se obter y[n] é entender
y[n − n0] = x[n] * h[n − n0]. (2.52)
como formar a sequência h[n − k], −∞ < k < ∞, para
Substituir n por (n − n0) na Equação 2.49 leva ao todos os valores de n que sejam de interesse. Para isso,
resultado e à conclusão corretos, mas tentar cegamen- é útil observar que
te a mesma substituição na Equação 2.50, não. De fato,
h[n − k] = h[−(k − n)]. (2.53)
x[n − n0] * h[n − n0] resulta em y[n − 2n0].
1
x[n] h[n]
3
–2 0 n 0 2 n
–2 0 n –2 0 n
0 n 0 2 n
3 3 5
0 n 0 n
x[n] = x–2 [n] + x0 [n] + x3[n] y[n] = y–2 [n] + y0 [n] + y3 [n]
3 5
–2 0 n –2 0 n
Figura 2.8 Representação da saída de um sistema LIT como a superposição de respostas a amostras individuais da entrada.
Para ilustrar a interpretação da Equação 2.53, supo- refletimos h[k] no tempo em relação a k = 0 e depois atra-
nha que h[k] seja a sequência mostrada na Figura 2.9(a) e samos por n amostras o sinal refletido no tempo.
que queiramos obter h[n − k] = h[−(k − n)]. Defina h1[k] Para implementar a convolução em tempo discre-
como h[−k], conforme mostrado na Figura 2.9(b). Em se- to, as duas sequências x[k] e h[n − k] são multiplicadas
guida, defina h2[k] como h1[k], atrasado, de n amostras no amostra a amostra para −∞ < k < ∞, e os produtos são
eixo k, ou seja, h2[k] = h1[k − n]. Na Figura 2.9(c) mostra- somados para se calcular a amostra de saída y[n]. Para
-se a sequência que resulta do atraso de n amostras da se- obter outra amostra de saída, a origem da sequência
quência na Figura 2.9(b). Usando a relação entre h1[k] e h[−k] é deslocada para a posição da nova amostra e o
h[k], podemos mostrar que h2[k] = h1[k − n] = h[−(k − n)] processo é repetido. Esse procedimento computacional
= h[n − k], e, assim, na figura inferior está o sinal desejado. se aplica tanto se os cálculos forem executados numeri-
Resumindo, para obter h[n − k] a partir de h[k], primeiro camente sobre dados amostrados quanto analiticamente
h [k]
–3 0 6 k
(a)
h1 [k ] = h [–k] = h [0 – k]
–6 0 3 k
(b)
n–6 0 n n+3 k
(c)
Figura 2.9 Formando a sequência h [n − k]. (a) A sequência h [k] em função de k. (b) A sequência h [ − k] em função de k. (c) A sequência h [n − k]
= h [ − (k − n)] em função de k para n = 4.
com sequências para as quais os valores da amostra pos- y[n] = 0, n < 0.
suem fórmulas simples. No exemplo seguinte ilustra-se
a convolução em tempo discreto para o segundo caso. Na Figura 2.10(b) ilustram-se as duas sequências quando
0 ≤ n e n − N + 1 ≤ 0. Essas duas condições podem ser
combinadas na única condição 0 ≤ n ≤ N − 1. Consideran-
Exemplo 2.11 Cálculo analítico da soma de do a Figura 2.10(b), vemos que como
convolução x[k]h[n − k] = ak, para 0 ≤ k ≤ n
Considere um sistema com resposta ao impulso quando 0 ≤ n ≤ N – 1, segue-se que
n
h[n] = u[n] − u[n − N ] y[n] = a k, para 0 ≤ n ≤ N − 1. (2.54)
1, 0 ≤ n ≤ N − 1, k=0
= Os limites do somatório podem ser vistos diretamente a
0, caso contrário.
partir da Figura 2.10(b). Pela Equação 2.54 vemos que
A entrada é y[n] é a soma de n + 1 termos de uma série geométrica em
que a razão dos termos é a. Essa soma pode ser expressa
an, n ≥ 0, de forma fechada usando a fórmula geral
x[n] =
0, n < 0,
N2
α N 1 − α N 2 +1
ou, de modo equivalente, αk = , N 2 ≥ N 1 . (2.55)
1−α
k=N 1
x[n] = anu[n]. Aplicando essa fórmula à Equação 2.54, obtemos
Para encontrar a saída em um índice particular n, temos de
formar as somas para todo k do produto x[k]h[n − k]. Nesse 1 − a n+1
y[n] = , 0 ≤ n ≤ N − 1. (2.56)
caso, podemos encontrar fórmulas para y[n] para diferentes 1−a
conjuntos de valores de n. Para isso, é útil esboçar as sequên- Finalmente, na Figura 2.10(c) mostram-se as duas sequências
cias x[k] e h[n − k] em função de k para diferentes valores re- quando 0 < n − N + 1 ou N − 1 < n. Como anteriormente,
presentativos de n. Por exemplo, na Figura 2.10(a) são mos-
trados gráficos das sequências x[k] e h[n − k], para n inteiro x[k]h[n − k] = ak, n − N + 1 ≤ k ≤ n,
negativo. Nitidamente, todos os valores negativos de n levam
mas agora o limite inferior da soma é n − N + 1, como
a uma situação semelhante; ou seja, as partes não nulas das
vemos na Figura 2.10(c). Assim,
sequências x[k] e h[n − k] não se superpõem, e, portanto,
h [n – k]
x [k]
n 0 k
n – (N – 1) (a)
0 n k
n – (N – 1)
(b)
0 n k
n – (N – 1)
(c)
y [n]
0 k
N–1
(d)
Figura 2.10 Sequência envolvida no cálculo de uma convolução discreta. (a)-(c) As sequências x[k] e h[n−k] em função de k para diferentes
valores de n. (Somente amostras não nulas são mostradas.) (d) Sequência de saída correspondente em função de n.
No Exemplo 2.11 ilustra-se como a soma de con- Essa propriedade segue imediatamente da Equa-
volução pode ser calculada analiticamente quando a ção 2.49, e é um resultado direto da linearidade e da
entrada e a resposta ao impulso são dadas por fórmulas comutatividade da convolução. A Equação 2.62 é re-
simples. Nesses casos, as somas podem ter uma forma presentada esquematicamente na Figura 2.11, em que a
compacta que pode ser deduzida pelo uso da fórmula Figura 2.11(a) representa o membro direito da Equação
da soma de uma série geométrica ou outras fórmulas 2.62 e a Figura 2.11(b) o membro esquerdo.
“fechadas”.2 Quando nenhuma forma simples está dis- A operação de convolução também satisfaz a pro-
ponível, a soma de convolução ainda pode ser calculada priedade associativa, ou seja,
numericamente por meio da técnica ilustrada no Exem-
y[n] = (x[n] * h1[n]) * h2[n] = x[n] * (h1[n] * h2[n]). (2.63)
plo 2.11 sempre que as somas forem finitas, o que será o
caso se a sequência de entrada ou a resposta ao impulso Além disso, como a operação de convolução é co-
tiver comprimento finito, isto é, tiver um número finito mutativa, a Equação 2.63 é equivalente a
de amostras não nulas.
y[n] = x[n] * (h2[n] * h1[n]) = (x[n] * h2[n]) * h1[n]. (2.64)
2 Esses resultados são discutidos, por exemplo, em Grossman (1992) e Jolley (2004).
3 Em nossa discussão a seguir e ao longo de todo o texto, usaremos a notação abreviada da Equação 2.50 para a operação de convolução, mas
novamente enfatizamos que as propriedades da convolução são deduzidas a partir da definição da Equação 2.49.
em que h*[n] é o complexo conjugado de h[n]. A se- Diferenças progressivas (Exemplo 2.9)
quência x[n] é nitidamente limitada em uma unidade. h[n] = δ[n + 1] − δ[n]. (2.76)
Porém, o valor da saída em n = 0 é
Diferenças regressivas (Exemplo 2.9)
∞ ∞
|h[k]|2
y[0] = x[−k]h[k] = = B h . (2.71) h[n] = δ[n] − δ[n − 1]. (2.77)
|h[k]|
k=−∞ k=−∞
Dadas as respostas ao impulso desses sistemas bá- Ou seja, a convolução de uma sequência impulso
sicos (equações 2.73-2.77), podemos testar a estabilida- deslocado com qualquer sinal x[n] é facilmente obtida
de de cada uma calculando a soma simplesmente deslocando x[n] do atraso do impulso.
∞ Como o atraso é uma operação fundamental na
Bh = |h[n]|. implementação de sistemas lineares, o resultado ante-
n=−∞
rior muitas vezes é útil na análise e simplificação de as-
Para os exemplos do atraso ideal, média móvel, di- sociações de sistemas LIT. Como exemplo, considere o
ferenças progressivas e diferenças regressivas, fica claro sistema da Figura 2.13(a), que consiste em um sistema
que Bh < ∞, pois a resposta ao impulso tem apenas um de diferenças progressivas em cascata com um atraso
número finito de amostras não nulas. Em geral, um sis- ideal de uma amostra. De acordo com a propriedade
tema com uma resposta ao impulso de duração finita comutativa da convolução, a ordem em que os sistemas
[daqui em diante chamado de sistema FIR (do inglês são associados não importa, desde que eles sejam linea-
finite-duration impulse response)] sempre será estável, des- res e invariantes no tempo. Portanto, obtemos o mes-
de que cada um dos valores de resposta ao impulso seja fini- mo resultado, tanto quando calculamos as diferenças
to em magnitude. O acumulador, porém, é instável porque progressivas de uma sequência e atrasamos o resultado
∞
[Figura 2.13(a)], quanto quando atrasamos a sequência
Bh = u[n] = ∞.
primeiro e depois calculamos as diferenças progressivas
n=0
[Figura 2.13(b)]. Além disso, como indicado na Equa-
Na Seção 2.2.5, também demonstramos a instabili- ção 2.65 e na Figura 2.12, a resposta ao impulso total de
dade do acumulador dando um exemplo de entrada limi- um sistema em cascata é a convolução das respostas ao
tada (o degrau unitário) para a qual a saída é ilimitada. impulso individuais. Consequentemente,
A resposta ao impulso do acumulador tem duração
infinita. Esse é um exemplo da classe de sistemas conheci- h[n] = (δ[n + 1] − δ[n]) * δ[n − 1]
da como sistemas de resposta ao impulso de duração infi- = δ[n − 1] * (δ[n + 1] − δ[n]) (2.81)
nita (IIR, do inglês infinite-duration impulse response). Um = δ[n] − δ[n − 1].
exemplo de sistema IIR que é estável é um sistema cuja
Assim, h[n] é idêntica à resposta ao impulso do
resposta ao impulso é h[n] = anu[n] com |a| < 1. Nesse caso,
sistema de diferenças regressivas; ou seja, os sistemas
∞
em cascata das figuras 2.13(a) e 2.13(b) podem ser subs-
Bh = |a|n . (2.78)
tituídos por um sistema de diferenças regressivas, como
n=0
mostrado na Figura 2.13(c).
Se |a| < 1, a fórmula da soma dos termos de uma Note que os sistemas não causais de diferenças
série geométrica infinita fornece progressivas das figuras 2.13(a) e (b) foram convertidos
1 em sistemas causais pela sua associação em cascata com
Bh = < ∞. (2.79)
1 − |a| um atraso. Em geral, qualquer sistema FIR não causal
pode tornar-se causal se associado em cascata com um
Se, por outro lado, |a| ≥ 1, então a soma é infinita e atraso suficientemente longo.
o sistema é instável.
Para testar a causalidade dos sistemas LIT dos
Diferenças Atraso de
exemplos 2.2, 2.3, 2.5 e 2.9, podemos verificar se h[n] = 0 x[n] progressivas uma amostra y[n]
para n < 0. Como discutido na Seção 2.2.4, o atraso ideal
(nd ≥ 0 na Equação 2.20) é causal. Se nd < 0, então o sis- (a)
tema é não causal. Para a média móvel, a causalidade
requer que −M1 ≥ 0 e M2 ≥ 0. Os sistemas acumulador Atraso de Diferenças
e de diferenças regressivas são causais, e o sistema de x[n] uma amostra progressivas y[n]
diferenças progressivas é não causal.
(b)
O conceito de convolução como uma operação
entre duas sequências leva à simplificação de muitos
problemas que envolvem sistemas. Um resultado par- Diferenças
ticularmente útil pode ser enunciado para o sistema x [n] regressivas y [n]
atraso ideal. Como a saída do sistema atraso é y[n] =
x[n − nd], e como o sistema atraso tem resposta ao im- (c)
pulso h[n] = δ[n − nd], segue-se que
Figura 2.13 Sistemas equivalentes encontrados usando a proprieda-
x[n] * δ[n − nd] = δ[n − nd] * x[n] = x[n − nd]. (2.80) de comutativa da convolução.
Outro exemplo de sistemas em cascata introduz o As propriedades discutidas na Seção 2.4 e algu-
conceito de um sistema inverso. Considere a cascata de mas das técnicas de análise nela apresentadas podem
sistemas da Figura 2.14. A resposta ao impulso do siste- ser usadas para obter representações por equação de
ma em cascata é diferenças para alguns dos sistemas LIT que definimos.
h[n] = u[n] * (δ[n] − δ[n − 1])
= u[n] − u[n − 1] (2.82) Exemplo 2.12 Representação do acumulador com
= δ[n]. equação de diferenças
Ou seja, a associação em cascata de um acumula- O sistema acumulador é definido por
dor, seguida por um sistema de diferenças regressivas n
(ou vice-versa), resulta em um sistema cuja resposta ao y[n] = x[k]. (2.85)
impulso total é um impulso. Assim, a saída da associa- k=−∞
ção em cascata sempre será igual à entrada, pois x[n] * Para mostrar que a entrada e a saída satisfazem uma equa-
δ[n] = x[n]. Nesse caso, o sistema de diferenças regressi- ção de diferenças na forma da Equação 2.84, reescreve-
vas compensa exatamente (ou inverte) o efeito do acu- mos a Equação 2.85 como
mulador; ou seja, o sistema de diferenças regressivas n−1
é o sistema inverso do acumulador. Pela propriedade y[n] = x[n] + x[k] (2.86)
comutativa da convolução, o acumulador é similar ao k=−∞
sistema inverso para o sistema de diferenças regressi- Além disso, da Equação 2.85,
vas. Note que esse exemplo fornece uma interpretação n−1
de sistema para as equações 2.7 e 2.9. Em geral, se um y[n − 1] = x[k]. (2.87)
sistema LIT tem resposta ao impulso h[n], então seu k=−∞
sistema inverso, se existir, tem resposta ao impulso hi[n] Substituindo a Equação 2.87 na Equação 2.86, obtém-se
definido pela relação y[n] = x[n] + y[n − 1], (2.88)
h[n] * hi [n] = hi [n] * h[n] = δ[n]. (2.83) e, de modo equivalente,
Os sistemas inversos são úteis em muitas situações y[n] − y[n − 1] = x[n]. (2.89)
em que é necessário compensar os efeitos de um siste- Assim, além de satisfazer a relação de definição da Equa-
ma. Em geral, é difícil resolver a Equação 2.83 direta- ção 2.85, a entrada e a saída de um acumulador satisfazem
mente para hi[n], dado h[n]. Porém, no Capítulo 3, vere- uma equação de diferenças linear com coeficientes cons-
mos que a transformada z fornece um método imediato tantes na forma da Equação 2.84, com N = 1, a0 = 1, a1 = −1,
para encontrar o inverso de um sistema LIT. M = 0 e b0 = 1.
Sistema
Sistema de A equação de diferenças na forma da Equação
diferenças
x [n] acumulador y [n] regressivas x [n] 2.88 sugere uma implementação simples do sistema
acumulador. De acordo com a Equação 2.88, para cada
valor de n, somamos o valor da entrada atual x[n] à
Figura 2.14 Um acumulador em cascata com um sistema de diferen-
soma previamente acumulada y[n − 1]. Essa interpre-
ças regressivas. Como o sistema de diferenças regressivas é o siste-
tação do acumulador é representada em diagrama de
ma inverso do acumulador, a associação em cascata é equivalente ao
blocos na Figura 2.15.
sistema identidade.
A Equação 2.88 e o diagrama de blocos na Figura
2.15 são chamados de representação recursiva do siste-
ma, pois cada valor é calculado usando valores previa- de diferenças distintas podem ser usadas para represen-
mente calculados. Essa noção geral será explorada com tar uma dada relação entrada-saída LIT.
mais detalhes posteriormente nesta seção. Assim como no caso das equações diferenciais linea-
res com coeficientes constantes para sistemas de tempo
contínuo, sem restrições adicionais ou outras informações,
Exemplo 2.13 Representação do sistema média
uma equação de diferenças linear com coeficientes cons-
móvel por equação de diferenças tantes para sistemas de tempo discreto não fornece uma
Considere o sistema média móvel do Exemplo 2.3, com especificação única da saída para uma dada entrada. Es-
M1 = 0, de modo que o sistema é causal. Nesse caso, pela pecificamente, suponha que, para uma dada entrada xp[n],
Equação 2.74, a resposta ao impulso é
determinamos por algum meio uma sequência de saída
1 yp[n], de modo que uma equação na forma da Equação
h[n] = u[n] − u[n − M 2 − 1] , (2.90)
(M 2 + 1) 2.84 é satisfeita. Então, a mesma equação com a mesma
da qual segue que entrada é satisfeita por qualquer saída na forma
M2 y[n] = yp[n] + yh[n], (2.95)
1
y[n] = x[n − k], (2.91)
(M 2 + 1) sendo yh[n] uma solução qualquer da Equação 2.84 com
k=0
x[n] = 0, isto é, uma solução para a equação
que é um caso especial da Equação 2.84, com N = 0, a0 = 1,
M = M2 e bk = 1/(M2 + 1) para 0 ≤ k ≤ M2. N
Além disso, a resposta ao impulso pode ser expressa como akyh [n − k] = 0. (2.96)
k= 0
1
h[n] = δ[n] − δ[n − M 2 − 1] ∗ u[n], (2.92) A Equação 2.96 é chamada de equação de dife-
(M 2 + 1)
renças homogênea e yh[n], a solução homogênea. A se-
que sugere que o sistema média móvel causal pode ser quência yh[n] é, de fato, um membro de uma família de
representado como o sistema em cascata da Figura 2.16.
soluções na forma
Podemos obter uma equação de diferenças para esse dia-
grama de blocos observando primeiro que N
n
1 yh [n] = A mz m , (2.97)
x1 [n] = x[n] − x[n − M 2 − 1] . (2.93) m=1
(M 2 + 1)
em que os coeficientes Am podem ser escolhidos de
Da Equação 2.89 do Exemplo 2.12, a saída do acumulador
modo a satisfazer um conjunto de condições auxiliares
satisfaz a equação de diferenças
sobre y[n]. A substituição da Equação 2.97 na Equação
y[n] − y[n − 1] = x1[n], 2.96 mostra que os números complexos zm devem ser
de modo que raízes do polinômio
1 N
y[n] − y[n − 1] = (x[n] − x[n − M 2 − 1]). (2.94)
(M 2 + 1) A(z) = akz− k, (2.98)
k= 0
Novamente, temos uma equação de diferenças na forma
da Equação 2.84, mas dessa vez N = 1, a0 = 1, a1 = −1, M = isto é, A(zm) = 0 para m = 1, 2, ..., N. A Equação 2.97
M2 + 1 e b0 = −bM +1 = 1/(M2 + 1) e bk = 0, caso contrário. assume que todas as N raízes do polinômio da Equa-
2
ção 2.98 são distintas. A forma dos termos associados
às raízes múltiplas é ligeiramente diferente, mas sempre
No Exemplo 2.13, mostramos duas representações
existem N coeficientes indeterminados. Um exemplo da
diferentes da equação de diferenças para o sistema mé-
solução homogênea com raízes múltiplas é considerado
dia móvel. No Capítulo 6, veremos que muitas equações
no Problema 2.50.
Como yh[n] tem N coeficientes indeterminados,
um conjunto de N condições auxiliares é exigido para
Atenuador +
1 +
Sistema a especificação única de y[n] para um dado x[n]. Essas
acumulador
x [n] (M2 + 1) – x1 [n ] y[n] condições auxiliares podem consistir na especificação
de valores fixos de y[n] em valores específicos de n,
Atraso de como y[−1], y[−2], ..., y[−N], e depois na solução de um
(M2 + 1) conjunto de N equações lineares para os N coeficientes
amostras
indeterminados.
Alternativamente, se as condições auxiliares fo-
Figura 2.16 Diagrama de blocos da forma recursiva de um sistema
rem um conjunto de valores auxiliares de y[n], os ou-
média móvel.
tros valores de y[n] podem ser gerados reescrevendo-se • A saída para uma dada entrada não é unicamente
a Equação 2.84 como uma fórmula de recorrência, ou especificada. São necessárias informações ou con-
seja, na forma dições auxiliares.
N M • Se a informação auxiliar estiver em forma de N
ak bk
y[n] = − y[n − k] + x[n − k]. (2.99) valores sequenciais da saída, os valores subse-
a0 a0 quentes poderão ser obtidos rearranjando-se a
k=1 k=0
Se a entrada x[n] para todo n, juntamente com um equação de diferenças como uma relação recur-
conjunto de valores auxiliares, digamos, y[−1], y[−2], ..., siva progressiva em n, e valores anteriores po-
y[−N], é especificada, então y[0] pode ser determinado derão ser obtidos rearranjando-se a equação de
pela Equação 2.99. Com y[0], y[−1], ..., y[−N + 1] agora diferenças como uma relação recursiva regres-
disponíveis, y[1] pode então ser calculado, e assim por siva em n.
diante. Quando esse procedimento é usado, diz-se que • A linearidade, a invariância no tempo e a causali-
y[n] é calculado recursivamente; ou seja, o cálculo da dade do sistema dependerão das condições auxilia-
saída envolve não apenas a sequência de entrada, mas res. Se uma condição adicional for que o sistema es-
também valores anteriores da sequência de saída. teja inicialmente em repouso, então o sistema será
Para gerar valores de y[n] para n < −N (novamen- linear, invariante no tempo e causal.
te supondo que os valores y[−1], y[−2], ..., y[−N] sejam A discussão anterior considera que N ≥ 1 na
dados como condições auxiliares), podemos rearranjar Equação 2.84. Se, em vez disso, N = 0, nenhuma recur-
a Equação 2.84 na forma são é exigida para se usar a equação de diferenças para
N− 1 M calcular a saída e, portanto, nenhuma condição auxiliar
ak bk
y[n − N ] = − y[n − k] + x[n − k], (2.100) é exigida. Ou seja,
aN aN
k= 0 k= 0
M
a partir da qual y[−N − 1], y[−N − 2], ... podem ser cal- bk
y[n] = x[n − k]. (2.101)
culados recursivamente de forma regressiva. a0
k= 0
Nosso interesse principal neste livro está nos sis- A Equação 2.101 está na forma de uma convolu-
temas que são lineares e invariantes no tempo, caso em ção, e fazendo x[n] = δ[n], vemos que a resposta ao im-
que as condições auxiliares precisam ser consistentes pulso correspondente é
com esses requisitos adicionais. No Capítulo 3, quan-
M
do discutirmos a solução de equações de diferenças bk
usando a transformada z, incorporamos implicitamente h[n] = δ[n − k],
a0
k= 0
condições de linearidade e invariância no tempo. Como
veremos nessa discussão, mesmo com as restrições adi- ou
cionais de linearidade e invariância de tempo, a solução
para uma equação de diferenças, e, portanto, para o sis- bn ,
0 ≤ n ≤ M,
h[n] = a0
tema, não é especificada de forma única. Em particular,
0, caso contrário. (2.102)
existem em geral sistemas LIT causais e não causais,
consistentes com uma dada equação de diferenças. A resposta ao impulso, claramente, tem duração
Se um sistema for caracterizado por uma equação finita. De fato, a saída de qualquer sistema FIR pode
de diferenças linear com coeficientes constantes e for ser calculada não recursivamente sendo que os coefi-
especificado ainda como linear, invariante no tempo e cientes são os valores da sequência resposta ao impul-
causal, então a solução é única. Nesse caso, as condições so. O sistema média móvel do Exemplo 2.13 com M1
auxiliares frequentemente são enunciadas como condi- = 0 é um exemplo de um sistema FIR causal. Uma ca-
ções de repouso inicial. Em outras palavras, a informação racterística interessante desse sistema foi que também
auxiliar é que, se a entrada x[n] for nula para n menor do encontramos uma equação recursiva para a saída. No
que algum instante n0, então a saída y[n] é obrigatoria- Capítulo 6, mostraremos que existem muitas formas
mente nula para n menor do que n0. Essa restrição for- possíveis de implementar uma transformação de sinal
nece então condições iniciais suficientes para obter y[n] desejada. As vantagens de um método em relação a
para n ≥ n0 usando recursivamente a Equação 2.99. outro dependem de considerações práticas, como pre-
Em resumo, em um sistema para o qual a entrada cisão numérica, armazenamento de dados e o número
e a saída satisfazem uma equação de diferenças linear de multiplicações e adições exigidas para calcular cada
com coeficientes constantes: amostra da saída.
xas são autofunções de sistemas LIT, e a resposta a uma H (e j ω ) = δ[n − nd ]e−j ωn = e−j ωnd .
n=−∞
entrada senoidal é senoidal com a mesma frequência
da entrada e com amplitude e fase determinadas pelo As partes real e imaginária da resposta em frequência são
sistema. Essas propriedades fundamentais dos sistemas HR (ejω) = cos(ωnd), (2.109a)
LIT fazem com que representações dos sinais em ter-
HI (ejω) = − sen(ωnd). (2.109b)
mos de senoides ou exponenciais complexas (isto é, re-
presentações de Fourier) sejam muito úteis na teoria A magnitude e a fase são
dos sistemas lineares. |H (ejω)| = 1, (2.110a)
invariantes no tempo
A propriedade de autofunção das exponenciais Na Seção 2.7, mostraremos que uma ampla classe
complexas para sistemas de tempo discreto vem direta- de sinais pode ser representada como uma combinação
mente de substituição na Equação 2.61. Especificamen- linear de exponenciais complexas na forma
te, com entrada x[n] = ejωn para −∞ < n < ∞, pode-se
mostrar facilmente que a saída correspondente de um x[n] = αke j ω kn . (2.111)
sistema LIT com resposta ao impulso h[n] é k
Pelo princípio da superposição e da Equação
y[n] = H (ejω)ejωn, (2.103)
2.103, a saída correspondente de um sistema LIT é
em que
∞
y[n] = αkH (e j ω k )e j ω kn . (2.112)
k
H (e j ω ) = h[k]e−j ωk . (2.104)
Assim, se pudermos encontrar uma representação
k=−∞
de x[n] como uma superposição de sequências expo-
Consequentemente, ejωn é uma autofunção do nenciais complexas, como na Equação 2.111, podere-
sistema, e o autovalor associado é H(ejω). Da Equação mos então encontrar a saída usando a Equação 2.112
2.103, vemos que H(ejω) descreve a mudança na ampli- se soubermos a resposta em frequência do sistema em
tude complexa de um sinal de entrada exponencial com- todas as frequências ωk. O exemplo simples a seguir
plexo em função da frequência ω. O autovalor H(ejω) é ilustra essa propriedade fundamental dos sistemas LIT.
a resposta em frequência do sistema. Em geral, H(ejω)
é complexo e pode ser expresso em termos de suas par-
Exemplo 2.15 Resposta senoidal de sistemas LIT
tes real e imaginária como
H (ejω) = HR (ejω) + jHI (ejω) (2.105) Consideremos uma entrada senoidal
A
{ej (ω+2π)n}, −∞ < n < ∞.
y 1 [n] = H (e j ω0 ) e j φ e j ω0 n . (2.114a)
2 Como essas duas sequências possuem valores
idênticos para todo n, o sistema precisa responder de
A resposta a x2[n] = (A /2)e−jφe−jω0n é
forma idêntica a essas duas sequências de entrada. Essa
A condição requer que a Equação 2.119 seja válida.
y 2 [n] = H (e−j ω0 ) e−j φ e−j ω0 n . (2.114b)
2 Como H(ejω) é periódico com período 2π, e como
Assim, a resposta total é as frequências ω e ω+2π são indistinguíveis, segue-se
que precisamos apenas especificar H(ejω) em um inter-
A valo de comprimento 2π, por exemplo, 0 < ω ≤ 2π ou
y[n] = [H (e jω0 )e jφ e jω0 n + H (e−jω0 )e−jφ e−jω0 n ]. (2.115)
2 −π < ω ≤ π. A periodicidade inerente define a respos-
Se h[n] for real, pode-se mostrar (veja o Problema 2.78) ta em frequência em todos os pontos fora do intervalo
que H(e−jω0) = H*(ejω0). Consequentemente, escolhido. Por simplicidade e por consistência com o
caso de tempo contínuo, geralmente é conveniente es-
y[n] = A |H (ejω0)| cos(ω0n + φ + θ), (2.116)
pecificar H(ejω) no intervalo −π < ω ≤ π. Com relação
em que θ = ∠H(ejω0) é a fase da função de sistema na fre- a esse intervalo, as “frequências baixas” são as frequên-
quência ω0. cias próximas de zero, enquanto as “frequências altas”
Para o exemplo simples do atraso ideal, |H (ejω0)| = 1 e
são as frequências próximas de ±π. Relembrando que
θ = −ω0nd, como determinamos no Exemplo 2.14. Portanto,
as frequências que diferem por um múltiplo inteiro de
y[n] = A cos(ω0n + φ − ω0nd) 2π são indistinguíveis, podemos generalizar a afirmação
= A cos[ω0(n − nd) + φ], (2.117)
anterior da seguinte forma: As “frequências baixas” são
aquelas que estão próximas de um múltiplo par de π,
que é idêntico ao que teríamos obtido diretamente usan-
do a definição do sistema atraso ideal. enquanto as “frequências altas” são aquelas que estão
próximas de um múltiplo ímpar de π, o que é consisten-
te com nossa discussão anterior na Seção 2.1.
O conceito da resposta em frequência dos siste- Uma classe importante de sistemas LIT inclui
mas LIT é essencialmente o mesmo para sistemas de aqueles sistemas para os quais a resposta em frequência
tempo contínuo e tempo discreto. Porém, surge uma é unitária em uma certa faixa de frequências e é nula
distinção importante, porque a resposta em frequência nas frequências restantes, correspondendo aos filtros
dos sistemas LIT de tempo discreto é sempre uma fun- ideais seletivos em frequência. A resposta em frequên-
ção periódica da variável de frequência ω com perío- cia de um filtro passa-baixas ideal é mostrada na Figu-
do 2π. Para mostrar esse fato, substituímos ω + 2π na ra 2.17(a). Graças à periodicidade inerente da resposta
Equação 2.104 para obter em frequência de tempo discreto, ela tem a aparência
∞
de um filtro com múltiplas bandas, pois as frequências
H (e j (ω +2π) ) = h[n]e−j (ω +2π )n. (2.118) em torno de ω = 2π são indistinguíveis das frequências em
n=−∞
tros passa-altas, rejeita-faixa e passa-banda ideais são Usando a Equação 2.55, a Equação 2.122 torna-se
como mostradas nas figuras 2.18(a), (b) e (c), respecti-
1 1 − e−j ω(M 2 +1)
vamente. H (e j ω) =
M2 + 1 1 − e−j ω
– – c 0 c
A magnitude e a fase de H(ejω) nesse caso, com M2 = 4,
são mostradas na Figura 2.19.
(a) Se o filtro média móvel for simétrico, ou seja, se M1 = M2,
então a Equação 2.123 é substituída por
Hbs(e j) 1 sen[ω(2M2 + 1)/ 2]
1 H (e j ω ) = . (2.124)
2M2 + 1 sen(ω/ 2)
– – b – a 0 a b
(c)
2.6.2 Entradas exponenciais complexas
abruptamente aplicadas
Figura 2.18 Filtros seletivos em frequência ideais. (a) Filtro passa-al- Vimos que entradas exponenciais complexas na
tas. (b) Filtro rejeita-faixa. (c) Filtro passa-banda. Em cada caso, a res- forma ejωn para −∞ < n < ∞ produzem saídas na for-
posta em frequência é periódica com período 2π. Somente um período ma H(ejω)ejωn para sistemas LIT. Modelos desse tipo são
é mostrado. importantes na representação matemática de uma larga
gama de sinais, mesmo aqueles que existem apenas em
um domínio finito. Também podemos ganhar conheci-
Exemplo 2.16 Resposta em frequência do sistema
mento adicional sobre os sistemas LIT considerando
média móvel entradas da forma
A resposta ao impulso do sistema média móvel do Exem- x[n] = ejωnu[n], (2.125)
plo 2.3 é
isto é, exponenciais complexas que são abruptamente apli-
1
, −M 1 ≤ n ≤ M 2 , cadas em um instante arbitrário e que por conveniência
h[n] = M 1 + M 2+1 aqui escolhemos como n = 0. Usando a soma de convolu-
0, caso contrário. ção na Equação 2.61, a saída correspondente de um siste-
ma LIT causal com resposta a impulso h[n] é
j
1 |H(e )|
–2 – –2 2 2
5 5
H(e j)
4/5
–2 – 2
–4/5
Figura 2.19 (a) Magnitude e (b) fase da resposta em frequência do sistema média móvel para o caso M1 = 0 e M2 = 4.
0, n < 0,
∞ ∞
n −j ωk j ωn
y[n] = |yt [n]| = h[k]e e ≤ |h[k]|. (2.128)
h[k]e− j ωk e j ωn , n ≥ 0. k=n+1 k=n+1
k= 0
A partir da Equação 2.128, deve ficar claro que, se
Se considerarmos a saída para n ≥ 0, podemos es- a resposta ao impulso tiver comprimento finito, de modo
crever que h[n] = 0 exceto para 0 ≤ n ≤ M, então o termo yt [n] =
∞ 0 para n + 1 > M, ou n > M − 1. Nesse caso,
y[n] = h[k]e−j ωk e j ωn y[n] = yss[n] = H (ejω)ejωn, para n > M − 1.
k=0
Quando a resposta ao impulso tem duração infini-
∞
−j ωk j ωn ta, a resposta transitória não desaparece bruscamente,
− h[k]e e (2.126)
mas se as amostras da resposta ao impulso se aproxi-
k=n+1
mam de zero com n crescente, então yt[n] se aproximará
∞ de zero. Observe que a Equação 2.128 pode ser escrita
= H (e j ω )e j ωn − h[k]e−j ωk e j ωn . (2.127) como
k=n+1 ∞
Da Equação 2.127, vemos que a saída consiste na |yt [n]| = h[k]e−j ωk e j ωn
soma de duas parcelas, isto é, y[n] = yss[n] + yt[n]. A pri- k=n+1
meira parcela, ∞ ∞
≤ |h[k]| ≤ |h[k]|. (2.129)
yss[n] = H (ejω)ejωn,
k=n+1 k=0
é a resposta em regime permanente. Ela é idêntica à Ou seja, a resposta transitória é limitada pela soma
resposta do sistema quando a entrada é ejωn para todo dos valores absolutos de todas as amostras da resposta
n. De certa forma, a segunda parcela, ao impulso. Se o membro direito da Equação 2.129 for
∞ limitado, isto é, se
yt [n] = − h[k]e−j ωk ej ωn , ∞
k=n+1 |h[k]| < ∞,
k=0
é a quantidade pela qual a saída difere do resultado da
autofunção. Essa parte corresponde à resposta transitó- então o sistema é estável. A partir da Equação 2.129,
ria, pois é claro que, em alguns casos, ela pode tender a segue-se que, para sistemas estáveis, a resposta transitó-
zero. Para ver as condições para as quais isso é verda- ria deve tornar-se cada vez menor à medida que n → ∞.
deiro, consideremos a dimensão do segundo termo. Sua Assim, uma condição suficiente para a resposta transitó-
magnitude é limitada da seguinte forma: ria decair assintoticamente é que o sistema seja estável.
Na Figura 2.20 é mostrada a parte real de um si- a mesma que a condição para o predomínio da solu-
nal exponencial complexo com frequência ω = 2π/10. Os ção em regime permanente. De fato, uma exponencial
pontos sólidos indicam as amostras x[k] da exponencial complexa que existe para todo n pode ser entendida
complexa abruptamente aplicada, enquanto os círculos como uma que é aplicada em n = −∞. A propriedade
abertos indicam as amostras da exponencial complexa de autofunção das exponenciais complexas depende
que estão “faltando”, isto é, que seriam não nulas se a da estabilidade do sistema, pois, em um n finito, a res-
entrada fosse da forma ejωn para todo n. Os pontos som- posta transitória precisa ter se tornado nula, de modo
breados indicam as amostras da resposta ao impulso que apenas vemos a resposta em regime permanente
h[n − k] em função de k para n = 8. No caso de com- H(ejω)ejωn para todo n finito.
primento finito mostrado na Figura 2.20(a), fica claro
que a saída consiste apenas do componente em regime 2.7 Representação de sequências por
permanente para n ≥ 8, enquanto no caso de compri-
mento infinito, fica claro que as amostras que “faltam” transformadas de Fourier
têm cada vez menos efeito à medida que n aumenta, Uma das vantagens da representação pela res-
devido à natureza decrescente da resposta ao impulso. posta em frequência de um sistema LIT é que as inter-
A condição de estabilidade também é uma condi- pretações do comportamento do sistema, como aquela
ção suficiente para a existência da função resposta em que fizemos no Exemplo 2.16, muitas vezes surgem fa-
frequência. Para ver isso, note que, em geral, cilmente. Elaboraremos esse ponto com consideravel-
∞ ∞ mente mais detalhes no Capítulo 5. Neste ponto, porém,
|H (e j ω )| = h[k]e−j ωk ≤ |h[k]e−j ωk | retornemos à questão de como podemos encontrar re-
k=−∞ k=−∞ presentações na forma da Equação 2.111 para uma se-
∞ quência de entrada arbitrária.
≤ |h[k]|, Muitas sequências podem ser representadas por
k=−∞ uma integral de Fourier na forma
de modo que a condição geral
1 π
∞ x[n] = X (e j ω)e j ωn dω, (2.130)
2π −π
|h[k]| < ∞
k=−∞
em que
∞
garante que H(ejω)
existe. Não é surpresa que a con- X (e j ω) = x[n]e−j ωn . (2.131)
dição para a existência da resposta em frequência seja n=−∞
h [n – k]
0
0 n k
(a)
h [n – k]
0
0 n k
(b)
Figura 2.20 Exemplo de uma parte real da entrada exponencial complexa abruptamente aplicada com (a) FIR e (b) IIR.
As equações 2.130 e 2.131, juntas, formam uma Como discutido anteriormente, a resposta em fre-
representação de Fourier para a sequência. A Equação quência é uma função periódica de ω. De modo simi-
2.130, a transformada de Fourier inversa, é uma fórmula lar, a transformada de Fourier é periódica em ω com
de síntese. Ou seja, ela representa x[n] como uma su- período 2π. Uma série de Fourier é comumente usada
perposição de senoides complexas infinitesimalmente para representar sinais periódicos, e vale a pena notar
pequenas na forma que, de fato, a Equação 2.131 tem a forma de uma série
de Fourier para a função periódica X(ejω). A Equação
1
X (e j ω )e j ωn dω, 2.130, que expressa os valores de sequência x[n] em ter-
2π mos da função periódica X(ejω), tem a forma da integral
com ω variando em um intervalo de comprimento 2π que seria usada para obter os coeficientes na série de
e com X(ejω) determinando a importância relativa Fourier. Nosso uso das equações 2.130 e 2.131 é focado
de cada componente senoidal complexo. Embora es- na representação da sequência x[n]. Apesar disso, é útil
crevendo-se a Equação 2.130 tenhamos escolhido um ter ciência da equivalência entre a representação por
intervalo de valores para ω entre −π e +π, qualquer in- série de Fourier das funções periódicas de variável con-
tervalo de comprimento 2π pode ser usado. A Equação tínua e a representação por transformada de Fourier
2.131, a transformada de Fourier,4 é uma expressão para dos sinais de tempo discreto, pois todas as propriedades
calcular X(ejω) a partir da sequência x[n], isto é, para familiares da série de Fourier podem ser aplicadas, com
analisar a sequência x[n] e determinar o quanto de cada a interpretação apropriada das variáveis, à represen-
componente em frequência é necessário para sintetizar tação por transformada de Fourier de uma sequência.
x[n] usando-se a Equação 2.130. [Oppenheim e Willsky (1997), McClellan, Schafer e Yo-
Em geral, a transformada de Fourier é uma função der (2003).]
de ω e de valores complexos. Assim como ocorre com a Determinar a classe de sinais que pode ser repre-
resposta em frequência, podemos expressar X(ejω) na sentada pela Equação 2.130 é equivalente a considerar
forma retangular, como a convergência da soma infinita na Equação 2.131. Ou
seja, estamos preocupados com as condições que devem
X(ejω) = XR (ejω) + jXI (ejω), (2.132a)
ser satisfeitas pelos termos na soma na Equação 2.131,
ou na forma polar, como de tal forma que
jω
X(ejω) = |X(ejω)|ej ∠ X(e ), (2.132b) |X(ejω)| < ∞ para todo ω,
com |X(ejω)| representando a magnitude e ∠X(ejω), sendo X(ejω) o limite quando M → ∞ da soma finita
a fase. M
A fase ∠X(ejω) não é especificada de forma única XM (e j ω ) = x[n]e−j ωn . (2.134)
pela Equação 2.132(b), já que qualquer múltiplo intei- n=−M
ro de 2π pode ser acrescentado a ∠X(ejω) em qualquer Uma condição suficiente para a convergência
valor de ω sem afetar o resultado da exponenciação pode ser encontrada como se segue:
complexa. Quando queremos especificamente nos re-
∞
ferir ao valor principal, ou seja, ∠X(ejω) restrito ao in-
|X (e j ω )| = x[n]e−j ωn
tervalo de valores entre −π e +π, denotamos isso como
n=−∞
ARG[X(ejω)]. Se quisermos nos referir a uma função de
∞
fase que seja uma função contínua de ω para 0 < ω < π,
≤ |x[n]| |e−j ωn |
isto é, não calculada com mod 2π, usamos a notação
n=−∞
arg[X(ejω)].
∞
Como fica claro pela comparação das equações
≤ |x[n]| < ∞.
2.104 e 2.131, a resposta em frequência de um sistema n=−∞
LIT é a transformada de Fourier da resposta ao impul-
so. A resposta ao impulso pode ser obtida a partir da Assim, se x[n] for somável em valor absoluto, en-
resposta em frequência aplicando a integral da transfor- tão X(ejω) existe. Além disso, nesse caso, pode-se mos-
mada de Fourier inversa; isto é, trar que a série converge uniformemente para uma fun-
ção contínua de ω [Körner (1988), Kammler (2000)].
1 π
Como uma sequência estável é, por definição, somável
h[n] = H (e j ω )e j ωn dω. (2.133)
2π −π
4 A Equação 2.131 é algumas vezes chamada mais explicitamente de transformada de Fourier de tempo discreto, ou TFTD, particularmente
quando é importante distingui-la da transformada de Fourier de tempo contínuo.
em valor absoluto, todas as sequências estáveis têm que define X(ejω). Especificamente, nesse caso, temos a
transformadas de Fourier. Segue-se também que qual- convergência em média quadrática; ou seja, com
∞
quer sistema estável, ou seja, que tenha uma resposta ao
impulso somável em valor absoluto, terá uma resposta X (e j ω ) = x[n]e−j ωn (2.137a)
n=−∞
em frequência finita e contínua. e
A somabilidade em valor absoluto é uma condição M
A função HM(ejω) é mostrada na Figura 2.21 para diver- Exemplo 2.19 Transformada de Fourier de uma
sos valores de M. Note que, quando M aumenta, o com- constante
portamento oscilatório em ω = ωc (muitas vezes chamado Considere a sequência x[n] = 1 para todo n. Essa sequên-
de fenômeno de Gibbs) é mais rápido, mas a amplitude cia não é nem somável em valor absoluto nem quadrati-
das oscilações não diminui. De fato, pode-se mostrar que, camente somável, e a Equação 2.131 não converge nem
enquanto M → ∞, a amplitude máxima das oscilações no sentido uniforme nem na média quadrática nesse caso.
não se aproxima de zero, mas as oscilações convergem lo- Porém, é possível e útil definir a transformada de Fourier
calmente para os pontos ω = ±ωc. Assim, a soma infinita da sequência x[n] como o trem de impulso periódico
não converge uniformemente para a função descontínua ∞
Hlp(ejω) da Equação 2.139. Porém, hlp[n], dada na Equação X (e j ω ) = 2πδ(ω + 2π r). (2.142)
2.140, é quadraticamente somável e, de modo correspon- r=−∞
dente, HM(ejω) converge no sentido da média quadrática Os impulsos, nesse caso, são funções de uma variável contínua
para Hlp(ejω); isto é, e, portanto, são de “altura infinita, largura zero e área unitá-
π ria”, o que é consistente com o fato de que a Equação 2.131
lim |H lp (e j ω ) − HM (e j ω )|2 dω = 0. não converge em qualquer sentido usual. [Veja Oppenheim
M→∞ −π
e Willsky (1997) para uma discussão sobre a definição e as
Embora o erro entre HM(ejω) e Hlp(ejω) quando M → ∞ propriedades da função impulso.] O uso da Equação 2.142
possa não parecer importante porque as duas funções di- como uma representação de Fourier da sequência x[n] = 1
ferem apenas em ω = ωc, veremos no Capítulo 7 que o é justificado principalmente porque a substituição formal da
comportamento das somas finitas, como a Equação 2.141, Equação 2.142 na Equação 2.130 leva ao resultado correto. O
tem implicações importantes no projeto de sistemas de Exemplo 2.20 representa uma generalização deste exemplo.
tempo discreto para filtragem.
Exemplo 2.20 Transformadas de Fourier de
sequências exponenciais complexas
Algumas vezes, é útil ter uma representação por
transformada de Fourier para certas sequências que Considere uma sequência x[n] cuja transformada de
não são nem somáveis em valor absoluto nem quadrati- Fourier seja o trem de impulso periódico
camente somáveis. Ilustramos diversas delas nos exem- ∞
plos a seguir. X (e j ω) = 2πδ(ω − ω 0 + 2π r). (2.143)
r=−∞
HM (e j), M = 1 HM (e j), M = 3
– –c 0 c – –c 0 c
(a) (b)
HM (e j), M =7 HM (e j), M = 19
– –c 0 c – –c 0 c
(c) (d)
Figura 2.21 Convergência da transformada de Fourier. O comportamento oscilatório em ω = ωc é muitas vezes chamado de fenômeno de Gibbs.
x[n] = ejω0n para qualquer n. pode ser expressa como a soma de uma sequência si-
Para ω0 = 0, essa sequência reduz-se à considerada no métrica conjugada e de uma sequência antissimétrica
Exemplo 2.19. conjugada. Especificamente,
x[n] = xe[n] + xo[n], (2.149a)
sendo
Claramente, x[n] no Exemplo 2.20 não é nem so-
mável em valor absoluto nem quadraticamente somá- xe [n] = 21 (x[n] + x ∗ [−n]) = xe∗ [−n] (2.149b)
vel, e |X(ejω)| não é finito para todo ω. Assim, o enuncia-
do matemático e
∞ ∞ xo[n] = 21 (x[n] − x ∗ [−n]) = −xo∗ [−n]. (2.149c)
ej ω0 n e−j ωn = 2π δ(ω − ω 0 + 2π r) (2.145)
n=−∞ r=−∞
Somando-se as equações 2.149(b) e 2.149(c) con-
deve ser interpretado no contexto das funções genera- firma-se que a Equação 2.149(a) é válida. Uma sequên-
lizadas (Lighthill, 1958). Usando essa teoria, o concei- cia real que é simétrica conjugada de tal forma que xe[n]
to de uma representação por transformada de Fourier = xe[−n] é chamada de sequência par, e uma sequência
pode ser estendido para a classe de sequências que po- real que é antissimétrica conjugada de tal forma que
dem ser expressas como uma soma de componentes em xo[n] = −xo[−n] é chamada de sequência ímpar.
frequência discretos, como Uma transformada de Fourier X(ejω) pode ser de-
composta em uma soma de uma função simétrica con-
x[n] = ak e j ω k n , −∞ < n < ∞. (2.146) jugada e uma função antissimétrica conjugada como
k
Pelo resultado do Exemplo 2.20, segue-se que X(ejω) = Xe(ejω) + Xo(ejω), (2.150a)
∞ em que
X (e j ω) = 2π akδ(ω − ωk + 2π r) (2.147)
r=−∞ k Xe(ejω) = ½ [X(ejω) + X*(e−jω)] (2.150b)
é uma representação consistente da transformada de e
Fourier de x[n] na da Equação 2.146.
Outra sequência que não é nem somável em valor Xo(ejω) = ½ [X(ejω) − X*(e−jω)]. (2.150c)
absoluto nem quadraticamente somável é a sequência Substituindo −ω por ω nas equações 2.150(b) e
degrau unitário u[n]. Embora não seja completamente 2.150(c), segue que Xe(ejω) é simétrica conjugada e
imediato mostrar, essa sequência pode ser representada Xo(ejω) é antissimétrica conjugada; ou seja,
pela seguinte transformada de Fourier:
∞ Xe(ejω) = X*e(e−jω) (2.151a)
1
U (e j ω) = + π δ(ω + 2πr). (2.148) em que
1 − e−j ω r=−∞
Xo(ejω) = −X*o(e−jω). (2.151b)
2.8 Propriedades de simetria da Se uma função real de uma variável contínua for
transformada de Fourier simétrica conjugada, ela é chamada de função par, e
Ao usar as transformadas de Fourier, é útil que se uma função antissimétrica conjugada real de uma va-
tenha um conhecimento detalhado do modo como as riável contínua é chamada de função ímpar.
propriedades da sequência se manifestam na transfor- As propriedades de simetria da transformada de
mada de Fourier e vice-versa. Nesta seção e na Seção 2.9, Fourier são resumidas na Tabela 2.1. As seis primeiras
discutimos e resumimos uma série dessas propriedades. propriedades aplicam-se a uma sequência complexa
1. x*[n] X*(e−jω)
2. x*[−n] X*(ejω)
3. Re{x[n]} Xe(ejω) (componente simétrica conjugada de X(ejω))
4. j Im{x[n]} Xo(ejω) (componente antissimétrica conjugada de X(ejω))
5. xe[n] (componente simétrica conjugada de x[n]) XR(ejω) = Re{X(ejω)}
6. xo[n] (componente antissimétrica conjugada de x[n]) jXI (ejω) = j Im{X(ejω)}
As propriedades a seguir se aplicam somente quando x[n] é real:
7. Qualquer x[n] real X(ejω) = X*(e−jω) (a transformada de Fourier é simétrica conjugada)
8. Qualquer x[n] real XR(ejω) = XR(e−jω) (a parte real é par)
9. Qualquer x[n] real XI(ejω) = −XI(e−jω) (a parte imaginária é ímpar)
10. Qualquer x[n] real |X(ejω)| = |X(e−jω)| (a magnitude é par)
11. Qualquer x[n] real ∠ X(ejω) = −∠X(e−jω) (a fase é ímpar)
12. xe[n] (componente par de x[n]) XR(ejω)
13. xo[n] (componente ímpar de x[n]) jXI (ejω)
jω
genérica x[n] com transformada de Fourier X(ejω). As X(ejω) = |X(ejω)|ej∠X(e ), (2.154)
propriedades 1 e 2 são consideradas no Problema 2.79.
A propriedade 3 segue das propriedades 1 e 2, além do podemos mostrar que, para uma sequência real x[n], a
fato de que a transformada de Fourier da soma de duas magnitude da transformada de Fourier, |X(ejω)|, é uma
sequências é a soma de suas transformadas de Fourier. função par de ω, e a fase, ∠X(ejω), pode ser escolhida de
Especificamente, a transformada de Fourier de Re{x[n]} forma a ser uma função ímpar de ω (propriedades 10 e
= ½(x[n] + x*[n]) é a componente simétrica conjuga- 11). Além disso, para uma sequência real, a componen-
da de X(ejω), ou Xe(ejω). Similarmente, jIm{x[n]} = te par de x[n] transforma-se em XR(ejω), e a componente
½ (x[n] − x*[n]), ou, de forma equivalente, jIm{x[n]} ímpar de x[n] transforma-se em jXI(ejω) (propriedades
tem uma transformada de Fourier que é o componen- 12 e 13).
te antissimétrico conjugado Xo(ejω), correspondente à
propriedade 4. Considerando a transformada de Fou- Exemplo 2.21 Uso das propriedades
rier de xe[n] e xo[n], os componentes simétrico conjuga-
de simetria
do e antissimétrico conjugado de x[n], respectivamente,
pode-se mostrar que as propriedades 5 e 6 são válidas. Retornemos à sequência do Exemplo 2.17, no qual mos-
Se x[n] é uma sequência real, essas proprieda- tramos que a transformada de Fourier da sequência real
des de simetria se tornam particularmente imediatas x[n] = anu[n] é
e úteis. Especificamente, para uma sequência real, a 1
transformada de Fourier é simétrica conjugada; isto é, X (e j ω) = se |a| < 1. (2.155)
1 − ae−j ω
X(ejω) = X*(e–jω) (propriedade 7). Expressando X(ejω)
em termos de suas partes real e imaginária como Então, das propriedades dos números complexos, segue
que
X(ejω) = XR(ejω) + jXI (ejω), (2.152) 1
X (e j ω) = = X∗ (e−j ω)
podemos deduzir as propriedades 8 e 9 — especificamente, 1 − ae−j ω
(propriedade 7),
XR(ejω) = XR(e−jω) (2.153a)
1 − a cos ω
e XR (e j ω) = = XR (e−j ω )
1 + a 2 − 2a cos ω
XI (ejω) = −XI (e−jω). (2.153b) (propriedade 8),
1
2.9 Teoremas da transformada de
|X (e j ω)| = = | X (e− j ω)|
(1 + a 2 − 2a cos ω)1/ 2 Fourier
(propriedade 10). Além das propriedades de simetria, diversos teo-
−a sen ω remas (apresentados nas seções 2.9.1-2.9.7) relacionam
X (e j ω) = tg−1 = − X (e−j ω)
1 − a cos ω operações sobre a sequência a operações sobre a sua
(propriedade 11). transformada de Fourier. Veremos que esses teoremas
Gráficos dessas funções são mostrados na Figura 2.22 são muito similares, na maioria dos casos, aos teore-
para a > 0, especificamente, a = 0,75 (curva sólida) e a = mas correspondentes para sinais de tempo contínuo e
0,5 (curva tracejada). No Problema 2.32, consideramos os suas transformadas de Fourier. Para facilitar o enun-
gráficos correspondentes para a < 0. ciado dos teoremas, introduzimos a seguinte notação
operacional:
5
4 X (e j ω) = F{x[n]},
Amplitude
3 x[n] = F −1 {X (e j ω)},
2 F
1 x[n] ←→ X (e j ω).
0 Ou seja, F indica a operação de “tomar a trans-
– – 0
2 2 formada de Fourier de x[n]”, e F −1 é o inverso dessa
Frequência em radianos () operação. A maior parte dos teoremas será enunciada
(a) sem prova. As provas, que são deixadas como exer-
2 cícios (Problema 2.81), geralmente envolvem apenas
manipulações simples de variáveis do somatório ou
Amplitude
1
integração. Os teoremas nesta seção estão resumidos
0
na Tabela 2.2.
–1
3 x2 [n] ←→ X2 (e j ω ),
2
então segue, por substituição na definição da TFTD, que
1
F
0
–
ax1 [n] + bx2 [n] ←→ aX1 (e j ω) + bX2 (e j ω). (2.156)
– 0
2 2
Frequência em radianos () 2.9.2 Teorema do deslocamento no tempo e do
(c)
deslocamento na frequência
1,0 Se
Fase (radianos)
0,5 F
x[n] ←→ X (e j ω),
0
então, para a sequência deslocada no tempo x[n − nd],
– 0,5
uma transformação simples do índice do somatório na
–1,0 TFTD resulta
– – 0
2 2
F
Frequência em radianos () x[n − nd ] ←→ e−j ωnd X (e j ω). (2.157)
(d)
A substituição direta prova o seguinte resultado
Figura 2.22 Resposta em frequência para um sistema com resposta para a transformada de Fourier deslocada na frequência:
ao impulso h [n] = a nu [n]. (a) Componente real. a > 0; a = 0,75 (curva
F
sólida) e a = 0,5 (curva tracejada). (b) Componente imaginária. (c) Mag- e j ω 0 n x[n] ←→ X (e j (ω −ω 0 ) ). (2.158)
nitude. a > 0; a = 0,75 (curva sólida) e a = 0,5 (curva tracejada). (d) Fase.
1. ax[n] + by[n] aX (e j ω ) + bY (e j ω)
3. e j ω 0 n x[n] X (e j (ω −ω 0 ) )
4. x[−n] X (e−j ω )
X∗ (e j ω ) se x[n] real.
dX (e j ω )
5. nx[n] j
dω
6. x[n] ∗ y[n] X (e j ω )Y (e j ω )
1 π
7. x[n]y[n] X (e j θ )Y (e j (ω −θ ) )dθ
2π −π
Teorema de Parseval:
∞
1 π
8. |x[n]|2 = |X (e j ω )|2 dω
2π −π
n=−∞
∞
1 π
9. x[n]y ∗ [n] = X (e j ω )Y∗ (e j ω )dω
2π −π
n=−∞
1. δ[n] 1
2. δ[n − n0 ] e−j ωn0
∞
3. 1 (−∞ < n < ∞) 2π δ(ω + 2π k)
k=−∞
1
4. a n u[n] (|a| < 1)
1 − ae−j ω
∞
1
5. u[n] + π δ(ω + 2π k)
1 − e−j ω
k=−∞
1
6. (n + 1)an u[n] (|a| < 1)
(1 − ae−j ω )2
r n sen ωp(n + 1) 1
7. u[n] (|r| < 1)
sen ωp 1 − 2r cos ωp e−j ω + r 2 e−j 2ω
sen ωc n 1, |ω| < ωc ,
8. X (ej ω ) =
πn 0, ω c < |ω| ≤ π
Exemplo 2.22 D
eterminando uma transformada de Exemplo 2.23 Determinando uma transformada
Fourier usando as tabelas 2.2 e 2.3 de Fourier inversa usando as
tabelas 2.2 e 2.3
Suponha que queiramos encontrar a transformada de
Fourier da sequência x[n] = anu[n − 5]. Essa transformada Suponha que
pode ser calculada explorando-se os teoremas 1 e 2 da Ta-
bela 2.2 e o par transformado 4 da Tabela 2.3. Seja x1[n] = 1
X (e j ω ) = . (2.171)
anu[n]. Começamos com esse sinal porque ele é o sinal da (1 − ae− j ω) (1 − be− j ω)
Tabela 2.3 mais semelhante a x[n]. A tabela enuncia que
A substituição direta de X(ejω) na Equação 2.130 leva a
1 uma integral que é difícil de calcular por técnicas comuns
X 1 (e j ω ) = . (2.168)
1 − ae− j ω de integração real. Porém, usando a técnica de expansão
em frações parciais, que discutimos com detalhes no Capí-
Para obter x[n] a partir de x1[n], primeiro atrasamos x1[n]
tulo 3, podemos expandir X(ejω) na forma
de cinco amostras, ou seja, x2[n] = x1[n − 5]. O Teorema 2
da Tabela 2.2 fornece a relação correspondente no domí- a/(a − b) b/(a − b)
nio da frequência, X2(ejω) = e−j5ωX1(ejω), de modo que X (e j ω ) = − . (2.172)
1 − ae− j ω 1 − be− j ω
e− j 5ω Do Teorema 1 da Tabela 2.2 e pelo par transformado 4 da
X 2 (e j ω ) = . (2.169) Tabela 2.3, segue que
1 − ae− j ω
Para passar de x2[n] para o x[n] desejado, temos apenas a b
x[n] = a n u[n] − bn u[n]. (2.173)
de multiplicá-lo pela constante a5, isto é, x[n] = a5x2[n]. A a− b a− b
propriedade de linearidade da transformada de Fourier,
Teorema 1 da Tabela 2.2, então fornece a transformada de
Fourier desejada,
a 5 e− j 5ω
X (e j ω ) = . (2.170)
1 − ae− j ω
Exemplo 2.24 D
eterminando a resposta ao impulso
1 − jω
a partir da resposta em frequência H (e j ω ) =
1
− 4e . (2.179)
1 − 21 e− j ω 1 − 21 e− j ω
A resposta em frequência de um filtro passa-altas com
fase linear é Pela transformada 4 da Tabela 2.3,
em que um período de 2π é subentendido. Essa resposta Combinando essa transformada com a propriedade 2 da
em frequência pode ser expressa como Tabela 2.2, obtemos
Um sinal aleatório é considerado como um mem- nos capítulos seguintes. Desta forma, concentramo-nos
bro de um conjunto de sinais de tempo discreto que é nos sinais aleatórios estacionários em sentido amplo e
caracterizado por um conjunto de funções densidade em sua representação no contexto do processamento
de probabilidade. Mais especificamente, para um sinal com sistemas LIT. Embora, por simplicidade, conside-
em particular em um instante em particular, assume-se remos que x[n] e h[n] sejam reais, os resultados podem
que a amplitude da amostra do sinal nesse instante seja ser generalizados para o caso complexo.
determinada por um esquema subjacente de probabili- Considere um sistema LIT estável com resposta
dades. Ou seja, assume-se que cada amostra individual ao impulso real h[n]. Seja x[n] uma sequência real que
x[n] de um sinal particular é o resultado de uma variá- é uma sequência amostra de um processo aleatório de
vel aleatória subjacente xn. O sinal completo é repre- tempo discreto estacionário no sentido amplo. Então, a
sentado por uma coleção dessas variáveis aleatórias, saída do sistema linear também é uma sequência amos-
uma para cada instante de amostra, −∞ < n < ∞. Essa tra de um processo aleatório de tempo discreto relacio-
coleção de variáveis aleatórias é chamada de processo nado ao processo de entrada pela transformação linear
aleatório, e assumimos que uma sequência particular de ∞ ∞
amostras x[n] para −∞ < n < ∞ foi gerada pelo proces- y[n] = h[n − k]x[k] = h[k]x[n − k].
so aleatório que está por trás do sinal. Para descrever k=−∞ k=−∞
completamente o processo aleatório, precisamos espe- Como mostramos, já que o sistema é estável, y[n]
cificar as distribuições de probabilidade individual e será limitado se x[n] for limitado. Veremos em breve que,
conjunta de todas as variáveis aleatórias. se a entrada for estacionária,6 então a saída também será.
A chave para a obtenção dos resultados úteis a O sinal de entrada pode ser caracterizado por sua média
partir desses modelos de sinais está em sua descrição mx e sua função de autocorrelação φxx[m], ou também
em termos de médias, que podem ser calculadas a partir podemos ter informações adicionais sobre as distribui-
de leis de probabilidade assumidas ou estimadas a par- ções de probabilidade de primeira ou mesmo de segun-
tir de sinais específicos. Embora os sinais aleatórios não da ordem. Na caracterização do processo aleatório de
sejam somáveis em valor absoluto ou quadraticamente saída y[n], desejamos informações similares. Para muitas
somáveis e, como consequência, não tenham transfor- aplicações, é suficiente caracterizar a entrada e a saída
madas de Fourier diretamente, muitas (mas não todas) em termos de médias estatísticas simples, como média,
das propriedades desses sinais podem ser resumidas em variância e autocorrelação. Portanto, deduziremos as re-
termos de médias como as sequências de autocorrela- lações entre entrada e saída para essas quantidades.
ção ou autocovariância, para as quais a transformada As médias dos processos de entrada e saída são,
de Fourier frequentemente existe. Como discutiremos respectivamente,
nesta seção, a transformada de Fourier da sequência de
mx = E{xn}, my = E{yn}, (2.182)
autocorrelação tem uma interpretação útil em termos n n
da distribuição em frequência da potência no sinal. O em que E {·} denota o valor esperado de uma variável alea-
uso da sequência de autocorrelação e sua transformada tória. Na maior parte de nossa discussão, não será necessá-
tem outra vantagem importante: o efeito de processar rio distinguir cuidadosamente entre as variáveis aleatórias
sinais aleatórios com um sistema linear de tempo dis- xn e yn e seus valores específicos x[n] e y[n]. Isso simplifica-
creto pode ser convenientemente descrito em termos do rá significativamente a notação matemática. Por exemplo,
efeito do sistema sobre a sequência de autocorrelação. a Equação 2.182 será escrita de forma alternativa como
Na discussão a seguir, assumimos que o leitor está mx[n] = E{x[n]}, my[n] = E{y[n]}. (2.183)
familiarizado com os conceitos básicos de processos
aleatórios, como médias, funções de correlação e cova- Se x[n] for estacionário, então mx[n] é indepen-
riância, e o espectro de potência. Uma breve revisão e dente de n e será escrito como mx, com notação similar
um resumo da notação e dos conceitos são fornecidos para my[n] se y[n] for estacionário.
no Apêndice A. Uma apresentação mais detalhada da A média do processo de saída é
teoria dos sinais aleatórios pode ser encontrada em ∞
diversos textos excelentes, como Davenport (1970) e my [n] = E{y[n]} = h[k]E{x[n − k]},
Papoulis (2002), Gray e Davidson (2004), Kay (2006) k=−∞
e Bertsekas e Tsitsiklis (2008). em que usamos o fato de que o valor esperado de uma
Nosso objetivo principal nesta seção é apresentar soma é a soma dos valores esperados. Como a entrada é
um conjunto específico de resultados que serão úteis estacionária, mx[n − k] = mx e, consequentemente,
6 No restante do texto, usaremos o termo estacionário com o significado de “estacionário no sentido amplo”, isto é, de que E{x[n1]x[n2]} para todo
n1, n2 depende somente da diferença (n1 − n2). De modo equivalente, a autocorrelação é apenas uma função da diferença de tempo (n1 − n2).
Esse resultado, juntamente com a Equação 2.193 Nesse caso, notamos que a correlação cruzada en-
e o fato de que a banda ωa ≤ ω ≤ ωb pode ser arbitraria- tre entrada e saída é a convolução da resposta ao impul-
mente pequena, implica que so com a sequência de autocorrelação de entrada.
A transformada de Fourier da Equação 2.195 é
xx (ejω) ≥ 0 para todo ω. (2.194)
Logo, notamos que a função densidade de potên- yx (ejω) = H (ejω)xx (ejω). (2.196)
cia de um sinal real é real, par e não negativa. Esse resultado tem uma aplicação útil quando a
entrada é ruído branco, isto é, quando φxx[m] = σx2 δ[m].
Fazendo a substituição na Equação 2.195, notamos que
Exemplo 2.26 Ruído branco
φyx [m] = σx2 h[m]. (2.197)
O conceito de ruído branco é extremamente útil em uma Isto é, para uma entrada ruído branco com média
grande variedade de contextos no projeto e análise de
nula, a correlação cruzada entre entrada e saída de um
processamento de sinais e sistemas de comunicação. Um
sinal ruído branco é um sinal para o qual φxx[m] = σ2xδ[m]. sistema linear é proporcional à resposta ao impulso
Assumimos, neste exemplo, que o sinal tem média nula. do sistema. De modo similar, o espectro de potência de
O espectro de potência de um sinal ruído branco é uma uma entrada ruído branco é
constante, isto é,
xx (ejω) = σx2, −π ≤ ω ≤ π. (2.198)
xx (ejω) = σ2x para todo ω.
Assim, da Equação 2.196,
A potência média de um sinal ruído branco é, portanto,
yx (ejω) = σx2 H (ejω). (2.199)
1 π 1 π
φxx [0] = xx (e j ω ) dω = σx2 dω = σx2 .
2π −π 2π −π Em outras palavras, o espectro de potência cruza-
do é, neste caso, proporcional à resposta em frequência
O conceito de ruído branco também é útil na representa-
do sistema. As equações 2.197 e 2.199 podem servir de
ção de sinais aleatórios cujos espectros de potência não
são constantes com a frequência. Por exemplo, um sinal base para estimar a resposta ao impulso ou a resposta
aleatório y[n] com espectro de potência yy(ejω) pode ser em frequência de um sistema LIT se for possível ob-
considerado como a saída de um sistema LIT com uma en- servar a saída do sistema em resposta a uma entrada
trada ruído branco. Ou seja, usamos a Equação 2.190 para ruído branco. Um exemplo da aplicação é a medição
definir um sistema com resposta em frequência H(ejω) que da resposta ao impulso acústico de um teatro ou sala
satisfaça a equação de concertos.
yy(ejω) = |H (ejω)|2σx2 ,
sendo σx2 a potência média do sinal de entrada assumindo
2.11 Resumo
ruído branco. Ajustamos a potência média desse sinal de Neste capítulo, revimos e discutimos uma série de
entrada para fornecer a potência média correta para y[n]. definições básicas relacionadas aos sinais e sistemas
Por exemplo, suponha que h[n] = anu[n]. Então,
de tempo discreto. Consideramos a definição de um con-
1 junto de sequências básicas, a definição e a representa-
H (e j ω ) = ,
1 − ae− j ω ção de sistemas LIT em termos da soma de convolução
e podemos representar todos os sinais aleatórios cujos es- e algumas implicações da estabilidade e da causalidade.
pectros de potência têm a forma Mostrou-se que a classe de sistemas para os quais a en-
trada e a saída satisfazem uma equação de diferenças
2
1 σx2 linear com coeficientes constantes com condições de re-
yy (e
jω) = σx2 = .
1 − ae −j ω 2
1 + a − 2a cos ω pouso inicial é uma importante subclasse dos sistemas
LIT. A solução recursiva dessas equações de diferenças
foi discutida, e as classes de sistemas FIR e IIR, definidas.
Outro resultado importante diz respeito à correla- Um meio importante para a análise e representa-
ção cruzada entre a entrada e a saída de um sistema LIT: ção de sistemas LIT está em sua representação no do-
mínio da frequência. A resposta de um sistema a uma
φyx [m] = E{x[n]y[n + m]}
entrada exponencial complexa foi considerada, levando
∞
à definição da resposta em frequência. A relação entre
= E x[n] h[k]x[n + m − k] resposta ao impulso e resposta em frequência foi então
k=−∞
interpretada como um par transformado de Fourier.
∞
(2.195) Chamamos a atenção para muitas propriedades
= h[k]φxx [m − k]. das representações por transformada de Fourier e dis-
k=−∞
cutimos uma série de pares transformados de Fourier
úteis. As tabelas 2.1 e 2.2 resumem as propriedades e os 2.6. (a) Determine a resposta em frequência H(ejω) do sis-
teoremas, e a Tabela 2.3 contém alguns pares transfor- tema LIT cuja entrada e saída satisfazem a equação
mados de Fourier úteis. de diferenças
O capítulo foi concluído com uma introdução aos y[n] − 21 y[n − 1] = x[n] + 2x[n − 1] + x[n − 2].
sinais aleatórios de tempo discreto. Essas ideias e resul-
tados básicos serão mais desenvolvidos e utilizados em (b) Escreva uma equação de diferenças que caracterize
um sistema cuja resposta em frequência seja
capítulos posteriores.
1 − 21 e− j ω + e− j 3ω
Problemas H (e j ω ) =
1 + 21 e− j ω + 43 e− j 2ω
.
2.12. Considere um sistema com entrada x[n] e saída y[n] que (a) O sistema total é LIT?
satisfaça a equação de diferenças (b) O sistema total é causal?
(c) O sistema total é estável no sentido BIBO?
y[n] = ny[n − 1] + x[n].
2.16. Considere a seguinte equação de diferenças:
O sistema é causal e satisfaz as condições de repouso ini-
cial; isto é, se x[n] = 0 para n < n0, então y[n] = 0 para n 1 1
y[n] − y[n − 1] − y[n − 2] = 3x[n].
< n0. 4 8
(a) Se x[n] = δ[n], determine y[n] para todo n.
(a) Determine a forma geral da solução homogênea
(b) O sistema é linear? Justifique sua resposta. dessa equação de diferenças.
(c) O sistema é invariante no tempo? Justifique sua (b) Um sistema LIT causal e um sistema LIT anticausal
resposta.
são caracterizados por essa equação de diferenças.
2.13. Indique quais dos seguintes sinais de tempo discreto são Encontre as respostas ao impulso dos dois sistemas.
autofunções de sistemas de tempo discreto LIT estáveis:
(c) Mostre que o sistema LIT causal é estável e que o
(a) ej2πn/3
sistema LIT anticausal é instável.
(b) 3n
(d) Encontre uma solução particular para a equação de
(c) 2nu[−n − 1]
diferenças quando x[n] = (1/2)nu[n].
(d) cos(ω0n)
2.17. (a) Determine a transformada de Fourier da sequência
(e) (1/4)n
(f) (1/4)nu[n] + 4nu[−n − 1]. 1, 0 ≤ n ≤ M,
r[n] =
2.14. Uma única relação entrada-saída é dada para cada um 0, caso contrário.
dos três sistemas a seguir:
(a) Sistema A: x[n] = (1/3)n, y[n] = 2(1/3)n. (b) Considere a sequência
(b) Sistema B: x[n] = (1/2)n, y[n] = (1/4)n.
1 2π n
(c) Sistema C: x[n] = (2/3)n u[n], y[n] = 4(2/3)n u[n] − 1 − cos , 0 ≤ n ≤ M,
w[n] = 2 M
3(1/2)n u[n].
0, caso contrário.
Com base nessa informação, escolha a conclusão mais
forte possível a que você pode chegar sobre cada sistema Esboce w[n] e expresse W(ejω), a transformada de
a partir da seguinte lista de afirmações: Fourier de w[n], em termos de R(ejω), a transfor-
(i) Não é possível que o sistema seja LIT. mada de Fourier de r[n]. (Dica: Primeiro, expresse
(ii) O sistema deve ser LIT. w[n] em termos de r[n] e das exponenciais comple-
(iii) O sistema pode ser LIT, e há somente um sistema xas ej(2πn/M) e e–j (2πn/M).)
LIT que satisfaz essa restrição de entrada-saída. (c) Esboce a magnitude de R(ejω) e W(ejω) para o caso
(iv) O sistema pode ser LIT, mas não pode ser unica- em que M = 4.
mente determinado a partir da informação de en- 2.18. Para cada uma das seguintes respostas ao impulso de sis-
trada-saída fornecida. temas LIT, indique se o sistema é ou não causal:
Se você escolheu a opção (iii) dessa lista, especifique ou (a) h[n] = (1/2)nu[n]
a resposta ao impulso h[n] ou a resposta em frequência (b) h[n] = (1/2)nu[n − 1]
H(ejω) para o sistema LIT. (c) h[n] = (1/2)|n|
2.15. Considere o sistema ilustrado na Figura P2.15. A saída (d) h[n] = u[n + 2] – u[n − 2]
de um sistema LIT com uma resposta ao impulso h[n] = (e) h[n] = (1/3)nu[n] + 3nu[−n − 1].
n
1 2.19. Para cada uma das seguintes respostas ao impulso de sis-
u[n + 10] é multiplicada por uma função de degrau
4 temas LIT, indique se o sistema é estável ou não:
unitário u[n] para gerar a saída total do sistema. Respon-
(a) h[n] = 4nu[n]
da a cada uma das seguintes perguntas, com uma breve
justificativa de suas respostas: (b) h[n] = u[n] – u[n − 10]
(c) h[n] = 3nu[−n − 1]
(d) h[n] = sen(πn/3)u[n]
u [n]
(e) h[n] = (3/4)|n| cos(πn/4 + π/4)
(f) h[n] = 2u[n + 5] – u[n] – u[n − 5].
h[n] = (1/4)nu[n + 10] 2.20. Considere a equação de diferenças que representa um
x[n] v [n] y [n] sistema LIT causal:
y[n] + (1/a)y[n − 1] = x[n − 1].
Figura P2.15
(a) Encontre a resposta ao impulso do sistema, h[n], 2.24. Considere um sistema linear arbitrário com entrada x[n]
em função da constante a. e saída y[n]. Mostre que, se x[n] = 0 para todo n, então
(b) Para que faixa de valores de a o sistema será estável? y[n] também deverá ser zero para todo n.
2.25. Considere um sistema para o qual a entrada x[n] e a saí-
Problemas básicos da y[n] satisfazem a relação a seguir.
2.21. Um sinal de tempo discreto x[n] é mostrado na Figura 8y[n] + 2y[n − 1] − 3y[n − 2] = x[n] (P2.25-1)
P2.21.
(a) Para x[n] = δ[n], mostre que uma sequência par-
1 x[n] ticular que satisfaz a equação de diferenças é
1
3 − 3 n u[n] + 1 1 n u[n].
yp [n] = 40
2 4 20 2
Sistema A: n n
1 1
Sistema A
2 4
Sistema B:
π π
cos n Sistema B 3j sen n
3 3
Sistema C:
n n n
1 1 1 1
u[n] Sistema C −6 u[ − n − 1] − 6 u[n]
5 5 2 3
Figura P2.26
2.27. Para cada um dos sistemas na Figura P2.27, escolha a o sistema é LIT. Qual é h[n], a resposta ao impulso
conclusão válida mais forte a que você possa chegar so- do sistema?
bre cada sistema, a partir da seguinte lista de afirmações: (d) Suponha que (1) seja o par entrada-saída de um
(i) O sistema deve ser LIT, e é unicamente especifica- sistema LIT S3. Qual é a saída desse sistema para a
do pela informação dada. entrada na Figura P2.28-2?
(ii) O sistema deve ser LIT, mas não pode ser unica-
2 2 2
mente determinado pela informação dada.
(iii) O sistema poderia ser LIT e, se for, a informação 1 1
dada especifica unicamente o sistema.
(iv) O sistema poderia ser LIT, mas não pode ser unica- 0 1 2 3 4
mente determinado pela informação dada.
(v) O sistema não pode de forma alguma ser LIT. Figura P2.28-2
δ[n]
n
2ej 4 u[n] 2.29. Um sistema LIT tem resposta ao impulso definida por
Sistema A 0 n< 0
1 n = 0, 1, 2, 3
n h[n] =
1
u[n] δ[n]
−2 n = 4, 5
3
0 n> 5
Sistema B
Determine e faça um gráfico da saída y[n] quando a en-
x[n] + αy[n] T(x[n]) + αT(y[n]) trada x[n] é:
Sistema C (a) u[n]
(b) u[n − 4]
(c) u[n] – u[n − 4].
Para todas as escolhas de x[n], y[n] e a constante α 2.30. Considere uma associação em cascata de dois sistemas
LIT na Figura P2.30:
1
cos 3n
π
3 cos 3n
π
+ 2 sen 2n+ 5
π π
(a) Determine e esboce w[n] se x[n] = (−1)nu[n]. De-
Sistema D termine também a saída total y[n].
(b) Determine e esboce a resposta ao impulso total do
x[n] y[n] = 0,2y[n + 1] + x[n] sistema em cascata; isto é, faça um gráfico da saída
y[n] = h[n] quando x[n] = δ[n].
Sistema E
(c) Agora, considere a entrada x[n] = 2δ[n] + 4δ[n − 4]
− 2δ[n − 12]. Esboce w[n].
Figura P2.27 (d) Para a entrada do item (c), escreva uma expressão
2.28. Quatro pares de entrada-saída de um sistema S em par- para a saída y[n] em termos da resposta ao impulso
ticular são especificados na Figura P2.28-1: total h[n] como definida no item (b). Faça um esbo-
ço cuidadoso de sua resposta e coloque escala.
2 2.31. Se a entrada e a saída de um sistema LIT causal satisfize-
(1) 1 1 1 1 1
rem a equação de diferenças
S
0 1 2 0 1 2 3 4 y[n] = ay[n − 1] + x[n],
(2) 1 1 1
2
1
então a resposta ao impulso do sistema deverá ser h[n]
S = anu[n].
0 1 2 0 1 2 3 4 5 (a) Para quais valores de a esse sistema é estável?
(b) Considere um sistema LIT causal para o qual a en-
(3) 1 1 1 1 1 1
trada e a saída sejam relacionadas pela equação de
S diferenças
0 1 2 0 1 2 3 4 5
y[n] = ay[n − 1] + x[n] − aN x[n − N],
(4) 1 1 1
sendo N um inteiro positivo. Determine e esboce a res-
S
posta ao impulso desse sistema. Dica: Use a linearida-
0 0 1 2 3 4 5
de e a invariância no tempo para simplificar a solução.
(c) O sistema no item (b) é um sistema FIR ou IIR?
Figura P2.28-1
Explique.
(d) Para que valores de a o sistema no item (b) é está-
(a) O sistema S pode ser invariante no tempo? Explique.
vel? Explique.
(b) O sistema S pode ser linear? Explique.
2.32. Para X(ejω) = 1/(1 − ae−jω), com −1 < a < 0, determine e
(c) Suponha que (2) e (3) sejam pares de entrada-saída
esboce os itens a seguir em função de ω:
de um sistema S2 em particular e que saibamos que
(a) Re{X(ejω)}
(b) Im{X(ejω)}
Sistema Sistema
LIT 1 LIT 2
x [n] h1[n] w[n] h2[n] y[n]
h1[n] h2[n]
1 1
0 3 n −3 0 n
Figura P2.30
2.36. Um sistema de tempo discreto LIT tem resposta em fre- (c) Use qualquer meio conveniente para determinar a
quência dada por resposta ao impulso h[n] do sistema em cascata total.
2.38. Considere a cascata de dois sistemas LIT mostrada na
(1 − j e −j ω) (1 + j e −j ω ) 1 + e−j 2ω
H (e j ω) = = Figura P2.38.
1 − 0,8e−j ω 1 − 0,8e−j ω As respostas ao impulso dos dois sistemas são:
1 e−j 2ω
= −j
+ . 1 0≤n≤4
1 − 0,8e ω 1 − 0,8e−j ω h1 [n] = u[n − 5] e h2 [n] =
0 caso contrário.
(a) Use uma das formas da resposta em frequência
acima para obter uma equação para a resposta ao (a) Faça um esboço mostrando tanto h2[k] quanto
impulso h[n] do sistema. h1[n − k] (para algum n < 0 qualquer arbitrário) em
função de k.
(b) A partir da resposta em frequência, determine a
equação de diferenças que é satisfeita pela entrada (b) Determine h[n] = h1[n] * h2[n], a resposta ao im-
x[n] e pela saída y[n] do sistema. pulso do sistema total. Dê sua resposta como uma
equação (ou conjunto de equações) que defina h[n]
(c) Se a entrada desse sistema for
para −∞ < n < ∞ ou como um gráfico de h[n] com
x[n] = 4 + 2 cos(ω0n) para − ∞ < n < ∞, as escalas colocadas cuidadosamente, em um inter-
para que valor de ω0 a saída será da forma valo suficiente para defini-la completamente.
y[n] = A = constante 2.39. Usando a definição de linearidade [equações 2.23(a)-
-2.23(b)], mostre que o sistema atraso ideal (Exemplo
para −∞ < n < ∞? Qual o valor da constante A?
2.2) e o sistema média móvel (Exemplo 2.3) são ambos
2.37. Considere a cascata de sistemas de tempo discreto LIT
sistemas lineares.
mostrada na Figura P2.37.
2.40. Determine qual dos seguintes sinais é periódico. Se um
O primeiro sistema é descrito pela resposta em frequência
sinal for periódico, determine seu período.
0 |ω| ≤ 0,25π (a) x[n] = ej(2πn/5)
H1 (e j ω ) = e−j ω (b) x[n] = sen(πn/19)
1 0,25π < |ω| ≤ π
(c) x[n] = nejπn
e o segundo sistema é descrito por
(d) x[n] = ejn.
sen(0,5πn) 2.41. Considere um sistema LIT com |H(ejω)| = 1, e seja
h2 [n] = 2 arg[H(ejω)] como mostrado na Figura P2.41. Se a en-
πn
trada é
(a) Determine uma equação que defina a resposta em
frequência, H(ejω), do sistema total no intervalo 3π π
x[n] = cos n+ ,
−π ≤ ω ≤ π. 2 4
(b) Esboce a magnitude, |H(ejω)|, e a fase, ∠H(ejω), da
resposta em frequência total no intervalo −π ≤ ω ≤ determine a saída y[n].
π.
Sistema Sistema
x[n] w[n] y[n]
LIT 1 LIT 2
h1 [n], H1 (ej ω ) h2 [n], H2 (ej ω )
Figura P2.37
Sistema Sistema
x[n] w[n] y[n]
LIT 1 LIT 2
h1 [n] h2 [n]
Figura P2.38
arg[H (e j)] 3 3
2 2
5/6
1 1
... −5 −4 −3 −2 −1 0 1 2 ... n
/2
Inclinação = – 1/3
3
–
2
1
– /2 Inclinação = – 1/3
−4 −2 0
... ... n
−5 −3 −1 1 2
−1
–5/6
−2
−3
Figura P2.41
A entrada x[n] é
x[n] T y[n] x[n] = cos(0,4πn) + sen(0,6πn) + 5δ[n − 2] + 2u[n].
Determine a saída total y[n].
Figura P2.43 (Raciocinando de forma cuidadosa, você será capaz de
usar as propriedades dos sistemas LIT para escrever a
Expresse y[n] em termos de g[n] e x[n]. resposta por inspeção.)
2.44. X(ejω) denota a transformada de Fourier do sinal com- 2.46. O par TFTD
plexo x[n], para o qual as partes real e imaginária são 1
a n u[n] ⇐⇒ |a| < 1(P2.46-1)
dadas na Figura P2.44. (Nota: A sequência é nula fora do 1 − ae−j ω
intervalo mostrado.) é dado.
Sistema Sistema
LIT 1 LIT 2
x [n] h1[n], H1(e jω) w[n] h2[n], H2(e jω) y[n]
Figura P2.45
(a) Usando a Equação P2.46-1, determine a TFTD, 2.49. Sabe-se que o sistema L na Figura P2.49 é linear. São
X(ejω), da sequência mostrados três sinais de saída y1[n], y2[n] e y3[n] em res-
posta aos sinais de entrada x1[n], x2[n] e x3[n], respecti-
−bn n ≤ −1 vamente.
x[n] = −bn u[−n − 1] =
0 n ≥ 0. (a) Determine se o sistema L poderia ser invariante no
tempo.
Que restrição sobre b é necessária para que a TFTD
de x[n] exista? (b) Se a entrada x[n] do sistema L é δ[n], qual é a res-
posta y[n] do sistema?
(b) Determine a sequência y[n] cuja TFTD é
2.50. Na Seção 2.5, enunciamos que a solução para a equação
2e−j ω de diferenças homogênea
Y (e j ω) = .
1 + 2e−j ω
N
2.47. Considere o “sinal cosseno janelado” akyh [n − k] = 0
k=0
x[n] = w[n] cos(ω0n).
é da forma
(a) Determine uma expressão para X(ejω) em termos
de W(ejω). N
(b) Suponha que a sequência w[n] seja a sequência de yh [n] = n,
A mz m
(P2.50-1)
comprimento finito m= 1
x1 [n] 3 y1 [n]
2 T 2
1
0 1 n 0 1 2 n
4
x2 [n] y2 [n]
2 T 2
0 1 n 0 1 2 3 n
x3 [n] 3 y3 [n]
T 2
1
0 1 2 3 4 n –2 –1 0 n
Figura P2.48
3 3 y1 [n]
x1 [n]
1 1
–1 1 –1
L
0 n 0 1 2 3 n
–1
–2 –2
x2 [n] y2 [n]
1 1
–1 –1 1 2 3
L
0 n 0 n
–1 –1
–2
–3
x3 [n] y3 [n]
2 2
1 1 1
0
L
0 1 n –2 –1 1 2 n
–3
Figura P2.49
(a) Determine a resposta ao impulso h[n] do sistema total. 2.58. Um sistema LIT é descrito pela relação entrada-saída
(b) Determine a resposta em frequência do sistema total.
y[n] = x[n] + 2x[n − 1] + x[n − 2].
(c) Especifique uma equação de diferenças que rela-
cione a saída y[n] à entrada x[n]. (a) Determine h[n], a resposta ao impulso do sistema.
(d) Esse sistema é causal? Sob que condição o sistema (b) Esse é um sistema estável?
seria estável? (c) Determine H(ejω), a resposta em frequência do sis-
2.55. Seja X(ejω) a transformada de Fourier do sinal x[n] mos- tema. Use identidades trigonométricas para obter
trado na Figura P2.55. Faça os seguintes cálculos sem de- uma expressão simples para H(ejω).
terminar X(ejω) explicitamente: (d) Esboce a magnitude e a fase da resposta em frequência.
(a) Calcule X(ejω)|ω=0. (e) Agora, considere um novo sistema cuja resposta
(b) Calcule X(ejω)|ω=π. em frequência seja H1(ejω) = H(ej(ω+π)). Determine
(c) Encontre ∠X(ejω). h1[n], a resposta ao impulso do novo sistema.
(d) Calcule −ππ
X(ej ω ) dω. 2.59. Considere que o sinal de tempo discreto real x[n] com
(e) Determine e esboce o sinal cuja transformada de transformada de Fourier X(ejω) seja a entrada de um sis-
Fourier é X(e−jω). tema com a saída definida por
(f) Determine e esboce o sinal cuja transformada de x[n], se n for par,
Fourier é Re{X(ejω)}. y[n] =
0, caso contrário.
2.56. Para o sistema da Figura P2.56, determine a saída y[n]
quando a entrada x[n] for δ[n] e H(ejω) for um filtro pas- (a) Esboce o sinal de tempo discreto s[n] = 1 + cos(πn)
sa-baixas ideal, como indicado, isto é, e sua transformada de Fourier (generalizada) S(ejω).
(b) Expresse Y(ejω), a transformada de Fourier da saí-
1, |ω| < π/2, da, em função de X(ejω) e S(ejω).
H (e j ω) =
0, π/2 < |ω| ≤ π. (c) Suponha que seja de interesse aproximar x[n] pelo si-
2.57. Uma sequência tem a TFTD nal interpolado w[n] = y[n] + (1/2)(y[n + 1] + y[n − 1]).
Determine a transformada de Fourier W(ejω) em fun-
1 − a2 ção de Y(ejω).
X (e j ω ) = , |a| < 1. (d) Esboce X(ejω), Y(ejω) e W(ejω) para o caso em que
(1 − ae− j ω) (1 − ae j ω )
x[n] = sen(πn/a)/(πn/a) e a > 1. Sob que condições o
(a) Encontre a sequência x[n]. sinal interpolado proposto w[n] é uma boa aproxi-
(b) Calcule 1/2π −ππ X (e j ω ) cos(ω)dω. mação para o x[n] original?
2 2 2 2
x [n]
1 1
–3 7
–2 –1 0 1 2 3 4 5 6 8 n
–1 –1
Figura P2.55
(–1) nw [n]
w [n] (–1) n
H(e j) +
x [n] y[n]
H(e j)
1
...
–2 – 2
–
2 2
Figura P2.56
2.60. Considere um sistema LIT de tempo discreto com res- (c) O sistema S é estável? Justifique sua resposta.
posta em frequência H(ejω) e resposta ao impulso corres- (d) Especifique um sistema C tal que o diagrama de
pondente h[n]. blocos na Figura P2.63-2 represente um modo al-
(a) Primeiro, são dadas as três informações a seguir so- ternativo de expressar a relação entrada-saída do
bre o sistema: sistema S. (Nota: O sistema C não precisa ser um
(i) O sistema é causal. sistema LIT.)
(ii) H(ejω) = H*(e−jω).
(iii) A TFTD da sequência h[n + 1] é real. x [n] h [n]e j 0 n C y[n]
Usando essas três informações, mostre que o siste-
ma tem uma resposta ao impulso de duração finita.
(b) Além dessas três informações, agora recebemos Figura P2.63-2
mais duas informações:
1 π 2.64. Considere um filtro passa-baixas ideal com resposta ao
(iv)
(iv) H (e j ω)dω = 2. impulso hlp[n] e resposta em frequência
2π −π
(v) H (ejπj π) =
(v) H(e )=0. 0. 1, |ω| < 0,2π,
H lp (e j ω ) =
Existe informação suficiente para identificar unica- 0, 0,2π ≤ |ω| ≤ π.
mente o sistema? Se houver, determine a resposta
ao impulso h[n]. Se não, especifique o máximo que (a) Um novo filtro é definido pela equação h1[n] = (−1)n
você puder sobre a sequência h[n]. hlp[n] = ejπnhlp[n]. Determine uma equação para a
2.61. Considere as três sequências resposta em frequência de H1(ejω) e faça um grá-
fico dessa equação para |ω| < π. Que tipo de filtro
v[n] = u[n] − u[n − 6], é esse?
w[n] = δ[n] + 2δ[n − 2] + δ[n − 4],
(b) Um segundo filtro é definido pela equação h2[n] =
2hlp[n] cos(0,5πn). Determine a equação para a res-
q[n] = v[n] ∗ w[n]. posta em frequência H2(ejω) e esboce essa equação
(a) Encontre e esboce a sequência q[n]. para |ω| < π. Que tipo de filtro é esse?
(b) Encontre e esboce a sequência r[n] tal que (c) Um terceiro filtro é definido pela equação
n−1
sen(0,1πn)
r[n] ∗ v[n] = q[k]. h3 [n] = hlp [n].
πn
k=−∞
(c) É verdadeiro que q[−n] = v[−n] * w[−n]? Justifique Determine a equação para a resposta em frequência
sua resposta. H3(ejω) e esboce a equação para |ω| < π. Que tipo de fil-
2.62. Considere um sistema LIT com resposta em frequência tro é esse?
H(ejω) = e−j [(ω/2) + (π/4)], −π < ω ≤ π. 2.65. O sistema LIT
Determine y[n], a saída desse sistema, se a entrada for −j, 0 < ω < π,
H (e j ω ) =
j, −π < ω < 0,
15πn π
x[n] = cos −
4 3 é chamado de deslocador de fase 90º e é usado para
para todo n. gerar o que é conhecido como um sinal analítico w[n],
como mostrado na Figura P2.65-1. Especificamente, um
2.63. Considere um sistema S com entrada x[n] e saída y[n]
relacionadas de acordo com o diagrama de blocos da Fi- sinal analítico w[n] é um sinal complexo para o qual
gura P2.63-1. Re{w[n]} = x[n],
5 X 1 (e j ω ) = A 1 (ω)e j θ 1 (ω),
0 n X 2 (e j ω ) = A 2 (ω)e j θ 2 (ω),
2 2 x1[n]
1 1
–1 0 3 4
–3 –2 1 2 5 6 n
–1 –1
–4 –4
4 4 x2[n]
2 2
1 1
–1 4 5 6 8 9
–4 –3 –2 0 1 2 3 –1 –1 7 10 n
–2 –2
–4 –4
Figura P2.72
Sistema Sistema
LIT Sistema Sistema
LIT
de reflexão de reflexão
x[n] h1[n] e[n] f [n] h1[n] g [n] y [n]
no tempo no tempo
H1(e j) H1(e j)
Figura P2.73
2.74. Pode-se mostrar que o sistema total na caixa tracejada 2.75. Na Figura P2.75-1 são mostradas as relações entrada-saí-
na Figura P2.74 é linear e invariante no tempo. da dos sistemas A e B, enquanto a Figura P2.75-2 contém
(a) Determine uma expressão para H(ejω), a resposta duas possíveis associações em cascata desses sistemas.
em frequência do sistema total da entrada x[n] até
a saída y[n], em termos de H1(ejω), a resposta em xA [n] Sistema A yA [n] = xA [–n]
frequência do sistema LIT interno. Lembre-se de
que (−1)n = ejπn.
(b) Faça um gráfico de H(ejω) para o caso em que a res-
xB [n] Sistema B yB [n] = xB [n + 2]
posta em frequência do sistema LIT interno seja
Sistema LIT
causal x2[n] Sistema B Sistema A w2[n]
x [n] v[n] h1[n] w[n] y [n]
Se x1[n] = x2[n], w1[n] e w2[n] serão necessariamente iguais?
Figura P2.74 Se a sua resposta for sim, explique clara e concisamente por
que e demonstre com um exemplo. Se a sua resposta for
não necessariamente, demonstre com um contraexemplo.
2.76. Considere o sistema da Figura P2.76, em que os subsiste- 2.78. Considere que H(ejω) denote a resposta em frequência
mas S1 e S2 são LIT. de um sistema LIT com resposta ao impulso h[n], sendo
h[n], em geral, complexa.
(a) Usando a Equação 2.104, mostre que H*(e−jω) é a
y1[n] resposta em frequência de um sistema com resposta
S1
ao impulso h*[n].
(b) Mostre que, se h[n] é real, a resposta em frequência
x [n] y [n] é simétrica conjugada, isto é, H(e−jω) = H*(ejω).
2.79. Considere que X(ejω) denote a transformada de Fourier
S2
y2[n] de x[n]. Usando as equações de síntese ou análise da
transformada de Fourier (equações 2.130 e 2.131), mos-
tre que
Figura P2.76 (a) a transformada de Fourier de x*[n] é X*(e−jω),
(b) a transformada de Fourier de x*[−n] é X*(ejω).
(a) O sistema total delimitado pela caixa tracejada, 2.80. Mostre que, para x[n] real, a propriedade 7 na Tabela 2.1
com entrada x[n] e saída y[n] igual ao produto de segue da propriedade 1 e que as propriedades 8-11 se-
y1[n] e y2[n], é garantidamente um sistema LIT? guem da propriedade 7.
Em caso positivo, explique seu raciocínio. Se não, 2.81. Na Seção 2.9, enunciamos uma série de teoremas da
forneça um contraexemplo. transformada de Fourier sem prova. Usando as equações
(b) Suponha que S1 e S2 tenham respostas em frequên- de síntese ou análise de Fourier (equações 2.130 e 2.131),
cia H1(ejω) e H2(ejω) que sabe-se serem nulas em demonstre a validade dos teoremas 1-5 na Tabela 2.2.
certas regiões. Sejam 2.82. Na Seção 2.9.6, argumentou-se intuitivamente que
(a) Determine uma expressão para ff (ejω), o espectro (c) Determine uma expressão para gg(ejω), o espectro
de potência de f [n], e faça um gráfico dessa expres- de potência de g[n], e faça um gráfico dessa expres-
são para −2π < ω < 2π. são para −2π < ω < 2π .
(b) Determine uma expressão para φff [m], a função de (d) Determine uma expressão para σg2 , a potência mé-
autocorrelação de f [n]. dia da saída.
te. Uma motivação para a introdução dessa generali- X (z) = x[n]z−n . (3.5)
zação é que a transformada de Fourier não converge n=0
para todas as sequências, e é útil ter uma generalização Claramente, as transformadas bilaterais e unilate-
da transformada de Fourier que abranja uma classe rais são idênticas se x[n] = 0 para n < 0, mas, caso con-
mais ampla de sinais. Uma segunda vantagem é que, trário, são diferentes. Damos uma breve introdução às
em problemas analíticos, a notação da transformada z propriedades da transformada z unilateral na Seção 3.6.
é muitas vezes mais conveniente do que a notação da Comparando as equações 3.1 e 3.2 fica evidente
transformada de Fourier. que existe uma relação próxima entre a transformada
de Fourier e a transformada z. Em particular, se subs-
3.1 Transformada z tituirmos a variável complexa z na Equação 3.2 pela
quantidade complexa ejω, então a transformada z se re-
A transformada de Fourier de uma sequência x[n]
duz à transformada de Fourier. Essa é a motivação para
foi definida no Capítulo 2 como
a notação X(ejω) para a transformada de Fourier. Quan-
∞
do existe, a transformada de Fourier é simplesmente
X(e j ω) = x[n]e−j ωn . (3.1)
X(z) com z = ejω. Isso corresponde a restringir z a ter
n=−∞
magnitude unitária; isto é, para |z| = 1, a transformada
A transformada z de uma sequência x[n] é defini-
z corresponde à transformada de Fourier. De modo ge-
da como
ral, podemos expressar a variável complexa z em forma
∞
polar, como
X(z) = x[n]z−n . (3.2)
n=−∞ z = re j ω.
Essa equação é, em geral, uma soma infinita, ou
Com z expressa dessa forma, a Equação 3.2 torna-se
uma série de potências infinita, sendo z considerada uma
∞
variável complexa. Às vezes, é útil considerar a Equação
3.2 como um operador que transforma uma sequência X(re j ω) = x[n](re j ω)−n ,
n=−∞
em uma função. Ou seja, o operador da transformada z
Z{·}, definido como ou
∞ ∞
jω
Z{x[n]} = x[n]z −n
= X(z), (3.3) X(re ) = (x[n]r −n )e−j ωn . (3.6)
n=−∞ n=−∞
transforma a sequência x[n] em uma função X(z), sendo A Equação 3.6 pode ser interpretada como a
z uma variável complexa contínua. A correspondência transformada de Fourier do produto da sequência ori-
ginal x[n] e da sequência exponencial r−n. Para r = 1, a em valor absoluto, a transformada de Fourier converge
Equação 3.6 se reduz à transformada de Fourier de x[n]. para uma função contínua de ω. Aplicar esse critério à
Como a transformada z é uma função de uma va- Equação 3.6 leva à condição
riável complexa, é conveniente descrevê-la e interpretá- ∞
-la usando o plano z complexo. No plano z, o contorno |X(re j ω )| ≤ |x[n]r −n | < ∞ (3.7)
correspondente a |z| = 1 é uma circunferência de raio n=−∞
unitário, como ilustrado na Figura 3.1. Esse contorno, para a convergência da transformada z. A partir da
chamado de circunferência unitária, é o conjunto de Equação 3.7, segue-se que, graças à multiplicação da se-
pontos z = ejω para 0 ≤ ω < 2π. A transformada z cal- quência pela exponencial real r−n, é possível que a trans-
culada sobre a circunferência unitária corresponde à formada z convirja mesmo que a transformada de Fou-
transformada de Fourier. Note que ω é o ângulo entre o rier (r = 1) não convirja. Por exemplo, a sequência x[n] =
vetor da origem até um ponto z na circunferência uni- u[n] não é somável em valor absoluto e, portanto, a série
tária e o eixo real do plano z complexo. Se calculamos de potências da transformada de Fourier não converge
X(z) em pontos da circunferência unitária no plano z, em valor absoluto. Porém, r−nu[n] é somável em valor
começando em z = 1 (isto é, ω = 0), passando por z = absoluto se r > 1. Isso significa que a transformada z
j (isto é, ω = π/2) até z = −1 (isto é, ω = π), obtemos a para o degrau unitário existe com uma RDC r = |z| > 1.
transformada de Fourier para 0 ≤ ω ≤ π. Continuar em A convergência da série de potências da Equação
torno da circunferência unitária corresponderia a obter 3.2 para determinada sequência depende somente de
a transformada de Fourier de ω = π até ω = 2π, ou, de |z|, pois |X(z)| < ∞ se
modo equivalente, de ω = −π a ω = 0. No Capítulo 2, a ∞
transformada de Fourier é mostrada em um eixo linear |x[n]|| z|−n < ∞, (3.8)
de frequências. A interpretação da transformada de n=−∞
Fourier como a transformada z na circunferência uni-
isto é, a RDC da série de potências na Equação 3.2 con-
tária no plano z corresponde conceitualmente a enrolar
siste em todos os valores de z tal que a desigualdade
o eixo linear de frequências em torno da circunferência
na Equação 3.8 seja válida. Assim, se algum valor de z,
unitária com ω = 0 em z = 1 e ω = π em z = −1. Com essa
digamos, z = z1, estiver na RDC, então todos os valo-
interpretação, a periodicidade na frequência inerente
res de z na circunferência definida por |z| = |z1| também
da transformada de Fourier é naturalmente capturada,
estarão na RDC. Como consequência disso, a RDC
pois uma mudança de ângulo de 2π radianos no plano z
consistirá em um anel no plano z centrado na origem.
corresponde a percorrer a circunferência unitária uma
Seu limite externo será uma circunferência (ou a RDC
vez retornando exatamente ao mesmo ponto.
pode se estender para fora em direção ao infinito), e
Como discutimos no Capítulo 2, a série de po- seu limite interno será uma circunferência (ou ela pode
tências que representa a transformada de Fourier não se estender para dentro e incluir a origem). Isso é ilus-
converge para todas as sequências; isto é, a soma in- trado na Figura 3.2. Se a RDC inclui a circunferência
finita pode não ser sempre finita. De modo similar, a unitária, então isso naturalmente implica convergência
transformada z não converge para todas as sequências da transformada z para |z| = 1, ou, de modo equivalente,
ou para todos os valores de z. Para qualquer sequência
dada, o conjunto de valores de z para os quais a série de
potências da transformada z converge é chamado de re- Im Plano z
gião de convergência (RDC) da transformada z. Como
enunciamos na Seção 2.7, se a sequência for somável
Im Plano z
Circunferência unitária z = e j Re
1 Re
Se |a| < 1, a transformada de Fourier de x[n] = anu[n] con- Se |a−1z| < 1 ou, de forma equivalente, |z| < |a|, a última
verge para soma na Equação 3.15 converge e, usando novamente a
1 fórmula para a soma de termos em uma série geométrica,
X(e j ω) = . (3.14)
1 − ae−j ω 1 1
X(z) = 1 − = =
Porém, se a ≥ 1, a transformada de Fourier da sequência 1 − a −1 z 1 − az−1
exponencial lateral direita não converge. z
= , |z| < |a|. (3.16)
z−a
No Exemplo 3.1, a soma infinita é igual a uma
função racional de z no interior da RDC. Para muitos O diagrama de polos e zeros e a RDC para este exemplo
são mostrados na Figura 3.4.
propósitos, essa função racional é uma representação
Note que para |a| < 1, a sequência −an u[−n −1] cresce ex-
muito mais conveniente do que a soma infinita. Vere-
ponencialmente quando n → −∞, e assim, a transformada
mos que qualquer sequência que pode ser represen- de Fourier não existe. Porém, se |a| > 1, a transformada de
tada como uma soma de exponenciais pode, de forma Fourier é
equivalente, ser representada por uma transformada z
1
racional. Essa transformada z é determinada por seus X(ej ω ) = , (3.17)
zeros e polos a menos de uma constante multiplicadora. 1 − ae−j ω
Para esse exemplo, existe um zero, em z = 0, e um polo, que é idêntica em forma à Equação 3.14. À primeira vista,
em z = a. O diagrama de polos e zeros e a RDC para isso parece violar a unicidade da transformada de Fourier.
o Exemplo 3.1 são mostrados na Figura 3.3, em que o Porém, essa ambiguidade é resolvida se lembrarmos que
símbolo “+” denota o zero e o símbolo “×”, o polo. Para a Equação 3.14 é a transformada de Fourier de an u[n] se
|a| < 1, enquanto a Equação 3.17 é a transformada de Fou-
|a| ≥ 1, a RDC não inclui a circunferência unitária, o que
rier de −an u[−n − 1] quando |a| > 1.
é consistente com o fato de que, para esses valores de
a, a transformada de Fourier da sequência exponencial-
mente crescente an u[n] não converge.
Comparando as equações 3.12 e 3.16 e as figuras
3.3 e 3.4, vemos que as sequências e, portanto, as somas
Im infinitas são diferentes; porém, as expressões algébricas
Plano z
para X(z) e os diagramas de polos e zeros correspon-
Circunferência
dentes são idênticos nos exemplos 3.1 e 3.2. As trans-
unitária
formadas z diferem apenas na RDC. Isso enfatiza a
necessidade de especificar tanto a expressão algébrica
quanto a RDC para uma transformada z bilateral de
a 1 Re
uma dada sequência. Além disso, em ambos os exem-
plos, as sequências são exponenciais e as transformadas
z resultantes são racionais. De fato, como é sugerido
ainda no próximo exemplo, X(z) é racional sempre que
x[n] for uma combinação linear de exponenciais reais
Figura 3.3 Diagrama de polos e zeros e RDC para o Exemplo 3.1. ou complexas.
Circunferência
Agora, considere
unitária
−a n n ≤ −1
x[n] = −a n u[−n − 1] =
0 n > −1.
Como a sequência é não nula somente para n ≤ −1, essa
é uma sequência lateral esquerda. A transformada z nesse a 1 Re
caso é
∞ −1
X(z) = − a n u[− n − 1]z−n = − a n z−n
n=−∞ n=−∞
(3.15)
∞ ∞
=− a −n zn = 1 − (a −1 z)n .
n=1 n=0 Figura 3.4 Diagrama de polos e zeros e RDC para o Exemplo 3.2.
Exemplo 3.3 Soma de duas sequências Para a convergência de X(z), ambas as somas na Equação
exponenciais 3.19 devem convergir, o que requer que tanto 21 z−1 < 1
Considere um sinal que é a soma de duas exponenciais quanto − 13 z−1 < 1, ou, de modo equivalente, |z| > 21 e
reais:
|z| > 13. Assim, a RDC é a região de superposição, |z| > 21. O
n n
1 1 diagrama de polos e zeros e a RDC para a transformada z
x[n] = u[n] + − u[n]. (3.18)
2 3 de cada uma das parcelas individuais e para o sinal combi-
A transformada z é nado são mostrados na Figura 3.5.
∞
1 n 1 n
X(z) = u[n] + − u[n] z−n
2 3
n=−∞
∞ ∞ Em cada um dos exemplos anteriores, começamos
1 n 1 n
= u[n]z−n + − u[n]z−n (3.19) com a definição da sequência e manipulamos cada uma
2 3
n=−∞ n=−∞ das somas infinitas em uma forma cuja soma poderia
∞ ∞
1 −1 n 1 n ser reconhecida. Quando a sequência é reconhecida
= z + − z−1
n=0
2
n=0
3 como uma soma de sequências exponenciais da forma
dos exemplos 3.1 e 3.2, a transformada z pode ser obti-
1 z−1
2 1 − 12
1 1 da de forma muito mais simples usando o fato de que o
= + =
1 − 21 z−1 1 + 13 z−1 1 − 21 z−1 1 + 13 z−1 operador transformada z é linear. Especificamente, da
definição da transformada z na Equação 3.2, se x[n] é
1
2z z − 12 a soma de duas parcelas, então X(z) será a soma das
= . (3.20)
z − 21 z + 13 transformadas z correspondentes das parcelas indivi-
duais. A RDC será a interseção das RDCs individuais,
Im Plano z Im Plano z
1 Re Re
1 –1 1
2 3
(a) (b)
Im Plano z
–1 1 1 1 Re
3 12 2
(c)
Figura 3.5 Diagrama de polos e zeros e RDC para as parcelas individuais e para a soma das parcelas nos exemplos 3.3 e 3.4. (a) 1/ (1 − 21 z −1),
|z| > 21 . (b) 1/ (1 + 13 z −1), |z| > 13 . (c) 1/ (1 − 21 z −1) + 1/ (1 + 13 z −1), |z | > 21 .
isto é, os valores de z para os quais ambas as somas in- Assim, pela linearidade da transformada z,
dividuais convergem. Já demonstramos a propriedade
da linearidade ao obter a Equação 3.19 no Exemplo 1 1 1 1
X (z) = + , < |z| e |z| < ,
3.3. No Exemplo 3.4 mostra-se como a transformada z 1 + 13 z−1 1 − 21 z−1 3 2
do Exemplo 3.3 pode ser obtida de uma maneira muito 1 z−1 1 (3.25)
2 1 − 12 2z z − 12
mais direta, expressando-se x[n] como a soma de duas = = .
sequências. 1 + 13 z−1 1 − 21 z−1 z + 13 z − 21
Nesse caso, a RDC é a região anular 13 < |z| < 21. Note que
Exemplo 3.4 Soma de duas exponenciais a função racional neste exemplo é idêntica à função racio-
(novamente) nal do Exemplo 3.4, mas a RDC é diferente neste caso. O
diagrama de polos e zeros e a RDC para este exemplo são
Novamente, seja x[n] dado pela Equação 3.18. Então, mostrados na Figura 3.6.
usando o resultado geral do Exemplo 3.1 com a = 21 e Como a RDC não contém a circunferência unitária, a se-
a = − 13, pode-se ver facilmente que as transformadas z das quência na Equação 3.24 não tem uma transformada de
Fourier.
duas parcelas individuais são
1 n Z 1 1
u[n] ←→ , |z| > , (3.21)
2 1 − 21 z−1 2
Im Plano z
1 n Z 1 1
− u[n] ←→ , |z| > , (3.22)
3 1 + 13 z−1 3
e, consequentemente,
1 n 1 n Z 1
u[n] + − u[n] ←→ + –1 1 1 Re
2 3 1 − 21 z−1 3 12 2
1 1
+ , |z| > , (3.23)
1 + 13 z−1 2
N2 Im Plano z
−n
X(z) = x[n]z (3.26) Polo de 15a ordem Circunferência unitária
n=N1
π
não tem problemas de convergência, desde que cada 8
um dos termos |x[n]z−n| seja finito. Em geral, pode não
ser possível expressar a soma de um conjunto finito de Re
parcelas em uma forma fechada, mas nesses casos isso a
pode ser desnecessário. Por exemplo, se x[n] = δ[n] +
δ[n − 5], então X(z) = 1 + z−5, que é finito para |z| > 0.
Um exemplo de um caso em que um número finito
de termos pode ser somado para produzir uma repre-
Figura 3.7 Diagrama de polos e zeros para o Exemplo 3.6 com N = 16
sentação mais compacta da transformada z é dado no
e a real tal que 0 < a < 1. A RDC nesse exemplo consiste em todos os
Exemplo 3.6.
valores de z, exceto z = 0.
a n , 0 ≤ n ≤ N − 1, 1 − a N z−N
13. |z| > 0
0, caso contrário 1 − az−1
Propriedade 6: Se x[n] é uma sequência lateral esquer- em que r = |z|. A Equação 3.30 mostra que, para um dado
da, isto é, uma sequência que é nula para n > N2 > −∞, x[n], a convergência depende somente de r = |z| (isto é,
a RDC se estende para o interior a partir do polo não não depende do ângulo de z). Note que, se a transfor-
nulo mais interno (menor magnitude) de X(z) até (e mada z converge para |z| = r0, então podemos decrescer
possivelmente incluindo) z = 0. r até que a transformada z não convirja. Esse é o valor
Propriedade 7: Uma sequência bilateral é uma se- |z| = rR tal que |x[n]|r−n cresce tão rapidamente (ou decai
quência de duração infinita que não é nem lateral di- tão lentamente) quando n S ∞, de modo que a série
reita nem lateral esquerda. Se x[n] é uma sequência não é mais somável em valor absoluto. Isso define rR. A
bilateral, a RDC consistirá em um anel no plano z, transformada z não pode convergir para r ≤ rR, pois r−n
limitado interior e exteriormente por um polo e, de crescerá ainda mais rápido. De modo similar, o limite
forma consistente com a Propriedade 3, não contendo externo rL pode ser encontrado aumentando r a partir
quaisquer polos. de r0 e considerando o que acontece quando n S −∞.
Propriedade 8: A RDC precisa ser uma região conectada. A Propriedade 2 é uma consequência do fato de
A Propriedade 1 resume a forma geral da RDC. que a Equação 3.2 se reduz à transformada de Fourier
Como discutido na Seção 3.1, ela resulta do fato de que quando |z| = 1. A Propriedade 3 segue reconhecendo‑se
a condição para convergência da Equação 3.2 é dada que X(z) é infinito em um polo e, portanto, por defini-
pela Equação 3.7, repetida aqui como ção, não converge.
∞ A Propriedade 4 segue do fato de que a transfor-
|x[n]|r −n < ∞ (3.30) mada z de uma sequência de comprimento finito é uma
n=−∞ soma finita de potências finitas de z, isto é,
a b c Re
Exemplo 3.7 Regiões de convergência não
superpostas
Um exemplo é a sequência
(a)
1 n 1 n
x[n] = u[n] − − u[−n − 1]. Im Plano z Im Plano z
2 3
Como não existe superposição entre |z| > 21 e |z| < 13, con-
cluímos que x[n] não tem representação por transformada (b) (c)
z (nem por transformada de Fourier).
Im Plano z Im Plano z
mostrado na Figura 3.8(a). Das propriedades 1, 3 e 8, Figura 3.8 Exemplos de quatro transformadas z com a mesma locali-
existem apenas quatro escolhas possíveis para a RDC. zação de polos e zeros, ilustrando as diferentes possibilidades para a
Estas são indicadas nas figuras 3.8(b), (c), (d) e (e), RDC, cada uma correspondendo a uma sequência diferente: (b) a uma
sendo cada uma delas associada a uma sequência di- sequência lateral direita, (c) a uma sequência lateral esquerda, (d) a
ferente. Especificamente, a Figura 3.8(b) corresponde uma sequência bilateral e (e) a uma sequência bilateral.
a uma sequência lateral direita, a Figura 3.8(c) a uma
sequência lateral esquerda e as figuras 3.8(d) e 3.8(e) Exemplo 3.8 Estabilidade, causalidade e a RDC
a duas sequências bilaterais diferentes. Se assumirmos,
como indicado na Figura 3.8(a), que a circunferência Considere um sistema LIT com resposta ao impulso h[n].
Conforme discutiremos com mais detalhes na Seção 3.5,
unitária se encontra entre o polo em z = b e o polo a transformada z de h[n] é chamada de função de sistema
em z = c, então o único dos quatro casos para o qual a do sistema LIT. Suponha que H(z) tenha o diagrama de
transformada de Fourier converge é aquele mostrado polos e zeros mostrado na Figura 3.9. Existem três RDCs
na Figura 3.8(e). possíveis consistentes com as propriedades 1-8 que po-
dem ser associadas a esse diagrama de polos e zeros; isto
Na representação de uma sequência por sua trans-
é, |z| < 21 , 21 < |z| < 2 e |z| > 2. Porém, se enunciamos adi-
formada z, às vezes é conveniente especificar a RDC cionalmente que o sistema é estável (ou, de modo equi-
implicitamente por uma propriedade apropriada da valente, que h[n] é somável em valor absoluto e, portanto,
sequência no domínio do tempo. Isso é ilustrado no tem uma transformada de Fourier), então a RDC precisa
Exemplo 3.8. incluir a circunferência unitária. Assim, a estabilidade do
sistema e as propriedades 1-8 implicam que a RDC é a
região 21 < |z| < 2. Note que, como consequência, h[n] é
bilateral; portanto, o sistema é não causal.
A Equação 3.40 mostra explicitamente que, para (Observe que os fatores comuns entre o numerador e o
tais funções, haverá M zeros e N polos não nulos no pla- denominador devem ser cancelados antes do cálculo das
no z finito, assumindo que a0, b0, aN e bM sejam não expressões acima para A1 e A2.) Portanto,
nulos. Além disso, haverá M – N polos em z = 0 se M >
−1 2
N ou N − M zeros em z = 0 se N > M. Em outras pala- X(z) = + .
vras, transformadas z da forma da Equação 3.39 sempre 1 − 41 z−1 1 − 21 z−1
têm o mesmo número de polos e zeros no plano z finito,
e não ocorrem polos ou zeros em z = ∞. Para obter a Como x[n] é lateral direita, a RDC para cada parcela se
estende para o exterior a partir do polo mais externo. A
expansão em frações parciais de X(z) na Equação 3.39,
partir da Tabela 3.1 e da linearidade da transformada z,
é mais conveniente notar que X(z) poderia ser expresso conclui-se então que
na forma
1 n 1 n
M x[n] = 2 u[n] − u[n] .
2 4
(1 − ckz−1 )
b0 k=1
X(z) = , (3.41)
a0 N
(1 − dkz ) −1 Claramente, o numerador que resultaria da adição
k=1 das parcelas na Equação 3.42 seria no máximo de grau
(N – 1) na variável z−1. Se M ≥ N, então um polinômio
em que os cks são os zeros não nulos de X(z) e os dks de ordem (M − N) deve ser adicionado ao membro di-
são os polos não nulos de X(z). Se M < N e os polos reito da Equação 3.42. Assim, para M ≥ N, a expansão
forem todos de primeira ordem, então X(z) pode ser em frações parciais completa tem a forma
expresso como M−N N
Ak
N
Ak X(z) = Br z−r + . (3.45)
X(z) = . (3.42) 1 − dkz−1
r=0 k=1
1 − dkz−1
k=1
Se recebemos uma função racional na forma da
Claramente, o denominador comum das frações Equação 3.39, com M ≥ N, os Br s podem ser obtidos
na Equação 3.42 é o mesmo denominador presente na pela divisão longa do numerador pelo denominador,
Equação 3.41. Multiplicar ambos os membros da Equa- com o processo de divisão terminando quando o resto
ção 3.42 por (1 − dkz−1) e calculá-los para z = dk mostra for de grau menor do que o denominador. Os Aks ainda
que os coeficientes, Ak, podem ser encontrados a partir de podem ser obtidos com a Equação 3.43.
Se X(z) tiver polos múltiplos e M ≥ N, a Equação 3.45
Ak = (1 − dkz−1 )X(z) z=d . (3.43)
k deverá sofrer mais modificações. Em particular, se X(z) ti-
ver um polo de ordem s em z = di e todos os outros polos
Exemplo 3.9 Transformada z de um sistema de forem de primeira ordem, então a Equação 3.45 torna-se
segunda ordem M−N N
Ak
X(z) = Br z−r + +
Considere uma sequência x[n] com a transformada z 1 − dkz−1
r=0 k=1,k=i
1 1 s
X(z) = , |z| > . (3.44) Cm
1 − 41 z−1 1 − 21 z−1 2 + . (3.46)
(1 − di z−1 )m
m=1
O diagrama de polos e zeros para X(z) é mostrado na Fi-
gura 3.10. A partir da RDC e da Propriedade 5, Seção 3.2,
vemos que x[n] é uma sequência lateral direita. Como os
polos são ambos de primeira ordem, X(z) pode ser expres- Im Plano z
so na forma da Equação 3.42; isto é,
A1 A2
X(z) = + .
1 − 41 z−1 1 − 21 z−1
Da Equação 3.43, 1 1 Re
1 (1 − 41 z−1 ) 4 2
A1 = 1 − z−1 X(z) = = −1,
4 z=1/4 (1 − 41 z−1 )(1 − 21 z−1 ) z=1/4
1 −1 (1 − 21 z−1 )
A2 = 1− z X(z) = =2.
2 (1 − 1 z−1 )(1 − 1 z−1 )
z=1/2 4 2 z=1/2
Os coeficientes Ak e Br são obtidos como antes. Os dendo a sequências laterais esquerdas. Polos de ordem
coeficientes Cm são obtidos a partir da equação múltipla também, da mesma maneira, são divididos em
1 ds−m
contribuições laterais esquerdas e direitas. O uso da
Cm = [(1 − di w)s X(w−1 )] . (3.47) RDC para encontrar transformadas z inversas a partir
(s − m)!(−di )s−m dws−m w=di−1
da expansão em frações parciais é ilustrado pelos exem-
A Equação 3.46 dá a forma mais geral para a ex- plos a seguir.
pansão em frações parciais de uma transformada z ra-
cional expressa em função de z−1 para o caso M ≥ N
e para di um polo de ordem s. Se houver vários polos Exemplo 3.10 Inversão por frações parciais
múltiplos, então haverá uma parcela como a tercei-
Para ilustrar o caso em que a expansão em frações parciais
ra soma na Equação 3.46 para cada polo múltiplo. Se
tem a forma da Equação 3.45, considere uma sequência
não houver polos múltiplos, a Equação 3.46 se reduz à x[n] com transformada z
Equação 3.45. Se a ordem do numerador for menor do
que a ordem do denominador (M < N), então a parcela 1 + 2z−1 + z−2
X(z) = =
polinomial desaparece das equações 3.45 e 3.46, o que 1 − 23 z−1 + 21 z−2
leva à Equação 3.42.
Deve-se notar que poderíamos ter chegado aos (1 + z−1 )2
= , |z| > 1. (3.48)
mesmos resultados supondo que a transformada z ra- 1 − 21 z−1 (1 − z−1 )
cional foi expressa em função de z em vez de z−1. Ou O diagrama de polos e zeros para X(z) é mostrado na Fi-
seja, em lugar de fatores na forma (1 − az−1), podería- gura 3.11. A partir da RDC e da Propriedade 5, Seção 3.2,
mos ter considerado fatores na forma (z − a). Isso le- fica claro que x[n] é uma sequência lateral direita. Como
varia a um conjunto de equações similares em forma M = N = 2 e os polos são todos de primeira ordem, X(z)
às equações 3.41-3.47, o que seria conveniente para uso pode ser representada como
com uma tabela de transformadas z expressas em ter- A1 A2
X(z) = B0 + + .
mos de z. Como achamos mais conveniente expressar 1 − 21 z−1 1 − z−1
a Tabela 3.1 em termos de z−1, o desenvolvimento que
seguimos é mais útil. A constante B0 pode ser calculada pela divisão longa:
Para ver como encontrar a sequência corresponden-
2
te a uma dada transformada z racional, vamos supor que 1 −2 − 3 z−1 + 1 z−2 + 2z−1 + 1
X(z) tenha apenas polos de primeira ordem, de modo 2z 2
z−2 − 3z−1 + 2
que a Equação 3.45 seja a forma mais geral da expansão
5z−1 − 1
em frações parciais. Para encontrar x[n], primeiro nota-
mos que a operação de transformada z é linear, de modo
Como o resto após um passo da divisão longa é de grau 1
que a transformada inversa das parcelas individuais pode
na variável z−1, não é necessário continuar a dividir. As-
ser encontrada e depois adicionada para formar x[n]. sim, X(z) pode ser expressa como
As parcelas Br z−r correspondem a sequências
impulso deslocadas e multiplicadas por escalar, isto é, −1 + 5z−1
X(z) = 2 + . (3.49)
parcelas na forma Brδ[n − r]. As parcelas fracionárias 1 − 21 z−1 (1 − z−1 )
correspondem a sequências exponenciais. Para decidir
se um termo
Im
Plano z
Ak
1 − dkz−1
x[n] = an (u[n] − u[n − N]) = anu[n] − anu[n − N]. Exemplo 3.14 Sequência exponencial deslocada
Tanto anu[n] quanto anu[n − N] são sequências la- Considere a transformada z
terais direitas de extensão infinita, e suas transformadas
1 1
z têm um polo em z = a. Portanto, suas RDCs indivi- X(z) = , |z| > .
duais seriam ambas |z| > |a|. Porém, como mostrado no z − 41 4
Exemplo 3.6, o polo em z = a é cancelado por um zero A partir da RDC, identificamos que ela corresponde a
em z = a, e, portanto, a RDC se estende pelo plano z uma sequência lateral direita. Primeiro, podemos reescre-
inteiro, com exceção de z = 0. ver X(z) na forma
Já exploramos a propriedade da linearidade em
z−1 1
nossa discussão anterior sobre o uso da expansão em fra X(z) = , |z| > . (3.56)
1 − 41 z−1 4
ções parciais no cálculo da transformada z inversa. Com
esse procedimento, X(z) é expandido em uma soma de Essa transformada z tem a forma da Equação 3.41 com
parcelas mais simples e, pela linearidade, a transforma- M = N = 1, e sua expansão na forma da Equação 3.45 é
da z inversa é a soma das transformadas inversas de 4
cada uma dessas parcelas. X(z) = −4 + . (3.57)
1 − 41 z−1
3.4.2 Deslocamento no tempo Da Equação 3.57, segue que x[n] pode ser expressa como
A propriedade de deslocamento no tempo é 1 n
x[n] = −4δ[n] + 4 u[n]. (3.58)
Z 4
x[n − n0 ] ←→ z−n0 X(z),
RDC = Rx (exceto pela possível adição Uma expressão para x[n] pode ser obtida mais diretamen-
ou exclusão de z = 0 ouz = ∞). te aplicando a propriedade do deslocamento no tempo.
Primeiro, X(z) pode ser escrito como
1 1
A quantidade n0 é um inteiro. Se n0 for positivo, a X(z) = z−1 , |z| > . (3.59)
sequência original x[n] é deslocada para a direita, e se 1 − 41 z−1 4
n0 for negativo, x[n] é deslocada para a esquerda. Assim
Da propriedade do deslocamento no tempo, reconhece-
como no caso da linearidade, a RDC pode ser modifica- mos que o fator z−1 na Equação 3.59 está associado a um
da, pois o fator z−n0 pode alterar o número de polos em deslocamento no tempo de uma amostra para a direita da
z = 0 ou z = ∞. n
sequência 1 u[n]; isto é,
4
A dedução dessa propriedade segue diretamente
da expressão da transformada z na Equação 3.2. Espe- 1 n−1
x[n] = u[n − 1]. (3.60)
cificamente, se y[n] = x[n − n0], a transformada z corres- 4
pondente é
É fácil verificar que as equações 3.58 e 3.60 são as mesmas
∞ para todos os valores de n; isto é, elas representam a mes-
Y (z)= x[n − n0 ]z−n . ma sequência.
n=−∞
Então, usando a Equação 3.61 e a propriedade da multi- A transformada inversa da Equação 3.64 pode ser obtida
plicação exponencial, vemos que pelo uso conjunto do par de transformada z do Exemplo
3.1, da propriedade da linearidade e da propriedade do
1
1 jω 0 n Z 2 deslocamento no tempo. Especificamente, podemos ex-
(re ) u[n] ←→ , |z| > r,
2 1 − rej ω 0 z−1 pressar nx[n] como
1 −j ω 0 n Z 2
1
nx[n] = a(−a)n−1 u[n − 1].
(re ) u[n] ←→ , |z| > r.
2 1 − re−j ω 0 z−1
Portanto,
an Z
Da propriedade da linearidade, segue que x[n] = (−1)n+1 u[n − 1] ←→ log(1 + az−1 ), |z| > |a|.
n
1 1
X(z) = 2 + 2 , |z| > r
1 − rej ω 0 z−1 1 − re−j ω 0 z−1
1 − r cos(ω0 )z−1 (3.63) O resultado do Exemplo 3.16 será útil em nossa
= , |z| > r. discussão de cepstrum, no Capítulo 13.
1 − 2r cos(ω0 )z−1 + r 2 z−2
Exemplo 3.17 Polo de segunda ordem Exemplo 3.18 Sequência exponencial refletida no
tempo
Como outro exemplo do uso da propriedade da diferen-
ciação, determinaremos a transformada z da sequência Como um exemplo do uso da propriedade de reflexão no
x[n] = na n u[n] = n(a n u[n]). tempo, considere a sequência
x[n] = a −n u[−n],
Do par de transformada z do Exemplo 3.1 e da proprieda-
de da diferenciação, segue-se que que é uma versão refletida no tempo de anu[n]. Da pro-
d 1 priedade de reflexão no tempo, segue-se que
X(z) = −z , |z| > |a|
dz 1 − az−1
1 −a −1 z−1
X(z) = = , |z| < |a −1 |.
az−1 1 − az 1 − a −1 z−1
= , |z| > |a|.
(1 − az−1 )2
Note que a transformada z de anu[n] tem um polo em z =
Portanto, a, enquanto X(z) tem um polo em 1/a.
Z az−1
na n u[n] ←→ , |z| > |a|.
(1 − az−1 )2
3.4.7 Convolução de sequências
De acordo com a propriedade da convolução,
Z
3.4.5 Conjugação de uma sequência complexa x1 [n] ∗ x2 [n] ←→ X1 (z)X2 (z), RDC contém Rx1 ∩ Rx2 .
A propriedade de conjugação é expressa como
Para demonstrar essa propriedade formalmente,
Z
∗
x [n] ←→ X (z ), ∗ ∗
RDC = Rx . consideramos
∞
Essa propriedade segue de maneira direta da defi- y[n] = x1 [k]x2 [n − k],
nição da transformada z. Os detalhes da demonstração k=−∞
são deixados como exercício (Problema 3.54).
de modo que
3.4.6 Reflexão no tempo ∞
A propriedade de reflexão no tempo é dada por Y (z)= y[n]z−n
n=−∞
Z 1
x ∗ [−n] ←→ X∗ (1/z∗ ), RDC = . ∞ ∞
Rx
= x1 [k]x2 [n − k] z−n .
A notação RDC = 1/Rx implica que Rx é invertida; n=−∞ k=−∞
isto é, se Rx é o conjunto de valores de z tal que rR < |z| < rL,
então a RDC para X*(1/z*) é o conjunto de valores de Se trocarmos a ordem do somatório (o que é per-
z tal que 1/rL < |z| < 1/rR. Assim, se z0 estiver na RDC mitido para z na RDC),
de x[n], então 1/z0* está na RDC para a transformada z de ∞ ∞
x*[−n]. Se a sequência x[n] for real ou se não conjugar- Y (z)= x1 [k] x2 [n − k]z−n .
mos uma sequência complexa, o resultado torna-se k=−∞ n=−∞
sendo que a RDC inclui a interseção das RDCs de de sistemas de tempo discreto. Como devemos contar
X1(z) e X2(z). Se um polo que está na borda da RDC extensamente com a transformada z no Capítulo 5 e em
de uma das transformadas z for cancelado por um zero capítulos posteriores, vale a pena agora ilustrar como a
da outra, então a RDC de Y(z) pode ser maior. transformada z pode ser usada na representação e aná-
O uso da transformada z no cálculo de convolu- lise dos sistemas LIT.
ções é ilustrado pelo exemplo a seguir. Lembre-se da Seção 2.3 que um sistema LIT pode
ser representado como a convolução y[n] = x[n] * h[n]
da entrada x[n] com h[n], sendo h[n] a resposta do siste-
Exemplo 3.19 Convolução de sequências de
ma à sequência impulso unitário δ[n]. Da propriedade
comprimento finito da convolução da Seção 3.4.7, segue-se que a transfor-
mada z de y[n] é
Suponha que
x1[n] = δ[n] + 2δ[n − 1] + δ[n − 2] Y(z) = H(z)X(z), (3.65)
seja uma sequência de comprimento finito a ser convoluí- sendo H(z) e X(z) as transformadas z de h[n] e x[n],
da com a sequência x2[n] = δ[n] − δ[n − 1]. As transforma- respectivamente. Nesse contexto, a transformada z
das z correspondentes são H(z) é chamada de função de sistema do sistema LIT,
X1(z) = 1 + 2z−1 + z−2 cuja resposta ao impulso é h[n].
O cálculo da saída de um sistema LIT usando a
e X2(z) = 1 − z−1. A convolução y[n] = x1[n] * x2[n] tem
transformada z é ilustrado pelo exemplo a seguir.
transformada z
Y (z) = X1(z)X2(z) = (1 + 2z−1 + z−2)(1 − z−1)
= 1 + z−1 − z−2 − z−3.
Exemplo 3.20 C
onvolução de sequências de
comprimento infinito
Como essas sequências têm comprimento finito, as RDCs
são ambas |z| > 0, e, portanto, o mesmo ocorre com a RDC
de Y(z). De Y(z), concluímos por inspeção dos coeficien- Sejam h[n] = anu[n] e x[n] = Au[n]. Para usar a transfor-
tes do polinômio que mada z no cálculo da convolução y[n] = x[n] * h[n], come-
çamos encontrando as transformadas z correspondentes
y[n] = δ[n] + δ[n − 1] − δ[n − 2] − δ[n − 3]. como
O ponto importante deste exemplo é que a convolução ∞
1
de sequências de comprimento finito é equivalente à mul- H (z) = a n z−n = , |z| > |a|,
1 − az−1
tiplicação polinomial. Reciprocamente, os coeficientes do n=0
produto de dois polinômios são obtidos pela convolução
discreta dos coeficientes polinomiais. e
∞
A
X(z) = Az−n = , |z| > 1.
1 − z−1
A propriedade de convolução desempenha um pa- n=0
pel particularmente importante na análise de sistemas A transformada z da convolução y[n] = x[n] * h[n] é, por-
LIT, como discutiremos com mais detalhes na Seção 3.5 tanto,
e no Capítulo 5. Um exemplo do uso da transformada z A Az2
para calcular a convolução de duas sequências de com- Y (z) = = , |z| > 1,
(1 − az−1 )(1 − z−1 ) (z − a)(z − 1)
primento infinito é dado na Seção 3.5.
em que assumimos que |a| < 1, de modo que a superposi-
3.4.8 Resumo de algumas propriedades da ção das RDCs é |z| > 1.
transformada z Os polos e zeros de Y(z) são traçados na Figura 3.12, e a
RDC é observada como a região de superposição. A se-
Apresentamos e discutimos uma série de teore- quência y[n] pode ser obtida determinando-se a transfor-
mas e propriedades das transformadas z, muitos dos mada z inversa. A expansão em frações parciais de Y(z) é
quais são úteis na manipulação de transformadas z na
A 1 a
análise de sistemas de tempo discreto. Essas proprie- Y (z) = − |z| > 1.
1−a 1 − z−1 1 − az−1
dades e diversas outras são resumidas para referência
conveniente na Tabela 3.2. Portanto, tomando-se a transformada z inversa de cada
termo, resulta
3.5 Transformadas z e sistemas LIT A
y[n] = (1 − a n+1 )u[n].
As propriedades discutidas na Seção 3.4 fazem a 1−a
transformada z uma ferramenta muito útil na análise
A transformada z é particularmente útil na análise sejam todos nulos. A equação de diferenças com dadas
de sistemas LIT descritos pelas equações de diferenças. condições de repouso inicial define o sistema LIT, mas
Lembre-se de que na Seção 2.5 mostramos que as equa- também é de interesse conhecer a função de sistema. Se
ções de diferenças na forma aplicamos a propriedade da linearidade (Seção 3.4.1) e
N M a propriedade do deslocamento no tempo (Seção 3.4.2)
ak bk à Equação 3.66, obtemos
y[n] = − y[n − k] + x[n − k] (3.66)
a0 a0
k=1 k=0 N M
ak −k bk −k
comportam-se como sistemas LIT causais quando a en- Y (z)= − z Y (z)+ z X(z).(3.67)
a0 a0
trada é nula antes de n = 0 e as condições de repouso k=1 k=0
inicial são impostas antes do momento em que a entra- Resolvendo para Y(z) em termos de X(z) e dos
da se torna não nula; isto é, supõe-se que parâmetros da equação de diferenças, resulta
y[− N], y[− N + 1], . . . , y[− 1] M
bkz−k
k=0
Y (z)= X(z), (3.68)
Im N
Plano z ak z−k
k=0
Figura 3.12 Diagrama de polos e zeros para a transformada z da con- Como o sistema definido pela equação de diferen-
volução das sequências u [n] e a n u [n] (assumindo |a| < 1). ças da Equação 3.66 é um sistema causal, a discussão na
Seção 3.2 nos leva à conclusão de que H(z) na Equação Teremos muito mais usos para a transformada z
3.69 deverá ter uma RDC na forma |z| > rR, e como a no Capítulo 5 e nos capítulos subsequentes. Por exem-
RDC não pode conter polos, rR deverá ser igual à mag- plo, na Seção 5.2.3, devemos obter expressões gerais
nitude do polo de H(z) que está mais distante da ori- para a resposta ao impulso de um sistema LIT com fun-
gem. Além disso, a discussão na Seção 3.2 também con- ção do sistema racional, e mostraremos como a resposta
firma que, se rR < 1, isto é, se todos os polos estão dentro em frequência do sistema está relacionada à localização
da circunferência unitária, então o sistema é estável e a dos polos e zeros de H(z).
resposta em frequência do sistema é obtida fazendo z =
e jω na Equação 3.69. 3.6 A transformada z unilateral
Note que se a Equação 3.66 for expressa na forma
A transformada z, como definida pela Equação 3.2,
equivalente
e como considerada até aqui neste capítulo, é chamada
N M mais explicitamente de transformada z bilateral ou trans-
aky[n − k] = bkx[n − k], (3.70) formada z de dois lados. Por outro lado, a transformada z
k=0 k=0 unilateral, ou transformada z de um lado, é definida como
então a Equação 3.69, que dá a função de sistema (e a ∞
resposta em frequência para sistemas estáveis) como X (z) = x[n]z−n . (3.74)
uma razão de polinômios na variável z−1, pode ser escrita n=0
diretamente observando-se que o numerador é a repre- A transformada z unilateral difere da transforma-
sentação por transformada z dos coeficientes e dos ter- da z bilateral no fato de que o limite inferior da soma é
mos de atraso que envolvem a entrada, enquanto o de- sempre fixado em zero, independentemente dos valores
nominador representa os coeficientes e termos de atraso de x[n] para n < 0. Se x[n] = 0 para n < 0, as transforma-
que envolvem a saída. Similarmente, dada a função de das z unilateral e bilateral são idênticas, ao passo que se
sistema como uma razão de polinômios em z−1, como na x[n] não for nulo para todo n < 0, elas serão diferentes.
Equação 3.69, é simples escrever a equação de diferenças Um simples exemplo ilustra esse fato.
na forma da Equação 3.70 e depois escrevê-la no forma-
to da Equação 3.66 para implementação recursiva.
Exemplo 3.22 Transformada unilateral de um
Exemplo 3.21 Sistema de primeira ordem impulso
Suponha que um sistema LIT causal seja descrito pela Suponha que x1[n] = δ[n]. Então, fica claro pela Equação
equação de diferenças 3.74 que X1(z) = 1, o que é idêntico à transformada z
bilateral do impulso. Porém, considere x2[n] = δ[n + 1] =
y[n] = ay[n − 1] + x[n]. (3.71) x1[n + 1]. Dessa vez, usando a Equação 3.74, encontra-
Por inspeção, segue que a função de sistema para esse mos que X2(z) = 0, enquanto a transformada z bilateral
sistema é fornece X2(z) = zX1(z) = z.
1
H (z) = , (3.72)
1 − az−1 Como a transformada unilateral de fato ignora
com RDC |z| > |a|, a partir do qual segue, da linha 5 da qualquer componente lateral esquerda, as propriedades
Tabela 3.1, que a resposta ao impulso do sistema é da RDC da transformada z unilateral serão as mesmas
que aquelas da transformada bilateral de uma sequên-
h[n] = a n u[n]. (3.73)
cia lateral direita obtidas, considerando que os valores
Finalmente, se x[n] é uma sequência com uma transfor- da sequência são nulos para n < 0. Isto é, a RDC para to-
mada z racional, como x[n] = Au[n], podemos encontrar das as transformadas z unilaterais terão a forma |z| > rR,
a saída do sistema de três formas distintas. (1) Podemos
iterar a equação de diferenças na Equação 3.71. Em geral, e para transformadas z unilaterais racionais, o limite da
essa abordagem poderia ser usada com qualquer entra- RDC será definido pelo polo que está mais afastado da
da e, geralmente, seria usada para implementar o sistema, origem do plano z.
mas não levaria diretamente a uma solução de forma fe- Em aplicações de processamento digital de sinais,
chada válida para todo n, mesmo que tal expressão exis-
tisse. (2) Poderíamos calcular a convolução de x[n] e h[n] as equações de diferenças da forma da Equação 3.66 são
explicitamente usando as técnicas ilustradas na Seção 2.3. geralmente empregadas com condições de repouso ini-
(3) Como as transformadas z tanto de x[n] quanto de h[n] cial. Porém, em algumas situações, podem ocorrer con-
são funções racionais de z, podemos usar o método de fra- dições que não sejam de repouso inicial. Nesses casos,
ções parciais da Seção 3.3.2 para determinar uma expres- as propriedades de linearidade e deslocamento no tempo
são em forma fechada para a saída válida para todo n. De
fato, isso foi feito no Exemplo 3.20. da transformada z unilateral são ferramentas particular-
mente úteis. A propriedade da linearidade é idêntica
àquela da transformada z bilateral (Propriedade 1 na Note que, se y[−1] = 0, a primeira parcela desaparece, e
Tabela 3.2). A propriedade do deslocamento no tempo ficamos com Y(z) = H(z)X (z), em que
é diferente no caso unilateral, pois o limite inferior na
definição da transformada unilateral é fixado em zero. 1
H(z) = , |z| > |a|
Para ilustrar como chegar a essa propriedade, considere 1 − az−1
uma sequência x[n] com transformada z unilateral X(z)
é a função de sistema do sistema LIT correspondente à
e considere y[n] = x[n − 1]. Então, por definição,
equação de diferenças da Equação 3.77 quando iterada
∞ com condições de repouso inicial. Isso confirma que as
Y(z) = x[n − 1]z−n . condições de repouso inicial são necessárias para que a
n=0 equação de diferenças iterada se comporte como um sis-
Com a substituição do índice do somatório m = tema LIT. Além disso, note que, se x[n] = 0 para todo n, a
saída será igual a
n − 1, podemos escrever Y(z) como
∞ ∞ y[n] = y[−1]a n+1 n ≥ −1.
−(m+1) −1 −m
Y(z) = x[m]z = x[−1] + z x[m]z ,
m=−1 m=0 Isso mostra que, se y[−1] Z 0, o sistema não se comporta li-
nearmente, pois a propriedade de mudança de escala para
de modo que sistemas lineares [Equação 2.23(b)] requer que, quando a
entrada for nula para todo n, a saída deverá ser igualmen-
Y(z) = x[−1] + z−1 X (z). (3.75) te nula para todo n.
Assim, para determinar a transformada z unilate- Para ser mais específico, suponha que x[n] = Au[n], como
ral de uma sequência atrasada, temos de fornecer va- no Exemplo 3.20. Podemos determinar uma equação para
y[n] para n ≥ −1, notando que a transformada z unilateral
lores da sequência que sejam ignorados no cálculo de
de x[n] = Au[n] é
X(z). Por uma análise similar, pode-se mostrar que, se
y[n] = x[n − k], com k > 0, então A
X (z) = , |z| > 1
1 − z−1
Y(z) = x[− k] + x[− k + 1]z−1 + . . .
+ x[− 1]z−k+1 + z−kX (z) de modo que a Equação 3.78 torna-se
k ay[− 1] A
= x[m − k − 1]z−m+1 + z−kX (z). (3.76) Y(z) = + . (3.79)
1 − az−1 (1 − az−1 )(1 − z−1 )
m=1
Aplicando a técnica de expansão em frações parciais à
O uso da transformada z unilateral para resolver Equação 3.79, obtém-se
a saída de uma equação de diferenças com condições
iniciais não nulas é ilustrado pelo exemplo a seguir. A aA
−
ay[− 1] 1 − a 1 −a ,
Y(z) = + +
1 − az−1 1 − z−1 1 − az−1
Exemplo 3.23 Efeito das condições iniciais não
nulas de onde segue que a solução completa é
Considere um sistema descrito pela equação de diferenças y[− 1] n = −1
linear com coeficientes constantes
y[n] = n+1 + A
y[n] − ay[n − 1] = x[n], y[− 1]a 1 − a n+1 n ≥ 0 (3.80)
(3.77)
1−a
REN
que é o mesmo sistema dos exemplos 3.20 e 3.21. Suponha RCIN
que x[n] = 0 para n < 0 e que a condição inicial em n =
−1 seja denotada como y[−1]. Aplicando a transformada A Equação 3.80 mostra que a resposta do sistema é com-
z unilateral à Equação 3.77 e usando a propriedade de li- posta de duas partes. A resposta à entrada nula (REN) é
nearidade, bem como a propriedade de deslocamento no a resposta quando a entrada é nula (nesse caso, quando
tempo da Equação 3.75, temos A = 0). A resposta a condições iniciais nulas (RCIN) é a
componente que é diretamente proporcional à entrada
Y(z) − ay[−1] − az−1 Y(z) = X (z). (conforme requerido pela linearidade). Essa componente
permanece quando y[−1] = 0. No Problema 3.49, mostra-se
Resolvendo para Y (z), obtemos
que essa decomposição em componentes REN e RCIN é
ay[− 1] 1 válida para qualquer equação de diferenças na forma da
Y(z) = + X (z). (3.78)
1 − az−1 1 − az−1 Equação 3.66.
Determine todos os valores possíveis para a resposta ao (d) Use a expansão em frações parciais para determi-
impulso do sistema h[n] em n = 0. nar a resposta ao impulso h[n].
3.18. Um sistema LIT causal tem a função de sistema (e) Encontre Y(z), a transformada z da saída, quando
a entrada é x[n] = u[−n − 1]. Especificar a RDC
1 + 2z−1 + z−2 para Y(z).
H (z) = .
1 + 21 z−1 (1 − z−1 ) (f) Encontre a sequência de saída y[n] quando a entra-
da é x[n] = u[−n − 1].
(a) Encontre a resposta ao impulso do sistema, h[n]. 3.22. Um sistema LIT causal tem função de sistema
(b) Encontre a saída desse sistema, y[n], para a entrada 1 − 4z−2
H (z) = .
x[n] = 2 n. 1 + 0,5z−1
3.19. Para cada um dos seguintes pares de transformada z A entrada desse sistema é
da entrada X(z) e função de sistema H(z), determine a
π
RDC da transformada z da saída Y(z): x[n] = u[n] + 2 cos n − ∞ < n < ∞,
2
1 1
(a) X(z) = , |z| >
1 + 21 z−1 2 Determine a saída y[n] para um n grande e positivo; isto
é, encontre uma expressão para y[n] que seja assintotica-
1 1 mente correta quando n se torna grande. (Naturalmente,
H (z) = , |z| >
1 − 41 z−1 4 uma abordagem é encontrar uma expressão para y[n] que
seja válida para todo n, mas você deverá ver um modo
1 mais fácil.)
(b) X(z) = , |z| < 2 3.23. Considere um sistema LIT com resposta ao impulso
1 − 2z−1
1 1 a n , n ≥ 0,
H (z) = , |z| > h[n] =
1 − 13 z−1 3 0, n < 0,
e entrada
1 1 1, 0 ≤ n ≤ (N − 1),
(c) X(z) = , < |z| < 3 x[n] =
1 − 15 z−1 1 + 3z−1 5 0, caso contrário.
(b) x[n + 1]
n z3 − 2z
(c) X(z) = ,
(c) x[m] z−2
m=−∞ (x[n] é uma sequência lateral esquerda)
3.29. Para cada uma das seguintes equações de diferenças e 3.33. Determine a transformada z inversa de cada um dos
entradas e condições iniciais associadas, determine a res- itens a seguir. Você pode achar úteis as propriedades da
posta y[n] para n ≥ 0 usando a transformada z unilateral. transformada z da Seção 3.4.
Esboce o diagrama de polos e zeros de Y(z), em que y[n] = 3.42. Na Figura P3.42, H(z) é a função de sistema de um siste-
x[−n + 3]. Além disso, especifique a RDC para Y(z). ma LIT causal.
(a) Usando transformadas z dos sinais mostrados na
Im
figura, obtenha uma expressão para W(z) na forma
Plano z
1
W(z) = H1(z)X(z) + H2(z)E(z),
2
sendo tanto H1(z) quanto H2(z) expressos em ter-
–3
1
1 Re mos de H(z).
4 2
–1
2
(b) Para o caso particular H(z) = z−1/(1 − z−1), determi-
ne H1(z) e H2(z).
(c) O sistema H(z) é estável? Os sistemas H1(z) e
H2(z) são estáveis?
1
3
1
4
3.44. Um sistema LIT causal e estável S tem entrada x[n] e
X(z) = + saída y[n] relacionadas pela equação de diferenças linear
1 − 21 z−1 1 − 2z−1
com coeficientes constantes
e para a qual a RDC inclui a circunferência unitária. De- 10
termine x[0] usando o teorema do valor inicial (veja o y[n] + αky[n − k] = x[n] + βx[n − 1].
Problema 3.57). k=1
Seja a sequência h[n] a resposta ao impulso de S. mostrado na Figura P3.48-1. O sinal x[n] é estável e tem
(a) Mostre que h[0] deve ser não nulo. o diagrama de polos e zeros mostrado na Figura P3.48-2.
(b) Mostre que α1 pode ser determinado conhecendo-
-se β, h[0] e h[1]. 1,5
(c) Se h[n] = (0,9)ncos(πn/4) para 0 ≤ n ≤ 10, esboce o Plano z
diagrama de polos e zeros para a função de sistema 1
de S e indique a RDC.
3.45. Quando a entrada de um sistema LIT é 0,5
Im(z)
1 n 0
x[n] = u[n] + 2n u[−n − 1], 1 1 2
2 4 2
– 0,5
a saída é
–1
1 n 3 n
y[n] = 6 u[n] − 6 u[n].
2 4 –1,5
0
1 1 n 4 3 1 1
x[n] = − u[n] − (2)n u[−n − 1], –
4 4 2
3 2 3
– 0,5
a transformada z da saída é
–1
1 − z−2
Y (z)= . –1 0 1
(1 − 21 z−1 )(1 − 2z−1 )
Re(z)
em que yREN[n] é a saída quando a entrada é nula 3.56. Uma sequência real de duração finita cuja transformada
para todo n e yRCIN[n] é a saída quando todas as z não tem zeros que formam pares recíprocos conjuga-
condições iniciais são nulas. dos nem zeros sobre a circunferência unitária é unica-
(c) Mostre que, quando todas as condições iniciais são mente especificada a menos de um fator de escala posi-
nulas, o resultado se reduz ao que é obtido com a tivo pela fase de sua transformada de Fourier (Hayes et
transformada z bilateral. al., 1980).
Um exemplo de zeros em par recíproco conjugado é
Problemas de extensão z = a e (a*)–1. Embora possamos gerar sequências que
3.50. Seja x[n] uma sequência causal; isto é, x[n] = 0, n < 0. não satisfazem o conjunto de condições anterior, quase
Além disso, assuma que x[0] Z 0 e que a transformada z todas as sequências de interesse prático satisfazem as
seja uma função racional. condições e, portanto, são unicamente especificadas a
menos de um fator de escala positivo pela fase de sua
(a) Mostre que não existem polos ou zeros de X(z) em
transformada de Fourier.
z = ∞, isto é, que lim X(z) é não nulo e finito.
zS∞ Considere uma sequência x[n] que seja real, que seja
(b) Mostre que o número de polos no plano z finito é nula fora do intervalo 0 ≤ n ≤ N − 1, e cuja transformada
igual ao número de zeros no plano z finito. (O pla- z não tenha zeros em posições de pares recíprocos con-
no z finito exclui z = ∞.) jugados e nenhum zero sobre a circunferência unitária.
3.51. Considere uma sequência com transformada z X(z) = Queremos desenvolver um algoritmo que reconstrua
P(z)/Q(z), sendo P(z) e Q(z) polinômios em z. Se a se- cx[n] a partir de jX(ejω), a fase da transformada de Fou-
quência for somável em valor absoluto e se todas as raí- rier de x[n], sendo c um fator de escala positivo.
zes de Q(z) estiverem dentro da circunferência unitária,
(a) Especifique um conjunto de (N − 1) equações linea-
a sequência é necessariamente causal? Se a sua resposta
res, cuja solução fornecerá a recuperação de x[n] a
for afirmativa, explique claramente. Se a sua resposta for
menos de um fator de escala positivo ou negativo
negativa, dê um contraexemplo.
a partir de tg{jX(ejω)}. Não é preciso provar que o
3.52. Seja x[n] uma sequência estável causal com transforma-
conjunto de (N − 1) equações lineares tem uma so-
da z X(z). O cepstrum complexo x̂[n] é definido como a
lução única. Além disso, mostre que, se conhecemos
transformada inversa do logaritmo de X(z); isto é,
jX(ejω) em vez de apenas tg{jX(ejω)}, o sinal do fa-
Z tor de escala também pode ser determinado.
X̂(z) = log X(z) ←→ x̂[n],
(b) Suponha que
em que a RDC de X̂ (z) inclui a circunferência unitária.
(Estritamente falando, tomar o logaritmo de um núme-
0, n < 0,
ro complexo exige algumas considerações cuidadosas. 1, n = 0,
Além disso, o logaritmo de uma transformada z válida x[n] = 2, n = 1,
pode não ser uma transformada z válida. Por enquanto, 3, n = 2,
assumiremos que essa operação é válida.) 0, n ≥ 3.
Determine o cepstrum complexo para a sequência
Usando a abordagem desenvolvida no item (a), de-
x[n] = δ[n] + aδ[n − N ], sendo |a| < 1. monstre que cx[n] pode ser determinado a partir de
3.53. Assuma que x[n] seja real e par; isto é, x[n] = x[−n]. Além jX(ejω), sendo c um fator de escala positivo.
disso, assuma que z0 é um zero de X(z); isto é, X(z0) = 0. 3.57. Para uma sequência x[n] que é nula para n < 0, use a
(a) Mostre que 1/z0 também é um zero de X(z). Equação 3.2 para mostrar que
(b) A informação dada implica a existência de outros lim X(z) = x[0].
zeros de X(z)? z→∞
3.54. Usando a definição da transformada z da Equação 3.2, Esse resultado é chamado de teorema do valor inicial.
mostre que, se X(z) é a transformada z de x[n] = xR [n] + Qual é o teorema correspondente se a sequência zero é
jxI [n], então nula para n > 0?
Z 3.58. A função de autocorrelação aperiódica para uma se-
(a) x ∗ [n] ←→ X∗ (z∗ ) quência estável a valores reais x[n] é definida como
Z
(b) x[−n] ←→ X(1/z) ∞
Z
(c) xR [n] ←→ 21 [X(z) + X∗ (z∗ )] cxx [n] = x[k]x[n + k].
Z 1 k=−∞
(d) xI [n] ←→ [X(z) − X∗ (z∗ )].
2j
(a) Mostre que a transformada z de cxx[n] é
3.55. Considere uma sequência real x[n] que tenha todos os
polos e zeros de sua transformada z no interior do círcu- Cxx(z) = X(z)X(z−1).
lo unitário. Determine, em termos de x[n], uma sequên-
cia real x1[n] diferente de x[n], mas para a qual x1[0] = Determine a RDC para Cxx(z).
x[0], |x1[n]| = |x[n]|, e de forma que a transformada z de (b) Suponha que x[n] = anu[n]. Esboce o diagrama de
x1[n] tenha todos os seus polos e zeros dentro do círculo polos e zeros para Cxx(z), incluindo a RDC. Além
unitário. disso, encontre cxx[n] por meio do cálculo da trans-
formada z inversa de Cxx(z).
(c) Especifique outra sequência, x1[n], que não seja 3.60. Seja X(z) uma razão de polinômios em z; isto é,
igual a x[n] do item (b), mas que tenha a mesma B(z)
função de autocorrelação, cxx[n], como x[n] do X(z) = .
A(z)
item (b).
(d) Especifique uma terceira sequência, x2[n], que não Mostre que, se X(z) tem um polo de primeira ordem em
seja igual a x[n] ou x1[n], mas que tenha a mesma z = z0, então o resíduo de X(z) em z = z0 é igual a
função de autocorrelação que x[n] do item (b). B(z0 )
3.59. Determine se a função X(z) = z* pode ou não correspon- ,
A (z0 )
der à transformada z de uma sequência. Explique seu
raciocínio com clareza. em que A'(z0) denota a derivada de A(z) calculada em z = z0.
de tempo contínuo
trem de impulsos, seguido pela conversão do trem de isto é, a dimensão (área) do impulso na amostra nT é
impulsos ponderados em uma sequência de tempo dis- igual ao valor do sinal de tempo contínuo nesse ins-
creto. O trem de impulsos periódico é tante. Nesse contexto, a modulação do trem de impul-
∞ sos da Equação 4.3 é uma representação matemática
s(t) = δ(t − nT), (4.2) da amostragem.
n=−∞ Na Figura 4.2(b) é mostrado um sinal de tempo con-
sendo δ(t) a função impulso unitário, ou função delta de tínuo xc(t) e os resultados da sua amostragem com trem
Dirac. O produto de s(t) e xc(t) é, portanto, de impulsos para duas taxas de amostragem diferentes.
Conversor C/D
s(t)
Conversão de um
trem de impulsos
em uma sequência
xc (t) xs (t) x [n] = xc (nT )
de tempo discreto
(a)
T = T1 T = 2T1
x[n] x [n]
−4 −3 −2 −1 0 1 2 3 4 −4 −3 −2 −1 0 1 2 3 4
n n
(c)
Figura 4.2 Amostragem com um trem de impulsos periódico, seguida da conversão em uma sequência de tempo discreto. (a) Sistema total.
(b) xs(t ) para duas taxas de amostragem. (c) A sequência de saída para as duas taxas de amostragem diferentes.
Note que os impulsos xc(nT)δ(t − nT) são representados A Equação 4.6 é a relação desejada entre as trans-
por setas com comprimento proporcional a sua área. Na formadas de Fourier da entrada e da saída do modula-
Figura 4.2(c) são representadas as sequências de saída dor de trem de impulsos da Figura 4.2(a). A Equação
correspondentes. A diferença essencial entre xs(t) e x[n] 4.6 revela que a transformada de Fourier de xs(t) con-
é que xs(t) é, de certa forma, um sinal de tempo contínuo siste de réplicas repetidas periodicamente da transfor-
(especificamente, um trem de impulsos) que é nulo, exce- mada de Fourier de xc(t), isto é, Xc(j). Essas réplicas
to nos múltiplos inteiros de T. A sequência x[n], por ou- são deslocadas por múltiplos inteiros da frequência de
tro lado, é indexada na variável inteira n, que, com efeito, amostragem e depois sobrepostas para representar a
introduz uma normalização no tempo; isto é, a sequência transformada periódica de Fourier do trem de impulsos
de números x[n] não contém informações explícitas sobre das amostras. Na Figura 4.3 é mostrada a representação
o período de amostragem T. Além disso, as amostras de no domínio da frequência da amostragem com trem de
xc(t) são representadas por números finitos em x[n] em impulsos. Na Figura 4.3(a) mostra-se uma transforma-
vez de áreas dos impulsos, como acontece com xs(t). da de Fourier com a propriedade de banda limitada em
É importante enfatizar que a Figura 4.2(a) é es- que Xc(j) = 0 para || ≥ N. Na Figura 4.3(b) mostra-se
tritamente uma representação matemática conveniente o trem de impulsos periódico S(j), e na Figura 4.3(c)
para possibilitar o entendimento da amostragem tanto mostra-se Xs(j), o resultado da convolução de Xc(j)
1
no domínio de tempo como no domínio de frequência. com S(j) ponderado por 2π . É evidente que, quando
Ela não é uma representação aproximada de circuitos
s − N ≥ N, ou s ≥2 N , (4.7)
ou sistemas físicos projetados para realizar a operação
de amostragem. Nesse aspecto, a possibilidade de cons- como ocorre na Figura 4.3(c), as réplicas de Xc(j) não
truir ou não um dispositivo que seja uma aproximação se sobrepõem e, portanto, quando elas são sequencial-
do diagrama de blocos da Figura 4.2(a) é uma questão mente somadas na Equação 4.6, permanecem réplicas
secundária. Introduzimos essa representação da opera- de Xc(j) a menos de um fator de escala de 1/T em cada
ção de amostragem porque possibilita de modo simples múltiplo inteiro de s. Consequentemente, xc(t) pode
a obtenção de um resultado fundamental, e também ser recuperado a partir de xs(t) com um filtro passa-bai-
porque a abordagem permite obter uma série de no- xas ideal. Isso é indicado na Figura 4.4(a), que mostra
ções importantes que não são evidentes com uma de- o modulador de trem de impulsos seguido por um sis-
dução formal baseada na manipulação das equações da tema LIT com resposta em frequência Hr(j). Para um
transformada de Fourier. Xc(j), como o da Figura 4.4(b), o Xs(j) é como o da
Figura 4.4(c), em que considera-se que s > 2N. Como
4.2 Representação da amostragem no Xr(j) = Hr(j)Xs(j), (4.8)
domínio da frequência segue-se que, se Hr (j) é um filtro passa-baixas ideal
Para obter a relação no domínio da frequência en- com ganho T e frequência de corte c, tal que
tre a entrada e a saída de um conversor C/D ideal, con-
N ≤ c ≤ (s − N), (4.9)
sidere a transformada de Fourier de xs(t). Da Equação
4.3, xs(t) é o produto de xc(t) e s(t), então a transforma- então
da de Fourier de xs(t) é a convolução das transformadas
Xr (j) = Xc(j), (4.10)
de Fourier Xc(j) e S(j) multiplicadas escalarmente
1
por 2π . A transformada de Fourier do trem de impulsos conforme mostrado na Figura 4.4(e) e, portanto, xr(t)
periódico s(t) é o trem de impulsos periódico = xc(t).
2π
∞ Se a desigualdade na Equação 4.7 não for mantida,
= − s ), (4.5) isto é, se s < 2N, as réplicas de Xc(j) se sobrepõem,
T
k=−∞ de modo que, quando são sequencialmente somadas,
sendo s = 2π/T a frequência de amostragem em radia- Xc(j) não é mais recuperável pela filtragem passa-bai-
nos/s (veja Oppenheim e Willsky, 1997, ou McClellan, xas. Isso é ilustrado na Figura 4.3(d). Nesse caso, a saída
Schafer e Yoder, 2003). Como reconstruída xr(t) na Figura 4.4(a) está relacionada à
1 entrada de tempo contínuo original por meio de uma
Xs = Xc ∗ distorção chamada de distorção de aliasing ou, apenas,
2π
aliasing. Na Figura 4.5 ilustra-se o aliasing no domínio
em que * indica a operação de convolução de variável da frequência para o caso simples de um sinal cosseno
contínua, segue-se que da forma
∞
1 xc(t) = cos 0t, (4.11a)
Xs = Xc − s )). (4.6)
T
k=−∞
Xc (j)
– N N
(a)
S( j )
2
T
Xs (j )
1
T
Xs (j )
1
T
Figura 4.3 Representação, no domínio da frequência, da amostragem no domínio do tempo. (a) Espectro do sinal original. (b) Transformada de
Fourier da função de amostragem. (c) Transformada de Fourier do sinal amostrado com s > 2N. (d) Transformada de Fourier do sinal amostrado
com s < 2N.
Xc (j)
s (t) = (t – nT )
n = –
π π
Hr (j ) – 0 0
xc (t) xs (t) xr (t) (a)
(a) Xs (j ) π s
T 0 < =
T 2
Xc (j ) π π
1 T T
– s – 0 0 s s
2
– N N (b)
(b)
Xs (j ) s
T 2
< 0 < s
Xs (j ) π π
1 s > 2N
T T
T
– s –0 s 0 s
2
(c)
– s – N N s
(c) (s – N) X r (j ) π
Sem aliasing 0 <
T
Hr (j ) π π
N c (s – N)
T – 0 0
(d)
– c c Xr (j )
Aliasing
(d) s
< 0 < s
π π 2
Xr (j )
1 – (s – 0) (s – 0)
(e)
transformação de Xs(j) para X (ejω) é um resultado para s = 12000π. Note que Xc(j) é um par de impul-
direto da normalização do tempo na transformação sos em = ±4000π, e vemos cópias deslocadas dessa
de xs(t) para x[n]. Especificamente, como notamos na transformada de Fourier centralizadas em ±s, ±2s etc.
Figura 4.2, xs(t) mantém um espaçamento entre amos- Esboçar X(ejω) = Xs(jω/T) em função da frequência nor-
tras igual ao período de amostragem T. Comparando, malizada ω = T resulta na Figura 4.6(b), em que usamos
o fato de que a mudança de escala da variável indepen-
o “espaçamento” dos valores da sequência x[n] é sem-
dente do impulso também altera a área do impulso, isto é,
pre unitário; isto é, o eixo do tempo é normalizado δ(ω/T) = T δ(ω) (Oppenheim e Willsky, 1997). Note que a
por um fator T. De modo correspondente, no domí- frequência original 0 = 4000π corresponde à frequência
nio de frequência, o eixo de frequência é normalizado normalizada ω0 = 4000πT = 2π/3, que satisfaz a desigual-
por fs = 1/T. dade ω0 < π, correspondente ao fato de que 0 = 4000π <
π/T = 6000π. Na Figura 4.6(a) também mostra-se a respos-
Para um sinal senoidal na forma xc(t) = cos(0t),
ta em frequência de um filtro de reconstrução ideal Hr(j)
a maior frequência (e única) é 0. Como o sinal é para a taxa de amostragem dada de s = 12000π. Nessa
descrito por uma equação simples, é fácil obter as figura mostra-se que o sinal reconstruído possui frequên-
amostras do sinal. Os dois exemplos a seguir usam cia 0 = 4000π, que é a frequência do sinal original xc(t).
sinais senoidais para ilustrar aspectos importantes da
amostragem.
Exemplo 4.2 A
liasing na amostragem de um sinal
senoidal
Exemplo 4.1 Amostragem e reconstrução de um
sinal senoidal Agora, suponha que o sinal de tempo contínuo seja xc(t) =
cos(16000πt), que o período de amostragem seja T = 1/6000,
Se amostrarmos o sinal de tempo contínuo xc(t) = como no Exemplo 4.1. Esse período de amostragem não sa-
cos(4000πt) com período de amostragem T = 1/6000, tisfaz o critério de Nyquist, pois s = 2π/T = 12000π < 20 =
obtemos x[n] = xc(nT) = cos(4000πT n) = cos(ω0n), sen- 32000π. Consequentemente, esperamos observar aliasing.
do ω0 = 4000πT = 2π/3. Nesse caso, s = 2π/T = 12000π, A transformada de Fourier Xs(j) para esse caso é idêntica
e a maior frequência do sinal é 0 = 4000π, de modo à da Figura 4.6(a). Porém, agora o impulso localizado em
que as condições do teorema da amostragem de Nyquist = −4000π é de Xc[j( − s)] na Equação 4.21, e não de
são satisfeitas e não ocorre aliasing. A transformada de Xc(j), e o impulso em = 4000π é de Xc[j( + s)]. Ou
Fourier de xc(t) é seja, as frequências ±4000π são frequências alias. Esboçar
X (ejω) = Xs (jω/T) em função de ω gera o mesmo gráfico
Xc = − 4000π) + + 4000π).
mostrado na Figura 4.6(b), pois normalizamos a frequência
Na Figura 4.6(a) mostra-se pelo mesmo período de amostragem. O motivo fundamen-
tal para isso é que a sequência de amostras é a mesma para
∞ ambos os casos; isto é,
1
Xs = Xc [ − s )] (4.21)
T cos(16000πn/6000) = cos(2πn + 4000πn/6000) =
k=−∞
cos(2πn/3).
Xs ( j ) Hr ( j )
T
T T T T T T
...
–16000 –12000 –8000 –6000 –4000 0 4000 6000 8000 12000 16000
(a)
X (e j ) = Xs ( j /T)
...
–8 –2 –4 – –2 0 2 4 2 8
3 3 3 3 3 3
(b)
Figura 4.6 Transformadas de Fourier (a) de tempo contínuo e (b) de tempo discreto para o sinal amostrado com frequência 0 = 4000π e período
de amostragem T = 1/ 6000.
tem um ganho de T (para compensar o fator 1/T na Na Figura 4.8, mostram-se um sinal de tempo con-
Equação 4.19 ou na Equação 4.20) e uma frequência de tínuo xc(t) e o trem de impulsos modulado correspon-
corte c entre N e s − N. Uma escolha da frequên- dente. Na Figura 4.8(c) mostram-se várias das parcelas
cia de corte conveniente e muito utilizada é c = s/2
sen[π(t − nT )/T ]
= π/T. Essa escolha é apropriada para qualquer rela- x[n]
π(t − nT )/T
ção entre s e N que evite aliasing (isto é, desde que
s ≥ 2N). Na Figura 4.7(b) mostra-se a resposta em e o sinal reconstruído resultante xr(t). Conforme suge-
frequência do filtro de reconstrução ideal. A resposta rido por essa figura, o filtro passa-baixas ideal interpo-
ao impulso correspondente, hr(t), é a transformada de la entre os impulsos de xs(t) para construir um sinal de
Fourier inversa de Hr(j) e para a frequência de corte tempo contínuo xr(t). Da Equação 4.27, o sinal resul-
π/T é dada por tante é uma reconstrução exata de xc(t) nos instantes
sen(πt/T ) de amostragem. Portanto, se não existe aliasing, o filtro
hr (t) = . (4.24) passa-baixas interpola a reconstrução correta entre as
πt/T
amostras, o que segue da nossa análise no domínio de
Essa resposta ao impulso é mostrada na Figura frequência do processo de amostragem e reconstrução.
4.7(c). Substituindo a Equação 4.24 na Equação 4.23, É útil formalizar a discussão anterior definindo
obtemos um sistema ideal para reconstruir um sinal de banda
∞
sen[π(t − nT )/T] limitada a partir de uma sequência de amostras. Cha-
xr (t) = x[n] . (4.25) maremos esse sistema de conversor de tempo discreto
n=−∞
π(t − nT )/T
para tempo contínuo ideal (D/C). O sistema desejado é
As equações 4.23 e 4.25 expressam o sinal de tem- representado na Figura 4.9. Como notamos, o proces-
po contínuo em termos de uma combinação linear de so de reconstrução ideal pode ser representado como
funções de base hr(t − nT) com as amostras x[n] atuan- a conversão da sequência em um trem de impulsos,
do como coeficientes. Outras escolhas das funções de como na Equação 4.22, seguido pela filtragem com um
base e de coeficientes correspondentes podem ser usa- filtro passa-baixas ideal, resultando na saída dada pela
das para representar outras classes de funções de tempo
contínuo [veja, por exemplo, Unser (2000)]. Porém, a
Equação 4.24 e as amostras x[n] são as funções de base
e coeficientes naturais para representar sinais de tempo
contínuo com banda limitada. xc ( t)
A partir do argumento dado no domínio da fre-
quência na Seção 4.2, observamos que, se x[n] = xc(nT),
sendo Xc(j) = 0 para || ≥ π/T, então xr(t) é igual a t
xc(t). Considerando apenas a Equação 4.25, não fica (a)
imediatamente óbvio que isso seja verdadeiro. Porém,
alcançamos uma compreensão prática ao examinarmos
atentamente essa equação. Primeiro, consideremos a
função hr(t) dada pela Equação 4.24. Notamos que
xs ( t)
hr(0) = 1. (4.26a)
Isso decorre da regra de l’Hôpital ou da aproxi
t
mação para ângulos pequenos para a função seno. T
Além disso,
(b)
hr(nT) = 0 para n = ±1, ±2, ... . (4.26b)
Segue-se, das equações 4.26(a) e (b) e da Equação
4.23, que, se x[n] = xc(nT), então xr ( t)
Converte Filtro de
sequência em reconstrução
D/C
trem de ideal
x [n] xs (t) xr (t) x [n] xr (t)
impulsos Hr (j )
T
Período de
amostragem T
(a) (b)
Figura 4.9 (a) Reconstrução ideal do sinal de banda limitada. (b) Representação equivalente como um conversor D/C ideal.
Equação 4.25. O passo intermediário da conversão em amostragem na taxa de Nyquist, ou maior, de um sinal
um trem de impulsos é uma conveniência matemática com banda limitada, o sinal reconstruído xr(t) será igual
para a dedução da Equação 4.25 e para o entendimen- ao sinal com banda limitada original. De qualquer for-
to do processo de reconstrução do sinal. Porém, uma ma, também fica claro, pela Equação 4.28, que a saída
vez familiarizado com esse processo, será útil definir do conversor D/C ideal sempre é de banda limitada a no
uma representação mais compacta, como mostrado máximo a frequência de corte do filtro passa-baixas, que
na Figura 4.9(b), em que a entrada é a sequência x[n] tipicamente é considerada como metade da frequência
e a saída é o sinal de tempo contínuo xr(t) dado pela de amostragem.
Equação 4.25.
As propriedades do conversor D/C ideal são vistas 4.4 Processamento em tempo discreto
mais facilmente no domínio da frequência. Para deduzir
uma relação de entrada/saída nesse domínio, conside- de sinais de tempo contínuo
re a transformada de Fourier da Equação 4.23 ou da Uma das principais aplicações dos sistemas de
Equação 4.25, ou seja, tempo discreto ocorre no processamento de sinais de tem-
∞ po contínuo. Isso é feito por um sistema representado
−
Xr = x[n]H r . de modo geral na Figura 4.10. O sistema é uma cascata
n=−∞ de um conversor C/D, seguido por um sistema de tempo
discreto e por um conversor D/C. Observe que o siste-
Como Hr(j) é comum a todos as parcelas na
ma geral é equivalente a um sistema de tempo contínuo,
soma, podemos escrever
pois transforma o sinal de entrada de tempo contínuo
Xr = Hr ). (4.28) xc(t) no sinal de saída de tempo contínuo yr(t). As pro-
A Equação 4.28 fornece uma descrição do conver- priedades do sistema global são dependentes da esco-
sor D/C ideal no domínio da frequência. De acordo com lha do sistema de tempo discreto e da taxa de amos-
a Equação 4.28, em X(ejω) faz-se uma mudança na esca- tragem. Na Figura 4.10, assumimos que os conversores
la da frequência (de fato, a passagem da sequência para C/D e D/C têm a mesma taxa de amostragem. Isso não
o trem de impulsos faz com que ω seja substituído por é essencial, e seções posteriores e alguns dos problemas
T). Então, o filtro passa-baixas ideal Hr(j) seleciona ao final deste capítulo consideram sistemas em que as
o período de base da transformada de Fourier periódi- taxas de amostragem de entrada e saída não são iguais.
ca resultante X(ejT) e compensa o fator 1/T inerente à As seções anteriores do capítulo foram dedica-
amostragem. Assim, se a sequência x[n] foi obtida pela das a compreender as operações de conversão C/D e
Sistema de
C/D D/C
tempo discreto
xc (t) x [n] y [n] yr (t)
T T
D/C da Figura 4.10. Por conveniência, e como o pri- 4.4.1 Processamento LIT em tempo discreto de
meiro passo para compreender o sistema global da Fi- sinais de tempo contínuo
gura 4.10, resumimos as representações matemáticas
Se o sistema de tempo discreto na Figura 4.10 for
dessas operações.
linear e invariante no tempo, teremos
O conversor C/D fornece um sinal de tempo discreto
Y(ejω) = H(ejω)X(ejω), (4.33)
x[n] = xc(nT), (4.29)
sendo H(ejω) a resposta em frequência do sistema ou,
isto é, uma sequência de amostras do sinal de entrada de modo equivalente, a transformada de Fourier da res-
de tempo contínuo xc(t). A TFTD dessa sequência está posta à amostra unitária, e X(ejω) e Y(ejω) são as trans-
relacionada à transformada de Fourier de tempo contí- formadas de Fourier da entrada e da saída, respectiva-
nuo do sinal de entrada de tempo contínuo por mente. Combinando as equações 4.32 e 4.33, obtemos
∞
1 ω 2π k Yr(j) = Hr(j)H(ejT)X(ejT). (4.34)
X (ej ω ) = Xc j − . (4.30)
T T T
k=−∞ Em seguida, usando a Equação 4.30 com ω = T,
O conversor D/C fornece um sinal de saída de temos
tempo contínuo na forma ∞
1 2πk
∞ Yr = Hr ) Xc j − .
sen[π(t − nT)/T ] T T
yr (t) = y[n] , (4.31) k=−∞
n=−∞
π(t − nT )/T (4.35)
em que a sequência y[n] é a saída do sistema de tempo Se Xc(j) = 0 para || ≥ π/T, então o filtro de re-
discreto quando a entrada do sistema é x[n]. A partir construção passa-baixas ideal Hr(j) cancela o fator
da Equação 4.28, Yr(j), a transformada de Fourier de 1/T e seleciona apenas a parcela na Equação 4.35 para
tempo contínuo de yr(t), e Y(ejω), a TFTD de y[n], são k = 0; isto é,
relacionadas por
H (e )X c | | < π/T ,
Yr = (4.36)
Yr = Hr )= 0, | | ≥ π/T .
(4.32) Assim, se Xc(j) é de banda limitada e a taxa de
T Y (e ), | | < π/T,
= amostragem é igual ou maior à taxa de Nyquist, a saída
0, caso contrário.
está relacionada à entrada por uma equação na forma
Em seguida, relacionemos a sequência de saída
Yr = H eff c (4.37)
y[n] à sequência de entrada x[n], ou, de modo equiva-
lente, Y(ejω) a X(ejω). Um exemplo simples é o sistema em que
identidade, isto é, y[n] = x[n]. Esse é, de fato, o caso que
H (e ), | | < π/T ,
estudamos com detalhes até aqui. Sabemos que, se xc(t) H eff = (4.38)
0, | | ≥ π/T .
tem uma transformada de Fourier de banda limitada,
tal que Xc(j) = 0 para || ≥ π/T, e se o sistema de tem- Portanto, o sistema de tempo contínuo global é
po discreto na Figura 4.10 é o sistema identidade, tal equivalente a um sistema LIT cuja resposta em frequên-
que y[n] = x[n] = xc(nT), então a saída será yr(t) = xc(t). cia efetiva é dada pela Equação 4.38.
Lembre-se de que, na prova desse resultado, utilizamos É importante enfatizar que o comportamento li-
as representações no domínio da frequência dos sinais near e invariante no tempo do sistema da Figura 4.10
de tempo contínuo e de tempo discreto, pois a essência depende de dois fatores. Primeiro, o sistema de tempo
do conceito de aliasing é entendida mais facilmente no discreto deve ser linear e invariante no tempo. Segun-
domínio da frequência. De modo similar, quando lida- do, o sinal de entrada deve ser de banda limitada, e a
mos com sistemas mais complicados do que o sistema taxa de amostragem alta o suficiente para que quais-
identidade, geralmente executamos a análise no domí- quer componentes com aliasing sejam removidos pelo
nio de frequência. Se o sistema de tempo discreto é não sistema de tempo discreto. Como um exemplo simples
linear ou variante no tempo, usualmente não é eviden- de violação dessa segunda condição, considere o caso
te obter uma relação geral entre as transformadas de em que xc(t) é um pulso único com amplitude unitária e
Fourier da entrada e da saída do sistema. (No Problema duração finita, cuja duração é menor que o período de
4.51, consideramos um exemplo do sistema da Figura amostragem. Se o pulso for unitário em t = 0, então x[n]
4.10 em que o sistema de tempo discreto é não linear.) = δ[n]. Porém, certamente é possível deslocar o pulso
Porém, o caso LIT leva a um resultado um tanto simples de modo que ele não fique alinhado com qualquer um
e geralmente útil. dos instantes de amostragem, isto é, x[n] = 0 para todos
os valores de n. Esse pulso, sendo limitado no tempo, O exemplo gráfico na Figura 4.12 fornece uma inter-
não é limitado em banda, e as condições do teorema da pretação de como essa resposta equivalente é alcança-
amostragem não são válidas. Mesmo que o sistema de da. Na Figura 4.12(a) é representada a transformada de
tempo discreto seja o sistema identidade, tal que y[n] = Fourier de um sinal de banda limitada. Na Figura 4.12(b)
x[n], o sistema global não será invariante no tempo se mostra-se a transformada de Fourier do trem de impul-
o aliasing ocorrer na amostragem da entrada. Em geral, sos modulado intermediário, que é idêntico a X(ejT), a
se o sistema de tempo discreto na Figura 4.10 for linear TFTD da sequência de amostras calculada em ω = T.
e invariante no tempo, e se a frequência de amostra- Na Figura 4.12(c), a TFTD da sequência de amostras e
a resposta em frequência do sistema de tempo discreto
gem for maior ou igual à taxa de Nyquist, associada à
são representadas em função da frequência normaliza-
largura de banda da entrada xc(t), então o sistema glo-
da ω relacionada ao tempo discreto. Na Figura 4.12(d)
bal será equivalente a um sistema de tempo contínuo mostra-se Y(ejω) = H(ejω)X(ejω), a transformada de Fou-
LIT com uma resposta em frequência equivalente dada rier da saída do sistema de tempo discreto. Na Figura
pela Equação 4.38. Além disso, a Equação 4.38 é válida 4.12(e) ilustra-se a transformada de Fourier da saída do
mesmo que ocorra algum aliasing no conversor C/D, sistema de tempo discreto em função da frequência re-
desde que H(ejω) não permita a passagem dos compo- lacionada ao tempo contínuo, juntamente com a resposta
nentes com aliasing. O Exemplo 4.3 é uma ilustração em frequência do filtro de reconstrução ideal Hr(j) do
simples do caso. conversor D/C. Finalmente, na Figura 4.12(f) mostra-se
a transformada de Fourier resultante da saída do con-
versor D/C. Comparando as figuras 4.12(a) e 4.12(f), no-
Exemplo 4.3 Filtragem passa-baixas ideal de tamos que o sistema se comporta como um sistema LIT
tempo contínuo usando um filtro com a resposta em frequência dada pela Equação 4.40 e
esboçada na Figura 4.11(b).
passa-baixas de tempo discreto
Considere a Figura 4.10, sendo a resposta em frequência
do sistema de tempo discreto LIT Vários pontos importantes estão ilustrados no
1, |ω| < ωc , Exemplo 4.3. Primeiro, observe que o filtro de tempo
H (e j ω ) = (4.39) discreto passa-baixas ideal com frequência de corte
0, ωc < |ω| ≤ π.
ωc tem o efeito de um filtro passa-baixas ideal com
Essa resposta em frequência é periódica com período
frequência de corte c = ωc/T quando usado na confi-
2π, como mostrado na Figura 4.11(a). Para entradas com
banda limitada amostradas a uma taxa maior ou igual à guração da Figura 4.10. Essa frequência de corte de-
de Nyquist, conclui-se pela Equação 4.38 que o sistema pende de ωc e de T. Em particular, usando um filtro
global da Figura 4.10 se comportará como um sistema de passa-baixas de tempo discreto fixo, mas variando o
tempo contínuo LIT com resposta em frequência período de amostragem T, um filtro passa-baixas de
1, | | < ωc ou | | < ωc /T , tempo contínuo equivalente com uma frequência de cor-
H eff = (4.40)
0, | | ≥ ωc ou | | ≥ ωc /T . te variável pode ser implementado. Por exemplo, se T
for escolhido, de modo que NT < ωc, então a saída
Como vemos na Figura 4.11(b), essa resposta em frequên-
cia efetiva é a de um filtro passa-baixas ideal com frequên- do sistema da Figura 4.10 será yr(t) = xc(t). Além dis-
cia de corte c = ωc/T. so, conforme ilustrado no Problema 4.31, a Equação
4.40 é válida mesmo que algum aliasing esteja pre-
sente nas figuras 4.12(b) e (c), desde que esses com-
H(e j) ponentes distorcidos (com aliasing) sejam eliminados
1
pelo filtro H(ejω). Em particular, da Figura 4.12(c),
notamos que, para que nenhum aliasing esteja pre-
–2 – c c 2 sente na saída, devemos assegurar que
(a)
Heff ( j)
(2π − N T) ≥ ωc, (4.41)
1
enquanto o requisito de Nyquist é
–
c c (2π − NT) ≥ N T. (4.42)
T T
(b)
Como outro exemplo do processamento de tempo
Figura 4.11 (a) Resposta em frequência do sistema de tempo dis- contínuo usando um sistema de tempo discreto, consi-
creto na Figura 4.10. (b) Resposta em frequência de tempo contínuo deremos a implementação de um diferenciador ideal
efetiva correspondente para entradas com banda limitada. para sinais de banda limitada.
X(e jω)
| | < π/T ,
1
H eff = (4.45)
0, | | ≥ π/T ,
T H(e jω)
como mostra a Figura 4.13(a). O sistema de tempo discre-
to correspondente tem resposta em frequência
–2π –ωc ωc NT 2π ω
–NT (2π – NT) jω
(c) H (e j ω ) = , |ω| < π, (4.46)
T
periódica com período 2π. Essa resposta em frequência é
Y(e jω ) esboçada na Figura 4.13(b). Pode-se mostrar que a respos-
1 ta ao impulso correspondente é
T
1 π jω
h[n] = ej ωn dω
2π −π T
–2π –ωc ωc 2π ω
(d) πn cos πn − sen πn
= , −∞ < n < ∞,
πn2 T
ou, de modo equivalente,
1 Y(e jT )
T T Hr (j ) 0, n = 0,
h[n] = cos πn (4.47)
, n = 0.
nT
– 2π –
π
–
ωc ωc π 2π Assim, se um sistema de tempo discreto com essa resposta
T T T T T T ao impulso for usado na configuração da Figura 4.10, a saí-
(e) da para qualquer entrada devidamente limitada em banda
será a derivada da entrada. O Problema 4.22 refere-se à
Yr ( j ) verificação desta questão para o caso em que a entrada é
um sinal senoidal.
1
–
ωc ωc 4.4.2 Invariância ao impulso
T T
(f) Mostramos que o sistema em cascata da Figu-
ra 4.10 pode ser equivalente a um sistema LIT para
Figura 4.12 (a) Transformada de Fourier de um sinal de entrada sinais de entrada com banda limitada. Agora, vamos
com banda limitada. (b) Transformada de Fourier da entrada amos- assumir que, conforme a representação na Figura 4.14,
trada em função da frequência relacionada ao tempo contínuo. (c) é dado um sistema de tempo contínuo desejado que
Transformada de Fourier X (e jω) da sequência de amostras e resposta queremos implementar na forma da Figura 4.10. Com
em frequência H (e jω) do sistema de tempo discreto em função de ω. Hc(j) limitado em banda, a Equação 4.38 especifica
(d) Transformada de Fourier da saída do sistema de tempo discreto. como escolher H(ejω) de modo que Heff(j) = Hc(j).
(e) Transformada de Fourier da saída do sistema de tempo discreto e Especificamente,
resposta em frequência do filtro de reconstrução ideal em função de
. (f) Transformada de Fourier da saída. H(ejω) = Hc(jω/T), |ω| < π, (4.48)
Sistema LIT de
tempo contínuo
xc (t) hc (t), Hc ( j ) yc (t)
(a)
Sistema LIT de
C/D tempo discreto D/C
xc (t) x [n] h [n], H(e j) y [n] yr (t) = yc (t)
T T
Heff ( j ) = Hc ( j )
(b)
Figura 4.14 (a) Sistema LIT de tempo contínuo. (b) Sistema equivalente para entradas limitadas em banda.
Exemplo 4.5 Filtro passa-baixas de tempo discreto e, assumindo que Re(s0) < 0, a resposta em frequência
obtido por invariância ao impulso AT
H (e j ω ) = .
1 − es0 T e−j ω
Suponha que queiramos obter um filtro passa-baixas ideal
Nesse caso, a Equação 4.55 não é válida exatamente, pois
de tempo discreto com frequência de corte ωc < π. Pode-
o sistema de tempo contínuo original não possui uma res-
mos fazer isso amostrando um filtro passa-baixas ideal de
posta em frequência com banda estritamente limitada, e,
tempo contínuo com frequência de corte c = ωc/T < π/T
portanto, a resposta em frequência de tempo discreto re-
definido por
sultante é uma versão com aliasing de Hc(j). Embora o
1, | | aliasing ocorra em um caso como esse, o efeito pode ser
c,
Hc = pequeno. Sistemas de ordem elevada cujas respostas ao
0, | |≥ c.
impulso são somas de exponenciais complexas podem, de
fato, ter respostas em frequência que caem rapidamente
A resposta ao impulso desse sistema de tempo contínuo é
em frequências altas, de modo que o aliasing é mínimo se
sen c t) a taxa de amostragem for alta o suficiente. Assim, uma das
hc (t) = , abordagens para a simulação em tempo discreto de siste-
πt
mas de tempo contínuo e também para o projeto de filtros
de modo que definimos a resposta ao impulso do sistema digitais envolve a amostragem da resposta ao impulso de
de tempo discreto como um filtro analógico correspondente.
sen c nT ) sen(ωc n)
h[n] =T hc (nT )= T = ,
πnT πn
4.5 Processamento em tempo contínuo
sendo ωc = cT. Já mostramos que essa sequência corres-
ponde à TFTD de sinais de tempo discreto
1, |ω| < ωc , Na Seção 4.4, abordamos e analisamos o uso de sis-
H (e j ω ) = temas de tempo discreto para processar sinais de tempo
0, ωc ≤ |ω| ≤ π,
contínuo na configuração da Figura 4.10. Nesta seção,
que é idêntica a Hc(jω/T), conforme previsto pela Equa- consideramos a situação complementar representada
ção 4.55. na Figura 4.15, que é chamada, de modo apropriado, de
processamento em tempo contínuo de sinais de tempo
discreto. Embora o sistema da Figura 4.15 não seja ti-
picamente usado para implementar sistemas de tempo
discreto, ele fornece uma interpretação útil de certos sis-
Exemplo 4.6 Invariância ao impulso aplicada a temas de tempo discreto que não possuem interpretação
sistemas de tempo contínuo com simples no domínio discreto.
funções de sistema racionais A partir da definição do conversor D/C ideal,
Xc(j) e, portanto, também Yc(j) necessariamente se-
Muitos sistemas de tempo contínuo possuem respostas ao rão nulos para || ≥ π/T. Assim, o conversor C/D amos-
impulso compostas de uma soma de sinais exponenciais tra yc(t) sem aliasing, e podemos expressar xc(t) e yc(t)
na forma respectivamente como
hc (t) = A es0 t u(t). ∞
sen [π(t − nT )/T]
xc (t) = x[n] (4.56)
Essas funções do tempo possuem transformadas de La- n=−∞
π(t − nT )/T
e
place
∞
A sen [π(t − nT )/T]
H c (s) = Re(s) > Re(s0 ). yc (t) = y[n] , (4.57)
s − s0 n=−∞
π(t − nT )/T
Se aplicarmos o conceito de invariância ao impulso a tal
sistema de tempo contínuo, obteremos a resposta ao im- h [n], H(e j)
pulso
sendo x[n] = xc(nT) e y[n] = yc(nT). As relações no do- yc(t) = xc(t − T ). (4.64)
mínio de frequência para a Figura 4.15 são
Além disso, xc(t) é a interpolação de banda limitada de
Xc(j) = T X (ejT), || < π/T , (4.58a) x[n], e y[n] é obtido pela amostragem de yc(t). Por exemplo,
se = 21, y[n] seria os valores da interpolação de banda li-
Yc(j) = Hc(j)Xc(j), (4.58b)
mitada na metade da distância entre os valores da sequên-
cia de entrada. Isso é ilustrado na Figura 4.16. Também po-
1 ω
Y (e j ω ) = Yc j , |ω| < π. (4.58c) demos obter uma representação de convolução direta para
T T o sistema definido pela Equação 4.61. Das equações 4.64 e
Portanto, substituindo as equações 4.58(a) e (b) na 4.56, obtemos
Equação 4.58(c), segue-se que o sistema total se com- y[n] = yc (nT ) = xc (nT −
porta como um sistema de tempo discreto cuja resposta ∞
em frequência é sen [π(t − − kT)/T]
= x[k] (4.65)
π(t − − kT)/T t=nT
ω k=−∞
H (e j ω ) = H c j , |ω| < π, (4.59)
T ∞
sen π(n − k −
= x[k] ,
ou, de modo equivalente, a resposta em frequência k=−∞
π(n − k −
global do sistema na Figura 4.15 será igual a um dado
que é, por definição, a convolução de x[n] com
H(ejω) se a resposta em frequência do sistema de tempo
contínuo for sen π(n −
h[n] = , −∞ < n < ∞.
π(n −
Hc = H (e ), | | < π/T . (4.60)
Quando não é um inteiro, h[n] tem extensão infinita.
Como Xc(j) = 0 para || ≥ π/T, Hc(j) pode ser Porém, quando = n0 é um inteiro, pode-se demonstrar
escolhido arbitrariamente acima de π/T. Uma escolha facilmente que h[n] = δ[n − n0], que é a resposta ao impul-
conveniente — porém arbitrária — é Hc(j) = 0 para so do sistema ideal de atraso inteiro.
|| ≥ π/T.
Com essa representação de um sistema de tempo
discreto, podemos focar o efeito equivalente do siste- O atraso não inteiro representado pela Equação
ma de tempo contínuo sobre o sinal de tempo contínuo 4.65 tem significado prático considerável, pois tal fator
de banda limitada xc(t). Isso é ilustrado nos exemplos usualmente surge na representação dos sistemas no
4.7 e 4.8. domínio de frequência. Quando esse tipo de termo é
encontrado na resposta em frequência de um sistema
de tempo discreto causal, ele pode ser interpretado à
Exemplo 4.7 Atraso não inteiro luz desse exemplo. Essa interpretação é ilustrada no
Consideremos um sistema de tempo discreto com respos-
Exemplo 4.8.
ta em frequência
Hc = H (e ) = e− . (4.63) 0 T 2T t
Então, pela Equação 4.59, o sistema de tempo discreto glo- (b)
bal na Figura 4.15 terá a resposta em frequência dada pela
Equação 4.61, sendo um inteiro ou não. Para interpretar Figura 4.16 (a) O processamento em tempo contínuo da sequência
o sistema da Equação 4.61, observamos que a Equação 4.63 de tempo discreto (b) pode produzir uma nova sequência com um atra-
representa um atraso no tempo de T segundos. Portanto,
so de “meia amostra”.
Exemplo 4.8 Sistema média móvel com atraso Porém, se M é ímpar, o termo de fase linear correspon-
não inteiro de a um atraso não inteiro, especificamente, a um inter-
No Exemplo 2.16, consideramos o sistema média móvel valo de uma amostra inteira mais meia. Esse atraso não
geral e obtivemos sua resposta em frequência. Para o inteiro pode ser interpretado em termos da discussão do
caso do sistema de média móvel causal com (M + 1) pon- Exemplo 4.7; isto é, y[n] é equivalente à interpolação de
tos, M1 = 0 e M2 = M, a resposta em frequência é banda limitada de w[n], seguida por um atraso de tempo
contínuo de MT/2 (sendo T o período de amostragem as-
1 sen[ω(M + 1)/2] −j ωM/ 2 sumido, porém arbitrário, associado à interpolação D/C de
H(e j ω ) = e , |ω| < π. (4.66)
(M + 1) sen(ω/2) w[n]), seguido pela conversão C/D novamente com perío-
Essa representação da resposta em frequência sugere a do de amostragem T. Esse atraso fracionário é ilustrado
interpretação do sistema de média móvel com (M + 1) na Figura 4.18. Na Figura 4.18(a) mostra-se uma sequência
pontos como a cascata de dois sistemas, como indica a Fi- de tempo discreto x[n] = cos(0,25πn). Essa sequência é a
gura 4.17. O primeiro sistema impõe uma ponderação de entrada de um filtro média móvel de seis pontos (M = 5).
amplitude no domínio da frequência. O segundo sistema Neste exemplo, a entrada inicia-se em um instante longín-
representa o termo de fase linear na Equação 4.66. Se M quo o suficiente no passado, de forma que a saída consista
é um inteiro par (ou seja, a média móvel de um número apenas na resposta em regime permanente para o inter-
ímpar de amostras), então o termo de fase linear corres-
valo de tempo mostrado. Na Figura 4.18(b) mostra-se a
ponde a um atraso inteiro, isto é,
sequência de saída correspondente, que é dada por
y[n] = w[n − M/2]. (4.67)
1 1
y[n] = H (e j 0,25π ) e j 0,25π n + H (e−j 0,25π ) e−j 0,25πn
2 2
1 sen[3(0,25π)] −j ( 0,25π)5/2 j 0,25π n
H(e jω) = e e
2 6 sen(0,125π)
1 sen[3(−0,25π)] j (0,25π)5/2 −j 0,25πn
1 sen (ω(M + 1) /2) + e e
e–jωM /2 2 6 sen(−0,125π)
x[n] M+1 sen (ω/2) w[n] y [n]
= 0,308 cos[0,25π(n − 2,5)].
0,5
– 0,5
–1
–5 0 5 10 15 20
n
(a)
1
M/2
0,5
–0,5
–1
–5 0 5 10 15 20
n
(b)
Figura 4.18 Exemplo da filtragem média móvel. (a) Sinal de entrada x [n] = cos(0,25πn). (b)
Saída correspondente do filtro média móvel de seis pontos.
Assim, o filtro média móvel de seis pontos reduz a am- 4.6.1 Redução da taxa de amostragem por um fator
plitude do sinal do cosseno e introduz um deslocamento inteiro
de fase que corresponde a 2,5 amostras de atraso. Isso é
A taxa de amostragem de uma sequência pode ser
aparente na Figura 4.18, em que esboçamos os cossenos de
tempo contínuo que são interpolados pelo conversor D/C reduzida amostrando-a, isto é, pela definição de uma
ideal para as sequências de entrada e de saída. Note, na Fi- nova sequência
gura 4.18(b), que a filtragem média móvel com seis pontos
xd[n] = x[nM] = xc(nMT). (4.70)
fornece um sinal cosseno amostrado, tal que os pontos da
amostra são deslocados por 2,5 amostras em relação aos A Equação 4.70 define o sistema representado
pontos de amostra da entrada. Isso pode ser observado na na Figura 4.19, que é chamado de compressor de taxa
Figura 4.18, comparando o pico positivo em 8 no cosseno
de amostragem (veja Crochiere e Rabiner, 1983, e Vai
interpolado para a entrada com o pico positivo em 10,5 no
cosseno interpolado para a saída. Assim, o filtro de média dyanathan, 1993) ou, simplesmente, de compressor. Da
móvel com seis pontos é visto como tendo um atraso de Equação 4.70, segue-se que xd[n] é idêntica à sequência
5/2 = 2,5 amostras. que seria obtida de xc(t) pela amostragem com período
Td = MT. Além disso, se Xc(j) = 0 para || ≥ N, en-
tão xd[n] é uma representação exata de xc(t) se π/Td =
π/(MT) ≥ N. Ou seja, a taxa de amostragem pode ser
4.6 Mudança da taxa de amostragem reduzida para π/M sem aliasing se a taxa de amostra-
usando o processamento em tempo gem original for pelo menos M vezes a taxa de Nyquist
discreto ou se a largura de banda da sequência for primeiro re-
duzida por um fator de M pela filtragem de tempo dis-
Vimos que um sinal de tempo contínuo xc(t) pode creto. Em geral, a operação de reduzir a taxa de amos-
ser representado por um sinal de tempo discreto que tragem (incluindo qualquer pré-filtragem) é chamada
consiste da sequência de amostras de subamostragem (ou downsampling).
x[n] = xc(nT). (4.68) Como no caso da amostragem de um sinal de tem-
po contínuo, é útil obter uma relação no domínio da fre-
Além disso, a discussão anterior mostrou que
quência entre a entrada e a saída do compressor. Dessa
mesmo que x[n] não tenha sido obtido originalmente
vez, porém, será uma relação entre TFTDs. Embora vá-
por amostragem, sempre podemos usar a fórmula de
rios métodos possam ser usados para obter o resulta-
interpolação de banda limitada da Equação 4.25 para
do desejado, basearemos a dedução nos resultados já
reconstruir um sinal de tempo contínuo de banda limi-
obtidos para amostragem de sinais de tempo contínuo.
tada xr(t) cujas amostras são x[n] = xr(nT) = xc(nT), isto
Primeiro, lembre-se de que a TFTD de x[n] = xc(nT) é
é, as amostras de xc(t) e xr(t) são idênticas nos instantes
∞
de amostragem mesmo quando xr(t) Z xc(t). jω 1 ω 2π k
X (e ) = Xc j − . (4.71)
Eventualmente é necessário mudar a taxa de T T T
k=−∞
amostragem de um sinal de tempo discreto, isto é, obter
uma nova representação de tempo discreto do sinal de Similarmente, a TFTD de xd[n] = x[nM] = xc(nTd)
tempo contínuo subjacente na forma com Td = MT é
∞
x1[n] = xc(nT1), (4.69) 1 ω 2πr
X d (ej ω ) = Xc j − . (4.72)
Td Td Td
sendo T1 Z T. Essa operação usualmente é chamada r=−∞
de reamostragem (ou resampling). Conceitualmente, Agora, como Td = MT, podemos escrever a Equa-
x1[n] pode ser obtida de x[n] por meio da reconstru- ção 4.72 como
ção de xc(t) a partir de x[n] usando a Equação 4.25, ∞
seguido da reamostragem de xc(t) com período T1 para jω 1 ω 2πr
X d (e ) = Xc j − . (4.73)
obter x1[n]. Porém, em geral, essa não é uma aborda- MT r=−∞
MT MT
gem prática, devido ao filtro de reconstrução analógi-
co, ao conversor D/A e ao conversor A/D usados em
uma implementação prática não serem ideais. Assim,
M
é de interesse considerar métodos para a mudança da x [n] xd [n] = x [nM]
taxa de amostragem que envolvam apenas operações
Período de Período de
de tempo discreto. amostragem T amostragem Td = MT
Para evidenciar a relação entre as equações 4.73 e 4.20(c) mostra‑se X(ejω), e está relacionada com a
4.71, note que o índice r no somatório da Equação 4.73 Figura 4.20(b) por meio da Equação 4.18. Como já
pode ser expresso como notamos, as figuras 4.20(b) e (c) diferem apenas em
um fator de escala da variável de frequência. A Figu-
r = i + kM, (4.74)
ra 4.20(d) mostra a TFTD da sequência subamostra-
sendo k e i inteiros, tais que −∞ < k < ∞ e 0 ≤ i ≤ M − 1. da quando M = 2. Esboçamos essa transformada de
Evidentemente, r ainda é um inteiro na faixa de −∞ a ∞, Fourier como uma função da frequência normalizada
mas agora a Equação 4.73 pode ser expressa como ω = Td. Finalmente, na Figura 4.20(e) esboça-se a
M−1 ∞ TFTD da sequência subamostrada em função da va-
1 1 ω 2πk 2πi
X d (ej ω)= Xc j − − . riável de frequência de tempo contínuo . A Figura
M T MT T MT 4.20(e) é idêntica à Figura 4.20(d), exceto pela mu-
i=0 k=−∞
(4.75) dança de escala do eixo de frequência com a relação
O termo entre chaves na Equação 4.75 comparado = ω/Td.
com a Equação 4.71 é reconhecido como Nesse exemplo, 2π/T = 4N; isto é, a taxa de amos-
tragem original é exatamente o dobro da taxa mínima
∞
1 ω − 2πi 2πk para evitar o aliasing. Assim, quando a sequência amos-
X (ej (ω −2πi)/M ) = Xc j − .(4.76)
T MT T trada original é subamostrada por um fator de M = 2,
k=−∞
nenhum aliasing é gerado. Se o fator de subamostragem
Assim, podemos expressar a Equação 4.75 como
for maior que 2 nesse caso, haverá aliasing, como mos-
M−1
1 trado na Figura 4.21.
X d (ej ω ) = X (ej (ω/M −2πi/M) ). (4.77)
M Na Figura 4.21(a) mostra-se a transformada de
i=0
Fourier de tempo contínuo de xc(t), e na Figura 4.21(b)
Há uma analogia direta entre as equações 4.71 e
mostra-se a TFTD da sequência x[n] = xc(nT), quando
4.77: a Equação 4.71 expressa a transformada de Fou-
2π/T = 4N. Assim, ωN = NT = π/2. Agora, se o fator
rier da sequência de amostras, x[n] (com período T), em
de subamostragem é M = 3, obtemos a sequência xd[n]
termos da transformada de Fourier do sinal de tempo
= x[3n] = xc(n3T), cuja TFTD é mostrada na Figura
contínuo xc(t); a Equação 4.77 expressa a transformada
4.21(c) com frequência normalizada ω = Td. Note que,
de Fourier da sequência de tempo discreto amostrada
como MωN = 3π/2, que é maior do que π, ocorre alia-
xd[n] (com período de amostragem M) em termos da
sing. Em geral, para evitar o aliasing na subamostragem
transformada de Fourier da sequência x[n]. Comparan-
por um fator M, é necessário que
do as equações 4.72 e 4.77, notamos que Xd(ejω) pode
ser considerada como a soma de um conjunto infinito ωN M ≤ π ou ωN ≤ π/M. (4.79)
de réplicas de Xc(j), ponderadas na amplitude e com
uma mudança de escala na frequência em que ω = Td Se essa condição não for válida, haverá aliasing,
e deslocadas por múltiplos inteiros de 2π (Equação mas isso pode ser tolerável em algumas aplicações.
4.72), ou réplicas da transformada de Fourier periódica Em outros casos, a subamostragem pode ser feita sem
X(ejω) com mudança de escala na amplitude com fa- aliasing se estivermos dispostos a reduzir a largura de
tor M, com mudança de escala na frequência com fator banda do sinal x[n] antes da subamostragem. Assim, se
M e deslocadas por múltiplos inteiros de 2π (Equação x[n] for filtrado por um filtro passa-baixas ideal com
4.77). Ambas as interpretações evidenciam que Xd(ejω) frequência de corte π/M, então a saída x̃[n] pode ser su-
é periódica com período 2π (como todas as TFTDs) e bamostrada sem aliasing, conforme mostram as figuras
que seja o aliasing pode ser evitado garantindo-se que 4.21(d), (e) e (f). Note que a sequência x̃d[n] = x̃[nM]
X(ejω) seja limitado em banda, isto é, não representa mais o sinal de tempo contínuo original
xc(t). Em vez disso, x̃ d[n] = x̃c(nTd), sendo Td = MT,
X(ejω) = 0, ωN ≤ |ω| ≤ π, (4.78) e x̃c(t) é obtido a partir de xc(t) por filtragem passa-
e 2π/M ≥ 2ωN . -baixas com frequência de corte c = π/Td = π/(MT).
A subamostragem está ilustrada na Figura 4.20 Pela discussão anterior, representamos o sistema
para M = 2. Na Figura 4.20(a) mostra-se a transfor- genérico para a subamostragem por um fator M como
mada de Fourier de um sinal de tempo contínuo de o mostrado na Figura 4.22. Esse sistema é chamado de
banda limitada, e na Figura 4.20(b) mostra-se a trans- dizimador, e a subamostragem pela filtragem passa-bai-
formada de Fourier do trem de impulsos das amos- xas seguida pela compressão é chamada de dizimação
tras quando o período de amostragem é T. Na Figura (Crochiere e Rabiner, 1983, e Vaidyanathan, 1993).
Xc (j)
1
–N N
(a)
– 2π – N N 2π
T T
(b)
X(e jω )
1
T
(c)
–2π –π π 2π ω = Td
(d)
Xd (e jTd)
(M = 2)
1
Td
– 4π – 2π 2π 4π 2π ω
= =
Td Td Td Td T Td
(e)
4.6.2 Aumento da taxa de amostragem por um fator isso, considere um sinal x[n] cuja taxa de amostragem
inteiro queiramos aumentar por um fator L. Se considerarmos
o sinal de tempo contínuo subjacente xc(t), o objetivo é
Vimos que a redução da taxa de amostragem de
obter amostras
um sinal de tempo discreto por um fator inteiro envol-
ve a amostragem da sequência de uma maneira seme- xi[n] = xc(nTi), (4.80)
lhante à amostragem de um sinal de tempo contínuo.
sendo Ti = T /L, a partir da sequência de amostras
Não é surpresa que o aumento da taxa de amostragem
envolva operações análogas à conversão D/C. Para ver x[n] = xc(nT). (4.81)
Xc ( j)
1
– N N
(a)
X(e j)
1
T
–2 – – N N = 2 = T
2
(b)
Xd (e j)
1
MT (M = 3)
–2 – 3 – 3 2 = Td
2 2
(c)
Hd (e j)
–2 – 2 = T
–
c =
M M
(d)
~
X(e j) = Hd (e j)X(e j)
1
T
–2 – 2 = T
– =
3 M 3
(e)
~
Xd (e j)
1
MT (M = 3)
–2 – 2 = Td
(f)
Figura 4.21 (a)-(c) Subamostragem com aliasing. (d)-(f) Subamostragem com pré-filtragem para
evitar o aliasing.
Filtro passa-
-baixas
Ganho = 1 M
~
x [n] Frequência x [n] x~d [n] = ~
x [nM]
de corte = π/M
Vamos nos referir à operação de aumentar a taxa po contínuo de banda limitada, e na Figura 4.24(b) mos-
de amostragem como superamostragem (ou upsampling). tra-se a TFTD da sequência x[n] = xc(nT), sendo π/T =
Das equações 4.80 e 4.81, segue-se que N. Na Figura 4.24(c) mostra-se Xe(ejω) de acordo com
a Equação 4.85, com L = 2, e na Figura 4.24(e) mostra-
xi[n] = x[n/L] = xc(nT /L), n = 0, ±L, ±2L, . . . . (4.82)
-se a transformada de Fourier do sinal desejado xi[n].
Na Figura 4.23 mostra-se um sistema para obter Notamos que Xi(ejω) pode ser obtido a partir de Xe(ejω),
xi[n] a partir de x[n] usando apenas processamento em corrigindo a escala de amplitude de 1/T para 1/Ti e re-
tempo discreto. O sistema da esquerda é chamado movendo todas as imagens com mudança de escala em
de expansor da taxa de amostragem (veja Crochiere e frequência de Xc(j), exceto em múltiplos inteiros de
Rabiner, 1983, e Vaidyanathan, 1993), ou simplesmente 2π. Para o caso representado na Figura 4.24, isso requer
expansor. Sua saída é um filtro passa-baixas com um ganho 2 e frequência de
x[n/L], n = 0, ±L, ±2L, . . . , corte π/2, como mostrado na Figura 4.24(d). Em geral,
xe [n] = (4.83) o ganho exigido é L, pois L(1/T) = [1/(T /L)] = 1/Ti, e a
0, caso contrário,
frequência de corte é π/L.
ou, de forma equivalente, Esse exemplo mostra que o sistema da Figura
∞
4.23 de fato gera uma saída que satisfaça a Equação
xe [n] = x[k]δ[n − kL]. (4.84) 4.80 caso a sequência de entrada x[n] = xc(nT) seja
k=−∞
obtida pela amostragem sem aliasing. Portanto, esse
sistema é chamado de interpolador, pois recupera as
O sistema da direita é um filtro passa-baixas de amostras que faltam, e a operação de superamostra-
tempo discreto com frequência de corte π/L e ganho gem é, consequentemente, considerada um sinônimo
L. Esse sistema tem um papel semelhante ao conversor de interpolação.
D/C ideal na Figura 4.9(b). Primeiro, criamos um trem
Como no caso do conversor D/C, é possível obter
de impulsos de tempo discreto xe[n] e depois usamos
uma fórmula de interpolação para xi[n] em termos de
um filtro passa-baixas para reconstruir a sequência.
x[n]. Primeiro, observe que a resposta ao impulso do fil-
A operação do sistema na Figura 4.23 é mais fa- tro passa-baixas na Figura 4.23 é
cilmente compreendida no domínio da frequência. A
transformada de Fourier de xe[n] pode ser expressa sen(πn/L)
hi [n] = . (4.87)
como π n/L
∞ ∞ Usando a Equação 4.84, obtemos
X e (e j ω ) = x[k]δ[n − kL] e−j ωn ∞
n=−∞
sen[π(n − kL)/L]
k=−∞ xi [n] = x[k] . (4.88)
∞ (4.85) π(n − kL)/L
k=−∞
= x[k]e−j ωL k = X (e j ωL).
k=−∞
A resposta ao impulso hi [n] tem as propriedades
Xc (j )
1
– N N
(a)
X(e j)
1
T
–2 – 2 = T
(b)
4
– 2 2 4 = 2 = Ti
–
–
L L L L L L
(c)
Hi (e j)
–2 – 2 = Ti
–
L L
(d)
Xi (e j)
1 L
=
Ti T
–2 – 2 = Ti
–
L L
(e)
tações computacionais. Como a interpolação linear é ra 4.23, com o filtro tendo a resposta ao impulso de
frequentemente empregada (embora muitas vezes não forma triangular
seja muito precisa), vale a pena examinar esse proces- 1 − |n|/L, |n| ≤ L,
hlin [n] = (4.91)
so no contexto que acabamos de abordar. 0, caso contrário,
A interpolação linear consiste em interpolar como mostrado na Figura 4.25 para L = 5. Com esse
amostras entre duas amostras originais, sendo que os filtro, a saída interpolada será
valores das amostras interpoladas estão em uma reta n+L−1
que passa pelas duas amostras originais. A interpola- xlin [n] = xe [k]hlin [n − k]. (4.92)
ção linear pode ser realizada com o sistema da Figu- k=n−L+1
1
hlin[n]
Essa função é esboçada na Figura 4.26(b) para L =
4/5
3/5 5 juntamente com o filtro de interpolação passa-baixas
L=5
2/5 ideal. Pela figura, notamos que, se o sinal original for
1/5
amostrado exatamente na taxa de Nyquist, isto é, sem
sobreamostragem, a interpolação linear não será muito
0 n precisa, pois a saída do filtro terá energia considerável
na faixa π/L < |ω| ≤ π por causa das imagens com mu-
Figura 4.25 Resposta ao impulso para a interpolação linear.
dança de escala de frequência de Xc(j) em múltiplos
de 2π/L que não são removidas pelo filtro de interpo-
Na Figura 4.26(a) esboçam-se xe[k] (com a envol- lação linear. Porém, se a taxa de amostragem original
tória de hlin[n−k] representada com uma linha tracejada for muito maior do que a taxa de Nyquist, então o in-
para um valor particular n = 18) e a saída corresponden- terpolador linear será mais bem-sucedido na remoção
te xlin[n] para L = 5. Nesse caso, xlin[n] para n = 18 de- dessas imagens, pois Hlin(ejω) é pequeno em uma região
pende apenas das amostras originais x[3] e x[4]. Por essa estreita em torno dessas frequências normalizadas, e em
figura, notamos que xlin[n] é idêntico à sequência obtida taxas de amostragem mais altas o aumento do fator de
conectando-se as duas amostras originais de ambos os mudança de escala de frequência faz com que as cópias
lados de n por uma linha reta e então reamostrando nos deslocadas de Xc(j) sejam localizadas em múltiplos de
L – 1 pontos intermediários desejados. Além disso, note 2π/L. Isso também é intuitivamente razoável a partir de
que os valores das amostras originais são preservados, uma perspectiva no domínio do tempo, pois, se a taxa de
pois hlin[0] = 1 e hlin[n] = 0 para |n| ≥ L. amostragem original exceder muito a taxa de Nyquist, o
sinal não variará significativamente entre as amostras, e,
A natureza da distorção nas amostras intermediá-
assim, a interpolação linear deverá ser mais precisa para
rias pode ser mais bem compreendida pela compara-
sinais sobreamostrados.
ção da resposta em frequência do interpolador linear com
a do interpolador passa-baixas ideal para um fator de in- Graças à sua resposta ao impulso bilateral de
terpolação L. Pode-se mostrar (veja o Problema 4.56) que comprimento infinito, o interpolador de banda limitada
ideal envolve todas as amostras originais no cálculo de
2
1 sen(ωL/2) cada amostra interpolada. Diferentemente, a interpola-
H lin (e j ω ) = . (4.93)
L sen(ω/2) ção linear envolve apenas duas das amostras originais
hlin[n − k] xe[k]
L=5
0 L 2L 3L n 4L 5L k
xlin[n]
n
(a)
L
Hi (e j)
L=5
Hlin(e j)
– – 4 – 2 – 2 4
5 5 5 5 5 5
(b)
Figura 4.26 (a) Exemplo de interpolação linear por filtragem. (b) Resposta em frequência do interpolador linear comparada com a do filtro de
interpolação passa-baixas ideal.
no cálculo de cada amostra interpolada. Para aproxi- x̃i [n] = x[n/L] em n = 0, ±L, ±2L, . . . . (4.96)
mar melhor a interpolação de banda limitada ideal, é
necessário usar filtros com respostas ao impulso mais Assim, se a taxa de amostragem de x̃i[n] for sub-
longas. Para essa finalidade, os filtros FIR têm muitas sequentemente reduzida de volta à taxa original (sem
vantagens. A resposta ao impulso h̃i[n] de um filtro FIR atraso intermediário ou atraso por um múltiplo de L
para interpolação por um fator L usualmente é projeta- amostras), então x̃i[nL] = x[n]; isto é, o sinal original é
da para ter as seguintes propriedades: recuperado exatamente. Se essa consistência não for
necessária, as condições das equações 4.94(c) e (d) po-
h̃i [n] = 0 |n| ≥ KL (4.94a) dem ser relaxadas no projeto de h̃i[n].
h̃i [n] = h̃i [−n ] | (4.94b)
n| ≤ KL Na Figura 4.27 mostram-se x e[k] e h̃i[n − k]
com K = 2. Na figura mostra-se que cada valor inter-
h̃i [0] = 1 n = 0 (4.94c)
polado depende de 2K = 4 amostras do sinal de entrada
h̃i [n] = 0 (4.94d)
n = ±L, ±2L, . . . , ±KL. original. Note também que o cálculo de cada amostra
A saída interpolada será, portanto, interpolada requer apenas 2K multiplicações e 2K – 1
adições, pois sempre existem L – 1 amostras nulas em
n+KL−1
xe[k] entre cada uma das amostras originais.
x̃i [n] = xe [k]h̃i [n − k]. (4.95)
A interpolação é um dos problemas mais estuda-
k=n−KL+1
Note que a resposta ao impulso para interpolação dos em análise numérica. Grande parte do avanço nes-
linear satisfaz as equações 4.94(a)–(d) com K = 1. se campo é baseada em fórmulas de interpolação que
interpolam com exatidão polinômios de um determi-
É importante entender a motivação para as res-
trições nas equações 4.94(a)–(d). A Equação 4.94(a) nado grau. Por exemplo, o interpolador linear fornece
estabelece que o comprimento do filtro FIR é 2K L resultados exatos para um sinal constante e para sinais
− 1 amostras. Além disso, essa restrição garante que so- cujas amostras variam ao longo de uma linha reta. As-
mente 2K amostras originais são envolvidas no cálculo sim como no caso da interpolação linear, as fórmulas de
de cada amostra de x̃ i[n]. Isso ocorre porque, embora interpolação de Lagrange de ordem mais alta (Schafer
h̃i[n] tenha 2 K L − 1 amostras não nulas, a entrada e Rabiner, 1973) e as fórmulas de interpolação spline
xe[k] tem apenas 2K amostras não nulas dentro do su- cúbica (Keys, 1981, e Unser, 2000) podem ser usadas
porte de h̃i[n − k] para qualquer n entre duas das amos- no nosso contexto de filtragem linear para obter filtros
tras originais. A Equação 4.94(b) garante que o filtro mais longos para interpolação. Por exemplo, a equação
não introduzirá qualquer deslocamento de fase nas (a+2)|n/L|3−(a+3)|n/L|2 + 1 0 ≤ n ≤L
amostras interpoladas, pois a resposta em frequência
correspondente é uma função real de ω. O sistema po- h̃i [n]= a|n/L|3−5|n/L|2 +8a|n/L|−4a L ≤ n ≤2L (4.97)
deria se tornar causal com a introdução de um atraso 0 caso contrário
de pelo menos K L – 1 amostras. De fato, a resposta ao
impulso h̃i[n − KL] gera uma saída interpolada atra- define uma família conveniente de respostas ao im-
sada de K L amostras, que corresponde a um atraso pulso de filtro de interpolação que envolvem quatro
de K amostras na taxa de amostragem original. Pode- amostras originais (K = 2) no cálculo de cada amostra
mos querer inserir outros atrasos de modo a equalizar interpolada. Na Figura 4.28(a) mostra-se a resposta ao
o atraso das partes de um sistema maior, que envolva impulso de um filtro cúbico com a = −0,5 e L = 5 e tam-
subsistemas que operam em taxas de amostragem dife- bém o filtro para interpolação linear (K = 1) (triângulo
rentes. Finalmente, as equações 4.94(c) e (d) garantem tracejado). As respostas em frequência corresponden-
que as amostras originais do sinal serão preservadas na tes estão na Figura 4.28(b) em uma escala de amplitude
saída, isto é, logarítmica (dB). Note que o filtro cúbico tem regiões
h˜ i[n − k]
xe [k]
2L 5L
0 L 3L n 4L 6L k
1 pulso linear (L = 5)
pulso cúbico a = −0,5
0,5
−10 −5 0 5 10
n
20
magnitude logarítmica em dB
−20
−40
Magnitude
−60
−80
−π −0,5π 0 0,5π π
ω
Figura 4.28 Respostas ao impulso e respostas em frequência para interpolação linear e cúbica.
muito mais largas em torno das frequências 2π/L e 4π/L gura 4.29(b) em um filtro passa-baixas com ganho L e
(0,4π e 0,8π, nesse caso), mas possui lóbulos laterais frequência de corte igual ao mínimo entre π/L e π/M.
menores do que o interpolador linear, que é mostrado Se M > L, então π/M é a frequência de corte dominan-
em linha tracejada. te, e existe uma redução líquida na taxa de amostra-
gem. Como mostramos na Seção 4.6.1, se x[n] foi ob-
4.6.4 Mudança da taxa de amostragem por um fator tido por amostragem na taxa de Nyquist, a sequência
não inteiro x̃d[n] corresponderá a uma versão filtrada passa-baixas
Mostramos como aumentar ou diminuir a taxa do sinal de banda limitada original se desejarmos evi-
tar aliasing. Por outro lado, se M < L, então π/L é a
de amostragem de uma sequência por um fator intei-
frequência de corte dominante, e não será preciso li-
ro. Combinando a dizimação e a interpolação, é pos-
mitar ainda mais a largura de banda do sinal abaixo da
sível mudar a taxa de amostragem por um fator não
frequência de Nyquist original.
inteiro. Especificamente, considere a Figura 4.29(a),
em que mostra-se um interpolador que diminui o pe-
ríodo de amostragem de T para T/L, seguido por um Exemplo 4.9 C
onversão de taxa de amostragem
dizimador que aumenta o período de amostragem de por um fator racional não inteiro
M, produzindo uma sequência de saída x̃d[n] com o
Na Figura 4.30 ilustra-se a conversão da taxa de amostra-
período de amostragem efetivo de (T M/L). Ao es- gem por um fator racional. Suponha que um sinal de ban-
colher L e M de modo apropriado, podemos obter da limitada com Xc(j), como mostrado na Figura 4.30(a),
aproximações arbitrariamente próximas de qualquer seja amostrado na taxa de Nyquist; isto é, 2π/T = 2N. A
relação desejada dos períodos de amostragem. Por TFTD resultante
exemplo, se L = 100 e M = 101, então o período de ∞
1 ω 2π k
amostragem equivalente é 1,01T. X (e j ω ) = Xc j −
T T T
Se M > L, existe um aumento líquido no período k=−∞
Interpolador Dizimador
Filtro Filtro
passa-baixas passa-baixas
L Ganho = L Ganho = 1
x [n] xe [n] Frequência xi [n] Frequência ~
xi [n] M ~
xd [n]
de de
corte = π/L corte = π/M
Período de
T T T TM
amostragem: T
L L L L
(a)
Filtro
passa-baixas
Ganho = L
L Frequência M
x [n] xe [n] ~
xi [n] ~
xd [n]
de corte =
min(π/L, π/M)
Período de
T T TM
amostragem: T
L L L
(b)
Figura 4.29 (a) Sistema para mudar a taxa de amostragem por um fator não inteiro. (b) Sistema simplificado em que os filtros de dizimação e
interpolação são agrupados.
Xc (j)
1
–N N
(a)
X (e j)
1
T
–2 – 2 = T
(b)
Xe (e j)
1 (L = 2)
T
– 4 – 2 – 2 4 = 2 = T/L
L L L L L L
(c)
Hd (e j)
(M = 3)
L
–2 – 2 = T/L
– c =
M M
(d)
~
Xi (e j) = Hd (e j)Xe (e j)
L
T
–2 – 2 = T/L
– =
3 M 3
(e)
~
Xd (e j)
L
MT
–2 – 2 = TM/L
(f)
Figura 4.30 Exemplo da mudança da taxa de amostragem por um fator não inteiro.
4.7.1 Comutação da filtragem com compressor/ sistemas da Figura 4.31 são equivalentes. Para mostrar a
expansor equivalência, note que, na Figura 4.31(b),
Primeiro, deduziremos duas identidades que au- X b(e j ω ) = H (e j ωM)X (e j ω ), (4.98)
xiliam na manipulação e na compreensão da operação
de sistemas multitaxa. É simples mostrar que os dois e pela Equação 4.77,
x[n] ~
xd [n]
H1(z) H2(zM1) M1 M2
H (z) L
x[n] xa [n] y [n]
(b)
(a)
x[n] ~
xd [n]
H1(z)H2(zM1) (M1M2)
L H (zL)
x [n] xb [n] y [n] (c)
(b)
Figura 4.33 Dizimação em estágios múltiplos: (a) Sistema de dizima-
Figura 4.32 Dois sistemas equivalentes baseados em identidades de ção em dois estágios. (b) Modificação de (a) com a identidade da suba-
sobreamostragem. mostragem da Figura 4.31. (c) Dizimação equivalente em um estágio.
Essa equação, que pode ser generalizada para Figura 4.34 Interpolação em estágios múltiplos: (a) Sistema de in-
qualquer número de estágios se M tiver muitos fa- terpolação em dois estágios. (b) Modificação de (a) com a identidade
tores, é uma representação útil da resposta em fre- da sobreamostragem da Figura 4.32. (c) Interpolação equivalente em
quência efetiva global do dizimador de dois estágios. um estágio.
Como ela mostra explicitamente os efeitos dos dois
filtros, pode ser usada como um auxílio no projeto de
dizimadores efetivos em múltiplos estágios, que mini-
mizam os cálculos. (Veja Crochiere e Rabiner, 1983, Ao atrasarmos essas subsequências sucessivamen-
Vaidyanathan, 1993, e Bellanger, 2000.) A fatoração te, podemos reconstruir a resposta ao impulso original
na Equação 4.103 também tem sido usada diretamen- h[n]; isto é,
te para projetar filtros passa-baixas (Neuvo et al., M−1
1984). Nesse contexto, o filtro com função de sistema h[n] = hk[n − k]. (4.106)
representado pela Equação 4.103 é chamado de filtro k=0
FIR interpolado. Isso porque a resposta ao impulso Essa decomposição pode ser representada com o
correspondente pode ser vista como a convolução de diagrama de blocos da Figura 4.35. Se criarmos uma ca-
h1[n], com a segunda resposta ao impulso expandida deia de elementos de avanço na entrada e uma cadeia
por M1; isto é, de elementos de atraso na saída, o diagrama de blocos
∞ na Figura 4.36 será equivalente ao da Figura 4.35. Na
h[n] = h1 [n] ∗ h2 [k]δ[n − kM1 ]. (4.104) decomposição nas figuras 4.35 e 4.36, as sequências
k=−∞ ek[n] são
Os mesmos princípios em múltiplos estágios podem ek[n] = h[nM + k] = hk[nM] (4.107)
ser aplicados à interpolação. Nesse caso, a identidade da
e são chamadas, em geral, de componentes polifásicos
sobreamostragem da Figura 4.32 é usada para relacionar
de h[n]. Existem várias outras maneiras de obter os
o interpolador de dois estágios a um sistema equivalente
componentes polifásicos, e existem outras formas de in-
em um estágio. Isso é representado na Figura 4.34.
dexá-los por conveniência de notação (Bellanger, 2000,
e Vaidyanathan, 1993), mas a definição adequada para
4.7.3 Decomposições polifásicas nossa finalidade nesta seção é aquela que usamos na
A decomposição polifásica de uma sequência é Equação 4.107.
obtida pela sua representação como uma sobreposição As figuras 4.35 e 4.36 não são realizações do filtro,
de M subsequências, em que cada sequência consiste de mas mostram como o filtro pode ser decomposto em M
todo M-ésimo valor de versões sucessivamente atrasa- filtros paralelos. Notamos isso ao notar que as figuras
das da sequência. Quando essa decomposição é aplicada 4.35 e 4.36 mostram que no domínio da frequência ou
a uma resposta ao impulso de filtro, pode levar a estrutu- da transformada z, a representação polifásica corres-
ras de implementação eficientes para filtros lineares em ponde a expressar H(z) como
vários contextos. Especificamente, considere uma res-
M−1
posta ao impulso h[n] decomposta em M subsequências
H (z) = Ek(z M )z−k. (4.108)
hk[n] com k = 0, 1, . . . , M − 1 da seguinte forma:
k=0
h[n + k], n = inteiro múltiplo de M, A Equação 4.108 expressa a função de sistema
hk[n] = (4.105)
0, caso contrário. H(z) como uma soma dos filtros componentes polifási-
M M
h[n] e0[n] h0[n]
z M M z –1
h[n + 1] e1[n] h1[n]
+
h[n] h [n]
z2 M M z –2
h[n + 2] e2[n] h2[n]
...
...
...
...
zM – 1 M M z –(M – 1)
h [n + M – 1] eM – 1[n] hM – 1[n]
M M +
h[n] h [n] e0[n] h0[n] h [n]
z z –1
M M +
h[n + 1] e1[n] h1[n]
z z –1
M M +
h[n + 2] e2[n] h2[n]
...
...
z z –1
M M
h[n + M – 1] eM – 1[n] hM – 1[n]
Figura 4.36 Decomposição polifásica do filtro h [n] usando componentes ek [n] com cadeias de atrasos.
...
...
v0[n] y0[n]
L H (z) h0[n] g0[n]
2 2
x [n] w[n] y[n] y[n]
x[n]
L E0(zL) + Figura 4.44 Banco de filtros para análise e síntese em dois canais.
y [n]
z –1
L E1(zL) +
entrada x[n] em uma banda passa-baixas, representada
z –1
pelo sinal subamostrado v0[n], e uma banda passa-altas,
x[n] L E2(zL) + representada por v1[n]. Nas aplicações de codificação
de voz e áudio, os sinais do canal são digitalizados para
...
...
...
1 Bancos de filtros que conservam o número total de amostras por segundo são chamados de bancos de filtros maximamente dizimados.
Se os filtros de análise e síntese forem ideais, de Tanto filtros FIR quanto filtros IIR podem ser
modo que dividam exatamente a banda 0 ≤ |ω| ≤ π em usados no sistema de análise/síntese da Figura 4.44 jun-
dois segmentos iguais sem sobreposição, então é fácil tamente com os filtros relacionados, como nas equações
verificar que Y(ejω) = X(ejω); isto é, o banco de filtros de 4.113(a)–(c), para fornecer reconstrução quase perfeita.
síntese reconstrói o sinal de entrada com exatidão. Po- O projeto desses filtros é baseado em obter um projeto
rém, a reconstrução perfeita ou quase perfeita também para H0(ejω) que seja uma aproximação de filtro passa-
pode ser alcançada com filtros não ideais para os quais -baixas aceitável enquanto satisfaz a Equação 4.115
haverá ocorrência de aliasing nas operações de suba- com um erro de aproximação aceitável. Um conjunto
mostragem do banco de filtros de análise. Para obser- desses filtros e um algoritmo para seu projeto foram
var isso, note que a segunda parcela na expressão para propostos por Johnston (1980). Smith e Barnwell (1984)
Y(ejω) [linha indicada como Equação 4.111(b)], que re- e Mintzer (1985) mostraram que a reconstrução perfei-
presenta a distorção potencial de aliasing da operação ta é possível com o banco de filtros de dois canais da
de subamostragem, pode ser eliminada por meio da es- Figura 4.44 se os filtros tiverem uma relação um com
colha de filtros, de modo que o outro diferente do que é especificado pelas equações
4.113(a)–(c). A relação diferente leva a filtros chama-
G0(ejω)H0(ej(ω−π)) + G1(ejω)H1(ej(ω−π)) = 0. (4.112)
dos de filtros em quadratura conjugados (CQF, do in-
Essa condição é chamada de condição de cancela- glês conjugate quadrature filters).
mento de alias. Um conjunto de condições que satisfa- Técnicas polifásicas podem ser empregadas para
çam a Equação 4.112 é economizar cálculos na implementação do sistema de
análise/síntese da Figura 4.44. A aplicação do resultado
h1 [n]= ej πn h0 [n]⇐⇒H1 (ej ω )=H0 (ej (ω −π)) (4.113a)
da subamostragem polifásica representada na Figura
g0 [n]= 2h0 [n]⇐⇒G0 (ej ω )=2H0 (ej ω )
(4.113b) 4.40 aos dois canais resulta no diagrama de blocos da
Figura 4.45(a), em que
g1 [n]=−2h1 [n]⇐⇒G1 (ej ω (4.113c)
)=−2H0 (ej (ω −π)).
e00 [n]=h0 [2n] (4.117a)
Os filtros h0[n] e h1[n] são chamados de filtros es-
pelhados em quadratura, pois a Equação 4.113(a) impõe e01 [n]=h0 [2n + 1] (4.117b)
simetria reflexiva em torno de ω = π/2. Substituindo es- e 10 [n]=h1 [2n]=e j 2πn h0 [2n]=e00 [n]
(4.117c)
sas relações na Equação 4.111(a), chegamos à relação
e11 [n]=h1 [2n +1]= e j 2πn ej π h (4.117d)
0 [2n + 1]=−e01 [n].
Y (e jω
)= H02 (e j ω ) − H02 (e j(ω −π) ) jω
X(e ), (4.114)
da qual segue-se que a reconstrução perfeita (com pos-
sível atraso de M amostras) requer
x [n] v0[n]
H02 (e j ω ) − H02 (e j(ω −π) ) = e−j ωM. (4.115) 2 e00[n]
As equações 4.117(c) e (d) mostram que os filtros riódica e interpolação de banda limitada. Formalizamos
polifásicos para h1[n] são os mesmos (exceto pelo si- essas discussões em termos de um sistema de amos-
nal) daqueles para h0[n]. Portanto, somente um conjun- tragem idealizado que chamamos de conversor de tem-
to, e00[n] e e01[n], precisa ser implementado. Na Figura po contínuo para discreto (C/D) ideal e um sistema in-
4.45(b) mostra-se como v0[n] e v1[n] podem ser forma- terpolador idealizado de banda limitada chamado de
dos a partir das saídas dos dois filtros polifásicos. Essa conversor de tempo discreto para contínuo (D/C) ideal.
estrutura equivalente, que requer apenas metade do Esses sistemas de conversão idealizados permitem que
cálculo da Figura 4.45(a), deve-se, naturalmente, à rela- nos concentremos nos detalhes matemáticos da relação
ção simples entre os dois filtros. entre um sinal de banda limitada e suas amostras. Por
A técnica polifásica pode, de modo similar, ser exemplo, na Seção 4.4, usamos os sistemas de conversão
aplicada ao banco de filtros de síntese, reconhecen- C/D e D/C idealizados para mostrar que os sistemas de
do que os dois interpoladores podem ser substituídos tempo discreto LIT podem ser usados na configuração
por suas implementações polifásicas e que, depois, da Figura 4.47(a) para implementar sistemas de tempo
as estruturas polifásicas podem ser combinadas, pois contínuo LIT se a entrada tiver banda limitada e a taxa
g1[n] = −ejπng0[n] = −ejπn2h0[n]. O sistema de síntese de amostragem for igual ou superior à taxa de Nyquist.
polifásica resultante pode ser representado em termos Em uma configuração prática, sinais de tempo contí-
dos filtros polifásicos f00[n] = 2e00[n] e f01[n] = 2e01[n], nuo não são exatamente limitados em banda, os filtros
como vemos na Figura 4.46. Assim como no caso do ideais não podem ser realizados e os conversores C/D
banco de filtros de análise, os filtros polifásicos de sín- e D/C ideais podem ser aproximados apenas por dispo-
tese podem ser compartilhados entre os dois canais, sitivos chamados conversores analógico-digitais (A/D)
reduzindo, assim, o cálculo pela metade. e digital-analógicos (D/A), respectivamente. O diagra-
Esse sistema de análise/síntese de duas bandas pode ma de blocos da Figura 4.47(b) mostra um modelo mais
ser generalizado para N canais com a mesma largura realista para o processamento digital de sinais de tempo
para que seja obtida uma decomposição mais detalhada contínuo (analógicos). Nesta seção, examinaremos al-
do espectro. Esses sistemas são usados na codificação gumas das considerações introduzidas por cada um dos
de áudio, onde facilitam a exploração das características componentes do sistema na Figura 4.47(b).
da percepção auditiva humana na compressão da taxa
de informação digital. (Veja o padrão de codificação de 4.8.1 Pré-filtragem para evitar aliasing
áudio MPEG e Spanias, Painter e Atti, 2007.) Além dis- No processamento de sinais analógicos que usam
so, o sistema de duas bandas pode ser incorporado em sistemas de tempo discreto, geralmente é desejável mi-
uma estrutura de árvore na obtenção de um sistema de nimizar a taxa de amostragem. Isso porque a quantidade
análise/síntese com canais espaçados uniformemente de processamento aritmético exigida para implementar
ou não. Quando os filtros CQF de Smith e Barnwell e o sistema é proporcional ao número de amostras a se-
de Mintzer são usados, a reconstrução exata é possível, rem processadas. Se a entrada não tiver banda limitada
e o sistema de síntese/análise resultante é basicamente ou se a frequência de Nyquist da entrada for muito alta,
a transformada wavelet discreta. (Veja Vaidyanathan, a pré-filtragem pode ser necessária. Um exemplo dessa
1993, e Burrus, Gopinath e Guo, 1997.) situação ocorre no processamento de sinais de voz, no
qual usualmente apenas a banda de baixa frequência
4.8 Processamento digital de sinais de até 3 kHz a 4 kHz é requerida para inteligibilida-
de, embora o sinal de voz possa ter conteúdo de fre-
analógicos
quência significativo na faixa de 4 kHz a 20 kHz. Além
Até aqui, as discussões da representação de sinais disso, mesmo que o sinal seja naturalmente limitado em
de tempo contínuo por sinais de tempo discreto concen- banda, o ruído aditivo de banda larga pode preencher a
traram-se nos modelos idealizados de amostragem pe- faixa de frequência mais alta, e como resultado da amos-
v0[n]
x[n] y[n]
2 e00[n] f00[n] 2
z−1 z−1
v1[n]
2 e01[n] f01[n] 2
Figura 4.46 Representação polifásica do banco de filtros de análise e síntese em dois canais da Figura 4.44.
Sistema de
C/D tempo discreto D/C
xc (t) x [n] y [n] yr (t)
T T
(a)
Sample- Filtro de
Filtro Conversor Sistema de Conversor reconstrução
-and- tempo discreto
antialiasing A/D D/A compensado
-hold
xc (t) xa (t) x0 (t) x [n] y [n] yDA (t) yr ( t)
~
Haa( j) Hr( j)
T T T
(b)
Figura 4.47 (a) Filtragem em tempo discreto de sinais de tempo contínuo. (b) Processamento digital de sinais analógicos.
tragem, esses componentes de ruído teriam aliasing na limitada. Na prática, a resposta em frequência Haa(j)
banda de baixa frequência. Se quisermos evitar aliasing, não pode ser idealmente de banda limitada, mas Haa(j)
o sinal de entrada precisa ser forçadamente de banda pode se tornar pequeno para || > π/T, de modo que o
limitada em frequências que estejam abaixo da meta- aliasing é minimizado. Nesse caso, a resposta em fre-
de da taxa de amostragem desejada. Isso pode ser feito quência geral do sistema na Figura 4.48 deveria ser
pela filtragem passa-baixas do sinal de tempo contínuo aproximadamente
antes da conversão C/D, como mostra a Figura 4.48.
Nesse contexto, o filtro passa-baixas que precede o con- H eff ≈ H aa ). (4.120)
versor C/D é chamado de filtro antialiasing. O ideal é Para obter uma resposta em frequência significan-
que a resposta em frequência do filtro antialiasing seja temente pequena acima de π/T, seria necessário que
1, | | c ≤ π/T , Haa(j) começasse a "decair", isto é, começasse a intro-
H aa = (4.118) duzir atenuação em frequências abaixo de π/T. A Equa-
0, | | ≥ c.
ção 4.120 sugere que o decaimento do filtro antialiasing
Da discussão da Seção 4.4.1, segue-se que o siste-
(e outras distorções LIT a serem discutidas mais adian-
ma global, da saída do filtro antialiasing xa(t) até a saída
te) poderia ser pelo menos parcialmente compensado
yr(t), sempre se comportará como um sistema LIT, pois
se for levado em conta no projeto do sistema de tempo
a entrada do conversor C/D, xa(t), é forçada pelo filtro
discreto. Isso é ilustrado no Problema 4.62.
antialiasing a ser de banda limitada em frequências
A discussão anterior requer filtros antialiasing
abaixo de π/T radianos/s. Assim, a resposta em frequên-
cia efetiva da Figura 4.48 será o produto de Haa(j) pela com corte abrupto. Esses filtros analógicos de corte
resposta em frequência efetiva de xa(t) a yr(t). Combi- abrupto podem ser realizados por meio de redes ativas
nando as equações 4.118 e 4.38, obtemos e circuitos integrados. Porém, em aplicações que envol-
vem processadores digitais com bom desempenho, mas
H (e ), | | c, pouco dispendiosos, esses filtros de tempo contínuo po-
H eff = (4.119)
0, | |≥ c. dem ser responsáveis por uma grande parte do custo de
Assim, para um filtro antialiasing passa-baixas um sistema para processamento em tempo discreto de
ideal, o sistema da Figura 4.48 se comporta como um sinais analógicos. Filtros de corte abrupto são difíceis
sistema LIT com resposta em frequência dada pela e caros de implementar e, se o sistema tiver de operar
Equação 4.119, mesmo quando Xc(j) não é de banda com uma taxa de amostragem variável, filtros ajustáveis
Sistema
Filtro C/D de tempo
antialiasing D/C
xc (t) xa (t) x [n] discreto y [n] yr (t)
Haa (j )
T T
seriam requeridos. Além disso, filtros analógicos com discreto pode ser subamostrada por M para a obten-
corte abrupto geralmente possuem uma resposta de ção da sequência amostrada xd[n], cuja transformada
fase altamente não linear, principalmente na borda da de Fourier é mostrada na Figura 4.50(d). Assim, toda
banda de passagem. Assim, por vários motivos, é desejá- a filtragem com corte abrupto foi feita por um siste-
vel eliminar os filtros de tempo contínuo ou simplificar ma de tempo discreto, e apenas filtragem de tempo
os requisitos referentes a eles. contínuo nominal é requerida. Como os filtros FIR de
Uma abordagem é representada na Figura 4.49. tempo discreto podem ter uma fase exatamente linear,
Com N indicando o componente de frequência mais é possível usar essa abordagem de superamostragem
alto a ser eventualmente retido após a conclusão da para implementar a filtragem antialiasing praticamen-
filtragem antialiasing, primeiro aplicamos um filtro an- te sem qualquer distorção em fase. Essa pode ser uma
tialiasing muito simples, que possui um corte gradual vantagem significativa em situações em que é crítico
com atenuação significativa em MN. Em seguida, im- preservar não apenas o espectro de frequência, mas
plementamos a conversão C/D em uma taxa de amos- também a forma de onda.
tragem muito mais alta do que 2N, por exemplo, em
2MN. Depois disso, a redução da taxa de amostragem 4.8.2 Conversão A/D
por um fator de M que inclua filtragem antialiasing Um conversor C/D ideal converte um sinal de
com corte abrupto é implementada no domínio de tempo contínuo em um sinal de tempo discreto, em
tempo discreto. O processamento de tempo discreto que cada amostra é conhecida com precisão infinita.
subsequente pode então ser feito à taxa de amostra- Como uma aproximação para o processamento digital
gem baixa, para reduzir os cálculos. de sinais, o sistema da Figura 4.51 converte um sinal de
Esse uso da sobreamostragem seguida pela con- tempo contínuo (analógico) em um sinal digital, isto é,
versão da taxa de amostragem é ilustrado na Figura em uma sequência de amostras de precisão finita ou
4.50. Na Figura 4.50(a) mostra-se a transformada de digitalizadas. Os dois sistemas na Figura 4.51 estão dis-
Fourier de um sinal que ocupa a banda || < N, mais poníveis como dispositivos físicos. O conversor A/D é
a transformada de Fourier do que poderia correspon- um dispositivo físico que converte uma amplitude de
der ao “ruído” de alta frequência ou componentes in- tensão ou corrente em sua entrada em um código biná-
desejados que eventualmente gostaríamos de eliminar
rio que representa um valor de amplitude digitalizado
usando o filtro antialiasing. Também é mostrada (linha
mais próximo da amplitude da entrada. Sob o controle
tracejada) a resposta em frequência de um filtro antia-
de um clock externo, o conversor A/D pode ser prepa-
liasing que não corta abruptamente, mas cai gradual-
rado para iniciar e concluir uma conversão A/D a cada
mente para zero em frequências acima da frequência
T segundos. Porém, a conversão não é instantânea, e,
N. Na Figura 4.50(b) mostra-se a transformada de
por esse motivo, um sistema A/D de alto desempenho
Fourier da saída desse filtro. Se o sinal xa(t) é amos-
tipicamente inclui um sample-and-hold (amostrador-
trado com período T, tal que (2π/T − c) ≥ N, então
-retentor), como na Figura 4.51. O sistema sample-and-
a TFTD da sequência x̂[n] será como mostrado na Fi-
-hold ideal é o sistema cuja saída é
gura 4.50(c). Note que o “ruído” terá aliasing, mas isso
não afetará a banda de sinal |ω| < ωN = NT. Agora, ∞
se T e Td forem escolhidos de modo que Td = MT e π/ x0 (t) = x[n]h0 (t − nT ), (4.121)
Td = N, então x̂[n] pode ser filtrado por um filtro de n=−∞
tempo discreto com corte abrupto [mostrado de for- sendo x[n] = xa(nT) as amostras ideais de xa(t) e h0(t) a
ma idealizada na Figura 4.50(c)] com ganho unitário resposta ao impulso do sistema de retenção de ordem
e frequência de corte π/M. A saída do filtro de tempo zero (zero-order-hold), isto é,
Filtro
Filtro
antialiasing
antialiasing C /D M
xc (t) xa (t) x [n] abrupto com xd [n]
simples
corte = π/M
1 π
T=
M N
Figura 4.49 Uso da conversão A/D com sobreamostragem para simplificar o filtro antialiasing de tempo contínuo.
– c – N N c
(a)
Xa (j )
1 Sinal Ruído
filtrado
– c – N N c
(b)
1 X(e jω)
Filtro de dizimação T T = π/(MN)
1
com corte abrupto Ruído com aliasing
π
–2π –ωN ωN = NT = 2π ω = T
M
(c)
Xd (e jω)
1 Td = MT
Td
–2π –π π 2π ω = Td
(d)
2 Esses digitalizadores também são chamados de digitalizadores lineares, em virtude da progressão linear dos níveis de digitalização.
x = Q(x)
3 011 111
2 010 110
001 101
–
2
000 100
– 9 – 7 – 5 – 3 3 5 7 9 x
2 2 2 2 2 2 2 2 2
– 111 011
– 4 100 000
2Xm
Note, a propósito, que o código binário deslocado pode Note que o símbolo indica o “ponto binário” do
ser convertido para código em complemento de dois número. A relação entre as palavras de código e os ní-
pela simples complementação do bit mais significativo. veis do sinal digitalizado depende do parâmetro Xm na
No sistema de complemento de dois, o bit mais à Figura 4.54. Esse parâmetro determina o nível de fundo
esquerda, ou mais significativo, é considerado como o bit de escala do conversor A/D. Pela Figura 4.54, vemos que
de sinal, e tomamos os bits restantes como representa- o comprimento do passo do digitalizador em geral seria
ção de binários inteiros ou frações. Assumiremos o últi-
2X m Xm
mo caso, isto é, assumimos um ponto fracionário binário = = B . (4.125)
2B+1 2
entre os dois bits mais significativos. Então, para a inter-
pretação em complemento de dois, os símbolos binários Os menores níveis de digitalização (±) corres-
têm o seguinte significado para B = 2: pondem ao bit menos significativo da palavra de código
binária. Além disso, a relação numérica entre as pala-
Símbolo binário Valor numérico, x̂B vras de código e as amostras digitalizadas é
01 1 3/4
x̂[n] = Xmx̂B [n], (4.126)
01 0 1/2
00 1 1/4 pois consideramos que x̂B[n] é um número binário tal
00 0 0 que −1 ≤ x̂B [n] < 1 (para complemento de dois). Nesse
11 1 −1/4 esquema, as amostras binárias codificadas x̂B[n] são di-
11 0 −1/2 retamente proporcionais às amostras digitalizadas (em
10 1 −3/4 binário complemento de dois); portanto, elas podem ser
10 0 −1 usadas como uma representação numérica da amplitude
Em geral, se tivermos uma fração em complemen- das amostras. De fato, geralmente é apropriado assumir
to de dois com (B + 1) bits na forma que o sinal de entrada esteja normalizado, de modo que
os valores numéricos de x̂[n] e x̂B[n] sejam idênticos, e
a0a1 a2 . . . aB, não é necessário distinguir entre as amostras digitaliza-
então o seu valor será das e as amostras em código binário.
Na Figura 4.55 é mostrado um exemplo simples
−a020 + a12−1 + a22−2 + · · · + aB 2−B. de digitalização e codificação das amostras de um sinal
Amostras digitalizadas
Amostras não digitalizadas
Saída do sample-and-hold ideal
Saída do conversor D/A
3
Sinal original
2
Amplitude
–
–2
–3
– 4
0 T 2T 3T 4T 5T t
xB [n]: 011 000 100 110 011 011
Figura 4.55 Amostragem, digitalização, codificação e conversão D/A com um digitalizador de 3 bits.
senoidal usando um digitalizador de 3 bits. As amostras amostra verdadeira x[n]. A diferença entre elas é o erro
não digitalizadas x[n] são ilustradas com pontos sólidos, de digitalização, definido como
e as amostras digitalizadas x̂[n], com círculos abertos.
e[n] = x̂[n] − x[n]. (4.127)
A saída de um sistema sample-and-hold ideal também
é mostrada. As linhas tracejadas indicadas como “saída Por exemplo, para o digitalizador de 3 bits da Fi-
do conversor D/A” serão discutidas mais adiante. Na gura 4.54, se /2 < x[n] ≤ 3/2, então x̂[n] = , e segue-
Figura 4.55 são mostradas, além disso, as palavras de -se que
código de 3 bits que representam cada amostra. Note −/2 ≤ e[n] < /2. (4.128)
que, como a entrada analógica xa(t) excede o valor de
fundo de escala do digitalizador, algumas das amostras No caso da Figura 4.54, a Equação 4.128 é válida
positivas são “grampeadas”. sempre que
Embora grande parte da discussão anterior per- −9/2 < x[n] ≤ 7/2. (4.129)
tença à codificação em complemento de dois dos níveis
No caso geral de um digitalizador de (B + 1) bits
de digitalização, os princípios básicos da digitalização
com dado pela Equação 4.125, o erro de digitalização
e da codificação na conversão A/D são os mesmos, in-
satisfaz a Equação 4.128 sempre que
dependentemente do código binário usado para repre-
sentar as amostras. Uma discussão mais detalhada dos (−Xm − /2) < x[n] ≤ (Xm − /2). (4.130)
sistemas de aritmética binária usados na computação
Se x[n] estiver fora desse intervalo, como está para
digital pode ser encontrada em textos sobre aritméti-
a amostra em t = 0 na Figura 4.55, então o erro de digi-
ca computacional. (Veja, por exemplo, Knuth, 1998.) A talização pode ser maior do que /2 em magnitude, e
seguir abordaremos uma análise dos efeitos da digitali- essas amostras são ditas grampeadas e o digitalizador é
zação. Como essa análise não depende da atribuição de considerado saturado.
palavras de código binário, ela levará a conclusões um
Um modelo simplificado, porém útil, do digitali-
tanto genéricas. zador é representado na Figura 4.56. Nesse modelo, as
amostras de erro de digitalização são consideradas um
4.8.3 Análise de erros de digitalização sinal de ruído aditivo. O modelo é exatamente equiva-
Pelas figuras 4.54 e 4.55, notamos que a amostra lente ao digitalizador se conhecermos e[n]. Na maior
digitalizada x̂[n] geralmente é diferente do valor da parte dos casos, porém, e[n] não é conhecido, e um mo-
–1
0 50 100 150 n
(a)
Figura 4.57 Exemplo de ruído de digitalização. (a) Amostras não digitalizadas do sinal x[n] = 0,99 cos(n/10). (continua)
3 Evidentemente, isso não implica independência estatística, pois o erro é determinado diretamente pelo sinal de entrada.
4 Para sinais cossenos periódicos, o erro de digitalização, evidentemente, seria periódico também; e, portanto, seu espectro de potência estaria
concentrado em múltiplos da frequência do sinal de entrada. Usamos a frequência ω0 = 1/10 para evitar esse caso no exemplo.
–1
0 50 100 150 n
(b)
0,2
– 0,2
0 50 100 150 n
(c)
10–3
5
0
–5
0 50 100 150 n
(d)
Figura 4.57 (continuação) (b) Amostras digitalizadas da forma de onda cossenoidal na parte (a) com um digitalizador de 3 bits. (c) Sequência
de erro de digitalização para a digitalização com 3 bits do sinal em (a). (d) Sequência de erro de digitalização para a digitalização com 8 bits do
sinal em (a).
Para digitalizadores que arredondam o valor da correlacionado a x[n]. Assim, assume-se que e[n] é uma
amostra para o nível de digitalização mais próximo, sequência ruído branco distribuída uniformemente. O
como mostrado na Figura 4.54, a amplitude do ruído de valor médio de e[n] é nulo, e sua variância é
digitalização está no intervalo 2 2
1
−/2 ≤ e[n] < /2. (4.131) σe2 = e2 de = . (4.132)
− 2 12
Para um pequeno, é razoável assumir que e[n] Para um digitalizador de (B + 1) bits com valor Xm
é uma variável aleatória uniformemente distribuída no de fundo de escala, a variância do ruído, ou potência, é
intervalo −/2 a /2. Portanto, a densidade de proba-
bilidade de primeira ordem assumida para o ruído de 2−2B X m2
σe2 = . (4.133)
digitalização é conforme mostrado na Figura 4.58. (Se 12
o truncamento for usado em lugar do arredondamento A Equação 4.133 completa o modelo de ruído
na implementação da digitalização, então o erro seria branco do ruído de digitalização, já que a função de
sempre negativo, e teríamos assumido uma densidade autocorrelação seria φee[m] = σe2δ[m], e o espectro de
de probabilidade uniforme no intervalo – a 0.) Para densidade de potência correspondente seria
completar o modelo estatístico para o ruído de digita-
lização, assumimos que as amostras de ruído sucessivas 2−2B X m2
Pee (e j ω ) = σe2 = |ω| ≤ π. (4.134)
são não correlacionadas umas às outras e que e[n] não é 12
fornece o número de amostras que está em cada um de um No Capítulo 10, mostramos como calcular estimativas do
conjunto de intervalo de valores de amplitude contíguos espectro de densidade de potência. A Figura 4.60 mostra
ou células, em intervalos justapostos de valores”, frequen- tais estimativas de espectro para sinais de ruído de digita-
temente é usado como uma estimativa da distribuição de lização, sendo B + 1 = 16, 12, 8 e 4 bits. Observe que, nesse
probabilidade de um sinal aleatório. A Figura 4.59 mostra exemplo, quando o número de bits é 8 ou maior, o espec-
histogramas do ruído de digitalização para a digitalização tro é quase plano por toda a faixa de frequências 0 ≤ ω ≤ π,
com 16 e com 8 bits para Xm = 1. Como o número total de e o nível do espectro (em dB) é muito próximo do valor
amostras era 101000, e o número células era 101, deve- 1
ríamos esperar aproximadamente 1000 amostras em cada 10 log10 (Pee (ej ω ))= 10 log10 =−(10,79 + 6,02B),
célula se o ruído é distribuído uniformemente. Além disso, 12(22B )
o intervalo total de amostras deveria ser ±1/216 = 1,53 × que é predito pelo modelo de distribuição uniforme do
10−5 para a digitalização com 16 bits e ±1/28 = 3,9 × 10−3 ruído branco. Note que as curvas para B = 7, 11 e 15 dife-
para a digitalização com 8 bits. Os histogramas da Figura rem em todas as frequências de cerca de 24 dB. Observe,
4.59 são consistentes com esses valores, embora o caso de porém, que quando B + 1 = 4, o modelo falha em predizer
8 bits mostre um desvio evidente da distribuição uniforme. a forma do espectro de potência do ruído.
1000
Número
500
0
−2 −1,5 −1 −0,5 0 0,5 1 1,5 2
e × 10−5
1500
B+1 = 8
1000
Número
500
0
−4 −3 −2 −1 0 1 2 3 4
e × 10−3
−20 B=3
−30
−40
B=7
−50
−60
dB
−70
B = 11
−80
−90
B = 15
−100
−110
0 0,2 0,4 0,6 0,8 1
ω/π
30 B=9
Exemplo 4.12 SNR para sinal senoidal 20
B=7
Se Xa(j) tem banda limitada a frequências abai- tempo de T/2 segundos para compensar o atraso desse
xo de π/T, as réplicas deslocadas de Xa(j) não se so- valor introduzido pela retenção de ordem zero. Como
brepõem na Equação 4.148, e se definimos o filtro de esse avanço no tempo não pode ser implementado em
reconstrução compensado como aproximações práticas em tempo real para o filtro de
Hr reconstrução compensado ideal, somente a resposta em
H̃ r = , (4.149) magnitude pode ser normalmente compensada, e fre-
H0
quentemente até mesmo essa compensação é despreza-
então, se a entrada é x0(t), a saída do filtro será xa(t). Po- da, pois o ganho da retenção de ordem zero cai somente
demos mostrar facilmente que a resposta em frequência para 2/π (ou −4 dB) em = π/T.
do filtro de retenção de ordem zero é Na Figura 4.64 é mostrado um conversor D/A em
2 sen 2) 2
cascata com um filtro de reconstrução ideal. Como pu-
H0 = e− . (4.150) demos ver pela discussão anterior, com o filtro de re-
construção compensada ideal em cascata com conver-
Portanto, o filtro de reconstrução compensado é
sor D/A, o sinal de saída reconstruído é
2 2 ∞
e , | | < π/T , sen [π(t − nT )/T ]
H̃ r = sen 2) (4.151) x̂r (t) = x̂[n]
n=−∞
π(t − nT)/T
0, | | ≥ π/T .
∞
Na Figura 4.63(a) é mostrado |H0(j)| dado pela sen [π(t − nT )/T ]
= x[n] + (4.152)
Equação 4.150 em comparação com a magnitude do fil- n=−∞
π(t − nT)/T
tro de interpolação ideal |Hr(j)| dado pela Equação ∞
4.139. Ambos os filtros têm um ganho de T em = 0, sen [π(t − nT )/T ]
+ e[n] .
mas a retenção de ordem zero, embora passa-baixas por n=−∞
π(t − nT)/T
natureza, não corta abruptamente em = π/T. Na Fi-
Em outras palavras, neste caso, a saída é
gura 4.63(b) é mostrada a magnitude da resposta em
frequência do filtro de reconstrução compensada ideal x̂r(t) = xa(t) + ea(t), (4.153)
a ser usado após um sistema de reconstrução de reten- sendo ea(t) um sinal ruído branco de banda limitada.
ção de ordem zero, como um conversor D/A. A resposta
Voltando a considerar a Figura 4.47(b), agora po-
em fase corresponde, de forma ideal, a um avanço no
demos compreender o comportamento dos sistemas
para processamento digital de sinais analógicos. As-
sumindo que a saída do filtro antialiasing é de banda
T limitada em frequências abaixo de π/T, que H̃ r(j) é
Filtro de
Retenção de interpolação ideal limitado em banda de forma similar e que o sistema de
ordem zero Hr(j) tempo discreto é linear e invariante no tempo, então a
|H0(j)| saída do sistema total toma a forma
ŷr (t) = ya (t) + ea (t), (4.154)
2π π 0 π 2π
– – sendo
T T T T
(a) Ya =H̃r 0 )Haa c (4.155)
em que Haa(j), H0(j) e Hr(j) são as respostas em
˜ r (j)|
|H
frequência do filtro antialiasing, do retentor de ordem
zero do conversor D/A e do filtro passa-baixas de re-
1
Filtro de
Conversor reconstrução
π π compensada
– D/A
T T x[n] xDA (t) ˜ r ( j) xr (t)
H
(b)
FPB
C/D Digitalizador M
xa (t) x [n] x [n] ωc = π/M xd [n]
e[n]
x [n] = xd [n] =
FPB
C/D + M
xa (t) x [n] x[n] + e [n] c = /M xda [n] + xde [n]
T=
N M
Figura 4.66 Sistema da Figura 4.65 com digitalizador substituído pelo modelo de ruído linear.
linear, e como assume-se que o ruído seja não corre- Assumindo que a entrada é de banda limitada,
lacionado ao sinal, podemos tratar as duas fontes se- como na Equação 4.158, e assumindo uma sobreamos-
paradamente no cálculo das respectivas potências dos tragem por um fator M, de modo que 2π/T = 2MN,
componentes de sinal e ruído na saída. obtemos, substituindo = ω/T na Equação 4.162,
Primeiro, consideraremos o componente de sinal
1 xx jω ,
|ω| < π/M,
da saída. Começamos por relacionar a densidade espec- jω a a
xx (e ) = T T (4.163)
tral de potência, a função de autocorrelação e a potên-
cia do sinal amostrado x[n] às funções correspondentes 0, π/M < ω ≤ π.
para o sinal analógico de tempo contínuo xa(t). Por exemplo, se xaxa(j) é como esboçado na Fi-
Sejam φxx[m] e xx(ejω), respectivamente, a auto- gura 4.67(a), e se escolhermos a taxa de amostragem
correlação e a densidade espectral de potência de x[n]. 2π/T = 2MN, então xx(ejω) será como mostra a Fi-
Então, por definição, φxx [m] = E{x[n + m]x[n]}, e como gura 4.67(b).
x[n] = xa(nT) e x[n + m] = xa (nT + mT), É instrutivo demonstrar que a Equação 4.161 é
verdadeira utilizando o espectro de potência. A potên-
E {x[n + m]x[n]} = E {xa ((n + m)T)xa (nT)}. (4.159) cia total do sinal analógico original é dada por
Portanto, 1 N
E{xa2 (t)} = xa xa
φxx[m] = φxaxa(mT); (4.160) 2π − N
isto é, a função de autocorrelação da sequência de Pela Equação 4.163, a potência total do sinal
amostras é uma versão amostrada da função de auto- amostrado é
correlação do sinal de tempo contínuo correspondente. 1 π
Em particular, a hipótese estacionária no sentido amplo E{x 2 [n]} = xx (e
jω
)dω (4.164)
2π
implica que E{xa2(t)} é uma constante independente de t.
−π
1 1 NM
=
T
Figura 4.67 Exemplo da mudança de escala de frequência e de amplitude entre x (j ) e xx(e jω).
a xa
as mesmas que observamos na Equação 4.161. Como o Na Figura 4.68, mostramos o espectro da densi
filtro de dizimação é um filtro passa-baixas ideal com dade de potência de e[n] e de x[n]. O espectro da den-
frequência de corte ωc = π/M, o sinal x[n] passa inalte- sidade de potência do sinal digitalizado x̂[n] é a soma
rado pelo filtro. Portanto, o componente de sinal suba- de ambos, pois considera-se que o sinal e as amostras de
mostrado na saída, xda[n] = x[nM] = xa(nMT), também ruído de digitalização são não correlacionados em
tem a mesma potência total. Isso pode ser visto pelo nosso modelo.
espectro de potência ao notarmos que, como xx(ejω) é Embora tenhamos mostrado que a potência tanto
limitado em banda a |ω| < π/M, em x[n] quanto em e[n] não depende de M, notamos
M−1
que, à medida que a razão de sobreamostragem M au-
jω 1 j (ω −2πk)/M menta, menos do espectro do ruído de digitalização se
xda xda (e )= xx (e )
M sobrepõe ao espectro de sinal. É esse efeito da sobrea-
k=0
mostragem que nos permite melhorar a relação sinal-
1 -ruído de digitalização com a redução da taxa de amos-
j ω/M
= xx (e ) |ω| < π. (4.166) tragem. Especificamente, o filtro passa-baixas ideal
M
remove o ruído de digitalização na banda π/M < |ω | ≤
Usando a Equação 4.166, obtemos π, enquanto deixa o componente do sinal inalterado. A
potência do ruído na saída do filtro passa-baixas ideal é
2 1 π
jω
E{xda [n]} = xda xda (e )dω
2π 1 π/M σe2
−π E{e2 [n]} = σe2 dω = .
2π −π/M M
1 π 1 j ω/M
= xx (e )dω Em seguida, o sinal filtrado passa-baixas é suba-
2π −π M
mostrado, e, como vimos, a potência do sinal na saída
1 π/M subamostrada permanece a mesma. Na Figura 4.69,
= xx (e
jω
) dω = E{x 2 [n]}, mostramos o espectro de densidade de potência resul-
2π −π/M
tante de xda[n] e xde[n]. Comparando as figuras 4.68 e
que mostra que a potência do componente de sinal 4.69, podemos notar que a área sob o espectro de den-
permanece a mesma ao passar pelo sistema total desde sidade de potência para o sinal não mudou, pois as mu-
a entrada xa(t) até o componente de saída correspon- danças de escalas entre o eixo de frequência e o eixo
dente xda[n]. Em termos do espectro de potência, isso de amplitude foram os inversos um do outro. Por outro
ocorre porque, para cada mudança de escala do eixo lado, a potência do ruído na saída dizimada é a mesma
de frequência que resulta da amostragem, temos uma que aquela na saída do filtro passa-baixas; isto é,
compensação de mudança inversa de escala da ampli-
tude, de modo que a área sob o espectro de potência
permanece igual enquanto partimos de xaxa(j) para
xx(ejω), e daí para xdaxda(ejω) por amostragem. 1 N M xx (e j)
=
T
Agora, consideremos o componente de ruído gera- ee ( e j) = e2
do por digitalização. Conforme o modelo na Seção 4.8.3,
assumimos que e[n] é um processo ruído branco esta-
– –/M /M
cionário no sentido amplo, com média nula e variância5
2 Figura 4.68 Densidade espectral de potência do sinal e do ruído de
σe2 = . digitalização com um fator de sobreamostragem M.
12
5 Como o processo aleatório tem média zero, a potência média e a variância são as mesmas.
+ Integrador
Conversor
+ de dados
A/D
xa (t) – amostrados y [n]
Conversor
D/A
(a)
H (z)
+ 1 y[n] xd [n] =
FPB
C/D + Digitalizador M
1– z –1 ωc = π/M xdc [n] + xde [n]
xa (t) x[n] –
T
z –1
(b)
e[n]
+ 1 y [n]
FPB
C/D + + M
1– z –1 ωc = π/M
xa (t) x [n] – xd [n]
T
z –1
Figura 4.71 Sistema da Figura 4.70 de xa (t) para xd [n] com o digitalizador substituído por um modelo de ruído linear.
e[n]
1 – z –1
e[n]
FPB
C/D + M
ωc = π/M
xa (t) x[n] y [n] = x [n] + e [n] xd [n]
p
T=
N M
1 = N M
T π
e e (e jω) = 4σe2sen 2 (ω/2)
xx(e jω)
σe2
–π 0
– π π π ω
M M
da do sistema de formatação do ruído. Porém, note que, Com essa aproximação, a Equação 4.175 é facil-
em comparação com a Figura 4.68, o ruído de digitaliza- mente calculada para se obter
ção foi formatado de modo que uma quantidade maior
da potência do ruído fica fora da banda de sinal |ω| < 1 2π 2
Pde = . (4.176)
π/M do que no caso sobreamostrado direto, em que o 36 M 3
espectro de ruído é plano. Pela Equação 4.176, vemos novamente um com-
No sistema da Figura 4.70, a potência de ruído promisso entre a razão de sobreamostragem M e o pas-
fora da banda é removida pelo filtro passa-baixas. Es- so do degrau do digitalizador. Para um digitalizador
pecificamente, na Figura 4.74, mostramos o espectro de (B + 1) bits e nível de sinal de entrada máximo entre
da densidade de potência de xdaxda(ejω) sobreposto mais e menos Xm, o passo do degrau é = Xm/2B. Por-
ao espectro da densidade de potência de xdexde(ejω). tanto, para obter uma potência de ruído de digitalização
Como o subamostrador (downsampler) não remo- dada Pde, devemos ter
ve qualquer potência do sinal, a potência do sinal
em xda[n] é 3
B = − log2 M + log2 (π/6)
2
Pda = E {xda2 [n]} = E{x2[n]} = E{xa2(t)}. (4.177)
1
− log2 Pde + log2 X m.
2
A potência do ruído de digitalização na saída final é
Comparando a Equação 4.177 com a Equação
1 π
Pde = jω
xde xde (e )dω 4.171, notamos que, enquanto com a digitalização direta
2π −π uma duplicação da razão de sobreamostragem M ga-
2
(4.175) nhou 1/2 bit na digitalização, com o uso da formatação
1 π ω 2
= 2 sen dω. do ruído há um ganho de 1,5 bit.
2π 12M −π 2M
A Tabela 4.1 mostra as economias equivalentes
Para comparar aproximadamente com os resulta-
nos bits do digitalizador na digitalização direta sem
dos na Seção 4.9.1, suponha que M seja suficientemente
sobreamostragem (M = 1) para (a) digitalização direta
grande, de modo que
com sobreamostragem, conforme discutimos na Seção
ω ω 4.9.1, e (b) sobreamostragem com formatação do ruído,
sen ≈ .
2M 2M conforme examinamos nesta seção.
1 = N
Td π
xda xda(e jω)
4σe2
xde xde(e jω) = sen 2 (ω/(2M))
M
–π 0 π ω
Figura 4.74 Densidade espectral de potência do sinal e ruído de digitalização após subamostragem.
Tabela 4.1 Economias equivalentes nos bits do digitalizador relativas a Tabela 4.2 Redução nos bits do digitalizador em função da formata-
M = 1 para digitalização direta e formatação do ruído de primeira ordem. ção do ruído com ordem p.
+ 1 + 1
C/D + + Digitalizador
xa (t) x[n] – 1 – z –1 1 – z –1 y [n]
–
T
z –1
FPB
Ganho = M
M Frequência Digitalizador D/C
yd [n] de corte = π/M y [n] y[n] ya (t)
poucos bits se pudermos ter certeza de que o ruído rado na saída. A função de transferência He(z) de e[n]
de digitalização não ocupa a banda do sinal. Depois, o para y[n] é
ruído pode ser removido por filtragem analógica pou- He(z) = 1 − z–1.
co dispendiosa.
Portanto, o componente do ruído de digitalização
Na Figura 4.77, mostramos uma estrutura para o
ê[n] que aparece na saída do sistema de formatação do
digitalizador que formata o ruído de digitalização de ruído na Figura 4.78 tem o espectro de densidade de
maneira similar à formatação do ruído de primeira or- potência
dem fornecida pelo sistema na Figura 4.70. Em nossa
análise, supomos que yd[n] seja efetivamente não digi- êê (e
jω
) = σe2 (2 sen ω/2)2 , (4.181)
talizado ou tão minuciosamente digitalizado em relação em que, novamente, σe2 = 2/12.
a y[n] que a principal fonte de erro do digitalizador seja Um exemplo dessa técnica para a conversão D/A é
o digitalizador da Figura 4.76. Para analisar o sistema dado na Figura 4.79. A Figura 4.79(a) mostra o espectro
nas figuras 4.76 e 4.77, substituímos o digitalizador na de potência ydyd(ejω) da entrada yd[n] na Figura 4.76.
Figura 4.77 por uma fonte de ruído branco aditiva e[n], Note que consideramos que o sinal yd[n] é amostrado
de modo que a Figura 4.77 seja substituída pela Figura à taxa de Nyquist. A Figura 4.79(b) mostra o espectro
4.78. A função de transferência de ŷ[n] para y[n] é uni- de potência correspondente na saída superamostrada
tária, isto é, o sinal sobreamostrado ŷ[n] aparece inalte- (por M), e na Figura 4.79(c) é mostrado o espectro do
ruído de digitalização na saída do sistema de digitaliza-
ção–formatação de ruído. Finalmente, na Figura 4.79(d)
+ é mostrado o espectro de potência do componente de
+ Digitalizador
y[n] y [n] sinal sobreposto ao espectro de potência do compo-
–
nente de ruído na saída analógica do conversor D/C da
– + Figura 4.76. Nesse caso, supomos que o conversor D/C
+ tenha um filtro de reconstrução passa-baixas ideal com
frequência de corte π/(MT), que removerá o máximo
e [n] possível do ruído de digitalização.
z –1
Na prática, gostaríamos de evitar os filtros de re-
construção analógicos de corte abrupto. Pela Figura
Figura 4.77 Sistema de formatação do ruído de primeira ordem para 4.79(d), fica claro que, se pudermos tolerar um pouco
digitalização D/A sobreamostrada. mais de ruído de digitalização, então o filtro de recons-
trução D/C não precisará de um decaimento tão abrup-
e [n] to. Além disso, se usarmos técnicas de múltiplos está-
gios na formatação do ruído, obtemos um espectro de
+ ruído de saída na forma
+ +
y[n] – y [n] êê (e
jω
) = σe2 (2 sen ω/2)2p ,
que empurraria mais do ruído para frequências mais al-
– + tas. Nesse caso, as especificações do filtro de reconstru-
+
ção analógico podem ser relaxadas ainda mais.
z –1
e [n]
4.10 Resumo
Neste capítulo, desenvolvemos e exploramos a re-
Figura 4.78 Sistema da Figura 4.77 com digitalizador substituído lação entre sinais de tempo contínuo e as sequências de
pelo modelo de ruído linear. tempo discreto obtidas pela amostragem periódica. O
1 yd yd (e jω)
–π 0 π ω
(a)
M y y (e jω)
–π π 0 π π ω
–
M M
(b)
–π 0 π ω
(c)
MT yaya(j)
π 0 π
–
MT MT
(d)
Figura 4.79 (a) Densidade espectral de potência do sinal yd [n]. (b) Densidade espectral de potência do sinal ŷ [n]. (c) Densidade espectral de
potência do ruído de digitalização. (d) Densidade espectral de potência do sinal de tempo contínuo e ruído de digitalização.
teorema fundamental que permite que o sinal de tem- partir do resultado. Os exemplos dados foram filtragem
po contínuo seja representado por uma sequência de passa-baixas e diferenciação.
amostras é o teorema de Nyquist-Shannon, o qual esta- Mudanças na taxa de amostragem são uma classe
belece que, para um sinal de banda limitada, amostras importante de operações de processamento digital de
periódicas são uma representação suficiente, desde que sinais. A subamostragem de um sinal de tempo discreto
a taxa de amostragem seja suficientemente alta em re- corresponde, no domínio de frequência, a uma replica-
lação à frequência mais alta no sinal de tempo contínuo. ção em escala de amplitude do espectro de tempo dis-
Sob essa condição, o sinal de tempo contínuo pode ser creto e a uma mudança de escala no eixo da frequência,
reconstruído pela filtragem passa-baixas conhecendo- o que pode exigir uma limitação de banda adicional
-se apenas a largura de banda original, a taxa de amos- para evitar aliasing. A sobreamostragem corresponde
tragem e as amostras. Isso corresponde à interpolação ao aumento efetivo da taxa de amostragem, e também
de banda limitada. Se a taxa de amostragem for muito é representada no domínio de frequência por uma mu-
baixa em relação à largura de banda do sinal, então ha- dança de escala no eixo da frequência. Ao combinar so-
verá distorção de aliasing e o sinal original não poderá breamostragem e subamostragem com razões inteiras,
ser reconstruído pela interpolação de banda limitada. pode-se obter a conversão da taxa de amostragem com
A capacidade de representar sinais por amostragem razões não inteiras. Também mostramos como isso pode
permite o processamento em tempo discreto de sinais de ser feito de modo eficiente usando técnicas multitaxas.
tempo contínuo. Isso é feito primeiro amostrando o sinal Nas últimas seções do capítulo, exploramos uma
e, depois, aplicando o processamento em tempo discreto, série de considerações práticas associadas ao proces-
e, finalmente, reconstruindo o sinal de tempo contínuo a samento em tempo discreto de sinais de tempo contí-
nuo, incluindo o uso da pré-filtragem para evitar alia- (a) Determine uma escolha para T que seja consistente
sing, erro de digitalização na conversão A/D e algumas com essa informação.
questões associadas à filtragem usada na amostragem (b) Sua escolha para T no item (a) é única? Se for, ex-
e na reconstrução dos sinais de tempo contínuo. Final- plique por quê. Se não, especifique outra escolha de
T que seja consistente com a informação dada.
mente, mostramos como a dizimação e a interpolação
4.4. O sinal de tempo contínuo
em tempo discreto e a formatação do ruído podem ser
usadas para simplificar o lado análogo das conversões xc(t) = sen (20πt) + cos (40πt)
A/D e D/A. é amostrado com um período de amostragem T para a
O foco deste capítulo foi a amostragem periódica obtenção do sinal de tempo discreto
como um processo para a obtenção de uma represen- πn 2π n
tação discreta de um sinal de tempo contínuo. Embora x[n] = sen + cos .
5 5
essas representações sejam de longe as mais comuns e a (a) Determine uma escolha para T que seja consistente
base para quase todos os tópicos a serem discutidos no com essa informação.
restante deste livro, existem outras abordagens para a (b) Sua escolha para T no item (a) é única? Se for, ex-
obtenção de representações discretas, que podem levar plique por quê. Se não, especifique outra escolha de
a representações mais compactas para sinais, nas quais T que seja consistente com a informação dada.
outras informações sobre o sinal (além da largura de 4.5. Considere o sistema da Figura 4.10, sendo o sistema de
banda) são conhecidas. Alguns exemplos podem ser en- tempo discreto um filtro passa-baixas ideal com frequên-
contrados em Unser (2000). cia de corte π/8 radianos/s.
(a) Se xc(t) é limitado em banda a 5 kHz, qual é o va-
lor máximo de T que evitará aliasing no conversor
Problemas C/D?
(b) Se 1/T = 10 kHz, qual é a frequência de corte do
Problemas básicos com respostas
filtro de tempo contínuo equivalente?
4.1. O sinal (c) Repita o item (b) para 1/T = 20 kHz.
xc(t) = sen (2π(100)t) 4.6. Seja hc(t) a resposta ao impulso de um filtro de tempo
contínuo LIT, e hd[n], a resposta ao impulso de um filtro
foi amostrado com período de amostragem T = 1/400 se-
de tempo discreto LIT.
gundos para a obtenção de um sinal de tempo discreto
(a) Se
x[n]. Qual é a sequência x[n] resultante?
4.2. A sequência e−at , t ≥ 0,
hc (t) =
0, t < 0,
π
x[n] = cos n , –∞ < n < ∞,
4 sendo a uma constante real positiva, determine a
resposta em frequência do filtro de tempo contínuo
foi obtida pela amostragem do sinal de tempo contínuo
e esboce sua magnitude.
xc(t) = cos (0t), −∞ < t < ∞, (b) Se hd[n] = Thc(nT) com hc(t) como no item (a), de-
termine a resposta em frequência do filtro de tem-
em uma taxa de amostragem de 1000 amostras/s. Quais po discreto e esboce a sua magnitude.
são os dois valores positivos possíveis de 0 que pode-
(c) Para um valor dado de a, determine, em função de
riam ter resultado na sequência x[n]?
T, a magnitude mínima da resposta em frequência
4.3. O sinal de tempo contínuo do filtro de tempo discreto.
xc(t) = cos (4000πt) 4.7. Um modelo simples de canal de comunicação multiper-
curso é indicado na Figura P4.7-1. Suponha que sc(t) seja
é amostrado com um período de amostragem T para ob- de banda limitada, de modo que Sc(j) = 0 para || ≥ π/T
termos o sinal de tempo discreto e que xc(t) seja amostrado com um período de amostra-
πn gem T para se obter a sequência
x[n] = cos .
3 x[n] = xc(nT).
+
sc (t) xc (t) = sc (t) + α sc (t – τd)
α Atraso
τd
Figura P4.7-1
(a) Determine a transformada de Fourier de xc(t) e a 4.10. Cada um dos seguintes sinais de tempo contínuo é usado
transformada de Fourier de x[n] em termos de Sc(j). como entrada xc(t) para um conversor C/D ideal, como
(b) Queremos simular o sistema multipercurso com um mostrado na Figura 4.1 com o período de amostragem T
sistema de tempo discreto escolhendo H(ejω) na Fi- especificado. Em cada caso, encontre o sinal de tempo
gura P4.7-2, de modo que a saída seja r[n] = xc(nT) discreto x[n] resultante.
quando a entrada é s[n] = sc(nT). Determine H(ejω) (a) xc(t) = cos (2π(1000)t) , T = (1/3000) s
em termos de T e τd. (b) xc(t) = sen (2π(1000)t) , T = (1/1500) s
(c) Determine a resposta ao impulso h[n] na Figura (c) xc(t) = sen (2π(1000)t) / (πt) , T = (1/5000) s
P4.7 quando (i) τd = T e (ii) τd = T /2. 4.11. Os sinais de entrada de tempo contínuo xc(t) a seguir e
os sinais de saída de tempo discreto x[n] corresponden-
H(e j)
tes são aqueles de um C/D ideal, como mostra a Figura
s [n] = sc (nT ) r [n] = xc (nT ) 4.1. Especifique uma escolha para o período de amos-
tragem T que seja coerente com cada par de xc(t) e x[n].
Figura P4.7-2 Além disso, indique se sua escolha de T é única. Se não,
especifique uma segunda escolha possível de T, consis-
4.8. Considere o sistema na Figura P4.8 com as seguintes re- tente com a informação dada.
lações: (a) xc(t) = sen(10πt), x[n] = sen(πn/4)
(b) xc(t) = sen(10πt)/(10πt), x[n] = sen(πn/2)/(πn/2).
Xc = 0, | | ≥ 2π × 104 , 4.12. No sistema da Figura 4.10, suponha que
x[n] = xc (nT), H(ejω) = jω/T, −π ≤ ω < π,
n
y[n] = T x[k]. e T = 1/10 s.
k=−∞ (a) Para cada uma das seguintes entradas xc(t), encon-
tre a saída correspondente yc(t).
(i) xc(t) = cos(6πt).
h[n]
C/D (ii) xc(t) = cos(14πt).
xc (t) x [n] H(e j) y[n]
(b) As saídas yc(t) são aquelas que você esperaria de
um diferenciador?
T
4.13. No sistema mostrado na Figura 4.15, hc(t) = δ(t − T /2).
(a) Suponha que a entrada x[n] = sen(πn/2) e T = 10.
Figura P4.8
Encontre y[n].
(a) Para esse sistema, qual é o valor máximo permitido (b) Suponha que você use o mesmo x[n] do item (a), mas
de T se houver necessidade de evitar aliasing, isto é, que T seja a metade, 5. Encontre o y[n] resultante.
de modo que xc(t) possa ser recuperado a partir de (c) Em geral, como o sistema LIT de tempo contínuo
x[n]? hc(t) limita o intervalo do período de amostragem T
(b) Determine h[n]. que pode ser usado sem alterar y[n]?
(c) Em termos de X(ejω), qual é o valor de y[n] para 4.14. Quais dos seguintes sinais podem ser subamostrados por
n → ∞? um fator de 2 usando o sistema da Figura 4.19 sem qual-
quer perda de informação?
(d) Determine se existe algum valor de T para o qual
(a) x[n] = δ[n − n0], para n0 sendo um inteiro desconhe-
∞
y[n] = xc (t)dt. (P4.8-1) cido
n=∞ −∞ (b) x[n] = cos(πn/4)
Se houver tal valor para T, determine o valor má- (c) x[n] = cos(πn/4) + cos(3πn/4)
ximo. Se não houver, explique e especifique como (d) x[n] = sen (πn/3) /(πn/3)
T deve ser escolhido, de modo que a igualdade na (e) x[n] = (−1)n sen (πn/3) /(πn/3).
Equação P4.8-1 seja uma melhor aproximação. 4.15. Considere o sistema mostrado na Figura P4.15. Para
4.9. Considere um sinal de tempo discreto estável x[n] cuja cada um dos seguintes sinais de entrada x[n], indique se
transformada de Fourier de tempo discreto X(ejω) satis- a saída é xr[n] = x[n].
faça a equação (a) x[n] = cos(πn/4)
(b) x[n] = cos(πn/2)
X (ejω) = X(ej(ω−π))
(c)
e tenha simetria par, isto é, x[n] = x[−n]. sen(πn/8) 2
(a) Mostre que X(ejω) é periódica com um período π. x[n] =
πn
(b) Encontre o valor de x[3]. (Dica: Encontre valores
para todos os pontos com índices ímpares.) Dica: Use a propriedade de modulação da transfor-
(c) Seja y[n] a versão dizimada de x[n], isto é, y[n] = x[2n]. mada de Fourier para encontrar X(ejω).
Você pode reconstruir x[n] a partir de y[n] para todo
n. Se sim, como? Se não, justifique sua resposta.
Xc (j)
H(e jω)
3
3 3 1 1
x[n] xd [n] xe [n] xr [n]
– π/3 π/3 ω
Figura P4.15
– 2 0
– 0 0 2 0
3 3 0
4.16. Considere o sistema na Figura 4.29. A entrada x[n] e a
saída correspondente x̃d[n] são dadas para uma escolha Figura P4.19-1
específica de M/L em cada um dos itens a seguir. De-
termine uma escolha para M/L com base na informação
dada e especifique se a sua escolha é única. C /D D/C
(a) x[n] = sen (πn/3) /(πn/3), x̃d[n] = sen (5πn/6) /(5πn/6) xc (t) x [n] xr (t)
(b) x[n] = cos (3πn/4), x̃d [n] = cos(πn/2)
4.17. Cada um dos itens a seguir lista um sinal de entrada x[n] T T
e as taxas de sobreamostragem e subamostragem L e M
para o sistema na Figura 4.29. Determine a saída corres- Figura P4.19-2
pondente x̃d[n].
4.20. Considere o sistema na Figura 4.10. O sinal de entrada
(a) x[n] = sen(2πn/3)/πn, L = 4, M = 3
xc(t) tem a transformada de Fourier mostrada na Figura
(b) x[n] = sen(3πn/4), L = 6, M = 7 P4.20 com 0 = 2π(1000) radianos/segundo. O sistema
4.18. Para o sistema mostrado na Figura 4.29, X(ejω), a trans- de tempo discreto é um filtro passa-baixas ideal com res-
formada de Fourier do sinal de entrada x[n], é mostrada posta em frequência
na Figura P4.18. Para cada uma das seguintes escolhas de
1, |ω| < ωc ,
L e M, especifique o valor máximo possível de ω0, tal que H (e j ω ) =
0, caso contrário.
X̃d(ejω) = aX (ejMω/L) para uma constante a.
X (e jω) X ( j)
1
1
–0 0
–π – ω0 ω0 π
Figura P4.20
Figura P4.18
(a) Qual é a taxa de amostragem mínima Fs = 1/T, tal
que não ocorra aliasing na amostragem da entrada?
(a) M = 3, L = 2
(b) Se ωc = π/2, qual é a taxa de amostragem mínima,
(b) M = 5, L = 3 tal que yr(t) = xc(t)?
(c) M = 2, L = 3
4.19. O sinal de tempo contínuo xc(t) com a transformada de
Fourier Xc(j) mostrada na Figura P4.19-1 passa pelo Problemas básicos
sistema mostrado na Figura P4.19-2. Determine o inter- 4.21. Considere um sinal de tempo contínuo xc(t) com trans-
valo de valores de T para o qual xr(t) = xc(t). formada de Fourier Xc(j) mostrada na Figura P4.21-1.
Xc(jΩ)
1 1
−Ω0 − 2 Ω0 0 2
3 3 Ω0 Ω0
(a) Um sinal de tempo contínuo xr(t) é obtido por contínuo reconstruído a partir da saída do diferenciador
meio do processo mostrado na Figura P4.21-2. Pri- de banda limitada é realmente a derivada de xc(t).
meiro, xc(t) é multiplicado por um trem de impul- (a) A entrada amostrada é x[n] = cos(ω0n), em que ω0 =
sos de período T1 para produzir a forma de onda 0T < π. Determine uma expressão para X(ejω) que
xs(t), isto é, seja válida para |ω| ≤ π.
+∞ (b) Agora, use a Equação 4.46 para determinar a TFTD
xs (t) = x[n]δ(t − nT1 ). de Y(ejω), a saída do sistema de tempo discreto.
n=−∞ (c) Pela Equação 4.32, determine Yr(j), a transforma-
da de Fourier de tempo contínuo da saída do con-
Em seguida, xs(t) passa por um filtro passa-baixas
versor D/C.
com resposta em frequência Hr(j). Hr(j) é mos-
trado na Figura P4.21-3. (d) Use o resultado de (c) para mostrar que
d
xc(t) xs(t) xr(t)
yr (t) = − 0 sen 0 t) = [xc (t)] .
Hr( j) dt
4.23. Na Figura P4.23-1 é mostrado um filtro de tempo con-
tínuo que é implementado usando-se um filtro passa-
∞
-baixas ideal de tempo discreto LIT com resposta em
δ(t − nT1)
n=−∞ frequência sobre −π ≤ ω ≤ π como
1 |ω| < ωc
Figura P4.21-2 Sistema de conversão para o item (a). H (e j ω ) =
0 ωc < |ω| ≤ π.
H( j)
Antialiasing
v(t) xc(t) xd[n] yd[n] yc(t)
Filtro TC C/D Hd(e jω), h[n] D/C
T T
Figura P4.24-1
xc (t) yc(t)
C/D H(e j) D/C
T T
Figura P4.26
Hc(jΩ)
T T
Figura P4.27
• O filtro de tempo discreto tem resposta em fre- 4.29. Na Figura P4.29, suponha que Xc(j) = 0, || ≥ π/T1.
quência Para o caso geral em que T1 Z T2 no sistema, expresse
yc(t) em termos de xc(t). A relação básica é diferente
ej ω/ 2 − e−j ω/ 2 para T1 > T2 e T1 < T2?
Hd (ej ω ) = , |ω| ≤ π.
T
• O conversor D/C ideal é tal que yd[n] = yc(nT). C/D D/C
(a) Encontre a resposta em frequência de tempo contí- xc (t) x [n] yc (t)
nuo Hc(j) do sistema de ponta a ponta.
(b) Encontre xd[n], yc(t) e yd[n], quando o sinal de en- T1 T2
trada é
Figura P4.29
sen M t)
xc (t) = .
Mt 4.30. No sistema da Figura P4.30, Xc(j) e H(ejω) são como
4 .28. Considere a representação do processo de amostragem mostrados. Esboce e especifique a transformada de Fou-
seguido pela reconstrução mostrada na Figura P4.28. rier de yc(t) para cada um dos seguintes casos:
(a) 1/T1 = 1/T2 = 104
(b) 1/T1 = 1/T2 = 2 × 104
s(t) = (t − nT)
n=− (c) 1/T1 = 2 × 104, 1/T2 = 104
(d) 1/T1 = 104, 1/T2 = 2 × 104.
Figura P4.28 T1 T2
C/D D/C
∞
s (t) =n
= –∞
δ(t – nT )
Converte um Filtro de
Converte para
trem de impulsos reconstrução
× H(e jω) um trem de
xc (t) xs (t) em uma sequência x [n] y[n] ys (t) ideal Hr(j) yr (t)
impulsos
de tempo discreto
Figura P4.31-1
2 10 4
–
4 4
Figura P4.31-2
– c c − −/2 /2
(b) Determine o intervalo de valores de T para o qual a (b) Agora suponha que L = 2 e M = 8. Determine y[n]
informação apresentada em (a) é verdadeira quan- nesse caso.
do Xc(j) é limitado em banda a || ≤ 2π × 104, Dica: Veja quais gráficos em sua resposta ao item (a)
como mostra a Figura P4.31-3. mudam.
(c) Para o intervalo de valores determinado em (b), es- 4.33. Para o sistema mostrado na Figura P4.33, encontre uma
boce c como uma função de 1/T. expressão para y[n] em termos de x[n]. Simplifique a ex-
Nota: Essa é uma forma de implementar um filtro de pressão ao máximo.
tempo contínuo com frequência de corte variável usan-
do filtros de tempo contínuo e de tempo discreto fixos e x [n] y[n]
5 3 5 3
uma taxa de amostragem variável.
4.32. Considere o sistema de tempo discreto mostrado na Fi-
gura P4.32-1. Figura P4.33
T T1 h1(t) T
Figura P4.34
T T
Figura P4.35-1
O filtro de dizimação também pode ser implementado na cadeia em cascata do sistema A (isto é, blocos podem
como mostrado na Figura P4.37-2, ser acrescentados em qualquer ponto na cadeia em cas-
cata — no início, no fim ou mesmo entre os blocos exis-
x[n] v[n] y[n] tentes). Todos os blocos atuais no sistema A devem ser
H(z) 2
mantidos. Gostaríamos que o sistema modificado fosse
um filtro passa-baixas LIT ideal, como indicado na Fi-
Figura P4.37-2 gura P4.39-3.
xc (t) yc(t)
sendo v[n] = av[n − 1] + bx[n] + cx[n − 1]. H(jΩ)
(b) Determine a, b e c.
(c) Quantas multiplicações por amostra de saída essa
segunda implementação requer? Figura P4.39-3
4.38. Considere os dois sistemas da Figura P4.38.
(a) Para M = 2, L = 3 e x[n] arbitrário qualquer, yA[n] 1 | | < 2πf c
= yB[n]? Se a sua resposta for sim, justifique. Se = 5
0 caso contrário
for não, explique com clareza ou dê um contra
exemplo. Temos à disposição um número ilimitado dos seis mó-
(b) Como M e L devem estar relacionados para garan- dulos especificados na tabela dada na Figura P4.39-4.
tir yA[n] = yB[n] para um x[n] arbitrário? O custo por unidade de cada módulo é indicado, e
gostaríamos que o custo final fosse o mais baixo pos-
x[n] wA[n] yA[n]
Sistema A: M L sível. Note que o conversor D/C funciona a uma taxa
de “2T ”.
(b) Projete o sistema modificado com menor custo se
x[n] wB[n] yB[n] M = 2 no Sistema A. Especifique os parâmetros
Sistema B: L M para todos os módulos usados.
(c) Projete o sistema modificado com menor custo se
M = 4 no Sistema A. Especifique os parâmetros
Figura P4.38
para todos os módulos utilizados.
4.39. No sistema A, um sinal de tempo contínuo xc(t) é proces-
sado como indicado na Figura P4.39-1. x(t) C/D x[n] Conversor de tempo contínuo
para discreto
Parâmetros: T
Sistema A T Custo: 10
Figura P.39-4
( 21 )n , 0 ≤ n ≤ 11
h[n] = (P4.41-1) w2[n/2] , n/2 inteiro
0, caso contrário. y2[n] =
0 , caso contrário
x [n] y[n]
H(z) 2
Figura P4.42-2
x[n] y[n]
3 2 H(z) 2 3
Figura P4.43
Nota: Com “sistema equivalente”, queremos dizer que ele σe2. Entrada e ruído aditivo são não correlacionados. A
produz a mesma sequência de saída para determinada resposta em frequência do filtro passa-baixas em todos
sequência de entrada. os diagramas tem um ganho unitário.
(a) Para o sistema S2, encontre a relação sinal-ruído:
z−6
H (z) = E[yx2 [n]]
7 + z−6 − 2z−12 SNR = 10 log . Note que yx[n] é a saída em
E[ye2 [n]]
virtude de x[n] somente e ye[n] é a saída em virtude
4.44. Considere os dois sistemas mostrados na Figura P4.44. de e[n] somente.
(b) Para melhorar a SNR resultante da digitalização, o
Sistema A: sistema da Figura P4.45-3 é proposto:
xA[n] + rA[n] yA[n]
+ H(z) Q(·) x[n] FPB
1
+ Q(·) π
− 1 −z−N ωc =
M
G(z)
−z−N
M
Sistema B:
(b) Identidade proposta (b): Como o sinal de entrada total gc(t) não tem uma trans-
formada de Fourier de banda limitada, um filtro antia-
z−1 z liasing de tempo contínuo com fase zero é usado para
2 h[n] 2 combater a distorção por aliasing. Sua resposta em fre-
quência é dada na Figura P4.47-3.
Figura P4.46-2
(c) Identidade proposta (c): −800π −400π 400π 800π
L A Figura P4.47-3
4.48. (a) Uma sequência finita b[n] é tal que: Q0(e j)
B(z) + B(−z) = 2c, c Z 0. 1
H(z) 2 2 G0(z) −2 −/2 /2
+ Figura P4.49-3
(d) Para G0(z) e G1(z) dados no item (c), o sistema ge- do sistema global.
ral reconstrói a entrada perfeitamente? Explique. 4.50. Considere o banco de filtros QMF mostrado na Figura
4.49. Considere o sistema multitaxa mostrado na Figura P4.50:
P4.49-1, com entrada x[n] e saída y[n]:
H0(z) 2 2 G0(z) = H0(z)
e−j ω , |ω| < π/L, P4.54-1. Suponha que amostremos xc(t) para obter o pro-
H (ej ω ) = cesso aleatório de tempo discreto x[n] = xc(nT).
0, π/L < |ω| ≤ π.
T
– 0 0
Figura P4.52
Figura P4.54-1
Sistema 1:
x [n] y [n]
C/D g [x] = x 2 D/C
xc (t) 1 2 3 y1(t)
T T
Sistema 2:
wc (t) w [n]
g [x] = x 2 C/D D/C
xc (t) 1 2 3 y2 (t)
T T
Figura P4.55-1
nos pontos 1, 2 e 3 quando a taxa de amostragem é 4.56. A Figura 4.23 representa um sistema para interpolar um
selecionada como 1/T = 2fm Hz e xc(t) tem a trans- sinal por um fator L, sendo
formada de Fourier mostrada na Figura P4.55-2.
x[n/L], n = 0, ± L, ± 2L etc . . . ,
y1(t) = y2(t)? Se não, por quê? y1(t) = x2(t)? Expli- xe [n] =
0, caso contrário,
que sua resposta.
e o filtro passa-baixas interpola entre os valores não
X(j) nulos de xe[n] para gerar o sinal sobreamostrado ou in-
1 terpolado xi[n]. Quando o filtro passa-baixas é ideal, a
interpolação é chamada de interpolação de banda limi-
tada. Como indica a Seção 4.6.3, procedimentos de in-
terpolação simples são adequados em muitas aplicações.
–2fm 0 2fm Dois procedimentos simples frequentemente usados são
a retenção de ordem zero e a interpolação linear. Para a
Figura P4.55-2 interpolação por retenção de ordem zero, cada valor de
x[n] é simplesmente repetido L vezes; isto é,
(b) Considere o Sistema 1 e seja x(t) = A cos (30πt).
Considere que a taxa de amostragem seja 1/T = 40
xe [0], n = 0, 1, . . . , L − 1,
Hz. y1(t) = xc2(t)? Justifique sua resposta.
xe [L], n = L, L + 1, . . . , 2L − 1,
(c) Considere o sistema de processamento de sinais xi [n] = x [2L],
e n = 2L, 2L + 1, . . . ,
mostrado na Figura P4.55-3, sendo g[x] = x3 e g−1[v]
o inverso (único), isto é, g−1[g(x)] = x. Considere ..
.
x(t) = A cos (30πt) e 1/T = 40 Hz. Expresse v[n] em
termos de x[n]. Existe aliasing espectral? Expresse A interpolação linear é descrita na Seção 4.6.2.
y[n] em termos de x[n]. A que conclusão você pode (a) Determine uma escolha apropriada para a respos-
chegar por esse exemplo? Você poderá achar útil a ta ao impulso do filtro passa-baixas na Figura 4.23
seguinte identidade: para implementar a interpolação por retenção de
ordem zero. Além disso, determine a resposta em
cos3 3
0 t = 4 cos
1
0 t + 4 cos 3 0 t. frequência correspondente.
(b) A Equação 4.91 especifica a resposta ao impulso
para interpolação linear. Determine a resposta em
g [x] = x3 C/D g–1 [v] frequência correspondente. (Você poderá achar
xc (t) vc (t) v [n] y[n]
útil usar o fato de que hlin[n] é triangular e, con-
sequentemente, corresponde à convolução de duas
T
sequências retangulares.)
Figura P4.55-3 (c) Esboce a magnitude da resposta em frequência do
filtro para a retenção de ordem zero e a interpola-
(d) Um problema prático é aquele de digitalizar um si- ção linear. Qual é uma melhor aproximação para a
nal que tem uma grande faixa dinâmica. Suponha interpolação de banda limitada ideal?
que comprimamos a faixa dinâmica ao passar o 4.57. Queremos calcular a função de autocorrelação de um si-
sinal por um dispositivo não linear sem memória nal sobreamostrado, conforme indicado na Figura P4.57-1.
antes da conversão A/D e depois o expandamos de Sugere-se que isso pode ser realizado de modo equiva-
volta, após a conversão A/D. Qual será o impacto lente com o sistema da Figura P4.57-2. H2(ejω) pode ser
da operação não linear antes do conversor A/D em escolhido de modo que φ3[m] = φ1[m]? Se não, por quê?
nossa escolha da taxa de amostragem? Se sim, especifique H2(ejω).
Filtro
passa-baixas
L Autocorrelação ∞
ideal com
x [n] xu [n] xi [n] φ1 [m] = xi [n+m]xi [n]
corte π/L n=−∞
Figura P4.57-1
Autocorrelação L H2 (e jω)
x [n] φ2 [m] φ2e [m] φ3 [m]
Figura P4.57-2
4.58. Estamos interessados na sobreamostragem de uma se- (b) Determine o número de multiplicações por amos-
quência por um fator 2, usando um sistema na forma tra de saída exigido no sistema da Figura P4.58-1
da Figura 4.23. Porém, o filtro passa-baixas nessa figu- e no sistema da Figura P4.58-2. Você deverá en-
ra deve ser aproximado por um filtro de cinco amostras contrar que o sistema da Figura P4.58-2 é mais
com resposta ao impulso h[n] indicada na Figura P4.58-1. eficiente.
Nesse sistema, a saída y1[n] é obtida pela convolução di- 4.59. Considere o sistema de análise-síntese mostrado na Fi-
reta de h[n] com w[n]. gura P4.59-1. O filtro passa-baixas h0[n] é idêntico no
h[n] analisador e no sintetizador, e o filtro passa-altas h1[n] é
c idêntico no analisador e no sintetizador. As transforma-
b d das de Fourier de h0[n] e h1[n] são relacionadas por
a e
H1(ejω) = H0(ej(ω+π)).
0 1 2 3 4 n
(a) Se X(ejω) e H0(ejω) forem como mostrados na Figu-
ra P4.59-2, esboce (a menos de um fator de escala)
2 h[n] X0(ejω), G0(ejω) e Y0(ejω).
x [n] w[n] y1 [n] (b) Escreva uma expressão geral para G0(ejω) em ter-
Figura P4.58-1 mos de X(ejω) e H0(ejω). Não assuma que X(ejω) e
H0(ejω) sejam como mostrados na Figura P4.59-2.
(a) Uma implementação proposta do sistema com a es- (c) Determine um conjunto de condições sobre H0(ejω)
colha anterior de h[n] está na Figura P4.58-2. As três que seja o mais geral possível e que garanta que
respostas ao impulso h1[n], h2[n] e h3[n] são todas |Y(ejω)| seja proporcional a |X(ejω)| para qualquer
restritas a serem zero fora do intervalo 0 ≤ n ≤ 2. entrada estável x[n].
Determine e justifique claramente uma escolha para Nota: Bancos de filtros analisador-sintetizador na
h1[n], h2[n] e h3[n], de modo que y1[n] = y2[n] forma desenvolvida neste problema são muito se-
para qualquer x[n], isto é, de modo que os dois siste- melhantes a bancos de filtro espelhados em qua-
mas sejam idênticos. dratura. (Para leitura adicional, veja Crochiere e
Rabiner (1983), p. 378–392.)
h1 [n] 4.60. Considere uma sequência de valor real x[n] para a qual
2
w1 [n]
π
X (ej ω ) = 0, ≤ |ω| ≤ π.
+ 3
x[n] y2 [n]
Um valor de x[n] foi corrompido, e gostaríamos de
recuperá-lo aproximada ou exatamente. Com x̂[n] in-
h2 [n] 2 h3 [n]
w2 [n] w3[n] dicando o sinal corrompido,
h0 [n] 2 2 h0 [n]
r0 [n] x0 [n] g0 [n] y0 [n]
FPB FPB +
+
x [n] y [n] = y0 [n] – y1 [n]
–
h1 [n] 2 2 h1 [n]
r1 [n] x1 [n] g1 [n] y1 [n]
FPA FPA
Analisador Sintetizador
Figura P4.59-1
X(e jω)
A H0 (e jω)
–π 0 π ω –2 π –π π 0 π π ω
–
2 2
Figura P4.59-2
e x̂[n0] é real, mas não está relacionado a x[n0]. Em cada (b) Assuma que N = 2π × 5 × 103. Encontre ω1 e L de
um dos três casos a seguir, especifique um algoritmo modo que, após a conversão D/C ideal com período
prático para recuperar exata ou aproximadamente x[n] de amostragem T /L, a transformada de Fourier de
a partir de x̂[n]: yc(t) seja nula, exceto na faixa de frequências
(a) O valor de n0 é conhecido. 2π × 105 ≤ |ω| ≤ 2π × 105 + 2N .
(b) O valor exato de n0 não é conhecido, mas sabemos
que n0 é um número par. (c) Assuma que as transformadas de Fourier de tempo
(c) Nada sobre n0 é conhecido. contínuo dos dois sinais de entrada originais sejam
como mostra a Figura P4.61-3. Esboce as transfor-
4.61. Os sistemas de comunicação muitas vezes exigem con-
madas de Fourier em cada ponto no sistema.
versão de multiplexação por divisão de tempo (TDM,
do inglês time-division multiplexing) para multiplexação Xc1(j) Xc2(j)
por divisão de frequência (FDM, do inglês frequency-di- A B
vision multiplexing). Neste problema, examinamos um
exemplo simples desse sistema. O diagrama de blocos
do sistema a ser estudado é mostrado na Figura P4.61-
1. Assume-se que a entrada da TDM é a sequência de – N N – N N
amostras intercaladas
Figura P4.61-3
x1 [n/2] para n inteiro par,
w[n] =
x [(n − 1)/2] para n inteiro ímpar. (d) Com base em sua solução para os itens (a)-(c), dis-
2
cuta como o sistema poderia ser generalizado para
Suponha que as sequências x1[n] = xc1(nT) e x2[n] = lidar com M canais com a mesma largura de banda.
xc2(nT) tenham sido obtidas amostrando os sinais de tem- 4.62. Na Seção 4.8.1, consideramos o uso da pré-filtragem
po contínuo xc1(t) e xc2(t), respectivamente, sem aliasing. para evitar o aliasing. Na prática, o filtro antialiasing não
pode ser ideal. Porém, as características não ideais po-
Modulador 1 dem ser pelo menos parcialmente compensadas com um
x1 [n] y1 [n] sistema de tempo discreto aplicado à sequência x[n] que
é a saída do conversor C/D.
Multiplexação + Considere os dois sistemas da Figura P4.62-1. Os filtros
D/C
Sinal TDM y [n] yc (t) antialiasing Hideal(j) e Haa(j) são mostrados na Figura
TDM
w [n] P4.62-2. H(ejω) na Figura P4.62-1 deve ser especificado
Modulador 2 T' = T/L para compensar as características não ideais de Haa(j).
x2 [n] y2 [n]
Esboce H(ejω) de modo que as duas sequências x[n] e
w[n] sejam idênticas.
Figura P4.61-1
Sistema 1:
Hideal(j ) C/D
Assuma também que esses dois sinais tenham a mesma xc (t) xa (t) x[n]
frequência mais alta, N, e que o período de amostragem
seja T = π/N. T
(a) Desenhe um diagrama de blocos de um sistema
que produza x1[n] e x2[n] como saídas; isto é, obte- Sistema 2:
Haa(j ) C/D H(e jω)
nha um sistema para desmultiplexação de um sinal xc (t) wa (t) w [n]
TDM usando operações simples. Indique se o seu
sistema é ou não linear, invariante no tempo, causal T
e estável.
O k-ésimo sistema modulador (k = 1 ou 2) é de-
Figura P4.62-1
finido pelo diagrama de blocos da Figura P4.61-2.
O filtro passa-baixas Hi(ejω), que é o mesmo para Hideal(j )
1
os dois canais, tem ganho L e frequência de corte
π/L, e os filtros passa-altas Hk(ejω) possuem ganho
unitário e frequência de corte ωk. As frequências
π π
moduladoras são tais que –
T T
ω2 = ω1 + π/L e ω2 + π/L ≤ π (considere ω1 > π/2). Haa(j )
1
L Hi (e jω) Hk (e jω) 1
xk [n] yk [n] 10
FPB FPA π – p p π
cos ωk n –
T T
4.63. Conforme discutimos na Seção 4.8.2, para processar se- (d) Determine a média, a variância e a sequência de
quências em um computador digital, temos de digitalizar autocorrelação do ruído aditivo f [n] definido na
a amplitude da sequência em um conjunto de níveis dis- Equação 4.63-1.
cretos. Essa digitalização pode ser expressa em termos (e) Qual é a relação sinal-ruído de digitalização σx2/σf2?
da passagem da sequência de entrada x[n] por um digita- Note que, neste caso, σx2/σf2 é independente de σx2.
lizador Q(x) que tenha uma relação entrada-saída como Portanto, dentro dos limites de nossa hipótese, a
mostrada na Figura 4.54. relação sinal-ruído de digitalização é independente
Conforme discutimos na Seção 4.8.3, se o intervalo de do nível do sinal, enquanto, para a digitalização li-
digitalização for pequeno em comparação com as mu- near, a razão σx2/σe2 depende diretamente de σx2.
danças no nível da sequência de entrada, podemos consi- (f) O sinal digitalizado y[n] deve ser filtrado por meio
derar que a saída do digitalizador tem a forma de um filtro digital com resposta ao impulso h[n] =
1 n n
y[n] = x[n] + e[n], 2 [a + (−a) ]u[n]. Determine a variância do ruído
produzido na saída por causa do ruído de digitaliza-
sendo e[n] = Q(x[n]) − x[n] e e[n] um processo aleatório ção da entrada, e determine a SNR na saída.
estacionário com uma densidade de probabilidade de 4.64. Na Figura P4.64-1 é mostrado um sistema em que dois
primeira ordem uniforme entre –/2 e /2, não correla- sinais de tempo contínuo são multiplicados e um sinal
cionado de uma amostra para outra e não correlaciona- de tempo discreto é então obtido a partir da amostra-
do a x[n], de modo que E {e[n]x[m]} = 0 para todo m e n.
gem do produto na taxa de Nyquist; isto é, y1[n] são
Seja x[n] um processo ruído branco estacionário com amostras de yc(t) tomadas na taxa de Nyquist. O sinal
média nula e variância σx2. x1(t) é limitado em banda a 25 kHz (X1(j) = 0 para
(a) Encontre a média, a variância e a sequência de au- || ≥ 5π × 104), e x2(t) é limitado a 2,5 kHz (X2(j) = 0
tocorrelação de e[n]. para || ≥ (π/2) × 104).
(b) Qual é a relação sinal-ruído de digitalização σx2/σe2?
(c) O sinal digitalizado y[n] deve ser filtrado por um filtro x1(t)
digital com resposta ao impulso h[n] = 21 [an + (−a)n]u[n].
Determine a variância do ruído produzida na saída
por causa do ruído de digitalização de entrada e de- yc (t) y1 [n] = yc (nT )
termine a SNR na saída. × C /D
Em alguns casos, podemos querer usar passos de
digitalização não lineares, por exemplo, passos x2(t)
de digitalização espaçados logaritmicamente. Isso
pode ser feito ao aplicarmos passos de digitaliza-
T = Taxa de Nyquist
ção uniforme ao logaritmo da entrada, conforme
representado na Figura P4.63, sendo Q[·] um di-
Figura P4.64-1
gitalizador uniforme, como especificado na Figura
4.54. Nesse caso, se considerarmos que é peque-
Em algumas situações (transmissão digital, por exem-
no em comparação com as mudanças na sequência
plo), os sinais de tempo contínuo já foram amostrados
ln(x[n]), então poderemos assumir que a saída do
em suas taxas de Nyquist individuais, e a multiplicação
digitalizador é
deve ser executada no domínio de tempo discreto, talvez
ln(y[n]) = ln(x[n]) + e[n]. com algum processamento adicional antes e depois da
multiplicação, como indica a Figura P4.64-2. Cada um
Assim,
dos sistemas A, B e C é identidade, ou pode ser imple-
y[n] = x[n] · exp(e[n]). mentado usando um ou mais dos módulos mostrados na
Figura P4.64-3.
Para um e pequeno, podemos aproximar exp(e[n])
por (1 + e[n]), de modo que x1(t) x1[n] w1[n]
C /D A
y[n] ≈ x[n](1 + e[n]) = x[n] + f [n]. (P4.63-1)
Essa equação será usada para descrever o efeito da
digitalização logarítmica. Consideramos que e[n] T1 = 2 ×10 – 5 s y2 [n]
seja um processo aleatório estacionário, não corre- × C
lacionado de uma amostra para outra, independen-
te do sinal x[n], e com densidade de probabilidade
de primeira ordem uniforme entre ±/2. x2(t) x2 [n] w2 [n]
C /D B
s [n]
Módulo II M g [n] = s[nM] T = (1/44,1) ms
Figura P4.65-2
s [n] 1 H (e jω)
4.66. Em muitas aplicações de áudio, é necessário amos-
Módulo III g[n]
trar um sinal de tempo contínuo xc(t) em uma taxa de
– ωc ωc amostragem 1/T = 44 kHz. Na Figura P4.66-1 é mos-
trado um sistema simples, incluindo um filtro antialias
Figura P4.64-3 de tempo contínuo Ha0(j), para adquirir as amostras
desejadas. Em muitas aplicações, o sistema de “sobrea-
Para cada um dos três sistemas A, B e C, especifique se mostragem 4x” mostrado na Figura P4.66-2 é usado
ele é um sistema identidade, ou especifique uma inter- no lugar do sistema convencional, mostrado na Figura
conexão apropriada de um ou mais dos módulos mos- P4.66-1. No sistema da Figura P4.66-2,
trados na Figura P4.64-3. Além disso, especifique todos 1, |ω| ≤ π/4,
os parâmetros relevantes L, M e ωc. Os sistemas A, B e H (ej ω ) =
0, caso contrário,
C devem ser construídos de modo que y2[n] seja propor-
cional a y1[n], isto é,
Ha 0 (j) C /D
y2[n] = ky1[n] = kyc(nT) = kx1(nT) × x2(nT), xc (t) x[n]
e[n]
y [n]
+ H1(z) + H2(z) + H3(z) M
x [n] – d1[n] – d2[n] u[n] w [n] v [n] = w[Mn]
Figura P4.67
Para entender o efeito da fase e, especificamente, pensar em um sinal de banda larga como uma sobre-
do atraso de grupo de um sistema linear, vamos con- posição de sinais de banda estreita com diferentes fre-
siderar primeiro o sistema atraso ideal. A resposta ao quências centrais. Se o atraso de grupo for constante
impulso é com a frequência, então cada componente de banda
estreita passará por um atraso idêntico. Se o atraso
hid[n] = δ[n − nd], (5.9)
de grupo não for constante, haverá diferentes atrasos
e a resposta em frequência é aplicados a diferentes grupos de frequências, resultan-
do em uma dispersão no tempo da energia do sinal de
Hid(ejω) = e–jω nd, (5.10)
saída. Assim, a não linearidade da fase ou, de modo
ou equivalente o atraso de grupo não constante resulta em
|Hid(ejω)| = 1, (5.11a) dispersão no tempo.
jHid(ejω) = −ω nd, |ω| < π, (5.11b) 5.1.2 Exemplo dos efeitos do atraso de grupo e da
assumindo-se a periodicidade 2π em ω. Da Equação
atenuação
5.11(b), notamos que o atraso no tempo (ou avanço, se Como um exemplo dos efeitos da fase, do atraso
nd < 0) está associado com uma fase que é linear com a de grupo e da atenuação, considere o sistema específico
frequência. tendo função de sistema
Em muitas aplicações, a distorção por atraso po- (1 − 0,98ej0,8π z−1 )(1 −0,98e−j0,8π z−1 )
deria ser considerada uma forma branda de distorção H (z) =
(1 − 0,8ej0,4π z−1 )(1 −0,8e−j0,4π z−1 )
de fase, pois seu efeito é apenas deslocar a sequência
no tempo. Frequentemente, isso seria inconsequente, H1 (z)
ou poderia facilmente ser compensado pela introdução (5.15)
4 2
do atraso em outras partes de um sistema maior. Assim, (ck* − z−1 )(ck − z−1 )
no projeto de aproximações para filtros ideais e outros (1 − ckz−1 )(1 − ck* z−1 )
k=1
sistemas LIT, frequentemente estaremos dispostos a
aceitar uma resposta de fase linear em vez de uma res- H2 (z)
posta de fase zero como nosso ideal. Por exemplo, um com ck = 0,95e j(0,15π + 0,02πk)
para k = 1, 2, 3, 4 e H1(z)
filtro passa-baixas ideal com fase linear teria resposta e H2(z) definidos como indicado. O diagrama de polos
em frequência e zeros para a função de sistema total H(z) é mostrado
e−j ω nd , |ω| < ωc , na Figura 5.2, sendo que o fator H1(z) na Equação 5.15
H lp (ej ω ) = (5.12) contribui com o par de polos complexos conjugados em
0, ωc < |ω| ≤ π.
z = 0,8e±j0,4π, bem como o par de zeros próximos da
A resposta ao impulso correspondente é circunferência unitária em z = 0,98e±j0,8π. O fator H2(z)
sen ωc (n − nd ) na Equação 5.15 contribui com os grupos de polos de
hlp [n] = , −∞ < n < ∞. (5.13)
π(n − nd )
O atraso de grupo representa uma medida conve-
niente da linearidade da fase. Especificamente, consi-
1
dere a saída de um sistema com resposta em frequência
0,8
H(ejω) para uma entrada de banda estreita na forma 2
2
2
0,6 2 2
x[n] = s[n] cos(ω0 n). Como assume-se que X(ejω) é não 2
2
Parte imaginária
2
0,4
nulo somente em torno de ω = ω0, o efeito da fase do
0,2
sistema pode ser aproximado em uma banda estreita
0
em torno de ω = ω0 com a aproximação linear
−0,2
arg[H(ejω)] M −φ0 − ω nd, (5.14) −0,4
2
2
2
−0,6 2 2
2
multiplicidade 2 em z = ck = 0,95e±j(0,15π + 0,02πk) e zeros do grupo de polos e zeros recíprocos da Figura 5.2.
de multiplicidade 2 em z = 1/ck = 1/0,95e∓j(0,15π + 0,02πk) Note também a depressão negativa em torno de ω =
para k = 1, 2, 3, 4. Por si só, H2(z) representa um sistema ±0,8π, em que a fase tem inclinação positiva. Como
passa-tudo (veja a Seção 5.5), isto é, |H2(ejω)| = 1 para H2(z) representa um filtro passa-tudo, a resposta
todo ω. Como veremos, H2(z) introduz uma grande em magnitude do filtro total é inteiramente definida
quantidade de atraso de grupo sobre uma banda estrei- pelos polos e zeros de H1(z). Assim, como a respos-
ta de frequências. ta em frequência é H(z) calculada em z = ejω, os zeros
As funções de resposta em frequência para o siste- em z = 0,98e±j0,8π fazem com que a resposta em fre-
ma total são mostradas nas figuras 5.3 e 5.4. Essas figu- quência total seja muito pequena em uma faixa em
ras ilustram vários pontos importantes. Primeiro, obser- torno das frequências ω = ±0,8π.
ve na Figura 5.3(a) que o valor principal da resposta de Na Figura 5.5(a), mostramos um sinal de entrada
fase exibe múltiplas descontinuidades de dimensão 2π. x[n] consistindo de três pulsos de banda estreita sepa-
Elas se devem aos múltiplos inteiros de 2π da fase. Na rados no tempo. Na Figura 5.5(b) mostra-se a magni-
Figura 5.3(b) é mostrada a curva de fase desenrolada tude da TFTD correspondente |X(ejω)|. Os pulsos são
(contínua) obtida removendo-se apropriadamente dos dados por
saltos de dimensão 2π.
x1[n] = w[n] cos(0,2πn), (5.16a)
Na Figura 5.4 mostram-se o atraso de grupo e a
resposta em magnitude do sistema total. Observe que, x2[n] = w[n] cos(0,4πn − π/2), (5.16b)
como a fase desenrolada diminui monotonicamente,
exceto em torno de ω = ±0,8π, o atraso de grupo é x3[n] = w[n] cos(0,8πn + π/5), (5.16c)
positivo para todo ω, exceto nessa região. Além dis-
sendo cada senoide formatada em um pulso de duração
so, o atraso de grupo tem um grande pico positivo
finita pela sequência envoltória com 61 pontos
nas faixas de frequência 0,17π < |ω| < 0,23π, em que
a fase contínua tem máxima inclinação negativa. Essa 0,54 − 0,46 cos(2π n/M), 0 ≤ n ≤ M,
w[n] = (5.17)
faixa de frequência corresponde à localização angular 0, caso contrário
2
ARG[H(e jω)]
−2
−4
−π −0,8π −0,6π −0,4π −0,2π 0 0,2π 0,4π 0,6π 0,8π π
ω
(a) Valor principal da resposta de fase
60
40
20
arg[H(e jω)]
−20
−40
−60
−π −0,8π −0,6π −0,4π −0,2π 0 0,2π 0,4π 0,6π 0,8π π
ω
(b) Resposta de fase desenrolada (unwrapped)
Figura 5.3 Funções de resposta de fase para o sistema do exemplo da Seção 5.1.2. (a) Valor principal
da fase, ARG[H(e jω)], (b) fase contínua arg[H(e jω)].
200
150
grd[H(e jω)]
100
50
−50
−π −0,8π −0,6π −0,4π −0,2π 0 0,2π 0,4π 0,6π 0,8π π
ω
(a) Atraso de grupo de H(z)
2,5
1,5
|H(e jω)|
0,5
0
−π −0,8π −0,6π −0,4π −0,2π 0 0,2π 0,4π 0,6π 0,8π π
ω
(b) Magnitude da resposta em frequência
Figura 5.4 Resposta em frequência do sistema no exemplo da Seção 5.1.2. (a) Função de atraso de
grupo, grd[H(e jω)], (b) magnitude de resposta em frequência, |H (e jω)|.
com M = 60.1 A sequência de entrada completa mostra- Quando usado como entrada para o sistema com
da na Figura 5.5(a) é função de sistema H(z), cada um dos conjuntos de fre-
quência associados a cada um dos pulsos de banda
x[n] = x3[n] + x1[n − M − 1] + x2[n − 2M − 2], (5.18)
estreita será afetado pela magnitude da resposta do
isto é, o pulso de frequência mais alta vem primeiro, filtro e pelo atraso de grupo na faixa de frequência
depois o de frequência mais baixa, seguido pelo pulso desse grupo. Pela magnitude da resposta em frequên-
de frequência média. Pelo teorema da modulação ou cia do filtro, vemos que o grupo de frequências cen-
janelamento para transformadas de Fourier de tempo trado e concentrado em torno de ω = ω1 = 0,2πexpe-
discreto (Seção 2.9.7), a TFTD de uma senoide janelada rimentará um leve ganho de amplitude, e aquele em
(truncada no tempo) é a convolução da TFTD da senoi- torno de ω = ω2 = 0,4π experimentará um ganho em
de de duração infinita (composta de impulsos em ± a torno de 2. Como a magnitude da resposta em fre-
frequência da senoide) com a TFTD da janela. As três quência é muito pequena em torno da frequência
frequências senoidais são ω1 = 0,2π, ω2 = 0,4π e ω3 = ω = ω3 = 0,8π, o pulso de frequência mais alta será
0,8π. Correspondentemente, na magnitude da transfor- significativamente atenuado. Ele não será totalmente
mada de Fourier da Figura 5.5(b), vemos energia signi- eliminado, é claro, pois o conteúdo de frequência des
ficativa centrada e concentrada em torno de cada uma se grupo estende-se abaixo e acima da frequência
das três frequências. Cada pulso contribui (no domínio ω = ω3 = 0,8π em virtude do janelamento da senoide.
da frequência) com uma banda de frequências centrada Examinando o gráfico do atraso de grupo do sistema
na frequência da senoide e com formato e largura cor- na Figura 5.4(a), vemos que o atraso de grupo em tor-
respondentes à transformada de Fourier da janela de no da frequência ω = ω1 = 0,2π é significativamente
tempo aplicada à senoide.2 maior do que para ω = ω2 = 0,4π ou ω = ω3 = 0,8π, e
1 Nos capítulos 7 e 10, veremos que essa sequência envoltória é chamada de janela de Hamming quando usada no projeto de filtro e análise de
espectro, respectivamente.
2 Como veremos nos capítulos 7 e 10, a largura das faixas de frequência é, aproximadamente, inversamente proporcional ao comprimento da
janela M + 1.
0,5
−0,5
−1
0 50 100 150 200 250 300
Amostra (n)
(a) Forma de onda do sinal x[n]
20
15
|X(e jω)|
10
0
−π −0,8π −0,6π −0,4π −0,2π 0 0,2π 0,4π 0,6π 0,8π π
ω
(b) Magnitude da TFTD de x[n]
Figura 5.5 Sinal de entrada para o exemplo da Seção 5.1.2. (a) Sinal de entrada x[n], (b) magnitude da TFTD correspondente |X(e jω)|.
consequentemente o pulso com frequência mais baixa frequências. De fato, como o pulso de baixa frequên-
experimentará o maior atraso devido ao sistema. cia é atrasado em 140 amostras a mais do que o pulso
A saída do sistema é mostrada na Figura 5.6. O de frequência média, e os pulsos possuem cada um 61
pulso na frequência ω = ω3 = 0,8π foi essencialmente amostras de extensão, esses dois pulsos têm a ordem
eliminado, o que é coerente com os valores baixos da temporal trocada na saída.
magnitude da resposta em frequência em torno dessa O exemplo que apresentamos nesta subseção tem o
frequência. Os outros dois pulsos foram aumentados propósito de ilustrar como os sistemas LIT podem modi-
em amplitude e atrasados; o pulso em ω = 0,2π é leve- ficar sinais por meio dos efeitos combinados de mudança
mente maior e é atrasado em cerca de 150 amostras, e o de escala de amplitude e deslocamento de fase. Para o si-
pulso em ω = 0,4π tem cerca do dobro da amplitude e é nal específico que escolhemos, que consiste em uma soma
atrasado em cerca de 10 amostras. Isso é coerente com a de componentes de banda estreita, foi possível traçar os
resposta em magnitude e com o atraso de grupo nessas efeitos dos pulsos individuais. Isso porque as funções de
−1
−2
0 50 100 150 200 250 300
Amostra (n)
resposta em frequência eram suaves e variaram apenas dade do deslocamento no tempo (Seção 3.4.2), segue-se
levemente nas faixas de frequência estreitas ocupa- que, para um sistema cuja entrada e saída satisfazem
das pelos componentes individuais. Portanto, todas as uma equação de diferenças na forma da Equação 5.19,
frequências correspondentes a determinado pulso es- a função de sistema tem a forma algébrica
tavam sujeitas a aproximadamente o mesmo ganho e M
foram atrasadas aproximadamente do mesmo valor, re- bkz−k
sultando na saída na replicação da forma do pulso, ape- Y (z) k=0
H (z) = = . (5.20)
nas com mudança de escala e atraso. Para sinais de ban- X(z) N
da larga, isso geralmente não seria o caso, pois diversas akz−k
partes do espectro seriam modificadas diferentemente k=0
pelo sistema. Nesses casos, características reconhecíveis Na Equação 5.20, H(z) toma a forma de uma
do sinal de entrada, como a forma do pulso, geralmente razão de polinômios em z−1, porque a Equação 5.19
não são óbvias no sinal de saída, e pulsos individuais consiste de duas combinações lineares de termos com
separados no tempo na entrada podem gerar contribui- atraso. Embora a Equação 5.20 possa, naturalmente, ser
ções sobrepostas na saída. reescrita de modo que os polinômios sejam expressos
Esse exemplo ilustrou diversos conceitos impor- como potências de z em vez de z−1, a prática comum
tantes que serão elaborados de forma mais aprofundada é não fazê-lo. Além disso, muitas vezes é conveniente
neste e nos próximos capítulos. Depois de concluir um expressar a Equação 5.20 na forma fatorada, como
estudo completo deste capítulo, vale a pena estudar o
M
exemplo desta subseção novamente, com cuidado, para (1 − ckz−1 )
entender melhor suas nuances. Para apreciar totalmente b0 k=1
esse exemplo, também seria útil implementá-lo com pa- H (z) = . (5.21)
a0 N
râmetros variáveis em um sistema de programação con- (1 − dkz−1 )
veniente, como o MATLAB. Antes de testar a rotina de k=1
simulação, o leitor deverá tentar prever o que acontece,
Cada um dos fatores (1 − ckz−1) no numerador
por exemplo, se o comprimento da janela for aumenta-
contribui com um zero em z = ck e um polo em z = 0.
do ou diminuído ou se as frequências das senoides fo-
Similarmente, cada um dos fatores (1 − dkz−1) no de-
rem modificadas.
nominador contribui com um zero em z = 0 e um polo
em z = dk.
5.2 Sistemas caracterizados por Existe uma relação direta entre a equação de di-
equações de diferenças com ferenças e a expressão algébrica correspondente para
a função de sistema. Especificamente, o polinômio do
coeficientes constantes numerador da Equação 5.20 tem os mesmos coeficientes
Embora os filtros ideais sejam úteis conceitual- e estrutura algébrica do membro direito da Equação 5.19
mente, os filtros de tempo discreto tipicamente são rea- (os termos na forma bkz−k correspondem a bkx[n −k]),
lizados por meio da implementação de uma equação de enquanto o polinômio do denominador da Equação
diferenças linear com coeficientes constantes na forma 5.20 tem os mesmos coeficientes e estrutura algébrica do
da Equação 5.19, membro esquerdo da Equação 5.19 (os termos na forma
N M akz−k correspondem a aky[n − k]). Assim, dada a função
aky[n − k] = bkx[n − k]. (5.19) de sistema na forma da Equação 5.20 ou a equação de
k=0 k=0 diferenças na forma da Equação 5.19, é imediato obter a
No Capítulo 6, discutimos diversas estruturas outra. Isso é ilustrado no exemplo a seguir.
computacionais para realizar tais sistemas e, no Capí-
tulo 7, abordamos vários procedimentos para obter os
Exemplo 5.1 Sistema de segunda ordem
parâmetros da equação de diferenças para aproximar
uma resposta em frequência desejada. Nesta seção, com Suponha que a função de sistema de um sistema LIT seja
o auxílio da transformada z, examinamos as proprie-
dades e características dos sistemas LIT representados (1 + z−1 )2
H (z) = . (5.22)
pela Equação 5.19. Os resultados e conceitos terão um 1 − 21 z−1 1 + 43 z−1
papel importante em capítulos posteriores.
Como vimos na Seção 3.5, aplicando a transforma- Para encontrar a equação de diferenças que é satisfei-
da z em ambos os membros da Equação 5.19 e usando ta pela entrada e pela saída desse sistema, expressamos
H(z) na forma da Equação 5.20 multiplicando os fatores
a propriedade da linearidade (Seção 3.4.1) e a proprie-
no numerador e no denominador para obter a razão dos Exemplo 5.2 Determinando a RDC
polinômios
Considere o sistema LIT com entrada e saída relacionadas
1 + 2z−1 + z−2Y (z) por meio da equação de diferenças
H (z) = = . (5.23)
1 −1 3
1 + 4z − 8z−2 X(z)
y[n] − 25 y[n − 1] + y[n − 2] = x[n]. (5.27)
Assim,
Pelas discussões anteriores, a expressão algébrica para
1 + 41 z−1 − 38 z−2 Y (z)= (1 + 2z−1 + z−2 )X(z), H(z) é dada por
e a equação de diferenças é 1 1
H (z) = = . (5.28)
1 − 25 z−1 + z−2 1 − 21 z−1 (1− 2z−1 )
y[n] + 41 y[n − 1] − 38 y[n − 2] = x[n] +
+ 2x[n − 1] + x[n − 2]. (5.24) O diagrama de polos e zeros correspondente para H(z)
é indicado na Figura 5.7. Existem três escolhas possíveis
para a RDC. Se assume-se que o sistema é causal, então a
RDC é exterior ao polo mais externo, isto é, |z| > 2. Nesse
caso, o sistema não será estável, pois a RDC não inclui
5.2.1 Estabilidade e causalidade a circunferência unitária. Se assumimos que o sistema é
Para obter a Equação 5.20 a partir da Equação estável, então a RDC será 21 < |z| < 2, e h[n] será uma se-
5.19, assumimos que o sistema seja linear e invariante quência bilateral. Para a terceira escolha possível de RDC,
no tempo, de modo que a Equação 5.2 seja válida, mas |z| < 21, o sistema não será nem estável nem causal.
não fazemos outra suposição sobre estabilidade ou
causalidade. De modo correspondente, pela equação Im Plano z
de diferenças, podemos obter a expressão algébrica
Circunferência
para a função de sistema, mas não a região de conver- unitária
gência (RDC). Especificamente, a RDC de H(z) não
é determinada pela dedução que leva à Equação 5.20,
pois tudo o que é necessário para que a Equação 5.20
seja válida é que X(z) e Y(z) tenham RDCs sobrepos- 1 2 Re
2
tas. Isso é consistente com o fato de que, como vimos no
Capítulo 2, a equação de diferenças não especifica de
forma única a resposta ao impulso de um sistema LIT.
Para a função de sistema das equações 5.20 ou 5.21,
existem diversas escolhas para a RDC. Para uma dada Figura 5.7 Diagrama de polos e zeros para o Exemplo 5.2.
razão de polinômios, cada escolha possível para a RDC
levará a uma resposta ao impulso diferente, mas todas
Como o Exemplo 5.2 sugere, causalidade e estabi-
elas corresponderão à mesma equação de diferenças.
lidade não são requisitos necessariamente compatíveis.
Porém, se assumimos que o sistema é causal, segue que
Para que um sistema LIT cuja entrada e saída satisfa-
h[n] deve ser uma sequência lateral direita, e, portanto,
zem a uma equação de diferenças na forma da Equação
a RDC de H(z) deve estar para fora do polo mais ex-
5.19 seja causal e estável, a RDC da função de sistema
terno. Alternativamente, se assumimos que o sistema
correspondente precisa ser exterior ao polo mais exter-
é estável, então, da discussão na Seção 2.4, a resposta
no e incluir a circunferência unitária. Nitidamente, isso
ao impulso deve ser somável em valor absoluto, isto é,
requer que todos os polos da função de sistema estejam
∞ dentro da circunferência unitária.
|h[n]| < ∞. (5.25)
n=−∞ 5.2.2 Sistemas inversos
Como a Equação 5.25 é idêntica à condição de que Para um dado sistema LIT com função de siste-
∞ ma H(z), o sistema inverso correspondente é definido
|h[n]z−n | < ∞ (5.26) como o sistema com função de sistema Hi(z) tal que,
n=−∞ se ela for colocada em cascata com H(z), a função de
para |z| = 1, a condição para estabilidade é equivalente sistema efetiva total é unitária, isto é,
à condição de que a RDC de H(z) inclua a circunferên-
G(z) = H(z)Hi(z) = 1. (5.29)
cia unitária. A determinação da RDC associada a uma
função de sistema obtida a partir de uma equação de Isso implica que
diferenças é ilustrada no exemplo seguinte. 1
H i (z) = . (5.30)
H (z)
A condição no domínio do tempo equivalente à com RDC |z| > 0,9. Então, Hi(z) é
Equação 5.29 é
1 − 0,9z−1
H i (z) = .
g[n] = h[n] * hi[n] = δ[n]. (5.31) 1 − 0,5z−1
Da Equação 5.30, a resposta em frequência do sis- Como Hi(z) tem apenas um polo, existem apenas duas
tema inverso, se existir, é possibilidades para sua RDC, e a única escolha para a
RDC de Hi(z) que se sobrepõe com |z| > 0,9 é |z| > 0,5.
1
H i (ej ω ) = ; (5.32) Portanto, a resposta ao impulso do sistema inverso é
H (ej ω ) hi[n] = (0,5)n u[n] − 0,9(0,5)n−1 u[n − 1].
isto é, Hi(ejω) é o recíproco de H(ejω). De modo equi- Nesse caso, o sistema inverso é tanto causal quanto es-
valente, a magnitude logarítmica, a fase e o atraso de tável.
grupo do sistema inverso são o negativo das funções
correspondentes para o sistema original. Nem todos os
sistemas têm um inverso. Por exemplo, o filtro passa- Exemplo 5.4 Inverso para sistema com um zero na
-baixas ideal não tem. Não existe um modo de recupe- RDC
rar os componentes de frequência acima da frequência Suponha que H(z) seja
de corte que são fixados em zero por tal filtro.
Muitos sistemas possuem inversos, e a classe de siste- z−1 − 0,5
H (z) = , |z| > 0,9.
mas com funções de sistema racionais fornece um exem- 1 − 0,9z−1
plo muito útil e interessante. Especificamente, considere A função inversa de sistema é
M
1 − 0,9z−1 −2 + 1,8z−1
(1 − ckz−1 ) H i (z) = = .
b0 z−1 − 0,5 1 − 2z−1
k=1
H (z) = , (5.33)
a0 N Como antes, existem duas RDCs possíveis que poderiam
−1
(1 − dkz ) ser associadas a essa expressão algébrica para Hi(z): |z| < 2
k=1 e |z| > 2. Nesse caso, porém, as duas regiões se sobrepõem
com |z| > 0,9, de modo que ambas são sistemas inversos
com zeros em z = ck e polos em z = dk, além dos possí-
válidos. A resposta ao impulso correspondente para uma
veis zeros e/ou polos em z = 0 e z = ∞. Então, RDC |z| < 2 é
N
hi1[n] = 2(2)n u[−n − 1] − 1,8(2)n−1 u[−n]
(1 − dkz−1 )
a0 k=1 e, para uma RDC |z| > 2, é
H i (z) = ; (5.34)
b0 M
hi2[n] = −2(2)n u[n] + 1,8(2)n−1 u[n − 1].
(1 − ckz−1 )
k=1
Vemos que hi1[n] é estável e não causal, enquanto hi2[n]
é instável e causal. Teoricamente, qualquer dos dois siste-
isto é, os polos de Hi(z) são os zeros de H(z) e vice-ver- mas em cascata com H(z) resultará no sistema identidade.
sa. A questão que surge é qual RDC deve ser associada
a Hi(z). A resposta é fornecida pelo teorema da con-
Uma generalização dos exemplos 5.3 e 5.4 é que, se
volução, expresso nesse caso pela Equação 5.31. Para a H(z) é um sistema causal com zeros em ck, k = 1, . . ., M,
Equação 5.31 ser válida, as RDCs de H(z) e Hi(z) de- então seu sistema inverso será causal se, e somente se,
vem se sobrepor. Se H(z) é causal, sua RDC é associamos a RDC,
|z| > max |dk|. (5.35) |z| > max |ck|,
k k
Assim, qualquer RDC apropriada para Hi(z) que com Hi(z). Se também requeremos que o sistema inver-
se sobreponha à região especificada pela Equação 5.35 so seja estável, então a RDC de Hi(z) deverá incluir a
é uma RDC válida para Hi(z). Os exemplos 5.3 e 5.4 circunferência unitária, caso em que
ilustrarão algumas das possibilidades.
max |ck| < 1;
k
isto é, todos os zeros de H(z) deverão estar no interior
Exemplo 5.3 S
istema inverso para um sistema de da circunferência unitária. Assim, um sistema LIT é es-
primeira ordem tável e causal e também tem um inverso estável e causal
Seja H(z) se, e somente se, tanto os polos quanto os zeros de H(z)
estiverem no interior da circunferência unitária. Esses
1 − 0,5z−1
H (z) = sistemas são chamados de sistemas de fase mínima e se-
1 − 0,9z−1
rão discutidos com mais detalhes na Seção 5.6.
5.2.3 Resposta ao impulso para funções de sistema diferenças da Equação 5.19 é idêntica à soma de con-
racionais volução, isto é,
M
A discussão da técnica de expansão em frações
y[n] = bkx[n − k]. (5.40)
parciais para encontrar transformadas z inversas (Se-
k=0
ção 3.3.2) pode ser aplicada à função de sistema H(z) O Exemplo 5.5 dá um exemplo simples de um sis-
para se obter uma expressão geral para a resposta ao tema FIR.
impulso de um sistema que tenha uma função de siste-
ma racional como na Equação 5.21. Lembre-se de que
qualquer função racional de z−1 apenas com polos sim- Exemplo 5.5 Um sistema FIR simples
ples pode ser expressa na forma Considere uma resposta ao impulso que seja um trunca-
M−N N mento da resposta ao impulso de um sistema IIR com fun-
Ak
H (z) = B r z−r + , (5.36) ção de sistema
1 − dkz−1
r=0 k=1 1
G(z) = , |z| > |a|,
em que as parcelas no primeiro somatório são obtidas 1 − az−1
pela divisão longa do numerador pelo denominador isto é,
e estão presentes somente se M ≥ N. Os coeficientes a n , 0 ≤ n ≤ M,
Ak no segundo conjunto de parcelas são obtidos pelo h[n] =
0 caso contrário.
uso da Equação 3.43. Se H(z) tem um polo de ordem
Então, a função do sistema é
múltipla, sua expansão em frações parciais tem a forma
M
da Equação 3.46. Se for considerado que o sistema é 1 − a M+1 z−M−1
H (z) = a n z−n = . (5.41)
causal, então a RDC será externa a todos os polos na 1 − az−1
n=0
Equação 5.36, e conclui-se que Como os zeros do numerador estão localizados no plano
M−N N z em
h[n] = B r δ[n − r] + A kd kn u[n], (5.37) zk = aej2πk/(M+1), k = 0, 1, . . . , M, (5.42)
r=0 k=1 em que se assume que a é real e positivo, o polo em z = a
em que o primeiro somatório é incluído somente se M ≥ N. é cancelado pelo zero denotado por z0. O diagrama de po-
Na discussão de sistemas LIT, é útil identificar los e zeros para o caso M = 7 é mostrado na Figura 5.8.
duas classes. Na primeira classe, pelo menos um polo A equação de diferenças satisfeita pela entrada e pela saí-
não nulo de H(z) não é cancelado por um zero. Nesse da do sistema LIT é a convolução discreta
caso, h[n] terá pelo menos um termo na forma Ak(dk)nu[n], M
y[n] = a kx[n − k]. (5.43)
e h[n] não terá comprimento finito, isto é, não será nula
k=0
fora de um intervalo finito. Consequentemente, os siste-
Porém, a Equação 5.41 sugere que a entrada e a saída tam-
mas dessa classe são sistemas com resposta ao impulso bém satisfazem a equação de diferenças
infinita (IIR, do inglês infinite impulse response).
y[n] − ay[n − 1] = x[n] − aM+1x[n − M − 1]. (5.44)
Para a segunda classe de sistemas, H(z) não tem po-
Essas duas equações de diferenças equivalentes resultam
los exceto em z = 0; isto é, N = 0 nas equações 5.19 e 5.20. das duas formas equivalentes de H(z) na Equação 5.41.
Assim, uma expansão em frações parciais não é possível,
e H(z) é simplesmente um polinômio em z−1 da forma
M
H (z) = bkz−k. (5.38) Im Plano z
k=0
(Assumimos, sem perda de generalidade, que a0 = 1.)
Nesse caso, H(z) é determinado por seus zeros a me-
nos de uma constante multiplicadora. Da Equação 5.38, Polo
de
pode-se ver por inspeção que h[n] é sétima
ordem
M
bn , 0 ≤ n ≤ M, a Re
h[n] = bk δ[n − k] =
0, caso contrário. (5.39)
k=0
Nesse caso, a resposta ao impulso é finita em com-
primento; isto é, ela é zero fora de um intervalo finito.
Consequentemente, esses sistemas são sistemas com
resposta ao impulso finita (FIR, do inglês finite impulse
response). Note que, para sistemas FIR, a equação de Figura 5.8 Diagrama de polos e zeros para o Exemplo 5.5.
dB
–10
(+/−) 20 log10 |1− rej θ e−j ω|=
(5.55) –15
(+/−) 10 log10 [1+ r 2− 2r cos(ω − θ)],
–20
com um sinal positivo se o fator representa um zero e –25
um sinal negativo se o fator representa um polo. 0 π π 3π 2π
2 2
A contribuição para o valor principal da fase para Frequência em radianos (ω)
esse fator é (a)
1,5
(+/−)ARG[1 − rej θ e−j ω ] =
r sen(ω − θ) 1,0
(5.56)
(+/−) arctg .
1 − r cos(ω − θ) 0,5
Radianos
Derivar o membro direito da Equação 5.56 (exce- 0
to nas descontinuidades) dá a contribuição para o atra-
so de grupo do fator – 0,5
r 2 − r cos(ω − θ ) –1,0
(+/−)grd[1− rej θ e−j ω] = (+/−)
1+ r 2− 2r cos(ω − θ ) –1,5
0 π π 3π 2π
r 2− r
cos(ω − θ ) 2 2
= (+/−) , (5.57) Frequência em radianos (ω)
|1− rej θ e−j ω |2 (b)
novamente, com o sinal positivo para um zero e o sinal 2
negativo para um polo. As funções nas equações 5.54
0
‑5.57 são, naturalmente, periódicas em ω com período
2π. Na Figura 5.9(a) é mostrado um gráfico da Equação –2
Amostras
Im Plano z 10
φ3
v3
–10
dB
v2 v1
θ –20
ω
Re
–30
0 π π 3π 2π
2 2
Frequência em radianos (ω)
(a)
2
1
Figura 5.10 Vetores no plano z para uma função de sistema de pri-
Radianos
meira ordem calculada na circunferência unitária, com r < 1.
0
–1
é a razão das magnitudes dos vetores v3 e v1, isto é,
nos afastamos de ω = θ , o atraso de grupo se torna po- modifica-se apenas levemente quando ω varia em torno de
sitivo e relativamente plano. ω = θ. Assim, o polo no ângulo θ domina a resposta em fre-
quência em torno de ω = θ, como fica evidente na Figura
5.3.2 Exemplos com múltiplos polos e zeros 5.13. Pela simetria, o polo no ângulo −θ domina a resposta
Nesta seção, utilizamos e expandimos a discussão em frequência em torno de ω = −θ.
da Seção 5.3.1 para determinar a resposta em frequên-
cia de sistemas com funções de sistema racionais.
Im Plano z
Circunferência
Exemplo 5.6 Sistema IIR de segunda ordem unitária
Considere o sistema de segunda ordem v1
1
H (z) = v3
(1 − rej θ z−1 )(1 − re−j θ z−1 )
(5.61)
1 θ ω
= .
1 − 2r cos θ z−1 + r 2 z−2 Re
–θ
A equação de diferenças satisfeita pela entrada e pela saí- v2
da do sistema é
y[n] − 2r cos θ y[n − 1] + r2y[n − 2] = x[n].
Usando a técnica de expansão em frações parciais, pode-
mos mostrar que a resposta ao impulso de um sistema cau-
sal com essa função de sistema é
r n sen[θ (n + 1)]
h[n] = u[n]. (5.62)
sen θ Figura 5.12 Diagrama de polos e zeros para o Exemplo 5.6.
A função de sistema na Equação 5.61 tem um polo em
z = rejθ e na localização conjugada, z = re−jθ, e dois zeros
20
em z = 0. O diagrama de polos e zeros é mostrado na
Figura 5.12. 15
Pela nossa discussão na Seção 5.3.1,
20 log10 |H (e j ω )|=− 10 log10 [1 + r 2 − 2r cos(ω − θ)] 10
(5.63a)
− 10 log10 [1 + r 2 − 2r cos(ω + θ)],
dB
r sen(ω − θ) 0
H (ej ω ) = − arctg
1 − r cos(ω − θ)
–6
(5.63b)
r sen(ω + θ) –10
− arctg , 0 3π 2π
1 − r cos(ω + θ) π π
e 2 2
Frequência em radianos (ω)
r 2 − r cos(ω − θ) (a)
grd[H (ej ω )] = − 2
1 + r 2 − 2r cos(ω − θ)
(5.63c)
r 2 − r cos(ω + θ)
− . 1
1 + r 2 − 2r cos(ω + θ)
Radianos
Quando ω ≈ θ, o comprimento do vetor υ1 = ejω − rejθ di- Figura 5.13 Resposta em frequência para um par de polos complexos
minui e modifica-se significativamente quando ω varia em conjugados, como no Exemplo 5.6, com r = 0,9, θ = π/4. (a) Magnitu-
torno de θ, enquanto o comprimento do vetor υ2 = ejω − re–jθ
de logarítmica. (b) Fase. (continua)
Re
Exemplo 5.7 Sistema FIR de segunda ordem
Neste exemplo, consideramos um sistema FIR cuja res-
posta ao impulso é
h[n] = δ[n] − 2r cos θ δ[n − 1] + r2δ[n − 2]. (5.65)
A função de sistema correspondente é Figura 5.14 Diagrama de polos e zeros para o filtro passa-baixas do
H(z) = 1 − 2r cos θz−1 + r2z−2, (5.66) Exemplo 5.8.
que é o inverso da função de sistema do Exemplo 5.6.
Portanto, os gráficos de resposta em frequência para esse 20
sistema FIR são simplesmente o negativo dos gráficos na
Figura 5.13. Note que localizações de polos e zeros são tro- 0
cadas no sistema inverso.
–20
dB
– 40
Exemplo 5.8 Sistema IIR de terceira ordem
– 60
Neste exemplo, consideramos um filtro passa-baixas proje-
tado usando um dos métodos de aproximação a serem des- – 80
critos no Capítulo 7. A função de sistema a ser considerada é
–100
0,05634(1+ z−1 )(1− 1,0166z−1 + z−2 ) 0 π π 3π 2π
H(z) = , (5.67) 2 2
(1− 0,683z−1 )(1− 1,4461z−1 + 0,7957z−2 ) Frequência em radianos (ω)
e o sistema é especificado como estável. Os zeros dessa (a)
4
função de sistema estão nas seguintes localizações:
Raio Ângulo
2
1 π rad
Radianos
10 M
(1 − ckz−1 )
8 b0 k=1
H(z) = , (5.69)
a0 N
−1
6 (1 − dkz )
Amostras
k=1
4
vemos que H*(1/z*) na Equação 5.68 é
2
M
(1 − ck* z)
0
0 π π 3π 2π 1 b0 k=1
2 2 H* = , (5.70)
Frequência em radianos (ω) z* a0 N
(c) (1 − dk* z)
k=1
Figura 5.15 (continuação) Resposta em frequência para o filtro passa-
-baixas do Exemplo 5.8. (c) Atraso de grupo. em que assumimos que a0 e b0 são reais. Portanto, a
Equação 5.68 enuncia que o quadrado da magnitude da
resposta em frequência é o cálculo sobre a circunferên-
Nesse exemplo, vemos ambos os tipos de desconti- cia unitária da transformada z
nuidades na curva de fase representada. Em ω ≈ 0,22π,
existe uma descontinuidade de 2π devido ao uso do C(z) = H (z)H* (1/z* ) (5.71)
valor principal no gráfico. Em ω = ±1,0376 e ω = π,
M
as descontinuidades de π devem-se aos zeros sobre a
− ckz−1 )(1 − ck* z)
(1 (5.72)
circunferência unitária. 2
b0 k=1
= .
a0 N
5.4 Relação entre magnitude e fase (1 − dkz −1
)(1 − dk* z)
Em geral, o conhecimento sobre a magnitude da k=1
resposta em frequência de um sistema LIT não forne-
Se conhecemos |H(ejω)|2 expresso como uma
ce informações sobre a fase, e vice-versa. Porém, para
sistemas descritos por equações de diferenças lineares função de ejω, então, substituindo ejω por z, podemos
com coeficientes constantes, isto é, funções de sistema construir C(z). A partir de C(z), gostaríamos de infe-
racionais, existem algumas restrições entre magnitude rir o máximo possível sobre H(z). Notamos primei-
e fase. Em particular, como discutimos nesta seção, se ro que para cada polo dk de H(z) existe um polo de
a magnitude da resposta em frequência e o número C(z) em dk e (dk*)−1. Similarmente, para cada zero ck
de polos e zeros são conhecidos, então existe apenas de H(z), existe um zero de C(z) em ck e (ck*)−1. Con-
um número finito de escolhas para a fase associada. sequentemente, os polos e os zeros de C(z) ocorrem
Similarmente, se o número de polos e zeros e a fase em pares recíprocos conjugados, com um elemento
são conhecidos, então, a menos de um fator de esca- de cada par associado a H(z) e um elemento de cada
la, existe apenas um número finito de escolhas para a par associado a H*(1/z*). Além disso, se um elemento
magnitude. Além disso, sob uma restrição chamada de de cada par estiver na região interior à circunferência
fase mínima, a magnitude da resposta em frequência unitária, então o outro (isto é, o recíproco conjugado)
especifica unicamente a fase, e a fase da resposta em estará na região exterior à circunferência unitária. A
frequência especifica a magnitude a menos de um fa- única outra alternativa existente é que ambos estejam
tor de escala. sobre a circunferência unitária na mesma localização.
Para explorar as possíveis escolhas de funções de Se supusermos que H(z) corresponde a um siste-
sistema, dado o quadrado da magnitude da resposta ma causal, estável, então todos os seus polos precisam
em frequência do sistema, consideramos |H(ejω)|2 ex- estar na região interior à circunferência unitária. Com
presso como essa restrição, os polos de H(z) podem ser identificados
a partir dos polos de C(z). Porém, com essa restrição
| H(e j ω )|2 = H(e j ω )H *(e j ω )
(5.68) apenas, os zeros de H(z) não podem ser unicamente
= H(z)H *(1/z* )|z=ej ω . identificados a partir dos zeros de C(z). Isso pode ser
Restringindo a função de sistema H(z) a ser racio- visto a partir do exemplo a seguir.
nal na forma da Equação 5.21, isto é,
Im Plano z Im Plano z
Circunferência Circunferência
unitária unitária
Re Re
(a) (b)
Im Plano z
Circunferência
unitária
Re
(c)
Figura 5.16 Diagramas de polos e zeros para duas funções de sistema e suas funções de magnitude ao
quadrado comuns. (a) H1(z). (b) H2(z). (c) C1(z), C2(z).
3 Em algumas discussões, um sistema passa-tudo é definido como tendo ganho unitário. Neste texto, usamos o termo sistema passa-tudo para
se referir a um sistema que passa todas as frequências com um ganho constante A que não é necessariamente unitário.
em que A é uma constante positiva e os dks são os polos Exemplo 5.11 Sistemas passa-tudo de primeira e
reais, e os eks, os polos complexos de Hap(z). Para siste- segunda ordem
mas passa-tudo causais e estáveis, |dk| < 1 e |ek| < 1. Em
termos de nossa notação geral para funções de sistema, Na Figura 5.19 são mostrados gráficos da magnitude lo-
garítmica, fase e atraso de grupo para dois sistemas pas-
os sistemas passa-tudo têm M = N = 2Mc + Mr polos e sa-tudo de primeira ordem, um com um polo em z = 0,9
zeros. Na Figura 5.18 é mostrado um diagrama típico de (θ = 0, r = 0,9) e outro com um polo em z = −0,9 (θ = π,
polos e zeros para um sistema passa-tudo. Neste caso, r = 0,9). Para ambos os sistemas, os raios dos polos são
Mr = 2 e Mc = 1. Note que cada polo de Hap(z) é parea- r = 0,9. Da mesma forma, a Figura 5.20 mostra as mesmas
do com um zero recíproco conjugado. funções para um sistema passa-tudo de segunda ordem
com polos em z = 0,9ejπ/4 e z = 0,9e–jπ/4.
A resposta em frequência para um sistema passa-
-tudo genérico pode ser expressa em termos das respos-
tas em frequência dos sistemas passa-tudo de primeira
ordem, como aquele especificado na Equação 5.80. Para 2
um sistema passa-tudo causal, cada um desses termos
consiste em um único polo dentro da circunferência 1
unitária e um zero na localização recíproca conjuga-
da. A resposta em magnitude para tal termo é unitária,
dB
0
como mostramos. Assim, a magnitude logarítmica em
dB é nula. Com a expresso na forma polar como a = rejθ,
a função de fase para a Equação 5.80 é –1
e−j ω − re−j θ
= –2
1 − rej θ e−j ω 0 π π 3π 2π
(5.83) 2 2
Frequência em radianos (ω)
r sen(ω − θ )
−ω − 2 arctg . (a)
1 − r cos(ω − θ ) 4
0
(e−j ω − re−j θ )(e−j ω − rej θ )
=
(1 − rej θ e−j ω )(1 − re−j θ e−j ω )
–2
r sen(ω − θ )
−2ω − 2 arctg
1 − r cos(ω − θ ) –4
0 π π 3π 2π
2 2
r sen(ω + θ ) (5.84) Frequência em radianos (ω)
−2 arctg .
1 − r cos(ω + θ ) (b)
20
Im
Circunferência Plano z 15
unitária
Amostras
10
0,8 π
4
5
2 Re
–4 –3 1
3 4 2
0
0 π π 3π 2π
2 2
Frequência em radianos (ω)
(c)
z = 0,9 z = –0,9
0
so de grupo para um sistema passa-tudo com polos e ze-
ros, como na Figura 5.18. Porém, podemos demonstrar
–1 esse resultado considerando primeiro o atraso de grupo.
–2
0 π π 3π 2π
2 2 2
Frequência em radianos (ω)
(a)
4 1
dB
2 0
Radianos
0 –1
–2 –2
0 π π 3π 2π
2 2
–4 Frequência em radianos (ω)
0 π π 3π 2π (a)
2 2 4
Frequência em radianos (ω)
(b)
20 2
Radianos
15 0
Amostras
10 –2
5 –4
0 π π 3π 2π
2 2
0 Frequência em radianos (ω)
0 π π 3π 2π (b)
2 2
Frequência em radianos (ω) 12
(c)
9
Figura 5.20 Resposta em frequência do sistema passa-tudo de se-
gunda ordem com polos em z = 0,9e ±jπ/4. (a) Magnitude logarítmica.
Amostras
3
No Exemplo 5.11 é ilustrada uma propriedade ge-
ral dos sistemas passa-tudo causais. Na Figura 5.19(b),
vemos que a fase é não positiva para 0 < ω < π. Simi- 0
0 π π 3π 2π
larmente, na Figura 5.20(b), se a descontinuidade de 2π 2 2
Frequência em radianos (ω)
resultante do cálculo do valor principal for removida,
(c)
a curva de fase contínua resultante é não positiva para
0 < ω < π. Como o sistema passa-tudo mais geral dado Figura 5.21 Resposta em frequência para um sistema passa-tudo
pela Equação 5.82 é um produto apenas de tais fatores com o diagrama de polos e zeros da Figura 5.18. (a) Magnitude logarít-
de primeira e segunda ordem, podemos concluir que a mica. (b) Fase (valor principal). (c) Atraso de grupo.
4 Assumimos que C(z) não tem polos ou zeros sobre a circunferência unitária. Estritamente falando, os sistemas com polos sobre a circunfe-
rência unitária são instáveis e geralmente devem ser evitados na prática. Os zeros sobre a circunferência unitária, porém, frequentemente
ocorrem em projetos práticos de filtros. Pela nossa definição, esses sistemas são de fase não mínima, mas muitas das propriedades dos sistemas
de fase mínima são válidas mesmo nesse caso.
5 Por conveniência, restringiremos a discussão a sistemas estáveis e causais, embora a observação se aplique de forma mais geral.
no interior da circunferência unitária. Então, H(z) pode A primeira função de sistema, H1(z), tem um polo no interior
ser expresso como
da circunferência unitária, em z = − 21, e um zero no exterior,
H(z) = H1(z)(z−1 − c*), (5.91) em z = −3. Precisaremos escolher o sistema passa-tudo apro-
priado para refletir esse zero para dentro da circunferência
em que, por definição, H1(z) é de fase mínima. Uma ex- unitária. Pela Equação 5.91, temos c = − 13. Portanto, das
pressão equivalente para H(z) é equações 5.92 e 5.93, o componente passa-tudo será
z−1 − c* z−1 + 13
H(z) = H 1 (z)(1 − cz−1 ) . (5.92) H ap (z) = ,
1 − cz−1 1 + 13 z−1
Como |c| < 1, o fator H1(z)(1 – cz–1) também é de
e o componente de fase mínima será
fase mínima e difere de H(z) somente porque o zero
1 + 13 z−1
de H(z) que estava fora da circunferência unitária em z = H mín (z) = 3 ;
1/c* é refletido dentro da circunferência unitária para a lo- 1 + 21 z−1
calização recíproca conjugada z = c. O termo (z−1 − c*)/ isto é
(1 – cz–1) é passa-tudo. Este exemplo pode ser generali- 1 + 13 z−1 z−1 + 13
zado de forma imediata de modo a incluir mais zeros fora H 1 (z) = 3 .
1 + 21 z−1 1 + 13 z−1
da circunferência unitária, mostrando assim que, em geral,
qualquer função de sistema pode ser expressa como A segunda função de sistema, H2(z), tem dois zeros com-
plexos no exterior da circunferência unitária e um polo
H(z) = Hmín(z)Hap(z), (5.93) real no interior. Podemos expressar H2(z) na forma da
em que Hmín(z) contém todos os polos e zeros de H(z) Equação 5.91 colocando em evidência 23 ej π/ 4 e 23 e−j π/ 4
que estão no interior da circunferência unitária, junta- nos termos do numerador para obter
mente com zeros que são os recíprocos conjugados dos −1 2 −j π/ 4 z−1 + 23 ej π/ 4
9 z + 3e
zeros de H(z) que se encontram fora da circunferência H 2 (z) = .
4 1 − 13 z−1
unitária. A função de sistema Hap(z) é composta de to-
dos os zeros de H(z) que estão fora da circunferência Fatorando como na Equação 5.92 resulta
unitária, juntamente com os polos para cancelar os ze-
ros recíprocos conjugados em Hmín(z). 9 1 + 23 e−j π/ 4 z−1 1 + 23 ej π/ 4 z−1
H 2 (z) =
Usando a Equação 5.93, podemos formar um sis- 4 1 − 1 z−1 3
tema de fase não mínima a partir do sistema de fase
mínima refletindo um ou mais zeros que se encontrem
z−1 + 23 e−j π/ 4 z−1 + 23 ej π/ 4
dentro da circunferência unitária às suas localizações × .
recíprocas conjugadas fora da circunferência unitária 1 + 23 ej π/ 4 z−1 1 + 23 e−j π/ 4 z−1
ou, de modo contrário, podemos formar um sistema de O primeiro termo entre colchetes é um sistema de fase mí-
fase mínima a partir de um sistema de fase não míni- nima, enquanto o segundo termo é um sistema passa-tudo.
ma refletindo todos os zeros que se encontram fora da
circunferência unitária nas suas localizações recíprocas
conjugadas no interior. Em ambos os casos, os sistemas 5.6.2 Compensação da resposta em frequência de
de fase mínima e de fase não mínima terão a mesma sistemas de fase não mínima
resposta em frequência em magnitude.
Em muitos contextos de processamento de sinais,
um sinal foi distorcido por um sistema LIT com uma res-
Exemplo 5.12 Decomposição de fase mínima/ posta em frequência indesejável. Pode então ser de in-
passa-tudo teresse processar o sinal distorcido usando um sistema
compensador, como indicado na Figura 5.22. Essa situa-
Para ilustrar a decomposição de um sistema estável e cau- ção pode surgir, por exemplo, na transmissão de sinais por
sal na cascata de um sistema de fase mínima e um passa-
um canal de comunicação. Se a compensação perfeita for
-tudo, considere os dois sistemas estáveis e causais especi-
ficados pelas funções de sistema alcançada, então sc[n] = s[n], isto é, Hc(z) é o inverso de
Hd(z). No entanto, se assumimos que o sistema distorce-
(1 + 3z−1 )
H 1 (z) = dor é estável e causal e exigimos que o sistema compen-
1 + 21 z−1 sador seja estável e causal, então a compensação perfeita
e é possível somente se Hd(z) é um sistema de fase mínima,
1 + 23 e+j π/ 4 z−1 1 + 23 e−j π/ 4 z−1 de modo que ele tenha um inverso estável e causal.
H 2 (z) = .
1 − 13 z−1
Com base nas discussões anteriores, assumindo
que Hd(z) é conhecido ou aproximado como uma fun-
G(z) Im
Circunferência
unitária Plano z
Sistema Sistema
distorcedor compensador
s[n] Hd (z) sd [n] Hc (z) sc [n]
Polo Re
Figura 5.22 Exemplo da compensação da distorção por filtragem linear. de
quarta
ordem
não mínima.
–4
0 π π 3π 2π
2 2
Exemplo 5.13 Compensação de um sistema FIR Frequência em radianos (ω)
(b)
Considere que a função de sistema do distorcedor seja 15,0
Hd (z) = (1− 0,9e j 0,6π z−1 )(1− 0,9e−j 0,6π z−1 )(1,25)2 A magnitude logarítmica, a fase e o atraso de grupo de
(5.98) Hmín(ejω) são mostrados na Figura 5.25. As figuras 5.24(a)
× (z−1 − 0,8e−j 0,8π )(z−1 − 0,8e j 0,8π ), e 5.25(a) são idênticas, naturalmente. Os gráficos da mag-
então nitude logarítmica, da fase e do atraso de grupo para
Hmín(z)= (1,25)2 (1− 0,9ej 0,6πz−1)(1− 0,9e−j 0,6πz−1) Hap(ejω) são mostrados na Figura 5.26.
(5.99) Note que o sistema inverso para Hd(z) teria polos em z =
× (1− 0,8e−j 0,8πz−1)(1− 0,8ej 0,8πz−1), 1,25e±j 0,8π e em z = 0,9e±j 0,6π e, assim, o inverso causal seria
e o sistema passa-tudo que relaciona Hmín(z) e Hd(z) é instável. O inverso de fase mínima seria o inverso de Hmín(z),
dado pela Equação 5.99, e, se esse inverso fosse usado no sis-
(z−1 − 0,8e−j 0,8π )(z−1 − 0,8ej 0,8π ) tema em cascata da Figura 5.22, a função de sistema efetiva
Hap(z) = . (5.100) total seria Hap(z), como dada na Equação 5.100.
(1− 0,8ej 0,8π z−1)(1− 0,8e−j 0,8πz−1)
30 30
15 15
dB
0
dB
–15 –15
–30 –30
0 π π 3π 2π 0 π π 3π 2π
2 2
2 2 Frequência em radianos (ω)
Frequência em radianos (ω)
(a) (a)
4
4
2
2
Radianos
Radianos
0
0
–2
–2
–4
–4 0 π π 3π 2π
0 π π 3π 2π 2 2
2 2 Frequência em radianos (ω)
Frequência em radianos (ω)
(b)
(b) 15,0
15,0
7,5
7,5
Amostras
Amostras
0
0
–7,5
–7,5
–15,0
–15,0 0 π π 3π 2π
0 π π 3π 2π 2 2
2 2 Frequência em radianos (ω)
Frequência em radianos (ω) (c)
(c)
Figura 5.26 Resposta em frequência do sistema passa-tudo do Exem-
Figura 5.25 Resposta em frequência para o sistema de fase míni- plo 5.13. (A soma das curvas correspondentes nas figuras 5.25 e 5.26 é
ma no Exemplo 5.13. (a) Magnitude logarítmica. (b) Fase. (c) Atraso igual à curva correspondente na Figura 5.24 com a soma das curvas de
de grupo. fase tomadas módulo 2π.) (a) Magnitude logarítmica. (b) Fase (valor
principal). (c) Atraso de grupo.
5.6.3 Propriedades dos sistemas de fase mínima sistema que um sistema com resposta ao impulso h[n].
Temos usado o termo “fase mínima” para nos refe- Porém, multiplicar por –1 alteraria a fase por π radia-
rir a sistemas que são causais e estáveis e que possuem nos. Assim, para remover essa ambiguidade, impomos
um inverso causal e estável. Essa escolha de nome é a condição da Equação 5.102 para garantir que um
motivada por uma propriedade da função de fase que, sistema com todos os seus polos e zeros no interior da
embora não seja óbvia, segue da nossa escolha de defi- circunferência unitária também tenha a propriedade de
nição. Nesta seção, investigamos uma série de proprie- atraso de fase mínimo. Porém, essa restrição frequen-
dades interessantes e importantes dos sistemas de fase temente tem pouco significado, e nossa definição no
mínima em relação a todos os outros sistemas que têm a início da Seção 5.6, que não a inclui, é a definição geral-
mesma magnitude de resposta em frequência. mente aceita para a classe de sistemas de fase mínima.
Circunferência Im Circunferência Im
unitária Plano z unitária Plano z
Polo Re Polo Re
de de
quarta quarta
ordem ordem
(a) (b)
Circunferência Im Circunferência Im
unitária Plano z unitária Plano z
Polo Re Polo Re
de de
quarta quarta
ordem ordem
(c) (d)
Figura 5.27 Quatro sistemas, todos com a mesma magnitude de resposta em frequência. Os zeros estão em todas as combinações de pares de
zeros conjugados complexos 0,9e±j 0,6π e 0,8e±j 0,8π e seus recíprocos.
Uma prova dessa propriedade é sugerida no Pro- dada pela Equação 5.105. De acordo com a Equação
blema 5.71. 5.108, a energia parcial do sistema de fase mínima está
Todas as respostas ao impulso cuja magnitude da mais concentrada em torno de n = 0; isto é, a energia do
resposta em frequência é igual a |Hmín(ejω)| têm a mes- sistema de fase mínima é a menos atrasada entre todos
ma energia total que hmín[n], já que, pelo teorema de os sistemas que possuem a mesma função de resposta
Parseval, em magnitude. Por esse motivo, os sistemas de (atra-
∞ so de) fase mínima também são chamados de sistemas
1 π
|h[n]|2 = |H (e j ω )|2 dω de atraso de energia mínimo ou, simplesmente, de sis-
2π −π temas de atraso mínimo. Essa propriedade de atraso é
n=0
1 π ilustrada pela Figura 5.29, em que são mostrados grá-
= |H mín (e j ω )|2 dω
2π −π (5.106) ficos da energia parcial para as quatro sequências na
∞ Figura 5.28. Notamos nesse exemplo — e é verdade em
= |hmín [n]|2 . geral — que o atraso de energia mínimo ocorre para o
n=0 sistema que tem todos os seus zeros no interior da cir-
Se definirmos a energia parcial da resposta ao im- cunferência unitária (isto é, o sistema de fase mínima) e
pulso como o atraso de energia máximo ocorre para o sistema que
n tem todos os seus zeros fora da circunferência unitária.
E [n] = |h[m]|2 , (5.107) Os sistemas com atraso de energia máximo também são
m=0 frequentemente chamados de sistemas de fase máxima.
então pode-se mostrar que (veja o Problema 5.72)
n n 5.7 Sistemas lineares com fase linear
|h[m]|2 ≤ |hmín [m]|2 (5.108)
m=0 m=0
generalizada
para todas as respostas ao impulso h[n] pertencentes No projeto de filtros e outros sistemas de proces-
à família de sistemas que têm resposta de magnitude samento de sinais que passam uma parte da banda de
–2 –1 0 1 2 3 4 5 6 n
jHid(ejω) = −ωα, (5.110b)
(d) grd[Hid(ejω)] = α. (5.110c)
Figura 5.28 Sequências correspondentes aos diagramas de polos e A transformada de Fourier inversa de Hid(ejω) é a
zeros da Figura 5.27. resposta ao impulso
30
Energia parcial
20
Ea[n] (fase mínima)
Eb[n] (fase máxima)
Ec[n]
10
Ed[n]
0 1 2 3 4 5 n
Figura 5.29 Energias parciais para as quatro sequências da Figura 5.28. (Note que Ea[n] é relativa à sequência de fase mínima ha [n] e que Eb[n]
é relativa à sequência de fase máxima hb[n].)
0
sendo α e β constantes e A(ejω) uma função real (possi-
velmente bipolar) de ω. Para o sistema de fase linear da
Equação 5.117 e o filtro de média móvel do Exemplo
– 0,2
–5 0 5 10 15 4.8, α = −M/2 e β = 0. Vemos, porém, que o diferencia-
Número da amostra (n) dor de banda limitada do Exemplo 4.4 tem a forma da
(c) Equação 5.125 com α = 0, β = π/2 e A(ejω) = ω/T.
Um sistema cuja resposta em frequência tem a
Figura 5.32 Respostas ao impulso do filtro passa-baixas ideal, com
forma da Equação 5.125 é chamado de sistema de fase
ωc = 0,4π. (a) Atraso = α = 5. (b) Atraso = α = 4,5. (c) Atraso = α = 4,3.
linear generalizada, pois a fase de um sistema desse
tipo consiste em termos constantes somados à função
Em geral, um sistema de fase linear tem resposta linear −ωα; isto é, −ωα + β é a equação de uma linha
em frequência reta. Porém, se ignoramos quaisquer descontinuidades
que resultam da adição de fase constante sobre toda ou
H(ejω) = |H(ejω)|e−jωα. (5.123) parte da faixa |ω| < π, então esse sistema pode ser ca-
Como ilustrado no Exemplo 5.14, se 2α é um in- racterizado por um atraso de grupo constante. Isto é, a
teiro (isto é, se α é um inteiro ou um inteiro mais meio), classe dos sistemas tais que
a resposta ao impulso correspondente tem simetria par d
τ (ω) = grd[H (e j ω )] = − {arg[H(e j ω )]} = α (5.126)
em torno de α; isto é, dω
h[2α − n] = h[n]. (5.124) possui fase linear da forma mais geral
Se 2α não é um inteiro, então a resposta ao impul- arg[H(ejω)] = β − ωα, 0 < ω < π, (5.127)
so não terá simetria. Isso é ilustrado na Figura 5.32(c), em que β e α são ambos constantes reais.
Lembre-se de que mostramos, na Seção 5.7.1, que a resposta em frequência correspondente tem a forma
as respostas ao impulso dos sistemas de fase linear po- da Equação 5.125 com β = 0 ou π e A(ejω) uma função
dem ter simetria em torno de α se 2α for um inteiro. Para par (e, naturalmente, real) de ω.
entender a implicação disso para sistemas de fase linear Outra classe de exemplos de sistemas de fase li-
generalizada, é útil deduzir uma equação que precise near generalizada é aquela para o qual
ser satisfeita por h[n], α e β para sistemas com atraso de
β = π/2 ou 3π/2, (5.133a)
grupo constante. Essa equação é deduzida notando-se
que, para tais sistemas, a resposta em frequência pode
2α = M = um inteiro (5.133b)
ser expressa como
e
H(e jω)=A(e jω )e j (β−αω)
h[2α − n] = −h[n] (5.133c)
=A(e jω )cos(β − ωα) + jA(e jω )sen(β − ωα),
(5.128) As Equações 5.133 implicam que a resposta em
frequência tem a forma da Equação 5.125 com β = π/2 e
ou, equivalentemente, como A(ejω) uma função ímpar de ω. Para esses casos, a Equa-
∞ ção 5.130 torna-se
H(e j ω) = h[n]e−j ωn ∞
n=−∞
(5.129) h[n] cos[ω(n − α)] = 0 (5.134)
∞ ∞
n=−∞
= h[n] cos ωn − j h[n] sen ωn,
e é satisfeita para todo ω.
n=−∞ n=−∞
Note que as equações 5.131 e 5.133 fornecem dois
em que assumimos que h[n] é real. A tangente do ângu- conjuntos de condições suficientes que garantem a fase
lo de fase de H(ejω) pode ser expressa como linear generalizada ou atraso de grupo constante, mas,
∞
como já vimos na Figura 5.32(c), existem outros siste-
− h[n] sen ωn mas que satisfazem a Equação 5.125 sem essas condi-
sen(β − ωα) n=−∞
tg(β − ωα) = = ∞ . ções de simetria.
cos(β − ωα)
h[n] cos ωn
n=−∞
5.7.3 Sistemas causais de fase linear generalizada
Realizar a multiplicação cruzada e combinar ter- Se o sistema é causal, então a Equação 5.130 tor-
mos com uma identidade trigonométrica leva à equação na-se
∞
∞
h[n] sen[ω(n − α) + β] = 0 para todo ω. (5.130) h[n]sen[ω(n − α) + β] = 0 para todo ω. (5.135)
n=−∞ n=0
Essa equação é uma condição necessária sobre A causalidade e as condições nas equações 5.131 e
h[n], α e β para que o sistema tenha atraso de grupo 5.133 implicam que
constante. Porém, ela não é uma condição suficiente e, h[n] = 0, n<0 e n > M;
em virtude de sua natureza implícita, não nos diz como
encontrar um sistema de fase linear. isto é, sistemas FIR causais têm fase linear generaliza-
da se eles tiverem resposta ao impulso de comprimento
Uma classe de exemplos de sistemas de fase linear
(M + 1) e satisfizerem a Equação 5.131(c) ou a Equação
generalizada é aquela para a qual
5.133(c). Especificamente, pode-se mostrar que, se
β = 0 ou π, (5.131a)
h[M − n], 0 ≤ n ≤ M,
h[n] = (5.136a)
0, caso contrário,
2α = M = um inteiro, (5.131b)
então,
h[2α − n] = h[n]. (5.131c)
H(ejω) = Ae(ejω)e−jωM/2, (5.136b)
Com β = 0 ou π, a Equação 5.130 torna-se
em que Ae(ejω) é uma função real, par e periódica de ω.
∞
Similarmente, se
h[n] sen[ω(n − α)] = 0, (5.132)
n=−∞ −h[M − n], 0 ≤ n ≤ M,
h[n] = (5.137a)
a partir da qual pode-se mostrar que, se 2α é um inteiro, 0, caso contrário,
as parcelas na Equação 5.132 podem ser pareadas de então segue que
modo que cada par de parcelas seja identicamente nulo
para todo ω. Essas condições, por sua vez, implicam que H(ejω) = jAo(ejω)e−jωM/2 = Ao(ejω)e−jωM/2+jπ/2, (5.137b)
em que Ao(ejω) é uma função real, ímpar e periódica de b[k] = 2h[(M + 1)/2 − k], k = 1, 2,..., (M + 1)/2. (5.141b)
ω. Note que nos dois casos o comprimento da resposta
ao impulso é (M + 1) amostras. Novamente, H(ejω) tem a forma da Equação
5.136(b) com um atraso no tempo de M/2, que nesse
As condições nas equações 5.136(a) e 5.137(a) são
suficientes para garantir um sistema causal com fase li- caso é um inteiro mais metade, e β, na Equação 5.125,
near generalizada. Porém, elas não são condições neces- é 0 ou π.
sárias. Clements e Pease (1989) mostraram que respos-
Sistemas de fase linear FIR do tipo III
tas ao impulso com duração infinita e causais também
Se o sistema tem uma resposta ao impulso antis-
podem ter transformadas de Fourier com fase linear
simétrica
generalizada. As funções de sistema correspondentes,
porém, não são racionais e, portanto, os sistemas não po- h[n] = −h[M − n], 0 ≤ n ≤ M, (5.142)
dem ser implementados como equações de diferenças.
Expressões para a resposta em frequência de siste- sendo M um inteiro par, então H(ejω) tem a forma
mas FIR com fase linear são úteis no projeto de filtros
M/2
e no entendimento de algumas das propriedades desses −j ωM/ 2
sistemas. Na dedução dessas expressões, resultam ex- H (e jω
) = je c[k] sen ωk , (5.143a)
k=1
pressões significativamente diferentes, dependendo do
tipo de simetria e de M ser um inteiro par ou ímpar. Por em que
esse motivo, geralmente é útil definir quatro tipos de
c[k] = 2h[(M/2) − k], k = 1, 2, . . . , M/2. (5.143b)
sistemas FIR de fase linear generalizada.
Nesse caso, H(ejω) tem a forma da Equação
Sistemas de fase linear FIR do tipo I
5.137(b) com um atraso de M/2, que é um inteiro, e β na
Um sistema do tipo I é definido como um sistema
Equação 5.125 é igual a π/2 ou 3π/2.
que tem uma resposta ao impulso simétrica
h[n] = h[M − n], 0 ≤ n ≤ M, (5.138) Sistemas de fase linear FIR do tipo IV
Se a resposta ao impulso for antissimétrica como
sendo M um inteiro par. O atraso M/2 é um inteiro. A
na Equação 5.142 e M for ímpar, então
resposta em frequência é
M (M+1)/2
jω
H (e )= h[n]e−j ωn . (5.139) jω
H(e )= j e
−j ωM/2
d[k]sen ω k− 21 , (5.144a)
n=0 k=1
Aplicando-se a condição de simetria, Equação
em que
5.138, a soma na Equação 5.139 pode ser reescrita na
forma d[k]=2h[(M + 1)/2 − k], k=1, 2,..., (M + 1)/2. (5.144b)
M/2
H (e j ω ) = e−j ωM/ 2 a[k] cos ωk , (5.140a) Como no caso dos sistemas do tipo III, H(ejω) tem
k=0 a forma da Equação 5.137(b) com atraso M/2, que é um
em que inteiro mais a metade, e β na Equação 5.125 é igual a
π/2 ou 3π/2.
a[0] = h[M/2], (5.140b)
Exemplos de sistemas FIR de fase linear
a[k] = 2h[(M/2) − k], k = 1, 2, . . . , M/2. (5.140c) Na Figura 5.33 é mostrado um exemplo de cada
Assim, da Equação 5.140(a), vemos que H(ejω) um dos quatro tipos de respostas ao impulso FIR de
tem a forma da Equação 5.136(b) e, em particular, β na fase linear. As respostas em frequência associadas são
Equação 5.125 é 0 ou π. dadas nos exemplos 5.15-5.18.
Centro 5,00
de
simetria
1 3,75
Amplitude
0 M M=4 n 2,50
2
(a)
1,25
Centro
de 0
simetria 0 π π 3π 2π
1 2 2
Frequência em radianos (ω)
(a)
4
0 M M=5 n
2
(b) 2
Centro
Radianos
1 de 0
simetria
M=2
0 n –2
–1
–4
(c) 0 π π 3π 2π
2 2
Frequência em radianos (ω)
Centro (b)
1 de 4
simetria
M=1
0 n 3
Amostras
–1
(d) 2
Figura 5.33 Exemplos de sistemas FIR de fase linear. (a) Tipo I, M par,
1
h [n] = h [M − n]. (b) Tipo II, M ímpar, h [n] = h [M − n]. (c) Tipo III, M par,
h [n] = −h [M − n]. (d) Tipo IV, M ímpar, h[n] = −h[M − n].
0
0 π π 3π 2π
2 2
4 Frequência em radianos (ω)
1− e−jω5 sen(5ω/2) (c)
H(e jω )= e−j ωn = = e−jω 2 . (5.146)
1− e −jω sen(ω/2)
n=0
Figura 5.34 Resposta em frequência do sistema do tipo I do Exemplo
A magnitude, a fase e o atraso de grupo do sistema são 5.15. (a) Magnitude. (b) Fase. (c) Atraso de grupo.
mostrados na Figura 5.34. Como M = 4 é par, o atraso de
grupo é um inteiro, isto é, α = 2.
6,0 3,2
4,5 2,4
Amplitude
Amplitude
3,0 1,6
1,5 0,8
0 0
0 π π 3π 2π 0 π π 3π 2π
2 2 2 2
Frequência em radianos (ω) Frequência em radianos (ω)
(a) (a)
4 3,0
2 1,5
Radianos
Radianos
0 0
–2 –1,5
–4 –3,0
0 π π 3π 2π 0 π π 3π 2π
2 2 2 2
Frequência em radianos (ω) Frequência em radianos (ω)
(b) (b)
4 2,0
3 1,5
Amostras
Amostras
2 1,0
1 0,5
0 0
0 π π 3π 2π 0 π π 3π 2π
2 2 2 2
Frequência em radianos (ω) Frequência em radianos (ω)
(c) (c)
Figura 5.35 Resposta em frequência do sistema do tipo II do Exemplo Figura 5.36 Resposta em frequência do sistema do tipo III do Exem-
5.16. (a) Magnitude. (b) Fase. (c) Atraso de grupo. plo 5.17. (a) Magnitude. (b) Fase. (c) Atraso de grupo.
Exemplo 5.18 Sistema de fase linear do tipo IV Localização dos zeros para sistemas FIR de fase linear
Nesse caso [Figura 5.33(d)], a resposta ao impulso é Nos exemplos anteriores as propriedades da res-
posta ao impulso e da resposta em frequência são ilus-
h[n] = δ[n] − δ[n − 1], (5.150) tradas para os quatro tipos de sistemas FIR de fase li-
para a qual a resposta em frequência é near. Também é instrutivo considerar a localização dos
H (e j ω ) = 1 − e−j ω zeros da função de sistema para sistemas FIR de fase
= j [2 sen (ω/2)]e−j ω/ 2 . (5.151) linear. A função de sistema é
A resposta em frequência para esse sistema é mostrada
M
na Figura 5.37. Note que o atraso de grupo é igual a 21 para
todo ω. H (z) = h[n]z−n . (5.152)
n=0
Re Re
(a) (b)
Re Re
(c) (d)
Figura 5.38 Diagramas típicos de zeros para sistemas de fase linear. (a) Tipo I. (b) Tipo II. (c) Tipo III. (d) Tipo IV.
Nesse caso, se (M − 1) é ímpar (isto é, se M é par), e, da Equação 5.158(b), seus zeros são os recíprocos
H(−1) = −H(−1), de modo que z = −1 deve ser um zero dos Mi zeros de Hmín(z). A ordem da função de sistema
de H(z) se M for par. Nas figuras 5.38(c) e (d) mostram- H(z) é, portanto, M = 2Mi + Mo.
-se localizações típicas de zeros para sistemas dos tipos
III e IV, respectivamente.
Essas restrições sobre os zeros são importantes Exemplo 5.19 Decomposição de um sistema de
no projeto de sistemas FIR de fase linear, pois elas im- fase linear
põem limitações nos tipos de respostas em frequência Como um exemplo simples do uso das equações 5.158, con-
que podem ser obtidos. Por exemplo, notamos que, ao sidere a função de sistema de fase mínima da Equação 5.99,
aproximarmos um filtro passa-altas usando uma respos- para a qual o gráfico da resposta em frequência é mostrado
ta ao impulso simétrica, M não poderá ser ímpar, pois a na Figura 5.25. O sistema obtido pela aplicação da Equação
resposta em frequência tem a restrição de ser nula em 5.158(b) para Hmín(z) na Equação 5.99 é
ω = π (z = −1).
Hmáx(z)= (0,9)2 (1 − 1,1111e j0,6πz−1)(1 − 1,1111e−j 0,6πz−1)
5.7.4 Relação entre sistemas FIR com fase linear e ×(1 − 1,25e−j 0,8πz−1 )(1 − 1,25e j 0,8πz−1 ).
sistemas de fase mínima Hmáx(z) tem a resposta em frequência mostrada na Figu-
A discussão anterior mostra que todos os sistemas ra 5.39. Agora, se esses dois sistemas forem colocados em
FIR de fase linear com resposta ao impulso real pos- cascata, segue da Equação 5.158(b) que o sistema total
suem zeros ou na circunferência unitária ou em loca- H(z) = Hmín(z)Hmáx(z)
lizações recíprocas conjugadas. Assim, é fácil mostrar
tem fase linear. A resposta em frequência do sistema com-
que a função do sistema de qualquer sistema FIR de
posto seria obtida somando-se as respectivas funções de
fase linear pode ser fatorada em um termo de fase mí-
magnitude logarítmica, fase e atraso de grupo. Portanto,
nima Hmín(z), um termo de fase máxima Hmáx(z) e um
termo Huc(z) contendo apenas zeros sobre a circunfe- 20 log10 |H(e jω)|= 20 log10 |Hmín (ejω)|+ 20 log10 |Hmáx (ejω)|
rência unitária; isto é,
= 40 log10 |Hmín (ejω)|.
(5.159)
H(z) = Hmín(z)Huc(z)Hmáx(z), (5.158a)
Similarmente,
em que
jH(ejω) = jHmín(ejω) + jHmáx(ejω). (5.160)
Hmáx(z) = Hmín(z−1)z−Mi (5.158b)
Da Equação 5.158(b), segue que
e Mi é o número de zeros de Hmín(z). Na Equação
5.158(a), Hmín(z) tem todos os seus Mi zeros no interior jHmáx(ejω) = −ωMi − jHmín(ejω), (5.161)
da circunferência unitária, e Huc(z) tem todos os seus e, portanto,
Mo zeros sobre a circunferência unitária. Hmáx(z) tem
jH(ejω) = −ωMi,
todos os seus Mi zeros fora da circunferência unitária,
30 60
15 30
dB
dB
0 0
–15 –30
–30 –60
0 π π 3π 2π 0 π π 3π 2π
2 2 2 2
Frequência em radianos (ω) Frequência em radianos (ω)
(a) (a)
4 4
2 2
Radianos
Radianos
0 0
–2 –2
–4 –4
0 π π 3π 2π 0 π π 3π 2π
2 2 2 2
Frequência em radianos (ω) Frequência em radianos (ω)
(b) (b)
15,0 8
7,5 6
Amostras
Amostras
0 4
–7,5 2
–15,0 0
0 π π 3π 2π 0 π π 3π 2π
2 2 2 2
Frequência em radianos (ω) Frequência em radianos (ω)
(c) (c)
Figura 5.39 Resposta em frequência do sistema de fase máxima que Figura 5.40 Resposta em frequência da cascata de sistemas de
possui a mesma magnitude do sistema na Figura 5.25. (a) Magnitude fase máxima e de fase mínima, levando a um sistema de fase linear.
logarítmica. (b) Fase (valor principal). (c) Atraso de grupo. (a) Magnitude logarítmica. (b) Fase (valor principal). (c) Atraso de grupo.
(c) Escreva a equação de diferenças que caracteriza o O sistema pode ou não ser estável ou causal. Consideran-
sistema. do o padrão de polos e zeros associado a essa equação
(d) O sistema é estável? Ele é causal? de diferenças, determine três escolhas possíveis para a
5.5. Considere um sistema descrito por uma equação de di- resposta ao impulso do sistema. Mostre que cada esco-
ferenças linear com coeficientes constantes, com condi- lha satisfaz a equação de diferenças. Indique qual escolha
ções de repouso inicial. A resposta ao degrau do sistema corresponde a um sistema estável e qual escolha corres-
é dada por ponde a um sistema causal.
5.10. Se a função do sistema H(z) de um sistema LIT tem um
n n
y[n] = 13 u[n] + 41 u[n] + u[n]. diagrama de polos e zeros como mostrado na Figura
P5.10 e o sistema é causal, pode o sistema inverso Hi(z),
(a) Determine a equação de diferenças. com H(z)Hi(z) = 1, ser ao mesmo tempo causal e está-
(b) Determine a resposta ao impulso do sistema. vel? Justifique sua resposta com clareza.
(c) Determine se o sistema é estável ou não.
Circunferência Im
5.6. As seguintes informações sobre um sistema LIT são co- unitária Plano z
nhecidas:
(1) O sistema é causal.
(2) Quando a entrada é
n 1 Re
x[n] = − 13 21 u[n] − 43 (2)n u[−n − 1],
a transformada z da saída é
1 − z−2
Y(z) = .
1 − 21 z−1 (1 − 2z−1 )
Figura P5.10
Im Im
H1(z) H2(z)
3 4 Re 1 Re
4 3
Im H3(z) Im H4(z)
1 Re 1 Re
Figura P5.13
5.14. Determine o atraso de grupo para 0 < ω < π para cada H(ejω) = A(ejω)e−jαω+jβ,
uma das seguintes sequências:
sendo A(ejω) uma função real de ω, α uma constante real,
(a) n − 1, 1 ≤ n ≤ 5, e β uma constante real. Como discutido na Seção 5.7.2,
x1 [n] = 9 − n, 5 < n ≤ 9,
filtros nessa classe são chamados de filtros de fase linear
0, caso contrário.
generalizada.
Para cada um dos filtros na Figura P5.15, determine se é
(b) 1 |n−1| 1 |n|
x2 [n] = + . um filtro de fase linear generalizada. Em caso afirmativo,
2 2
encontre A(ejω), α e β. Além disso, para cada filtro que
5.15. Considere a classe de filtros de tempo discreto cuja res- você determinou como de fase linear generalizada, indi-
posta em frequência tem a forma que se ele também atende ao critério mais estrito para
ser de fase linear.
H(ejω) = |H(ejω)|e−jαω,
5.16. Na Figura P5.16 é mostrado um gráfico da fase contínua
em que |H(ejω)| é uma função real e não negativa de ω arg[H(ejω)] para a resposta em frequência de um sistema
e α é uma constante real. Como discutido na Seção 5.7.1, LIT específico, tal que
essa classe de filtros é chamada de filtros de fase linear.
arg[H(ejω)] = −αω
Considere também a classe de filtros de tempo dis-
creto cuja resposta em frequência tem a forma para |ω| < π e α é um inteiro positivo.
0 n 0 n 0 n
(a) (b) (c)
h [n] h [n]
1 1 1
0 n 0 n
–1
(d) (e)
Figura P5.15
(1 − 2z−1 ) 1 + 21 z−1
H 1 (z) = , 5.19. A Figura P5.19 mostra as respostas ao impulso para di-
1 − 13 z−1 1 + 13 z−1 versos sistemas LIT diferentes. Determine o atraso de
grupo associado a cada sistema.
1 + 41 z−1 1 − 41 z−1 5.20. Na Figura P5.20 mostra-se apenas a localização dos
H 2 (z) = ,
zeros para diversas funções de sistema diferentes. Para
1 − 23 z−1 1 + 23 z−1
cada diagrama, responda se a função do sistema poderia
1 − 13 z−1 ser um sistema de fase linear generalizada implemen-
H 3 (z) = j j
, tado por uma equação de diferenças com coeficientes
1 − 2 z−1 1 + 2 z−1
constantes, com coeficientes reais.
h1[n] 2 2 h2[n]
1 1 1 1
–1 4
–1 0 1 2 3 4 5 –2 0 1 2 3
–1 –1
h3[n] 3 3 h4[n]
2
1 1 1
3 2 4
–1 0 1 2 4 5 –2 –1 0 1 3 5 6 7 8
–1 –1 –1
2 h5[n] h6[n]
1 1
1 4
0 2 3 5 6 –1 0 1 2 3 4 5 6 7 8
–1
–2
Figura P5.19
Im Im
H1(z) H2(z)
Re Re
Im
H3(z)
Re
Figura P5.20
(b) “Se o atraso de grupo do filtro é uma constante in- H(ejω) = −j, 0<ω<π
teira positiva para |ω| < π, o filtro deve ser um sim-
ples atraso inteiro.” H(ejω) = j, −π < ω < 0
(c) “Se o filtro é de fase mínima e todos os polos e ze- (a) A resposta ao impulso do sistema h[n] é real (isto é,
ros estão no eixo real, então 0π τ (ω)dω = 0.”
h[n] = h*[n] para todo n)?
5.24. Um sistema estável com função de sistema H(z) tem o
(b) Calcule a expressão:
diagrama de polos e zeros mostrado na Figura P5.24. Ele
∞
pode ser representado como a cascata de um sistema de
fase mínima estável Hmín(z) e um sistema passa-tudo es- |h[n]|2
n=−∞
tável Hap(z).
(c) Determine a resposta do sistema à entrada x[n] =
Im s[n] cos(ωcn), em que 0 < ωc < π/2 e S(ejω) = 0 para
ωc/3 ≤ |ω| ≤ π.
5.27. Processamos o sinal x[n] = cos(0,3πn) com um sistema
LIT passa-tudo com ganho unitário, com resposta em
frequência ω = H(ejω) e um atraso de grupo de 4 amos-
1
tras na frequência ω = 0,3π, para determinar a saída y[n].
3 4 Re
2 Também sabemos que jH(ej 0,3π) = θ e jH(e−j 0,3π) = −θ.
Escolha a afirmação mais exata:
(a) y[n] = cos(0,3πn + θ)
(b) y[n] = cos(0,3π(n − 4) + θ)
(c) y[n] = cos(0,3π(n − 4 − θ))
Figura P5.24 Diagrama de polos e zeros para H(z). (d) y[n] = cos(0,3π(n − 4))
(e) y[n] = cos(0,3π(n − 4 + θ)).
Determine uma escolha para Hmín(z) e Hap(z) (a menos
5.28. Um sistema LIT causal tem a função de sistema
de um fator de escala) e esboce seus diagramas de polos
e zeros correspondentes. Indique se a sua decomposição (1 − ej π/ 3 z−1 )(1 − e−j π/ 3 z−1 )(1 + 1,1765z−1 )
H (z) = .
é única a menos de um fator de escala. (1 − 0,9ej π/ 3 z−1 )(1 − 0,9e−j π/ 3 z−1 )(1 + 0,85z−1 )
5.25. (a) U
m filtro passa-baixas ideal com resposta ao im-
pulso h[n] é projetado com fase zero, uma frequên- (a) Escreva a equação de diferenças que é satisfeita
cia de corte ωc = π/4, um ganho na faixa de pas- pela entrada x[n] e pela saída y[n] desse sistema.
sagem de 1 e um ganho na faixa de rejeição de 0. (b) Faça um gráfico do diagrama de polos e zeros e in-
Esboce a transformada de Fourier de tempo dis- dique a RDC para a função do sistema.
creto de (−1)nh[n]. (c) Faça um esboço de |H(ejω)| com a escala cuidado-
(b) Um filtro com valores complexos com resposta ao samente colocada. Use a localização dos polos e
impulso g[n] tem o diagrama de polos e zeros mos- zeros para explicar a aparência da resposta em fre-
trado na Figura P5.25. Esboce o diagrama de polos quência.
e zeros para (−1)ng[n]. Caso não haja informações (d) Estabeleça se as afirmações sobre o sistema a se-
suficientes, explique o motivo. guir são verdadeiras ou falsas:
(i) O sistema é estável.
Im
(ii) A resposta ao impulso se aproxima de uma
constante não nula para n grande.
(iii) Como a função de sistema tem um polo no ân-
gulo π/3, a magnitude da resposta em frequên-
cia tem um pico em aproximadamente ω = π/3.
(iv) O sistema é um sistema de fase mínima.
Re (v) O sistema tem um inverso causal e estável.
1 5.29. Considere a cascata de um sistema LIT com seu sistema
inverso mostrado na Figura P5.29.
5.26. Considere um sistema LIT de tempo discreto para o A resposta ao impulso do primeiro sistema é h[n] =
qual a resposta em frequência H(ejω) seja descrita por: δ[n] + 2δ[n − 1].
x[n]
0
−5
0 100 200 300 400 500 600 700 800 900
n (amostras)
Transformada de Fourier da entrada x[n]
100
80
|X(e jω)|
60
40
20
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Frequência normalizada (ω)
Magnitude da resposta em frequência do filtro A
2
1,5
Magnitude
0,5
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Frequência normalizada (ω)
Atraso de grupo do filtro A
80
60
grd (amostras)
40
20
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Frequência normalizada (ω)
(a) H(z) pode ser representado como uma cascata de um 5.39. H(z) é a função de transferência de um sistema LIT es-
sistema de fase mínima Hmín(z) e um sistema passa- tável e é dada por:
-tudo de ganho unitário Hap(z). Determine uma es-
z−2
colha para Hmín(z) e Hap(z) e especifique se eles são H(z) = .
z(z − 1/3)
ou não únicos a menos de um fator de escala.
(b) O sistema de fase mínima, Hmín(z), é um sistema (a) O sistema é causal? Justifique sua resposta com
FIR? Explique. clareza.
(c) O sistema de fase mínima, Hmín(z), é um sistema (b) H(z) também pode ser expressa como H(z) =
de fase linear generalizada? Se não, H(z) pode ser Hmín(z)Hlin(z), em que Hmín(z) é um sistema de fase
representado como uma cascata de um sistema de mínima e Hlin(z) é um sistema de fase linear gene-
fase linear generalizada Hlin(z) e um sistema passa- ralizada. Determine uma escolha para Hmín(z) e
-tudo Hap2(z)? Se a sua resposta for sim, determine Hlin(z).
Hlin(z) e Hap2(z). Se for não, explique por que essa 5.40. O sistema S1 tem uma resposta ao impulso real h1[n] e
representação não existe. uma resposta em frequência real H1(ejω).
−5
0 100 200 300 400 500 600 700 800 900
5
Saída possível y2[n]
−5
0 100 200 300 400 500 600 700 800 900
5
Saída possível y3[n]
−5
0 100 200 300 400 500 600 700 800 900
5
Saída possível y4[n]
−5
0 100 200 300 400 500 600 700 800 900
n (amostras)
pondente a uma função de sistema racional H(z) com o 5.43. Considere um sistema LIT com função de sistema:
diagrama de polos e zeros mostrado na Figura P5.42.
z−2 (1 − 2z−1 ) 1
H (z) = , |z| > .
Im 2(1 − 21 z−1 ) 2
3 5
4,5
2,5
4
3,5
2
3
|H(e jω)|
|H(e jω)|
1,5 2,5
2
1
1,5
1
0,5
0,5
0 0
−1 −0,8 −0,6 −0,4 −0,2 0 0,2 0,4 0,6 0,8 1 −1 −0,8 −0,6 −0,4 −0,2 0 0,2 0,4 0,6 0,8 1
Frequência (ω/π) Frequência (ω/π)
(a) (b)
2 3
1,8
2,5
1,6
1,4
2
1,2
|H(e jω)|
|H(e jω)|
1 1,5
0,8
1
0,6
0,4
0,5
0,2
0 0
−1 −0,8 −0,6 −0,4 −0,2 0 0,2 0,4 0,6 0,8 1 −1 −0,8 −0,6 −0,4 −0,2 0 0,2 0,4 0,6 0,8 1
Frequência (ω/π) Frequência (ω/π)
(c) (d)
Figura P5.44
1 1
(A) (B)
Parte imaginária
Parte imaginária
0,5 0,5
0 0
11
−0,5 −0,5
−1 −1
−1 0 1 2 −2 −1 0 1 2
1 1
(C) (D)
Parte imaginária
Parte imaginária
0,5 0,5
0 0
−0,5 −0,5
−1 −1
−1 0 1 2 −2 −1 0 1 2
1 1
(E) (F)
Parte imaginária
Parte imaginária
0,5 0,5
0 0
6
−0,5 −0,5
−1 −1
−2 −1 0 1 2 −2 −1 0 1 2
Figura P5.45
Responda às perguntas a seguir sobre os sistemas tendo (a) Determine a resposta em frequência total H(ejω).
os diagramas de polos e zeros anteriores. Em cada caso, (b) Determine o comprimento da resposta ao impulso
uma resposta aceitável poderia ser nenhum ou todos. do sistema total.
(a) Quais sistemas são sistemas IIR? (c) Determine o atraso de grupo do sistema total.
(b) Quais sistemas são sistemas FIR? (d) O sistema total é um sistema de fase linear gene-
(c) Quais sistemas são sistemas estáveis? ralizada do Tipo I, do Tipo II, do Tipo III ou do
(d) Quais sistemas são sistemas de fase mínima? Tipo IV?
(e) Quais sistemas são sistemas de fase linear genera-
lizada?
x[n] h1[n] h2[n] y[n]
(f) Quais sistemas têm |H(ejω)| = constante para todo ω?
H1(e j) H2(e j)
(g) Quais sistemas têm sistemas inversos correspon-
dentes estáveis e causais?
(h) Qual sistema tem a resposta ao impulso mais curta Figura P5.46
(menor número de amostras nulas)?
(i) Quais sistemas têm resposta em frequência passa- 5.47. Um sistema FIR de fase linear tem uma resposta ao im-
-baixas? pulso h[n] cuja transformada z tem a forma
(j) Quais sistemas têm atraso de grupo mínimo?
H(z) = (1 − az−1)(1 − ejπ/2z−1)(1 − bz−1)(1 − 0,5z−1)(1 − cz−1)
5.46. Assuma que os dois sistemas lineares na cascata mos-
trada na Figura P5.46 sejam filtros FIR de fase linear. em que a, b e c são zeros de H(z) que você deve encon-
Suponha que H1(z) tenha ordem M1 (comprimento da trar. Também sabemos que H(ejω) = 0 para ω = 0. Essa
resposta ao impulso M1 + 1) e H2(z) tenha ordem M2. informação e o conhecimento das propriedades dos
Suponha que as respostas em frequência tenham a for- sistemas de fase linear são suficientes para determinar
ma H1(ejω) = A1(ejω)e−jωM1/2 e H2(ejω) = jA2(ejω)e−jωM2/2, completamente a função de sistema (e, portanto, a res-
em que M1 é um inteiro par e M2 é um inteiro ímpar. posta ao impulso) e responder às seguintes perguntas:
(a) Determine o comprimento da resposta ao impulso 5.51. Um sistema LIT causal tem a função de sistema
(isto é, o número de amostras não nulas).
(b) Esse é um sistema do Tipo I, do Tipo II, do Tipo III (1 − 1,5z−1 − z−2 )(1 + 0,9z−1 )
H (z) = .
ou do Tipo IV? (1 − z−1 )(1 + 0,7j z −1 )(1 − 0,7j z −1 )
(c) Determine o atraso de grupo do sistema em amostras.
(a) Escreva a equação de diferenças que é satisfeita pela
(d) Determine os zeros desconhecidos a, b e c. (Os
entrada e pela saída do sistema.
símbolos são arbitrários, mas existem três zeros a
(b) Esboce o diagrama de polos e zeros e indique a RDC
serem encontrados.)
para a função de sistema.
(e) Determine os valores da resposta ao impulso e a
esboce. (c) Esboce |H(ejω)|.
5.48. A função de sistema H(z) de um sistema LIT causal (d) Indique se as afirmações a seguir sobre o sistema são
tem a configuração de polos e zeros mostrada na Figura verdadeiras ou falsas:
P5.48. Sabe-se também que H(z) = 6 quando z = 1. (i) O sistema é estável.
(ii) A resposta ao impulso se aproxima de uma
Im constante para n grande.
Plano z (iii) A magnitude da resposta em frequência tem
Duplo zero
um pico em aproximadamente ω = ± π/4.
(iv) O sistema tem um inverso estável e causal.
Re
–1 1
5.52. Considere uma sequência causal x[n] com a transfor-
3 2
mada z
1 − 21 z−1 1 − 41 z−1 1 − 15 z
X(z) = .
Figura P5.48 1 − 16 z
(a) Determine H(z). Para quais valores de α, αnx[n] é uma sequência real de
(b) Determine a resposta ao impulso h[n] do sistema. fase mínima?
(c) Determine a resposta do sistema aos seguintes si- 5.53. Considere o sistema LIT cuja função de sistema seja
nais de entrada:
(i) x[n] = u[n] − 21 u[n − 1] H(z) = (1 − 0,9ej 0,6π z−1)(1 − 0,9e−j 0,6π z−1)
(ii) A sequência x[n] obtida pela amostragem do (1 − 1,25ej 0,8π z−1)(1 − 1,25e−j 0,8π z−1).
sinal de tempo contínuo
(a) Determine todas as funções de sistema causais
x(t) = 50 + 10 cos 20πt + 30 cos 40πt que resultam na mesma magnitude da resposta
com uma frequência de amostragem s = 2π(40) rad/s. em frequência de H(z) e para as quais as respos-
5.49. A função de sistema de um sistema LIT é dada por tas ao impulso são reais e de mesmo comprimento
da resposta ao impulso associada a H(z). (Exis-
21
H (z) = . tem quatro dessas funções de sistema diferentes.)
1 − 21 z−1 (1 − 2z−1 )(1 − 4z−1 ) Identifique qual função de sistema é de fase míni-
ma e qual, a menos de um deslocamento no tempo,
Sabe-se que o sistema não é estável e que a resposta ao tem fase máxima.
impulso é bilateral. (b) Determine as respostas ao impulso para as funções
(a) Determine a resposta ao impulso h[n] do sistema. de sistema no item (a).
(b) A resposta ao impulso encontrada no item (a) (c) Para cada uma das sequências no item (b), calcule e
pode ser expressa como a soma de uma resposta
esboce a quantidade
ao impulso causal h1[n] e uma resposta ao impulso
anticausal h2[n]. Determine as funções do sistema n
H1(z) e H2(z) correspondentes. E [n] = (h[m])2
5.50. A transformada de Fourier de um sistema LIT estável é m=0
puramente real e é mostrada na Figura P5.50. Determine para 0 ≤ n ≤ 5. Indique explicitamente qual gráfico
se esse sistema tem um sistema inverso estável. corresponde ao sistema de fase mínima.
5.54. Na Figura P5.54 são mostradas oito sequências diferen-
H (e j)
tes de duração finita. Cada sequência tem quatro pon-
tos de comprimento. A magnitude da transformada de
Fourier é a mesma para todas as sequências. Qual das
sequências tem todos os zeros de sua transformada z no
– interior da circunferência unitária?
5.55. Cada um dos diagramas de polos e zeros na Figura P5.55,
Figura P5.50 juntamente com a especificação da RDC, descreve um
20,33 17,67
9,67 13,33
2,67 5,33
2 1 3 2
1 3 n 2 n 1 3 n
–3,33 –1,33
– 6,67
–15,33 –18,67 –20,67
(a) (b) (c)
21,33
17,67 13,33
5,33 9,67
1,67
1 3 2 1 3
2 n 1 3 n 2 n
–10,67 –1,33 –1,33
–11,33 –18,67 –20,67
(d) (e) (f)
21,33 20,33
1,67 2,67
2 1 3
1 3 n 2 n
– 6,67
–10,67 –11,33
–15,33
(g) (h)
Figura P5.54
Im Im
Circunferência Circunferência
Plano z Plano z
unitária unitária
1 1 Re 1 3 Re
2 2
1 3
RDC: |z| < RDC: |z| >
2 2
(a) (b)
Im Im
2
Circunferência
unitária Plano z Circunferência Plano z
unitária
1
4 1
1 4 Re Re
1 2 3 1
4 4
2
(c) (d)
Figura P5.55
(M+1)/2
ou
Figura P5.63-1
h[n] = −h[M − n],
(a) Se |H(ejω)| = 1 e jH(ejω) é como ilustrada na Figura
em que M é um inteiro.
P5.63-2, mostre que y[n] = s[n]cos(ω0n − φ0).
Se a afirmação for verdadeira, justifique. Se ela for falsa,
forneça um contraexemplo. H (e j)
5.61. A função do sistema HII(z) representa um sistema FIR
de fase linear generalizada do tipo II com resposta ao 0
impulso hII[n]. Esse sistema é colocado em cascata com
um sistema LIT, cuja função do sistema é (1 − z–1), para
produzir um terceiro sistema com função do sistema –
H(z) e resposta ao impulso h[n]. Prove que o sistema to- – 0
tal é um sistema de fase linear generalizada e determine
que tipo de sistema de fase linear ele é.
5.62. Seja S1 um sistema LIT causal e estável com resposta ao Figura P5.63-2
impulso h1[n] e resposta em frequência H1(ejω). A entra-
da x[n] e saída y[n] de S1 são relacionadas pela equação (b) Se |H(ejω)| = 1 e jH(ejω) é como ilustrado na Figu-
de diferenças ra P5.63-3, mostre que y[n] pode ser expresso na
forma
y[n] − y[n − 1] + 41 y[n − 2] = x[n].
y[n] = s[n − nd ] cos(ω0n − φ0 − ω0nd).
(a) Se um sistema LIT S2 tem uma resposta em fre-
quência dada por H2(ejω) = H1(−ejω), você carac- Mostre também que y[n] pode ser expresso de for-
terizaria S2 como um filtro passa-baixas, um filtro ma equivalente como
passa-faixas ou um filtro passa-altas? Justifique sua
resposta. y[n] = s[n − nd ] cos(ω0n − φ1),
(b) Seja S3 um sistema LIT causal cuja resposta em fre- em que −φ1 é a fase de H(ejω) em ω = ω0.
quência H3(ejω) tem a propriedade a seguir:
H3(ejω)H1(ejω) = 1. jH (e jω)
Inclinação = –nd
S3 é um filtro de fase mínima? S3 poderia ser classi- φ0
ficado como um dos quatro tipos de filtros FIR com
fase linear generalizada? Justifique suas respostas. ω0
(c) Seja S4 um sistema LIT estável e não causal, cuja –π π
resposta em frequência é H4(ejω) e cuja entrada x[n] – φ0
e saída y[n] estejam relacionadas pela equação de
diferenças: Inclinação = – nd
– φ1
y[n] + α1y[n − 1] + α2y[n − 2] = β0 x[n],
sendo α1, α2 e β0 constantes reais e não nulas. Es- Figura P5.63-3
pecifique um valor para α1, um valor para α2 e um
valor para β0, tal que |H4(ejω)| = |H1(ejω)|. (c) O atraso de grupo associado com H(ejω) é definido
(d) Seja S5 um filtro FIR cuja resposta ao impulso é como
h5[n] e cuja resposta em frequência, H5(ejω), tem a d
propriedade H5(ejω) = |A (ejω)|2 para alguma TFTD τgr (ω) = − arg[H (ej ω )],
dω
A(ejω) (isto é, S5 é um filtro de fase nula). Deter-
mine h5[n], tal que h5[n] * h1[n] seja a resposta ao e o atraso de fase é definido como τph(ω) = −(1/ω)
impulso de um filtro FIR não causal. jH(ejω). Assuma que |H(ejω)| seja unitário sobre a
q
h1 [n] = δ[n – kM] h2 [n] = δ[n] – δ[n – 1]
k=0
1 1
...
1
0 M 2M 3M (q – 1)M qM n 0 n
–1
Figura P5.65-4
(c) Vamos agora tentar generalizar essa abordagem Claramente, esse processo assegura que |Hmáx(ejω)|
para respostas ao impulso borradoras arbitrárias de = |Hmín(ejω)|. Agora, a transformada z de uma se-
comprimento finito h[n]; isto é, assuma apenas que quência de fase mínima de duração finita pode ser
h[n] = 0 para n < 0 ou n ≥ M. Além disso, assu- expressa como
ma que h1[n] é a mesma da Figura P5.65-4. Como M
H2(z) e H(z) devem estar relacionados para que o H mín (z) = hmín [0] (1 − ckz−1 ), |ck| < 1.
sistema funcione como no item (b)? Que condição k=1
H(z) deve satisfazer a fim de que seja possível im-
(b) Obtenha uma expressão para a função de sistema
plementar H2(z) como um sistema causal?
passa-tudo requerida para refletir todos os zeros
5.66. Neste problema, demonstramos que, para uma transfor-
de Hmín(z) para posições fora da circunferência
mada z racional, um fator na forma (z − z0) e um fator na
unitária.
forma z/(z − 1/z0* ) contribuem com a mesma fase.
(c) Mostre que Hmáx(z) pode ser expressa como
(a) Seja H(z) = z − 1/a, sendo a real e 0 < a < 1. Esboce
os polos e zeros do sistema, incluindo uma indica- Hmáx(z) = z−M Hmín(z−1).
ção daqueles em z = ∞. Determine jH(ejω), a fase
(d) Usando o resultado do item (c), expresse a sequên-
do sistema.
cia de fase máxima hmáx[n] em termos de hmín[n].
(b) Seja G(z) especificado de modo que ele tenha polos
5.70. Não é possível obter um sistema inverso causal e estável
nas localizações recíprocas conjugadas dos zeros de
(um compensador perfeito) para um sistema de fase não
H(z) e zeros nas localizações recíprocas conjugadas
mínima. Neste problema, estudamos uma abordagem
dos polos de H(z), incluindo aqueles em zero e ∞.
para compensar apenas a magnitude da resposta em fre-
Esboce o diagrama de polos e zeros de G(z). Deter-
quência de um sistema de fase não mínima.
mine jG(ejω), a fase do sistema, e mostre que ela é
idêntica a jH(ejω). Suponha que um sistema de tempo discreto LIT com
fase não mínima estável com uma função de sistema ra-
5.67. Prove a validade das duas afirmações a seguir:
cional H(z) seja colocado em cascata com um sistema
(a) A convolução de duas sequências de fase mínima
de compensação Hc(z) como mostrado na Figura P5.70.
também é uma sequência de fase mínima.
(b) A soma de duas sequências de fase mínima não é G(e j)
necessariamente uma sequência de fase mínima.
Especificamente, dê um exemplo de uma sequência
de fase mínima e um exemplo de uma sequência de H(z) Hc (z)
fase não mínima que possam ser formadas como a x [n] w [n] y[n]
soma de duas sequências de fase mínima.
5.68. Uma sequência é definida pela relação
Figura P5.70
∞
r[n] = h[m]h[n + m] = h[n] * h[−n],
(a) Como Hc(z) deveria ser escolhido de modo que
m=−∞
seja estável e causal e tal que a magnitude da res-
em que h[n] é uma sequência de fase mínima e posta em frequência efetiva total seja unitária?
n (Lembre-se de que H(z) sempre pode ser represen-
r[n] = 43 21 u[n] + 43 2n u[−n − 1].
tada como H(z) = Hap(z)Hmín(z).)
(a) Determine R(z) e esboce o diagrama de polos e zeros. (b) Quais são as funções de sistema correspondentes
(b) Determine a sequência de fase mínima h[n] a me- Hc(z) e G(z)?
nos de um fator de escala de ±1. Além disso, deter- (c) Suponha que
mine a transformada z, H(z), de h[n].
H(z) = (1 − 0,8ej 0,3π z−1)(1 − 0,8e−j 0,3π z−1)
5.69. Uma sequência de fase máxima é uma sequência estável
cuja transformada z tem todos os polos e zeros fora da (1 − 1,2ej 0,7π z−1)(1 − 1,2e−j 0,7π z−1).
circunferência unitária.
Determine Hmín(z), Hap(z), Hc(z) e G(z) para esse
(a) Mostre que as sequências de fase máxima são neces-
caso e construa os diagramas de polos e zeros para
sariamente anticausais, isto é, são nulas para n > 0.
cada função de sistema.
Sequências de fase máxima FIR podem se tornar
5.71. Seja hmín[n] uma sequência de fase mínima com trans-
causais incluindo-se uma quantidade finita de atraso.
formada z, Hmín(z). Se h[n] é uma sequência de fase não
Uma sequência de fase máxima causal de duração
mínima causal cuja magnitude da transformada de Fou-
finita que possui uma transformada de Fourier de
rier é igual a |Hmín(ejω)|, mostre que
uma dada magnitude pode ser obtida refletindo-se
todos os zeros da transformada z de uma sequência |h[0]| < |hmín[0]|.
de fase mínima para posições recíprocas conjugadas
(Use o teorema do valor inicial juntamente com a Equa-
fora da circunferência unitária. Isto é, podemos ex-
ção 5.93.)
pressar a transformada z de uma sequência de dura-
ção finita causal de fase máxima como 5.72. Uma das propriedades interessantes e importantes das
sequências de fase mínima é a propriedade de atraso mí-
Hmáx(z) = Hmín(z)Hap(z). nimo de energia; isto é, de todas as sequências causais
que possuem a mesma função de magnitude da transfor- duração finita e forem armazenados, por exemplo, na
mada de Fourier |H(ejω)|, a quantidade memória do computador é processar os dados progres-
n sivamente e depois regressivamente pelo mesmo filtro.
E [n] = |h[m]|2 Seja h[n] a resposta ao impulso de um filtro causal com
m= 0
uma característica de fase arbitrária. Suponha que h[n]
seja real e denote sua transformada de Fourier por
é máxima para todo n ≥ 0 quando h[n] é a sequência de H(ejω). Sejam x[n] os dados que queremos filtrar.
fase mínima. Esse resultado é provado como segue: Seja (a) Método A: A operação de filtragem é realizada
hmín[n] uma sequência de fase mínima com transforma- como mostrado na Figura P5.74-1.
da z, Hmín(z). Além disso, seja zk um zero de Hmín(z) de
modo que podemos expressar Hmín(z) como
h [n]
Hmín(z) = Q (z)(1 − zk z−1), |zk | < 1, x [n] g [n]
De forma mais geral, se h[n] tem a magnitude dese- fatores não são mostrados na figura. O filtro tem aproxi-
jada, mas uma característica de fase não linear, qual madamente ganho unitário em sua banda de passagem.
método é preferível para conseguir uma caracterís- (a) Um dos zeros tem magnitude 0,5 e ângulo 153o. De-
tica de fase nula? termine a localização exata de quantos outros zeros
você puder a partir dessa informação.
|H(e jω)| (b) A função de sistema H(z) é usada no sistema para
o processamento em tempo discreto de sinais de
1 tempo contínuo mostrado na Figura 4.10, com o
período de amostragem T = 0,5 ms. Suponha que
a entrada de tempo contínuo Xc(j) seja de ban-
π 3π π ω
da limitada e que a taxa de amostragem seja alta
4 4
o suficiente para evitar aliasing. Qual é o atraso de
tempo (em ms) no sistema inteiro, assumindo que
as conversões C/D e D/C requeiram quantidades de
vH(e jω)
tempo insignificantes?
π
ω (c) Para o sistema do item (b), esboce a resposta em
frequência de tempo contínuo efetiva 20 log10
–π |Heff(j)| para 0 ≤ ≤ π/T com o máximo de pre-
cisão possível usando as informações dadas. Pela
Figura P5.74-3 informação na Figura P5.76, estime as frequências
em que Heff(j) = 0 e marque-as em seu gráfico.
5.75. Determine se a afirmação a seguir é verdadeira ou falsa. 5.77. Um sinal x[n] é processado por um sistema LIT H(z) e
Se for verdadeira, indique concisamente seu raciocínio. depois subamostrado por um fator 2 gerando y[n] como
Se for falsa, dê um contraexemplo. indicado na Figura P5.77. Além disso, como mostrado na
Afirmação: Se a função de sistema H(z) tem polos em mesma figura, x[n] é primeiro subamostrado e depois
qualquer lugar diferente da origem ou do infinito, então processado por um sistema LIT G(z) para se obter r[n].
o sistema não pode ser um sistema de fase nula ou de (a) Especifique uma escolha para H(z) (que não seja
fase linear generalizada. uma constante) e uma para G(z), de modo que r [n]
5.76. A Figura P5.76 mostra os zeros da função de sistema = y[n] para um x[n] arbitrário.
H(z) para um filtro FIR de fase linear causal e real. To- (b) Especifique uma escolha para H(z) de modo que
dos os zeros indicados representam fatores na forma não haja escolha para G(z) que resulte em r [n] =
(1 – az–1). Os polos correspondentes em z = 0 para esses y[n] para um x[n] arbitrário.
1,5
0,5
Parte imaginária
– 0,5
–1
–1,5
–2
–2 –1,5 –1 – 0,5 0 0,5 1 1,5 2
Parte real
Figura P5.76
1
H (z) 2 H (z) =
N
x[n] w [n] y [n] = w [2n]
1− akz−k
k=1
para ak finitos. Pode-se recuperar h[n] exclusiva-
2 G (z)
x[n] s [n] = w[2n] r[n] mente a partir de chh[]? Justifique sua resposta
com clareza.
Figura P5.77 5.79. Considere que h[n] e H(z) indiquem a resposta ao im-
pulso e a função de sistema de um sistema LIT passa-
(c) Determine o conjunto de condições mais genérico -tudo estável. Seja hi[n] a resposta ao impulso do sistema
que você puder para H(z), tal que G(z) possa ser inverso LIT (estável). Suponha que h[n] seja real. Mos-
escolhido de modo que r[n] = y[n] para um x[n] ar- tre que hi[n] = h[−n].
bitrário. As condições não devem depender de x[n]. 5.80. Considere uma sequência real x[n] para a qual X(ejω) = 0
Se você primeiro desenvolver as condições em ter- para π4 ≤ |ω| ≤ π. Um valor de sequência de x[n] pode
mos de h[n], reformule-as em termos de H(z). ter sido corrompido, e gostaríamos de recuperá-lo apro-
(d) Para as condições determinadas no item (c), de- ximada ou exatamente. Com g[n] representando o sinal
termine g[n] em termos de h[n], de modo que r[n] corrompido,
= y[n]. g[n] = x[n] para n Z n0,
5.78. Considere um sistema LIT de tempo discreto com uma
resposta ao impulso real h[n]. Queremos encontrar h[n] e g[n0] é real, mas não relacionado a x[n0]. Em cada um
ou, equivalentemente, a função de sistema H(z), a partir dos dois casos a seguir, especifique um algoritmo prático
da autocorrelação chh[] da resposta ao impulso. A defi- para recuperar x[n] a partir de g[n], exata ou aproxima-
nição da autocorrelação é damente.
(a) O valor exato de n0 não é conhecido, mas sabemos
∞
que n0 é um número ímpar.
chh [ ] = h[k]h[k + ].
(b) Não sabemos nada a respeito de n0.
k=−∞
5.81. Mostre que, se h[n] é um filtro FIR de (M + 1) pontos,
(a) Se o sistema h[n] é causal e estável, é possível re- tal que h[n] = h[M − n] e H(z0) = 0, então H(1/z0) = 0.
cuperar h[n] exclusivamente a partir de chh[]? Jus- Isso mostra que até mesmo filtros FIR de fase linear si-
tifique sua resposta. métricos pares têm zeros que são imagens recíprocas. (Se
(b) Suponha que h[n] seja causal e estável e que, além dis- h[n] é real, os zeros também serão reais ou ocorrerão em
so, você saiba que a função de sistema tem a forma pares conjugados complexos.)
de tempo discreto
1 Os diagramas de fluxo também são chamados de “redes” em analogia aos diagramas de circuito elétrico. Usaremos os termos diagrama de
fluxo, estrutura e rede indistintamente em relação às representações gráficas das equações de diferenças.
...
k=1
...
bM – 1 aN – 1
recorrência para y[n] em termos de uma combinação + +
linear de valores passados da sequência de saída e va-
lores atuais e passados da sequência de entrada leva à z–1 z–1
relação bM aN
x [n – M] y[n – N]
N M
y[n] = aky[n − k] + bkx[n − k]. (6.9) Figura 6.3 Representação por diagrama de blocos para uma equação
k=1 k=0 de diferenças geral de ordem N.
2 A forma usada nos capítulos anteriores para uma equação de diferenças geral de ordem N foi
N M
aky[n − k] = bkx[n − k].
k=0 k=0
No restante do livro, será mais conveniente usar a forma da Equação 6.7, em que o coeficiente de y[n] é normalizado em um e os coeficientes
associados à saída atrasada aparecem com um sinal positivo depois de terem sido passados para o lado direito da equação. (Veja a Equação 6.9.)
...
...
ção de H(z) por meio da decomposição
...
...
aN – 1 bN – 1
+ w [n – N + 1] +
1 M
−k
H(z) = H 2 (z)H1(z) = bkz (6.11)
N
1− akz−k
k=0 z–1 z–1
k=1
aN bN
w [n – N]
ou, de modo equivalente, pelo par de equações
M
Figura 6.4 Reorganização do diagrama de blocos da Figura 6.3. As-
−k sumimos, por conveniência, que N = M. Se N Z M, alguns dos coefi-
V (z) = H 1 (z)X (z) = bkz X (z), (6.12a)
cientes serão nulos.
k=0
M
1
y[n] = bkw[n − k]. (6.15b)
Y (z)= H 2 (z)V (z)= V (z). (6.12b)
N
1 − akz−k
k=0
k=1
Os diagramas de blocos das figuras 6.3 e 6.4 têm
A Figura 6.4, por outro lado, representa H(z) como algumas diferenças importantes. Na Figura 6.3, os zeros
de H(z), representados em H1(z), são implementados
primeiro, seguidos pelos polos, representados em H2(z).
M 1 Na Figura 6.4, os polos são implementados primeiro,
−k
H(z) = H 1 (z)H2 (z) = bkz (6.13) seguidos pelos zeros. Teoricamente, a ordem da imple-
N
k=0 1− akz−k mentação não afeta a função global do sistema. Porém,
k=1
como veremos, quando uma equação de diferenças é
implementada com aritmética de precisão finita, pode
ou, de modo equivalente, por meio das equações haver uma diferença significativa entre dois sistemas,
que são equivalentes no caso em que se supõe aritmé-
tica de precisão infinita no sistema dos números reais.
1 Outro aspecto importante diz respeito ao número de
W (z) = H 2 (z)X (z) = X (z), (6.14a) elementos de atraso nos dois sistemas. Conforme re-
N
1 − akz−k presentados, os sistemas nas figuras 6.3 e 6.4 têm um
k=1
total de (N + M) elementos de atraso cada um. Porém,
o diagrama de blocos da Figura 6.4 pode ser reordena-
M do notando-se que exatamente o mesmo sinal, w[n], é
Y (z)= H 1 (z)W (z)= bkz−k W (z). (6.14b) armazenado nas duas cascatas de elementos de atraso
k=0 na figura. Consequentemente, as duas podem ser redu-
No domínio do tempo, a Figura 6.4 e, de modo zidas a apenas uma cascata de atrasos, como indicado
equivalente, as equações 6.14(a) e (b) podem ser repre- na Figura 6.5.
sentadas pelo par de equações de diferenças O número total de elementos de atraso na Figura 6.5
N é menor ou igual ao número requerido tanto na Figura
w[n] = akw[n − k] + x[n], (6.15a) 6.3 como na Figura 6.4, e realmente esse é o número mí-
k=1 nimo necessário para a implementação de um sistema
w[n] b0 + +
+ + x[n] y[n]
x [n] y [n]
z –1 z –1
z–1
2 1,5
a1 b1 +
+ +
z –1
z–1
– 0,9
...
...
aN – 1 bN – 1
+ +
+ +
x[n] y [n]
z–1
z –1
aN bN 1,5 2
+
– 0,9
com função de sistema dada pela Equação 6.8. Espe-
cificamente, o número mínimo de elementos de atraso
necessários é, em geral, máx(N, M). Uma implementa- Figura 6.7 Implementação da Equação 6.16 na forma direta II.
ção com o número mínimo de elementos de atraso co-
mumente é chamada de implementação na forma ca-
nônica. O diagrama de blocos não canônico na Figura grama de blocos têm sinais trocados dos coeficientes cor-
6.3 é chamado de implementação na forma direta I do respondentes de z−1 e z−2 na Equação 6.16. Embora essa
sistema global de ordem N, pois é uma realização direta troca de sinal possa parecer confusa, é essencial lembrar
da equação de diferenças satisfeita pela entrada x[n] e que os coeficientes de realimentação {ak} sempre têm o
sinal trocado na equação de diferenças em relação ao seu
pela saída y[n], que por sua vez pode ser escrita direta-
sinal na função de sistema. Note também que a forma di-
mente por inspeção da função de sistema. A Figura 6.5 reta II requer apenas dois elementos de atraso para imple-
frequentemente é chamada de implementação na for- mentar H(z), um a menos que a implementação na forma
ma direta II ou forma direta canônica. Sabendo que a Fi- direta I.
gura 6.5 é uma estrutura de realização apropriada para
H(z) dada pela Equação 6.8, podemos passar direta- Na discussão anterior, obtivemos dois diagramas de
mente da função de sistema para o diagrama de blocos blocos equivalentes para implementar um sistema LIT
(ou a equação de diferenças equivalente) e vice-versa. com função de sistema dada pela Equação 6.8. Esses dia-
gramas de blocos, que representam diferentes algoritmos
Exemplo 6.2 Implementação na forma direta I e na computacionais para a implementação do sistema, foram
obtidos por manipulações baseadas na linearidade do
forma direta II de um sistema LIT
sistema e nas propriedades algébricas da função de sis-
Considere o sistema LIT com função de sistema tema. De fato, como as equações de diferenças básicas
que representam um sistema LIT são lineares, conjun-
1 + 2z−1
H (z) = . (6.16) tos equivalentes de equações de diferenças podem ser
1 − 1,5z−1 + 0,9z−2
obtidos simplesmente por transformações lineares das
Ao comparar essa função de sistema com a Equação 6.8, variáveis das equações de diferenças. Assim, existe um
obtemos b0 = 1, b1 = 2, a1 = +1,5 e a2 = −0,9; segue por- número ilimitado de realizações equivalentes de qual-
tanto, da Figura 6.3, que podemos implementar o sistema
quer sistema dado. Na Seção 6.3, com uma abordagem
em um diagrama de blocos na forma direta I, como mos-
trado na Figura 6.6. Com relação à Figura 6.5, também similar à usada nesta seção, obteremos uma série de ou-
podemos implementar a função de sistema na forma di- tras estruturas equivalentes importantes e úteis para a
reta II, como mostrado na Figura 6.7. Nos dois casos, note implementação de um sistema com uma função de siste-
que os coeficientes nos ramos de realimentação no dia- ma como a da Equação 6.8. Antes de discutir essas outras
formas, porém, é conveniente introduzir os diagramas de Nós de saída são aqueles que possuem apenas ramos
fluxo de sinais como uma alternativa aos diagramas de de entrada, e são usados para extrair saídas de um dia-
blocos para representar equações de diferenças. grama. Nós de fonte, nós de saída e ramos de ganho
simples são ilustrados no diagrama de fluxo de sinais
6.2 Representação em diagrama da Figura 6.9. As equações lineares representadas pela
figura são as seguintes:
de fluxo de sinais de equações
de diferenças lineares com w1[n] = x[n] + aw2[n] + bw2[n],
Nó j 4
wk [n] (b)
wj [n]
Nó k Figura 6.10 (a) Representação do diagrama de blocos de um filtro
digital de primeira ordem. (b) Estrutura do diagrama de fluxo de sinais
Figura 6.8 Exemplo de nós e ramos em um diagrama de fluxo de sinais. correspondente ao diagrama de blocos de (a).
w2[n] = aw2[n − 1] + x[n], (6.19a) Podemos eliminar W1(z) e W3(z) desse conjunto de equa-
ções substituindo a Equação 6.21(a) na Equação 6.21(b),
y[n] = b0w2[n] + b1w2[n − 1], (6.19b)
e a Equação 6.21(c) na Equação 6.21(d), obtendo
que estão na forma das equações 6.15(a) e (b); isto é, W2(z) = α(W4(z) − X (z)), (6.22a)
na forma direta II. Frequentemente, a manipulação das
W4(z) = z−1(W2(z) + X (z)), (6.22b)
equações de diferenças de um diagrama de fluxo é difí-
cil quando temos de lidar com as variáveis no domínio Y (z) = W2(z) + W4(z). (6.22c)
do tempo, devido à realimentação das variáveis atrasa- As equações 6.22(a) e (b) podem ser resolvidas para
das. Nesses casos, sempre é possível trabalhar com a re- W2(z) e W4(z), resultando em
presentação da transformada z, em que todos os ramos α(z−1 − 1)
são ganhos simples, já que o atraso é representado em W2 (z) = X (z), (6.23a)
1 − αz−1
transformada z com a multiplicação por z−1. Os proble-
mas 6.1-6.28 ilustram a utilidade da análise da transfor- z−1 (1 − α)
W4 (z) = X (z), (6.23b)
mada z nos diagramas de fluxo para a obtenção de con- 1 − αz−1
juntos equivalentes de equações de diferenças. e substituindo-se as equações 6.23(a) e (b) na Equação
6.22(c) chega-se a
Exemplo 6.3 Determinação da função de sistema α(z−1 − 1) + z−1 (1 − α)
Y (z)= X (z) =
a partir de um diagrama de fluxo 1 − αz−1
(6.24)
Para ilustrar o uso da transformada z na determinação z−1 − α
= X (z).
da função de sistema a partir de um diagrama de flu- 1 − αz−1
xo, considere a Figura 6.12. O diagrama de fluxo nessa
figura não está na forma direta. Portanto, a função de Portanto, a função de sistema do diagrama de fluxo da
sistema não pode ser escrita pela inspeção do diagrama. Figura 6.12 é
Porém, o conjunto de equações de diferenças representa-
z−1 − α
das no diagrama pode ser escrito pela expressão de uma H (z) = , (6.25)
equação para cada variável de nó em termos das outras 1 − αz−1
variáveis de nó. As cinco equações são pela qual concluímos que a resposta ao impulso do sis-
w1[n] = w4[n] − x[n], (6.20a) tema é
w2[n] = αw1[n], (6.20b) h[n] = αn−1u[n − 1] − αn+1u[n]
e o diagrama de fluxo na forma direta I é como mostrado
w3[n] = w2[n] + x[n], (6.20c)
na Figura 6.13.
w4[n] = w3[n − 1], (6.20d)
y[n] = w2[n] + w4[n]. (6.20e) O Exemplo 6.3 mostra como a transformada z con-
verte expressões no domínio do tempo, que envolvem
Essas são as equações que seriam usadas para implemen-
tar o sistema na forma descrita pelo diagrama de fluxo. realimentação e, portanto, são difíceis de resolver, em
As equações 6.20(a)-(e) podem ser representadas com as equações lineares que podem ser resolvidas por técnicas
equações da transformada z algébricas. O exemplo também ilustra que diferentes re-
W1(z) = W4(z) − X (z), (6.21a) presentações de diagrama de fluxo definem algoritmos
computacionais que requerem diferentes quantidades
W2(z) = αW1(z), (6.21b)
de recursos computacionais. Comparando as figuras
W3(z) = W2(z) + X (z), (6.21c) 6.12 e 6.13, notamos que a implementação original re-
W4(z) = z−1W3(z), (6.21d) quer apenas uma multiplicação e um elemento de atraso
(memória), enquanto a implementação na forma direta
Y(z) = W2(z) + W4(z). (6.21e) I requer duas multiplicações e dois elementos de atraso.
A implementação na forma direta II requer um atraso a
menos, porém ainda requer duas multiplicações.
–1 w1[n] w2 [n]
–
x[n] y [n] x [n] y[n]
z –1 z –1
w3 [n] z –1 w4 [n]
Figura 6.12 Diagrama de fluxo que não está na forma direta padrão. Figura 6.13 Equivalente na forma direta I da Figura 6.12.
6.3 Estruturas básicas para sistemas IIR que os cálculos são organizados, isto é, da estrutura do
diagrama de fluxo de sinais. Ocasionalmente pode ser
Na Seção 6.1, introduzimos duas estruturas alter- desejável usar uma estrutura que não possua o núme-
nativas para a implementação de um sistema LIT com ro mínimo de multiplicadores e elementos de atraso se
função de sistema como a da Equação 6.8. Nesta seção, essa estrutura for menos sensível aos efeitos do compri-
apresentamos as descrições em diagrama de fluxo de mento finito do registrador.
sinais desses sistemas e também desenvolvemos di- Nesta seção, apresentamos várias das formas mais
versas outras estruturas de rede de diagrama de fluxo frequentemente usadas para implementar um sistema LIT
equivalente, comumente utilizadas. Nossa abordagem IIR e obtemos suas representações em diagrama de fluxo.
deixará claro que, para qualquer função de sistema
racional dada, há uma grande variedade de conjuntos 6.3.1 Formas diretas
equivalentes de equações de diferenças ou estruturas
Na Seção 6.1, obtivemos representações em dia-
de rede. Uma consideração na escolha entre essas di-
grama de blocos na forma direta I (Figura 6.3) e na for-
ferentes estruturas é a complexidade computacional.
ma direta II, ou forma direta canônica (Figura 6.5) para
Por exemplo, em algumas implementações digitais, as
um sistema LIT cujas entrada e saída satisfazem uma
estruturas com menos multiplicadores por constantes
equação de diferenças na forma
e menos ramos de atraso são frequentemente mais de-
sejáveis. Isso porque a multiplicação geralmente é uma N M
operação que consome tempo e custo em hardware di- y[n] − aky[n − k] = bkx[n − k], (6.26)
gital e porque cada elemento de atraso corresponde a k=1 k=0
b0 v[n]
x [n] y [n]
z–1 z–1
b1 a1
x [n – 1] y [n – 1]
z–1 z–1
b2 a2
x [n – 2] y [n – 2]
bN – 1 aN – 1
x [n – N + 1] y[n – N + 1]
z–1 z–1
bN aN
x [n – N] y [n – N]
Figura 6.14 Diagrama de fluxo de sinais da estrutura na forma direta I para um sistema de ordem N.
w[n] b0
x [n] y [n]
x[n] y[n] z–1
z–1
a1 b1 0,75 2
z–1 z–1
a2 b2
– 0,125
z–1 M1 M2
aN bN −1
(1− f kz ) (1− gkz−1 )(1− gk* z−1 )
k=1 k=1
H(z) =A , (6.29)
Figura 6.15 Diagrama de fluxo de sinais da estrutura na forma direta N1 N2
II para um sistema de ordem N. (1− ckz−1) (1− dkz−1 )(1− dk* z−1 )
k=1 k=1
dem na forma direta II é mostrada na Figura 6.18. As infinita é usada, seu comportamento com aritmética de
equações de diferenças representadas por uma cascata precisão finita pode ser muito diferente, como veremos
de seções de segunda ordem na forma direta II genéri- nas seções 6.8-6.10.
ca têm a forma
y0[n] = x[n], (6.31a) Exemplo 6.5 Exemplos de estruturas em cascata
wk[n] = a1kwk [n − 1] + a2kwk[n − 2] + yk−1[n], Consideremos novamente a função de sistema da Equa-
ção 6.28. Como esse é um sistema de segunda ordem, uma
k = 1, 2, ..., Ns,
estrutura em cascata com seções de segunda ordem na
(6.31b) forma direta II se reduz à estrutura da Figura 6.17. Como
alternativa, para ilustrar a estrutura em cascata, podemos
yk [n] = b0kwk [n] + b1kwk[n − 1] + b2kwk[n − 2], usar sistemas de primeira ordem expressando H(z) como
um produto de fatores de primeira ordem, como em
k = 1, 2, ..., Ns,
1 + 2z−1 + z−2
(6.31c) H (z) =
1 − 0,75z−1 + 1,125z−2
y[n] = yNs [n]. (6.31d) (6.32)
(1 + z−1 )(1 + z−1 )
É evidente que uma variedade de sistemas teori- =
(1 − 0,5z−1 )(1 − 0,25z−1 )
camente equivalentes pode ser obtida pelo simples em-
parelhamento de polos e zeros de diferentes maneiras Como todos os polos e zeros são reais, uma estrutura em
cascata com seções de primeira ordem tem coeficientes
e ordenando as seções de segunda ordem de modos reais. Se os polos e/ou zeros fossem complexos, somen-
distintos. De fato, se existirem Ns seções de segunda te uma seção de segunda ordem teria coeficientes reais.
ordem, existem Ns! (Ns fatorial) emparelhamentos dos Na Figura 6.19 são mostradas duas estruturas em cascata
polos e zeros e Ns! ordenações de seções de segunda or- equivalentes, sendo que ambas possuem a função de sis-
dem resultantes, ou um global de (Ns!)2 emparelhamen- tema da Equação 6.32. As equações de diferenças repre-
tos e ordenações diferentes. Embora todos eles tenham sentadas pelos diagramas de fluxo na figura podem ser es-
critas com facilidade. O Problema 6.22 propõe encontrar
a mesma função de sistema global e relação de entrada-
outras configurações do sistema equivalentes.
-saída correspondente, quando a aritmética de precisão
Figura 6.18 Estrutura na forma em cascata para um sistema de sexta ordem com uma realização na
forma direta II de subsistemas de segunda ordem.
x [n] y[n]
z–1 z–1 z–1 z–1
0,5 0,25
(a)
x [n] y [n]
z–1 z–1
0,5 0,25
(b)
Figura 6.19 Estruturas em cascata para o Exemplo 6.5. (a) Subseções na forma direta I. (b) Subseções na forma direta II.
Um comentário final sobre nossa definição da incluído. Se os coeficientes ak e bk forem todos reais na
função de sistema na forma em cascata deve ser feito. Equação 6.27, então as constantes Ak, Bk, Ck, ck e ek são
Como definido na Equação 6.30, cada seção de segunda todas reais. Dessa forma, a função de sistema pode ser
ordem tem cinco multiplicadores por constantes. Para interpretada como uma associação paralela de sistemas
comparação, vamos assumir que M = N em H(z), como IIR de primeira e segunda ordens, possivelmente com
dado na Equação 6.27, e, além disso, vamos assumir que Np percursos de atraso simples. Como alternativa, pode-
N seja um inteiro par, de modo que Ns = N/2. Então, mos agrupar os polos reais em pares, de modo que H(z)
as estruturas nas formas diretas I e II têm 2N + 1 mul- possa ser expresso como
tiplicadores por constantes, enquanto a estrutura na Np Ns
forma em cascata sugerida pela Equação 6.30 tem 5N/2 −k e0k + e1kz−1
H (z) = Ckz + , (6.35)
multiplicadores por constantes. Para o sistema de sexta 1 − a1kz−1 − a2kz−2
k=0 k=1
ordem da Figura 6.18, é necessário um total de 15 multi- em que, como na forma em cascata, Ns = (N + 1)/2 é
plicadores, enquanto para as formas diretas equivalen- o maior inteiro contido em (N + 1)/2 e, se Np = M − N
tes é necessário um total de 13 multiplicadores. Outra for negativo, a primeira soma não estará presente. Um
definição da forma em cascata é exemplo típico para N = M = 6 é mostrado na Figura
Ns 6.20. As equações de diferenças gerais para a forma para-
1 + b̃1kz−1 + b̃2kz−2
H (z) = b0 , (6.33) lela com seções de segunda ordem na forma direta II são
1 − a1kz−1 − a2kz−2
k=1
wk[n] = a1kwk[n − 1] + a2kwk[n − 2] + x[n],
sendo b0 o primeiro coeficiente no polinômio do nume-
rador da Equação 6.27 e b̃ik = bik/b0k para i = 1, 2 e k k = 1, 2, Á, Ns, (6.36a)
= 1, 2, ..., Ns. Essa forma para H(z) sugere uma cascata
de seções de segunda ordem com quatro multiplicado- yk[n] = e0kwk[n] + e1kwk[n − 1],
res, com uma única constante de ganho global b0. Essa
forma em cascata tem o mesmo número de multipli- k = 1, 2, Á, Ns, (6.36b)
cadores constantes que as estruturas na forma direta.
Np Ns
Como discutimos na Seção 6.9, as seções de segunda or-
dem com cinco multiplicadores são comumente usadas y[n] = Ckx[n − k] + yk[n]. (6.36c)
quando implementadas com aritmética de ponto fixo, k=0 k=1
pois elas tornam possível a distribuição do ganho glo- Se M < N, então o primeiro somatório na Equação
bal do sistema e, com isso, o controle da amplitude dos 6.36(c) não é incluído.
sinais em diversos pontos críticos no sistema. Quando
a aritmética de ponto flutuante é usada e a faixa dinâ-
Exemplo 6.6 Exemplos de estruturas na forma
mica não é um problema, as seções de segunda ordem
com quatro multiplicadores podem ser usadas para di-
paralela
minuir a quantidade de operações. Outra simplificação Considere novamente a função de sistema usada nos
resulta de zeros na circunferência unitária. Nesse caso, exemplos 6.4 e 6.5. Para a forma paralela, temos de ex-
b̃2k = 1, sendo necessário apenas três multiplicadores pressar H(z) na forma ou da Equação 6.34 ou da Equação
por seção de segunda ordem. 6.35. Se usarmos seções de segunda ordem,
1 + 2z−1 + z−2
6.3.3 Forma paralela H (z) = =
1 − 0,75z−1 + 0,125z−2
Como uma alternativa à fatoração dos polinômios (6.37)
do numerador e do denominador de H(z), podemos ex- −7 + 8z−1
=8+ .
pressar uma função de sistema racional conforme dada 1 − 0,75z−1 + 0,125z−2
pelas equações 6.27 ou 6.29 como uma expansão em A realização na forma paralela para este exemplo com
frações parciais na forma uma seção de segunda ordem é mostrada na Figura 6.21.
Como todos os polos são reais, podemos obter uma realiza-
1 + 2z−1 + z−2 ção alternativa na forma paralela expandindo H(z) como
H (z) =
1 − 0,75z−1 + 1,125z−2 18 25
H (z) = 8 + − . (6.38)
(6.34) 1 − 0,5z−1 1 − 0,25z−1
(1 + z−1 )(1 + z−1 )
= A forma paralela resultante com seções de primeira or-
(1 − 0,5z−1 )(1 − 0,25z−1 ) dem é mostrada na Figura 6.22. Como no caso geral, as
equações de diferenças representadas nas figuras 6.21 e
sendo N = N1 + 2N2. Se M ≥ N, então Np = M − N; caso 6.22 podem ser escritas por inspeção.
contrário, o primeiro somatório na Equação 6.34 não é
C0
z–1
a11 e11
z–1
a21
x [n] y [n]
z–1
a12 e12
z–1
a22
z–1
a13 e13
z–1
a23
Figura 6.20 Estrutura na forma paralela para o sistema de sexta ordem (M = N = 6) com os polos reais e complexos agrupados em pares.
8 8
x[n] y [n]
–7 18
x[n] y[n]
z–1 z–1
0,75 8
0,5
z–1
– 0,125 –25
Figura 6.21 Estrutura na forma paralela para o Exemplo 6.6 usando z–1
um sistema de segunda ordem.
0,25
6.3.4 Realimentação em sistemas IIR Figura 6.22 Estrutura na forma paralela para o Exemplo 6.6 usando
Todos os diagramas de fluxo desta seção pos- sistemas de primeira ordem.
suem laços de realimentação; isto é, eles têm caminhos
fechados que começam em um nó e retornam a esse
nó percorrendo ramos somente na direção de suas mostrado na Figura 6.23(a), que representa a equação
flechas. Essa estrutura no diagrama de fluxo implica de diferenças
que uma variável de nó em um laço depende direta
ou indiretamente de si mesma. Um exemplo simples é y[n] = ay[n – 1] + x[n]. (6.39)
x [n] y [n]
da função de sistema cancela com um zero; isto é, para
z–1
a Figura 6.23(b),
a
1− a 2 z−2 (1−az−1)(1+ az−1)
H(z) = = = 1+ az−1 . (6.40)
(a) 1− az−1 1− az−1
A resposta ao impulso do sistema é h[n] = δ[n] +
aδ[n − 1]. O sistema é um exemplo simples de uma classe
x [n] y [n]
geral de sistemas FIR, chamados de sistemas de amostra-
z–1
a gem de frequência. Essa classe de sistemas é considerada
–a2 com mais detalhes nos problemas 6.39 e 6.51.
Os laços em uma rede impõem problemas espe-
z–1
ciais à implementação das operações implicadas pela
rede. Como discutimos, é possível calcular as variáveis
(b) do nó em uma rede quando todos os valores necessá-
rios estão disponíveis. Em alguns casos, não existe uma
x [n] y [n] maneira de ordenar os cálculos de modo que as variáveis
dos nós de um diagrama de fluxo possam ser calculadas
a
em sequência. Essa rede é chamada de não computá-
(c) vel (veja Crochiere e Oppenheim, 1975). Uma rede não
computável simples é mostrada na Figura 6.23(c). A
Figura 6.23 (a) Sistema com laço de realimentação. (b) Sistema FIR
equação de diferenças para essa rede é
com laço de realimentação. (c) Sistema não computável.
y[n] = ay[n] + x[n]. (6.41)
Nessa forma, não podemos calcular y[n] porque o
Esses laços são necessários (mas não suficientes)
membro direito da equação envolve a quantidade que
para gerar respostas ao impulso infinitamente longas.
queremos calcular. O fato de um diagrama de fluxo ser
Isso pode ser visto se considerarmos uma rede sem
não computável não significa que as equações represen-
laços de realimentação. Nesse caso, qualquer caminho
tadas pelo diagrama de fluxo não possam ser resolvidas;
da entrada para a saída pode passar pelos elementos
na verdade, a solução da Equação 6.41 é y[n] = x[n]/(1− a).
de atraso apenas uma vez. Portanto, o maior atraso
Significa simplesmente que o diagrama de fluxo não re-
entre a entrada e a saída ocorreria em um caminho
presenta um conjunto de equações de diferenças que po-
que passa por todos os elementos de atraso na rede.
dem ser resolvidas sucessivamente para as variáveis dos
Assim, para uma rede sem laços, a resposta ao impul-
nós. A chave para a computabilidade de um diagrama de
so não é mais longa do que o número total de ele-
fluxo é que todos os laços devem conter pelo menos um
mentos de atraso da rede. Portanto, concluímos que,
elemento de atraso unitário. Assim, na manipulação de
se uma rede não tiver laços, então a função de sistema
diagramas de fluxo que representam implementações
tem apenas zeros (exceto para polos em z = 0), e o
de sistemas LIT, devemos ter cuidado para não gerar
número de zeros não pode ser maior do que o número
laços sem atraso. O Problema 6.37 lida com um sistema
de elementos de atraso da rede.
que possui um laço sem atraso. O Problema 7.51 mostra
Retomando o exemplo simples da Figura 6.23(a),
como um laço sem atraso pode ser introduzido.
notamos que, quando a entrada é a sequência impulso
δ[n], a única amostra de entrada percorre continuamen-
te o laço de realimentação com amplitude crescente (se
6.4 Formas transpostas
|a| > 1) ou decrescente (se |a| < 1) devido à multiplicação A teoria dos diagramas de fluxo de sinais linea-
pela constante a, de modo que a resposta ao impulso é res fornece uma série de procedimentos para transfor-
h[n] = anu[n]. Isso ilustra como a realimentação pode mar esses diagramas de diferentes formas mantendo
criar uma resposta ao impulso infinitamente longa. inalterada a função de sistema global entre entrada e
Se uma função de sistema tem polos, um diagra- saída. Um desses procedimentos, chamado de diagra-
ma de blocos ou um diagrama de fluxo de sinais cor- ma de fluxo reverso ou transposição, leva a um conjun-
respondentes terão laços de realimentação. Por outro to de estruturas de sistema transpostas que fornecem
lado, nem os polos na função de sistema nem os laços na algumas alternativas úteis às estruturas discutidas na
rede são suficientes para tornar a resposta ao impulso seção anterior.
infinitamente longa. Na Figura 6.23(b) é mostrada uma A transposição de um diagrama de fluxo é realiza-
rede com laço de realimentação, mas com uma resposta da pela reversão dos sentidos de todos os ramos na rede
ao impulso de comprimento finito. Isso porque o polo enquanto mantemos os ganhos dos ramos e trocamos
os papéis da entrada e da saída, de modo que nós de No Exemplo 6.7, é simples notar que o sistema ori-
fonte se tornam nós de saída e vice-versa. Para sistemas ginal e sua transposição têm a mesma função de siste-
de entrada única e saída única, o diagrama de fluxo re- ma. Porém, para diagramas mais complexos, o resultado
sultante tem a mesma função de sistema do diagrama não é frequentemente tão óbvio. Isso é ilustrado no pró-
original se os nós de fonte e saída são trocados entre ximo exemplo.
si. Embora não provemos formalmente esse resultado,3
demonstramos sua validade com dois exemplos.
Exemplo 6.8 Forma transposta de uma seção de
segunda ordem básica
Exemplo 6.7 Forma transposta para um sistema
de primeira ordem sem zeros Considere a seção de segunda ordem básica representada
na Figura 6.25. As equações de diferenças corresponden-
O sistema de primeira ordem correspondente ao diagra- tes para esse sistema são
ma de fluxo da Figura 6.24(a) tem função de sistema
w[n] = a1w[n − 1] + a2w[n − 2] + x[n], (6.43a)
1
H (z) = . (6.42)
1 − az−1 y[n] = b0w[n] + b1w[n − 1] + b2w[n − 2]. (6.43b)
Para obtermos a forma transposta para esse sistema, tro- O diagrama de fluxo transposto é mostrado na Figura 6.26;
camos as direções de todas as flechas dos ramos, tomamos suas equações de diferenças correspondentes são
como saída o ponto onde estava a entrada e aplicamos a
entrada no ponto onde estava a saída. O resultado é mos- y0[n] = b0x[n] + y1[n − 1], (6.44a)
trado na Figura 6.24(b). Geralmente, é conveniente dese-
nhar a rede transposta com a entrada à esquerda e a saída y[n] = y0[n], (6.44b)
à direita, como mostrado na Figura 6.24(c). Comparando
as figuras 6.24(a) e (c), notamos a única diferença entre y1[n] = a1y[n] + b1x[n] + y2[n − 1], (6.44c)
elas; na Figura 6.24(a), multiplicamos a sequência de saí-
da atrasada y[n − 1] pelo coeficiente a, enquanto na Fi- y2[n] = a2y[n] + b2x[n]. (6.44d)
gura 6.24(c) multiplicamos a saída y[n] pelo coeficiente a
e depois atrasamos o produto resultante. Como as duas As equações 6.43(a)-(b) e as equações 6.44(a)-(d) são
operações podem ser trocadas entre si, podemos concluir formas diferentes de organizar o cálculo das amostras de
por inspeção que o sistema original da Figura 6.24(a) e o saída y[n] a partir das amostras de entrada x[n], e não fica
sistema transposto correspondente da Figura 6.24(c) têm imediatamente evidente que os dois conjuntos de equa-
a mesma função de sistema. ções de diferenças são equivalentes. Um modo de mostrar
essa equivalência é usar as representações da transfor-
mada z dos dois conjuntos de equações, resolver para a
relação Y(z)/X(z) = H(z) nos dois casos e comparar os
resultados. Outra forma é substituir a Equação 6.44(d)
x [n] y[n] na Equação 6.44(c), substituir o resultado na Equação
z–1 6.44(a) e, finalmente, substituir esse resultado na Equação
6.44(b). O resultado final é
a
(a) y[n] = a1y[n − 1] + a2y[n − 2] +
y [n]
+ b0x[n] + b1x[n − 1] + b2x[n − 2]. (6.45)
x [n]
z–1 Como a rede da Figura 6.25 é uma estrutura na forma di-
reta II, podemos notar facilmente que a entrada e a saída
a do sistema na Figura 6.25 também satisfazem a equação
(b) de diferenças 6.45. Portanto, para condições de repouso
inicial, os sistemas das figuras 6.25 e 6.26 são equivalentes.
x [n] y[n]
z–1 O teorema da transposição pode ser aplicado
a qualquer uma das estruturas discutidas. Por exem-
a plo, o resultado da aplicação do teorema à estrutura
(c)
na forma direta I da Figura 6.14 é mostrado na Figura
Figura 6.24 (a) Diagrama de fluxo de um sistema de primeira ordem 6.27 e, de modo similar, a estrutura obtida da transpo-
simples. (b) Forma transposta de (a). (c) Estrutura de (b) reordenada sição da estrutura na forma direta II da Figura 6.15 é
com entrada à esquerda. mostrada na Figura 6.28. Se uma configuração de dia-
3 O teorema é uma consequência direta da fórmula de ganho de Mason da teoria de diagrama de fluxo de sinais. (Veja Mason e Zimmermann,
1960; Chow e Cassignol, 1962; ou Phillips e Nagle, 1995.)
b0 v0 [n]
w[n] b
0 x [n] y[n]
x [n] y [n] z–1
z–1 b1 a1
a1 b1 v1 [n]
z–1
z–1 b2 a2
a2 b2 v2 [n]
Figura 6.25 Estrutura na forma direta II para o Exemplo 6.8. Figura 6.26 Estrutura na forma direta II transposta para o Exemplo 6.8.
b0
x [n] y [n]
z–1 z–1
a1 b1
z–1 z–1
a2 b2
aN – 1 bN – 1
z–1 z–1
aN bN
Figura 6.27 Diagrama de fluxo genérico resultante da aplicação do teorema da transposição à estrutura na forma direta I da Figura 6.14.
b0
x[n] y [n]
z–1
b1 a1
z–1
b2 a2
bN – 1 aN – 1
z–1
bN aN
Figura 6.28 Diagrama de fluxo genérico resultante da aplicação do teorema da transposição à estrutura na forma direta II da Figura 6.15.
grama de fluxo de sinais for transposta, o número de forma direta II implemente os polos primeiro e depois
ramos de atraso e o número de coeficientes permane- os zeros, a estrutura na forma direta II transposta im-
cem os mesmos. Assim, a estrutura na forma direta II plementa os zeros primeiro e depois os polos. Essas di-
transposta também é uma estrutura canônica. As es- ferenças podem se tornar importantes na presença da
truturas transpostas obtidas a partir das formas dire- digitalização nas implementações digitais de precisão
tas também são “diretas” no sentido de que podem ser finita ou na presença de ruído nas implementações ana-
obtidas por inspeção do numerador e do denominador lógicas de tempo discreto.
da função de sistema. Quando o teorema da transposição é aplicado a
Um ponto importante se torna evidente pela com- estruturas em cascata ou paralelas, os sistemas de se-
paração das figuras 6.15 e 6.28. Embora a estrutura na gunda ordem individuais são substituídos por estrutu-
y [n]
x [n]
nulo, pois H(z), nesse caso, possui um número ímpar Para sistemas de tipo I, usamos a Equação 6.49(a)
de zeros reais. O diagrama de fluxo que representa a para obter
Equação 6.48 é mostrado na Figura 6.31 e é idêntico M/2−1
em forma ao da Figura 6.18, com todos os coeficien- y[n] = h[k](x[n − k] + x[n − M + k])
tes a1k e a2k iguais a zero. Cada uma das seções de k=0 (6.50)
segunda ordem na Figura 6.31 utiliza a forma direta + h[M/2]x[n − M/2].
mostradana Figura 6.29. Outra alternativa é usar as
seções de segunda ordem na forma direta transposta Para sistemas de tipo III, usamos a Equação
ou, de modo equivalente, aplicar o teorema da trans- 6.49(b) para obter
posição à Figura 6.31. M/2−1
y[n] = h[k](x[n − k] − x[n − M + k]). (6.51)
6.5.3 Estruturas para sistemas FIR de fase linear k=0
No Capítulo 5, mostramos que os sistemas FIR No caso em que M é um inteiro ímpar, as equações
causais têm fase linear generalizada se a resposta ao correspondentes são, para sistemas de tipo II,
impulso satisfizer a condição de simetria (M−1)/2
Com uma dessas condições, o número de multi- y[n] = h[k](x[n − k] − x[n − M + k]). (6.53)
k=0
plicadores por coeficientes pode ser essencialmente re-
duzido à metade. Para verificar, considere as seguintes As equações 6.50-6.53 implicam estruturas com
manipulações na equação de convolução discreta, assu- M/2 + 1, M/2 ou (M + 1)/2 multiplicadores de coe-
mindo que M seja um inteiro par correspondente aos ficiente, em vez de M multiplicadores de coeficiente
sistemas de tipo I ou de tipo III: da estrutura na forma direta genérica da Figura 6.29.
Na Figura 6.32 é mostrada a estrutura implicada pela
M
Equação 6.50, e na Figura 6.33 é mostrada a estrutura
y[n] = h[k]x[n − k]
implicada pela Equação 6.52.
k=0
Em nossa discussão dos sistemas de fase linear na
M/2−1 Seção 5.7.3, mostramos que as condições de simetria das
= h[k]x[n − k] + h[M/2]x[n − M/2 equações 6.49(a) e (b) fazem com que os zeros de H(z)
k=0 ocorram em pares de imagem refletida. Isto é, se z0 for
M
um zero de H(z), então 1/z0 também é um zero de H(z).
+ h[k]x[n − k] = Além disso, se h[n] é real, então os zeros de H(z) ocor-
k=M/2+1
rem em pares complexos conjugados. Como consequên-
M/2−1 cia, os zeros reais que não estão na circunferência unitá-
= h[k]x[n − k] + h[M/2]x[n − M/2] ria ocorrem em pares recíprocos. Zeros complexos que
k=0 não estão na circunferência unitária ocorrem em grupos
M/2−1 de quatro, correspondendo aos complexos conjugados e
+ h[M− k]x[n − M + k]. os recíprocos. Se um zero está na circunferência unitária,
k=0 seu recíproco é também seu conjugado. Consequente-
x[n] y [n]
z–1 z–1 z–1
b11 b12 b1Ms
y [n]
Figura 6.32 Estrutura na forma direta para um sistema FIR de fase linear quando M é um inteiro par.
z–1
y [n]
Figura 6.33 Estrutura na forma direta para um sistema FIR de fase linear quando M é um inteiro ímpar.
mente, zeros complexos na circunferência unitária são ordem. Por exemplo, a função de sistema corresponden-
convenientemente agrupados em pares. Os zeros em z te aos zeros da Figura 6.34 pode ser expressa como
= ±1 são seus próprios recíprocos e complexos conjuga-
H(z) = h[0](1+ z−1)(1+ az−1 + z−2)(1+ bz−1 + z−2)
dos. Os quatro casos estão resumidos na Figura 6.34, sen-
do os zeros em z1, z1*, 1/z1 e 1/z1* considerados como um ×(1+ cz−1 + dz−2 + cz−3 + z−4),
(6.54)
grupo de quatro. Os zeros em z2 e 1/z2 são considerados
sendo
como um grupo de dois, assim como os zeros em z3 e z3*.
O zero em z4 é considerado isoladamente. Se H(z) tiver a = (z2 + 1/z2), b = 2Re{z3},
os zeros mostrados na Figura 6.34, ela pode ser fatorada c = −2Re{z1 + 1/z1}, d = 2 + |z1 + 1/z1|2.
em um produto de fatores de primeira, segunda e quarta
ordem. Cada um desses fatores é um polinômio cujos Essa representação sugere uma estrutura em cas-
coeficientes têm a mesma simetria dos coeficientes de cata que consiste em elementos de fase linear. Nota-
H(z); isto é, cada fator é um polinômio de fase linear em mos que a ordem do polinômio da função de sistema
z−1. Portanto, o sistema pode ser implementado como é M = 9 e que o número de multiplicadores de coe-
uma cascata de sistemas de primeira, segunda e quarta ficientes diferentes é cinco. Esse é o mesmo número
((M + 1)/2 = 5) de multiplicadores constantes neces-
sários para a implementação do sistema de fase linear
na forma direta da Figura 6.32. Assim, sem multiplica-
1
Im ções adicionais, obtemos uma estrutura modular em
z*1
z3 termos de uma cascata de sistemas elementares FIR
Plano z de fase linear.
z1
z4
6.6 Filtros em treliça
z2 1 Re
z*1 z2 Nas seções 6.3.2 e 6.5.2, discutimos as formas em
cascata para os sistemas IIR e FIR obtidas pela fatora-
z*3
1
ção de suas funções de sistema em seções de primeira
z1 e de segunda ordem. Outra estrutura em cascata inte-
ressante e útil é baseada em uma conexão em cascata
Figura 6.34 Simetria dos zeros para um filtro FIR de fase linear. (saída para entrada) da estrutura básica mostrada na
Figura 6.35(a). No caso da Figura 6.35(a), o bloco ele- 6.6.1 Filtros FIR em treliça
mentar de construção do sistema possui duas entradas Se o bloco elementar quadripolo na forma de bor-
e duas saídas, e é chamado de diagrama de fluxo de um
boleta na Figura 6.35(b) for usado na cascata da Figura
quadripolo. Na Figura 6.35(b) é mostrada a representa-
6.36, obtemos um diagrama de fluxo como o mostrado
ção equivalente em diagrama de fluxo. Na Figura 6.36 é
na Figura 6.37, cuja forma em treliça justifica o nome
mostrada uma cascata de M desses blocos elementares
filtro em treliça. Os coeficientes k1, k2, . . . , kM são cha-
com uma terminação em cada extremidade da cascata,
mados geralmente de parâmetros k da estrutura em tre-
de modo que o sistema global é um sistema de entrada
única e saída única, sendo que a entrada x[n] alimenta liça. No Capítulo 11, veremos que os parâmetros k têm
as duas entradas do bloco elementar quadripolo (1) e a um significado especial no contexto do modelo só-polos
saída y[n] é definida como a(M)[n], a saída superior do de sinais, e o filtro em treliça da Figura 6.37 é uma es-
último bloco elementar quadripolo M. (A saída inferior trutura de implementação para uma predição linear
do M-ésimo estágio geralmente é ignorada.) Embora de amostras de sinal. Neste capítulo, o foco é apenas o
essa estrutura possa ter muitas formas diferentes, de- uso dos filtros em treliça para implementar funções de
pendendo da definição do bloco elementar, limitaremos transferência FIR e IIR só-polos.
nossa atenção à escolha em particular da Figura 6.35(b), As variáveis de nó a(i)[n] e b(i)[n] na Figura 6.37
que leva a uma classe amplamente usada de estruturas são sequências intermediárias que dependem da entra-
de filtro FIR e IIR, conhecida como filtros em treliça. da x[n] por meio do conjunto de equações de diferenças
Diagrama
de fluxo –ki
do quadri-
polo –ki
(i) z –1
b(i−1)[n] b(i)[n] b(i−1)[n] b(i)[n]
(a) (b)
Figura 6.35 Uma seção da estrutura em treliça para os filtros FIR em treliça. (a) Representação em
diagrama de blocos de um bloco elementar do quadripolo. (b) Diagrama de fluxo equivalente.
Figura 6.37 Diagrama de fluxo em treliça para um sistema FIR baseado na cascata de M blocos
elementares de quadripolo da Figura 6.35(b).
Algoritmo para conversão de parâmetros k em coeficientes Com αm(i−1) calculado para m = 1, 2, ..., i – 1, nota-
Dados k1, k2, Á , kM mos a partir da Equação 6.66(b) que
para i = 1, 2, Á , M
(i−1)
ki−1 = αi−1 . (6.71b)
αi(i) = ki Equação 6.66(b)
se i > 1, então para j = 1, 2, Á , i – 1 Assim, começando com αm(M) = αm, m = 1, 2, ...M,
(i) (i −1) (i −1) podemos usar as equações 6.71(a) e (b) para calcu-
αj = αj − ki αi− j Equação 6.66(a)
lar αm(M−1), para m = 1, 2, …, M − 1 e kM−1, e então
fim
repetir esse processo recursivamente para obter to-
fim
das as funções de transferência A(i)(z) e, como um
αj = αj(M) j = 1, 2, Á , M Equação 6.68(b)
subproduto, todos os parâmetros k necessários para
a estrutura em treliça. O algoritmo está representado
Figura 6.38 Algoritmo para a conversão de parâmetros k em coefi-
na Figura 6.39.
cientes do filtro FIR.
y [n]
(a)
x [n] y[n]
(b)
Figura 6.40 Diagramas de fluxo para o exemplo. (a) Forma direta. (b) Forma em treliça (coeficientes arredondados).
4 Observe que, baseando nossa dedução da treliça só-polos na treliça FIR da Figura 6.37, em oposição à nossa convenção usual, ficamos com a
entrada indicada com y[n] e a saída com x[n]. Essa notação, evidentemente, é arbitrária, uma vez que a dedução tenha sido concluída.
kM kM−1 k1
em uma modificação da estrutura só-polos da Figura qualquer número real com magnitude menor ou igual a
6.42. A dedução não será fornecida aqui (veja Gray e Xm pode ser representado pela Equação 6.75. Um nú-
Markel, 1973, 1976), mas é tratada no Problema 11.27. mero real arbitrário x requer um número infinito de bits
para sua representação binária exata. Como vimos no
6.7 Visão geral sobre os efeitos caso da conversão A/D, se usarmos apenas um número
finito de bits (B + 1), então a representação da Equa-
numéricos da precisão finita ção 6.75 deve ser modificada para
Vimos que um sistema de tempo discreto LIT em B
particular pode ser implementado por uma série de x̂ = QB [x] = Xm −b0 + bi 2−i = Xmx̂B . (6.76)
estruturas computacionais. Uma motivação para con- i=1
siderar alternativas às estruturas simples na forma di- A representação binária resultante é digitalizada,
reta é que estruturas diferentes, que são equivalentes de modo que a menor diferença entre os números é
em aritmética de precisão infinita, podem se comportar
de modos diferentes quando implementadas com pre- = Xm2−B. (6.77)
cisão numérica finita. Nesta seção, introduzimos breve- Nesse caso, os números digitalizados estão no in-
mente os principais problemas numéricos que surgem tervalo −Xm ≤ x̂ < Xm. A parte fracionária de x̂ pode ser
na implementação de sistemas de tempo discreto. Uma representada com a notação posicional
análise mais detalhada dos efeitos do comprimento de
palavra finito é fornecida nas seções 6.8-6.10. x̂B = b0b1b2b3 ... bB, (6.78)
em que representa o ponto binário.
6.7.1 Representações numéricas A operação de digitalização de um número para
Em análises teóricas de sistemas de tempo discreto, (B + 1) bits pode ser implementada por arredondamen-
geralmente assumimos que os valores de sinal e os coe- to ou truncamento, mas, em ambos os casos, a digitaliza-
ficientes do sistema são representados no conjunto dos ção é uma operação sem memória não linear. As figuras
números reais. Porém, no caso de sistemas de tempo dis- 6.44(a) e (b) mostram as relações de entrada-saída para
creto analógicos, a precisão limitada dos componentes arredondamento e truncamento em complemento de
de um circuito torna difícil a realização de coeficien- dois, respectivamente, para o caso B = 2. Para avaliar
tes de modo exato. De modo similar, ao implementar os efeitos da digitalização, frequentemente definimos o
sistemas de processamento de sinais digitais, temos erro de digitalização como
de representar sinais e coeficientes em algum sistema
e = QB [x] − x. (6.79)
numérico digital, que sempre possui precisão finita.
O problema da precisão numérica finita já foi dis- Para o caso do arredondamento em complemento
cutido na Seção 4.8.2 no contexto da conversão A/D. de dois, −/2 < e ≤ /2, e para o truncamento em com-
Mostramos que as amostras de saída de um conversor plemento de dois, − < e ≤ 0.6
A/D são digitalizadas e, assim, podem ser representadas Se um número é maior do que Xm (situação cha-
por números binários de ponto fixo. Para compactar e mada de transbordamento — do inglês overflow), de-
simplificar a implementação da aritmética, assume-se vemos implementar algum método para determinar o
que um dos bits do número binário indica o sinal algé- resultado digitalizado. No sistema aritmético do com-
brico do número. Representações em sinal-magnitude, plemento de dois, essa necessidade surge quando so-
complemento de um e complemento de dois são possí- mamos dois números cuja soma é maior do que Xm.
veis, mas o complemento de dois é o mais comum.5 Um Por exemplo, considere o número com 4 bits em com-
número real pode ser representado com precisão infini- plemento de dois 0111, que em forma decimal é 7. Se
ta na forma de complemento de dois como somarmos o número 0001, o “vai um” se propaga em
∞ todos os bits da direita para a esquerda até o bit de
x = Xm −b0 + bi 2−i , (6.75) sinal, de modo que o resultado é 1000, que em forma
i=1 decimal é –8. Assim, o erro resultante pode ser muito
sendo Xm um fator de escala arbitrário e os bis, 0 ou 1. grande quando ocorre o transbordamento. A Figura
A quantidade b0 é chamada de bit de sinal. Se b0 = 0, 6.45(a) mostra o digitalizador em complemento de
então 0 ≤ x ≤ Xm e, se b0 = 1, então −Xm ≤ x < 0. Assim, dois com arredondamento, incluindo o efeito do trans-
5 Uma descrição detalhada dos sistemas numéricos binários e a aritmética correspondente são dadas por Knuth (1997).
6 Note que a Equação 6.76 também representa o resultado do arredondamento ou truncamento de qualquer representação binária de (B1 + 1)
bits, sendo B1 > B. Nesse caso, seria substituído por ( – Xm2–B1) nos limites do passo do erro de digitalização.
x = Q [x]
011 011
3
010 010
2
001 001
000
– 15 – 11 – 7 – 5 3 5 9 x
2 2 2 2 111 2 2 2 2 111
110 110
–2
101 101
–3
100 100
– 4
(a)
x = Q [x]
011
3
010
2
001
000
– 9 – 7 – 5 3 5 7 x
2 2 2 111 2 2 2 2
–
110
–2
101
–3
100
– 4
(b)
Figura 6.45 Arredondamento em complemento de dois. (a) Transbordamento natural. (b) Saturação.
Como um exemplo simples, considere a Figura 6.46(a), mética binária de (B + 1) bits de precisão. O coeficiente
que mostra um diagrama de blocos para um sistema em a na Figura 6.46(a) seria representado por (B + 1) bits
que um sinal de tempo contínuo de banda limitada xc(t) de precisão. Além disso, a variável atrasada v̂[n − 1] seria
é amostrado para a obtenção da sequência x[n], que é armazenada em um registrador de (B + 1) bits, e quan-
a entrada de um sistema LIT cuja função de sistema é do o número de (B + 1) bits v̂[n − 1] é multiplicado pelo
número â de (B + 1) bits, o produto resultante teria (2B
1
H (z) = . (6.80) + 1) bits de comprimento. Supondo que um somador
1 − az−1
de (B + 1) bits é usado, o produto âv̂[n − 1] precisa
A saída desse sistema, y[n], é convertida por in- ser digitalizado (isto é, arredondado ou truncado) para
terpolação de banda limitada ideal no sinal de banda (B + 1) bits antes que possa ser somado à amostra de
limitada yc(t). entrada x̂ [n] representada com (Bi + 1) bits. Quando
Um modelo mais realista é mostrado na Figura Bi < B, os (Bi + 1) bits das amostras de entrada podem
6.46(b). Em uma implementação prática, a amostragem ser colocados em qualquer posição na palavra binária
seria feita com um conversor A/D com precisão finita de (B + 1) bits com extensão apropriada do sinal. Esco-
de (Bi + 1) bits. O sistema seria implementado com arit- lhas diferentes correspondem a diferentes fatores de es-
T z–1 T
(a)
T QB z–1 T
a a = QB [a]
(b)
ev [n]
a
+
ea [n]
(c)
Figura 6.46 Implementação da filtragem de tempo discreto de um sinal analógico. (a) Sistema ideal.
(b) Modelo não linear. (c) Modelo linearizado.
cala para a entrada. O coeficiente a foi digitalizado, de O efeito de digitalizar os parâmetros do sistema,
modo que, deixando de lado os erros de digitalização, como o coeficiente a na Figura 6.46(a), geralmente é
a resposta do sistema em geral não pode ser a mesma determinado separadamente do efeito da digitalização
que obtivemos no caso da Figura 6.46(a). Finalmente, as na conversão de dados ou na implementação das equa-
amostras de v̂[n] com (B + 1) bits, calculadas com ite- ções de diferenças. Isto é, os coeficientes ideais de uma
rações da equação de diferenças representada pelo dia- função de sistema são substituídos por seus valores digi-
grama de blocos, seriam convertidas em um sinal ana- talizados, e as funções de sistema resultantes são testa-
lógico por um conversor D/A de (Bo + 1) bits. Quando das para verificar se, na ausência de outra digitalização
Bo < B, as amostras de saída devem ser digitalizadas na aritmética, a digitalização dos coeficientes de filtro
antes da conversão D/A. degradou o desempenho do sistema a níveis inaceitá-
Embora o modelo da Figura 6.46(b) possa ser uma veis. No exemplo da Figura 6.46, se o número real a é
representação precisa de um sistema real, ele seria difícil digitalizado com (B + 1) bits, temos de considerar se o
de analisar. O sistema é não linear devido aos digitali- sistema resultante com função de sistema
zadores e à possibilidade de transbordamento no soma- 1
dor. Além disso, erros de digitalização são introduzidos Ĥ (z) = (6.81)
1 − âz−1
em vários pontos no sistema. Os efeitos desses erros são
impossíveis de analisar com precisão, pois dependem do está próximo o suficiente da função de sistema deseja-
sinal de entrada, que geralmente é desconhecido. Assim, da H(z), dada pela Equação 6.80. Como existem ape-
somos forçados a adotar várias abordagens de aproxima- nas 2B+1 números binários diferentes com (B + 1) bits,
ção diferentes para simplificar a análise desses sistemas. o polo de H(z) só pode ocorrer em 2B+1 localizações
no eixo real do plano z, e, embora seja possível que 6.8 Efeitos da digitalização dos
â = a, na maioria dos casos há algum desvio da res-
posta ideal. Esse tipo de análise é discutido em termos coeficientes
mais gerais na Seção 6.8. Sistemas LIT de tempo discreto geralmente são
A não linearidade do sistema da Figura 6.46(b) usados para realizar uma operação de filtragem. Os
causa um comportamento que não pode ocorrer em um métodos para o projeto de filtros FIR e IIR, que são
sistema linear. Especificamente, sistemas como esses discutidos no Capítulo 7, normalmente presumem uma
podem exibir ciclos limite com entrada nula, de modo forma particular para a função de sistema. O resultado
que a saída oscila periodicamente quando a entrada se do processo do projeto de filtro é uma função de siste-
torna nula posteriormente à ocorrência de valores não ma para a qual devemos escolher uma estrutura de im-
nulos. Os ciclos limite são causados tanto por digitali- plementação (um conjunto de equações de diferenças)
zação quanto por transbordamento. Embora a análise a partir de um número ilimitado de implementações
desses fenômenos seja difícil, alguns resultados aproxi- teoricamente equivalentes. Embora estejamos quase
mados úteis já foram obtidos. Os ciclos limite são discuti- sempre interessados nas implementações que exigem
dos brevemente na Seção 6.10. a menor complexidade de hardware ou software, nem
Se o projeto de uma implementação digital for sempre é possível basear a escolha da estrutura de im-
cuidadoso, podemos assegurar que o transbordamento plementação apenas nesse critério. Conforme veremos
ocorre muito raramente e que os erros de digitalização na Seção 6.9, a estrutura de implementação determina
são pequenos. Sob essas condições, o sistema da Figura o ruído de digitalização gerado internamente no siste-
6.46(b) se comporta de modo muito similar a um sis- ma. Além disso, algumas estruturas são mais sensíveis
tema linear (com coeficientes digitalizados) em que os do que outras a perturbações dos coeficientes. Como
erros de digitalização são aplicados na entrada e na saí- indicamos na Seção 6.7, a abordagem padrão para o es-
da e em pontos internos da estrutura nos quais ocorre o tudo da digitalização dos coeficientes e do ruído de ar-
arredondamento ou o truncamento. Portanto, podemos redondamento consiste em tratá-los independentemen-
substituir o modelo da Figura 6.46(b) pelo modelo li- te. Nesta seção, consideramos os efeitos da digitalização
nearizado da Figura 6.46(c), em que os digitalizadores dos parâmetros do sistema.
são substituídos por fontes de ruído aditivo (veja Gold
e Rader, 1969; Jackson, 1970a, 1970b). A Figura 6.46(c) 6.8.1 Efeitos da digitalização dos coeficientes em
é equivalente à Figura 6.46(b) se conhecermos preci-
samente cada uma das fontes de ruído. Porém, como
sistemas IIR
discutido na Seção 4.8.3, resultados úteis são obtidos Quando os parâmetros de uma função de sistema
supondo um modelo de ruído aleatório para o ruído de racional ou da equação de diferenças correspondente
digitalização na conversão A/D. Essa mesma aborda- são digitalizados, os polos e os zeros da função de siste-
gem pode ser usada na análise dos efeitos da digitaliza- ma se movem para novas posições no plano z. De modo
ção aritmética nas implementações digitais de sistemas equivalente, a resposta em frequência sofre uma pertur-
lineares. Como notamos na Figura 6.46(c), cada fonte bação em relação ao seu valor original. Se a estrutura de
de ruído fornece um sinal aleatório que é processado implementação do sistema for altamente sensível a per-
por uma parte diferente do sistema, mas, como supo- turbações dos coeficientes, o sistema resultante pode não
mos que todas as partes do sistema são lineares, pode- mais atender às especificações de projeto originais, ou
mos calcular o efeito global por sobreposição. Na Seção um sistema IIR pode até tornar-se instável.
6.9, exemplificamos essa forma de análise para vários Uma análise de sensibilidade detalhada para o
sistemas importantes. caso geral é complicada e geralmente tem valor limi-
No exemplo simples da Figura 6.46, há pouca tado em casos específicos de implementação de filtro
flexibilidade na escolha da estrutura. Porém, para sis- digital. Usando ferramentas adequadas de simulação,
temas de ordem mais alta, notamos que há uma gran- costuma ser fácil simplesmente digitalizar os coeficien-
de variedade de escolhas. Algumas das estruturas são tes das equações de diferenças empregadas na imple-
menos sensíveis à digitalização de coeficientes do que mentação do sistema, em seguida calcular a resposta em
outras. De modo similar, como diferentes estruturas frequência correspondente e compará-la com a função
têm diferentes fontes de ruído de digitalização e como de resposta em frequência desejada. Embora a simu-
essas fontes de ruído são filtradas de diferentes manei- lação do sistema geralmente seja necessária em casos
ras pelo sistema, encontraremos que as estruturas que específicos, muitas vezes ainda vale a pena levar em
são teoricamente equivalentes algumas vezes têm um conta o modo como a função de sistema é afetada pela
desempenho significativamente diferente quando arit- digitalização dos coeficientes das equações de diferen-
mética de precisão finita é usada para implementá-las. ças. Por exemplo, a representação da função de sistema
correspondente às duas formas diretas (e suas versões zados como fatores de segunda ordem independentes.
transpostas correspondentes) é a razão de polinômios Assim, a forma em cascata geralmente é muito menos
M sensível à digitalização de coeficientes do que a realiza-
bkz−k ção equivalente na forma direta.
k=0 Como observado na Equação 6.35, os zeros da
H (z) = . (6.82)
N função de sistema na forma paralela são realizados
−k
1− ak z implicitamente, agrupando as seções digitalizadas de
k=1 segunda ordem para obter um denominador comum.
Os conjuntos de coeficientes {ak} e {bk} são os coe- Assim, um zero em particular é afetado por erros de
ficientes ideais em precisão infinita em ambas as estru- digitalização nos coeficientes do numerador e do deno-
turas de implementação em forma direta (e estruturas minador de todas as seções de segunda ordem. Porém,
transpostas correspondentes). Se digitalizarmos esses para a maioria dos projetos de filtro práticos, a forma
coeficientes, obtemos a função de sistema paralela também é muito menos sensível à digitaliza-
M ção de coeficientes do que as formas diretas equiva-
b̂kz−k lentes, pois os subsistemas de segunda ordem não são
k=0 extremamente sensíveis à digitalização. Em muitos
Ĥ (z) = , (6.83)
N filtros práticos, os zeros muitas vezes são amplamen-
−k
1− âkz te distribuídos em torno da circunferência unitária, ou,
k=1 em alguns casos, todos eles podem estar localizados em
sendo âk = ak + ak e b̂k = bk + bk os coeficientes di- z = ±1. Neste último caso, os zeros fornecem princi-
gitalizados que diferem dos coeficientes originais pelos palmente uma atenuação muito maior em torno das
erros de digitalização ak e bk. frequências ω = 0 e ω = π do que especificado e, assim,
Agora, considere como as raízes dos polinômios o afastamento dos zeros em relação a z = ±1 não de-
do denominador e do numerador (polos e zeros de grada significativamente o desempenho do sistema.
H(z)) são afetadas pelos erros dos coeficientes. Cada
uma das raízes dos polinômios é afetada por todos os 6.8.2 Exemplo da digitalização dos coeficientes em
erros dos coeficientes do polinômio, pois cada raiz é filtro elíptico
uma função de todos os coeficientes do polinômio. As- Como exemplo do efeito da digitalização de coe-
sim, cada polo e cada zero serão afetados por todos os ficientes, considere um filtro elíptico IIR passa-banda
erros de digitalização dos polinômios do denominador projetado com técnicas de aproximação a serem discuti-
e do numerador, respectivamente. Mais especificamen- das no Capítulo 7. O filtro foi projetado para atender às
te, Kaiser (1966) mostrou que, se os polos (ou zeros) seguintes especificações:
estão bem agrupados, é possível que pequenos erros
nos coeficientes do denominador (numerador) possam 0,99 ≤ |H (e j ω )| ≤ 1,01, 0,3π ≤ |ω| ≤ 0,4π,
causar grandes deslocamentos dos polos (zeros) para as
|H (e j ω )| ≤ 0,01(isto é, − 40 dB), |ω| ≤ 0,29π,
estruturas na forma direta. Assim, se os polos (zeros)
estão bem agrupados, correspondendo a um filtro pas- jω
|H (e )| ≤ 0,01(isto é, − 40 dB), 0,41π ≤ |ω| ≤ π.
sa-banda com largura de banda estreita ou a um filtro
passa-baixas com largura de banda estreita, então pode- Isto é, o filtro deverá se aproximar do ganho
mos esperar que os polos da estrutura na forma direta unitário na banda de passagem, 0,3π ≤ |ω| ≤ 0,4π, e de
sejam bastante sensíveis aos erros de digitalização dos zero fora desta faixa no intervalo 0 ≤ |ω| ≤ π. De modo
coeficientes. Além disso, a análise de Kaiser mostrou a permitir a realização computacional, uma região de
que, quanto maior o número de polos (zeros) próximos, transição (do not care) de 0,01π é permitida em ambos
maior a sensibilidade. os lados da banda de passagem. No Capítulo 7, cons-
As funções de sistema na forma em cascata ou pa- tataremos que as especificações para algoritmos de
ralela, que são dadas pelas equações 6.30 e 6.35, respec- projeto de filtros seletivos em frequência normalmente
tivamente, consistem em combinações de sistemas de são representadas dessa forma. A função do MATLAB
segunda ordem na forma direta. Porém, em ambos os para o projeto de filtro elíptico produz os coeficientes
casos, cada par de polos conjugados complexos é reali- de uma representação na forma direta de 12ª ordem da
zado independentemente de todos os outros polos. As- função de sistema na forma da Equação 6.82, sendo os
sim, o erro de um determinado par de polos é indepen- coeficientes ak e bk calculados com aritmética de ponto
dente da sua distância em relação aos demais polos da flutuante com 64 bits e mostrados na Tabela 6.1 com
função de sistema. Para a forma em cascata, o mesmo precisão decimal de 15 dígitos total. Vamos considerar
argumento é mantido para os zeros, pois eles são reali- essa representação do filtro como “não digitalizada”.
Tabela 6.1 Coeficientes na forma direta não digitalizados para um so, a linha sólida na Figura 6.47(b), que é uma amplia-
filtro elíptico de 12ª ordem. ção da região da banda de passagem 0,3π ≤ |ω | ≤ 0,4π
para o filtro não digitalizado, mostra que o filtro tam-
bém atende às especificações na banda de passagem.
k bk ak
Fatorando-se os polinômios do numerador e do
0 0,01075998066934 1,00000000000000 denominador da Equação 6.82, com os coeficientes cor-
1 – 0,05308642937079 – 5,22581881365349 respondentes indicados na Tabela 6.1, obtém-se uma
2 0,16220359377307 16,78472670299535 representação
3 – 0,34568964826145 – 36,88325765883139 12
b0 (1 − ckz−1 )
4 0,57751602647909 62,39704677556246 H (z) = , (6.84)
(1 − dkz−1 )
k=1
5 – 0,77113336470234 – 82,65403268814103
6 0,85093484466974 88,67462886449437 em termos dos zeros e polos, indicados na Tabela 6.2.
7 – 0,77113336470234 – 76,47294840588104
Os polos e zeros não digitalizados do filtro que
se encontram na metade superior do plano z estão es-
8 0,57751602647909 53,41004513122380
boçados na Figura 6.48(a). Observe que os zeros estão
9 – 0,34568964826145 – 29,20227549870331 sobre a circunferência unitária, com suas posições an-
10 0,16220359377307 12,29074563512827 gulares correspondentes aos nulos profundos na Figura
11 – 0,05308642937079 – 3,53766014466313 6.47. Os zeros são estrategicamente posicionados pelo
12 0,01075998066934 0,62628586102551 método de projeto de filtro em ambos os lados da ban-
da de passagem para fornecer a atenuação desejada na
banda de rejeição e o corte abrupto. Observe também
A resposta em frequência 20 log10 |H(ejω)| do filtro que os polos são agrupados na banda passante estreita,
não digitalizado é mostrada na Figura 6.47(a), eviden- com dois dos pares de polos complexos conjugados com
ciando que o filtro atende às especificações nas bandas raios maiores que 0,99. Esse arranjo finamente ajustado
de rejeição (pelo menos 40 dB de atenuação). Além dis- de zeros e polos é necessário para produzir a resposta
0
Magnitude logarítmica (dB)
−20
−40
−60
−80
−100
0 0,1π 0,2π 0,3π 0,4π 0,5π 0,6π 0,7π 0,8π 0,9π π
Frequência em radianos (ω)
(a)
1,015
Forma paralela não digitalizada e com 16 bits Forma em cascata com 16 bits
1,01
1,005
Magnitude
0,995
0,99
0,985
0,3π 0,32π 0,34π 0,36π 0,38π 0,4π 0,42π
Frequência em radianos (ω)
(b)
Figura 6.47 Exemplo de digitalização de coeficiente IIR. (a) Magnitude logarítmica do filtro passa-banda elíptico não digitalizado. (b) Magnitude
na banda de passagem não digitalizada (linha sólida) e digitalizada com 16 bits (linha tracejada) na forma em cascata.
7 Para simplificar a implementação, seria desejável, porém muito menos preciso, que todos os coeficientes tivessem o mesmo fator de escala.
Tabela 6.3 Coeficientes não digitalizados na forma em cascata para um filtro elíptico de ordem 12.
Tabela 6.4 Coeficientes digitalizados com 16 bits na forma em cascata para um filtro elíptico de ordem 12.
1 24196 × 2−15 −27880 × 2−15 17805 × 2−17 3443 × 2−17 17805 × 2−17
2 31470 × 2−15 −28180 × 2−15 18278 × 2−16 −29131 × 2−16 18278 × 2−16
3 20626 × 2−15 −30522 × 2−15 17556 × 2−15 −8167 × 2−15 17556 × 2−15
4 18292 × 2−14 −30816 × 2−15 22854 × 2−15 −29214 × 2−15 22854 × 2−15
5 19831 × 2−15 −32234 × 2−15 25333 × 2−15 −13957 × 2−15 25333 × 2−15
6 19220 × 2−14 −32315 × 2−15 15039 × 2−14 −18387 × 2−14 15039 × 2−14
8 O uso de posições de ponto binário diferentes assegura maior precisão nos coeficientes, mas complica a programação ou a arquitetura do
sistema.
9 Uma exceção está na síntese de voz, em que sistemas de décima ordem ou mais altos são rotineiramente implementados usando a forma
direta. Isso é possível porque, na síntese de voz, os polos da função de sistema estão amplamente separados (veja Rabiner e Schafer, 1978).
x[n]
tantes é necessário para alcançar essa densidade mais
uniforme. Em algumas situações, o cálculo extra pode
r cos θ z–1
ser justificado para alcançar uma localização de polo
mais precisa com um comprimento de palavra reduzido.
H(z)
+
0 0,5 1,0 Re x[n] y[n]
(b)
H(z)
Outra abordagem para estudar a sensibilidade da resposta em frequência para coeficientes não digitaliza-
estrutura FIR na forma direta é examinar a sensibilida- dos. Nas figuras 6.54(b), (c), (d), (e) e (f) são mostrados
de dos zeros aos erros de digitalização nos coeficientes os erros de aproximação na banda de passagem e na
da resposta ao impulso, que são, evidentemente, os coe- banda de rejeição (erros na aproximação da unidade
ficientes do polinômio H(z). Se os zeros de H(z) forem na banda de passagem e de zero na banda de rejeição)
bem agrupados, então suas localizações serão altamen- para os casos não digitalizados e digitalizados com 16,
te sensíveis a erros de digitalização dos coeficientes 14, 13 e 8 bits, respectivamente. A partir da Figura 6.54,
da resposta ao impulso. O motivo pelo qual o sistema notamos que o sistema atende às especificações para o
FIR na forma direta é amplamente usado é que, para a caso não digitalizado e para os casos digitalizados com
maioria dos filtros FIR de fase linear, os zeros são espa- 16 e 14 bits. Porém, com a digitalização de 13 bits, o erro
lhados mais ou menos uniformemente no plano z. De- de aproximação na banda de rejeição se torna maior
monstramos isso com o exemplo a seguir. do que 0,001 e, com a digitalização de 8 bits, o erro de
aproximação na banda de rejeição é mais do que 10 ve-
6.8.5 Exemplo de digitalização de um filtro FIR ótimo zes maior que o especificado. Assim, notamos que coe-
ficientes com pelo menos 14 bits são necessários para
Como um exemplo do efeito da digitalização dos
uma implementação do sistema na forma direta. Porém,
coeficientes no caso FIR, considere um filtro passa-bai-
essa não é uma limitação séria, pois 16 ou 14 bits para
xas de fase linear projetado para atender às seguintes
representação de coeficientes são bem compatíveis com
especificações:
muitas das tecnologias que podem ser usadas para im-
0,99 ≤ |H (ej ω )| ≤ 1,01, 0 ≤ |ω| ≤ 0,4π, plementar tal filtro.
O efeito de digitalização dos coeficientes do filtro
|H (ej ω )| ≤ 0,001(isto é, −60 dB), 0,6π ≤ |ω| ≤ π.
na localização dos zeros do filtro é mostrado na Figu-
Esse filtro foi projetado usando a técnica de proje- ra 6.55. Note que, no caso não digitalizado, mostrado
to de Parks-McClellan, que será discutida na Seção 7.7.3. na Figura 6.55(a), os zeros espalham-se pelo plano z,
Os detalhes do projeto para este exemplo são conside- embora haja algum agrupamento na circunferência
rados na Seção 7.8.1. unitária. Os zeros na circunferência unitária são res-
A Tabela 6.5 mostra os coeficientes da resposta ao ponsáveis principalmente pela atenuação da banda de
impulso não digitalizados para o sistema juntamente rejeição, enquanto aqueles em localizações recíprocas
com os coeficientes digitalizados com digitalização de conjugadas fora da circunferência unitária são respon-
16, 14, 13 e 8 bits. A Figura 6.54 mostra uma comparação sáveis principalmente pela banda de passagem. Note
das respostas em frequência dos diversos sistemas. A Fi- que pouca diferença é observada na Figura 6.55(b) para
gura 6.54(a) mostra a magnitude logarítmica em dB da digitalização com 16 bits, mas como mostrado na Figura
Tabela 6.5 Coeficientes não digitalizados e digitalizados para um filtro FIR passa-baixas ideal (M = 27).
20 0,010
0
0,005
–20
Amplitude
dB
–40 0
–60
– 0,005
–80
–100 – 0,010
0 0,2π 0,4π 0,6π 0,8π π 0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω) Frequência em radianos (ω)
(a) (d)
0,010 0,010
0,005 0,005
Amplitude
0 Amplitude 0
–0,005 – 0,005
–0,010 – 0,010
0 0,2π 0,4π 0,6π 0,8π π 0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω) Frequência em radianos (ω)
(b) (e)
0,010 0,03
0,02
0,005
Amplitude
Amplitude
0,01
0
0
–0,005
– 0,01
–0,010 – 0,02
0 0,2π 0,4π 0,6π 0,8π π 0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω) Frequência em radianos (ω)
(c) (f)
Figura 6.54 Exemplo de digitalização FIR. (a) Magnitude logarítmica para o caso não digitalizado. (b) Erro de aproximação para o caso não
digitalizado. (Erro não definido na banda de transição.) (c) Erro de aproximação para a digitalização com 16 bits. (d) Erro de aproximação para a
digitalização com 14 bits. (e) Erro de aproximação para a digitalização com 13 bits. (f) Erro de aproximação para a digitalização com 8 bits.
6.55(c), para digitalização com 13 bits, os zeros na cir- comportamento da resposta em frequência mostrada
cunferência unitária se moveram significativamente. na Figura 6.54.
Finalmente, na Figura 6.55(d), notamos que a digitaliza- Um último ponto sobre esse exemplo merece ser
ção com 8 bits faz com que vários zeros na circunferên- mencionado. Todos os coeficientes não digitalizados
cia unitária fiquem emparelhados em pares e movam-se têm magnitudes menores do que 0,5. Consequentemen-
para fora da circunferência para localizações recíprocas te, se todos os coeficientes (e, portanto, a resposta ao
conjugadas. Esse comportamento dos zeros explica o impulso) forem duplicados antes da digitalização, o re-
1,5 1,5
1 1
Parte imaginária
Parte imaginária
0,5 0,5
0 0
– 0,5 – 0,5
–1 –1
–1,5 –1,5
–1 0 1 2 3 –1 0 1 2 3
Parte real Parte real
(a) (b)
1,5 1,5
1 1
Parte imaginária
Parte imaginária
0,5 0,5
0 0
– 0,5 – 0,5
–1 –1
–1,5 –1,5
–1 0 1 2 3 –1 0 1 2 3
Parte real Parte real
(c) (d)
Figura 6.55 Efeito da digitalização da resposta ao impulso sobre os zeros de H(z ). (a) Não digitalizado. (b) Digitalização com 16 bits. (c) Digitali-
zação com 13 bits. (d) Digitalização com 8 bits.
sultado será o uso mais eficiente dos bits disponíveis, o alta ordem com zeros pouco espaçados, pode valer a
que corresponde, de fato, a aumentar B em 1. Na Tabela pena realizar conjuntos menores de zeros independen-
6.5 e na Figura 6.54, não levamos em consideração essa temente usando um sistema FIR na forma em cascata.
possibilidade para aumentar a precisão. Para manter a fase linear, cada uma das seções em cas-
cata também deve ter fase linear. Lembre-se de que os
6.8.6 Preservando a fase linear zeros de um sistema de fase linear devem ocorrer como
mostrado na Figura 6.34. Por exemplo, se usarmos seções
Até aqui, não fizemos nenhuma suposição sobre de segunda ordem na forma (1 + az−1 + z−2) para cada
a resposta de fase do sistema FIR. Porém, a possibili- par de zeros complexos conjugados na circunferência
dade de fase linear generalizada é uma das principais unitária, o zero pode se deslocar apenas na circunferên-
vantagens de um sistema FIR. Lembre-se de que um cia unitária quando o coeficiente a for digitalizado. Isso
sistema FIR de fase linear tem uma resposta ao impulso impede que os zeros se afastem da circunferência uni-
simétrica (h[M − n] = h[n]) ou antissimétrica (h[M − n] tária, reduzindo assim o efeito de atenuação. De modo
= −h[n]). Essas condições de fase linear são facilmente similar, zeros reais no interior do círculo unitário e na
preservadas para o sistema digitalizado na forma dire- localização recíproca externa ao círculo unitário per-
ta. Assim, todos os sistemas discutidos no exemplo da manecem reais. Além disso, os zeros em z = ±1 podem
subseção anterior têm fase exatamente linear, indepen- ser realizados exatamente com sistemas de primeira
dentemente da qualidade da digitalização. Isso pode ser ordem. Se um par de zeros complexos conjugados no
visto no modo como as localizações recíprocas conjuga- interior do círculo unitário for realizado por um sistema
das são preservadas na Figura 6.55. de segunda ordem em vez de por um sistema de quar-
A Figura 6.55(d) sugere que, em situações em que ta ordem, então devemos garantir que, para cada zero
a digitalização é muito grosseira, ou para sistemas de complexo no interior do círculo unitário, exista um zero
recíproco conjugado no exterior do círculo unitário. Isso por um fator de 2. Assim, a escolha do comprimento
pode ser feito expressando o fator de quarta ordem cor- da palavra é indiferente a imprecisões da análise de
respondente aos zeros em z = rejθ e z = r−1e−jθ como erro de digitalização; uma análise que está correta com
margem de 30 a 40 por cento muitas vezes é adequada.
1+ cz−1 + dz−2 + cz−3 + z−4
Por esse motivo, muitos dos efeitos importantes da di-
1 (6.89)
=(1−2r cos θz−1+r 2 z−2) 2 (r 2−2r cos θz−1+z−2 ). gitalização podem ser estudados usando aproximações
r lineares de ruído aditivo linear. Desenvolvemos essas
Essa condição corresponde ao subsistema mostra-
aproximações nesta seção e ilustramos seu uso com vá-
do na Figura 6.56. Esse sistema usa os mesmos coefi-
rios exemplos. Uma exceção é o fenômeno dos ciclos li-
cientes, −2r cos θ e r2, para realizar tanto os zeros no
mite de entrada nula, que é estritamente um fenômeno
interior do círculo unitário como os zeros recíprocos
não linear. Restringimos nosso estudo de modelos não
conjugados fora do círculo unitário. Assim, a condição
lineares para filtros digitais a uma breve introdução aos
de fase linear é preservada sob a digitalização. Observe
ciclos limite de entrada nula na Seção 6.10.
que o fator (1−2r cos θz−1 +r2z −2) é idêntico ao deno-
minador do sistema IIR de segunda ordem na forma 6.9.1 Análise das estruturas IIR na forma direta
direta da Figura 6.49. Portanto, o conjunto de zeros di-
Para introduzir os conceitos básicos, consideremos
gitalizados é como representado na Figura 6.50. Mais
a estrutura na forma direta para um sistema LIT de
detalhes sobre realizações em cascata de sistemas FIR
tempo discreto. O diagrama de fluxo de um sistema de
são dados em Herrmann e Schüssler (1970b).
segunda ordem na forma direta I é mostrado na Figura
6.57(a). A equação geral de diferenças de N-ésima or-
6.9 Efeitos do ruído de arredondamento dem para a estrutura de forma direta I é
nos filtros digitais N M
Equações de diferenças realizadas com aritméti- y[n] = aky[n − k] + bkx[n − k], (6.90)
ca de precisão finita são sistemas não lineares. Embora k=1 k=0
seja importante, em geral, entender como essa não li- e a função de sistema é
nearidade afeta o desempenho de sistemas de tempo M
discreto, a análise precisa dos efeitos da digitalização bkz−k
aritmética geralmente não é necessária em aplicações k=0 B(z)
H (z) = = . (6.91)
práticas, em que muitas vezes estamos apenas interessa- N A(z)
dos no desempenho de um sistema específico. De fato, 1− akz−k
assim como na digitalização dos coeficientes, frequen- k=1
temente o método mais eficiente é simular o sistema e Vamos supor que todos os valores de sinal e dos
mensurar o seu desempenho. Por exemplo, um objetivo coeficientes sejam representados por números binários
comum na análise de erro de digitalização é escolher o em ponto fixo com (B + 1) bits. Então, na implemen-
comprimento da palavra digital de modo que o sistema tação da Equação 6.90 com um somador de (B + 1)
digital seja uma realização suficientemente precisa do bits, seria necessário reduzir o comprimento dos pro-
sistema linear desejado e, ao mesmo tempo, exija um dutos de (2B + 1) bits resultantes da multiplicação de
mínimo de complexidade do hardware ou do software. dois números com (B + 1) bits de volta para (B + 1)
O comprimento da palavra digital, evidentemente, pode bits. Como todos os números são tratados como frações,
ser mudado apenas em passos de 1 bit e, como já vi- descartaríamos os B bits menos significativos por arre-
mos na Seção 4.8.2, a adição de 1 bit ao comprimento dondamento ou truncamento. Isso é representado subs-
da palavra reduz a amplitude dos erros de digitalização tituindo em cada ramo o multiplicador por constante na
z–1 z–1
x[n]
–2r cos r2
z–1 z–1
1
r2 –2r cos
r2
y[n]
Figura 6.56 Subsistema de implementação de fatores de quarta ordem em um sistema FIR de fase linear, tal que a linearidade da fase é mantida
independentemente da digitalização dos parâmetros.
e[n]
b0
x [n] y [n] = y [n] + f [n]
z–1 z–1
b1 a1
z–1 z–1
b2 a2
Figura 6.59 Modelo de ruído linear para forma direta I com fontes de ruído combinadas.
2−2B 1 + r2 1 e0 [n]
σf2 = 5 . (6.112) z–1
12 1 − r2 r 4 + 1 − 2r 2 cos 2θ
a1 b1
Como no Exemplo 6.11, notamos que, quando os polos
complexos conjugados se aproximam da circunferência
unitária (r → 1), a variância total do ruído de saída aumen- e3 [n] e1 [n]
ta, o que requer comprimentos de palavra maiores para que z–1
se mantenha a variância abaixo de um nível especificado.
a2 b2
N M
|hk[m]|
m=−∞
ŷ[n] = Q akŷ[n − k] + bkx[n − k] ; (6.116)
k =1 k =0
para todos os nós no diagrama de fluxo. Se xmáx não
isto é, as somas de produtos são acumuladas com preci- satisfizer a Equação 6.120, então podemos multiplicar
são de (2B + 1) ou (2B + 2) bits, e o resultado é digita- x[n] por um fator multiplicador de escala s na entrada
lizado para (B + 1) bits para saída e armazenamento na do sistema, de modo que sxmáx satisfaz a Equação 6.120
memória de atraso. No caso da forma direta I, isso sig- para todos os nós no diagrama de fluxo; isto é,
nifica que o ruído de digitalização ainda é filtrado pelos 1
polos, mas o fator (M + 1 + N) na Equação 6.106 é subs- sxmáx < ∞
. (6.121)
tituído pela unidade. De modo similar, para a realização máx |hk[m]|
na forma direta II, as equações de diferenças 6.113(a)- k
m=−∞
-(b) podem ser substituídas respectivamente por
Ajustar o fator de escala na entrada desse modo
N
garante que o transbordamento nunca ocorrerá em
ŵ[n] = Q akŵ[n − k] + x[n] (6.117a)
nenhum dos nós no diagrama de fluxo. A Equação
k=1
6.120 é necessária e também suficiente, pois sempre
e
existe uma entrada que satisfaz a Equação 6.119 com a
M
igualdade. (Veja a Equação 2.70 na discussão de esta-
ŷ[n] = Q bkŵ[n − k] . (6.117b)
bilidade da Seção 2.4.) Porém, a Equação 6.120 leva a
k=0
um fator de escala da entrada muito conservador para
Isso implica uma fonte de ruído única tanto para a
a maioria dos sinais.
entrada como para a saída, de modo que os fatores N e
Outra abordagem para o fator de escala assume
(M + 1) na Equação 6.115 são ambos substituídos pela
que a entrada é um sinal de banda estreita, modelado
unidade. Assim, o acumulador de comprimento duplo
disponível na maioria dos chips de DSPs pode ser usado como x[n] = xmáx cos ω0n. Nesse caso, as variáveis de nó
para reduzir significativamente o ruído de digitalização terão a forma
nos sistemas em forma direta. wk[n] = |Hk(ejω0)|xmáx cos(ω0n + jHk (ejω0)). (6.122)
6.9.2 Fator de escala nas implementações em Portanto, o transbordamento é evitado para todos
ponto fixo de sistemas IIR os sinais senoidais se
A possibilidade de transbordamento é outra con- máx |H k(ej ω )|xmáx < 1 (6.123)
k,|ω|≤π
sideração importante na implementação de sistemas
IIR que usam aritmética de ponto fixo. Se seguirmos a ou se a entrada for multiplicada pelo fator de escala s
convenção de que cada número de ponto fixo represen- tal que
ta uma fração (possivelmente multiplicada por um fator
de escala conhecido), cada nó na estrutura deve ser for- 1
sxmáx < . (6.124)
çado a ter uma magnitude menor que a unidade para máx |H k(ej ω )|
k,|ω|≤π
evitar o transbordamento. Se wk[n] indicar o valor da
k-ésima variável de nó, e hk[n] indicar a resposta ao im- Ainda outra abordagem para o fator de escala é
pulso da entrada x[n] até a variável de nó wk[n], então baseada na energia E = Σn|x[n]|2 do sinal de entrada.
∞ Podemos obter o fator de escala nesse caso aplicando a
|wk[n]| = x[n − m]hk[m] . (6.118) desigualdade de Schwarz (veja Bartle, 2000) para obter
m=−∞ a seguinte desigualdade relacionando o quadrado do si-
10 Isso elimina um fator de ajuste de escala e uma fonte de ruído de digitalização separados. Porém, o ajuste de escala (e a digitalização) dos bks
pode mudar a resposta em frequência do sistema. Se um fator de ajuste de escala de entrada separado preceder a implementação dos zeros na
Figura 6.62(a), então uma fonte de ruído de digitalização adicional contribuirá para o ruído de saída depois de percorrer todo o sistema H(z).
0,079459
x [n] y[n]
z–1 z–1 z–1
b11 a11 b12 a12 b13 a13
(a)
x [n] y [n]
e01 z–1 e02 z–1 e03 z–1
b'11 a11 b'12 a12 b'13 a13
(b)
(c)
Figura 6.64 Modelos para o sistema de sexta ordem em cascata com subsistemas na forma direta II transposta. (a) Modelo em precisão infinita.
(b) Modelo de ruído linear para sistema com ajuste de escala, mostrando digitalização de multiplicações individuais. (c) Modelo de ruído linear
com fontes de ruído combinadas.
subsistemas subsequentes). Na Figura 6.64(c) também dais de amplitude unitária, pois o ganho total máximo
é usado o fato de que fontes de ruído branco atrasadas dos filtros é unitário. Para os coeficientes da Tabela
ainda são ruído branco e são independentes de todas 6.6, os fatores de escala resultantes são s1 = 0,186447,
as outras fontes de ruído, de modo que as cinco fontes s2 = 0,529236 e s3 = 0,805267.
em uma subseção podem ser combinadas em uma única As equações 6.135 e 6.136 mostram que a forma
fonte de ruído com variância igual a cinco vezes a va- do espectro de potência do ruído de saída e a variân-
riância de uma única fonte de ruído de digitalização.11 cia do ruído de saída total dependem do modo como
Como as fontes de ruído são consideradas independen- os zeros e os polos são emparelhados para formar as
tes, a variância do ruído de saída é a soma das variâncias seções de segunda ordem e da ordem das seções de
devido às três fontes de ruído na Figura 6.64(c). Portan- segunda ordem na realização na forma em cascata. De
to, para o arredondamento, o espectro de potência do fato, podemos notar facilmente que, para N seções,
ruído de saída é existem (N!) maneiras de emparelhar polos e zeros, e
existem igualmente (N!) maneiras de ordenar as se-
2−2B s22 |H 2 (ej ω )|2 s32 |H 3 (ej ω )|2
Pf f (ω) = 5 + ções de segunda ordem resultantes, portanto, um to-
12 |A 1 (ej ω )|2 tal de (N!)2 sistemas diferentes. Além disso, podemos
(6.135) escolher ou a forma direta I ou a forma direta II (ou
s32 |H 3 (ej ω )|2 1 suas transposições) para a implementação das seções
+ + ,
|A 2 (ej ω )|2 |A 3 (ej ω )|2 de segunda ordem. Em nosso exemplo, isso implica
a existência de 144 sistemas em cascata diferentes a
e a variância total do ruído de saída é considerar se quisermos encontrar um sistema com a
2−2B 1 π s22 |H 2 (e j ω )|2 s32 |H 3 (e j ω )|2 menor variância de ruído de saída. Para cinco seções
σf2 = 5 dω em cascata, existem 57600 sistemas diferentes. Evi-
12 2π −π |A 1 (ej ω )|2
dentemente, a análise completa de sistemas de baixa
1 1 π s32 |H 3 (e j ω )|2 1 π ordem par é uma tarefa tediosa, pois uma expressão
+ dω . dω+ como a Equação 6.136 deve ser calculada para cada
−π |A 2 2π jω 2
−π |A 3 (e )| (e j ω )|2 2π
emparelhamento e ordenação. Hwang (1974) usou
(6.136) programação dinâmica, e Liu e Peled (1975) usaram
uma abordagem heurística para reduzir a quantidade
Se um acumulador de comprimento duplo estiver
de cálculos.
disponível, será necessário digitalizar apenas as somas
que são as entradas dos elementos de atraso na Figu- Embora a determinação do melhor emparelha-
ra 6.64(b). Nesse caso, o fator 5 nas equações 6.135 e mento e da melhor ordenação possa exigir otimização
6.136 seria mudado para 3. Além disso, se um regis- computacional, Jackson (1970a, 1970b, 1996) observou
trador de comprimento duplo fosse usado para imple- que bons resultados são quase sempre obtidos aplican-
mentar os elementos de atraso, somente as variáveis do as seguintes regras simples:
ŵk[n] teriam de ser digitalizadas, e haveria apenas uma 1. O polo que está mais próximo da circunferência
fonte de ruído de digitalização por subsistema. Nesse unitária deve ser emparelhado com o zero que
caso, o fator 5 nas equações 6.135 e 6.136 seria alterado está mais próximo dele no plano z.
para a unidade. 2. A regra 1 deve ser aplicada repetidamente até que
Os fatores de escala sk são escolhidos para evitar todos os polos e zeros tenham sido emparelhados.
transbordamento nos pontos ao longo do sistema em 3. As seções de segunda ordem resultantes devem
cascata. Usaremos a convenção de escala da Equação ser ordenadas conforme o aumento ou a diminui-
6.124. Portanto, as constantes de escala são escolhidas ção da proximidade em relação à circunferência
para satisfazer unitária.
As regras de emparelhamento são baseadas na ob-
s1 máx |H 1 (ej ω )| < 1, (6.137a) servação de que os subsistemas com alto ganho de pico
|ω|≤π
são indesejáveis porque podem causar transbordamen-
s1 s2 máx |H 1 (ej ω )H 2 (ej ω )| < 1, (6.137b) to e porque podem amplificar o ruído de digitalização.
|ω|≤π
O emparelhamento de um polo que está próximo da
s1s2s3 = 0,079459. (6.137c) circunferência unitária com um zero adjacente tende a
A última condição garante que não haverá trans- reduzir o ganho de pico dessa seção. Essas regras heu-
bordamento na saída do sistema para entradas senoi-
11 Essadiscussão pode ser generalizada para mostrar que os sistemas na forma direta II transposta e na forma direta I têm o mesmo comporta-
mento de ruído.
20 20
0
0
–20
dB
–20
dB
– 40
–40
– 60
–60 – 80
0 0,2π 0,4π 0,6π 0,8π π 0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω) Frequência em radianos (ω)
(a) (d)
20 20
0
0
–20
dB
dB
–20 – 40
– 60
–40
– 80
–60 –100
0 0,2π 0,4π 0,6π 0,8π π 0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω) Frequência em radianos (ω)
(b) (e)
20 20
0
0
–20
dB
–20
dB
– 40
– 60
–40
– 80
–60 –100
0 0,2π 0,4π 0,6π 0,8π π 0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω) Frequência em radianos (ω)
(c) (f)
Figura 6.66 Funções resposta em frequência para o sistema do exemplo. (a) 20 log10 |H1(ejω)|. (b) 20 log10 |H2(ejω)|. (c) 20 log10 |H3(ejω)|.
(d) 20 log10 |H 1¿(ejω)|. (e) 20 log10 |H¿1(ejω) H¿2(ejω)|. (f) 20 log10 |H 1¿(ejω) H 2¿(ejω) H 3¿(ejω)| = 20 log10 |H ¿(ejω)|.
aplicam aos sistemas FIR se eliminarmos todas as re- Na Figura 6.68(a) é mostrado o sistema FIR
ferências aos polos da função de sistema e eliminarmos na forma direta não digitalizado ideal, e na Figura
os percursos de realimentação em todos os diagramas 6.68(b) é mostrado o modelo de ruído linear para o
de fluxo de sinal. sistema, supondo que todos os produtos sejam digita-
O sistema FIR na forma direta é simplesmente a lizados antes de as adições serem realizadas. O efeito
convolução discreta é aplicar (M + 1) fontes de ruído branco diretamente
M na saída do sistema, de modo que a variância total do
y[n] = h[k]x[n − k]. (6.138) ruído de saída seja
k=0
–70
–75
–80
dB
–85
–90
–95
–100
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Frequência em radianos (ω)
Figura 6.67 Espectro de potência do ruído de saída para a ordenação 123 (linha sólida) e a
ordenação 321 (linha tracejada) das seções de segunda ordem.
y[n]
(a)
Figura 6.68 Realização na forma direta de um sistema FIR. (a) Modelo de precisão infinita.
(b) Modelo de ruído linear.
Exemplo 6.14 Considerações de escala para o muitos subsistemas. Chan e Rabiner (1973a, 1973b)
sistema FIR da Seção 6.8.5 estudaram esse problema e observaram experimental-
mente que o desempenho com relação ao ruído é re-
Os coeficientes de resposta ao impulso para o sistema da lativamente indiferente à ordenação. Seus resultados
Seção 6.8.5 são fornecidos na Tabela 6.5. Cálculos simples sugerem que uma boa ordenação é uma ordenação
mostram, e vemos a partir da Figura 6.54(b), que
para a qual a resposta em frequência de cada fonte de
27
ruído até a saída seja relativamente plana e para a qual
|h[n]| = 1,751352,
o ganho de pico seja pequeno.
n=0
1/2
27 6.9.5 Realizações em ponto flutuante de sistemas
|h[n]|2 = 0,679442,
de tempo discreto
n=0
Pela discussão anterior, fica claro que a faixa di-
máx |H (ej ω )| ≈ 1,009. nâmica limitada da aritmética de ponto fixo torna ne-
|ω|≤π cessário um ajuste de escala cuidadoso na entrada e nos
Esses números satisfazem a relação de ordenação da níveis dos sinais intermediários das realizações digitais
Equação 6.127. Assim, o sistema, conforme dado, é ajusta- em ponto fixo dos sistemas de tempo discreto. A neces-
do em escala de modo que o transbordamento seja teori-
sidade dessa escala pode ser basicamente eliminada por
camente possível para um sinal senoidal cuja amplitude é
maior que 1/1,009 = 0,9911, mas, mesmo assim, o transbor- meio de representações numéricas em ponto flutuante
damento é improvável para a maioria dos sinais. De fato, e aritmética de ponto flutuante.
como o filtro tem uma fase linear, podemos argumentar Nas representações em ponto flutuante, um
que, para sinais de banda larga, como o ganho na banda de número real x é representado pelo número binário 2cx̂M,
passagem é aproximadamente unitário e o ganho nas ou- em que o expoente c do fator de escala é chamado de
tras frequências é menor que um, o sinal de saída deverá
ser menor que o sinal de entrada.
característica e x̂M é uma parte fracionária chamada
de mantissa. Tanto a característica quanto a mantissa
são representadas explicitamente como números biná-
Na Seção 6.5.3, mostramos que os sistemas de
rios de ponto fixo nos sistemas aritméticos em ponto
fase linear, como aquele do Exemplo 6.14, podem ser
flutuante. As representações em ponto flutuante forne-
implementados com cerca de metade do número de
cem um meio conveniente de manter tanto uma faixa
multiplicações do sistema FIR geral. Isso fica eviden-
dinâmica ampla quanto um baixo ruído de digitaliza-
te pelos diagramas de fluxo de sinal das figuras 6.32
ção; porém, o erro de digitalização se manifesta de uma
e 6.33. Nesses casos, deve ficar claro que a variância
maneira um tanto diferente. A aritmética em ponto flu-
no ruído de saída seria a metade se os produtos fos-
tuante geralmente mantém sua alta precisão e ampla
sem digitalizados antes da adição. Porém, a utilização
faixa dinâmica ajustando a característica e normalizan-
dessas estruturas envolve um algoritmo de indexação
do a mantissa de modo que 0,5 ≤ x̂M < 1. Quando núme-
mais complicado do que na forma direta. A arquitetura
ros em ponto flutuante são multiplicados, suas caracte-
da maioria dos chips de DSP combina um acumulador
rísticas são somadas e suas mantissas são multiplicadas.
de comprimento duplo com uma operação multiplica-
Assim, a mantissa precisa ser digitalizada. Quando dois
-acumula paralelizada e eficiente e controle de laço
números em ponto flutuante são somados, suas carac-
simples a fim de otimizar para o caso do sistema FIR
terísticas precisam ser ajustadas para que sejam iguais
de forma direta. Por esse motivo, as implementações
pelo deslocamento do ponto binário da mantissa do
FIR de forma direta muitas vezes são mais atrativas,
menor número. Logo, a adição também resulta em di-
até mesmo em comparação com os filtros IIR que
gitalização. Se considerarmos que o intervalo da carac-
atendem às especificações de resposta em frequência
terística é suficiente para que nenhum número se torne
com menos multiplicações, pois as estruturas em cas-
maior do que 2c, então a digitalização afeta apenas a
cata ou paralela não permitem longas sequências de
operações multiplica-acumula. mantissa, mas o erro na mantissa também é ajustado
em escala por 2c. Assim, um número em ponto flutuante
Na Seção 6.5.3, discutimos as realizações em cas-
digitalizado é convenientemente representado como
cata dos sistemas FIR. Os resultados e as técnicas de
análise da Seção 6.9.3 se aplicam a essas realizações; x̂ = x(1 + ε) = x + εx. (6.140)
mas, para sistemas FIR sem polos, o problema de em-
parelhamento e ordenação se reduz a apenas um pro- Pela representação do erro de digitalização como
blema de ordenação. Como no caso dos sistemas IIR uma fração ε de x, automaticamente mostramos o fato
em cascata, a análise de todas as ordenações possíveis de que o erro de digitalização é ajustado em escala para
pode ser muito difícil se o sistema for composto de cima e para baixo com o nível do sinal.
As propriedades da aritmética de ponto flutuan- tidades, a aritmética de ponto fixo em geral é requerida
te que acabamos de mencionar complicam a análise de para que se alcance um baixo custo.
erro de digitalização das implementações em ponto flu-
tuante dos sistemas de tempo discreto. Primeiro, as fon- 6.10 Ciclos limite de entrada nula em
tes de ruído devem ser inseridas após cada multiplica-
ção e após cada adição. Uma consequência importante
realizações de filtros digitais IIR
é que, ao contrário da aritmética de ponto fixo, a ordem em ponto fixo
em que as multiplicações e adições são realizadas às ve- Para sistemas IIR de tempo discreto estáveis, im-
zes pode fazer uma grande diferença. Ainda importante plementados com aritmética de precisão infinita, se a
para a análise é que não podemos mais justificar a hipó- excitação se tornar zero e permanecer zero para n maior
tese de que as fontes de ruído de digitalização são ruído que um valor n0, a saída para n > n0 decairá assintotica-
branco e independentes do sinal. De fato, na Equação mente para zero. Para o mesmo sistema, implementado
6.140, o ruído é expresso explicitamente em termos do com aritmética de comprimento de registrador finito, a
sinal. Portanto, não podemos mais analisar o ruído sem saída pode continuar a oscilar indefinidamente com um
fazer suposições sobre a natureza do sinal de entrada. padrão periódico enquanto a entrada permanece igual
Se a entrada for considerada conhecida (por exemplo, a zero. Esse efeito usualmente é chamado de compor-
ruído branco), uma hipótese razoável é que o erro rela- tamento do ciclo limite de entrada nula, e é uma con-
tivo ε é independente de x e é ruído branco distribuído sequência dos digitalizadores não lineares no laço de
uniformemente. realimentação do sistema ou do transbordamento nas
Com esses tipos de suposições, resultados úteis fo- adições. O comportamento do ciclo limite de um filtro
ram obtidos por Sandberg (1967), Liu e Kaneko (1969), digital é complexo e difícil de analisar, e não tentaremos
Weinstein e Oppenheim (1969) e Kan e Aggarwal tratar do assunto de modo geral. No entanto, para
(1971). Em particular, Weinstein e Oppenheim, ao ilustrar o ponto, daremos dois exemplos simples que
compararem realizações em ponto flutuante e em pon- mostrarão como esses ciclos limite podem surgir.
to fixo dos sistemas IIR de primeira e segunda ordem,
mostraram que, se o número de bits que representa a 6.10.1 Ciclos limite devido ao arredondamento e
mantissa em ponto flutuante for igual ao comprimento truncamento
da palavra em ponto fixo, então a aritmética de pon-
O arredondamento ou truncamento sucessivo de
to flutuante leva a uma SNR mais alta na saída. Não
produtos em uma equação de diferenças iterada pode
surpreende que a diferença tenha sido maior para os
criar padrões repetitivos. Isso é ilustrado no exemplo
polos próximos à circunferência unitária. Porém, bits
a seguir.
adicionais são necessários para representar a caracte-
rística e, quanto maior a faixa dinâmica desejada, mais
bits serão necessários para a característica. Além disso, Exemplo 6.15 Comportamento de ciclo limite em
o hardware para implementar a aritmética de ponto um sistema de primeira ordem
flutuante é muito mais complexo que o hardware para
Considere o sistema de primeira ordem caracterizado pela
implementar aritmética de ponto fixo. Portanto, o uso
equação de diferenças
da aritmética de ponto flutuante implica um aumento
do comprimento da palavra e mais complexidade na y[n] = ay[n − 1] + x[n], |a| < 1. (6.141)
unidade aritmética. A principal vantagem da aritméti- O diagrama de fluxo de sinais desse sistema é mostrado
ca de ponto flutuante é que essencialmente elimina o na Figura 6.69(a). Suponhamos que o comprimento do re-
gistrador para armazenar o coeficiente a, a entrada x[n] e
problema de transbordamento e, se uma mantissa su-
a variável de nó do filtro y[n − 1] seja de 4 bits (isto é, um
ficientemente longa for usada, a digitalização também bit de sinal à esquerda do ponto binário e 3 bits à direita
se tornará um problema muito menor. Isso se traduz do ponto binário). Devido aos registradores de compri-
em mais simplicidade no projeto e na implementação mento finito, o produto ay[n − 1] deve ser arredondado
do sistema. ou truncado para 4 bits antes de ser somado a x[n]. O dia-
Atualmente, a filtragem digital de sinais multimí- grama de fluxo que representa a realização real baseada
na Equação 6.141 é mostrado na Figura 6.69(b). Supondo
dia frequentemente é implementada em computadores
que haja arredondamento do produto, a saída ŷ[n] satisfaz
pessoais ou em estações de trabalho que têm represen- a equação de diferenças não linear
tações numéricas em ponto flutuante muito precisas e
ŷ[n] = Q[aŷ[n − 1]] + x[n], (6.142)
unidades aritméticas de alta velocidade. Nesses casos,
os problemas de digitalização discutidos nas seções 6.7 em que Q[·] representa a operação de arredondamento.
‑6.9geralmente causam pouca ou nenhuma preocupa- Suponhamos que a = 1/2 = 0100 e que a entrada seja
x[n] = (7/8)δ[n] = (0111)δ[n]. Usando a Equação 6.142,
ção. Porém, em sistemas produzidos em grandes quan-
7
x[n] y [n]
8
z–1
a
1
y[n] (a = )
2
(a) 1
2
1
x[n] Q [ •] y [n]
4
z–1 1 1 1 1 1
8 8 8 8 8 ...
a
–2 –1 0 1 2 3 4 5 6 7 n
(b)
(a)
Figura 6.69 Sistema IIR de primeira ordem. (a) Sistema linear com
precisão infinita. (b) Sistema não linear devido à digitalização. 7
8
1
notamos que, para n = 0, ŷ[0] = 7/8 = 0111. Para obter y[n] (a = – )
2
ŷ[1], multiplicamos ŷ[0] por a, obtendo o resultado aŷ[0] =
0◊011100, um número de 7 bits que deve ser arredondado
para 4 bits. Esse número, 7/16, fica exatamente no meio
dos níveis de digitalização com 4 bits 4/8 e 3/8. Se esco-
1
lhermos sempre arredondar para cima, nesse caso, então
4
0011100 arredondado para 4 bits é 0100 = 1/2. Como 1 1 1
x[1] = 0, conclui-se que ŷ[1] = 0◊100 = 1/2. Continuando 8 8 8
...
as iterações da equação de diferenças ŷ[2] = Q[aŷ[1]] = 1 3 5 7
0010 = 1/4 e ŷ[3] = 0◊001 = 1/8. Em ambos os casos, –2 –1 2 4 6 8 n
nenhum arredondamento é necessário. Porém, para obter –1 –1 –1
ŷ[4], temos de arredondar o número com 7 bits aŷ[3] = 8 8 8
0000100 para 0001. O mesmo resultado é obtido para
todos os valores de n ≥ 3. A sequência de saída para este
exemplo é mostrada na Figura 6.70(a). Se a = −1/2, pode-
mos repetir o procedimento anterior de cálculo para de- –1
monstrar que a saída é como mostrado na Figura 6.70(b). 2
Assim, devido ao arredondamento do produto aŷ[n− 1], (b)
a saída atinge um valor constante de 1/8, quando a = 1/2,
e uma oscilação em regime permanente periódica entre Figura 6.70 Resposta do sistema de primeira ordem da Figura 6.69 a
+1/8 e −1/8 quando a = −1/2. Essas são saídas periódicas um impulso. (a) a = 1 . (b) a = −1 .
2 2
similares àquelas que seriam obtidas com um polo de pri-
meira ordem em z = ±1 em vez de em z = ±1/2.
Quando a = +1/2, o período da oscilação é 1, e quando gunda ordem podem contribuir com um ciclo limite para
a = −1/2, o período da oscilação é 2. Essas saídas periódicas a soma na saída. No caso de realizações em cascata, ape-
em regime permanente são chamadas de ciclos limite, e sua
nas a primeira seção tem entrada nula; as seções seguin-
existência foi observada inicialmente por Blackman (1965),
que se referiu aos intervalos de amplitude aos quais esses tes podem exibir seu próprio comportamento de ciclo
ciclos limite são confinados como zonas mortas. Nesse caso, limite característico, ou então podem aparentar que sim-
a zona morta é −2−B ≤ ŷ [n] ≤ +2−B, sendo B = 3. plesmente filtram a saída do ciclo limite de uma seção
anterior. Para os sistemas de ordem mais alta, realizados
O exemplo anterior ilustrou que um ciclo limite por outras estruturas de filtro, o comportamento do ciclo
de entrada nula pode resultar do arredondamento em limite se torna mais complexo, assim como sua análise.
um sistema IIR de primeira ordem. Resultados similares Além de fornecer uma noção sobre os efeitos do ci-
podem ser demonstrados para o truncamento. Sistemas clo limite nos filtros digitais, os resultados anteriores são
de segunda ordem também podem exibir comportamen- úteis quando a resposta de ciclo limite de entrada nula de
to de ciclo limite. No caso de realizações paralelas de um sistema é a saída desejada. Esse é o caso, por exemplo,
sistemas de ordem mais alta, as saídas dos sistemas de quando se desejam osciladores de onda senoidal digital
segunda ordem individuais são independentes quando para a geração de sinais ou para a geração de coeficien-
a entrada é nula. Nesse caso, uma ou mais seções de se- tes para o cálculo da transformada de Fourier discreta.
6.10.2 Ciclos limite devido ao transbordamento do as oscilações por transbordamento podem ser admi-
Além das classes de ciclos limite discutidas na se- tidas por uma equação de diferenças (veja Ebert et al.,
ção anterior, um tipo mais severo de ciclo limite pode 1969). As oscilações por transbordamento podem ser
ocorrer devido ao transbordamento. O efeito do trans- evitadas usando a característica de transbordamento
bordamento é a inclusão de um erro significativo na por saturação da Figura 6.45(b) (veja Ebert et al., 1969).
saída e, em alguns casos, a saída do filtro, depois disso,
oscila entre limites de grande amplitude. Esses ciclos li- 6.10.3 Evitando ciclos limite
mite são chamados de oscilação por transbordamento. A possível existência de um ciclo limite de entra-
O problema das oscilações causadas por transborda- da nula é importante em aplicações nas quais um filtro
mento é discutido em detalhes por Ebert et al. (1969). digital atua em operação contínua, pois geralmente é
As oscilações por transbordamento são ilustradas com desejado que a saída se aproxime de zero quando a en-
o exemplo a seguir. trada é nula. Por exemplo, suponha que um sinal de voz
seja amostrado, filtrado por um filtro digital e depois
convertido de volta em um sinal acústico por meio de
Exemplo 6.16 Oscilações por transbordamento um conversor D/A. Nessa situação, seria muito inde-
em um sistema de segunda ordem sejável que o filtro entrasse em ciclo limite periódico
sempre que a entrada fosse nula, pois o ciclo limite pro-
Considere um sistema de segunda ordem realizado com a duziria um tom audível.
equação de diferenças
Uma abordagem para o problema geral de ciclos
ŷ[n] = x[n] + Q[a1ŷ[n − 1]] + Q[a2ŷ[n − 2]], (6.143) limite consiste em buscar estruturas que não admitem
em que Q[·] representa o arredondamento em comple- oscilações de ciclo limite. Algumas dessas estruturas
mento de dois com um comprimento de palavra com foram obtidas usando representações de espaço de
3 bits mais 1 bit para o sinal. O transbordamento pode estados (veja Barnes e Fam, 1977; Mills, Mullis e Ro-
ocorrer com a adição em complemento de dois dos pro- berts, 1978) e conceitos análogos ao de passividade em
dutos arredondados. Suponha que a1 = 3/4 = 0110 e a2 = sistemas analógicos (veja Rao e Kailath, 1984; Fettweis,
−3/4 = 1010 e que x[n] permaneça igual a zero para
1986). Porém, essas estruturas geralmente exigem mais
n ≥ 0. Além disso, suponha que ŷ[−1] = 3/4 = 0110 e
ŷ [−2] = −3/4 = 1010. Agora, a saída na amostra n = 0 é cálculos do que uma implementação equivalente na
forma em cascata ou paralela. Ao acrescentarmos mais
ŷ [0] = 0110 × 0110 + 1010 × 1010. bits ao comprimento da palavra computacional, ge-
Se calcularmos os produtos usando a aritmética em com- ralmente podemos evitar transbordamento. De modo
plemento de dois, obtemos similar, como os ciclos limite de arredondamento mui-
tas vezes são limitados aos bits menos significativos da
ŷ [0] = 0100100 + 0100100,
palavra binária, bits adicionais podem ser usados para
e se escolhermos arredondar para cima quando um núme- reduzir a amplitude efetiva do ciclo limite. Além disso,
ro estiver na metade entre dois níveis de digitalização, o Claasen et al. (1973) mostraram que, se um acumulador
resultado da adição em complemento de dois é
de comprimento duplo for usado de modo que a digi-
ŷ[0] = 0 101 + 0 101 = 1 010 = − 43 . talização ocorra após o acúmulo de produtos, então é
Nesse caso, o “vai-um” binário transborda para o bit de muito menos provável que os ciclos limite decorrentes
sinal, mudando assim a soma positiva para um número ne- do arredondamento ocorram nos sistemas de segunda
gativo. Repetindo o processo, obtemos ordem. Assim, o compromisso entre comprimento da
ŷ[1] = 1 011 + 1 011 = 0 110 = 43 .
palavra e complexidade computacional do algoritmo
surge para ciclos limite assim como para digitalização
O “vai-um” binário resultante da soma dos bits de si- dos coeficientes e ruído de arredondamento.
nal é perdido, e a soma negativa é mapeada em um
Finalmente, é importante reforçar que os ciclos li-
número positivo. Claramente, ŷ[n] continuará a oscilar en-
tre +3/4 e −3/4 até que uma entrada seja aplicada. Assim, mite de entrada nula decorrentes do transbordamento
ŷ[n] entrou em um ciclo limite periódico com um período e ao arredondamento são um fenômeno exclusivo dos
igual a 2 e uma amplitude semelhante à amplitude de fun- sistemas IIR: sistemas FIR não admitem ciclos limite
do de escala da implementação. de entrada nula, pois eles não têm percursos de rea-
limentação. A saída de um sistema FIR será nula no
O exemplo anterior ilustra como ocorrem as os- decorrer de pelo menos (M + 1) amostras posteriores
cilações de transbordamento. Um comportamento à entrada nula ser aplicada e permanecer nula. Essa é
muito mais complexo pode ser exibido por sistemas de uma vantagem importante dos sistemas FIR em aplica-
ordem mais alta, e outras frequências podem ocorrer. ções nas quais as oscilações de ciclo limite não possam
Alguns resultados estão disponíveis para prever quan- ser toleradas.
x[n] y [n]
z–1
z–1
z–1 z–1
Figura P6.2
–3 z–1 (e)
4
(a) 2
x[n] y[n]
z–1
x[n] –1 –1 y [n] 1 1
z z
4 4
1 –3
2 4
(b) z–1
3
–
8
x[n] (f)
3
cos z–1
4
Figura P6.3 (continuação)
x [n] y[n]
2
z–1 z–1
x[n] y [n] 3 1
z–1
1 –1
4 4 z–1 z–1
1 2
z–1
Figura P6.5
3
8
(d) (a) Escreva a equação de diferenças relacionando x[n]
e y[n] para esse diagrama de fluxo.
Figura P6.3 (b) Qual é a função de sistema desse sistema?
(c) Na realização da Figura P6.5, quantas multiplica- 6.7. Sejam x[n] e y[n] sequências relacionadas pela seguinte
ções reais e adições reais são exigidas para calcular equação de diferenças:
cada amostra da saída? (Suponha que x[n] seja real
1 1
e que a multiplicação por 1 não seja levada em con- y[n] − y[n − 2] = x[n − 2] − x[n].
ta no total.) 4 4
(d) A realização da Figura P6.5 requer quatro registra- Desenhe um diagrama de fluxo de sinais na forma direta
dores de armazenamento (elementos de atraso). É II para o sistema LIT causal correspondente a essa equa-
possível reduzir o número de registradores de ar- ção de diferenças.
mazenamento usando uma estrutura diferente? Se 6.8. O diagrama de fluxo de sinais na Figura P6.8 representa
for, desenhe o diagrama de fluxo; se não, explique um sistema LIT. Determine uma equação de diferenças
por que o número de registradores de armazena- que forneça uma relação entre a entrada x[n] e a saída
mento não pode ser reduzido. y[n] desse sistema. Como é usual, todos os ramos do dia-
6.6. Determine a resposta ao impulso de cada um dos siste- grama de fluxo de sinais têm ganho unitário, a menos
mas na Figura P6.6. que seja especificamente indicado o contrário.
y[n]
(a)
x[n]
(b)
2 3 –1 1
y [n]
(c)
1 2 –1 3
y [n]
(d)
Figura P6.6
Figura P6.8 1 –1 2 1
x [n] y[n]
6.9. Na Figura P6.9 é mostrado o diagrama de fluxo de si- 1 1
nais para um sistema LIT de tempo discreto causal. Os z –1 z –1
ramos sem ganhos indicados explicitamente têm um ga-
nho unitário. 2
(a) Traçando o caminho de um impulso pelo diagrama 1 z –1
de fluxo, determine h[1], a resposta ao impulso em
n = 1.
(b) Determine a equação de diferenças relacionando
Figura P6.12
x[n] e y[n].
1 + 56 z−1 + 16 z−2
Figura P6.9 H (z) = .
1 − 21 z−1 − 21 z−2
6.10. Considere o diagrama de fluxo de sinais mostrado na
Figura P6.10. 6.15. Desenhe o diagrama de fluxo de sinais para a implemen-
(a) Usando as variáveis de nó indicadas, escreva o con- tação na forma direta II transposta do sistema LIT com
junto de equações de diferenças representado por função de sistema
esse diagrama de fluxo.
(b) Desenhe o diagrama de fluxo de um sistema equi- 1 − 76 z−1 + 16 z−2
H (z) = .
valente que seja a cascata de dois sistemas de pri- 1 + z−1 + 21 z−2
meira ordem.
(c) O sistema é estável? Explique.
6.16. Considere o diagrama de fluxo de sinais mostrado na Fi-
gura P6.16.
x [n] y [n]
(a) Desenhe o diagrama de fluxo de sinais que resulta
z –1 1 da aplicação do teorema da transposição a esse dia-
v [n] 2 grama de fluxo de sinais.
2 (b) Confirme que o diagrama de fluxo de sinais trans-
z –1 1 posto que você encontrou em (a) tem a mesma fun-
2 ção de sistema H(z) do sistema original na figura.
w[n]
x[n] y[n]
Figura P6.10
z –1 z –1
6.17. Considere o sistema LIT causal com função de sistema implementação muitas vezes é chamada de oscilador de
forma acoplada, pois, quando a entrada é excitada por
1 1
H (z) = 1 − z−1 + z−2 + z−3 . um impulso, as saídas são senoidais.
3 6
6.22. Para a função de sistema
(a) Desenhe o diagrama de fluxo de sinais para a im-
1 + 2z−1 + z−2
plementação na forma direta desse sistema. H (z) = ,
1 − 0,75z−1 + 0,125z−2
(b) Desenhe o diagrama de fluxo de sinais para a im-
plementação na forma direta transposta do sistema.
6.18. Para algumas escolhas não nulas do parâmetro a, o dia- desenhe os diagramas de fluxo de todas as realizações
grama de fluxo de sinais na Figura P6.18 pode ser subs- possíveis para esse sistema como cascatas de sistemas de
tituído por um diagrama de fluxo de sinais de segun- primeira ordem.
da ordem na forma direta II, implementando a mesma 6.23. Queremos implementar um sistema causal H(z) com
função de sistema. Dê uma escolha desse tipo para a e o diagrama de polos e zeros mostrado na Figura P6.23.
a função de sistema H(z) resultante. Para todas as partes deste problema, z1, z2, p1 e p2 são
reais, e uma constante de ganho independente da fre-
x[n] y [n] quência pode ser incorporada em um coeficiente de ga-
nho no ramo de saída de cada diagrama de fluxo.
z –1 z –1
Im
4 a
–1
3 z –1 4
–4 3
3 8
z1 z2 p1 p2 Re
Figura P6.18
2 − 83 z−1 − 2z−2
H (z) = .
1 − 13 z−1 1 + 23 z−1 Figura P6.23
Desenhe um diagrama de fluxo de sinais que implemen- (a) Desenhe o diagrama de fluxo da implementação
te esse sistema como uma combinação paralela de se- na forma direta II. Determine uma expressão para
ções na forma direta II transposta de primeira ordem. cada um dos ganhos de ramo em termos das variá-
6.20. Desenhe um diagrama de fluxo de sinais implementan- veis z1, z2, p1 e p2.
do a função de sistema (b) Desenhe o diagrama de fluxo de uma implemen-
tação como uma cascata de seções na forma direta
(1 + (1− j/ 2)z−1 )(1 + (1 + j/ 2)z−1 ) II de segunda ordem. Determine uma expressão
H(z) =
(1 + (j/ 2)z−1 )(1− (j/ 2)z−1 )(1− (1/2)z−1 )(1− 2z−1 ) para cada um dos ganhos de ramo em função das
variáveis z1, z2, p1 e p2.
como uma cascata de seções na forma direta II transpos- (c) Desenhe o diagrama de fluxo de uma implemen-
ta de segunda ordem com coeficientes reais. tação na forma paralela com seções na forma di-
reta II de primeira ordem. Especifique um sistema
de equações lineares que possa ser resolvido para
Problemas básicos expressar os ganhos de ramo em termos das variá-
6.21. Para muitas aplicações, é útil ter um sistema que gera veis z1, z2, p1 e p2.
uma sequência senoidal. Um modo possível de fazer isso 6.24. Considere um sistema LIT causal cuja função de sistema
é usar um sistema cuja resposta ao impulso seja h[n] = seja
ejω 0 nu[n]. As partes real e imaginária de h[n] são, portan- 3 z−1 + 1 z−2
to, hr [n] = (cos ω0n)u[n] e hi [n] = (sen ω0n)u[n], respec- 1 − 10 3
H (z) =
tivamente. 1 − 45 z−1 + 23 z−2 1 + 15 z−1
Na implementação de um sistema com uma resposta ao
impulso complexa, as partes real e imaginária são repre- 1 1
2 2
sentadas como saídas separadas. Escreva inicialmente a = +
equação de diferenças complexa necessária para produ- 1 − 45 z−1 + 23 z−2 1+ 1 z−1
5
zir a resposta ao impulso desejada. Depois separe as suas
partes real e imaginária e desenhe um diagrama de fluxo (a) Desenhe os diagramas de fluxo de sinais para im-
que implemente esse sistema. O diagrama de fluxo que plementações do sistema em cada uma das seguin-
você desenha deverá ter apenas coeficientes reais. Essa tes formas:
x[n] y [n]
z–1 z–1
0,3 2 −0,8
z–1
0,4 0,81
Figura P6.25
x [n] y [n]
z–1 z–1 z–1 z–1
Figura P6.27
z –1 −1/4
z –1
Figura P6.28-1
1 – 53 – 32 v[n]
4
z –1 z –1 z –1
x[n] y[n]
Figura P6.29
1 –3 –2
2
(b) Desenhe a estrutura do filtro em treliça para o filtro 1 –3 –2
só-polos 1/H(z). 2
6.30. Determine e desenhe a implementação do filtro em tre-
liça da seguinte função de sistema causal só-polos: z –1 z –1 z –1
1
H (z) = Figura P6.33-1
1 + 23 z−1 − z−2 + 43 z−3 + 2z−4
(a) Determine a função de sistema da entrada x[n]
O sistema é estável? para a saída v[n] (e NÃO y[n]).
6.31. Na Figura P6.31 é mostrado um filtro IIR em treliça. (b) Seja H(z) a função de sistema da entrada x[n] até
a saída y[n] e seja g[n] o resultado da expansão da
x[n] y[n] resposta ao impulso associada h[n] por 2, como
mostrado na Figura P6.33-2.
– 21 1
h[n] g[n]
2
– 21 –1
Figura P6.33-2
z –1 z –1
0 4 8 n Figura P6.35-3
Figura P6.34-1
(h[n] = 0 para todo n < 0 e n ≥ 12).
(a) Determine uma escolha para h1[n] e h2[n], de modo que
(a) Forneça as sequências e0[n], e1[n], e2[n] e e3[n] que
h[n] = h1[n] * h2[n], resultam em uma implementação correta.
sendo h1[n] um filtro FIR e h2[n] = 0 para n/4 não (b) Queremos minimizar o número total de multipli-
inteiro. h2[n] é um filtro FIR ou IIR? cadores por amostra de saída para a implemen-
(b) A resposta ao impulso h[n] deve ser usada em um tação da estrutura na Figura P6.35-2. Usando a
sistema de subamostragem como indicado na Figu- escolha apropriada de e0[n], e1[n], e2[n] e e3[n]
ra P6.34-2. do item (a), determine o número mínimo de mul-
tiplicadores por amostra de saída para o sistema
x[n] y[n] global. Além disso, determine o número mínimo
h[n] 4
de multiplicadores por amostra de entrada para o
sistema global. Explique.
Figura P6.34-2 (c) Em vez de usar as sequências e0[n], e1[n], e2[n] e
e3[n] identificadas no item (a), agora suponha que
Desenhe uma implementação em diagrama de flu- E0(ejω) e E2(ejω), as TFTDs de e0[n] e e2[n], respecti-
xo do sistema na Figura P6.34-2 que exija o núme- vamente, sejam como mostrado na Figura P6.35-4 e
ro mínimo de multiplicadores por coeficientes não E1(ejω) = E3(ejω) = 0.
nulos e não unitários. Você pode usar os elementos
de atraso unitário, multiplicadores por coeficientes,
somadores e compressores. (Multiplicação por zero E0(e j) E2(e j) = ( + 2r)
ou por um não requer um multiplicador.) r = −
(c) Para o seu sistema, indique quantas multiplicações 1
por amostra de entrada e por amostra de saída são
necessárias, justificando a sua resposta.
6.35. Considere o sistema mostrado na Figura P6.35-1.
−c 0 c
x[n] y[n]
h[n] 4 Figura P6.35-4
e2[n] ak
4
x [n] y [n]
z–1 z–1
4 e3[n]
Rede A
Figura P6.35-2 Estrutura polifásica do sistema.
Figura P6.36-1
(a) Se H(ejω) é como mostrado na Figura P6.36-2, es- (b) A partir da função de sistema, obtenha um diagra-
boce H1(ejω). ma de fluxo que seja computável.
6.38. A resposta ao impulso de um sistema LIT é
H(e j)
a n , 0 ≤ n ≤ 7,
1 h[n] =
0, caso contrário.
(a) Desenhe um diagrama de fluxo de uma implemen-
tação não recursiva na forma direta do sistema.
(b) Mostre que a função de sistema correspondente
– –
pode ser expressa como
2 2
1 − a 8 z−8
Figura P6.36-2 H (z) = , |z| > |a|.
1 − az−1
(b) Explique como modificar a Rede A por meio de (c) Desenhe o diagrama de fluxo de uma implementa-
alterações simples de seus multiplicadores por coe- ção de H(z), como expressa no item (b), correspon-
ficientes e/ou ramos de atraso para formar a nova dente a uma cascata de um sistema FIR (numera-
Rede A1, cuja resposta ao impulso é h1[n]. dor) com um sistema IIR (denominador).
(c) Se a Rede A for como mostrado na Figura P6.36-3, (d) A implementação no item (c) é recursiva ou não
mostre como modificá-la por meio de alterações sim- recursiva? O sistema global é FIR ou IIR?
ples apenas nos multiplicadores por coeficientes, de (e) Qual implementação do sistema exige
modo que a Rede A1 resultante tenha resposta ao im- (i) mais armazenamento (elementos de atraso)?
pulso h1[n]. (ii) mais aritmética (multiplicações e adições por
amostra de saída)?
x [n] y [n] 6.39. Considere um sistema FIR cuja resposta ao impulso seja
z–1 1 (1 + cos[(2π/15)(n − n )]),
15 0 0 ≤ n ≤ 14,
h[n] =
0, caso contrário.
1 –2
z–1 Esse sistema é um exemplo de uma classe de filtros co-
nhecidos como filtros de amostragem de frequência. O
Problema 6.51 discute esses filtros com detalhes. Neste
2 –1 problema, consideramos apenas um caso específico.
z–1
(a) Esboce a resposta ao impulso do sistema para os
casos n0 = 0 e n0 = 15/2.
2 –1 (b) Mostre que a função de sistema para esse sistema
z–1 pode ser expressa como
1 −j 2πn0 /15
H (z) = (1 − z−15 ) ·
1 1
+ 2e +
1 –2 15 1 − z−1 1 − e j 2π/15 z−1
Figura P6.36-3 1 j 2πn0 /15
+ 2e .
1 − e−j 2π/15 z−1
6.37. O diagrama de fluxo mostrado na Figura P6.37 é não
computável; isto é, não é possível calcular a saída usando (c) Mostre que, se n0 = 15/2, a resposta em frequência
as equações de diferenças representadas pelo diagrama do sistema pode ser expressa como
de fluxo, pois ela contém um laço fechado sem elemen-
1 −j ω7 sen (ω15/2) 1 sen [(ω − 2π/15)15/2]
tos de atraso. H(e jω ) = e +
15 sen (ω/2) 2 sen [(ω − 2π/15)/2]
x[n] y [n] 1 sen [(ω + 2π/15)15/2]
.
b 2 sen [(ω + 2π/15)/2]
a
Use essa expressão para esboçar a magnitude da
resposta em frequência do sistema para n0 = 15/2.
z–1 Obtenha uma expressão similar para n0 = 0. Es-
boce a resposta de magnitude para n0 = 0. Para
a –1 quais escolhas de n0 o sistema tem fase linear ge-
neralizada?
Figura P6.37 (d) Desenhe um diagrama de fluxo de sinais de uma
implementação do sistema como uma cascata de
(a) Escreva as equações de diferenças para o sistema um sistema FIR cuja função de sistema seja 1−z−15
da Figura P6.37 e, a partir delas, encontre a função e uma combinação paralela de um sistema IIR de
de sistema do diagrama de fluxo. primeira e segunda ordens.
6.40. Considere o sistema de tempo discreto representado na (a) Escreva as equações de diferenças para a Rede A.
Figura P6.40-1. (b) Determine os valores de a, b, c e d para a Rede B
em termos de r na Rede A de modo que os dois
G 1+r
sistemas sejam equivalentes.
x[n] y1 [n] (c) Determine valores de e e f para a Rede C em ter-
1 –r r –1 mos de r na Rede A de modo que os dois sistemas
z–1 z–1 sejam equivalentes.
1–r (d) Por que as redes B ou C poderiam ser escolhidas
em vez da Rede A? Que possível vantagem a Rede
Figura P6.40-1
A poderia ter sobre as redes B ou C?
(a) Escreva o conjunto de equações de diferenças repre- 6.42. Considere um sistema passa-tudo com função de sistema
sentado pelo diagrama de fluxo da Figura P6.40-1. 1 − (1/0,54)z−1
(b) Determine a função de sistema H1(z) = Y1(z)/X(z) H (z) = −0,54 .
1 − 0,54z−1
do sistema na Figura P6.40-1 e determine as magni-
tudes e ângulos dos polos de H1(z) em função de r Um diagrama de fluxo para uma implementação desse
para −1 < r < 1. sistema é mostrado na Figura P6.42.
(c) A Figura P6.40-2 mostra um diagrama de fluxo dife- d
rente, obtido a partir do diagrama de fluxo da Figura
x [n] y[n]
P6.40-1 pelo deslocamento dos elementos de atraso
para o ramo superior oposto. Como a função de siste- z–1
b c
ma H2(z) = Y2(z)/X (z) está relacionada a H1(z)?
1–r
y[n] = 0,54(y[n − 1] − x[n]) + x[n − 1].
y2 [n] x2 [n]
Rede A Desenhe o diagrama de fluxo de uma rede que im-
(a)
plementa essa equação de diferenças com dois ele-
mentos de atraso, mas somente uma multiplicação
a por uma constante diferente de ±1.
x1 [n] y1 [n] (d) Com coeficientes digitalizados, o diagrama de fluxo
b do item (c) seria um sistema passa-tudo?
c d A principal desvantagem da implementação no item
(c) em comparação com a implementação no
y2 [n] x2 [n] item (a) é que ela requer dois elementos de atraso.
Rede B Porém, para sistemas de ordem mais alta, é neces-
(b) sário implementar uma cascata de sistemas passa-
-tudo. Para N seções passa-tudo em cascata, é pos-
sível usar seções passa-tudo na forma determinada
e
no item (c) o que requer apenas (N + 1) elementos
x1 [n] y1 [n] de atraso. Isso é feito pelo compartilhamento de um
f
elemento de atraso entre seções.
(e) Considere o sistema passa-tudo com função de sis-
y2 [n] x2 [n] tema
Rede C
(c) z−1 − a z−1 − b
H (z) = .
Figura P6.41 1 − az−1 1 − bz−1
Desenhe o diagrama de fluxo de uma realização em sistema, mas com aritmética de ponto fixo digitalizada
“cascata” composta de duas seções na forma obtida eles se comportam de forma diferente. Suponha que a e
no item (c) com um elemento de atraso comparti- b sejam números reais e 0 < a < 1.
lhado entre as seções. O diagrama de fluxo resul-
tante deverá ter apenas três elementos de atraso. x [n] b y[n] x [n] b y[n]
(f) Com coeficientes digitalizados a e b, o diagrama de
fluxo no item (e) seria um sistema passa-tudo? z–1 z–1
6.43. Todos os ramos dos diagramas de fluxo de sinais neste
problema têm ganho unitário, a menos que haja indica- a a
ções que especifiquem o contrário.
2
Figura P6.45
y [n]
z –1 z –1 z –1 (a) Determine xmáx, a amplitude máxima das amostras
–1 de entrada de modo que o valor máximo da saída
–1 y[n] dos dois sistemas seja certamente menor do
x[n] que a unidade.
(b) Suponha que os sistemas anteriores sejam im-
Figura P6.43-1 plementados com aritmética em ponto fixo com
complemento de dois, e que nos dois casos todos
(a) O diagrama de fluxo de sinais do Sistema A, mos- os produtos sejam imediatamente arredondados a
trado na Figura P6.43-1, representa um sistema LIT B + 1 bits (antes que quaisquer adições sejam fei-
causal. É possível implementar a mesma relação en- tas). Insira fontes de ruído de arredondamento em
trada-saída usando um número menor de atrasos? localizações apropriadas nos diagramas anteriores
Se for possível, qual é o número mínimo de atrasos para modelar o erro de arredondamento. Suponha
requeridos para implementar um sistema equiva- que cada uma das fontes de ruído inseridas tenha
lente? Se não for possível, justifique sua resposta. potência média igual a σB2 = 2−2B /12.
(b) O Sistema B mostrado na Figura P6.43-2 represen- (c) Se os produtos forem arredondados como descri-
ta a mesma relação de entrada-saída do Sistema A to no item (b), as saídas dos dois sistemas serão
na Figura P6.43-1? Explique com clareza. diferentes; isto é, a saída do primeiro sistema será
y1[n] = y[n] + f1[n] e a saída do segundo sistema
2 será y2[n] = y[n] + f2[n], sendo f1[n] e f2[n] as saí-
das geradas pelas fontes de ruído. Determine os
z –1 z –1 z –1 espectros de densidade de potência Φf 1 f 1(ejω) e
x[n] y [n] Φf 2 f 2(ejω) do ruído de saída para os dois sistemas.
–1
–1 (d) Determine as potências de ruído totais σf21 e σf22 na
saída para os dois sistemas.
Figura P6.43-2 6.46. Um sistema passa-tudo deve ser implementado com
aritmética de ponto fixo. Sua função de sistema é
6.44. Considere um sistema passa-tudo cuja função de siste-
(z−1 − a * )(z−1 − a)
ma seja H (z) =
(1 − az−1 )(1 − a * z−1 )
z−1 − 13
H (z) = . sendo a = rejθ.
1 − 13 z−1 (a) Desenhe os diagramas de fluxo de sinais para as im-
plementações na forma direta I e na forma direta II
(a) Desenhe o diagrama de fluxo de sinais na forma
desse sistema como um sistema de segunda ordem
direta I para o sistema. De quantos atrasos e multi-
usando apenas coeficientes reais.
plicadores você precisa? (Não leve em conta a mul-
tiplicação por ±1.) (b) Supondo que cada produto seja arredondado antes
de as adições serem realizadas, insira fontes de ruí-
(b) Desenhe um diagrama de fluxo de sinais que use
do apropriadas nas redes desenhadas no item (a),
um multiplicador. Minimize o número de atrasos.
combinando as fontes de ruído onde for possível e
(c) Agora, considere outro sistema passa-tudo cuja
indicando a potência de cada fonte de ruído em ter-
função de sistema seja
mos de σB2, a potência de uma única fonte de ruído
(z−1 − 13 )(z−1 − 2) de arredondamento.
H (z) = . (c) Indique os nós em seus diagramas de rede em que o
(1 − 13 z−1 )(1 − 2z−1 )
transbordamento pode ocorrer.
Determine e desenhe um diagrama de fluxo de si- (d) Especifique se a potência de ruído de saída do sis-
nais para o sistema com dois multiplicadores e três tema na forma direta II é ou não independente de
atrasos. r, enquanto a potência de ruído de saída na forma
6.45. Com a aritmética de precisão infinita, os diagramas de flu- direta I aumenta quando r → 1. Dê um argumento
xo mostrados na Figura P6.45 têm a mesma função de convincente que apoie a sua resposta. Tente respon-
z–1 z–1
Figura P6.48
nimos x̂[n] = x[n] + e[n] e ŷ[n] = y[n] + f [n], sendo (f) Se você escolhe a forma direta ou a implementação
e[n] o erro de digitalização introduzido pelo conver- em cascata para o item (c), ainda existe pelo menos
sor A/D e f [n] o ruído de digitalização total na saída mais uma alternativa de projeto:
do filtro. (i) Se você escolhesse a forma direta, também po-
(a) Determine a magnitude máxima de x̂[n] tal que ne- deria usar uma forma direta transposta.
nhum transbordamento possa possivelmente ocorrer (ii) Se você escolhesse a forma em cascata, po-
na implementação do filtro digital; isto é, determine deria implementar primeiro o polo menor ou
xmáx tal que ŷ [n] < 1 para todo −∞ < n < ∞ quando primeiro o polo maior.
x̂[n] < xmáx para todo −∞ < n < ∞. Para o sistema escolhido no item (c), qual alterna-
(b) Desenhe o modelo de ruído linear para o sistema tiva (se houver) tem menor potência de ruído de
completo (incluindo o modelo de ruído linear do digitalização na saída? Note que você não precisa
A/D). Inclua um diagrama de fluxo detalhado para calcular explicitamente a potência do ruído de digi-
o filtro digital, incluindo todas as fontes de ruído talização de saída total, mas você precisa justificar
decorrentes da digitalização. sua resposta com alguma análise.
(c) Determine a potência de ruído total na saída. Indi- 6.51. Neste problema, desenvolveremos algumas das pro-
que isso como σ2f . priedades de uma classe dos sistemas de tempo discreto
(d) Determine o espectro de potência do ruído na saída chamadas de filtros de amostragem de frequência. Essa
do filtro; isto é, determine Φf f (ejω). Faça um gráfico classe de filtros tem funções de sistema na forma
do seu resultado. N−1
H̃[k]/N
H (z) = (1 − z−N ) · ,
1 − zkz−1
k=0
Problemas de extensão
em que zk = ej(2π/N)k para k = 0, 1, ..., N − 1.
6.50. Neste problema, consideramos a implementação de um (a) As funções de sistema como H(z) podem ser im-
filtro causal com função de sistema plementadas como uma cascata de um sistema FIR
1 cuja função de sistema é (1−z−N) com uma combi-
H (z) = nação paralela de sistemas IIR de primeira ordem.
(1 − 0,63z−1 )(1 − 0,83z−1 )
Desenhe o diagrama de fluxo de sinais dessa imple-
1 mentação.
=
1 − 1,46z−1 + 0,5229z−2 (b) Mostre que H(z) é um polinômio de grau (N − 1)
em z−1. Para fazer isso, é preciso mostrar que H(z)
Esse sistema deve ser implementado com aritmética de não tem polos além de z = 0 e que ela não tem po-
arredondamento em complemento de dois com (B + 1) tências de z−1 maiores do que (N − 1). O que essas
bits, com produtos arredondados antes que as adições condições implicam sobre o comprimento da res-
sejam realizadas. A entrada do sistema é um processo posta ao impulso do sistema?
aleatório estacionário em sentido amplo, branco, com (c) Mostre que a resposta ao impulso é dada pela ex-
média nula, com valores distribuídos uniformemente pressão
entre −xmáx e +xmáx.
N−1
(a) Desenhe a implementação do diagrama de fluxo na 1
forma direta para o filtro, com todos os multiplica- h[n] = H̃[k]ej ( 2π/N)kn (u[n] − u[n − N]).
N
dores por coeficiente arredondados para o décimo k=0
mais próximo. Dica: Determine as respostas ao impulso das partes
(b) Desenhe uma implementação do diagrama de flu- FIR e IIR do sistema e reúna-as para determinar a
xo desse sistema como uma cascata de dois siste- resposta ao impulso global.
mas de primeira ordem, com todos os multiplica- (d) Use a regra de l’Hôpital para mostrar que
dores por coeficiente arredondados para o décimo
mais próximo. H(zm) = H(ej(2π/N)m) = H̃ [m], m = 0, 1, . . . , N – 1;
(c) Somente uma das implementações dos itens (a) e isto é, mostre que as constantes H̃ [m] são amos-
(b) anteriores é usável. Qual delas? Explique. tras da resposta em frequência do sistema,
(d) Para evitar o transbordamento no nó de saída, te- H(ejω), em frequências igualmente espaçadas
mos de escolher cuidadosamente o parâmetro xmáx. ωm = (2π/N)m para m = 0, 1, ..., N − 1. É essa
Para a implementação selecionada no item (c), propriedade que justifica o nome dessa classe de
determine um valor para xmáx que garanta que a sistemas FIR.
saída permanecerá entre –1 e 1. (Ignore qualquer (e) Em geral, tanto os polos zk da parte IIR quanto
transbordamento em potencial nos nós diferentes as amostras da resposta em frequência H̃ [k] serão
da saída.) complexos. Porém, se h[n] for real, podemos obter
(e) Redesenhe o diagrama de fluxo selecionado no uma implementação que envolva apenas quanti-
item (c), e dessa vez inclua modelos de ruído linea- dades reais. Especificamente, mostre que, se h[n]
rizados que representem o erro de arredondamento é real e N é um inteiro par, então H(z) pode ser
de digitalização. expresso como
Considere que o comprimento de cada seção seja 3,4 cm, p(e) p(e)
1
com a velocidade do som no ar igual a 34.000 cm/s. De-
1
senhe um diagrama de fluxo que implemente o modelo
de quatro seções na Figura P6.53, com a saída amostrada
20.000 amostras/s.
Apesar da introdução extensa, este é um problema ra-
zoavelmente simples. Se você encontrar dificuldades em e – e
–
pensar em termos de tubos acústicos, pense em termos 2 2
de seções da linha de transmissão com diferentes impe- (a) (b)
dâncias características. Assim como nas linhas de trans-
missão, é difícil expressar a resposta ao impulso de forma Figura P6.54
fechada. Portanto, desenhe o diagrama de fluxo direta-
mente pelas considerações físicas, em termos de pulsos (a) Determine a média me e a variância σe2 para o ruído
viajantes progressivos e regressivos em cada seção. decorrente do arredondamento.
6.54. Na modelagem dos efeitos de arredondamento e trunca- (b) Determine a média me e a variância σe2 para o ruído
mento nas implementações de filtro digital, as variáveis decorrente do truncamento.
digitalizadas são representadas como 6.55. Considere um sistema LIT com duas entradas, como
mostrado na Figura P6.55. Sejam h1[n] e h2[n] as respos-
x̂[n] = Q[x[n]] = x[n] + e[n], tas ao impulso dos nós 1 e 2, respectivamente, à saída,
em que Q[·] indica ou arredondamento ou truncamento o nó 3. Mostre que, se x1[n] e x2[n] são não correlacio-
para (B + 1) bits e e[n], o erro de digitalização. Supomos nados, então suas saídas correspondentes y1[n] e y2[n]
que a sequência de ruído de digitalização seja uma se- também são não correlacionadas.
quência ruído branco estacionária tal que 6.56. Os diagramas de fluxo na Figura P6.56 têm todos a mes-
ma função de sistema. Suponha que os sistemas na figura
E {(e[n] − me)(e[n + m] − me)} = σe2 δ[m] sejam implementados usando aritmética de ponto fixo
e que as amplitudes dos valores da sequência de ruído de (B + 1) bits em todos os cálculos. Suponha também
são distribuídas uniformemente pelo passo de digitali- que todos os produtos sejam arredondados para (B + 1)
zação = 2−B. As densidades de probabilidade de pri- bits antes que as adições sejam realizadas.
meira ordem para arredondamento e truncamento são (a) Desenhe modelos de ruído linear para cada um dos
mostradas nas figuras P6.54(a) e (b), respectivamente. sistemas da Figura P6.56.
x2 [n]
2
3
x1 [n] 1 y[n] = y1 [n] + y2 [n]
Rede
Figura P6.55
b0 b0
x [n] y [n] x [n] y [n]
z–1 z–1
a b1 b1 a
(a) (b)
x [n] b0 y[n]
z–1 z–1
b1 a
(c)
Figura P6.56
(b) Dois dos diagramas de fluxo na Figura P6.56 têm talizado e não digitalizado para 0 ≤ n ≤ 5. Como as
a mesma potência de ruído de saída total devido respostas se comparam a um n grande?
ao arredondamento aritmético. Sem calcular expli- (c) Agora, considere o sistema representado na Figura
citamente a potência do ruído de saída, determine P6.57-2, sendo
quais são os dois que possuem a mesma potência de
1 n
ruído de saída. x[n] = 2 (−1) , n ≥ 0,
(c) Determine a potência do ruído de saída para cada 0, n < 0.
um dos diagramas de fluxo na Figura P6.56. Expres- Repita os itens (a) e (b) para esse sistema e essa entrada.
se sua resposta em termos de σB2, a potência de uma
única fonte de ruído de arredondamento. x[n] y[n]
6.57. O diagrama de fluxo de um sistema de primeira ordem é z–1
mostrado na Figura P6.57-1. 1
4
x [n] y [n]
z–1 Figura P6.57-2
1
4 6.58. Um sistema LIT causal tem uma função de sistema
1
Figura P6.57-1 H (z) = .
1 − 1,04z−1 + 0,98z−2
(a) Considerando a aritmética de precisão infinita, de- (a) Esse sistema é estável?
termine a resposta do sistema para a entrada (b) Se os coeficientes forem arredondados para o déci-
1 mo mais próximo, o sistema resultante é estável?
x[n] = 2 , n ≥ 0,
0, n < 0. 6.59. Quando implementados com aritmética de precisão infi-
nita, os diagramas de fluxo na Figura P6.59 têm a mesma
Qual é a resposta do sistema para um n grande? função de sistema.
Agora suponha que o sistema seja implementado (a) Mostre que os dois sistemas têm a mesma função de
com aritmética de ponto fixo. O coeficiente e todas sistema global da entrada x[n] até a saída y[n].
as variáveis no diagrama de fluxo são representados (b) Suponha que os sistemas anteriores sejam imple-
na notação de sinal e magnitude com registradores mentados com aritmética de ponto fixo em comple-
de 5 bits. Isto é, todos os números devem ser consi- mento de dois e que os produtos sejam arredonda-
derados frações com sinal representadas como dos antes que as adições sejam realizadas. Desenhe
b 0b 1b 2b 3b 4, diagramas de fluxo de sinais que inserem fontes de
ruído de arredondamento em locais apropriados nos
em que b0, b1, b2, b3 e b4 são 0 ou 1, e diagramas de fluxo de sinais da Figura P6.59.
|Valor do registrador| = b12−1 + b22−2 + b32−3 + b42−4. (c) Indique os nós em seu diagrama do item (b) em que
o transbordamento pode ocorrer.
Se b0 = 0, a fração é positiva, e se b0 = 1, a fração é (d) Determine a amplitude máxima das amostras de
negativa. O resultado de uma multiplicação de um entrada tal que o transbordamento não possa ocor-
valor de sequência por um coeficiente é truncado rer em nenhum dos dois sistemas.
antes que ocorram adições; isto é, apenas o bit de (e) Suponha que |a| < 1. Determine a potência total de
sinal e os quatro bits mais significativos são retidos. ruído na saída de cada sistema e determine o valor
(b) Calcule a resposta do sistema digitalizado à entrada máximo de |a| tal que a Rede 1 tenha menor potên-
no item (a) e esboce as respostas dos sistemas digi- cia de ruído de saída do que a Rede 2.
x [n] y [n]
z –8 z –1
–a8 a
Rede 1
z –1 z –1 z –1 z –1 z –1 z –1 z –1
x [n]
1 a a2 a3 a4 a5 a6 a7
y [n]
Rede 2
Figura P6.59
1 − δp2
δs
T T
0 ωp ωs π ω
Figura 7.2 Sistema básico para filtragem em tempo discreto de si-
Figura 7.1 Diagrama de tolerâncias de um filtro passa-baixas. nais de tempo contínuo.
um sistema de tempo contínuo. Mostramos que a inva- usado na configuração básica da Figura 7.2, o período de
riância ao impulso fornece um meio direto de calcular amostragem Td do projeto não precisa ser o mesmo perío-
amostras da saída de um sistema de tempo contínuo de do de amostragem T associado às conversões C/D e D/C.
banda limitada para sinais de entrada de banda limita- Quando a invariância ao impulso é usada como
da. Em alguns contextos, é particularmente apropriado um meio para projetar um filtro de tempo discreto com
e conveniente projetar um filtro de tempo discreto pela uma resposta em frequência especificada, estamos es-
amostragem da resposta ao impulso de um filtro de tem- pecialmente interessados na relação entre as respostas
po contínuo. Por exemplo, se o objetivo global é simular em frequência dos filtros de tempo discreto e de tempo
um sistema de tempo contínuo em uma configuração de contínuo. Como consequência da discussão sobre amos-
tempo discreto, poderíamos tipicamente executar a si- tragem no Capítulo 4, segue que a resposta em frequên-
mulação na configuração da Figura 7.2, com o projeto do cia do filtro de tempo discreto obtido pela Equação 7.2
sistema de tempo discreto de modo que sua resposta ao está relacionada com a resposta em frequência do filtro
impulso corresponda a amostras do filtro de tempo con- de tempo contínuo por
tínuo a ser simulado. Em outros contextos, pode ser de- ∞
sejável manter, em uma configuração de tempo discreto, ω 2π
H (ej ω ) = Hc j +j k . (7.3)
certas características do domínio do tempo de filtros de Td Td
k=−∞
tempo contínuo bem desenvolvidos, como o sobressinal Se o filtro de tempo contínuo for limitado em ban-
no domínio de tempo desejável, compactação da ener- da, de modo que
gia, ondulação controlada no domínio de tempo, e assim
por diante. Como alternativa, no contexto de projeto de Hc(j) = 0, || ≥ π/Td, (7.4)
filtro, podemos pensar na invariância ao impulso como então
um método para obtermos um sistema de tempo discreto
ω
cuja resposta em frequência é determinada pela resposta H (ej ω ) = H c j , |ω| ≤ π; (7.5)
em frequência de um sistema de tempo contínuo. Td
No procedimento de projeto por invariância ao isto é, as respostas em frequência de tempo discreto e
impulso para transformar filtros de tempo contínuo em tempo contínuo estão relacionadas por uma mudança
filtros de tempo discreto, a resposta ao impulso do filtro de escala linear do eixo de frequências, a saber, ω = Td
de tempo discreto é escolhida proporcional a amostras para |ω| < π. Infelizmente, nenhum filtro de tempo con-
igualmente espaçadas da resposta ao impulso do filtro tínuo prático pode ser de banda limitada e, consequen-
de tempo contínuo; ou seja, temente, ocorre interferência entre termos sucessivos
na Equação 7.3, causando aliasing, como ilustrado na
h[n] = Td hc(nTd), (7.2)
Figura 7.3. Porém, se a resposta em frequência do fil-
em que Td representa um intervalo de amostragem. Con- tro de tempo contínuo se aproxima de zero nas altas
forme veremos mais adiante, como começamos o proble- frequências, o aliasing pode ser insignificantemente pe-
ma de projeto com as especificações do filtro de tempo queno, e um filtro de tempo discreto útil pode resultar
discreto, o parâmetro Td na Equação 7.2 de fato não tem da amostragem da resposta ao impulso de um filtro de
papel algum no processo de projeto ou no filtro de tem- tempo contínuo.
po discreto resultante. Porém, como é comum especifi- Quando o procedimento de projeto pela inva-
car esse parâmetro na definição do procedimento, nós o riância ao impulso é usado para utilizar procedimentos
incluímos na discussão a seguir. Mesmo que o filtro seja de projeto de filtro de tempo contínuo para o projeto de
Hc j T
d
1
H (e j)
1
–2 2
um filtro de tempo discreto com especificações de res- A resposta ao impulso do filtro de tempo discreto
posta em frequência dadas, as especificações de filtro de causal obtido pela amostragem de Tdhc(t) é
tempo discreto são transformadas primeiro em especi- N
ficações de filtro de tempo contínuo por meio da Equa- h[n] = Td hc (nTd ) = Td AkesknTd u[n]
ção 7.5. Supondo que o aliasing envolvido na transfor- k= 1
mação de Hc(j) em H(ejω) é desprezível, obtemos as (7.9)
N
especificações de Hc(j) aplicando a relação = Td Ak(eskTd )n u[n].
= ω/Td (7.6) k= 1
A função de sistema do filtro de tempo discreto
para obter as especificações do filtro de tempo contí- causal é, portanto, dada por
nuo a partir das especificações de H(ejω). Depois de
N
obter um filtro de tempo contínuo que atende a essas Td Ak
H (z) = . (7.10)
especificações, o filtro de tempo contínuo com função 1 − eskTd z− 1
k= 1
de sistema Hc(s) é transformado no filtro de tempo
Comparando-se as equações 7.7 e 7.10, observamos
discreto desejado com função de sistema H(z). De-
que um polo em s = sk no plano s se transforma em um
senvolvemos os detalhes algébricos da transformação
polo em z = eskTd no plano z e os coeficientes nas ex-
de Hc(s) em H(z) a seguir. Antes, note, porém, que
pansões em frações parciais de Hc(s) e H(z) são iguais,
na transformação de volta para a frequência de tem-
exceto por um fator escalar Td. Se o filtro causal de tem-
po discreto, H(ejω) estará relacionada a Hc(j) pela
po contínuo for estável, o que corresponde à parte real
Equação 7.3, que novamente aplica a transformação
de sk ser menor do que zero, então a magnitude de eskTd
da Equação 7.6 ao eixo das frequências. Como conse-
será menor do que a unidade, de modo que o polo cor-
quência, o parâmetro de “amostragem” Td não pode
respondente no filtro de tempo discreto estará no in-
ser usado para controlar o aliasing. Como as especifi-
terior do círculo unitário. Portanto, o filtro de tempo
cações básicas estão em termos da frequência de tem-
discreto causal também é estável. Embora os polos no
po discreto, se a taxa de amostragem for aumentada
plano s sejam mapeados em polos no plano z de acordo
(ou seja, se Td for tomado menor), então a frequência
com a relação zk = eskTd, é importante reconhecer que
de corte do filtro de tempo contínuo precisa aumen-
o procedimento de projeto pela invariância ao impulso
tar proporcionalmente. Na prática, para compensar o
não corresponde a um mapeamento simples do plano s
aliasing que pode ocorrer na transformação de Hc(j)
no plano z por essa relação. Em particular, os zeros na
em H(ejω), o filtro de tempo contínuo pode ser de al-
função de sistema de tempo discreto são uma função
guma forma superdimensionado, isto é, projetado para
dos polos eskTd e dos coeficientes Td Ak na expansão em
exceder as especificações, particularmente na faixa
frações parciais e, em geral, eles não serão mapeados da
de rejeição.
mesma forma que os polos. Ilustramos o procedimen-
Embora a transformação da invariância ao impul- to de projeto pela invariância ao impulso de um filtro
so de tempo contínuo para tempo discreto seja definida passa-baixas com o exemplo a seguir.
em termos da amostragem no domínio do tempo, é fácil
implementá-la como uma transformação da função de
sistema. Para deduzir essa transformação, consideramos Exemplo 7.2 Invariância ao impulso com um filtro
a função de sistema de um filtro de tempo contínuo Butterworth
causal expresso em termos de uma expansão em frações Neste exemplo, consideramos o projeto de um filtro de
parciais, de modo que1 tempo discreto passa-baixas aplicando a invariância ao
N impulso a um filtro de tempo contínuo apropriado. A clas-
Ak se de filtros que escolhemos para este exemplo é chamada
H c (s) = . (7.7)
s − sk de filtros Butterworth, que discutiremos com mais deta-
k=1
lhes na Seção 7.3 e no Apêndice B.2 As especificações para
A resposta ao impulso correspondente é o filtro de tempo discreto correspondem ao ganho na faixa
de passagem entre 0 dB e –1 dB e atenuação na faixa de
N rejeição de pelo menos −15 dB, isto é,
Akeskt , t ≥ 0,
hc (t) = (7.8) 0,89125 ≤ |H(ejω)| ≤ 1, 0 ≤ |ω| ≤ 0,2π, (7.11a)
k=1
0, t < 0. |H(ejω)| ≤ 0,17783, 0,3π ≤ |ω| ≤ π. (7.11b)
1 Por simplicidade, assumimos na discussão que todos os polos de H(s) são simples. No Problema 7.41, consideramos as modificações requeridas
para polos múltiplos.
2 Os filtros Butterworth e Chebyshev de tempo contínuo são discutidos no Apêndice B.
Como o parâmetro Td se cancela no procedimento de inva- serão excedidas. Isso permite uma margem para o aliasing
riância ao impulso, podemos simplesmente escolher Td = 1, no filtro de tempo discreto. Com (c = 0,7032) e com
de modo que ω = . No Problema 7.2, este mesmo exemplo N = 6, os 12 polos da função de magnitude ao quadra-
é considerado, mas com o parâmetro Td incluído explicita- do Hc(s)Hc(−s) = 1/[1+(s/jc)2N] são distribuídos uni-
mente para ilustrar como e onde ele se cancela. formemente em ângulo em uma circunferência de raio
No projeto de filtro aplicando a invariância ao impulso (c = 0,7032), como indicado na Figura 7.4. Consequente-
a um filtro Butterworth de tempo contínuo, primeiro te- mente, os polos de Hc(s) são os três pares de polos no semi-
mos de transformar as especificações de tempo discreto plano esquerdo do plano s com as seguintes coordenadas:
em especificações do filtro de tempo contínuo. Para este
exemplo, consideraremos desprezível o efeito do aliasing Par de polos 1: −0,182 ± j (0,679),
na Equação 7.3. Depois que o projeto estiver concluído, Par de polos 2: −0,497 ± j (0,497),
poderemos verificar se a resposta em frequência resultan- Par de polos 3: −0,679 ± j (0,182).
te atende às especificações nas equações 7.11(a) e (b). Portanto,
Com as considerações anteriores, queremos projetar um
0,12093
filtro Butterworth de tempo contínuo com função de mag- Hc(s)=
nitude |Hc(j)| para a qual (s2 + 0,3640s + 0,4945)(s2 + 0,9945s+ 0,4945)(s2 + 1,3585s+ 0,4945)
|Hc(j)| ≤ 0,17783, 0,3π ≤ || ≤ π. (7.12b) Se expressarmos Hc(s) como uma expansão em frações par-
ciais, realizarmos a transformação da Equação 7.10 e depois
Como a resposta em magnitude de um filtro Butterworth combinarmos os termos complexos conjugados, a função de
analógico é uma função monotônica da frequência, as sistema resultante do filtro de tempo discreto será
equações 7.12(a) e 7.12(b) serão satisfeitas se Hc(j 0) = 1,
0,2871 − 0,4466z−1
|Hc(j 0,2π)| ≥ 0,89125 (7.13a) H (z) = +
1 − 1,2971z−1 + 0,6949z−2
e
−2,1428 + 1,1455z−1
|Hc(j 0,3π)| ≤ 0,17783. (7.13b) + + (7.17)
1 − 1,0691z−1 + 0,3699z−2
A função de magnitude ao quadrado de um filtro Butter-
worth tem a forma 1,8557 − 0,6303z−1
+ .
1 − 0,9972z−1 + 0,2570z−2
1
|2 =
2N (7.14)
|H c , Como é evidente pela Equação 7.17, a função de sistema
1+ c)
resultante do procedimento de projeto pela invariância ao
de modo que o processo de projeto de filtro consiste em impulso pode ser realizada diretamente na forma paralela.
determinar os parâmetros N e c para atender às especi- Se a forma em cascata ou a direta for desejada, os termos
ficações desejadas. Usar a Equação 7.14 nas equações 7.13 de segunda ordem separados são primeiro combinados de
com igualdades leva às equações maneira apropriada.
As funções resposta em frequência do sistema de tempo
0,2π 2N 1 2
discreto são mostradas na Figura 7.5. O filtro de tempo
1+ = (7.15a)
c 0,89125 contínuo prototípico foi projetado para atender exatamen-
e te às especificações na extremidade da faixa de passagem
e exceder as especificações na extremidade da faixa de
0,3π 2N 1 2
1+ = . (7.15b)
c 0,17783
0,6
resposta ao degrau em tempo contínuo. Se o filtro de
tempo contínuo tiver boas características de resposta
0,4 ao degrau, como um tempo de subida curto e baixo pico
de sobressinal, essas características serão preservadas
0,2
no filtro de tempo discreto. Claramente, esse conceito
de invariância à forma de onda pode ser estendido à
0 0,2π 0,4π 0,6π 0,8π π
preservação da forma de onda de saída para uma va-
Frequência em radianos (ω)
(b) riedade de entradas, como ilustrado no Problema 7.1.
12 No problema é apontado o fato de que transformar o
mesmo filtro de tempo contínuo por invariância ao im-
10
pulso e também pela invariância ao degrau (ou algum
8 outro critério de invariância à forma de onda) não leva
ao mesmo filtro de tempo discreto nos dois casos.
Amostras
ωs
2
tg
banda limitada.
Td
Td
s = 2
H(e jω)
2πα
Td
πα
Td
–2π –π π 2π ω
– α ω
– πα Td
Td
– 2α tg
ω
Td 2
– 2πα
Td
Figura 7.9 Exemplo do efeito da transformação bilinear em uma característica de fase linear. (A linha tracejada é a fase linear, e a linha sólida
é a fase resultante da transformação bilinear.)
sumimos brevemente as características dessas três clas- mitidas nas faixas de passagem e de rejeição serão as
ses de filtros de tempo contínuo. As fórmulas fechadas mesmas para os filtros de tempo discreto e tempo contí-
de projeto associadas tornam o procedimento de pro- nuo, pois o mapeamento bilinear distorce apenas o eixo
jeto relativamente direto. Como discutimos no Apên- da frequência, e não a escala da amplitude. No uso de
dice B, a magnitude da resposta em frequência de um um pacote de projeto de filtro de tempo discreto como
filtro de tempo contínuo Butterworth é monotônica nas aqueles encontrados no MATLAB e no LabVIEW, as
faixas de passagem e de rejeição. Um filtro Chebyshev entradas típicas seriam as tolerâncias desejadas e as
de Tipo I tem uma resposta em frequência com ondu- frequências críticas de tempo discreto. O programa de
lações simétricas (equiripple) na faixa de passagem e projeto trata implícita ou explicitamente de quaisquer
varia monotonicamente na faixa de rejeição. Um filtro deformações prévias necessárias nas frequências.
Chebyshev de Tipo II é monotônico na faixa de passa- Antes de ilustrar essas classes de filtros com vários
gem e equiripple na faixa de rejeição. Um filtro elíptico exemplos, vale a pena comentar algumas características
é equiripple na faixa de passagem e na de rejeição. Cla- gerais que podem ser esperadas. Notamos anteriormente
ramente, essas propriedades serão preservadas quando que esperamos que as respostas em frequência dos filtros
o filtro for mapeado em um filtro digital com a transfor- Butterworth, Chebyshev e elíptico retenham as caracte-
mação bilinear. Isso é ilustrado pela aproximação tra- rísticas de monotonicidade e ondulações dos filtros de
cejada mostrada na Figura 7.8. Os filtros resultantes da tempo contínuo correspondentes. O filtro Butterworth
aplicação da transformação bilinear a essas classes de passa-baixas de tempo contínuo de ordem N possui N
filtros de tempo contínuo, conhecidas respectivamente zeros em = ∞. Como a transformação bilinear mapeia
como filtros Butterworth, Chebyshev e elíptico de tem- s = ∞ em z = −1, esperaríamos que qualquer projeto
po discreto, tornaram-se, de modo similar, muito usados Butterworth utilizando a transformação bilinear resul-
como filtros de tempo discreto seletivos em frequência. tasse em N zeros em z = –1. O mesmo também se aplica
Como um primeiro passo no procedimento de ao filtro passa-baixas Chebyshev de Tipo I.
projeto para qualquer uma dessas classes de filtros, as
frequências críticas, ou seja, as frequências das extre- 7.3.1 Exemplos de projetos de filtros IIR
midades das faixas, devem ser previamente deformadas Na discussão a seguir, apresentamos uma série de
para as frequências de tempo contínuo usando a Equa- exemplos para ilustrar o projeto de filtros IIR. A finali-
ção 7.26, de modo que a distorção de frequência ineren- dade do Exemplo 7.3 é ilustrar as etapas no projeto de
te à transformação bilinear mapeará as frequências de um filtro Butterworth usando a transformação bilinear,
tempo contínuo de volta para as frequências de tempo em comparação com o uso da invariância ao impulso.
discreto corretas. Essa deformação prévia será ilustrada No Exemplo 7.4 é apresentado um conjunto de exem-
em mais detalhes no Exemplo 7.3. As tolerâncias per- plos comparando os projetos de filtros Butterworth,
dB
−20
Papoulis, 1957) que, para valores fixos de δp1, δp2, δs, ωp −30
Amplitude
gião da faixa de rejeição da circunferência unitária. Es-
0,98
sas propriedades dos filtros Butterworth, Chebyshev e
elípticos são ilustradas pelo exemplo a seguir. 0,96
Note que as especificações são apenas das magnitudes das Para um projeto Chebyshev de Tipo I, a ordem de filtro
respostas em frequência. A fase é implicitamente determi- mínima é 7. A magnitude da resposta em frequência e o
nada pela natureza das funções de aproximação. atraso de grupo resultantes, e o diagrama de polos e zeros
Usando o programa de projeto de filtro, determina-se que, correspondente são mostrados na Figura 7.13. Como espe-
para um projeto Butterworth, a ordem do filtro mínima rado, todos os zeros da função de transferência estão em
(inteira) que atende ou excede às especificações dadas é z = –1, e a magnitude da resposta em frequência é equiripple
15. A magnitude da resposta em frequência, o atraso de na faixa de passagem e monotônica na faixa de rejeição.
grupo e o diagrama de polos e zeros resultantes são mos- Para um projeto Chebyshev de Tipo II, a ordem de filtro
trados na Figura 7.12. Como esperado, todos os zeros do mínima é novamente 7. A magnitude da resposta em fre-
filtro Butterworth estão em z = −1. quência, o atraso de grupo e o diagrama de polos e zeros
10 10
0 0
−10 −10
dB
dB
−20 −20
−30 −30
−40 −40
−50 −50
0 π/4 π/2 3π/4 π 0 π/4 π/2 3π/4 π
Frequência, ω Frequência, ω
(a) (a)
1 1
Amplitude
Amplitude
0,98 0,98
0,96 0,96
20 20
Amostras
Amostras
15 15
10 10
5 5
0 0
0 π/4 π/2 3π/4 π 0 π/4 π/2 3π/4 π
Frequência, ω Frequência, ω
(c) (c)
Im Plano z Im Plano z
Re Re
(d) (d)
Figura 7.13 Filtro Chebyshev de Tipo I de ordem 7. Figura 7.14 Filtro Chebyshev de Tipo II de ordem 7.
resultantes são mostrados na Figura 7.14. Novamente, o projeto Butterworth, uma vantagem significativa pode
como esperado, a magnitude da resposta em frequência é ser tirada do fato de que todos os zeros ocorrem em z =
monotônica na faixa de passagem e equiripple na faixa de –1. Isso não acontece com o filtro Chebyshev II. Conse-
rejeição. Os zeros da função de transferência ficam dispos- quentemente, em uma implementação do filtro, o projeto
tos na circunferência unitária na faixa de rejeição. Chebyshev II exigirá mais multiplicações do que o proje-
Na comparação dos projetos Chebyshev I e Chebyshev to Chebyshev I. Para o projeto Butterworth, embora seja
II, é relevante notar que, para ambos, a ordem do polinô- possível tirar vantagem dos zeros agrupados em z = –1, a
mio do denominador na função de transferência corres- ordem do filtro é mais do que o dobro dos projetos Cheby-
pondente aos polos é 7, e a ordem do polinômio no nu- shev e, consequentemente, exige mais multiplicações.
merador também é 7. Na implementação da equação de Para que o projeto de um filtro elíptico atenda às espe-
diferenças tanto para o projeto Chebyshev I quanto para cificações dadas, um filtro da ordem de pelo menos 5 é
requerido. Na Figura 7.15 mostra-se o projeto resultante. zar o ganho na faixa de rejeição. O filtro resultante, que
Assim como nos exemplos anteriores, no projeto de um alcança 43 dB de atenuação na faixa de rejeição, é mos-
filtro com especificações dadas, é provável que as especi- trado na Figura 7.16. Como alternativa, a flexibilidade
ficações mínimas sejam excedidas, pois a ordem do filtro é adicional pode ser usada para estreitar a faixa de tran-
necessariamente um inteiro. Dependendo da aplicação, o sição ou reduzir o desvio do ganho de 0 dB na faixa de
projetista pode escolher quais das especificações atendem passagem. Novamente como esperado, a resposta em fre-
exatamente e quais excedem. Por exemplo, no caso do pro- quência do filtro elíptico é equiripple nas faixas de pas-
jeto de filtro elíptico, podemos escolher atender exatamen- sagem e de rejeição.
te às frequências das extremidades das faixas de passagem
e de rejeição e a variação na faixa de passagem, e minimi-
10
0
10
−10
0
−20
dB
−10
−30
−20
dB
−40
−30
−50
−40 0 π/4 π/2 3π/4 π
−50 Frequência, ω
0 π/4 π/2 3π/4 π (a)
Frequência, ω
(a)
1
Amplitude
1
0,98
Amplitude
0,98
0,96
15
10 Exemplo 7.5 E
xemplo de projeto para comparação
5 com projetos FIR
0 Neste exemplo, retornamos às especificações do Exemplo
0 π/4 π/2 3π/4 π
Frequência, ω 7.1 e ilustramos a realização da especificação desse filtro
(c) com projetos Butterworth, Chebyshev I, Chebyshev II e
elíptico. Os projetos são novamente executados usando o
Im Plano z programa de projeto de filtro do toolbox de processamen-
to de sinais do MATLAB. Na Seção 7.8.1, compararemos
Circunferência
esses projetos IIR com projetos FIR que possuem as mes-
unitária
mas especificações. Os programas de projeto típicos para
filtros FIR exigem que os limites de tolerâncias da faixa de
Re passagem na Figura 7.1 sejam especificados com δp1 = δp2,
enquanto para os filtros IIR tipicamente supõe-se que δp1
= 0. Consequentemente, para executar uma comparação
entre projetos IIR e FIR, pode ser necessária a execução
de uma renormalização das especificações das faixas de
passagem e de rejeição (veja, por exemplo, o Problema
(d)
7.3), como será feito no Exemplo 7.5.
As especificações do filtro passa-baixas de tempo discreto
Figura 7.15 Filtro elíptico de ordem 5 que excede as especifica-
conforme usadas neste exemplo são:
ções de projeto.
20
0,99 ≤ |H(ejω)| ≤ 1,01, |ω| ≤ 0,4π, (7.37a)
e 0
dB
δp1 = δp2 = 0,01, δs = 0,001, ωp = 0,4π e ωs = 0,6π. Mudar a
escala dessas especificações, de modo que δp1 = 0, corres- – 60
ponde a multiplicar escalarmente o filtro por 1/(1 + δp1)
– 80
obtendo-se: δp1 = 0, δp2 = 0,0198 e δs = 0,00099.
Os filtros primeiro são projetados com o programa de –100
0 0,2π 0,4π 0,6π 0,8π π
projeto de filtro com essas especificações, e os projetos Frequência em radianos (ω)
de filtro retornados pelo programa de projeto de fil- (a)
tro são então multiplicados escalarmente por um fator 1,010
de 1,01 para satisfazer as especificações nas equações
7.37(a) e (b). 1,005
Para as especificações neste exemplo, o método de apro-
Amplitude
ximação Butterworth requer um sistema de ordem 14. A
resposta em frequência do filtro de tempo discreto que 1,000
resulta da transformação bilinear do filtro Butterworth
previamente deformado apropriado é mostrada na Figura 0,995
7.17. Na Figura 7.17(a) é indicada a magnitude logarítmi-
ca em dB, na Figura 7.17(b) é apontada a magnitude de
H(ejω) apenas na faixa de passagem, e na Figura 7.17(c) 0,990
0 0,2π 0,4π 0,6π 0,8π π
é verificado o atraso de grupo do filtro. Por esses gráfi- Frequência em radianos (ω)
cos, vemos que, como esperado, a resposta em frequência (b)
Butterworth decresce monotonicamente com a frequên- 25
cia, e o ganho do filtro torna-se muito pequeno acima de
cerca de ω = 0,7π. 20
Ambos os projetos Chebyshev I e II levam à mesma
Amostras
– 40
dB
– 60
– 80
–100
0 0,2π 0,4π 0,6π 0,8π π
310 Processamento em tempo discreto de sinais Frequência em radianos (ω)
(a)
20 1,010
0
1,005
–20
Amplitude
–40 1,000
dB
–60
0,995
–80
–100 0,990
0 0,2π 0,4π 0,6π 0,8π π 0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω) Frequência em radianos (ω)
(a) (b)
1,010 25
20
1,005
Amplitude
Amostras
15
1,000
10
0,995
5
0,990 0
0 0,2π 0,4π 0,6π 0,8π π 0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω) Frequência em radianos (ω)
(b) (c)
25
Figura 7.19 (continuação) (b) Gráfico ampliado da magnitude na faixa
20
de passagem. (c) Atraso de grupo.
Amostras
15 Im Plano z
10 Zero
de Circunferência
ordem 8 unitária
5
0 Re
0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω)
(c)
Figura 7.18 Resposta em frequência do filtro Chebyshev de Tipo I de
ordem 8 do Exemplo 7.5. (a) Magnitude logarítmica em dB. (b) Gráfico
ampliado da magnitude na faixa de passagem. (c) Atraso de grupo.
(a)
20
Im Plano z
0
Circunferência
–20 unitária
–40
dB
–60 Re
–80
–100
0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω)
(a) (b)
1,010
Figura 7.19 Resposta em frequência do filtro Chebyshev de Tipo II de Figura 7.20 Diagrama de polos e zeros dos filtros Chebyshev de or-
ordem 8 do Exemplo 7.5. (a) Magnitude logarítmica em dB. dem 8 do Exemplo 7.5. (a) Tipo I. (b) Tipo II.
1,005
Amplitude
1,000
0,995
BOOK_oppen0512_BR.indb 310 1/15/13 6:32 PM
Capítulo 7 Técnicas de projeto de filtros 311
20 7.4 Transformações de frequência de
0 filtros IIR passa-baixas
–20 Nossa discussão e exemplos de projeto de filtro
IIR concentraram-se no projeto de filtros passa-baixas
–40 seletivos em frequência. Outros tipos de filtros seleti-
dB
–60
vos em frequência, como filtros passa-altas, passa-faixa,
rejeita-faixa e multibandas, são igualmente importan-
–80 tes. Assim como os filtros passa-baixas, essas outras
classes são caracterizadas por uma ou várias faixas de
–100
0 0,2π 0,4π 0,6π 0,8π π passagem e de rejeição, cada uma especificada pelas
Frequência em radianos (ω)
(a) frequências das extremidades das faixas de passagem
1,010 e de rejeição. Geralmente, o ganho de filtro desejado
é unitário nas faixas de passagem e zero nas faixas de
rejeição, mas, assim como com os filtros passa-baixas, as
1,005
especificações de projeto de filtro incluem limites de to-
Amplitude
1 + δ1
Re
1 − δ1
δ2
ω
ωp1 ωs1 ωs2 ωp2 π
Figura 7.22 Diagrama de polos e zeros do filtro elíptico de ordem 6
do Exemplo 7.5. Figura 7.23 Diagrama de tolerâncias para um filtro multibandas.
Os filtros seletivos em frequência dos tipos pas- Constantinides (1970) mostrou que a forma mais
sa-baixas, passa-altas, passa-faixa e rejeita-faixa po- geral da função G(z−1) que satisfaz todos os requisitos
dem ser obtidos a partir de um filtro de tempo discreto anteriores é
passa-baixas pelo uso de transformações muito simi- N
z−1 − αk
lares à transformação bilinear usada para transformar Z−1 = G(z−1 ) = ± . (7.43)
1 − αkz−1
funções de sistema de tempo contínuo em funções de k=1
sistema de tempo discreto. Para entender como isso é Pela nossa discussão sobre sistemas passa-tudo no
feito, suponha que seja dada uma função de sistema Capítulo 5, deve ficar claro que G(z−1) conforme dada
passa-baixas Hlp(Z) que queiramos transformar em na Equação 7.43 satisfaz a Equação 7.41, e pode ser facil-
uma nova função de sistema H(z), que tem caracte- mente mostrado que a Equação 7.43 mapeia o interior do
rísticas passa-baixas, ou passa-altas, ou passa-faixa ou círculo unitário do plano Z no interior do círculo unitário
rejeita-faixa quando calculada sobre a circunferência do plano z se, e somente se, |αk| < 1. Ao escolher valores
unitária. Note que associamos a variável complexa Z apropriados para N e para as constantes αk, uma varie-
com o filtro passa-baixas prototípico e a variável com- dade de mapeamentos pode ser obtida. O mais simples
plexa z com o filtro transformado. Depois, definimos é aquele que transforma um filtro passa-baixas em outro
um mapeamento do plano Z para o plano z na forma filtro passa-baixas com frequências das extremidades das
faixas de passagem e rejeição diferentes. Para esse caso,
Z−1 = G(z−1) (7.38)
z−1 − α
tal que Z−1 = G(z−1 ) = . (7.44)
1 − αz−1
H (z) = Hlp (Z) Z−1 =G(z−1 ) (7.39)
Se substituirmos Z = ejθ e z = ejω, obteremos
Em vez de expressar Z como uma função de z,
consideramos na Equação 7.38 que Z−1 é expresso como e−j ω − α
e−j θ = , (7.45)
uma função de z−1. Assim, de acordo com a Equação 1 − αe−j ω
7.39, para obter H(z) a partir de Hlp(z), substituímos Z−1 de onde concluímos que
em todo Hlp(Z) pela função G(z−1). Essa é uma repre-
sentação conveniente, pois Hlp(Z) normalmente é ex- (1 − α 2 ) sen θ
ω = arctg . (7.46)
pressa como uma função racional de Z−1. 2α + (1 + α 2 ) cos θ
Se Hlp(Z) é a função de sistema racional de um
Um gráfico dessa relação é mostrado na Figura
sistema causal e estável, naturalmente exigimos que a
7.24 para diferentes valores de α. Embora uma deforma-
função de sistema transformada H(z) seja uma função
ção da escala de frequências seja evidente na Figura 7.24
racional de z−1 e que o sistema também seja causal e
(exceto no caso α = 0, que corresponde a Z−1 = z−1),
estável. Isso coloca as seguintes restrições sobre a trans-
se o sistema original tiver uma resposta em frequência
formação Z−1 = G(z−1):
passa-baixas constante por partes com frequência de
1. G(z−1) deve ser uma função racional de z−1.
corte θp, então o sistema transformado provavelmente
2. O interior do círculo unitário no plano Z deverá terá uma resposta passa-baixas similar com frequência
ser mapeado para o interior do círculo unitário no
plano z.
3. A circunferência unitária do plano Z deverá ser
mapeada na circunferência unitária do plano z. 1
Sejam θ e ω as variáveis de frequência (ângulos) =−
2
no plano Z e no plano z, respectivamente, isto é, nas
respectivas circunferências unitárias Z = ejθ e z = ejω.
Então, para que a condição 3 seja válida, deve ser ver- =0
dadeiro que
2
–jω)
e−jθ = |G(e−jω)|ejjG(e , (7.40) 1
=
e, assim, 2
|G(e−jω)| = 1. (7.41)
0 p
Portanto, a relação entre as variáveis de frequência é 2
de corte ωp determinada pela escolha de α. Resolvendo Exemplo 7.6 Transformação de um filtro passa-
para α em termos de θp e ωp, obtemos -baixas em um filtro passa-altas
sen[(θp − ωp )/2]
α= . (7.47) Considere um filtro passa-baixas Chebyshev de Tipo I
sen[(θp + ωp )/2]
com função de sistema
Assim, para usar esses resultados a fim de obter
0,001836(1 + Z−1 )4
um filtro passa-baixas H(z) com frequência de corte ωp Hlp (Z) = .
(1 − 1,5548Z−1 + 0,6493Z−2 )(1 − 1,4996Z−1 + 0,8482Z−2 )
a partir de um filtro passa-baixas Hlp(Z) já disponível
com frequência de corte θp, usaríamos a Equação 7.47 (7.49)
para determinar α na expressão Esse sistema de ordem 4 foi projetado para atender às es-
pecificações
H (z) = Hlp (Z) Z−1 =(z−1 −α)/(1−αz−1 ) . (7.48)
0,89125 ≤ |Hlp(ejθ)| ≤ 1, 0 ≤ θ ≤ 0,2π, (7.50a)
(O Problema 7.51 explora como a transformação passa-
-baixas/passa-baixas pode ser usada na obtenção de |Hlp(ejθ)| ≤ 0,17783, 0,3π ≤ θ ≤ π. (7.50b)
uma estrutura em rede para um filtro com frequência
de corte variável para o qual a frequência de corte é A resposta em frequência desse filtro é mostrada na Fi-
determinada por um único parâmetro α.) gura 7.25.
As transformações de um filtro passa-baixas para Para transformar esse filtro em um filtro passa-altas com
frequência de corte da faixa de passagem ωp = 0,6π, obte-
filtros passa-altas, passa-faixa e rejeita-faixa podem ser
mos da Tabela 7.1
deduzidas de maneira similar. Essas transformações es-
tão resumidas na Tabela 7.1. Nas fórmulas de projeto, cos [(0,2π + 0,6π)/2]
α=− = −0,38197. (7.51)
assume-se que todas as frequências de corte estejam cos [(0,2π − 0,6π)/2]
entre zero e π radianos. No exemplo a seguir ilustra-se Assim, usando a transformação passa-baixa–passa-altas
o uso dessas transformações. indicada na Tabela 7.1, obtemos
Tabela 7.1 Transformações a partir de um protótipo filtro digital passa-baixas de frequência de corte θp para filtros
passa-altas, passa-faixa e rejeita-faixa.
θp −ωp
sen 2
z−1 − α α=
Passa-baixas Z−1 = sen
θ p +ω p
1 − az−1 2
ωp = frequência de corte desejada
θp +ωp
cos 2
z−1 + α α=−
Passa-altas Z−1 = − cos
θp −ωp
1 + αz−1 2
ωp = frequência de corte desejada
ωp2 +ωp1
cos 2
α= ωp2 −ωp1
2αk z−1 + k−1
z−2 − k+1 cos 2
k+1
Passa-faixa Z−1 = − ωp2 − ωp1 θp
k−1 z−2 − 2αk z−1 + 1 k = cotg tg
k+1 k+1 2 2
ωp1 = frequência de corte inferior desejada
ωp2 = frequência de corte superior desejada
ωp2 +ωp1
cos 2
α= ωp2 −ωp1
2α z−1 + 1−k
z−2 − 1+k cos 2
1+k
Rejeita-faixa Z−1 = ωp2 − ωp1 θp
1−k z−2 − 2α z−1 + 1 k = tg tg
1+k 1+k 2 2
ωp1 = frequência de corte inferior desejada
ωp2 = frequência de corte superior desejada
20 20
0 0
−20 −20
−40
dB
dB
−40
−60 −60
−80 −80
−100 −100
0 0,2π 0,4π 0,6π 0,8π π 0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω) Frequência em radianos (ω)
(a) (a)
1,2 1,2
1 1
0,8 0,8
Amplitude
Amplitude
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 0,2π 0,4π 0,6π 0,8π π 0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω) Frequência em radianos (ω)
(b) (b)
16 16
12 12
Amostras
Amostras
8 8
4 4
0 0
0 0,2π 0,4π 0,6π 0,8π π 0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω) Frequência em radianos (ω)
(c) (c)
Figura 7.25 Resposta em frequência do filtro passa-baixas Che- Figura 7.26 Resposta em frequência do filtro passa-altas Chebyshev
byshev de ordem 4. (a) Magnitude logarítmica em dB. (b) Magnitude. de ordem 4 obtido pela transformação de frequência. (a) Magnitude
(c) Atraso de grupo. logarítmica em dB. (b) Magnitude. (c) Atraso de grupo.
Como discutido na Seção 7.2, técnicas comumente Geralmente, podemos representar h[n] como o
utilizadas no projeto de filtros IIR evoluíram da aplica- produto da resposta ao impulso desejada por uma “ja-
ção de transformações de sistemas IIR de tempo con- nela” de duração finita w[n]; ou seja,
tínuo para sistemas IIR de tempo discreto. Por outro h[n] = hd[n]w[n], (7.56)
lado, as técnicas de projeto para filtros FIR são basea-
das na aproximação direta da resposta em frequência em que, para o truncamento simples, como na Equação
ou da resposta ao impulso desejada do sistema de tem- 7.55, a janela é a janela retangular
po discreto. 1, 0 ≤ n ≤ M,
O método mais simples de projeto de filtro FIR é w[n] = (7.57)
0, caso contrário.
chamado de método do janelamento. Esse método ge-
ralmente começa com uma resposta em frequência de- Concluímos pelo teorema da modulação, ou pelo
sejada ideal, que pode ser representada como janelamento (Seção 2.9.7), que
∞ 1 π
jω −j ωn H (ej ω ) = H d (ej θ )W (ej (ω −θ) )dθ. (7.58)
H d (e ) = hd [n]e , (7.53) 2π −π
n=−∞
Isto é, H(ejω) é a convolução periódica da respos-
em que hd[n] é a sequência de resposta ao impulso
ta em frequência ideal desejada com a transformada
correspondente, que pode ser expressa em termos de
de Fourier da janela. Assim, a resposta em frequência
Hd(ejω) como
H(ejω) será uma versão “espalhada” da resposta deseja-
1 π
da Hd(ejω). Na Figura 7.27(a) mostram-se funções típicas
hd [n] = H d (ej ω )ej ωn dω. (7.54)
2π −π Hd(ejθ) e W(ej(ω−θ)) em função de θ, como requerido na
Muitos sistemas idealizados são definidos por Equação 7.58.
respostas em frequência constantes por partes ou Se w[n] = 1 para todo n (isto é, se não há qual-
suaves por partes com descontinuidades nas extremi- quer truncamento), W(ejω) é um trem de impulsos pe-
dades entre as faixas. Como resultado, esses sistemas riódico com período 2π e, portanto, H(ejω) = Hd(ejω).
têm respostas ao impulso que são não causais e infini- Essa interpretação sugere que se w[n] for escolhido de
tamente longas. O método mais direto para obter uma modo que W(ejω) esteja concentrado em uma faixa
aproximação FIR para tais sistemas consiste em trun- de frequências estreita em torno de ω = 0, isto é, ele se
car a resposta ao impulso ideal por meio do processo aproximar de um impulso, então H(ejω) se “parecerá”
conhecido como janelamento. A Equação 7.53 pode com Hd(ejω), exceto nos lugares em que Hd(ejω) muda
ser entendida como uma representação por série de muito abruptamente. Consequentemente, a escolha
Fourier da resposta em frequência periódica Hd(ejω), da janela é governada pelo desejo de ter w[n] o mais
com a sequência hd[n] desempenhando o papel de curto possível em duração, de modo a minimizar os
coeficientes de Fourier. Assim, a aproximação de um cálculos na implementação do filtro, ao mesmo tempo
filtro ideal pelo truncamento da resposta ao impulso em que W(ejω) se aproxima de um impulso; ou seja,
ideal é idêntica ao problema da convergência da série queremos que W(ejω) seja altamente concentrado em
de Fourier, um assunto que tem sido muito estudado. frequência, de modo que a convolução da Equação
Um conceito particularmente importante dessa teoria 7.58 reproduza fielmente a resposta em frequência de-
é o fenômeno de Gibbs, que foi discutido no Exemplo sejada. Esses são requisitos incompatíveis, como pode
2.18. Na discussão a seguir, veremos como esse efeito ser visto no caso da janela retangular da Equação 7.57,
da convergência não uniforme se manifesta no proje- para a qual
to de filtros FIR. M
1 − e−j ω(M +1)
Um modo particularmente simples de obter um W (e j ω ) = e−j ωn = =
1 − e−j ω
filtro FIR causal a partir de hd[n] consiste em truncar n=0 (7.59)
hd[n], isto é, definir um novo sistema com resposta ao sen[ω(M + 1)/2]
= e−j ωM/ 2 .
impulso h[n] dada por4 sen(ω/2)
4 A notação para sistemas FIR foi estabelecida no Capítulo 5. Ou seja, M é a ordem do polinômio da função de sistema. Assim, (M + 1) é o com-
primento, ou duração, da resposta ao impulso. Muitas vezes na literatura, N é usado para o comprimento da resposta ao impulso de um filtro
FIR; porém, usamos N para denotar a ordem do polinômio do denominador na função de sistema de um filtro IIR. Assim, para evitar confusão
e manter a consistência ao longo do livro, consideraremos o comprimento da resposta ao impulso de um filtro FIR como (M + 1).
Hd (e j)
2
(a)
H(e j)
2
(b)
Figura 7.27 (a) Processo de convolução decorrente do truncamento da resposta ao impulso ideal. (b) Aproximação típica resultante do janela-
mento da resposta ao impulso ideal.
Um gráfico da magnitude da função sen[ω(M + tinuidade de Hd(ejθ) à medida que ω varia, a integral
1)/2]/sen(ω/2) é mostrado na Figura 7.28 para o caso de W(ej (ω−θ)) Hd(ejθ) oscilará à medida que cada lóbu-
M = 7. Note que W(ejω) para a janela retangular tem lo de W(ej(ω−θ)) passa pela descontinuidade. Esse re-
fase linear generalizada. À medida que M aumenta, a sultado é mostrado na Figura 7.27(b). Como a área sob
largura do “lóbulo principal” diminui. O lóbulo prin- cada lóbulo permanece constante com o aumento de
cipal geralmente é definido como a região entre os M, as oscilações ocorrerão mais rapidamente, mas não
primeiros cruzamentos por zero de ambos os lados da diminuem em amplitude quando M aumenta.
origem. Para a janela retangular, a largura do lóbulo Na teoria da série de Fourier, é bem conhecido que
principal é ωm = 4π/(M + 1). Porém, para a janela essa convergência não uniforme, o fenômeno de Gibbs,
retangular, os lóbulos laterais são grandes e, de fato, pode ser mitigada por meio do uso de um truncamen-
quando M aumenta, as amplitudes de pico do lóbulo to menos abrupto da série de Fourier. Decrescendo-se
principal e dos lóbulos laterais aumentam de forma a janela suavemente para zero em cada extremidade, a
que a área sob cada lóbulo é uma constante, enquanto altura dos lóbulos laterais pode ser diminuída; porém,
a largura de cada lóbulo diminui com M. Consequen- isso é obtido à custa de um lóbulo principal mais largo e,
temente, quando W(ej(ω−θ)) “desliza” por uma descon- assim, de uma transição mais larga na descontinuidade.
Pico
do
lóbulo
lateral
– 2 2 2
(M + 1) (M + 1)
m Largura
do lóbulo principal
7.5.1 Propriedades de janelas comumente utilizadas As janelas Bartlett, Hann, Hamming e Black-
Algumas janelas comumente utilizadas são mos- man receberam os nomes de seus criadores. A jane-
tradas na Figura 7.29. Essas janelas são definidas pelas la Hann está associada a Julius von Hann, meteoro-
seguintes equações: logista austríaco. O termo “hanning” foi usado por
Blackman e Tukey (1958) para descrever a operação
Retangular de aplicação dessa janela a um sinal e, desde então,
1, 0 ≤ n ≤ M, tornou-se o nome mais usado para a janela, com es-
w[n] = (7.60a) colhas variando entre “Hanning” e “hanning”. Existe
0, caso contrário
uma pequena variação na definição das janelas Bartlett
e Hann. Como as definimos, w[0] = w[M] = 0, de
Bartlett (triangular)
modo que seria razoável afirmar que, com essa defi-
nição, o comprimento da janela é na realidade apenas
2n/M, 0 ≤ n ≤ M/2, M par
w[n] = 2 − 2n/M, M/2 < n ≤ M, (7.60b) M – 1 amostras. Outras definições das janelas Bartlett
e Hann estão relacionadas às nossas definições por um
0, caso contrário
deslocamento de uma amostra e redefinição do com-
primento da janela.
Hann
Como será discutido no Capítulo 10, as janelas
0,5 − 0,5 cos(2πn/M), 0 ≤ n ≤ M, definidas na Equação 7.60 são comumente utilizadas
w[n] = (7.60c)
0, caso contrário em análise espectral, bem como para o projeto de fil-
tros FIR. Elas têm a propriedade desejável de que suas
transformadas de Fourier se concentram em torno de
Hamming
ω = 0 e possuem uma forma funcional simples que per-
0,54 − 0,46 cos(2πn/M), 0 ≤ n ≤ M, mite que sejam calculadas com facilidade. A transforma-
w[n] = (7.60d) da de Fourier da janela Bartlett pode ser expressa como
0, caso contrário
um produto de transformadas de Fourier das janelas
retangulares, e as transformadas de Fourier das outras
Blackman
janelas podem ser expressas como somas de transfor-
0,42 − 0,5 cos(2πn/M) + 0,08 cos(4πn/M), madas de Fourier da janela retangular da Equação 7.59
w[n] = 0 ≤ n ≤ M, (7.60e) deslocadas em frequência (Veja o Problema 7.43.).
0, caso contrário Um gráfico da função 20 log10 |W(ejω)| é mostrado
na Figura 7.30 para cada uma dessas janelas com M =
(Por conveniência, na Figura 7.29 mostram-se gráficos 50. A janela retangular claramente tem o lóbulo princi-
dessas janelas como funções de uma variável contínua; pal mais estreito e, portanto, para um dado comprimen-
porém, como especificado na Equação 7.60, a sequência to, deverá gerar as transições mais abruptas de H(ejω)
da janela é definida apenas para valores inteiros de n.) em uma descontinuidade de Hd(ejω). Porém, o primeiro
w[n] Retangular
1,0
Hamming
Hann
0,8 Blackman
Bartlett
0,6
0,4
0,2
n
0 M M
2
–40
7.5.2 Incorporação da fase linear generalizada
–60 No projeto de muitos tipos de filtros FIR, é dese-
–80 jável obter sistemas causais com uma resposta de fase
linear generalizada. Todas as janelas da Equação 7.60
–100
0 0,2π 0,4π 0,6π 0,8π π foram definidas em antecipação a essa necessidade. Es-
Frequência em radianos (ω) pecificamente, note que todas as janelas têm a proprie-
(b)
dade de que
0
w[M − n], 0 ≤ n ≤ M,
–20 w[n] = (7.61)
0, caso contrário;
20 log10 |W(e jω)|
–40
isto é, elas são simétricas em torno do ponto M/2. Como
–60 resultado, suas transformadas de Fourier têm a forma
–80 W(ejω) = We(ejω)e−jωM/2, (7.62)
–100
0 0,2π 0,4π 0,6π 0,8π π sendo We(ejω) uma função real e par de ω. Isso é ilustra-
Frequência em radianos (ω)
(c) do pela Equação 7.59. A convenção da Equação 7.61 leva
0 a filtros causais em geral e, se a resposta ao impulso de-
sejada também for simétrica em relação a M/2, isto é, se
–20
20 log10 |W(e jω)|
c
A resposta em frequência desejada é definida como –
e−j ωM/ 2 , |ω| < ωc ,
Hlp (ej ω ) = (7.69) m
0, ωc < |ω| ≤ π,
em que o fator de fase linear generalizada foi incorporado
na definição do filtro passa-baixas ideal. A resposta ao im-
We (e j( – ))
pulso ideal correspondente é
1 ωc −j ωM/2 j ωn sen [ωc(n−M/2)]
hlp [n]= e e dω = (7.70)
2π −ωc π(n− M/2)
para −∞ < n < ∞. É fácil mostrar que hlp[M − n] = hlp[n],
de modo que, se usarmos uma janela simétrica na equação
sen [ωc (n − M/2)]
h[n] = w[n], (7.71)
π(n − M/2)
Figura 7.31 Exemplo do tipo de aproximação obtido em uma descon-
então resultará um sistema de fase linear. tinuidade da resposta em frequência ideal.
1,2
0,9
Amplitude
β=0
0,6 β=3
β=6
0,3
0 5 10 15 20
Amostras
(a)
–25
β=0
–50
dB
β=3
β=6
–75
–100
0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω)
(b)
–25
M = 10
dB
–50 M = 20
M = 40
–75
–100
0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω)
(c)
Figura 7.32 (a) Janelas de Kaiser para β = 0, 3 e 6 e M = 20. (b) Transformadas de Fourier correspondentes às janelas em (a). (c) Transformadas
de Fourier das janelas de Kaiser com β = 6 e M = 10, 20 e 40.
(Lembre-se de que o caso β = 0 é a janela retangular A Equação 7.76 prevê M com um erro ±2 para
para a qual A = 21.) Além disso, Kaiser descobriu que, um grande intervalo de valores de ω e A. Assim,
para alcançar os valores prescritos de A e ω, M precisa com essas fórmulas, o método de projeto da janela de
satisfazer Kaiser requer quase nenhuma iteração ou tentativa e
A−8 erro. Os exemplos na Seção 7.6 esboçam e ilustram o
M= . (7.76) procedimento.
2,285
Relação da janela de Kaiser com outras janelas projetados com a janela de Kaiser. Essa fórmula seria
O princípio básico do método de projeto de janela é um indicador muito melhor da largura de transição para
truncar a resposta ao impulso ideal com uma janela de as outras janelas do que a largura do lóbulo principal
comprimento finito, como uma daquelas já discutidas dada na terceira coluna da tabela.
nesta seção. O efeito correspondente no domínio de fre- Na Figura 7.33, é feita uma comparação do máxi-
quência é que a resposta em frequência ideal é convoluí- mo erro de aproximação pela largura da transição para as
da com a transformada de Fourier da janela. Se o filtro várias janelas fixas e para a janela de Kaiser para dife-
ideal for um filtro passa-baixas, a descontinuidade em rentes valores de β. A linha tracejada obtida da Equa-
sua resposta em frequência é espalhada à medida que ção 7.76 mostra que a fórmula de Kaiser é uma repre-
o lóbulo principal da transformada de Fourier da janela sentação precisa do erro de aproximação em função da
se move pela descontinuidade no processo de convolu- largura de transição para a janela de Kaiser.
ção. Em uma primeira aproximação, a largura da banda
de transição resultante é determinada pela largura do 7.6 Exemplos de projetos de filtro FIR
lóbulo principal da transformada de Fourier da janela,
pelo método da janela de Kaiser
e as oscilações nas faixas de passagem e de rejeição são
determinadas pelos lóbulos laterais da transformada de Nesta seção, daremos vários exemplos que ilus-
Fourier da janela. Como as oscilações da faixa de passa- tram o uso da janela de Kaiser para obter aproximações
gem e de rejeição são produzidas pela integração dos ló- FIR para vários tipos de filtro, incluindo filtros passa-
bulos laterais da janela simétrica, as oscilações na faixa -baixas. Esses exemplos também servem para indicar
de passagem e de rejeição são aproximadamente iguais. algumas propriedades importantes dos sistemas FIR.
Além disso, em uma aproximação muito boa, os desvios
máximos na faixa de passagem e de rejeição não depen- 7.6.1 Filtro passa-baixas
dem de M e podem ser modificados apenas trocando-se Com o uso das fórmulas de projeto na janela de
a forma da janela usada. Isso é ilustrado pela fórmula Kaiser, é simples projetar um filtro passa-baixas FIR
de Kaiser, Equação 7.75, para o parâmetro da forma da para atender às especificações prescritas. O procedi-
janela, que é independente de M. As duas últimas colu- mento é o seguinte:
nas da Tabela 7.2 comparam a janela de Kaiser com as 1. Primeiro, as especificações precisam ser definidas.
janelas das Equações 7.60. A quinta coluna dá o parâme- Isso significa selecionar ωp e ωs desejados e o má-
tro de forma (β) da janela de Kaiser que gera o mesmo ximo erro de aproximação tolerável. Para o pro-
pico do erro de aproximação (δ) que a janela indicada jeto por janela, o filtro resultante terá o mesmo
na primeira coluna. A sexta coluna mostra a largura de erro de pico δ na faixa de passagem e na faixa de
transição correspondente (da Equação 7.76) para filtros rejeição. Para este exemplo, usamos as mesmas es-
−20
Kaiser1
Bartlett
−30 Kaiser2
Kaiser3
Erro de aproximação (dB)
−40
Kaiser4 Hanning
−50
Kaiser5 Hamming
−60
Kaiser6
−70 Kaiser7
Blackman
−80 Kaiser8
−90 Kaiser9
Figura 7.33 Comparação das janelas fixas com as janelas de Kaiser em uma aplicação de projeto de filtro passa-baixas (M = 32 e ωc = π/2).
(Observe que a designação “Kaiser 6” significa uma janela de Kaiser com β = 6 etc.)
Amplitude
2. A frequência de corte do filtro passa-baixas ideal
0,2
de base precisa ser encontrada. Devido à simetria
da aproximação na descontinuidade de Hd(ejω),
definimos 0
ωp + ωs
ωc = = 0,5π. – 0,2
2 0 10 20 30 40
3. Para determinar os parâmetros da janela de Número da amostra (n)
Kaiser, primeiro calculamos (a)
20
ω = ωs − ωp = 0,2π, A = −20 log10 δ = 60.
Substituímos essas duas quantidades nas equações 0
7.75 e 7.76 para obter os valores requeridos de β e –20
M. Para este exemplo, as fórmulas preveem
– 40
dB
β = 5,653, M = 37.
– 60
4. A resposta ao impulso do filtro é calculada usando
as equações 7.71 e 7.72. Obtemos – 80
Amplitude
− , −∞<n<∞.
π(n−M/2) π(n−M/2)
(7.80) 0,2
–0,2
7.6.3 Diferenciadores de tempo discreto
Como ilustrado no Exemplo 4.4, muitas vezes é
–0,4 de interesse obter amostras da derivada de um sinal de
–0,6 banda limitada a partir das amostras do próprio sinal.
0 10 20 30 Como a transformada de Fourier da derivada de um si-
Número da amostra (n)
nal de tempo contínuo é j vezes a transformada de
(a)
Fourier do sinal, concluímos que, para sinais de banda
20
limitada, um sistema de tempo discreto com resposta
0 em frequência (jω/T) para −π < ω < π (e que seja perió-
dico, com período 2π) gerará amostras de saída iguais às
–20
amostras da derivada do sinal de tempo contínuo. Um
–40 sistema com essa propriedade é chamado de diferencia-
dB
3 1
Amplitude
Amplitude
2 0
1 –1
0 –2
0 0,2π 0,4π 0,6π 0,8π π 0 1 2 3 4 5
Frequência em radianos (ω) Número da amostra (n)
(b) (a)
0,2 4
0,1 3
Amplitude
Amplitude
0 2
–0,1 1
–0,2 0
0 0,2π 0,4π 0,6π 0,8π π 0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω) Frequência em radianos (ω)
(c) (b)
0,08
Figura 7.38 Funções de resposta para diferenciador de tempo dis-
creto FIR de Tipo III. (a) Resposta ao impulso (M = 10). (b) Magnitude. 0,06
(c) Erro de aproximação para A0(ejω). 0,04
Amplitude
0,02
caso, a M/2 = 5 amostras de atraso. Na Figura 7.38(c)
0
mostra-se o erro de aproximação de amplitude
Ediff(ω) = ω − Ao(ejω), 0 ≤ ω ≤ 0,8π, (7.84) – 0,02
aproximação de amplitude extremamente boa. Em vez noção intuitiva é confirmada para sistemas FIR por um
de obter amostras da derivada do sinal de tempo contí- teorema a ser discutido mais adiante na seção.
nuo nos instantes de amostragem originais t = nT, obte- Na discussão a seguir, consideramos um procedi-
mos amostras da derivada nos instantes t = (n − 2,5)T. mento algorítmico particularmente eficiente e ampla-
Porém, em muitas aplicações, esse atraso não inteiro mente utilizado em projetos de filtros FIR com fase
pode não causar problemas, ou poderia ser compensa- linear generalizada. Embora consideremos em detalhes
do por outros atrasos não inteiros em um sistema mais apenas os filtros de Tipo I, indicamos onde é apropria-
complexo que envolvesse outros filtros de fase linear. do, como os resultados se aplicam a filtros de fase linear
generalizada de tipos II, III e IV.
7.7 Aproximações ótimas de filtros FIR No projeto de um filtro FIR de fase linear de Tipo
I causal, é conveniente considerar primeiro o projeto de
O projeto de filtros FIR pelo janelamento é simples
um filtro de fase zero, isto é, um para o qual
e bastante geral, embora tenha diversas limitações, como
discutido a seguir. Porém, muitas vezes queremos pro- he[n] = he[−n], (7.87)
jetar um filtro que seja o “melhor” que pode ser obtido
e depois inserir um atraso suficiente para torná-lo cau-
para determinado valor de M. Não tem sentido discutir
sal. Consequentemente, consideramos que he[n] satisfaz
essa questão na ausência de um critério de aproximação.
a condição da Equação 7.87. A resposta em frequência
Por exemplo, no caso do método do projeto pelo janela-
correspondente é dada por
mento, concluímos, pela teoria das séries de Fourier, que
a janela retangular fornece a melhor aproximação do L
jω
erro quadrático médio para uma resposta em frequência A e (e ) = he [n]e−j ωn, (7.88)
n=−L
desejada para determinado valor de M. Isto é,
sendo L = M/2 um inteiro, ou, devido à Equação 7.87,
hd [n], 0 ≤ n ≤ M,
h[n] = (7.85) L
0, caso contrário, jω
A e (e ) = he [0] + 2he [n] cos(ωn). (7.89)
minimiza a expressão
n=1
1 π
Note que Ae(ejω) é uma função real, par e perió-
ε2 = |H d (ej ω ) − H (ej ω )|2 dω. (7.86)
2π −π dica de ω. Um sistema causal pode ser obtido a partir
de he[n] por um atraso de L = M/2 amostras. O sistema
(Veja o Problema 7.25.) Porém, como vimos, esse critério
resultante tem resposta ao impulso
de aproximação leva a um comportamento adverso nas
descontinuidades de Hd(ejω). Além disso, o método do h[n] = he[n − M/2] = h[M − n] (7.90)
janelamento não permite o controle individual sobre os
e resposta em frequência
erros de aproximação em diferentes faixas. Para muitas
aplicações, filtros melhores resultam de uma estratégia H(ejω) = Ae(ejω)e−jωM/2. (7.91)
minimax (minimização dos erros máximos) ou de um Na Figura 7.40 mostra-se um diagrama de tole-
critério de erro ponderado na frequência. Esses projetos râncias para uma aproximação de um filtro passa-
podem ser obtidos por meio de técnicas algorítmicas. -baixas com uma função real como Ae(ejω). A uni-
Como mostram os exemplos anteriores, os filtros dade deve ser aproximada na faixa 0 ≤ |ω| ≤ ωp com
seletivos em frequência projetados pelo janelamento
muitas vezes apresentam a propriedade de que o erro
é maior em ambos os lados de uma descontinuidade da
resposta em frequência ideal, e que se torna menor para Ae(e j)
frequências distantes da descontinuidade. Além disso,
1 + 1
como sugerido na Figura 7.31, esses filtros tipicamente 1
resultam em erros aproximadamente iguais na faixa de 1 – 1
passagem e na faixa de rejeição. (Veja as figuras 7.34(c)
e 7.35(c), por exemplo.) Já vimos que, para filtros IIR, se
o erro de aproximação for espalhado uniformemente
na frequência e se as oscilações na faixa de passagem
2
e na faixa de rejeição forem ajustadas separadamente, p s
uma determinada especificação de projeto pode ser – 2
atendida com um filtro de ordem mais baixa do que se
a aproximação simplesmente atender à especificação Figura 7.40 Diagrama de tolerâncias e resposta ideal para filtros
em uma frequência e a exceder demais em outras. Essa passa-baixas.
erro absoluto máximo δ1, e zero deve ser aproximado A chave para se ganhar o controle sobre ωp e ωs
na faixa ωs ≤ |ω| ≤ π com erro absoluto máximo δ2. é fixá-los em seus valores desejados e permitir que δ1 e
Uma técnica algorítmica para projetar um filtro que δ2 variem. Parks e McClellan (1972a, 1972b) mostraram
atenda a essas especificações deve variar sistemati- que, com L, ωp e ωs fixos, o problema do projeto de filtro
camente os (L + 1) valores da resposta ao impulso seletivo em frequência torna-se um problema de apro-
he[n] sem restrições, com 0 ≤ n ≤ L. Algoritmos de ximação de Chebyshev sobre conjuntos disjuntos, um
projeto têm sido desenvolvidos, nos quais alguns dos problema importante na teoria da aproximação e para
parâmetros L, δ1, δ2, ωp e ωs são fixos e um procedi- o qual vários teoremas e procedimentos úteis foram de-
mento iterativo é usado para obter ajustes ótimos dos senvolvidos. (Veja Cheney, 1982.) Para formalizar o pro-
parâmetros restantes. Duas abordagens distintas têm blema da aproximação nesse caso, vamos definir uma
sido desenvolvidas. Herrmann (1970), Herrmann e função de erro de aproximação
Schüssler (1970a) e Hofstetter, Oppenheim e Siegel
E(ω) = W(ω)[Hd(ejω) − Ae(ejω)], (7.96)
(1971) desenvolveram procedimentos em que L, δ1 e
δ2 são fixos e ωp e ωs são variáveis. Parks e McClellan em que a função de ponderação W(ω) incorpora os
(1972a, 1972b), McClellan e Parks (1973) e Rabiner parâmetros de erro de aproximação no processo de
(1972a, 1972b) desenvolveram procedimentos em que projeto. Nesse método de projeto, a função de erro
L, ωp, ωs e a razão δ1/δ2 são fixos e δ1 (ou δ2) é variável. E(ω), a função de ponderação W(ω) e a resposta em
Desde a época em que essas diferentes técnicas foram frequência desejada Hd(ejω) são definidas apenas em
desenvolvidas, o algoritmo de Parks–McClellan tem subintervalos fechados de 0 ≤ ω ≤ π. Por exemplo, para
se tornado o método dominante no projeto ótimo de aproximar um filtro passa-baixas, essas funções são de-
filtros FIR. Isso porque ele é o mais flexível e compu- finidas para 0 ≤ ω ≤ ωp e ωs ≤ ω ≤ π. A função de aproxi-
tacionalmente o mais eficiente. Assim, discutiremos mação Ae(ejω) não é restrita na(s) região(ões) de tran-
apenas esse algoritmo aqui. sição (por exemplo, ωp < ω < ωs) e pode tomar qualquer
O algoritmo de Parks–McClellan é baseado na re- forma necessária para alcançar a resposta desejada nos
formulação do problema de projeto de filtro como um outros subintervalos.
problema em aproximação polinomial. Especificamen- Por exemplo, suponha que queiramos obter uma
te, os termos cos(ωn) na Equação 7.89 podem ser ex- aproximação como a que vemos na Figura 7.40, na qual
pressos como uma soma de potências de cos ω na forma L, ωp e ωs são parâmetros de projeto fixos. Nesse caso,
cos(ωn) = Tn(cos ω), (7.92) 1, 0 ≤ ω ≤ ωp ,
H d (ej ω ) = (7.97)
sendo Tn(x) um polinômio de ordem n.5 Consequente- 0, ωs ≤ ω ≤ π.
mente, a Equação 7.89 pode ser reescrita como um poli- A função de ponderação W(ω) nos permite pon-
nômio de ordem L em cos ω, derar os erros de aproximação de modo diverso nos
L diferentes intervalos de aproximação. Para o proble-
A e (ej ω ) = ak(cos ω)k, (7.93) ma de aproximação do filtro passa-baixas, a função de
k=0 ponderação é
em que os aks são constantes que estão relacionadas a
1, 0≤ω≤ω ,
he[n], os valores da resposta ao impulso. Com a subs- p
(7.98)
W (ω) = K
tituição de x = cos ω, podemos expressar a Equação
1, ωs ≤ ω ≤ π,
7.93 como
com K = δ1/δ2. Se Ae(ejω) é como mostrado na Figura
Ae(ejω) = P(x)|x=cos ω, (7.94)
7.41, o erro de aproximação ponderado, E(ω) na Equa-
na qual P(x) é o polinômio de ordem L ção 7.96, seria como indicado na Figura 7.42. Note que,
L com essa ponderação, o erro de aproximação absoluto
P (x) = akx k. (7.95) ponderado máximo é δ = δ2 em ambas as bandas.
k=0 O critério específico usado nesse procedimento de
Veremos que não é necessário conhecer a rela- projeto é chamado de critério minimax ou de Cheby-
ção entre os aks e he[n] (embora uma fórmula possa ser shev, em que, dentro dos intervalos de frequência de in-
obtida); é suficiente saber que Ae(ejω) pode ser expres- teresse (a faixa de passagem e de rejeição para um filtro
so como o polinômio trigonométrico de ordem L da passa-baixas), buscamos uma resposta em frequência
Equação 7.93. Ae(ejω) que minimize o erro de aproximação ponderado
5 Mais especificamente, Tn(x) é o polinômio de Chebyshev de ordem n, definido como Tn(x) = cos(n cos–1 x).
2
À primeira vista, pode parecer difícil relacionar
esse teorema formal ao problema de projeto de filtro.
p s Porém, na discussão a seguir, todos os elementos do
–2 teorema serão mostrados como importantes no de-
senvolvimento do algoritmo de projeto. Para auxiliar a
Figura 7.41 Resposta em frequência típica que atende às especifica- compreensão do teorema da alternância, na Seção 7.7.1
ções da Figura 7.40. iremos interpretá-lo especificamente para o projeto de
um filtro passa-baixas de Tipo I. Antes de prosseguir
na aplicação do teorema da alternância ao projeto de
E() filtro, porém, ilustraremos no Exemplo 7.8 como o teo-
rema é aplicado aos polinômios.
p s
Exemplo 7.8 Teorema da alternância e polinômios
–
O teorema da alternância fornece uma condição necessária
e suficiente que um polinômio de uma dada ordem deve
Figura 7.42 Erro ponderado para a aproximação da Figura 7.41.
satisfazer para que ele minimize o erro ponderado máxi-
mo. Para ilustrar como o teorema é aplicado, suponha que
queiramos examinar polinômios P(x) que aproximem a
máximo da Equação 7.96. Expressando mais concisa- unidade para −1 ≤ x ≤ −0,1 e zero para 0,1 ≤ x ≤ 1. Conside-
mente, a melhor aproximação deve ser encontrada no re três desses polinômios, como mostra a Figura 7.43. Cada
sentido de um desses polinômios é de ordem cinco, e gostaríamos de
determinar qual, se houver algum, satisfaz o teorema da
mín máx |E(ω)| , alternância. Os subconjuntos fechados do eixo real x refe-
{he [n]:0≤n≤L} ω∈F
ridos no teorema são as regiões −1 ≤ x ≤ −0,1 e 0,1 ≤ x ≤ 1.
em que F é o subconjunto fechado de 0 ≤ ω ≤ π, tal que Ponderaremos erros de maneira idêntica em ambas as re-
0 ≤ ω ≤ ωp ou ωs ≤ ω ≤ π. Assim, buscamos um conjunto giões, ou seja, Wp(x) = 1. Para começar, será útil para o lei-
de valores da resposta ao impulso que minimiza δ na tor construir cuidadosamente esboços da função de erro de
aproximação para cada polinômio na Figura 7.43.
Figura 7.42.
De acordo com o teorema da alternância, o polinômio
Parks e McClellan (1972a, 1972b) aplicaram o se- de ordem cinco ótimo precisa exibir pelo menos sete
guinte teorema da teoria da aproximação a esse proble- alternâncias do erro nas regiões correspondentes ao
ma de projeto de filtro: subconjunto fechado FP. P1(x) tem apenas cinco alter-
nâncias — três na região −1 ≤ x ≤ −0,1 e duas na região
Teorema da alternância: Considere que FP denote o 0,1 ≤ x ≤ 1. Os pontos x em que o polinômio alcança o
subconjunto fechado que consiste na união disjunta de erro de aproximação máximo ||E || dentro do conjunto
subconjuntos fechados do eixo real x. Além disso, FP são chamados de pontos extremantes (ou simples-
r mente extremantes). Todas as alternâncias ocorrem nos
P (x) = ak x k extremantes, mas nem todos os pontos extremantes são
k=0 alternâncias, como veremos. Por exemplo, o ponto com
é um polinômio de ordem r, e DP(x) denota uma de- inclinação zero próximo de x = 1 que não toca na linha
terminada função desejada de x que é contínua em FP; tracejada é um máximo local, mas não é uma alternância,
WP(x) é uma função positiva, contínua em FP, e pois a função de erro correspondente não alcança o valor
extremante negativo.6 O teorema da alternância especifi-
EP(x) = WP(x)[DP(x) − P(x)] ca que as alternâncias adjacentes devem alternar o sinal,
de modo que o valor extremante em x = 1 também não
é o erro ponderado. O erro máximo é definido como
6 Nessa discussão, referimo-nos aos extremantes positivos e negativos da função de erro. Como o polinômio é subtraído de uma constante para
formar o erro, os pontos extremantes são facilmente localizados nas curvas polinomiais da Figura 7.43, mas o sinal é o oposto da variação acima
e abaixo dos valores constantes desejados.
P1 (x)
–1 – 0,1 0 0,1 1 x
P2 (x) P3 (x)
1 1
Figura 7.43 Polinômios de ordem 5 para o Exemplo 7.8. Pontos de alternância são indicados por ◦.
pode ser uma alternância, pois a alternância anterior era 1, cos ωp ≤ cos ω ≤ 1,
DP (cos ω) = (7.100)
um valor extremante positivo no primeiro ponto com incli- 0, −1 ≤ cos ω ≤ cos ωs .
nação zero em 0,1 ≤ x ≤ 1. As localizações das alternâncias WP(cos ω) é dada pela Equação 7.98, reformulada
são indicadas pelo símbolo nos polinômios da Figura 7.43.
em termos de cos ω:
P2(x) também tem apenas cinco alternâncias e, assim, não é
ótimo. Especificamente, P2(x) tem três alternâncias em −1 ≤
1
x ≤ −0,1, mas, novamente, apenas duas alternâncias em 0,1 ≤
WP (cos ω) = K , cos ωp ≤ cos ω ≤ 1, (7.101)
x ≤ 1. A dificuldade ocorre porque x = 0,1 não é um valor 1, −1 ≤ cos ω ≤ cos ωs .
extremante negativo. A alternância anterior em x = −0,1 é
um valor extremante positivo, de modo que precisamos de
Assim, o erro de aproximação ponderado é
um valor extremante negativo para a próxima alternância.
O primeiro ponto com inclinação nula dentro de 0,1 ≤ x ≤ 1 EP(cos ω) = WP(cos ω)[DP (cos ω) − P (cos ω)]. (7.102)
também não pode ser contado, pois é um valor extremo po-
sitivo, como x = −0,1, e não alterna o sinal. Podemos contar O subconjunto fechado FP é composto da união
o segundo ponto com inclinação zero nessa região e x = 1, dos intervalos 0 ≤ ω ≤ ωp e ωs ≤ ω ≤ π, ou, em termos de
dando duas alternâncias em 0,1 ≤ x ≤ 1 e um total de cinco. cos ω, dos intervalos correspondentes cos ωp ≤ cos ω ≤ 1
P3(x) tem oito alternâncias; todos os pontos de inclinação e −1 ≤ cos ω ≤ cos ωs. O teorema da alternância então
zero, x = −1, x = −0,1, x = 0,1 e x = 1. Como oito alternân- estabelece que um conjunto de coeficientes ak na Equa-
cias satisfazem o teorema da alternância, que especificam
ção 7.99 corresponderá ao filtro que representa a única
um mínimo de sete, P3(x) é a única aproximação polino-
mial de ordem 5 ótima para essa região. melhor aproximação do filtro passa-baixas ideal, com
razão δ1/δ2 fixada em K e com as extremidades das faixas
de passagem e rejeição ωp e ωs, se e somente se EP(cos
7.7.1 Filtros passa-baixas de Tipo I ótimos ω) exibir pelo menos (L + 2) alternâncias em FP, isto é,
se e somente se EP(cos ω) alternadamente igualar mais
Para os filtros de Tipo I, o polinômio P(x) é o po- e menos seu valor máximo pelo menos (L + 2) vezes.
linômio de cossenos Ae(ejω) da Equação 7.95, com a Vimos anteriormente essas aproximações equiripple no
transformação da variável x = cos ω e r = L: caso dos filtros IIR elípticos.
L Na Figura 7.44 mostra-se uma resposta em frequên-
P (cos ω) = ak(cos ω)k. (7.99) cia do filtro que é ótimo de acordo com o teorema da
k=0 alternância para L = 7. Nessa figura, é mostrado um grá-
DP(x) é a resposta em frequência do filtro passa- fico de Ae(ejω) em função de ω. Para testar formalmente
-baixas desejado da Equação 7.97, com x = cos ω: o teorema da alternância, primeiro devemos redesenhar
Ae(e j)
1 + 1
1 – 1
2
5 7
1 2 3 4 6 8
– 2
p s
Figura 7.44 Exemplo típico de uma aproximação de filtro passa-baixas que é ótima de acordo com o teorema da alternância para L = 7.
Ae(ejω) em função de x = cos ω. Além disso, queremos nância, os subconjuntos (ou subintervalos) incluídos em
examinar explicitamente as alternâncias de EP(x). Con- FP são fechados, isto é, as extremidades dos intervalos
sequentemente, nas figuras 7.45(a), (b) e (c), mostramos são contadas. Embora isso possa parecer um detalhe, é
P(x), WP (x) e EP (x), respectivamente, em função de x = de fato muito significativo, como veremos.
cos ω. Nesse exemplo, em que L = 7, vemos que existem A comparação das figuras 7.44 e 7.45 sugere que,
nove alternâncias do erro. Consequentemente, o teore- quando o filtro desejado é um filtro passa-baixas (ou
ma da alternância é satisfeito. Um ponto importante é qualquer filtro constante por partes), podemos facil-
que, na contagem das alternâncias, incluímos os pontos mente contar as alternâncias por inspeção direta da res-
cos ωp e cos ωs, pois, de acordo com o teorema da alter- posta em frequência, lembrando que o erro máximo é
P(x)
1 + 1
1 – 1
2
–1 cos p 1 x = cos
– 2 cos s
(a)
WP (x) E P (x)
1
K
1 2
Figura 7.45 Funções de aproximação polinomial equivalentes em função de x = cos ω. (a) Polinômio aproximador. (b) Função de ponderação.
(c) Erro de aproximação.
quando considerado como uma função de ω, sempre outras palavras, a remoção de ωp como uma frequên-
terá inclinação nula em ω = 0 e ω = π, embora P(x), cia de alternância remove duas alternâncias. Como
considerada como uma função de x, possa não ter incli- o número máximo é (L + 3), isso deixa no máximo
nação nula nos pontos correspondentes x = 1 e x = –1. (L + 1), que não é um número suficiente. Um argumen-
Isso ocorre porque to similar seria válido se ωs fosse removido como uma
L
frequência de alternância. Um argumento similar pode
dP (cos ω) ser construído no caso de filtros passa-altas, mas esse
= − sen ω kak(cos ω)k−1
dω não é necessariamente o caso para filtros passa-faixa ou
k=0
(7.104) multibandas. (Veja o Problema 7.63.)
L−1
= − sen ω (k + 1)ak+1 (cos ω)k , O filtro será equiripple, exceto possivelmente em ω = 0
k=0 ou ω = π
O argumento aqui é muito similar àquele usado
que é sempre nula em ω = 0 e ω = π, bem como nas para mostrar que tanto ωp quanto ωs devem ser alter-
(L − 1) raízes do polinômio de ordem (L − 1) represen- nâncias. Suponha, por exemplo, que o filtro na Figura
tado pelo somatório. Esse comportamento em ω = 0 e 7.46(a) fosse modificado como indicado na Figura 7.48,
ω = π fica evidente na Figura 7.46. Na Figura 7.46(d), de modo que um ponto com inclinação nula não alcan-
ocorre que o polinômio P(x) também tem inclinação ce o erro máximo. Embora o erro máximo ocorra em
nula em x = −1 = cos π. nove frequências, somente oito delas podem ser conta-
das como alternâncias. Consequentemente, a eliminação
Alternâncias sempre ocorrem em ωp e ωs de uma oscilação como um ponto de erro máximo reduz
Para todas as respostas em frequência na Figura o número de alternâncias em dois, o que faz de (L + 1) o
7.46, Ae(ejω) é exatamente igual a 1 − δ1 na extremidade número máximo possível.
da faixa de passagem ωp e exatamente igual a +δ2 na Essas representam apenas algumas das muitas
extremidade da faixa de rejeição ωs. Para sugerir por propriedades que podem ser inferidas a partir do teore-
que isso sempre deverá acontecer, consideremos se o ma da alternância. Várias outras são discutidas em Ra-
filtro na Figura 7.46(a) também poderia ser ótimo se re- biner e Gold (1975). Além disso, consideramos apenas
definirmos ωp como indicado na Figura 7.47, deixando o os filtros passa-baixas de Tipo I. Embora uma discussão
polinômio inalterado. As frequências em que as magni- muito mais ampla e detalhada sobre os filtros de tipos
tudes do máximo erro ponderado são iguais são as fre- II, III e IV ou sobre os filtros com respostas em fre-
quências ω = 0, ω1, ω2, ωs, ω3, ω4, ω5, ω6 e ω = π, para um quência desejadas mais genéricas esteja fora do escopo
total de (L + 2) = 9. Porém, nem todas as frequências deste livro, consideramos brevemente os filtros passa-
são alternâncias, pois, para serem contadas no teorema -baixas de Tipo II para enfatizar diversos aspectos do
da alternância, o erro deverá alternar entre δ = ±||E|| teorema da alternância.
nessas frequências. Portanto, como o erro é negativo em
ω2 e em ωs, as frequências contadas no teorema da alter- 7.7.2 Filtros passa-baixas de Tipo II ótimos
nância são ω = 0, ω1, ω2, ω3, ω4, ω5, ω6 e π, para um total de Um filtro causal de Tipo II é um filtro para o qual
8. Como (L + 2) = 9, as condições do teorema da alter- h[n] = 0 fora do intervalo 0 ≤ n ≤ M, com o compri-
nância não são satisfeitas, e a resposta em frequência da mento do filtro (M + 1) par, isto é, M ímpar, e com a
Figura 7.47 não é ótima com ωp e ωs como indicado. Em propriedade de simetria
0 1 2 p s 3 4 5 6 0 1 2 p s 3 4 5 6
Figura 7.47 Exemplo de que a extremidade da faixa de passagem ωp Figura 7.48 Exemplo de que a resposta em frequência deve ser equi-
deve ser uma frequência de alternância. ripple nas faixas de aproximação.
1 em que x = cos ω, xi = cos ωi,
1 x1 ··· x12 x1L
W (ω1 ) a0 (−1)k+1 δ
−1 Ck = H d (ej ω k ) − (7.116b)
1 x2 x22 · · · x2L a1 W (ωk)
W (ω2 )
.. =
.. .. .. .. .. . e
. . . . .
δ L+1
2 L (−1)L+1 1
1 xL+2 xL+2 ··· xL+2 dk = = bk(xk − xL+2 ). (7.116c)
W (ωL+2 ) (xk − xi )
i=1
i =k
Embora somente as frequências ω1, ω2,..., ωL+1
H d (ej ω 1 )
H d (ej ω 2 ) sejam usadas no ajuste do polinômio de ordem L, po-
= .. , demos ter certeza de que o polinômio também assume
.
o valor correto em ωL+2, porque as equações 7.113 são
H d (ej ω (7.113)
L+2 )
satisfeitas pelo Ae(ejω) resultante.
em que xi = cos ωi. Esse conjunto de equações serve Agora, Ae(ejω) está disponível em qualquer fre-
como base para um algoritmo iterativo encontrar a quência desejada, sem a necessidade de resolver o
Ae(ejω) ótima. O procedimento começa pela escolha conjunto de equações 7.113 para os coeficientes ak. O
de um conjunto de frequências de alternância ωi para polinômio da Equação 7.116(a) pode ser usado para
i = 1, 2, ..., (L + 2). Note que ωp e ωs são fixos e, com calcular Ae(ejω) e também E(ω) em um conjunto denso
base em nossa discussão na Seção 7.7.1, são necessaria- de frequências nas faixas de passagem e de rejeição. Se
mente elementos do conjunto de frequências de alter- |E(ω)| ≤ δ para todo ω nas faixas de passagem e de re-
nância. Especificamente, se ω = ωp, então ω + 1 = ωs. jeição, então a aproximação ótima foi encontrada. Caso
O conjunto de equações 7.113 pode ser resolvido para o contrário, temos de encontrar um novo conjunto de fre-
conjunto de coeficientes ak e δ. Porém, uma alternativa quências extremantes.
mais eficiente é usar interpolação polinomial. Em par- A Figura 7.49 mostra um exemplo típico para um
ticular, Parks e McClellan (1972a, 1972b) encontraram filtro passa-baixas de Tipo I antes que o ótimo tenha
que, para o conjunto dado de frequências extremantes, sido encontrado. Claramente, o conjunto de frequências
L+2 ωi usado para encontrar δ (como representado pelos cír-
bkH d (ej ω k ) culos abertos na figura) foi tal que δ era muito peque-
k=1 no. Adotando a filosofia do método da troca de Remez
δ= , (7.114) (veja Cheney, 2000), as frequências extremantes são
L+2
bk(−1)k+1
trocadas por um conjunto completamente novo defini-
W (ωk) do pelos (L + 2) maiores picos da curva de erro. Os pon-
k=1
sendo tos marcados com × representam o novo conjunto de
L+2 frequências para o exemplo mostrado na figura. Como
1
bk = (7.115)
(xk − xi )
i=1
i =k
e, como antes, xi = cos ωi. Isto é, se Ae(ejω) é determi-
nado pelo conjunto de coeficientes ak que satisfazem a
Equação 7.113, com δ dado pela Equação 7.114, então a
função de erro passa por ±δ nas (L + 2) frequências ωi,
ou, de modo equivalente, Ae(ejω) tem valores 1 ± Kδ se
0 ≤ ωi ≤ ωp e ±δ se ωs ≤ ωi ≤ π. Agora, como se sabe que
Ae(ejω) é um polinômio trigonométrico de ordem L, po-
demos interpolar um polinômio trigonométrico através
de (L+1) dos (L+2) valores conhecidos E(ωi) (ou, de
modo equivalente, Ae(ejωi)). Parks e McClellan usaram a
fórmula de interpolação de Lagrange para obter
L+1
[dk/(x − xk)]Ck 1 2 3 p s 6 7
k=1
A e (ej ω ) = P (cos ω) = , (7.116a)
L+1
[dk/(x − xk)] Figura 7.49 Exemplo do algoritmo de Parks–McClellan para aproxi-
k=1 mação equiripple.
visto, ωp e ωs devem ser selecionadas como frequências 7.7.4 Características dos filtros FIR ótimos
extremantes. Lembre-se de que existem no máximo (L Filtros FIR passa-baixas ótimos têm o menor erro
– 1) mínimos e máximos locais nos intervalos abertos 0 de aproximação ponderado máximo δ para as frequên-
< ω < ωp e ωs < ω < π. A frequência extremante restante cias das extremidades das faixas de passagem e de rejei-
pode estar em ω = 0 ou em ω = π. Se existe um máximo ção ωp e ωs prescritas . Para a função de ponderação da
da função de erro em 0 e π, então a frequência em que Equação 7.98, o erro máximo de aproximação na faixa
o maior erro ocorre é tomada como a nova estimativa de rejeição resultante é δ2 = δ, e o erro máximo de apro-
da frequência extremante restante. O ciclo — calculan- ximação na faixa de passagem é δ1 = Kδ. Na Figura 7.51,
do o valor de δ, ajustando um polinômio pelos picos de ilustramos como δ varia com a ordem do filtro e a fre-
erro considerados e depois localizando os picos de erro quência de corte da faixa de passagem. Para esse exem-
obtidos — é repetido até que δ não mude de seu valor plo, K = 1 e a largura de transição é fixada em (ωs – ωp)
atual em relação ao anterior dentro de uma pequena = 0,2π. As curvas mostram que, quando ωp aumenta, o
tolerância prescrita. Esse valor de δ é então o erro de erro δ alcança mínimos locais. Esses mínimos nas curvas
aproximação ponderado mínimo máximo desejado. correspondem aos filtros extraripple (L + 3 extreman-
Um fluxograma para o algoritmo de Parks– tes). Todos os pontos entre os mínimos correspondem
McClellan é mostrado na Figura 7.50. Nesse algoritmo, aos filtros que são ótimos de acordo com o teorema da
todos os valores da resposta ao impulso he[n] são impli- alternância. Os filtros para M = 8 e M = 10 são filtros
citamente variados a cada iteração para obter a apro- de Tipo I, enquanto M = 9 e M = 11 correspondem a
ximação ótima desejada, mas os valores de he[n] nunca filtros de Tipo II. É interessante notar que, para algu-
são calculados explicitamente. Após o algoritmo ter mas escolhas de parâmetros, um filtro mais curto (M =
convergido, a resposta ao impulso pode ser calculada a 9) pode ser melhor (isto é, produzir um erro menor) do
partir de amostras da representação polinomial usando que um filtro mais longo (M = 10). Inicialmente, isso
a transformada de Fourier discreta, como será discutido pode parecer surpreendente e até mesmo contraditó-
no Capítulo 8. rio. Porém, os casos M = 9 e M = 10 representam tipos
fundamentalmente diferentes de filtros. Interpretando
de outra forma, os filtros para M = 9 não podem ser
considerados como casos especiais de M = 10 com um
Inicializar com (L + 2) ponto definido como zero, pois isso violaria o requisito
frequências extremantes de simetria da fase linear. Por outro lado, M = 8 sem-
pre pode ser considerado como um caso especial de
M = 10 com a primeira e última amostras definidas
como zero. Por essa razão, um filtro ideal para M = 8
Calcular o δ ótimo
no conjunto de extremantes não pode ser melhor do que um para M = 10. Essa res-
trição pode ser vista na Figura 7.51, em que a curva para
M = 8 está sempre acima ou no mesmo nível daquela
Interpolar através de (L + 1)
pontos para obter a função Ae(ejω)
para M = 10. Os pontos em que as duas curvas se tocam
correspondem a respostas ao impulso idênticas, sendo o
primeiro e último pontos do filtro M = 10 iguais a zero.
Calcular a função E(ω) e determinar Herrmann et al. (1973) realizaram um amplo es-
os máximos locais em que |E(ω)| ≥ δ tudo numérico das relações entre os parâmetros M, δ1,
δ2, ωp e ωs para aproximações passa-baixas equiripple, e
posteriormente foi obtido por Kaiser (1974) a fórmula
Mais de
Reter os simplificada
Sim (L + 2)
(L + 2) extremantes −10 log10 (δ1 δ2 ) − 13
extremantes? maiores M= , (7.117)
2,324
Não em que ω = ωs − ωp, como um ajuste aos seus dados.
Ao compararmos a Equação 7.117 com a fórmula de pro-
jeto da Equação 7.76 para o método da janela de Kaiser,
Modificados Verificar se os pontos podemos ver que, para o caso comparável (δ1 = δ2 = δ),
extremantes foram modificados
as aproximações ótimas fornecem um erro de aproxi-
Inalterados mação cerca de 5 dB melhor para um dado valor de M.
Melhor aproximação Outra vantagem importante dos filtros equiripple é que
δ1 e δ2 não precisam ser iguais, como é o caso para o
Figura 7.50 Fluxograma do algoritmo de Parks–McClellan. método de janelamento.
0,14
0,10
0,08
0,06
0,04
M=8
M=9
0,02
M = 10
M = 11
0,00
0,0 0,2 π 0,4 π 0,6 π 0,8 π
Corte na faixa de passagem (ω)
Figura 7.51 Exemplo da dependência do erro nas faixas de passagem e de rejeição com a frequência de corte para aproximações ótimas de um
filtro passa-baixas. Nesse exemplo, K = 1 e (ωs − ωp) = 0,2π. (Fonte: Herrmann, Rabiner e Chan, 1973.)
7 Para os filtros seletivos em frequência, o erro de aproximação não ponderado também mostra convenientemente o comportamento nas faixas
de passagem e de rejeição, pois Ae(ejω) = 1 − E(ω) na faixa de passagem e Ae(ejω) = −E(ω) na faixa de rejeição.
0,6 0,5
0,4
0,4
0,3
Amplitude
Amplitude
0,2 0,2
0,1
0
0
–0,2 – 0,1
0 10 20 30 0 10 20 30
Número da amostra (n) Número da amostra (n)
(a) (a)
20 20
0 0
–20 –20
– 40
–40 dB
dB
–60 – 60
–80 – 80
–100 –100
0 0,2π 0,4π 0,6π 0,8π π 0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω) Frequência em radianos (ω)
(b) (b)
0,010
0,015
0,010
0,005
Amplitude
0,005
Amplitude
0
0
–0,005
– 0,005
–0,010
– 0,010
–0,015 0 0,2π 0,4π 0,6π 0,8π π
0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω)
Frequência em radianos (ω)
(c) (c)
Figura 7.52 Filtro passa-baixas FIR de Tipo I ótimo para ωp = 0,4π, Figura 7.53 Filtro ótimo passa-baixas FIR de Tipo II para ωp = 0,4π,
ωs = 0,6π, K = 10 e M = 26. (a) Resposta ao impulso. (b) Magnitude ωs = 0,6π, K = 10 e M = 27. (a) Resposta ao impulso. (b) Magnitude
logarítmica da resposta em frequência. (c) Erro de aproximação (não logarítmica da resposta em frequência. (c) Erro de aproximação (não
ponderado). ponderado).
ligeiramente menores do que os valores especificados. cias ainda é 15. Note também que, no caso de Tipo II,
(Os erros máximos na faixa de passagem e na faixa de o sistema está restrito a ter um zero de sua função de
rejeição são 0,0092 e 0,00092, respectivamente.) Nesse sistema em z = −1 ou em ω = π. Isso é mostrado clara-
caso, novamente existem sete alternâncias na faixa de mente nas figuras 7.53(b) e (c).
passagem e oito alternâncias na faixa de rejeição, em Ao comparar os resultados desse exemplo com os
um total de quinze. Note que, como M = 27, esse é um resultados da Seção 7.6.1, encontramos que o método
sistema de Tipo II, e para esses sistemas, a ordem do da janela de Kaiser requer um valor M = 40 para aten-
polinômio de aproximação implícito é L = (M − 1)/2 = der ou exceder as especificações, enquanto o método
(27 − 1)/2 = 13. Assim, o número mínimo de alternân- de Parks–McClellan requer M = 27. Essa disparidade
é acentuada porque o método de janelamento produz Um filtro passa-baixas com compensação D/A
erros máximos aproximadamente iguais nas faixas de pode ser prontamente projetado pelo algoritmo de
passagem e de rejeição, enquanto o método de Parks– Parks–McClellan se simplesmente definirmos a respos-
McClellan pode ponderar os erros de modo diferente. ta desejada como
ω/2
7.8.2 Compensação para a retenção de ordem zero H̃ d (ej ω ) = sen(ω/2)
, 0 ≤ ω ≤ ωp, (7.123)
Em muitos casos, um filtro de tempo discreto é
0, ω ≤ ω ≤ π. s
projetado para ser usado em um sistema como aquele
representado na Figura 7.54; isto é, o filtro é usado para Na Figura 7.55 são mostradas as funções de res-
processar uma sequência de amostras x[n] para obter posta para tal filtro, para o qual as especificações são
uma sequência y[n], que é então a entrada para um con-
versor D/A e um filtro passa-baixas de tempo contínuo
0,6
(como uma aproximação para o conversor D/C ideal)
usado para a reconstrução de um sinal de tempo contí-
nuo yc(t). Esse tipo de sistema surge como parte de um 0,4
sistema para filtragem em tempo discreto resultante de
Amplitude
um sinal de tempo contínuo, como discutimos na Seção 0,2
4.8. Se o conversor D/A mantiver sua saída constante
durante todo o período de amostragem T, a transforma-
0
da de Fourier da saída yc(t) será
Yc = H̃ r o )X (e ), (7.119)
– 0,2
0 10 20 30
sendo H̃ r(j) a resposta em frequência de um filtro de Número da amostra (n)
reconstrução passa-baixas apropriado, e (a)
sen 2) 20
2
Ho = e− (7.120)
2 0
a resposta em frequência da retenção de ordem zero do
–20
conversor D/A. Na Seção 4.8.4, sugerimos que a com-
pensação para Ho(j) pode ser incorporada no filtro de – 40
dB
2 1
H̃(e )= H (e ). (7.122)
sen 2)
0,95
T
Figura 7.55 Filtro passa-baixas com compensação D/A ótimo com
ωp = 0,4π, ωs = 0,6π, K = 10 e M = 28. (a) Resposta ao impulso.
Figura 7.54 Pré-compensação de um filtro de tempo discreto para os (b) Magnitude logarítmica da resposta em frequência. (c) Resposta em
efeitos de um conversor D/A. magnitude na faixa de passagem.
novamente ωp = 0,4π, ωs = 0,6π, δ1 = 0,01 e δ2 = 0,001. linômio de aproximação implícito é L = M/2 = 74/2 = 37.
Nesse caso, as especificações são atendidas com M = 28 Assim, o teorema da alternância exige pelo menos
em vez de M = 27, como no caso de ganho constante an- L + 2 = 39 alternâncias. Podemos ver diretamente na
terior. Assim, com praticamente nenhuma penalidade, Figura 7.56(c), em que se mostra o erro de aproximação
incorporamos a compensação para o conversor D/A no não ponderado, que existem 13 alternâncias em cada
filtro de tempo discreto, de modo que a faixa de passa- banda, em um total de 39.
gem efetiva do filtro será plana. (Para enfatizar a na- Essas aproximações, como mostrado na Figura
tureza inclinada da faixa de passagem, a Figura 7.55(c) 7.56, são ótimas no sentido do teorema da alternância,
mostra a resposta em magnitude na faixa de passagem mas provavelmente seriam inaceitáveis em uma aplica-
em vez do erro de aproximação, como nos gráficos de ção de filtragem. Em geral, não existe garantia de que
resposta em frequência para os outros exemplos FIR.) as regiões de transição de um filtro multibandas serão
Amplitude
jeita-faixa requerem três faixas de aproximação. Para
projetar tais filtros, é necessário generalizar a discussão 0
da Seção 7.7 para o caso multibandas. Isso requer que
exploremos as implicações do teorema da alternância e – 0,2
as propriedades da aproximação de polinômios em um
contexto mais geral. Primeiro, lembre-se de que, como
– 0,4
enunciado, o teorema da alternância não considera ne- 0 20 40 60 80
nhum limite no número de intervalos de aproximação Número da amostra (n)
disjuntos. Portanto, o número mínimo de alternâncias (a)
para a aproximação ótima ainda é (L + 2). Porém, fil- 20
tros multibandas podem ter mais do que (L + 3) al-
ternâncias, pois existem mais extremidades de faixas. 0
(O Problema 7.63 explora essa questão.) Isso significa
que algumas das afirmações provadas na Seção 7.7.1 não –20
dB
1, 0 ≤ ω ≤ 0,3π, 0
W (ω) = 1, 0,35π ≤ ω ≤ 0,6π, (7.125)
– 0,020
0,2, 0,7π ≤ ω ≤ π.
Um valor de M + 1 = 75 foi escolhido para o com- – 0,040
primento da resposta ao impulso do filtro. Na Figura 7.56
– 0,060
mostram-se as funções de resposta para o filtro resultan- 0 0,2π 0,4π 0,6π 0,8π π
te. Note que a região de transição da segunda faixa de Frequência em radianos (ω)
(c)
aproximação para a terceira não é mais monotônica. Po-
rém, o uso de dois extremantes locais nessa região sem Figura 7.56 Filtro passa-faixa FIR ótimo para M = 74. (a) Resposta
restrições não viola o teorema da alternância. Como ao impulso. (b) Magnitude logarítmica da resposta em frequência. (c)
M = 74, o filtro é um sistema de Tipo I, e a ordem do po- Erro de aproximação (não ponderado).
monotônicas, pois o algoritmo de Parks–McClellan dei- ma de projeto de IIR devido à existência de um teorema
xa essas regiões completamente sem restrições. Quando de otimização para filtros FIR que tem significado para
esse tipo de resposta é o resultado de uma escolha em uma ampla gama de situações práticas. As técnicas de
particular dos parâmetros do filtro, regiões de transição projeto para filtros FIR sem fase linear foram propostas
aceitáveis podem usualmente ser obtidas pela alteração por Chen e Parks (1987), Parks e Burrus (1987), Schüssler
sistemática de uma ou mais das faixas de frequências, e Steffen (1988) e Karam e McClellan (1995).
do comprimento da resposta ao impulso ou da função Questões de economia também surgem na im-
de ponderação de erro e o reprojeto do filtro. plementação de um filtro de tempo discreto. Questões
econômicas normalmente são medidas em termos de
7.9 Comentários sobre filtros de tempo complexidade de hardware, área de chip ou velocidade
computacional. Esses fatores são mais ou menos dire-
discreto IIR e FIR tamente relacionados com a ordem do filtro requerida
Este capítulo trata dos métodos de projeto para para atender a determinada especificação. Em aplica-
sistemas de tempo discreto LIT. Discutimos uma ampla ções em que as eficiências das implementações polifá-
série de métodos de projeto de filtros de resposta ao sicas não podem ser exploradas, geralmente é verdade
impulso com duração infinita e duração finita. que determinada especificação de resposta em magni-
A escolha entre um filtro FIR e um filtro IIR tude pode ser atendida de forma mais eficiente com um
depende da importância para o problema de projeto filtro IIR. Porém, em muitos casos, a fase linear dispo-
das vantagens de cada tipo. Filtros IIR, por exemplo, nível com um filtro FIR pode compensar o custo extra.
têm a vantagem de que uma série de filtros seletivos Em qualquer ambiente prático específico, a es-
em frequência pode ser projetada usando fórmulas fe- colha da classe de filtros e do método de projeto será
chadas de projeto. Ou seja, uma vez que o problema altamente dependente do contexto, das restrições, das
tenha sido especificado em termos apropriados para especificações e da plataforma de implementação. Na
um determinado método de aproximação (por exem- próxima seção, concluímos o capítulo com um exemplo
plo, Butterworth, Chebyshev ou elíptico), então a or- específico para ilustrar alguns dos dilemas e problemas
dem do filtro que atenderá às especificações pode ser que podem surgir. Porém, esse é apenas um de muitos
calculada, e os coeficientes (ou polos e zeros) do filtro cenários, e cada um pode resultar em diferentes esco-
de tempo discreto podem ser obtidos por substituição lhas e conclusões.
direta em um conjunto de equações de projeto. Esse
tipo de simplicidade do procedimento de projeto tor- 7.10 Projeto de um filtro para
na viável projetar filtros IIR pelo cálculo manual, se
necessário, e leva a programas de computador diretos
sobreamostragem
e não iterativos para o projeto de filtros IIR. Esses mé- Concluímos este capítulo com uma comparação, no
todos são limitados a filtros seletivos em frequência e contexto da sobreamostragem, dos projetos de filtro IIR e
permitem que apenas a resposta em magnitude seja FIR. Como discutimos no Capítulo 4, seções 4.6.2 e 4.9.3,
especificada. Se outras formas de magnitude forem de- a sobreamostragem por um fator inteiro e a conversão
sejadas, ou se for necessário aproximar uma resposta D/A sobreamostrada empregam um expansor por L se-
de fase ou de atraso de grupo prescrita, um procedi- guido por um filtro passa-baixas de tempo discreto. Como a
mento algorítmico será requerido. taxa de amostragem na saída do expansor é L vezes a
Por outro lado, filtros FIR podem ter uma fase li- taxa na entrada, o filtro passa-baixas opera em uma taxa
near (generalizada) precisa. Porém, não existem equa- que é L vezes a taxa da entrada do superamostrador ou
ções de projeto fechadas para filtros FIR. Embora o conversor D/A. Como ilustramos nesse exemplo, a or-
método de janelamento seja simples de aplicar, alguma dem do filtro passa-baixas é muito dependente do filtro
iteração pode ser necessária para atender a uma especi- ser projetado como um filtro IIR ou FIR e, também, den-
ficação prescrita. O algoritmo de Parks–McClellan leva tro dessas classes, do método de projeto de filtro esco-
a filtros de ordem mais baixa do que o método de jane- lhido. Embora a ordem do filtro IIR resultante possa ser
lamento, e programas de projeto de filtro são facilmente significativamente menor do que a ordem do filtro FIR, o
encontrados para os dois métodos. Além disso, o método filtro FIR pode explorar as eficiências de uma implemen-
de janelamento e a maioria dos métodos algorítmicos tação polifásica. Para os projetos IIR, a implementação
oferecem a possibilidade de aproximar características de polifásica pode ser explorada para a implementação dos
resposta em frequência bastante arbitrárias com apenas zeros da função de transferência, mas não para os polos.
um pouco mais de dificuldade do que no projeto de fil- O sistema a ser implementado é um sobreamos-
tros passa-baixas. Além disso, o problema de projeto para trador por quatro, ou seja, L = 4. Como discutido no
filtros FIR está muito mais sob controle do que o proble- Capítulo 4, o filtro ideal para a interpolação 1:4 é um
filtro passa-baixas ideal com ganho de 4 e frequência de Nos projetos IIR, o número de multiplicações por amos-
corte π/4. Para aproximar esse filtro, definimos as espe- tra de saída dependerá especificamente de como os zeros
cificações da seguinte forma:8 são implementados. Uma discussão de como implemen-
frequência da extremidade da faixa de passagem ωp = 0,22π
tar eficientemente cada um dos seis projetos é feita a
frequência da extremidade da faixa de rejeição ωs = 0,29π
seguir com um resumo na Tabela 7.4 que compara o nú-
ganho máximo na faixa de passagem = 0 dB mero requerido de multiplicações por amostra de saída.
ganho mínimo na faixa de passagem = −1 dB Os quatro projetos IIR podem ser considerados como
ganho máximo na faixa de rejeição = −40 dB.
uma cascata de um filtro FIR (implementando os zeros
da função de transferência) e um filtro IIR (implemen-
Seis filtros diferentes foram projetados para aten- tando os polos). Primeiro, discutimos os dois projetos
der a essas especificações: quatro projetos de filtro IIR FIR, pois as eficiências que podem ser exploradas para
discutidos na Seção 7.3 (Butterworth, Chebyshev I, eles também podem ser utilizadas com o componente
Chebyshev II, elíptico) e dois projetos de filtro FIR (um FIR dos filtros IIR.
projeto de janela de Kaiser e um filtro ótimo projeta-
do usando o algoritmo de Parks–McClellan). Os pro- Projetos Parks–McClellan e de janelas de Kaiser:
jetos foram feitos usando o toolbox de processamento Sem explorar a simetria da resposta ao impulso ou uma
de sinais do MATLAB. Como o programa de projeto implementação polifásica, o número requerido de mul-
FIR usado requer limites de tolerâncias na faixa de tiplicações por amostra de saída é igual ao comprimen-
passagem que sejam simétricos em torno da unidade, to do filtro. Se uma implementação polifásica for usada,
as especificações citadas foram primeiro devidamente como discutido na Seção 4.7.5, então o número de multi-
mudadas em escala para os projetos FIR, e o filtro FIR plicações por amostra de entrada é igual ao comprimen-
resultante foi então novamente mudado em escala para to do filtro. Alternativamente, como os dois filtros são
um máximo de 0 dB de ganho na faixa de passagem. simétricos, a estrutura discutida na Seção 6.5.3 (figuras
(Veja o Problema 7.3.) 6.32 e 6.33) pode ser usada para reduzir o número de
As ordens dos filtros resultantes para os seis fil- multiplicações na taxa de entrada por aproximadamen-
tros são mostradas na Tabela 7.3, e os diagramas de po- te um fator de 2.9
los e zeros correspondentes são mostrados nas figuras
7.57(a)-(f). Para os dois projetos FIR, somente as locali- Projeto Butterworth: Como é característico dos
zações dos zeros são mostradas na Figura 7.57. Se esses filtros Butterworth de tempo discreto, todos os zeros
filtros forem implementados como filtros causais, have- ocorrem em z = −1, e os polos, naturalmente, estão em
rá um polo de ordem múltipla na origem para combinar pares conjugados complexos. Ao implementarmos os
com o número total de zeros da função de transferência. zeros como uma cascata de 18 termos de primeira or-
Sem explorar as eficiências disponíveis, como o dem na forma (1 + z−1), nenhuma multiplicação é exigi-
uso de uma implementação polifásica, os dois projetos da na implementação dos zeros. Os 18 polos requerem
FIR exigem significativamente mais multiplicações por um total de 18 multiplicações por amostra de saída.
amostra de saída do que qualquer um dos projetos IIR.
Projeto Chebyshev I: O filtro Chebyshev I tem or-
dem 8 com os zeros em z = −1 e, consequentemente, os
zeros podem ser implementados sem multiplicações. Os
Tabela 7.3 Ordens dos filtros projetados. 8 polos exigem 8 multiplicações por amostra de saída.
8 O ganho foi normalizado para a unidade na faixa de passagem. Em todos os casos, os filtros podem ser multiplicados escalarmente por 4 para
uso na interpolação.
9 É possível combinar as eficiências polifásicas e de simetria na implementação de filtros FIR simétricos (veja Baran e Oppenheim, 2007). O
número de multiplicações resultantes é aproximadamente metade do comprimento do filtro e na taxa das amostras de entrada em vez de na
taxa das amostras de saída. Porém, a estrutura resultante é significativamente mais complexa.
Im Plano z Im
Circunferência
unitária
Zero de ordem 18 Zero de ordem 8
8
Re Re
(a) (b)
Im Im
Re Re
(c) (d)
Im Im
9,38 Re Re
(e) (f)
Figura 7.57 Diagramas de polos e zeros para os seis projetos. (a) Filtro Butterworth. (b) Filtro Chebyshev I. (c) Filtro Chebyshev II. (d) Filtro elíp-
tico. (e) Filtro Kaiser. (f) Filtro Parks–McClellan.
Projeto de filtro elíptico: O filtro elíptico tem a Tabela 7.4 Número médio de multiplicações requeridas por amostra
menor ordem (ordem 5) dos quatro projetos IIR. A de saída para cada um dos filtros projetados.
partir do diagrama de polos e zeros, notamos que ele
Projeto de filtro Forma direta Simétrica Polifásica
tem todos os seus zeros na circunferência unitária. Con-
sequentemente, os zeros podem ser implementados de Butterworth 37 18 18
modo eficiente explorando a simetria, bem como a im- Chebyshev I 17 8 8
plementação polifásica. Chebyshev II 17 13 10,25
Elíptico 11 8 6,5
A Tabela 7.4 resume o número de multiplicações
requeridas por amostra de saída para cada um dos seis Kaiser 64 32 16
projetos com diversas estruturas de implementação di- Parks–McClellan 45 23 11,25
ferentes. A implementação na forma direta considera
que tanto os polos quanto os zeros são implementados
na forma direta, isto é, ela não tira proveito da possibi- mas não a simetria da resposta ao impulso, os projetos
lidade de implementação em cascata de múltiplos zeros FIR são ligeiramente menos eficientes do que os proje-
em z = −1. Explorando uma implementação polifásica, tos IIR mais eficientes, embora eles também sejam os
únicos que têm fase linear. Explorando tanto a sime- 7.2. Um filtro passa-baixas de tempo discreto deve ser proje-
tria quanto a implementação polifásica juntas na im- tado pela aplicação do método da invariância ao impulso
plementação do projeto Parks–McClellan, ele e o filtro a um filtro Butterworth de tempo contínuo tendo função
de magnitude ao quadrado
elíptico são os mais eficientes.
1
|H c |2 = .
7.11 Resumo 1+ c)
2N
1 − δ1 ≤ |H (ej ω )| ≤ 1 + δ1 , 0 ≤ |ω| ≤ ωp ,
Problemas (P7.3-1)
|H (ej ω )| ≤ δ2 , ωs ≤ |ω| ≤ π.
Problemas básicos com respostas
Por razões históricas, a maior parte das fórmulas de pro-
7.1. Considere um sistema de tempo contínuo causal com
jeto, tabelas ou diagramas para filtros de tempo contínuo
resposta ao impulso hc(t) e função de sistema
normalmente é especificada com um ganho de pico uni-
s+a tário na faixa de passagem; isto é,
H c (s) = .
(s + a)2 + b2
(a) Use a invariância ao impulso para determinar H1(z) 1 − δ̂1 ≤ |H c | ≤ 1, 0≤| |≤ p,
(P7.3-2)
para um sistema de tempo discreto tal que h1[n] = |H c | ≤ δ̂2 s ≤ | |.
hc(nT). Diagramas de projeto úteis para filtros de tempo contí-
(b) Use a invariância de degrau para determinar H2(z) nuo especificados dessa forma foram dados por Rabiner,
para um sistema de tempo discreto tal que s2[n] = Kaiser, Herrmann e Dolan (1974).
sc(nT), em que (a) Para usar tais tabelas e diagramas para projetar
n t sistemas de tempo discreto com um ganho de pico
s2 [n] = h2 [k] e sc (t) = hc (τ )dτ. de (1+δ1), é necessário converter as especificações
k=−∞ −∞
de tempo discreto em especificações na forma da
(c) Determine a resposta ao degrau s1[n] do sistema 1 e Equação P7.3-2. Isso pode ser feito dividindo-se as
a resposta ao impulso h2[n] do sistema 2. É verdade especificações de tempo discreto por (1+δ1). Use
que h2[n] = h1[n] = hc(nT)? É verdade que s1[n] = essa abordagem para obter uma expressão para δˆ1 e
s2[n] = sc(nT)? δˆ2 em termos de δ1 e δ2.
(b) No Exemplo 7.2, projetamos um filtro de tempo dis- (b) Qual é o valor máximo de ω que pode ser usado
creto com um ganho de faixa de passagem máximo para atender à especificação? Qual é o valor corres-
igual à unidade. Esse filtro pode ser convertido em pondente de M + 1, o comprimento da resposta ao
um filtro satisfazendo um conjunto de especifica- impulso? Explique claramente seu raciocínio.
ções como aquelas na Equação P7.3-1 pela multipli- 7.7. Estamos interessados em implementar um filtro passa-
cação por uma constante na forma (1+δ1). Encon- -baixas LIT de tempo contínuo H(j) usando o sis-
tre o valor requerido de δ1 e o valor correspondente tema mostrado na Figura 4.10 quando o sistema de
de δ2 para esse exemplo, e use a Equação 7.17 para tempo discreto tem resposta em frequência Hd(ejω). O
determinar os coeficientes da função de sistema do período de amostragem é T = 10−4 segundos, e o sinal
novo filtro. de entrada xc(t) é apropriadamente limitado em banda
(c) Repita o item (b) para o filtro no Exemplo 7.3. com Xc(j) = 0 para || ≥ 2π(5000).
7.4. A função de sistema de um sistema de tempo discreto é Sejam as especificações sobre |H(j)|
2 1 0,99 ≤ | | ≤ 1,01, | | ≤ 2π(1000),
H (z) = − .
1 − e−0,2 z−1 1 − e−0,4 z−1
| | ≤ 0,01, | | ≥ 2π(1100).
(a) Suponha que esse filtro de tempo discreto foi pro-
jetado pelo método da invariância ao impulso com Determine as especificações correspondentes da respos-
Td = 2; isto é, h[n] = 2hc(2n), em que hc(t) é real. ta em frequência de tempo discreto Hd (ejω).
Encontre a função de sistema Hc(s) de um filtro de 7.8. Queremos projetar um filtro passa-baixas FIR de Tipo
tempo contínuo que poderia ter sido a base para I de fase zero ótimo (Parks–McClellan) com frequência
o projeto. Sua resposta é única? Se não, determine da faixa de passagem ωp = 0,3π e frequência da faixa de
outra função de sistema Hc(s). rejeição ωs = 0,6π com ponderações de erro iguais nas
(b) Suponha que H(z) foi obtido pelo método da trans- faixas de passagem e rejeição. A resposta ao impulso
formação bilinear com Td = 2. Encontre a função do filtro desejado tem comprimento 11; isto é, h[n] = 0
de sistema Hc(s) que poderia ter sido a base para para n < −5 ou n > 5. Na Figura P7.8 mostra-se a resposta
o projeto. Sua resposta é única? Se não, determine em frequência H(ejω) para dois filtros diferentes. Para
outro Hc(s). cada filtro, especifique quantas alternâncias o filtro tem
7.5. Queremos usar o método de janela de Kaiser para pro- e afirme se ele satisfaz o teorema da alternância como o
jetar um filtro de tempo discreto com fase linear genera- filtro ótimo no sentido minimax, atendendo às especifi-
lizada que atenda às especificações da seguinte forma: cações dadas.
7.9. Suponha que projetemos um filtro de tempo discreto frequência de corte ωc = 0,64π. Encontre os valores de β
usando a técnica de invariância ao impulso com um filtro e M requeridos para satisfazer essa especificação.
passa-baixas de tempo contínuo ideal como um protóti- 7.17. Suponha que queiramos projetar um filtro passa-faixa
po. O filtro prototípico tem uma frequência de corte de que satisfaça a seguinte especificação:
c = 2π(1000) rad/s, e a transformação por invariância
ao impulso usa T = 0,2 ms. Qual é a frequência de corte −0,02 < |H (ej ω )| < 0,02, 0 ≤ |ω| ≤ 0,2π,
ωc para o filtro de tempo discreto resultante? 0,95 < |H (ej ω )| < 1,05, 0,3π ≤ |ω| ≤ 0,7π,
7 .10. Queremos projetar um filtro passa-baixas de tempo dis-
creto usando a transformação bilinear sobre um filtro pas- −0,001 < |H (ej ω )| < 0,001, 0,75π ≤ |ω| ≤ π.
sa-baixas ideal de tempo contínuo. Suponha que o filtro O filtro será projetado com a aplicação da invariância
prototípico de tempo contínuo tenha frequência de corte ao impulso com T = 5 ms a um filtro de tempo contí-
c = 2π(2000) rad/s, e escolhamos o parâmetro de trans- nuo prototípico. Enuncie as especificações que deve-
formação bilinear T = 0,4 ms. Qual é a frequência de corte rão ser usadas para projetar o filtro de tempo contínuo
ωc para o filtro de tempo discreto resultante? prototípico.
7.11. Suponha que tenhamos um filtro passa-baixas de tempo 7.18. Suponha que queiramos projetar um filtro passa-altas
discreto ideal com frequência de corte ωc = π/4. Além dis- satisfazendo a seguinte especificação:
so, somos informados de que esse filtro resultou da apli-
cação da invariância ao impulso a um filtro passa-baixas −0,04 < |H (ej ω )| < 0,04, 0 ≤ |ω| ≤ 0,2π,
prototípico de tempo contínuo usando T = 0,1 ms. Qual
0,995 < |H (ej ω )| < 1,005, 0,3π ≤ |ω| ≤ π.
era a frequência de corte c do filtro de tempo contínuo
prototípico? O filtro será projetado usando a transformação bilinear
7.12. Um filtro passa-altas de tempo discreto ideal com fre- e T = 2 ms com um filtro de tempo contínuo prototípico.
quência de corte ωc = π/2 foi projetado usando a trans- Indique as especificações que deverão ser usadas para
formação bilinear com T = 1 ms. Qual era a frequência projetar o filtro de tempo contínuo prototípico a fim de
de corte c do filtro passa-altas ideal de tempo contínuo garantir que as especificações para o filtro de tempo dis-
prototípico? creto sejam atendidas.
7.13. Um filtro passa-baixas de tempo discreto ideal com 7.19. Queremos projetar um filtro passa-faixa ideal de tempo
frequência de corte ωc = 2π/5 foi projetado usando in- discreto que tenha uma faixa de passagem π/4 ≤ ω ≤ π/2
variância ao impulso a partir de um filtro passa-baixas pela aplicação da invariância ao impulso a um filtro pas-
de tempo contínuo ideal com frequência de corte c = sa-faixa de tempo contínuo ideal com faixa de passagem
2π(4000) rad/s. Qual era o valor de T? Esse valor é úni- 2π(300) ≤ ≤ 2π(600). Especifique uma escolha para
co? Se não, encontre outro valor de T que seja consisten- T que irá produzir o filtro desejado. Sua escolha de T é
te com a informação dada. única?
7.14. A transformação bilinear é usada para projetar um fil- 7.20. Especifique se a afirmação a seguir é verdadeira ou falsa.
tro passa-baixas de tempo discreto ideal com frequên- Justifique sua resposta.
cia de corte ωc = 3π/5 a partir de um filtro passa-baixas Afirmação: Se a transformação bilinear for usada
de tempo contínuo ideal com frequência de corte c para transformar um sistema passa-tudo de tem-
= 2π(300) rad/s. Dê uma escolha para o parâmetro T po contínuo em um sistema de tempo discreto, o
que seja consistente com essa informação. Essa escolha sistema de tempo discreto resultante também será
é única? Se não, dê outra escolha que seja consistente um sistema passa-tudo.
com a informação.
7.15. Queremos projetar um filtro passa-baixas FIR que satis-
faça as especificações Problemas básicos
0,95 < H (ej ω ) < 1,05, 0 ≤ |ω| ≤ 0,25π, 7.21. Um engenheiro deve avaliar o sistema de processamen-
to de sinais mostrado na Figura P7.21-1 e melhorá-lo se
−0,1 < H (ej ω ) < 0,1, 0,35π ≤ |ω| ≤ π, for necessário. A entrada x[n] é obtida amostrando-se
aplicando uma janela ω[n] à resposta ao impulso hd[n] um sinal de tempo contínuo a uma taxa de amostragem
do filtro passa-baixas de tempo discreto ideal com fre- de 1/T = 100 Hz.
quência de corte ωc = 0,3π. Quais das janelas listadas na
x[n] y[n]
Seção 7.5.1 podem ser usadas para atender a essa especi- H(e j)
ficação? Para cada janela que você afirmar que vai satis-
fazer a especificação, dê o comprimento mínimo M + 1
requerido para o filtro. Figura P7.21-1
7.16. Queremos projetar um filtro passa-baixas FIR satisfa-
zendo as especificações O objetivo é que H(ejω) seja um filtro FIR de fase linear,
e idealmente ele deveria ter a seguinte resposta de am-
0,98 < H (ej ω ) < 1,02, 0 ≤ |ω| ≤ 0,63π, plitude (de modo que possa funcionar como um diferen-
−0,15 < H (ej ω ) < 0,15, 0,65π ≤ |ω| ≤ π, ciador de banda limitada):
−ω/T ω < 0
aplicando uma janela de Kaiser à resposta ao impulso amplitude de Hid (ej ω ) =
hd[n] do filtro passa-baixas de tempo discreto ideal com ω/T ω ≥ 0
(a) Para uma implementação de H(ejω), chamada de resposta ao impulso g[n] deve ser um inteiro par ou
H1(ejω), o projetista, motivado pela definição ímpar? Explique.
d (x(t)) x(t) − x(t − (c) Outro método para projetar o filtro H de tempo
= lim , discreto é o método da invariância ao impulso. Nes-
dt S0
se método, a resposta ao impulso de tempo contí-
escolhe a resposta ao impulso do sistema h1[n], de nuo de banda limitada ideal, como dada na Equa-
modo que a relação entrada-saída é ção P7.21-1, é amostrada.
x[n] − x[n − 1] c πt cos c t) − π sen c t)
y[n] = h(t) = (P7.21-1)
T π 2t 2
Esboce a resposta em amplitude de H1(ejω) e dis- (Em uma aplicação típica, c poderia ser ligeira-
cuta quão bem ela corresponde à resposta ideal. mente menor do que π/T, tornando h(t) a respos-
Você poderá achar úteis as seguintes expansões: ta ao impulso de um diferenciador que é limitado
1 3 1 1 em banda a || < π/T.) Com base nessa resposta ao
sen(θ) = θ − θ + θ5 − θ7 + · · · impulso, teríamos de criar um novo filtro H2 que
3! 5! 7!
também é FIR e de fase linear. Portanto, a resposta
1 2 1 1
cos(θ) = 1 − θ + θ4 − θ6 + · · · ao impulso, h2[n], deverá preservar a simetria ímpar
2! 4! 6! de h(t) em torno de t = 0. Usando o gráfico na Fi-
(b) Queremos colocar H1(ejω) em cascata com outro gura P7.21-2, indique a localização das amostras que
filtro FIR de fase linear G(ejω) para garantir que, na resultam se a resposta ao impulso for amostrada a
combinação dos dois filtros, o atraso de grupo seja 100 Hz e se uma resposta ao impulso de compri-
um número inteiro de amostras. O comprimento da mento 9 é obtida usando uma janela retangular.
10.000
5.000
0
h(t)
−5.000
−10.000
−0,05 −0,04 −0,03 −0,02 −0,01 0 0,01 0,02 0,03 0,04 0,05
t (segundos)
Figura P7.21-2
(d) Novamente usando o gráfico na Figura P7.21-2, in- 0,01, δ2 = 0,001, ωp = 0,4π e ωs = 0,6π. O comprimento
dique a localização das amostras se a resposta ao da resposta ao impulso é 28 amostras. A taxa de amostra-
impulso h2[n] for projetada para ter comprimento gem para os conversores C/D e D/C ideais é 1/T = 10000
8, novamente preservando a simetria ímpar de h(t) amostras/s.
em torno de t = 0.
(e) Como a magnitude da resposta desejada de H(ejω)
Sistema
é grande próximo de ω = π, você não quer que H2 xc(t) Conversor x[n] y[n] Conversor yc(t)
LIT
tenha um zero em ω = π. Você usaria uma resposta C/D ideal
h[n], H(e )
jω D/C ideal
ao impulso com um número par ou ímpar de amos-
tras? Explique.
7.22. No sistema mostrado na Figura P7.22, o sistema de tem- T T
po discreto é um filtro passa-baixas FIR de fase linear,
projetado pelo algoritmo de Parks–McClellan com δ1 = Figura P7.22
(a) Qual propriedade o sinal de entrada deverá ter tínuo. Sob quais condições o “integrador” de tempo
para que o sistema total se comporte como um sis- discreto poderia ser considerado uma boa aproxi-
tema LIT com Yc(j) = Heff (j)Xc(j)? mação para o integrador de tempo contínuo?
(b) Para as condições encontradas em (a), determine as Agora, considere um sistema de tempo contínuo com
especificações do erro de aproximação satisfeitas função de sistema
por |Heff(j)|. Dê suas respostas como uma equação
Gc(s) = s.
ou como um gráfico em função de .
(c) Qual é o atraso total da entrada de tempo contínuo Esse sistema é um diferenciador; isto é, a saída é a de-
até a saída de tempo contínuo (em segundos) do rivada da entrada. Suponha que um sistema de tempo
sistema na Figura P7.22? discreto seja obtido pela aplicação da transformação bi-
7.23. Considere um sistema de tempo contínuo com função de linear a Gc(s).
sistema (d) Qual é a função de sistema G(z) do sistema de tem-
1 po discreto resultante? Qual é a resposta ao impul-
H c (s) = . so g[n]?
s
(e) Obtenha uma expressão para a resposta em fre-
Esse sistema é chamado de integrador, pois a saída yc(t)
quência G(ejω) do sistema. Esboce a magnitude e a
está relacionada à entrada xc(t) por
fase do sistema de tempo discreto para 0 ≤ |ω| ≤ π.
t Compare-as com a magnitude e a fase da resposta
yc (t) = xc (τ )dτ.
−∞ em frequência Gc(j) do diferenciador de tempo
contínuo. Sob quais condições o “diferenciador”
Suponha que um sistema de tempo discreto seja obtido
de tempo discreto poderia ser considerado uma
aplicando-se a transformação bilinear a Hc(s).
boa aproximação para o diferenciador de tempo
(a) Qual é a função de sistema H(z) do sistema de tem- contínuo?
po discreto resultante? Qual é a resposta ao impul-
(f) O integrador e o diferenciador de tempo contínuo
so h[n]?
são inversos exatos um do outro. O mesmo é verda-
(b) Se x[n] é a entrada e y[n] é a saída do sistema de de em relação às aproximações de tempo discreto
tempo discreto resultante, escreva a equação de di- obtidas pelo uso da transformação bilinear?
ferenças que é satisfeita pela entrada e pela saída.
7.24. Suponha que tenhamos um filtro FIR em que h[n] pos-
Quais problemas você antecipa na implementação
sui simetria par e comprimento 2L + 1, isto é,
do sistema de tempo discreto usando essa equação
de diferenças? h[n] = 0 para |n| > L,
(c) Obtenha uma expressão para a resposta em fre-
h[n] = h[−n].
quência H(ejω) do sistema. Esboce a magnitude e
fase do sistema de tempo discreto para 0 ≤ |ω| ≤ π. Um gráfico da resposta em frequência H(ejω), isto é, a
Compare-os com a magnitude e a fase da resposta TFTD de h[n], é mostrado no intervalo −π ≤ ω ≤ π na
em frequência Hc(j) do integrador de tempo con- Figura P7.24.
1,2
0,8
0,6
H(e jω)
0,4
0,2
−0,2
−π −π/2 0 π/2 π
Frequência normalizada ω
Figura P7.24
O que pode ser inferido da Figura P7.24 a respeito da fai- (f) Suponha que H1(z), H2(z) e H(z) sejam versões
xa de valores possíveis de L? Explique com clareza a(s) transformadas de Hc1(s), Hc2(s) e Hc(s), respectiva-
razão(ões) para a sua resposta. Não faça nenhuma supo- mente. Qual(is) método(s) de projeto garantirá(ão)
sição a respeito do procedimento de projeto que poderia que H(z) = H1(z)+H2(z) sempre que Hc(s) =
ter sido usado para obter h[n]. Hc1(s) + Hc2(s)?
7.25. Seja hd[n] a resposta ao impulso de um sistema dese- (g) Suponha que duas funções de sistema de tempo
jado ideal com resposta em frequência correspondente contínuo satisfaçam a condição
Hd(ejω), e sejam h[n] e H(ejω) a resposta ao impulso e a
resposta em frequência, respectivamente, de uma apro- Hc1 e−j π/2 0,
=
ximação FIR para o sistema ideal. Suponha que h[n] = 0 Hc2 ej π/2 0.
para n < 0 e n > M. Queremos escolher as (M + 1) amos- Se H1(z) e H2(z) são versões transformadas de
tras da resposta ao impulso de modo a minimizar o erro Hc1(s) e Hc2(s), respectivamente, qual(is) método(s)
médio quadrático da resposta em frequência defini- de projeto resultará(ão) em sistemas de tempo dis-
do como
creto tais que
1 π
ε2 = |H d (ej ω ) − H (ej ω )|2 dω. H 1 (ej ω ) e−j π/2 , 0 < ω < π,
2π −π =
H 2 (ej ω ) ej π/2 , −π < ω < 0?
(a) Use a relação de Parseval para expressar a função (Tais sistemas são chamados de “phase splitters
de erro em termos das sequências hd[n] e h[n]. de 90o”.)
(b) Usando o resultado do item (a), determine os valo- 7.27. Suponha que seja dado um filtro de tempo discreto pas-
res de h[n] para 0 ≤ n ≤ M que minimizam ε2. sa-baixas ideal com resposta em frequência
(c) O filtro FIR determinado no item (b) poderia ter
1, |ω| < π/4,
sido obtido por uma operação de janelamento. Isto H (ej ω ) =
é, h[n] poderia ter sido obtido pela multiplicação da 0, π/4 < |ω| ≤ π.
sequência de comprimento infinito desejada hd[n] Queremos deduzir novos filtros a partir desse protótipo
por uma certa sequência de comprimento finito por manipulações da resposta ao impulso h[n].
w[n]. Determine a janela w[n] necessária para que (a) Faça um gráfico da resposta em frequência H1(ejω)
a resposta ao impulso ótima seja h[n] = w[n]hd[n]. para o sistema cuja resposta ao impulso seja h1[n] =
h[2n].
Problemas avançados (b) Faça um gráfico da resposta em frequência H2(ejω)
para o sistema cuja resposta ao impulso seja
7.26. A invariância ao impulso e a transformação bilinear são
dois métodos para projetar filtros de tempo discreto. h[n/ 2], n = 0, ±2, ±4, . . . ,
h2 [n] =
Ambos os métodos transformam uma função de siste- 0, caso contrário.
ma de tempo contínuo Hc(s) em uma função de sistema
(c) Faça um gráfico da resposta em frequência H3(ejω)
de tempo discreto H(z). Responda às seguintes pergun-
para o sistema cuja resposta ao impulso seja h3[n] =
tas indicando qual(is) método(s) leva(m) ao resultado
e j π nh[n] = (−1)nh[n].
desejado:
7.28. Considere um filtro passa-baixas de tempo contínuo
(a) Um sistema de tempo contínuo de fase mínima
Hc(s) com especificações para as faixas de passagem e
tem todos os seus polos e zeros no semiplano s es-
de rejeição
querdo. Se um sistema de tempo contínuo de fase
mínima for transformado em um sistema de tempo 1 − δ1 ≤ |H c | ≤ 1 + δ1 , | | ≤ p,
discreto, qual(is) método(s) resultará(ão) em um |H c | ≤ δ2 s ≤ | |.
sistema de tempo discreto de fase mínima?
(b) Se o sistema de tempo contínuo for um sistema Esse filtro é transformado em um filtro de tempo discre-
passa-tudo, seus polos estarão em localizações sk to passa-baixas H1(z) pela transformação
no semiplano s esquerdo, e seus zeros estarão nas
H1(z) = Hc(s)|s=(1−z−1)/(1+z−1),
localizações correspondentes −sk no semiplano s di-
reito. Qual(is) método(s) de projeto resultará(ão) e o mesmo filtro de tempo contínuo é transformado em
em um sistema de tempo discreto passa-tudo? um filtro de tempo discreto passa-altas pela transformação
(c) Qual(is) método(s) de projeto garantirá(ão) que
H2(z) = Hc(s)|s=(1+z−1)/(1−z−1).
H(ejω)|ω=0 = Hc(j)|=0?
(a) Determine uma relação entre a frequência de corte
(d) Se o sistema de tempo contínuo for um filtro re- da faixa de passagem p do filtro passa-baixas de
jeita-faixa, qual(is) método(s) resultará(ão) em um tempo contínuo e a frequência de corte da faixa
filtro rejeita-faixa de tempo discreto? de passagem ωp1 do filtro passa-baixas de tempo
(e) Suponha que H1(z), H2(z) e H(z) sejam versões discreto.
transformadas de Hc1(s), Hc2(s) e Hc(s), res- (b) Determine uma relação entre a frequência de corte
pectivamente. Qual(is) método(s) de projeto da faixa de passagem p do filtro passa-baixas de
garantirá(ão) que H(z) = H1(z)H2(z) sempre que tempo contínuo e a frequência de corte ωp2 da faixa
Hc(s) = Hc1(s)Hc2(s)? de passagem do filtro passa-altas de tempo discreto.
(c) Determine uma relação entre a frequência de cor- (d) A rede na Figura P7.28 representa uma implementação
te da faixa de passagem ωp1 do filtro passa-baixas do filtro passa-baixas de tempo discreto com função
de tempo discreto e a frequência de corte da fai- de sistema H1(z). Os coeficientes A, B, C e D são reais.
xa de passagem ωp2 do filtro passa-altas de tempo Como esses coeficientes deverão ser modificados para
discreto. se obter uma rede que implemente o filtro passa-altas
de tempo discreto com função de sistema H2(z)?
x [n] y [n]
A z –1 2 C z –1 2
B D
z –1 z –1
Figura P7.28
7.29. Um sistema de tempo discreto com função de sistema (c) Para α = 2 e β = 1, determine que contorno no pla-
H(Z) e resposta ao impulso h[n] tem resposta em fre- no z o eixo j do plano s mapeia.
quência (d) Suponha que o filtro de tempo contínuo seja um fil-
A, |θ | < θc , tro passa-baixas estável com resposta em frequên-
H (ej θ ) = cia na faixa de passagem tal que
0, θc < |θ| ≤ π,
(h) Se os coeficientes da função de sistema forem digi- 7.33. Considere um sinal real, de banda limitada, xa(t) cuja trans-
talizados com 10 bits cada, o sistema ainda será óti- formada de Fourier Xa(j) tenha a seguinte propriedade:
mo no sentido Chebyshev para a resposta desejada Xa(j) = 0 para || > 2π · 10000.
e para a função de ponderação originais.
Ou seja, o sinal é limitado em banda a 10 kHz.
(i) Se os coeficientes da função de sistema são digi-
Queremos processar xa(t) com um filtro analógico passa-
talizados com 10 bits cada, ainda garante-se que o
-altas cuja resposta em magnitude satisfaça as especifica-
sistema é um filtro de fase linear.
ções a seguir (veja a Figura P7.33):
(j) Se os coeficientes da função de sistema são digita-
lizados com 10 bits cada, o sistema pode se tornar 0 ≤ |Ha | ≤ 0,1 para 0 ≤ | | ≤ 2π · 4000 = s
instável.
7.32. Projete um filtro FIR, h[n], com as seguintes especifica- 0,9 ≤ |Ha |≤1 para p = 2π · 8000 ≤ | |,
ções de magnitude: em que s e p denotam as frequências das faixas de
• Extremidade da faixa de passagem: ωp = π/100. rejeição e de passagem, respectivamente.
• Extremidade da faixa de rejeição: ωs = π/50.
|Ha(jΩ)|
• Ganho máximo na faixa de rejeição: δs ≤ −60 dB em
relação à faixa de passagem.
1
O uso de uma janela de Kaiser é sugerido. As regras de
projeto por janela de Kaiser para o parâmetro de forma 0,9
β e comprimento do filtro M são descritas na Seção 7.5.3.
(a) Que valores de β e M são necessários para atender
às especificações requeridas?
Você mostra o filtro resultante ao seu chefe, e ele está
insatisfeito. Ele pede que você reduza as operações
exigidas pelo filtro. Você conversa com um consultor,
0,1
que sugere que você projete o filtro como uma cascata
de dois estágios: h¿[n] = p[n] * q[n]. Para projetar p[n], Ω
ele sugere primeiro projetar um filtro, g[n], com extre- 0 Ωs = 8000π Ωp = 16000π
midade da faixa de passagem ω¿p = 10ωp, extremidade
da faixa de rejeição ω¿s = 10ωs e ganho da faixa de rejei- Figura P7.33
ção δ¿s = δs. O filtro p[n] é então obtido expandindo-se
g[n] por um fator 10: (a) Suponha que o filtro analógico Ha(j) seja imple-
mentado por processamento em tempo discreto, de
g[n/10], quando n/10 é um inteiro, acordo com o diagrama mostrado na Figura 7.2.
p[n] = .
0, caso contrário. 1
A frequência de amostragem f s = é de 24 kHz
T
(b) Que valores de β¿ e M¿ são necessários para atender para ambos os conversores C/D e D/C ideais.
às especificações exigidas para g[n]? Determine a especificação de filtro apropriada para
(c) Esboce P(ejω) de ω = 0 até ω = π/4. Você não preci- a resposta em magnitude do filtro digital |H(ejω)| .
sa esboçar a forma exata da resposta em frequência; 1 − z−1
em vez disso, você deverá mostrar quais regiões da (b) Usando a transformação bilinear s = , que-
1 + z−1
resposta em frequência estão próximas de 0 dB e remos projetar um filtro digital cujas especificações
quais regiões estão em –60 dB ou abaixo disso. Indi- de resposta em magnitude foram encontradas no
que todas as extremidades de faixas em seu esboço. item (a). Encontre as especificações para |GHP(j1)|,
(d) Que especificações deveriam ser usadas no projeto a resposta em magnitude do filtro analógico passa-
de q[n] para garantir que h¿[n] = p[n] * q[n] atenda -altas que está relacionado ao filtro digital por meio
ou exceda os requisitos originais? Especifique a ex- da transformação bilinear. Novamente, forneça um
tremidade da faixa de passagem, ω–p, a extremidade esboço totalmente indicado das especificações so-
da faixa de rejeição, ω–s, e a atenuação da faixa de bre a resposta em magnitude de |GHP(j1)|.
rejeição, δ–s, exigidas para q[n]. 1
(e) Que valores de β– e M– são necessários para aten- (c) Usando a transformação de frequência s1 = ,
s2
der às especificações exigidas para q[n]? Quantas (isto é, substituindo a variável da transformada de
amostras não nulas h¿[n] = q[n] * p[n] terá? Laplace s por sua recíproca), projete o filtro analó-
(f) O filtro h¿[n] dos itens (b)-(e) é implementado pri- gico passa-altas GHP(j1) a partir do filtro Butter-
meiro convoluindo-se diretamente a entrada com worth de ordem mais baixa, cuja resposta em fre-
q[n] e depois convoluindo diretamente os resultados quência da magnitude ao quadrado é dada a seguir:
com p[n]. O filtro h[n] do item (a) é implementado
2 1
convoluindo-se diretamente a entrada com h[n]. | 2 )| = 2N
.
Qual dessas duas implementações exige menos mul- 1+ 2 c
tiplicações? Explique. Nota: você não deverá consi- Em particular, determine a ordem N de filtro mais
derar as multiplicações por 0 como operações. baixa e sua frequência de corte c corresponden-
te, tal que a especificação da faixa de passagem do (d) Desenhe o diagrama de polos e zeros do filtro (pas-
filtro original (|Ha (jp)| = 0,9) seja atendida exata- sa-baixas) Butterworth G(s2) e determine uma ex-
mente. Em um diagrama, rotule as características de pressão para a sua função de transferência.
destaque da resposta em magnitude do filtro But- 7.34. Um filtro FIR de fase zero h[n] tem a TFTD associada
terworth que você projetou. H(ejω), mostrada na Figura P7.34.
1,2
0,8
0,6
H(e j)
0,4
0,2
−0,2
− −0,8 −0,6 −0,4 −0,2 0 0,2 0,4 0,6 0,8
Frequência normalizada ω
Figura P7.34
Sabe-se que o filtro foi projetado com o algoritmo (d) O teorema da alternância garante “unicidade do
de Parks–McClellan (PM) e que os parâmetros de en- polinômio de ordem r”. Se a sua resposta para (c) for
trada para o algoritmo PM foram: sim, explique por que o teorema da alternância não
• Extremidade da faixa de passagem: ωp = 0,4π é violado. Se a sua resposta for não, mostre como os
• Extremidade da faixa de rejeição: ωs = 0,6π dois filtros, h1[n] e h2[n], estão relacionados.
• Ganho ideal na faixa de passagem: Gp = 1 7.35. É dado um filtro passa-banda FIR h[n] de fase zero, isto
é, h[n] = h[−n]. Sua TFTD associada H(ejω) é mostrada
• Ganho ideal na faixa de rejeição: Gs = 0
na Figura P7.35.
• Função de ponderação de erro W(ω) = 1 Sabe-se que o filtro foi projetado com o algoritmo de
O comprimento da resposta ao impulso h[n] é M + 1 = Parks–McClellan. Sabe-se que os parâmetros de entrada
2L + 1 e do algoritmo de Parks–McClellan foram:
h[n] = 0 para |n| > L. • Extremidade inferior da faixa de rejeição: ω1 = 0,2π
O valor de L não é conhecido. • Extremidade inferior da faixa de passagem: ω2 = 0,3π
Afirma-se que existem dois filtros, cada um com uma • Extremidade superior da faixa de passagem: ω3 = 0,7π
resposta em frequência idêntica àquela mostrada na Fi-
• Extremidade superior da faixa de rejeição: ω4 = 0,8π
gura P7.34, e sendo cada um deles projetado pelo algo-
ritmo de Parks–McClellan com diferentes valores para o • Ganho ideal na faixa de passagem: Gp = 1
parâmetro de entrada L. • Ganho ideal na faixa de rejeição: Gs = 0
• Filtro 1: L = L1 • Função de ponderação de erro W(ω) = 1
• Filtro 2: L = L2 > L1. O valor do parâmetro de entrada M + 1, que representa
Ambos os filtros foram projetados usando exatamente o o número máximo de valores não nulos da resposta ao
mesmo algoritmo de Parks–McClellan e parâmetros de impulso (de modo equivalente, o comprimento do fil-
entrada, exceto para o valor de L. tro), não é conhecido.
(a) Quais são os valores possíveis para L1? Afirma-se que existem dois filtros, cada um com uma
(b) Quais são os valores possíveis para L2 > L1? resposta em frequência idêntica àquela mostrada na Fi-
(c) As respostas ao impulso h1[n] e h2[n] dos dois fil- gura P7.35, mas com diferentes comprimentos da respos-
tros são idênticas? ta ao impulso M + 1 = 2L + 1.
1,2
0,8
0,6
H(e jω )
0,4
0,2
1,4
1,2
0
1
|A1e(e jω)|
0,8
−0,2
−π −0,8π −0,6π −0,4π −0,2π 0 0,2π 0,4π 0,60,6π 0,8π π
Frequência normalizada ω 0,4
Figura P7.35 0,2
0
0 0,4π 0,6π π
ω
• Filtro 1: M = M1 = 14 1,4
• Filtro 2: M = M2 Z M1 1,2
Ambos os filtros foram projetados usando exatamente o 1
mesmo algoritmo de Parks–McClellan e os mesmos pa-
|A2e(e jω)|
0,8
râmetros de entrada, exceto para o valor de M.
(a) Quais são os valores possíveis para M2? 0,6
(b) O teorema da alternância garante “unicidade do 0,4
polinômio de ordem r”. Explique por que o teorema 0,2
da alternância não é violado.
0
7.36. Os gráficos na Figura P7.36 representam quatro diagra- 0 0,4π 0,6π π
ω
mas de magnitude da resposta em frequência de filtros 1,4
FIR de fase linear, chamados de |Aei(ejω)|, i = 1, 2, 3, 4.
1,2
Um ou mais desses gráficos podem pertencer a filtros
FIR de fase linear equiripple projetados pelo algoritmo 1
de Parks–McClellan. Os erros de aproximação máximos
|A3e(e jω)|
0,8
na faixa de passagem e na faixa de rejeição, bem como 0,6
as frequências de corte desejadas dessas faixas, também
são mostrados nos diagramas. Note que as especifica- 0,4
ções do erro de aproximação e do comprimento do fil- 0,2
tro podem ter sido escolhidas de formas diferentes para 0
garantir que as frequências de corte sejam as mesmas 0 0,4π 0,6π π
ω
em cada projeto. 1,4
1,4 1,2
1,2 1
|A4e(e jω)|
1 0,8
0,6
|A1e(e jω)|
0,8
0,6 0,4
0,4 0,2
0,2 0
0 0,4π 0,6π π
ω
0
0 0,4π 0,6π π
ω Figura P7.36
1,4
1,2
1
|A2e(e jω)|
0,8
0,6
BOOK_oppen0512_BR.indb 353 0,4 1/15/13 6:33 PM
354 Processamento em tempo discreto de sinais
(a) Qual(is) tipo(s) (I, II, III, IV) de filtros FIR de fase de amostragem dos conversores C/D e D/C é fs = 1/T =
linear |Aei(ejω)| pode corresponder, para i = 1, 2, 3, 4? 10.000 amostras/s.
Note que pode haver mais de um tipo de filtro FIR Uma janela de Kaiser wK[n] de comprimento M + 1 =
de fase linear correspondente a cada |Aei(ejω)|. Se for 23 e β = 3,395 é usada para projetar um filtro passa-bai-
esse o caso, liste todas as escolhas possíveis. xas de fase linear com resposta em frequência Hlp(ejω).
(b) Quantas alternâncias cada |Aei(ejω)| apresenta, para Quando usado no sistema da Figura 7.1, de modo que
i = 1, 2, 3, 4? H(ejω) = Hlp(ejω), a resposta em frequência efetiva total
(c) Para cada i, i = 1, 2, 3, 4, |Aei(ejω)| pode pertencer a (da entrada xa(t) para a saída ya(t)) atende às seguintes
uma saída do algoritmo de Parks–McClellan? especificações:
(d) Se você afirmou que determinado |Aei(ejω)| poderia 0,99 ≤ |Heff | ≤ 1,01, 0 ≤ | | ≤ 2π(2000)
corresponder a uma saída do algoritmo de Parks– |Heff | ≤ 0,01 2π(3000) ≤ | | ≤ 2π(5000).
–McClellan e que ele poderia ser de Tipo I, qual é
o comprimento da resposta ao impulso de |Aei(ejω)|? (a) A fase linear do filtro FIR introduz um atraso td.
7.37. Considere o sistema de dois estágios mostrado na Figura Encontre o atraso através do sistema (em milisse-
P7.37 para interpolar uma sequência x[n] = xc(nT) a uma gundos).
taxa de amostragem que é 15 vezes a taxa de amostra- (b) Agora um filtro passa-altas é projetado com a mes-
gem da entrada; isto é, desejamos y[n] = xc(nT/15). ma janela de Kaiser, aplicando-a à resposta ao im-
pulso ideal hd[n], cuja resposta em frequência cor-
x[n] xe[n] w[n] we[n] y[n] respondente é
3 H1(e jω) 5 H2(e jω)
0 |ω| < 0,25π
Hd (ej ω ) =
2e−j ωn d 0,25π < |ω| ≤ π.
Figura P7.37
Ou seja, um filtro passa-altas FIR de fase linear
Suponha que a sequência de entrada x[n] = xc(nT) te- com resposta ao impulso hhp[n] = wK[n]hd[n] e res-
nha sido obtida pela amostragem de um sinal de tempo posta em frequência Hhp(ejω) foi obtido pela mul-
contínuo de banda limitada cuja transformada de Fou- tiplicação de hd[n] pela mesma janela de Kaiser
rier satisfaz a seguinte condição: |Xc(j)| = 0 para || ≥ ωK[n] que foi usada para projetar o primeiro filtro
2π(3600). Suponha que o período de amostragem origi- passa-baixas mencionado. O filtro FIR de tempo
nal tenha sido T = 1/8000. discreto passa-altas resultante atende a um conjun-
(a) Faça um esboço da transformada de Fourier Xc(j) to de especificações da seguinte forma:
de um sinal de entrada de banda limitada “típico” e
as transformadas de Fourier de tempo discreto cor- |Hhp (ej ω )| ≤ δ1 0 ≤ |ω| ≤ ω1
respondentes X(ejω) e Xe(ejω). G − δ2 ≤ |Hhp (ej ω )| ≤ G + δ2 ω2 ≤ |ω| ≤ π
(b) Para implementar o sistema de interpolação, natu-
Use a informação das especificações do filtro passa-
ralmente, precisamos usar filtros não ideais. Use seu
-baixas para determinar os valores de ω1, ω2, δ1, δ2 e G.
gráfico de Xe(ejω) obtido no item (a) para determi-
7.39 Na Figura P7.39 é mostrada a amplitude da resposta em fre-
nar as frequências de corte das faixas de passagem
quência ideal desejada para um filtro passa-faixa a ser pro-
e de rejeição (ωp1 e ωs1) requeridas para preservar
jetado como um filtro FIR de Tipo I h[n], com TFTD H(ejω)
a faixa original de frequências essencialmente inal-
que aproxima Hd(ejω) e que atende às seguintes restrições:
terada e, ao mesmo tempo, atenuar as imagens do
espectro de banda-base. (Ou seja, desejamos que −δ1 ≤ H(ejω) ≤ δ1, 0 ≤ |ω| ≤ ω1
ω[n] ≈ xc(nT/3).) Supondo que isso possa ser obti-
1 − δ2 ≤ H(ejω) ≤ 1 + δ2, ω2 ≤ |ω| ≤ ω3
do com o erro de aproximação na faixa de passagem
δ1 = 0,005 (para um ganho 1 na faixa de passagem do −δ3 ≤ H(ejω) ≤ δ3, ω4 ≤ |ω| ≤ π
filtro) e com o erro de aproximação de faixa de rejei-
ção δ2 = 0,01, faça um gráfico das especificações para
Hd(e jω)
o projeto do filtro H1(ejω) para −π ≤ ω ≤ π.
(c) Supondo que ω[n] = xc(nT/3), faça um esboço de
We(ejω) e use-o para determinar as frequências de 1
corte das faixas de passagem e de rejeição ωp2 e ωs2
exigidas para o segundo filtro.
(d) Use a fórmula da Equação 7.117 para determinar ω
as ordens dos filtros M1 e M2 para filtros de Parks– −π −ω4 −ω3 −ω2 −ω1 0 ω1 ω2 ω3 ω 4 π
–McClellan que tenham as frequências de corte nas
Figura P7.39
faixas de passagem e de rejeição determinadas nos
itens (b) e (c) com δ1 = 0,005 e δ2 = 0,01 para os O filtro resultante h[n] deve minimizar o erro ponde-
dois filtros. rado máximo e, portanto, deve satisfazer o teorema da
(e) Determine quantas multiplicações são requeridas alternância.
para calcular 15 amostras da saída para esse caso. Determine e esboce uma escolha apropriada para a fun-
7.38. O sistema da Figura 7.2 é usado para realizar a filtragem ção de ponderação que possa ser usada com o algoritmo
de sinais de tempo contínuo com um filtro digital. A taxa de Parks–McClellan.
7.40. (a) Na Figura P7.40-1 é mostrada a resposta em fre- Magnitude desejada na faixa de passagem: 1
quência Ae(ejω) de um filtro de Parks–McClellan Magnitude desejada na faixa de rejeição: 0
de Tipo I passa-baixas baseado nas especificações A função de ponderação usada tanto na faixa de
a seguir. Consequentemente, ele satisfaz o teorema passagem quanto na de rejeição é W(ω) = 1.
da alternância.
O que você pode concluir a respeito do número
Extremidade da faixa de passagem: ωp = 0,45π máximo possível de valores não nulos da resposta
Extremidade da faixa de rejeição: ωs = 0,50π ao impulso do filtro?
1,6
1,4
1,2
0,8
Ae(e jω)
0,6
0,4
0,2
−0,2
−0,4
Figura P7.40-1
(b) Na Figura P7.40-2 é mostrada outra resposta em fre- com erro máximo diferente nas faixas de passa-
quência Be(ejω) para um filtro FIR de Tipo I. Be(ejω) gem e de rejeição.
é obtido de Ae(ejω) no item (a) da seguinte forma: O filtro satisfaz o teorema da alternância com as
2 frequências das extremidades das faixas de passa-
Be (ej ω ) = k1 Ae (ej ω ) + k2 ,
gem e de rejeição indicadas e com as ondulações
em que k1 e k2 são constantes. Observe que nas faixas de passagem e de rejeição indicadas pelas
Be(ejω) apresenta comportamento equiripple, linhas tracejadas?
1,6
1,4
1,2
0,8
Be(e jω)
0,6
0,4
0,2
−0,2
−0,4
Figura P7.40-2
7.41. Suponha que Hc(s) tenha um polo de ordem r em s = s0, sen [ω(M+1)/4] sen [ω(M−1)/4]
de modo que Hc(s) possa ser expressa como WB (e j ω )= e−j ωM/2 (2/M)
sen (ω/2) sen (ω/2)
r para M ímpar.
Ak
H c (s) = + Gc (s),
(s − s0 )k (b) Pode-se ver facilmente que as janelas de tipo cos-
k=1
seno elevado de (M + 1) pontos definidas pelas
em que Gc(s) tem apenas polos de primeira ordem. Su- equações 7.60(c)-(e) podem ser todas expressas na
ponha que Hc(s) seja causal. forma
(a) Dê uma fórmula para determinar as constantes Ak w[n] = [A + B cos(2πn/M) + C cos(4πn/M)]wR[n],
a partir de Hc(s).
(b) Obtenha uma expressão para a resposta ao impul- sendo wR[n] uma janela retangular de (M + 1) pon-
so hc(t) em termos de s0 e gc(t), a transformada de tos. Use essa relação para encontrar a transformada
Laplace inversa de Gc(s). de Fourier da janela tipo cosseno elevado genérica.
7.42. Como discutimos no Capítulo 12, um transformador de (c) Usando escolhas apropriadas para A, B e C e o re-
Hilbert de tempo discreto ideal é um sistema que intro- sultado determinado no item (b), esboce a magnitu-
duz –90o (–π/2 radianos) de deslocamento de fase para de da transformada de Fourier da janela Hanning.
0 < ω < π e +90o (+π/2 radianos) de deslocamento de 7.44. Considere a seguinte resposta em frequência ideal para
fase para −π < ω < 0. A magnitude da resposta em fre- um filtro multibanda:
quência é constante (unitária) para 0 < ω < π e para −π −j ωM/ 2
< ω < 0. Tais sistemas também são chamados de desloca- e
, 0 ≤ |ω| < 0,3π,
dores de fase de 90 o ideais. Hd (ej ω ) = 0, 0,3π < |ω| < 0,6π,
(a) Dê uma equação para a resposta em frequência de-
0,5e −j ωM/ 2 , 0,6π < |ω| ≤ π.
sejada ideal Hd(ejω) de um transformador de Hilbert
de tempo discreto ideal que também inclua atraso de
A resposta ao impulso hd[n] é multiplicada por uma ja-
grupo constante (não nulo). Faça um gráfico da res-
nela de Kaiser com M = 48 e β = 3,68, resultando em um
posta de fase desse sistema para −π < ω < π.
sistema FIR de fase linear com resposta ao impulso h[n].
(b) Que tipo(s) de sistemas de fase linear FIR (I, II,
(a) Qual é o atraso do filtro?
III ou IV) pode(m) ser usado(s) para aproximar o
(b) Determine a resposta ao impulso desejada ideal
transformador de Hilbert ideal do item (a)?
hd[n].
(c) Suponha que queiramos usar o método de jane-
(c) Determine o conjunto de especificações do erro de
lamento para projetar uma aproximação de fase
aproximação que é satisfeito pelo filtro FIR; isto é,
linear para o transformador de Hilbert ideal. Use
determine os parâmetros δ1, δ2, δ3, B, C, ωp1, ωs1, ωs2
Hd(ejω) dado no item (a) para determinar a respos-
e ωp2 em
ta ao impulso ideal hd[n] se o sistema FIR tiver de
ser tal que h[n] = 0 para n < 0 e n > M.
B − δ1 ≤ |H (ej ω )| ≤ B + δ1 , 0 ≤ ω ≤ ωp1 ,
(d) Qual é o atraso do sistema se M = 21? Esboce a
magnitude da resposta em frequência da aproxi- |H (ej ω )| ≤ δ2 , ωs1 ≤ ω ≤ ωs2 ,
mação FIR para esse caso, supondo a existência de C − δ3 ≤ |H (ej ω )| ≤ C + δ3 , ωp2 ≤ ω ≤ π.
uma janela retangular.
(e) Qual é o atraso do sistema se M = 20? Esboce a 7.45. A resposta em frequência de um filtro desejado hd[n]
magnitude da resposta em frequência da aproxi- é mostrada na Figura P7.45. Neste problema, queremos
mação FIR para esse caso, supondo a existência de projetar um filtro FIR de fase linear causal com (M + 1)
uma janela retangular. pontos h[n] que minimize o erro quadrático integrado
7.43. As janelas comumente utilizadas, apresentadas na Se-
ção 7.5.1, podem ser todas expressas em termos de ja- 2 1 π
d = 2π |A(ej ω ) − Hd (ej ω )|2 dω,
nelas retangulares. Esse fato pode ser usado para obter −π
expressões para as transformadas de Fourier da janela
de Bartlett e para a família de janelas de tipo cosseno sendo a resposta em frequência h[n] do filtro
elevado, que inclui as janelas Hanning, de Hamming e de H(ejω) = A(ejω)e−jωM/2
Blackman.
(a) Mostre que a janela de Bartlett de (M + 1) pontos, e M um inteiro par.
definida pela Equação 7.60(b), pode ser expressa
como a convolução de duas janelas retangulares Hd (e j)
menores. Use esse fato para mostrar que a transfor- 1
mada de Fourier da janela de Bartlett de (M + 1)
pontos é
– 0
sen(ωM/4) 2 –
WB (e j ω ) = e−j ωM/ 2 (2/M) para M par 2 2
sen(ω/2)
ou Figura P7.45
– δ2
ωp ωs π ω dyc (t) yc (nT) − yc (nT − T)
≈ ,
dt t=nT T
e a resposta em frequência serão afetadas pela es- (b) Use a equação diferencial para obter uma expres-
colha de T? são para ẏc(nT) e substitua essa expressão na ex-
(f) Suponha que a primeira derivada seja aproximada pressão obtida no item (a).
pela primeira diferença progressiva; isto é, (c) Defina x[n] = xc(nT) e y[n] = yc(nT). Com essa
notação e o resultado do item (b), obtenha uma
dyc (t) yc (nT + T) − yc (nT)
≈ . equação de diferenças relacionando x[n] e y[n] e
dt t=nT T determine a função de sistema H(z) = Y (z)/X (z)
Determine o mapeamento correspondente do pla- do sistema de tempo discreto resultante.
no s para o plano z e repita o item (e) para esse (d) Mostre que, para este exemplo,
mapeamento. H (z) = H c (s) s=(2/T)[(1−z−1 )/(1+z−1 )] ;
7.49. Considere um sistema de tempo contínuo LIT com fun-
ção de sistema racional Hc(s). A entrada xc(t) e a saída isto é, mostre que H(z) pode ser obtido diretamen-
yc(t) satisfazem uma equação diferencial linear ordiná- te de Hc(s) pela transformação bilinear. (Para equa-
ria com coeficientes constantes. Uma abordagem para ções diferenciais de ordem elevada, a integração
simular esses sistemas consiste em usar técnicas numéri- trapezoidal aplicada repetidamente à derivada de
cas para integrar a equação diferencial. Neste problema, maior ordem da saída resultará na mesma conclu-
demonstramos que, se a fórmula de integração trapezoi- são para um sistema de tempo contínuo genérico
dal for usada, essa técnica equivale a transformar a fun- com função de sistema racional.)
ção de sistema de tempo contínuo Hc(s) em uma função 7.50. Neste problema, consideramos um método de projeto
de sistema de tempo discreto H(z) usando a transfor- de filtro que poderia ser chamado de invariância da au-
mação bilinear. tocorrelação. Considere um sistema de tempo contínuo
Para demonstrar essa afirmação, considere a função de estável com resposta ao impulso hc(t) e função de sis-
sistema de tempo contínuo tema Hc(s). A função de autocorrelação da resposta ao
A impulso do sistema é definida como
H c (s) = ,
s+c ∞
φc (τ ) = hc (t)hc (t + τ )dτ,
em que A e c são constantes. A equação diferencial cor- −∞
respondente é
e, para uma resposta ao impulso real, pode-se mostrar
ẏc(t) + cyc(t) = Axc(t), facilmente que a transformada de Laplace de φc(τ) é
c(s) = Hc(s)Hc(−s). Similarmente, considere um siste-
em que ma de tempo discreto com resposta ao impulso h[n] e
dyc (t) função de sistema H(z). A função de autocorrelação da
ẏc (t) = . resposta ao impulso de um sistema de tempo discreto é
dt
definida como
(a) Mostre que yc(nT) pode ser expresso em termos de
ẏc(t) como ∞
φ[m] = h[n]h[n + m],
nT
n=−∞
yc (nT) = ẏc (τ )dτ + yc (nT − T).
(nT−T) e para uma resposta ao impulso real, (z) = H(z)H(z−1).
A invariância da autocorrelação implica a definição de
A integral definida nessa equação representa a área
um filtro de tempo discreto igualando-se a função de
sob a função ẏc(t) no intervalo de (nT − T) a nT.
autocorrelação do sistema de tempo discreto com a fun-
Na Figura P7.49 é mostrada uma função ẏc(t) e uma
ção de autocorrelação de um sistema de tempo contínuo
região em forma de trapézio cuja área se aproxima
amostrada; isto é,
da área sob a curva. Essa aproximação para a in-
tegral é conhecida como aproximação trapezoidal. φ[m] = Tdφc(mTd), −∞ < m < ∞.
Claramente, quando T tende a zero, a aproximação
melhora. Use a aproximação trapezoidal para obter O procedimento de projeto seguinte é proposto para a
uma expressão para yc(nT) em termos de yc(nT − T), invariância da autocorrelação quando Hc(s) é uma fun-
ẏc(nT) e ẏc(nT − T). ção racional tendo N polos de primeira ordem em sk,
k = 1, 2,..., N, e M < N zeros:
•
yc (nT)
•
yc (t) 1. Obtenha uma expansão em frações parciais de
c(s) na forma
N
•
yc (nT – T) Ak Bk
c (s) = + .
s − sk s + sk
k=1
2. Forme a transformada z
nT – T nT t N
Td Ak Td Bk
= + .
1 − eskTd z−1 1 − e−skTd z−1
Figura P7.49 k=1
3. Encontre os polos e zeros de (z) e forme uma fun- ωp, a frequência de corte do novo filtro H(z), em
ção de sistema de fase mínima H(z) a partir dos po- função de α e θp.
los e zeros de (z) que estão no interior do círculo (c) Suponha que o filtro passa-baixas original tenha a
unitário. função de sistema
(a) Justifique cada etapa no procedimento de projeto
1
proposto; isto é, mostre que a função de autocor- Hlp (Z) = .
relação do sistema de tempo discreto resultante é 1 − 0,9Z −1
uma versão amostrada da função de autocorrela- Desenhe o diagrama de fluxo de uma implemen-
ção do sistema de tempo contínuo. Para verificar o tação de Hlp(Z) e também desenhe o diagrama de
procedimento, pode ser útil testá-lo no sistema de fluxo da implementação de H(z) obtida substituin-
primeira ordem com resposta ao impulso do-se os elementos de atraso unitário no primeiro
diagrama de fluxo pela rede da Figura P7.51-2. A
hc(t) = e−αt u(t)
rede resultante corresponde a uma equação de di-
e função de sistema correspondente ferenças computável?
(d) Se Hlp(Z) corresponde a um sistema FIR imple-
1
H c (s) = . mentado na forma direta, a manipulação do dia-
s+α
grama de fluxo leva a uma equação de diferenças
(b) Qual é a relação entre |H(ejω)|2 e |Hc(j)|2? Que ti- computável? Se o sistema FIR Hlp(Z) fosse um sis-
pos de funções de resposta em frequência seriam tema de fase linear, o sistema resultante H(z) tam-
apropriados para o projeto por invariância de auto- bém seria um sistema de fase linear? Se o sistema
correlação? FIR tiver uma resposta ao impulso de comprimen-
(c) A função de sistema obtida no Passo 3 é única? Se to M + 1 amostras, qual seria o comprimento da
não, descreva como obter sistemas de tempo discre- resposta ao impulso do sistema transformado?
to invariantes à autocorrelação adicionais. (e) Para evitar as dificuldades que surgiram no item (c),
7.51. Seja Hlp(Z) a função de sistema para um filtro passa- é sugerido que a rede da Figura P7.51-2 seja coloca-
-baixas de tempo discreto. As implementações desse da em cascata com um elemento de atraso unitário,
sistema podem ser representadas por gráficos de fluxo conforme representado na Figura P7.51-3. Repita a
de sinal lineares consistindo de somadores, ganhos e ele- análise do item (a) quando a rede da Figura P7.51-3
mentos de atraso unitário, como na Figura P7.51-1. Que- é substituída em cada elemento de atraso unitário.
remos implementar um filtro passa-baixas para o qual a Determine uma equação que expresse θ em função
frequência de corte possa ser variada alterando-se um de ω e mostre que, se Hlp(ejθ) é um filtro passa-bai-
único parâmetro. A estratégia proposta é substituir cada xas, então H(ejω) não é um filtro passa-baixas.
elemento de atraso unitário em um diagrama de fluxo
z–1
que representa Hlp(Z) pela rede mostrada na Figura
P7.51-2, em que α é real e |α| < 1. z–1 –1
z–1
Z–1
(a) Suponha que o sistema básico tenha uma resposta h [n] 2 – h [n] h [n]
ao impulso de duração finita simétrica; isto é, +
x [n] H (e jω) H (e jω) H (e jω) y[n]
+
h[−n], −L ≤ n ≤ L,
h[n] =
0 caso contrário. 3
Conversor
H (e j) Conversor Hr (j)
C/D
x [n] = xc (nT) D/A
xc (t) ideal y[n] yDA (t) yc (t)
Período Período
de de
amostragem T amostragem T
Figura P7.55
1. Suponha que Xc(j) = 0 para || ≥ π/T e que faixa de transição estreita, um sistema FIR terá uma res-
posta ao impulso longa, e assim exigirá um grande núme-
1, | | < π/T ,
Hr = ro de multiplicações e adições por amostra de saída.
0, | | > π/T ,
denota um filtro de reconstrução passa-baixas ideal. FPB
M
2. O conversor D/A tem um circuito de retenção de H (e jω)
x [n] v [n] y [n]
ordem zero embutido, de modo que
∞
YDA(t) = y[n]h0 (t − nT), H(e jω)
n=−∞ ωp = frequência da faixa de passagem
sendo 1 ωs = frequência da faixa de rejeição
(ωs – ωp) = largura da faixa de transição
1, 0 ≤ t < T,
h0 (t) =
0, caso contrário.
(Desconsideramos a digitalização no conversor D/A.) ωp ωs π ω
3. O segundo sistema na Figura P7.55 é um sistema de
tempo discreto FIR de fase linear com resposta em Figura P7.56-1
frequência H(ejω).
Queremos projetar o sistema FIR usando o algoritmo de Neste problema, estudaremos os méritos de uma imple-
Parks–McClellan para compensar os efeitos do sistema mentação multiestágios do sistema na Figura P7.56-1.
de retenção de ordem zero. Tais implementações são particularmente úteis quando
ωs é pequeno e o fator de dizimação M é grande. Uma
(a) A transformada de Fourier da saída é Yc(j) =
implementação multiestágios genérica é representada
Heff (j)Xc(j). Determine uma expressão para Heff(j)
na Figura P7.56-2. A estratégia é usar uma faixa de tran-
em termos de H(ejT) e T.
sição mais larga nos filtros passa-baixas dos primeiros
(b) Se o sistema FIR de fase linear for tal que h[n] = 0
estágios, reduzindo assim o comprimento das respostas
para n < 0 e n > 51, e T = 10−4 s, qual é o atraso total
ao impulso de filtro requeridas nesses estágios. À me-
(em ms) entre xc(t) e yc(t)?
dida que ocorre a dizimação, o número de amostras do
(c) Suponha que quando T = 10−4 s, queiramos que a sinal é reduzido, e podemos diminuir progressivamente
resposta em frequência efetiva seja equiripple (tan- as larguras das faixas de transição dos filtros que operam
to na faixa de passagem quanto na de rejeição) den- sobre o sinal dizimado. Dessa maneira, o número total
tro das seguintes tolerâncias: de cálculos exigidos para implementar o dizimador pode
0,99 ≤ |Heff | ≤ 1,01, | | ≤ 2π(1000), ser reduzido.
(a) Se nenhum aliasing ocorrer como resultado da di-
|Heff | ≤ 0,01, 2π(2000) ≤ | | ≤ 2π(5000).
zimação na Figura P7.56-1, qual é o fator de dizima-
Queremos alcançar isso projetando um filtro de fase ção M máximo permitido em termos de ωs?
linear ótimo (usando o algoritmo de Parks–McClel- (b) Sejam M = 100, ωs = π/100 e ωp = 0,9π/100 no siste-
lan) que inclua a compensação para a retenção de ma da Figura P7.56-2. Se x[n] = δ[n], esboce V (ejω) e
ordem zero. Dê uma equação para a resposta ideal Y (ejω).
Hd(ejω) que deverá ser usada. Determine e esboce a Agora, considere uma implementação de dois
função de ponderação W(ω) que deverá ser usada. estágios do dizimador para M = 100, como re-
Esboce uma resposta em frequência “típica” H(ejω) presentado na Figura P7.56-3, em que M1 = 50,
que poderia ser obtida. M2 = 2, ωp1 = 0,9π/100, ωp2 = 0,9π/2 e ωs2 = π/2.
(d) Como você modificaria seus resultados no item (c) Precisamos escolher ωs1 ou, de modo equivalente,
para incluir compensação de magnitude para um a faixa de transição de FPB1, (ωs1 − ωp1), tal que a
filtro de reconstrução Hr(j) com ganho zero aci- implementação em dois estágios gere as mesmas
ma de = 2π(5000), mas com faixa de passagem frequências de faixa de passagem e de rejeição
inclinada? equivalentes que o dizimador em estágio único.
7.56. Depois que um sinal de tempo discreto for filtrado em (Não nos preocupamos com a forma detalhada
passa-baixas, ele é muitas vezes subamostrado ou dizi- da resposta em frequência na faixa de transição,
mado como mostrado na Figura P7.56-1. Filtros FIR de exceto que os dois sistemas deverão ter uma res-
fase linear são frequentemente desejáveis nessas apli- posta monotonicamente decrescente na faixa de
cações, mas, se o filtro passa-baixas na figura tiver uma transição.)
Figura P7.56-2
FPB1 FPB2
50 2
x[n] H1(e jω) v1 [n] w1 [n] H2(e jω) v2 [n] y [n]
M1 = 50 M2 = 2
H1 (e jω) H2 (e jω)
1
FPB 1 FPB 2
Figura P7.56-3
(c) Para um ωs1 arbitrário e a entrada x[n] = δ[n], esbo- para calcular cada amostra da saída no dizimador
ce V1(ejω), W1(ejω), V2(ejω) e Y (ejω) para o dizima- de dois estágios.
dor de dois estágios da Figura P7.56-3. (g) Se as especificações do erro de aproximação δp =
(d) Determine o maior valor de ωs1 tal que o dizima- 0,01 e δs = 0,001 forem usadas para ambos os fil-
dor de dois estágios resulte nas mesmas frequên- tros do dizimador de dois estágios, a oscilação na
cias de corte nas faixas de passagem e de rejeição faixa de passagem total pode ser maior do que 0,01,
equivalentes que o sistema em estágio único do pois as oscilações na faixa de passagem dos dois es-
item (b). tágios podem reforçar um ao outro; por exemplo,
Além de possuir uma largura de faixa de transição (1 + δp)(1 + δp) > (1 + δp). Para compensar isso,
não nula, os filtros passa-baixas diferem dos erros cada um dos filtros da implementação de dois está-
de aproximação ideais nas faixas de passagem e gios pode ser projetado para ter apenas metade da
de rejeição de δp e δs, respectivamente. Suponha oscilação na faixa de passagem da implementação
que aproximações FIR equiripple de fase linear em estágio único. Portanto, suponha que δp = 0,005 e
sejam utilizadas. Concluímos pela Equação 7.117 δs = 0,001 para cada filtro no dizimador de dois está-
que, para filtros passa-baixas ótimos, gios. Calcule os comprimentos N1 e N2 das respostas
ao impulso de FPB1 e FPB2, respectivamente, e de-
−10 log10 (δp δs ) − 13 termine o número total de multiplicações requeridas
N≈ + 1, (P7.56-1)
2,324 para calcular cada amostra da saída.
(h) Devemos também reduzir as especificações sobre
sendo N o comprimento da resposta ao impulso e
o erro de aproximação na faixa de rejeição para os
ω = ωs − ωp a faixa de transição do filtro passa-
filtros no dizimador de dois estágios?
-baixas. A Equação P7.56-1 fornece a base para
comparar as duas implementações do dizimador. A (i) Opcional. A combinação de M1 = 50 e M2 = 2
Equação 7.76 poderia ser usada no lugar da Equa- pode não produzir o menor número total de mul-
ção P7.56-1 para estimar o comprimento da respos- tiplicações por amostra de saída. Outras escolhas
ta ao impulso se os filtros forem projetados pelo inteiras para M1 e M2 são possíveis, de modo que
método da janela de Kaiser. M1 M2 = 100. Determine os valores de M1 e M2
que minimizam o número de multiplicações por
(e) Suponha que δp = 0,01 e δs = 0,001 para o filtro
amostra de saída.
passa-baixas na implementação em estágio único.
Calcule o comprimento N da resposta ao impulso 7.57. Neste problema, desenvolvemos uma técnica para pro-
do filtro passa-baixas e determine o número de jetar filtros de tempo discreto com fase mínima. Esses
multiplicações requeridas para calcular cada amos- filtros têm todos os seus polos e zeros no interior (ou na
tra da saída. Tire proveito da simetria da resposta fronteira) do círculo unitário. (Permitiremos zeros na cir-
ao impulso do sistema FIR de fase linear. (Note cunferência unitária.) Primeiro, consideremos o proble-
que, nessa aplicação de dizimação, apenas cada ma de converter um filtro passa-baixas equiripple FIR
M-ésima amostra da saída precisa ser calculada; de fase linear de Tipo I em um sistema de fase mínima.
isto é, o compressor comuta com as multiplicações Se H(ejω) é a resposta em frequência de um filtro de fase
do sistema FIR.) linear de Tipo I, então
(f) Usando o valor de ωs1 encontrado no item (d), 1. A resposta ao impulso correspondente
calcule os comprimentos N1 e N2 das respostas ao h[M − n], 0 ≤ n ≤ M,
impulso de FPB1 e FPB2, respectivamente, no dizi- h[n] =
0, caso contrário,
mador em dois estágios da Figura P7.56-3. Deter-
mine o número total de multiplicações requeridas é real e M é um inteiro par.
2. Concluímos pela parte 1 que H(ejω) = Ae(ejω)e−jωn0, (c) Demonstre que o novo filtro Hmín(ejω) é um filtro
sendo Ae(ejω) real e n0 = M/2 inteiro. passa-baixas equiripple (isto é, sua característica de
3. A oscilação na faixa de passagem é δ1; isto é, na magnitude tem a forma mostrada na Figura P7.57-2)
faixa de passagem, Ae(ejω) oscila entre (1 + δ1) e por meio do cálculo de δ1¿ e δ2¿. Qual é o compri-
(1 − δ1). (Veja a Figura P7.57-1.) mento da nova resposta ao impulso hmín[n]?
'2
2
–2 Figura P7.57-2
Figura P7.57-1 (d) Nos itens (a), (b) e (c), consideramos que começa-
mos com um filtro de fase linear FIR de Tipo I. Essa
4. A oscilação na faixa de rejeição é δ2; isto é, na faixa técnica funcionará se removermos a restrição de
de rejeição, −δ2 ≤ Ae(ejω) ≤ δ2, e A e(ejω) oscila entre fase linear? Ela funcionará se usarmos um sistema
−δ2 e +δ2. (Veja a Figura P7.57-1.) FIR de fase linear de Tipo II?
A técnica a seguir foi proposta por Herrmann e Schüssler 7.58. Suponha que tenhamos um programa que encontre o
(1970a) para converter esse sistema de fase linear em um conjunto de coeficientes a[n], n = 0, 1,..., L, que minimiza
sistema de fase mínima que tem uma função de siste-
L
ma Hmín(z) e resposta à amostra unitária hmín[n] (neste máx W (ω) H d (e ) −j ω a[n] cos ωn ,
problema, consideramos que os sistemas de fase mínima ω∈F
n=0
podem ter zeros sobre a circunferência unitária):
Passo 1. Crie uma nova sequência dados L, F, W(ω) e Hd(ejω). Mostramos que a solução
para este problema de otimização implica um sistema de
h[n], n = n0 , fase zero FIR não causal com resposta ao impulso que
h1 [n] =
h[n0 ] + δ2 , n = n0 . satisfaz he[n] = he[−n]. Atrasando-se he[n] de L amostras,
Passo 2. R
econheça que H1(z) pode ser expresso na obtemos um sistema de fase linear FIR de Tipo I causal
forma com resposta em frequência
L 2L
H1(z) = z−n0 H2(z)H2(1/z) = z−n0 H3(z) H (ej ω ) = e−j ωM/ 2 a[n] cos ωn = h[n]e−j ωn ,
para algum H2(z), sendo que H2(z) tem todos n=0 n=0
os seus polos e zeros no interior ou na frontei- sendo que a resposta ao impulso está relacionada aos
ra do círculo unitário e h2[n] é real. coeficientes a[n] por
Passo 3. Defina 2h[M/2 − n] para 1 ≤ n ≤ L,
a[n] =
H 2 (z) h[M/2] para n = 0,
Hmín (z) = .
a e M = 2L é a ordem do polinômio da função de sistema.
A constante do denominador sendo a = (O comprimento da resposta ao impulso é M + 1.)
a = ( 1 − δ1 + δ2 + 1 + δ1 + δ2 )/2 normaliza Os outros três tipos (II, III e IV) de filtros FIR de fase
a faixa de passagem de modo que a resposta linear podem ser projetados pelo programa disponível se
em frequência resultante Hmín(ejω) oscilará fizermos modificações adequadas na função de pondera-
em torno de um valor unitário. ção W(ω) e na resposta em frequência desejada Hd(ejω).
(a) Mostre que, se h1[n] for escolhido como no Passo 1, Para ver como fazer isso, é necessário manipular as ex-
então H1(ejω) pode ser escrito como pressões para a resposta em frequência para a forma pa-
drão assumida pelo programa.
H1(ejω) = e−jωn0 H3(ejω), (a) Suponha que queiramos projetar um sistema de
fase linear FIR de Tipo II causal de modo que h[n] =
sendo H3(ejω) real e não negativo para todos os va-
h[M − n] para n = 0, 1,..., M, sendo M um inteiro
lores de ω.
ímpar. Mostre que a resposta em frequência desse
(b) Se H3(ejω) ≥ 0, como foi mostrado no item (a), mos- tipo de sistema pode ser expressa como
tre que existe um H2(z) tal que
(M+1)/2
H3(z) = H2(z)H2(1/z), H (ej ω ) = e−j ωM/ 2 b[n] cos ω n − 21 ,
sendo H2(z) uma função de sistema de fase mínima n=1
e h2[n] real (isto é, justifique o Passo 2). e determine a relação entre os coeficientes b[n] e h[n].
obtermos uma equação de diferenças. A primeira dife- Para cada filtro hi[n], determine se hi[n] é ótimo no sen-
rença central de uma sequência x[n] é definida como tido minimax. Ou seja, determine se
(1){x[n]} = x[n + 1] − x[n − 1], hi [n] = mín máx W (ej ω )|Hd (ej ω ) − Hi (ej ω )|
hi [n] ω∈F
e a k-ésima diferença central é definida recursivamente
como para alguma escolha de uma Hd(ejω) constante por par-
tes e de uma W(ejω) constante por partes, sendo F uma
(k){x[n]} = (1){(k−1){x[n]}}. união de intervalos fechados disjuntos em 0 ≤ ω ≤ π. Se
Por consistência, a zero-ésima diferença central é defi- hi[n] for ótimo, determine Hd(ejω) e W(ejω) correspon-
nida como dentes. Se hi[n] não for ótimo, explique o porquê.
|Ae (e j)|
1 + 2
1 – 2
3
1
1 2 3 4
– 1
– 3
Figura P7.63
(a) Dê a equação para a resposta desejada Hd(ejω) para tradicional tem sido projetar um filtro de tempo discre-
o diagrama de tolerâncias na Figura P7.63. to passa-baixas prototípico usando ou a invariância ao
(b) Dê a equação para a função de ponderação W(ω) impulso ou a transformação bilinear e depois usar uma
para o diagrama de tolerâncias na Figura P7.63. transformação algébrica para converter o filtro passa-
(c) Qual é o número mínimo de alternâncias da função -baixas de tempo discreto no filtro seletivo em frequên-
de erro para o filtro ótimo? cia desejado.
(d) Qual é o número máximo de alternâncias da função Para entender como isso é feito, suponha que seja dada
de erro para o filtro ótimo? uma função de sistema passa-baixas Hlp(Z) que queira-
(e) Esboce uma função de erro ponderada “típica” mos transformar em uma nova função de sistema H(z),
E(ω) que poderia ser a função de erro para um que tenha características passa-baixas, passa-altas, passa-
filtro passa-banda ótimo se M = 14. Considere o -faixa ou rejeita-faixa quando é calculada sobre a circun-
número máximo de alternâncias. ferência unitária. Note que associamos a variável com-
(f) Agora, suponha que M, ω1, ω2, ω3, a função de pon- plexa Z com o filtro passa-baixas prototípico e a variável
deração e a função desejada sejam mantidas iguais, complexa z com o filtro transformado. Então, definimos
mas ω4 seja aumentado, de modo que a faixa de um mapeamento entre o plano Z e o plano z na forma
transição (ω4 – ω3) seja aumentada. O filtro ótimo Z−1 = G(z−1) (P7.64-1)
para essas novas especificações terá necessariamen-
te um valor menor do erro de aproximação máximo de modo que
do que o filtro ótimo associado às especificações H (z) = Hlp (Z) Z−1 =G(z−1 ) . (P7.64-2)
originais? Justifique sua resposta com clareza.
(g) No caso do filtro passa-baixas, todos os mínimos e Em vez de expressar Z em função de z, consideramos na
máximos locais de Ae(ejω) devem ocorrer nas faixas Equação P7.64-1 que Z−1 é expresso em função de z−1.
de aproximação ω ∈ F; eles não podem ocorrer nas Assim, de acordo com a Equação P7.64-2, na obtenção
faixas de transição (“don’t care”). Além disso, no de H(z) a partir de Hlp(Z), simplesmente substituímos
caso passa-baixas, os mínimos e máximos locais que Z−1 em Hlb(Z) pela função G(z−1). Essa é uma represen-
ocorrem nas faixas de aproximação precisam ser tação conveniente, pois Hlp(Z) normalmente é expressa
alternâncias do erro. Mostre que isso não é neces- como uma função racional de Z−1.
sariamente verdadeiro no caso do filtro passa-faixa. Se Hlp(Z) é a função de sistema racional de um sistema
Especificamente, use o teorema da alternância para causal e estável, naturalmente requeremos que a função
mostrar (i) que os máximos e mínimos locais de de sistema transformada H(z) seja uma função racional
Ae(ejω) não estão restritos às faixas de aproximação de z−1 e que o sistema também seja causal e estável. Isso
e (ii) que os máximos e mínimos locais nas faixas de impõe as seguintes restrições na transformação Z−1 =
aproximação não precisam ser alternâncias. G(z−1):
7.64. Muitas vezes é desejável transformar um filtro passa- 1. G(z−1) deve ser uma função racional de z−1.
-baixas de tempo discreto prototípico em outro tipo de 2. O interior do círculo unitário do plano Z precisa ma-
filtro seletivo em frequência de tempo discreto. Em par- pear o interior do círculo unitário do plano z.
ticular, o método da invariância ao impulso não pode ser 3. A circunferência unitária do plano Z precisa ser
usado para converter filtros passa-altas ou passa-faixas de mapeada na circunferência unitária do plano z.
tempo contínuo em filtros passa-altas ou passa-faixas Neste problema, você deduzirá e caracterizará as trans-
de tempo discreto. Consequentemente, a abordagem formações algébricas necessárias para converter um
filtro passa-baixas de tempo discreto em outro filtro pas- produzirá o mapeamento desejado para algum va-
sa-baixas com uma frequência de corte diferente ou em lor de α. Calcule α em função de θp e ωp. O Proble-
um filtro passa-altas de tempo discreto. ma 7.51 usa essa técnica para projetar filtros passa-
(a) Sejam θ e ω variáveis de frequência (ângulos) no -baixas com frequências de corte ajustáveis.
plano Z e no plano z, respectivamente, isto é, nas (d) Considere o caso de um filtro passa-baixas proto-
respectivas circunferências unitárias Z = ejθ e z = típico com θp = π/2. Para cada uma das seguintes
ejω. Mostre que, para que a Condição 3 seja válida, escolhas de α, especifique a frequência de corte re-
G(z−1) precisa ser um sistema passa-tudo, isto é, sultante ωp para o filtro transformado:
(i) α = −0,2679.
|G(e−jω)| = 1. (P7.64-3)
(ii) α = 0.
(b) É possível mostrar que a forma mais geral de G(z−1) (iii) α = 0,4142.
que satisfaz as três condições anteriores é (e) Também é possível encontrar um sistema passa-tudo
N de primeira ordem para G(z−1) tal que o filtro passa-
z−1 − αk (P7.64-4)
Z−1 = G(z−1 ) = ± . -baixas prototípico seja transformado em um filtro
1 − αkz−1 passa-altas de tempo discreto com corte ωp. Note
k=1
Pela nossa discussão sobre os sistemas passa-tudo no que essa transformação precisa mapear Z−1 = ejθp →
Capítulo 5, deve ficar claro que G(z−1), como dada z−1 = ejωp e também mapear Z−1 = 1 → z−1 = −1;
na Equação P7.64-4, satisfaz a Equação P7.64-3,isto isto é, θ = 0 é mapeado em ω = π. Encontre G(z−1)
é, é um sistema passa-tudo, e assim satisfaz a Con- para essa transformação e determine também uma
dição 3. A Equação P7.64-4 também atende clara- expressão para α em termos de θp e ωp.
mente à Condição 1. Demonstre que a Condição 2 é (f) Usando o mesmo filtro prototípico e os valores de α
satisfeita se e somente se |αk| < 1. do item (d), esboce as respostas em frequência para
(c) Uma simples G(z−1) de primeira ordem pode ser os filtros passa-altas resultantes da transformação
usada para mapear um filtro passa-baixas prototípi- especificada por você no item (e).
co Hlp(Z) com corte θp em um novo filtro H(z) com Transformações similares, porém mais complicadas,
corte ωp. Demonstre que podem ser usadas para converter o filtro passa-baixas
prototípico Hlp(Z) em filtros passa-faixa e rejeita-faixa.
z−1 − α Constantinides (1970) descreve essas transformações em
G(z−1 ) =
1 − αz−1 mais detalhes.
O Exemplo 8.1 forneceu uma representação útil Se a sequência x̃[n] é igual a unidade somente em
de um trem de impulsos periódico em termos de uma parte de um período, também podemos obter uma ex-
soma de exponenciais complexas, na qual todas as ex- pressão em forma fechada para os coeficientes da SFD.
ponenciais complexas têm a mesma magnitude e fase e Isso é ilustrado pelo exemplo a seguir.
cuja soma é unitária em múltiplos inteiros de N e é nula
para todos os demais inteiros. Se examinarmos com
Exemplo 8.3 A SFD de um trem de pulsos
cuidado as equações 8.11 e 8.12, notamos que as duas
retangulares periódico
equações são muito similares, diferindo apenas em uma
constante multiplicativa e no sinal dos expoentes. Essa Para este exemplo, x̃ [n] é a sequência mostrada na Figura
dualidade da sequência periódica x̃[n] e de seus coefi- 8.1, cujo período é N = 10. A partir da Equação 8.11,
cientes da SFD X̃ [k] é ilustrada no exemplo a seguir. 4 4
X̃ [k] = kn =
W10 e−j ( 2π/10)kn. (8.17)
n=0 n=0
Exemplo 8.2 Dualidade na SFD
Essa soma finita tem a forma fechada
Neste exemplo, os coeficientes da SFD são um trem de 5k
1 − W10 sen(πk/2)
impulsos periódico: X̃ [k] = k
= e−j ( 4πk/10) . (8.18)
1 − W10 sen(πk/10)
∞
Ỹ[k] = Nδ[k − rN ]. A magnitude e a fase da sequência periódica X̃ [k] são
r=−∞ mostradas na Figura 8.2.
~
x [n]
... ...
–10 –6 0 1 2 3 4 5 6 7 8 9 10 n
Figura 8.1 Sequência periódica com período N = 10 para a qual a representação da série de Fourier deve ser calculada.
~
~ X [k]
|X[k]| π
5
... ...
... ...
k
–1 0 1 2 3 4 5 6 7 8 9 10 15 20 k
indica indeterminada
–π (magnitude = 0)
(a) (b)
Figura 8.2 Magnitude e fase dos coeficientes da série de Fourier para a sequência da Figura 8.1.
Mostramos que qualquer sequência periódica igual ao período (isto é, m ≥ N) não pode ser distin-
pode ser representada como uma soma de sequências guido no domínio de tempo de um deslocamento mais
exponenciais complexas. Os principais resultados são re- curto m1 tal que m = m1 + m2N, sendo m1 e m2 inteiros
sumidos nas equações 8.11 e 8.12. Como veremos, essas e 0 ≤ m1 ≤ N − 1. (Outra forma de descrever isso é que
relações são a base para a TFD, que concentra sequên- m1 = m mod N ou, de modo equivalente, m1 é o resto da
cias de comprimento finito. Antes de discutirmos a TFD, divisão de m por N.) Podemos mostrar facilmente que,
porém, consideraremos algumas das propriedades bási- com essa representação de m, WNkm = WNkm1; isto é, como
cas da representação por SFD das sequências periódicas esperado, a ambiguidade do deslocamento no domínio
na Seção 8.2 e, depois, na Seção 8.3, mostraremos como do tempo também ocorre na representação no domínio
podemos usar a representação por SFD na obtenção de da frequência.
uma representação por TFTD de sinais periódicos. Como a sequência de coeficientes da série de
Fourier de uma sequência periódica é uma sequência
8.2 Propriedades da SFD periódica, um resultado similar se aplica a um deslo-
camento nos coeficientes de Fourier por um inteiro .
Assim como com a série de Fourier e as trans-
Especificamente,
formadas de Fourier e Laplace para sinais de tempo
SFD
contínuo, e com as transformadas de Fourier de tempo WN− x̃[n] ←→ X̃ [k − ]. (8.22)
discreto e z para sequências não periódicas, algumas
Note a diferença no sinal dos expoentes das equa-
propriedades da SFD são de importância fundamental
ções 8.21 e 8.22.
para seu uso bem-sucedido nos problemas de proces-
samento de sinais. Nesta seção, resumimos essas pro-
priedades importantes. Não surpreende que muitas das
8.2.3 Dualidade
propriedades básicas sejam análogas às propriedades
da transformada z e às da TFTD. Porém, teremos o cui- Devido à forte similaridade entre as equações
dado de salientar onde a periodicidade de x̃[n] e X̃ [k] de análise e de síntese de Fourier em tempo contí-
resulta em algumas distinções importantes. Além disso, nuo, existe uma dualidade entre o domínio do tempo
existe uma dualidade exata entre os domínios de tem- e o domínio da frequência. Porém, para a TFTD de
po e frequência na representação por SFD que não sinais aperiódicos, não existe dualidade similar, pois
existe nas representações de sequências por TFTD e os sinais aperiódicos e suas transformadas de Fourier
por transformada z. são tipos de funções muito diferentes: sinais de tempo
discreto aperiódicos, evidentemente, são sequências
8.2.1 Linearidade aperiódicas, enquanto suas TFTDs são sempre funções
periódicas de uma variável contínua na frequência.
Considere duas sequências periódicas x̃1[n] e
A partir das equações 8.11 e 8.12, notamos que as
x̃2[n], ambas com período N, tais que
equações de análise e de síntese da SFD diferem apenas
SFD
x̃1 [n] ←→ X̃1 [k] (8.19a) em um fator de 1/N e no sinal do expoente de WN. Além
disso, uma sequência periódica e seus coeficientes da SFD
e são dos mesmos tipos de funções; ambas são sequências
SFD periódicas. Especificamente, levando em conta o fator
x̃2 [n] ←→ X̃2 [k]. (8.19b)
1/N e a diferença no sinal do expoente entre as equações
Então, 8.11 e 8.12, decorre a partir da Equação 8.12 que
SFD N−1
a x̃1 [n] + bx̃2 [n] ←→ a X̃1 [k] + bX̃2 [k]. (8.20)
N x̃[− n] = X̃ [k]WNkn (8.23)
Essa propriedade de linearidade vem diretamente k=0
da forma das equações 8.11 e 8.12. ou, trocando os papéis de n e k na Equação 8.23,
N−1
8.2.2 Deslocamento de uma sequência N x̃[− k] = X̃ [n]WNnk. (8.24)
Se uma sequência periódica x̃[n] tem coeficientes n=0
de Fourier X̃ [k], então x̃[n – m] é uma versão deslocada Vemos que a Equação 8.24 é similar à Equação
de x̃[n], e 8.11. Em outras palavras, a sequência de coeficientes
SFD da SFD da sequência periódica X̃ [n] é Nx̃[−k], isto é, a
x̃[n − m] ←→ WNkmX̃ [k]. (8.21)
sequência periódica original em ordem reversa e multi-
A prova dessa propriedade é considerada no Pro- plicada por N. A propriedade da dualidade é resumida
blema 8.55. Note que qualquer deslocamento maior ou da seguinte forma: Se
SFD
x̃[n] ←→ X̃ [k], (8.25a) N−1 N−1
~
x2 [m]
–N 0 N m
~
x1 [m]
–N 0 N m
x~2 [– m]
–N 0 N m
~
x2 [1 – m] = x~2 [– (m – 1)]
–N 0 N m
~
x2 [2 – m] = x~2 [– (m – 2)]
–N 0 N m
Figura 8.3 Procedimento para formar a convolução periódica de duas sequências periódicas.
multiplicamos x̃1[m] por x̃2[2 − m] e então somamos os correspondendo a 1/N vezes a convolução periódi-
termos de produto x̃1[m]x̃2[2 − m] para 0 ≤ m ≤ N − 1, ob- ca de X̃1[k] e X̃2[k]. Esse resultado também pode ser
tendo x̃3[2]. À medida que n muda, a sequência x̃2[n − m] verificado substituindo X̃ 3[k], dado na Equação 8.34,
desloca-se de modo apropriado, e a Equação 8.27 é calcu- na relação da série de Fourier da Equação 8.12 para
lada para cada valor de 0 ≤ n ≤ N − 1. Note que, conforme
obter x̃ 3[n].
a sequência x̃2 [n − m] desloca-se para a direita ou para a
esquerda, os valores que saem do intervalo entre as linhas
tracejadas em uma ponta reaparecem na outra ponta devi- 8.2.6 Resumo das propriedades de representação
do à periodicidade. Devido à periodicidade de x̃3[n], não é por SFD de sequências periódicas
preciso continuar o cálculo da Equação 8.27 fora do inter- As propriedades da representação por SFD dis-
valo 0 ≤ n ≤ N − 1.
cutidas nesta seção estão resumidas na Tabela 8.1.
O teorema da dualidade da Seção 8.2.3 sugere que,
se os papéis do tempo e da frequência forem trocados, 8.3 Transformada de Fourier de sinais
obteremos um resultado quase idêntico ao resultado an- periódicos
terior. Isto é, a sequência periódica
Como discutido na Seção 2.7, a convergência uni-
x̃3[n] = x̃1[n]x̃2[n], (8.33) forme da transformada de Fourier de uma sequência
em que x̃1[n] e x̃2[n] são sequências periódicas, cada uma requer que a sequência seja somável em valor absolu-
to, e a convergência em média quadrática requer que
com período N, possui os coeficientes da SFD dados por
ela seja quadraticamente somável. Sequências periódi-
N−1
1 cas não satisfazem nenhuma dessas condições. Porém,
X̃3 [k] = X̃1 [ ]X̃2 [k − ], (8.34) como discutimos rapidamente na Seção 2.7, pode-se
N
=0
considerar que sequências que podem ser expressas
como uma soma de exponenciais complexas têm uma de 2π/N, sendo N um inteiro. Para mostrar que X̃ (ejω),
representação por transformada de Fourier na forma da como definida na Equação 8.35, é uma representação
Equação 2.147, isto é, como um trem de impulsos. De por transformada de Fourier da sequência periódica
modo similar, muitas vezes é útil incorporar a repre- x̃[n], substituímos a Equação 8.35 na transformada de
sentação por SFD dos sinais periódicos no contexto da Fourier inversa da Equação 2.130; isto é,
transformada de Fourier de tempo discreto. Isso pode 1 2π− 1 2π− ∞
2π 2πk j ωn
ser feito interpretando a transformada de Fourier de X̃(ej ω)e j ωndω = X̃[k]δ ω − e dω,
2π 0− 2π 0− N N
k=−∞
tempo discreto de um sinal periódico como um trem de
(8.36)
impulsos no domínio de frequência com os valores dos
impulsos proporcionais aos coeficientes da SFD para a em que satisfaz a desigualdade 0 < < (2π/N). Lem-
sequência. Especificamente, se x̃[n] for periódica com bre-se de que, no cálculo da transformada de Fourier
período N e X̃ [k] forem os coeficientes da SFD corres- inversa, podemos integrar sobre qualquer intervalo de
pondente, então a transformada de Fourier de x̃[n] é comprimento 2π, pois o integrando X̃ (ejω)ejωn é perió-
definida como o trem de impulsos dico, com período 2π. Na Equação 8.36, os limites de in-
∞ tegração são indicados por 0 – e 2π − , o que significa
2π 2π k
X̃(ej ω ) = X̃ [k]δ ω − . (8.35) que a integração começa imediatamente antes de ω = 0
N N
k=−∞ e vai até imediatamente antes de ω = 2π. Esses limites
Note que X̃ (ejω) tem a periodicidade necessária são convenientes, pois incluem o impulso em ω = 0 e ex-
com período 2π, pois X̃ [k] é periódica com período cluem o impulso em ω = 2π.3 Trocar a ordem da integral
N, e os impulsos são espaçados em múltiplos inteiros e do somatório resulta em
1 2π− 1
∞ 2π− 2πk j ωn intervalo 0 ≤ n ≤ N − 1, e considere a convolução de x[n]
X̃(ej ω)e j ωn dω = X̃[k] δ ω− e dω com o trem de impulsos periódico p̃[n] do Exemplo 8.5:
2π 0− N 0− N
k =−∞
∞
N−1
1 x̃[n] = x[n] ∗ p̃[n] = x[n] ∗ δ[n − rN] =
= X̃ [k]e j (2π/N)kn.
N
r=−∞
k=0 (8.37) ∞ (8.41)
= x[n − rN ].
r=−∞
A forma final na Equação 8.37 resulta do fato de que
somente os impulsos correspondentes a k = 0, 1, ..., (N − 1) A Equação 8.41 estabelece que x̃[n] consiste em
são incluídos no intervalo entre ω = 0 − e ω = 2π − . um conjunto de cópias periodicamente repetidas da se-
Comparando a Equação 8.37 e a Equação 8.12, quência de comprimento finito x[n]. A Figura 8.4 ilustra
notamos que o membro direito final da Equação 8.37 é como uma sequência periódica x̃[n] pode ser formada
exatamente igual à representação por série de Fourier a partir de uma sequência de comprimento finito x[n]
para x̃[n], como especifica a Equação 8.12. Consequen- por meio da Equação 8.41. A transformada de Fourier
temente, a transformada de Fourier inversa do trem de de x[n] é X(ejω), e a transformada de Fourier de x̃[n] é
impulsos na Equação 8.35 é o sinal periódico x̃[n], como
X̃(ej ω ) = X(ej ω )P̃ (ej ω )
desejado.
Embora a transformada de Fourier de uma sequên- ∞
2π 2π k
cia periódica não convirja na forma usual, a introdução = X(ej ω ) δ ω− (8.42)
N N
de impulsos nos permite incluir sequências periódicas k=−∞
formada de Fourier de outras sequências não somáveis, Comparando a Equação 8.42 com a Equação 8.35,
como a sequência constante bilateral (Exemplo 2.19) ou concluímos que
a sequência exponencial complexa (Exemplo 2.20).
Embora a representação por SFD seja adequada para X̃ [k] = X(ej ( 2π/N)k) = X(ej ω ) . (8.43)
ω=(2π/N)k
a maioria das finalidades, a representação por transfor-
Em outras palavras, a sequência periódica X̃ [k]
mada de Fourier da Equação 8.35 muitas vezes conduz a
dos coeficientes da SFD na Equação 8.11 tem uma in-
expressões mais simples ou mais compactas e uma aná-
terpretação em tempo discreto como amostras igual-
lise simplificada.
mente espaçadas da TFTD da sequência de compri-
mento finito obtida tomando apenas um período de
Exemplo 8.5 Transformada de Fourier de x̃[n]; isto é,
um trem de impulsos de tempo x̃[n], 0 ≤ n ≤ N − 1,
discreto periódico x[n] = (8.44)
0, caso contrário.
Considere o trem de impulsos de tempo discreto periódico Isso também é consistente com a Figura 8.4, na
qual fica claro que x[n] pode ser obtida de x̃[n] usando a
∞
p̃[n] = δ[n − rN ], (8.38)
r=−∞
que é a mesma sequência periódica x̃[n] considerada no ~
x[n]
Exemplo 8.1. A partir dos resultados desse exemplo, con- ... ...
cluímos que
P̃[k] = 1, para todo k. (8.39) –N 0 N n
Exemplo 8.6 R
elação entre os coeficientes da
série de Fourier e a transformada de –
Fourier de um período
(b)
Novamente, consideramos a sequência x̃[n] do Exemplo
8.3, que é mostrada na Figura 8.1. Um período de x̃[n] para Figura 8.5 Magnitude e fase da transformada de Fourier de um perío-
a sequência da Figura 8.1 é do da sequência da Figura 8.1.
1, 0 ≤ n ≤ 4,
x[n] = (8.47)
0, caso contrário.
~
| X (e j)|, | X [k]|
A transformada de Fourier de um período de x̃[n] é dada
por 5
4
sen(5ω/2) ... ...
X(ej ω ) = e−j ωn = e−j 2ω . (8.48)
sen(ω/2)
n=0
Podemos mostrar que a Equação 8.46 é satisfeita neste
0 2 3 4
exemplo substituindo ω = 2πk/10 na Equação 8.48, o que 0 10 20 k
resulta em
(a)
sen(π k/2)
X̃ [k] = e−j ( 4π k/10) , ~
sen(πk/10) X (e j), X [k]
que é idêntico ao resultado da Equação 8.18. A magnitude
e a fase de X(ejω) são esboçadas na Figura 8.5. Note que a
fase é descontínua nas frequências em que X(ejω) = 0. Na ... ...
Figura 8.6 é representada a sobreposição das figuras 8.2
e 8.5, demonstrando assim que as sequências das figuras 2 3 4
8.2(a) e (b) correspondem a amostras das curvas das figu- 10 20 k
ras 8.5(a) e (b), respectivamente.
–
de Fourier Figura 8.6 Sobreposição das figuras 8.2 e 8.5 ilustrando os coeficien-
Nesta seção, discutimos de modo mais geral a rela- tes da SFD de uma sequência periódica como amostras da transforma-
ção entre uma sequência aperiódica com transformada da de Fourier de um período.
de Fourier X(ejω) e a sequência periódica para a qual os
coeficientes da SFD correspondem a amostras de X(ejω)
igualmente espaçadas em frequência. Veremos que essa Considere uma sequência aperiódica x[n] com
relação é particularmente importante ao discutirmos a transformada de Fourier X(ejω) e suponha que a se-
transformada de Fourier discreta e suas propriedades quência X̃ [k] seja obtida amostrando X(ejω) nas fre-
mais adiante no capítulo. quências ωk = 2πk/N; isto é,
X̃ [k] = X(ejω)|ω=(2π/N)k = X(ej(2π/N)k). (8.49) ∞ N−1
1
x[m]
−k(n−m)
Como a transformada de Fourier é periódica em ω x̃[n] = WN =
m=−∞
N
com período 2π, a sequência resultante é periódica em k=0 (8.54)
k com período N. Além disso, como a transformada de ∞
x [n]
0 8 n
(a)
x~[n] = x [n – r12]
r = –
... ...
– 12 0 8 n
N = 12
(b)
Figura 8.8 (a) Sequência de comprimento finito x[n]. (b) Sequência periódica x̃ [n] correspondente à amostragem da transformada de Fourier de
x [n] com N = 12.
x~[n] = x [n – r7]
r = –
... ...
– 14 –7 0 14 n
N=7
Figura 8.9 Sequência periódica x̃ [n] correspondente à amostragem da transformada de Fourier de x[n] da Figura 8.8(a) com N = 7.
entre amostras for de apenas 2π/7. De fato, para o caso cas periódicas de x[n]. Se x[n] tiver comprimento fini-
ilustrado na Figura 8.8, a transformada de Fourier de x[n] to e considerarmos um número suficiente de amostras
foi amostrada com um espaçamento suficientemente pe- igualmente espaçadas de sua transformada de Fourier
queno (em frequência) para ser capaz de recuperá-la a (especificamente, um número maior ou igual ao com-
partir dessas amostras, enquanto a Figura 8.9 representa primento de x[n]), então a transformada de Fourier é
um caso para o qual a transformada de Fourier foi su- recuperável a partir dessas amostras e, de modo equiva-
bamostrada. A relação entre x[n] e um período de x̃[n] lente, x[n] é recuperável a partir da sequência periódica
no caso subamostrado pode ser considerada como uma correspondente x̃[n]. Especificamente, se x[n] = 0 fora
forma de aliasing no domínio do tempo, essencialmente do intervalo n = 0, n = N − 1, então
idêntico ao aliasing do domínio da frequência (discutido
x̃[n], 0 ≤ n ≤ N − 1,
no Capítulo 4) que resulta da subamostragem no domí- x[n] = (8.57)
0, caso contrário.
nio do tempo. Obviamente, o aliasing no domínio do tem-
po pode ser evitado somente se x[n] tiver comprimento Se o intervalo de suporte de x[n] for diferente de
finito, assim como o aliasing do domínio da frequência 0, N – 1, então a Equação 8.57 será modificada de modo
pode ser evitado somente para sinais que possuam trans- apropriado.
formadas de Fourier de banda limitada. Uma relação direta entre X(ejω) e suas amostras
Essa discussão destaca vários conceitos impor- X̃ [k], isto é, uma fórmula de interpolação para X(ejω),
tantes que desempenharão um papel fundamental no pode ser deduzida (veja o Problema 8.57). Porém, a es-
restante do capítulo. Vimos que as amostras da trans- sência de nossa discussão anterior é que, para represen-
formada de Fourier de uma sequência aperiódica x[n] tar ou recuperar x[n], não é necessário conhecer X(ejω)
podem ser consideradas como coeficientes da SFD de em todas as frequências se x[n] tiver comprimento finito.
uma sequência periódica x̃[n] obtida somando-se répli- Dada uma sequência de comprimento finito x[n], pode-
mos formar uma sequência periódica usando a Equação Um modo informal e útil de visualizar a Equação
8.56, que por sua vez pode ser representada por uma 8.59 é pensar no enrolamento da representação gráfi-
SFD. Como alternativa, dada a sequência de coeficientes ca da sequência de duração finita x[n] em torno de um
de Fourier X̃ [k], podemos encontrar x̃[n] e depois usar a cilindro com circunferência igual ao comprimento da
Equação 8.57 para obter x[n]. Quando a série de Fourier sequência. À medida que percorremos o perímetro do
é usada desse modo para representar sequências de com- cilindro repetidamente, vemos que a sequência de com-
primento finito, ela é chamada de transformada de Fou- primento finito se repete periodicamente. Com essa
rier discreta, ou TFD. Ao desenvolver, discutir e aplicar interpretação, a representação da sequência de compri-
a TFD, é sempre importante ter em mente que a repre- mento finito com uma sequência periódica corresponde
sentação por amostras da transformada de Fourier é, de a enrolar a sequência em torno do cilindro; a recupe-
fato, uma representação da sequência de duração finita ração da sequência de comprimento finito a partir da
por uma sequência periódica, sendo um de seus períodos sequência periódica usando a Equação 8.58(b) pode ser
a sequência de duração finita que queremos representar. visualizada como se desenrolássemos o cilindro e ele
fosse disposto de forma plana, de modo que a sequência
8.5 Representação de Fourier de seja exibida em um eixo de tempo linear em vez de um
sequências de duração finita: a TFD eixo de tempo circular (mod N).
Como definimos na Seção 8.1, a sequência de coe-
Nesta seção, formalizamos o ponto de vista su- ficientes da SFD X̃[k] da sequência periódica x̃[n] é,
gerido no fim da seção anterior. Começamos conside- por si só, uma sequência periódica com período N. Para
rando uma sequência de comprimento finito x[n], com manter a dualidade entre os domínios de tempo e fre-
comprimento de N amostras, tal que x[n] = 0 fora do quência, escolheremos os coeficientes de Fourier que
intervalo 0 ≤ n ≤ N − 1. Em muitas situações, precisare- associamos a uma sequência de duração finita como
mos assumir que uma sequência tem comprimento N, uma sequência de duração finita correspondente a um
mesmo que seu comprimento seja M ≤ N. Nesses casos, período de X̃ [k]. Essa sequência de duração finita, X[k],
simplesmente reconhecemos que as últimas (N – M) será chamada de TFD. Assim, a TFD, X[k], está relacio-
amostras são nulas. Para cada sequência de comprimen- nada aos coeficientes da SFD, X̃ [k], por
to finito com comprimento N, sempre podemos associar
uma sequência periódica X̃ [k], 0 ≤ k ≤ N − 1,
∞ X [k] = (8.61)
0, caso contrário,
x̃[n] = x[n − rN ]. (8.58a)
r=−∞ e
A sequência de comprimento finito x[n] pode ser re- X̃ [k] = X[(k mod N)] = X[((k))N]. (8.62)
cuperada a partir de x̃[n] por meio da Equação 8.57, isto é,
A partir da Seção 8.1, temos X̃ [k] e x̃[n] relacio-
x̃[n], 0 ≤ n ≤ N − 1, nadas por
x[n] =
0, caso contrário. (8.58b) N−1
X̃ [k] = x̃[n]WNkn, (8.63)
Lembre-se de que vimos na Seção 8.4 que os coe-
n=0
ficientes da SFD de x̃[n] são amostras (espaçadas em
frequência por 2π/N) da transformada de Fourier de 1
N−1
x[n]. Como supomos que x[n] tem comprimento finito x̃[n] = X̃ [k]WN−kn. (8.64)
N
N, não existe sobreposição entre as parcelas x[n − rN] k=0
para diferentes valores de r. Assim, a Equação 8.58(a) sendo WN = e−j (2π/N).
pode ser escrita alternativamente como Como os somatórios nas equações 8.63 e 8.64 en-
x̃[n] = x[(n mod N)]. (8.59) volvem apenas o intervalo entre zero e (N − 1), segue, a
partir das equações 8.58(b) a 8.64, que
Por conveniência, usaremos a notação ((n))N para
N−1
denotar (n mod N); com essa notação, a Equação 8.59 é
expressa como x[n]WNkn, 0 ≤ k ≤ N − 1,
X [k] = n=0 (8.65)
x̃[n] = x[((n))N]. (8.60)
0, caso contrário,
Note que a Equação 8.60 é equivalente à Equação
8.58(a) somente quando x[n] tiver comprimento menor N−1
1
ou igual a N. A sequência de duração finita x[n] é obtida X [k]WN−kn, 0 ≤ n ≤ N − 1,
x[n] = N (8.66)
a partir de x̃[n] tomando um período, como ocorre na k=0
Equação 8.58(b). 0, caso contrário.
Em geral, as equações de análise e síntese da TFD não eliminamos a periodicidade inerente. Assim como a
são escritas da seguinte forma: SFD, a TFD X[k] é igual às amostras da transformada de
Fourier periódica X(ejω) e, se a Equação 8.68 é calculada
Equação de análise:
N−1 para valores de n fora do intervalo 0 ≤ n ≤ N − 1, o re-
X [k] = x[n]WNkn, 0 ≤ k ≤ N − 1, (8.67) sultado não será nulo, mas, sim, uma extensão periódica
n=0 de x[n]. A periodicidade inerente está sempre presente.
Algumas vezes, ela nos causa dificuldades, e, às vezes, po-
Equação de síntese: demos explorá-la, mas ignorá-la totalmente é um convite
N−1
1 para problemas. Na definição da representação da TFD,
x[n] = X [k]WN−kn, 0 ≤ n ≤ N − 1. (8.68)
N simplesmente reconhecemos que estamos interessados
k=0
nos valores de x[n] apenas no intervalo 0 ≤ n ≤ N − 1, pois
Isto é, o fato de que X[k] = 0 para k fora do inter- x[n] na realidade é nulo fora desse intervalo, e estamos
valo 0 ≤ k ≤ N − 1 e de que x[n] = 0 para n fora do inter- interessados nos valores de X[k] somente no intervalo 0
valo 0 ≤ n ≤ N − 1 está implícito, mas isso nem sempre ≤ k ≤ N − 1, pois esses são os únicos valores necessários
é declarado explicitamente. A relação entre x[n] e X[k] na Equação 8.68 para a reconstrução de x[n].
decorrente das equações 8.67 e 8.68, algumas vezes, será
indicada como
JDF Exemplo 8.7 TFD de um pulso retangular
x[n] ←→ X [k]. (8.69)
Para ilustrar a TFD de uma sequência de duração fini-
Revendo as equações 8.11 e 8.12 na forma das ta, considere x[n] como mostrada na Figura 8.10(a). Ao
equações 8.67 e 8.68 para sequências de duração finita, determinarmos a TFD, podemos considerar x[n] como
1 x [n]
0 4 n
(a)
~
x [n]
1
... ...
0 5 10 15 20 n
(b)
~
5 X [k]
| X (e jω) |
... ...
–1 0 1 2 3 4 5 6 7 8 9 10 11 k
0 2π 4π ω
(c)
5 X [k]
–2 –1 0 1 2 3 4 5 6 7 8 9 10 11 k
(d)
Figura 8.10 Exemplo da TFD. (a) Sequência de comprimento finito x[n]. (b) Sequência periódica x̃ [n] formada a partir de x[n] com período N = 5.
(c) Coeficientes da série de Fourier X̃ [k] para x̃ [n]. Para enfatizar que os coeficientes da série de Fourier são amostras da transformada de Fourier,
|X(ejω)| é também representado. (d) TFD de x [n].
uma sequência de duração finita com qualquer compri- Se alternativamente considerarmos que x[n] tem compri-
mento maior ou igual a N = 5. Considerada como uma mento N = 10, então a sequência periódica subjacente é
sequência de comprimento N = 5, a sequência periódi- a mostrada na Figura 8.11(b), que é a sequência periódica
ca x̃[n] cuja SFD corresponde à TFD de x[n] é mostrada considerada no Exemplo 8.3. Portanto, X̃ [k] é como mostra-
na Figura 8.10(b). Como a sequência na Figura 8.10(b) é do nas figuras 8.2 e 8.6, e a TFD de 10 pontos X[k] mostrada
constante no intervalo 0 ≤ n ≤ 4, concluímos que nas figuras 8.11(c) e 8.11(d) é um período de X̃ [k].
4
1 − e−j 2πk
X̃ [k] = e−j ( 2π k/5)n = A distinção entre a sequência de duração finita
1 − e−j ( 2πk/5)
n=0
(8.70) x[n] e a sequência periódica x̃[n] relacionadas pelas
5, k = 0, ±5, ±10, . . . , equações 8.57 e 8.60 pode parecer secundária, pois,
= usando essas equações, é fácil construir uma a partir da
0, caso contrário;
outra. Porém, a distinção torna-se importante se levar-
isto é, os únicos coeficientes da SFD X̃ [k] não nulos estão mos em conta propriedades da TFD e o efeito sobre
em k = 0 e em múltiplos inteiros de k = 5 (todos repre-
sentam a mesma frequência exponencial complexa). Os
x[n] das modificações em X[k]. Isso se tornará evidente
coeficientes da SFD são mostrados na Figura 8.10(c). Nes- na próxima seção, na qual discutiremos as propriedades
ta figura a magnitude da TFTD, |X(ejω)|, também é mos- da representação por TFD.
trada. Evidentemente, X̃ [k] é uma sequência de amostras
de X(ejω) em frequências ωk = 2πk/5. De acordo com a 8.6 Propriedades da TFD
Equação 8.61, a TFD de cinco pontos de x[n] corresponde
à sequência de comprimento finito obtida extraindo um Nesta seção, consideramos uma série de proprie-
período de X̃ [k]. Consequentemente, a TFD de cinco pon- dades da TFD para sequências de duração finita. Nossa
tos de x[n] é a mostrada na Figura 8.10(d). discussão assemelha-se à discussão da Seção 8.2 sobre
x [n]
1
0 4 n
(a)
~
x [n]
1
– 10 0 4 10 n
(b)
5 | X [k]|
3,24 3,24
1,24 1 1,24
– 10 0 10 k
(c)
jX [k]
0,4 π
0,2 π
– 10 0 10 k
– 0,2 π
– 0,4 π
(d)
Figura 8.11 Exemplo da TFD. (a) Sequência de comprimento finito x [n]. (b) Sequência periódica x̃ [n] formada a partir de x [n] com período N = 10.
(c) Magnitude da TFD. (d) Fase da TFD. (× indica valores indeterminados.)
sequências periódicas. Porém, damos atenção em parti- multiplicação da transformada de Fourier pelo fator
cular à relação da suposição do comprimento finito e da de fase linear e−jωm. Na Seção 8.2.2, discutimos a pro-
periodicidade implícita da representação por TFD das priedade correspondente para os coeficientes da SFD
sequências de comprimento finito. de uma sequência periódica; especificamente, se uma
sequência periódica x̃[n] tem coeficientes da série de
8.6.1 Linearidade Fourier X̃ [k], então a sequência deslocada x̃[n − m]
Se duas sequências de duração finita x1[n] e x2[n] tem coeficientes da série de Fourier e−j(2πk/N)m X̃ [k].
são combinadas linearmente, isto é, se Agora, consideraremos a operação no domínio do
tempo que corresponde a multiplicar os coeficientes
x3[n] = ax1[n] + bx2[n], (8.71) da TFD de uma sequência de comprimento finito x[n]
então a TFD de x3[n] é pelo fator de fase linear e−j(2πk/N)m. Especificamente,
seja x1[n] uma sequência de comprimento finito para a
X3[k] = aX1[k] + bX2[k]. (8.72)
qual a TFD é e−j (2πk/N)mX[k]; isto é, se
Claramente, se x1[n] tem comprimento N1 e x2[n] JFD
tem comprimento N2, então o comprimento máximo de x[n] ←→ X [k], (8.77)
x3[n] será N3 = máx(N1, N2). Assim, para que a Equação então estamos interessados em x1[n], tal que
8.72 tenha significado, as duas TFDs devem ser calcula- JFD
das com o mesmo comprimento N ≥ N3. Se, por exem- x1 [n] ←→ X 1 [k] = e−j ( 2πk/N)mX [k] = WNmX[k]. (8.78)
plo, N1 < N2, então X1[k] é a TFD da sequência x1[n]
acrescida de (N2 − N1) zeros. Isto é, a TFD de N2 pontos Como a TFD de N pontos representa uma se-
de x1[n] é quência de duração finita de comprimento N, tanto
x[n] quanto x1[n] devem ser nulas fora do intervalo 0 ≤
N 1 −1
n ≤ N – 1, e, consequentemente, x1[n] não pode resul-
X 1 [k] = x1 [n]WNkn2 , 0 ≤ k ≤ N 2 − 1, (8.73)
tar de um deslocamento de tempo simples de x[n]. O
n=0
resultado correto segue diretamente do resultado da
e a TFD de N2 pontos de x2[n] é Seção 8.2.2 e da interpretação da TFD como os coe-
N 2 −1 ficientes da série de Fourier da sequência periódica
X 2 [k] = x2 [n]WNkn2 , 0 ≤ k ≤ N 2 − 1. (8.74) x1[((n))N]. Em particular, a partir das equações 8.59 e
n=0 8.62, concluímos que
Em resumo, se SFD
x̃[n] = x[((n))N ] ←→ X̃ [k] = X[((k))N ], (8.79)
JFD
x1 [n] ←→ X 1 [k] (8.75a) e, de modo similar, podemos definir uma sequência pe-
e riódica x̃1[n] tal que
JFD SFD
x2 [n] ←→ X 2 [k] (8.75b) x̃1 [n] = x1 [((n))N ] ←→ X̃1 [k] = X 1 [((k))N ], (8.80)
então, sendo, por suposição,
JFD X1[k] = e−j (2πk/N)mX[k]. (8.81)
ax1 [n] + bx2 [n] ←→ aX 1 [k] + bX 2 [k], (8.76)
Portanto, os coeficientes da SFD de x̃1[n] são
sendo os comprimentos das sequências e suas TFDs
iguais a pelo menos o máximo dos comprimentos de X̃ 1[k] = e−j[2π((k))N/N]mX[((k))N]. (8.82)
x1[n] e x2[n]. Evidentemente, TFDs de maior compri- Note que
mento podem ser calculadas com o acréscimo de amos-
tras nulas em ambas as sequências. e−j [2π((k))N/N]m = e−j (2πk/N)m. (8.83)
Ou seja, como e−j (2πk/N)m é periódica com período
8.6.2 Deslocamento circular de uma sequência N em k e em m, podemos abandonar a notação ((k))N.
Segundo a Seção 2.9.2 e a Propriedade 2 na Tabe- Logo, a Equação 8.82 torna-se
la 2.2, se X(ejω) for a transformada de Fourier de tem-
X̃1[k] = e−j (2πk/N)mX̃ [k], (8.84)
po discreto de x[n], então e−jωmX(ejω) é a transformada
de Fourier da sequência deslocada no tempo x[n − m]. portanto concluímos, a partir da Seção 8.2.2, que
Em outras palavras, um deslocamento no domínio do
x̃1[n] = x̃[n − m] = x[((n − m))N]. (8.85)
tempo de m pontos (com m positivo corresponden-
te a um atraso de tempo e m negativo, a um avanço Assim, a sequência de comprimento finito x1[n],
no tempo) corresponde, no domínio da frequência, à cuja TFD é dada pela Equação 8.81, é
x̃1 [n] = x[((n −m))N ], 0 ≤ n ≤ N − 1, de modo que, quando um valor de sequência sai do in-
x1 [n] =
0, caso contrário. (8.86) tervalo de 0 a (N − 1) em uma ponta, ele entra na outra
ponta. Outro ponto interessante é que, para o exemplo
A Equação 8.86 explica como construir x1[n] a mostrado na Figura 8.12(a), se formarmos x2[n] = x[((n
partir de x[n]. − 4))6] deslocando a sequência de 4 amostras para a di-
reita mod 6, obtemos a mesma sequência x1[n]. Em ter-
mos da TFD, isso acontece porque W64k = W6−2k ou, de
Exemplo 8.8 Deslocamento circular de uma modo mais geral, WNmk = WN−(N−m)k, o que implica que
sequência um deslocamento circular de N pontos em uma direção
por m é o mesmo que um deslocamento circular na di-
O procedimento de deslocamento circular é ilustrado na reção oposta por N − m.
Figura 8.12 para m = −2; isto é, queremos determinar x1[n]
= x[((n + 2))N] para N = 6, que mostramos que terá TFD Na Seção 8.5, sugerimos a interpretação da forma-
X1[k] = W6−2k X[k]. Especificamente, a partir de x[n], ção da sequência periódica x̃[n] a partir da sequência de
construímos a sequência periódica x̃[n] = x[((n))6], como
comprimento finito x[n] ao exibirmos x[n] em torno da
indicado na Figura 8.12(b). De acordo com a Equação
8.85, deslocamos x̃[n] de 2 amostras para a esquerda, ob-
circunferência de um cilindro com uma circunferência
tendo x̃1[n] = x̃[n + 2] como na Figura 8.12(c). Finalmen- de exatamente N pontos. À medida que percorremos
te, usando a Equação 8.86, tomamos um período de x̃1[n] repetidamente a circunferência do cilindro, a sequência
para obter x1[n], como indicado na Figura 8.12(d). que observamos é a sequência periódica x̃[n]. Um des-
Uma comparação entre as figuras 8.12(a) e (d) indica cla- locamento linear dessa sequência corresponde, então, a
ramente que x1[n] não corresponde a um deslocamento uma rotação do cilindro. No contexto de sequências de
linear de x[n] e, de fato, as duas sequências são confina- comprimento finito e da TFD, esse deslocamento é cha-
das no intervalo entre 0 e (N − 1). Com base na Figura
mado de deslocamento circular ou rotação da sequên-
8.12, notamos que x1[n] pode ser obtida deslocando x[n],
cia no intervalo 0 ≤ n ≤ N − 1.
x [n]
0 N n
(a)
~
x [n]
... ...
0 N n
(b)
~
x1 [n] = ~
x [n + 2]
... ...
0 N n
(c)
~
x1 [n], 0≤n≤N–1
x1 [n] =
0, demais valores de n
0 N n
(d)
Figura 8.12 Deslocamento circular de uma sequência de comprimento finito; isto é, o efeito no domínio do tempo da multiplicação da TFD da
sequência por um fator de fase linear.
Resumindo, a propriedade de deslocamento cir- Exemplo 8.9 Relação de dualidade para a TFD
cular da TFD é
JFD Para ilustrar a relação de dualidade nas equações 8.93,
x[((n − m))N ], 0 ≤ n ≤ N− 1 ←→ e−j(2πk/N)mX[k]= WNmX[k]. consideraremos a sequência x[n] do Exemplo 8.7. Na Fi-
(8.87) gura 8.13(a) é mostrada a sequência de comprimento fi-
nito x[n], e nas figuras 8.13(b) e (c) estão as partes real e
imaginária, respectivamente, da TFD de 10 pontos corres-
8.6.3 Dualidade
pondente a X[k]. Ajustando novamente o eixo horizontal
Como a TFD está intimamente associada à SFD, obtemos a sequência complexa x1[n] = X[n], como mos-
esperaríamos que a TFD apresentasse uma proprieda- trado nas figuras 8.13(d) e (e). De acordo com a relação
de de dualidade semelhante àquela da SFD discutida de dualidade nas equações 8.93, a TFD de 10 pontos da
na Seção 8.2.3. Na verdade, ao examinarmos as equa- sequência (de valor complexo) X[n] é a sequência mostra-
ções 8.67 e 8.68, notamos que as equações de análise da na Figura 8.13(f).
e síntese diferem apenas no fator 1/N e no sinal do ex-
poente das potências de WN.
A propriedade de dualidade da TFD pode ser ob- 8.6.4 Propriedades de simetria
tida explorando a relação entre TFD e SFD como em Como a TFD de x[n] é idêntica aos coeficientes
nossa dedução da propriedade de deslocamento cir- da SFD da sequência periódica x̃[n] = x[((n))N], as pro-
cular. Para esse fim, considere x[n] e sua TFD X[k] e priedades de simetria associadas à TFD podem ser de-
construa as sequências periódicas duzidas a partir das propriedades de simetria da SFD,
resumidas na Tabela 8.1 na Seção 8.2.6. Especificamen-
x̃[n] = x[((n))N], (8.88a)
te, usando as equações 8.88 juntamente com as proprie-
X̃ [k] = X[((k))N], (8.88b) dades 9 e 10 da Tabela 8.1, temos
JFD
de modo que x ∗ [n] ←→ X ∗[((−k))N ], 0 ≤ n ≤ N − 1, (8.94)
SFD
x̃[n] ←→ X̃ [k]. (8.89) e
JFD
A partir da propriedade de dualidade dada nas x ∗ [((−n))N ] ←→ X∗ [k], 0 ≤ n ≤ N − 1. (8.95)
equações 8.25, As propriedades 11-14 da Tabela 8.1 referem-se à
SFD decomposição de uma sequência periódica na soma de
X̃ [n] ←→ N x̃[−k]. (8.90)
uma sequência simétrica conjugada e uma antissimétri-
Se definirmos a sequência periódica x̃1[n] = X̃ [n], ca conjugada. Isso sugere a decomposição da sequência
um período da qual é a sequência de comprimento fini- de duração finita x[n] em duas sequências de duração
to x1[n] = X[n], então os coeficientes da SFD de x̃1[n] finita com duração N correspondente a um período das
são X̃ 1[k] = Nx̃[−k]. Portanto, a TFD de x1[n] é componentes simétrica conjugada e antissimétrica con-
˜
N x[−k ], 0 ≤ k ≤ N − 1, jugada de x̃[n]. Representaremos essas componentes de
X1 [k] = 0, caso contrário. (8.91) x[n] como xep[n] e xop[n]. Assim, com
ou, de modo equivalente, x̃[n] = x[((n))N] (8.96)
N x [((−k))N ], 0 ≤ k ≤ N − 1, e a parte simétrica conjugada sendo
X 1 [k] =
0, caso contrário. (8.92)
x̃e [n] = 21 {x̃[n] + x̃ ∗ [−n]}, (8.97)
Consequentemente, a propriedade de dualidade
para a TFD pode ser expressa da seguinte forma: Se e a parte antissimétrica conjugada sendo
JFD x̃o[n] = 21 {x̃[n] − x̃ ∗ [−n]}, (8.98)
x[n] ←→ X [k], (8.93a)
definimos xep[n] e xop[n] como
então
JFD
xep[n] = x̃e[n], 0 ≤ n ≤ N − 1, (8.99)
X [n] ←→ N x[((−k))N ], 0 ≤ k ≤ N − 1. (8.93b)
xop[n] = x̃o[n], 0 ≤ n ≤ N − 1, (8.100)
A sequência Nx[((−k))N] é Nx[k] com índice refle-
tido, mod N. O mod N de índice refletido corresponde ou, de modo equivalente,
especificamente a ((−k))N = N − k, para 1 ≤ k ≤ N – 1, xep [n] = 21 {x[((n))N ] + x ∗ [((−n))N ]}, 0 ≤ n ≤ N − 1,
e ((−k))N = ((k))N, para k = 0. Como no caso do deslo-
(8.101a)
camento mod N, o processo da reflexão de índice mod N
usualmente é mais bem visualizado em termos das se- xop [n] = 21 {x[((n))N ] − x ∗ [((−n))N ]}, 0 ≤ n ≤ N − 1,
quências periódicas subjacentes. (8.101b)
1 x[n]
0 1 2 3 4 5 6 7 8 9 10 n
(a)
Re{X [k ] }
5
Re{X (e jω)}
0 1 2 3 4 5 6 7 8 9 10 k
0 π 2π ω
(b)
5 Im{X [k ] }
Im{X (e jω)}
1 3
0
0 2 4 5 6 7 8 9 10 k
0 π 2π ω
(c)
5 Re{x 1 [n ] } = Re{X [n ] }
1 1 1 1 1
0 1 2 3 4 5 6 7 8 9 10 n
(d)
Im{x 1 [n ] } = Im{X [n ] }
3,08
1 3 0,73
0 2 4 5 6 7 8 9 10 n
– 0,73
–3,08 (e)
X 1 [k ] = 1 0 x [((– k )) 1 0 ]
10
0 1 2 3 4 5 6 7 8 9 10 k
(f)
Figura 8.13 Exemplo da dualidade. (a) Sequência real de comprimento finito x [n]. (b) e (c) Partes real e imaginá-
ria da TFD correspondente X [k]. (d) e (e) Partes real e imaginária da sequência dual x1[n] = X[n]. (f) A TFD de x1[n].
sendo xep[n] e xop[n] sequências de comprimento fi- xep [n]= 21 {x[n]+ x ∗ [N − n]}, 1 ≤ n ≤ N −1, (8.102a)
nito, isto é, ambas são nulas fora do intervalo 0 ≤ n ≤
N − 1. Como ((−n))N = (N − n) e ((n))N = n para 0 ≤ xep[0] = Re{x[0]}, (8.102b)
n ≤ N − 1, também podemos expressar as equações 1 ∗
xop [n]= 2 {x[n]− x [N − n]}, 1 ≤ n ≤ N − 1, (8.102c)
8.101 como
xop[0] = jIm{x[0]}. (8.102d)
Essa forma das equações é conveniente, pois evita finita x1[n] e x2[n], ambas com comprimento N, com
o cálculo do mod N dos índices. TFDs X1[k] e X2[k], respectivamente, e queremos de-
Nitidamente, xep[n] e xop[n] não são equivalentes terminar a sequência x3[n], para a qual a TFD é X3[k]
a xe[n] e xo[n], como definido nas equações 2.149(a) e = X1[k]X2[k]. Para determinar x3[n], podemos aplicar
(b). Porém, é possível mostrar (veja o Problema 8.59) os resultados da Seção 8.2.5. Especificamente, x3[n] cor-
que responde a um período de x̃3[n], que é dado pela Equa-
ção 8.27. Assim,
xep[n] = {xe[n] + xe[n − N]}, 0 ≤ n ≤ N − 1, (8.103)
N−1
e x3 [n] = x̃1 [m]x̃2 [n − m], 0 ≤ n ≤ N − 1, (8.112)
xop[n] = {xo[n] + xo[n − N]}, 0 ≤ n ≤ N − 1. (8.104) m=0
ou, de modo equivalente,
Em outras palavras, xep[n] e xop[n] podem ser gera-
N−1
dos pelo aliasing no tempo de xe[n] e xo[n] no intervalo
0 ≤ n ≤ N − 1. As sequências xep[n] e xop[n] serão desig- x3 [n] = x1 [((m))N ]x2 [((n − m))N ], 0 ≤ n ≤ N − 1.
m=0
nadas como componentes de x[n] simétrica conjugada
(8.113)
periódica e antissimétrica conjugada periódica, respecti-
vamente. Quando xep[n] e xop[n] forem reais, serão cha- Como ((m))N = m para 0 ≤ m ≤ N − 1, a Equação
madas de componentes par periódica e ímpar periódica, 8.113 pode ser escrita como
respectivamente. Note que as sequências xep[n] e xop[n] N−1
não são sequências periódicas; porém, elas são sequên- x3 [n] =
x1 [m]x2 [((n − m))N ], 0 ≤ n ≤ N − 1.
cias de comprimento finito que são iguais a um período
m=0
das sequências periódicas x̃e[n] e x̃o[n], respectivamen- (8.114)
te.
A Equação 8.114 difere de uma convolução linear
As equações 8.101 e 8.102 definem xep[n] e xop[n] de x1[n] e x2[n] como define a Equação 2.49 em alguns
em termos de x[n]. A relação inversa, expressando x[n] em aspectos importantes. Na convolução linear, o cálculo
termos de xep[n] e xop[n], pode ser obtida usando as do valor de sequência x3[n] envolve a multiplicação de
equações 8.97 e 8.98 para expressar x̃[n] como uma sequência por uma versão refletida e deslocada li-
x̃[n] = x̃e[n] + x̃o[n]. (8.105) nearmente no tempo e, depois, a soma dos valores do
produto x1[m] x2[n − m] para todo m. Para a obtenção
Assim,
de valores sucessivos da sequência formada pela opera-
x[n] = x̃[n] = x̃e[n] + x̃o[n], 0 ≤ n ≤ N − 1. (8.106) ção de convolução, as duas sequências são deslocadas
sucessivamente uma em relação à outra ao longo de um
Combinando as equações 8.106 com as equações
eixo linear. Por outro lado, para a convolução defini-
8.99 e 8.100, obtemos
da pela Equação 8.114, a segunda sequência é refletida
x[n] = xep[n] + xop[n]. (8.107) circularmente no tempo e deslocada circularmente em
relação à primeira. Por esse motivo, a operação de com-
Como alternativa, as equações 8.102, quando so-
binar duas sequências de comprimento finito de acordo
madas, também levam à Equação 8.107. As proprie-
com a Equação 8.114 é chamada de convolução circu-
dades de simetria da TFD associadas às propriedades
lar. Mais especificamente, chamamos a Equação 8.114
11-14 da Tabela 8.1 agora se apresentam de forma direta:
de convolução circular de N pontos, identificando ex-
TFD
Re{x[n]} ←→ X ep [k], (8.108) plicitamente o fato de que ambas as sequências têm
comprimento N (ou menos) e de que as sequências são
TFD
j Im{x[n]} ←→ X op [k], (8.109) deslocadas em mod N. Muitas vezes, a operação de for-
mar uma sequência x3[n] para 0 ≤ n ≤ N − 1 usando a
TFD
xep [n] ←→ Re{X [k]}, (8.110) Equação 8.114 será denotada como
Se formarmos o produto
X3[k] = WNkn0 X2[k], (8.121) sendo, na Figura 8.15, L = 6. Se considerarmos que N denota
veremos, pela Seção 8.6.2, que a sequência de duração o comprimento da TFD, para N = L, as TFDs de N pontos são
finita correspondente a X3[k] é a sequência x2[n] rota- N−1
kn = N, k = 0,
cionada para a direita de n0 amostras no intervalo 0 ≤ n X 1 [k] = X 2 [k] = WN (8.123)
≤ N − 1. Ou seja, a convolução circular de uma sequên- 0, caso contrário.
n=0
cia x2[n] com um único impulso unitário atrasado resulta
Se multiplicarmos explicitamente X1[k] e X2[k], obteremos
em uma rotação de x2[n] no intervalo 0 ≤ n ≤ N − 1. Esse
exemplo é ilustrado na Figura 8.14 para N = 5 e n0 = 1. N 2 , k = 0,
X 3 [k] = X 1 [k]X 2 [k] = (8.124)
Aqui, mostramos as sequências x2[m] e x1[m] e em se- 0, caso contrário
guida x2[((0 − m))N] e x2[((1 − m))N]. Fica claro a partir
desses dois casos que o resultado da convolução circular do qual concluímos que
de x2[n] com um único impulso unitário deslocado será x3[n] = N, 0 ≤ n ≤ N − 1. (8.125)
o deslocamento circular de x2[n]. A última sequência
mostrada é x3[n], o resultado da convolução circular de Esse resultado é representado na Figura 8.15. Nitidamen-
x1[n] e x2[n]. te, quando a sequência x2[((n − m))N] é rotacionada em
relação a x1[m], a soma dos produtos x1[m] x2[((n − m))N]
sempre será igual a N.
Evidentemente, é possível considerar x1[n] e x2[n] como
Exemplo 8.11 Convolução circular de dois pulsos sequências de 2L pontos, acrescentando a elas L zeros.
retangulares Se, depois disso, realizarmos a convolução circular com
2L pontos das sequências aumentadas, obteremos a se-
Como outro exemplo de convolução circular, considere quência da Figura 8.16, que pode ser vista como idêntica à
convolução linear das sequências de duração finita x1[n] e
1, 0 ≤ n ≤ L − 1,
x1 [n] = x2 [n] = (8.122) x2[n]. Essa observação importante será discutida com mais
0, caso contrário, detalhes na Seção 8.7.
1 x1 [n]
Observe que, para N = 2L, como vemos na Figura 8.16,
Lk
1 − WN
X 1 [k] = X 2 [k] = k
,
0 N n 1 − WN
(a)
assim, a TFD da sequência de forma triangular x3[n] na
1 x2 [n]
Figura 8.16(e) é
Lk 2
1 − WN
X 3 [k] = k
,
1 − WN
0 N n
(b) com N = 2L.
WN− x[n]
6. X[((k – ))N]
N− 1
7. x1 [m]x2 [((n − m))N ] X1[k]X2[k]
m= 0
N− 1
1
x1[n]x2[n]
8. X 1 [ ]X 2 [((k − N]
N
=0
x*[n]
9. X*[((–k))N]
10. x*[((–n))N] X*[k]
11. Re{x[n]} X ep [k] = 1 {X [((k))N ] + X∗ [((− k))N ]}
2
12. jIm{x[n]} X op [k] = 1 {X [((k))N ] − X∗ [((− k))N ]}
2
13. xep [n] =1 {x[n] + x ∗ [((− n)) ]}
N Re{X[k]}
2
14. 1 ∗
xop [n] = {x[n] − x [((− n))N ]} jIm{X[k]}
2
As propriedades 15-17 aplicam-se apenas quando x[n] é real.
X [k] = X∗ [((− k))N ]
Re{X [k]} = Re{X[((− k))N ]}
15. Propriedades de simetria Im{X [k]} = − Im{X[((− k))N ]}
|X [k]| = | X [((− k))N ]|
{X [k]} = − {X[((− k))N ]}
16. 1 {x[n] + x[((− n)) ]}
xep [n] = N Re{X[k]}
2
1
17.
xop [n] = {x[n] − x[((− n))N ]} jIm{X[k]}
2
de uma sequência como um sinal de voz ou um sinal de A Figura 8.17(a) indica uma determinada sequên-
radar, ou no cálculo da função de autocorrelação desses cia x1[m] e a Figura 8.17(b) mostra uma determinada se-
sinais. Como vimos na Seção 8.6.5, a multiplicação de quência x2[n − m] para n = −1, para 0 ≤ n ≤ L − 1 e para
TFDs corresponde a uma convolução circular das se- n = L + P − 1. Evidentemente, o produto x1[m] x2[n − m]
quências. Para obtermos uma convolução linear, temos é nulo para todo m sempre que n < 0 e n > L + P − 2;
de assegurar que a convolução circular tenha o efeito ou seja, x3[n] Z 0 para 0 ≤ n ≤ L + P − 2. Portanto, (L +
de convolução linear. A discussão no fim do Exemplo P − 1) é o comprimento máximo da sequência x3[n]
8.11 indica como isso pode ser feito. Agora, apresenta- resultante da convolução linear de uma sequência de
remos uma análise mais detalhada. comprimento L com uma sequência de comprimento P.
8.7.1 Convolução linear de duas sequências de 8.7.2 Convolução circular como convolução linear
comprimento finito com aliasing
Considere uma sequência x1[n] cujo comprimento Se uma convolução circular correspondente ao pro-
seja de L pontos e uma sequência x2[n] cujo compri- duto de duas TFDs de N pontos é igual ou não à convo-
mento seja de P pontos. Suponha que queiramos com- lução linear das sequências de comprimento finito cor-
binar essas duas sequências pela convolução linear para respondentes, como mostrado nos exemplos 8.10 e 8.11,
obtermos uma terceira sequência então o comprimento da TFD depende do comprimento
∞ das sequências finitas correspondentes. Uma interpreta-
x3 [n] = x1 [m]x2 [n − m]. (8.129) ção extremamente útil da relação entre convolução cir-
m=−∞ cular e convolução linear é aquela em termos do alia-
x1 [m]
0 L m
(a)
x2 [–1 – m]
–P –1 0 L m
x2 [n – m]
0 n L m
n–P+1
x2 [L + P – 1 – m]
0 L m
L+P–1
(b)
Figura 8.17 Exemplo de convolução linear de duas sequências de comprimento finito mostrando que o resultado é x3[n] = 0 para n ≤ −1 e para
n ≥ L + P − 1. (a) Sequência de comprimento finito x1[m]. (b) x2[n − m] para diversos valores de n.
sing no tempo. Como essa interpretação é muito impor- Evidentemente, se x[n] tem comprimento menor
tante e útil para o entendimento da convolução circular, ou igual a N, não ocorre aliasing no tempo, e xp[n] =
ela será desenvolvida de várias maneiras. x[n]. Porém, se o comprimento de x[n] for maior do que
Na Seção 8.4, observamos que, se a transformada N, xp[n] pode não ser igual a x[n] para alguns ou todos
de Fourier X(ejω) de uma sequência x[n] é amostrada os valores de n. Daqui para a frente, usaremos o subscri-
nas frequências ωk = 2πk/N, então a sequência resultan- to p para denotar que uma sequência é um período de
te corresponde aos coeficientes da SFD da sequência uma sequência periódica resultante de uma TFD inver-
periódica sa de uma transformada de Fourier amostrada. O subs-
∞
crito pode ser dispensado se ficar claro que o aliasing
x̃[n] = x[n − rN ]. (8.130)
no tempo foi evitado.
r=−∞
A partir da discussão sobre a TFD, concluímos A sequência x3[n] na Equação 8.129 tem transfor-
que a sequência de comprimento finito mada de Fourier
j(2πk/N)
)X2 (e j( 2πk/N)), Também fica claro que, se N = L = P, todos os valores de
X3 [k] = X1(e 0 ≤ k ≤ N − 1,
sequência da convolução circular podem ser diferentes
(8.135)
daqueles da convolução linear. Porém, se P < L, alguns
e, portanto, dos valores de sequência em uma convolução circular de
L pontos serão iguais aos valores de sequência da convo-
X3[k] = X1[k]X2[k]. (8.136)
lução linear correspondente. A interpretação do aliasing
Ou seja, a sequência resultante da TFD inversa de no tempo é útil para mostrar esse efeito.
X3[k] é Considere duas sequências de duração finita x1[n]
∞ e x2[n], com x1[n] de comprimento L e x2[n] de compri-
x3 [n − rN ], 0 ≤ n ≤ N − 1, mento P, sendo P < L, como indicado nas figuras 8.19(a)
x3p [n] = (8.137)
r=−∞ e (b), respectivamente. Vamos primeiro considerar a con-
0, caso contrário, volução circular de L pontos de x1[n] e x2[n] e investigar
e, pela Equação 8.136, concluímos que quais valores da sequência na convolução circular são
idênticos aos obtidos a partir de uma convolução linear
x3p[n] = x1[n] N x2[n]. (8.138)
e quais valores não são. A convolução linear de x1[n]
Assim, a convolução circular de duas sequências com x2[n] será uma sequência de comprimento finito,
de comprimento finito é equivalente à convolução li- com comprimento (L + P − 1), como indicado na Figura
near das duas sequências, seguida pelo aliasing no tem- 8.19(c). Para determinar a convolução circular de L pon-
po, conforme a Equação 8.137. tos, usamos as equações 8.137 e 8.138, de modo que
Note que, se N for maior ou igual a L ou a P, X1[k] ∞
e X2[k] representam x1[n] e x2[n] exatamente, mas x3p[n] x1[n] L x2[n] = x3 [n−rL], 0 ≤ n ≤ L− 1,
= x3[n] para todo n somente se N for maior ou igual x3p[n] =
r=−∞
ao comprimento da sequência x3[n]. Como mostramos 0, caso contrário.
na Seção 8.7.1, se x1[n] tem comprimento L e x2[n] tem (8.139)
comprimento P, então x3[n] tem comprimento máximo
(L + P − 1). Portanto, a convolução circular correspon- Na Figura 8.20(a) é mostrada a parcela da Equa-
dente a X1[k]X2[k] é idêntica à convolução linear cor- ção 8.139 para r = 0, e as figuras 8.20(b) e (c) mostram
respondente a X1(ejω) X2(ejω) se N, o comprimento das as parcelas para r = −1 e r = +1, respectivamente. Pela
TFDs, satisfaz N ≥ L + P − 1. Figura 8.20, deve ficar claro que, no intervalo 0 ≤ n ≤ L − 1,
x3p[n] é influenciado somente por x3[n] e x3[n + L].
Em geral, sempre que P < L, somente o termo
Exemplo 8.12 Convolução circular como x3[n + L] irá sofrer o aliasing no intervalo 0 ≤ n ≤ L − 1.
convolução linear com aliasing Mais especificamente, quando essas parcelas são soma-
das, os últimos (P − 1) pontos de x3[n + L], que se esten-
Os resultados do Exemplo 8.11 são facilmente enten-
didos diante da interpretação recém-discutida. Note dem de n = 0 até n = P − 2, serão somados aos primeiros
que x1[n] e x2[n] são sequências constantes idênticas (P − 1) pontos de x3[n], e os (P − 1) últimos pontos de
de comprimento L = P = 6, como mostrado na Figura x3[n], que se estendem de n = L até n = L + P − 2, con-
8.18(a). A convolução linear de x1[n] e x2[n] tem com- tribuirão apenas para o próximo período da sequência
primento L + P − 1 = 11 e tem a forma triangular mos- periódica resultante x̃3[n]. Então, x3p[n] é formado to-
trada na Figura 8.18(b). Nas figuras 8.18(c) e (d), são mando apenas o trecho 0 ≤ n ≤ L − 1. Como os últimos
mostradas duas das versões deslocadas x3[n − rN] na
(P − 1) pontos de x3[n + L] e os últimos (P − 1) pontos
Equação 8.137, x3[n − N] e x3[n + N] para N = 6. A
convolução circular de N pontos de x1[n] e x2[n] pode de x3[n] são idênticos, podemos, alternativamente, vi-
ser obtida usando a Equação 8.137. Isso é mostrado na sualizar o processo de formação da convolução circular
Figura 8.18(e) para N = L = 6 e na Figura 8.18(f) para x3p[n] como convolução linear mais aliasing, tomando
N = 2L = 12. Observe que, para N = L = 6, somen- os (P − 1) valores de x3[n] de n = L a n = L + P − 2 e
te x3[n] e x3[n + N] contribuem para o resultado. Para somando-os aos primeiros (P − 1) valores de x3[n]. Esse
N = 2L = 12, somente x3[n] contribui para o resultado.
processo é ilustrado na Figura 8.21 para o caso P = 4 e
Como o comprimento da convolução linear é (2L − 1),
o resultado da convolução circular para N = 2L é idên- L = 8. Na Figura 8.21(a) é mostrada a convolução linear
tico ao resultado da convolução para todo 0 ≤ n ≤ N − 1. x3[n], com as amostras para n ≥ L denotadas por pontos
De fato, isso também aconteceria para N = 2L − 1 = 11. abertos. Observe que apenas (P − 1) amostras para n ≥ L
são não nulos. Na Figura 8.21(b) é mostrada a formação
Como ressaltado no Exemplo 8.12, o aliasing no de x3p[n] “enrolando x3[n] em torno de si mesma”. Os
tempo devido à convolução circular de duas sequências primeiros (P − 1) pontos são corrompidos pelo aliasing
de comprimento finito pode ser evitado se N ≥ L + P − 1. no tempo, e os pontos restantes de n = P − 1 a n = L − 1
1 x1 [n] = x2 [n],
L=P=6
0 L=P n
(a)
L
x3 [n] = x1 [n] * x2 [n]
0 2L – 1 n
(b)
x3 [n – N],
L N=L=6
0 N n
(c)
L x3 [n + N],
N=L=6
–N 0 n
(d)
L x1 [n] Ν x2 [n],
N=L=6
0 N– 1 n
(e)
L x1 [n] Ν x2 [n],
N = 2L
0 n
(f)
Figura 8.18 Exemplo do caso em que a convolução circular é equivalente à convolução linear seguida de aliasing. (a) Sequências x1[n] e x2[n]
antes de sofrerem a convolução. (b) Convolução linear de x1[n] e x2[n]. (c) x3[n − N ] para N = 6. (d) x3[n + N ] para N = 6. (e) x1[n] 6 x2[n], que é
igual à soma de (b), (c) e (d) no intervalo 0 ≤ n ≤ 5. (f) x1[n] 12 x2[n].
(isto é, os últimos L − P + 1 pontos) não são corrompi- ser evitado; neste caso a convolução circular e a convo-
dos; isto é, eles são idênticos aos que seriam obtidos com lução linear serão idênticas. Especificamente, se para
uma convolução linear. o caso que acabamos de considerar x3[n] for replicada
A partir dessa discussão, deve ficar claro que, se com período N ≥ L + P − 1, então não haverá nenhuma
a convolução circular tiver um comprimento suficien- sobreposição não nula. Esse caso é ilustrado nas figu-
te em relação aos comprimentos das sequências x1[n] ras 8.21(c) e (d), novamente para P = 4 e L = 8, com
e x2[n], então o aliasing com valores não nulos poderá N = 11.
2 x1 [n]
0 L n
(a)
1 x2 [n]
0 P n
(b)
7 x3 [n] = x1 [n] * x2 [n]
0 P L n
L+P–1
(c)
x3 [n]
0 L n
L+P–1
(a)
x3 [n + L]
–L 0 n
P–2
(b)
x3 [n – L]
0 L n
(c)
0 L n
P–1
(d)
Figura 8.20 Interpretação da convolução circular como convolução linear seguida de aliasing
para a convolução circular das duas sequências x1[n] e x2[n] da Figura 8.19.
x3 [n] sistemas. Para ver como isso pode ser feito, primeiro
consideramos uma sequência de entrada com L pon-
tos x[n] e uma resposta ao impulso com P pontos h[n].
A convolução linear dessas duas sequências, que será
denotada como y[n], tem duração finita, com compri-
0 L 2L n mento (L + P − 1). Consequentemente, como discu-
L+P–1 timos na Seção 8.7.2, para que a convolução circular e
a convolução linear sejam idênticas, a convolução cir-
(a)
cular deverá ter um comprimento de pelo menos (L +
P − 1) pontos. A convolução circular pode ser realizada
x3p [n] = x1 [n] N x2 [n], multiplicando as TFDs de x[n] e h[n]. Como queremos
N=L que o produto represente a TFD da convolução linear
de x[n] e h[n], que tem comprimento (L + P − 1), as
TFDs que calculamos também devem ter pelo menos
esse comprimento, isto é, tanto x[n] quanto h[n] devem
n
ser aumentados com valores de sequência com amplitu-
0 L
P–1
des nulas. Esse processo muitas vezes é conhecido como
preenchimento com zeros (do inglês zero-padding).
(b)
Esse procedimento permite o cálculo da convo-
lução linear de duas sequências de comprimento finito
x3 [n]
usando a TFD; isto é, a saída de um sistema FIR cuja en-
trada também tem comprimento finito pode ser calcula-
da com a TFD. Em muitas aplicações, como na filtragem
de uma forma de onda de voz, o sinal de entrada tem
duração indefinida. Teoricamente, embora possamos
armazenar a forma de onda inteira e depois implemen-
0 N n
tar o procedimento que acabamos de abordar usando
uma TFD para um grande número de pontos, o cálculo
(c)
dessa TFD pode ser impraticável. Outra consideração
é que, para esse método de filtragem, nenhuma amos-
x3p [n] = x1 [n] N x2 [n], tra filtrada pode ser calculada antes de ser sido feita a
N=L +P–1 aquisição de todas as amostras de entrada. Em geral,
precisamos evitar esse grande atraso no processamento.
A solução para ambos os problemas consiste em usar
a convolução em bloco, em que o sinal a ser filtrado é
n
segmentado em seções de comprimento L. Cada seção
0 N
pode então ser convoluída com a resposta ao impulso
de comprimento finito e as seções filtradas combinadas
(d)
de forma apropriada. A filtragem linear de cada bloco
Figura 8.21 Exemplo de como o resultado da convolução circular "en- pode, portanto, ser implementada usando a TFD.
rola-se". (a) e (b) N = L, de modo que os pontos da cauda do aliasing Para ilustrar o procedimento e desenvolver o pro-
sobrepõem-se aos primeiros (P – 1) pontos. (c) e (d) N = (L + P − 1), cedimento para combinar de forma apropriada as se-
assim não há sobreposição. ções filtradas, considere a resposta ao impulso h[n] de
comprimento P e o sinal x[n] representado na Figura
8.22. A seguir, consideraremos que x[n] = 0 para n < 0 e
que o comprimento de x[n] é muito maior do que P. A
8.7.3 Implementação de sistemas lineares sequência x[n] pode ser representada como uma soma
de segmentos de comprimento finito L, deslocados e
invariantes no tempo usando a TFD
não sobrepostos; isto é,
A discussão anterior abordou as formas de ob- ∞
tenção da convolução linear a partir da convolução cir- x[n] = xr [n − rL], (8.140)
cular. Como os sistemas LIT podem ser implementados r=0
por convolução, isso implica que a convolução circular sendo
(implementada com o procedimento sugerido no início x[n + rL], 0 ≤ n ≤ L − 1,
xr [n] = (8.141)
da Seção 8.7) pode ser usada para implementar esses 0, caso contrário.
h [n]
0 n
P–1
x [n]
L 3L
0 n
2L
Figura 8.22 Resposta ao impulso de comprimento finito h [n] e o sinal de comprimento indefinido x [n] a ser filtrado.
A Figura 8.23(a) ilustra a segmentação para o x[n] Como a convolução é uma operação LIT, concluí-
da Figura 8.22. Note que, em cada segmento xr [n], a pri- mos pela Equação 8.140 que
meira amostra está em n = 0; porém, a amostra na posi- ∞
ção zero de xr [n] é a amostra na posição rL da sequên- y[n] = x[n] ∗ h[n] = yr [n − rL], (8.142)
cia x[n]. Isso é mostrado na Figura 8.23(a), nos gráficos r=0
sendo
dos segmentos em suas posições deslocadas, mas com
indicação da origem temporal redefinida. yr [n] = xr [n] * h[n]. (8.143)
x0 [n]
L
0 n
x1 [n]
0
L n
x2 [n]
L
0 n
(a)
y0 [n]
L
0 n
L+P–2
y1 [n]
0 n
y2 [n]
0
0 n
(b)
Figura 8.23 (a) Decomposição do x [n] da Figura 8.22 em seções não sobrepostas de comprimento L. (b) Resultado
da convolução de cada seção com h [n].
Como as sequências xr[n] têm apenas L pon- to extra p indicando que yrp[n] é o resultado de uma
tos não nulos e h[n] tem comprimento P, cada uma convolução circular em que ocorreu aliasing no tempo.
das parcelas yr[n] = xr[n] * h[n] tem comprimento Essas sequências são representadas na Figura 8.24(b).
(L + P − 1). Assim, a convolução linear xr[n] * h[n] O trecho de cada seção de saída na região 0 ≤ n ≤ P − 2
pode ser obtida pelo procedimento descrito anterior- é a parte que deve ser descartada. As amostras restan-
mente usando TFDs de N pontos, com N ≥ L + P − 1. tes das seções sucessivas são então “concatenadas” para
Como o início de cada seção de entrada é separado de construir a saída filtrada final. Isto é,
seus vizinhos por L pontos e cada seção filtrada tem ∞
comprimento (L + P − 1), os pontos não nulos nas se- y[n] = yr [n − r(L − P + 1) + P − 1], (8.145)
ções filtradas serão sobrepostos por (P – 1) pontos, e r=0
essas amostras sobrepostas deverão ser acrescentadas sendo
na execução da soma requerida pela Equação 8.142. yrp [n], P − 1 ≤ n ≤ L − 1,
Isso é ilustrado na Figura 8.23(b), que mostra as seções yr [n] = (8.146)
0, caso contrário.
filtradas, yr [n] = xr [n] * h[n]. Assim como o sinal de
entrada é reconstruído somando os sinais atrasados da Esse procedimento é chamado de método de so-
Figura 8.23(a), o resultado filtrado x[n] * h[n] é cons- breposição e armazenamento, pois os segmentos de en-
truído com a soma das seções filtradas atrasadas, re- trada se sobrepõem, de modo que cada seção de entra-
presentadas na Figura 8.23(b). Esse procedimento para da subsequente consiste em (L − P + 1) novos pontos e
construir a saída filtrada a partir das seções filtradas (P − 1) pontos salvos da seção anterior.
usualmente é chamado de método de sobreposição e A utilidade dos métodos de sobreposição e soma
soma, pois as seções filtradas são sobrepostas e soma- e sobreposição e armazenamento da convolução em
das para construir a saída. A sobreposição ocorre por- bloco pode não ser óbvia de imediato. No Capítulo 9,
que a convolução linear de cada seção com a resposta consideramos algoritmos altamente eficientes para o
ao impulso é, em geral, maior do que o comprimento da cálculo da TFD. Esses algoritmos, chamados coletiva-
seção. O método de sobreposição e soma da convolução mente de FFT, são tão eficientes que, para as respos-
em bloco não está vinculado à TFD e à convolução cir- tas ao impulso FIR até mesmo de comprimento mais
cular. Evidentemente aqui deseja-se que convoluções modesto (na ordem de 25 ou 30), pode ser mais efi-
menores sejam calculadas e os resultados combinados ciente executar a convolução em bloco usando a TFD
adequadamente. do que implementar a convolução linear diretamente.
Um procedimento de convolução em bloco alter- O comprimento P em que o método da TFD se torna
nativo, comumente chamado de método de sobreposi- mais eficiente, evidentemente, depende do hardware e
ção e armazenamento, corresponde a implementar uma do software disponíveis para a implementação dos cál-
convolução circular de L pontos de uma resposta ao culos. (Veja Stockham, 1966, e Helms, 1967.)
impulso h[n] de P pontos com um segmento xr[n] de L
pontos e identificar a parte da convolução circular que 8.8 Transformada de cosseno discreta
corresponde a uma convolução linear. Os segmentos (TCD)
de saída resultantes são então “emendados” para for-
A TFD talvez seja o exemplo mais comum de uma
mar a saída. Especificamente, mostramos que, se uma
classe geral de representações transformadas de com-
sequência de L pontos sofrer a convolução circular com
primento finito na forma
uma sequência de P pontos (P < L), então os primeiros
(P − 1) pontos do resultado estarão incorretos devido N−1
ao aliasing no tempo, enquanto os pontos restantes se- A[k] = x[n]φk∗ [n], (8.147)
rão idênticos àqueles que seriam obtidos se tivéssemos n=0
implementado uma convolução linear. Portanto, pode- 1
N−1
mos dividir x[n] em seções de comprimento L de modo x[n] = A[k]φk[n], (8.148)
N
que cada seção de entrada sobreponha a seção anterior k=0
por (P − 1) pontos. Isto é, definimos a seção como em que as sequências φk[n], conhecidas como sequên-
cias de base, são ortogonais entre si; isto é,
xr [n] = x[n + r(L−P +1) − P +1], 0 ≤ n ≤ L −1, (8.144)
N−1
1 ∗ 1, m = k,
em que, como antes, definimos que a origem de tempo φk[n]φm [n] =
N 0, m Z k. (8.149)
para cada seção está no início dessa seção em vez de na n=0
origem de x[n]. Esse método de seccionar é represen- No caso da TFD, as sequências de base são as se-
tado na Figura 8.24(a). A convolução circular de cada quências periódicas complexas ej2πkn/N, e a sequência
seção com h[n] é denotada como yrp[n], com o subscri- A[k], em geral, é complexa mesmo que a sequência x[n]
x0 [n] L – (P – 1)
L–1
0 n
x1 [n]
0
n
L–1
x2 [n]
L–1
0 n
(a)
y0p [n]
L–1
0 n
y1p [n]
0 n
L–1
y2p [n]
L–1
0 n
(b)
Figura 8.24 (a) Decomposição do x[n] da Figura 8.22 em seções sobrepostas de comprimento L. (b) Resultado da convolução de cada seção com
h[n]. As porções de cada seção filtrada a serem descartadas na formação da convolução linear são indicadas.
seja real. É natural questionar sobre a existência de ma 8.68.) Outra transformada ortogonal para sequên-
conjuntos de sequências de base reais que resultem cias reais é a transformada de cosseno discreta (TCD).
em uma sequência transformada real A[k] quando x[n] (Veja Ahmed, Natarajan e Rao, 1974, e Rao e Yip, 1990.)
for real. Isso levou à definição de uma série de outras A TCD está estreitamente relacionada com a TFD, e
representações transformadas ortogonais, como trans- tornou-se especialmente útil e importante em diversas
formadas de Haar, transformadas de Hadamard (veja aplicações de processamento de sinais, sobretudo em
Elliott e Rao, 1982) e transformadas de Hartley (Brace- compressão de voz e imagem. Nesta seção, concluímos
well, 1983, 1984, 1989). (A definição e as propriedades nossa discussão da TFD introduzindo a TCD e mos-
da transformada de Hartley são exploradas no Proble- trando sua relação com a TFD.
x~1 [n] ~
x2[n]
4 4 4 4
3 3 3 3
2 2 2 2
1 1 1
0 6 12 n 0 5 8 16 n
~ (a) (b)
x3 [n] ~
x4 [n]
4 4
3 3
2 2
1 1
8 8 10
0 16 n 0 16 n
–1 –1
–2 –2
–3 –3
–4 –4
(c) (d)
Figura 8.25 Quatro maneiras de estender uma sequência de quatro pontos x[n] periódica e simetricamente. A sequência de comprimento finito
x [n] é representada com pontos sólidos. (a) Extensão periódica de Tipo 1 para TCD-1. (b) Extensão periódica de Tipo 2 para TCD-2. (c) Extensão
periódica de Tipo 3 para TCD-3. (d) Extensão periódica de Tipo 4 para TCD-4.
cias reais. Destas, as representações TCD-1 e TCD-2 são periódica x̃2[n] tem simetria periódica par em torno dos
as mais usadas, e elas serão o foco do restante de nossa pontos de “meia amostra” −1/2, N − 1/2, 2N − 1/2 etc.
discussão. Isso é ilustrado na Figura 8.25(b) para N = 4 e período
2N = 8. A TCD-2 é definida pelo par transformado
8.8.2 Definição da TCD-1 e da TCD-2 N−1
π k(2n + 1)
Todas as extensões periódicas que levam a dife- X c2 [k]= 2 x[n] cos , 0 ≤ k ≤ N − 1,
2N
rentes formas de TCD podem ser consideradas como n=0
(8.155)
uma soma de réplicas deslocadas das sequências de N
N−1
pontos ±x[n] e ±x[−n]. As diferenças entre as extensões 1 π k(2n + 1)
x[n]= β[k]X c2 [k]cos , 0≤ n≤N−1,
para as TCD-1 e TCD-2 dependem se os pontos dos N 2N
k=0
extremos se sobrepõem com versões deslocadas de si (8.156)
mesmas e, nesse caso, quais dos pontos extremos se so-
brepõem. Para a TCD-1, x[n] é primeiro modificada nos em que a TCD-2 inversa envolve a função de ponderação
pontos extremos e depois estendida para ter período 1
k= 0
β[k] = 2, (8.157)
2N − 2. A sequência periódica resultante é 1, 1 ≤ k ≤ N − 1.
x̃1[n] = xα[((n))2N−2] + xα [((−n))2N−2], (8.150) Em muitos casos, as definições da TCD incluem
sendo xα [n] a sequência modificada xα [n] = α[n]x[n], com fatores de normalização que fazem com que as transfor-
madas sejam unitárias.4 Por exemplo, a forma da TCD-2
1
2, n = 0 e N − 1, é frequentemente definida como
α[n] = (8.151)
1, 1 ≤ n ≤ N − 2. N−1
c2 2 π k(2n + 1)
A ponderação dos pontos extremos compensa a X̃ [k] = β̃[k] x[n] cos ,
N 2N
duplicação que ocorre quando os dois termos na Equa- n=0
N−1 N−1
4 A TCD seria uma transformada unitária se ela fosse ortonormal e também tivesse a propriedade (x[n])2 = (X c2 [k])2 .
n=0 k=0
Xc1[k] Xc2[k]
20
15
8
0 6 12 k 0 10 16 k
–20
(a) (b)
Figura 8.26 TCD-1 e TCD-2 para a sequência de quatro pontos usada na Figura 8.25. (a) TCD-1. (b) TCD-2.
aparecem como pontos sólidos. Nessas figuras é mostra- (2N − 2) pontos da sequência preenchida, obtemos para
do que as TCDs são também sequências periódicas pa- k = 0, 1 ..., N − 1,
res. Porém, a simetria da sequência transformada nem X 1 [k] = 2Re{X α [k]} =
sempre é a mesma da sequência de entrada periódica N−1
implícita. Enquanto x̃1[n] e a extensão de Xc1[k] pos- 2π kn
=2 α[n]x[n] cos = X c1 [k]. (8.163)
suem a simetria do Tipo 1 com o mesmo período, vemos 2N − 2
n=0
na comparação com as figuras 8.25(c) e 8.26(b) que a
Portanto, a TCD-1 de uma sequência de N pontos
Xc2[k] estendida tem a mesma simetria de x̃3[n] em vez
é idêntica aos primeiros N pontos de X1[k], a TFD de
de x̃2[n]. Além disso, Xc2[n] se estende com período 4N
(2N − 2) pontos da sequência simetricamente estendida
enquanto x̃2[n] tem período 2N.
x1[n], e também é idêntica ao dobro da parte real dos
Como as TCDs são representações transformadas
primeiros N pontos de Xα[k], a TFD de (2N − 2) pontos
ortogonais, elas possuem propriedades similares na for-
da sequência ponderada xα[n].
ma daquelas da TFD. Essas propriedades são aborda-
Visto que, como discutiremos no Capítulo 9, exis-
das com detalhes em Ahmed, Natarajan e Rao (1974) e
tem algoritmos computacionais rápidos para a TFD, eles
em Rao e Yip (1990).
podem ser usados para calcular as TFDs Xα[k] ou X1[k]
na Equação 8.163, oferecendo assim um cálculo rápido,
8.8.3 Relação entre a TFD e a TCD-1
conveniente e prontamente disponível da TCD-1. Como
Como é de se esperar, existe uma estreita relação a definição da TCD-1 envolve apenas coeficientes de va-
entre a TFD e as várias classes da TCD de uma sequên- lor real, também existem algoritmos eficientes para cal-
cia de comprimento finito. Para desenvolver essa rela- cular a TCD-1 de sequências reais diretamente sem exi-
ção, observamos que, como para a TCD-1 x̃1[n] é cons- gir o uso de multiplicações e adições complexas. (Veja
truída a partir de x1[n] por meio das equações 8.150 e Ahmed, Natarajan e Rao, 1974, e Chen e Fralick, 1977.)
8.151, um período da sequência periódica x̃1[n] define a A TCD-1 inversa também pode ser calcula-
sequência de comprimento finito da usando a TFD inversa. É necessário apenas usar a
x1[n] = xα [((n))2N−2] + xα[((−n))2N−2] = x̃1[n], Equação 8.163 para construir X1[k] a partir de Xc1[k] e
depois calcular a TFD inversa de (2N − 2) pontos. Es-
n = 0, 1, ..., 2N − 3, (8.161)
pecificamente,
sendo xα[n] = α[n]x[n] a sequência real de N pontos
X c1 [k], k = 0, . . . , N − 1,
com os pontos dos extremos divididos por 2. A partir X1[k]= c1 (8.164)
X [2N − 2 − k], k = N, . . . , 2N−3,
da Equação 8.161, concluímos que a TFD de (2N − 2)
pontos da sequência de (2N − 2) pontos x1[n] é e, usando a definição da TFD inversa de (2N − 2) pontos,
podemos calcular a sequência simetricamente estendida
X1[k] = Xα[k] + X*α[k] = 2Re{Xα[k]},
2N−3
k = 0, 1, ..., 2N − 3, (8.162) 1
x1 [n] = X 1 [k]e j 2πkn/(2N−2),
2N − 2 (8.165)
sendo Xα[k] a TFD de (2N − 2) pontos da sequência k=0
da qual podemos obter x[n] tomando os N primeiros X[k] e X2[k] nas equações 8.170 e 8.171, respectivamen-
pontos, isto é, x[n] = x1[n] para n = 0, 1, ..., N − 1. Subs- te. Makhoul (1980) discute outras maneiras como a TFD
tituindo a Equação 8.164 na Equação 8.165, concluímos pode ser usada para calcular a TCD-2. (Veja também o
também que a relação da TCD-1 inversa pode ser ex- Problema 8.72.) Além disso, foram desenvolvidos algo-
pressa em termos de Xc1[k] e funções de cosseno, como ritmos rápidos especiais para o cálculo da TCD-2 (Rao
na Equação 8.153. Isso é sugerido como um exercício e Yip, 1990).
no Problema 8.71. A TCD-2 inversa também pode ser calculada
usando a TFD inversa. O procedimento utiliza a Equa-
8.8.4 Relação entre a TFD e a TCD-2 ção 8.172 juntamente com uma propriedade de simetria
Também é possível expressar a TCD-2 de uma da TCD-2. Especificamente, pode ser verificado com fa-
sequência de comprimento finito x[n] em termos da cilidade pela substituição direta na Equação 8.155 que
TFD. Para desenvolver essa relação, observe que um Xc2[2N − k] = −Xc2[k], k = 0, 1, . . . , 2N − 1, (8.173)
período da sequência periódica x̃ 2[n] define a sequên-
cia de 2N pontos a partir do qual concluímos que
c2
x2[n] = x[((n))2N] + x[((−n − 1))2N] = x̃2[n],
X [0], k = 0,
jπk/(2N) c2
e X [k], k = 1,...,N − 1,
n = 0, 1, . . . , 2N − 1, (8.166) X2 [k]=
0 , k = N,
sendo x[n] a sequência original real de N pontos. A par-
−ejπk/(2N)X c2 [2N− k], k = N + 1, N + 2,..., 2N− 1.
tir da Equação 8.166, concluímos que a TFD de 2N pon-
tos da sequência de 2N pontos x2[n] é (8.174)
como zero sem que haja um impacto significativo na diante; isto é, xmtfd[n] para m = 1, 3, 5, ..., N − 1 é a sequência
energia do sinal. Ilustramos a propriedade da compac- que é sintetizada omitindo simetricamente m coeficientes
tação de energia no exemplo a seguir. da TFD.5 Com exceção do valor da TFD, X[N/2], que é real,
cada valor complexo omitido da TFD e seu correspon-
dente conjugado complexo correspondem efetivamente a
Exemplo 8.13 Compactação de energia na TCD-2 omitir dois números reais. Por exemplo, m = 5 correspon-
de à definição dos coeficientes X[14], X[15], X[16], X[17] e
Considere a entrada de teste na forma X[18] como zero para sintetizar x5tfd[n] a partir da TFD de
32 pontos mostrada nas figuras 8.28(a) e (b).
x[n] = an cos(ω0n + φ), n = 0, 1, ..., N − 1. (8.178)
De modo semelhante, podemos truncar a representação
Esse sinal é ilustrado na Figura 8.27 para a = 0,9, ω0 = 0,1π, da TCD-2, obtendo
φ = 0 e N = 32.
N−1−m
As partes real e imaginária da TFD de 32 pontos da se- tcd [n] = 1 πk(2n+ 1)
xm β[k]X c2 [k]cos , 0 ≤ n ≤ N−1.
quência de 32 pontos na Figura 8.27 são mostradas nas N 2N
figuras 8.28(a) e (b), respectivamente, e a TCD-2 da se- k=0
(8.180)
quência é mostrada na Figura 8.28(c). No caso da TFD, as
partes real e imaginária são mostradas para k = 0, 1, ..., 16. Nesse caso, se m = 5, omitimos os coeficientes da TCD-2
Como o sinal é real, X[0] e X[16] são reais. Os valores res- tcd[n] a partir da TCD-2 mos-
Xc2[27], ..., Xc2[31] na síntese de xm
tantes são complexos e simétricos conjugados. Assim, os trada na Figura 8.28(c). Como esses coeficientes são muito
32 números reais mostrados nas figuras 8.28(a) e (b) es- pequenos, xtcd5 [n] deverá diferir apenas ligeiramente de x[n].
pecificam completamente a TFD de 32 pontos. No caso Para mostrar como os erros de aproximação dependem de
da TCD-2, mostramos todos os 32 valores reais da TCD-2. m para a TFD e a TCD-2, definimos
Claramente, os valores da TCD-2 estão bem concentrados N−1
nos índices baixos, de modo que o teorema de Parseval su- 1
E tfd [m] = tfd [n]| 2
| x[n] − xm
gere que a energia da sequência está mais concentrada na N
n=0
representação da TCD-2 do que na representação da TFD.
e
A propriedade de concentração de energia pode ser quan- N−1
tificada truncando as duas representações e comparando 1
E tcd [m] = tcd [n]| 2
| x[n] − xm
o erro de aproximação médio quadrático entre as duas re- N
n=0
presentações quando ambas utilizam o mesmo número de
como os erros médios quadráticos de aproximação para a
valores de coeficiente real. Para fazer isso, definimos
TFD e a TCD truncadas, respectivamente. Esses erros são
N−1 representados graficamente na Figura 8.29, com Etfd[m]
1tfd [n]=
xm Tm[k]X[k]e j2πkn/N, n= 0, 1, . . . ,N− 1, indicado com ◦ e Etcd[m] mostrado com •. Para os casos
N
k=0
(8.179) especiais m = 0 (sem truncamento) e m = N − 1 (apenas
o valor DC é retido), a função de truncamento da TFD é
onde, nesse caso, X[k] é a TFD de N pontos de x[n], e T0[k] = 1 para 0 ≤ k ≤ N − 1 e TN−1[k] = 0 para 1 ≤ k ≤
N − 1 e TN−1[0] = 1. Nesses casos, ambas as representações
1, 0 ≤ k ≤ (N − 1 − m)/ 2,
resultam no mesmo erro. Para os valores 1 ≤ m ≤ 30, o erro
Tm[k] = 0, (N + 1 − m)/ 2 ≤ k ≤ (N − 1 + m)/ 2,
da TFD cresce continuamente à medida que m aumenta,
1, (N + 1 + m)/ 2 ≤ k ≤ N − 1. enquanto o erro da TCD permanece muito pequeno —
Se m = 1, o termo X[N/2] é removido. Se m = 3, então até cerca de m = 25 — o que sugere que os 32 números da
os termos X[N/2] e X[N/2 − 1] e seu conjugado comple- sequência x[n] podem ser representados com um ligeiro
xo correspondente X[N/2 + 1] são removidos, e assim por erro por apenas sete coeficientes da TCD-2.
0,5
x [n]
– 0,5
–1
0 5 10 15 20 25 30
n
Re{X[k]}
2
0
0 2 4 6 8 10 12 14 16
Índice k da transformada
(a)
0
Im{X[k]}
–5
–10
0 2 4 6 8 10 12 14 16
Índice k da transformada
(b)
20
10
Xc2[k]
–10
0 5 10 15 20 25 30
Índice k da transformada
(c)
Figura 8.28 (a) Parte real da TFD de 32 pontos. (b) Parte imaginária da TFD de 32 pontos. (c) TCD-2 de 32
pontos do sinal de teste representado na Figura 8.27.
0,5
0,4
Erro de truncamento da TFD
0,3
0,2
0,1
0
0 5 10 15 20 25 30
Número de coeficientes ajustados para zero
O sinal no Exemplo 8.13 é um sinal de baixa fre- rentes não mostram essa diferença significativa. Apesar
quência que decai exponencialmente com fase nula. disso, em muitos casos em interesse em compactação
Escolhemos esse exemplo com muito cuidado para de dados, a TCD-2 oferece uma vantagem significativa
enfatizar a propriedade de compactação de energia. em comparação à TFD. É possível mostrar (Rao e Yip,
Nem toda escolha de x[n] resultará em resultados tão 1990) que a TCD-2 é quase ótima no sentido da minimi-
significativos. Os sinais passa-altas e até mesmo alguns zação do erro médio quadrático de truncamento para
sinais da forma da Equação 8.178 com parâmetros dife- sequências com funções de correlação exponenciais.
8.8.6 Aplicações da TCD limites “suaves” que isso sugere usualmente mitigam os
A principal aplicação da TCD-2 é na compressão efeitos de borda encontrados na convolução de sequên-
de sinais, na qual ela é uma parte essencial de muitos cias de comprimento finito. Uma área em que a convo-
algoritmos padronizados. (Veja Jayant e Noll, 1984, Pau, lução simétrica é particularmente útil é a da filtragem
1995, Rao e Hwang, 1996, Taubman e Marcellin, 2002, de imagens, na qual os efeitos de borda desagradáveis
Bosi e Goldberg, 2003, e Spanias, Painter e Atti, 2007.) são percebidos como artefatos de blocos. Nessas repre-
Nessa aplicação, os blocos do sinal são representados sentações, a TCD pode ser superior à TFD ou mesmo
por suas transformadas de cosseno. A popularidade da à convolução linear ordinária. Ao realizar a convolução
TCD na compressão de sinais é, principalmente, resul- simétrica periódica pela multiplicação de TCDs, pode-
tado de sua propriedade de concentração de energia, mos forçar o mesmo resultado da convolução ordinária
que demonstramos por meio de um exemplo simples na estendendo as sequências com um número suficien-
seção anterior. te de amostras nulas colocadas no início e no final de
As representações da TCD, sendo transformadas cada sequência.
ortogonais como a TFD, têm muitas propriedades si-
milares àquelas da TFD que as tornam muito flexíveis 8.9 Resumo
para manipular os sinais que representam. Uma das pro- Neste capítulo, discutimos as representações de
priedades mais importantes da TFD é que a convolu- Fourier discretas das sequências de comprimento fini-
ção periódica de duas sequências de comprimento finito to. A maior parte de nossa discussão concentrou-se na
corresponde à multiplicação de suas TFDs correspon- transformada de Fourier discreta (TFD), que é basea-
dentes. Vimos, na Seção 8.7, que é possível explorar essa da na representação por SFD de sequências periódicas.
propriedade para calcular convoluções lineares apenas Definindo uma sequência periódica para a qual cada
por meio de cálculos de TFD. No caso das TCDs, o re- período é idêntico à sequência de comprimento finito,
sultado correspondente é que a multiplicação de TCDs a TFD se torna idêntica a um período dos coeficien-
corresponde à convolução periódica das sequências bá- tes da SFD. Devido à importância dessa periodicidade
sicas estendidas simetricamente. Contudo, existem com- subjacente, primeiro examinamos as propriedades das
plicações adicionais. Por exemplo, a convolução perió- representações por SFD e depois interpretamos essas
dica de duas sequências periódicas simétricas do Tipo 2 propriedades em termos das sequências de comprimen-
não é uma sequência do Tipo 2, mas, sim, uma sequência to finito. Um resultado importante é que os valores da
do Tipo 1. Como alternativa, a convolução periódica de uma TFD são iguais às amostras da transformada z em pon-
sequência do Tipo 1 com uma sequência do Tipo 2 do mes- tos igualmente espaçados da circunferência unitária.
mo período implicado é uma sequência do Tipo 2. Assim, Isso leva à noção de aliasing no tempo na interpretação
uma combinação das TCDs é necessária para efetuar das propriedades da TFD, um conceito que usamos ex-
a convolução simétrica periódica pela transformação tensivamente no estudo da convolução circular e sua re-
inversa do produto das TCDs. Existem muitas outras lação com a convolução linear. Depois, usamos os resul-
maneiras de fazer isso, pois temos muitas definições di- tados desse estudo para mostrar como a TFD poderia
ferentes de TCD para escolher. Cada combinação dife- ser empregada na implementação da convolução linear
rente corresponderia à convolução periódica de um par de uma resposta ao impulso de comprimento finito com
de sequências finitas simetricamente estendidas. Mar- um sinal de entrada indefinidamente longo.
tucci (1994) fornece uma discussão completa do uso das O capítulo finaliza com uma introdução à TCD.
transformadas TCD e TSD na implementação da convo- Mostramos que a TCD e a TFD estão estreitamente re-
lução periódica simétrica. lacionadas e compartilham uma hipótese implícita de
A multiplicação das TCDs corresponde a um periodicidade. A propriedade de compactação de ener-
tipo especial de convolução periódica que tem alguns gia, que é o motivo principal da popularidade da TCD na
recursos que podem ser úteis em algumas aplicações. compressão de dados, foi demonstrada com um exemplo.
Como vimos para a TFD, a convolução periódica é ca-
racterizada pelos efeitos de bordas, ou efeitos de “se
enrolar”. Na verdade, até mesmo a convolução linear de Problemas
duas sequências de comprimento finito tem efeitos de Problemas básicos com respostas
borda à medida que a resposta ao impulso encontra a
8.1. Suponha que xc(t) seja um sinal de tempo contínuo pe-
primeira e a última amostra não nula da entrada. Os riódico com período de 1 ms e para o qual a série de
efeitos de borda da convolução simétrica periódica são Fourier seja
diferentes da convolução ordinária e da convolução pe- 9
riódica implementada pela multiplicação das TFDs. A xc (t) = ake j (2000πkt).
extensão simétrica cria simetria nas extremidades. Os k=−9
~
x1 [n]
... ...
n
~
x2 [n]
... ...
n
~
x3 [n]
... ...
n
Figura P8.3
8.4. Considere a sequência x[n] dada por x[n] = αnu[n]. Su- 8.5. Calcule a TFD de cada uma das seguintes sequências
ponha que |α| < 1. Uma sequência periódica x̃[n] é cons- de comprimento finito consideradas de comprimento N
truída a partir de x[n] da seguinte forma: (sendo N par):
∞ (a) x[n] = δ[n],
x̃[n] = x[n + rN ]. (b) x[n] = δ[n − n0], 0 ≤ n0 ≤ N − 1,
r=−∞ 1, n par, 0 ≤ n ≤ N − 1,
(c) x[n] =
0, n ímpar, 0 ≤ n ≤ N − 1,
(a) Determine a transformada de Fourier X(ejω) de
x[n]. 1, 0 ≤ n ≤ N/ 2 − 1,
(d) x[n] =
(b) Determine os coeficientes das SFD X̃ [k] para a se- 0, N/ 2 ≤ n ≤ N − 1,
quência x̃[n]. a n , 0 ≤ n ≤ N − 1,
(e) x[n]
x[n] =
=
(c) Como X̃ [k] está relacionada a X(ejω)? 0, caso contrário.
8.6. Considere a sequência complexa 8.11. Na Figura P8.11 são mostradas duas sequências de com-
e jω 0 n , 0 ≤ n ≤ N − 1, primento finito x1[n] e x2[n]. Esboce a convolução circu-
x[n] = lar de seis pontos de cada uma.
0, caso contrário.
(a) Forneça a transformada de Fourier X(ejω) de x[n]. 6 x1 [n]
5
4
(b) Forneça a TFD de N pontos X[k] da sequência de 3
comprimento finito x[n]. 2
1
(c) Forneça a TFD de x[n] para o caso ω0 = 2πk0/N,
0 1 2 3 4 5 n
sendo k0 um inteiro.
8.7. Considere a sequência de comprimento finito x[n] na
x2 [n]
Figura P8.7. Seja X(z) a transformada z de x[n]. Se amos-
trarmos X(z) em z = ej(2π/4)k, k = 0, 1, 2, 3, obteremos 1
... –1 0 1 2 3 4 5 6 7 8 9 10 ...
c x2 [n]
d 3
b
e a x2[n] 2
n 1
0 1 2 3 4 5 6 7 8
Figura P8.14
8.15. Na Figura P8.15-1 são mostradas duas sequências x1[n] e 8.17. Na Figura P8.17 são mostradas duas sequências de com-
x2[n]. O valor de x2[n] no instante n = 3 não é conhecido, primento finito x1[n] e x2[n]. Qual é o menor N tal que
mas aparece como uma variável a. Na Figura P8.15-2 é a convolução circular de N pontos de x1[n] e x2[n] seja
mostrado y[n], a convolução circular de quatro pontos igual à convolução linear dessas sequências, isto é, tal
de x1[n] e x2[n]. Com base no gráfico de y[n], você pode que x1[n] N x2[n] = x1[n] * x2[n]?
especificar a de modo único? Se puder, qual é o valor de
a? Se não, dê dois valores possíveis de a que produzam a 3 x1[n]
sequência y[n] conforme mostrada.
2 x1[n] 1
1 1 1 2
–1 0 3 4 5
–1
–1 0 1 2 3 4 5
–2
a x2[n]
1 2 x2[n]
1
–1 0 1 2 3 4 5
4
Figura P8.15-1 –1 0 1 2 3 5 6 7
–1
Figura P8.17
1 1 y [n]
1 2
8.18. Na Figura P8.18-1 é mostrada uma sequência x[n] para a
–1 0 3 4 5
qual o valor de x[3] é uma constante desconhecida c. O
–1 –1
valor da amostra com amplitude c não está necessaria-
mente representado na escala. Considere
Figura P8.15-2
X1[k] = X[k]ej2π3k/5,
8.16. Na Figura P8.16-1 é mostrada uma sequência de tempo
sendo X[k] a TFD de cinco pontos de x[n]. A sequência
discreto com seis pontos x[n]. Suponha que x[n] = 0 fora
x1[n] representada na Figura P8.18-2 é a TFD inversa de
do intervalo mostrado. O valor de x[4] não é conhecido
X1[k]. Qual é o valor de c?
e é representado como b. Observe que a amostra mos-
trada com valor b na figura não está necessariamente na 2 x[n]
escala. Sejam X(ejω) a TFTD de x[n] e X1[k] as amostras
de X(ejω) a cada π/2; isto é, c 1
1
X1[k] = X(ejω)|ω=(π/2)k, 0 ≤ k ≤ 3.
–1 0 2 3 4 5 6
A sequência com quatro pontos x1[n] que resulta da –1
tomada da TFD inversa com quatro pontos de X1[k] é
mostrada na Figura P8.16-2. Com base nessa figura, você Figura P8.18-1
pode determinar b de modo único? Caso afirmativo, dê
o valor de b.
2 2 x1[n]
2 2 x [n]
b 1
1 1
3
–1 0 1 2 4 5
–1 0 1 2 3 4 5 6 7
–1
2 ~
x2 [n]
1 ... 1 1 1 ...
1 4
–1 0 2 3 5 6 7 –7 –5 –3 –1 0 1 2 3 4 5 6 n
–1 –1
Figura P8.21-1
4 Figura P8.23
0 1 2 3 5 6 7
–1 (a) Esboce a sequência de comprimento finito y[n]
cuja TFD de seis pontos seja
Figura P8.20
Y[k] = W65k X[k],
sendo X[k] a TFD de seis pontos de x[n].
(b) Esboce a sequência de comprimento finito w[n]
Problemas básicos cuja TFD de seis pontos seja
8.21. (a) A Figura P8.21-1 mostra duas sequências periódi-
cas, x̃1[n] e x̃2[n], com período N = 7. Forneça uma W[k] = Im{X[k]}.
sequência ỹ1[n] cuja SFD seja igual ao produto da (c) Esboce a sequência de comprimento finito q[n]
SFD de x̃1[n] e a SFD de x̃2[n], isto é, cuja TFD de três pontos seja
Ỹ 1[k] = X̃1[k] X̃2[k]. Q[k] = X[2k + 1], k = 0, 1, 2.
8.24. A Figura P8.24 mostra uma sequência de comprimento (a) Determine X[k], a TFD de seis pontos de x[n]. Ex-
finito x[n]. Esboce as sequências presse sua resposta em termos de W6 = e−j2π/6.
x1[n] = x[((n − 2))4], 0 ≤ n ≤ 3, (b) Faça o gráfico da sequência w[n], n = 0, 1, ..., 5, que
é obtida pelo cálculo da TFD inversa de seis pontos
e de W[k] = W6−2k X[k].
x2[n] = x[((−n))4], 0 ≤ n ≤ 3. (c) Use qualquer método conveniente para calcular a
convolução circular de seis pontos de x[n] com a
6 x [n] sequência h[n] = δ[n] + δ[n − 1] + δ[n − 2]. Esboce
5
4 o resultado.
3
(d) Se convoluirmos a x[n] dada com a h[n] dada usando
n a convolução circular de N pontos, como N deve ser
0 1 2 3
escolhido de modo que o resultado da convolução
Figura P8.24 circular seja idêntico ao resultado da convolução li-
near? Ou seja, escolha N de modo que
8.25. Considere o sinal x[n] = δ[n − 4] + 2δ[n − 5] + δ[n − 6].
N−1
(a) Forneça X(ejω), a transformada de Fourier de tempo yp [n] = x[n] N h[n]= x[m]h[((n − m))N ]
discreto de x[n]. Escreva expressões para a magnitu-
m=0
de e para a fase de X(ejω) e esboce essas funções.
∞
(b) Forneça todos os valores de N para os quais a TFD
= x[n]∗ h[n] = x[m]h[n− m] para 0≤ n ≤ N− 1.
de N pontos seja um conjunto de números reais.
m=−∞
(c) Você pode fornecer um sinal causal de três pontos
x1[n] (isto é, x1[n] = 0 para n < 0 e n > 2) para o qual (e) Em certas aplicações, como sistemas de comuni-
a TFD de três pontos de x1[n] seja: cação multiportadora (veja Starr et al., 1999), a
X1[k] = |X[k]| k = 0, 1, 2 convolução linear de um sinal de comprimento
finito x[n] com comprimento de L amostras com
sendo X[k] a TFD de três pontos de x[n]? uma resposta ao impulso h[n] de comprimento
8.26. Mostramos que a TFD X[k] de uma sequência de com- finito mais curta precisa ser idêntica (em 0 ≤ n
primento finito x[n] é idêntica às amostras da TFTD ≤ L − 1) à que teria sido obtida pela convolução
X(ejω) dessa sequência nas frequências ωk = (2π/N)k; circular de L pontos de x[n] com h[n]. Isso pode
isto é, X[k] = X(ej(2π/N)k) para k = 0, 1, . . . , N − 1. Agora, ser obtido com o aumento da sequência x[n] de
considere uma sequência y[n] = e–j(π/N)n x[n] cuja TFD
forma apropriada. Começando pelo gráfico da Fi-
seja Y[k].
gura P8.28, sendo L = 6, acrescente amostras à
(a) Determine a relação entre a TFD Y[k] e a TFTD
sequência x[n] dada para produzir uma nova se-
X(ejω).
quência x1[n] tal que, com a sequência h[n] dada
(b) O resultado do item (a) mostra que Y[k] é uma ver-
no item (c), a convolução ordinária y1[n] = x1[n]
são de X(ejω) amostrada de forma diferente. Quais
* [n] satisfaça a equação
são as frequências em que X(ejω) é amostrada?
∞
(c) Dada a TFD modificada Y[k], como você recupera-
y1 [n] = x1 [n] ∗ h[n] = x1 [m]h[n − m]
ria a sequência original x[n]?
m=−∞
8.27. A TFD de 10 pontos de uma sequência de 10 pontos g[n] é
= yp [n] = x[n] L h[n]
G[k] = 10 δ[k].
5
Forneça G(ejω), a TFTD de g[n]. = x[m]h[((n − m))6 ] para 0 ≤ n ≤ 5.
8.28. Considere a sequência de seis pontos m=0
x[n] = 6δ[n] + 5δ[n − 1] + 4δ[n − 2] + (f) Generalize o resultado do item (e) para o caso em
+ 3δ[n − 3] + 2δ[n − 4] + δ[n − 5] que h[n] é diferente de zero para 0 ≤ n ≤ M e x[n]
é não nulo para 0 ≤ n ≤ L − 1, sendo M < L; isto é,
mostrada na Figura P8.28.
mostre como construir uma sequência x1[n] a par-
x[n] tir de x[n] tal que a convolução linear x1[n] * h[n]
seja igual à convolução circular x[n] L h[n] para
6 0 ≤ n ≤ L − 1.
5
4 8.29. Considere a sequência real de cinco pontos
3
2 x[n] = δ[n] + δ[n − 1] + δ[n − 2] − δ[n − 3] + δ[n − 4].
1
A autocorrelação determinística dessa sequência é a
−3 −2 −1 0 1 2 3 4 5 6 7 8 n
TFTD inversa de
sendo X*(ejω) o complexo conjugado de X(ejω). Para a (e) Agora, use qualquer método conveniente para ob-
x[n] dada, podemos expressar a autocorrelação como ter a convolução circular de quatro pontos de x[n]
com yp[n]. Represente a sua resposta como wp[n] e
c[n] = x[n] * x[−n].
faça-o graficamente.
(a) Faça o gráfico da sequência c[n]. Observe que c[−n] (f) Se convoluirmos x[n] com yp[n] = x[((−n))N],
= c[n] para todo n. como N deverá ser escolhido para evitar o aliasing
(b) Agora, suponha que calculemos a TFD de cinco no tempo?
pontos (N = 5) da sequência x[n]. Chame essa 8.32. Considere uma sequência de duração finita x[n] de com-
TFD de X5[k]. Depois, calculamos a TFD inversa primento P, tal que x[n] = 0 para n < 0 e n ≥ P. Queremos
de C5[k] = X5[k]X*5[k]. Faça o gráfico da sequência calcular amostras da transformada de Fourier nas N fre-
resultante c5[n]. Como c5[n] está relacionada a c[n] quências igualmente espaçadas
do item (a)?
2πk
(c) Agora suponha que calculemos a TFD de 10 pon- ωk = , k = 0, 1, . . . , N − 1.
tos (N = 10) da sequência x[n]. Chame essa TFD N
de X10[k]. Depois, calculamos a TFD inversa de Determine e justifique os procedimentos para calcular
C10[k] = X10[k]X*10[k]. Faça o gráfico da sequência as N amostras da transformada de Fourier usando ape-
resultante c10[n]. nas uma TFD de N pontos para os dois casos a seguir:
(d) Agora, suponha que usemos X10[k] para formar (a) N > P.
D10[k] = W10 5kC [k] = W 5kX [k]X* [k], sendo
10 10 10 10 (b) N < P.
W10 = e –j(2π/10). Depois, calculamos a TFD inversa 8.33. Um filtro FIR tem uma resposta ao impulso de 10 pon-
de D10[k]. Faça o gráfico da sequência resultante tos, ou seja,
d10[n].
8.30. Considere duas sequências x[n] e h[n], e seja y[n] a sua h[n] = 0 para n < 0 e para n > 9.
convolução ordinária (linear), y[n] = x[n] * h[n]. Supo-
nha que x[n] seja nula fora do intervalo 21 ≤ n ≤ 31 e que Dado que a TFD de 10 pontos de h[n] é dada por
h[n] seja nula fora do intervalo 18 ≤ n ≤ 31. 1 1
(a) O sinal y[n] será nulo fora de um intervalo N1 ≤ n ≤ N2. H[k] = δ[k − 1] + δ[k − 7],
5 3
Determine valores numéricos para N1 e N2.
(b) Agora suponha que calculemos as TFDs de 32 pon- forneça H(ejω), a TFTD de h[n].
tos de 8.34. Suponha que x1[n] e x2[n] sejam duas sequências de
comprimento finito de comprimento N, isto é, x1[n] =
0 n = 0, 1, . . . , 20 x2[n] = 0 fora de 0 ≤ n ≤ N − 1. Denote a transformada
x1 [n] =
x[n] n = 21, 22, . . . , 31
z de x1[n] como X1(z) e denote a TFD de N pontos de
e x2[n] como X2[k]. As duas transformadas X1(z) e X2[k]
estão relacionadas por:
0 n = 0, 1, . . . , 17
h1 [n] =
h[n] n = 18, 19, . . . , 31 X2 [k] = X1 (z) , k = 0, 1, . . . , N − 1
1 −j 2πk
z= e N
(isto é, as amostras nulas no início de cada sequên- 2
cia são incluídas). Então, formamos o produto Y1[k]
Determine a relação entre x1[n] e x2[n].
= X1[k] H1[k]. Se definirmos y1[n] como a TFD in-
versa de 32 pontos de Y1[k], como y1[n] está rela-
cionado com a convolução ordinária y[n]? Ou seja, Problemas avançados
dê uma equação que expresse y1[n] em termos de
8.35. A Figura P8.35-1 ilustra uma sequência de tempo discre-
y[n] para 0 ≤ n ≤ 31.
to de seis pontos x[n]. Suponha que x[n] seja nula fora do
(c) Suponha que você esteja livre para escolher o com-
intervalo mostrado.
primento da TFD (N) no item (b), de modo que as
sequências também sejam preenchidas com zero 2 2
em suas extremidades. Qual é o valor mínimo de N, b
x[n]
de modo que y1[n] = y[n] para 0 ≤ n ≤ N − 1?
8.31. Considere a sequência x[n] = 2δ[n] + δ[n − 1] − δ[n − 2].
(a) Determine a TFTD X(ejω) de x[n] e a TFTD Y(ejω)
da sequência y[n] = x[−n]. 1 1
(b) Usando os resultados que você obteve no item (a),
forneça uma expressão para
W(ejω) = X(ejω)Y(ejω).
0
(c) Usando o resultado do item (b), faça um gráfico de n
w[n] = x[n] * y[n]. −1 0 1 2 3 4 5 6 7
(d) Agora, faça o gráfico da sequência yp[n] = x[((−n))4]
em função de n para 0 ≤ n ≤ 3. Figura P8.35-1
x1[n] 0 1 2 3 4 5 6 7 n
(a) (a)
(−1)
(b) (b)
(−3)
n
0 1 2 3 4 5 6
Figura P8.41
TFDI de
512 pontos
r[n]
Figura P8.43
x[n], n par
(iii) y[n] =
0, n ímpar
x[2n], 0 ≤ n ≤ 511 1 1 1
(iv) y[n] =
x[2(n − 512)], 512 ≤ n ≤ 1023
x[n] = 3δ[n] − δ[n − 1] + 2δ[n − 3] 8.49. A função de correlação cruzada determinística entre
+ δ[n − 4] − δ[n − 6]. duas sequências reais é definida como
∞
(a) Seja X(ejω) a TFTD de x[n]. Defina cxy [n] = y[m]x[n + m] =
R[k] = X e jω 2πk
, 0≤k≤3 m=−∞
ω= 4 ∞
= y[−m]x[n − m] = y[−n] ∗ x[n] −∞<n< ∞
Faça o gráfico do sinal r[n] que é a TFD inversa de m=−∞
quatro pontos de R[k].
(b) Seja X[k] a TFD de oito pontos de x[n], e seja H[k] (a) Mostre que a TFTD de cxy[n] é Cxy(ejω) =
a TFD de oito pontos da resposta ao impulso h[n] X(ejω) Y*(ejω).
dada por (b) Suponha que x[n] = 0 para n < 0 e n > 99 e y[n] = 0
para n < 0 e n > 49. A função de correlação cruza-
h[n] = δ[n] − δ[n − 4].
da correspondente cxy[n] será não nula somente em
Defina Y[k] = X[k]H [k] para 0 ≤ k ≤ 7. Faça o grá- um intervalo de comprimento finito N1 ≤ n ≤ N2.
fico de y[n], a TFD de oito pontos de Y[k]. Quais são N1 e N2?
8.47. Considere um sinal de tempo contínuo limitado no tem- (c) Suponha que queiramos calcular valores de cxy[n] no
po xc(t) cuja duração seja de 100 ms. Suponha que esse intervalo 0 ≤ n ≤ 20 usando o procedimento a seguir:
sinal tenha uma transformada de Fourier de banda li- (i) Calcule X[k], a TFD de N pontos de x[n].
mitada tal que Xc(j) = 0 para || ≥ 2π(10000) rad/s; (ii) Calcule Y[k], a TFD de N pontos de y[n].
isto é, suponha que o aliasing seja insignificante. Que- (iii) Calcule C[k] = X[k]Y*[k] para 0 ≤ k ≤ N − 1
remos calcular as amostras de Xc(j) com espaçamento (iv) Calcule c[n], a TFD inversa de C[k].
de 5 Hz sobre o intervalo 0 ≤ ≤ 2π(10000). Isso pode Qual é o valor mínimo de N tal que c[n] = cxy[n],
ser feito com uma TFD de 4000 pontos. Especificamen- 0 ≤ n ≤ 20? Explique seu raciocínio.
te, queremos obter uma sequência de 4000 pontos x[n]
8.50. A TFD de uma sequência de duração finita correspon-
para a qual a TFD de 4000 pontos está relacionada a
de a amostras de sua transformada z na circunferência
Xc(j) por:
unitária. Por exemplo, a TFD de uma sequência de 10
X[k] = αXc(j2π · 5 · k), k = 0, 1, . . . , 1999, (P8.47-1) pontos x[n] corresponde a amostras de X(z) nos 10 pon-
tos igualmente espaçados indicados na Figura P8.50-1.
sendo α um fator de escala conhecido. O método a seguir Queremos encontrar as amostras igualmente espaçadas
é proposto para a obtenção de uma sequência de 4000 de X(z) na curva mostrada na Figura P8.50-2; isto é, que-
pontos cuja TFD dê as amostras desejadas de Xc(j). remos obter
Primeiro, xc(t) é amostrada com um período de amos-
tragem de T = 50 μs. Em seguida, a sequência de 2000 X(z) z=0,5ej [(2πk/10)+(π/ 10)] .
pontos resultante é usada para formar a sequência x̂[n]
Mostre como modificar x[n] para obter uma sequência
da seguinte forma:
x1[n] tal que a TFD de x1[n] corresponda às amostras de-
xc (nT ), 0 ≤ n ≤ 1999, sejadas de X(z).
x̂[n] = xc ((n − 2000)T ), 2000 ≤ n ≤ 3999, (P8.47-2)
(m
0, caso contrário. Plano z
8.51. Considere duas sequências de duração finita x[n] e (c) Finalmente, considere |X16[k]|, a magnitude da TFD
y[n]. A sequência x[n] pode ser não nula somente para de 16 pontos da sequência de oito pontos
0 ≤ n ≤ 9 e 30 ≤ n ≤ 39. A sequência y[n] pode ser não
nula somente para 10 ≤ n ≤ 19. (Um esquema de x[n] e 1 + cos(πn/ 4) − 0,5 cos(3π n/ 4), 0 ≤ n ≤ 7,
x[n] =
y[n] “típicos” pode ser útil.) 0, caso contrário.
Seja w[n] = x[n] ∗ y[n] a convolução linear de x[n] e y[n]
Faça o gráfico de |X16[k]| para 0 ≤ k ≤ 15 sem calcular
e g[n] = x[n] 40 y[n] a convolução circular de 40 pontos
explicitamente a expressão da TFD. Você não poderá
de x[n] e y[n].
determinar todos os valores de |X16[k]| por inspeção
(a) Determine os valores de n para os quais w[n] possa como fez nos itens (a) e (b), mas você deverá ser
ser não nula. capaz de determinar exatamente alguns dos valores.
(b) Determine os valores de n para os quais w[n] pos- Faça o gráfico de todos os valores que conhece exa-
sa ser obtido a partir de g[n]. Especifique explici- tamente com um círculo sólido e esboce estimativas
tamente em que valores de índice n em g[n] esses dos outros valores com um círculo aberto.
valores de w[n] aparecem.
8.52. Seja x[n] = 0, n < 0, n > 7 uma sequência real de oito
pontos, e seja X[k] a sua TFD de oito pontos. Problemas de extensão
(a) Determine 8.54. Na dedução da equação de análise da SFD da Equação
8.11, usamos a identidade da Equação 8.7. Para verificar
7
1 essa identidade, consideramos as condições k − r = mN
X [k]e j(2π/ 8)kn
8 e k − r Z mN separadamente.
k=0 n=9 (a) Para k − r = mN, mostre que ej (2π/N)(k−r)n = 1 e, com
em termos de x[n]. isso, que
(b) Seja v[n] = 0, n < 0, n > 7 uma sequência de oito N−1
1
pontos, e seja V[k] a sua TFD de oito pontos. e j (2π/N)(k−r)n = 1 para k − r = mN. (P8.54-1)
Se V[k] = X(z) em z = 2 exp(j(2πk + π)/8) para k = N
n=0
0, ..., 7, sendo X(z) a transformada z de x[n], expres-
se v[n] em termos de x[n]. (b) Como k e r são ambos inteiros na Equação 8.7, po-
(c) Seja w[n] = 0, n < 0, n > 3 uma sequência de quatro demos fazer a substituição k − r = e considerar o
pontos, e seja W[k] a sua TFD de quatro pontos. somatório
Se W[k] = X[k] + X[k + 4], expresse w[n] em ter- N−1 N−1
mos de x[n]. 1 e j (2 =
1
[e j (2 ]n . (P8.54-2)
(d) Seja y[n] = 0, n < 0, n > 7 uma sequência de oito N N
n=0 n=0
pontos, e seja Y[k] a sua TFD de oito pontos.
Se Como essa é a soma de um número finito de termos
em uma série geométrica, ela pode ser expressa na
2X [k], k = 0, 2, 4, 6, forma fechada como
Y [k] =
0, k = 1, 3, 5, 7,
N−1
1 1 1 − e j (2
expresse y[n] em termos de x[n]. [e j (2 ]n = . (P8.54-3)
8.53. Leia cada item deste problema cuidadosamente para ob- N N 1 − e j (2
n=0
servar as diferenças entre eles.
(a) Considere o sinal Para que valores de o membro direito da Equação
P8.54-3 é indeterminado? Ou seja, o numerador e o
1 + cos(πn/ 4) − 0,5 cos(3πn/ 4), 0 ≤ n ≤ 7,
x[n] = denominador são nulos.
0, demais valores de n,
(c) A partir do resultado no item (b), mostre que, se
que pode ser representado pela equação TFDI como k − r Z mN, então
7 N−1
1
1 X 8 [k]e j (2π k/8)n , 0 ≤ n ≤ 7, e j (2π/N )(k−r)n = 0. (P8.54-4)
x[n] = 8 N
k=0 n=0
0, caso contrário, 8.55. Na Seção 8.2, abordamos a propriedade de que, se
sendo X8[k] a TFD de oito pontos de x[n]. Faça o x̃ 1[n] = x̃[n − m],
gráfico X8[k] para 0 ≤ k ≤ 7.
(b) Determine V16[k], a TFD de 16 pontos da sequência então
de 16 pontos X̃ 1[k] = WNkm X̃ [k],
1 + cos(πn/ 4) − 0,5 cos(3πn/ 4), 0 ≤ n ≤ 15, sendo X̃ [k] e X̃1[k] os coeficientes da SFD de x̃[n] e
v[n] =
0, caso contrário. x̃1[n], respectivamente. Neste problema, consideramos a
prova dessa propriedade.
Faça o gráfico de V16[k] para 0 ≤ k ≤ 15.
(a) Usando a Equação 8.11 juntamente com uma subs- 2. A partir da Equação 8.57, x[n] pode ser expressa
tituição apropriada de variáveis, mostre que X̃ 1[k] como x[n] = x̃[n]w[n], sendo w[n] uma janela apro-
pode ser expressa como priada de comprimento finito.
N−1−m 3. Como x[n] = x̃[n]w[n], a partir da Seção 2.9.7, X(ejω)
km
X̃1 [k] = WN kr .
x̃[r]WN (P8.55-1) pode ser expressa como a convolução (periódica)
r=−m de X̃ (e jω) e W(ejω).
(b) O somatório na Equação P8.55-1 pode ser reescrito Aplicando esse procedimento detalhadamente, mostre
como que X(ejω) pode ser expressa como
Usando o fato de que x̃[r] e WNkr são periódicas, Especifique explicitamente os limites no somatório.
mostre que 8.58. Seja X[k] a TFD de N pontos da sequência de N pon-
tos x[n].
−1 N−1
kr = kr . (P8.55-3) (a) Mostre que, se
x̃[r]WN x̃[r]WN
r=−m r=N−m x[n] = −x[N − 1 − n],
(c) A partir dos resultados dos itens (a) e (b), mostre que então X[0] = 0. Considere separadamente os casos
N−1 de N par e N ímpar.
km
X̃1 [k] = WN kr = W kmX̃ [k].
x̃[r]WN (b) Mostre que se N é par e se
N
r=0 x[n] = x[N − 1 − n],
8.56. (a) A
Tabela 8.1 lista uma série de propriedades de então X[N/2] = 0.
simetria da SFD para sequências periódicas, e 8.59. Na Seção 2.8, os componentes simétrico-conjugado e
repetimos várias delas aqui. Prove que cada uma antissimétrico-conjugado de uma sequência x[n] foram
dessas propriedades é verdadeira. No desenvolvi- definidos, respectivamente, como
mento de suas provas, você poderá usar a defini-
ção da SFD e qualquer outra propriedade da lista. 1
xe [n] = (x[n] + x ∗ [−n]),
(Por exemplo, ao provar a Propriedade 3, você po- 2
derá usar as propriedades 1 e 2.)
1
Sequência SFD xo[n] = (x[n] − x ∗ [−n]).
2
1. x̃*[n] X̃ *[−k]
2. x̃*[−n] X̃ *[k] Na Seção 8.6.4, notamos ser conveniente definir os com-
ponentes periódicos simétrico-conjugado e antissimé-
3. Re{x̃[n]} X̃ e[k]
trico-conjugado de uma sequência de duração finita N,
4. jIm{x̃[n]} X̃ o[k] respectivamente, como
(b) A partir das propriedades provadas no item (a), mos-
tre que, para uma sequência periódica real x̃[n], as se- xep [n] = 21 {x[((n))N ] + x ∗ [((−n))N ]}, 0 ≤ n ≤ N − 1,
guintes propriedades de simetria da SFD são válidas.
1. Re{X̃ [k]} = Re{X̃ [−k]} xop [n] = 21 {x[((n))N ] − x ∗ [((−n))N ]}, 0 ≤ n ≤ N − 1.
2. Im{X̃ [k]} = −Im{X̃ [−k]}
3. |X̃ [k]| = |X̃ [−k]| (a) Mostre que xep[n] pode ser relacionada a xe[n] e que
4. jX̃ [k] = − jX̃ [−k] xop[n] pode ser relacionada a xo[n] pelas relações
8.57. Afirmamos na Seção 8.4 que uma relação direta entre xep[n] = (xe[n] + xe[n − N]) , 0 ≤ n ≤ N − 1,
X(ejω) e X̃ [k] pode ser obtida, sendo X̃ [k] os coeficientes
da SFD de uma sequência periódica e X(ejω) a transfor- xop[n] = (xo[n] + xo[n − N]) , 0 ≤ n ≤ N − 1.
mada de Fourier de um período. Como X̃ [k] correspon-
de a amostras de X(ejω), a relação então corresponde a (b) x[n] é considerada uma sequência de comprimento N
uma fórmula de interpolação. e, em geral, xe[n] não pode ser recuperada a partir de
Uma abordagem para a obtenção da relação desejada xep[n], e xo[n] não pode ser recuperada a partir
consiste em contar com a discussão da Seção 8.4, a rela- de xop[n]. Mostre que, com x[n] considerada uma
ção da Equação 8.54 e a propriedade de modulação da sequência de comprimento N, mas com x[n] = 0,
Seção 2.9.7. O procedimento é o seguinte: n > N/2, xe[n] pode ser obtida a partir de xep[n], e
1. Com X̃ [k] denotando os coeficientes da SFD de xo[n] pode ser obtida a partir de xop[n].
x̃[n], expresse a transformada de Fourier X̃(ejω) 8.60. Mostre, a partir das equações 8.65 e 8.66, que com x[n]
de x̃[n] como um trem de impulsos; isto é, funções como uma sequência de N pontos e X[k] como sua TFD
impulso multiplicadas por um escalar e deslocadas de N pontos,
S(ω).
X[k] = A[k]ejγk,
sendo A[k] real e γ uma constante real, então X(ejω) Módulo IV
pode ser expressa na forma s1 [n]
X(ejω) = B(ω)ejαω, IV
255
sendo B(ω) real e α uma constante real. s2 [n]
m=0
s1 [m]s2 [n – m]
8.62. x[n] e y[n] são duas sequências de comprimento finito,
positivas com valor real, com comprimento 256; isto é, (d)
x[n] > 0, 0 ≤ n ≤ 255,
y[n] > 0, 0 ≤ n ≤ 255,
Módulo V
x[n] = y[n] = 0, caso contrário.
r[n] denota a convolução linear de x[n] e y[n]. R(ejω) de- V 127
Para quais valores do índice n no intervalo n = 0, 1, ..., N −1 multiplicadores, somadores e processadores que cal-
temos garantias de que culam TFDs de N pontos, com a restrição de que N seja
uma potência de 2.
x[n] = v[n]?
(a) É possível calcular a convolução circular de 63
8.64. Foi proposta uma transformada de Fourier discreta mo- pontos de x[n] e h[n] usando diversas TFDs de
dificada (TFDM) (Vernet, 1971) que calcula amostras 64 pontos, TFDs inversas e o método de sobre-
da transformada z ao longo da circunferência unitária posição e soma. Quantas TFDs são necessárias?
deslocadas em relação àquelas calculadas pela TFD. Em Dica: Considere cada uma das sequências de 63
particular, com XM [k] denotando a TFDM de x(n), pontos como a soma de uma sequência de 32 pon-
tos e uma sequência de 31 pontos.
X M [k] = X(z) , k = 0, 1, 2, . . . , N − 1. (b) Especifique um algoritmo que calcule a convolu-
z=e j[2π k/N +π/N] ção circular de 63 pontos de x[n] e h[n] usando
duas TFDs de 128 pontos e uma TFD inversa de
Suponha que N seja par. 128 pontos.
(a) A TFDM de N pontos de uma sequência x[n] cor- (c) Também poderíamos calcular a convolução circular
responde à TFD de N pontos de uma sequência de 63 pontos de x[n] e h[n] calculando sua convolu-
xM[n], que é facilmente construída a partir de x[n]. ção linear no domínio de tempo e depois realizando
Determine xM[n] em termos de x[n]. o aliasing dos resultados. Em termos de multiplica-
(b) Se x[n] é real, nem todos os pontos na TFD são in- ções, qual desses três métodos é o mais eficiente?
dependentes, pois a TFD possui simetria conjuga- Qual é o menos eficiente? (Suponha que uma mul-
da; isto é, X[k] = X*[((−k))N] para 0 ≤ k ≤ N − 1. De tiplicação complexa exija quatro multiplicações
modo similar, se x[n] é real, nem todos os pontos reais e que x[n] e h[n] sejam reais.)
na TFDM são independentes. Determine, para x[n]
8.66. Queremos filtrar uma sequência muito longa com um
real, a relação entre os pontos em XM[k].
filtro FIR cuja resposta ao impulso tenha 50 amostras
(c) (i) Seja R[k] = XM[2k]; ou seja, R[k] contém de comprimento. Queremos implementar esse filtro com
as amostras pares de XM[k]. A partir da sua res- uma TFD usando a técnica de sobreposição e armazena-
posta no item (b), mostre que XM[k] pode ser mento. O procedimento é o seguinte:
recuperada a partir de R[k].
1. As seções de entrada precisam ser sobrepostas por
( ii) R[k] pode ser considerada como a TFDM de
V amostras.
N/2 pontos de uma sequência de N/2 pontos
2. A partir da saída de cada seção, devemos extrair M
r[n]. Determine uma expressão simples que re-
amostras tais que, quando essas amostras de cada
lacione r[n] diretamente a x[n].
seção são justapostas, a sequência resultante é a saí-
De acordo com os itens (b) e (c), a TFDM de N pontos
da filtrada desejada.
de uma sequência real x[n] pode ser calculada formando
Suponha que os segmentos de entrada sejam de 100
r[n] a partir de x[n] e depois calculando a TFDM de N/2
pontos de r[n]. Os dois itens a seguir são direcionados a amostras de extensão e que o comprimento da TFD seja
mostrar que a TFDM pode ser usada para implementar 128 (= 27) pontos. Suponha ainda que a sequência de
uma convolução linear. saída da convolução circular seja indexada a partir do
ponto 0 até o ponto 127.
(d) Considere três sequências x1[n], x2[n] e x3[n], todas
de comprimento N. Considere que X1M[k], X2M[k] (a) Determine V.
e X3M[k], respectivamente, denotem as TFDMs das (b) Determine M.
três sequências. Se (c) Determine o índice do início e do fim dos M pontos
extraídos; isto é, determine quais dos 128 pontos da
X3M [k] = X1M [k]X2M [k], convolução circular são extraídos para serem justa-
postos com o resultado da seção anterior.
expresse x3[n] em termos de x1[n] e x2[n]. Sua expres- 8.67. Um problema que surge com frequência na prática é
são deverá ter a forma de um único somatório sobre aquele em que um sinal distorcido y[n] é a saída resul-
uma “combinação” de x1[n] e x2[n] no mesmo estilo tante quando um sinal desejado x[n] é filtrado por um
de (mas não idêntica a) uma convolução circular. sistema LIT. Queremos recuperar o sinal original x[n]
(e) É conveniente referir-se ao resultado no item (d) processando y[n]. Em teoria, x[n] pode ser recuperado
como convolução circular modificada. Se as se- a partir de y[n] ao passarmos y[n] por um filtro inverso
quências x1[n] e x2[n] forem ambas nulas para n ≥ tendo uma função de sistema igual à recíproca da função
N/2, mostre que a convolução circular modificada de sistema do filtro de distorção.
de x1[n] e x2[n] é idêntica à convolução linear de Suponha que a distorção seja causada por um filtro FIR
x1[n] e x2[n]. com resposta ao impulso
8.65. Em algumas aplicações da teoria de codificação, é ne-
h[n] = δ[n] − 0,5δ[n − n0],
cessário calcular uma convolução circular de 63 pontos
de sequências de 63 pontos x[n] e h[n]. Suponha que os sendo n0 um inteiro positivo, isto é, a distorção de x[n]
únicos dispositivos computacionais disponíveis sejam toma a forma de um eco com atraso n0.
(a) Determine a transformada z H(z) e a TFD de N ser interpretada como a THD ao focarmos nossa aten-
pontos H[k] da resposta ao impulso h[n]. Suponha ção em apenas um período da sequência periódica.
que N = 4n0. (a) A equação de análise da SHD é definida por
(b) Seja Hi(z) a função de sistema do filtro inverso e N−1
hi[n] a resposta ao impulso correspondente. Deter- X̃H [k] = x̃[n]HN [nk].
(P8.68-2)
mine hi[n]. Esse é um filtro FIR ou IIR? Qual é a
n=0
duração de hi[n]?
(c) Suponha que usemos um filtro FIR de comprimen- Mostre que os coeficientes da SHD formam uma
to N em uma tentativa de implementar o filtro in- sequência que também é periódica com período N;
verso e considere que a TFD de N pontos do filtro isto é,
FIR seja X̃ H[k] = X̃ H[k + N] para todo k.
G[k] = 1/H[k], k = 0, 1, ..., N − 1. (b) Podemos mostrar que as sequências HN[nk] são or-
Qual é a resposta ao impulso g[n] do filtro FIR? togonais; isto é,
(d) Pode parecer que o filtro FIR com TFD G[k] = N−1
1/H[k] implementa o filtro inverso perfeitamente. N, ((n))N = ((m))N ,
HN [nk]HN [mk] =
Afinal, podemos argumentar que o filtro de distor- 0, caso contrário.
k=0
ção FIR tem uma TFD H[k] de N pontos, e o filtro
FIR em cascata tem uma TFD G[k] = 1/H[k] de Usando essa propriedade e a fórmula de análise da
N pontos e, como G[k]H[k] = 1 para todo k, im- SHD da Equação P8.68-2, mostre que a fórmula de
plementamos um filtro passa-tudo, sem distorção. síntese da SHD é
Explique resumidamente a ideia errônea nesse ar- N−1
gumento. 1
x̃[n] = X̃H [k]HN [nk]. (P8.68-3)
(e) Realize a convolução de g[n] com h[n] e determi- N
k=0
ne então como o filtro FIR com TFD de N pontos
G[k] = 1/H[k] implementa o filtro inverso. Note que a THD é simplesmente um período dos
8.68. A sequência x[n] de comprimento N tem uma transfor- coeficientes da SHD, e, de modo similar, a equação
mada de Hartley discreta (THD) definida como de síntese (inversa) da THD é idêntica à equação
de síntese da SHD P8.68-3, exceto que simplesmen-
N−1 te extraímos um período de x̃[n]; isto é, a expressão
X H [k] = x[n]HN [nk], k = 0, 1, . . . , N − 1, (P8.68-1) de síntese da THD é
n=0
N−1
1
sendo x[n] = X H [k]HN [nk], n = 0, 1, . . . , N − 1.
N
HN [a] = CN [a] + SN [a], k=0
(P8.68-4)
com
Com as equações P8.68-1 e P8.68-4 como definições
CN [a] = cos(2πa/N), SN [a] = sen(2πa/N). das relações de análise e síntese, respectivamente,
para a THD, agora podemos deduzir as proprieda-
Originalmente proposta por R.V.L. Hartley em 1942 des úteis dessa representação de um sinal de tempo
para o caso de tempo contínuo, a transformada de discreto de comprimento finito.
Hartley tem propriedades que a tornam útil e atraen- (c) Verifique se HN[a] = HN[a + N] e também a se-
te também no caso de tempo discreto (Bracewell, 1983,
guinte propriedade útil de HN[a]:
1984). Especificamente, a partir da Equação P8.68-1, fica
evidente que a THD de uma sequência real também é HN [a + b] = HN [a]CN [b] + HN [−a]SN [b]
uma sequência real. Além disso, a THD tem uma pro-
priedade da convolução, e existem algoritmos rápidos = HN [b]CN [a] + HN [−b]SN [a].
para o seu cálculo.
(d) Considere uma sequência com deslocamento circular
Na analogia completa com a TFD, a THD tem uma pe-
riodicidade implícita que deve ser reconhecida em seu x̃[n − n0 ] = x[((n − n0 ))N ], n = 0, 1, . . . , N − 1,
uso. Ou seja, se considerarmos x[n] como uma sequên- x1 [n] =
0, caso contrário.
cia de comprimento finito de modo que x[n] = 0 para
(P8.68-5)
n < 0 e n > N − 1, então podemos formar uma sequência
periódica Em outras palavras, x1[n] é a sequência obtida ex-
traindo um período da sequência periódica deslo-
∞
cada x̃[n − n0]. Usando a identidade verificada no
x̃[n] = x[n + rN ] item (c), mostre que os coeficientes da SHD para a
r=−∞
sequência periódica deslocada são
tal que x[n] seja simplesmente um período de x̃[n]. A se- SHD
quência periódica x̃[n] pode ser representada por uma x̃[n − n0 ] ←→ X̃H [k]CN [n0 k] + X̃H [−k]SN [n0 k].
série de Hartley discreta (SHD), que, por sua vez, pode (P8.68-6)
Com isso, concluímos que a THD da sequência com veis os meios para calcular a THD de N pontos.
deslocamento circular com comprimento finito Descreva uma técnica para obter X[k] a partir de
x[((n − n0))N] é XH[k] para k = 0, 1, . . . , N − 1.
J HD 8.69. Seja x[n] uma sequência de N pontos tal que x[n] = 0
x[((n− n0 ))N ] ←→ X H [k]CN [n0 k]+ X H [((−k))N ]SN [n0 k]. para n < 0 e para n > N − 1. Seja x̂[n] a sequência de 2N
(P8.68-7) pontos obtida pela repetição de x[n]; isto é,
(e) Suponha que x3[n] seja a convolução circular de x[n], 0 ≤ n ≤ N − 1,
N pontos de duas sequências de N pontos x1[n] e x̂[n] = x[n − N ], N ≤ n ≤ 2N − 1,
x2[n]; isto é, 0, caso contrário.
x3 [n] = x1 [n] N x2 [n] =
Considere a implementação de um filtro de tempo dis-
N−1 creto mostrado na Figura P8.69. Esse sistema tem uma
= x1 [m]x2 [((n − m))N ], n = 0, 1, . . . , N − 1. resposta ao impulso h[n] que tem 2N pontos de exten-
m=0 são; isto é, h[n] = 0 para n < 0 e para n > 2N − 1.
(P8.68-8)
(a) Na Figura P8.69-1, qual é X̂[k], a TFD de 2N pon-
Ao aplicar a THD em ambos os lados da Equação tos de x̂[n] em termos de X[k], a TFD de N pontos
P8.68-8 e usar a Equação P8.68-7, mostre que de x[n]?
(b) O sistema mostrado na Figura P8.69-1 pode ser
XH3 [k] = 21 XH1 [k](XH2 [k] + XH2 [((−k))N ]) implementado usando apenas TFDs de N pontos,
+ 21 XH1 [((−k))N ](XH2 [k] − XH2 [((−k))N ]) como indicado na Figura P8.69-2 para escolhas
apropriadas dos sistemas A e B. Especifique o Sis-
(P8.68-9)
tema A e o Sistema B, de modo que ŷ[n] na Figura
para k = 0, 1, ..., N − 1. Essa é a propriedade de P8.69-1 e y[n] na Figura P8.69-2 sejam iguais para
convolução desejada. 0 ≤ n ≤ 2N − 1. Note que h[n] e y[n] na Figura P8.69-2
Observe que uma convolução linear pode ser cal- são sequências de 2N pontos e w[n] e g[n] são se-
culada usando a THD da mesma maneira que a quências de N pontos.
TFD pode ser usada para calcular uma convolu-
ção linear. Embora o cálculo de XH3[k] a partir
TFD de TFDI de
de XH1[k] e XH2[k] exija a mesma quantidade de
2N pontos 2N pontos
cálculos que determinar X3[k] a partir de X1[k] e x[n] X[k] y[n]
X2[k], o cálculo da THD requer apenas metade do
número de multiplicações reais exigidas para o cál-
culo da TFD.
TFD de
(f) Suponha que queiramos calcular a THD de uma 2N pontos
sequência de N pontos x[n] e tenhamos disponí-
veis meios para calcular a TFD de N pontos. Des-
creva uma técnica para obter XH[k] a partir de
X[k] para k = 0, 1, . . . , N − 1. h[n]
(g) Suponha que queiramos calcular a TFD de uma
sequência de N pontos x[n] e tenhamos disponí- Figura P8.69-1
TFD de
N pontos Sequências de N pontos
g [n]
Sequências de 2N pontos
Sistema A
h [n]
Figura P8.69-2
8.70. Neste problema, você analisará o uso da TFD para im- vimos que o filtro passa-baixas poderia ser implemen-
plementar a filtragem necessária para a interpolação tado usando a TFD se o filtro é do tipo FIR. Para este
de tempo discreto, ou sobreamostragem de um sinal. problema, suponha que esse filtro tenha uma resposta
Suponha que o sinal de tempo discreto x[n] tenha sido ao impulso h[n] com comprimento de N + 1 pontos. Na
obtido pela amostragem de um sinal de tempo contínuo Figura P8.70-1 é representado tal sistema, sendo H[k]
xc(t) com um período de amostragem T. Além disso, o a TFD de 4N pontos da resposta ao impulso do filtro
sinal de tempo contínuo é apropriadamente limitado passa-baixas. Observe que tanto v[n] quanto y[n] são
em banda; isto é, Xc(j) = 0 para || ≥ 2π/T. Para este sequências de 4N pontos.
problema, consideraremos que x[n] tem comprimento (a) Especifique a TFD H[k] tal que o sistema na Figura
N; isto é, x[n] = 0 para n < 0 ou n > N − 1, sendo N par. P8.70-1 implemente o sistema de sobreamostragem
Não é estritamente possível ter um sinal que seja per- desejado. Pense cuidadosamente a respeito da fase
feitamente limitado em banda e de duração finita, mas dos valores de H[k].
isso muitas vezes é suposto em sistemas práticos que (b) Também é possível sobreamostrar x[n] usando o
processam sinais de comprimento finito e que possuem sistema da Figura P8.70-2. Especifique o Sistema A
relativamente baixa energia fora da banda || ≤ 2π/T. na caixa do meio, de modo que o sinal de 4N pontos
Queremos implementar uma interpolação 1:4, isto é, au- y2[n] nessa figura seja o mesmo que y[n] da Figura
mentar a taxa de amostragem por um fator de 4. Como P8.70-2. Note que o Sistema A pode consistir em
vimos na Figura 4.23, podemos realizar essa conversão mais de uma operação.
da taxa de amostragem usando um expansor seguido (c) Existe um motivo para que a implementação na Fi-
por um filtro passa-baixas apropriado. Neste capítulo, gura P8.70-2 possa ser preferível à da Figura P8.70-1?
TFD de TFDI de
4 H[k]
4N pontos 4N pontos
x [n] v[n] V [k] Y[k] y[n]
Figura P8.70-1
Figura P8.70-2
8.71. Obter a Equação 8.153 usando as equações 8.164 e 8.165. Observe que esse algoritmo utiliza TFDs de N
8.72. Considere o seguinte procedimento: pontos em vez de 2N pontos, conforme requerido
(a) Forme a sequência v[n] = x2[2n] sendo x2[n] dada na Equação 8.167. Além disso, como v[n] é uma se-
pela Equação 8.166. Isso resulta em quência real, podemos explorar simetrias pares e
ímpares para fazer o cálculo de V[k] em uma TFD
v[n] = x[2n] n = 0, 1, ..., N/2 − 1 complexa de N/4 pontos.
v[N − 1 − n] = x[2n + 1], n = 0, 1, ..., N/2 − 1. 8.73. Deduza a Equação 8.156 usando as equações 8.174 e 8.157.
8.74. (a) Use o teorema de Parseval para a TFD para deduzir
(b) Calcule V[k], a TFD de N pontos de v[n].
uma relação entre |X c1 [k]|2 e |x[n]|2 .
Demonstre que o seguinte é verdadeiro: n
k
X c2 [k] = 2Re{e−j 2πk/(4N)V[k]}, k = 0, 1, . . . , N − 1, (b) Use o teorema de Parseval para a TFD para deduzir
uma relação entre |X c2 [k]|2 e |x[n]|2 .
N−1
πk (4n + 1) k n
=2 v[n]cos , k = 0, 1, . . . , N − 1,
2N
n=0
N−1
πk(2n + 1)
=2 x[n]cos , k = 0, 1, . . . , N − 1.
2N
n=0
ritmo de Goertzel (Goertzel, 1958), que requer cálculo direitos dessas equações diferem apenas no sinal do ex-
proporcional a N2, mas com uma constante de propor- poente de WN e no fator de escala 1/N, uma discussão
cionalidade menor do que aquela do cálculo direto pela dos procedimentos de cálculo para a Equação 9.1 se
fórmula de definição. Uma das principais vantagens do aplica com modificações diretas à Equação 9.2. (Veja o
método de cálculo direto e do algoritmo de Goertzel Problema 9.1.)
é que eles não estão restritos ao cálculo da TFD, mas A maioria das técnicas para melhorar a eficiência
podem ser usados para calcular qualquer conjunto de- do cálculo da TFD explora as propriedades de simetria
sejado de amostras da TFTD de uma sequência de com- e periodicidade de WNkn; especificamente,
primento finito.
WNk(N−n) = WN−kn = (WNkn)* (simetria complexa conjugada)
Nas seções 9.2 e 9.3, apresentaremos uma discus-
são detalhada dos algoritmos de FFT para os quais o cál- (9.3a)
culo é proporcional a N log2 N. Essa classe de algoritmos
é consideravelmente mais eficiente em termos de opera- WNkn = WNk(n+N) = WN(k+N)n (periodicidade em n e k).
ções aritméticas do que o algoritmo de Goertzel, mas é (9.3b)
especialmente orientada para o cálculo de todos os valo- (Como WNkn = cos(2πkn/N) − j sen(2πkn/N), essas pro-
res de TFD. Não pretendemos cobrir toda essa classe de priedades são uma consequência direta da simetria e
algoritmos, mas ilustramos os princípios gerais comuns a da periodicidade das funções seno e cosseno subjacen-
todos os algoritmos desse tipo, considerando com deta- tes.) Como os números complexos WNkn fazem o papel
lhes apenas alguns dos esquemas mais utilizados. de coeficientes nas equações 9.1 e 9.2, a redundância
Na Seção 9.4, consideraremos algumas das ques- consequente dessas condições pode ser usada proveito-
tões práticas que surgem na implementação dos algo- samente na redução do montante de cálculos exigido na
ritmos de FFT com comprimento potência de dois, dis- sua determinação.
cutidos nas seções 9.2 e 9.3. A Seção 9.5 fornece uma
breve sinopse dos algoritmos para N sendo um número
9.1.1 Cálculo direto pela definição da TFD
composto, incluindo uma breve referência aos algorit-
mos de FFT que são otimizados para uma particular ar- Para criar um referencial, considere inicialmente
quitetura computacional. Na Seção 9.6, discutiremos os o cálculo direto da definição da expressão da TFD na
algoritmos que se baseiam na formulação do cálculo da Equação 9.1. Como x[n] pode ser complexa, N multi-
TFD em termos de uma convolução. Na Seção 9.7, con- plicações complexas e (N – 1) adições complexas são
sideraremos os efeitos do arredondamento aritmético requeridas para calcular cada valor da TFD se usar-
nos algoritmos de FFT. mos a Equação 9.1 diretamente como uma fórmula
para cálculo. Para calcular todos os N valores, portan-
9.1 Cálculo direto da transformada de to, é preciso um total de N2 multiplicações complexas
e N(N −1) adições complexas. Expressando a Equação
Fourier discreta 9.1 em termos de operações sobre números reais, ob-
Como definido no Capítulo 8, a TFD de uma se- temos
quência de comprimento finito de comprimento N é N−1
1 Na discussão dos algoritmos para o cálculo da TFD de uma sequência com comprimento finito x[n], vale a pena lembrar, do Capítulo 8, que os
valores da TFD definidos pela Equação 9.1 podem ser considerados ou como amostras da TFTD X(ejω) nas frequências ωk = 2πk/N ou como
coeficientes da série de Fourier de tempo discreto para a sequência periódica
∞
x̃[n] = x[n + rN].
r=−∞
Será útil manter as duas interpretações em mente e ser capaz de mudar o foco, de uma para a outra, conforme seja conveniente.
quer 4N multiplicações reais e (4N − 2) adições reais.2 pode ser usada para a redução de cálculo. Para deduzir
Como X[k] precisa ser calculado para N diferentes o algoritmo, começamos notando que
valores de k, o cálculo direto da transformada de Fou-
WN−kN = ej(2π/N)Nk = ej2πk = 1, (9.5)
rier discreta de uma sequência x[n] requer 4N2 mul-
tiplicações reais e N(4N − 2) adições reais. Além das pois k é um inteiro. Esse é um resultado da perio-
multiplicações e adições associadas à Equação 9.4, a dicidade com período N de WN−kn em n ou k. Devido
computação digital da TFD em um computador digital à Equação 9.5, podemos multiplicar o membro direito
de propósito geral ou com um hardware de propósito da Equação 9.1 por WN−kN sem afetar a equação. Assim,
específico também requer provisão para armazenar e N−1 N−1
acessar os N valores da sequência de entrada complexa X[k] = WN−kN x[r]WNkr = x[r]WN
−k(N−r)
. (9.6)
x[n] e valores dos coeficientes complexos WNkn. Como a r=0 r=0
quantidade de cálculos (e, portanto, o tempo de compu-
Para sugerir o resultado final, definimos a sequência
tação) é aproximadamente proporcional a N2, é eviden-
∞
te que o número de operações aritméticas requeridas −k(n−r)
para calcular a TFD pelo método direto se torna muito yk[n] = x[r]WN u[n − r]. (9.7)
r=−∞
grande para valores grandes de N. Por esse motivo, es-
tamos interessados em procedimentos de cálculo que Pelas equações 9.6 e 9.7 e pelo fato de que x[n] = 0
reduzem o número de multiplicações e adições. para n < 0 e n ≥ N, segue que
Como um exemplo de como as propriedades de
X[k] = yk[n] . (9.8)
WNkn podem ser exploradas, usando a propriedade da n=N
simetria na Equação 9.3(a), podemos agrupar parce- A Equação 9.7 pode ser interpretada como uma
las no somatório da Equação 9.4 para n e (N − n). Por convolução discreta da sequência de duração finita x[n],
exemplo, agrupar 0 ≤ n ≤ N − 1, com a sequência WN−knu[n]. Consequente-
mente, yk[n] pode ser vista como a resposta de um sis-
Re{x[n]} Re{WNkn} + Re{x[N − n]} Re{WNk(N−n)}
tema com resposta ao impulso WN−knu[n] a uma entrada
= (Re{x[n]} + Re{x[N − n]}) Re{WNkn} de comprimento finito x[n]. Em particular, X[k] é o va-
lor da saída quando n = N.
elimina uma multiplicação real, assim como o agrupa- O diagrama de fluxo de sinais de um sistema com
mento resposta ao impulso WN−knu[n] é mostrado na Figura 9.1,
− Im{x[n]} Im{WNkn} − Im{x[N − n]} Im{WNk(N−n)} que representa a equação de diferenças
WN–k
9.1.2 Algoritmo de Goertzel
O algoritmo de Goertzel (Goertzel, 1958) é um Figura 9.1 Diagrama de fluxo do cálculo recursivo complexo de pri
exemplo de como a periodicidade da sequência WNkn meira ordem de X[k].
2 Ao longo da discussão, a fórmula para o número de operações aritméticas pode ser apenas aproximada. A multiplicação por WN0 , por exemplo,
não requer uma multiplicação. Apesar disso, quando N é grande, a estimativa do custo computacional obtida pela inclusão dessas multiplica-
ções é suficientemente precisa para permitir comparações entre diferentes classes de algoritmos.
requer 4N multiplicações reais e 4N adições reais para multiplicação. Como no caso do sistema de primeira or-
o cálculo de X[k] para um valor particular de k. Assim, dem, para uma entrada complexa, quatro adições reais
esse procedimento é ligeiramente menos eficiente do por amostra são necessárias para implementar os polos
que o método direto. Porém, ele evita o cálculo ou o (se a entrada for complexa). Como precisamos apenas
armazenamento dos coeficientes WNkn, pois essas quan- levar o sistema a um estado do qual yk[N] possa ser cal-
tidades são implicitamente calculadas pela recursão su- culado, a multiplicação complexa por −WNk requeri-
gerida pela Figura 9.1. da para implementar o zero da função de sistema não
É possível reter essa simplificação ao mesmo tem- precisa ser realizada em cada iteração da equação de
po em que se reduz o número de multiplicações por um diferenças, mas somente após a N-ésima iteração. As-
fator 2. Para ver como isso pode ser feito, note que a sim, o total de operações é de 2N multiplicações reais
função de sistema para o sistema da Figura 9.1 é e 4N adições reais para os polos,3 mais 4 multiplicações
reais e 4 adições reais para o zero. O total de operações
1
Hk(z) = . (9.10) é, portanto, 2(N + 2) multiplicações reais e 4(N + 1)
1 − WN−kz−1 adições reais, cerca da metade do número de multipli-
Multiplicando tanto o numerador quanto o deno- cações reais requeridas pelo método direto. Nesse es-
minador de Hk(z) pelo fator (1−WNkz−1), obtemos quema mais eficiente, ainda temos a vantagem de que
1 − WNk z−1 cos(2πk/N) e WNk são os únicos coeficientes que preci-
Hk(z) = sam ser calculados e armazenados. Os coeficientes WNkn
(1 − WN−kz−1 )(1 − WNk z−1 ) são novamente calculados implicitamente na iteração
(9.11) da fórmula de recursão implicada pela Figura 9.2.
1 − WNk z−1
= . Como uma vantagem adicional do uso dessa rede,
1 − 2 cos(2π k/N)z−1 + z−2
consideremos o cálculo da TFD de x[n] em duas frequên-
O diagrama de fluxo de sinais da Figura 9.2 cor- cias simétricas 2πk/N e 2π(N − k)/N, isto é, o cálculo de
responde à implementação na forma direta II da função X[k] e X[N − k]. É fácil verificar que a rede na forma
de sistema da Equação 9.11, para a qual a equação de da Figura 9.2 requerida para o cálculo de X[N − k] tem
diferenças para os polos é exatamente os mesmos polos que vemos na Figura 9.2,
vk[n] = 2 cos(2πk/N) vk[n − 1] − vk[n − 2] + x[n]. (9.12a) mas o coeficiente para o zero é o conjugado complexo
do da Figura 9.2. (Veja o Problema 9.21.) Como o zero é
Após N iterações da Equação 9.12(a) começando implementado apenas na iteração final, as 2N multipli-
com condições de repouso inicial wk[−2] = wk[−1] = 0, cações e as 4N adições requeridas para os polos podem
o valor desejado da TFD pode ser obtido implementan- ser usadas no cálculo de dois valores da TFD. Assim,
do o zero como em para o cálculo de todos os N valores da transformada
X[k] = yk[n] = vk[N] − WNk vk[N − 1]. (9.12b) de Fourier discreta usando o algoritmo de Goertzel, o
n=N número de multiplicações reais requeridas é aproxima-
Se a saída for complexa, apenas duas multiplica- damente N2, e o número de adições reais é aproximada-
ções reais por amostra são necessárias para a imple- mente 2N2. Embora seja mais eficiente do que o cálculo
mentação dos polos desse sistema, pois os coeficientes direto da transformada de Fourier discreta, a quantida-
são reais e o fator –1 não precisa ser contado como uma de de cálculo ainda é proporcional a N2.
Nem no método direto nem no algoritmo de
Goertzel precisamos calcular X[k] em todos os N valo-
x[n] yk [n] res de k. De fato, podemos calcular X[k] para quaisquer
M valores de k, sendo cada valor de TFD calculado por
z –1
2 cos 2πk k
um sistema recursivo na forma da Figura 9.2 com os
N – WN
coeficientes apropriados. Nesse caso, o cálculo total é
proporcional a NM. O método de Goertzel e o méto-
z –1 do direto são atraentes quando M é pequeno; porém,
como indicado anteriormente, existem algoritmos para
–1 os quais o cálculo é proporcional a N log2 N quando N
é uma potência de 2. Portanto, quando M é menor do
Figura 9.2 Diagrama de fluxo do cálculo recursivo de segunda ordem que log2 N, o algoritmo de Goertzel ou o cálculo dire-
de X [k] (algoritmo de Goertzel). to da TFD pode ser, de fato, o método mais eficiente,
3 Assumindo-se que x[n] seja complexa. Se x[n] for real, a contagem de operações será N multiplicações reais e 2N adições reais para a imple-
mentação dos polos.
mas quando todos os N valores de X[k] são requeridos, de Fourier discreta aplicável quando N é um número
os algoritmos de dizimação no tempo, a serem consi- composto, isto é, o produto de dois ou mais inteiros. A
derados mais adiante, são aproximadamente (N / log2 publicação desse artigo desencadeou uma grande ativi-
N) vezes mais eficientes do que o método direto ou o dade na aplicação da transformada de Fourier discreta
algoritmo de Goertzel. ao processamento de sinais e resultou na descoberta de
Da forma como foi deduzido, o algoritmo de diversos algoritmos de cálculo altamente eficientes. Co-
Goertzel calcula o valor da TFD X[k], que é idêntico letivamente, todo o conjunto desses algoritmos passou
ao da TFTD X(ejω) calculada na frequência ω = 2πk/N. a ser conhecido como transformada de Fourier rápida,
Com apenas uma pequena modificação da dedução ci- ou FFT (do inglês fast Fourier transform).4
tada, podemos mostrar que X(ejω) pode ser calculada Em contraste com métodos diretos discutidos
em qualquer frequência ωa pela iteração da equação de anteriormente, os algoritmos de FFT são baseados no
diferenças princípio fundamental da decomposição do cálculo da
transformada de Fourier discreta de uma sequência de
va[n] = 2 cos(ω0)va[n − 1] − va[n − 2] + x[n], (9.13a)
comprimento N em transformadas de Fourier discretas
N vezes com o valor desejado da TFTD obtido por de comprimento menor, que são combinadas para for-
X(ejωa) = e−jωaN (va[N] − e−jωa va[N − 1]). (9.13b) mar a transformada de N pontos. Essas transformadas
de comprimento menor podem ser calculadas por mé-
Note que, no caso ωa = 2πk/N, as equações 9.13(a) todos diretos, ou então podem ser decompostas nova-
e (b) se reduzem às equações 9.12(a) e (b). Como a mente em transformadas ainda menores. A forma como
Equação 9.13(b) precisa ser calculada somente uma esse princípio é implementado leva a uma variedade
vez, é apenas um pouco menos eficiente calcular o va- de algoritmos diferentes, todos com melhorias compa-
lor de X(ejω) em uma frequência escolhida arbitrária do ráveis em termos de velocidade de cálculo. Neste ca-
que em uma frequência da TFD. pítulo, tratamos de duas classes básicas de algoritmos
Ainda outra vantagem do algoritmo de Goertzel de FFT. A primeira classe, chamada de dizimação no
em algumas aplicações em tempo real é que o cálculo tempo, deve seu nome ao fato de que, no processo de
pode ser iniciado assim que a primeira amostra da en- arranjar o cálculo em transformadas menores, a sequên-
trada está disponível. O cálculo, então, envolve iterar cia x[n] (que geralmente é considerada uma sequência
a equação de diferenças, Equação 9.12(a) ou Equação no tempo) é decomposta em subsequências sucessiva-
9.13(a), assim que cada nova amostra de entrada se tor- mente menores. Na segunda classe geral de algoritmos,
na disponível. Após N iterações, o valor desejado de a sequência de coeficientes da transformada de Fourier
X(ejω) pode ser calculado com a Equação 9.12(b) ou a discreta X[k] é decomposta em subsequências menores
Equação 9.13(b), como apropriado. — daí o nome, dizimação na frequência.
Discutimos os algoritmos de dizimação no tempo
9.1.3 Explorando tanto a simetria quanto a na Seção 9.2. Os algoritmos de dizimação na frequência
periodicidade são discutidos na Seção 9.3. As duas seções são essen-
Algoritmos computacionais que exploram tanto cialmente independentes e, portanto, podem ser lidas
a simetria quanto a periodicidade da sequência WNkn já em qualquer ordem.
eram conhecidos bem antes da era da computação digi-
tal de alta velocidade. Na época, qualquer esquema que 9.2 Algoritmos de FFT com dizimação
reduzisse o cálculo manual até mesmo por um fator de 2
no tempo
era bem recebido. Heideman, Johnson e Burrus (1984)
traçaram as origens dos princípios básicos da FFT até A decomposição e o cálculo da TFD em TFDs su-
Gauss, em 1805. Runge (1905) e, mais tarde, Danielson e cessivamente menores, explorando-se tanto a simetria
Lanczos (1942) descreveram algoritmos para os quais o quanto a periodicidade da exponencial complexa WNkn =
cálculo era aproximadamente proporcional a N log2 N e–j(2π/N)kn, resulta em um aumento drástico na eficiência
em vez de a N2. Porém, a distinção não era de grande do cálculo da TFD. Os algoritmos em que a decomposi-
importância para os pequenos valores de N que eram ção é baseada em decompor a sequência x[n] em sub-
viáveis para o cálculo manual. A possibilidade de uma sequências sucessivamente menores são chamados de
grande redução nos cálculos foi negligenciada em geral algoritmos de dizimação no tempo.
até cerca de 1965, quando Cooley e Tukey (1965) pu- O princípio da dizimação no tempo é ilustrado de
blicaram um algoritmo para o cálculo da transformada modo conveniente considerando-se o caso especial de N
4 Veja, em Cooley, Lewis e Welch (1967), e em Heideman, Johnson e Burrus (1984), resumos históricos dos desenvolvimentos algorítmicos
relacionados à FFT.
sendo uma potência inteira de 2, isto é, N = 2ν. Como N Substituindo-se as equações 9.14(a) e (b) na Equa-
é divisível por dois, podemos considerar a realização do ção 9.15 verifica-se que a TFTD X(ejω) da sequência de
cálculo de X[k] separando x[n] em duas sequências de N pontos x[n] pode ser representada como na Equação
(N/2) pontos5 que consistam em pontos de índice par 9.15 em termos das TFTDs das sequências de N/2 pon-
g[n] = x[2n] e pontos de índice ímpar h[n] = x[2n + 1]. tos g[n] = x[2n] e h[n] = x[2n + 1]. Portanto, a TFD
Na Figura 9.3 são mostrados essa decomposição e tam- X[k] pode ser representada similarmente em termos
bém o fato (de certa forma óbvio, porém crucial) de que das TFDs de g[n] e h[n].
a sequência original pode ser recuperada simplesmente Especificamente, X[k] corresponde a calcular
pelo entrelaçamento das duas sequências. jω
X(e ) nas frequências ωk = 2πk/N com k = 0, 1, ..., N − 1.
Para entender o significado da Figura 9.3 como Portanto, usando a Equação 9.15 obtemos
um princípio de organização para o cálculo da TFD, é
útil considerarmos os equivalentes no domínio da fre- X[k] = X(ej2πk/N) = G(ej(2πk/N)2) + e−j2πk/N H(e(j2πk/N)2).
quência às operações representadas no diagrama de (9.16)
blocos. Primeiro, note que a operação no domínio do
Pela definição de g[n] e G(ejω), segue que
tempo rotulada como “Desloca 1 à esquerda” corres-
ponde no domínio da frequência a multiplicar X(ejω) N/ 2−1
por ejω. Como discutido na Seção 4.6.1, correspondente G(e j (2πk/N)2 ) = x[2n]e−j ( 2πk/N)2n
à compressão das sequências de tempo por 2, as TFTDs n=0
G(ejω) e H(ejω) (e, portanto, G[k] e H[k]) são obtidas N/ 2−1
pelo aliasing no domínio da frequência que ocorre após = x[2n]e−j ( 2πk/(N/ 2))n
a expansão da escala de frequência pela substituição n=0
ω → ω/2 em X(ejω) e ejωX(ejω). Ou seja, as TFTDs das N/ 2−1
sequências comprimidas g[n] = x[2n] e h[n] = x[2n + 1] kn
x[2n]WN/
= 2, (9.17a)
são, respectivamente, n=0
1
G(e j ω ) = X(e j ω/ 2 ) + X(e j (ω−2π)/ 2 ) (9.14a) e, por uma manipulação similar, pode-se mostrar que
2
N/ 2−1
1 H (e j (2πk/N)2 ) = kn
jω
H (e ) = X(e j ω/ 2 )e j ω/ 2 + X(e j (ω−2π)/ 2 )e j (ω−2π )/ 2 . x[2n + 1]WN/ 2 . (9.17b)
2 n=0
(9.14b) Assim, pelas equações 9.17(a) e (b) e pela Equa-
A expansão da sequência por 2, mostrada na me- ção 9.16, segue que
tade direita do diagrama de blocos na Figura 9.3, resul- N/ 2−1 N/ 2−1
kn k kn
ta nas TFTDs comprimidas em frequência Ge(ejω) = X[k] = x[2n]WN/ 2 + WN x[2n + 1]WN/ 2
G(ej2ω) e He(ejω) = H(ej2ω), que, de acordo com a Figura n=0 n=0
9.3, combinam-se para formar X(ejω) por meio de k = 0, 1, . . . , N − 1, (9.18)
X(e j ω ) = Ge (e j ω ) + e−j ω He (e j ω ) em que a TFD de N pontos X[k] é, por definição,
j 2ω − jω j 2ω
= G(e )+e H (e ). (9.15) N−1
X[k] = x[n]WNnk, k = 0, 1, . . . , N − 1. (9.19)
n=0
x[n] g[n] = x[2n] ge[n] x[n] Do mesmo modo, por definição, as TFDs de (N/2)
2 2 pontos de g[n] e h[n] são
x[n − 1]
N/ 2−1
Desloca 1 Desloca 1 nk
G[k] = x[2n]WN/ 2, k = 0, 1, . . . , N/ 2 − 1 (9.20a)
à esquerda à direita
n=0
h[n] = x[2n + 1] he[n]
2 2
x[n + 1] N/ 2−1
0 ≤ n ≤ N/2 − 1 0≤n≤N−1 nk
H[k] = x[2n + 1]WN/ 2, k = 0, 1, . . . , N/ 2 − 1.
n=0
Figura 9.3 Exemplo do princípio básico da dizimação no tempo. (9.20b)
5 Ao discutir os algoritmos de FFT, é comum usar as palavras amostra e ponto indistintamente com o significado de valor de sequência, isto é,
um único número. Além disso, referimo-nos a uma sequência de comprimento N como uma sequência de N pontos, e a TFD de uma sequência
de comprimento N será chamada de TFD de N pontos.
A Equação 9.18 mostra que a TFD de N pontos Na Figura 9.4, duas TFDs de 4 pontos são calcula-
X[k] pode ser computada pelo cálculo das TFDs de das, com G[k] designando a TFD de 4 pontos dos pon-
(N/2) pontos G[k] e H[k] em k = 0, 1, ..., N −1 em vez tos de índice par e H[k] designando a TFD de 4 pontos
de k = 0, 1, ..., N/2 − 1 como normalmente fazemos no dos pontos de índice ímpar. De acordo com a Equação
caso das TFDs de (N/2) pontos. Isso pode ser facilmen- 9.21, X[0] é obtida pela multiplicação de H[0] por WN0 e
te obtido mesmo quando G[k] e H[k] são calculados pela adição do produto a G[0]. O valor da TFD X[1] é
apenas para k = 0, 1, ..., N/2 − 1, pois as transformadas obtido pela multiplicação de H[1] por WN1 e pela adição
de (N/2) pontos são implicitamente periódicas com pe- desse resultado a G[1]. A Equação 9.21 enuncia que,
ríodo N/2. Com essa observação, a Equação 9.18 pode devido à periodicidade implícita de G[k] e H[k], para
ser reescrita como calcular X[4], devemos multiplicar H[((4))4] por WN4 e
somar o resultado a G[((4))4]. Assim, X[4] é obtida pela
X[k] = G[((k))N/2] + WNk H[((k))N/2] k = 0, 1, . . . , N − 1.
multiplicação de H[0] por WN4 e pela adição do resul-
(9.21) tado a G[0]. Como mostrado na Figura 9.4, os valores
A notação ((k))N/2 torna convenientemente explí- X[5], X[6] e X[7] são obtidos de modo similar.
cito que, embora G[k] e H[k] sejam apenas calculadas Com o cálculo reestruturado de acordo com a
para k = 0, 1, ..., N/2 − 1, elas são estendidas periodica- Equação 9.21, podemos comparar o número de multi-
mente (sem cálculo adicional) pela interpretação de k plicações e adições requeridas com o requerido para um
mod N/2. cálculo direto da TFD. Anteriormente vimos que, para
Depois que as duas TFDs são calculadas, elas são o cálculo direto sem explorar a simetria, N2 multiplica-
combinadas de acordo com a Equação 9.21 para produ- ções e adições complexas eram exigidas.6 Em compara-
zir a TFD de N pontos X[k]. A Figura 9.4 representa esse ção, a Equação 9.21 requer o cálculo de duas TFDs de
cálculo para N = 8. Nessa figura, usamos as convenções (N/2) pontos, que por sua vez requer 2(N/2)2 multipli-
do diagrama de fluxo de sinais que introduzimos no Ca- cações complexas e aproximadamente 2(N/2)2 adições
pítulo 6 para representar equações de diferenças. Isto complexas se calcularmos as TFDs de (N/2) pontos pelo
é, os ramos que entram em um nó são somados para método direto. Depois, as duas TFDs de (N/2) pontos
produzir a variável de nó. Quando nenhum coeficiente precisam ser combinadas, o que exige N multiplicações
é indicado, assumimos que o ganho do ramo é unitário. complexas, que correspondem a multiplicar a segunda
Para outros ramos, o ganho de um ramo é uma potência soma por WNk, e N adições complexas que correspon-
inteira do número complexo WN. dem a somar o produto obtido à primeira soma. Conse-
quentemente, o cálculo da Equação 9.21 para todos os
valores de k exige no máximo N + 2(N/2)2 ou N + N2/2
G [0] multiplicações e adições complexas. É fácil verificar
x [0] X [0]
0
WN
que, para N > 2, o total N + N2/2 será menor do que N 2.
G [1] A Equação 9.21 corresponde a dividir o cálculo
x [2] X [1]
TFD de N 1 original de N pontos em dois cálculos de TFD de (N/2)
2 WN
pontos G [2] pontos. Se N/2 for par, como acontece quando N é igual
x [4] X [2]
2
a uma potência de 2, então poderemos considerar o cál-
WN
G [3] culo de cada uma das TFDs de (N/2) pontos na Equa-
x [6] X [3] ção 9.21 quebrando cada uma das somas nessa equação
3
WN em duas TFDs de (N/4) pontos, que então seriam com-
x [1] X [4] binadas para produzir as TFDs de (N/2) pontos. Assim,
4
H [0] WN
G[k] na Equação 9.21 pode ser representada como
x [3] X [5]
TFD de N H [1] WN
5 (N/ 2)−1
2 rk
pontos G[k] = g[r]WN/ 2
x [5] X [6]
H [2] 6 r=0
WN
(N/ 4)−1 (N/ 4)−1
x [7] X [7] 2 (2 +1)k
H [3] 7 = g[2 ]WN/ 2 + g[2 + 1]WN/ 2 ,
WN
=0 =0
(9.22)
Figura 9.4 Diagrama de fluxo da decomposição, por dizimação no
tempo, de um cálculo de TFD de N pontos em dois cálculos de TFD de ou
(N/2) pontos (N = 8).
6 Por simplicidade, supomos que N seja grande, de modo que (N – 1) pode ser aproximado com precisão por N.
(N/ 4)−1 (N/ 4)−1 em termos das potências de WN em vez das potências de
k
G[k] = g[2 ]WN/ 4 + WN/ 2 g[2 + 1]WN/ 4 . WN/2, aproveitando o fato de que WN/2 = WN2.
=0 =0 Para a TFD de 8 pontos que usamos como exem-
(9.23) plo, o cálculo foi reduzido ao cálculo de TFDs de 2
pontos. Por exemplo, a TFD de 2 pontos da sequência
De modo similar, H[k] pode ser representada como
que consiste em x[0] e x[4] é representada na Figura 9.7.
(N/ 4)−1 (N/ 4)−1 Com o cálculo da Figura 9.7 inserido no diagrama de
k
H[k] = h[2 ]WN/ 4 + WN/ 2 h[2 + 1]WN/ 4 . fluxo da Figura 9.6, obtemos o diagrama de fluxo com-
=0 =0 pleto para o cálculo da TFD de 8 pontos, como mostra-
(9.24) do na Figura 9.9.
Consequentemente, a TFD de (N/2) pontos G[k] Para o caso mais geral, mas ainda sendo N uma
pode ser obtida pela combinação das TFDs de (N/4) potência de 2, procederíamos decompondo as trans-
pontos das sequências g[2] e g[2 + 1]. Similarmente, formadas de (N/4) pontos nas equações 9.23 e 9.24 em
a TFD de (N/2) pontos H[k] pode ser obtida pela com-
binação das TFDs de (N/4) pontos das sequências h[2]
e h[2 + 1]. Assim, se as TFDs de 4 pontos na Figura 9.4 x[0]
forem calculadas de acordo com as equações 9.23 e 9.24, WN0 = 1
então esse cálculo seria executado como indicado na Fi-
gura 9.5. Inserindo o cálculo da Figura 9.5 no diagrama
de fluxo da Figura 9.4, obtemos o diagrama de fluxo com- x[4]
N/2
pleto da Figura 9.6, em que expressamos os coeficientes W2 = WN = –1
x[0] X[0]
x[0] X [0]
TFD de N WN0 WN0 WN0
4 WN0 WN0
pontos x [4] X[1]
x[4] X[1] WN4
WN2 WN1
WN2 WN1
x [2] X[2]
x[2] X[2] WN4
TFD de N WN4 WN2 WN0 WN2
4
pontos x [6] X[3]
x[6] X[3] WN4 WN6
WN6 WN3 WN3
x[1] X[4] x [1] X[4]
TFD de N WN4 WN0 WN4
4 WN0
WN0
x[5] pontos X[5] x [5] X[5]
WN5 WN4 WN5
WN2 WN2
x[3] X[6] x [3] X[6]
TFD de N WN4 WN6 WN4 WN6
4 WN0
x[7] pontos x [7] X[7]
X[7]
WN6 WN7 WN4 WN6 WN7
Figura 9.6 Resultado da substituição da estrutura da Figura 9.5 na Figura 9.9 Diagrama de fluxo da decomposição completa por dizima
Figura 9.4. ção no tempo de um cálculo de TFD com 8 pontos.
ção ou para o projeto de hardware especial para o cál- como o vetor de saída do m-ésimo estágio de cálculos.
culo da TFD. Chamamos a atenção para alguns desses Assim, para o caso N = 8, como na Figura 9.11,
detalhes nas seções 9.2.2 e 9.2.3, para os algoritmos de
X0[0] = x[0],
dizimação no tempo, e nas seções 9.3.1 e 9.3.2, para os
algoritmos de dizimação na frequência. Na Seção 9.4, X0[1] = x[4],
discutimos algumas considerações práticas adicionais. X0[2] = x[2],
Embora essas seções não sejam essenciais para a obten- X0[3] = x[6],
ção de um conhecimento básico dos princípios da FFT, X0[4] = x[1], (9.27)
elas fornecem uma orientação útil para a programação X0[5] = x[5],
e para o projeto de sistemas.
X0[6] = x[3],
9.2.2 Cálculos realizados localmente X0[7] = x[7].
As características essenciais do diagrama de fluxo Usando essa notação, podemos rotular a entrada
da Figura 9.11 são os ramos que conectam os nós e o ga- e a saída da operação borboleta na Figura 9.10 como
nho de cada um desses ramos. Não importa como os nós indicado na Figura 9.12, com as equações associadas
são reorganizados no diagrama de fluxo, ele sempre re- Xm[p] = Xm−1 [p] + WNrXm−1[q], (9.28a)
presentará o mesmo cálculo, desde que as conexões en-
tre os nós e os ganhos das conexões sejam mantidos. A Xm[q] = Xm−1 [p] − WNrXm−1[q]. (9.28b)
forma em particular para o diagrama de fluxo na Figura
Nas equações 9.28, p, q e r variam de estágio para
9.11 surgiu da dedução do algoritmo por meio da sepa-
estágio de uma maneira prontamente inferida da Fi-
ração da sequência original em pontos de índice par e
gura 9.11 e das equações 9.21, 9.23 e 9.24. Fica claro,
ímpar e depois pela criação continuada de subsequên-
pelas figuras 9.11 e 9.12, que apenas os números com-
cias cada vez menores da mesma forma. Um subproduto
plexos nas localizações p e q do (m – 1)-ésimo vetor
interessante dessa dedução é que esse diagrama de flu- são requeridos para o cálculo dos elementos p e q do
xo, além de descrever um procedimento eficiente para m-ésimo vetor. Assim, apenas um vetor complexo com
o cálculo da transformada de Fourier discreta, também N registradores de armazenamento é fisicamente ne-
sugere um modo útil de armazenar os dados originais cessário para implementar o cálculo completo se Xm[p]
e os resultados do cálculo em matrizes intermediárias. e Xm[q] forem armazenados nos mesmos registradores
Para entender isso, é útil notar que, de acordo com de armazenamento de Xm−1[p] e Xm−1[q], respectiva-
a Figura 9.11, cada estágio do cálculo toma um conjun- mente. Esse tipo de cálculo é comumente chamado de
to de N números complexos e os transforma em outro cálculo realizado localmente (in-place, em inglês). O fato
conjunto de N números complexos por meio de opera- de que o diagrama de fluxo da Figura 9.11 (ou da Fi-
ções básicas borboleta na forma da Figura 9.10. Esse gura 9.9) representa um cálculo realizado localmente
processo é repetido por ν = log2 N vezes, resultando no está ligado ao fato de que associamos os nós no diagra-
cálculo da transformada de Fourier discreta desejada. ma de fluxo que estão na mesma linha horizontal com
Ao implementar os cálculos representados na Figura o mesmo local de armazenamento e ao fato de que o
9.11, podemos imaginar o uso de dois vetores (com- cálculo entre dois vetores consiste em uma operação
plexos) de registradores de armazenamento, um para borboleta no qual os nós de entrada e os nós de saída
o vetor que está sendo calculado e um para os dados são adjacentes horizontalmente.
que estão sendo usados no cálculo. Por exemplo, no cál- Para que o cálculo possa ser realizado localmente
culo do primeiro vetor na Figura 9.11, um conjunto de como acabamos de discutir, a sequência de entrada pre-
registradores de armazenamento conteria os dados de cisa ser armazenada (ou, pelo menos acessada) em uma
entrada e o segundo teria os resultados calculados para
o primeiro estágio. Embora a validade da Figura 9.11
não esteja ligada à ordem em que os dados de entrada Xm – 1 [p] Xm [p]
são armazenados, podemos ordenar o conjunto de nú-
meros complexos na mesma ordem em que é mostrado
na figura (de cima para baixo). Denotamos a sequência
de números complexos resultantes do m-ésimo estágio
do cálculo como Xm[], em que = 0, 1, ..., N − 1, e m WNr
= 1, 2, ..., ν. Além disso, por conveniência, definimos o Xm – 1 [q] Xm [q]
–1
conjunto de amostras de entrada como X0[]. Podemos
pensar em Xm−1[] como o vetor de entrada e Xm[] Figura 9.12 Diagrama de fluxo das equações 9.28.
ordem não sequencial, como mostrado no diagrama de Para ver por que a ordem bit-reversa é necessária
fluxo da Figura 9.11. De fato, a ordem em que os dados para o cálculo realizado localmente, lembre-se do pro-
de entrada são armazenados e acessados é conhecida cesso que resultou nas figuras 9.9 e 9.11. A sequência
como ordem bit-reversa. Para ver o que essa terminolo- x[n] foi primeiro dividida nas amostras de índice par,
gia significa, notamos que para o diagrama de fluxo de sendo que estas foram colocadas na metade superior da
8 pontos que discutimos, três dígitos binários são neces- Figura 9.4 e as amostras de índice ímpar foram coloca-
sários para indexar os dados. Escrevendo os índices nas das na metade inferior. Essa separação dos dados pode
equações 9.27 em forma binária, obtemos o seguinte ser executada examinando-se o bit menos significativo
conjunto de equações: [n0] no índice n. Se o bit menos significativo for 0, o valor
da sequência corresponde a uma amostra de índice par
X0[000] = x[000],
e, portanto, será mostrado na metade superior do vetor
X0[001] = x[100], X0[], e se o bit menos significativo for 1, o valor da
X0[010] = x[010], sequência corresponde a uma amostra de índice ímpar
X0[011] = x[110], (9.29) e, consequentemente, será mostrado na metade inferior
do vetor. Em seguida, as subsequências de índice par
X0[100] = x[001], e ímpar são ordenadas em suas partes com índice par e
X0[101] = x[101], ímpar, e isso pode ser feito pelo exame do segundo bit
X0[110] = x[011], menos significativo no índice. Considerando primeiro
a subsequência de índice par, se o segundo bit menos
X0[111] = x[111].
significativo for 0, o valor da sequência é um termo de
Se (n2, n1, n0) é a representação binária do índice da índice par na subsequência, e se o segundo bit menos
sequência x[n], então o valor de sequência x[n2, n1, n0] é significativo for 1, então o valor da sequência tem um
armazenado na posição do vetor X0[n0, n1, n2]. Isto é, ao termo de índice ímpar nessa subsequência. O mesmo
determinar a posição de x[n2, n1, n0] no vetor de entrada, processo é executado para a subsequência formada a
temos de reverter a ordem dos bits de índice n. partir dos valores originais da sequência com índice
Considere o processo representado na Figura 9.13 ímpar. Esse processo é repetido até que sejam obtidas
para ordenar uma sequência de dados na ordem normal N subsequências de comprimento 1. Essa ordenação em
pelo exame sucessivo dos bits que representam o índice subsequências de índice par e ímpar é representada pelo
de dados. Se o bit mais significativo do índice de da- diagrama de árvore da Figura 9.14.
dos for zero, x[n] pertence à metade superior do vetor Os diagramas de árvore das figuras 9.13 e 9.14 são
ordenado; caso contrário, pertence à metade inferior. idênticos, exceto que, para a ordenação normal, exami-
Em seguida, as subsequências da metade superior e da namos os bits que representam o índice da esquerda
metade inferior podem ser ordenadas pelo exame do para a direita, enquanto para a ordenação que leva na-
segundo bit mais significativo, e assim por diante. turalmente às figuras 9.9 ou 9.11, examinamos os bits
n2 n1 n0 n0 n1 n2
0 0
x [000] x [000]
0 0
1 1
x[001] 0 x [100]
0
0 0
x[010] x [010]
1 1
1 1
x[011] x [110]
x[n2n1n0] x [n2 n1 n0]
0 0
x[100] x [001]
0 0
1 1
1 x[101] 1 x [101]
0 0
x[110] x [011]
1 1
1 1
x[111] x [111]
Figura 9.13 Diagrama de árvore que representa a ordenação Figura 9.14 Diagrama de árvore que representa a ordenação bit
normal. ‑reversa.
na ordem reversa, da direita para a esquerda, resul- De modo similar, todos os nós que são adjacentes ho-
tando na ordenação bit-reversa. Assim, a necessidade rizontalmente a x[6] na Figura 9.11 são trocados com
da ordenação bit-reversa da sequência x[n] resulta da aqueles que são adjacentes horizontalmente a x[3]. Os
forma como o cálculo da TFD é decomposto em cál- nós adjacentes horizontalmente a x[0], x[2], x[5] e x[7]
culos de TFD sucessivamente menores para se chegar não são modificados. O diagrama de fluxo resultante na
às figuras 9.9 e 9.11. Figura 9.15 corresponde à forma do algoritmo de dizi-
mação no tempo proposto originalmente por Cooley e
9.2.3 Formas alternativas Tukey (1965).
Embora seja razoável armazenar os resultados de A única diferença entre as figuras 9.11 e 9.15 está
cada estágio do cálculo na ordem em que os nós são na ordenação dos nós. Isso implica que as figuras 9.11 e
mostrados na Figura 9.11, certamente não é necessário 9.15 representam dois programas diferentes para a exe-
fazê-lo. Não importa como os nós da Figura 9.11 são cução dos cálculos. Os ganhos dos ramos (potências de
rearranjados, o resultado sempre será um cálculo válido WN) permanecem os mesmos e, portanto, os resultados
da transformada de Fourier discreta de x[n], desde que intermediários serão exatamente os mesmos — eles se-
os ganhos dos ramos não sejam alterados. Somente a rão calculados em uma ordem diferente dentro de cada
ordem em que os dados são acessados e armazenados estágio. Naturalmente, existe uma grande variedade de
mudará. Se associamos os nós com a indexação de um ordenações possíveis. Porém, a maioria não faz muito
vetor de localizações de armazenamento complexas, sentido a partir de um ponto de vista computacional.
fica claro, pela nossa discussão anterior, que um dia- Como um exemplo, suponha que os nós sejam ordena-
grama de fluxo correspondente a um cálculo realizado dos de modo que a entrada e a saída apareçam na ordem
localmente resulta somente se a reorganização dos nós normal. Um diagrama de fluxo desse tipo é mostrado na
for tal que os nós de entrada e saída para cada opera- Figura 9.16. Nesse caso, porém, o cálculo não pode ser
ção borboleta sejam adjacentes horizontalmente. Caso realizado localmente, pois a estrutura em borboleta não
contrário, dois vetores de armazenamento complexo continua após o primeiro estágio. Assim, dois vetores
serão exigidos. A Figura 9.11, naturalmente, é um ar- complexos de comprimento N seriam requeridos para a
ranjo desse tipo. Outro é representado na Figura 9.15. realização do cálculo representado na Figura 9.16.
Nesse caso, a sequência de entrada está na ordem nor- Ao realizar os cálculos representados pelas figu-
mal, e a sequência de valores de TFD está na ordem ras 9.11, 9.15 e 9.16, fica clara a necessidade de acessar
bit-reversa. A Figura 9.15 pode ser obtida da Figura elementos de vetores intermediários em ordem não se-
9.11 da seguinte forma: Todos os nós que são adjacen- quencial. Assim, para uma maior velocidade computa-
tes horizontalmente a x[4] na Figura 9.11 são trocados cional, os números complexos precisam ser armazena-
com todos os nós adjacentes horizontalmente a x[1]. dos em memória de acesso aleatório.7 Por exemplo, no
Figura 9.15 Rearranjo da Figura 9.11 com entrada na ordem normal e Figura 9.16 Rearranjo da Figura 9.11 com entrada e saída na ordem
saída na ordem bit-reversa. normal.
7 Quando os algoritmos de Cooley–Tukey surgiram inicialmente em 1965, as memórias digitais eram caras e de tamanho limitado. O tamanho
e a disponibilidade das memórias de acesso aleatório não são mais um problema, exceto para valores de N extremamente grandes.
9.3.2 Formas alternativas çando com o vetor de saída. (O Problema 9.31 esboça
Diversas formas alternativas para o algoritmo de uma prova desse resultado.) Geralmente, é verdade que,
dizimação na frequência podem ser obtidas pela trans- para cada algoritmo de FFT com dizimação no tempo,
posição das formas de dizimação no tempo desenvol- existe um algoritmo de FFT com dizimação na frequên-
vidas na Seção 9.2.3. Se denotarmos a sequência de cia correspondente a trocar a entrada e a saída e rever-
números complexos resultante do m-ésimo estágio do ter a direção de todas as setas no diagrama de fluxo.
cálculo como Xm[], em que = 0, 1, ..., N − 1, e m = 1, Esse resultado implica que todos os diagramas
2, . . . , ν, então a operação borboleta básica mostrada na de fluxo da Seção 9.2 têm correspondentes na clas-
Figura 9.23 tem a forma se de algoritmos de dizimação na frequência. Isso,
naturalmente,também corresponde ao fato de que,
Xm[p] = Xm−1[p] + Xm−1[q], (9.33a) como anteriormente, é possível rearranjar os nós de um
diagrama de fluxo por dizimação na frequência sem al-
Xm[q] = (Xm−1[p] − Xm−1[q])WNr. (9.33b)
terar o resultado final.
Comparando as figuras 9.12 e 9.23, ou as equações A aplicação do procedimento de transposição à
9.28 e 9.33, parece que as operações borboleta são di- Figura 9.15 leva à Figura 9.24. Nesse diagrama de fluxo,
ferentes para as duas classes de algoritmos de FFT. Po- a saída está na ordem normal e a entrada está na ordem
rém, os dois diagramas de fluxo em borboleta são, na bit-reversa. A transposição do diagrama de fluxo da Fi-
terminologia do Capítulo 6, transpostos um do outro. gura 9.16 levaria a um diagrama de fluxo com a entrada
Ou seja, se revertermos a direção das setas e redefinir- e a saída na ordem normal. Um algoritmo baseado no
mos os nós de entrada e saída na Figura 9.12, obteremos diagrama de fluxo resultante sofreria das mesmas limi-
a Figura 9.23, e vice-versa. Como os diagramas de fluxo tações que as da Figura 9.16.
da FFT consistem em conjuntos de borboletas conec- A transposição da Figura 9.17 é mostrada na Figu-
tados, não é surpresa, portanto, que também notemos ra 9.25. Cada estágio da Figura 9.25 tem a mesma geo-
uma semelhança entre os diagramas de fluxo da FFT metria, uma propriedade que simplifica o acesso aos
das figuras 9.11 e 9.22. Especificamente, a Figura 9.22 dados, como já discutido.
pode ser obtida a partir da Figura 9.11 pela reversão da
direção do fluxo de sinais e pela troca da entrada e da
saída. Isto é, a Figura 9.22 é o transposto do diagrama de x [0] X [0]
0
fluxo na Figura 9.11. No Capítulo 6, enunciamos um teo- WN
x [4] X [1]
rema de transposição que se aplica apenas a diagramas –1
0
de fluxo de entrada única e saída única. Quando vis- WN
x [2] X [2]
tos como diagramas de fluxo, porém, os algoritmos de –1
2 0
WN WN
FFT são sistemas de múltiplas entradas e múltiplas saí- x [6] X [3]
–1 –1
das, o que requer uma forma mais geral do teorema da 0
WN
transposição. (Veja Claasen e Mecklenbräuker, 1978.) x [1] X [4]
–1
Apesar disso, é intuitivamente claro que as característi- 1
WN
0
WN
cas de entrada-saída dos diagramas de fluxo nas figuras x [5] X [5]
–1 –1
2 0
9.11 e 9.22 são as mesmas, com base simplesmente na WN WN
x [3] X [6]
observação acima de que as borboletas são transpostas –1 –1
3 2 0
uma da outra. Isso pode ser mostrado mais formalmen- WN WN WN
x [7] X [7]
te notando-se que as operações borboleta nas equações –1 –1 –1
9.33 podem ser resolvidas de forma regressiva, come-
Figura 9.24 Diagrama de fluxo de um algoritmo TFD com dizimação
na frequência obtido a partir da Figura 9.22. Entrada na ordem bit-re
versa e saída na ordem normal. (Transposição da Figura 9.15.)
Xm – 1 [p] Xm [p]
x[0] X [0] dem bit-reversa. Como pode ser visto naquela figura
0
WN
0
WN
0
WN e pelas equações 9.27 e 9.29, a ordenação bit-reversa
x[1] X [4] pode ser realizada localmente, já que as amostras são
–1 –1 –1 trocadas apenas em pares; isto é, uma amostra em um
x[2] X [2]
dado índice é trocada com a amostra na localização
1 0 0
WN WN WN especificada pelo índice de bit reverso. Isso é conve-
x[3] X [6]
–1 –1 –1 nientemente realizado localmente usando dois conta-
x[4] X [1] dores, um na ordem normal e o outro na ordem bit-re-
2
WN
2
WN
0
WN
versa. Os dados nas duas posições especificadas pelos
x[5] X [5] dois contadores são simplesmente trocados. Uma vez
–1 –1 –1
que a entrada esteja na ordem bit-reversa, podemos
x[6] X [3] prosseguir com o primeiro estágio do cálculo. Nesse
3 2 0
WN WN WN caso, as entradas das borboletas são elementos adja-
x[7] X [7]
–1 –1 –1 centes do vetor X0[·]. No segundo estágio, as entradas
das borboletas estão separadas por 2. No m-ésimo
Figura 9.25 Rearranjo da Figura 9.22 tendo a mesma geometria para estágio as entradas das borboletas são separadas por
m
cada estágio, simplificando assim o acesso aos dados. (Transposição 2m–1. Os coeficientes são potências de WN(N/2 ) no m-
da Figura 9.17.) -ésimo estágio e são requeridos na ordem normal se
as operações borboleta começarem no topo do diagra-
ma de fluxo da Figura 9.11. As afirmações anteriores
mostramos diagramas de fluxo para valores específicos definem a forma como os dados devem ser acessados
de N. Porém, considerando um diagrama de fluxo como em um dado estágio, o que, naturalmente, depende do
aquele na Figura 9.11, para um valor específico de N, é diagrama de fluxo que é implementado. Por exemplo,
possível entender como estruturar um algoritmo com- no m-ésimo estágio da Figura 9.15, o espaçamento da
putacional genérico que se aplicaria a qualquer N = 2v. borboleta é de 2v−m, e nesse caso os coeficientes são
Embora a discussão nas seções 9.2 e 9.3 seja comple- requeridos na ordem bit-reversa. A entrada está na or-
tamente adequada para um entendimento básico dos dem normal; porém, a saída está na ordem bit-reversa,
princípios da FFT, o material desta seção tem a inten- de modo que geralmente seria necessário ordenar a
ção de fornecer orientações úteis para a programação e saída na ordem normal usando um contador na ordem
o projeto de sistemas. normal e um contador na ordem bit-reversa, como dis-
Embora seja verdade que os diagramas de fluxo cutido anteriormente.
das seções anteriores capturem a essência dos algorit- Em geral, se considerarmos todos os diagramas de
mos de FFT que eles representam, diversos detalhes fluxo nas seções 9.2 e 9.3, veremos que cada algoritmo
precisam ser considerados na implementação de um tem suas próprias questões de indexação característi-
dado algoritmo. Nesta seção, sugerimos resumidamente cas. A escolha de determinado algoritmo depende de
alguns deles. Especificamente, na Seção 9.4.1, discuti- diversos fatores. Os algoritmos que utilizam um cálcu-
mos questões associadas ao acesso e ao armazenamen- lo realizado localmente têm a vantagem de fazer uso
to de dados nos vetores intermediários da FFT. Na Se- eficiente da memória. Porém, duas desvantagens são
ção 9.4.2, discutimos questões associadas ao cálculo ou que o tipo de memória exigido é de acesso aleatório
acesso aos coeficientes dos ramos no diagrama de flu- em vez de sequencial e que a sequência de entrada ou
xo. Nossa ênfase está nos algoritmos para N como uma a sequência da TFD de saída está na ordem bit-reversa.
potência de 2, mas grande parte da discussão se aplica Além disso, dependendo se um algoritmo de dizimação
também ao caso geral. Para fins de ilustração, focamos no tempo ou de dizimação na frequência é escolhido, e
primariamente o algoritmo da dizimação no tempo da se as entradas ou as saídas estão na ordem bit-reversa,
Figura 9.11. requer-se que os coeficientes sejam acessados ou na or-
dem normal ou na ordem bit-reversa. Se é usada memó-
9.4.1 Indexação ria sequencial sem acesso aleatório, alguns algoritmos
No algoritmo representado na Figura 9.11, a en- da transformada de Fourier rápida utilizam memória
trada precisa estar em ordem bit-reversa, de modo sequencial, como mostramos, mas ou as entradas ou as
que o cálculo possa ser realizado localmente. A TFD saídas deverão estar na ordem bit-reversa. Embora o
resultante está, então, em ordem normal. Geralmente, diagrama de fluxo para o algoritmo possa ser organi-
as sequências não se originam em ordem bit-reversa, zado para que as entradas, as saídas e os coeficientes
de modo que o primeiro passo na implementação da estejam na ordem normal, a estrutura de indexação exi-
Figura 9.11 é ordenar a sequência de entrada na or- gida para implementar esses algoritmos é complicada,
e o dobro de memória de acesso aleatório é necessário. na ordem normal. Em ambos os casos, precisamos ar-
Consequentemente, o uso desses algoritmos parece não mazenar uma tabela suficiente para pesquisar todos os
ser vantajoso. valores requeridos, ou então temos de calcular os va-
Os algoritmos de FFT com cálculos realizados lo- lores quando necessários. A primeira alternativa tem
calmente, mostrados nas figuras 9.11, 9.15, 9.22 e 9.24, a vantagem da velocidade, mas, é claro, exige mais ar-
estão entre os mais comumente utilizados. Se uma se- mazenamento. Observamos, pelos diagramas de fluxo,
quência tiver de ser transformada apenas uma vez, então que requeremos WNr para r = 0, 1, ..., (N/2) − 1. Assim,
a ordenação bit-reversa precisa ser implementada ou na requeremos N/2 registradores de armazenamento com-
entrada ou na saída. Porém, em algumas situações, uma plexos para uma tabela de valores completa de WNr .8
sequência é transformada, o resultado é modificado de No caso de algoritmos em que os coeficientes são re-
alguma forma e depois a TFD inversa é calculada. Por queridos na ordem bit-reversa, podemos simplesmente
exemplo, na implementação de filtros digitais FIR por armazenar a tabela na ordem bit-reversa.
convolução em bloco usando a transformada de Fourier O cálculo dos coeficientes à medida que são ne-
discreta, a TFD de uma seção da sequência de entrada é cessários economiza armazenamento, mas é menos efi-
multiplicada pela TFD da resposta ao impulso do filtro, ciente do que armazenar uma tabela de pesquisa. Se os
e o resultado é antitransformado para a obtenção de coeficientes têm de ser calculados, geralmente é mais
um segmento da saída do filtro. De modo similar, no eficiente usar uma fórmula de recursão. Em qualquer
cálculo de uma função de autocorrelação ou função de dado estágio, os coeficientes requeridos são todos po-
correlação cruzada usando a transformada de Fourier q
tências de um número complexo na forma WN, em que
discreta, uma sequência será transformada, as TFDs q depende do algoritmo e do estágio. Assim, se os coefi-
serão multiplicadas e depois o produto resultante será cientes são requeridos na ordem normal, podemos usar
antitransformado. Quando duas transformadas são co- a fórmula de recursão
locadas em cascata dessa forma, é possível, pela escolha q q q
apropriada dos algoritmos de FFT, evitar a necessidade WN = WN · WN(−1) (9.34)
de reversão de bits. Por exemplo, na implementação de para obter o -ésimo coeficiente a partir do ( – 1)-ési-
um filtro digital FIR usando a TFD, podemos escolher mo coeficiente. Evidentemente, os algoritmos que re-
um algoritmo para a transformada direta que utiliza os querem coeficientes na ordem bit-reversa não são bem
dados na ordem normal e fornece uma TFD na ordem adequados a essa técnica. Deve-se notar que a Equa-
bit-reversa. Ou o diagrama de fluxo correspondente à ção 9.34 é essencialmente o oscilador de forma acopla-
Figura 9.15, baseado em dizimação no tempo, ou aque- da do Problema 6.21. Quando é utilizada aritmética de
le da Figura 9.22, baseado em dizimação na frequência, precisão finita, erros podem se acumular na iteração
poderia ser usado dessa maneira. A diferença entre es- dessa equação de diferenças. Portanto, geralmente é
sas duas formas é que a forma por dizimação no tempo necessário redefinir o valor em pontos prescritos (por
requer os coeficientes na ordem bit-reversa, enquanto a exemplo, WNN/4 = −j), de modo que os erros não se tor-
forma por dizimação na frequência requer os coeficien- nem inaceitáveis.
tes na ordem normal.
Note que a Figura 9.11 utiliza coeficientes na 9.5 Algoritmos de FFT mais genéricos
ordem normal, enquanto a Figura 9.24 requer os coe-
ficientes na ordem bit-reversa. Se a forma do algo- Os algoritmos de potência de dois, discutidos com
ritmo por dizimação no tempo for escolhida para a detalhes nas seções 9.2 e 9.3, são simples, altamente efi-
transformada direta, então a forma do algoritmo por cientes e fáceis de programar. Porém, existem muitas
dizimação na frequência deverá ser escolhida para a aplicações em que algoritmos eficientes para outros va-
transformada inversa, exigindo coeficientes na ordem lores de N são muito úteis.
bit-reversa. Da mesma forma, o algoritmo por dizima-
ção na frequência para a transformada deverá ser em- 9.5.1 Algoritmos para valores compostos de N
parelhado com o algoritmo por dizimação no tempo Embora o caso especial em que N é uma potência
para a transformada inversa, que então utilizará coefi- de 2 resulte em algoritmos que possuem uma estrutura
cientes ordenados normalmente. particularmente simples, essa não é a única restrição so-
bre N que pode levar a cálculo reduzido para a TFD. Os
9.4.2 Coeficientes mesmos princípios que foram aplicados nos algoritmos
Observamos que coeficientes WNr (fatores de ro- de dizimação no tempo e dizimação na frequência com
tação) podem ser requeridos na ordem bit-reversa ou potência de dois podem ser empregados quando N é um
8 Esse número pode ser reduzido usando simetria em troca de maior complexidade no acesso aos valores desejados.
inteiro composto, isto é, o produto de dois ou mais fa- N são primos entre si, o número de multiplicações pode
tores inteiros. Por exemplo, se N = N1N2, é possível ex- ser reduzido ainda mais ao custo de uma indexação
pressar a TFD de N pontos ou como uma combinação de mais complicada. Os algoritmos de “fatores primos”
N1 TFDs de N2 pontos ou como uma combinação de N2 usam decomposições de índices diferentes daquelas nas
TFDs de N1 pontos, e assim obter reduções no número equações 9.35(a) e (b), de modo a eliminar os fatores
de cálculos. Para ver isso, os índices n e k são representa- de rotação na Equação 9.36, economizando assim uma
dos da seguinte forma: quantidade significativa de cálculo. Os detalhes dos al-
n1 = 0, 1, . . . , N1 − 1 goritmos mais genéricos de Cooley–Tukey e de fatores
n = N2 n1 + n2 (9.35a) primos são discutidos em Burrus e Parks (1985), Burrus
n2 = 0, 1, . . . , N2 − 1
(1988) e Blahut (1985).
k1 = 0, 1, . . . , N1 − 1 Como um exemplo do que pode ser obtido usan-
k = k1 + N1 k2 (9.35b)
k2 = 0, 1, . . . , N2 − 1. do tais algoritmos de fatores primos, considere as me-
dições mostradas na Figura 9.26. Essas medições do
Como N = N1N2, essas decomposições de índice
número de operações de ponto flutuante (FLOPS, do
garantem que n e k percorram todos os valores 0, 1, ...,
inglês floating-point operations) em função de N são
N − 1. Substituir essas representações de n e k na defini-
para a função fft( ) da Versão 5.2 do MATLAB.10
ção da TFD leva, após algumas manipulações, a
Como discutimos, o número total de operações em
X[k] = X[k1 + N1 k2 ] ponto flutuante deve ser proporcional a N log2 N para
N potência de dois e proporcional a N2 para o cálculo
N2 −1 N1 −1
kn kn kn direto. Para outros valores de N, o número total de ope-
= x[N2 n1 + n2 ]WN11 1WN1 2 WN22 2,
rações será dependente do número (e cardinalidade)
n2 =0 n1 =0
dos fatores.
(9.36) Quando N é um número primo, o cálculo direto
sendo k1 = 0, 1, ..., N1 − 1 e k2 = 0, 1, ..., N2 − 1. A parte é requerido e, portanto, o número de FLOPS será pro-
da Equação 9.36 dentro dos parênteses representa uma porcional a N 2. A curva superior (sólida) na Figura 9.26
TFD de N1 pontos, enquanto a soma externa correspon- representa a função
de a uma TFD de N2 pontos das saídas do primeiro con-
FLOPS(N) = 6N 2 + 2N(N − 1). (9.37)
junto de transformadas ocorrendo após a modificação
pelos fatores de rotação WNk1n2. Todos os pontos que caem nessa curva são para
Se N1 = 2 e N2 = N/2, a Equação 9.36 se reduz à valores de N que são números primos. A curva traceja-
decomposição do primeiro estágio do algoritmo de po- da inferior mostra a função
tência de dois com dizimação na frequência, represen-
FLOPS(N) = 6N log2 N. (9.38)
tado na Figura 9.19 da Seção 9.3, que consiste em N/2
transformadas de 2 pontos seguidas por duas transfor- Os pontos que caem nessa curva são todos tais
madas de N/2 pontos. Por outro lado, se N1 = N/2 e N2 = que N é uma potência de dois. Para outros números
2, a Equação 9.36 reduz-se à decomposição do primeiro compostos, o número de operações cai entre as duas
estágio do algoritmo da potência de dois com dizimação curvas. Para ver como a eficiência varia de um inteiro
no tempo, representado na Figura 9.4 da Seção 9.2, que para outro, considere os valores de N de 199 a 202. O
consiste em duas transformadas de N/2 pontos seguidas número 199 é primo, de modo que o número de ope-
por N/2 transformadas de 2 pontos.9 rações (318004) cai na curva máxima. O valor N = 200
Algoritmos de Cooley–Tukey para o composto tem a fatoração N = 2 · 2 · 2 · 5 · 5, e o número de ope-
geral de N são obtidos fazendo-se primeiro as trans- rações (27134) está perto da curva mínima. Para N =
formadas de N1 pontos e então aplicando novamente a 201 = 3 · 67, o número de FLOPS é 113788, e para
Equação 9.36 a outro fator restante N2 de N/N1 até que N = 202 = 2 · 101, o número é 167676. A grande diferen-
todos os fatores de N tenham sido usados. A aplicação ça entre N = 201 e N = 202 é porque uma transformada
repetida da Equação 9.36 leva a decomposições simila- de 101 pontos requer muito mais cálculo do que uma
res aos algoritmos de potência de dois. Esses algoritmos transformada de 67 pontos. Note também que, quan-
requerem apenas uma indexação um pouco mais com- do N tem muitos fatores pequenos (como N = 200),
plicada do que o caso da potência de 2. Se os fatores de a eficiência é muito maior.
9 Para que a Figura 9.4 seja uma representação exata da Equação 9.36, as borboletas de dois pontos do último estágio devem ser substituídas
pelas borboletas da Figura 9.10.
10 Esse gráfico foi criado com uma versão modificada de um programa escrito por C. S. Burrus. Como não é mais possível medir o número de
operações em ponto flutuante nas versões recentes do MATLAB, o leitor pode não conseguir repetir esse experimento.
Número de FLOPS 4
0
0 50 100 150 200 250
Comprimento N da transformada
Figura 9.26 Número de operações em ponto flutuante em função de N para a função fft() do MATLAB (versão 5.2).
Como preparação para interpretar a Equação 9.46 mas de radar, esses sinais são chamados de sinais chirp
como a saída de um sistema linear invariante no tempo, — daí o nome transformada chirp. Um sistema similar
obtemos uma notação mais familiar substituindo k por à Figura 9.28 é comumente utilizado no processamento
n e n por k na Equação 9.46: de sinais de radar e sonar para compressão de pulsos
(Skolnik, 2002).
N−1
2/ 2
2 Para o cálculo das amostras da transformada de
X(e j ω n) = W n g[k]W −(n−k) / 2 ,
Fourier especificado na Equação 9.47, precisamos ape-
k=0
nas calcular a saída do sistema da Figura 9.28 em um
n = 0, 1, . . . , M − 1. (9.47) intervalo finito. Na Figura 9.29, mostramos ilustrações
2 2
das sequências g[n], W−n /2 e g[n] * W−n /2. Como g[n]
Na forma da Equação 9.47, X(ejωn) corresponde à tem duração finita, somente uma parte finita da se-
2
convolução da sequência g[n] com a sequência W−n /2, 2
quência W−n /2 é usada na obtenção de g[n] * W−n /2 no
2
n 2/2
seguida por multiplicação pela sequência W . A se- intervalo n = 0, 1, ..., M − 1, especificamente, a parte de
quência de saída, indexada na variável independente n, n = −(N − 1) até n = M − 1. Vamos definir
é a sequência de amostras de frequência X(ejωn). Com
2/ 2
essa interpretação, o cálculo da Equação 9.47 é como W −n , −(N − 1) ≤ n ≤ M − 1,
2 h[n] = (9.48)
mostrado na Figura 9.28. A sequência W−n /2 pode ser 0, caso contrário,
entendida como uma sequência exponencial complexa
com frequência linearmente crescente nw. Em siste- como ilustrado na Figura 9.30. É facilmente verificável
considerando a representação gráfica do processo de
convolução que
2/2
W –n
2 /2
g[n] * W−n = g[n] * h[n], n = 0, 1, . . . , M − 1. (9.49)
x [n] g [n] X (e jω n )
Consequentemente, a resposta ao impulso de du-
2
2 /2 2 /2
ração infinita W−n /2 no sistema da Figura 9.28 pode ser
e –jω 0 n W n Wn
substituída pela resposta ao impulso de duração finita
Figura 9.28 Diagrama de blocos do algoritmo da transformada chirp. da Figura 9.30. O sistema fica assim como indicado na
g [n]
0 n
(N – 1)
(a)
2 /2
W –n
... ...
0 n
(b)
2 /2
g [n] * W –n
... ...
0 n
(M – 1)
(c)
Figura 9.29 Exemplo das sequências usadas no algoritmo da transformada chirp. Note que as sequências realmente envolvidas têm valor com
2 2 2
plexo. (a) g [n] = x[n]e–jω0n W n /2. (b) W–n /2. (c) g[n] ∗ W–n /2.
h [n]
0 n
–(N – 1) (M – 1)
Figura 9.30 Exemplo do intervalo de suporte para o filtro chirp FIR. Note que os valores de fato de h [n] como dados pela Equação 9.48 são
complexos.
Figura 9.31, em que h[n] é especificada pela Equação Como tanto o fator de demodulação chirp na saída
9.48 e as amostras de frequência são dadas por quanto o sinal de saída também são atrasados de (N − 1)
amostras, os valores da transformada de Fourier são
X(ejωn) = y[n], n = 0, 1, . . . , M − 1. (9.50)
X(ejωn) = y1[n + N − 1], n = 0, 1, . . . , M − 1. (9.52)
O cálculo das amostras de frequência usando o
procedimento indicado na Figura 9.31 tem uma série Modificar o sistema da Figura 9.31 para a obten-
de vantagens em potencial. Em geral, não exigimos que ção de um sistema causal resulta no sistema da Figura
N = M, como nos algoritmos de FFT, e nem N nem M 9.32. Uma vantagem desse sistema reside no fato de
precisam ser números compostos. De fato, eles podem que ele envolve a convolução do sinal de entrada (mo-
ser números primos, se desejado. Além disso, o parâ- dulado com um chirp) com uma resposta ao impulso
metro ω0 é arbitrário. Essa flexibilidade aumentada em fixa, causal. Certas tecnologias, como os dispositivos
relação à FFT não impede o cálculo eficiente, pois a con- de carga acoplada (CCD, do inglês charge-coupled de-
volução na Figura 9.31 pode ser implementada eficien- vices) e dispositivos de onda acústica superficial (SAW,
temente usando um algoritmo de FFT com a técnica da do inglês surface acoustic wave), são particularmente
Seção 8.7 para calcular a convolução. Como discutimos
úteis na implementação da convolução com uma res-
naquela seção, o comprimento da FFT precisa ser maior
posta ao impulso fixa, pré-especificada. Esses disposi-
ou igual a (M + N − 1) para que a convolução circular
tivos podem ser usados para implementar filtros FIR,
seja igual a g[n]*h[n] para 0 ≤ n ≤ M − 1. Fora isso, o
com a resposta ao impulso do filtro sendo especificada
comprimento da FFT é arbitrário e pode, por exemplo,
no momento da fabricação por um padrão geométrico
ser escolhido de forma a ser uma potência de 2. É inte-
ressante notar que os algoritmos de FFT usados para de eletrodos. Uma abordagem similar foi seguida por
calcular a convolução implicada pelo CTA poderiam ser Hewes, Broderson e Buss (1979) na implementação do
do tipo Winograd. Esses mesmos algoritmos utilizam a CTA com CCDs.
convolução para implementar o cálculo da TFD. Simplificações adicionais do CTA resultam quan-
No sistema da Figura 9.31, h[n] é não causal e, para do as amostras em frequência a serem calculadas cor-
certas implementações em tempo real, deve ser modifi- respondem à TFD, isto é, quando ω0 = 0 e W = e−j2π/N,
cada para se obter um sistema causal. Como h[n] tem de modo que ωn = 2πn/N. Nesse caso, é conveniente
duração finita, essa modificação é facilmente executada modificar o sistema da Figura 9.32. Especificamente,
atrasando-se h[n] de (N − 1), para se obter uma resposta com ω0 = 0 e W = e−j2π/N = WN, considere a aplicação
ao impulso causal: de uma unidade de atraso adicional à resposta ao im-
2/ 2 pulso da Figura 9.32. Com N par, WNN = ej2π = 1, de
h1 [n] = W −(n−N+1) , n = 0, 1, . . . , M + N − 2,
modo que
0, caso contrário.
(9.51) −(n−N)2 / 2 −n2 / 2
WN = WN . (9.53)
h[n] h1[n]
x[n] g [n] y [n] x[n] g [n] y1[n]
2 /2 2 /2 2 /2 2 /2
e –jω 0 n W n Wn e – jω 0 n W n W (n – N + 1)
Figura 9.31 Diagrama de blocos do sistema de transformada chirp Figura 9.32 Diagrama de blocos do sistema de transformada chirp
para uma resposta ao impulso com comprimento finito. para resposta ao impulso causal de comprimento finito.
11 Na realidade, devemos discutir transbordamento em termos das partes real e imaginária dos dados, e não em termos da magnitude. Porém,
|x| < 1 implica que |Re{x}| < 1 e |Im{x}| < 1, e consegue-se apenas um pequeno aumento no nível de sinal permitido acertando-se a escala
com base nas partes real e imaginária.
Para expressar essa restrição como um limite para Combinando as equações 9.59 e 9.67, obtemos
a sequência de entrada, notamos que a condição
E{| F [k]| 2 }
1 = 3N 2 σB2 = N 2 2−2B . (9.68)
|x[n]| < , 0 ≤ n ≤ N − 1, (9.62) E{| X[k]| 2 }
N
De acordo com a Equação 9.68, a relação ruído-si-
é necessária e suficiente para garantir que nal aumenta com N2, ou 1 bit por estágio. Isto é, se N for
|X[k]| < 1, 0 ≤ k ≤ N − 1. (9.63) duplicado, correspondendo ao acréscimo de mais um
estágio à FFT, então, para manter a mesma relação ruí-
Isso segue da definição da TFD, pois do-sinal, 1 bit precisa ser acrescentado ao comprimento
N−1 N−1 do registrador. A hipótese de um sinal de entrada ruído
|X[k]| = x[n]WNkn ≤ |x[n]| k = 0, 1, . . . N − 1. branco, de fato, não é crítica aqui. Para uma variedade
n=0 n=0 de outras entradas, a relação ruído-sinal ainda é propor-
(9.64) cional a N2, com uma mudança apenas na constante de
Assim, a Equação 9.62 é suficiente para garantir proporcionalidade.
que não haverá transbordamento em todos os estágios A Equação 9.61 sugere um procedimento alterna-
do algoritmo. tivo para o ajuste de escala. Como a magnitude máxima
Para obter uma expressão explícita para a relação não aumenta por um fator maior do que 2 de um es-
ruído-sinal na saída do algoritmo de FFT, considere uma tágio para outro, podemos impedir o transbordamento
entrada em que valores de sequência sucessivos sejam impondo que |x[n]| < 1 e incorporando uma atenuação
1
descorrelacionados, isto é, um sinal de entrada ruído de 2 na entrada de cada estágio. Nesse caso, a saída con-
branco. Além disso, suponha que as partes real e ima- sistirá na TFD multiplicada por 1/N. Embora o sinal de
ginária da sequência de entrada sejam descorrelaciona- saída quadrático médio seja 1/N vezes o que seria se
das e que cada uma √ tenha uma densidade de amplitude nenhuma mudança de escala fosse introduzida, a am-
√
uniforme entre −1/( 2N ) e +1/( 2N ). (Note que esse plitude da entrada pode ser N vezes maior sem causar
sinal satisfaz a Equação 9.62.) Então, a magnitude qua- transbordamento. Para o sinal de entrada ruído bran-
drática média da sequência de entrada complexa é co, isso significa que podemos considerar que as partes
1 real√e imaginária
√ estão uniformemente distribuídas de
E{| x[n]| 2 } = = σx2 . (9.65) −1/ 2 a 1/ 2 , de modo que |x[n]| < 1. Assim, com as ν
3N 2
divisões por 2, o máximo valor esperado da magnitude
A TFD da sequência de entrada é ao quadrado da TFD que pode ser obtido (para o sinal
N−1 de entrada ruído branco) é o mesmo dado na Equação
X[k] = x[n]W kn, (9.66) 9.67. Porém, o nível de ruído na saída será muito menor
n=0 do que na Equação 9.59, pois o ruído introduzido nos
da qual pode-se mostrar que, sujeito às hipóteses ante- primeiros estágios da FFT será atenuado pela mudança
riores sobre a entrada, de escala que ocorre nos vetores posteriores. Especi-
N−1 ficamente, com a multiplicação por 1/2 introduzida na
E{| X[k]| 2 } = E{| x[n]| 2 }| W kn| 2 entrada de cada borboleta, modificamos a borboleta da
n=0 (9.67) Figura 9.36 para a da Figura 9.38, em que, em particular,
1 duas fontes de ruído estão agora associadas a cada bor-
= N σx2 = . boleta. Como antes, supomos que as partes real e imagi-
3N
[m, p]
1
2
Xm – 1[p] Xm [p]
1 r
W
2 N
Xm – 1[q] Xm [q]
[m, q]
Figura 9.38 Borboleta mostrando as multiplicações escalares e o ruído de arredondamento de ponto fixo associado.
nária dessas fontes de ruído sejam descorrelacionadas e um resultado proporcional a N em vez de a N2. Uma
também sejam descorrelacionadas com as outras fontes interpretação da Equação 9.72 é que a relação ruído-
de ruído e que as partes real e imaginária estejam distri- -sinal de saída aumenta com N, correspondendo a meio
buídas uniformemente entre ±(1/2) · 2−B. Assim, como bit por estágio, um resultado obtido inicialmente por
anteriormente, Welch (1969). É importante notar novamente que a hi-
pótese de um sinal ruído branco não é essencial na aná-
E{| ε[m, q]| 2 } = σB2 = 1
3 · 2− 2B = E{| ε[m, p ]| 2 }. (9.69) lise. O resultado básico de um aumento de meio bit por
Como as fontes de ruído são todas descorrela- estágio é válido para uma ampla classe de sinais, sendo
cionadas, a magnitude quadrática média do ruído em apenas a constante multiplicativa na Equação 9.72 de-
cada nó de saída novamente é a soma das contribuições pendente do sinal.
quadráticas médias de cada fonte de ruído no diagrama Também devemos notar que o fator dominante
de fluxo. Porém, diferentemente do caso anterior, a ate- que causa o aumento da relação ruído-sinal com N é
nuação que cada fonte de ruído experimenta por meio a diminuição no nível do sinal (exigida pela restrição
do diagrama de fluxo depende do vetor em que ela é de transbordamento) quando passamos de um estágio
originada. Uma fonte de ruído originando-se no m-ési- para outro. De acordo com a Equação 9.71, muito pou-
mo vetor se propagará para a saída com multiplicação co ruído (apenas um bit ou dois) está presente no vetor
por uma constante complexa com magnitude (1/2)ν−m−1. final. A maior parte do ruído foi deslocada para fora da
Examinando a Figura 9.34, vemos que, para o caso N = 8, palavra binária pelos ajustes de escala.
cada nó de saída se conecta a: Consideramos o cálculo direto com ponto fixo na
discussão anterior; isto é, apenas atenuações predefi-
1 borboleta originando-se no (ν − 1)-ésimo vetor, nidas foram permitidas, e não pudemos ajustar nova-
2 borboletas originando-se no (ν − 2)-ésimo vetor, mente a escala com base em um teste de transborda-
4 borboletas originando-se no (ν − 3)-ésimo vetor etc. mento. Evidentemente, se o hardware ou a facilidade
Para o caso geral com N = 2ν, cada nó de saída se de programação for tal que o cálculo direto com ponto
conecta a 2ν−m−1 borboletas e, portanto, a 2ν−m fontes de fixo tiver de ser usado, devemos, se possível, incorporar
ruído que se originam no m-ésimo vetor. Assim, em cada atenuadores de 1/2 em cada vetor, em vez de usar uma
nó de saída, a magnitude quadrática média do ruído é grande atenuação do vetor de entrada.
ν−1 Uma terceira técnica para evitar o transborda-
E{| F [k]| 2 } = σB2 2ν−m · (0,5)2ν−2m−2 mento consiste no uso do ponto flutuante em bloco.
m=0 Nesse procedimento, o vetor original é normalizado
ν−1 para a extremidade esquerda da palavra computacio-
= σB2 (0,5)ν−m−2 nal, com a restrição de que |x[n]| < 1; o cálculo pros-
m=0 segue em um modo de ponto fixo, exceto que, depois
(9.70) de cada adição, existe um teste de transbordamento.
ν−1
= σB2 · 2 0,5k Se o transbordamento for detectado, o vetor inteiro
k=0 é dividido por 2 e o cálculo continua. O número de
1 − 0,5ν divisões necessárias por 2 é contado para determinar
= 2σB2 = 4σB2 (1 − 0,5ν ). um fator de escala para o vetor final inteiro. A relação
1 − 0,5
ruído-sinal da saída depende muito de quantos trans-
Para um N grande, consideramos que 0,5ν (isto é, bordamentos ocorrem e em que estágio do cálculo eles
1/N) seja desprezível em comparação com a unidade, ocorrem. As posições e os instantes dos transborda-
de modo que mentos são determinados pelo sinal sendo transforma-
do; assim, para analisar a relação ruído-sinal em uma
E{| F [k]| 2 } _ 4σB2 = 4
· 2−2B , (9.71)
3 implementação de ponto flutuante em bloco da FFT,
que é muito menor do que a variância do ruído resul- precisaríamos conhecer o sinal de entrada.
tante quando toda a mudança de escala é executada so- A análise anterior mostra que a mudança de esca-
bre os dados de entrada. la para evitar o transbordamento é o fator dominante
Agora, podemos combinar a Equação 9.71 com a para determinar a relação ruído-sinal das implemen-
Equação 9.67 para obter a relação ruído-sinal para o tações em ponto fixo dos algoritmos de FFT. Portan-
caso do ajuste de escala passo a passo e entrada branca. to, a aritmética de ponto flutuante deverá melhorar o
Obtemos desempenho desses algoritmos. O efeito do arredon-
damento de ponto flutuante sobre a FFT foi analisado
E{| F [k]| 2 } teórica e experimentalmente por Gentleman e Sande
= 12N σB2 = 4N · 2−2B , (9.72)
E{| X[k]| 2 } (1966), Weinstein e Oppenheim (1969) e Kaneko e Liu
(1970). Essas investigações mostram que, como o ajus- isto é, a entrada do programa é a sequência x[n], e a saída
te de escala não é mais necessário, o decréscimo da re- é a TFD X[k]. Mostre como as sequências de entrada e/ou
lação ruído-sinal com o aumento de N é muito menos saída podem ser rearranjadas de modo que o programa
também possa ser usado para calcular a TFD inversa
drástico do que para a aritmética de ponto fixo.
N−1
Por exemplo, Weinstein (1969) mostrou teori- 1
x[n] = X[k]e j (2π/N )kn , n = 0, 1, . . . , N − 1;
camente que a relação ruído-sinal é proporcional a ν N
k=0
para N = 2ν, em vez de proporcional a N, como no caso
isto é, a entrada do programa deverá ser X[k] ou uma se-
de ponto fixo. Portanto, quadruplicar ν (elevando N à
quência relacionada de forma simples com X[k], e a saída
quarta potência) aumenta a relação ruído-sinal em ape- deverá ser x[n] ou uma sequência relacionada de forma
nas 1 bit. simples com x[n]. Existem várias abordagens possíveis.
9.2. O cálculo da TFD geralmente requer multiplicações
9.8 Resumo complexas. Considere o produto X + jY = (A + jB)
(C + jD) = (AC − BD) + j (BC + AD). Nessa forma,
Neste capítulo, consideramos técnicas para o cál- uma multiplicação complexa requer quatro multiplica-
culo numérico da transformada de Fourier discreta e ções reais e duas adições reais. Verifique se uma multipli-
vimos como a periodicidade e a simetria do fator com- cação complexa pode ser realizada com três multiplica-
plexo e–j(2π/N)kn podem ser exploradas para o aumento ções reais e cinco adições usando o algoritmo
da eficiência dos cálculos da TFD. X = (A − B)D + (C − D)A,
Consideramos o algoritmo de Goertzel e o cálculo
Y = (A − B)D + (C + D)B.
direto da expressão da TFD devido à importância des-
sas técnicas quando nem todos os N valores da TFD são 9.3. Suponha que você reflita no tempo e atrase uma sequên-
requeridos. Porém, a maior ênfase foi nos algoritmos de cia real de 32 pontos x[n] para obter x1[n] = x[32−n]. Se
x1[n] for usada como entrada para o sistema na Figura
transformada de Fourier rápida (FFT). Descrevemos as
P9.4, encontre uma expressão para y[32] em termos de
classes de algoritmos de FFT com dizimação no tem- X(ejω), a TFTD da sequência original x[n].
po e dizimação na frequência em detalhes e algumas
considerações de implementação, como indexação e di- x [n] y[n]
gitalização de coeficientes. Grande parte da discussão 14 z –1
detalhada concentrou-se em algoritmos que requerem 2cos 7
32 – e –j 16
que N seja uma potência de 2, pois esses algoritmos são
fáceis de entender, simples de programar e usados com z –1
mais frequência.
O uso da convolução como base para calcular a –1
TFD foi discutido brevemente. Apresentamos uma bre-
ve visão geral do algoritmo de Winograd para a trans- Figura P9.4
formada de Fourier e, com um pouco mais de detalhes, 9.4. Considere o sistema mostrado na Figura P9.4. Se a en-
discutimos um algoritmo chamado de algoritmo da trada do sistema, x[n], for uma sequência de 32 pontos
transformada chirp. no intervalo 0 ≤ n ≤ 31, a saída y[n] em n = 32 é igual a
A última seção do capítulo discutiu os efeitos do X(ejω) calculada em uma frequência específica ωk. Qual
comprimento finito de palavras nos cálculos da TFD. é o ωk para os coeficientes mostrados na Figura P9.4?
Usamos modelos de ruído linear para mostrar que a 9.5. Considere o diagrama de fluxo de sinal na Figura P9.5.
Suponha que a entrada do sistema x[n] seja uma sequên-
relação ruído-sinal de um cálculo de TFD varia diferen-
cia de 8 pontos. Escolha os valores de a e b de modo que
temente com o comprimento da sequência, dependen- y[8] = X(ej6π/8).
do de como é feito o ajuste de escala. Também comen-
tamos rapidamente sobre o uso de representações de x [n] y[n]
ponto flutuante. z –1
a b
Problemas z –1
Problemas básicos com respostas –1
9.1. Suponha que um programa de computador esteja dispo-
nível para calcular a TFD Figura P9.5
N−1 9.6. Na Figura P9.6 é mostrada a representação gráfica de um
X[k] = x[n]e− j (2π/N)kn , k = 0, 1, . . . , N − 1; algoritmo de FFT com dizimação no tempo para N = 8.
n=0 A linha mais grossa mostra um caminho da amostra x[7]
à amostra X[2] da TFD.
x[0] X [0]
x[4] X [1]
–1
WN0
x[2] X [2]
–1
WN2
x[6] X [3]
–1 –1
WN0
x[1] X [4]
–1
WN1
x[5] X [5]
–1 –1
WN0 WN2
x[3] X [6]
–1 –1
WN2 WN3
x[7] X [7]
–1 –1 –1
Figura P9.6
(a) Qual é o “ganho” ao longo do caminho que está des- a quantidade apropriada para a amostra da TFD de
tacado na Figura P9.6? saída; isto é, verifique que
(b) Quantos outros caminhos no diagrama de fluxo N−1
começam em x[7] e terminam em X[2]? Isso é ver- X[2] = x[n]e− j (2π/N) 2n .
dade em geral? Ou seja, quantos caminhos existem n=0
entre cada amostra de entrada e cada amostra de 9.7. A Figura P9.7 mostra o diagrama de fluxo para um algoritmo
saída? de FFT com dizimação no tempo com 8 pontos. Seja x[n] a
(c) Agora considere a amostra da TFD X[2]. Traçan- sequência cuja TFD é X[k]. No diagrama de fluxo, A[·], B[·],
do caminhos no diagrama de fluxo da Figura P9.6, C[·] e D[·] representam vetores separados que são indexados
mostre que cada amostra de entrada contribui com consecutivamente na mesma ordem dos nós indicados.
B[0] C[0]
A [0] D [0]
Figura P9.7
(a) Especifique como os elementos da sequência x[n] 9.10. Um sinal de comprimento finito x[n] é não nulo no in-
devem ser colocados no vetor A[r], r = 0, 1, ..., 7. tervalo 0 ≤ n ≤ 19. Esse sinal é a entrada para o sistema
Além disso, especifique como os elementos da se- mostrado na Figura P9.10, em que
quência da TFD devem ser extraídos do vetor D[r], 2
r = 0, 1, ..., 7. h[n] = e j (2π/ 21)(n−19) / 2 , n = 0, 1, . . . , 28,
(b) Sem determinar os valores nos vetores intermediá- 0, demais valores.
rios, B[·] e C[·], determine e esboce a sequência do
vetor D[r], r = 0, 1, ..., 7, se a sequência de entrada for W = e−j ( 2π/ 21)
x[n] = (−WN)n, n = 0, 1, ..., 7. A saída do sistema, y[n], para o intervalo n = 19, ..., 28
(c) Determine e esboce a sequência C[r], r = 0, 1, ..., 7, pode ser expressa em termos da TFTD X(ejω) para valo-
se a transformada de Fourier da saída for X[k] = 1, res apropriados de ω. Escreva uma expressão para y[n]
k = 0, 1, ..., 7. nesse intervalo em termos de X(ejω).
9.8. Na implementação de um algoritmo de FFT, às vezes é útil
gerar as potências de WN com uma equação de diferenças h [n]
recursiva, ou oscilador. Neste problema, consideramos um x [n] y[n]
algoritmo com dizimação no tempo de raiz 2 para N = 2ν.
A Figura 9.11 representa esse tipo de algoritmo para N = 8.
Para gerar os coeficientes eficientemente, a frequência do 2 /2 2 /2
e –j (2/7)n W n W (n – 19)
oscilador deve mudar de um estágio para outro.
Suponha que os vetores sejam numerados de 0 a Figura P9.10
ν = log2 N, de modo que o vetor que contém a sequência
de entrada inicial seja o 0-ésimo vetor e a TFD esteja no
9.11. O diagrama de fluxo em borboleta da Figura 9.10 pode
v-ésimo vetor. Nas operações borboletas em dado está-
ser usado para calcular a TFD de uma sequência de com-
gio, todas as borboletas que exigem os mesmos coeficien-
primento N = 2ν “realizada localmente”, ou seja, usando
tes WNr são calculadas antes de se obterem novos coefi-
um único vetor de registradores com valor complexo.
cientes. Indexando-se no vetor, supomos que os dados no
Suponha que esse vetor de registradores A[] seja inde-
vetor estejam armazenados em registradores complexos
xado em 0 ≤ l ≤ N − 1. A sequência de entrada é armaze-
consecutivos, numerados de 0 a (N − 1). Todas as pergun-
nada inicialmente em A[] na ordem bit-reversa. O vetor
tas a seguir tratam do cálculo do m-ésimo vetor a partir
é então processado por ν estágios de borboletas. Cada
do (m – 1)-ésimo vetor, sendo 1 ≤ m ≤ ν. As respostas
borboleta toma dois elementos do vetor A[0] e A[1]
devem ser expressas em termos de m.
como entradas e então armazena suas saídas nas mes-
(a) Quantas borboletas devem ser calculadas no mas posições de vetor. Os valores de 0 e 1 dependem
m-ésimo estágio? Quantos coeficientes diferentes do número do estágio e da localização da borboleta no
são necessários no m-ésimo estágio? diagrama de fluxo do sinal. Os estágios do cálculo são
(b) Escreva uma equação de diferenças cuja resposta indexados por m = 1, ..., ν.
ao impulso h[n] contenha os coeficientes WNr exigi- (a) Determine |1 − 0| em função do número do está-
dos pelas borboletas no m-ésimo estágio. gio m.
(c) A equação de diferenças do item (b) deve ter a for- (b) Muitos estágios contêm borboletas com o mesmo
ma de um oscilador, isto é, h[n] deve ser periódico fator de “rotação” WNr . Para esses estágios, qual a
para n ≥ 0. Qual é o período de h[n]? Com base nis- distância entre os valores de 0 para as borboletas
so, escreva uma expressão para a frequência desse com o mesmo WNr?
oscilador em função de m.
9.12. Considere o sistema mostrado na Figura P9.12, com
9.9. Considere a borboleta da Figura P9.9. Essa borboleta foi
2
extraída de um diagrama de fluxo de sinal que imple-
h[n] = e j (2π/ 10)(n−11) / 2 , n = 0, 1, . . . , 15,
menta um algoritmo de FFT. Escolha a afirmação mais 0, demais valores.
precisa da lista a seguir:
1. A borboleta foi extraída de um algoritmo de FFT Deseja-se que a saída do sistema, y[n + 11] = X(ejωn), em
com dizimação no tempo. que ωn = (2π/19) + n(2π/10) para n = 0, ..., 4. Dê o valor
2. A borboleta foi extraída de um algoritmo de FFT correto para a sequência r[n] da Figura P9.12, de modo
com dizimação na frequência. que a saída y[n] forneça as amostras desejadas da TFTD.
3. Não é possível dizer, pela figura, de qual tipo de al-
goritmo de FFT a borboleta originou. h [n]
x [n] y[n]
2/2
r[n] e – j(2/10)(n – 11)
Figura P9.12
WN3 –1
9.13. Suponha que você queira ordenar uma sequência x[n]
Figura P9.9 de comprimento N = 16 na ordem bit-reversa para a
9.16. A borboleta na Figura P9.16 foi tirada de uma FFT com Problemas básicos
dizimação no tempo com N = 16. Suponha que os quatro 9.21. Na Seção 9.1.2, usamos o fato de que WN–kN = 1 para
estágios do diagrama de fluxo de sinal sejam indexados deduzir um algoritmo de recorrência para calcular um
por m = 1, ..., 4. Quais são os possíveis valores de r para valor de TFD específico X[k] para uma sequência de
cada um dos quatro estágios? comprimento finito x[n], n = 0, 1, ..., N − 1.
(a) Usando o fato de que WNkN = WNNn = 1, mostre que
X[N − k] pode ser obtida como saída após N ite-
rações da equação de diferenças representada na
Figura P9.21-1. Isto é, mostre que
X[N − k] = yk[N].
r
W16 –1
= X(e j ωk )
–1 ωk=(2π/N)k
N−1
Figura P9.21-2 = x[n]e−j (2π/N )kn k = 0, 1, . . . , N − 1. (P9.25-1)
n=0
9.22. Considere o sistema mostrado na Figura P9.22. O sub-
sistema de x[n] para y[n] é um sistema LIT causal que Além disso, um algoritmo de FFT é um modo eficiente
implementa a equação de diferenças de calcular os valores X[k].
Agora, considere uma sequência de comprimento finito
y[n] = x[n] + ay[n − 1]. x[n] cujo comprimento seja N amostras. Queremos cal-
x[n] é uma sequência de comprimento finito com com- cular X(z), a transformada z da sequência de compri-
primento 90, isto é, mento finito, nos seguintes pontos no plano z
9.28. Você precisa montar um sistema que calcule a TFD de g1[n] G1[k]
uma sequência de 4 pontos TFD de N
2
pontos
X[k]
x[0], x[1], x[2], x[3]. Combinação
g2[n]
Você pode adquirir qualquer número de unidades de TFD de N
2
cálculo ao custo unitário mostrado na Tabela 9.1. pontos G2[k]
Tabela 9.1
Figura P9.30
Módulo Custo unitário
Se g1[n] representa os valores com índice par de x[n], e
TFD de 8 pontos $1
g2[n] representa os valores de índice ímpar de x[n], isto
TFDI de 8 pontos $1 é, g1[n] = x[2n] e g2[n] = x[2n + 1], então X[k] será a
Somador $10 TFD de x[n].
Multiplicador $100 Ao usar o sistema da Figura P9.30, cometeu-se um erro
na formação de g1[n] e g2[n], de forma que g1[n] é incor-
retamente escolhido como os valores de índice ímpar e
Projete um sistema com o menor custo possível. Dese-
g2[n], como os valores de índice par, mas G1[k] e G2[k]
nhe o diagrama de blocos associado e indique o custo
ainda são combinados como na Figura P9.30, e o resul-
do sistema.
tado é a sequência incorreta X̂ [k]. Expresse X̂ [k] em
termos de X[k].
Problemas avançados 9.31. Na Seção 9.3.2, afirmou-se que a transposição do diagra-
ma de fluxo de um algoritmo de FFT também fosse o
9.29. Considere uma sequência de N pontos x[n] com TFD diagrama de fluxo de um algoritmo de FFT. O propósito
X[k], k = 0, 1, ..., N − 1. O algoritmo a seguir calcula deste problema é desenvolver esse resultado para os al-
os valores de TFD com índice par X[k], k = 0, 2, ..., goritmos de FFT de raiz 2.
N − 2, para N par, usando apenas uma única TFD de (a) A borboleta básica para o algoritmo de FFT de raiz
N/2 pontos: 2 com dizimação na frequência é representada na
1. Forme a sequência y[n] pelo aliasing no tempo, isto é, Figura P9.31-1. Esse diagrama de fluxo representa
as equações
x[n] + x[n + N/ 2], 0 ≤ n ≤ N/ 2 − 1,
y[n] =
0, demais valores. Xm[p] = Xm−1[p] + Xm−1[q],
organizada na ordem bit-reversa, e X0[r] = x[r], Uma segunda opção é começar com duas TFDs de 3
r = 0, 1, ..., N – 1; isto é, o 0-ésimo vetor é a se- pontos e depois usar os resultados para calcular a TFD
quência de entrada arranjada na ordem normal. de 6 pontos.
Se cada borboleta na Figura 9.22 fosse substituí- (c) Desenhe um fluxograma para mostrar o que uma
da pela borboleta apropriada na forma da Figura TFD de 3 pontos calcula. Além disso, preencha
P9.31, o resultado seria um diagrama de fluxo para todo o fluxograma da Figura P9.32-2 e explique re-
calcular a sequência x[n] (na ordem normal) a par- sumidamente como você deduziu a sua implemen-
tir da TFD X[k] (na ordem bit-reversa). Esboce o tação.
diagrama de fluxo resultante para N = 8.
(d) Quantas multiplicações complexas essa opção re-
(c) O diagrama de fluxo obtido no item (b) represen- quer?
ta um algoritmo TFD inverso, isto é, um algoritmo
para calcular X0
x0
N−1
1 −kn
x[n] = X[k]WN , n = 0, 1, . . . , N − 1. TFD de
N x2 X1
n=0 3 pontos
W6
Modifique o diagrama de fluxo obtido no item (b), x4 X2
de modo a calcular a TFD W6
2
N−1 x1
kn, X3
X[k] = x[n]WN k = 0, 1, . . . , N − 1, −1
n=0 TFD de
x3 3 pontos X4
4
em vez da TFD inversa. W6
(d) Observe que o resultado no item (c) é a transpo- x5 X5
sição do algoritmo de dizimação na frequência da W6
5
da, ele também introduz uma amplificação fixa que é Xm – 1[p] Xm [p]
independente do ângulo θ. Assim, se o algoritmo de
rotação CORDIC fosse usado para implementar as
multiplicações por WNr , a borboleta da Figura P9.34-1
seria substituída pela borboleta da Figura P9.34-2, em WNr
Xm – 1[q] Xm [q]
que G representa o fator de amplificação fixo de rota- –1
ção CORDIC. (Supomos que não haja erro na apro-
Figura P9.34-1
ximação do ângulo de rotação.) Se cada borboleta no
diagrama de fluxo do algoritmo de FFT com dizima-
ção na frequência for substituída pela borboleta da Xm – 1[p] Xm [p]
Figura P9.34-2, obteremos um algoritmo de FFT mo-
dificado para o qual o diagrama de fluxo seria como
mostra a Figura P9.34-3 para N = 8. A saída desse
algoritmo modificado não seria a TFD desejada. GWNr
Xm – 1[q] Xm [q]
–1
Figura P9.34-2
x [0] Y [0]
GWN0
x [1] Y[4]
–1
GWN0
x [2] Y[2]
–1
GWN2 GWN0
x [3] Y[6]
–1 –1
GWN0
x [4] Y[1]
–1
GWN1 GWN0
x [5] Y[5]
–1 –1
GWN2 GWN0
x [6] Y[3]
–1 –1
Figura P9.34-3
(a) Mostre que a saída do algoritmo de FFT modifica- senvolva um procedimento para calcular valores de X(z)
do é Y[k] = W[k]X[k], sendo X[k] a TFD correta da em 25 pontos espaçados uniformemente sobre um arco
sequência de entrada x[n] e W[k] uma função de G, de uma circunferência de raio 0,5, começando em um
N e k. ângulo de −π/6 e terminando em um ângulo de 2π/3. O
(b) A sequência W[k] pode ser descrita por uma regra comprimento da sequência é de 100 amostras.
particularmente simples. Encontre essa regra e in- 9.36. Considere uma sequência de 1024 pontos x[n] construí-
dique sua dependência com G, N e k. da pelo entrelaçamento de duas sequências de 512 pon-
(c) Suponha que queiramos pré-processar a sequência tos xe[n] e xo[n]. Especificamente,
de entrada x[n] para compensar o efeito do algo-
xe [n/ 2], se n = 0, 2, 4, . . . , 1022;
ritmo de FFT modificado. Determine um proce-
x[n] = xo[(n − 1)/ 2], se n = 1, 3, 5, . . . , 1023;
dimento para a obtenção de uma sequência x̂[n] a
0, para n fora do intervalo 0 ≤ n ≤ 1023.
partir de x[n], de modo que, se x̂[n] for a entrada
do algoritmo de FFT modificado, então a saída será Seja X[k] a TFD de 1024 pontos de x[n] e sejam Xe[k] e
X[k], a TFD correta da sequência original x[n]. Xo[k] as TFDs de 512 pontos de xe[n] e xo[n], respectiva-
9.35. Este problema lida com o cálculo eficiente das amostras mente. Dado X[k], gostaríamos de obter Xe[k] a partir
da transformada z de uma sequência de comprimento de X[k] de uma forma computacionalmente eficiente,
finito. Usando o algoritmo da transformada chirp, de- sendo que a eficiência de cálculo é medida em termos
do número total de multiplicações e adições complexas pontos x1[n] = x[2n] e x2[n] = x[2n + 1], sendo n = 0,
requeridas. Uma abordagem não muito eficiente é mos- 1, ..., (N/2) − 1. Determine X[k] em termos das
trada na Figura P9.36: TFDs de (N/2) pontos X1[k] e X2[k].
(e) Usando os resultados dos itens (b), (c) e (d), des-
X[k] TFDI de TFD de ˆ
X[k] creva um procedimento para calcular a TFD da se-
2 quência real de N pontos x[n] usando apenas um
1024 pontos 512 pontos
cálculo de FFT de N/2 pontos. Determine o número
de multiplicações e adições reais requerido por esse
Figura P9.36
procedimento e compare esses números com aque-
les requeridos se X[k] for determinada usando um
Especifique o algoritmo mais eficiente que puder (cer-
cálculo de FFT de N pontos com a parte imaginária
tamente, mais eficiente do que o diagrama de blocos da
fixa em zero.
Figura P9.36) para obter Xe[k] a partir de X[k].
9.38. Sejam x[n] e h[n] duas sequências de comprimento finito
9.37. Suponha que um programa esteja disponível para cal-
reais, tais que
cular a TFD de uma sequência complexa. Se quisermos
calcular a TFD de uma sequência real, podemos simples- x[n] = 0 para n fora do intervalo 0 ≤ n ≤ L − 1,
mente especificar a parte imaginária como zero e usar
o programa diretamente. Porém, a simetria da TFD de h[n] = 0 para n fora do intervalo 0 ≤ n ≤ P − 1.
uma sequência real pode ser usada para reduzir a quan- Queremos calcular a sequência y[n] = x[n] * h[n], em
tidade de operações. que * indica a convolução ordinária.
(a) Seja x[n] uma sequência real de comprimento N e (a) Qual é o comprimento da sequência y[n]?
X[k] sua TFD com as partes real e imaginária indi-
(b) Para o cálculo direto da soma de convolução, quan-
cadas por XR[k] e XI[k], respectivamente; isto é,
tas multiplicações reais são requeridas para cal-
X[k] = XR[k] + jXI[k]. cular todas as amostras não nulas de y[n]? A se-
guinte identidade pode ser útil:
Mostre que, se x[n] for real, então XR[k] = XR[N − k]
e XI[k] = −XI[N − k] para k = 1, ..., N − 1. N
N(N + 1)
(b) Agora, considere duas sequências reais x1[n] e x2[n] k= .
2
com TFDs X1[k] e X2[k], respectivamente. Seja g[n] k=1
a sequência complexa g[n] = x1[n] + jx2[n], com (c) Enuncie um procedimento para usar a TFD para
TFD correspondente G[k] = GR[k] + jGI[k]. Além calcular todas as amostras não nulas de y[n]. De-
disso, sejam GOR[k], GER[k], GOI[k] e GEI[k], res- termine o comprimento mínimo das TFDs e TFDs
pectivamente, a componente ímpar da parte real, a inversas em termos de L e P.
componente par da parte real, a componente ímpar (d) Suponha que L = P = N/2, em que N = 2ν é o com-
da parte imaginária e a componente par da parte primento da TFD. Determine uma fórmula para o
imaginária de G[k]. Especificamente, para 1 ≤ k ≤ número de multiplicações reais requeridas para cal-
N − 1, cular todos os valores não nulos de y[n] usando o
método do item (c) se as TFDs forem calculadas
GOR [k] = 21 {GR [k] − GR [N − k]}, usando um algoritmo de FFT com raiz 2. Use essa
GER [k] = 21 {GR [k] + GR [N − k]}, fórmula para determinar o valor mínimo de N para
o qual o método da FFT requer menos multiplica-
GOI [k] = 21 {GI [k] − GI [N − k]}, ções reais do que o cálculo direto da soma de con-
volução.
GEI [k] = 21 {GI [k] + GI [N − k]}, 9.39. Na Seção 8.7.3, mostramos que a filtragem linear inva-
riante no tempo pode ser implementada seccionando-se
e GOR[0] = GOI[0] = 0, GER [0] = GR[0], GEI[0] =
o sinal de entrada em segmentos de comprimento finito
GI [0]. Determine expressões para X1[k] e X2[k] em
e usando-se a TFD para implementar convoluções cir-
termos de GOR[k], GER[k], GOI[k] e GEI[k]. culares desses segmentos. Os dois métodos discutidos
(c) Suponha que N = 2ν e que um programa de FFT foram denominados métodos de sobreposição e soma e
com raiz 2 esteja disponível para calcular a TFD. sobreposição e armazenamento. Se as TFDs forem cal-
Determine o número de multiplicações reais e o culadas por meio do algoritmo de FFT, esses métodos de
número de adições reais requeridas para calcular seccionamento podem requerer menos multiplicações
tanto X1[k] como X2[k]: (i) usando o programa complexas por amostra de saída do que o cálculo direto
duas vezes (com a parte imaginária da entrada fixa da soma de convolução.
em zero) para calcular as duas TFDs de N pontos (a) Suponha que a sequência de entrada complexa x[n]
X1[k] e X2[k] separadamente e (ii) usando o esque- seja de duração infinita e que a resposta ao impulso
ma sugerido no item (b), que requer que apenas complexa h[n] tenha um comprimento de P amos-
uma TFD de N pontos seja calculada. tras, de modo que h[n] Z 0 somente para 0 ≤ n ≤ P − 1.
(d) Suponha que tenhamos apenas uma sequência real Além disso, suponha que a saída seja calculada pelo
de N pontos x[n], em que N é uma potência de 2. método de sobreposição e armazenamento, com as
Sejam x1[n] e x2[n] as duas sequências reais de N/2 TFDs de comprimento L = 2ν. Imagine também
que essas TFDs sejam calculadas por meio de um sobreposição e armazenamento é menos eficiente
algoritmo de FFT de raiz 2. Determine uma expres- do que o método direto. Se P = 500, para que valor
são para o número de multiplicações complexas re- de ν o método direto será mais eficiente?
queridas por amostra de saída em função de ν e P. (d) Suponha que o comprimento da FFT seja o dobro
(b) Suponha que o comprimento da resposta ao impul- do comprimento da resposta ao impulso (isto é,
so seja P = 500. Usando a fórmula obtida no item L = 2P) e que L = 2ν. Usando a fórmula obtida no
(a), faça um gráfico do número de multiplicações item (a), determine o menor valor de P para que o
por amostra de saída em função de ν para os valores método da sobreposição e armazenamento usando
de ν ≤ 20 para os quais o método de sobreposição a FFT requeira menos multiplicações complexas do
e armazenamento seja aplicável. Para que valor de que o método da convolução direta.
ν o número de multiplicações é mínimo? Compare 9.40. x[n] é uma sequência de 1024 pontos que é não nula
o número de multiplicações complexas por amostra somente para 0 ≤ n ≤ 1023. Seja X[k] a TFD de 1024
de saída para o método de sobreposição e armaze- pontos de x[n]. Dada X[k], queremos calcular x[n] nos
namento usando a FFT com o número de multipli- intervalos 0 ≤ n ≤ 3 e 1020 ≤ n ≤ 1023 usando o siste-
cações complexas por amostra de saída requeridas ma na Figura P9.40. Note que a entrada do sistema é a
para o cálculo direto da soma de convolução. sequência de coeficientes da TFD. Selecionando m1[n],
(c) Mostre que, para comprimentos grandes de FFT, o m2[n] e h[n], mostre como o sistema pode ser usado
número de multiplicações complexas por amostra para calcular as amostras desejadas de x[n]. Note que as
de saída é aproximadamente ν. Assim, além de um amostras y[n] para 0 ≤ n ≤ 7 deverão conter as amostras
determinado comprimento de FFT, o método de desejadas de x[n].
h [n]
s[n] = X[k]|k = n y[n] = x[((n + 1020))1024]
m1[n] m2[n]
Figura P9.40
9.41. Um sistema foi construído para calcular a TFD de 8 pon- impulso h[n], que seja nula fora do intervalo 0 ≤ n ≤ 63.
tos Y[0], Y[1], ..., Y[7] de uma sequência y[0], y[1], ..., O sinal de entrada (para o filtro FIR) x[n] é segmentado
y[7]. Porém, o sistema não está funcionando apropria- em um número infinito de blocos xi [n] de 128 pontos,
damente: somente as amostras pares da TFD, Y[0], Y[2], possivelmente sobrepostos, sendo i um inteiro e −∞ ≤ i
Y[4], Y[6], estão sendo calculadas corretamente. Para ≤ ∞, de modo que
ajudá-lo a resolver o problema, os dados que você pode
x[n], iL ≤ n ≤ iL + 127,
acessar são: xi [n] =
0, demais valores,
• as amostras pares (corretas) da TFD, Y[0], Y[2],
Y[4], Y[6]; em que L é um inteiro positivo.
• os 4 primeiros valores de entrada y[0], y[1], y[2], Especifique um método para calcular
y[3] (as outras entradas estão indisponíveis). yi [n] = xi [n] * h[n]
(a) Se y[0] = 1 e y[1] = y[2] = y[3] = 0, e Y[0] = Y[2]
= Y[4] = Y[6] = 2, quais são os valores que faltam, para qualquer i. Sua resposta deverá estar na forma
Y[1], Y[3], Y[5], Y[7]? Explique. de um diagrama de blocos que utilize apenas os tipos de
módulos mostrados nas figuras P9.42-1 e P9.42-2. Um
(b) Você precisa construir um sistema eficiente que cal-
cule as amostras ímpares Y[1], Y[3], Y[5], Y[7] para módulo pode ser usado mais de uma vez, ou pode não
qualquer conjunto de entradas. Os módulos com- ser usado.
putacionais que você tem disponível são uma TFD Os quatro módulos na Figura P9.42-2 ou usam FFTs de
de 4 pontos e uma TFDI de 4 pontos. Ambos são raiz 2 para calcular X[k], a TFD de N pontos de x[n], ou
gratuitos. Você pode comprar módulos de adição, usam FFTs inversas de raiz 2 para calcular x[n] a partir
subtração ou multiplicação por $ 10 cada. Projete de X[k].
um sistema com o menor custo possível que tome Sua especificação deve incluir os comprimentos das
como entrada FFTs e FFTIs usadas. Para cada módulo de “desloca-
mento de n0”, você também deverá especificar um valor
y[0], y[1], y[2], y[3], Y[0], Y[2], Y[4], Y[6]
para n0, a quantidade pela qual a sequência de entrada
e produza como saída deve ser deslocada.
Y[1], Y[3], Y[5], Y[7].
Deslocamento x1[n] Multiplicação
Esboce o diagrama de blocos associado e informe o x[n] de n0 x[n – n0] x1[n] x2[n]
custo total. x2[n]
9.42. Considere uma classe de algoritmos baseados em TFD
para implementar um filtro FIR causal com resposta ao Figura P9.42-1
x [0] X [0]
x [1] X [2]
x [2] X [4]
x [5] X[10]
x [6] X[12]
x [7] X[14]
x [8] X [1]
x[11] X[13]
x[12] X [3]
x[15] X[15]
Figura P9.45
(d) Determine o número de multiplicações reais reque- 9.46. No cálculo da TFD, é necessário multiplicar um número
ridas para implementar a transformada de 16 pon- complexo por outro número complexo cuja magnitude
tos quando o princípio da SRFFT for aplicado para seja unitária, isto é, (X + jY)ejθ. Claramente, essa mul-
calcular as outras TFDs na Figura P9.45. Compare tiplicação complexa muda apenas o ângulo do número
esse número com o número de multiplicações reais complexo, deixando a magnitude inalterada. Por esse
requeridas para implementar um algoritmo de dizi- motivo, as multiplicações por um número complexo ejθ
mação na frequência de raiz 2 com 16 pontos. Nos às vezes são chamadas de rotações. Nos algoritmos de
dois casos, suponha que multiplicações por WN0 não TFD e FFT, muitos ângulos θ diferentes podem ser ne-
sejam feitas. cessários. Porém, pode ser indesejável armazenar uma
tabela com todos os valores exigidos de sen θ e cos θ, e o (c) Esboce o diagrama de fluxo de sinais para a TFD de
cálculo dessas funções por uma série de potência requer N = 3, isto é, a borboleta de raiz 3.
muitas multiplicações e adições. Com o algoritmo COR- (d) Usando os resultados dos itens (a) e (b), esboce
DIC proposto por Volder (1959), o produto (X + jY)ejθ o diagrama de fluxo de sinais para o sistema que
pode ser calculado de modo eficiente por uma combina- constrói as sequências x1[n], x2[n] e x3[n] e depois
ção de adições, deslocamentos binários e pesquisa direta use as caixas TFD de 3 pontos nessas sequências
em tabelas pequena. para produzir X[k] para k = 0, ..., 8. Note que, para
(a) Defina θi = arctg(2−i). Mostre que qualquer ângulo que fique claro, você não deverá desenhar o diagra-
0 < θ < π/2 pode ser representado como ma de fluxo de sinais para as TFDs de N = 3 pontos,
mas simplesmente usar caixas indicadas com “TFD
M−1
de N = 3”. O interior dessas caixas é o sistema que
θ= αi θi + = θ̂ +
você desenhou para o item (c).
i=0
(e) A fatoração apropriada das potências de W9 no
em que αi = ±1 e o erro é limitado por sistema que você desenhou no item (d) permite
|| ≤ arctg(2−M). que esses sistemas sejam desenhados como TFDs
de N = 3, seguidas por fatores de “rotação” seme-
(b) Os ângulos θi podem ser calculados antecipadamen- lhantes àqueles no algoritmo de raiz 2. Redesenhe
te e armazenados em uma pequena tabela de com- o sistema no item (d) de modo que ele consista in-
primento M. Indique um algoritmo para a obtenção teiramente em TFDs de N = 3 com fatores de “ro-
da sequência {αi} para i = 0, 1, ..., M − 1, tal que tação”. Essa é a formulação completa da FFT com
αi = ±1. Use seu algoritmo para determinar a se- dizimação na frequência com raiz 3 para N = 9.
quência {αi} para representar o ângulo θ = 100π/512 (f) Quantas multiplicações complexas são requeridas
quando M = 11. para calcular uma TFD de 9 pontos usando uma im-
(c) Usando o resultado do item (a), mostre que a recursão plementação direta da equação da TFD? Contras-
X0 = X, te esse resultado com o número de multiplicações
complexas requeridas pelo sistema que você dese-
Y0 = Y, nhou no item (e). Em geral, quantas multiplicações
complexas são necessárias para a FFT de raiz 3 de
Xi = Xi−1 − αi−1Yi−12−i+1, i = 1, 2, . . . , M, uma sequência de comprimento N = 3ν?
9.48. Bluestein (1970) mostrou que, se N = M2, então o al-
Yi = Yi−1 + αi−1Xi−12−i+1, i = 1, 2, . . . , M, goritmo da transformada chirp tem uma implementação
produzirá o número complexo recursiva.
(a) Mostre que a TFD pode ser expressa como a con-
(XM + j YM ) = (X + j Y )GM e j θ̂ , volução
N−1
em que θ̂ = M−1 i=0 αi θi e GM são reais, positivos e X[k] = h∗ [k] (x[n]h∗ [n])h[k − n],
não dependem de θ. Ou seja, o número complexo n=0
original é girado no plano complexo por um ângulo
em que * indica conjugação complexa e
θ̂ e amplificado pela constante GM.
2
(d) Determine a constante de amplificação GM em fun- h[n] = ej(π/N)n , −∞ < n < ∞.
ção de M. (b) Mostre que os valores desejados de X[k] (isto é,
9.47. Na Seção 9.3, desenvolvemos o algoritmo de FFT com para k = 0, 1, ..., N − 1) também podem ser obtidos
dizimação na frequência para raiz 2, isto é, N = 2ν. É pos- pelo cálculo da convolução no item (a) para k = N,
sível formular um algoritmo similar para o caso geral de N + 1, ..., 2N − 1.
N = mν, sendo m um inteiro. Tal algoritmo é conhecido (c) Use o resultado do item (b) para mostrar que X[k]
como um algoritmo de FFT de raiz m. Neste problema, também é igual à saída do sistema mostrado na Fi-
examinaremos a FFT de raiz 3 com dizimação na fre- gura P9.48 para k = N, N + 1, …, 2N − 1, em que
quência para o caso em que N = 9, isto é, a sequência de ĥ[k] é a sequência de duração finita
entrada x[n] = 0 para n < 0 e n > 8.
2
(a) Formule um método para calcular as amostras da ĥ[k] = e j (π/N )k , 0 ≤ k ≤ 2N − 1
TFD X[3k] para k = 0, 1, 2. Considere definir X1[k] = 0, demais valores.
X(ejωk)|ωk =2πk/3. Como você pode definir uma se-
(d) Usando o fato de que N = M2, mostre que a fun-
quência temporal x1[n] em termos de x[n] tal que a
ção de sistema correspondente à resposta ao im-
TFD de 3 pontos de x1[n] seja X1[k] = X[3k]?
pulso ĥ[k] é
(b) Agora, defina uma sequência x2[n] em termos de
x[n], tal que a TFD de 3 pontos de x2[n] seja X2[k] = 2N−1
2
X[3k + 1] para k = 0, 1, 2. Similarmente, defina x3[n] Ĥ (z) = e j (π/N )k z−k
tal que sua TFD de 3 pontos X3[k] = X[3k + 2] para k=0
k = 0, 1, 2. Note que, agora, definimos a TFD de 9 M−1
2 1 − z−2M
2
Execute uma análise similar para o algoritmo com dizi- (f) Agora, seja y3[n] = y1[n] + jy2[n], em que
mação na frequência da Figura 9.22, obtendo equações
para a variância do ruído de saída e para a relação ruído- y1[n] = x1[n] + u3[n], y2[n] = x2[n] + u4[n],
-sinal para ajuste de escala na entrada e também para com
um ajuste de escala por 21 em cada estágio de cálculo.
9.54. Neste problema, consideramos um procedimento para u3[n] = x3[((n + 1))N] − x3[((n − 1))N],
calcular a TFD de quatro sequências reais de N pontos
simétricas ou antissimétricas usando apenas um cálculo u4[n] = x4[((n + 1))N] − x4[((n − 1))N],
de TFD de N pontos. Como estamos considerando ape- para n = 0, 1, ..., N − 1. Determine como obter
nas as sequências de comprimento finito, com simétricas X1[k], X2[k], X3[k] e X4[k] a partir de Y3[k]. (Note
e antissimétricas queremos dizer explicitamente simétri- que X3[0] e X4[0] não podem ser recuperados a par-
cas periódicas e antissimétricas periódicas, como defini- tir de Y3[k] e, se N é par, X3[N/2] e X4[N/2] também
do na Seção 8.6.4. Sejam x1[n], x2[n], x3[n] e x4[n] quatro não podem ser recuperados a partir de Y3[k].)
sequências reais de comprimento N e sejam X1[k], X2[k], 9.55. A entrada e a saída de um sistema linear invariante no
X3[k] e X4[k] as TFDs correspondentes. Supomos inicial- tempo satisfazem uma equação de diferenças da forma
mente que x1[n] e x2[n] sejam simétricas e que x3[n] e
N M
x4[n] sejam antissimétricas; isto é,
y[n] = aky[n − k] + bkx[n − k].
x1[n] = x1[N − n], x2[n] = x2[N − n], k=1 k=0
x3[n] = −x3[N − n], x4[n] = −x4[N − n], Suponha que um programa de FFT esteja disponível para
calcular a TFD de qualquer sequência de comprimento fi-
para n = 1, 2, ..., N − 1 e x3[0] = x4[0] = 0. nito com comprimento L = 2ν. Descreva um procedimen-
(a) Defina y1[n] = x1[n] + x3[n], e seja Y1[k] a TFD de to que utiliza o programa de FFT disponível para calcular
y1[n]. Determine como X1[k] e X2[k] podem ser re-
H(ej(2π/512)k) para k = 0, 1, ..., 511,
cuperados a partir de Y1[k].
(b) y1[n] como definida no item (a) é uma sequência em que H(z) é a função de sistema para esse sistema.
real com componente simétrica x1[n] e componen- 9.56. Suponha que queiramos multiplicar dois números muito
te antissimétrica x3[n]. De modo similar, definimos grandes (possivelmente, com milhares de bits de compri-
a sequência real y2[n] = x2[n] + x4[n], e seja y3[n] a mento) em um computador de 16 bits. Neste problema,
sequência complexa investigaremos uma técnica para fazer isso usando FFTs.
(a) Sejam p(x) e q(x) os dois polinômios
y3[n] = y1[n] + jy2[n].
L−1 M−1
Primeiro, determine como Y1[k] e Y2[k] podem ser p(x) = ai x i , q(x) = bi x i .
determinados a partir de Y3[k] e depois, usando os i=0 i=0
resultados do item (a), mostre como obter X1[k],
X2[k], X3[k] e X4[k] a partir de Y3[k]. Mostre que os coeficientes do polinômio r(x) =
p(x)q(x) podem ser calculados usando convolução
O resultado do item (b) mostra que podemos calcular a
circular.
TFD de quatro sequências reais simultaneamente com
(b) Mostre como calcular os coeficientes de r(x) usan-
apenas um cálculo de TFD de N pontos se duas sequên-
do um programa de FFT com raiz 2. Para que or-
cias forem simétricas e as outras duas forem antissimé-
dens de grandeza de (L + M) esse procedimento
tricas. Agora, considere o caso em que as quatro são si-
é mais eficiente do que o cálculo direto? Suponha
métricas; isto é,
que L + M = 2ν para algum inteiro ν.
xi[n] = xi[N − n], i = 1, 2, 3, 4, (c) Agora, suponha que queiramos calcular o produto
de dois inteiros binários positivos muito longos, u e
para n = 0, 1, ..., N − 1. Para os itens (c)-(f), suponha v. Mostre que seu produto pode ser calculado usan-
que x3[n] e x4[n] sejam reais e simétricas, e não antis- do a multiplicação polinomial e descreva um algo-
simétricas. ritmo para calcular o produto usando um algoritmo
(c) Considere uma sequência simétrica real x3[n]. Mos- de FFT. Se u é um número de 8000 bits e v é um
tre que a sequência número de 1000 bits, aproximadamente quantas
multiplicações e adições reais são necessárias para
u3[n] = x3[((n + 1))N] − x3[((n − 1))N]
calcular o produto u · v usando esse método?
é uma sequência antissimétrica; isto é, u3[n] = (d) Faça uma discussão qualitativa do efeito da aritmé-
−u3[N − n] para n = 1, 2, ..., N − 1 e u3[0] = 0. tica de precisão finita na implementação do algorit-
(d) Seja U3[k] a TFD de N pontos de u3[n]. Determine mo do item (c).
uma expressão para U3[k] em termos de X3[k]. 9.57. A transformada de Hartley discreta (DHT, do inglês
(e) Usando o procedimento do item (c), podemos discrete Hartley transform) de uma sequência x[n] de
formar a sequência real y1[n] = x1[n] + u3[n], em comprimento N é definida como
que x1[n] é a componente simétrica e u3[n] é a N−1
componente antissimétrica de y1[n]. Determine XH [k] = x[n]HN [nk], k = 0, 1, . . . , N − 1,
como X1[k] e X3[k] podem ser recuperadas a par- n=0
tir de Y1[k]. em que
HN[a] = CN[a] + SN[a], (b) Decompondo x[n] em seus pontos de índice par e
pontos de índice ímpar e usando a identidade dedu-
com
zida no item (a), deduza um algoritmo DHT rápido
CN [a] = cos(2πa/N), SN [a] = sen(2πa/N). baseado no princípio da dizimação no tempo.
9.58. Neste problema, escreveremos a FFT como uma se-
O Problema 8.68 explora as propriedades da transfor-
quência de operações matriciais. Considere o algo-
mada de Hartley discreta com detalhes, principalmente
ritmo de FFT com dizimação no tempo de 8 pontos,
sua propriedade de convolução circular.
mostrado na Figura P9.58. Sejam a e f os vetores de
(a) Verifique que HN[a] = HN[a + N] e a seguinte pro- entrada e saída, respectivamente. Suponha que a en-
priedade útil de HN[a]: trada esteja na ordem bit-reversa e que a saída esteja
HN [a + b] = HN[a]CN[b] + HN[−a]SN[b] na ordem normal (compare com a Figura 9.11). Sejam
b, c, d e e os vetores intermediários mostrados no dia-
= HN[b]CN[a] + HN[−b]SN[a]. grama de fluxo.
Figura P9.58
(a) Determine as matrizes F1, T1, F2, T2 e F3 de modo que dondamento introduzido durante um cálculo em ponto
b = F1a, flutuante pode corromper o resultado. Neste problema,
c = T1b, consideramos uma classe de algoritmos de FFT conhe-
d = F2c, cida como transformadas baseadas na teoria dos núme-
e = T2d, ros (NTTs, do inglês number-theoretic transforms), que
f = F3e. contorna essas desvantagens.
(b) A FFT total, tomando como entrada a e produzin- (a) Sejam x[n] e h[n] sequências de N pontos. Indique
do como saída f, pode ser descrita em notação ma- suas TFDs por X[k] e H[k], respectivamente. De-
tricial como f = Qa, em que duza a propriedade de convolução circular da TFD.
Especificamente, mostre que Y[k] = X[k]H[k], em
Q = F3T 2F 2T 1F 1. que y[n] é a convolução circular de N pontos de x[n]
e h[n]. Mostre que a propriedade de convolução cir-
Seja QH a transposição (Hermitiana) complexa da
cular é válida desde que WN na TFD satisfaça
matriz Q. Desenhe o diagrama de fluxo para a se-
quência de operações descrita por QH. O que essa N−1
nk = N, k = 0,
estrutura calcula? WN (P9.59-1)
0, k = 0.
(c) Determine (1/N)QH Q. n=0
9.59. Em muitas aplicações, existe uma necessidade de convo- A chave para definir as NTTs é encontrar um WN
luir sequências longas x[n] e h[n] cujas amostras sejam com valor inteiro que satisfaça a Equação P9.59-1.
inteiros. Como as sequências possuem coeficientes intei- Essa condição forçará a ortogonalidade dos veto-
ros, o resultado da convolução y[n] = x[n] * h[n] natural- res de base requeridos para que a TFD funcione de
mente também terá coeficientes inteiros. maneira apropriada. Infelizmente, não existe um
Uma desvantagem importante do cálculo da convolu- WN com valor inteiro que tenha essa propriedade
ção de sequências inteiras com FFTs é que os chips de para a aritmética com inteiros padrão.
aritmética de ponto flutuante são mais caros do que os Para contornar esse problema, as NTTs utilizam a
chips de aritmética inteira. Além disso, o ruído de arre- aritmética de inteiros definida com o módulo de
algum inteiro P. Ao longo deste problema, consi- 9.60. As seções 9.2 e 9.3 focam a transformada de Fourier rá-
deraremos que P = 17. Isto é, a adição e a multipli- pida para sequências em que N é uma potência de 2. Po-
cação são definidas como adição e multiplicação rém, também é possível encontrar algoritmos eficientes
de inteiros padrão, seguida pela redução módulo P para calcular a TFD quando o comprimento N tem mais
= 17. Por exemplo, ((23+18))17 = 7, ((10+7))17 = 0, de um fator primo, isto é, não pode ser expresso como
((23× 18))17 = 6 e ((10 × 7))17 = 2. (Basta calcular N = mν para algum inteiro m. Neste problema, você exa-
a soma ou o produto pelo modo normal e depois minará o caso no qual N = 6. As técnicas descritas se
tomar o resto módulo 17.) estendem facilmente para outros números compostos.
(b) Sejam P = 17, N = 4 e WN = 4. Verifique que Burrus e Parks (1985) discutem esses algoritmos com
mais detalhes.
N−1
nk = N, k = 0, (a) A chave para decompor a FFT para N = 6 é usar
WN
0, k Z 0. o conceito de um mapa de índices, proposto por
n=0 P Cooley e Tukey (1965) em seu artigo original sobre
a FFT. Especificamente, para o caso N = 6, repre-
(c) Sejam x[n] e h[n] as sequências
sentaremos os índices n e k como
x[n] = δ[n] + 2δ[n − 1] + 3δ[n − 2],
n = 3n1 + n2 para n1 = 0, 1; n2 = 0, 1, 2; (P9.60-1)
h[n] = 3δ[n] + δ[n − 1].
k = k1 + 2k2 para k1 = 0, 1; k2 = 0, 1, 2; (P9.60-2)
Calcule a NTT de 4 pontos X[k] de x[n] como se
segue: Verifique que usando cada valor possível de n1 e n2
produz-se cada valor de n = 0, ..., 5 uma, e apenas
N−1 uma, vez. Demonstre que o mesmo é verdadeiro
X[k] = nk .
x[n]WN para k com cada escolha de k1 e k2.
n=0 P (b) Substitua as equações P9.60-1 e P9.60-2 na defini-
ção da TFD para obter uma nova expressão para a
Calcule H[k] de modo similar. Além disso, calcule
TFD em termos de n1, n2, k1 e k2. A equação resul-
Y[k] = H[k]X[k]. Suponha que os valores de P, N e
tante deverá ter um somatório duplo sobre n1 e n2
WN sejam aqueles do item (a). Lembre-se de usar a
em vez de um somatório único sobre n.
aritmética de módulo 17 para cada operação duran-
te o cálculo, e não apenas no resultado final! (c) Examine cuidadosamente os termos com W6 de sua
equação. Você pode reescrever alguns deles como
(d) A NTT inversa de Y[k] é definida pela equação
expressões equivalentes em W2 e W3.
N−1 (d) Com base no item (c), agrupe os termos em sua
y[n] = (N)
−1 −nk
Y[k]WN . (P9.59-2) TFD de modo que o somatório em n2 esteja fora e o
k=0 P somatório em n1 esteja dentro. Você deve ser capaz
Para calcular essa quantidade apropriadamente, de escrever essa expressão de modo que possa ser
temos de determinar os inteiros (1/N)−1 e WN−1 de interpretada como três TFDs com N = 2, seguidas
modo que por alguns fatores de “rotação” (potências de W6),
seguidos por duas TFDs com N = 3.
(N)−1 N = 1, (e) Esboce o diagrama de fluxo de sinais implementan-
P
do sua expressão do item (d). Quantas multiplica-
−1 ções complexas são exigidas? Como isso se com-
WN WN = 1.
P
para com o número de multiplicações complexas
Use os valores de P, N e WN dados no item (a) e requeridas por uma implementação direta da equa-
determine os inteiros mencionados. ção da TFD para N = 6?
(e) Calcule a NTT inversa mostrada na Equação P9.59-2 (f) Encontre uma indexação alternativa similar às equa-
usando os valores de (N)−1 e WN−1 determinados no ções P9.60-1 e P9.60-2 que resulte em um diagrama
item (d). Verifique seu resultado calculando ma- de fluxo de sinais que seja composto de duas TFDs
nualmente a convolução y[n] = x[n] * h[n]. com N = 3 seguidas por três TFDs com N = 2.
Conversão
Filtro
de tempo TFD
passa-baixas
sc (t) contínuo para x[n] ν[n] V[k]
antialiasing xc (t) tempo discreto
Haa( j)
w [n]
Figura 10.1 Etapas de processamento da análise de Fourier em tempo discreto de um sinal de tempo contínuo.
Sc ( jΩ)
−Ω0 0 Ω0 Ω
(a)
1 Haa(jΩ)
−
π 0 π Ω
T (b) T
Xc ( jΩ)
π –Ω 0 Ω0 π Ω
−
T (c) T
X(e jω)
W(e jω)
−2π −π 0 π 2π ω
(e) 2π
N
−2π −π 0 π 2π ω
(f)
Figura 10.2 Exemplo das transformadas de Fourier do sistema da Figura 10.1. (a) Transformada de Fourier do sinal de entrada em tempo con-
tínuo. (b) Resposta em frequência do filtro antialiasing. (c) Transformada de Fourier da saída do filtro antialiasing. (d) Transformada de Fourier
do sinal amostrado. (e) Transformada de Fourier da janela. (f) Transformada de Fourier do segmento de sinal janelado e amostras de frequência
obtidas usando amostras da TFD.
π
diminui gradualmente em altas frequências, mas que frequência de corte do filtro. Como Haa(j) não pode
não é limitado em banda. Ela também indica a presença ser ideal, os componentes de Fourier da entrada na ban-
de uma energia de banda estreita no sinal, representada da de passagem e na banda de transição também serão
pelos picos estreitos. A resposta em frequência de um modificados pela resposta em frequência do filtro.
filtro antialiasing é ilustrada na Figura 10.2(b). Como A conversão de xc(t) para uma sequência de amos-
indicado na Figura 10.2(c), a transformada de Fourier tras x[n] é representada no domínio da frequência pela
de tempo contínuo resultante Xc(j) contém pouca in- replicação periódica, normalização na frequência e ajus-
formação útil sobre Sc(j) para frequências acima da te de escala de amplitude, isto é,
1 ∞
ω 2π r de frequência de tempo discreto normalizada e a va-
X (e j ω ) = Xc j +j . (10.1) riável de frequência de tempo contínuo é ω = T, as
T T T
r=−∞ frequências da TFD correspondem às frequências de
Isso é ilustrado na Figura 10.2(d). Em uma im- tempo contínuo
plementação prática, o filtro antialiasing não pode ter 2πk
atenuação infinita na banda de rejeição. Portanto, pode- k = . (10.5)
NT
mos esperar alguma sobreposição não nula das parcelas
na Equação 10.1, isto é, aliasing; porém, essa fonte de O uso dessa relação entre as frequências de tempo
erro pode se tornar insignificantemente pequena com contínuo e as frequências da TFD é ilustrado nos exem-
um filtro de tempo contínuo de alta qualidade ou com plos 10.1 e 10.2.
o uso de sobreamostragem inicial seguida por filtragem
passa-baixas em tempo discreto mais eficaz e dizima- Exemplo 10.1 Análise de Fourier usando a TFD
ção, como discutido na Seção 4.8.1. Se x[n] é um sinal
digital, de modo que a conversão A/D é incorporada no Considere um sinal de tempo contínuo xc(t) de banda li-
segundo sistema da Figura 10.1, então o erro de digita- mitada tal que Xc(j) = 0 para || ≥ 2π(2500). Queremos
lização também é introduzido. Como vimos na Seção usar o sistema da Figura 10.1 para estimar o espectro de
tempo contínuo Xc(j). Suponha que o filtro antialiasing
4.8.2, esse erro pode ser modelado como uma sequência
Haa(j) seja ideal e a taxa de amostragem do conversor
de ruído somada a x[n]. O ruído pode se tornar insigni- C/D seja 1/T = 5000 amostras/s. Se quisermos que as
ficante se for usada uma digitalização fina. amostras V[k] da TFD sejam equivalentes a amostras de
A sequência x[n] usualmente é multiplicada por Xc(j) que estão no máximo 2π(10) rad/s ou 10 Hz afasta-
uma janela de duração finita w[n], pois a entrada da TFD das, qual é o valor mínimo que devemos usar para o com-
deve ter duração finita. Isso produz a sequência de com- primento N da TFD?
primento finito v[n] = w[n]x[n]. O efeito no domínio da A partir da Equação 10.5, vemos que amostras adjacentes
na TFD correspondem a frequências de tempo contínuo
frequência é uma convolução periódica, isto é, separadas por 2π/(NT). Portanto, é necessário que
1 π
2π
V (e j ω ) = X (e j θ )W (e j(ω−θ) )dθ. (10.2) ≤ 20π,
2π −π NT
|W(e jω)|
64
–π 0 π ω
(d)
|V(e jω)|
32 40
2π
ω0 =
14
20
–π 0 π ω 4π
ω1 =
(a) 25
|V(e jω)|
32
–π 0 π ω
(e)
principal e os lóbulos laterais de W(ejω). No Capítu- lóbulo lateral é essencialmente independente do com-
lo 7, em um contexto de projeto de filtro, mostramos primento da janela e, portanto, depende somente de β.
que a largura do lóbulo principal e a amplitude rela- Isso foi confirmado por Kaiser e Schafer (1980), que
tiva do lóbulo lateral dependem principalmente do obtiveram a seguinte aproximação por mínimos qua-
comprimento L da janela e da forma (intensidade do drados para β em função de Asl:
decaimento) da janela. A janela retangular, que tem
0, Asl ≤ 13,26,
transformada de Fourier 0,4
0,76609(Asl − 13,26) +
L−1 β= 13,26 < Asl ≤ 60,
jω −j ωn −j ω(L −1)/2 sen(ωL/2) + 0,09834(Asl − 13,26),
Wr (e ) = e =e , (10.11)
sen(ω/2) 0,12438(Asl + 6,3), 60 < Asl ≤ 120.
n=0
tem o lóbulo principal mais estreito para determinado (10.13)
comprimento (ml = 4π/L), mas tem os maiores lóbu-
O uso dos valores de β da Equação 10.13 gera
los laterais de todas as janelas comumente utilizadas.
janelas com valores de lóbulo lateral efetivos que
Outras janelas discutidas no Capítulo 7 incluem as ja-
diferem em menos de 0,36 do valor de Asl usado na
nelas de Bartlett, Hann e Hamming. As TFTDs de to-
Equação 10.13 para todo o intervalo de 13,26 < Asl <
das essas janelas têm largura do lóbulo principal ml =
120. (Note que o valor 13,26 é a amplitude relativa do
8π/(L − 1), que é aproximadamente o dobro daquela
lóbulo lateral da janela retangular, a qual a janela de
da janela regular, mas elas têm amplitudes de lóbulo
Kaiser se reduz para β = 0.)
lateral significativamente menores. O problema com
todas essas janelas é que não há possibilidade de troca A Figura 10.4(c) também mostra que a largura
entre largura de lóbulo principal e amplitude de ló- do lóbulo principal é inversamente proporcional ao
bulo lateral, pois o comprimento da janela é o único comprimento da janela. A escolha entre a largura do
parâmetro variável. lóbulo principal, a amplitude relativa do lóbulo late-
ral e o comprimento da janela é exibida pela relação
Como vimos no Capítulo 7, a janela de Kaiser é
aproximada
definida por
24π(Asl + 12)
I0 [β(1 − [(n − α)/α]2 )1/2 ] L + 1, (10.14)
wK [n] = , 0 ≤ n ≤ L − 1, 155 ml
I0 (β)
0, caso contrário,
que também foi dada por Kaiser e Schafer (1980).
(10.12) As equações 10.12, 10.13 e 10.14 são as equações
sendo α = (L − 1)/2 e I0(·) a função de Bessel modifi- necessárias para determinar uma janela de Kaiser com
cada de ordem zero do tipo um. (Note que a notação os valores desejados de largura do lóbulo principal e a
da Equação 10.12 difere ligeiramente daquela da Equa- amplitude relativa de lóbulo lateral. O projeto de uma
ção 7.72 porque L denota o comprimento da janela na janela para os valores prescritos de Asl e ml requer
Equação 10.12, enquanto o comprimento da janela de simplesmente o cálculo de β a partir da Equação 10.13,
projeto de filtro na Equação 7.72 é indicado por M + 1.) o cálculo de L a partir da Equação 10.14 e o cálculo da
Já vimos, no contexto do problema de projeto de filtro, janela usando a Equação 10.12. Muitos dos exemplos
que essa janela tem dois parâmetros, β e L, que podem restantes deste capítulo usam a janela de Kaiser. Ou-
ser usados para a troca entre largura do lóbulo princi- tras janelas de análise espectral são consideradas por
pal e amplitude relativa dos lóbulos laterais. (Lembre- Harris (1978).
-se de que a janela de Kaiser se reduz à janela retan-
gular quando β = 0.) A largura do lóbulo principal ml 10.2.3 Efeito da amostragem espectral
é definida como a distância simétrica entre os cruza- Como já mencionamos anteriormente, a TFD da
mentos por zero centrais. O nível relativo do lóbulo sequência janelada v[n] fornece amostras de V (ejω) nas
lateral Asl é definido como a razão em dB da amplitu- N frequências de tempo discreto igualmente espaçadas
de do lóbulo principal e a amplitude do maior lóbulo ωk = 2πk/N, k = 0, 1, ..., N − 1. Estas são equivalentes às
lateral. Na Figura 10.4, que é exatamente a Figura 7.32, frequências de tempo contínuo k = (2πk)/(NT), para k
são mostradas as transformadas de Fourier de janelas = 0, 1, ..., N/2 (supondo que N seja par). Os índices k =
de Kaiser para diferentes comprimentos e diferentes N/2 + 1, ..., N − 1 correspondem às frequências de tem-
valores de β. No projeto de uma janela de Kaiser para po contínuo negativas −2π(N − k)/(NT). A amostragem
análise espectral, queremos especificar um valor dese- espectral, como imposta pela TFD, algumas vezes pode
jado de Asl e determinar o valor necessário de β. Na produzir resultados enganosos. Esse efeito é mais bem
Figura 10.4(c) é mostrado que a amplitude relativa do ilustrado por meio de um exemplo.
1,2
0,9
Amplitude
β=0
0,6 β=3
β=6
0,3
0 5 10 15 20
Amostras
(a)
−25
β=0
β=3
dB
−50
β=6
−75
−100
0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω)
(b)
−25
L = 11
L = 21
dB
−50
L = 41
−75
−100
0 0,2π 0,4π 0,6π 0,8π π
Frequência em radianos (ω)
(c)
Figura 10.4 (a) Janelas de Kaiser para β = 0, 3 e 6, e L = 21. (b) Transformada de Fourier correspondente às janelas em (a). (c) Transformadas
de Fourier das janelas de Kaiser com β = 6 e L = 11, 21 e 41.
1 30
Amplitude
Amplitude
20
0
n 10
–1
0
k,ωN/2π
–2 –10
0 32 64 0 32 64
(a) (b)
Amplitude
20
0
k,ωN/2π 10
–20 0
k,ωN/2π
–10
0 32 64 0 32 64
(c) (d)
2
Amplitude
0
k,ωN/2π
–2
–4
0 32 64
(e)
Figura 10.5 Sequência de cossenos e TFD com uma janela retangular para N = 64. (a) Sinal janelado. (b) Parte real da TFD. (c) Parte imaginária
da TFD. (d) Magnitude da TFD. (e) Fase da TFD. Note que a TFTD está sobreposta como a linha contínua clara.
real, a parte imaginária, a magnitude e a fase corresponden- é a escala normalizada definida especialmente, denotada
tes da TFD de comprimento N = 64. Observe que, como como ωN/(2π); isto é, N na escala de índice da TFD corres-
x[n] é real, X[N − k] = X *[k] e X(ej (2π−ω)) = X *(ejω); isto ponde a ω = 2π na escala de frequência convencional da
é, a parte real e a magnitude são funções pares, e a parte TFTD. Também seguimos essa convenção de sobreposição
imaginária e a fase são funções ímpares de k e ω. da TFTD nas figuras 10.6, 10.7, 10.8 e 10.9.
Nas figuras 10.5(b)-(e), o eixo horizontal (frequência) é indi- A magnitude da TFD na Figura 10.5(d) corresponde às
cado em termos do índice da TFD ou do número da amostra amostras de |V(ejω)| (a linha clara contínua), o que mostra a
de frequência k. O valor k = 32 corresponde a ω = π ou, de concentração esperada em torno de ω1 = 2π/7,5 e ω0 = 2π/14,
modo equivalente, = π/T. Como na convenção usual na as frequências dos dois componentes senoidais da entrada.
exibição da TFD de uma sequência de tempo, mostramos Especificamente, a frequência ω1 = 4π/15 = 2π(8,533...)/64
os valores da TFD no intervalo de k = 0 a k = N − 1, que se situa entre as amostras TFD correspondentes a k = 8
correspondem à exibição de amostras da TFTD na faixa de e k = 9. Da mesma forma, a frequência ω0 = 2π/14 = 2π
frequência de 0 a 2π. Por causa da periodicidade inerente (4,5714 ...)/64 se situa entre as amostras TFD corresponden-
da TFTD, a primeira metade desse intervalo corresponde
tes a k = 4 e k = 5. Note que as localizações em frequência
às frequências de tempo contínuo positivas, ou seja, entre
dos picos na curva cinza da Figura 10.5(d) estão entre as
zero e π/T, e a segunda metade do intervalo às frequências
amostras espectrais obtidas a partir da TFD. Em geral, as lo-
negativas, ou seja, entre −π/T e zero. Note a simetria pe-
calizações dos picos nos valores da TFD não necessariamen-
riódica par da parte real e da magnitude e a simetria perió-
te coincidem com as localizações em frequências exatas dos
dica ímpar da parte imaginária e da fase.
picos na TFTD, pois os picos espectrais verdadeiros podem
Lembre-se de que a TFD V[k] é uma versão amostrada da
se encontrar entre as amostras espectrais. De modo corres-
TFTD V(ejω). Sobreposta em cada TFD com uma linha cin-
za clara nas figuras 10.5(b)-(e) está a TFTD corresponden- pondente, como evidenciado na Figura 10.5(d), as amplitu-
te, isto é, Re{V(ejω)}, Im{V(ejω)}, |V(ejω)| e ARG{V(ejω)}, des relativas dos picos na TFD não necessariamente refleti-
respectivamente. A escala da frequência para essas funções rão as amplitudes relativas dos picos de espectro de |V(ejω)|.
Exemplo 10.5 Frequências do sinal que coincidem que, para essa escolha de parâmetros, a transformada de
exatamente com as frequências Fourier é exatamente nula nas frequências que são amos-
da TFD tradas pela TFD, exceto aquelas correspondentes a k = 4,
8, 64 − 8 e 64 − 4. Embora o sinal da Figura 10.6(a) te-
Considere a sequência nha conteúdo significativo em quase todas as frequências,
como evidenciado pela curva cinza na Figura 10.6(b), não
2π 2π vemos isso na TFD, em razão da amostragem do espectro.
cos
n + 0,75 cos n , 0 ≤ n ≤ 63,
v[n] =
16 8 Outra forma de ver isso é notar que a janela retangular de
0, caso contrário, (10.16) 64 pontos seleciona exatamente um número inteiro de pe-
como mostrado na Figura 10.6(a). Novamente, uma janela ríodos dos dois componentes senoidais na Equação 10.16.
retangular é usada com N = L = 64. Isso é muito similar A TFD de 64 pontos, então, corresponde à SFD desse sinal
ao exemplo anterior, exceto que, nesse caso, as frequências replicado com período 64. Esse sinal replicado terá apenas
dos cossenos coincidem exatamente com duas das frequên- quatro coeficientes SFD não nulos, correspondentes aos
cias da TFD. Especificamente, a frequência ω1 = 2π/8 = dois componentes senoidais na Equação 10.16. Esse é um
2π8/64 corresponde exatamente à amostra TFD k = 8, e a exemplo de como a hipótese inerente de periodicidade dá
frequência ω0 = 2π/16 = 2π4/64, à amostra TFD k = 4. uma resposta correta a um problema diferente. Estamos
interessados no caso de comprimento finito, e os resulta-
A magnitude da TFD de 64 pontos de v[n] para este
dos são bastante enganosos desse ponto de vista.
exemplo é mostrada na Figura 10.6(b) e corresponde às
amostras de |V(ejω)| (que novamente é sobreposta com Para ilustrar ainda mais esse ponto, podemos estender v[n]
uma linha clara) em um espaçamento de frequência de na Equação 10.16 ao preenchermos com zeros para obter-
2π/64. Embora os parâmetros de sinal no Exemplo 10.4 mos uma sequência de 128 pontos. A TFD de 128 pontos
sejam muito similares, o resultado da TFD para este correspondente é mostrada na Figura 10.7. Com essa amos-
exemplo é visivelmente diferente. Em particular, para tragem mais fina do espectro, a presença de conteúdo signi-
este exemplo, a TFD tem duas raias espectrais pronun- ficativo em outras frequências se torna aparente. Nesse caso,
ciadas nas amostras correspondentes às frequências dos o sinal janelado não é de fato periódico com período 128.
dois componentes senoidais no sinal e nenhum conteúdo
de frequência nos outros valores da TFD. De fato, essa
aparência limpa da TFD na Figura 10.6(b) é, em grande 40 |V[k]|, |V(e jω)|
parte, uma ilusão resultante da amostragem do espec-
tro. Comparando as figuras 10.6(b) e (c), podemos ver 30
Amplitude
10
v[n] k,ωN/2π
2 0
0 64 128
1
Amplitude
Figura 10.7 TFD do sinal mostrado na Figura 10.6(a), mas com o do-
0
n bro do número de amostras de frequências usadas na Figura 10.6(b).
−1
Nas figuras 10.5, 10.6 e 10.7, as janelas são retangu-
−2 lares. No próximo conjunto de exemplos, ilustramos o
0 32 64
(a) efeito de diferentes escolhas para a janela.
40 |V[k]|, |V(ejω)|
30
Exemplo 10.6 Análise da TFD de sinais senoidais
Amplitude
2 v[n]
largura do lóbulo principal da transformada de Fourier da
1 janela dobre, e na Figura 10.8(d) isso é confirmado. Es-
Amplitude
15
Amplitude
Amplitude
5 10
5
k,ωN/2π k,ωN/2π
0 0
0 16 32 0 k0 k 1 1024 2048
(a) (a)
20
10 |V[k]|, |V(e jω)| 15
Amplitude
Amplitude
10
5
5
k,ωN/2π
0
k,ωN/2π 0 k0 k 1 1024 2048
0 (b)
0 32 64 20
(b)
15
Amplitude
10 |V[k]|, |V(e jω)|
10
Amplitude
5
5
k,ωN/2π
0
0 k0 k 1 1024 2048
k,ωN/2π (c)
0
0 64 128
Figura 10.10 Exemplo do cálculo da TFD para N L com interpolação
(c)
linear para gerar uma curva suave: (a) N = 1024, L = 32. (b) N = 1024,
Figura 10.9 Exemplo do efeito do comprimento da TFD para a janela L = 42. (c) N = 1024, L = 64. (Os valores k0 = 146 ≈ 2048/14 e k1 =
de Kaiser de comprimento L = 32. (a) Magnitude da TFD para N = 32. 273 ≈ 4096/15 são as frequências de TFD mais próximas de ω0 = 2π/14
(b) Magnitude da TFD para N = 64. (c) Magnitude da TFD para N = 128. e ω1 = 4π/15 quando o comprimento da TFD é N = 2048.)
aplicação do preenchimento com zeros é comum, para suave quando os pontos são conectados por segmentos de
que o espectro seja suficientemente sobreamostrado e reta. Na Figura 10.10(a), em que L = 32, os dois componen-
características importantes, portanto, fiquem prontamen- tes senoidais não são resolvidos, e, naturalmente, o aumento
te aparentes. Com um preenchimento adequado de zeros do comprimento da TFD apenas resultará em uma curva
mais suave. Porém, à medida que o comprimento da janela
no domínio do tempo ou de sobreamostragem no domí- aumenta de L = 32 para L = 42, vemos uma melhoria em
nio da frequência, a interpolação simples (por exemplo, nossa capacidade de distinguir as duas frequências e as am-
a interpolação linear) entre os valores da TFD fornece plitudes relativas aproximadas de cada componente senoi-
uma imagem razoavelmente precisa do espectro de Fou- dal. As linhas tracejadas em todas as figuras indicam os ín-
rier, que pode então ser usada, por exemplo, para estimar dices da TFD k0 = 146 ≈ 2048/14 e k1 = 273 ≈ 4096/15, que
correspondem às frequências da TFD mais próximas (N =
as posições e as amplitudes dos picos do espectro. Isso é
2048) para os componentes do cosseno. Note que a TFD
ilustrado no exemplo a seguir. de 2048 pontos na Figura 10.10(c) seria muito mais eficien-
te para localizar com precisão o pico da transformada de
Exemplo 10.8 Sobreamostragem e interpolação Fourier janelada do que a TFD com amostras espaçadas na
linear para estimação de frequência Figura 10.8(b), que também é calculada com uma janela de
Kaiser com 64 pontos. Note também que as amplitudes dos
Na Figura 10.10 é mostrado como uma TFD de 2048 pontos dois picos na Figura 10.10 estão muito próximas da relação
pode ser usada na obtenção do cálculo finamente espaçado correta de 0,75 e 1.
da transformada de Fourier de um sinal janelado e como
o aumento da largura da janela melhora a capacidade de
resolução de componentes senoidais próximos uns dos ou- 10.3 Transformada de Fourier
tros. O sinal do Exemplo 10.6, tendo frequências 2π/14 e
4π/15, foi janelado, com janelas de Kaiser de comprimentos
dependente do tempo
L = 32, 42 e 64, com β = 5,48. Primeiro, observe que, em Na Seção 10.2, ilustramos o uso da TFD para a ob-
todos os casos, a TFD de 2048 pontos gera um resultado tenção de uma representação no domínio da frequência
de um sinal composto de componentes senoidais. Nessa em que A0 tem unidade radianos/s2. (Esses sinais são cha-
discussão, supusemos que as frequências dos cossenos mados de chirps — gorjeios — porque, na faixa de fre-
não mudam com o tempo, de modo que, independendo quências audíveis, pulsos curtos têm um som semelhante
da duração da janela, as propriedades do sinal (ampli- a gorgeios de pássaros.) O sinal xc(t) na Equação 10.19 é
tudes, frequências e fases) são as mesmas do início até um membro da classe mais geral dos sinais de frequência
modulada (FM) para os quais a frequência instantânea é
o fim da janela. Janelas longas fornecem melhor reso-
definida como a derivada em relação ao tempo do argu-
lução de frequência, mas em aplicações práticas de mo- mento de cosseno θ(t). Portanto, nesse caso, a frequência
delos de sinal senoidais, as propriedades do sinal (por instantânea é
exemplo, amplitude, frequência) muitas vezes mudam dθ(t) d
i (t) = = A0 t 2 = 2A0 t, (10.20)
com o tempo. Por exemplo, modelos de sinais não es- dt dt
tacionários desse tipo são necessários para descrever que varia proporcionalmente ao tempo; daí a designação
sinais de radar, sonar, voz e comunicação de dados. Isso como um sinal chirp linear. Se amostramos xc(t), obtere-
conflita com o uso de janelas de análise longas. Uma mos o sinal chirp linear de tempo discreto3
única estimativa com a TFD não é suficiente para des- x[n] = xc(nT) = cos(A0T 2n2) = cos(α0n2), (10.21)
crever esses sinais e, como resultado, somos levados em que α0 = A0T 2 tem unidade radianos. A frequência
ao conceito da transformada de Fourier dependente do instantânea do sinal chirp amostrado é normalizada em
tempo, também conhecida como transformada de Fou- frequência, versão amostrada da frequência instantânea
rier de curto prazo.1 do sinal de tempo contínuo; isto é,
Definimos a transformada de Fourier dependente ωi [n] = i(nT) · T = 2A0T 2n = 2α0n, (10.22)
do tempo de um sinal x[n] como que mostra o mesmo aumento proporcional com o índice
∞ da amostra n, com α0 controlando a taxa de aumento. Na Fi-
X[n, λ) = x[n + m]w[m]e−j λm , (10.18) gura 10.11 mostram-se dois segmentos de 1201 amostras do
sinal chirp amostrado da Equação 10.21 com α0 = 15π * 10–6.
m=−∞
(No gráfico, as amostras estão conectadas por segmentos de
sendo w[n] uma sequência janelada. Na representação reta.) Observe que, em um intervalo curto, o sinal parece ser
de Fourier dependente do tempo, a sequência unidi- senoidal, mas o espaçamento entre os picos se torna cada
mensional x[n], uma função de uma única variável dis- vez menor com o passar do tempo, indicando um aumento
creta, é convertida em uma função bidimensional da de frequência com o tempo.
variável de tempo n, que é discreta, e da variável de
frequência λ, que é contínua.2 Note que a transformada
de Fourier dependente do tempo é periódica em λ com w[m] x[320 + m]
período 2π; portanto, precisamos considerar apenas va-
lores de λ para 0 ≤ λ < 2π ou qualquer outro intervalo m
de comprimento 2π. 0 1200
A Equação 10.18 pode ser interpretada como a
TFTD do sinal deslocado x[n + m], analisado com a (a)
janela w[m]. A janela tem uma origem estacionária e,
w[m] x[720 + m]
conforme n muda, o sinal desliza pela janela, de modo
que, a cada valor de n, uma porção diferente do sinal
é tomada pela janela para a análise de Fourier. Como m
0 1200
uma ilustração, considere o exemplo a seguir.
(b)
Exemplo 10.9 T
ransformada de Fourier dependente
do tempo de um sinal chirp linear Figura 10.11 Dois segmentos do sinal chirp linear x[n] = cos(α0n 2)
para α0 = 15π * 10−6 com uma janela de Hamming sobreposta com
Um sinal chirp linear de tempo contínuo é definido como 400 amostras. (a) X [n, λ) em n = 320 representa a TFTD do traçado
superior multiplicado pela janela. (b) X [720, λ) representa a TFTD do
xc(t) = cos(θ(t)) = cos(A0t 2), (10.19)
traçado inferior multiplicado pela janela.
1 Outra discussão sobre a transformada de Fourier dependente do tempo pode ser encontrada em diversas referências, incluindo Allen e Rabi-
ner (1977), Rabiner e Schafer (1978), Crochiere e Rabiner (1983) e Quatieri (2002).
2 Denotamos a variável de frequência da transformada de Fourier dependente do tempo com λ para manter uma distinção da variável de fre-
quência da TFTD convencional, que denotamos com ω. Usamos a notação mista de colchete e parênteses X[n, λ) para lembrar que n é uma
variável discreta e λ é uma variável contínua.
3 Vimos sinais chirp exponenciais complexos lineares de tempo discreto no Capítulo 9, no contexto do algoritmo da transformada chirp.
A relação entre o sinal deslocado e a janela na análise de (c) são mostradas TFTDs usando uma janela de Hamming
Fourier dependente de tempo também é ilustrada na Fi- com 401 amostras para segmentos na forma de onda chirp
gura 10.11. Tipicamente, w[m] na Equação 10.18 tem com- em n = 5000 e 15000, respectivamente. Assim, nas figu-
primento finito em torno de m = 0, de modo que X[n, λ) ras 10.12(b) e (c) são mostrados [em função de λ/(2π)] os
mostra as características de frequência do sinal em torno valores de transformada de Fourier dependentes do tem-
do instante n. Na Figura 10.11(a) é mostrado x[320 + m] po |X[5000, λ)| e |X[15000, λ)|, respectivamente. Como o
em função de m para 0 ≤ m ≤ 1200 juntamente com uma comprimento de janela L = 401 é tal que o sinal não muda
janela de Hamming w[m] de comprimento L = 401 amos- muito a frequência no intervalo da janela, a transforma-
tras. A transformada dependente do tempo no instante n da de Fourier dependente do tempo rastreia muito bem
= 320 é a TFTD de w[m]x[320 + m]. De modo similar, a a variação da frequência. Note que, nas amostras 5000 e
Figura 10.11(b) mostra a janela e um segmento posterior 15000, esperaríamos um pico na transformada dependen-
do sinal chirp que começa na amostra n = 720. te do tempo em λ/(2π) = 0,00003π(5000)/(2π) = 0,075 e
Na Figura 10.12 ilustra-se a importância da janela na aná- λ/(2π) = 0,00003π(15000)/(2π) = 0,225, respectivamente.
lise de Fourier de tempo discreto de sinais variantes no Isso é confirmado observando as figuras 10.12(b) e (c).
tempo. Na Figura 10.12(a) mostra-se a TFTD de 20000
amostras (com uma janela retangular) do chirp de tempo
discreto. Nesse intervalo, a frequência instantânea norma- Exemplo 10.10 Esboçando X [n,λ): o espectrograma
lizada do chirp,
Na Figura 10.13, mostramos um gráfico em função do
fi[n] = ωi[n]/(2π) = 2α0n/(2π),
índice de tempo n e da frequência λ/(2π) da magnitu-
vai de 0 a 0,00003π(20000)/(2π) = 0,3. Essa variação da de da transformada de Fourier dependente do tempo,
frequência instantânea força a representação por TFTD, |Y [n, λ)|, para o sinal
que envolve apenas frequências fixas que atuam em todo
0 n<0
n, para incluir todas as frequências nesse intervalo e além
cos(α0 n2 ) 0 ≤ n ≤ 20000
dele, como fica evidente na Figura 10.12(a). Assim, a y[n] =
cos(0,2πn) 20000 < n ≤ 25000
TFTD de um segmento longo do sinal mostra apenas que
o sinal tem uma largura de banda ampla no sentido da cos(0,2πn) + cos(0,23πn) 25000 < n.
TFTD convencional. Por outro lado, nas figuras 10.12(b) e (10.23)
200
Magnitude
100
0
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
(a)
150
Magnitude
100
50
0
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
(b)
150
Magnitude
100
50
0
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
/ (2)
(c)
Figura 10.12 TFTDs dos segmentos de um sinal chirp linear: (a) TFTD de 20000 amostras do sinal x [n] = cos(α0n 2). (b) TFTD de x [5000 + m]w[m],
sendo w[m] uma janela de Hamming com comprimento L = 401; isto é, X[5000, λ). (c) TFTD de x [15000 + m]w[m], sendo w[m] uma janela de
Hamming com comprimento L = 401; isto é, X[15000, λ).
0,4
0,3
0,2
0,1
0
0 5000 10000 15000 20000 25000 30000
índice de amostra n
(a)
Espectrograma para janela de comprimento L = 101
0,5
0,4
0,3
0,2
0,1
0
0 5000 10000 15000 20000 25000 30000
índice de amostra n
(b)
Figura 10.13 Magnitude da transformada de Fourier dependente do tempo de y [n] da Equação 10.23: (a) Usando uma janela de Hamming de
comprimento L = 401. (b) Usando uma janela de Hamming de comprimento L = 101.
Note que o sinal y[n] é igual a x[n] da Equação 10.21 do traço escuro inclinado para o intervalo chirp é maior do
Exemplo 10.9 para 0 ≤ n ≤ 20000 e depois muda bruscamente que os traços horizontais que representam os intervalos
para componentes cossenoidais com frequências fixas para com frequência constante. Esse alargamento extra é cau-
n > 20000. Esse sinal foi projetado para frisar vários pontos sado pela variação de frequência ao longo da janela, e é
importantes da análise de Fourier dependente do tempo. uma versão em pequena escala do efeito visto na Figura
Primeiro, considere a Figura 10.13(a), em que é mostrada a 10.12(a), em que a variação ao longo da janela de 20000
transformada de Fourier dependente do tempo de y[n] no amostras é muito maior.
intervalo 0 ≤ n ≤ 30000 com uma janela de Hamming de A Figura 10.13(a) ilustra outro aspecto importante da análise
comprimento L = 401. Esse gráfico, em que é mostrado 20 de Fourier dependente no tempo. A janela de 401 amostras
log10 |Y[n, λ)| em função de λ/2π no eixo vertical e o índice fornece uma boa resolução de frequência em quase todos os
de tempo n no eixo horizontal, é chamado de espectrograma. instantes de tempo. Porém, note que em n = 20000 e 25000,
O valor 20 log10 |Y[n, λ)| em uma faixa até 50 dB é repre- as propriedades do sinal mudam abruptamente, de modo
sentado por tons de cinza em [n, λ). Os gráficos nas figuras que para um intervalo de cerca de 401 amostras em torno
10.12(b) e (c) (mostrados na Figura 10.12 como magnitude) desses instantes, a janela contém amostras dos dois lados da
são imagens de fatias verticais indicadas nas posições das mudança. Isso leva à área difusa em que as propriedades do
linhas tracejadas em n = 5000 e n = 15000, respectivamente, sinal são representadas com muito menos clareza pelo es-
da Figura 10.13(a). Observe a progressão linear no interva- pectrograma. Podemos melhorar a capacidade de observar
lo chirp. Além disso, note que, durante os intervalos de fre- eventos no domínio do tempo encurtando a janela. Isso é ilus-
quência constante, a linha escura permanece horizontal. A trado na Figura 10.13(b), em que o comprimento da janela é
espessura dos traços escuros na Figura 10.13(a) depende da L = 101. Os pontos de mudança são mais bem resolvidos
largura do lóbulo principal ml da TFTD da janela. Na Tabe- com essa janela. Porém, a largura em frequência do lóbulo
la 7.2 está indicado que, para a janela de Hamming, essa lar- principal normalizado de uma janela de Hamming de 101
gura é aproximadamente ml = 8π/M, sendo M + 1 o com- amostras é ml/(2π) = 0,04, e os dois cossenos de frequência
primento da janela. Para uma janela de 401 pontos, ml /(2π) constante após n = 25000 são separados apenas por 0,015
= 0,01. Assim, os dois cossenos próximos em frequência são em frequência normalizada. Assim, como fica evidente a
claramente observados no intervalo 25000 < n ≤ 30000, pois partir da Figura 10.13(b), as duas frequências não são resol-
sua diferença de frequência normalizada é (0,23π − 0,2π)/ vidas com a janela de 101 amostras, embora a localização
(2π) = 0,015, que é significativamente maior do que a lar- das mudanças abruptas no sinal seja resolvida com maior
gura do lóbulo principal 0,01. Note que a largura vertical do precisão no tempo.
Os exemplos 10.9 e 10.10 ilustram como os princí- X[n, λ) = x[n] * hλ[n], (10.27a)
pios da análise de Fourier de tempo discreto que foram sendo
discutidos nas seções 10.1 e 10.2 podem ser aplicados a
sinais cujas propriedades variam com o tempo. A análi- hλ[n] = w[−n]ejλn. (10.27b)
se de Fourier dependente do tempo é muito usada tanto A partir da Equação 10.27(a), notamos que a
como uma ferramenta de análise para exibir proprieda- transformada de Fourier dependente do tempo em fun-
des do sinal como uma representação para sinais. Nesse ção de n com λ fixo pode ser interpretada como a saída
último uso, é importante desenvolver um entendimen- de um filtro LIT com resposta ao impulso hλ[n] ou, de
to bem detalhado da representação bidimensional da modo equivalente, com resposta em frequência
Equação 10.18.
Hλ(ejω) = W(ej (λ−ω)). (10.28)
10.3.1 Invertibilidade de X [n, λ) Em geral, uma janela que é não nula para instan-
Como X[n, λ) é a TFTD de x[n + m]w[m], a trans- tes de tempo positivos é chamada de janela não causal,
formada de Fourier dependente do tempo é invertível pois o cálculo de X[n, λ) usando a Equação 10.18 re-
se a janela contiver pelo menos uma amostra não nula. quer amostras posteriores à amostra n na sequência. De
Especificamente, a partir da equação de síntese da modo equivalente, na interpretação da filtragem linear,
transformada de Fourier (2.130), a resposta ao impulso hλ[n] = w[−n]ejλn é não causal se
w[n] = 0 para n < 0. Ou seja, uma janela que é não nula
1 2π
x[n + m]w[m] = X[n, λ)e jλmdλ, −∞ < m < ∞, para n ≥ 0 dá uma resposta ao impulso não causal hλ[n]
2π 0 na Equação 10.27(b), enquanto que se a janela é não
(10.24) nula para n ≤ 0, o filtro linear é causal.
ou, de modo equivalente, Na definição da Equação 10.18, a origem no tem-
2π
po da janela é mantida fixa, e o sinal é considerado
1 atrasado em relação ao intervalo suporte da janela. Isso
x[n + m] = X[n, λ)dλ (10.25)
2πw[m] 0 efetivamente redefine a origem no tempo para que a
se w[m] Z 0.4 Assim, com m escolhido como qualquer análise de Fourier esteja na amostra n do sinal. Outra
valor para o qual w[m] Z 0, x[n] para todos os valores possibilidade é deslocar a janela à medida que n muda,
de n pode ser recuperada a partir de X[n, λ) usando a mantendo a origem do tempo para a análise de Fourier
Equação 10.25. fixada na origem de tempo original do sinal. Isso leva a
Embora a discussão anterior mostre que a trans- uma definição para a transformada de Fourier depen-
formada de Fourier dependente do tempo é uma dente do tempo na forma
transformação invertível, as equações 10.24 e 10.25 ∞
não fornecem uma inversa computável, pois esse cál- X̌[n, λ) = x[m]w[m − n]e−j λm . (10.29)
culo exige o conhecimento de X[n, λ) para todo λ e m=−∞
também o cálculo de uma integral. Porém, a trans- Pode-se mostrar facilmente que a relação entre as
formada inversa se torna uma TFD quando X[n, λ) é definições das equações 10.18 e 10.29 é
amostrada tanto na dimensão do tempo como na da
X̌ [n, λ) = e−jλnX[n, λ). (10.30)
frequência. Discutiremos essa questão com mais deta-
lhes na Seção 10.3.4. A definição da Equação 10.18 é particularmente
conveniente quando consideramos o uso da TFD para a
10.3.2 Interpretação por banco de filtros de X [n, λ) obtenção de amostras em λ da transformada de Fourier
Uma reorganização da soma na Equação 10.18 dependente do tempo, pois, se w[m] tem comprimento
leva a outra interpretação útil da transformada de Fou- finito no intervalo 0 ≤ m ≤ (L − 1), então x[n + m]w[m]
rier dependente do tempo. Se fizermos a substituição também tem. Por outro lado, a definição da Equação
m¿ = n + m na Equação 10.18, então X[n, λ) pode ser 10.29 tem algumas vantagens na interpretação da análise
escrita como de Fourier em termos de bancos de filtros. Como nosso
maior interesse está nas aplicações da TFD, basearemos
∞
a maior parte de nossas discussões na Equação 10.18.
X[n, λ) = x[m ]w[−(n − m )]ej λ(n −m ) . (10.26)
m =−∞
10.3.3 Efeito da janela
A Equação 10.26 pode ser interpretada como a A finalidade principal da janela na transformada
convolução de Fourier dependente do tempo é limitar a extensão
4 Como X[n, λ) é periódica em λ com período 2π, a integração nas equações 10.24 e 10.25 pode ser feita sobre qualquer intervalo de comprimento 2π.
da sequência a ser transformada, de modo que as ca- Se considerarmos a transformada de Fourier de-
racterísticas espectrais sejam aproximadamente cons- pendente do tempo para n fixo, então segue-se a partir
tantes durante a duração da janela. Quanto mais rapi- das propriedades das TFTDs que
damente as características do sinal mudam, mais curta
1 2π
deve ser a janela. Na Seção 10.2, vimos que, quanto X[n, λ) = ej θn X (ej θ )W (ej (λ −θ) )dθ; (10.32)
mais curta a janela, menor a resolução na frequência. 2π 0
Evidentemente, o mesmo efeito é verdadeiro para X[n,
isto é, a transformada de Fourier do sinal deslocado é
λ). Por outro lado, à medida que o comprimento da ja-
convoluída com a transformada de Fourier da janela.
nela diminui, a capacidade de observar mudanças com
Essa equação é similar à Equação 10.2, exceto que, na
o tempo aumenta. Consequentemente, a escolha do
Equação 10.2, assumimos que o sinal não foi sucessiva-
comprimento da janela torna-se um compromisso en-
mente deslocado em relação à janela. Aqui, calculamos
tre resolução em frequência e resolução no tempo. Isso
uma transformada de Fourier para cada valor de n. Na
foi ilustrado no Exemplo 10.10.
Seção 10.2, vimos que a capacidade de observar dois
O efeito da janela sobre as propriedades da trans- componentes de sinal de banda estreita depende da
formada de Fourier dependente do tempo pode ser largura do lóbulo principal da transformada de Fourier
visto assumindo que o sinal x[n] tem uma TFTD con- da janela, enquanto o grau de vazamento de um com-
vencional X(ejω). Primeiro, suponhamos que a janela ponente na vizinhança do outro depende da amplitude
seja unitária para todo m; isto é, suponha que não exista relativa do lóbulo lateral. O caso sem janela alguma cor-
janela alguma. Então, a partir da Equação 10.18, responde a w[n] = 1 para todo n. Nesse caso, W(ejω) =
X[n, λ) = X(ejλ)ejλn. (10.31) 2πδ(ω) para −π ≤ ω ≤ π, que gera uma resolução precisa
em frequência, mas nenhuma resolução no tempo.
Evidentemente, uma janela típica para a análise
Na interpretação por filtragem linear das equa-
espectral dependente do tempo decai para zero, a fim
ções 10.27(a), (b) e 10.28, W(ejω) tipicamente tem as
de selecionar apenas uma parte do sinal para análise.
características passa-baixas representadas na Figura
Por outro lado, conforme discutimos na Seção 10.2, o
10.14(a) e, consequentemente, Hλ(ejω) é um filtro pas-
comprimento e a forma da janela são escolhidos de
sa-banda cuja banda de passagem está centrada em
modo que a transformada de Fourier da janela seja es-
ω = λ, conforme representado na Figura 10.14(b). Cla-
treita em λ em comparação com as variações em λ da
ramente, a largura da banda de passagem desse filtro é
transformada de Fourier do sinal. Assim, a necessidade
aproximadamente igual à largura do lóbulo principal da
de uma boa resolução no tempo e uma boa resolução
transformada de Fourier da janela. O grau de rejeição
em frequência muitas vezes exige um compromisso. A
de componentes de frequência adjacentes depende da
transformada de Fourier de uma janela típica é ilustra-
amplitude relativa do lóbulo lateral.
da na Figura 10.14(a).
Esta discussão sugere que, se estivermos usando
a transformada de Fourier dependente do tempo para
obter uma estimativa dependente do tempo do espec-
W(ejω) tro de frequência de um sinal, é desejável que a janela
decaia para reduzir os lóbulos laterais e usar uma jane-
la o mais longa possível para melhorar a resolução em
frequência. Isso foi ilustrado nos exemplos 10.9 e 10.10,
0
e vamos considerar outros exemplos na Seção 10.4. Po-
π 2π ω
(a) rém, antes de fazer isso, discutimos sobre o uso da TFD
no cálculo explícito da transformada de Fourier depen-
Hλ(ejω) = W(ej (λ – ω)) dente do tempo.
rier dependente do tempo, se a janela na Equação 10.18 As equações 10.37(a) e (b) podem ser vistas
tiver comprimento finito. Como um exemplo, suponha como um banco de N filtros, como representado na
que a janela tenha comprimento L com amostras que Figura 10.15 com o k-ésimo filtro tendo resposta em
comecem em m = 0; isto é, frequência
w[m] = 0 fora do intervalo 0 ≤ m ≤ L − 1. (10.33) Hk (ejω) = W(ej [(2πk/N)−ω]). (10.38)
Se amostrarmos X[n, λ) em N frequências igual- Nossa discussão sugere que x[n] para −∞ < n < ∞
mente espaçadas λk = 2πk/N, com N ≥ L, então pode- pode ser reconstruído se X[n, λ) ou X[n, k] for amos-
mos recuperar a sequência janelada original a partir da trado também no domínio do tempo. Especificamente,
transformada de Fourier dependente do tempo amos- usando a Equação 10.36, podemos reconstruir o sinal
trada. Especificamente, se definirmos X[n, k] como no intervalo n0 ≤ n ≤ n0 + L − 1 a partir de X[n0, k],
L−1 e podemos reconstruir o sinal no intervalo n0 + L
X[n, k] = X[n, 2πk/N ) = x[n + m]w[m]e−j (2π/N )km, ≤ n ≤ n0 + 2L − 1 a partir de X[n0 + L, k], e assim por
m=0 diante. Assim, x[n] pode ser reconstruído exatamente a
0 ≤ k ≤ N − 1, (10.34) partir da transformada de Fourier dependente do tem-
po amostrada nos domínios da frequência e do tempo.
então X[n, k] com n fixo será a TFD da sequência ja- Em geral, para a região suporte da janela como especi-
nelada x[n + m]w[m]. Usando a TFD inversa, obtemos ficado na Equação 10.33, definimos essa transformada
N−1 de Fourier dependente do tempo amostrada como
1
x[n + m]w[m] = X[n, k]e j (2π/N)km,
N X[rR, k] = X[rR, 2πk/N)
k=0
L−1
0 ≤ m ≤ L − 1. (10.35) (10.39)
= x[rR + m]w[m]e−j ( 2π/N)km,
Como consideramos que a janela w[m] Z 0 para m=0
0 ≤ m ≤ L − 1, a sequência de valores pode ser recupe- sendo r e k inteiros, tais que −∞ < r < ∞ e 0 ≤ k ≤ N − 1.
rada no intervalo de n a (n + L – 1) usando a equação Para simplificar ainda mais nossa notação, definimos
N−1
1 Xr[k] = X[rR, k] = X[rR, λk), −∞ < r < ∞, 0 ≤ k ≤ N − 1,
x[n + m] = X [n, k]e j (2π/N)km,
N w[m] (10.40)
k=0
0 ≤ m ≤ L − 1. (10.36) sendo λk = 2πk/N. Essa notação indica explicitamente
O ponto importante é que a janela tem compri- que a transformada de Fourier dependente do tempo
mento finito e que podemos tomar pelo menos tantas amostrada é simplesmente uma sequência de TFDs de
amostras na dimensão λ quanto existem amostras não N pontos dos segmentos do sinal janelado
nulas na janela; isto é, N ≥ L. Embora a Equação 10.33
xr[m] = x[rR + m]w[m], −∞ < r < ∞, 0 ≤ m ≤ L − 1,
corresponda a uma janela não causal, poderíamos ter
usado uma janela causal com w[m] Z 0 para −(L − 1) (10.41)
≤ m ≤ 0, ou uma janela simétrica tal que w[m] = w[−m] com a posição da janela movendo-se em saltos de R
para |m| ≤ (L − 1)/2, sendo L um inteiro ímpar. O uso de amostras no tempo. Na Figura 10.16 são mostradas li-
uma janela não causal na Equação 10.34 é simplesmente nhas no plano [n, λ) correspondentes à região suporte
mais conveniente para nossa análise, pois leva muito na-
turalmente à interpretação da transformada de Fourier
dependente do tempo amostrada como a TFD do bloco
de amostras janeladas que começam com a amostra n. hN – 1[n]
Como a Equação 10.34 corresponde à amostra- X [n, N – 1]
...
hk[n] = w[−n]ej (2π/N)kn. (10.37b) Figura 10.15 Representação por banco de filtros da transformada de
Fourier dependente do tempo.
0
0 1 2 3 4 5 6 7 8 9 10 n
(a)
k
0 0
0 R 2R 3R n
0 1 2 3 r
(b)
Figura 10.16 (a) Região suporte para X [n, λ). (b) Grade de pontos de amostragem no plano [n, λ) para a
transformada de Fourier dependente do tempo amostrada com N = 10 e R = 3.
de X[n, λ) e a grade de pontos de amostragem no plano sentado por N números complexos na representação de
[n, λ) para o caso N = 10 e R = 3. Como mostramos, Fourier dependente do tempo amostrada; ou então, se
é possível reconstruir o sinal original de modo único a o sinal for real, somente N números reais são exigidos,
partir de tal representação discreta bidimensional para em virtude da simetria da TFD.
a escolha apropriada de L. Como um exemplo específico, o sinal pode ser
A Equação 10.39 envolve os seguintes parâme- reconstruído exatamente a partir da transformada de
tros inteiros: o comprimento da janela L; o número de Fourier dependente do tempo amostrada para o caso
amostras na dimensão da frequência, ou o comprimen- especial R = L = N. Nesse caso, N amostras de um
to N da TFD; e o intervalo de amostragem na dimensão sinal real são representadas por N números reais, e
do tempo, R. Embora nem todas as escolhas desses pa- isso é o mínimo que esperaríamos obter para um sinal
râmetros permitam a reconstrução exata do sinal, diver- escolhido arbitrariamente. Para R = L = N, podemos
sas combinações de N, R e w[n] e L podem ser usadas. recuperar xr[m] = x[rR + m]w[m] para 0 ≤ m ≤ N − 1
A escolha L ≤ N garante que é possível reconstruir os ao calcular a TFD inversa de Xr[k]. Portanto, podemos
segmentos janelados xr [m] a partir das transformadas expressar x[n] para rR ≤ n ≤ [(r + 1)R − 1] em termos
em bloco Xr[k]. Se R < L, os segmentos se sobrepõem, dos segmentos janelados xr[m] como
mas se R > L, algumas das amostras do sinal não são
usadas e, portanto, não podem ser reconstruídas a par- xr [n − rR]
tir de Xr[k]. Assim, como uma possibilidade, se os três x[n] = rR ≤ n ≤ [(r + 1)R − 1], (10.42)
w[n − rR]
parâmetros de amostragem satisfizerem a relação R ≤ L
≤ N, então podemos (em princípio) recuperar R amos- isto é, podemos recuperar os segmentos de N pontos ja-
tras de x[n] bloco a bloco para todo n a partir de Xr[k]. nelados, remover o efeito da janela e depois concatenar
Observe que cada bloco de R amostras do sinal é repre- os segmentos para reconstruir a sequência original.
5 Com essas definições, o número efetivo de amostras não nulas é M − 1 para as janelas de Bartlett e de Hann, mas a inclusão de amostras nulas
leva a simplificações matemáticas convenientes.
Como resultado do ajuste dos coeficientes de 0,5 e 0,5 Essas e muitas outras aplicações são consideravelmente
para 0,54 e 0,46, os zeros de WHamm(ejω) são ligeira- facilitadas pelos algoritmos de FFT que estão disponí-
mente deslocados, e então não é mais possível escolher veis para o cálculo eficiente da transformada de Fourier
R de modo que as frequências 2πk/R caiam exatamen- dependente do tempo discreta.
te nos zeros de WHamm(ejω). Porém, como mostrado na Uma discussão sobre as aplicações desse tipo es-
Tabela 7.2, o nível máximo do lóbulo lateral para fre- taria fora do escopo do livro; porém, esses tipos de téc-
quências acima de 4π/M é – 41 dB. Assim, a condição nicas de processamento em bloco para sinais de tem-
da Equação 10.51(a) é satisfeita aproximadamente po discreto também foram introduzidos no Capítulo 8,
em cada uma das frequências 2πk/R. A Equação 10.50 quando discutimos o uso da TFD para implementar a
mostra que, se a Equação 10.51(a) não for satisfeita convolução de uma resposta ao impulso de comprimen-
exatamente, w̃[n] tenderá a oscilar em torno de C com to finito com um sinal de entrada de comprimento inde-
período R transmitindo uma ligeira modulação de am- finido. Esse método de implementação de sistemas LIT
plitude ao sinal reconstruído. tem uma interpretação útil em termos de definições e
conceitos de análise e síntese de Fourier dependentes
10.3.6 Processamento de sinais baseado na do tempo, como discutimos até aqui.
transformada de Fourier dependente do tempo Especificamente, suponha que x[n] = 0 para n < 0
Uma estrutura geral para o processamento de si- e que calculamos a transformada de Fourier dependen-
nais baseado na transformada de Fourier dependente te do tempo para R = L e uma janela retangular. Em
do tempo é representada na Figura 10.18. Esse sistema outras palavras, a transformada de Fourier dependente
é fundamentado no fato de que um sinal x[n] pode ser do tempo amostrada Xr[k] consiste em um conjunto de
reconstruído exatamente a partir de sua transformada TFDs de N pontos de segmentos da sequência de en-
de Fourier dependente do tempo amostrada em tem- trada
po e frequência Xr[k] se a janela e os parâmetros de xr[m] = x[rL + m], 0 ≤ m ≤ L − 1. (10.53)
amostragem forem escolhidos apropriadamente, como
já discutimos. Se o processamento mostrado na Figura Como cada amostra do sinal x[n] é incluída e os
10.18 for feito de modo que Yr[k] mantenha sua integri- blocos não se sobrepõem, conclui-se que
dade como uma transformada de Fourier dependente ∞
do tempo, então um sinal processado y[n] pode ser re- x[n] = xr [n − rL]. (10.54)
construído por uma técnica de síntese de Fourier de- r=0
pendente do tempo, como o método de sobreposição e Agora, suponha que definimos uma nova transfor-
soma ou uma técnica envolvendo um banco de filtros mada de Fourier dependente do tempo
passa-banda. Por exemplo, se x[n] é um sinal de áudio,
Xr[k] pode ser digitalizado para compressão de sinal. Yr [k] = H[k]Xr [k], 0 ≤ k ≤ N − 1, (10.55)
A representação de Fourier dependente do tempo for-
sendo H[k] a TFD de N pontos de uma sequência de
nece uma estrutura natural e conveniente, em que os
amostras unitárias de comprimento finito h[n] tal que
fenômenos de mascaramento auditivo podem ser ex-
h[n] = 0 para n < 0 e para n > P – 1. Se calcularmos a
plorados para “ocultar” o ruído de digitalização. (Veja,
TFD inversa de Yr [k], obtemos
por exemplo, Bosi e Goldberg, 2003, e Spanias, Painter
e Atti, 2007.) A síntese de Fourier dependente do tem- N−1
1
po é então utilizada para reconstruir um sinal y[n] para yr [m] = Yr [k]e j (2π/N)km
N
audição. Essa é a base para a codificação de áudio MP3, k=0
(10.56)
por exemplo. Outra aplicação é a supressão do ruído de N−1
áudio, em que o espectro de ruído acústico é estimado e = xr [ ]h[((m − N ].
depois subtraído do espectro de Fourier dependente do =0
tempo do sinal de entrada ou usado como base para a fil- Isto é, yr[m] é a convolução circular de N pontos
tragem de Wiener aplicada a Xr[k]. (Veja Quatieri, 2002.) de h[m] e xr[m]. Como h[m] tem comprimento de P
Análise de Síntese de
X[r,k] Processamento Y[r,k] y[n]
x[n] Fourier Fourier
no domínio
dependente dependente
da frequência
do tempo do tempo
amostras e xr [m] tem comprimento de L amostras, re- na Equação 10.28. Isso é ilustrado na Figura 10.19. Na
sulta da discussão da Seção 8.7 que, se N ≥ L + P − 1, Figura 10.19(a) é mostrado o conjunto equivalente de
então yr [m] será idêntico à convolução linear de h[m] filtros passa-banda correspondente a uma janela retan-
com xr[m] no intervalo 0 ≤ m ≤ L + P − 2 e, caso con- gular com L = N = 16. A Figura 10.19 ilustra a interpre-
trário, será nula. Assim, conclui-se que, se construirmos tação por banco de filtros, mesmo para o caso em que L
um sinal de saída e N são muito maiores. Quando N aumenta, as bandas
∞ dos filtros tornam-se mais estreitas, e os lóbulos laterais
y[n] = yr [n − rL], (10.57) sobrepõem-se com canais adjacentes da mesma forma.
r=0 Note que as bandas de passagem dos filtros correspon-
então y[n] é a saída de um sistema LIT com resposta ao dentes à janela retangular se sobrepõem significativa-
impulso h[n]. O procedimento que descrevemos corres- mente, e sua seletividade em frequência não é boa para
ponde exatamente ao método de sobreposição e soma qualquer critério. De fato, os lóbulos laterais de qual-
da convolução em bloco. O método de sobreposição e quer um dos filtros passa-banda se sobrepõem comple-
armazenamento, discutido na Seção 8.7, também pode tamente com diversas bandas de passagem em ambos
ser aplicado em estruturas com a transformada de Fou- os lados. Isso sugere que, em geral, podemos encontrar
rier dependente do tempo. um problema com aliasing na dimensão do tempo, pois
a transformada de Fourier de qualquer outra janela de
10.3.7 Interpretação da transformada de Fourier comprimento finito com decaimento também não será
dependente do tempo como banco de filtros uma resposta de filtro ideal. Nossa discussão na Seção
Outra forma de perceber que a transformada de 10.3.5, porém, mostra que até mesmo a janela retangu-
Fourier dependente do tempo pode ser amostrada na lar pode fornecer reconstrução perfeita com janelas so-
dimensão do tempo é lembrar que, para λ fixo (ou para brepostas, apesar da fraca seletividade em frequência.
k fixo, se as frequências de análise forem λk = 2πk/N), a Embora o aliasing ocorra nas saídas individuais do fil-
transformada de Fourier dependente do tempo é uma tro passa-banda, podemos argumentar que a distorção
sequência unidimensional no tempo, que é a saída do do aliasing é cancelada quando todos os canais são re-
filtro passa-banda com resposta em frequência como combinados na síntese por sobreposição e soma. Essa
15
10
0
0 10 12 2
16 16
(a)
10
0
0 2
(b)
Figura 10.19 Resposta em frequência do banco de filtros. (a) Janela retangular. (b) Janela de Kaiser.
6 Como, para nossa definição, os sinais do canal da transformada de Fourier dependente do tempo, X[n, λk), são sinais passa-banda centrados
na frequência λk, eles podem ser deslocados para baixo na frequência por λk, de modo que o resultado é um sinal passa-baixas na banda ±ml.
Os sinais passa-baixas resultantes possuem máxima frequência ml / 2, de modo que a menor taxa de amostragem seria 2π/R = ml. Se R = N,
o deslocamento para baixo na frequência ocorre automaticamente como resultado da operação de subamostragem.
−20
−40
ganho em dB
−60
−80
−100
−120
−140
Figura 10.20 Diversos canais passa-banda para o banco de filtro de análise MPEG-II.
trais para sinais de tempo discreto não estacionários, e, apenas na dimensão da frequência da maneira descri-
nessas aplicações, a resolução espectral, a variação no ta na Seção 10.2, mas isso seria verdadeiro apenas em
tempo e outras questões são as mais importantes. casos muito especiais. Por exemplo, a transformada de
Um sinal não estacionário é aquele cujas proprie- Fourier dependente do tempo será constante na di-
dades variam com o tempo, por exemplo, uma soma de mensão do tempo se o sinal for periódico com período
componentes senoidais com amplitudes, frequências ou Np e L = 0Np e R = r0Np, sendo 0 e r0 inteiros; isto é,
fases que variam com o tempo. Como ilustraremos na Se- a janela inclui exatamente 0 períodos, e é movida por
ção 10.4.1 para sinais de voz e na Seção 10.4.2 para sinais exatamente r0 períodos entre os cálculos da TFD. Em
de radar Doppler, a transformada de Fourier dependen- geral, mesmo que o sinal seja exatamente periódico,
te do tempo muitas vezes fornece uma descrição útil de as relações de fase variantes que resultam dos dife-
como as propriedades do sinal mudam com o tempo. rentes segmentos da forma de onda deslocados pela
Quando aplicamos a análise de Fourier depen- janela de análise fazem com que a transformada de
dente do tempo a um sinal amostrado, a discussão Fourier dependente do tempo varie na dimensão do
da Seção 10.1 é mantida para toda TFD calculada. tempo. Porém, para sinais estacionários, se usarmos
Em outras palavras, para cada segmento xr[n] do si- uma janela que decai para zero em suas extremida-
nal, a transformada de Fourier dependente do tempo des, a magnitude |Xr[k]| varia apenas ligeiramente de
amostrada Xr[k] estaria relacionada à transformada um segmento para outro, e a maior parte da variação
de Fourier do sinal de tempo contínuo original pelos da transformada de Fourier complexa dependente do
processos descritos na Seção 10.1. Além disso, se fôs- tempo ocorre na fase.
semos aplicar a transformada de Fourier dependente
do tempo a sinais senoidais com parâmetros constan- 10.4.1 Análise de Fourier dependente do tempo de
tes (isto é, que não variam com o tempo), a discussão sinais de voz
da Seção 10.2 também deveria se aplicar a cada uma A voz é produzida pela excitação de um tubo
das TFDs que calculamos. Quando as frequências do acústico, o trato vocal, que termina em uma extremida-
sinal não mudam com o tempo, é tentador supor que de pelos lábios e na outra extremidade pela glote. Exis-
a transformada de Fourier dependente do tempo varia tem três classes básicas de sons de voz:
uma série de picos em múltiplos inteiros da frequência Este exemplo sugere algumas das razões pelas
fundamental do sinal nesse intervalo. Isso usualmente re- quais a transformada de Fourier dependente do tempo
quer que a janela se espalhe por vários períodos da forma é tão importante na análise e no processamento de voz.
de onda. Se a janela for muito curta, então as harmônicas Na verdade, o conceito é usado direta e indiretamente
não serão resolvidas, mas a forma geral do espectro ainda como base para a análise acústico-fonética e para mui-
será evidente. Isso realça a escolha entre a resolução em tas aplicações fundamentais de processamento de voz,
frequência e a resolução no tempo necessária na análise como a codificação digital, a remoção de ruído e de re-
de sinais não estacionários. Vimos isso antes no Exemplo verberação, o reconhecimento de voz, a verificação de
10.10. Se a janela for muito longa, as propriedades do si- locutor e a identificação de locutor. Para os propósitos
nal podem mudar significativamente ao longo da janela; presentes, nossa discussão serve simplesmente como
se a janela for muito curta, a resolução dos componentes uma ilustração introdutória.
de banda estreita será prejudicada. Essa escolha é ilustra-
da no exemplo a seguir. 10.4.2 Análise de Fourier dependente do tempo
de sinais de radar
Exemplo 10.11 Representação do espectrograma Outra área de aplicação em que a transformada
da transformada de Fourier de Fourier dependente do tempo desempenha um pa-
dependente do tempo de voz pel importante é a análise de sinal de radar. Os elemen-
tos de um sistema de radar típico baseado no princípio
Na Figura 10.22(a) é mostrado o espectrograma da trans- Doppler são:
formada de Fourier dependente do tempo do sinal de • Antenas para transmitir e receber (muitas vezes,
voz da Figura 10.21. Abaixo do espectrograma a forma a mesma).
de onda no tempo também é mostrada na mesma esca- • Um transmissor que gera um sinal apropriado em
la de tempo. Mais especificamente, a Figura 10.22(a) é um
frequências de micro-ondas. Em nossa discussão,
espectrograma banda larga. Uma representação por espec-
trograma banda larga resulta de uma janela relativamente
suporemos que o sinal consista de pulsos senoi-
curta no tempo e caracterizada por uma resolução pobre dais. Embora este seja usualmente o caso, outros
na dimensão de frequência e por uma resolução boa na sinais podem ser empregados, dependendo dos
dimensão de tempo. O eixo de frequências é indicado em objetivos e do projeto específico do radar.
termos da frequência de tempo contínuo. Como a taxa de • Um receptor que amplifica e detecta ecos dos pul-
amostragem do sinal foi de 16000 amostras/s, resulta que a sos transmitidos que foram refletidos de objetos
frequência λ = π corresponde a 8 kHz. A janela específica iluminados pela antena.
usada na Figura 10.22(a) é uma janela de Hamming com
Em tal sistema de radar, o sinal senoidal transmi-
duração de 6,7 ms, o que corresponde a L = 108. O valor
de R é 16, e representa incrementos de tempo de 1 ms.7 tido se propaga na velocidade da luz, reflete no objeto
As barras largas e escuras que se movem horizontalmente e retorna na velocidade da luz para a antena, passando
pelo espectrograma correspondem às frequências de res- assim por um atraso de tempo de ida e volta da antena
sonância do trato vocal, que, como podemos ver, mudam até o objeto. Se considerarmos que o sinal transmitido
com o tempo. A aparência de estrias na vertical do espec- é um pulso senoidal na forma cos(0t) e que a distância
trograma deve-se à natureza quase periódica dos trechos da antena até o objeto é ρ(t), então o sinal recebido é
sonoros da forma de onda, como fica evidente ao compa- um pulso na forma
rarmos as variações na visualização da forma de onda e do
espectrograma. Como o comprimento da janela de análise s(t) = cos[0(t − 2ρ(t)/c)], (10.58)
está na ordem do comprimento de um período da forma
de onda, à medida que a janela se desloca ao longo do sendo c a velocidade da luz. Se o objeto não se move
tempo, ela alternadamente abriga segmentos de elevados em relação à antena, então ρ(t) = ρ0, sendo ρ0 o alcance.
níveis de energia da forma de onda e, depois, segmentos Como o atraso de tempo entre os pulsos transmitidos e
com energia mais baixa entre eles, produzindo assim as recebidos é de 2ρ0/c, uma medida do atraso de tempo
estrias verticais na imagem durante os intervalos sonoros. pode ser usada para estimar o alcance. Porém, se ρ(t)
Em uma análise de Fourier dependente do tempo ban- não é constante, o sinal recebido é uma senoide com ân-
da estreita, uma janela mais longa é usada para fornecer gulo modulado, e a diferença de fase contém informa-
uma melhor resolução em frequência, com uma diminui- ções sobre o alcance e o movimento relativo do objeto
ção correspondente na resolução temporal. Essa análise
em relação à antena. Especificamente, representaremos
banda estreita da voz é ilustrada com o gráfico da Figura
o alcance variável no tempo em uma expansão em série
10.22(b). Nesse caso, a janela foi usada como uma janela
de Taylor como
de Hamming com duração de 45 ms. Isso corresponde a
L = 720. O valor de R foi novamente 16. 1
ρ(t) = ρ0 + ρ̇0 t + ρ̈0 t 2 + · · · , (10.59)
2!
7 No gráfico de espectrogramas, é comum usarmos valores relativamente pequenos de R para obtermos representações com variações suaves.
6
Frequência (kHz)
0
Two plus seven is less than ten.
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9
Tempo (s)
(a)
8
6
Frequência (kHz)
0
Two plus seven is less than ten.
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9
Tempo (s)
(b)
Figura 10.22 (a) Espectrograma banda larga da forma de onda da Figura 10.21. (b) Espectrograma banda estreita.
sendo ρ0 o alcance nominal, ρ̇0 a velocidade, ρ̈0 a ace- Nesse caso, a frequência do sinal recebido dife-
leração, e assim por diante. Supondo que o objeto se re da frequência do sinal transmitido pela frequência
move com velocidade constante (isto é, ρ̈0 = 0) e subs- Doppler, definida como
tituindo a Equação 10.59 na Equação 10.58, obtemos d = −20ρ̇0/c. (10.61)
Assim, o atraso no tempo ainda pode ser usado
para estimar o alcance, e podemos determinar a veloci-
s(t) = cos[(0 − 20ρ̇0/c)t − 20ρ0/c]. (10.60)
dade do objeto em relação à antena se pudermos deter-
minar a frequência Doppler.
Em uma configuração prática, o sinal recebido ge- central está um pico pronunciado que se move em um ca-
ralmente é muito fraco e, portanto, deve-se acrescentar minho suave ao longo do plano tempo-frequência. Isso cor-
um termo de ruído à Equação 10.60. Desconsiderare- responde a um objeto em movimento cuja velocidade varia
mos os efeitos do ruído na análise simples desta seção. de maneira regular. Os outros picos largos na transformada
Além disso, na maioria dos sistemas de radar, o sinal de Fourier dependente do tempo devem-se ao ruído e a
da Equação 10.60 seria deslocado em frequência para retornos espúrios, chamados de clutter na terminologia de
radar. Um exemplo do movimento que pode criar a varia-
uma frequência nominal menor no processo de detec-
ção da frequência Doppler é um foguete movendo-se em
ção. Porém, o deslocamento Doppler ainda satisfará a velocidade constante, mas girando em torno de seu eixo
Equação 10.61, mesmo que s(t) seja demodulada para longitudinal. Um pico que se desloca ao longo da transfor-
uma frequência central mais baixa. mada de Fourier dependente do tempo pode corresponder
Para aplicar a análise de Fourier dependente do a reflexões de um estabilizador no foguete que se move
tempo a tais sinais, primeiro limitamos a banda do sinal alternadamente para perto e depois para longe da antena
em decorrência da rotação do foguete. Na Figura 10.23(b)
a uma banda de frequência que inclui os deslocamentos
é mostrada uma estimativa da frequência Doppler em fun-
da frequência Doppler esperados e em seguida amos- ção do tempo. Essa estimativa foi obtida simplesmente
tramos o sinal resultante com um período de amostra- pela localização do pico mais alto em cada TFD.
gem T apropriado, obtendo assim um sinal de tempo
discreto na forma
x[n] = cos[(ω0 − 2ω0ρ̇0/c)n − 2ω0ρ0/c], (10.62) 10.5 Análise de Fourier de sinais
sendo ω0 = 0T. Em muitos casos, o movimento do ob-
aleatórios estacionários: o
jeto seria mais complicado do que supomos, exigindo a periodograma
incorporação de termos de ordem mais alta na Equa- Nas seções anteriores, discutimos e ilustramos a
ção 10.59 e, com isso, produzindo uma modulação em análise de Fourier para sinais senoidais com parâmetros
ângulo mais complicada no sinal recebido. Outra for- estacionários (não variantes no tempo) e para sinais
ma de representar essa variação mais complicada da não estacionários, como voz e radar. Em casos em que o
frequência dos ecos é usar a transformada de Fourier sinal pode ser modelado por uma soma de senoides ou
dependente do tempo com uma janela que é curta o por um sistema linear excitado por um trem de pulsos
suficiente, de modo que a hipótese de uma frequência periódico, as transformadas de Fourier de segmentos
deslocada Doppler constante seja válida em todo o in- do sinal com comprimento finito têm uma interpreta-
tervalo da janela, mas não tão curta a ponto de sacrifi- ção conveniente e natural em termos de transformadas
car a resolução adequada quando dois ou mais objetos de Fourier, janelamento e teoria de sistemas lineares.
móveis criam sinais de retorno Doppler deslocado que Porém, sinais similares ao ruído, como o exemplo da voz
são sobrepostos no receptor. surda na Seção 10.4.1, são mais bem modelados como
sinais aleatórios.
Exemplo 10.12 Análise de Fourier dependente do Como discutimos na Seção 2.10 e mostramos no
Apêndice A, os processos aleatórios muitas vezes são
tempo de sinais de radar Doppler
usados para modelar sinais quando o processo que gera
Um exemplo da análise de Fourier dependente do tempo o sinal é muito complexo para um modelo determinista
de sinais de radar Doppler é mostrado na Figura 10.23. razoável. Usualmente, quando a entrada de um sistema
(Veja Schaefer, Schafer e Mersereau, 1979.) Os dados do LIT é modelada como um processo aleatório estacio-
radar foram pré-processados para remover os desloca- nário, muitas das características essenciais da entrada
mentos Doppler de baixa velocidade, deixando as varia- e saída são representadas adequadamente por médias,
ções apresentadas na figura. A janela para a transformada como o valor médio (nível dc), variância (potência
de Fourier dependente do tempo foi uma janela de Kaiser
média), função de autocorrelação ou espectro da den-
com N = L = 64 e β = 4. Na figura, |Xr[k]| é esboçado com
o tempo na dimensão vertical (aumentando para cima) e sidade de potência. Consequentemente, é de interesse
a frequência na dimensão horizontal.8 Nesse caso, as cur- particular estimá-los para determinado sinal. Como
vas sucessivas das TFDs são representadas próximas umas discutiremos no Apêndice A, uma estimativa do valor
das outras. Um algoritmo de eliminação de linha oculta é médio de um processo aleatório estacionário a partir
usado para criar uma visão bidimensional da transforma- de um segmento de comprimento finito dos dados é a
da de Fourier dependente do tempo. À esquerda da linha
média amostral, definida como
8 No gráfico mostram-se as frequências negativas à esquerda da linha que passa pelo centro da figura e as frequências positivas à direita. Isso
pode ser obtido calculando a TFD de (−1)nxr[n] e notando que o cálculo efetivamente desloca a origem do índice da TFD para k = N/2. Al-
ternativamente, a TFD de xr [n] pode ser calculada e depois reindexada.
Frequência em radianos
0,5
0
Tempo
0,5
0 60
Tempo
(b)
0
Frequência em radianos
(a)
Figura 10.23 Exemplo da análise de Fourier dependente do tempo de sinal de radar Doppler. (a) Sequência de transformadas de Fourier do sinal
de radar Doppler. (b) Frequência Doppler estimada pela escolha do maior pico da transformada de Fourier dependente do tempo.
9 O termo espectro de potência muitas vezes é usado como uma abreviação para o termo mais exato espectro da densidade de potência.
rio, cujo espectro de potência tem banda limitada, de N − 1. Especificamente, as amostras do periodograma são
modo que o sinal pode ser amostrado sem aliasing. En- dadas por
tão, x[n] é um sinal aleatório de tempo discreto estacio- 1
nário, cujo espectro da densidade de potência Pxx(ω) é I [k] = I (ωk) = |V[k]|2 , (10.70)
LU
proporcional a Pss() sobre a largura de banda do filtro
antialiasing; isto é, sendo V[k] a TFD de N pontos de w[n]x[n]. Se quisés-
semos escolher N para que fosse maior do que o com-
1 ω
Pxx (ω) = Pss , |ω| < π, (10.65) primento da janela L, o preenchimento com zeros apro-
T T priado seria aplicado à sequência w[n]x[n].
em que consideramos a frequência de corte do filtro an- Se um sinal aleatório tiver uma média não nula,
tialiasing π/T e T o período de amostragem. (Veja uma seu espectro de potência terá um impulso na frequência
consideração adicional sobre a amostragem de sinais zero. Se a média for relativamente grande, esse compo-
aleatórios no Problema 10.39.) Consequentemente, nente dominará a estimação do espectro, fazendo com
uma boa estimativa de Pxx(ω) resultará em uma esti- que os componentes de baixa amplitude e baixa fre-
mativa útil de Pss(). A janela w[n] na Figura 10.1 se- quência sejam confundidos pelo vazamento. Portanto,
leciona um segmento de comprimento finito (L amos- na prática, a média muitas vezes é estimada a partir da
tras) de x[n], que denotamos v[n], cuja transformada de Equação 10.63, e a estimativa resultante é subtraída do
Fourier é sinal aleatório antes do cálculo da estimativa do espec-
L−1 tro de potência. Embora a média amostral seja apenas
V (e j ω) = w[n]x[n]e−j ωn . (10.66) uma estimativa aproximada do componente de fre-
n=0 quência zero, subtraí-la do sinal muitas vezes ocasiona
melhores estimativas nas frequências vizinhas.
Considere como uma estimação do espectro de
potência a quantidade
10.5.2 Propriedades do periodograma
1 A natureza da estimativa por periodograma do es-
I (ω) = |V (e j ω)|2 , (10.67)
LU pectro de potência pode ser determinada reconhecendo
em que a constante U antecipa a necessidade de norma- que, para cada valor de ω, I(ω) é uma variável aleatória.
lização para remover o viés na estimação do espectro. Calculando a média e a variância de I(ω), podemos de-
Quando a janela w[n] é a sequência janela retangular, terminar se a estimativa é enviesada e também se ela é
esse estimador do espectro de potência é chamado de consistente.
periodograma. Se a janela não é retangular, I(ω) é cha- A partir da Equação 10.68, o valor esperado de
mado de periodograma modificado. Evidentemente, o I (ω) é
periodograma tem algumas das propriedades básicas L−1
1
do espectro de potência. Ele é não negativo e, para si- E{I (ω)} = E{cvv [m]}e−j ωm . (10.71)
nais reais, é uma função real e par da frequência. Além LU
m=−(L−1)
disso, pode ser mostrado (Problema 10.33) que O valor esperado de cvv[m] pode ser expresso como
L−1 L−1
1
I (ω) = cvv [m]e−j ωm , (10.68) E{cvv [m]} = E{x[n]w[n]x[n + m]w[n + m]}
LU
m=−(L−1) n=0
sendo L−1 (10.72)
L−1 = w[n]w[n + m]E{x[n]x[n + m]}.
cvv [m] = x[n]w[n]x[n + m]w[n + m]. (10.69) n=0
Ou seja, a média da autocorrelação aperiódica do variância do periodograma, mesmo nos casos mais sim-
sinal janelado é igual à autocorrelação aperiódica ples. Porém, foi mostrado (veja Jenkins e Watts, 1968)
da janela multiplicada pela função de autocorrelação que sob condições bem amplas, à medida que o compri-
verdadeira; isto é, no sentido de média, a função de auto- mento da janela aumenta,
correlação da janela de dados aparece como uma janela
var[I(ω)] M Px2x(ω). (10.80)
na função de autocorrelação verdadeira.
A partir da Equação 10.71, da Equação 10.74 e da Ou seja, a variância da estimação pelo periodogra-
propriedade de modulação-janelamento das transfor- ma tem aproximadamente a mesma amplitude do qua-
madas de Fourier (Seção 2.9.7), conclui-se que drado do espectro de potência que estamos estimando.
Portanto, como a variância não se aproxima assintotica-
1 π
mente de zero com o aumento do comprimento da ja-
E{I (ω)} = Pxx (θ )Cww (e j (ω−θ) )dθ, (10.76)
2π LU −π nela, o periodograma não é uma estimação consistente.
sendo Cww(ejω) a transformada de Fourier da autocorre- Essas propriedades da estimação pelo periodo-
lação aperiódica da janela, isto é, grama do espectro de potência são ilustradas na Figura
10.24, em que são mostradas as estimativas por perio-
Cww(ejω) = |W(ejω)|2. (10.77) dograma de ruído branco usando janelas retangulares
De acordo com a Equação 10.76, tanto o periodo- de comprimentos L = 16, 64, 256 e 1024. A sequência
grama quanto o periodograma modificado são estima- x[n] foi obtida a partir de um gerador de números pseu-
tivas enviesadas do espectro de potência, pois E{I(ω)} doaleatórios√cuja saída foi ajustada em escala, de modo
não é igual a Pxx(ω). Na verdade, vemos que o viés que |x[n]| ≤ 3. Um bom gerador de números aleatórios
surge como resultado da convolução do verdadeiro es- produz uma distribuição uniforme de amplitudes, e a
pectro de potência com a transformada de Fourier da correlação medida de amostra para amostra é pequena.
autocorrelação aperiódica da janela de dados. Se au- Assim, o espectro de potência da saída do gerador de
mentarmos o comprimento da janela, esperamos que
W(ejω) se torne mais concentrado em torno de ω = 0
5
e, assim, Cww(ejω) deve se parecer muito com um trem
de impulsos periódico. Se o fator de escala 1/(LU) for
4
escolhido corretamente, então E{I(ω)} deverá se apro-
ximar de Pxx(ω) à medida que Cww(ejω) se aproxima de
Amplitude
3
um trem de impulsos periódico. A escala pode ser ajus-
tada pela escolha da constante de normalização U, de 2
modo que
L−1 1
1 π 1
|W (e j ω)|2 dω = (w[n])2 = 1, (10.78)
2π LU −π LU 0
n=0
0 128 256 384 512
ou Número da amostra (k)
(a)
L−1
1
U= (w[n])2 . (10.79) 5
L
n=0
4
Para a janela retangular, devemos escolher U = 1,
enquanto outras janelas de dados exigiriam um valor
Amplitude
3
de 0 < U < 1 se w[n] estivesse normalizado para um
valor máximo de 1. Alternativamente, a normalização 2
pode ser incorporada na amplitude de w[n]. Portanto,
se normalizados de forma adequada, o periodograma e 1
o periodograma modificado são assintoticamente não
enviesados; isto é, o viés se aproxima de zero à medida 0
0 128 256 384 512
que o comprimento da janela aumenta.
Número da amostra (k)
Para examinar se o periodograma é uma estima- (b)
ção consistente ou se torna uma estimação consistente
à medida que o comprimento da janela aumenta, é pre- Figura 10.24 Periodogramas de sequência ruído branco pseudoale-
ciso considerar o comportamento da variância do pe- atória. (a) Comprimento de janela L = 16 e comprimento de TFD N
riodograma. É muito difícil obter uma expressão para a = 1024. (b) L = 64 e N = 1024. (continua)
8 x[n] w [n]
6
Amplitude
4 0 n
(a)
2
x[n + m] w [n + m]
0
0 128 256 384 512
Número da amostra (k)
(c)
12 −m 0 n
10
(b)
8
Amplitude
2
lada, x[n]w[n], e uma versão deslocada, x[n + m]w [n
0
0 128 256 384 512 + m], conforme requerido na Equação 10.69. A partir
Número da amostra (k) dessa figura, vemos que (L − m) valores de sinal estão
(d) envolvidos no cálculo de determinado passo de correla-
ção cvv[m]. Assim, quando m está próximo de L, somen-
Figura 10.24 (continuação) (c) L = 256 e N = 1024. (d) L = 1024 e
te alguns valores de x[n] estão envolvidos no cálculo, e
N = 1024.
esperamos que a estimativa da sequência de correlação
seja muito mais imprecisa para esses valores de m e,
consequentemente, também mostre uma variação con-
números aleatórios pode ser modelado, nesse caso, por
siderável entre valores adjacentes de m. Por outro lado,
Pxx(ω) = σx2 = 1 para todo ω. Para cada uma das quatro
quando m é pequeno, muito mais amostras estão envol-
janelas retangulares, o periodograma foi calculado com
vidas, e a variabilidade de cvv[m] com m não deve ser tão
constante de normalização U = 1 e em frequências ωk =
grande. A variabilidade para valores grandes de m ma-
2πk/N para N = 1024 usando a TFD. Ou seja,
nifesta-se na transformada de Fourier como flutuações
1 em todas as frequências e, assim, para um L grande, a
I [k] = I (ωk) = |V[k]|2
L estimativa do periodograma tende a variar rapidamente
2
1
L−1 (10.81) com a frequência. Na verdade, podemos mostrar (veja
= w[n]x[n]e−j ( 2π/N)kn . Jenkins e Watts, 1968) que, se N = L, as estimativas do
L
n=0 periodograma nas frequências da TFD 2πk/N se tornam
Na Figura 10.24, os valores da TFD são conectados descorrelacionadas. Visto que, à medida que N aumenta,
por segmentos de reta para fins de visualização. Lem- as frequências da TFD se tornam mais próximas, esse
bre-se de que I(ω) é real e é uma função par de ω, de comportamento é inconsistente com nosso objetivo de
modo que precisamos apenas representar I[k] para 0 ≤ k obter uma boa estimativa do espectro de potência. Seria
≤ N/2 que corresponde a 0 ≤ ω ≤ π. Note que a estimati- preferível obter uma estimativa de espectro suave sem
va do espectro flutua mais rapidamente à medida que o variações aleatórias resultantes do processo de estima-
comprimento L da janela aumenta. Esse comportamen- ção. Isso pode ser efetuado com o cálculo da média de
to pode ser entendido lembrando que, embora vejamos múltiplas estimativas de periodograma independentes,
o método do periodograma como um cálculo direto da a fim de reduzir as flutuações.
estimativa de espectro, vimos que a estimativa de cor-
relação subjacente da Equação 10.69 é, efetivamente, 10.5.3 Média dos periodogramas
transformada segundo Fourier para se obter o periodo- O cálculo da média dos periodogramas na esti-
grama. Na Figura 10.25 é ilustrada uma sequência jane- mativa de espectro foi estudado extensivamente pri-
meiro por Bartlett (1953); mais tarde, depois de terem riodogramas é chamado de procedimento de Bartlett e,
sido desenvolvidos algoritmos velozes para o cálculo nesse caso, podemos mostrar que
da TFD, Welch (1970) combinou esses algoritmos de L −|m|, |m| ≤ (L − 1),
cálculo com o uso de uma janela de dados w[n] para cww [m] = (10.88)
0 caso contrário.
desenvolver o método de média dos periodogramas
modificados. Na média de periodogramas, uma se- e, portanto,
quência de dados x[n], 0 ≤ n ≤ Q−1 é dividida em seg- sen(ωL/ 2) 2
mentos com comprimento de L amostras, com uma Cww (e j ω ) = . (10.89)
sen(ω/ 2)
janela de comprimento L aplicada a cada segmento;
isto é, formamos os segmentos Ou seja, o valor esperado da estimativa de espectro
pelo periodograma médio é a convolução do espectro
xr[n] = x[rR + n]w[n], 0 ≤ n ≤ L − 1. (10.82)
de potência verdadeiro com a transformada de Fourier
Se R < L, os segmentos se sobrepõem, e para da sequência triangular cww[n] resultante da autocorre-
R = L, os segmentos são contíguos. Note que Q indica o lação da janela retangular. Assim, o periodograma mé-
comprimento dos dados disponíveis. O número total de dio também é uma estimativa enviesada do espectro de
segmentos depende dos valores e das relações entre R, L e potência.
Q. Especificamente, haverá K segmentos de comprimen- Para examinar a variância, usamos o fato de que,
to completo, sendo K o maior inteiro para o qual (K − 1)R em geral, a variância da média de K variáveis aleató-
+ (L − 1) ≤ Q − 1. O periodograma do r-ésimo segmento é rias independentes distribuídas de forma idêntica é 1/K
1 vezes a variância de cada variável aleatória individual.
Ir (ω) = |Xr (e j ω )| 2 , (10.83) (Veja Bertsekas e Tsitsiklis, 2008.) Portanto, a variância
LU
do periodograma médio é
sendo Xr(ejω) a TFTD de xr[n]. Cada Ir(ω) tem as pro-
priedades de um periodograma, como descrito ante- 1
var[Ī (ω)] = var[Ir (ω)], (10.90)
riormente. A média dos periodogramas consiste em cal- K
cular a média de K estimativas de periodograma Ir(ω); ou, com a Equação 10.80, conclui-se que
isto é, formamos o periodograma médio no tempo, de-
finido como 1 2
var[Ī (ω) P (ω). (10.91)
K−1
K xx
1
Ī (ω) = Ir (ω). (10.84) Consequentemente, a variância de Ī(ω) é inversa-
K mente proporcional ao número de periodogramas usa-
r=0
Para examinar o viés e a variância de Ī(ω), consi- dos no cálculo da média e, à medida que K aumenta, a
deremos L = R, de modo que os segmentos não se so- variância se aproxima de zero.
breponham, e suponha que φxx[m] seja pequeno para m A partir da Equação 10.89, vemos que quando L,
> L; isto é, amostras de sinal afastadas por mais do que o comprimento do segmento xr [n], aumenta, o lóbulo
L são aproximadamente não correlacionadas. Se con- principal de Cww(ejω) diminui em largura e, consequen-
siderarmos que os periodogramas Ir(ω) são variáveis temente, a partir da Equação 10.87, E{Ī(ω)} se aproxima
aleatórias independentes, identicamente distribuídos, mais de Pxx(ω). Porém, para o comprimento total dos
então o valor esperado de Ī(ω) é dados Q fixo, o número total de segmentos (conside-
K−1 rando que L = R) é Q/L; portanto, à medida que L au-
1
E{ Ī (ω)} = E{Ir (ω)}, (10.85) menta, K diminui. De modo correspondente, a partir da
K Equação 10.91, a variância de Ī(ω) aumentará. Sendo
r=0
ou, como assumimos que os periodogramas são inde- assim, como é comum em problemas de estimação esta-
pendentes e identicamente distribuídos, tística, para um comprimento de dados fixo, existe uma
escolha entre viés e variância. Porém, à medida que o
E{Ī(ω)} = E{Ir(ω)} para qualquer r. (10.86) comprimento dos dados Q aumenta, tanto L quanto K
A partir da Equação 10.76, conclui-se que podem aumentar, de modo que, quando Q se aproxima
de ∞, o viés e a variância de Ī(ω) podem se aproxi-
E{ Ī (ω)} = E{Ir (ω)} mar de zero. Consequentemente, a média dos periodo-
(10.87) gramas fornece uma estimativa de Pxx(ω) consistente e
1 π
= Pxx (θ )Cww (e j (ω−θ) )dθ, assintoticamente não enviesada.
2π LU −π
Essa discussão pressupôs que janelas retangulares
sendo L o comprimento da janela. Quando a janela não sobrepostas foram usadas no cálculo dos perio-
w[n] é a janela retangular, o método de médias dos pe- dogramas dependentes do tempo. Welch (1970) mos-
trou que, se uma forma de janela diferente for usada, corresponde a janelas de tempo maiores e, portanto,
a variância do periodograma médio ainda se comporta menos suavidade na frequência.
como na Equação 10.91. Welch também considerou o Denotamos Ir(2πk/N) como a sequência Ir[k],
caso de janelas sobrepostas e mostrou que, se a sobre- e Ī(2πk/N), como a sequência Ī[k]. De acordo com as
posição for metade do comprimento da janela, a variân- equações 10.92(a) e (b), a estimativa pelo periodogra-
cia é reduzida ainda mais por um fator de quase 2, em ma médio para o espectro de potência é calculada em
virtude da duplicação do número de seções. A sobre- N frequências igualmente espaçadas, fazendo a média
posição maior não continua a reduzir a variância, pois da magnitude das TFDs dos segmentos de dados jane-
os segmentos se tornam cada vez menos independentes lados com o fator de normalização LU. Esse método de
com o aumento da sobreposição. estimação do espectro de potência fornece uma abor-
dagem muito conveniente dentro da qual escolhemos
10.5.4 Cálculo de periodogramas médios usando a entre resolução e variância da estimativa do espectro.
TFD A implementação do uso dos algoritmos de FFT dis-
Assim como o periodograma, o periodograma cutidos no Capítulo 9 é particularmente simples e efi-
médio pode ser calculado explicitamente apenas em caz. Uma vantagem importante do método em relação
um conjunto discreto de frequências. Em decorrência àqueles a ser discutidos na Seção 10.6 é que a estimativa
da disponibilidade dos algoritmos de FFT para o cálcu- de espectro é sempre não negativa.
lo da TFD, uma escolha particularmente conveniente
e muito usada é o conjunto de frequências ωk = 2πk/N 10.5.5 Exemplo de análise por periodograma
para uma escolha apropriada de N. A partir da Equação A análise do espectro de potência é uma fer-
10.84, vemos que, se a TFD de xr[n] for substituída pela ramenta valiosa na modelagem de sinais, e também
transformada de Fourier de xr[n] na Equação 10.83, pode ser usada para detectar sinais, particularmente
obtemos amostras de Ī(ω) nas frequências da TFD quando se trata de encontrar periodicidades ocultas
ωk = 2πk/N para k = 0, 1, ..., N − 1. Especificamente, nos sinais amostrados. Como um exemplo desse tipo
com Xr[k] indicando a TFD de xr[n], de aplicação do método de periodograma médio,
considere a sequência
1
Ir [k] = Ir (ωk) = |Xr [k]|2 , (10.92a)
LU x[n] = A cos(ω0n + θ) + e[n], (10.93)
K−1 sendo θ uma variável aleatória uniformemente distri-
1
Ī [k] = Ī (ωk) = Ir [k]. (10.92b) buída entre 0 e 2π, independente de e[n], e e[n] é uma
K sequência ruído branco de média nula que tem um es-
r=0
Vale notar a relação entre a média dos periodo- pectro de potência constante; isto é, Pee(ω) = σe2 para
gramas e a transformada de Fourier dependente do todo ω. Em modelos de sinal dessa forma, o cosseno
tempo, como discutimos com detalhes na Seção 10.3. geralmente é o componente desejado, e e[n] é um com-
A Equação 10.92(a) mostra que, exceto pela introdu- ponente de ruído indesejado. Frequentemente, em pro-
ção da constante de normalização 1/(LU), cada pe- blemas práticos de detecção de sinal, estamos interes-
riodograma individual é simplesmente a magnitude sados no caso em que a potência no sinal cossenoidal
ao quadrado da transformada de Fourier dependente é pequena em comparação com a potência do ruído.
do tempo no instante rR e na frequência 2πk/N. As- Podemos mostrar (veja o Problema 10.40) que, sobre
sim, para cada índice de frequência k, a estimativa o período básico da frequência |ω| ≤ π, o espectro de
do espectro de potência médio na frequência corres- potência para esse sinal é
pondente a k é a média temporal da transformada de A2 π
Fourier dependente do tempo e amostrada no tempo. Pxx (ω) = [δ(ω − ω0 ) + δ(ω + ω0 )] + σe2
2
Isso pode ser visualizado considerando os espectro-
para |ω| ≤ π. (10.94)
gramas na Figura 10.22. O valor Ī[k] é simplesmente
a média ao longo de uma linha horizontal na frequên- A partir das equações 10.87 e 10.94, concluímos
cia 2πk/N (ou 2πk/(NT) na frequência analógica).10 que o valor esperado do periodograma médio é
A média do espectrograma de banda larga sugere
que a estimativa de espectro de potência resultante A2
E{ Ī (ω)} = [Cww (e j (ω−ω0 ) ) + Cww (e j (ω+ω0 ) )] + σe2 .
será suave quando considerada como uma função da 4LU
frequência, enquanto a condição de banda estreita (10.95)
10 Observe que o espectrograma geralmente é calculado de modo que os segmentos janelados se sobreponham consideravelmente à medida que
r varia, enquanto no periodograma médio, R geralmente é igual ao comprimento da janela ou metade do comprimento da janela.
Amplitude
amplitude, de modo que − 3 < e[n] ≤ 3. Portanto, po-
30
demos mostrar facilmente que σe2 = 1. A média do com-
ponente de ruído é nula. Na Figura 10.26 são mostradas 20
101 amostras da sequência x[n]. Como o√componente
de ruído e[n] tem uma amplitude máxima 3, o compo- 10
nente cossenoidal da sequência x[n] (com período 21)
0
não é visualmente aparente. 0 128 256 384 512
Número da amostra (k)
Na Figura 10.27 são mostradas estimativas pelo (a)
periodograma médio do espectro de potência para 20
janelas retangulares com amplitude 1, de modo que
U = 1, e de comprimentos L = 1024, 256, 64 e 16, com
15
o comprimento total do registro de Q = 1024 em to-
Amplitude
dos os casos. Exceto para a Figura 10.27(a), as janelas
se sobrepõem por metade do comprimento da janela. 10
A Figura 10.27(a) é o periodograma do registro intei-
ro, e as figuras 10.27(b), (c) e (d) mostram o periodo- 5
grama médio para K = 7, 31 e 127 segmentos, respec-
tivamente. Em todos os casos, o periodograma médio
0
foi calculado a partir de TFDs de 1024 pontos nas fre- 0 128 256 384 512
quências ωk = 2πk/1024. (Para comprimentos de jane- Número da amostra (k)
(b)
la L < 1024, a sequência janelada foi aumentada com
6
amostras nulas antes do cálculo da TFD.) Portanto, a
frequência ω0 = 2π/21 encontra-se entre frequências 5
de TFD ω48 = 2π 48/1024 e ω49 = 2π 49/1024.
4
No uso dessas estimativas do espectro de potên-
Amplitude
3 1,80
Amplitude
2
1,20
1
Amplitude
0 0,600
−1
0
0 128 256 384 512
−2 Número da amostra (k)
(d)
−3
0 20 40 60 80 100
Número da amostra (n) Figura 10.27 Exemplo do periodograma médio para sinal de com-
primento Q = 1024. (a) Periodograma para comprimento de janela
Figura 10.26 Sequência cossenoidal com ruído branco, como na L = Q = 1024 (somente um segmento). (b) K = 7 e L = 256 (sobre-
Equação 10.93. posição de L/2). (c) K = 31 e L = 64. (d) K = 127 e L = 16.
Assim, se o pico devido ao componente cossenoi- 10.27(d), a janela é muito curta, e assim as flutuações
dal tiver de se destacar em relação à variabilidade do da estimativa do espectro são bastante reduzidas, mas
periodograma médio, então, nesse caso especial, temos o pico do espectro devido ao cosseno é muito largo e
de escolher L de modo que A2L/4 σe2. Isso é ilustrado muito pouco acima do ruído, até mesmo para A = 0,5.
pela Figura 10.27(a), sendo L tão grande quanto puder Se o comprimento fosse ainda menor, o vazamento
ser para o comprimento de registro Q. Vemos que L espectral do componente de frequência negativa faria
= 1024 fornece um lóbulo principal muito estreito na com que não houvesse pico distinto na região de baixa
transformada de Fourier da autocorrelação da janela frequência.
retangular, de modo que seria possível determinar si- Esse exemplo confirma que o periodograma mé-
nais senoidais muito próximos. Note que, para os parâ- dio oferece um método direto de negociação entre re-
metros deste exemplo (A = 0,5, σe2 = 1) e com L = 1024, solução espectral e redução da variância da estimativa
a amplitude de pico no periodograma na frequência de espectro. Embora o tema do exemplo seja a detec-
2π/21 é próxima, mas não igual ao valor esperado de 65. ção de uma senoide em ruído, o periodograma médio
Também observamos picos adicionais no periodograma também poderia ser usado na modelagem de sinal. As
com amplitudes maiores do que 10. Evidentemente, se estimativas de espectro da Figura 10.27 claramente su-
a amplitude A do cosseno tivesse sido menor por um fa- gerem um modelo de sinal na forma da Equação 10.93,
tor de apenas 2, é possível que seu pico tivesse sido con- e a maioria dos parâmetros do modelo poderia ser es-
fundido com a variabilidade inerente do periodograma. timada a partir da estimativa do espectro de potência
Vimos que o único modo seguro de reduzir a va- usando o periodograma médio.
riância da estimativa do espectro é aumentar o com-
primento do registro do sinal. Isso nem sempre é pos- 10.6 Análise de espectro de sinais
sível, e mesmo que seja, registros maiores exigem mais
processamento. Podemos reduzir a variabilidade da
aleatórios usando estimativas de
estimativa enquanto mantemos o comprimento do re- sequência de autocorrelação
gistro constante se usarmos janelas mais curtas e cal- Na seção anterior, consideramos o periodograma
cularmos a média sobre mais seções. O custo de fazer como uma estimativa direta do espectro de potência
isso está ilustrado pelas partes (b), (c) e (d) da Figura de um sinal aleatório. O periodograma ou o periodo-
10.27. Note que, quanto mais seções forem usadas, mais grama médio é uma estimativa direta no sentido de
a variância da estimativa de espectro diminui, mas de que é obtida diretamente da transformação segundo
acordo com a Equação 10.96, o mesmo acontece com Fourier das amostras do sinal aleatório. Outra técnica,
a amplitude do pico resultante do cosseno. Assim, no- baseada no fato de que o espectro da densidade de po-
vamente confrontamos com um dilema. Que as janelas tência é a transformada de Fourier da função de auto-
mais curtas reduzem a variabilidade, isso é claro, espe- correlação, consiste em primeiro obter uma estimativa
cialmente se compararmos as regiões de alta frequência da função de autocorrelação φ̂xx[m] para um conjunto
longe do pico nas partes (a), (b) e (c) da Figura 10.27. finito de valores de atraso −M ≤ m ≤ M, e depois apli-
Cabe lembrar que o espectro de potência idealizado car uma janela wc[m] antes de calcular a TFTD dessa
do modelo para um gerador de ruído pseudoaleatório estimativa. Essa técnica de estimação do espectro de
é uma constante (σe2 = 1) para todas as frequências. potência usualmente é chamada de método de Black-
Na Figura 10.27(a), existem picos altos em torno de 10 man–Tukey. (Veja Blackman e Tukey, 1958.) Nesta se-
quando o espectro verdadeiro é 1. Na Figura 10.27(b), a ção, exploramos algumas das facetas importantes des-
maior variação longe de 1 é em torno de 3, e na Figura sa técnica e mostramos como a TFD pode ser usada
10.27(c), a maior variação em torno de 1 é em torno para implementá-la.
de 0,5. Porém, janelas mais curtas também reduzem a Suponhamos, como fizemos anteriormente, que
amplitude de pico de qualquer componente de banda tenhamos recebido um registro finito de um sinal alea-
estreita, e elas também degradam nossa capacidade de tório x[n]. Essa sequência é denotada
determinar senoides muito próximas. Essa redução na
amplitude de pico também é evidente na Figura 10.27. x[n] para 0 ≤ n ≤ Q − 1, (10.97)
v[n] =
Novamente, se tivéssemos de reduzir A por um fator 0 caso contrário.
de 2 na Figura 10.27(b), a altura do pico seria aproxi- Considere uma estimativa da sequência de auto-
madamente 4, o que não é muito diferente de muitos correlação como
dos outros picos na região de alta frequência. Na Figura 1
10.27(c), uma redução de A por um fator de 2 levaria o φ̂xx [m] = cvv [m], (10.98a)
Q
pico a aproximadamente 1,25, que o tornaria indistin-
guível de outras ondulações na estimativa. Na Figura sendo, como cvv[−m] = cvv[m],
11 Mais precisamente, poderíamos definir uma janela de correlação efetiva we[m] = wc[m](Q − |m|)/Q.
correlação circular. Como nossa discussão na Seção 4. Calcule a TFD inversa de |X[k]|2 para obter
8.7 sugere, e como abordado no Problema 10.34, deve N−1
ser possível aumentar a sequência x[n] com amostras 1
c̃vv [m] = |X[k]| 2 ej ( 2π/N )km
nulas e forçar a autocorrelação circular para que seja N
k=0
igual à autocorrelação aperiódica desejada no inter- para m = 0, 1, . . . , N − 1.
valo 0 ≤ m ≤ M − 1.
Para entender como escolher N para a TFD, con- 5. Divida a sequência resultante por Q para obter a
sidere a Figura 10.28. A Figura 10.28(a) mostra as duas estimativa de autocorrelação
sequências x[n] e x[n + m] em função de n para um 1
φ̂xx [m] = c̃vv [m] para m = 0, 1, . . . , M − 1.
valor positivo em particular de m. A Figura 10.28(b) Q
mostra as sequências x[n] e x[((n + m))N] que estão
Esse é o conjunto desejado de valores de autocor-
envolvidas na autocorrelação circular correspondente
relação, que pode ser estendido simetricamente para
a |X[k]|2. Obviamente, a autocorrelação circular será
valores negativos de m.
igual a Qφ̂xx[m] para 0 ≤ m ≤ M − 1 se x[((n + m))N] não
Se M é pequeno, pode ser mais eficiente simples-
envolver e sobrepuser x[n] quando 0 ≤ m ≤ M − 1. A
mente obter a Equação 10.111 diretamente. Nesse caso,
partir da Figura 10.28(b), conclui-se que isso acontecerá
a quantidade de operações é proporcional a Q · M. Por
sempre que N − (M − 1) ≥ Q ou N ≥ Q + M − 1.
outro lado, se as TFDs nesse procedimento forem cal-
Resumindo, podemos calcular φ̂xx[m] para 0 ≤ m ≤
culadas a partir de um dos algoritmos de FFT discutidos
M − 1 com o seguinte procedimento:
no Capítulo 9 com N ≥ Q + M − 1, a quantidade de
1. Forme uma sequência de N pontos aumentando operações será aproximadamente proporcional a N log2
x[n] com (M − 1) amostras nulas. N, sendo N uma potência de 2. Consequentemente, para
2. Calcule a TFD de N pontos, valores suficientemente grandes de M, o uso da FFT é
N−1 mais eficiente do que o cálculo direto com a Equação
X[k] = x[n]e− j (2π/N)kn para k = 0, 1, . . . , N − 1. 10.111. O valor de M de desempate dependerá da im-
n=0 plementação em particular dos cálculos da TFD; porém,
3. Calcule como mostrado por Stockham (1966), esse valor prova-
velmente seria menor que M = 100.
|X[k]|2 = X[k]X*[k] para k = 0, 1, . . . , N − 1. Para reduzir a variância da estimativa da sequên-
cia de autocorrelação ou o espectro de potência esti-
mado a partir dela, temos de usar valores grandes de
comprimento de registro Q. Isso geralmente não é um
x [n + m] problema para computadores com grande capacidade
x [n]
de memória e processadores rápidos. Porém, como M
geralmente é muito menor do que Q, é possível seccio-
nar a sequência x[n] de uma maneira similar aos pro-
cedimentos que foram discutidos na Seção 8.7.3 para a
−m 0 n convolução de uma resposta ao impulso de comprimen-
Q−1−m Q−1 to finito com uma sequência de entrada indefinidamen-
(a) te longa. Rader (1970) apresentou um procedimento
particularmente eficaz e flexível, que usa muitas das
x [((n + m))N ] propriedades da TFD de sequências reais para reduzir
x [n]
a quantidade de operações exigida. O desenvolvimento
dessa técnica é a base para o Problema 10.44.
Uma vez que a estimativa de autocorrelação foi
calculada, as amostras da estimativa do espectro de po-
0 N n tência S(ω) podem ser calculadas nas frequências ωk =
Q−1−m N− m
Q−1 2πk/N formando a sequência de comprimento finito
(b)
φ̂xx [m]wc [m], 0 ≤ m ≤ M − 1,
s[m] = 0, M ≤ m ≤ N − M,
Figura 10.28 Cálculo da autocorrelação circular. (a) x [n] e x[n + m]
φ̂xx [N− m]wc [N− m], N− M + 1 ≤ m ≤ N− 1,
para uma sequência de comprimento finito de comprimento Q. (b) x [n]
e x [((n + m))N ] como na correlação circular. (10.112)
sendo wc[m] a janela de correlação simétrica. Então, a gráficos tendem a consolidar nosso entendimento no
TFD de s[m] é modelo assumido anteriormente; isto é, que o ruído pa-
rece variar aleatoriamente no intervalo −2−(B+1) < e[n]
S[k] = S(ω)|ω=2πk/N, k = 0, 1, . . . , N − 1, (10.113)
≤ 2−(B+1). Porém, essas observações qualitativas podem
sendo S(ω) a transformada de Fourier da sequência de ser enganosas. A natureza plana do espectro do ruído
autocorrelação janelada definida pela Equação 10.102. de digitalização pode ser verificada apenas pela estima-
Note que N pode ser escolhido tão grande quando con- ção da sequência de autocorrelação e do espectro de
veniente e prático, de modo a fornecer amostras de S(ω) potência do ruído de digitalização e[n].
em frequências pouco espaçadas. Porém, como nossas Na Figura 10.31 são mostradas estimativas da au-
discussões neste capítulo têm consistentemente demons- tocorrelação e do espectro de potência do ruído de di-
trado, a resolução em frequência sempre é determinada gitalização para um comprimento de registro de Q =
pelo comprimento e pela forma da janela wc[m]. 3000 amostras. A estimativa da sequência de autocor-
relação foi calculada em um intervalo de passos |m| ≤
10.6.2 Estimação do espectro de potência do ruído 100 usando as equações 10.98(a) e (b). A estimativa re-
de digitalização sultante é mostrada na Figura 10.31(a). Nesse intervalo,
No Capítulo 4, consideramos que o erro introduzi- −1,45 * 10−8 ≤ φ̂ [m] ≤ 1,39 * 10−8, exceto para φ̂[0] =
do pela digitalização tem propriedades de um processo 3,17 * 10−7. A estimativa da autocorrelação sugere que
aleatório ruído branco. As técnicas discutidas até aqui a correlação de uma amostra para outra da sequência
neste capítulo foram usadas para calcular as estimativas de ruído é muito baixa. A estimativa de autocorrelação
do espectro de potência da Figura 4.60 que foram usa- resultante foi multiplicada por janelas de Bartlett com
das para propor a validade dessa aproximação. Nesta M = 100 e M = 50. As janelas são mostradas na Figu-
seção, fornecemos exemplos adicionais do uso de esti- ra 10.31 sobrepostas a φ̂ [m] (com ajuste de escala, de
mativas da sequência de autocorrelação e de estimação modo que podem ser representadas nos mesmos eixos)
do espectro de potência no estudo das propriedades do e as estimativas de espectro correspondentes, calcula-
ruído de digitalização. A discussão reforça nossa con- das como discutido na Seção 10.6.1, são mostradas na
fiança no modelo ruído branco, e também fornece uma Figura 10.31(b).
oportunidade para mostrar alguns aspectos práticos da Como notamos na Figura 10.31(b), a estimativa
estimação do espectro de potência. de espectro de Blackman–Tukey para M = 100 (a li-
Considere o experimento representado na Figura nha contínua fina) mostra flutuações um tanto erráti-
10.29. Um sinal de voz xc(t) filtrado por passa-baixas foi cas em torno da linha tracejada representada no nível
amostrado a uma taxa de 16 kHz, gerando uma sequên- de espectro 10 log10(2−18/12) = −64,98 dB (o valor do
cia de amostras x[n] representadas na Figura 10.21.12 espectro de potência branco com σe2 = 2−2B/12 para
Essas amostras foram digitalizadas com um digitali- B = 9). A linha grossa mostra a estimativa do espectro
zador linear de 10 bits (B = 9), e a sequência de erro de potência para M = 50. Notamos a partir da Figura
correspondente e[n] = Q[x[n]] − x[n] foi calculada. Na 10.31(b) que a estimativa de espectro está dentro de
Figura 10.30 são mostradas 2000 amostras consecutivas ± 2 dB do espectro da aproximação de ruído branco
do sinal de voz, representadas na primeira e na tercei- para B + 1 = 10 para todas as frequências. Como dis-
ra linhas do gráfico. Na segunda e na quarta linhas é cutimos na Seção 10.6, a janela mais curta fornece uma
mostrada a sequência de erro de digitalização corres- variância menor e uma estimativa de espectro mais sua-
pondente. A inspeção visual e a comparação desses dois ve, resultante da resolução em frequência mais baixa da
janela mais curta. Em ambos os casos, a estimativa de
espectro parece dar suporte à validade do modelo
x [n]
Digitalizador
Q [x[n]] + e[n] de ruído branco para o ruído de digitalização.
+
Q[·] Embora tenhamos calculado estimativas quan-
−
titativas da autocorrelação e do espectro de potência,
nossa interpretação dessas medidas tem sido apenas
qualitativa. É razoável agora questionar o quanto a au-
Figura 10.29 Procedimento para a obtenção da sequência do ruído tocorrelação seria pequena se e[n] fosse de fato um pro-
de digitalização. cesso ruído branco. Para prover respostas quantitativas
12 Embora as amostras sejam digitalizadas originalmente com 12 bits pelo conversor A/D, para fins deste experimento, elas foram ajustadas em
escala a um valor máximo de 1, e uma pequena quantidade de ruído aleatório foi acrescentada às amostras. Consideramos que essas amostras
sejam “não digitalizadas”, isto é, consideramos que as amostras de 12 bits efetivamente sejam não digitalizadas em relação à digitalização
subsequente que aplicamos nesta discussão.
0 100 200 300 400 500 600 700 800 900 1000
Índice da amostra
Figura 10.30 Forma de onda de voz (primeira e terceira linhas) e o erro de digitalização correspondente (segunda e quarta linhas) para a digitalização
de 10 bits (ampliada 29 vezes). Cada linha corresponde a 1000 amostras consecutivas conectadas por segmentos de reta, por conveniência no esboço.
x10−7
4
3
Autocorrelação
−1
−100 −80 −60 −40 −20 0 20 40 60 80 100
Índice do tempo
(a)
−63
Espectro de potência (dB)
−64
−65
−66
−67
−68
0 1000 2000 3000 4000 5000 6000 7000 8000
Frequência em Hz
(b)
Figura 10.31 (a) Estimativa da autocorrelação para o ruído de digitalização de 10 bits para |m| ≤ 100 com comprimento de registro Q = 3000.
(b) Estimativas do espectro de potência pelo método de Blackman–Tukey a partir de janelas de Bartlett com M = 100 e M = 50. (A linha tracejada
mostra o nível de 10 log10(2–18/12).)
a essas perguntas, podem ser calculados intervalos de enquanto para Q = 30000, os limites são −4,5 * 10−9 ≤
confiança para nossas estimativas, e aplicada a teoria de φ̂[m] ≤ 4,15 * 10−9. A comparação do intervalo de va-
decisão estatística. [Veja Jenkins e Watts (1968) para al- riação para Q = 3000 com o intervalo para Q = 30000
guns testes para ruído branco.] Em muitos casos, porém, indica que a redução é consistente com a redução de
esse tratamento estatístico adicional não é necessário. dez vezes na variância esperada.13 Notamos a partir da
Em uma configuração prática, frequentemente ficamos Equação 10.110 que uma redução similar na variância
satisfeitos simplesmente com a observação de que a au- da estimativa do espectro também é esperada. Isso,
tocorrelação normalizada é muito pequena em todos os mais uma vez, fica evidente na comparação da Figura
passos, exceto em m = 0. 10.31(b) com a Figura 10.32(b). (Note que as escalas
Entre as muitas observações importantes deste ca- são diferentes entre os dois conjuntos de gráficos.) A
pítulo está aquela de que a estimativa da autocorrelação variação em torno do nível do espectro do ruído bran-
e do espectro de potência de um processo aleatório es- co é de apenas ±0,5 dB no caso do registro de maior
tacionário deve melhorar se o comprimento do registro comprimento. Note que as estimativas de espectro na
aumentar. Isso é ilustrado na Figura 10.32, que corres- Figura 10.32(b) mostram o mesmo dilema entre variân-
ponde à Figura 10.31, exceto que Q foi aumentado para cia e resolução.
30000 amostras. Lembre-se de que a variância da esti- No Capítulo 4, argumentamos que o modelo ruído
mativa de autocorrelação é proporcional a 1/Q. Assim, branco era razoável, desde que o comprimento do passo
o aumento de Q de 3000 para 30000 deverá ocasionar de digitalização fosse pequeno. Quando o número de
uma redução de dez vezes na variância da estimativa. A bits é pequeno, essa condição não é válida. Para ver o
comparação entre as figuras 10.31(a) e 10.32(a) parece efeito no espectro do ruído de digitalização, o experi-
confirmar esse resultado. Para Q = 3000, a estimativa mento anterior foi repetido usando apenas 16 níveis de
cai entre os limites −1,45 * 10−8 ≤ φ̂[m] ≤ 1,39 * 10−8, digitalização, ou 4 bits. Na Figura 10.33 são mostrados
x10−7
4
3
Autocorrelação
−1
−100 −80 −60 −40 −20 0 20 40 60 80 100
Índice do tempo
(a)
−64,5
Espectro de potência (dB)
65
−65,5
0 1000 2000 3000 4000 5000 6000 7000 8000
Frequência em Hz
(b)
Figura 10.32 (a) Estimativa da autocorrelação para o ruído de digitalização com 10 bits; comprimento de registro Q = 30000. (b) Estimativas do
espectro de potência pelo método de Blackman–Tukey usando janelas de Bartlett com M = 100 e M = 50.
√
13 Lembre-se de que uma redução na variância por um fator de 10 corresponde a uma redução na amplitude por um fator de 10 ≈ 3,16.
0 100 200 300 400 500 600 700 800 900 1000
Índice da amostra
Figura 10.33 Forma de onda de voz (primeira e terceira linhas) e o erro de digitalização correspondente (segunda e quarta linhas) para a digitalização
de 4 bits (ampliada 23 vezes). Cada linha corresponde a 1000 amostras consecutivas conectadas por segmentos de reta, por conveniência no esboço.
a forma de onda de voz e o erro de digitalização para cificamente, demonstramos a validade de algumas das
a digitalização de 4 bits. Note que algumas partes da hipóteses básicas do Capítulo 4 e demos uma indicação
forma de onda do erro tendem a se parecer muito com de como essas hipóteses podem ser inválidas para a di-
a forma de onda de voz original. Esperaríamos que isso gitalização muito grosseira. Esse é apenas um exemplo
se refletisse na estimativa do espectro de potência. bem simples, porém útil, que mostra como as técnicas
Na Figura 10.34 são mostradas as estimativas de au- deste capítulo podem ser aplicadas na prática.
tocorrelação e espectro de potência da sequência de erro
para a digitalização de 4 bits para um comprimento de 10.6.3 Estimação do espectro de potência da voz
registro de 30000 amostras. Nesse caso, a autocorrelação Vimos que a transformada de Fourier dependen-
mostrada na Figura 10.34(a) é muito menos semelhante te do tempo é particularmente bem adequada para a
à autocorrelação ideal para ruído branco. Isso não é sur- representação de sinais de voz, pois ela pode rastrear
presa, haja vista a correlação óbvia entre o sinal e o ruído a natureza variante no tempo do sinal de voz. Porém,
exibido na Figura 10.33. Na Figura 10.34(b) são mostra- em alguns casos, é útil assumir um ponto de vista dife-
das as estimativas do espectro de potência para as jane- rente. Em particular, embora a forma de onda de voz
las de Bartlett com M = 100 e M = 50, respectivamente. na Figura 10.21 mostre variabilidade significativa no
Claramente, o espectro não é plano, embora o nível total tempo, assim como sua transformada de Fourier de-
reflita a potência média do ruído. De fato, como veremos, pendente no tempo na Figura 10.22, é possível supor
o ruído de digitalização tende a ter a forma geral do es- que ela seja um sinal aleatório estacionário e aplicar
pectro de voz. Assim, o modelo de ruído branco para o nossas técnicas de análise de espectro de longo prazo.
ruído de digitalização pode ser visto apenas como uma Esses métodos calculam a média em um intervalo de
aproximação um tanto bruta nesse caso, e seria menos tempo que é muito maior que os eventos de mudança
válida para digitalização mais grosseira. na voz. Isso fornece uma forma de espectro geral que
O exemplo desta seção ilustra como as estimati- pode ser útil no projeto de codificadores de voz e para
vas de autocorrelação e de espectro de potência podem determinar os requisitos de largura de banda para a
ser usadas para dar suporte a modelos teóricos. Espe- transmissão de voz.
x10−4
10
8
Autocorrelação
−2
−100 −80 −60 −40 −20 0 20 40 60 80 100
Índice do tempo
(a)
−22
Espectro de potência (dB)
−24
−26
−28
−30
−32
−34
−36
0 1000 2000 3000 4000 5000 6000 7000 8000
Frequência em Hz
(b)
Figura 10.34 (a) Estimativa da autocorrelação para o ruído de digitalização de 4 bits; comprimento de registro Q = 30000. (b) Estimativa do
espectro de potência pelo método de Blackman–Tukey usando janelas de Bartlett com M = 100 e M = 50. (A linha tracejada mostra o nível de
10 log10(2–6/12).)
Na Figura 10.35 é mostrado um exemplo da esti- não é verdade no caso da janela de Hamming. O efei-
mativa do espectro de potência da voz usando o mé- to disso é particularmente pronunciado em regiões de
todo de Blackman–Tukey. A sequência de autocorrela- variabilidade rápida do periodograma, onde os lóbulos
ção estimada a partir de Q = 30000 amostras do sinal laterais resultantes de frequências adjacentes podem se
de voz da Figura 10.21 é mostrada na Figura 10.35(a), cancelar ou se interferir na produção de estimativas de
juntamente com as janelas de Bartlett e de Hamming espectro negativas. Os pontos na Figura 10.35(b) mos-
de comprimento 2M + 1 = 101. Na Figura 10.35(b) tram as frequências nas quais a estimativa de espectro
são mostradas as estimativas de espectro de potência foi negativa. Ao representar o gráfico em dB, é preciso
correspondentes. As duas estimativas são ligeiramente tomar o valor absoluto das estimativas negativas. Assim,
similares, porém muito diferentes nos detalhes. Isso se embora a janela de Bartlett e a janela de Hamming te-
deve à natureza das TFTDs das janelas. Ambas têm a nham a mesma largura do lóbulo principal, os lóbulos
mesma largura do lóbulo principal ωm = 8π/M, em- laterais positivos da janela de Bartlett tendem a preen-
bora seus lóbulos laterais sejam muito diferentes. Os cher as lacunas entre frequências relativamente fortes,
lóbulos laterais da janela de Bartlett são estritamente enquanto os lóbulos laterais menores da janela de Ham-
não negativos, embora aqueles da janela simétrica de ming levam a vazamentos menores entre as frequências,
Hamming (que são menores do que aqueles da janela mas ao perigo de estimativas de espectro negativas, visto
de Bartlett) sejam negativos em algumas frequências. que os lóbulos laterais positivos e negativos interagem.
Quando convoluídos com o periodograma correspon- A janela de Hamming (ou outras janelas, como a
dente à estimativa da autocorrelação, isso gera os resul- janela de Kaiser) pode ser usada na estimativa de es-
tados radicalmente diferentes apresentados. pectro sem o perigo de estimativas negativas se elas
A janela de Bartlett garante uma estimativa de forem usadas no método de tomar a média dos perio-
espectro positiva para todas as frequências. Porém, isso dogramas que são discutidos na Seção 10.5.3. Esse mé-
x10−3
15
10
Autocorrelação
−5
−50 −40 −30 −20 −10 0 10 20 30 40 50
Índice do tempo
(a)
0
Espectro de potência (dB)
−10
−20
−30
−40
−50
−60
0 1000 2000 3000 4000 5000 6000 7000 8000
Frequência em Hz
(b)
Figura 10.35 (a) Estimativa da autocorrelação para o sinal de voz da Figura 10.21; comprimento de registro Q = 30000. (b) Estimativas do es-
pectro de potência pelo método de Blackman–Tukey usando a janela de Bartlett (linha grossa) e a janela de Hamming (linha fina) com M = 50.
todo garante estimativas positivas, pois periodogramas com o tempo. Um locutor diferente ou um material de
positivos são considerados no cálculo da média. Na Fi- voz diferente certamente produziria uma estimativa de
gura 10.36 é mostrada uma comparação das estimati- espectro diferente, mas a forma geral das estimativas de
vas de Blackman–Tukey da Figura 10.35(b) com uma espectro seria semelhante àquelas da Figura 10.36.
estimativa obtida pelo método de Welch da média de
periodogramas modificados. A linha tracejada grossa é 10.7 Resumo
a estimativa de Welch. Note que isso é consequência da Uma das aplicações importantes do processa-
forma geral das outras duas estimativas, mas difere sig- mento de sinais é a análise de espectro de sinais. Gra-
nificativamente na região de altas frequências, em que ças à eficiência de cálculo da FFT, muitas das técnicas
o espectro de voz é naturalmente pequeno, e a resposta para análise de espectro de sinais de tempo contínuo
em frequência do filtro antialiasing analógico faz com ou de tempo discreto utilizam a TFD direta ou indire-
que o espectro seja muito pequeno. Em virtude de sua tamente. Neste capítulo, exploramos e ilustramos algu-
capacidade superior de fornecer resolução consistente mas dessas técnicas.
para espectros com uma faixa dinâmica ampla, e por Muitas das questões associadas à análise de es-
ser facilmente implementado usando a TFD, o método pectro são mais bem compreendidas no contexto da
de tomar a média dos periodogramas é bastante usado análise de sinais senoidais. Como o uso da TFD exige
em muitas aplicações práticas de estimação de espectro. sinais de comprimento finito, o janelamento precisa
Todas as estimativas de espectro na Figura 10.36 ser aplicado antes da análise. Para sinais senoidais, a
mostram que o sinal de voz é caracterizado por um pico largura do pico espectral observado na TFD depende
abaixo de 500 Hz e um decaimento com o aumento de do comprimento da janela, com um aumento no com-
frequência por 30 a 40 dB em 6 kHz. Vários picos proe- primento da janela resultando em picos mais acen-
minentes entre 3 e 5 kHz poderiam ser o resultado de tuados. Consequentemente, a capacidade de resolver
ressonâncias mais altas no trato vocal, que não variam senoides pouco espaçadas na estimativa de espectro
−10
−20
Espectro de potência (dB)
−30
−40
−50
−60
−70
0 1000 2000 3000 4000 5000 6000 7000 8000
Frequência em Hz
Figura 10.36 Estimativas de espectro de potência pelo método de Blackman–Tukey usando a janela de Bartlett (linha grossa) e a janela de
Hamming (linha fina) com M = 50. A linha tracejada mostra o espectro de potência obtido pela média dos periodogramas sobrepostos usando
uma janela de Hamming com M = 50.
diminui à medida que a janela se torna mais curta. no tempo geralmente é preferível manter o compri-
Um segundo efeito independente, inerente à análise mento da janela suficientemente curto, de modo que,
de espectro a partir da TFD, é a amostragem espec- pela duração da janela, as características do sinal sejam
tral associada. Especificamente, como o espectro pode aproximadamente estacionárias. Isso leva ao conceito
ser calculado apenas em um conjunto de amostras de da transformada de Fourier dependente do tempo, que,
frequências, o espectro observado pode ser confuso se de fato, é uma sequência de transformadas de Fourier
não tivermos cuidado ao interpretá-lo. Por exemplo, obtidas à medida que o sinal desliza através de uma
características importantes no espectro podem não ser janela de duração finita. Uma interpretação comum e
diretamente evidentes no espectro amostrado. Para útil da transformada de Fourier dependente do tempo é
evitar isso, o espaçamento entre amostras espectrais como um banco de filtros, com a resposta em frequência
pode ser reduzido pelo aumento do comprimento da de cada filtro correspondendo à transformada da jane-
TFD de duas maneiras. Um método consiste em au- la, com a frequência deslocada para uma das frequên-
mentar o comprimento da TFD enquanto se mantém o cias da TFD. A transformada de Fourier dependente do
comprimento da janela fixo (exigindo preenchimento tempo tem aplicações importantes, tanto como uma eta-
com zeros da sequência janelada). Isso não aumenta a pa intermediária na filtragem de sinais quanto na aná-
resolução. O segundo método consiste em aumentar lise e interpretação de sinais variantes no tempo, como
tanto o comprimento da janela quanto o comprimento sinais de voz e radar. A análise espectral de sinais não
da TFD. Nesse caso, o espaçamento entre amostras es- estacionários muitas vezes envolve uma escolha entre
pectrais é reduzido, e a capacidade de resolver compo- resolução no tempo e na frequência. Especificamente,
nentes senoidais pouco espaçados é aumentada. nossa capacidade de rastrear características espectrais
Embora um aumento no comprimento da janela no tempo aumenta à medida que o comprimento da ja-
e na resolução muitas vezes seja benéfico na análise de nela de análise diminui. Porém, uma janela de análise
espectro de dados estacionários, para dados variantes mais curta resulta em menor resolução na frequência.
A TFD também desempenha um papel importan- sejam não nulos e X[k] = 0 para todos os outros
te na análise de sinais aleatórios estacionários. Uma téc- valores de k?
nica intuitiva para a estimação do espectro de potência (b) Sua resposta é única? Se não, dê outro valor de T
dos sinais aleatórios consiste em calcular a magnitude que satisfaça as condições no item (a).
ao quadrado da TFD de um segmento do sinal. A esti- 10.4. Seja xc(t) um sinal de valor real, de banda limitada, cuja
transformada de Fourier Xc(j) seja nula para || ≥
mativa resultante, chamada de periodograma, é assinto-
2π(5000). A sequência x[n] é obtida pela amostragem de
ticamente não enviesada. A variância da estimativa do
xc(t) em 10 kHz. Suponha que a sequência x[n] seja nula
periodograma, porém, não diminui para zero à medida para n < 0 e n > 999.
que o comprimento do segmento aumenta; consequen- Seja X[k] a TFD de 1000 pontos de x[n]. Sabemos
temente, o periodograma não é uma boa estimativa. que X [900] = 1 e X [420] = 5. Determine Xc(j)
Contudo, dividindo a sequência de sinal disponível em para tantos valores de quanto você puder na região
segmentos mais curtos e tomando a média dos perio- || < 2π(5000).
dogramas associados, podemos obter uma estimativa 10.5. Considere a estimação do espectro de um sinal de tempo
apropriada. Uma técnica alternativa consiste em pri- discreto x[n] usando a TFD com uma janela de Ham-
meiro estimar a função de autocorrelação. Isso pode ser ming aplicada a x[n]. Uma regra prática conservadora
feito diretamente ou com a TFD. Se uma janela for en- para a resolução de frequência da análise de TFD janela-
da é que a resolução de frequência seja igual à largura do
tão aplicada às estimativas de autocorrelação seguidas
lóbulo principal de W(ejω). Você deseja poder distinguir
pela TFD, o resultado, conhecido como periodograma sinais senoidais que estejam separados por apenas π/100
suavizado, é uma boa estimativa do espectro. em ω. Além disso, seu comprimento de janela L é restrito
a ser uma potência de 2. Qual é o comprimento mínimo
L = 2v que atenderá a seu requisito de resolução?
Problemas 10.6. A seguir, são apresentados três sinais diferentes xi [n],
que são a soma de duas senoides:
Problemas básicos com respostas
10.1. Um sinal de tempo contínuo real xc(t) tem banda limi- x1[n] = cos (πn/4) + cos (17πn/64) ,
tada a frequências abaixo de 5 kHz; isto é, Xc(j) = 0
para || ≥ 2π (5000). O sinal xc(t) é amostrado com uma x2[n] = cos (πn/4) + 0,8 cos (21πn/64) ,
taxa de amostragem de 10000 amostras por segundo x3[n] = cos (πn/4) + 0,001 cos (21πn/64) .
(10 kHz) para produzir uma sequência x[n] = xc(nT)
com T = 10–4. Seja X[k] a TFD de 1000 pontos de x[n]. Queremos estimar o espectro de cada um desses sinais
(a) A que frequência de tempo contínuo o índice k = usando uma TFD de 64 pontos com uma janela retan-
150 em X[k] corresponde? gular de 64 pontos w[n]. Indique quais das TFDs de 64
(b) A que frequência de tempo contínuo o índice k = pontos dos sinais você esperaria que tivessem dois picos
800 em X[k] corresponde? espectrais distintos após o janelamento.
10.2. Um sinal de tempo contínuo xc(t) tem banda limitada 10.7. Seja x[n] uma sequência de 5000 pontos obtida pela
a 5 kHz; isto é, Xc(j) = 0 para || ≥ 2π(5000). xc(t) é amostragem de um sinal de tempo contínuo xc(t) com
amostrado com período T, e produz a sequência x[n] = T = 50 μs. Suponha que X[k] seja a TFD de 8192 pontos
xc(nT). Para examinar as propriedades espectrais do si- de x[n]. Qual é o espaçamento de frequência equivalen-
nal, calculamos a TFD de N pontos de um segmento de te no tempo contínuo de amostras de TFD adjacentes?
N amostras de x[n] usando um programa de computa- 10.8. Suponha que x[n] seja uma sequência de 1000 pontos
dor que exige N = 2v, sendo v um inteiro. obtida pela amostragem de um sinal de tempo contínuo
Determine o valor mínimo para N e o intervalo de taxas xc(t) a 8 kHz e que Xc(j) tenha banda suficientemente
de amostragem limitada para evitar o aliasing. Qual é o comprimento
N da TFD mínimo tal que amostras adjacentes de X[k]
1
Fmín 6 6 F máx correspondam ao espaçamento de frequência de 5 Hz
T
ou menos no sinal de tempo contínuo original?
de modo que o aliasing seja evitado e o espaçamento
10.9. Xr[k] denota a transformada de Fourier dependente do
efetivo entre os valores de TFD seja menor do que 5 Hz;
tempo (TFDT) definida na Equação 10.40. Para este
isto é, as frequências de tempo contínuo equivalentes
problema, considere a TFDT quando o comprimento da
em que a transformada de Fourier é calculada são sepa-
TFD é N = 36 e o intervalo de amostragem, R = 36.
radas por menos de 5 Hz.
A janela w[n] é uma janela retangular de comprimento
10.3. Um sinal de tempo contínuo xc(t) = cos(0t) é amos-
L = 36. Calcule a TFDT Xr[k] para −∞ < r < ∞ e 0 ≤
trado com período T para produzir a sequência x[n] =
k ≤ N − 1 para o sinal
xc(nT). Uma janela retangular de N pontos é aplicada a
x[n] para 0, 1, ..., N – 1, e X[k], para k = 0, 1, . . . , N − 1 é cos(πn/ 6), 0 ≤ n ≤ 35,
a TFD de N pontos da sequência resultante. x[n] = cos(π n/ 2), 36 ≤ n ≤ 71,
(a) Supondo que 0, N e k0 sejam fixos, como T de- 0, caso contrário.
verá ser escolhido de modo que X[k0] e X[N − k0]
10.10. A Figura P10.10 mostra o espectrograma de um sinal Note que o espectrograma é uma representação da
chirp na forma magnitude de X[n, k], como define a Equação 10.34,
1 em que as regiões escuras indicam grandes valores de
x[n] = sen ω0 n + λn2 .
2 |X[n, k]|. Com base na figura, estime ω0 e λ.
|X [n,k]|
0,9
0,8
0,7
0,6
0,5
ω/π
0,4
0,3
0,2
0,1
0
0 2000 4000 6000 8000 10000 12000 14000 16000 18000
n (amostras)
Figura P10.10
10.11. Um sinal de tempo contínuo é amostrado com uma taxa de duração é usada na análise de Fourier dependente do
de amostragem de 10 kHz, e a TFD de 1024 amostras é tempo do sinal, como descrito na Seção 10.3, sendo a ja-
calculada. Determine o espaçamento de frequência de nela deslocada de 40 amostras entre os cálculos da TFD.
tempo contínuo entre as amostras espectrais. Justifique Suponha que o comprimento de cada TFD seja N = 2v.
sua resposta. (a) Quantas amostras existem em cada segmento de
10.12. Seja x[n] um sinal com um único componente senoidal. voz selecionado pela janela?
O sinal x[n] é janelado com uma janela de Hamming (b) Qual é a “taxa de quadro” da análise de Fourier de-
de L pontos w[n] para a obtenção de v1[n] antes do cál- pendente do tempo, isto é, quantos cálculos de TFD
culo de V1(ejω). O sinal x[n] também é janelado com uma são feitos por segundo do sinal de entrada?
janela retangular de L pontos para a obtenção de v2[n], (c) Qual é o tamanho mínimo N da TFD tal que o sinal
que é usado para calcular V2(ejω). Os picos em |V2(ejω)| de entrada original possa ser reconstruído a partir
e |V1(ejω)| têm a mesma altura? Caso tenham, justifique da transformada de Fourier dependente do tempo?
sua resposta. Se não, qual deverá ter um pico maior? (d) Qual é o espaçamento (em Hz) entre as amostras
10.13. Desejamos estimar o espectro de x[n] pela aplicação de das TFDs para o N mínimo do item (c)?
uma janela de Kaiser de 512 pontos ao sinal antes do 10.15. Um segmento de tempo contínuo de valor real
cálculo de X(ejω). de um sinal xc(t) é amostrado a uma taxa de 20000
(a) Os requisitos para a resolução de frequência do amostras/s, gerando uma sequência de tempo discre-
sistema especificam que o maior lóbulo principal to de comprimento finito de 1000 pontos x[n] que é
permitido para a janela de Kaiser é π/100. Qual é não nula no intervalo 0 ≤ n ≤ 999. Sabemos que xc(t)
a melhor atenuação do lóbulo lateral esperada sob também é limitado em banda, tal que Xc(j) = 0 para
essas restrições? || ≥ 2π(10.000); isto é, suponha que a operação de
(b) Suponha que você saiba que x[n] contém dois com- amostragem não introduza qualquer distorção por
ponentes senoidais afastados por pelo menos π/50, causa do aliasing.
e que a amplitude do componente mais forte é 1. X[k] indica a TFD de 1000 pontos de x[n]. Sabemos que
Com base em sua resposta para o item (a), dê um X[800] contém o valor X[800] = 1 + j.
limiar para o menor valor do componente mais fra- (a) Pelas informações dadas, você consegue determinar
co que você esperaria ver sobre o lóbulo lateral da X[k] em quaisquer outros valores de k? Nesse caso,
senoide mais forte. indique qual é ou quais são os valores de k, e qual
10.14. Um sinal de voz é amostrado com uma taxa de amostra- é o valor correspondente de X[k]. Se não, explique
gem de 16000 amostras/s (16 kHz). Uma janela de 20 ms por que não.
(b) Pela informação dada, indique o(s) valor(es) de consecutivas X[k] corresponda a 1 Hz ou menos na
para o(s) qual(is) Xc(j) é conhecido e o(s) frequência de tempo contínuo?
valor(es) correspondente(s) de Xc(j). 10.18. Na Figura P10.18 é mostrada a magnitude |V[k]| da TFD
10.16. Considere que x[n] seja um sinal de tempo discreto cujo de 128 pontos V[k] para um sinal v[n]. O sinal v[n] foi
espectro você deseja estimar usando uma TFD jane- obtido pela multiplicação de x[n] por uma janela retan-
lada. Você precisa obter uma resolução em frequência gular de 128 pontos w[n]; isto é, v[n] = x[n]w[n]. Note
de pelo menos π/25 e também precisa usar um compri- que na Figura P10.18 é mostrado |V[k]| somente para o
mento de janela N = 256. Uma estimativa segura da intervalo 0 ≤ k ≤ 64. Quais dos seguintes sinais poderiam
resolução em frequência de uma estimativa espectral é ser x[n]? Isto é, quais são consistentes com a informação
a largurado lóbulo principal da janela usada. Qual das mostrada na figura?
janelas na Tabela 7.2 satisfará o critério dado para a re-
solução em frequência? x1[n] = cos(πn/4) + cos(0,26πn),
10.17. Seja x[n] um sinal de tempo discreto obtido pela
x2[n] = cos(πn/4) + (1/3) sen(πn/8),
amostragem de um sinal de tempo contínuo xc(t) com
algum período de amostragem T de modo que x[n] = x3[n] = cos(πn/4) + (1/3) cos(πn/8),
xc(nT). Suponha que xc(t) tenha banda limitada a
100 Hz, isto é, Xc(j) = 0 para || ≥ 2π(100). Quere- x4[n] = cos(πn/8) + (1/3) cos(πn/16),
mos estimar o espectro de tempo contínuo Xc(j) por
meio do cálculo de uma TFD de 1024 pontos de x[n], x5[n] = (1/3) cos(πn/4) + cos(πn/8),
X[k]. Qual é o menor valor de T tal que o espaçamen-
to de frequência equivalente entre amostras de TFD x6[n] = cos(πn/4) + (1/3) cos(πn/8 + π/3).
70
60
50
40
|V[k]|
30
20
10
0
0 10 20 30 40 50 60 70
Índice k da TFD
Figura P10.18
10.19. Um sinal x[n] é analisado a partir da transformada de MÉTODO 2: Aumentar tanto N quanto L para
Fourier dependente do tempo Xr[k], como definido 256, mantendo o mesmo R.
na Equação 10.40. Inicialmente, a análise é realizada MÉTODO 3: Diminuir R para 64 e manter os
com uma TFD de N = 128 por meio de uma janela mesmos N e L.
de Hamming com L = 128 pontos, w[n]. A amostra- MÉTODO 4: Diminuir L para 64 e manter os
gem no domínio do tempo de blocos adjacentes é R mesmos N e R.
= 128; isto é, os segmentos janelados são deslocados MÉTODO 5: Manter N, R e L, mas mudar w[n]
por 128 amostras no tempo. A resolução de frequência para que seja uma janela retangular.
obtida com essa análise não é suficiente, e desejamos
melhorá-la. Vários métodos de modificação da análise 10.20. Suponha que você queira estimar o espectro de x[n]
são sugeridos para a realização desse objetivo. Qual pela aplicação de uma janela de Kaiser ao sinal antes
dos seguintes métodos melhorará a resolução em fre- de calcular a TFTD. É preciso que o lóbulo lateral da
quência da transformada de Fourier dependente do janela seja de 30 dB abaixo do lóbulo principal e que a
tempo Xr[k]? resolução de frequência seja π/40. A largura do lóbulo
principal da janela é uma estimativa segura da resolução
MÉTODO 1: A
umentar N para 256 e manter os de frequência. Estime o comprimento de janela L míni-
mesmos valores de L e R. mo que atenda a esses requisitos.
25
20
|Xw [k]| 15
10
0
0 5 10 15 20 25 30 35
k
Figura P10.24-2
6
|Xw [k]|
0
0 5 10 15 20 25 30 35
k
Figura P10.24-3
Figura P10.26-4
v0[n]
h0[n]
10.27. Temos interesse em obter 256 amostras igualmente es-
paçadas da transformada z de xw[n]. xw[n] é uma versão
x[n] janelada de uma sequência arbitrária x[n], sendo xw[n]
...
n=0
vN−1[n] As amostras Xw[k] que gostaríamos de calcular são
hN−1[n]
Xw [k]= Xw (z)| j 2π k
k = 0, 1, . . . , 255.
z=0,9e 256
2πk
Gostaríamos de processar o sinal x[n] com um banco de
hk[n] = e j ωk nh0[n], ωk = , sendo k = 0, 1, ... , N − 1 filtros modulados, como indicado na Figura P10.27.
N
Cada filtro no banco de filtros tem uma resposta ao im-
pulso que está relacionada ao filtro passa-baixas causal
h0[n] = filtro protótipo passa-baixas Hk(z) = H0(e −j2πk/Nz) protótipo h0[n] da seguinte forma:
0
v0[n]
h0[n]
Figura P10.26-2
v1[n]
x[n] h1[n]
...
0,9
h0[n] = {0,9 caso contrário. h255[n]
v255[n]
Figura P10.27
l=0
Figura P10.26-3
N = 512 e LR = 256.
Um sistema alternativo para a análise espectral é mos-
Para a escolha mais geral do coeficiente multiplica-
trado na Figura P10.26-4. Determine w[n] de modo que
dor al, determine a escolha para L e R que resultará
G[k] = vk[0], para k = 0, 1, ..., N − 1. no menor número de multiplicações por segundo.
T = 10−4 z−1
TFD de
z−1 N pontos
z−1
Figura P10.28-1
(b) Na Figura P10.28-2, mostramos outro sistema para 10.29. O sistema mostrado na Figura P10.29 é proposto como
análise espectral de um sinal xc(t), em que um analisador de espectro. A operação básica é a se-
(0,93)n 0 ≤ n ≤ 255 guinte: o espectro da entrada amostrada é deslocado na
h[n] = frequência; o filtro passa-baixas seleciona a banda de
0 caso contrário,
frequências passa-baixa; o subamostrador “espalha” a
hk[n] = h[n]e−jωkn, k = 0, 1, . . . , N − 1 e N = 512. banda de frequência selecionada pelo intervalo inteiro
A seguir, listamos duas escolhas possíveis para M, −π < ω < π; e a TFD amostra essa banda de frequência
quatro escolhas possíveis para ωk e seis escolhas uniformemente em N frequências.
possíveis para os coeficientes al. A partir desse Suponha que a entrada seja limitada em banda, de
conjunto, identifique todas as combinações para as modo que Xc(j) = 0 para || ≥ π/T. O sistema LIT
quais Yk[n] = Xk[n], isto é, para as quais os dois sis- com resposta em frequência H(ejω) é um filtro passa-
temas oferecerão a mesma análise espectral. Pode -baixas ideal com ganho unitário e frequência de corte
haver mais de uma. π/M. Além disso, suponha que 0 < ω1 < π, e que a janela
M: (a) 256 (b) 512 de dados w[n] seja uma janela retangular de compri-
2πk
mento N.
ωk : (a) 2πk −2πk −2πk
256 (b) 512 (c) 256 (d) 512 (a) Faça gráficos das TFTDs, X(ejω), Y(ejω), R(ejω) e
al : (a) (0,93)l l = 0, 1, ..., 255, zero, caso contrário Rd(ejω) para a Xc(j) dada e para ω1 = π/2 e M = 4.
(b) (0,93)−l l = 0, 1, ..., 511 Dê a relação entre as transformadas de Fourier de
(c) (0,93)l l = 0, 1, ..., 511 entrada e saída para cada estágio do processo; por
exemplo, no quarto diagrama, você indicaria
(d) (0,93)−l l = 0, 1, ..., 255, zero, caso contrário
(e) (0,93)l l = 256, 257, ..., 511, zero, caso contrário R(ejω) = H(ejω)Y(ejω).
(f) (0,93)−l l = 256, 257, ..., 511, zero, caso contrário
(b) Usando seu resultado do item (a), generalize para
determinar a banda de frequências de tempo con-
xc (t) x[n] Y0[n]
C/D h0[n] ↓M tínuo em Xc(j) que cai dentro da banda de pas-
sagem do filtro passa-baixas de tempo discreto.
Sua resposta dependerá de M, ω1 e T. Para o caso
T = 10−4 Y1[n] específico de ω1 = π/2 e M = 4, indique essa banda
h1[n] ↓M
de frequências no gráfico de Xc(j) dado para o
item (a).
Y2[n] (c) (i)
Quais frequências de tempo contínuo em
h2[n] ↓M
Xc(j) estão associadas aos valores de TFD
V[k] para 0 ≤ k ≤ N/2?
YN − 1[n] A quais frequências de tempo contínuo em
(ii)
hN − 1[n] ↓M
Xc(j) os valores para N/2 < k ≤ N − 1 corres-
pondem? Em cada caso, dê uma fórmula para
Figura P10.28-2 as frequências k.
e –jω1n w[n]
Figura P10.29
10.30. Considere um sinal de tempo contínuo limitado no tem- Fourier “típica” Xc(j). Indique explicitamente qual(is)
po xc(t) cuja duração é de 100 ms. Suponha que esse si- método(s) oferece(m) as amostras desejadas de Xc(j).
nal tenha uma transformada de Fourier de banda limi- 10.31. Um sinal de duração finita de tempo contínuo xc(t) é
tada tal que Xc(j) = 0 para || ≥ 2π(10000) rad/s; isto amostrado em uma taxa de 20000 amostras/s, gerando
é, suponha que o aliasing seja insignificante. Queremos uma sequência de comprimento finito de 1000 pontos
calcular amostras de Xc(j) com espaçamento de 5 Hz x[n] que é não nula no intervalo 0 ≤ n ≤ 999. Suponha,
no intervalo 0 ≤ ≤ 2π(10000). Isso pode ser feito com para este problema, que o sinal de tempo contínuo tam-
uma TFD de 4000 pontos. Especificamente, queremos bém seja limitado em banda, de modo que Xc(j) = 0
obter uma sequência de 4000 pontos x[n] para a qual a para || ≥ 2π(10000); isto é, suponha que ocorra uma
TFD de 4000 pontos esteja relacionada a Xc(j) por distorção de aliasing insignificante na amostragem.
Suponha também que um circuito ou programa es-
X[k] = αXc(j2π · 5 · k), k = 0, 1, . . . , 1999, teja disponível para calcular TFDs de 1000 pontos e
sendo α um fator de escala conhecido. Três métodos são TFDs inversas.
propostos para a obtenção de uma sequência de 4000 (a) Se X [k] indica a TFD de 1000 pontos da sequência
pontos cuja TFD gera as amostras desejadas de Xc(j). x[n], como X[k] está relacionada a Xc(j)? Qual é
o espaçamento em frequência de tempo contínuo
MÉTODO 1: xc(t) é amostrada com um período efetivo entre as amostras da TFD?
de amostragem T = 25 μs; isto é, calculamos X1[k], O procedimento a seguir é proposto para a obten-
a TFD da sequência ção de uma visualização expandida da transforma-
xc (nT ), n = 0, 1, . . . , 3999, da de Fourier Xc(j) no intervalo || ≤ 2π(5000),
x1 [n] = começando com a TFD de 1000 pontos X[k].
0, caso contrário.
Etapa 1. Forme a nova TFD de 1000 pontos
Como xc(t) é limitado no tempo a 100 ms, x1[n] é
uma sequência de comprimento finito de compri- X[k], 0 ≤ k ≤ 250,
W[k] = 0, 251 ≤ k ≤ 749,
mento 4000 (100 ms/25 µs).
X[k], 750 ≤ k ≤ 999.
MÉTODO 2: xc(t) é amostrado com um período
de amostragem de T = 50 μs. Como xc(t) é limita- Etapa 2. Calcule a TFD inversa de 1000 pontos de
do no tempo a 100 ms, a sequência resultante terá W[k], obtendo w[n] para n = 0, 1, ..., 999.
apenas 2000 (100 ms/50 µs) amostras não nulas; Etapa 3. Faça a dizimação da sequência w[n] por
isto é, um fator de 2 e aumente o resultado com
500 amostras nulas consecutivas, obtendo
xc (nT ), n = 0, 1, . . . , 1999, a sequência
x2 [n] =
0, caso contrário.
w[2n], 0 ≤ n ≤ 499,
y[n] =
Em outras palavras, a sequência é preenchida com 0, 500 ≤ n ≤ 999.
amostras nulas para criar uma sequência de 4000
pontos para a qual a TFD de 4000 pontos X2[k] é Etapa 4. Calcule a TFD de 1000 pontos de y[n],
calculada. obtendo Y[k].
(b) O projetista desse procedimento garante que
MÉTODO 3: xc(t) é amostrada com um período
de amostragem de T = 50 µs, como no Método Y[k] = αXc(j2π · 10 · k), k = 0, 1, ..., 500,
2. A sequência de 2000 pontos resultante é usada
para formar a sequência x3[n] da seguinte forma: sendo α uma constante de proporcionalidade. Essa
afirmação é correta? Se não, explique por que não.
xc (nT ), 0 ≤ n ≤ 1999, 10.32. Um sinal analógico que consiste em uma soma de se-
x3 [n] = xc ((n − 2000)T ), 2000 ≤ n ≤ 3999, noides foi amostrado com uma taxa de amostragem de
0, caso contrário. fs = 10000 amostras/s para a obtenção de x[n] = xc(nT).
Quatro espectrogramas que mostram a transformada de
A TFD de 4000 pontos X3[k] dessa sequência é Fourier dependente do tempo |X[n, λ)| foram calculados
calculada. usando uma janela retangular ou uma janela de Ham-
Para cada um dos três métodos, determine como cada ming. Elas são esboçadas na Figura P10.32. (Uma escala
TFD de 4000 pontos está relacionada a Xc(j). Indique de amplitude logarítmica é usada, e somente os 35 dB
essa relação em um esboço para uma transformada de superiores aparecem.)
1 0 1 0
-5 -5
0,8 0,8
-10 -10
0,6 -15 0,6 -15
λ/π
λ/π
0,4 -20 0,4 -20
-25 -25
0,2 0,2
-30 -30
0 -35 0 -35
0 1000 2000 3000 0 1000 2000 3000
n (amostras) n (amostras)
1 0 1 0
-5 -5
0,8 0,8
-10 -10
0,6 -15 0,6 -15
λ/π
λ/π
0,4 -20 0,4 -20
-25 -25
0,2 0,2
-30 -30
0 -35 0 -35
0 1000 2000 3000 0 1000 2000 3000
n (amostras) n (amostras)
Figura P10.32
(a) Quais espectrogramas foram calculados com uma Mostre que o periodograma também é igual a 1/LU ve-
janela retangular? zes a transformada de Fourier da sequência de autocor-
(a) (b) (c) (d) relação aperiódica de v[n]; isto é,
L−1
(b) Qual par (ou pares) de espectrogramas tem aproxi- 1
madamente a mesma resolução em frequência? I (ω) = cvv [m]e−j ωm ,
LU
m=−(L−1)
(a&b) (b&d) (c&d) (a&d) (b&c)
(c) Qual espectrograma tem a janela de tempo mais sendo
curta? (a) (b) (c) (d) L−1
(d) Para as 100 amostras mais próximas, estime o com- cvv [m] = v[n]v[n + m].
primento da janela L (em amostras) da janela no n=0
espectrograma (b). 10.34. Considere uma sequência de comprimento finito x[n], tal
(e) Use os dados espectrográficos na Figura P10.32 que x[n] = 0 para n < 0 e n ≥ L. Seja X[k] a TFD de N pon-
para auxiliá-lo na escrita de uma equação (ou equa- tos da sequência x[n], sendo N > L. Defina cxx[m] como
ções) para uma soma analógica de senoides xc(t) a função de autocorrelação aperiódica de x[n]; isto é,
que, quando amostradas em uma taxa de amostra- ∞
gem de fs = 10000, produziriam os espectrogramas cxx [m] = x[n]x[n + m].
citados. Seja o mais abrangente que puder em sua n=−∞
Defina
descrição do sinal. Indique quaisquer parâmetros N−1
1
que não possam ser obtidos pelo espectrograma. c̃xx [m] = |X[k]|2 e j (2π/N)km , m = 0, 1, . . . , N− 1.
10.33. O periodograma I(ω) de um sinal aleatório de tempo N
m=0
discreto x[n] foi definido na Equação 10.67 como (a) Determine o valor mínimo de N que pode ser usa-
1 do para a TFD se exigirmos que
I (ω) = |V (ej ω )| 2 ,
LU cxx[m] = c̃xx[m], 0 ≤ m ≤ L − 1.
sendo V(ejω) a TFTD da sequência de comprimento fini- (b) Determine o valor mínimo de N que pode ser usa-
to v[n] = w[n]x[n], com w[n] sendo uma sequência jane- do para a TFD se exigirmos que
la de comprimento finito de comprimento L e U sendo
cxx[m] = c̃xx[m], 0 ≤ m ≤ M − 1,
uma constante de normalização. Suponha que x[n] e
w[n] sejam reais. sendo M < L.
10.35. A janela simétrica de Bartlett, que aparece em muitos Neste problema, mostraremos que F diminui à medida
aspectos da estimação de espectro de potência, é defini- que o comprimento da janela diminui, mas também sa-
da como bemos, a partir da discussão anterior sobre janelas no
Capítulo 7, que a largura do lóbulo principal de Wc(ejω)
1 − |m|/M, |m| ≤ M − 1,
wB [m] = aumenta com a diminuição do comprimento da janela,
0, caso contrário. (P10.35-1)
de modo que a capacidade de distinguir dois componen-
A janela de Bartlett é particularmente atraente para a tes de frequência adjacentes é reduzida quando o com-
obtenção de estimativas do espectro de potência pelo ja- primento da janela diminui. Assim, existe um dilema en-
nelamento de uma função de autocorrelação estimada, tre redução de variância e resolução. Estudaremos esse
como discutimos na Seção 10.6. Isso porque sua trans- dilema para as seguintes janelas comumente utilizadas:
formada de Fourier é não negativa, o que garante que a Retangular
estimativa de espectro suavizada será não negativa em 1, |m| ≤ M − 1,
todas as frequências. wR [m] =
0, caso contrário.
(a) Mostre que a janela de Bartlett, definida na Equa-
ção P10.35-1, é (1/M) vezes a autocorrelação ape- Bartlett (triangular)
riódica da sequência (u[n] − u[n − M]). 1 − |m|/M, |m| ≤ M − 1,
(b) Pelo resultado do item (a), mostre que a transfor- wB [m] =
0, caso contrário.
mada de Fourier da janela de Bartlett é
Hanning/Hamming
1 sen (ωM/ 2) 2
WB (e j ω ) = , (P10.35-2) α + β cos[πm/(M − 1)], |m| ≤ M − 1,
M sen (ω/ 2) wH [m] =
0, caso contrário.
que claramente é não negativa.
(c) Descreva um procedimento para gerar outras se- (α = β = 0,5 para a janela de Hanning e α = 0,54 e β =
quências janelas de comprimento finito que pos- 0,46 para a janela de Hamming.)
suam transformadas de Fourier não negativas. (a) Encontre a transformada de Fourier de cada uma
10.36. Considere um sinal das janelas anteriores; isto é, calcule WR(ejω),
πn 2 WB(ejω) e WH(ejω). Esboce cada uma dessas trans-
x[n] = sen u[n] formadas de Fourier em função de ω.
2
(b) Para cada uma das janelas, mostre que as entradas
cuja transformada de Fourier discreta dependente do na tabela a seguir são aproximadamente verdadei-
tempo é calculada usando a janela de análise ras quando M 1:
1, 0 ≤ n ≤ 13,
w[n] =
0, caso contrário. Largura aproximada Razão de variância
Nome da Janela
do lóbulo principal aproximada (F)
Seja X[n, k] = X[n, 2πk/7) para 0 ≤ k ≤ 6, em que X[n, λ)
é definida como na Seção 10.3. Retangular 2π/M 2M/Q
(a) Determine X[0, k] para 0 ≤ k ≤ 6. Bartlett 4π/M 2M/(3Q)
(b) Calcule 6k=0 X[n, k] para 0 ≤ n < ∞. Hanning/Hamming 3π/M 2M(α2 + β2/2)/Q
Considere um sinal aleatório estacionário de tempo dis- (a) Qual é o comprimento Q (número de amostras) do
creto x[n] que seja obtido por amostragem de xc(t) com registro de dados?
período de amostragem T; isto é, x[n] = xc(nT). (b) Se um programa de FFT com raiz 2 for usado para
(a) Mostre que φ[m], a sequência de autocorrelação calcular os periodogramas, qual é o comprimento
para x[n], é mínimo N se quisermos obter estimativas do espec-
φ[m] = φc(mT). tro de potência em frequências igualmente espaça-
das que não estejam separadas por mais de 10 Hz?
(b) Qual é a relação entre o espectro de densidade de
(c) Se o comprimento de segmento L for igual ao com-
potência Pc() para o sinal aleatório de tempo con-
primento N da FFT do item (b), quantos segmentos
tínuo e o espectro de densidade de potência P(ω)
K estarão disponíveis se os segmentos não se sobre-
para o sinal aleatório de tempo discreto?
puserem?
(c) Que condição é necessária de modo que
(d) Suponha que queiramos reduzir a variância das es-
1 ω timativas de espectro por um fator de 10 enquanto
P (ω) = Pc , |ω| < π?
T T mantemos o espaçamento de frequência do item
10.40. Na Seção 10.5.5, consideramos a estimativa do espectro (b). Indique dois métodos para fazer isso. Esses mé-
de potência de uma senoide mais ruído branco. Neste todos dão os mesmos resultados? Se não, explique
problema, determinaremos o espectro de potência ver- como eles diferem.
dadeiro desse sinal. Suponha que 1 0.43. Suponha que uma estimativa do espectro de potência de
x[n] = A cos(ω0n + θ) + e[n], um sinal seja obtida pelo método de tomar a média dos
periodogramas, como discutido na Seção 10.5.3. Ou seja,
sendo θ uma variável aleatória que é distribuída uni- a estimativa de espectro é
formemente no intervalo de 0 a 2π, e e[n] uma sequên-
cia de variáveis aleatórias de média zero que são inde- K−1
1
pendentes uma da outra e também independentes de Ī (ω) = Ir (ω),
K
θ. Em outras palavras, o componente do cosseno tem r=0
uma fase selecionada aleatoriamente, e e[n] representa
sendo os K periodogramas Ir(ω) calculados a partir de
ruído branco.
segmentos de L pontos do sinal usando as equações
(a) Mostre que, para as hipóteses anteriores, a função
10.82 e 10.83. Definimos uma estimativa da função de
de autocorrelação para x[n] é
autocorrelação como a transformada de Fourier inversa
A2 de Ī(ω); isto é,
φxx [m] = E{x[n]x[m + n]} = cos(ω0 m) + σe2 δ[m],
2
1 π
φ̄[m] = Ī (ω)e j ωmdω.
sendo = σe2 E{(e[n])2}. 2π −π
(b) Pelo resultado do item (a), mostre que, por um perío-
do na frequência, o espectro de potência de x[n] é (a) Mostre que
A2 π 1
Pxx (ω) = [δ(ω − ω0 ) + δ(ω + ω0 )] + σe2 , |ω| ≤ π. E{ φ̄[m]} = cww [m]φxx [m],
2 LU
sendo L o comprimento dos segmentos, U o fator
10.41. Considere um sinal de tempo discreto x[n] com compri- de normalização dado pela Equação 10.79 e cww[m],
mento N amostras que foi obtido pela amostragem de dado pela Equação 10.75, a função de autocorre-
um sinal de tempo contínuo estacionário, branco, com lação aperiódica da janela, que é aplicada aos seg-
média nula. Concluímos que mentos de sinal.
E{x[n]x[m]} = σx2 δ[n − m], (b) Na aplicação da média do periodogramas, muitas ve-
zes usamos um algoritmo de FFT para calcular Ī(ω)
E{x[n]} = 0.
em N frequências uniformemente espaçadas; isto é,
Suponha que calculemos a TFD da sequência de com-
primento finito x[n], obtendo assim X[k] para k = 0, Ī[k] = Ī(2πk/N), k = 0, 1, . . . , N − 1,
1, . . . , N − 1.
sendo N ≥ L. Suponha que calculemos uma estima-
(a) Determine a variância aproximada de |X[k]|2 usan-
tiva da função de autocorrelação calculando a TFD
do as equações 10.80 e 10.81.
inversa de Ī[k], como em
(b) Determine a correlação cruzada entre os valores da
TFD; isto é, determine E{X[k]X*[r]} em função N−1
1
de k e r. φ̄p [m] = Ī [k]ej ( 2π/N)km , m = 0, 1, . . . , N − 1.
10.42. Um sinal de tempo contínuo limitado em banda tem um N
k=0
espectro de potência limitado em banda que é nulo para
|| ≥ 2π(104) rad/s. O sinal é amostrado na taxa de 20000 Obtenha uma expressão para E{φ̄p [m]}.
amostras/s por um intervalo de tempo de 10 s. O espectro (c) Como N deverá ser escolhido de modo que
de potência do sinal é estimado pelo método de tomar a
E{φ̄p[m]} = E{φ̄[m]}, m = 0, 1, . . . , L − 1?
média dos periodogramas, como descrito na Seção 10.5.3.
10.44. Considere o cálculo da estimativa de autocorrelação tos de um segmento yi[n], definido na Equação
Q−|m|−1
P10.44-2, pode ser expressa como
1
φ̂xx [m] = x[n]x[n + |m|], (P10.44-1) Yi[k] = Xi[k] + (−1)k Xi+1[k], k = 0, 1, . . . , N − 1.
Q
n=0
Indique um procedimento para o cálculo de φ̂xx[m]
sendo x[n] uma sequência real. Como φ̂xx[−m] = φ̂xx[m], para 0 ≤ m ≤ M − 1 que envolva o cálculo de K
é necessário apenas calcular a Equação P10.44-1 para TFDs de N pontos e uma TFD inversa de N pontos.
0 ≤ m ≤ M − 1 para obter φ̂xx[m] para −(M − 1) ≤ m ≤ Determine o número total de multiplicações com-
M − 1, como é exigido para estimar o espectro de densi- plexas neste caso se for usada uma FFT de raiz 2.
dade de potência usando a Equação 10.102. 10.45. Na Seção 10.3, definimos a transformada de Fourier
(a) Quando Q M, pode não ser viável calcular φ̂xx[m] dependente do tempo do sinal x[m] de modo que,
usando um cálculo simples de FFT. Nesses casos, é para n fixo, ela é equivalente à TFTD regular da se-
conveniente expressar φ̂xx[m] como uma soma de quência x[n + m]w[m], sendo w[m] uma sequência
estimativas de correlação baseadas em sequências janela. Também é útil definir uma função de autocor-
mais curtas. Mostre que, se Q = KM, relação dependente do tempo para a sequência x[n]
K−1 tal que, para um n fixo, sua transformada de Fourier
1 regular seja a magnitude ao quadrado da transforma-
φ̂xx [m] = ci [m],
Q da de Fourier dependente do tempo. Especificamente,
i=0
a função de autocorrelação dependente do tempo é
sendo definida como
M−1
1 π
ci [m] = x[n + iM]x[n + iM + m], c[n, m] = |X[n, λ)|2 ej λm dλ,
n=0
2π −π
10.46. A análise de Fourier dependente do tempo às vezes é (a menos de um fator de escala) a partir da trans-
implementada como um banco de filtros, e até mesmo formada de Fourier dependente do tempo amostra-
quando métodos de FFT são usados, a interpretação da.
por banco de filtros pode oferecer conhecimento útil.
Este problema examina essa interpretação, cuja base é o
h 0 [n]
fato de que, quando λ é fixo, a transformada de Fourier y 0 [n] y 0 [n]
dependente do tempo X[n, λ), definida pela Equação
10.18, é simplesmente uma sequência que pode ser vista e –jλ 0 n e jλ 0 n
como o resultado de uma combinação de operações de
filtragem e modulação.
(a) Mostre que X[n, λ) é a saída do sistema da Figura h 0 [n] +
P10.46-1 se a resposta ao impulso do sistema LIT é x [n] y 1 [n] y 1 [n] y [n]
h0[n] = w[−n]. Mostre também que, se λ for fixo, o
sistema global na Figura P10.46-1 se comporta como e –jλ 1 n e jλ 1 n
um sistema LIT, e determine a resposta ao impulso e
...
...
...
resposta em frequência do sistema LIT equivalente.
h0[n] h 0 [n]
x [n] X(n, ) X(n, ) y N – 1 [n] y N – 1 [n]
(b) Supondo que λ seja fixo na Figura P10.46-1, mostre O sistema da Figura P10.46-2 converte a sequência
que, para sequências janelas típicas e para λ fixo, a de entrada única x[n] em N sequências, aumentando
sequência s[n] = x̆ [n, λ) tem uma TFTD passa-bai- assim o número total de amostras por segundo pelo
xas. Mostre também que, para sequências janelas tí- fator N. Como vemos no item (b), para sequências
picas, a resposta em frequência do sistema global na janelas típicas, os sinais de canal y̆k[n] têm transfor-
Figura P10.46 é um filtro de passa-banda centrado madas de Fourier passa-baixas. Assim, deverá ser
em ω = λ. possível reduzir a taxa de amostragem desses sinais,
(c) A Figura P10.46-2 mostra um banco de N canais de como mostra a Figura P10.46-3. Em particular, se
filtro de passa-banda, em que cada canal é imple- a taxa de amostragem for reduzida por um fator R
mentado como na Figura P10.46-1. As frequências = N, o número total de amostras por segundo é o
centrais dos canais são λk = 2πk/N, e h0[n] = w[−n] mesmo para x[n]. Nesse caso, dizemos que o banco
é a resposta ao impulso do filtro passa-baixas. Mos- de filtros é criticamente amostrado. (Veja Crochiere
tre que as saídas individuais yk[n] são amostras (na e Rabiner, 1983.) A reconstrução do sinal original a
dimensão λ) da transformada de Fourier depen- partir dos sinais dizimados do canal exige interpo-
dente do tempo. Mostre também que a saída global lação, como mostrado. Nitidamente, é interessante
é y[n] = Nw[0]x[n]; isto é, demonstre que o sistema determinar como a entrada original x[n] pode ser
da Figura P10.46-2 reconstrói a entrada exatamente reconstruída pelo sistema.
h 0 [n] R R g 0 [n]
y 0 [n] y 0 [n]
e –j 0 n e j 0 n
h 0 [n] R R g 0 [n] +
y 1 [n] y 1 [n] y [n]
x [n]
e –j 1 n e j 1 n
...
...
...
...
...
...
h 0 [n] R R g 0 [n]
y N – 1 [n] y N – 1 [n]
e –j N – 1 n e j N – 1 n
Figura P10.46-3
(d) Para o sistema da Figura P10.46-3, mostre que a em que supomos os aks e bks reais para este problema.
TFTD regular da saída é dada pela relação A entrada e saída satisfazem a seguinte equação de di-
R−1 N−1 ferenças com coeficientes constantes:
1
Y(e j ω) = G0 (e j (ω−λk) )H0 (e j (ω−λk−2 )X(e j (ω−2 ), N M
R
=0 k=0 y[n] = aky[n − k] + bkx[n − k].
sendo λk = 2πk/N. Essa expressão mostra clara- k=1 k=0
mente o aliasing resultante da dizimação dos sinais
de canal y̆[n]. Pela expressão para Y(ejω), determine Se todos os aks são nulos, y[n] é chamado de processo alea-
uma relação ou conjunto de relações que devem ser tório linear média móvel (MA, do inglês moving-average).
satisfeitas conjuntamente por H0(ejω) e G0(ejω) de Se todos os bks são nulos, exceto b0, então y[n] é chamado
modo que o aliasing seja cancelado e y[n] = x[n]. de processo aleatório linear autorregressivo (AR). Se N
e M são não nulos, então y[n] é um processo aleatório
(e) Suponha que R = N e que a resposta em frequên-
linear de média móvel autorregressivo (ARMA).
cia do filtro passa-baixas seja um filtro passa-baixas
ideal com resposta em frequência (a) Expresse a autocorrelação de y[n] em termos da
resposta ao impulso h[n] do sistema linear.
1, |ω| < π/N, (b) Use o resultado do item (a) para expressar o espec-
H0 (e j ω ) =
0, π/N < |ω| ≤ π. tro de densidade de potência de y[n] em termos de
Para essa resposta em frequência H0(ejω), deter- resposta em frequência do sistema.
mine se é possível encontrar uma resposta em fre- (c) Mostre que a sequência de autocorrelação φyy[m]
quência do filtro de interpolação G0(ejω) de modo de um processo MA é não nula somente no inter-
que a condição deduzida no item (d) seja satisfeita. valo |m| ≤ M.
Nesse caso, determine G0(ejω). (d) Determine uma expressão geral para a sequência
(f) Opcional: Explore a possibilidade de reconstrução de autocorrelação para um processo AR.
exata quando a resposta em frequência do filtro (e) Mostre que, se b0 = 1, a função de autocorrelação
passa-baixas H0(ejω) (a transformada de Fourier de um processo AR satisfaz a equação de dife-
de w[−n]) for não ideal e não nula no intervalo renças
|ω| < 2π/N. N
(g) Mostre que a saída do sistema da Figura P10.46-3 é φyy [0] = akφyy [k] + σx2 ,
∞ ∞ k=1
y[n] = N x[n − rN] g0 [n − ]h0 [ + rN − n]. N
r=−∞ =−∞ φyy [m] = akφyy [m − k], m ≥ 1.
A partir dessa expressão, determine uma relação k=1
ou conjunto de relações que devem ser satisfeitas (f) Use o resultado do item (e) e a simetria de φyy[m]
conjuntamente por h0[n] e g0[n] tal que y[n] = x[n]. para mostrar que
(h) Suponha que R = N, e que a resposta ao impulso do
filtro passa-baixas seja N
akφyy [|m − k|] = φyy [m], m = 1, 2, . . . , N.
1, −(N − 1) ≤ n ≤ 0,
h0 [n] = k=1
0, caso contrário.
Pode ser mostrado que, dado φyy[m] para m = 0, 1, ..., N,
Para essa resposta ao impulso h0[n], determine se é sempre existe uma solução única para os valores de aks
possível encontrar uma resposta ao impulso do fil- e σx2 para o modelo de processo aleatório. Esses valores
tro de interpolação g0[n] tal que a condição deduzi- podem ser usados no resultado do item (b) para a ob-
da no item (g) seja satisfeita. Nesse caso, determine tenção de uma expressão para o espectro da densidade
g0[n]. de potência de y[n]. Essa técnica é a base para diversas
(i) Opcional: Explore a possibilidade de reconstrução técnicas paramétricas de estimação de espectro. (Para
exata quando a resposta ao impulso do filtro passa- uma discussão mais aprofundada sobre esses métodos,
-baixas h0[n] = w[−n] for uma janela com decai- consulte Gardner, 1988; Kay, 1988; e Marple, 1987.)
mento com comprimento maior do que N. 10.48. Este problema ilustra a base para um procedimento ba-
10.47. Considere um sistema LIT estável com uma entrada seado na FFT para a interpolação de amostras (obtidas
real x[n], uma resposta ao impulso real h[n] e saída y[n]. em uma taxa que satisfaz o teorema de Nyquist) de um
Suponha que a entrada x[n] seja ruído branco com mé- sinal de tempo contínuo periódico. Considere que
dia nula e variância σx2. A função de sistema é
4
M 1 1 |k| jkt
xc (t) = e
bkz−k 16 2
k=−4
k=0
H (z) = , seja um sinal periódico que é processado pelo sistema
N
1− akz−k na Figura P10.48.
k=1 (a) Esboce a sequência de 16 pontos G[k].
(b) Especifique como você transformaria G[k] em uma (c) Suponha que você experimente uma técnica de
sequência de 32 pontos Q[k] de modo que a TFD cálculo de média para estimar a transformada para
inversa de 32 pontos de Q[k] fosse uma sequência k = 32:
n2π Xavg[32] = αX̂[31] + X̂[32] + αX̂[33].
q[n] = αxc , 0 ≤ n ≤ 31,
32
O cálculo da média dessa forma é equivalente a
para uma constante não nula α. Você não precisa
multiplicar o sinal x̂[n] por uma nova janela wavg[n]
especificar o valor de α.
antes do cálculo da TFD. Mostre que Wavg(ejω) de-
verá satisfazer a
xc [n] x[n] g[n] G [k]
TFD de
C/D
16 pontos 1, ω = 0,
Wavg (e j ω ) = α, ω = ±2π/L,
2π 0, ω = 2π k/L, para k = 2, 3, . . . , L− 2,
T= u[n] – u [n – 16]
16
sendo L = 256.
Figura P10.48 (d) Mostre que a TFTD dessa nova janela pode ser es-
crita em termos de WR(ejω) e de duas versões deslo-
10.49. Em muitas aplicações reais, restrições práticas não per- cadas de WR(ejω).
mitem que sequências longas sejam processadas. Porém, (e) Deduza uma fórmula simples para wavg[n] e esboce
informações significativas podem ser ganhas a partir de a janela para α = −0,5 e 0 ≤ n ≤ 255.
uma seção janelada da sequência. Neste problema, você
estudará o cálculo da transformada de Fourier de um
10.50. Frequentemente é interessante ampliar uma região de
sinal de duração infinita x[n], dado somente um bloco de
uma TFD de um sinal para examiná-lo com mais deta-
256 amostras no intervalo 0 ≤ n ≤ 255. Você decide usar
lhes. Neste problema, você explorará dois algoritmos
uma TFD de 256 pontos para estimar a transformada
para a implementação desse processo pela obtenção
pela definição do sinal
de amostras adicionais de X(ejω) em uma região de fre-
x[n], 0 ≤ n ≤ 255, quência de interesse.
x̂[n] =
0, demais valores de n, Suponha que XN[k] seja a TFD de N pontos de um si-
nal de comprimento finito x[n]. Lembre-se de que XN[k]
e calculando a TFD de 256 pontos de x̂[n]. consiste em amostras de X(ejω) a cada 2π/N em ω. Dada
(a) Suponha que o sinal x[n] seja proveniente da amos- XN[k], gostaríamos de calcular N amostras de X(ejω)
tragem de um sinal de tempo contínuo xc(t) com entre ω = ωc − ω e ω = ωc + ω com espaçamento
frequência de amostragem fs = 20 kHz; isto é, 2ω/N, sendo
x[n] = xc(nTs), 2πkc
ωc =
N
1/Ts = 20 kHz.
e
Suponha que xc(t) seja limitado em banda a
10 kHz. Se a TFD de x̂[n] for escrita como X̂[k], 2πk
k = 0, 1, ..., 255, quais são as frequências de tem- = .
N
po contínuo correspondentes aos índices da TFD
k = 32 e k = 231? Não se esqueça de expressar Isso é equivalente a ampliar X(ejω) na região ωc −
suas respostas em hertz. ω < ω < ωc + ω. Um sistema usado para implemen-
(b) Expresse a TFTD de x̂[n] em termos da TFTD tar a ampliação é mostrado na Figura P10.50-1. Supo-
de x[n] e da TFTD de uma janela retangular de nha que xz[n] seja preenchido com zeros conforme a
256 pontos wR[n]. Use a notação X(ejω) e WR(ejω) necessidade antes da TFD de N pontos e h[n] seja um
para representar as TFTDs de x[n] e wR[n], res- filtro passa-baixas ideal com uma frequência de corte
pectivamente. ω.
e – jωcn
Figura P10.50-1
Extrai a parte
p[n] M h [n] ~ correta da
~
XN [n] XN [n] XNM [n] sequência Xz [n]
Figura P10.50-3
11.0 Introdução q
bkz−k
No decorrer deste livro, vimos que é convenien-
k=0
te usar diferentes representações de sinais e sistemas. H (z) = p , (11.1)
Por exemplo, a representação de um sinal de tempo 1− −k
ak z
discreto como uma sequência de impulsos pondera- k=1
dos foi usada na Equação 2.5 do Capítulo 2 para de-
senvolver a soma de convolução dos sistemas LIT. A então o sinal é modelado pelos valores dos aks e bks,
representação como uma combinação linear de sinais ou, de modo equivalente, pelos polos e zeros de H(z),
senoidais e exponenciais complexos levou à série de juntamente com o conhecimento da entrada. Consi-
Fourier, à transformada de Fourier e à caracterização dera-se geralmente que o sinal de entrada v[n] é um
no domínio da frequência de sinais e sistemas LIT. impulso unitário δ[n] para sinais determinísticos, ou
Embora essas representações sejam particularmente ruído branco se o sinal s[n] for visto como um sinal
úteis graças à sua generalidade, elas nem sempre são a aleatório. Quando o modelo é escolhido de modo
representação mais eficiente de sinais com uma estru- apropriado, é possível representar um grande número
tura conhecida. de amostras de sinal por um conjunto de parâmetros
Este capítulo introduz outra abordagem podero- relativamente pequeno.
sa para a representação de sinais, chamada de modela- A modelagem paramétrica de sinais tem uma am-
gem paramétrica de sinais. Nessa abordagem, um sinal pla gama de aplicações, incluindo compressão de dados,
é representado por um modelo matemático com uma análise espectral, predição de sinais, desconvolução,
estrutura predefinida que envolve um número limita- projeto de filtros, identificação de sistemas, detecção de
do de parâmetros. Um dado sinal s[n] é representado sinais e classificação de sinais. Na compressão de dados,
pela escolha do conjunto específico de parâmetros por exemplo, é o conjunto de parâmetros do modelo
que resulta na saída do modelo ŝ[n] que está o mais que é transmitido ou armazenado, e o receptor então
próximo possível, em algum sentido prescrito, do si- usa o modelo com esses parâmetros para regenerar o
nal dado. Um exemplo comum consiste em modelar o sinal. No projeto de filtros, os parâmetros do modelo
sinal como a saída de um sistema linear de tempo dis- são escolhidos de forma a aproximar da melhor forma
creto, como mostra a Figura 11.1. Esses modelos, que
possível, em algum sentido, a resposta em frequência
são compostos do sinal de entrada v[n] e da função de
desejada ou, de modo equivalente, a resposta ao im-
sistema H(z) do sistema linear, tornam-se úteis com o
pulso desejada, e o modelo com esses parâmetros cor-
acréscimo de restrições que possibilitam encontrar os
responde então ao filtro projetado. Os dois elementos
parâmetros de H(z) dado o sinal a ser representado.
principais para o sucesso em todas as aplicações são a
Por exemplo, se a entrada v[n] for especificada e assu-
escolha apropriada do modelo e uma estimativa precisa
me-se que a função de sistema é uma função racional
dos parâmetros para o modelo.
da forma
11.1.1 Aproximação por mínimos quadrados é procurado de modo que sua saída g[n] seja igual à en-
O objetivo na modelagem só-polos é escolher a trada multiplicada por um escalar Gv[n]. Nessa formu-
entrada v[n] e os parâmetros G, e a1, ..., ap na Equação lação, então, escolhemos os parâmetros do filtro inverso
11.3 tal que ŝ[n] seja uma aproximação próxima, em al- (e, portanto, implicitamente os parâmetros do sistema
gum sentido, de s[n], o sinal a ser modelado. Se, como modelo) de forma a minimizar o erro quadrático médio
é usualmente o caso, v[n] for especificado de antemão entre g[n] e Gv[n]. Como veremos, isso leva a um con-
(por exemplo, v[n] = δ[n]), um método direto para de- junto de equações lineares bem comportado.
terminar os melhores valores para os parâmetros pode-
ria ser minimizar a energia total no sinal de erro ese[n] s[n] Sistema g[n]
inverso
= (s[n]−ŝ[n]), obtendo assim uma aproximação por mí- A(z)
nimos quadrados de s[n]. Especificamente, para sinais
determinísticos, os parâmetros do modelo podem ser Figura 11.2 Formulação do filtro inverso para a modelagem de sinais
escolhidos de forma a minimizar o erro quadrático total só-polos.
1 Discussões detalhadas desse caso e do caso geral polos/zeros são dadas em Kay (1988), Therrien (1992), Hayes (1996) e Stoica e Moses (2005).
2 Quando usada no contexto de processamento de voz, a análise preditiva linear muitas vezes é chamada de codificação preditiva linear (LPC,
do inglês linear predictive coding). (Veja Rabiner e Schafer, 1978, e Quatieri, 2002.)
Pela Figura 11.2 e pela Equação 11.5, segue que ou, de modo equivalente,
g[n] e s[n] satisfazem a equação de diferenças
E = e2 [n] + G2 v 2 [n] − 2G v[n]e[n] . (11.13)
p
g[n] = s[n] − aks[n − k]. (11.6) Para encontrar os parâmetros que minimizam E,
k=1 derivamos a Equação 11.12 em relação ao i-ésimo coe-
O erro de modelagem ê[n] agora é definido como ficiente de filtro ai e igualamos a derivada a zero, o que
leva ao conjunto de equações
p
ê[n] = g[n] − Gv[n] = s[n] − aks[n − k] − Gv[n]. ∂E ∂
e2 [n]
− 2G v[n]s[n − i] = 0, i = 1, 2, . . . , p,
=
k=1 ∂a i ∂a i
(11.7) i = 1, 2, . . . , p, (11.14)
Se v[n] é um impulso, então, para n > 0, o erro ê[n] em que supomos que G e v[n] são independentes de ai
corresponde ao erro entre s[n] e a predição linear de e, consequentemente, que
s[n] usando os parâmetros do modelo. Assim, é conve-
niente expressar também a Equação 11.7 como ∂
G2 v 2 [n] = 0. (11.15)
∂a i
ê[n] = e[n] − Gv[n], (11.8)
Para modelos que serão de interesse para nós, v[n]
em que e[n] é o erro de predição dado por será um impulso se s[n] for um sinal causal de energia
p finita e ruído branco se s[n] for um processo aleatório
e[n] = s[n] − aks[n − k]. (11.9) estacionário em sentido amplo. Sendo v[n] um impulso
k=1 e s[n] zero para n < 0, o produto v[n]s[n − i] = 0 para i =
1, 2, . . . p. Com v[n] como ruído branco,
Para um sinal que se ajusta exatamente ao mode-
lo só-polos da Equação 11.3, o erro de modelagem ê[n] v[n]s[n − i] = 0,
i = 1, 2, . . . p, (11.16)
será nulo, e o erro de predição e[n] será a entrada mul-
pois, para qualquer valor de n, a entrada de um sistema
tiplicada por um escalar, isto é,
causal com entrada ruído branco é não correlacionada
e[n] = Gv[n]. (11.10) com os valores de saída antes do instante n. Assim, para
os dois casos, a Equação 11.14 se reduz a
Essa formulação em termos da filtragem inversa
leva a uma simplificação considerável, já que assume-se ∂E ∂
= e2 [n] = 0 i = 1, 2, . . . , p (11.17)
que v[n] é conhecido e e[n] pode ser calculado a partir ∂ai ∂ai
de s[n] usando a Equação 11.9. Os valores dos parâme-
Em outras palavras, escolher os coeficientes para
tro ak são então escolhidos de forma a minimizar
minimizar o erro de modelagem quadrático médio
E = |ê[n]|2 , (11.11) ê2[n] é equivalente a minimizar o erro de predição
quadrático médio e2[n]. Expandindo a Equação 11.17
em que a notação · indica uma operação de soma para e usando a linearidade do operador média, obtemos, da
sinais determinísticos de energia finita e uma operação Equação 11.17, as equações
de média de conjunto para sinais aleatórios. Minimizar p
E na Equação 11.11 resulta em um filtro inverso que mi-
s[n]s[n − i] − ak s[n − k]s[n − i] = 0, i = 1, . . . , p.
nimiza a energia total do erro de modelagem no caso
k=1
de sinais determinísticos ou o valor quadrático médio
i = 1, . . . , p. (11.18)
do erro de modelagem no caso de sinais aleatórios. Por
conveniência, frequentemente nos referiremos a · Definindo
como o operador média e sua interpretação como uma
φss[i, k] = s[n − i]s[n − k], (11.19)
soma ou como uma média de conjunto deverá ser clara
a partir do contexto. Novamente, note que, na solução as equações 11.18 podem ser reescritas de forma mais
para os parâmetros ak que especificam o sistema inver- compacta como
so da Figura 11.2, o sistema só-polos também é implici- p
tamente especificado. akφss [i, k] = φss [i, 0], i = 1, 2, . . . , p. (11.20)
Para encontrar os valores ótimos dos parâmetros, k=1
substituímos a Equação 11.8 na Equação 11.11 para obter
As equações 11.20 consistem em um sistema de p
E = (e[n] − Gv[n])2 , (11.12) equações lineares com p incógnitas. O cálculo dos pa-
A(z)
11.1.3 Formulação por predição linear da
modelagem só-polos Figura 11.3 Formulação por predição linear para a modelagem de
sinais só-polos.
Conforme sugerido anteriormente, uma inter-
pretação alternativa e útil para a modelagem de sinais
só-polos vem da interpretação da Equação 11.3 como
uma predição linear da saída em termos de valores
11.2 Modelos de sinais determinísticos
passados, sendo o erro de predição e[n] a entrada mul- e aleatórios
tiplicada por um escalar Gv[n], isto é, Para usar o filtro inverso ótimo ou, de modo equi-
p valente, o preditor linear ótimo como base para a mode-
e[n] = s[n] − aks[n − k] = Gv[n]. (11.21) lagem paramétrica de sinais, é preciso ser mais especí-
k=1 fico sobre a entrada assumida v[n] e sobre o método de
Como indicado na Equação 11.17, minimizar cálculo do operador média ·. Para isso, consideramos
o erro de modelagem inverso E na Equação 11.11 é separadamente o caso de sinais determinísticos e o caso
equivalente a minimizar o erro de predição médio de sinais aleatórios. Em ambos os casos, usaremos ope-
e2[n]. Se o sinal s[n] fosse produzido pelo sistema rações de média que supõem o conhecimento do sinal a
modelo, e se v[n] for um impulso, e, ainda, se s[n] ver- ser modelado em todos os instantes −∞ < n < ∞. Na Se-
dadeiramente se ajustar ao modelo só-polos, então o ção 11.3, discutimos algumas das considerações práticas
sinal para qualquer n > 0 será linearmente preditível quando somente um segmento de comprimento finito
a partir de valores passados, isto é, o erro de predição do sinal s[n] está disponível.
será nulo. Se v[n] é ruído branco, então o erro de pre-
11.2.1 Modelagem só-polos dos sinais
dição é branco.
A interpretação em termos de predição é repre- determinísticos com energia finita
sentada na Figura 11.3, em que a função de transferên- Nesta seção, assumiremos um modelo só-polos
cia do filtro de predição P(z) é que seja causal e estável, e também que tanto a entra-
p
da v[n] quanto o sinal s[n] a ser modelado sejam nulos
akz−k. (11.22) para n < 0. Suporemos ainda que s[n] tenha energia fi-
P (z) =
nita e que seja conhecido para todo n ≥ 0. Escolhemos o
k=1
operador · na Equação 11.11 como a energia total na
Esse sistema é chamado de preditor linear de or- sequência de erro de modelagem ê[n], isto é,
dem p para o sinal s[n]. Sua saída é ∞
p E = |ê[n]|2 = |ê[n]|2 . (11.25)
s̃[n] = aks[n − k], (11.23) n=−∞
k=1 Com essa definição do operador média, φss[i, k] na
e como mostrado na Figura 11.3, o sinal de erro de Equação 11.19 é dada por
predição é e[n] = s[n] − s̃[n]. A sequência e[n] repre- ∞
senta a quantidade pela qual o preditor linear falha φss [i, k] = s[n − i]s[n − k], (11.26)
n=−∞
na predição exata do sinal s[n]. Por esse motivo, e[n]
e, de modo equivalente,
muitas vezes também é chamado de erro residual de
∞
predição ou, simplesmente, residual. Com esse ponto
de vista, os coeficientes ak são chamados de coeficien- φss [i, k] = s[n]s[n − (i − k)]. (11.27)
n=−∞
tes de predição. Como também é mostrado na Figura
Os coeficientes φss[i, k] na Equação 11.20 agora são
11.3, o filtro de erro de predição está relacionado ao
preditor linear por φss[i, k] = rss[i − k], (11.28)
p em que, para sinais reais s[n], rss[m] é a função de auto-
A(z) = 1 − P (z) = 1 − akz−k. (11.24) correlação determinística
k=1
w[n] Sistema
LIT
ˆ
s[n] 11.2.4 Propriedade do casamento da
ruído H(z) autocorrelação
branco
Uma propriedade importante e útil do modelo
Figura 11.4 Modelo de sistema linear para um sinal aleatório s[n]. só-polos resultante da solução da Equação 11.30 para
3 O cálculo de E{·} requer conhecimento das densidades de probabilidade. No caso de sinais aleatórios estacionários, somente uma densidade
é requerida. No caso de processos aleatórios ergódicos, uma única média temporal infinita poderia ser usada. Porém, em aplicações práticas,
essas médias precisam ser aproximadas por estimativas obtidas de médias temporais finitas.
sinais determinísticos e da Equação 11.34 para sinais ta da formulação por filtragem inversa da Figura 11.2,
aleatórios é conhecida como a propriedade do casa- uma possibilidade é escolher G de modo que (ŝ[n])2
mento da autocorrelação (Makhoul, 1973). As equações = (s[n])2. Para sinais determinísticos de energia fini-
11.30 e 11.34 representam um conjunto de p equações ta, isso corresponde ao casamento da energia total na
a ser resolvidas para os parâmetros do modelo ak para saída do modelo com a energia total no sinal que está
k = 1, ..., p. Os coeficientes nessas equações tanto nos sendo modelado. Para sinais aleatórios, é a potência
membros esquerdos quanto nos direitos são compostos média que é casada. Em ambos os casos, isso corres-
dos (p + 1) valores da correlação rss[m], m = 0, 1, ..., p, ponde a escolher G, de modo que rŝŝ [0] = rss[0]. Com
sendo a função de correlação definida apropriadamen- essa escolha, o fator de proporcionalidade c na Equa-
te, dependendo se o sinal a ser modelado é determinís- ção 11.39 é unitário.
tico ou aleatório.
A base para a verificação da propriedade do casa-
Exemplo 11.1 Sistema de primeira ordem
mento da autocorrelação é observar que o sinal ŝ[n] ob-
viamente se ajusta ao modelo quando o sistema do mo- Na Figura 11.5 mostram-se dois sinais, como saídas de um
delo H(z) na Figura 11.1 é especificado como o sistema sistema de primeira ordem com função de sistema
só-polos na Equação 11.2. Se tivéssemos de considerar
1
novamente a aplicação da modelagem só-polos a ŝ[n], H (z) = . (11.40)
1 − αz−1
naturalmente obteríamos novamente as equações 11.30
ou 11.34, mas, dessa vez, com rŝŝ[m] no lugar de rss[m]. O sinal sd [n] = h[n] = αn u[n] é a saída quando a entrada
A solução precisa novamente ter os mesmos valores de é um impulso unitário δ[n], enquanto o sinal sr[n] é a saída
parâmetro ak, k = 1, 2, ..., p, pois ŝ[n] se ajusta ao mode- quando a entrada do sistema é uma sequência ruído bran-
lo, e essa solução será obtida se co de média nula e variância unitária. Ambos os sinais se
estendem pelo intervalo −∞ < n < ∞, como sugerido pela
rss[m] = crŝŝ[m] 0 ≤ m ≤ p, (11.39) Figura 11.5.
A função de autocorrelação para o sinal sd[n] é
em que c é uma constante. O fato de a igualdade na
Equação 11.39 ser requerida segue da forma da solu- ∞
α |m|
ção recursiva das equações de Yule–Walker, como de- rsd sd [m] = rhh [m] = α n+mα n = , (11.41)
1 − α2
n=0
senvolvida na Seção 11.6. Em outras palavras, as equa-
ções normais de autocorrelação requerem que, para os a função de autocorrelação de sr[n] também é dada pela
atrasos |m| = 0, 1, ..., p, as funções de autocorrelação Equação 11.41, pois sr [n] é a resposta do sistema ao ruído
branco, para o qual a função de autocorrelação é um im-
da saída do modelo e do sinal sendo modelado sejam
pulso unitário.
proporcionais. Como ambos os sinais foram gerados com um sistema só-
-polos de primeira ordem, um modelo só-polos de primeira
11.2.5 Determinação do parâmetro de ganho G ordem se ajustará perfeitamente. No caso determinístico,
Com a abordagem que tomamos, a determinação a saída do filtro inverso ótimo será um impulso unitário,
da escolha ótima para os coeficientes ak do modelo e, no caso do sinal aleatório, a saída do filtro inverso óti-
mo será uma sequência ruído branco de média nula com
não depende do ganho do sistema G. Do ponto de vis-
sd[n]
sr[n]
Figura 11.5 Exemplos de saídas determinísticas e aleatórias de um sistema só-polos de primeira ordem.
s[m]
hA[0 − m] hA[n − m] hA[M + p − m]
m
−p n M M+p
p
e[n] = hA[n] * s[n] = s[n] −
Σ a s[n − k]
k=1
k
n
p
M M+p
Figura 11.6 Exemplo (para p = 5) do cálculo do erro de predição pelo método da autocorrelação. (Marcadores quadrados indicam amostras de
hA[n − m] e marcadores circulares e claros indicam amostras de s[m] no gráfico superior e e[n] no gráfico inferior.)
res que são não nulas e de parte do sinal original. De res quadrados. Note que para um sinal de comprimento
fato, se s[0] Z 0 e s[M] Z 0, então será verdade tanto que finito o produto s[n] s[n + m] é não nulo apenas no in-
e[0] = s[0] quanto e[M + p] = −aps[M] serão não nulos. tervalo 0 ≤ n ≤ M − m quando m ≥ 0. Como rss é uma
Isto é, o erro de predição (erro quadrático total E) nun- função par, isto é, rss[−m] = rss[m] = rss[|m|], conclui-se
ca pode ser exatamente nulo se o sinal for definido que os valores de autocorrelação necessários para as
como zero fora do intervalo 0 ≤ n ≤ M. Além disso, o equações de Yule–Walker podem ser calculados como
erro de predição quadrático total para um preditor de ∞ M−|m|
ordem p seria rss [|m|] = s[n]s[n + |m|] = s[n]s[n + |m|].
∞ M+p n=−∞ n=0
E (p) = |e [n]| 2 = |e [n]| 2 = |e [n]| 2 , (11.46) (11.47)
n=−∞ n=0
Para a sequência de comprimento finito s[n], a
isto é, os limites do somatório podem ser infinitos por Equação 11.47 tem todas as propriedades necessárias
conveniência, mas, na prática, eles são finitos. de uma função de autocorrelação e rss[m] = 0 para
Quando assume-se que o sinal é identicamente m > M. Mas, naturalmente, rss[m] não é a própria função
nulo fora do intervalo 0 ≤ n ≤ M, a função de correlação de autocorrelação do sinal de comprimento infinito do
φss[i, k] reduz-se à função de autocorrelação rss[m], em qual o segmento foi extraído.
que os valores necessários na Equação 11.30 são para A Equação 11.47 pode ser usada para calcular
m = |i − k|. Na Figura 11.7 mostram-se as sequências estimativas da função de autocorrelação tanto para
deslocadas usadas no cálculo de rss[m] com s[n] indica- sinais determinísticos quanto aleatórios.4 Frequente-
do por marcadores circulares e s[n + m] por marcado- mente, o sinal de entrada com comprimento finito é
s[n], s[n + m]
↑ ↑ n
−m ↑ M
M−m
Figura 11.7 Exemplo do cálculo da função de autocorrelação para uma sequência de comprimento finito. (Marcadores quadrados indicam amos-
tras de s [n + m], e marcadores circulares claros indicam amostras de s[n].)
4 No contexto de sinais aleatórios, foi mostrado na Seção 10.6 que a Equação 11.47 é uma estimativa enviesada da função de autocorrelação.
Quando p M, como frequentemente ocorre, esse viés estatístico geralmente é insignificante.
extraído de uma sequência de amostras mais longa. na a inconsistência entre o modelo só-polos e o sinal
Esse é o caso, por exemplo, em aplicações para pro- de comprimento finito.6 Nesse caso, apenas buscamos
cessamento de voz, em que os segmentos sonoros (por casar o sinal sobre um intervalo finito em vez de em
exemplo, sons de vogal) da voz são tratados como todo n, como no método da autocorrelação. No gráfico
determinísticos e os segmentos surdos (sons fricati- superior da Figura 11.8 é mostrado o mesmo sinal s[m]
vos) são tratados como sinais aleatórios.5 De acordo da parte superior da Figura 11.6, mas, neste caso, o erro
com a discussão anterior, as primeiras e as últimas p de predição é calculado apenas no intervalo p ≤ n ≤ M
amostras do erro de predição podem ser grandes em como necessário na Equação 11.48. Como mostrado pe-
razão da tentativa de prever amostras não nulas a par- las respostas ao impulso do filtro de erro de predição
tir de amostras nulas e prever amostras nulas a partir hA[n − m] no gráfico superior, não existem efeitos de
de amostras não nulas. Como isso pode enviesar a es- borda quando o erro de predição é calculado dessa ma-
timação dos coeficientes preditores, uma janela para o neira, pois todas as amostras de sinal necessárias para
decaimento do sinal, como uma janela de Hamming, calcular o erro de predição estão disponíveis. Por causa
geralmente é aplicada ao sinal antes do cálculo da fun- disso, é possível que o erro de predição seja exatamente
ção de autocorrelação. nulo em todo o intervalo p ≤ n ≤ M se o sinal do qual o
segmento de comprimento finito foi extraído tiver sido
11.3.2 Método da covariância gerado como a saída de um sistema só-polos. Vendo de
Uma escolha alternativa para o operador média outra forma, se s[n] é a saída de um sistema só-polos
para o erro de predição de um preditor de ordem p é com uma entrada que é nula para n > 0, então, como
M visto nas equações 11.9 e 11.10, o erro de predição será
Ecov
(p)
= (e[n])2 = (e[n])2 . (11.48) nulo para n > 0.
n=p A função de covariância herda a mesma definição
Como no método da autocorrelação, a média é do operador média, isto é,
tomada em um intervalo finito (p ≤ n ≤ M), mas a di- M
ferença é que o sinal a ser modelado é conhecido no φss [i, k] = s[n − i]s[n − k]. (11.49)
intervalo maior 0 ≤ n ≤ M. O erro de predição quadrá- n=p
tico total inclui apenas valores de e[n] que possam ser As sequências deslocadas s[n − i] (linhas claras e
calculados a partir de amostras no intervalo 0 ≤ n ≤ M. marcadores circulares) e s[n − k] (linhas escuras e mar-
Consequentemente, a média é tomada em um intervalo cadores quadrados) são mostradas na Figura 11.9. Nessa
mais curto p ≤ n ≤ M. Isso é significativo, pois elimi- figura mostra-se que, como precisamos de φss[i, k] so-
s[m]
hA[p − m] hA[n − m] hA[M − m]
m
p n M
p
e[n] = hA[n] * s[n] = s[n] − Σ a s[n − k]
k=1
k
p M n
Figura 11.8 Exemplo (para p = 5) do cálculo do erro de predição para o método da covariância. (No gráfico superior, marcadores quadrados
indicam amostras de hA[n − m], e marcadores circulares claros indicam amostras de s[m].)
5 Nos dois casos, a função de autocorrelação determinística da Equação 11.47 é usada como uma estimativa.
6 As definições do erro quadrático de predição total nas equações 11.48 e 11.46 são distintamente diferentes, de modo que usamos o subscrito cov
para distingui-los.
n
i k p
M
Figura 11.9 Exemplo do cálculo da função de covariância para uma sequência de comprimento finito. (Marcadores quadrados indicam amostras
de s [n − k], e marcadores circulares e claros indicam amostras de s[n − i].)
mente para i = 0, 1, ..., p e k = 1, 2, ..., p, o segmento a matriz também é uma matriz Toeplitz. Isso resulta
s[n] para 0 ≤ n ≤ M contém todas as amostras que são em diversas propriedades especiais da solução, e impli-
necessárias para calcular φss[i, k] na Equação 11.49. ca que a solução das equações pode ser obtida de modo
mais eficiente do que aconteceria em geral. Na Seção
11.3.3 Comparação dos métodos 11.6, exploraremos algumas dessas implicações para o
Os métodos de autocorrelação e covariância têm método da autocorrelação.
muitas similaridades, mas existem diferenças impor-
Estabilidade do sistema do modelo
tantes nos métodos e nos modelos só-polos resultan-
O filtro de erro de predição tem uma função de
tes. Nesta seção, resumimos algumas das diferenças
sistema A(z) que é um polinômio em z−1. Portanto,
que já demonstramos e chamamos a atenção para al-
pode ser representado em termos de seus zeros como
gumas outras.
p p
−k
Erro de predição A(z) = 1 − ak z = (1 − zkz−1 ). (11.50)
Tanto o erro de predição médio e2[n] quanto o k=1 k=1
erro de modelagem médio ê2[n] são não negativos e No método de autocorrelação, os zeros do filtro de
não crescentes com o aumento da ordem do modelo p. erro de predição A(z) estão garantidamente no interior
No método de autocorrelação com base nas estimativas da circunferência unitária do plano z de forma estrita;
obtidas a partir de sinais de comprimento finito, o erro isto é, |zk| < 1. Isso significa que os polos da função de
médio de modelagem ou de predição nunca será nulo, sistema causal H(z) = G/A(z) do modelo se encontram
pois os valores de autocorrelação não serão exatos. dentro da circunferência unitária, o que implica que o
Além disso, o valor mínimo do erro de predição mesmo sistema do modelo é estável. Uma prova simples dessa
com um modelo exato é Gv[n] como indicado na Equa- afirmação é dada por Lang e McClellan (1979) e Mc-
ção 11.10. No método da covariância, o erro de predição Clellan (1988). O Problema 11.10 desenvolve uma pro-
para n > 0 pode ser exatamente nulo se o sinal original va que depende da interpretação de filtro em treliça do
foi gerado por um modelo só-polos. Isso será demons- sistema de erro de predição, a ser discutida na Seção
trado no Exemplo 11.2. 11.7.1. No método da covariância, do modo como o for-
mulamos, nenhuma garantia desse tipo pode ser dada.
Equações para os coeficientes do preditor
Em ambos os métodos, os coeficientes do predi-
tor que minimizam o erro de predição médio satisfa-
11.4 Ordem do modelo
zem um conjunto geral de equações lineares expressas Uma questão importante na modelagem paramé-
em forma de matriz como a = ψ. Os coeficientes do trica do sinal é a ordem do modelo p, cuja escolha tem
modelo só-polos são obtidos pela inversão da matriz ; um impacto importante sobre a precisão do modelo.
isto é, a = −1 ψ. No método da covariância, os elemen- Uma técnica comum para a escolha de p consiste em
tos φss[i, k] da matriz são calculados usando a Equa- examinar o erro de predição médio (frequentemente
ção 11.49. No método da autocorrelação, os valores de chamado de residual) a partir do modelo ótimo de or-
covariância tornam-se valores de autocorrelação, isto é, dem p. Seja ak(p) o parâmetro para o preditor de ordem
φss[i, k] = rss[|i − k|], e são calculados usando a Equa- p ótimo encontrado usando a Equação 11.30. A energia
ção 11.47. Em ambos os casos, a matriz é simétrica do erro de predição para o modelo de ordem p que usa
e positiva definida, mas, no método da autocorrelação, o método da autocorrelação é7
7 Lembre-se de que Ec(p)ov indica o erro quadrático de predição total para o método da covariância, enquanto usamos E
(p) sem subscrito para
∞ p 2
(p)
com um impulso v[n] = δ[n]. As amostras de s[n] para
E (p)
= s[n] − ak s[n − k] . (11.51) 0 ≤ n ≤ 30 são mostradas como a sequência nos gráficos
n=−∞ k=1 superiores das figuras 11.6 e 11.8. Esse sinal foi usado
como o sinal a ser modelado por um modelo só-polos
Para o preditor de ordem zero, (p = 0), não exis- tanto com o método da autocorrelação quanto com o
tem termos de atraso na Equação 11.51, isto é, o “predi- método da covariância. Usando as 31 amostras de s[n],
tor” é simplesmente o sistema identidade, de modo que os valores apropriados de autocorrelação e covariân-
e[n] = s[n]. Consequentemente, para p = 0, cia foram calculados, e os coeficientes do preditor, cal
culados resolvendo-se as equações 11.30 e 11.34, res-
∞
pectivamente. Os erros quadráticos médios de predição
E (0) = s 2 [n] = rss [0]. (11.52) normalizados são mostrados na Figura 11.10. Note que
n=−∞ em ambos os métodos de autocorrelação e covariância,
Um gráfico do erro quadrático médio de predição nor- o erro normalizado decai abruptamente em p = 1 nos
malizado V (p) = E (p)/E (0) em função de p mostra como o au- dois gráficos, então decai mais lentamente à medida que
p aumenta. Em p = 10, o método da covariância forne-
mento de p muda essa energia do erro. No método da corre-
ce erro nulo, enquanto o método da autocorrelação tem
lação, mostramos que o erro de predição médio nunca pode erro médio não nulo para p ≥ 10. Esses resultados são
ser exatamente nulo, mesmo que o sinal s[n] fosse gerado consistentes com nossa discussão do erro de predição
por um sistema só-polos, e a ordem do modelo é a mesma na Seção 11.3.
que a ordem do sistema gerador. No método da covariância,
entretanto, se o modelo só-polos for um modelo perfeito Embora o Exemplo 11.2 seja uma simulação ideal,
para o sinal s[n], Ec(p)
ov será identicamente nulo para a escolha a natureza geral da dependência do erro de predição
correta de p, pois o erro de predição médio considera so- médio em função de p é típica do que ocorre quando a
mente valores para p ≤ n ≤ M. Mesmo que s[n] não seja modelagem só-polos é aplicada a sinais amostrados. O
perfeitamente modelado por um sistema só-polos, frequen- gráfico de V (p) em função de p tende a tornar-se plano
temente existe um valor de p acima do qual aumentar p em algum ponto, e esse valor de p frequentemente é
tem pouco ou nenhum efeito sobre V (p) ou Vc (p) (p) (0)
ov = Ec ov / Ecov. selecionado como o valor a ser usado no modelo. Em
Esse limiar é uma escolha eficiente da ordem do modelo aplicações como análise de voz, é possível escolher a
para representar o sinal como um modelo só-polos. ordem do modelo com base nos modelos físicos para
a produção do sinal a ser modelado. (Veja Rabiner e
Exemplo 11.2 Seleção da ordem do modelo Schafer, 1978.)
Para demonstrar o efeito da ordem do modelo, considere um 11.5 Análise de espectro só-polos
sinal s[n] gerado pela excitação de um sistema de décima
ordem A modelagem de sinais só-polos fornece um mé-
todo para a obtenção de estimativas de alta resolução
0,6
H(z)= do espectro de um sinal a partir de dados truncados ou
(1−1,03z−1 + 0,79z−2 −1,34z−3 + 0,78z−4− 0,92z−5 janelados. O uso da modelagem paramétrica de sinais
+1,22z−6 −0,43z−7 + 0,6z−8 −0,29z−9 −0,23z−10 ) na análise espectral é baseado no fato de que, se os da-
(11.53)
1
Método da autocorrelação
Método da covariância
predição normalizado V (p) e V cov
(p)
0,8
Erro quadrático médio de
0,6
0,4
0,2
0
0 2 4 6 8 10 12 14 16 18 20
Ordem do modelo p
Figura 11.10 Erro quadrático médio de predição normalizado V(p) em função da ordem do modelo p do Exemplo 11.2.
dos se ajustam ao modelo, então um segmento finito em que S(ejω) é a TFTD de s[n] como dada na Equação
dos dados pode ser usado para determinar os parâme- 11.57. Como H(z) = G/A(z), a Equação 11.59 pode ser
tros do modelo e, consequentemente, também seu es- expressa em termos de H(ejω) como
pectro. Especificamente, no caso determinístico
G2 π |S(ej ω )|2
E= dω. (11.60)
|Ŝ(ejω)|2 = |H(ejω)|2 |V(ejω)|2 = |H(ejω)|2 (11.54) 2π −π |H (ej ω )|2
já que |V(ejω)|2 = 1 para uma excitação impulso uni- Como o integrando na Equação 11.60 é positivo, e
tário do sistema do modelo. De modo similar, para |H(ejω)|2 > 0 para −π < ω ≤ π, conclui-se, portanto, pela
sinais aleatórios, o espectro de potência da saída do Equação 11.60 que a minimização de E é equivalente à
modelo é minimização da razão entre o espectro de energia do
sinal s[n] e a magnitude quadrática da resposta em fre-
Pŝŝ(ejω) = |H(ejω)|2Pww(ejω) = |H(ejω)|2, (11.55)
quência do sistema linear no modelo só-polos. A impli-
pois Pww(ejω) = 1 para a entrada ruído branco. Assim, cação desse fato é que o espectro de modelo só-polos
podemos obter uma estimativa do espectro de um sinal tentará casar o espectro de energia do sinal mais pro-
s[n] calculando um modelo só-polos para o sinal e, de- ximamente nas frequências em que o espectro do sinal
pois, calculando a magnitude quadrática da resposta em é forte, pois as frequências em que |S(ejω)|2 > |H(ejω)|2
frequência do sistema do modelo. Tanto para o caso de- contribuem mais para o erro quadrático médio do que
terminístico quanto para o caso aleatório, a estimativa as frequências em que acontece o oposto. Assim, a es-
de espectro toma a forma timativa de espectro do modelo só-polos favorece um
2 bom ajuste em torno dos picos do espectro do sinal. Isso
G
Estimativa de espectro = |H (e jω )|2 = p . será ilustrado pela discussão na Seção 11.5.1. Análise e
1− ake−j ωk raciocínio similares também se aplicam ao caso em que
k=1
s[n] é aleatório.
(11.56) 11.5.1 Análise só-polos de sinais de voz
Para entender a natureza da estimativa de espec- A modelagem só-polos é amplamente usada no
tro da Equação 11.56 para o caso determinístico, é útil processamento de voz, tanto para codificação de voz,
relembrar que a TFTD do sinal de comprimento finito em que frequentemente é usado o termo codificação
s[n] é preditiva linear (LPC, do inglês linear predictive co-
M
ding), quanto para análise espectral. (Veja Atal e Ha-
S(ej ω ) = s[n]e−j ωn . (11.57) nauer, 1971, Makhoul, 1975, Rabiner e Schafer, 1978,
n=0 e Quatieri, 2002.) Para ilustrar muitas das ideias dis
cutidas neste capítulo, discutimos com alguns detalhes
Além disso, note que
o uso da modelagem só-polos para a análise espec-
M−|m|
1 π tral de sinais de voz. Esse método tipicamente é aplica-
rss [m] = s[n + m]s[n] = |S(ej ω )|2 ej ωm dω, do de uma maneira dependente do tempo pela seleção
2π −π
n=0 periódica de segmentos curtos do sinal de voz para
(11.58)
análise quase da mesma forma como é feito na análise
em que, por causa do comprimento finito de s[n], rss[m] = 0 de Fourier dependente do tempo discutida na Seção
para |m| > M. Os valores de rss[m] para m = 0, 1, 2, ..., p 10.3. Como a transformada de Fourier dependente
são usados no cálculo do modelo só-polos usando o méto- do tempo é basicamente uma sequência de TFTDs de
do da autocorrelação. Assim, é razoável supor que existe segmentos de comprimento finito, a discussão sobre a
uma relação entre o espectro de Fourier do sinal, |S(ejω)|2, relação entre a TFTD e o espectro só-polos caracteriza
e o espectro do modelo só-polos, |Ŝ(ejω)|2 = |H(ejω)|2. também a relação entre a análise de Fourier dependen-
Uma abordagem para esclarecer essa relação é te do tempo e a análise espectral do modelo só-polos
obter uma expressão para o erro de predição médio dependente do tempo.
em termos da TFTD do sinal s[n]. Lembre-se de que o Na Figura 11.11 é mostrado um segmento de 201
erro de predição é e[n] = hA[n] * s[n], em que hA[n] é a pontos obtido pelo janelamento usando uma janela de
resposta ao impulso do filtro de erro de predição. Pelo Hamming de um sinal de voz s[n] no gráfico superior e a
Teorema de Parseval, o erro de predição médio é função de autocorrelação correspondente rss[m] no grá-
M+p fico inferior. Durante esse intervalo de tempo, o sinal de
1 π
E= (e[n])2 = |S(ej ω )|2 |A(ej ω )|2 dω, (11.59) voz é sonoro (as cordas vocais vibram), como evidencia-
2π −π
n=0 do pela natureza periódica do sinal. Essa periodicidade
0,5
−0,5
0 50 100 150 200
Amostras (taxa de amostragem de 8 kHz)
(a)
−5
0 12 27 40 50 100 150 200
Atraso (taxa de amostragem de 8 kHz)
(b)
Figura 11.11 (a) Forma de onda de voz sonora janelada. (b) Função de autocorrelação corres-
pondente (amostras conectadas por segmentos de reta).
aparece na função de autocorrelação como o pico em valor de p = 40 inclui o pico de periodicidade na função
torno de 27 amostras (27/8 = 3,375 ms para uma taxa de de autocorrelação e, assim, o espectro só-polos tende
amostragem de 8 kHz) e seus múltiplos inteiros. a representar grande parte do detalhe fino no espec-
Ao aplicar a modelagem só-polos à voz sonora, é tro da TFTD. Note que os dois casos sustentam nossa
útil pensar o sinal como determinístico, mas com uma afirmação anterior de que a estimativa de espectro do
função de excitação que é um trem de impulsos periódi- modelo só-polos tende a favorecer a boa representação
co. Essa escolha dá conta da natureza periódica da fun- dos picos do espectro da TFTD.
ção de autocorrelação quando vários períodos do sinal Esse exemplo ilustra que a escolha da ordem do
são incluídos na janela, como na Figura 11.11(a). modelo p controla o grau de suavização do espectro da
Na Figura 11.12 mostra-se uma comparação da TFTD. Na Figura 11.12(b) mostra-se que, quando p au-
TFTD do sinal da Figura 11.11(a) com espectros cal menta, o erro quadrático médio de predição diminui ra-
culados a partir da modelagem só-polos com duas or- pidamente e depois nivela-se, como em nosso exemplo
dens de modelo diferentes e usando a função de auto- anterior. Lembre-se de que, nas seções 11.2.4 e 11.2.5,
correlação da Figura 11.11(b). Note que a TFTD de s[n] argumentamos que o modelo só-polos com ganho ade-
mostra picos em múltiplos da frequência fundamental quadamente escolhido resulta em um casamento entre
F0 = 8 kHz/27 = 296 Hz, bem como muitos outros picos as funções de autocorrelação do sinal e o modelo só-
e vales menos proeminentes que podem ser atribuídos -polos até p atrasos de correlação, como na Equação
aos efeitos do janelamento discutidos na Seção 10.2.1. 11.39. Isso implica que, quando p aumenta, o espec-
Se as 13 primeiras amostras de rss[m] na Figura 11.11(b) tro do modelo só-polos se aproximará do espectro da
são usadas para calcular um espectro de modelo só- TFTD e, quando p → ∞, conclui-se que rhh[m] = rss[m]
-polos (p = 12), o resultado é a curva suave mostrada para todo m, e, portanto, |H(ejω)|2 = |S(ejω)|2. Porém, isso
com a linha grossa na Figura 11.12(a). Com a ordem de não significa que H(ejω) = S(ejω) porque H(z) é um sis-
filtro como 12 e o período fundamental de 27 amostras, tema IIR, e S(z) é a transformada z de uma sequência
essa estimativa espectral de fato ignora a estrutura es- de comprimento finito. Além disso, note que, quando
pectral devida à periodicidade do sinal e produz uma p → ∞, o erro de predição médio não se aproxima de
estimativa de espectro muito mais suave. Contudo, se 41 zero, embora |H(ejω)|2 → |S(ejω)|2. Como discutimos, isso
valores de rss[m] são usados, obtemos o espectro mos- ocorre porque o erro total na Equação 11.11 é o erro de
trado com a linha fina. Como o período do sinal é 27, um predição ẽ[n] menos Gv[n]. Em outras palavras, o predi-
40
TFTD p = 12 p = 40
−20
−40
−60
0 500 1000 1500 2000 2500 3000 3500 4000
Frequência em kHz
(a)
1
V (p) = —––
E(p)
E(o)
0, 5
0
0 5 10 15 20 25 30 35 40
p
(b)
Figura 11.12 (a) Comparação entre a TFTD e os espectros do modelo só-polos para o segmento de voz
sonora da Figura 11.11(a). (b) Erro de predição normalizado em função de p.
tor linear deve sempre predizer a primeira amostra não ordem do modelo, o periodograma pode ser suavizado
nula a partir das amostras nulas que o precedem. em qualquer grau desejado.
A outra classe principal dos sons de voz é com-
posta dos sons surdos como os fricativos. Esses sons são 11.5.2 Localização dos polos
produzidos criando-se fluxo turbulento aleatório de No processamento de voz, os polos do modelo só-
ar no trato vocal; portanto, eles são mais bem mode- -polos têm uma relação estreita com as frequências de
lados em termos de um sistema só-polos excitado por ressonância do trato vocal, assim, frequentemente é útil
ruído branco. Na Figura 11.13 mostra-se um exemplo fatorar o polinômio A(z) para obter seus zeros para re-
de segmento de voz surdo com 201 pontos janelados presentação como na Equação 11.50. Como discutido na
usando-se uma janela de Hamming e sua função de Seção 11.3.3, os zeros zk do filtro de erro de predição são
autocorrelação correspondente. Note que a função
os polos da função de sistema do modelo só-polos. São os
de autocorrelação não mostra indícios de periodicidade polos da função de sistema os responsáveis pelos picos
nem na forma de onda do sinal nem na função de au- nas estimativas de espectro discutidas na Seção 11.5.1.
tocorrelação. Uma comparação da TFTD do sinal na Quanto mais perto um polo estiver da circunferência uni-
Figura 11.13(a) com dois espectros do modelo só-polos tária, maior o pico do espectro para as frequências próxi-
calculados a partir da função de autocorrelação na Fi- mas do ângulo do polo.
gura 11.13(b) é mostrada na Figura 11.14(a). Do pon- Na Figura 11.15 mostram-se os zeros da função de
to de vista de análise espectral dos sinais aleatórios, a sistema de erro de predição A(z) (polos do sistema do
magnitude quadrática da TFTD é um periodograma. modelo) para as duas estimativas de espectro da Figura
Assim, ela contém um componente que varia aleatoria- 11.12(a). Para p = 12, os zeros de A(z) são denotados
mente com a frequência. Novamente, pela escolha da por círculos vazios. Cinco pares de zeros complexos
0,1
0,05
−0,05
−0,1
0 50 100 150 200
Amostras (taxa de amostragem de 8 kHz)
(a)
0,1
−0,1
0 12 40 50 100 150 200
Atraso (taxa de amostragem de 8 kHz)
(b)
Figura 11.13 Forma de onda de voz surda janelada. (b) Função de autocorrelação correspondente (amostras conectadas por segmentos de reta).
20
TFTD p = 12 p = 40
10
Magnitude logarítmica (dB)
−10
−20
−30
−40
−50
−60
0 500 1000 1500 2000 2500 3000 3500 4000
Frequência em kHz
(a)
1
V (p) = —––
E(p)
E(o)
0,5
0
0 5 10 15 20 25 30 35 40
p
(b)
Figura 11.14 (a) Comparação entre a TFTD e espectros do modelo só-polos para o segmento de voz surda da Figura 11.13(a). (b) Erro de predição
normalizado em função de p.
8 O decaimento do segmento de sinal na Figura 11.16(a) não é resultado de janelamento. Ele é causado pelo “batimento” dos dois cossenos
quase da mesma frequência. O período da frequência de batimento (diferença entre 0,22π e 0,2π) é de 100 amostras.
50
Amplitude
0
−50
0 10 20 30 40 50 60 70 80 90 100
Índice de tempo n
(a) Sinal senoidal
120
TFTD
Magnitude logarítmica em dB
60
40
20
0
0,15 0,2 0,22 0,25 0,3
Frequência ω/π
(b) Estimativas de espectro
pico espectral. O polinômio do erro de predição (em for- ção 11.68 em uma escala similar às outras estimativas.
ma fatorada) obtido pelo método da autocorrelação é Como os polos estão quase exatamente sobre a circun-
ferência unitária, o espectro de magnitude torna-se ex-
Aa (z) = (1 − 0,998ej 0,21π z−1 )(1 − 0,998e−j 0,21π z−1 ) cessivamente alto nas frequências dos polos. Note que
· (1 − 0,426z−1 )(1 − 0,1165z−1 )
(11.66) as raízes do polinômio de erro de predição dão uma
estimativa precisa das frequências. Esse método, na-
Os dois polos reais não contribuem com picos, e
turalmente, não oferece informações precisas sobre as
os polos complexos estão próximos da circunferência
amplitudes e fases dos componentes senoidais.
unitária, mas em ±0,21π, que está a meio caminho entre
as duas frequências. Assim, o janelamento inerente ao
método da autocorrelação faz com que o modelo resul-
11.6 Solução das equações normais da
tante fique travado na frequência média 0,21π. autocorrelação
Por outro lado, o polinômio fatorado do erro de Tanto no método da autocorrelação quanto no da
predição obtido com o método da covariância (com ar- covariância para o cálculo dos valores de correlação, os
redondamento das magnitudes e ângulos) é dado por coeficientes do preditor que minimizam o erro quadrá-
Ac (z) = (1 − ej 0,2π z−1 )(1 − e−j 0,2π z−1 ) tico médio do filtro inverso e, de modo equivalente, o
erro de predição satisfazem um conjunto de equações
· (1 − ej 0,22π z−1 )(1 − e−j 0,22π z−1 ). (11.67) lineares na forma geral:
Nesse caso, os ângulos dos zeros são quase exata-
φss [1, 1] φss [1, 2] φss [1, 3] · · · φss [1, p] a1
mente iguais às frequências das duas senoides. Na Figu- φss [2, 1] φss [2, 2] φss [2, 3] · · · φss [2, p] a2
ra 11.16(b) também é mostrada a resposta em frequên-
φss [3, 1] φss [3, 2] φss [3, 3] · · · φss [3, p] a3
cia do modelo, isto é, =
.. .. .. .. ..
. . . ··· . .
1
|Hcov (ej ω )|2 = , (11.68) φss [p, 1] φss [p, 2] φss [p, 3] · · · φss [p, p ] ap
|Acov (ej ω )|2
φss [1, 0]
representada em dB. Nesse caso, o erro de predição é φss [2, 0]
muito próximo de zero, o que, se usado para estimar
= φss [3, 0] .
o ganho do modelo só-polos, levaria a uma estimativa ..
indeterminada. Portanto, o ganho é definido arbitraria- .
mente como unitário, o que leva a um gráfico da Equa- φ ss [p, 0] (11.69)
9 Por motivos a ser discutidos na Seção 11.7, os parâmetros k também são chamados de coeficientes PARCOR (do inglês PARtial CORrelation)
ou, também, coeficientes de reflexão.
compreensão que ele fornece sobre as propriedades Para qualquer ordem i, o conjunto de equações na
da predição linear e modelos só-polos. Por exemplo, Equação 11.74 pode ser representado em notação ma-
pela Equação L–D.5, pode-se mostrar que o erro de tricial como
predição quadrático médio para um preditor de ordem R(i)a(i) = e(i). (11.75)
p é o produto dos erros quadráticos médios de predi-
ção para todos os preditores de ordem mais baixa, do Queremos mostrar como a i-ésima solução pode
que conclui-se que 0 < E (i) ≤ E (i−1) < E (p) e ser deduzida da solução (i – 1). Em outras palavras,
dado a(i−1), a solução para R(i−1)a(i−1) = e(i−1), queremos
p p
deduzir a solução para R(i)a(i) = e(i).
E (p) = E (0) (1 − ki2 ) = rss [0] (1 − ki2 ). (11.72)
Primeiro, escreva as equações R(i−1)a(i−1) = e(i−1)
i=1 i=1
em forma expandida como
Como E(i) > 0, precisa ser verdadeiro que −1 < 1
ki < 1 para i = 1, 2, ..., p. Isto é, os parâmetros k são es- rss [0] rss [1] rss [2] · · · rss [i − 1]
rss [1] −a (i−1)
tritamente menores que um em magnitude. rss [0] rss [1] · · · rss [i − 2] 1
rss [2] r [1] r [0] r [i 3] (i−1)
ss ss · · · ss − 2
−a =
.. .. .. .. .
11.6.2 Dedução do algoritmo de Levinson–Durbin . . . ··· . .
.
rss [i − 1] rss [i − 2] rss [i − 3] · · · rss [0] (i−1)
−ai−1
Pela Equação 11.30, os coeficientes do preditor
(i−1)
ótimo satisfazem o conjunto de equações E
0
p
rss [i] − akrss [i − k] = 0 i = 1, 2, . . . , p, (11.73a) = 0 .
.
k=1 ..
e o mínimo erro quadrático médio de predição é dado por (11.76) 0
p Depois, anexe um 0 ao vetor a(i−1) e multiplique
rss [0] − akrss [k] = E (p)
. (11.73b) pela matriz R(i) para obter
k=1
1
Como a Equação 11.73(b) contém os mesmos va- rss [0] rss [1] rss [2] · · · rss [i]
rss [1] −a (i−1)
rss [0] rss [1] · · · rss [i − 1]
lores de correlação que a Equação 11.73(a), é possível rss [2] 1(i−1)
rss [1] rss [0] · · · rss [i − 2]
−a2
juntá-las e escrever um novo conjunto de p + 1 equa- .. =
.. .. .. ..
ções que são satisfeitas pelos p coeficientes desconhe- . . . · · · . .
rss [i − 1] rss [i − 2] rss [i − 3] · · · rss [1] (i−1)
cidos do preditor e pelo erro quadrático médio des- −ai−1
conhecido correspondente E(p). Essas equações têm a rss [i] rss [i − 1] rss [i − 2] · · · rss [0] 0
forma matricial (i−1)
E
1 0
rss [0] rss [1] rss [2] · · · rss [p]
−a (p) 0
rss [1] rss [0] rss [1] · · · rss [p − 1]
1(p)
= . .
rss [2] rss [1] rss [0] · · · rss [p − 2] ..
−a2 =
.. . 0
.. .. ..
. . . ··· . ..
rss [p] rss [p − 1] rss [p − 2] · · · rss [0] (p) γ (i−1)
(11.77)
−ap
(p) em que, para satisfazer a Equação 11.77,
E
0 i−1
(i−1)
= 0 . γ (i−1) = rss [i] − aj rss [i − j]. (11.78)
.. j =1
.
0 (11.74) É na Equação 11.78 que o novo valor de autocor-
relação rss[i] é introduzido. Contudo, a Equação 11.77
É esse conjunto de equações que pode ser resol- ainda não está na forma desejada R(i)a(i) = e(i). O passo
vido recursivamente pelo algoritmo de Levinson–Dur- ‑chave na dedução é reconhecer que, por causa da sime-
bin. Isso é feito incorporando-se sucessivamente um tria especial da matriz Toeplitz R(i), as equações podem
novo valor de correlação a cada iteração e resolvendo ser escritas na ordem reversa (primeira equação por úl-
para o próximo preditor de ordem mais alta em termos timo e última equação em primeiro, e assim por diante),
do novo valor de correlação e do preditor encontrado e a matriz para o conjunto resultante de equações ainda
anteriormente. é R(i); isto é,
Algoritmo de Levinson–Durbin i
ak z−k. (11.86)
(i)
A(i) (z) = 1 −
E (0) = rss [0]
k=1
for i = 1, 2, . . . , p
A representação por transformada z do erro de
ki = qrss [i] − rss [i − j ]r /E (i−1) Eq. 11.81
i−1
(i−1)
aj predição10 seria
j =1 E(i)(z) = A(i)(z)S(z), (11.87)
ai(i) = ki Eq. 11.84(b)
e a equação de diferenças no domínio do tempo para
if i > 1 then for j = 1, 2, . . . , i − 1
esse filtro FIR é
aj(i) = aj(i−1) − ki ai−j
(i−1)
Eq. 11.84(a)
i
end e(i) [n] = s[n] −
(i)
ak s[n − k]. (11.88)
E (i) = (1 − ki2 )E (i−1) Eq. 11.82 k=1
end
(p) A sequência e(i)[n]
recebe o nome mais específico
aj = aj j = 1, 2, . . . , p
erro de predição progressiva, pois é o erro na predição
de s[n] a partir de i amostras anteriores.
Algoritmo k-para-α As equações 11.84(a) e (b) são a fonte para a in-
Dados k1 , k2 , . . . , k M terpretação por filtro em treliça, pois, se substituídas na
for i = 1, 2, . . . , M Equação 11.86, levam à seguinte relação entre A(i)(z) e
αi(i) = ki Eq. 6.66(b) A(i−1)(z):
if i > 1 then for j = 1, 2, . . . , i − 1 A(i)(z) = A(i−1)(z) − ki z−i A(i−1)(z−1). (11.89)
αj(i) = αj(i−1) − ki αi−j
(i−1)
Eq. 6.66(a)
end Esse não é um resultado surpreendente se con-
end siderarmos a representação matricial do polinômio
A(i) (z) na Equação 11.83.11 Agora, se a Equação 11.89
αj = αj(M) j = 1, 2, . . . , M Eq. 6.68(b)
for substituída no lugar de A(i)(z) na Equação 11.87, o
resultado será
Figura 11.18 Comparação do algoritmo de Levinson–Durbin com o
algoritmo para converter parâmetros k de uma estrutura em treliça em E(i)(z) = A(i−1)(z)S(z) − ki z−i A(i−1)(z−1)S(z). (11.90)
coeficientes da resposta ao impulso FIR da Equação 11.85. A primeira parcela na Equação 11.90 é E(i−1)(z),
isto é, o erro de predição para um filtro de ordem (i − 1).
A segunda parcela tem uma interpretação similar se
e deduzimos a recursão para obter os coeficientes do definirmos
filtro FIR na forma direta correspondente. No algorit-
mo de Levinson–Durbin, começamos com a função de Ẽ(i)(z) = z−i A(i)(z−1)S(z) = B(i)(z)S(z), (11.91)
autocorrelação de um sinal e calculamos os parâmetros em que definimos B(i)(z) como
k recursivamente como um resultado intermediário no
cálculo dos coeficientes do filtro de erro de predição B(i)(z) = z−i A(i)(z−1). (11.92)
FIR. Como os dois algoritmos dão um resultado úni- A interpretação no domínio do tempo da Equa-
co após p iterações, e como existe uma relação única ção 11.91 é
entre os parâmetros k e os coeficientes de um filtro i
FIR, conclui-se que, se M = p e aj = αj para j = 1, 2, ..., ẽ [n] = s[n − i] −
(i) (i)
ak s[n − i + k]. (11.93)
p, os parâmetros k produzidos pelo algoritmo de Le- k=1
vinson–Durbin precisam ser os parâmetros k de uma
A sequência ẽ(i)[n] é chamada de erro de predi-
implementação de filtro em treliça do filtro de erro de
ção regressiva, pois a Equação 11.93 sugere que s[n – i]
predição FIR A(p)(z).
é “predito” (usando os coeficientes ak(i)) a partir das i
amostras que se seguem à amostra n − i.
11.7.1 Rede em treliça do erro de predição
Com essas definições, conclui-se pela Equação
Para explorar ainda mais a interpretação do filtro
11.90 que
em treliça, suponha que tenhamos uma função de siste-
ma do erro de predição de ordem i E(i)(z) = E(i−1)(z) − ki z−1 Ẽ(i−1)(z) (11.94)
10 Asequações usando transformada z são utilizadas supondo que as transformadas z de e[n] e s[n] existem. Embora isso não seja verdade no
caso de sinais aleatórios, as relações entre as variáveis permanecem válidas para o sistema. A notação da transformada z facilita o desenvolvi-
mento dessas relações.
11 As manipulações algébricas para deduzir esse resultado são sugeridas como um exercício no Problema 11.21.
Figura 11.20 Diagrama de fluxo de sinais da implementação por rede em treliça do cálculo do erro de predição de ordem p.
12 Note que, na Figura 6.37, as variáveis de nó foram indicadas como a(i)[n] e b(i)[n] em vez de e(i)[n] e ẽ(i)[n], respectivamente.
kp kp−1 k1
cações por amostra de saída do que a forma direta, essa coeficiente de correlação parcial. A Figura 11.20 tem a
pode ser a implementação preferida quando os coefi- interpretação de que a correlação em s[n], representada
cientes precisam ser digitalizados de forma grosseira. A pela função de autocorrelação rss[m], é removida passo
resposta em frequência da forma direta é extremamen- a passo pelo filtro em treliça. Para uma discussão mais
te sensível à digitalização dos coeficientes. Além disso, detalhada do conceito de correlação parcial, veja Stoica
vimos que os sistemas IIR de alta ordem na forma dire- e Moses (2005) ou Markel e Gray (1976).
ta podem se tornar instáveis em decorrência da digita- A Equação 11.101 para calcular kiP é a média
lização de seus coeficientes. Isso não ocorre com a rede geométrica entre um valor kif que minimiza o erro
em treliça, desde que a condição |ki| < 1 seja mantida quadrático médio de predição progressiva e um valor
para os parâmetros k digitalizados. Além disso, a res- kbi que minimiza o erro quadrático médio de predição
posta em frequência da rede em treliça é relativamente regressiva. A dedução desse resultado é considerada
insensível à digitalização dos parâmetros k. no Problema 11.28. Note que mostramos os limites nas
somas como infinito simplesmente para enfatizar que
11.7.3 Cálculo direto dos parâmetros k todas as amostras de erro estão envolvidas na soma.
A estrutura do diagrama de fluxo na Figura 11.20 Para ser mais específico, todas as somas na Equação
é uma consequência direta da recursão de Levinson 11.101 poderiam começar em n = 0 e terminar em
‑Durbin, e os parâmetros ki, i = 1, 2, ..., p, podem ser n = M + i, pois esse é o intervalo no qual a saída do
obtidos a partir dos valores de autocorrelação rss[m], sinal de erro dos preditores de ordem i tanto da pre-
m = 0, 1, ..., p, por meio de iterações do algoritmo da Fi- dição progressiva quanto regressiva seria não nula.
gura 11.17. Pela nossa discussão até aqui, os parâmetros Essa é a mesma hipótese que foi feita na preparação
ki têm sido uma consequência auxiliar do cálculo dos do método da autocorrelação para sequências de com-
parâmetros do preditor. Porém, Itakura e Saito (1968, primento finito. De fato, o Problema 11.29 esboça uma
1970) mostraram que os parâmetros ki podem ser cal- prova de que kiP calculado pela Equação 11.101 gera,
culados diretamente a partir dos erros de predição pro- identicamente, o mesmo resultado de ki calculado pela
gressiva e regressiva da Figura 11.20. Além disso, graças Equação 11.81 ou pela Equação L–D.2 na Figura 11.17.
à estrutura iterativa como uma cascata de estágios na Portanto, a Equação 11.101 pode ser substituída pela
Figura 11.19, os parâmetros ki podem ser calculados se- Equação L–D.2 na Figura 11.17, e o conjunto resultante
quencialmente a partir de sinais disponibilizados pelos de coeficientes de predição será idêntico àqueles cal-
estágios anteriores da treliça. O cálculo direto do parâ- culados a partir da função de autocorrelação.
metro ki é obtido com a seguinte equação: Para usar a Equação 11.101, é necessário de fato
calcular os erros de predição progressiva e regressiva
∞
empregando os cálculos da Figura 11.19. Em resumo,
e(i−1) [n]ẽ(i−1) [n − 1]
os passos a seguir resultam no cálculo dos coeficientes
n=−∞
kiP = 1/2
. (11.101) PARCOR kiP para i = 1, 2, ..., p:
∞ ∞
(e(i−1) [n])2 (ẽ(i−1) [n − 1])2 PARCOR.0 Inicialize com e(0)[n] = ẽ(0)[n] = s[n] para
n=−∞ n=−∞ 0 ≤ n ≤ M.
Para i = 1, 2, . . . , p repetir os passos a seguir.
Observe que a Equação 11.101 está na forma da
correlação cruzada com energia normalizada entre os PARCOR.1 Calcule e(i)[n] e ẽ(i −1)[n] usando a Equa-
erros de predição progressiva e regressiva na saída do ção 11.99(b) e a Equação 11.99(c) respectivamente
estágio i. Por esse motivo, kiP, calculado usando a Equa- para 0 ≤ n ≤ M + i. Salve essas duas sequências como
ção 11.101, é chamado de coeficiente PARCOR (do entradas para o próximo estágio.
inglês PARtial CORrelation) ou, mais precisamente, PARCOR.2 Calcule kiP usando a Equação 11.101.
Outra abordagem para calcular os coeficientes disso, enfatizou-se que a estrutura do algoritmo de Le-
na Figura 11.20 foi introduzida por Burg, 1975, que for- vinson–Durbin esclarece muitas propriedades úteis do
mulou o problema de modelagem só-polos em termos modelo só-polos. A modelagem paramétrica de sinais
do princípio da máxima entropia. Ele propôs usar a es- possui uma rica história, uma extensa literatura e mui-
trutura da Figura 11.20, que incorpora o algoritmo de tas aplicações, o que a torna um tema que vale a pena
Levinson–Durbin, com coeficientes kBi que minimizam ser aprofundado em estudos avançados.
a soma dos erros médios quadráticos de predição pro-
gressivas e regressivas na saída de cada estágio. O resul-
tado é dado pela equação Problemas
N Problemas básicos com respostas
2 e(i−1) [n]ẽ(i−1) [n − 1] 11.1. s[n] é um sinal de energia finita conhecido para todo n.
n=i φss[i, k] é definida como
kiB = N N
(11.102)
∞
2 2
(e (i−1)
[n]) + (ẽ (i−1)
[n − 1]) φss [i, k] = s[n − i]s[n − k].
n=i n=i n=−∞
O procedimento para uso dessa equação para se Mostre que φss[i, k] pode ser expressa como uma função
de |i − k|.
obter a sequência kBi , i = 1, 2, ..., p, é o mesmo que
11.2. Em geral, o erro quadrático médio de predição é defini-
o método PARCOR. No passo PARCOR.2, kiP é sim-
do na Equação 11.36 como
plesmente substituído por kBi da Equação 11.102. Nes- 2
p
se caso, o operador média é o mesmo que o do método
E = s[n] − aks[n − k] . (P11.2-1)
da covariância, o que significa que segmentos muito
k=1
curtos de s[n] podem ser usados mantendo-se alta re-
solução espectral. (a) Expanda a Equação P11.2-1 e use o fato de que
s[n − i]s[n − k] = φss[i, k] = φss[k, i] para mostrar que
Embora o método de Burg use uma análise do
tipo covariância, a condição |kBi | < 1 é válida, o que p p p
implica que o modelo só-polos implementado pelo E = φss [0, 0] − 2 akφss [0, k] + ai akφss [i, k]
filtro em treliça será estável. (Veja Problema 11.30.) k=1 i=1 k=1
Este capítulo fornece uma introdução à modela- h[n] = akh[n − k] + Gδ[n] (P11.3-1)
k=1
gem paramétrica de sinais. Enfatizamos os modelos só-
-polos, mas muitos dos conceitos discutidos se aplicam (a) A função de autocorrelação da resposta ao impulso
do sistema é
a técnicas mais gerais, que envolvem funções de sistema
∞
racionais. Mostramos que os parâmetros de um mode-
rhh [m] = h[n]h[n + m]
lo só-polos podem ser calculados por um processo em n=−∞
dois passos. O primeiro passo é o cálculo dos valores de
Substituindo a Equação P11.3-1 na equação para
correlação a partir de um sinal de comprimento finito.
rhh[−m] e aproveitando o fato de que rhh[−m] =
O segundo passo é a resolução de um conjunto de equa- rhh[m], mostre que
ções lineares, em que os valores de correlação são os p
coeficientes. Mostramos que as soluções obtidas depen- akrhh [|m − k|] = rhh [m], m = 1, 2, . . . , p (P11.3-2)
dem de como os valores de correlação são calculados, e, k=1
também, que, se os valores de correlação forem valores (b) Usando a mesma abordagem de (a), agora mostre que
de autocorrelação verdadeiros, um algoritmo particu- p
larmente útil, chamado algoritmo de Levinson–Durbin, rhh [0] − akrhh [k] = G2 . (P11.3-3)
pode ser deduzido para a solução das equações. Além k=1
s[n] g(4)[n]
Figura P11.9
11.10. Considere um preditor de ordem i com função de siste- Os mesmos a e b encontrados no item (a) são usados
ma do erro de predição para a modelagem só-polos de y1[n]. O erro de mode-
i i lagem inverso, w1[n], é a saída do sistema mostrado na
(i) (i)
A(i) (z) = 1 − aj z−j = (1 − zj z−1 ) (P11.10-1) Figura P11.12-3. w1[n] é branco? w1[n] tem média nula?
j =1 j =1 Explique.
Pela recursão de Levinson–Durbin, conclui-se que
x [n] y1[n]
a(i)
i = ki. Use esse fato juntamente com a Equação H1(z) +
P11.10-1 para mostrar que, se |ki | ≥ 1, necessariamen-
te é verdade que |z(i)
j | ≥ 1 para algum j. Isto é, mos-
tre que a condição |ki| < 1 é uma condição necessária z[n]
para que A(p)(z) tenha todos os seus zeros estrita-
mente dentro da circunferência unitária. Figura P11.12-2
11.11. Considere um sistema LIT com função de sistema H(z)
= h0 + h1z−1. O sinal y[n] é a saída desse sistema graças
a uma entrada que é ruído branco com média nula e y1[n] w1[n]
variância unitária. 1 − az−1 − bz−3
(a) Qual é a função de autocorrelação ryy[m] do sinal
de saída y[n]?
(b) O erro de predição progressiva de segunda ordem é Figura P11.12-3
definido como
(d) Qual é a variância de w1[n]?
e[n] = y[n] − a1y[n − 1] − a2y[n − 2]. 11.13. Observamos as seis primeiras amostras de um sinal cau-
Sem usar as equações de Yule–Walker diretamente, sal s[n] dado por s[0] = 4, s[1] = 8, s[2] = 4, s[3] = 2, s[4]
encontre a1 e a2, tais que a variância de e[n] seja = 1 e s[5] = 0,5. Para os primeiros itens deste problema,
minimizada. modelaremos o sinal usando um sistema estável, causal,
(c) O filtro de predição regressiva para y[n] é definido de fase mínima e dois polos, tendo resposta ao impulso
como ŝ[n] e função de sistema
em que g[n] é a resposta do sistema inverso a s[n], e (a) Queremos usar um modelo só-polos causal, de se-
o sistema inverso agora tem função de sistema gunda ordem, isto é, um modelo na forma
A(z) = 1 − az−1. A
H (z) = ,
1 − a1 z−1 − a2 z−2
Além disso, r[n] é a resposta ao impulso de um sis-
tema com função de sistema para representar otimamente o sinal s[n], no senti-
do do erro quadrático mínimo. Encontre a1, a2 e A.
B(z) = b0 + b1 z−1.
(b) Agora, suponha que queiramos usar um modelo só-
(e) Para esse modelo, escreva g[n] − r[n] para 0 ≤ n ≤ 5. -polos causal, de terceira ordem, isto é, um modelo
(f) Calcule os valores dos parâmetros a, b0 e b1 que mi- na forma
nimizam o erro de modelagem.
B
(g) Calcule o erro de modelagem E2 no item (f). H (z) = ,
1 − b1 z−1 − b2 z−2 − b3 z−3
11.14. No Exemplo 11.1, consideramos a sequência sd[n] =
αnu[n], que é a resposta ao impulso de um sistema só- para representar otimamente o sinal s[n], no sentido
-polos de primeira ordem com função de sistema do erro quadrático mínimo. Encontre b1, b2, b3 e B.
1 1 1.16. Considere o sinal
H (z) = .
1 − αz−1
1 n 1 n
Neste problema, consideramos a estimação dos parâ- s[n] = 2 u[n] + 3 − u[n]. (P11.16-1)
3 2
metros de um modelo só-polos para o sinal sd[n] conhe-
Queremos modelar esse sinal usando um modelo só-po-
cido apenas no intervalo 0 ≤ n ≤ M.
los de segunda ordem (p = 2) ou, de modo equivalente,
(a) Primeiro, considere a estimação de um modelo de usando predição linear de segunda ordem.
primeira ordem pelo método da autocorrelação. Para
Para este problema, como recebemos uma expressão
começar, mostre que a função de autocorrelação da
analítica para s[n], e s[n] é a resposta ao impulso de um
sequência de comprimento finito s[n] = sd[n](u[n] −
filtro só-polos, podemos obter os coeficientes de pre-
u[n − M − 1]) = αn(u[n] − u[n − M − 1]) é dição linear diretamente a partir da transformada z de
1 − α 2(M−|m|+1) s[n]. (Será pedido que você faça isso no item (a).) Em
rss [m] = α |m| . (P11.14-1) situações práticas, tipicamente recebemos dados, isto é,
1 − α2
um conjunto de valores de sinal, e não uma expressão
(b) Use a função de autocorrelação determinada em analítica. Nesse caso, mesmo quando o sinal a ser mode-
(a) na Equação 11.34 e resolva para o coeficiente a1 lado é a resposta ao impulso de um filtro só-polos, preci-
do preditor de primeira ordem. samos realizar cálculos sobre os dados, usando métodos
(c) Você deverá descobrir que o resultado obtido em como aqueles discutidos na Seção 11.3, para determinar
(b) não é o valor exato (isto é, a1 Z α) como aquele os coeficientes de predição lineares.
obtido no Exemplo 11.1, quando a função de auto- Há também situações em que uma expressão analítica
correlação foi calculada usando a sequência infini- está disponível para o sinal, mas o sinal não é a respos-
ta. Mostre, porém, que a1 → α para M → ∞. ta ao impulso de um filtro só-polos, e gostaríamos de
(d) Use os resultados de (a) e (b) na Equação 11.38 modelá-lo como tal. Nesse caso, novamente precisamos
para determinar o erro quadrático médio mínimo executar cálculos como aqueles discutidos na Seção 11.3.
de predição para esse exemplo. Mostre que, para (a) Para o sinal s[n] dado na Equação P11.16-1, deter-
M → ∞, o erro se aproxima do mínimo erro qua- mine os coeficientes de predição linear a1, a2 dire-
drático médio encontrado no Exemplo 11.1 para a tamente pela transformada z de s[n].
função de autocorrelação exata. (b) Escreva as equações normais para p = 2 a fim de
(e) Agora, considere o método da covariância para esti- obter equações para a1, a2 em termos de rss[m].
mar a função de correlação. Mostre que, para p = 1, (c) Determine os valores de rss[0], rss[1] e rss[2] para o
φss[i, k] na Equação 11.49 é dada por sinal s[n] dado na Equação P11.16-1.
(d) Resolva o sistema de equações do item (b) usando
1 − α 2M os valores que você encontrou no item (c), para ob-
φss [i, k] = α 2−i−k 0 ≤ (i, k) ≤ 1. (P11.14-2)
1 − α2 ter valores para os aks.
(f) Use o resultado de (e) na Equação 11.20 para en- (e) Os valores de ak do item (d) são os que você espe-
contrar o coeficiente do preditor de primeira or- raria para esse sinal? Justifique sua resposta com
dem ótimo. Compare seu resultado com o resultado clareza.
de (b) e com o resultado do Exemplo 11.1. (f) Suponha que você queira modelar o sinal agora com
(g) Use os resultados de (e) e (f) na Equação 11.37 para p = 3. Escreva as equações normais para esse caso.
encontrar o mínimo erro quadrático médio de pre- (g) Determine o valor de rss[3].
dição. Compare seu resultado com o resultado em (h) Encontre os valores de ak quando p = 3.
(d) e com o resultado do Exemplo 11.1. (i) Os valores de ak obtidos no item (h) são os que
1 1.15. Considere o sinal você esperaria para o sinal s[n] dado? Justifique sua
resposta com clareza.
1 n 2 n (j) Os valores de a1, a2 que você determinou em (h)
s[n] = 3 u[n] + 4 − u[n] .
2 3 mudariam se modelássemos o sinal com p = 4?
11.17. x[n] e y[n] são sequências amostras de processos alea- (e) Seja Ea o custo no item (a) e seja Eb o custo no item
tórios de média nula, conjuntamente estacionários no (b), sendo cada E definido como na Equação P11.17-1.
sentido amplo. A informação a seguir é conhecida sobre Ea é maior, igual ou menor do que Eb, ou não existem
a função de autocorrelação φxx[m] e sobre a correlação informações suficientes para compará-los?
cruzada φyx[m]: (f) Calcule Ea e Eb quando φyy[0] = 88. (Dica: Os filtros
0 m ímpar FIR ótimos calculados nos itens (a) e (b) são tais
φxx [m] = que E [ŷx[n](y[n] − ŷx[n])] = 0.)
1 m par
2|m| 11.18. Um canal de comunicação de tempo discreto com res-
φyx [−1] = 2 φyx [0] = 3 φyx [1] = 8 φyx [2] = −3 posta ao impulso h[n] deve ser compensado com um sis-
tema LIT com resposta ao impulso hc[n], como indicado
φyx [3] = 2 φyx [4] = −0,75 na Figura P11.18. Sabe-se que o canal h[n] é um atraso
de uma amostra, isto é,
(a) A estimativa linear de y dado x é indicada por ŷx.
Ela é projetada para minimizar h[n] = δ[n − 1].
O compensador hc[n] é um filtro FIR causal de N pon-
E=E | y[n] − ŷx [n] |2 , (P11.17-1)
tos, isto é,
N−1
em que o ŷx[n] é formado pelo processamento de
Hc (z) = akz−k.
x[n] com um filtro FIR cuja resposta ao impulso
k=0
h[n] tem comprimento 3 e é dada por
O compensador hc[n] é projetado para inverter (ou
h[n] = h0δ[n] + h1δ[n − 1] + h2δ[n − 2]. compensar) o canal. Especificamente, hc[n] é projetado
Determine h0, h1 e h2 para minimizar E. de modo que, com s[n] = δ[n], ŝ[n] seja o mais “próxi-
mo” possível de um impulso; isto é, hc[n] é projetado de
(b) Neste item, ŷx, a estimativa linear de y para um
modo que o erro
dado x, novamente é projetada para minimizar E na
Equação P11.17-1, mas com hipóteses diferentes so- ∞
bre a estrutura do filtro linear. Aqui, a estimativa é E= |ŝ[n] − δ[n]|2
formada pelo processamento de x[n] com um filtro n=−∞
FIR cuja resposta ao impulso g[n] tem comprimen- seja minimizado. Encontre o compensador ótimo de
to 2 e é dada por comprimento N, isto é, determine a0, a1, . . . , aN −1 para
g[n] = g1δ[n − 1] + g2δ[n − 2]. minimizar E.
1 h 0 h1 h yˆ x[n] ŷx[2n]
w[n] 2 x[n] 2
2
1− ∑
k=1
akz−k
0 1 2 n
Figura P11.17
0,2
0,1
−0,1
−0,2
−0,3
−0,4
0 50 100 150 200 250 300
Índice da amostra n
Figura P11.19
i a1(i) a2(i) a3(i) a4(i) a5(i) a6(i) a7(i) a8(i) a9(i) a10(i) a11(i)
1 0,8328
2 0,7459 0,1044
3 0,7273 −0,0289 0,1786
4 0,8047 −0,0414 0,4940 −0,4337
5 0,7623 0,0069 0,4899 −0,3550 −0,0978
6 0,6889 −0,2595 0,8576 −0,3498 0,4743 −0,7505
7 0,6839 −0,2563 0,8553 −0,3440 0,4726 −0,7459 −0,0067
8 0,6834 −0,3095 0,8890 −0,3685 0,5336 −0,7642 0,0421 −0,0713
9 0,7234 −0,3331 1,3173 −0,6676 0,7402 −1,2624 0,2155 −0,4544 0,5605
10 0,6493 −0,2730 1,2888 −0,5007 0,6423 −1,1741 0,0413 −0,4103 0,4648 0,1323
11 0,6444 −0,2902 1,3040 −0,5022 0,6859 −1,1980 0,0599 −0,4582 0,4749 0,1081 0,0371
(a) Determine a transformada z A(4)(z) do filtro de (f) A função de sistema do modelo só-polos de ordem 11 é
erro de predição de quarta ordem. Esboce e indi-
G G G
que adequadamente o diagrama de fluxo da imple- H (z) = = = .
mentação na forma direta desse sistema. A (11) (z) 11 11
(11)
1− ak z −k (1 − z i z −1 )
(b) Determine o conjunto de parâmetros k {k1, k2, k3,
k=1 i=1
k4} para o filtro em treliça do erro de predição de
quarta ordem. Esboce e indique adequadamente
o diagrama de fluxo da implementação em treliça A seguir estão cinco das raízes do filtro de erro de
desse sistema. predição de ordem 11 A(11)(z).
(c) O erro quadrático médio mínimo de predição para
o preditor de segunda ordem é E(2) = 0,5803. Qual i |zi| j zi (rad)
é o erro quadrático médio mínimo de predição para
o preditor de terceira ordem? Qual é a energia total 1 0,2567 2,0677
do sinal s[n]? Qual é o valor da função de autocor- 2 0,9681 1,4402
relação rss[1]?
3 0,9850 0,2750
(d) Os erros quadráticos médios mínimos de predição
4 0,8647 2,0036
para esses preditores formam uma sequência {E(0),
E(1), E(2), ..., E(11)}. Pode-se mostrar que essa se- 5 0,9590 2,4162
quência decresce bruscamente indo de i = 0 para
i = 1 e depois decresce lentamente por várias or- Expresse resumidamente, em palavras, onde os ou-
dens e então cai abruptamente. Em que ordem i tros seis zeros de A(11)(z) estão localizados. Seja o
você espera que isso ocorra? mais preciso possível.
(e) Esboce cuidadosamente a sequência do erro de (g) Use a informação dada na tabela e no item (c) des-
predição e(11)[n] para a entrada dada s[n] na Figura te problema para determinar o parâmetro de ganho
P11.19. Mostre o máximo de detalhes possível. G para o modelo só-polos de ordem 11.
(h) Esboce e indique cuidadosamente um gráfico da pulso correta, mostrando que a transformada z
resposta em frequência do filtro do modelo só- desse filtro inverso é de fato proporcional ao in-
-polos de ordem 11 para frequências analógicas verso de S(z).
0 ≤ F ≤ 4 kHz. (d) Esboce um diagrama de fluxo de sinais para um fil-
11.20. A análise espectral é frequentemente aplicada a sinais tro em treliça que implementa um sistema só-polos
compostos de senoides. Os sinais senoidais são parti tal que, quando a entrada é x[n] = δ[n], a saída é o
cularmente interessantes, pois compartilham proprieda- sinal s[n] dado anteriormente.
des com sinais determinísticos e aleatórios. Por um lado, (e) Deduza a função de sistema do diagrama de fluxo de
podemos descrevê-los em termos de uma equação sim- sinais que você esboçou no item (d) e demonstre que
ples. Por outro lado, eles têm energia infinita, de modo sua resposta ao impulso h[n] satisfaz h[n] = s[n].
que frequentemente os caracterizamos em termos de 1 1.23. Considere o sinal
sua potência média, assim como ocorre com os sinais
aleatórios. Este problema explora algumas questões 2 n 1 n
s[n] = α u[n] + β u[n]
teóricas na modelagem de sinais senoidais do ponto de 3 4
vista dos sinais aleatórios.
Podemos considerar os sinais senoidais como sinais em que α e β são constantes. Queremos predizer linear-
aleatórios estacionários, supondo que o modelo de si- mente s[n] a partir de seus p valores anteriores usando
nal seja s[n] = A cos(ω0n + θ) para −∞ < n < ∞, em a relação
que tanto A quanto θ podem ser consideradas variáveis p
aleatórias. Nesse modelo, o sinal é considerado um con- ŝ[n] = ak s[n − k]
junto de senoides descritas pelas leis da probabilidade k=1
subjacentes para A e θ. Para simplificar, suponha que A sendo os coeficientes ak constantes. Os coeficientes ak
seja uma constante e que θ seja uma variável aleatória são escolhidos para minimizar o erro de predição
distribuída uniformemente em 0 ≤ θ < 2π.
∞
(a) Mostre que a função de autocorrelação para esse
sinal é E= (s[n] − ŝ[n])2 .
n=−∞
A2 (a) Com rss[m] denotando a função de autocorrelação
rss [m] = E {s[n + m]s[n] } = cos(ω0 m). (P11.20-1)
2 de s[n], escreva as equações para o caso p = 2 cuja
(b) Usando a Equação 11.34, escreva o conjunto de solução resultará em a1, a2.
equações que é satisfeito pelos coeficientes de um (b) Determine um par de valores para α e β tal que,
preditor linear de segunda ordem para esse sinal. quando p = 2, a solução para as equações normais é
11
(c) Resolva as equações em (b) para os coeficientes do a1 = 12 e a2 = − 16. Sua resposta é única? Explique.
preditor ótimo. Sua resposta deverá ser uma função (c) Se α = 8 e β = −3, determine o parâmetro k k3, re-
de ω0. sultante do uso da recursão de Levinson para resol-
(d) Fatore o polinômio A(z) = 1 − a1z−1 − a2z−2 descre- ver as equações normais para p = 3. Ele é diferente
vendo o filtro de erro de predição. de k3 ao resolver para p = 4?
(e) Use a Equação 11.38 para determinar uma expres- 11.24. Considere as seguintes equações de Yule–Walker: p ap =
são para o erro quadrático médio mínimo de pre- γ p, sendo:
dição. Sua resposta deverá confirmar por que os p
l .. m
a1
l .. m
φ[1]
sinais senoidais aleatórios são chamados de “previ-
ja.p k j . k
síveis” e/ou “determinísticos”. ap = γp =
11.21. Usando as equações 11.84(a) e (b) da recursão de Le- p φ[ p]
vinson–Durbin, deduza a relação entre os filtros de erro
de predição de ordem i e i − 1 dada na Equação 11.89. e
11.22. Neste problema, consideramos a construção dos filtros φ[0] · · · φ[p − 1]
em treliça para implementar o filtro inverso para o sinal .. .. ..
p = . . . (uma matriz Toeplitz)
1 n 1 n φ[p − 1] · · · φ[0]
s[n] = 2 u[n] + 3 − u[n].
3 2
O algoritmo de Levinson–Durbin fornece a seguinte
(a) Encontre os valores dos parâmetros k, k1 e k2 para solução recursiva para a equação normal p+1 ap+1 =
o caso de ordem 2 (isto é, p = 2). γ p+1:
(b) Esboce o diagrama de fluxo de sinais de uma im- T
plementação de filtro em treliça do filtro inverso, φ[p + 1] − γ bp ap
p+1
isto é, o filtro que gera como saída y[n] = Aδ[n] (um ap+1 = T
impulso com um fator de escala) quando a entrada φ[0] − γ p ap
é x[n] = s[n].
(c) Verifique que o diagrama de fluxo de sinais que p+1 p p+1 p
am = am − ap+1 · ap−m+1 m = 1, . . . , p
você desenhou no item (b) tem a resposta ao im-
sendo γpb a versão regressiva de γp : γpb = [φ[p] ... φ[1]]T, Problemas de extensão
φ[1]
e a11 = φ[0]. Note que, para vetores, a ordem do modelo 11.26. Considere um modelo só-polos estável com função de
é mostrada no subscrito; mas, para escalares, a ordem do sistema
modelo aparece no sobrescrito. G G
H (z) = p = .
Agora, considere a seguinte equação normal: p bp = cp, A(z)
sendo 1− amz−m
p m=1
b c[1]
.1 Suponha que g seja positivo.
bp = ..
cp = ... Neste problema, mostraremos que um conjunto de (p + 1)
p
bp c[p] amostras da magnitude quadrática de H(z) na circunfe-
rência unitária, isto é,
Mostre que a solução recursiva para p+1 bp+1 = cp+1 é:
T C[k] = |H(e j π k /p)|2 k = 0, 1, . . . , p,
c[p + 1] − γ bp bp é suficiente para representar o sistema. Especificamen-
p+1
bp+1 = T te, dado C[k], k = 0, 1, ..., p, mostre que os parâmetros G
φ[0] − γ p ap
e am, m = 0, 1, ..., p podem ser determinados.
p+1 p p+1 p (a) Considere a transformada z
bm = bm − bp+1 · ap−m+1 m = 1, . . . , p
1 A(z)A(z−1 )
c[1]
Q(z) = = ,
onde bb1111=
sendo = φ[0] . H (z)H (z −1) G2
(Observação: Você pode achar útil notar que abp = p−1γpb.) que corresponde a uma sequência q[n]. Determine a
11.25. Considere um sinal aleatório estacionário no sentido relação entre q[n] e hA[n], a resposta ao impulso do
amplo colorido s[n] que desejamos branquear usando filtro de erro de predição cuja função de sistema seja
o sistema da Figura P11.25-1: No projeto do filtro ótimo A(z). Sobre qual intervalo de n q[n] será não nula?
de branqueamento para uma dada ordem p, tomamos (b) Projete um procedimento baseado na TFD para de-
o coeficiente ak(p), k = 1, ..., p que satisfaz as equações terminar q[n] a partir das amostras dadas da magni-
normais da autocorrelação dadas pela Equação 11.34, tude quadrática C[k].
sendo rss[m] a autocorrelação de s[n]. (c) Supondo que a sequência q[n] como determinada
Sabe-se que o filtro ótimo de branqueamento de ordem em (b) seja conhecida, enuncie um procedimento
2 para s[n] é H2 (z) = 1 + 41 z−1 − 18 z−2 , (isto − 41 , a2 = 18 para determinar A(z) e G.
(2) (2)
a1 a(2)
(i.e., é, 1 ==
1 + 41 z−1 − 18 z−2 , (i.e., a1 = − 41 , a2 = 18), que implementamos na estrutura em
(2) (2)
11.27. O sistema em treliça IIR geral da Figura 11.21 está res-
treliça de ordem 2 da Figura P11.25-2. Também gosta- trito a sistemas só-polos. Porém, tanto polos quanto ze-
ríamos de usar um sistema de ordem 4, com função de ros podem ser implementados pelo sistema da Figura
transferência
4
P11.27-1 (Gray e Markel, 1973, 1975). Cada uma das
H4 (z) = 1 −
(4) −k
ak z . seções na Figura P11.27-1 é descrita pelo diagrama de
k=1 fluxos da Figura P11.27-2. Em outras palavras, a Figura
Implementamos esse sistema com a estrutura em treliça 11.21 está embutida na Figura P11.27-1 com a saída for-
da Figura P11.25-3. Determine quais, se algum entre k1, mada como uma combinação linear das sequências de
k2, k3, k4 de H4(z), podem ser determinados exatamente erro de predição regressiva.
a partir da informação dada anteriormente. Explique
por que você não pode determinar os parâmetros res- s[n] g[n]
tantes, caso haja algum.
2/7 −1/8
s[n] p
g[n]
1−∑ akz−k 2/7 −1/8
k=1
z−1 z−1
Figura P11.25-1
Figura P11.25-2 Estrutura em treliça para um sistema de ordem 2.
s[n] g[n]
cP cP − 1 cP − 2 c1 c0
y[n]
Figura P11.27-1
(b) Mostre que H̃(p) (z) é um sistema passa-tudo. (Esse sendo kif o valor de ki que minimiza o erro quadrático
resultado não é necessário para o restante do pro- médio de predição progressiva
blema.) ∞
(c) A função de sistema total de X(z) até Y(z) é E (i) = (e(i) [n])2 ,
p n=−∞
Y (z) ci z−1 A(i) (z−1 )
H (z) = = = kbi
e é o valor de ki que minimiza o erro quadrático mé-
X(z) A(p) (z)
i=0 dio de predição regressiva
Q(z) (P11.27-2)
∞
= .
A(p) (z) Ẽ (i) = (ẽ(i) [n])2 .
n=−∞
Mostre que o numerador Q(z) na Equação P11.27-2
é um polinômio de ordem p da forma
11.29. Substitua a Equação 11.88 e a Equação 11.93 na Equa-
p
ção 11.101 para mostrar que
Q(z) = qmz−m (P11.27-3)
m=0 ∞
em que os coeficientes cm na Figura P11.27 são da- e(i−1) [n]ẽ(i−1) [n − 1]
dos pela equação n=−∞
kiP =
∞ ∞ 1/2
p
cm = qm +
(i)
ci ai−m (e(i−1) [n])2 (ẽ(i−1) [n − 1])2
n=−∞ n=−∞
i=m+1
i−1
m = p, p − 1, . . . , 1, 0. (P11.27-4) (i−1)
rss [i] − aj rss [i − j ]
(d) Indique um procedimento para o cálculo de todos j =1
= = ki .
os parâmetros necessários para implementar uma E (i−1)
sendo a soma realizada no intervalo fixo i ≤ n ≤ M. Dica: Considere a expressão (x[n] ± y[n])2 > 0,
n=i
(a) Substitua os sinais do filtro em treliça e(i)[n] = e(i−1)[n] em que x[n] e y[n] sejam duas sequências distintas.
− ki ẽ(i−1)[n − 1] e ẽ(i)[n] = ẽ(i−1)[n − 1] − ki e(i−1)[n] em (c) Dado um conjunto de coeficientes de Burg kBi ,
P11.30-1 e mostre que o valor de ki que minimiza i = 1, 2, ..., p, como você obteria os coeficientes do
B(i) é filtro de erro de predição A(p)(z) correspondente?
priedades 5 e 6, Tabela 2.1). Como mostraremos, uma 12.1 Suficiência das partes real e
sequência causal é totalmente especificada por sua
componente par, o que sugere que a transformada de imaginária da transformada de
Fourier da sequência original é especificada comple- Fourier para sequências causais
tamente por sua parte real. Além de aplicar esse ar-
Qualquer sequência pode ser expressa como a
gumento para especificar a transformada de Fourier
soma de uma sequência par e de uma sequência ímpar.
de uma sequência causal particular em termos de sua
Especificamente, com xe[n] e xo[n] denotando as partes
parte real, também podemos aplicá-lo, sob certas con-
par e ímpar, respectivamente, de x[n],1 temos
dições, para especificar a transformada de Fourier de
uma sequência em termos de sua magnitude. x[n] = xe[n] + xo[n], (12.1)
A noção de um sinal analítico é um conceito im- sendo
portante no processamento em tempo contínuo de si-
nais. Um sinal analítico é uma função de tempo com- x[n] + x[−n]
xe [n] = (12.2)
plexo (que é analítica) que possui uma transformada de 2
Fourier que desaparece em frequências negativas. Uma e
sequência complexa não pode ser considerada analíti- x[n] − x[−n]
ca em nenhum sentido formal, pois é uma função de xo[n] = . (12.3)
2
uma variável inteira. Porém, em um estilo similar àque-
As equações 12.1 a 12.3 aplicam-se a uma sequên-
le descrito no parágrafo anterior, é possível relacionar
cia arbitrária, seja ela causal ou não, e seja ela real ou
as partes real e imaginária de uma sequência comple-
não. Porém, se x[n] for causal, isto é, se x[n] = 0, n <
xa cujo espectro é nulo na circunferência unitária para
0, então é possível recuperar x[n] a partir de xe[n] ou
–π < ω < 0. Uma abordagem similar também pode ser
recuperar x[n] para n Z 0 a partir de xo[n]. Considere,
usada para relacionar as partes real e imaginária da
por exemplo, a sequência causal x[n] e seus componen-
TFD de uma sequência periódica ou, de modo equiva-
tes par e ímpar, como mostrado na Figura 12.1. Como
lente, de uma sequência de comprimento finito. Nesse
x[n] é causal, x[n] = 0 para n < 0 e x[−n] = 0 para n >
caso, a condição de “causalidade” é que a sequência pe-
0. Portanto, os trechos não nulos de x[n] e x[−n] não se
riódica seja nula na segunda metade de cada período.
sobrepõem, exceto em n = 0. Por esse motivo, segue a
Assim, neste capítulo, uma noção de causalidade
partir das equações 12.2 e 12.3 que
será aplicada para relacionar os componentes par e ím-
par de uma função ou, de modo equivalente, as partes x[n] = 2xe[n]u[n] − xe[0]δ[n] (12.4)
real e imaginária de sua transformada. Aplicaremos e
essa abordagem em quatro situações. Primeiro, relacio-
namos as partes real e imaginária da transformada de x[n] = 2xo[n]u[n] + x[0]δ[n]. (12.5)
Fourier X(ejω) de uma sequência x[n] que é nula para A validade dessas relações é vista com facilidade na
n < 0. Na segunda situação, obtemos uma relação entre Figura 12.1. Note que x[n] é determinada completamen-
as partes real e imaginária da TFD para sequências pe- te por xe[n]. Por outro lado, xo[0] = 0, de modo que pode-
riódicas ou, de modo equivalente, para uma sequência mos recuperar x[n] a partir de xo[n] somente para n Z 0.
de comprimento finito que consideremos ter compri- Agora, se x[n] também é estável, isto é, somável em
mento N, mas com os últimos (N/2) − 1 pontos restritos valor absoluto, então sua transformada de Fourier existe.
a zero. No terceiro caso, relacionamos as partes real e Denotamos a transformada de Fourier de x[n] como
imaginária do logaritmo da transformada de Fourier
sob a condição de que a transformada inversa do loga- X(ejω) = XR (ejω) + jXI (ejω), (12.6)
ritmo da transformada seja nula para n < 0. Relacionar sendo XR(ejω) a parte real e XI(ejω) a parte imaginária
as partes real e imaginária do logaritmo da transfor- de X(ejω). Lembre-se de que, se x[n] é uma sequên-
mada de Fourier corresponde a relacionar a magnitu- cia real, então XR(ejω) é a transformada de Fourier de
de logarítmica e a fase de X(ejω). Finalmente, relacio- xe[n] e jXI(ejω) é a transformada de Fourier de xo[n].
namos as partes real e imaginária de uma sequência Portanto, para uma sequência causal, estável e real,
complexa cuja transformada de Fourier, considerada XR(ejω) determina X(ejω) completamente, pois, se ti-
uma função periódica de ω, é nula na segunda metade vermos XR(ejω), poderemos encontrar X(ejω) pelo pro-
de cada período. cesso a seguir:
1 Se x[n] é real, então xe[n] e xo[n] nas equações 12.2 e 12.3 são as partes par e ímpar, respectivamente, de x[n], como considerado no Capítulo 2.
Se x[n] é complexa, para fins dessa discussão, ainda definimos xe[n] e xo[n] como nas equações 12.2 e 12.3, que não correspondem às partes
simétrica conjugada e antissimétrica conjugada de uma sequência complexa, como considerado no Capítulo 2.
x [n]
0 n
x [–n]
0 n
xe [n]
0 n
xo [n]
0 n
1. Encontre xe[n] como a transformada de Fourier Sabemos que XR(ejω) é a transformada de Fourier de
inversa de XR(ejω). xe[n], a componente par de x[n] como definida na Equa-
2. Encontre x[n] usando a Equação 12.4. ção 12.2. Comparando a Equação 12.8 com a definição
3. Encontre X(ejω) como a transformada de Fourier da transformada de Fourier, Equação 2.131, podemos as-
de x[n]. sociar termos para obter
1 1
Isso também sugere, naturalmente, que XI(ejω) xe [n] = δ[n] + δ[n − 2] + δ[n + 2].
2 2
pode ser determinada a partir de XR(ejω). No Exemplo Agora que obtivemos a componente par, podemos usar a
12.1, ilustramos como esse procedimento pode ser apli- relação na Equação 12.4 para obter
cado para obter X(ejω) e XI(ejω) a partir de XR(ejω).
x[n] = δ[n] + δ[n − 2]. (12.9)
A partir de x[n], obtemos
Exemplo 12.1 Sequência de comprimento finito X(e j ω ) = 1 + e−j 2ω
Considere uma sequência x[n] real e causal para a qual = 1 + cos 2ω − j sen 2 ω. (12.10)
XR (ejω), a parte real da TFTD, seja A partir da Equação 12.10, podemos confirmar que XR(ejω)
é como especificado na Equação 12.7 e também obter
XR(ejω) = 1 + cos 2ω. (12.7)
XI(ejω) = −sen 2ω. (12.11)
Gostaríamos de determinar a sequência original x[n], sua
transformada de Fourier X(ejω) e a parte imaginária da trans- Como um caminho alternativo para obter XI(ejω),
pode-
formada de Fourier, XI (ejω). Como um primeiro passo, rees- mos primeiro usar a Equação 12.3 para obter xo[n] a partir
crevemos a Equação 12.7 expressando o cosseno como uma de x[n]. Substituir a Equação 12.9 na Equação 12.3 resulta,
soma de exponenciais complexas: então, em
1 1 1 1
XR (e j ω ) = 1 + e−j 2ω + ej 2ω . (12.8) xo[n] = δ[n − 2] − δ[n + 2].
2 2 2 2
A transformada de Fourier de xo[n] é jXI (ejω), de modo Consequentemente, a partir da Equação 12.4,
que encontramos
x[n] = α n u[n] + α −n u[−n]u[n] − δ[n]
1 1
j X I (e j ω ) = e−j 2ω − e j 2ω = α n u[n].
2 2
= −j sen 2ω, X(ejω) é, então, dado por
de modo que 1
X(ej ω ) = , (12.18)
XI (ejω) = − sen 2ω, 1 − αe−j ω
1 − (α/2)(ej ω + e−j ω ) 1 π
XR (ej ω ) = , |α| < 1, (12.13) X(e j ω ) = XR (e j θ )U (e j (ω −θ ) )dθ − x[0], (12.20)
1 − α(ej ω + e−j ω ) + α 2 π −π
1 π ω−θ ω–θ
XI (e j ω ) = − XR (ej θ ) cotg dθ. (12.26) XR (e jθ)
–cotg
2
2π −π 2
x̃[n] + x̃[−n] e
x̃e [n] = , n = 0, 1, . . . , (N − 1), (12.32a)
2 2x̃o[n], n = 1, 2, . . . , (N/2) − 1,
e x̃[n] = (12.34)
0, n = (N/2) + 1, . . . , N − 1,
x̃[n] − x̃[−n]
x̃o[n] = , n = 0, 1, . . . , (N − 1). (12.32b) sendo que x̃[n] não pode ser recuperado a partir de
2 x̃o[n] porque x̃o[0] = x̃o[N/2] = 0. Se definirmos a se-
Uma sequência periódica não pode, evidentemen- quência periódica
te, ser causal no sentido usado na Seção 12.1. Porém,
podemos definir uma sequência “periodicamente cau- 1, n = 0, N/2,
sal” como uma sequência periódica para a qual x̃[n] = 0 ũN [n] = 2, n = 1, 2, . . . , (N/2) − 1, (12.35)
para N/2 < n < N. Isto é, x̃[n] é identicamente nula em 0, n = (N/2) + 1, . . . , N − 1,
toda a última metade do período. Assumiremos daqui
por diante que N é par; o caso de N ímpar é considerado então verifica-se que, para N par, podemos expressar
no Problema 12.25. Note que, por causa da periodici- x̃[n] como
dade de x̃[n], também é verdadeiro que x̃[n] = 0 para x̃[n] = x̃e[n]ũN[n] (12.36)
−N/2 < n < 0. Para sequências de comprimento finito,
essa restrição significa que, embora a sequência seja e
considerada de comprimento N, as últimas (N/2) − 1 x̃[n] = x̃o[n]ũN[n] + x̃[0]δ̃[n] +
amostras são de fato nulas. Na Figura 12.3, mostramos
+ x̃[N/2] δ̃[n − (N/2)], (12.37)
um exemplo de uma sequência periodicamente causal e
seus componentes par e ímpar com N = 8. Como x̃[n] é sendo δ̃[n] uma sequência impulso unitário periódica
nula na segunda metade de cada período, x̃[−n] é nula com período N. Assim, a sequência x̃[n] pode ser com-
na primeira metade de cada período e, consequente- pletamente recuperada a partir de x̃e[n]. Por outro lado,
mente, exceto em n = 0 e n = N/2, não há sobreposi- x̃o[n] sempre será nula em n = 0 e n = N/2 e, conse-
ção entre os trechos não nulos de x̃[n] e x̃[−n]. Portanto, quentemente, x̃[n] pode ser recuperada a partir de x̃o[n]
para sequências periódicas e periodicamente causais, somente para n Z 0 e n Z N/2.
Se x̃[n] é uma sequência periódica real de período
2x̃e [n], n = 1, 2, . . . , (N/2) − 1, N com SFD X̃[k], então X̃ R[k], a parte real de X̃[k], é a
x̃[n] = x̃e [n], n = 0, N/2, (12.33) SFD de x̃e[n] e jX̃ I [k] é a SFD de x̃o[n]. Logo, as equa-
0, n = (N/2) + 1, . . . , N − 1, ções 12.36 e 12.37 implicam que, para uma sequência
~
x [n]
... ...
–N 0 N n
~ n]
x[–
... ...
–N 0 N n
~
xe [n]
... ...
–N 0 N n
~
xo [n]
... ...
–N 0 N n
Figura 12.3 Componentes par e ímpar de uma sequência periódica, real e periodicamente causal de período N = 8.
periódica de período N, que é periodicamente causal dicamente causal. De modo similar, começando com a
no sentido definido anteriormente, X̃[k] pode ser recu- Equação 12.37, podemos mostrar que
perado a partir de sua parte real ou (aproximadamen- N−1
te) de sua parte imaginária. De modo equivalente, X̃I 1
X̃R [k] = j X̃I [m]Ṽ N [k − m] + x̃[0] + (−1)kx̃[N/2].
[k] pode ser obtido a partir de X̃R[k], e X̃R[k] pode ser N
m=0
(aproximadamente) obtido a partir de X̃I [k]. (12.45)
Especificamente, suponha que seja dada X̃ R[k]. As equações 12.44 e 12.45 relacionam as partes
Então, podemos obter X̃[k] e X̃I [k] pelo procedimento real e imaginária da representação SFD da sequência
a seguir: periódica x̃[n]. Se x̃[n] for considerada como a repeti-
1. Calcule x̃e[n] usando a equação de síntese de SFD ção periódica de uma sequência de comprimento finito
1
N−1 x[n], como na Equação 12.30, então
x̃e [n] = X̃R [k]ej ( 2π/N)kn. (12.38)
N x̃[n], 0 ≤ n ≤ N − 1,
k=0 x[n] = (12.46)
0, caso contrário.
2. Calcule x̃[n] usando a Equação 12.36.
3. Calcule X̃[k] usando a equação de análise de SFD Se x[n] tiver a propriedade de “causalidade perió-
N−1
dica” com relação a um período N (isto é, x[n] = 0 para
X̃[k] = x̃[n]e−j ( 2π/N)kn = X̃R [k] + j X̃I [k]. (12.39) n < 0 e para n > N/2), então toda a discussão anterior
n=0
se aplica à TFD de x[n]. Em outras palavras, podemos
remover os acentos de til das equações 12.44 e 12.45,
Diferentemente do caso causal geral discutido na
obtendo assim as relações de TFD
Seção 12.1, o procedimento descrito pode ser imple-
N−1
mentado em um computador, pois as equações 12.38 1
e 12.39 podem ser calculadas com exatidão e de modo XR [m]VN [k − m], 0 ≤ k ≤ N − 1,
j X I [k] = N
eficiente usando um algoritmo de FFT. m=0
0, caso contrário,
Para obter uma relação explícita entre X̃ R[k] e
(12.47)
X̃ I[k], podemos executar o procedimento analiticamen-
te. A partir das equações 12.36 e 8.34, segue que e
N−1
X̃[k] = X̃R [k] + j X̃I [k] 1
j X I [m]VN [k − m] + x[0] + (−1)kx[N/2],
XR [k] = N
N−1 (12.40) m=0
1 0 ≤ k ≤ N − 1,
= X̃R [m]Ũ N [k − m] ;
N 0, caso contrário.
m=0
(12.48)
isto é, X̃[k] é a convolução periódica de X̃ R[k], a SFD
de x̃e[n], sendo ŨN [k] a SFD de ũN [n]. Pode-se mostrar Note que a sequência VN [k − m] dada pela Equa-
que a SFD de ũN [n] é (veja o Problema 12.24) ção 12.42 é periódica com período N, de modo que não
precisamos nos preocupar em calcular ((k − m))N nas
N, k = 0, equações 12.47 e 12.48, que são as relações desejadas
Ũ N [k] = −j 2 cotg(πk/N ), k ímpar, (12.41) entre as partes real e imaginária da TFD de N pontos
0, k par. de uma sequência real cujo comprimento de fato é me-
Se definirmos nor ou igual a (N/2) + 1 (para N par). Essas equações
são convoluções circulares e, por exemplo, a Equação
−j 2 cotg (πk/N), k ímpar,
Ṽ N [k] = (12.42) 12.47 pode ser calculada de modo eficiente aplicando o
0, k par,
seguinte procedimento:
então a Equação 12.40 pode ser expressa como 1. Calcular a TFD inversa de XR [k] para obter a se-
1
N−1 quência
X̃[k] = X̃R [k] + X̃R [m]Ṽ N [k − m]. (12.43)
N x[n] + x[((−n))N ]
m=0 xep [n] = , 0 ≤ n ≤ N− 1. (12.49)
2
Portanto,
2. Calcular o componente ímpar periódico de x[n] por
N−1
1 xep [n], 0 < n < N/2,
j X̃I [k] = X̃R [m]Ṽ N [k − m], (12.44)
N xop [n] = −xep [n], N/2 < n ≤ N − 1, (12.50)
m=0
0, caso contrário.
que é a relação desejada entre as partes real e imaginá-
ria da SFD de uma sequência periódica, causal e perio- 3. Calcular a TFD de xop[n] para obter jXI [k].
Note que se, em vez de calcular o componente ím- Finalmente, obtemos jXI [k] a partir da TFD de xop[n]:
par de x[n] na etapa 2, calcularmos 3
1 1
xep [0], n = 0, j X I [k] = xop [n]W4nk = − W4k + W43k
2 2
2xep [n], 0 < n < N/2, n=0
x[n] = (12.51) j, k = 1,
xep [N/2], n = N/2,
0, caso contrário, = −j, k = 3,
0, caso contrário,
então a TFD da sequência resultante será X[k], a TFD
completa de x[n]. que, evidentemente, é a mesma que obtivemos a partir da
Equação 12.47.
2 Embora x̂[n] seja chamado de cepstrum complexo, ele tem valor real, pois o x̂(ejω) definido na Equação 12.53 é simétrico conjugado.
Se agora exigirmos que x̂[n] seja causal, então as possuem amostras nulas na segunda metade de cada pe-
partes real e imaginária de X̂(ejω), correspondentes a ríodo. Nesta seção, consideramos sequências complexas
log|X(ejω)| e arg[X(ejω)], respectivamente, estarão rela- para as quais os componentes real e imaginário podem
cionadas por meio das equações 12.28(a) e (b); isto é, ser relacionados por meio de uma convolução discreta
similar às relações da transformada de Hilbert deduzi-
1 π ω−θ
arg[X(ej ω )] = − P log |X(e j θ )| cotg dθ das nas seções anteriores. Essas relações são particu-
2π −π 2
larmente úteis na representação de sinais passa-banda
(12.54) como sinais complexos de uma maneira completamente
análoga aos sinais analíticos da teoria dos sinais de tem-
e
po contínuo (Papoulis, 1977).
1 π ω−θ Como mencionado anteriormente, é possível ba-
log |X(e j ω)| = x̂[0] + P arg[X(e j θ )] cotg dθ,
2π −π 2 sear a dedução das relações da transformada de Hilbert
em uma noção de causalidade ou unilateralidade. Como
(12.55a) estamos interessados em relacionar as partes real e ima-
sendo x̂[0], na Equação 12.55(a), ginária de uma sequência complexa, a unilateralidade
será aplicada à TFTD da sequência. Evidentemente,
1 π
não podemos exigir que a TFTD seja nula para ω < 0,
x̂[0] = log |X(ej ω )|dω. (12.55b)
2π −π pois ela deve ser periódica. Em vez disso, consideramos
as sequências para as quais a transformada de Fourier é
Embora não esteja totalmente óbvio neste ponto,
nula na segunda metade de cada período; isto é, a trans-
no Problema 12.35 e no Capítulo 13 desenvolvemos o
formada z é nula na metade inferior (−π ≤ ω < 0) da
fato de que a condição de fase mínima definida na Se-
circunferência unitária. Assim, com x[n] denotando a
ção 5.6, ou seja, que X(z) tem todos os seus polos e zeros
sequência, e X(ejω), sua transformada de Fourier, exi-
no interior do círculo unitário, garante causalidade do
cepstrum complexo. Assim, a condição de fase mínima gimos que
na Seção 5.6 e a condição de causalidade do cepstrum X(ejω) = 0, −π ≤ ω < 0. (12.56)
complexo resultam na mesma restrição desenvolvida a
partir de pontos de vista diferentes. Note que, quando (Poderíamos muito bem supor que X(ejω) fosse nula para
x̂[n] é causal, arg[X(ejω)] é determinado completamen- 0 < ω ≤ π.) A sequência x[n] correspondente a X(ejω) de-
te por meio da Equação 12.54 por log|X(ejω)|; porém, verá ser complexa, pois, se x[n] fosse real, X(ejω) seria
a determinação completa de log|X(ejω)| pela Equação simétrico conjugado, isto é, X(ejω) = X *(e – j ω). Portanto,
12.55(a) requer tanto arg[X(ejω)] quanto a quantidade expressamos x[n] como
x̂[0]. Se x̂[0] não for conhecido, então log|X(ejω)| é deter-
x[n] = xr [n] + jxi[n], (12.57)
minado somente a menos de uma constante aditiva ou,
de modo equivalente, |X(ejω)| é determinado somente a sendo xr[n] e xi[n] sequências reais. Na teoria de sinais
menos de uma constante multiplicativa (ganho). de tempo contínuo, o sinal comparável é uma função
Fase mínima e causalidade do cepstrum complexo analítica e, assim, é chamado de sinal analítico. Embo-
não são as únicas restrições que fornecem uma relação ra a analiticidade não tenha nenhum significado formal
unívoca entre a magnitude e a fase da TFTD. Como um para sequências, de qualquer forma aplicamos a mesma
exemplo de outro tipo de restrição, foi demonstrado terminologia a sequências complexas cujas transforma-
(Hayes, Lim e Oppenheim, 1980) que, se uma sequên- das de Fourier são unilaterais.
cia for de comprimento finito e se sua transformada z Se Xr(ejω) e Xi(ejω) denotam as transformadas de
não tiver zeros em pares recíprocos conjugados, então, a Fourier das sequências reais xr[n] e xi[n], respectiva-
menos de um fator de escala, a sequência (e consequen- mente, então
temente, também a magnitude da TFTD) é determinada
unicamente pela fase da transformada de Fourier. X(ejω) = Xr(ejω) + jXi (ejω), (12.58a)
e segue que
12.4 Relações da transformada de 1
Hilbert para sequências complexas Xr (e j ω ) = [X(e j ω ) + X* (e−j ω )] (12.58b)
2
Até aqui, consideramos as relações da transfor- e
mada de Hilbert para a transformada de Fourier de se- 1
quências causais e para a TFD de sequências periódicas j X i (e j ω ) = [X(e j ω ) − X* (e−j ω )]. (12.58c)
2
que são “periodicamente causais” no sentido de que
Note que a Equação 12.58(c) fornece uma ex- cias reais xr[n] e xi[n]. Nessa figura é mostrado de forma
pressão para jXi(ejω), que é a transformada de Fourier gráfica o cancelamento decorrente das equações 12.58.
do sinal imaginário jxi[n]. Note também que Xr(ejω) e Se X(ejω) é nula para −π ≤ ω < 0, então não exis-
Xi(ejω), as transformadas de Fourier das partes real e te sobreposição entre os trechos não nulos de X(ejω) e
imaginária, respectivamente, de x[n] são ambas fun- X*(e–jω), exceto em ω = 0. Assim, X(ejω) pode ser re-
ções de valor complexo. Em geral, as transformadas cuperada, exceto em ω = 0, a partir de Xr(ejω) ou de
complexas Xr(ejω) e jXi(ejω) desempenham um papel Xi(ejω). Como supomos que X(ejω) seja nula em ω = ±π,
similar àquele desempenhado nas seções anteriores X(ejω) é totalmente recuperável, exceto em ω = 0, a par-
pelos componentes par e ímpar, respectivamente, das tir de jXi(ejω). Isso é contrário à situação na Seção 12.2,
sequências causais. Porém, Xr(ejω) é simétrica conjuga- em que a sequência causal pode ser recuperada a partir
da, isto é, Xr(ejω) = X*r (e–jω). De modo similar, jXi(ejω) de sua componente ímpar, exceto nas extremidades.
é antissimétrica conjugada, isto é, jXi(ejω) = −jXi*(e–jω).
Em particular,
Na Figura 12.4 é mostrado um exemplo de
uma transformada de Fourier unilateral complexa 2Xr (e j ω ), 0 < ω < π,
X(e j ω ) = (12.59)
de uma sequência complexa x[n] = xr[n] + jxi[n], e das 0, −π ≤ ω < 0,
transformadas bilaterais correspondentes das sequên-
X (e j)
... ...
–3 –2 – 2 3
(a)
X* (e – j)
... ...
–3 –2 – 2 3
(b)
Xr (e j)
... ...
–3 –2 – 2 3
(c)
Xi (e j)
... ...
–2 2
–3 – 3
(d)
Figura 12.4 Exemplo da decomposição de uma transformada de Fourier unilateral. (As curvas sólidas representam as partes reais e as curvas
tracejadas representam as partes imaginárias.)
e 2
2j X i (e j ω ), 0 < ω < π, 2
X(e j ω ) = (12.60) 2 2
0, −π ≤ ω < 0. 3
5 7
–7 –5 –3 –1 ...
Como alternativa, podemos relacionar Xr(ejω) e ...
jω 0 1 2 3 4 5 6 7 8 n
Xi(e ) diretamente por
– 2 – 2 2
−j X r (e j ω ), 0 < ω < π, 7 5 –
Xi (e j ω ) = (12.61) 3
j X r (e j ω ), −π ≤ ω < 0, –
2
ou
Figura 12.5 Resposta ao impulso de um transformador de Hilbert ou
Xi(ejω) = H(ejω) Xr(ejω), (12.62a) deslocador de fase de 90 graus ideal.
sendo
−j, 0 < ω < π,
H (e j ω ) = (12.62b) As equações 12.65 são as relações de transforma-
j, −π < ω < 0.
da de Hilbert desejadas entre as partes real e imaginá-
As equações 12.62 são ilustradas comparando as ria de um sinal analítico de tempo discreto. Na Figura
figuras 12.4(c) e (d). Xi(ejω) é a transformada de Fourier 12.6 é mostrado como um sistema transformador de
de xi[n], a parte imaginária de x[n], e Xr(ejω) é a trans- Hilbert de tempo discreto pode ser usado para gerar
formada de Fourier de xr[n], a parte real de x[n]. Assim, um sinal analítico complexo, que é simplesmente um
de acordo com as equações 12.62, xi[n] pode ser obtida par de sinais reais.
processando xr[n] com um sistema de tempo discreto
LIT com resposta em frequência H(ejω), como dado
pela Equação 12.62(b). Essa resposta em frequência xr [n] xr [n]
tem magnitude unitária, um ângulo de fase de −π/2 para Sinal
complexo
0 < ω < π, e um ângulo de fase de +π/2 para −π < ω < 0. Transformador x[n]
Esse sistema é chamado de deslocador de fase em 90 de Hilbert xi [n]
graus ideal, ou transformador de Hilbert. A partir das
equações 12.62, segue que Figura 12.6 Representação em diagrama de blocos da geração de
1 uma sequência complexa, cuja transformada de Fourier é unilateral.
Xr (e j ω ) = Xi (e j ω ) = −H (e j ω )Xi (e j ω ). (12.63)
H (e j ω )
Assim, −xr[n] também pode ser obtida de xi[n] 12.4.1 Projeto de transformadores de Hilbert
com um deslocador de fase de 90 graus.
A resposta ao impulso do transformador de
A resposta ao impulso h[n] de um deslocador de
ilbert, conforme dado na Equação 12.64, não é somá-
H
fase de 90 graus, correspondente à resposta em frequên-
vel em valor absoluto. Consequentemente,
cia H(ejω) dada na Equação 12.62(b), é
∞
1 0 1 π
h[n] = je j ωn
dω − je j ωn
dω, H (e j ω ) = h[n]e−j ωn (12.66)
2π −π 2π 0 n=−∞
Amplitude
0
Exemplo 12.4 Projeto de janela de Kaiser de
transformadores de Hilbert
– 0,5
A aproximação por janela de Kaiser para um transfor-
mador de Hilbert discreto FIR de ordem M (comprimen- –1,0
to M + 1) teria a forma 0 5 10 15 20
Número da amostra (n)
Io{β(1 −[ (n − nd )/n d ]2 )1/ 2 } (a)
Io(β)
1,2
h[n] = 2 sen2 [π(n − nd )/ 2]
, 0 ≤ n ≤ M,
π n − nd
0,9
Amplitude
0, caso contrário,
(12.67) 0,6
com nd = M/2. Se M é par, o sistema é um sistema de fase
linear generalizada FIR do tipo III, como discutido na 0,3
Seção 5.7.3.
Na Figura 12.7(a) é mostrada a resposta ao impulso, e na
Figura 12.7(b) é mostrada a magnitude da resposta em 0
frequência, para M = 18 e β = 2,629. Como h[n] satisfaz 0 0,2π 0,4π 0,6π 0,8π π
a condição de simetria h[n] = −h[M − n] para 0 ≤ n ≤ M, Frequência em radianos (ω)
a fase é de exatamente 90 graus mais um componente de (b)
fase linear que corresponde a um atraso de nd = 18/2 = 9
amostras; isto é, Figura 12.7 (a) Resposta ao impulso e (b) resposta em magnitude de
−π um transformador de Hilbert FIR projetado usando a janela de Kaiser.
H (e j ω ) = − 9ω, 0 < ω < π. (12.68) (M = 18 e β = 2,629.)
2
A partir da Figura 12.7(b), vemos que, como necessário
para um sistema do tipo III, a resposta em frequência é
nula em z = 1 e z = −1 (ω = 0 e ω = π). Assim, a resposta Aproximações para o transformador de Hilbert
em magnitude não consegue aproximar-se da unidade mui- de fase linear FIR dos tipos III e IV com aproximação
to bem, exceto em uma banda intermediária ωL < |ω| < ωH. de magnitude equiripple e fase de exatamente 90 graus
Se M é um inteiro ímpar, obtemos um sistema do tipo IV, podem ser projetadas usando o algoritmo de Parks–Mc-
como mostrado na Figura 12.8, sendo M = 17 e β = 2,44.
Para sistemas do tipo IV, a resposta em frequência é ne-
Clellan descrito nas seções 7.7 e 7.8, com as melhorias
cessariamente nula somente em z = 1 (ω = 0). Portanto, esperadas no erro de aproximação de magnitude em re-
uma melhor aproximação para uma resposta em magnitu- lação aos filtros projetados usando janelas com o mesmo
de constante é obtida para frequências em torno de ω = π. comprimento (veja Rabiner e Schafer, 1974).
A resposta em fase é exatamente 90 graus em todas as fre- A exatidão de fase dos sistemas FIR dos tipos III e
quências, mais um componente de fase linear que corres-
IV é uma motivação atrativa para seu uso na aproxima-
ponde a nd = 17/2 = 8,5 amostras de atraso; isto é,
ção de transformadores de Hilbert. Sistemas IIR devem
−π
H (e j ω ) = − 8,5ω, 0 < ω < π. (12.69) ter algum erro na resposta de fase, bem como algum erro
2
na resposta em magnitude na aproximação de um trans-
A partir da comparação das figuras 12.7(a) e 12.8(a), ve-
mos que os transformadores de Hilbert FIR do tipo III formador de Hilbert. A abordagem mais bem‑sucedida
têm uma vantagem computacional significativa sobre os para o projeto de transformadores de Hilbert IIR con-
sistemas do tipo IV quando não é necessário aproximar siste em projetar um “divisor de fase”, que consiste em
a magnitude constante em ω = π. Isso porque, para siste- dois sistemas passa-tudo cujas respostas de fase diferem
mas do tipo III, as amostras com índice par da resposta ao em aproximadamente 90 graus em um trecho da banda
impulso são todas exatamente nulas. Assim, tirando pro-
veito da antissimetria nos dois casos, o sistema com M =
0 < |ω | < π. Tais sistemas podem ser projetados usando
17 exigiria oito multiplicações para calcular cada amostra a transformação bilinear para transformar um sistema
de saída, enquanto o sistema com M = 18 exigiria apenas de divisão de fase de tempo contínuo em um sistema de
cinco multiplicações por amostra de saída. tempo discreto. (Para um exemplo desse sistema, con-
sulte Gold, Oppenheim e Rader, 1970.)
1,0
h1[n]
yr [n] Sinal
0,5 complexo
xr [n] y[n]
Amplitude
h2[n]
0 yi [n]
Xr (e j)
–2 – – 2
(a)
jXi (e j)
– – 2
(b)
X (e j)
–2 – 2
(c)
S (e j)
–2 – c 2
c +
(d)
Sr (e j)
–2 – c 2
c +
(e)
jSi (e j)
–2 – c 2
c +
(f)
Figura 12.10 Transformadas de Fourier para representação de sinais passa-banda. (Curvas sólidas são partes reais e curvas tracejadas são
partes imaginárias.) (Note que, nos itens (b) e (f), as funções jXi (ejω) e jSi (ejω) são esboçadas, sendo Xi (ejω) e Si (ejω) as transformadas de Fourier
de xi [n] e si [n], respectivamente.)
e e
xi [n] si [n] = xr [n] sen ωcn + xi [n] cos ωcn, (12.76a)
φ[n] = arctg . (12.73c)
xr [n] ou
Portanto, a partir das equações 12.70 e 12.73, po-
si [n] = A[n] sen(ωcn + φ[n]). (12.76b)
demos expressar s[n] como
As equações 12.75(a) e 12.76(a) são representadas
s[n] = (xr[n] + jxi[n])ejωcn (12.74a)
nas figuras 12.11(a) e (b), respectivamente. Esses dia-
= A[n]ej(ωcn+φ[n]), (12.74b) gramas ilustram como um sinal (de banda lateral única)
passa-banda complexo pode ser gerado a partir de um
do qual obtemos as expressões
sinal passa-baixas real.
sr[n] = xr[n] cos ωcn − xi[n] sen ωcn, (12.75a) Juntas, as equações 12.75 e 12.76 são as repre-
ou sentações no domínio do tempo desejadas de um sinal
passa-banda complexo geral s[n] em termos das partes
sr[n] = A[n] cos(ωcn + φ[n]), (12.75b) real e imaginária de um sinal passa-baixas complexo
cos ωc n sen ωc n
* *
+ +
+ +
xr [n] – sr [n] xr [n] + si [n]
Transformador Transformador
* *
de Hilbert de Hilbert
xi [n] xi [n]
sen ωc n cos ωc n
(a) (b)
Figura 12.11 Representação em diagrama de blocos das equações 12.75(a) e 12.76(a) para a obtenção de um sinal de banda lateral única.
C/D M
sc (t) sr [n] = sc (nT ) srd [n]
Sinal dizimado
T complexo sd [n]
Transformador
M
de Hilbert si [n] sid [n]
Figura 12.12 Sistema para amostragem de taxa reduzida de um sinal passa-banda real por dizimação do sinal passa-banda complexo equivalente.
Sc ( j)
1
– c c
– c – c +
(a)
Sr (e j)
1
T
... ...
–3 –2 – – c c 2 – c 2 3
(b)
S (e j)
2
T
...
...
–3 –2 – c 2 3
(c)
1 1
S(e j[( – 6)/5])) Sd (e j) S(e j[( – 8)/5]))
5 5
2
5T
... ...
–2 2
–3 – 3
(d)
Figura 12.13 Exemplo de amostragem de taxa reduzida de um sinal passa-banda usando o sistema da Figura 12.12. (a) Transformada de Fourier
do sinal passa-banda de tempo contínuo. (b) Transformada de Fourier do sinal amostrado. (c) Transformada de Fourier do sinal de tempo discreto
passa-banda complexo, obtido do sinal do item (a). (d) Transformada de Fourier do passa-banda complexo dizimado do item (c). (Curvas sólidas
são partes reais e curvas tracejadas são partes imaginárias.)
de frequência de tempo discreto −π < ω ≤ π. Um filtro mada de Fourier são um par transformado de Hilbert
complexo aplicado a sd[n] pode transformar essa infor- uma da outra.
mação de maneiras úteis, tal como maior limitação de As relações da transformada de Hilbert foram de-
banda, compensação de amplitude ou de fase etc., ou duzidas para sequências periódicas que satisfazem uma
então o sinal complexo pode ser codificado para trans- restrição de causalidade modificada e para sequências
missão ou armazenamento digital. Esse processamento complexas cujas transformadas de Fourier desvanecem
ocorre na taxa de amostragem baixa e, certamente, essa na metade inferior da circunferência unitária. As apli-
é a motivação para a redução da taxa de amostragem. cações de sinais analíticos complexos na representação
O sinal passa-banda real sr[n] original pode ser re- e na amostragem eficiente de sinais passa-banda tam-
construído de forma ideal pelo procedimento a seguir: bém foram discutidas.
1. Expanda a sequência complexa por um fator M;
isto é, obtenha
Problemas
srd [n/M ] + j s id [n/M ], n = 0, ±M, ±2M, . . . ,
se [n] =
0, caso contrário.
Problemas básicos
(12.78) 1 2.1. Considere uma sequência x[n] com TFTD X(ejω). A se-
quência x[n] tem valor real e é causal, e
2. Filtre o sinal se[n] usando um filtro passa-banda
Re{X(ejω)} = 2 − 2a cos ω.
complexo com resposta ao impulso hi[n] e respos-
ta em frequência Determine Im{X(ejω)}.
12.2. Considere uma sequência x[n] e sua TFTD X(ejω). Sa-
0, −π < ω < ω c , be-se o seguinte:
H i (e j ω ) = M, ω c < ω < ω c + (12.79)
x[n] é real e causal,
0, ω c +
Re{X(e j ω )} = 45 − cos ω.
(Em nosso exemplo, ωc + ω = π.)
Determine uma sequência x[n] consistente com a infor-
3. Obtenha sr[n] = Re{se[n] * hi[n]}. mação dada.
Um exercício útil é fazer um gráfico da transforma- 12.3. Considere uma sequência x[n] e sua TFTD X(ejω). Sa-
da de Fourier Se(ejω) para o exemplo da Figura 12.13 e ve- be-se o seguinte:
rificar se o filtro da Equação 12.79 de fato recupera s[n].
x[n] é real,
Outro exercício útil consiste em considerar um
x[0] = 0,
sinal complexo de tempo contínuo com uma transfor-
mada de Fourier unilateral igual a Sc(j) para ≥ 0. x[1] > 0,
Podemos mostrar que esse sinal pode ser amostrado |X(ej ω )|2 = 45 − cos ω.
com taxa de amostragem 2π/T = , resultando direta- Determine duas sequências distintas x1[n] e x2[n] con-
mente na sequência complexa sd[n]. sistentes com a informação dada.
12.4. Considere uma sequência complexa x[n] = xr[n] + jxi[n],
12.5 Resumo sendo xr[n] e xi[n] a parte real e a parte imaginária, res-
pectivamente. A transformada z X(z) da sequência x[n]
Neste capítulo, discutimos uma variedade de rela- é nula na metade inferior da circunferência unitária; isto
ções entre as partes real e imaginária das transformadas é, X(ejω) = 0 para π ≤ ω < 2π. A parte real de x[n] é
de Fourier e as partes real e imaginária de sequências 1/2, n = 0,
complexas. Essas relações são chamadas coletivamente xr [n] = −1/4, n = ±2,
de relações da transformada de Hilbert. Nossa aborda- 0, caso contrário.
gem para deduzir todas as relações da transformada
Determine as partes real e imaginária de X(ejω).
de Hilbert consistiu em aplicar um princípio básico de
12.5. Encontre as transformadas de Hilbert xi[n] = H{xr[n]}
causalidade que permite que uma sequência ou função das seguintes sequências:
seja recuperada a partir de seu componente par. Mos- (a) xr[n] = cos ω0n
tramos que, para uma sequência causal, as partes real e (b) xr[n] = sen ω0n
imaginária da transformada de Fourier estão relaciona- sen(ω0 n)
(c) xxrr[n]
[n] =
=
das por meio de uma integral do tipo convolução. Além πn
disso, para o caso especial em que o cepstrum complexo 12.6. A parte imaginária de X(ejω) para uma sequência x[n]
de uma sequência é causal ou, de modo equivalente, os causal e real é
polos e os zeros de sua transformada z se encontram
XI(ejω) = 2 sen ω − 3 sen 4ω.
no interior do círculo unitário (a condição de fase mí-
nima), o logaritmo da magnitude e a fase da transfor Além disso, sabemos que X(ejω)|ω=0 = 6. Encontre x[n].
12.7. (a) x[n] é uma sequência real e causal, com a parte ima- X(ejω) = XR(ejω) + jXI(ejω).
ginária de sua TFTD X(ejω) dada por
Se XR(ejω) = 1 + cos(ω) + sen(ω) − sen(2ω), determine
Im{X(ejω)} = sen ω + 2 sen 2ω. XI (ejω).
1 2.14. Considere uma sequência real e anticausal x[n] com
Determine uma escolha para x[n]. TFTD X(ejω). A parte real de X(ejω) é
(b) A sua resposta no item (a) é única? Se for, explique
∞
por quê. Se não, determine uma segunda escolha
XR (e j ω ) = (1/2)k cos(kω).
distinta para x[n] que satisfaça a relação dada no
k=0
item (a).
12.8. Considere uma sequência x[n] real e causal, com EncontreXI(ejω), a parte imaginária de X(ejω). (Lem-
TFTD X(ejω) = XR(ejω) + jXI(ejω). A parte imaginária bre-se de que uma sequência é considerada anticausal
da TFTD é se x[n] = 0 para n > 0.)
1 2.15. x[n] é uma sequência real e causal, com TFTD X(ejω). A
XI(ejω) = 3 sen(2ω).
parte imaginária de X(ejω) é
Quais das partes reais XRm(ejω) listadas a seguir são
consistentes com essa informação? Im{X(ejω)} = sen ω,
Im{X(ej ω )} = 3 sen(ω) + sen(3ω), Esses fatos são consistentes? Ou seja, uma sequência
x[n] pode satisfazer a ambos? Em caso afirmativo, dê
X(ej ω )|ω=π = 3. uma escolha para x[n]. Se não, justifique sua resposta.
12.17. Considere um sinal x[n] real e causal, de comprimen-
Determine uma sequência x[n] consistente com essa in-
to finito com comprimento N = 2 e com uma TFD
formação. A sequência é única?
de 2 pontos X[k] = XR[k] + jXI[k] para k = 0, 1. Se
12.10. Considere h[n], a resposta ao impulso com valor real de
XR[k] = 2δ[k] − 4δ[k − 1], é possível determinar uni-
um sistema LIT estável e causal, com resposta em fre-
camente x[n]? Em caso afirmativo, forneça x[n]. Caso
quência H(ejω). Sabemos o seguinte:
contrário, dê várias escolhas para x[n] que satisfaçam a
(i) O sistema tem um inverso estável e causal.
5 − cos ω
condição dada sobre XR[k].
2 1 2.18. Seja x[n] uma sequência de valor real e causal, de com-
(ii) H (ej ω ) = 4 .
5 + 4 cos ω primento finito com comprimento N = 3. Encontre duas
Determine h[n] com o máximo de detalhes possível. escolhas para x[n] tal que a parte real da TFDXR[k] cor-
1 2.11. Seja x[n] = xr[n] + jxi[n] uma sequência de valor com- responda com aquela indicada na Figura P12.18. Note
plexo tal que X(ejω) = 0 para −π ≤ ω < 0. A parte imagi- que somente uma das suas sequências é “periodicamen-
nária é te causal”, de acordo com a definição na Seção 10.2, em
que x[n] = 0 para N/2 < n ≤ N − 1.
4, n = 3,
xi [n] =
−4, n = −3. 9
XR [k]
Especifique as partes real e imaginária de X(ejω). 6 6
1 2.12. h[n] é uma sequência causal, de valor real, com h[0] não
nula e positiva. A magnitude ao quadrado da resposta
em frequência de h[n] é dada por
0 1 2 k
2 10 2
H (e j ω ) = − cos(ω).
9 3
Figura P12.18
(a) Determine uma escolha para h[n].
(b) A sua resposta no item (b) é única? Se for, explique 12.19. Seja x[n] uma sequência real e causal, de comprimento
por quê. Se não, determine uma segunda escolha finito com comprimento N = 4, que também seja pe-
distinta para h[n] que satisfaça as condições dadas. riodicamente causal. A parte real da TFD de 4 pontos
1 2.13. Seja x[n] uma sequência causal, de valor complexo, com XR[k] para essa sequência é mostrada na Figura P12.19.
transformada de Fourier Determine a parte imaginária da TFD jXI[k].
x1[n] 1 x2[n]
2/3 2/3
2 5
0 1 3 4 5 n 0 1 2 3 4 n
–2/3 –2/3
x3[n] 6 x4[n]
1 4
2/3
2 2
0 1 3 4 5 n 0 1 3 4 5 n
–2/3
–4
1 x5[n] x6[n]
2/3 2/3
2 1
0 1 3 4 5 n 0 2 3 4 5 n
–2/3 –2/3
2 x7[n] x8[n]
2/3 2/3
2 3 0 1
0 1 4 5 n 2 3 4 5 n
–2/3 –2/3
–1 –1
Figura P12.20
12.21. Seja x[n] uma sequência real e causal, para a qual |x[n]| sendo XR(z) e XI(z) funções de z com valor real. Supo-
< ∞. A transformada z de x[n] é nha que XR(z) seja
∞ ρ + α cos ω
X(z) = x[n]z−n , XR (ρe j ω ) = , α real,
ρ
n=0
que é uma série de Taylor na variável z−1 e, portanto, para z = ρejω. Então encontre X(z) (como uma função
converge para uma função analítica em qualquer lugar explícita de z), supondo que X(z) seja analítica em todo
no exterior de um círculo centrado em z = 0. (A RDC plano z exceto em z = 0. Faça isso usando os dois mé-
inclui o ponto z = ∞ e, de fato, X(∞) = x[0].) A afirma- todos a seguir.
ção de que X(z) é analítica (em sua RDC) implica fortes (a) Método 1, Domínio da Frequência. Use o fato de
restrições sobre a função X(z). (Veja Churchill e Brown, que as partes real e imaginária de X(z) devem sa-
1990.) Especificamente, tanto sua parte real quanto sua tisfazer as equações de Cauchy–Riemann em todo
parte imaginária satisfazem a equação de Laplace, e as lugar em que X(z) seja analítica. As equações de
partes real e imaginária estão relacionadas pelas equa- Cauchy–Riemann são as seguintes:
ções de Cauchy–Riemann. Usaremos essas proprieda- 1. Em coordenadas cartesianas,
des para determinar X(z) a partir de sua parte real quan-
∂U ∂V ∂V ∂U
do x[n] é uma sequência causal, real com valor finito. = , =− ,
∂x ∂y ∂x ∂y
Considere que a transformada z dessa sequência seja
X(z) = XR(z) + jXI(z), sendo z = x + jy e X(x + jy) = U(x, y) + jV (x, y).
2. Em coordenadas polares, quência complexa y[n], isto é, y[n] = yr[n] + jyi[n]. De-
termine uma escolha para H(ejω) na Figura P12.26, de
∂U 1 ∂V ∂V 1 ∂U
= , =− , modo que Y(ejω) seja Yr(ejω) para frequências negativas
∂ρ ρ ∂ω ∂ρ ρ ∂ω e zero para frequências positivas entre −π e π, isto é,
sendo z = ρejω e X(ρejω) = U(ρ, ω) + jV(ρ, ω). Yr (e j ω ), −π < ω < 0
Como sabemos que U = XR, podemos integrar es- Y (e j ω ) =
0, 0<ω<π
sas equações para encontrar V = XI e, portanto, X.
(Tenha o cuidado de tratar de modo apropriado a
constante de integração.) yr[n] yr[n]
(b) Método 2, Domínio do Tempo. A sequência x[n] y[n] = yr[n] + jyi[n]
pode ser representada como x[n] = xe[n] + xo[n], H(e j) yi[n]
sendo xe[n] real e par, com transformada de Fou-
rier XR(ejω), e a sequência xo[n] é real e ímpar, com Figura P12.26 Sistema para a obtenção de y [n] a partir de yr [n].
transformada de Fourier jXI(ejω). Encontre xe[n] e,
usando a causalidade, encontre xo[n] e, portanto, 12.27. Considere uma sequência complexa h[n] = hr[n] + jhi[n],
x[n] e X(z). sendo hr[n] e hi[n] sequências reais, e H(ejω) =
12.22. x[n] é uma sequência causal, de valor real, com transfor- HR(ejω) + jHI(ejω) a transformada de Fourier de h[n], em
mada de Fourier X(ejω). Sabe-se que que HR(ejω) e HI(ejω) representam as partes real e imagi-
nária, respectivamente, de H(ejω).
Re{X(ejω)} = 1 + 3 cos ω + cos 3ω.
Sejam HER(ejω) e HOR(ejω) os componentes par e ím-
Determine uma escolha para x[n] que seja consistente par, respectivamente, de HR(ejω), e sejam HEI(ejω) e
com essa informação e especifique se sua escolha é úni- HOI(ejω) os componentes par e ímpar, respectivamen-
ca ou não. te, de HI(ejω). Além disso, sejam HA(ejω) e HB(ejω) as
1 2.23. x[n] é uma sequência de valor real e causal, com TFTD partes real e imaginária da transformada de Fourier de
X(ejω). Determine uma escolha para x[n] se a parte ima- hr[n], e sejam HC(ejω) e HD(ejω) as partes real e ima-
ginária de X(ejω) for dada por: ginária da transformada de Fourier de hi[n]. Expres-
se HA(ejω), HB(ejω), HC(ejω) e HD(ejω) em termos de
Im{X(ejω)} = 3 sen(2ω) − 2 sen(3ω). HER(ejω), HOR(ejω), HEI(ejω) e HOI(ejω).
12.28. O transformador de Hilbert ideal (deslocador de fase
12.24. Mostre que a sequência de coeficientes da SFD para a
de 90 graus) tem resposta em frequência (sobre um
sequência período)
1, n = 0, N/2, −j, ω > 0,
ũN [n] = 2, n = 1, 2, . . . , N/2 − 1, H (e j ω ) =
j, ω < 0.
0, n = N/2 + 1, . . . , N − 1,
A Figura P12.28-1 mostra H(ejω), e a Figura P12.28-
é 2 mostra a resposta em frequência de um filtro
N, k = 0, passa-baixas ideal Hlp(ejω) com frequência de corte
Ũ N [k] = −j 2 cotg(πk/N), k ímpar, ωc = π/2. Essas respostas em frequência são clara-
mente similares, cada uma tendo descontinuidades
0, k par, k = 0.
separadas por π.
Dica: Encontre a transformada z da sequência
uN[n] = 2u[n] − 2u[n − N/2] − δ[n] + δ[n − N/2], H (e jω)
Problemas avançados –π π ω
12.25. Considere uma sequência de duração finita com valor –j
real x[n] de comprimento M. Especificamente, x[n] = 0
para n < 0 e n > M − 1. Seja X[k] a TFD de N pontos de
x[n] com N ≥ M e N ímpar. A parte real de X[k] é XR[k].
Figura P12.28-1
(a) Determine, em termos de M, o menor valor de N
que permitirá que X[k] seja determinada unica-
mente a partir de XR[k]. Hlp(e jω)
(b) Com N satisfazendo a condição determinada no 1
item (a), X[k] pode ser expresso como a convolu-
ção circular de XR[k] com uma sequência UN[k].
Determine UN[k].
–2π π 2π
–π π π ω
12.26. yr[n] é uma sequência de valor real com TFTD Yr(ejω). 2 2
As sequências yr[n] e yi[n] na Figura P12.26 são inter-
pretadas como as partes real e imaginária de uma se- Figura P12.28-2
(a) Obtenha uma relação que expresse H(ejω) em ter- não recuperar de modo único a entrada do sistema a
mos de Hlp(ejω). Resolva essa equação para Hlp(ejω) partir da saída do sistema. Se for possível, descreva o
em termos de H(ejω). que deve ser feito. Se não for possível, explique por que
(b) Use as relações do item (a) para obter expressões isso ocorre.
de h[n] em termos de hlp[n] e de hlp[n] em termos
de h[n].
As relações obtidas nos itens (a) e (b) foram basea-
Problemas de extensão
das em definições de sistemas ideais com fase nula. 12.31. Deduza uma expressão integral para H(z) no exterior da
Porém, relações similares são válidas para sistemas circunferência unitária em termos de Re{H(ejω)} quando
não ideais com fase linear generalizada. h[n] é uma sequência real, estável e causal, isto é, h[n] =
(c) Use os resultados do item (b) para obter uma rela- 0 para n > 0.
ção entre a resposta ao impulso de uma aproxima- 12.32. Seja H{·} a operação (ideal) da transformação de Hil-
ção FIR causal para o transformador de Hilbert e a bert; isto é,
resposta ao impulso de uma aproximação FIR cau- ∞
sal para o filtro passa-baixas, ambas projetadas por H{x[n]} = x[k]h[n − k],
(1) incorporação de uma fase linear apropriada, (2) k=−∞
determinação da resposta ao impulso ideal corres-
pondente e (3) multiplicação pela mesma janela de em que h[n] é
comprimento (M + 1) amostras, isto é, pelo método
de janelas discutido no Capítulo 7. (Se necessário, 2 sen2 (πn/2)
h[n] = , n = 0,
considere os casos de M par e M ímpar separada- πn
0, n = 0.
mente.)
(d) Para as aproximações do transformador de Hilbert
Prove as seguintes propriedades do operador da trans-
do Exemplo 12.4, esboce a magnitude das respostas
formada de Hilbert ideal.
em frequência dos filtros passa-baixas correspon-
dentes. (a) H{H{x[n]}} = −x[n]
∞
12.29. Na Seção 12.4.3, discutimos um esquema eficiente para (b) x [n]H{x[n]} = 0 [Dica: Use o teorema de
a amostragem de um sinal de tempo contínuo passa- n=−∞
-banda com transformada de Fourier tal que Parseval.]
Sc(j) = 0 para || ≤ c e || ≥ c + . (c) H{x[n]*y[n]} = H{x[n]}*y[n] = x[n]*H{y[n]}, sendo
x[n] e y[n] duas sequências quaisquer.
Nessa discussão, assumimos que o sinal era inicialmente
12.33. Um transformador de Hilbert ideal com resposta ao
amostrado com frequência de amostragem 2π/T = 2(c
impulso
+ ). O esquema de amostragem passa-banda é re-
presentado na Figura 12.12. Depois que formarmos um
2 sen2 (πn/2)
sinal de tempo discreto passa-banda complexo s[n] com h[n] = , n = 0,
transformada de Fourier unilateral S(ejω), o sinal com- πn
0, n = 0,
plexo será dizimado por um fator M, que supomos ser o
maior inteiro menor ou igual a 2π/(T). tem entrada xr[n] e saída xi[n] = xr[n] * h[n], sendo xr[n]
(a) Executando até o fim um exemplo como aquele re- um sinal aleatório de tempo discreto.
presentado na Figura 12.13, mostre que, se a quan- (a) Encontre uma expressão para a sequência de auto-
tidade 2π/(T) não for um inteiro para a taxa de correlação φxixi[m] em termos de h[n] e φxrxr[m].
amostragem inicial escolhida, então o sinal dizi- (b) Encontre uma expressão para a sequência de cor-
mado resultante sd[n] terá regiões de comprimen- relação cruzada φxrxi[m]. Mostre que, nesse caso,
to não nulo em que sua transformada de Fourier φxrxi[m] é uma função ímpar de m.
Sd(ejω) será identicamente nula.
(c) Encontre uma expressão para a função de autocor-
(b) Como a frequência de amostragem inicial 2π/T deve relação do sinal analítico complexo x[n] = xr[n] +
ser escolhida, de modo que um fator de dizimação jxi[n].
M possa ser encontrado, tal que a sequência dizima-
(d) Determine o espectro de potência Pxx(ω) para o si-
da sd[n] no sistema da Figura 12.12 tenha uma trans-
nal complexo no item (c).
formada de Fourier Sd(ejω) que não tenha aliasing, e
12.34. Na Seção 12.4.3, discutimos um esquema eficiente para
nem tenha regiões em que seja nula em um interva-
a amostragem de um sinal de tempo contínuo passa-
lo de comprimento não nulo?
-banda com transformada de Fourier tal que
1 2.30. Considere um sistema LIT com resposta em frequência
Sc(j) = 0 para || ≤ c e || ≥ c + .
1, 0 ≤ ω ≤ π,
H (ej ω ) = O esquema de amostragem passa-banda é representa-
0, −π < ω < 0.
do pela Figura 12.12. Ao final da seção, foi dado um es-
A entrada x[n] do sistema está restrita a ter valor real e quema para a reconstrução do sinal amostrado original
ter uma transformada de Fourier (isto é, x[n] é somável sr[n]. O sinal de tempo contínuo original sc(t) na Figura
em valor absoluto). Determine se sempre é possível ou 12.12 pode, evidentemente, ser reconstruído a partir de
homomórfica
log |X(ejω)|
= log |V(ejω)|
+ log(1 + + 2α cos(ωn0)). 1
α2 (13.7)
2
(13.4) em que cv[n] é a TFTD inversa de log |V(ejω)|, (isto é,
o cepstrum de v[n]), e os impulsos discretos envolvem
Por conveniência, definimos Cx(ejω) = log |X(ejω)|.
apenas os parâmetros de eco α e n0. Foi esse resultado
Além disso, em antecipação de uma discussão em que
que levou Bogert et al. a observarem que o cepstrum de
desejaremos enfatizar a dualidade entre os domínios do
um sinal com um eco continha um “pico” no tempo de
tempo e da frequência, substituímos ω = 2π f para obter
atraso do eco n0 que se destaca claramente de cv[n]. As-
Cx(ej2π f) = log |X(ej2π f)| = log |V(ej2π f)| sim, o cepstrum poderia ser usado como base para de-
+ 21 log(1 + α2 + 2α cos(2π f n0)). (13.5) tectar ecos. Como mencionado anteriormente, os termos
que soam estranho “cepstrum” e “quefrência” e outros
Existem dois componentes para essa função real termos foram criados para chamar a atenção para um
da frequência normalizada f. A parcela log |V(ej2π f)| é novo modo de pensar na análise de Fourier dos sinais,
devida unicamente ao sinal v[n], e a segunda parcela, em que os domínios do tempo e da frequência foram
log(1 + α2 + 2α cos(2π f n0)), é devida à combinação trocados. No restante deste capítulo, generalizaremos o
(eco) do sinal consigo mesmo. Podemos pensar em conceito de cepstrum usando o logaritmo complexo e
Cx(ej2π f) como uma forma de onda com variável inde- mostraremos muitas propriedades interessantes da de-
pendente contínua f. A parte devida ao eco será perió- finição matemática resultante. Além disso, veremos que
dica em f com período 1/n0.1 Estamos acostumados à o cepstrum complexo também pode servir como base
noção de que uma forma de onda periódica no tempo para a separação de sinais combinados pela convolução.
tem um espectro em raias, isto é, seu espectro é con-
centrado em múltiplos inteiros de uma frequência fun-
13.2 Definição do cepstrum complexo
damental comum, que é a recíproca do período funda-
mental. Nesse caso, temos uma “forma de onda” que é Como base para generalizar o conceito de ceps-
uma função real e par de f (isto é, frequência). A análise trum, considere uma sequência estável x[n] cuja trans-
de Fourier apropriada para uma função periódica de formada z expressa em forma polar é
variável contínua, como Cx(ej2π f), seria naturalmente a X(z) = |X(z)|ejjX(z), (13.8)
TFTD inversa; isto é,
1/2
sendo |X(z)| e jX(z) a magnitude e o ângulo, respec-
1 π
jω jωn j2π f j 2π f n tivamente, da função complexa X(z). Como x[n] é es-
cx [n] = Cx (e )e dω = Cx (e )e df.
2π −π −1/2 tável, a RDC de X(z) inclui a circunferência unitária,
(13.6) e a TFTD de x[n] existe e é igual a X(ejω). O cepstrum
complexo associado a x[n] é definido como a sequência
Na terminologia de Bogert et al., cx[n] é chamado
estável x̂[n],2 cuja transformada z é
de cepstrum de Cx(ej2π f) (ou, de modo similar, de x[n],
pois Cx(ej2π f) é deduzido diretamente de x[n]). Embora X̂(z) = log[X(z)]. (13.9)
o cepstrum definido como na Equação 13.6 seja clara-
Embora qualquer base possa ser usada para o lo-
mente uma função de um índice de tempo discreto n,
garitmo, o logaritmo natural (isto é, a base e) é tipica-
Bogert et al. introduziram o termo “quefrência” (que-
mente usado e será assumido pelo restante da discus-
frency) para fazer uma distinção entre o domínio de
são. O logaritmo de uma quantidade complexa X(z)
tempo do cepstrum e o do sinal original. Como o termo
expresso como na Equação 13.8 é definido como
log(1 + α2 + 2α cos(2π f n0)) em Cx(ej2π f) é periódi-
co em f com período 1/n0, o componente corresponden- log[X(z)] = log[|X(z)|ejjX(z)] = log |X(z)| + jjX(z).
te em cx[n] será não nulo somente em múltiplos inteiros (13.10)
1 Como log(1 + α2 + 2α cos(2π f n0)) é a magnitude logarítmica de uma TFTD, ela também é periódica em f com período unitário (2π em ω),
bem como 1/n0.
2 Em uma definição um tanto mais geral de cepstrum complexo, não é preciso exigir que x[n] e x̂[n] sejam estáveis. Porém, com a restrição de
estabilidade, os conceitos importantes podem ser ilustrados com notação mais simples do que no caso geral.
Visto que, na representação polar de um número trada à direita na Figura 13.1. Especificamente, D*[·] e
complexo, o ângulo é único somente a menos de múlti- D*−1[·] na Figura 13.1 são definidos de modo que, se ŷ[n]
plos inteiros de 2π, a parte imaginária da Equação 13.10 = x̂[n] na Figura 13.1, então y[n] = x[n]. No contexto
não é bem definida. Trataremos essa questão em breve; da filtragem homomórfica de sinais convoluídos a ser
por enquanto, assumimos que uma definição apropria- discutida na Seção 13.8, D*[·] é chamado de sistema ca-
da é possível e foi utilizada. racterístico para convolução.
O cepstrum complexo existe se log[X(z)] tem uma Como introduzido na Seção 13.1, o cepstrum cx[n]
representação em série de potências convergente na de um sinal3 é definido como a transformada de Fourier
forma inversa do logaritmo da magnitude da transformada de
∞ Fourier; isto é,
X̂(z) = log[X(z)] = x̂[n]z−n , |z| = 1, (13.11) 1 π
n=−∞ cx [n] = log |X(ej ω )|ej ωn dω. (13.14)
2π −π
isto é, X̂(z) = log[X(z)] deverá ter todas as proprieda-
des da transformada z de uma sequência estável. Espe- Como a magnitude da transformada de Fourier é
cificamente, a RDC para a representação em série de real e não negativa, nenhuma consideração especial
potências de log[X(z)] precisa ter a forma é envolvida na definição do logaritmo da Equação 13.14.
Comparando-se a Equação 13.14 e a Equação 13.13, ve-
rR < |z| < rL, (13.12) mos que cx[n] é a transformada inversa da parte real de
com 0 < rR < 1 < rL. Se isso acontecer, x̂[n], a sequência X̂(ejω). Consequentemente, cx[n] é igual à componente
dos coeficientes da série de potências, é o que chama- simétrica conjugada de x̂[n]; isto é,
mos de cepstrum complexo de x[n]. x̂[n] + x̂ ∗ [−n]
Como requeremos que x̂[n] seja estável, a RDC cx [n] = . (13.15)
2
de X̂(z) inclui a circunferência unitária, e o cepstrum
O cepstrum é útil em muitas aplicações, e como
complexo pode ser representado pelo uso da TFTD in-
não depende da fase de X(ejω), é muito mais fácil de
versa como
calcular do que o cepstrum complexo. Porém, por ser
1 π baseado apenas na magnitude da transformada de Fou-
x̂[n] = log[X(ej ω )]ej ωn dω rier, ele não é invertível, isto é, em geral x[n] não pode
2π −π
(13.13) ser recuperado a partir de cx[n], exceto em casos espe-
1 π
= [log |X(ej ω )| + j X(ej ω )]ej ωn dω. ciais. O cepstrum complexo é um tanto mais difícil de
2π −π calcular, mas é invertível. Como o cepstrum complexo
O termo cepstrum complexo distingue nossa de- é um conceito mais geral do que o cepstrum, e como
finição mais geral da definição original do cepstrum as propriedades do cepstrum podem ser deduzidas a
de Bogert et al. (1963), que foi expressa originalmente partir das propriedades do cepstrum complexo usando
em termos do espectro de potência dos sinais de tem- a Equação 13.15, enfatizaremos o cepstrum complexo
po contínuo. O uso da palavra complexo nesse contexto neste capítulo.
implica que o logaritmo complexo é usado na definição. As dificuldades adicionais encontradas na defini-
Ele não implica que o cepstrum complexo seja necessa- ção e no cálculo do cepstrum complexo valem a pena
riamente uma sequência de valores complexos. De fato, por diversas razões. Primeiro, vemos pela Equação
como veremos em breve, a definição que escolhemos 13.10 que o logaritmo complexo tem o efeito de criar
para o logaritmo complexo garante que o cepstrum uma nova transformada de Fourier cujas partes real e
complexo de uma sequência real também será uma se- imaginária são log |X(ejω)| e jX(ejω), respectivamente.
quência real. Assim, podemos obter relações de transformada de Hil-
A operação de mapeamento de uma sequência bert entre essas duas quantidades quando o cepstrum
x[n] em seu cepstrum complexo x̂[n] é denotada como complexo é causal. Discutimos esse ponto mais apro-
um operador de sistema de tempo discreto D*[·]; isto é,
x̂ = D*[x]. Essa operação é indicada como o diagrama
de blocos à esquerda na Figura 13.1. De modo similar, x[n] ˆ
x[n] ˆ
y[n] y[n]
D*[ ] D*−1[ ]
como a Equação 13.9 é invertível com a função expo-
nencial complexa, também podemos definir o sistema
inverso D*−1[·] que recupera x[n] a partir de x̂[n]. A re- Figura 13.1 Notação de sistema para o mapeamento e mapeamento
presentação em diagrama de blocos de D*−1[·] é mos- inverso entre um sinal e seu cepstrum complexo.
3 cx[n] também é chamado de cepstrum real, enfatizando que corresponde somente à parte real do logaritmo complexo.
fundadamente na Seção 13.5.2 e vemos, em particular, Com x[n] real, arg[X(ejω)] sempre pode ser especi-
como ele se relaciona com sequências de fase mínima. ficado de modo a ser uma função periódica ímpar de ω.
Uma segunda motivação mais geral, desenvolvida na Com arg[X(ejω)] uma função ímpar de ω e sendo o log
Seção 13.8, resulta do papel que o cepstrum complexo |X(ejω)| uma função par de ω, o cepstrum complexo x̂[n]
desempenha na definição de uma classe de sistemas é garantidamente real.4
para separar e filtrar sinais combinados por convolução.
13.4 Expressões alternativas para o
13.3 Propriedades do logaritmo cepstrum complexo
complexo
Até aqui definimos o cepstrum complexo como a
Como o logaritmo complexo desempenha um sequência de coeficientes na representação por série de
papel-chave na definição do cepstrum complexo, é im- potências de X̂(z) = log[X(z)], e também demos uma
portante entender sua definição e propriedades. A am- fórmula integral na Equação 13.13 para determinar
biguidade na definição do logaritmo complexo causa x̂[n] a partir de X̂(ejω) = log |X(ejω)| + jX(ejω), em que
sérios problemas computacionais. Eles serão discutidos jX(ejω) é a função de fase desenrolada arg[X(ejω)]. A
com detalhes na Seção 13.6. Uma sequência tem um derivada logarítmica pode ser usada para deduzir ou-
cepstrum complexo se o logaritmo de sua transformada tras relações para o cepstrum complexo que não envol-
z tem uma expansão em série de potências, como na vam explicitamente o logaritmo complexo. Supondo
Equação 13.11, em que especificamos a RDC de forma que log[X(z)] seja analítico, então
a incluir a circunferência unitária. Isso significa que a
transformada de Fourier X (z)
X̂ (z) = (13.21)
X(z)
X̂(ejω) = log | X(ejω) | + jjX(ejω) (13.16)
em que denota diferenciação com relação a z. Pela pro-
precisa ser uma função contínua e periódica de ω e, con- priedade 4 da Tabela 3.2, zX̂(z) é a transformada z de
sequentemente, tanto log |X(ejω)| quanto jX(ejω) devem −nx̂[n], isto é,
ser funções contínuas de ω. Desde que X(z) não tenha
Z
zeros sobre a circunferência unitária, a continuidade de −nx̂[n] ←→ zX̂ (z) (13.22)
log |X(ejω)| é garantida, já que assume-se que X(ejω) é
Consequentemente, pela Equação 13.21,
analítica na circunferência unitária. Porém, como já dis-
cutimos anteriormente na Seção 5.1.1, em geral jX(ejω) Z zX (z)
−nx̂[n] ←→ . (13.23)
é ambígua, pois, em cada ω, qualquer múltiplo inteiro de X(z)
2π pode ser acrescentado, e a continuidade de jX(ejω)
Começando com a Equação 13.21, também pode-
depende de como a ambiguidade é resolvida. Como
mos deduzir uma equação de diferenças que seja satis-
ARG[X(ejω)] pode ser descontínua, geralmente é ne-
feita por x[n] e x̂[n]. Rearranjando a Equação 13.21 e
cessário especificar jX(ejω) explicitamente na Equação
multiplicando por z, obtemos
13.16 como a curva de fase desenrolada (isto é, contí-
nua) arg[X(ejω)]. zX (z) = zX̂(z) · X(z). (13.24)
É importante notar que, se X(z) = X1(z)X2(z), então
Usando a Equação 13.22, a transformada z inversa
arg[X(ejω)] = arg[X1(ejω)] + arg[X2(ejω)]. (13.17) dessa equação é
Uma propriedade aditiva similar não será válida ∞
para ARG[X(ejω)], isto é, em geral, −nx[n] = (−kx̂[k])x[n − k]. (13.25)
k=−∞
ARG[X(ejω)] Z ARG[X1(ejω)] + ARG[X2(ejω)]. (13.18)
Dividindo ambos os membros por −n, obtemos
Portanto, para que X̂(ejω) seja analítico (contínuo)
∞
e tenha a propriedade de, se X(ejω) = X1(ejω)X2(ejω), en- k
x[n] = x̂[k]x[n − k], n = 0. (13.26)
tão n
k=−∞
X̂(ejω) = X̂(ejω) + X̂2(ejω), (13.19) O valor de x̂[0] pode ser obtido ao notarmos que
precisamos definir X̂(ejω) como
1 π
x̂[0] = X̂(e j ω )dω. (13.27)
X̂(ejω) = log |X(ejω)| + j arg[X(ejω)]. (13.20) 2π −π
4 A abordagem esboçada para os problemas apresentados pelo logaritmo complexo pode ser desenvolvida mais formalmente por meio do
conceito da superfície de Riemann (Brown e Churchill, 2008).
Como a parte imaginária de X̂(ejω) é uma função As propriedades de x̂[n] dependem das proprie-
ímpar de ω, a Equação 13.27 torna-se dades compostas das transformadas inversas de cada
parcela.
1 π
x̂[0] = log |X(ej ω )|dω. (13.28) Para sequências reais, A é real, e se A é positivo,
2π −π a primeira parcela log(A) contribui somente para x̂[0].
Em resumo, um sinal e seu cepstrum complexo sa- Especificamente (veja o Problema 13.15),
tisfazem uma equação de diferenças não linear (Equa-
x̂[0] = log |A|. (13.31)
ção 13.26). Sob certas condições, essa relação implícita
entre x̂[n] e x[n] pode ser rearranjada em uma fórmu- Se A é negativo, não é tão natural determinar a
la de recursão que pode ser usada no cálculo. Fórmulas contribuição para o cepstrum complexo devido ao ter-
desse tipo são discutidas na Seção 13.6.4. mo log(A). O termo zr corresponde apenas a um atraso
ou avanço da sequência x[n]. Se r = 0, esse termo desa-
13.5 Cepstrum complexo para parece da Equação 13.30. Porém, se r Z 0, então a função
de fase desenrolada arg[X(ejω)] incluirá um termo linear
sequências exponenciais, de fase com inclinação r. Consequentemente, com arg[X(ejω)]
mínima e de fase máxima definido de forma a ser ímpar e periódico em ω e contí-
nuo para |ω| < π, esse termo de fase linear forçará uma
13.5.1 Sequências exponenciais descontinuidade em arg[X(ejω)] quando ω = ±π, e X̂(z)
não será mais analítico sobre a circunferência unitária.
Se uma sequência x[n] consiste em uma soma de
Embora os casos de A negativo e/ou r Z 0 possam ser
sequências exponenciais complexas, sua transformada
formalmente acomodados, fazê-lo parece não fornecer
z X(z) é uma função racional de z. Tais sequências são
qualquer vantagem real, pois se duas transformadas na
tanto úteis quanto passíveis de análise. Nesta seção,
forma da Equação 13.29 forem multiplicadas juntas, não
consideramos o cepstrum complexo para sequências es-
é de se esperar que possamos determinar o quanto de
táveis x[n] cujas transformadas z são da forma
A ou de r é devido a cada componente. Isso é análogo
Mi Mo à situação encontrada em filtragem linear ordinária em
Azr (1 − akz−1 ) (1 − bkz) que dois sinais, cada um com níveis dc, foram adiciona-
k=1 k=1 dos. Portanto, essa questão pode ser evitada na prática
X(z) = , (13.29)
Ni No
determinando-se primeiro o sinal algébrico de A e o va-
(1 − ckz−1 ) (1 − dkz) lor de r, e depois pela alteração da entrada, de modo que
k=1 k=1
sua transformada z tenha a forma
em que |ak|, |bk|, |ck| e |dk| são todos menores que 1, de Mi Mo
−1
modo que fatores no formato (1 − akz−1) e (1 − ckz−1) |A| (1 − akz ) (1 − bkz)
correspondem aos Mi zeros e aos Ni polos dentro da cir- X(z) =
k=1 k=1
. (13.32)
cunferência unitária, e os fatores (1 − bkz) e (1 − dkz) Ni No
5 Na prática, geralmente lidamos com sinais de comprimento finito, que são representados por polinômios em z–1; isto é, o numerador na Equa-
ção 13.32. Em muitos casos, a sequência pode ter centenas ou milhares de amostras. Para essas sequências, à medida que o comprimento da
sequência aumenta, é cada vez mais provável que quase todos os zeros do polinômio se agrupem em torno da circunferência unitária (Hughes
e Nikeghbali, 2005). Isso implica que, para sequências longas de comprimento finito, o decaimento do cepstrum complexo é devido principal-
mente ao fator 1/n.
6 P(z) = z–n0 (α + zn0) tem n0 polos em z = 0, que são ignorados no cálculo de p̂[n].
Como δ[−n] = δ[n], a Equação 13.43 pode ser escrita na X[k] = X(ej ω ) = x[n]e−j (2π/N)kn, (13.46a)
ω=(2π/N )k n=0
forma mais compacta
∞
αm X̂[k] = log[X(ej ω )] (13.46b)
,
cp[n] = (−1)m+1 δ[n− mn0 ] +δ[n + mn0 ] . (13.44) ω=(2π/N )k
2m
m=1
N−1
1
Note também que, se cp[n] for dado pela Equação 13.44 e x̂p [n] = X̂[k]ej ( 2π/N)kn
(13.46c)
.
mín[n] for dado pela Equação 13.42(b)¸ então mín[n]cp[n] N
k=0
é igual a p̂[n] na Equação 13.39.
Essas operações são representadas na Figura
13.4(a), e as operações correspondentes para realizar
o sistema inverso são representadas na Figura 13.4(b).
13.6 Cálculo numérico do Como, na Equação 13.46(b), X̂[k] é uma versão
cepstrum complexo amostrada de X̂(ejω), segue da discussão na Seção 8.4 que
O uso prático do cepstrum complexo requer méto- x̂p[n] será uma versão com aliasing no tempo de x̂[n], isto
dos numéricos precisos e eficientes para obtê-lo a partir é, que x̂p[n] está relacionada ao x̂[n] desejado por
∞
de um sinal amostrado. Implícita em todas as discussões
anteriores, tem estado a hipótese de unicidade e con- x̂p [n] = x̂[n + rN]. (13.47)
r=−∞
tinuidade do logaritmo complexo da transformada de
Porém, notamos na Propriedade 1 da Seção 13.5
Fourier do sinal de entrada. Se as representações ma-
que x̂[n] decai mais rapidamente do que uma sequência
temáticas obtidas anteriormente devem servir como
exponencial, de modo que é esperado que a aproxima-
base para o cálculo do cepstrum complexo ou, de modo
ção se torne cada vez melhor à medida que N aumen-
equivalente, como base para realizações do sistema
ta. Acrescentando zeros a uma sequência de entrada,
D*[·], então temos de lidar com as questões associadas
geralmente é possível aumentar a taxa de amostragem
ao cálculo da transformada de Fourier e do logaritmo
do logaritmo complexo da transformada de Fourier, de
complexo.
modo que um aliasing no tempo severo não ocorra no
O sistema D*[·] é representado em termos da
cálculo do cepstrum complexo.
transformada de Fourier pelas equações
∞ 13.6.1 Desfazendo as voltas da fase
X(ej ω ) = x[n]e−j ωn , (13.45a)
Amostras de X̂(ejω) como dadas pela Equação
n=−∞
13.46(b) requerem amostras de log|X(ejω)| e arg[X(ejω)].
X̂(ej ω ) = log[X(e jω
(13.45b)
)], Amostras de log|X(ejω)| a uma taxa de amostragem
1 π adequada podem ser computadas pelo cálculo da
x̂[n] = X̂(ej ω )ej ωn dω.
(13.45c) TFD de x[n] com preenchimento de zeros. Amostras
2π −π
de ARG[X(ejω)], isto é, a fase mod 2π, são igualmen-
Essas equações correspondem à cascata de três te simples de calcular a partir das amostras de X(ejω)
sistemas como mostrado na Figura 13.3. usando rotinas padrão de tangente inversa, disponíveis
x[n] jω
Transformada X(e ) Logaritmo ˆ jω)
X(e Transformada ˆ
x[n]
de Fourier
de Fourier complexo inversa
D*[ ]
Figura 13.3 Cascata de três sistemas implementando o cálculo da operação cepstrum complexo D [ ].
*
x[n] X[k] ˆ
X[k] xˆ p[n]
Logaritmo
TFD TFDI
complexo
D*[ ]
(a)
D*−1[ ]
(b)
Figura 13.4 Realização aproximada de (a) D [·] e (b) D*–1[·] usando a TFD.
*
2. Se ARG(X[k]) − ARG(X[k − 1]) < −(2π − ε1), en- deramos ainda que arg(X[k − 1]) é conhecido. Então,
tão r[k] = r[k − 1] + 1. arg(X[k]), a estimativa de arg(X[k]), é definida como
3. Caso contrário, r[k] = r [k − 1].
4. Repita os passos 1 − 3 para 1 ≤ k < N/2. arg(X[k]) = arg(X[k − 1]) + {arg (X[k])
2 (13.50)
Depois que r[k] for determinado, a Equação 13.49 + arg (X[k − 1])}.
pode ser usada para calcular arg(X[k]) para 0 ≤ k < N/2. A Equação 13.50 é obtida pela aplicação da inte-
Nesse estágio, arg(X[k]) terá um grande componente gração numérica trapezoidal às amostras da derivada
de fase linear devido ao fator e–jωMo na Equação 13.48. da fase. Essa estimativa é dita consistente se, para algum
Esse pode ser removido adicionando-se 2πkMo /N à ε2, existe um inteiro r[k], tal que
fase desenrolada no intervalo 0 ≤ k < N/2. Os valores
de arg(X[k]) para N/2 < k ≤ N − 1 podem ser obtidos |arg(X[k]) − ARG(X[k]) − 2πr[k]| < ε2 < π. (13.51)
usando simetria. Finalmente, arg(X[N/2]) = 0. Obviamente, a estimativa melhora com a diminui-
O algoritmo anterior funciona bem se as amos- ção do comprimento do passo de integração numérica
tras de ARG(X[k]) estiverem próximas o suficiente ω. Inicialmente, ω = 2π/N como fornecido pela TFD.
para que as descontinuidades possam ser detectadas Se a Equação 13.51 não puder ser satisfeita por um in-
de modo confiável. O parâmetro ε1 é uma tolerância, teiro r[k], então ω é reduzido pela metade, e uma nova
reconhecendo que a magnitude da diferença entre estimativa de arg(X[k]) é calculada com o novo compri-
amostras adjacentes da fase de valor principal sempre mento do passo. Então, a Equação 13.51 é calculada com
será menor do que 2π. Se ε1 for muito grande, uma des- a nova estimativa. Estimativas cada vez mais precisas de
continuidade será indicada onde não há. Se ε1 for mui- arg(X[k]) são calculadas por integração numérica até
to pequeno, o algoritmo perderá uma descontinuidade que a Equação 13.51 possa ser satisfeita por um intei-
que esteja entre duas amostras adjacentes de uma fun- ro r[k]. Esse r[k] resultante é usado na Equação 13.49
ção de fase desenrolada arg[X(ejω)] que varia rapida- para que finalmente arg(X[k]) seja calculado. Essa fase
mente. Obviamente, aumentar a taxa de amostragem desenrolada é então usada para calcular arg(X[k + 1]),
da TFD aumentando N melhora as chances de detectar e assim por diante.
corretamente as descontinuidades e, assim, de compu- Outra técnica para o desenrolamento da fase
tar arg(X[k]) corretamente. Se arg[X(ejω)] varia rapi- para uma sequência de comprimento finito é baseada
damente, então esperamos que x̂[n] decaia menos rapi- no fato de que a transformada z de uma sequência de
damente do que ocorreria se arg[X(ejω)] variasse mais comprimento finito é um polinômio de ordem finita e,
lentamente. Portanto, o aliasing de x̂[n] é um problema portanto, pode ser vista como consistindo de um pro-
maior para fases que variam rapidamente. O aumento duto de fatores de primeira ordem. Para cada fator as-
do valor de N reduz o aliasing do cepstrum complexo sim, ARG[X(ejω)] e arg[X(ejω)] são iguais, isto é, a fase
e também melhora as chances de o algoritmo descrito para um único fator nunca requererá desenrolamento.
anteriormente ser capaz de desenrolar corretamente a Além disso, a fase desenrolada para o produto dos fa-
fase de X[k]. tores individuais é a soma das fases desenroladas dos
Em alguns casos, o algoritmo simples que acaba- fatores individuais. Consequentemente, tratando uma
mos de desenvolver pode falhar, pois é impossível ou sequência de comprimento finito N como os coeficien-
pouco prático usar um valor de N grande o suficiente. tes de um polinômio de ordem N, e primeiro fatorando
Frequentemente, o aliasing para determinado N é acei- esse polinômio em seus fatores de primeira ordem, a
tável, mas descontinuidades do valor principal não po- fase desenrolada pode ser facilmente calculada. Para
dem ser detectadas de modo confiável. Tribolet (1977, valores pequenos de N, algoritmos convencionais para
1979) propôs uma modificação do algoritmo que usa o cálculo de raízes de polinômios podem ser aplicados.
tanto o valor principal da fase quanto a derivada da fase Para valores grandes, um algoritmo efetivo foi desen-
para calcular a fase desenrolada. Como antes, a Equa- volvido por Sitton et al. (2003) e foi demonstrado com
ção 13.49 fornece o conjunto de valores permitidos na sucesso com polinômios de ordem na casa dos milhões.
frequência ωk = (2π/N)k, e procuramos determinar r[k]. Porém, existem casos em que esse algoritmo também
Supomos que conhecemos a derivada da fase falha, particularmente na identificação de raízes que
não estão próximas da circunferência unitária.
d
arg (X[k]) = arg[X(ej ω )] Na discussão anterior, descrevemos rapidamen-
dω ω=2π k/N te vários algoritmos para se obter a fase desenrolada.
em todos os valores de k. (Um procedimento para cal- Karam e Oppenheim (2007) também propuseram a
cular essas amostras da derivada da fase será desenvol- combinação desses algoritmos para explorar suas di-
vido na Seção 13.6.2.) Para calcular arg(X[k]), consi- versas vantagens.
Outras questões no cálculo do cepstrum complexo isto é, X¿(ejω) é a TFTD de −jnx[n]. De modo similar,
a partir de um sinal de entrada amostrado x[n] estão X̂¿(ejω) é a transformada de Fourier de −jnx̂[n]. Assim,
relacionadas ao termo de fase linear em arg[X(ejω)] e x̂[n] pode ser determinado para n Z 0 de
ao sinal do fator de escala global A. Em nossa definição −1 π X (ej ω ) j ωn
de cepstrum complexo, requer-se que arg[X(ejω)] seja x̂[n] = e dω, n = 0. (13.56)
2π nj −π X(ej ω )
contínuo, ímpar e periódico em ω. Portanto, o sinal de
A precisa ser positivo, pois, se for negativo, uma des- O valor de x̂[0] pode ser determinado da magnitu-
continuidade de fase ocorreria em ω = 0. Além disso, de logarítmica como
arg[X(ejω)] não pode conter um termo linear, pois isso
1 π
imporia uma descontinuidade em ω = π. Considere, por x̂[0] = log |X(ej ω )|dω. (13.57)
2π −π
exemplo, uma sequência causal de comprimento finito,
com comprimento M + 1. A transformada z correspon- As equações 13.54 a 13.57 representam o ceps-
dente terá a forma da Equação 13.29 com No = Ni = 0, trum complexo em termos das TFTDs de x[n] e nx[n] e,
e M = Mo + Mi. Além disso, como x[n] = 0, n < 0, segue assim, não envolvem explicitamente a fase desenrolada.
que r = −Mo. Consequentemente, a transformada de Para sequências de comprimento finito, amostras dessas
Fourier toma a forma transformadas podem ser calculadas usando a TFD, le-
vando assim às equações correspondentes
M
N−1
X(e jω ) = x[n]e−j ωn
n=0
X[k] = x[n]e−j ( 2π/N)kn = X(ej ω ) ,
ω=(2π/N)k
Mi Mo
(13.52) n=0
−j ωMo −j ω jω (13.58a)
= Ae (1− ake ) (1− bke ),
k=1 k=1 N−1
X [k] = −j nx[n]e−j ( 2π/N)kn = X (ej ω ) ,
com |ak| e |bk| menores do que a unidade. O sinal de A ω=(2π/N)k
n=0
é facilmente determinado, pois corresponderá ao sinal
(13.58b)
de X(ejω) em ω = 0, que, por sua vez, é facilmente cal- N−1
culado como a soma de todos os termos na sequência 1 X [k] j (2π/N)kn
x̂dp [n] = − e , 1 ≤ n ≤ N − 1,
de entrada. j nN X[k]
k=0
(13.58c)
13.6.2 Cálculo numérico do cepstrum complexo N−1
1
usando a derivada logarítmica x̂dp [0] =
N
log |X[k]|, (13.58d)
k=0
Como uma alternativa ao cálculo explícito do lo-
em que o subscrito d refere-se ao uso da derivada loga-
garitmo complexo, uma representação matemática ba-
rítmica e o subscrito p é um lembrete da periodicidade
seada na derivada logarítmica pode ser explorada. Para
inerente dos cálculos de TFD. Com o uso das equações
sequências reais, a derivada de X̂(ejω) pode ser repre-
13.58(a) a (d), evitamos os problemas do cálculo numé-
sentada nas formas equivalentes rico do logaritmo complexo, porém, à custa de um alia-
dX̂(e jω ) d d sing mais severo, pois agora
X̂¿(e jω ) = = log |X(e jω )| + j arg[X(e jω )]
dω dω dω ∞
1
(13.53a) x̂dp [n] = (n + rN )x̂[n + rN], n = 0. (13.59)
n r=−∞
e
X (e j ω ) Assim, supondo que a curva de fase contínua
X̂ (e j ω ) = , (13.53b) amostrada seja calculada com precisão, esperaríamos
X(e j ω )
que, para determinado valor de N, x̂p[n] na Equação
em que ¿ representa a derivada em relação a ω. Como a 13.46(c) fosse uma aproximação melhor para x̂[n] do
TFTD de x[n] é que x̂dp[n] na Equação 13.58(c).
∞
X(e j ω ) = x[n]e−j ωn , (13.54) 13.6.3 Realizações de fase mínima para
n=−∞
sequências de fase mínima
sua derivada com relação a ω é
∞
No caso especial das sequências de fase mínima,
jω
X (e ) = (−j nx [n])e −j ωn
; (13.55) a representação matemática é simplificada, como in-
n=−∞ dicado na Figura 13.2. Uma realização computacional
baseada no uso da TFD no lugar da transformada de Supondo que x[0] > 0, pode-se mostrar que o valor
Fourier na Figura 13.2 é dada pelas equações de x̂[0] é (veja o Problema 13.15)
N−1 x̂[0] = log(|A|) = log(|x[0]|). (13.66)
X[k] = x[n]e−j ( 2π/N)kn, (13.60a)
n=0 Portanto, as equações 13.65 e 13.66 constituem
N−1
um procedimento para calcular numericamente o ceps-
1 trum complexo para sinais de fase mínima. Segue tam-
cxp [n] = log |X[k]|ej ( 2π/N )kn. (13.60b)
N bém pela Equação 13.65 que esse cálculo é causal para
k=0
entradas de fase mínima; isto é, a saída no instante n0
Nesse caso, é o cepstrum que sofre aliasing; isto é,
depende apenas da entrada para n ≤ n0, em que n0 é
∞
arbitrário (veja o Problema 13.20). De modo similar, as
cxp [n] = cx [n + rN]. (13.61) equações 13.64 e 13.66 representam o cálculo compu-
r=−∞
tacional da sequência de fase mínima a partir de seu
Para calcular o cepstrum complexo a partir de cepstrum complexo.
cxp[n] com base na Figura 13.2, escrevemos: Para sinais de fase máxima, x̂[n] = 0 e x[n] = 0
para n > 0. Assim, nesse caso, a Equação 13.26 torna-se
cxp [n], n = 0, N/2,
x̂cp [n] = 2cxp [n], 1 ≤ n < N/2, (13.62) 0
k
x[n] = x̂[k]x[n − k], n < 0,
0, N/2 < n ≤ N − 1.
n
k=n (13.67)
Claramente, x̂cp[n] Z x̂p[n], pois é a componente 0
k
par de x̂[n] que sofre aliasing em vez do próprio x̂[n]. = x̂[n]x[0] + x̂[k]x[n − k].
n
Apesar disso, para N grande, pode-se esperar que x̂cp[n] k=n+1
seja uma aproximação razoável de x̂[n] no intervalo fi- Resolvendo para x̂[n], temos
nito 0 ≤ n < N/2. De modo similar, se x[n] for de fase 0
máxima, uma aproximação para o cepstrum complexo
x[n] k x[n − k]
− x̂[k] , n < 0,
seria obtida a partir de x[0] n x[0]
x̂[n] = k=n+1 (13.68)
log(x[0] n 0,
cxp [n], n = 0, N/2,
) , =
x̂cp [n] = 0, 1 ≤ n < N/2, (13.63) 0, n > 0.
2cxp [n], N/2 < n ≤ N − 1.
A Equação 13.68 serve como um procedimento
para calcular numericamente o cepstrum complexo
para uma sequência de fase máxima, e a Equação 13.67
13.6.4 Cálculo recursivo do cepstrum complexo é um procedimento computacional para o sistema ca-
para sequências de fase mínima e de fase racterístico inverso para convolução.
máxima Assim, vemos que, no caso das sequências de fase
mínima ou de fase máxima, também temos as fórmulas
Para sequências de fase mínima, a equação de di-
de recursão das equações 13.64-13.68 como possíveis
ferenças 13.26 pode ser rearranjada de forma a fornecer
realizações do sistema característico e de seu inverso.
uma fórmula de recursão para x̂[n]. Como para sequên-
Essas equações podem ser muito úteis quando a se-
cias de fase mínima tanto x̂[n] = 0 quanto x[n] = 0 para
quência de entrada é muito curta ou quando somente
n < 0, a Equação 13.26 torna-se
algumas amostras do cepstrum complexo são deseja-
n das. Com essas fórmulas, naturalmente, não existe erro
k
x[n] = x̂[k]x[n − k], n > 0, de aliasing.
n
k=0
n−1 (13.64) 13.6.5 Uso da ponderação exponencial
k
= x̂[n]x[0] + x̂[k]x[n − k], A ponderação exponencial de uma sequência
n
k=0 pode ser usada para evitar ou mitigar alguns dos pro-
que é uma recursão para D*[ ] para sinais de fase mí- blemas encontrados no cálculo numérico do cepstrum
nima. Ao resolver para x̂[n], obtém-se a fórmula de complexo. A ponderação exponencial de uma sequên-
recursão cia x[n] é definida por
0, n < 0, w[n] = αnx[n]. (13.69)
n−1
x̂[n] = x[n] k x[n − k] (13.65) A transformada z correspondente é
x[0] − x̂[k] , n > 0.
n x[0] W(z) = X(α−1z). (13.70)
k=0
Se a RDC de X(z) é rR < |z| < rL, então a RDC de fato de que a transformada z é um polinômio de ordem
W(z) é |α|rR < |z| < |α|rL, e os polos e zeros de X(z) são finita, e que a fase desenrolada total pode ser obtida
deslocados radialmente pelo fator |α|; isto é, se z0 é um pela soma das fases desenroladas para cada um dos fa-
polo ou zero de X(z), então z0α é o polo ou zero corres- tores. Se o polinômio for inicialmente fatorado em seus
pondente de W(z). termos de primeira ordem usando um algoritmo para
Uma propriedade conveniente da ponderação ex- obter raízes de polinômios, então a fase desenrolada
ponencial é que ela comuta com a convolução. Isto é, se para cada fator é facilmente especificada de forma ana-
x[n] = x1[n] * x2[n] e w[n] = anx[n], então lítica. De maneira similar, o cepstrum complexo para
W(z) = X(α−1z) = X1(α−1z)X2(α−1z), (13.71) a sequência de comprimento finito pode ser obtido
primeiro fatorando o polinômio, e depois somando os
de modo que cepstra complexos para cada um dos fatores.
w[n] = (a n x1 [n]) ∗ (a n x2 [n]) A abordagem básica é sugerida na Seção 13.5.1.
(13.72) Se a sequência x[n] tem comprimento finito, como es-
= w1 [n] ∗ w2 [n].
sencialmente é sempre o caso com sinais obtidos por
Assim, no cálculo numérico do cepstrum comple- amostragem, então sua transformada z é um polinômio
xo, se X(z) = X1(z)X2(z), em z−1 na forma
Ŵ (z) = log[W (z)] M
(13.73) X(z) = x[n]z−n . (13.75)
= log[W1 (z)] + log[W2 (z)].
n=0
A ponderação exponencial pode ser explorada Tal polinômio de ordem M em z−1 pode ser repre-
com o cálculo numérico do cepstrum de diversas ma- sentado como
neiras. Por exemplo, polos ou zeros de X(z) sobre a cir-
Mi Mo
cunferência unitária requerem cuidado especial no cál-
X(z) = x[0] (1 − amz−1 ) −1 −1
(1 − bm z ), (13.76)
culo numérico do cepstrum complexo. Pode-se mostrar
m=1 m=1
(Carslaw, 1952) que um fator log(1 − ejθ e−jω) tem série
de Fourier em que as quantidades am são os zeros (complexos) que
∞ se encontram no interior da circunferência unitária, e as
ej θn −j ωn quantidades bm−1 são os zeros que estão fora da circunfe-
log(1 − ej θ e−j ω ) = − e (13.74)
n rência unitária; isto é, |am| < 1 e |bm| < 1. Consideramos
n=1
e, assim, a contribuição de tal termo para o cepstrum que nenhum zero encontra-se exatamente sobre a cir-
complexo é (ejθn/n)u[n − 1]. Porém, a magnitude logarít- cunferência unitária. Se fatorarmos um termo −bm−1z−1
mica é infinita, e a fase é descontínua com um salto de π de cada fator do produto à direita na Equação 13.76,
radianos em ω = θ. Isso apresenta dificuldades compu- essa equação pode ser expressa como
tacionais óbvias, que preferiríamos evitar. Pela ponde- Mi Mo
ração exponencial com 0 < α < 1, todos os polos e zeros X(z) = Az−Mo (1 − amz−1 ) (1 − bmz), (13.77a)
são movidos radialmente para o interior. Portanto, um m=1 m=1
polo ou zero sobre a circunferência unitária se moverá
em que
para o interior da circunferência unitária.
Mo
Como outro exemplo, considere um sinal x[n] Mo −1
causal e estável, que seja de fase não mínima. O sinal A = x[0](−1) bm . (13.77b)
ponderado exponencialmente, w[n] = αnx[n], pode ser m=1
convertido em uma sequência de fase mínima se α for Essa representação pode ser calculada numeri-
escolhido, de modo que |zmáx α| < 1, sendo zmáx a locali- camente usando-se um algoritmo para obter raízes de
zação do zero com maior magnitude. polinômios para encontrar os zeros am e 1/bm que se
encontram no interior e fora da circunferência unitária,
13.7 Cálculo numérico do cepstrum respectivamente, para o polinômio cujos coeficientes
são a sequência x[n].7
complexo a partir de raízes
Dada a representação numérica do polinômio da
de polinômios transformada z como nas equações 13.77(a) e (b), va-
Na Seção 13.6.1, discutimos o fato de que, para se- lores numéricos da sequência do cepstrum complexo
quências de comprimento finito, poderíamos explorar o podem ser calculados das equações 13.36(a)-(c) como
7 Talvez não surpreenda, mas é raro que uma raiz de um polinômio calculada numericamente esteja exatamente sobre a circunferência unitária.
Nos casos em que isso ocorre, essas raízes podem ser movidas pela ponderação exponencial, como descrito na Seção 13.6.5.
* + + + + *
x[n] ˆ
x[n] Sistema ˆ
y[n] y[n]
D*[ ] linear D*−1[ ]
L[ ]
Figura 13.6 Forma canônica para sistemas homomórficos em que entradas e saídas correspondentes são combinadas por convolução.
mín[n]
Figura 13.7 Desconvolução de uma sequência em componentes de fase mínima e passa-tudo usando o cepstrum.
8 Em geral, o componente de fase mínima xmn[n] na Equação 13.85 será diferente de xmín[n] na Equação 13.83.
x[n] ˆ
x[n] xˆmn[n] xmn[n]
D*[ · ] D*−1[ · ]
mn[n]
xˆmx[n] xmx[n]
D*−1[ · ]
mx[n]
Figura 13.8 O uso da desconvolução homomórfica para separar uma sequência em componentes de fase mínima e fase máxima.
Amplitude
Em nossa análise nesta seção, escolhemos p[n] da 1
forma
0
p[n] = δ[n] + βδ[n − N0] + β2δ[n − 2N0], (13.93a)
−1
e sua transformada z é, então,
−2
1 − β 3 z−3N0 −20 0 20 40 60 80
P (z) = 1 + βz−N0 + β 2 z−2N0 = . (13.93b) Amostra [n]
1 − βz−N0
(a)
Por exemplo, p[n] poderia corresponder à respos- 1,0
ta ao impulso de um canal multipercurso ou outro siste-
ma que gera múltiplos ecos com um espaçamento de N0
1
e 2N0. O componente v[n] será considerado como a res-
Amplitude
posta de um sistema de segunda ordem, de modo que
0,5
b0 + b1 z−1
V (z) = , |z| >|r|. (13.94a)
(1− rej θ z−1 )(1− re−j θ z−1 )
0
No domínio do tempo, v[n] pode ser expresso como
v[n] = b0w[n] + b1w[n − 1], (13.94b) − 0,5
−20 0 20 40 60 80
em que Amostra [n]
(b)
rn 4
w[n] = 2
{cos(θn) − cos[θ (n + 2)]}u[n], θ = 0, π.
4 sen θ
3
(13.94c)
Na Figura 13.9 é mostrado o diagrama de polos e 2
Amplitude
−1
−2
1 −20 0 20 40 60 80
Amostra [n]
(c)
0,5 Figura 13.10 As sequências: (a) v[n], (b) p[n] e (c) x[n] corresponden-
tes ao diagrama de polos e zeros da Figura 13.9.
Im {z}
0
os sinais v[n], p[n] e x[n] para esses parâmetros. Como
visto na Figura 13.10, a convolução do sinal tipo pulso
v[n] com o trem de impulsos p[n] resulta em uma série
− 0,5
de cópias atrasadas e sobrepostas (ecos) de v[n].
Esse modelo de sinal é uma versão simplificada
de modelos que são usados em análise e processamen-
−1
to de sinais em diversos contextos, incluindo sistemas
−1 − 0,5 0 0,5 1 de comunicação, processamento de voz, sonar e análise
Re{z} de dados sísmicos. Em um contexto de comunicações,
v[n] nas equações 13.92(a) e (b) pode representar um
Figura 13.9 Diagrama de polos e zeros da transformada z X (z) = sinal transmitido por um canal multipercurso, x[n] o si-
V (z)P (z) para o sinal do exemplo da Figura 13.10. nal recebido e p[n] a resposta ao impulso do canal. No
processamento de voz, v[n] representaria os efeitos 13.9, os polos de V(z) estão no interior da circunferên-
combinados do formato do pulso glotal e os efeitos de cia unitária e o zero está fora (r = 0,9 e b0/b1 = 0,98),
ressonância do trato vocal humano, enquanto p[n] re- de modo que, de acordo com a Equação 13.29, reescre-
presentaria a periodicidade da excitação vocal duran- vemos V(z) como
te voz sonora como um som de vogal (Flanagan, 1972;
b1 z−1 (1 + (b0 /b1 )z)
Rabiner e Schafer, 1978; Quatieri, 2002). A Equação V(z) = , |z| >|r|. (13.97)
13.94(a) incorpora apenas uma ressonância, enquanto (1− rej θ z−1 )(1− re−j θ z−1 )
no modelo geral de voz, o denominador geralmente in- Como discutido na Seção 13.5, o fator z−1 contri-
cluiria pelo menos dez polos complexos. Na análise de bui com um componente linear para a fase desenro-
dados sísmicos, v[n] representaria a forma de onda lada que forçará uma descontinuidade em ω = ±π na
de um pulso acústico propagando-se na terra devido a transformada de Fourier de v̂[n], de modo que V̂(z)
uma explosão de dinamite ou um distúrbio similar. O não será analítica sobre a circunferência unitária. Para
componente impulsivo p[n] representaria reflexões nas evitar esse problema, podemos alterar v[n] (e, portan-
fronteiras entre camadas com diferentes características to, também x[n]) com um deslocamento no tempo de
de propagação. No uso prático de tal modelo, haveria uma amostra, de modo a obtermos alternativamente o
mais impulsos em p[n] do que assumimos na Equação cepstrum complexo de v[n + 1] e, consequentemente,
13.93(a), e eles seriam espaçados de forma não unifor- também x[n + 1]. Se x[n] ou v[n] tiver de ser ressin-
me. Além disso, o componente V(z) geralmente envol- tetizado após um processamento do cepstrum comple-
veria muito mais zeros, e muitas vezes nenhum polo é xo, podemos lembrar desse deslocamento no tempo e
incluído no modelo (Ulrych, 1971; Tribolet, 1979; Ro- compensá-lo na saída final.
binson e Treitel, 1980). Com v[n] substituído por v[n + 1] e, de modo cor-
Embora o modelo discutido seja uma represen- respondente, V(z) substituído por zV(z), agora conside-
tação altamente simplificada daquela encontrada em ramos que V(z) tem a forma
aplicações típicas, é analiticamente conveniente e útil
obter fórmulas exatas para comparar com resultados b1 (1 + (b0 /b1 )z)
V (z) = . (13.98)
calculados numericamente obtidos de sinais amostra- (1 − rej θ z−1 )(1 − re−j θ z−1 )
dos. Além disso, veremos que esse modelo simples ilus-
Pelas equações 13.36(a) a (c), podemos escrever
tra todas as propriedades importantes do cepstrum de
v̂[n] exatamente como
um sinal com uma transformada z racional.
Na Seção 13.9.1, obtemos analiticamente o ceps-
log b1 , n = 0, (13.99a)
trum complexo do sinal recebido x[n]. Na Seção 13.9.2,
1
ilustramos o cálculo numérico do cepstrum complexo [(rej θ )n + (re−j θ (13.99b)
)n ], n > 0,
usando a TFD, e na Seção 13.9.3, ilustramos a técnica de v̂[n] = n
desconvolução homomórfica.
1 −b0 −n
, (13.99c)
n < 0.
n b1
13.9.1 Cálculo do cepstrum complexo por análise
com a transformada z Para determinar p̂[n], podemos obter a transfor-
Para determinar uma equação para x̂[n], o ceps- mada z inversa de P̂(z), que, pela Equação 13.93(b), é
trum complexo de x[n] para o modelo simples da Equa- P̂(z) = log(1 − β3z−3N0) − log(1 − βz−N0), (13.100)
ção 13.92(a), usamos as relações
em que, para o nosso exemplo, β = 0,9 e, consequen-
x̂[n] = v̂[n] + p̂[n], (13.95a) temente, |β| < 1. Uma abordagem para determinar
X̂(z) = V̂(z) + P̂(z), (13.95b) a transformada z inversa da Equação 13.100 é usar a
expansão em série de potências de P̂(z). Especifica-
X̂(z) = log[X(z)], (13.96a) mente, como |β| < 1,
∞ ∞
V̂(z) = log[V(z)] (13.96b) β 3k −3N0 k β k −N0 k
P̂ (z) = − z + z , (13.101)
e k k
k=1 k=1
P̂(z) = log[P(z)]. (13.96c) do que segue que p̂[n] é
Para determinar v̂[n], podemos aplicar diretamen- ∞ ∞
β 3k βk
te os resultados da Seção 13.5. Especificamente, para p̂[n] = − δ[n − 3N0 k] + δ[n − N0 k].
k k
expressar V(z) na forma da Equação 13.29, notamos k=1 k=1
primeiro que, para o sinal X(z) específico na Figura (13.102)
1,5 6
4
1
2
Amplitude
0,5 0
dB
−2
0
−4
−0,5 −6
−100 −50 0 50 100 0 0,2π 0,4π 0,6π 0,8π π
Amostra [n] Frequência em radianos ω
(a)
(a)
1,5 4
1 2
Amplitude
Radianos
0,5 0
0 −2
−0,5 −4
−100 −50 0 50 100 0 0,2π 0,4π 0,6π 0,8π π
Amostra [n]
Frequência em radianos ω
(b)
(b)
1,5 4
1 2
Amplitude
Radianos
0,5 0
0 −2
−0,5 −4
−100 −50 0 50 100 0 0,2π 0,4π 0,6π 0,8π π
Amostra [n]
(c) Frequência em radianos ω
(c)
Figura 13.12 As sequências: (a) cv [n], (b) cp [n] e (c) cx [n].
Figura 13.13 Transformadas de Fourier de x[n] da Figura 13.10.
(a) Magnitude logarítmica. (b) Valor principal da fase. (c) Fase “desen-
rolada” contínua após a remoção de um componente de fase linear do
anteriormente, e como fica evidente ao compararmos
cuidadosamente as figuras 13.13(b) e (c), um compo- item (b). As amostras da TFD estão conectadas por segmentos de reta.
nente de fase linear correspondente a um atraso de uma
amostra foi removido de modo que a curva de fase de-
senrolada fosse contínua em 0 e π. Assim, a fase desen- (c), notamos que elas têm a aparência geral de um com-
rolada da Figura 13.13(c) corresponde a x[n + 1] em vez ponente periódico (em frequência) que varia rapida-
de a x[n]. mente, acrescentado a um componente que varia mais
As figuras 13.13(a) e (c) correspondem ao cálcu- lentamente. O componente que varia periodicamente,
lo das amostras das partes real e imaginária, respecti- de fato, corresponde a P̂(ejω), e o componente que varia
vamente, da TFTD do cepstrum complexo. Somente a mais lentamente, a V̂(ejω).
faixa de frequência 0 ≤ ω ≤ π é mostrada, pois a função Na Figura 13.14(a), mostramos a transformada de
da Figura 13.13(a) é par e periódica com período 2π, e a Fourier inversa do logaritmo complexo da TFD, isto é, o
função da Figura 13.13(c) é ímpar e periódica com pe- cepstrum complexo com aliasing no tempo x̂p[n]. Note
ríodo 2π. Ao examinar os gráficos nas figuras 13.13(a) e os impulsos em múltiplos inteiros de N0 = 15. Eles são
0,5
que varia lentamente e, de modo equivalente, a porção
de “baixos tempos” (baixas quefrências) do cepstrum
0 complexo foram devidos principalmente a v[n]. De
modo correspondente, o componente de variação mais
−0,5 rápida do logaritmo complexo e a porção de “altos tem-
−100 −50 0 50 100 pos” (altas quefrências) do cepstrum complexo foram
Amostra [n] devidos principalmente a p[n]. Isso sugere que os dois
(b) componentes convoluídos de x[n] podem ser separados
pela aplicação de filtragem linear ao logaritmo da trans-
Figura 13.14 (a) Cepstrum complexo x̂p [n] da sequência da Figura
formada de Fourier (isto é, filtragem invariante na fre-
13.10(c). (b) Cepstrum cx [n] da sequência na Figura 13.10(c).
quência) ou, de modo equivalente, os componentes do
cepstrum complexo podem ser separados janelando-se
resultado da contribuição de p̂[n] e correspondem ao ou partilhando no tempo o cepstrum complexo.
componente periódico que varia rapidamente, observa- Na Figura 13.15(a) mostram-se as operações
do no logaritmo da TFD. Vemos também que, como o envolvidas na separação dos componentes de uma
sinal de entrada não é de fase mínima, o cepstrum com- convolução pela filtragem do logaritmo complexo da
plexo é não nulo para n < 0.9 transformada de Fourier de um sinal. O filtro linear
Como um grande número de pontos foi usado no invariante na frequência pode ser implementado pela
cálculo das TFDs, o cepstrum complexo com aliasing no convolução do domínio da frequência ou, como indi-
tempo difere muito pouco dos valores exatos que seriam cado na Figura 13.15(b), pela multiplicação no domí-
obtidos pelo uso das equações 13.99(a) a (c), 13.102 e nio do tempo. Na Figura 13.16(a) mostra-se a resposta
13.103 para os valores específicos dos parâmetros usados temporal de um sistema linear invariante na frequên-
para gerar o sinal de entrada da Figura 13.10. cia passa-baixas como requerido para se recuperar
O cepstrum com aliasing no tempo cxp[n] para esse uma aproximação para v[n], e na Figura 13.16(b) é
exemplo é mostrado na Figura 13.14(b). Assim como o mostrada a resposta temporal de um sistema linear in-
cepstrum complexo, os impulsos em múltiplos de 15 são variante na frequência passa-altas para recuperar uma
evidentes, correspondendo ao componente periódico aproximação para p[n].10
do logaritmo da magnitude da transformada de Fourier. Na Figura 13.17 mostra-se o resultado da filtragem
Como mencionamos no início desta seção, a con- invariante na frequência passa-baixas. As curvas com
volução de um sinal v[n] com um trem de impulsos variação mais rápida nas figuras 13.17(a) e (b) são o lo-
como p[n] é um modelo para um sinal que contém múl- garitmo complexo da transformada de Fourier do sinal
9 Ao usarmos a TFD para obter a transformada de Fourier inversa nas figuras 13.13(a) e (c), os valores associados com n < 0 normalmente
apareceriam no intervalo N/2 < n ≤ N − 1. Tradicionalmente, as sequências temporais são exibidas com n = 0 no centro, de modo que reposi-
cionamos x̂p[n] apropriadamente e mostramos apenas um total de 201 pontos simetricamente em torno de n = 0.
10 Na Figura 13.16 supõe-se que os sistemas D* [·] e D*−1[·] sejam implementados usando a TFD, como na Figura 13.4.
(a) 2
dB
ˆ
x[n] ˆ
y[n]
−2
−4
[n]
−6
0 0,2π 0,4π 0,6π 0,8π π
(b)
Frequência em radianos ω
(a)
Figura 13.15 (a) Sistema para desconvolução homomórfica.
4
(b) Representação no domínio do tempo para a filtragem invariante
na frequência.
2
Radianos
[n] 0
1
−2
n −4
0 0,2π 0,4π 0,6π 0,8π π
−N2 0 N1 N− N2 N− 1
Frequência em radianos ω
(a) (b)
4
[n]
3
1
2
Amplitude
n 0
−N2 0 N1 N− N2 N− 1
(b) −1
cuperar leves ondulações (wavelets) sísmicas (Ulrych, 13.16(b) com N1 = 14 e N2 = 512 (isto é, as partes de
1971; Tribolet, 1979). tempo negativo são completamente removidas). No-
Na Figura 13.18 é mostrado o resultado da filtra- vamente, o sistema é implementado usando uma TFD
gem invariante na frequência passa-altas. As curvas de 1024 pontos. Na Figura 13.18(c) é mostrada a saída
que variam rapidamente nas figuras 13.18(a) e (b) são correspondente y[n]. Essa sequência é a aproximação
as partes real e imaginária, respectivamente, da trans- de p[n] obtida pela desconvolução homomórfica. Em
formada de Fourier de ŷ[n] quando o sistema linear contraste com o uso do cepstrum para detectar ecos ou
invariante na frequência [n] é da forma da Figura periodicidade, essa técnica busca obter o trem de im-
pulsos que especifica o local e a dimensão das cópias
repetidas de v[n].
2
13.9.4 Decomposição de fase mínima
Na Seção 13.8.1, discutimos formas de como a des-
convolução homomórfica poderia ser usada para de-
compor uma sequência em componentes de fase míni-
0
dB
2 4
1,5 3
1 2
Amplitude
Amplitude
1
0,5
0
0
−1
−0,5
−2
−100 −50 0 50 100 −20 0 20 40 60 80
Amostra [n] Amostra [n]
(a) (a)
3 1,5
2,5
2 1
Amplitude
Amplitude
1,5
1 0,5
0,5
0
0
−0,5
− 0,5
−100 −50 0 50 100 −20 0 20 40 60 80
Amostra [n] Amostra [n]
(b) (b)
1,5
Figura 13.20 (a) Saída de fase mínima. (b) Saída passa-tudo obtida
1 como representado na Figura 13.7.
0,5
Amplitude
novamente com o atraso de uma amostra no tem- O resultado da Figura 13.20(b) está muito próxi-
po removido de v[n], de modo que a fase é contí- mo desse resultado ideal para valores pequenos de n,
nua em π. Na Figura 13.19(b) mostra-se o cepstrum em que os valores de sequência são de amplitude sig-
complexo do componente de fase mínima x̂ mín[n], e nificativa. Esse exemplo ilustra uma técnica de decom-
na Figura 13.19(c) é mostrado o cepstrum complexo posição que foi aplicada por Bauman, Lipshitz e Van-
do componente passa-tudo x̂ ap[n] obtido pelas ope- derkooy (1985) na análise e caracterização da resposta
rações da Figura 13.7 com D*[·] implementado como de transdutores eletroacústicos. Uma técnica de decom-
na Figura 13.4(a). posição similar pode ser usada para fatorar funções de
Usar a TFD, como na Figura 13.4(b), para imple- magnitude quadrática requeridas no projeto de filtros
mentar o sistema D*−1[·] fornece as aproximações dos digitais (veja o Problema 13.27).
componentes de fase mínima e passa-tudo mostrados Como uma alternativa à decomposição fase míni-
nas figuras 13.20(a) e (b), respectivamente. Como todos ma/passa-tudo, podemos expressar X(z) como o produ-
Amplitude
em que
0,5
z−1 (1 + 0,9z−15 + 0,81z−30 )
Xmn(z) = (13.113) 0
(1 − 0,9ej π/ 6 z−1 )(1 − 0,9e−j π/ 6 z−1 )
e −0,5
Xmx(z) = 0,98z + 1. (13.114) −1
−20 0 20 40 60 80
As sequências xmn[n] e xmx[n] podem ser encontra- Amostra [n]
das usando os métodos de expansão em frações parciais (a)
do Capítulo 3, e os cepstra complexos correspondentes 1,5
x̂mn[n] e x̂mx[n] podem ser encontrados pelo uso da téc-
nica de série de potências da Seção 13.5 (veja o Proble- 1
ma 13.25). Alternativamente, x̂mn[n] e x̂mx[n] podem ser
Amplitude
obtidos exatamente a partir de x̂[n] pelas operações dis-
0,5
cutidas na Seção 13.8.2 e mostradas na Figura 13.8, com
mn[n] = u[n] (13.115) 0
e
−0,5
mx[n] = u[−n − 1]. (13.116) −20 0 20 40 60 80
Amostra [n]
Ou seja, a sequência de fase mínima agora é defini- (b)
da pela parte de tempo positivo do cepstrum complexo,
e a parte de fase máxima é definida pela parte de tempo Figura 13.21 (a) Saída de fase mínima. (b) Saída de fase máxima
negativo do cepstrum complexo. Se os sistemas caracte- obtida como representado na Figura 13.8.
rísticos na Figura 13.8 são implementados pelo uso da
TFD, a parte de tempo negativa do cepstrum complexo
é posicionada na segunda metade do intervalo da TFD. fase linear no desenrolamento da fase.) Essa técnica de
Nesse caso, a separação dos componentes de fase míni- decomposição de fase mínima/fase máxima foi usada
ma e de fase máxima é apenas aproximada devido ao por Smith e Barnwell (1984) no projeto e implementa-
aliasing no tempo, mas o erro de aliasing no tempo pode ção de bancos de filtro de reconstrução exata para aná-
se tornar pequeno escolhendo-se um comprimento de lise e codificação de voz.
TFD suficientemente grande. Na Figura 13.19(a) mos-
tra-se o cepstrum complexo de x[n] calculado usando 13.9.5 Generalizações
uma TFD de 1024 pontos. A Figura 13.21 mostra as duas O exemplo na Seção 13.9 considerou um sinal ex-
sequências de saída que são obtidas a partir do cepstrum ponencial simples que foi convoluído com um trem de
complexo da Figura 13.19(a) usando as equações 13.87 e impulsos para produzir uma série de réplicas atrasadas
13.88, como na Figura 13.8 com o sistema característico e multiplicadas escalarmente do sinal exponencial. Esse
inverso sendo implementado usando a TFD como na Fi- modelo ilustra muitos dos recursos do cepstrum com-
gura 13.4(b). Como anteriormente, sendo que p̂[n] está plexo e da filtragem homomórfica.
totalmente incluído em x̂mn[n], a saída correspondente Em particular, em modelos mais gerais associados
xmn[n] consiste em réplicas atrasadas e em um fator de a aplicações de voz, comunicação e sísmicas, um mode-
escala de uma sequência de fase mínima, e, assim, ela lo de sinal apropriado consiste na convolução de dois
também se parece muito com a sequência de entrada. componentes. Um componente tem as características
Porém, uma comparação cuidadosa das figuras 13.20(a) de v[n], especificamente uma transformada de Fourier
e 13.21(a) mostra que xmín[n] Z xmn[n]. Pela Equação que varia lentamente na frequência. O segundo tem as
13.114, a sequência de fase máxima é características de p[n], isto é, um padrão de eco ou trem
de impulsos para o qual a transformada de Fourier va-
xmx[n] = 0,98δ[n + 1] + δ[n]. (13.117)
ria mais rapidamente e é quasiperiódica em frequência.
A Figura 13.21(b) está muito próxima desse resul- Assim, as contribuições dos dois componentes seriam
tado ideal. (Note o deslocamento devido à remoção da separadas no cepstrum complexo ou no cepstrum, e,
além disso, o cepstrum complexo ou o cepstrum conte- um filtro que varia lentamente no tempo, que impõe
ria impulsos em múltiplos dos atrasos do eco. Assim, a suas propriedades de resposta em frequência sobre o
filtragem homomórfica pode ser usada para separar os espectro da excitação. O trato vocal é caracterizado
componentes convolucionados do sinal, ou o cepstrum por suas frequências naturais (chamadas de forman-
pode ser usado para detectar atrasos do eco. Na próxi- tes), que correspondem a ressonâncias em sua resposta
ma seção, ilustraremos o uso dessas propriedades gerais em frequência.
do cepstrum em aplicações de análise de voz. Se supomos que as fontes de excitação e o formato
do trato vocal são independentes, chegamos ao modelo
13.10 Aplicações para processamento de tempo discreto da Figura 13.22 como uma represen-
tação da forma de onda de voz amostrada. Nesse mode-
de voz
lo, assume-se que amostras do sinal de voz são a saída
Técnicas cepstrais têm sido aplicadas com sucesso de um sistema de tempo discreto variante no tempo,
à análise de voz em uma variedade de formas. Como que modela as ressonâncias do sistema de trato vocal.
discutimos brevemente nesta seção, a discussão teórica O modelo de excitação do sistema comuta entre impul-
anterior e o exemplo estendido da Seção 13.9 se apli- sos periódicos e ruído aleatório, dependendo do tipo de
cam de um modo relativamente direto à análise de voz. som a ser produzido.
Como o formato do trato vocal muda lentamente
13.10.1 Modelo de sinal de voz para voz contínua, é razoável supor que o sistema de
Como descrevemos brevemente na Seção 10.4.1, tempo discreto no modelo tem propriedades fixas por
existem três classes básicas de sons de voz correspon- um intervalo de tempo da ordem de 10 ms. Assim, o sis-
dentes a diferentes formas de excitação do trato vocal. tema de tempo discreto pode ser caracterizado em cada
Especificamente: intervalo de tempo dessa duração por uma resposta ao
• Sons sonoros são produzidos excitando-se o trato impulso ou por uma resposta em frequência ou por um
vocal com pulsos quasiperiódicos de fluxo de ar conjunto de coeficientes para um sistema IIR. Especifi-
causados pela abertura e fechamento da glote. camente, um modelo para a função de sistema do trato
• Sons fricativos são produzidos formando-se uma vocal toma a forma
constrição em algum lugar do trato vocal e forçan- K
do-se ar pela constrição de forma a criar turbu- bkz−k
lência e produzindo assim uma excitação parecida k=0
V (z) = (13.118)
com ruído. P
−k
• Sons plosivos são produzidos fechando-se por ak z
completo o trato vocal, acumulando-se pressão k=0
por trás do fechamento e depois liberando-se a ou, de modo equivalente,
pressão bruscamente. Ki Ko
Em cada caso, o sinal de voz é produzido pela ex- Az−Ko (1 − αkz )−1
(1 − βkz)
citação do sistema de trato vocal (um sistema de trans- k=1 k=1
missão acústica) com uma excitação de banda larga. V (z) = , (13.119)
[P /2]
O formato do trato vocal muda relativamente deva- (1 − rkej θ k z−1 )(1 − rke−j θ k z−1 )
gar com o tempo e, assim, pode ser modelado como k=1
Período de pitch
Coeficientes do sistema
(parâmetros do trato vocal)
Gerador
de trem p[n]
de impulsos
Sistema de s[n]
tempo discreto
variante no tempo Amostras
Gerador de voz
de números r[n]
aleatórios Amplitude
em que as quantidades rkejθk (com |rk| < 1) são as fre- para zero nas duas extremidades. Assim, a entrada do
quências naturais complexas do trato vocal, que, na- sistema de desconvolução homomórfica é
turalmente, dependem do formato do trato vocal e,
x[n] = w[n]s[n]. (13.121)
consequentemente, são variantes no tempo. Os zeros
de V(z) dão conta da forma de onda do pulso da glo- Primeiro, consideremos o caso da voz sonora. Se
te de duração finita e dos zeros da transmissão cau- w[n] varia lentamente em relação às variações de v[n],
sados pelas constrições do trato vocal na criação dos então a análise é bastante simplificada se considerar-
sons sonoros nasais e fricativos. Esses zeros muitas mos que
vezes não são incluídos, pois é muito difícil estimar x[n] = v[n] * pw[n], (13.122)
suas localizações somente a partir da forma de onda
de voz. Além disso, mostrou-se (Atal e Hanauer, 1971) sendo
que o formato espectral do sinal de voz pode ser mo- pw[n] = w[n]p[n]. (13.123)
delado com precisão sem o uso de zeros, se incluirmos
polos extras além do número necessário apenas para (Veja Oppenheim e Schafer, 1968.) Uma análise mais
considerar as ressonâncias do trato vocal. Os zeros são detalhada sem essa hipótese leva essencialmente às
incluídos em nossa análise, pois são necessários para mesmas conclusões a seguir (Verhelst e Steenhaut,
uma representação precisa do cepstrum complexo da 1986). Para a voz sonora, p[n] é um trem de impulsos
na forma
voz. Note que incluímos a possibilidade de zeros fora
da circunferência unitária. M−1
O sistema de trato vocal é excitado por uma se- p[n] = δ[n − kN0 ] (13.124)
quência de excitação p[n], que é um trem de impulsos k=0
Pela expansão em séries de potência do logaritmo ocupam o intervalo completo −∞ < n < ∞, mas estão
complexo de V(z), pode-se mostrar que a contribuição concentradas em torno de n = 0. Notamos também que,
para o cepstrum complexo devido a v[n] é como as ressonâncias do trato vocal são representadas
por polos no interior da circunferência unitária, sua con-
K0
βk−n tribuição para o cepstrum complexo é nula para n < 0.
, n < 0,
n
k=1
v̂[n] = log |A|, n = 0, (13.130) 13.10.2 Exemplo de desconvolução homomórfica
K [P /2] de voz
i
αkn 2rkn
− + cos(θkn), n > 0.
n n Para voz amostrada a 10.000 amostras/s, o período
k=1 k=1 de pitch N0 variará desde cerca de 25 amostras para uma
Como no exemplo mais simples na Seção 13.9.1, o voz com pitch alto até cerca de 150 amostras para
termo z−K0 na Equação 13.119 representa um fator de uma voz com pitch muito baixo. Como o componente
fase linear que seria removido na obtenção da fase de- de trato vocal do cepstrum complexo v̂[n] decai rapi-
senrolada e do cepstrum complexo. Consequentemente, damente, os picos de p̂w[n] se destacam de v̂[n]. Em
v̂[n] na Equação 13.130 é mais precisamente o cepstrum outras palavras, no logaritmo complexo, os componen-
complexo de v[n + K0]. tes de trato vocal variam lentamente, e os componentes
Pela Equação 13.130, vemos que as contribuições da excitação variam rapidamente. Isso é ilustrado pelo
da resposta do trato vocal para o cepstrum complexo exemplo a seguir. Na Figura 13.23(a) é mostrado um
0,5
−0,5
−1
0 5 10 15 20 25 30 35 40 45 50
Tempo (ms)
(a)
0,5
−0,5
0 5 10 15 20 25 30 35 40 45 50
Tempo (ms)
(b)
0,5
−0,5
−1
0 5 10 15 20 25 30 35 40 45 50
Tempo (ms)
(c)
Figura 13.23 Desconvolução homomórfica de voz. (a) Segmento de voz ponderado por uma janela de Hamming. (b) Componente de alta quefrên-
cia do sinal em (a). (c) Componente de baixa quefrência do sinal em (a).
segmento de uma onda de voz multiplicado por uma ponente de variação rápida, quase periódico, devido a
janela de Hamming com comprimento de 401 amostras pw[n] e o componente de variação lenta devido a v[n].
(duração temporal de 50 ms a uma taxa de amostragem Essas propriedades se manifestam no cepstrum comple-
de 8000 amostras/s). Na Figura 13.24 é mostrado o loga- xo da Figura 13.25 na forma de impulsos em múltiplos
ritmo complexo (magnitude logarítmica e fase desenro- de aproximadamente 13 ms (o período do segmento de
lada) da TFD do sinal na Figura 13.23(a).11 Note o com- voz de entrada) devido a p̂w [n] e nas amostras na região
Magnitude logarítmica
4
Magnitude logarítmica (dB)
−2
−4
−6
−8
0 500 1000 1500 2000 2500 3000 3500 4000
Frequência (Hz)
(a)
0
Fase (rad)
−5
−10
−15
0 500 1000 1500 2000 2500 3000 3500 4000
Frequência (Hz)
(b)
Figura 13.24 Logaritmo complexo do sinal da Figura 13.23(a): (a) Magnitude logarítmica. (b) Fase desenrolada.
−1
−2
−3
−20 −15 −10 −5 0 5 10 15 20
Quefrência (ms)
Figura 13.25 Cepstrum complexo do sinal na Figura 13.23(a) (TFTD inversa do logaritmo complexo na Figura 13.24).
11 Em todas as figuras desta seção, as amostras de todas as sequências foram conectadas para facilitar o traçado.
|nT| < 5 ms que atribuímos a v̂[n]. Assim como na seção -se o cepstrum. Na Figura 13.26(b) é mostrado um
anterior, a filtragem invariante na frequência pode ser resultado típico para voz sonora. O sinal de voz jane-
usada para separar os componentes do modelo convo- lado é indicado por A, log |X[k]| é indicado por C, e o
lucional do sinal de voz. A filtragem passa-baixas do lo- cepstrum cx[n] é indicado por D. O pico no cepstrum
garitmo complexo pode ser usada para recuperar uma em cerca de 8 ms indica que esse segmento de voz
aproximação para v[n], e a filtragem passa-altas pode é sonoro com esse período. O espectro suavizado, ou
ser usada para obter pw[n]. Na Figura 13.23(c) mostra- a envoltória do espectro, obtido pela filtragem inva-
-se uma aproximação para v[n] obtida pelo uso de um riante na frequência passa-baixas com corte abaixo de
filtro invariante na frequência passa-baixas, como na 8 ms é indicado por E, e é sobreposto a C. A situação
Figura 13.16(a) com N1 = 30 e N2 = 30. As curvas tra- para a voz surda, mostrada na Figura 13.26(c), é simi-
cejadas que variam lentamente na Figura 13.24 mos- lar, exceto que a natureza aleatória do componente
tram o logaritmo complexo da TFTD do componente de excitação do segmento de voz de entrada causa
de quefrência baixa mostrado na Figura 13.23(c). Por um componente aleatório com rápida variação em
outro lado, a Figura 13.23(b) é uma aproximação de log |X[k]| em vez de um componente periódico. As-
pw[n] obtida pela aplicação de um filtro invariante na sim, no cepstrum, os componentes de baixos tempos
frequência passa-altas simétrico ao cepstrum complexo, correspondem, como anteriormente, à função do sis-
como na Figura 13.16(b), com N1 = 95 e N2 = 95. Em
tema do trato vocal; porém, como as variações rápidas
ambos os casos, o sistema característico inverso foi im-
em log |X[k]| não são periódicas, nenhum pico pro-
plementado usando-se TFDs de 1024 pontos, como na
nunciado aparece no cepstrum. Portanto, a presença
Figura 13.4(b).
ou a ausência de um pico no cepstrum no intervalo
do período de pitch normal serve como um detector
13.10.3 Estimando os parâmetros do modelo de voz
muito bom de voz sonora/surda e um estimador do
Apesar de a desconvolução homomórfica poder
período de pitch. O resultado da filtragem invariante
ser aplicada com sucesso na separação dos componen-
na frequência passa-baixas no caso surdo é similar ao
tes de uma forma de onda de voz, em muitas aplica-
do caso sonoro. Uma estimativa da envoltória do es-
ções de processamento de voz, estamos interessados
pectro suavizado é obtida como em E.
apenas em estimar os parâmetros em uma representa-
ção paramétrica do sinal de voz. Como as proprieda- Em aplicações de análise de voz, as operações
des do sinal de voz mudam lentamente com o tempo, da Figura 13.26(a) são aplicadas repetidamente a seg-
é comum estimar os parâmetros do modelo da Figura mentos sequenciais da forma de onda de voz. O com-
13.22 em intervalos de cerca de 10 ms (100 vezes/s). primento dos segmentos deve ser selecionado cuida-
Nesse caso, a transformada de Fourier dependente no dosamente. Se os segmentos forem muito longos, as
tempo discutida no Capítulo 10 serve como base para propriedades do sinal de voz mudarão muito ao longo
a análise homomórfica dependente do tempo. Por do segmento. Se os segmentos forem muito curtos,
exemplo, pode ser suficiente examinar segmentos de não haverá sinal suficiente para se obter uma indi-
voz selecionados aproximadamente a cada 10 ms (100 cação pronunciada de periodicidade. Usualmente, o
amostras a uma taxa de amostragem de 10.000 Hz) comprimento do segmento é estabelecido em cerca
para determinar o modo de excitação do modelo de três a quatro vezes o período de pitch médio do
(sonora ou surda) e, para a voz sonora, o período de sinal de voz. Na Figura 13.27 é mostrado um exem-
pitch. Ou podemos querer rastrear a variação das res- plo de como o cepstrum pode ser usado na detecção
sonâncias do trato vocal (formantes). Para esses pro- de pitch e na estimação das frequências de ressonân-
blemas, o cálculo da fase pode ser evitado usando-se cia do trato vocal. Na Figura 13.27(a) mostra-se uma
o cepstrum, que requer apenas o logaritmo da magni- sequência de cepstra calculados para segmentos de
tude da transformada de Fourier. Como o cepstrum é forma de onda de voz selecionados em intervalos de
a componente par do cepstrum complexo, nossa dis- 20 ms. A existência de um pico proeminente em toda
cussão anterior sugere que a porção de baixos tem- a sequência de segmentos de voz indica que a voz era
pos de cx[n] deverá corresponder aos componentes sonora o tempo todo. A localização do pico do ceps-
que variam lentamente na magnitude logarítmica da trum indica o valor do período de pitch em cada inter-
transformada de Fourier do segmento de voz e, para valo de tempo correspondente. Na Figura 13.27(b) é
a voz sonora, o cepstrum deverá conter impulsos em mostrada a magnitude logarítmica com os espectros
múltiplos do período de pitch. Um exemplo aparece suavizados sobrepostos. As linhas conectam estima-
na Figura 13.26. tivas das ressonâncias do trato vocal obtidas por um
Na Figura 13.26(a) mostram-se as operações en- algoritmo heurístico de escolha do pico. (Veja Schafer
volvidas na estimação dos parâmetros de voz usando- e Rabiner, 1970.)
Voz A B C D E
TFD log |·| TFDI TFD
Janela Janela
de dados do cepstrum
(a)
Figura 13.26 (a) Sistema para análise cepstral de sinais de voz. (b) Análise para voz sonora. (c) Análise para voz surda.
0 2 4 6 8 10 12 14 16 18 20 0 1 2 3 4
Tempo (ms) Frequência (kHz)
(a) (b)
Figura 13.27 (a) Cepstra e (b) espectros logarítmicos para segmentos sequenciais de voz sonora.
13.2. Sejam x1[n] e x2[n] duas sequências, e x̂1[n] e x̂2[n], seus 13.9. As equações 13.65 e 13.68 são relações recursivas que
cepstra complexos correspondentes. Se x1[n] * x2[n] = podem ser usadas para calcular numericamente o ceps-
δ[n], determine a relação entre x̂1[n] e x̂2[n]. trum complexo x̂[n] quando a sequência de entrada x[n]
13.3. Ao considerar a implementação de sistemas homomór- é de fase mínima e de fase máxima, respectivamente.
ficos para convolução, restringimos nossa atenção a si- (a) Use a Equação 13.65 para calcular recursivamente
nais de entrada com transformadas z racionais na forma o cepstrum complexo da sequência x[n] = anu[n],
da Equação 13.32. Se uma sequência de entrada x[n] sendo |a| < 1.
tiver uma transformada z racional, mas tiver uma cons- (b) Use a Equação 13.68 para calcular recursivamente
tante de ganho negativa ou uma quantidade de atraso o cepstrum complexo da sequência x[n] = δ[n] −
não representada pela Equação 13.32, então podemos aδ[n + 1], sendo |a| < 1.
obter uma transformada z da forma da Equação 13.32 13.10. ARG{X(ejω)} representa o valor principal da fase
deslocando x[n] de modo apropriado e multiplicando-o de X(ejω), e arg{X(ejω)} representa a fase contínua de
por −1. O cepstrum complexo pode, então, ser calculado X(ejω). Suponha que ARG{X(ejω)} tenha sido amostra-
usando a Equação 13.33.
do nas frequências ωk = 2πk/N para obter ARG{X[k]}
Suponha que x[n] = δ[n] − 2δ[n − 1], e defina y[n] = = ARG{X(ej (2π/N)k)}, como mostrado na Figura P13.10.
αx[n − r], sendo α = ±1 e r um inteiro. Determine α e r Supondo que |arg{X[k]} − arg{X[k − 1]}| < π para todo
tais que Y(z) tenha a forma da Equação 13.32, e então k, determine e represente graficamente a sequência
encontre ŷ[n].
r[k] como na Equação 13.49 e arg{X[k]} para 0 ≤ k ≤ 10.
13.4. Na Seção 13.5.1, enunciamos que as contribuições de
fase linear devem ser removidas da curva de fase de- ARG{X[k]}
senrolada antes do cálculo do cepstrum complexo. Este
problema trata do efeito de não remover o componente π
de fase linear devido ao fator zr na Equação 13.29.
Especificamente, suponha que a entrada do sistema ca-
racterístico para a convolução seja x[n] = δ[n + r]. Mos-
tre que a aplicação formal da definição da transformada
de Fourier
k
1 π 5 10
x̂[n] = log[X(ej ω )]ej ωn dω (P13.4-1)
2π −π
leva a
cos(π n)
r , n = 0,
x̂[n] =
0, n n = 0. −π
e que uma sequência estável y[n] tenha cepstrum com- Suponha que o cepstrum complexo da entrada x[n] seja
plexo ŷ[n] = x̂[−n], sendo x̂[n] o cepstrum complexo de x̂[n] = δ[n] + δ[n − 1]. Encontre uma expressão fechada
x[n]. Determine y[n]. para h1[n] tal que a saída seja y[n] = δ[n].
S1 S2
[n]
Figura P13.12
Figura P13.14
13.13. O cepstrum complexo de um sinal de comprimento
finito x[n] é calculado como mostra a Figura P13.13-1. 13.15. Pode-se mostrar (veja o Problema 3.50) que, se x[n] = 0
Suponha que saibamos que x[n] é de fase mínima (to- para n < 0, então
dos os polos e zeros estão dentro da circunferência uni- x[0] = lim X(z).
tária). Usamos o sistema mostrado na Figura P13.13-2 z→∞
para encontrar o cepstrum real de x[n]. Explique como Esse resultado foi chamado de teorema do valor inicial
construir x̂[n] a partir de cx[n]. para sequências laterais direitas.
(a) Prove um resultado similar para as sequências la-
x[n] x̂[n] terais esquerdas, isto é, para sequências tais que
TFTD
TFTD log[X(e jω)] x[n] = 0 para n > 0.
Inversa
(b) Use os teoremas do valor inicial para provar que
x̂[0] = log(x[0]) se x[n] for uma sequência de fase
Figura P13.13-1 mínima.
(c) Use os teoremas do valor inicial para provar que
x̂[0] = log(x[0]) se x[n] for uma sequência de fase
x[n] cx[n] máxima.
TFTD
TFTD log|X(e jω)| (d) Use os teoremas do valor inicial para provar que
Inversa
x̂[0] = log |A| quando X(z) é dado pela Equação
13.32. Esse resultado é consistente com os resulta-
Figura P13.13-2 dos dos itens (b) e (c)?
1 3.16. Considere uma sequência x[n] com cepstrum complexo
13.14. Considere a classe de sequências que são reais e está- x̂[n], tal que x̂[n] = −x̂[−n]. Determine a quantidade
veis e cujas transformadas z são da forma ∞
Mi Mo E= x 2 [n].
(1 − akz−1 ) (1 − bkz) n=−∞
k=1 k=1 13.17. Considere uma sequência real, estável, par e bilateral
X(z) = |A| ,
Ni No h[n]. A transformada de Fourier de h[n] é positiva para
(1 − ckz−1 ) (1 − dkz) todo ω, isto é,
k=1 k=1
H(ejω) > 0, −π < ω ≤ π.
em que |ak|, |bk|, |ck|, |dk| < 1. Seja x̂[n] o cepstrum com-
Suponha que a transformada z de h[n] exista. Não supo-
plexo de x[n].
nha que H(z) seja racional.
(a) Seja y[n] = x[−n]. Determine ŷ[n] em termos de
(a) Mostre que existe um sinal de fase mínima g[n], tal
x̂[n].
que
(b) Se x[n] é causal, ele também é de fase mínima? Ex-
plique. H(z) = G(z)G(z−1),
(c) Suponha que x[n] seja uma sequência de duração
em que G(z) é a transformada z de uma sequência
finita, de modo que
g[n], que tem a propriedade de que g[n] = 0 para
Mi Mo n < 0. Enuncie explicitamente a relação entre ĥ[n]
X(z) = |A| (1 − akz−1 ) (1 − bkz), e ĝ[n], os cepstra complexos de h[n] e g[n], respec-
k=1 k=1 tivamente.
(b) Dado um sinal estável s[n], com transformada z ra-
com |ak| < 1 e |bk| < 1. A função X(z) tem zeros no
cional
interior e fora da circunferência unitária. Supo-
nha que queiramos determinar y[n] de modo que (1 − 2z−1 )(1 − 21 z−1 )
|Y(ejω)| = |X(ejω)| e Y(z) não tenha zeros fora da cir- S(z) = .
(1 − 4z−1 )(1 − 13 z−1 )
cunferência unitária. Uma abordagem que alcança
esse objetivo é representada pela Figura P13.14. De- Defina h[n] = s[n] * s[−n]. Encontre G(z) (como
termine a sequência requerida [n]. Uma possível no item (a)) em termos de S(z).
aplicação do sistema na Figura P13.14 é estabilizar (c) Considere o sistema na Figura P13.17, em que [n]
um sistema instável aplicando-se a transformação é definido como
da Figura P13.14 à sequência de coeficientes do de-
nominador da função de sistema. [n] = u[n − 1] + (−1)nu[n − 1].
Determine as condições mais gerais sobre x[n] de (a) Determine o cepstrum complexo ĥ[n] para essa se-
forma que y[n] = x[n] para todo n. quência. Esboce o resultado.
(b) Determine e esboce o cepstrum ch[n].
x[n] jω Transformada (c) Suponha que uma aproximação para o cepstrum
Transformada X(e ) log |X(e jω)| de Fourier complexo seja calculada usando TFDs de N pon-
de Fourier inversa
tos, como nas equações 13.46(a) a (c). Obtenha
uma expressão em forma fechada para a aproxi-
mação ĥp[n], 0 ≤ n ≤ N − 1, para o caso n0 = N/6.
[n] Suponha que o desenrolamento da fase possa ser
feito com precisão. O que ocorre se N não for divi-
sível por n0?
y[n] Transformada
Exponencial Transformada (d) Repita o item (c) para a aproximação do cepstrum
de Fourier
inversa complexa de Fourier cxp[n], 0 ≤ n ≤ N − 1, como calculado a partir das
equações 13.60(a) e (b).
(e) Se o maior impulso na aproximação do cepstrum
Figura P13.17
cxp[n] deve ser usado para detectar o valor do atra-
so de eco n0, qual deve ser o comprimento N para
13.18. Considere um sinal de fase máxima x[n].
evitar ambiguidade? Suponha que o desenrola-
(a) Mostre que o cepstrum complexo x̂[n] de um si- mento de fase possa ser alcançado com esse valor
nal de fase máxima é relacionado ao seu cepstrum de N.
cx[n] por
1 3.23. Seja x[n] uma sequência de fase mínima com compri-
x̂[n] = cx[n] máx[n], mento finito e cepstrum complexo x̂[n], e defina y[n]
como
em que máx[n] = 2u[−n] − δ[n].
(b) Usando as relações do item (a), mostre que y[n] = αnx[n]
quências e compare seus gráficos com aqueles da Mostre que o cepstrum complexo de xe[n] é dado por
Figura 13.19.
x̂[n/N ], n = 0, ±N, ±2N, . . . ,
(b) Na segunda decomposição, X(z) = Xmn(z)Xmx(z), x̂e [n] =
0, caso contrário.
em que
13.29. Em análise, síntese e codificação de voz, o sinal de
z−1 (1 + 0,9z−15 + 0,81z−30 ) voz comumente é modelado em um curto intervalo
Xmn(z) =
(1 − 0,9ej π/ 6 z−1 )(1 − 0,9e−j π/ 6 z−1 ) de tempo como a resposta de um sistema LIT exci-
tado por uma excitação que comuta entre um trem
e de pulsos igualmente espaçados para sons sonoros e
Xmx(z) = (0,98z + 1). uma fonte de ruído aleatório de banda larga para sons
Use a expansão em série de potências dos termos surdos. Para usar a desconvolução homomórfica para
logarítmicos para encontrar os cepstra complexos e separar os componentes do modelo de voz, o sinal de
mostre que x̂mn[n] Z x̂mín[n], mas que x̂[n] = x̂mn[n] voz s[n] = v[n] * p[n] é multiplicado por uma sequên-
+ x̂mx[n] é o mesmo que do item (a). Note que cia janelada w[n] para se obter x[n] = s[n]w[n]. Para
simplificar a análise, x[n] é aproximado por
(1 − (0,9)3 z−45 )
(1 + 0,9z−15 + 0,81z−30 ) = . x[n] = (v[n] * p[n]) · w[n] v[n] * (p[n] · w[n])
(1 − 0,9z−15 )
= v[n] * pw [n]
13.26. Suponha que s[n] = h[n] * g[n] * p[n], sendo h[n] uma
sequência de fase mínima, g[n] uma sequência de fase em que pw[n] = p[n]w[n], como na Equação 13.123.
máxima, e p[n] (a) Dê exemplos de p[n], v[n] e w[n] para os quais a hi-
4 pótese anterior possa ser uma aproximação ruim.
p[n] = αkδ[n − kn0], (b) Uma abordagem para estimar os parâmetros de
k=0 excitação (decisão sonoro/surdo e espaçamento
entre os pulsos para a voz sonora) consiste em
em que αk e n0 não são conhecidos. Desenvolva um mé-
calcular o cepstrum real cx[n] do segmento janela-
todo para separar h[n] de s[n].
do da voz x[n] como indicado na Figura P13.29-1.
Para o modelo da Seção 13.10.1, expresse cx[n]
Problemas de extensão em termos do cepstrum complexo x̂[n]. Como
13.27. Seja x[n] uma sequência com transformada z X(z) e você usaria cx[n] para estimar os parâmetros de
cepstrum complexo x̂[n]. A função magnitude quadrá- excitação?
tica para X(z) é
x[n] cx[n]
V(z) = X(z) X* (1/z*). F |·| log F −1
Neste apêndice, reunimos e resumimos uma sé- para sinais de tempo discreto, o índice n está associado
rie de resultados e estabelecemos a notação relativa ao índice de tempo. Em outras palavras, supomos que
à representação dos sinais aleatórios. Não tentamos o valor de cada amostra x[n] de um sinal aleatório é
aqui fornecer uma discussão detalhada de questões resultado de um mecanismo sujeito a uma lei da proba-
matemáticas difíceis e sutis referentes à teoria sub- bilidade. Uma variável aleatória individual xn é descrita
jacente. Embora nossa abordagem não seja rigorosa, pela função de distribuição de probabilidade
resumimos os resultados importantes e as hipóteses Px (xn, n) = Probabilidade [xn ≤ xn], (A.1)
matemáticas implícitas nas suas deduções. A apresen- n
tação detalhada da teoria de sinais aleatórios pode em que xn denota a variável aleatória e xn é um valor em
ser encontrada em textos como Davenport (1970), Pa- particular de xn.1 Se xn assumir toda uma faixa contínua
poulis (1984), Gray e Davidson (2004), Kay (2006) e de valores, isso é especificado de modo equivalente pela
Bertsekas e Tsitsiklis (2008). função densidade de probabilidade
∂Pxn (xn , n)
px (x , n) = , (A.2)
A.1 Processos aleatórios de n n ∂xn
tempo discreto ou pela função distribuição de probabilidade
xn
O conceito fundamental na representação mate-
Pxn (xn , n) = p xn (x, n)dx. (A.3)
mática dos sinais aleatórios é o de um processo aleató- −∞
rio. Em nossa discussão dos processos aleatórios como A interdependência de duas variáveis aleatórias
modelos para sinais de tempo discreto, assumimos que xn e xm de um processo aleatório é descrita pela função
o leitor esteja familiarizado com os conceitos básicos de distribuição de probabilidade conjunta
probabilidade, como variáveis aleatórias, distribuições
de probabilidade e médias. Px ,x (xn, n, xm, m) = Probabilidade [xn ≤ xn e xm ≤ xm]
n m
(A.4)
No uso do modelo de processo aleatório em aplica-
ções práticas de processamento de sinais, consideramos e pela função densidade de probabilidade conjunta
uma sequência particular como uma de um conjunto de
∂ 2 Pxn , xm (xn , n, x m, m)
sequências-amostras. Dado um sinal de tempo discreto, px (x , n, xm, m) = . (A.5)
n,xm n ∂xn ∂xm
a estrutura, isto é, a lei de probabilidade subjacente, do
processo aleatório correspondente, geralmente não é Duas variáveis aleatórias são estatisticamente inde-
conhecida e deve ser inferida de alguma forma. Talvez pendentes se o conhecimento do valor de uma não afeta
seja possível fazer suposições razoáveis sobre a estru- a densidade de probabilidade da outra. Se todas as va-
tura do processo, ou então estimar as propriedades da riáveis aleatórias de um conjunto de variáveis aleatórias,
representação de um processo aleatório a partir de um {xn}, forem estatisticamente independentes, então
segmento finito de uma sequência-amostra típica. Px (xn, n, xm, m) = Px (xn, n) ¹ Px (xm, m) m Z n.
n,xm n m
Formalmente, um processo aleatório é uma família
(A.6)
indexada de variáveis aleatórias {xn} caracterizada por
um conjunto de funções de distribuição de probabilida- Uma caracterização completa de um processo
de que, em geral, podem ser função do índice n. No uso aleatório requer a especificação de todas as possíveis
do conceito de um processo aleatório como um modelo distribuições de probabilidade conjuntas. Como indica-
1 Neste apêndice, o texto em negrito é usado para denotar as variáveis aleatórias, e o texto normal denota variáveis argumentos das funções
de probabilidade.
mos anteriormente, essas distribuições de probabilida- somatórios sobre todos os valores possíveis da variável
de podem ser uma função dos índices de tempo m e n. aleatória. Nesse caso, E {g(x)} tem a forma
No caso em que todas as distribuições de probabilidade
E{g(xn )} = g(x)p̂ xn (x, n). (A.10)
são independentes de um deslocamento da origem de
x
tempo, diz-se que o processo aleatório é estacionário.
Nos casos em que estamos interessados na rela-
Por exemplo, a distribuição de segunda ordem de um
ção entre múltiplos processos aleatórios, temos de nos
processo estacionário satisfaz
preocupar com múltiplos conjuntos de variáveis aleató-
Px (x , n + k, xm+k, m + k) = Px x (xn, n, xm, m) rias. Por exemplo, para dois conjuntos de variáveis alea-
n+k,xm+k n+k n m
tórias, {xn} e {ym}, o valor esperado de uma função das
para todo k. (A.7) duas variáveis é definido como
Em muitas das aplicações do processamento de ∞ ∞
sinais de tempo discreto, processos aleatórios servem E{g(x , y )} = g(x, y)p xn , ym (x, n, y, m)dx dy,
n m
−∞ −∞
como modelos para sinais no sentido de que um sinal (A.11)
em particular pode ser considerado uma sequência
sendo px ,y (xm, n, ym, m) a densidade de probabilida-
‑amostra de um processo aleatório. Embora os detalhes n m
de conjunta das variáveis aleatórias xn e ym.
desses sinais sejam impredizíveis — tornando inade-
O operador de esperança matemática é um opera-
quada uma abordagem determinista para a represen-
dor linear; isto é, pode-se mostrar que
tação dos sinais —, certas propriedades de médias es-
tatísticas do conjunto podem ser determinadas, dada a E{xn + ym} = E{xn} + E{ym}; isto é, a média de uma
1.
lei de probabilidade do processo. Essas propriedades de soma é a soma das médias.
médias estatísticas muitas vezes servem como uma ca- E{axn} = aE{xn}; isto é, a média de uma constante
2.
racterização útil, embora incompleta, desses sinais. vezes xn é igual à constante vezes a média de xn.
Em geral, a média de um produto de duas va-
A.2 Valores esperados riáveis aleatórias não é igual ao produto das médias.
Muitas vezes é útil caracterizar uma variável alea- Quando essa propriedade é válida, porém, as duas va-
tória por médias estatísticas como média e variância. riáveis aleatórias são ditas linearmente independentes,
Como um processo aleatório é um conjunto indexado ou não correlacionadas. Isto é, xn e ym são linearmente
de variáveis aleatórias, de modo similar podemos carac- independentes ou não correlacionadas se
terizar o processo por médias estatísticas das variáveis E{xnym} = E{xm} · E{ym}. (A.12)
aleatórias que compõem o processo aleatório. Essas
médias estatísticas são chamadas de médias de conjun- É fácil ver, a partir das equações A.11 e A.12, que
to. Começamos a discussão de valores esperados com uma condição suficiente para a independência linear é
algumas definições. px (xn, n, ym, m) = px (xn, n) · py (ym, m).
n,ym n m
(A.13)
A.2.1 Definições
A média de um processo aleatório é definida como Contudo, a Equação A.13 é um enunciado mais
forte de independência do que a Equação A.12. Como
∞
mxn = E{xn } = xp xn (x, n)dx, (A.8) afirmamos anteriormente, as variáveis aleatórias que
−∞ satisfazem a Equação A.13 são ditas estatisticamente
em que E denota um operador chamado esperança mate- independentes. Se a Equação A.13 for válida para to-
mática. Em geral, a média (valor esperado) pode depen- dos os valores de n e m, os processos aleatórios {xn} e
der de n. Além disso, se g(·) é uma função unívoca, então {ym} são ditos estatisticamente independentes. Proces-
g(xn) é uma variável aleatória, e o conjunto de variáveis sos aleatórios estatisticamente independentes também
aleatórias {g(xn)} define um novo processo aleatório. são linearmente independentes, mas a recíproca não é
Para calcular médias desse novo processo, podemos de- verdadeira: a independência linear não implica inde-
duzir distribuições de probabilidade das novas variáveis pendência estatística.
aleatórias. Alternativamente, pode-se mostrar que Pode-se notar, a partir das equações A.9-A.11, que
∞ as médias geralmente são funções do índice de tempo.
E{g(xn )} = g(x)p xn (x, n)dx. (A.9) Para processos estacionários, a média é a mesma para
−∞ todas as variáveis aleatórias que constituem o processo;
Se as variáveis aleatórias são discretas — isto é, se isto é, a média de um processo estacionário é uma cons-
elas têm valores digitalizados —, as integrais se tornam tante, que denotaremos simplesmente por mx.
Além da média de um processo aleatório, como a aleatórios diferentes é obtida a partir da sequência de
definida na Equação A.8, diversas outras médias esta- correlação cruzada. Se {xn} e {ym} são dois processos
tísticas são particularmente importantes no contexto do aleatórios, sua correlação cruzada é
processamento de sinais. Elas são definidas em seguida.
φxy[n, m] = E{xnym
*}
Por conveniência de notação, assumimos que as dis-
∞ ∞
tribuições de probabilidade são contínuas. Definições
= xy * p xn , ym (x, n, y, m)dx dy,
correspondentes para processos aleatórios discretos −∞ −∞
podem ser obtidas aplicando a Equação A.10. (A.20)
O valor quadrático médio de xn é a média de |xn|2; sendo px ,y (x, n, y, m) a densidade de probabilidade
n m
isto é, conjunta de xn e ym. A função de covariância cruzada é
∞ definida como
E{|xn |2 } = média quadrática = |x|2 p xn (x, n)dx.
−∞
γxy[n, m] = E{(xn − mx )(ym − my )*}
n m
(A.14) mx m*y .
= φxy[n, m] −
n m
(A.21)
O valor quadrático médio às vezes é chamado de
potência média. Como já evidenciamos, as propriedades estatísti-
cas de um processo aleatório geralmente variam com
A variância de xn é o valor quadrático médio de
o tempo. Porém, um processo aleatório estacionário é
[xn − mx ]; isto é,
n caracterizado por uma condição de equilíbrio em que
var[xn] = E{|(xn − mx )|2} = σx2 . (A.15) as propriedades estatísticas são invariantes a um deslo-
n n
Como a média de uma soma é a soma das médias, camento da origem do tempo. Isso significa que a distri-
segue que a Equação A.15 pode ser escrita como buição de probabilidade de primeira ordem é indepen-
dente do tempo. De modo similar, todas as funções de
var[xn] = E{|xn|2} − |mx |2. (A.16) probabilidade conjunta também são invariantes a um
n
Em geral, o valor quadrático médio e a variância deslocamento da origem de tempo; isto é, as distribui-
são funções do tempo; porém, eles são constantes para ções de probabilidade conjunta de segunda ordem de-
processos estacionários. pendem apenas da diferença dos instantes de tempo (m
— n). As médias estatísticas de primeira ordem, como
A média, a média quadrática e a variância são
a média e a variância, são independentes do tempo; as
médias estatísticas simples que fornecem apenas uma
médias estatísticas de segunda ordem, como a autocor-
pequena quantidade de informação sobre um processo.
relação φxx[n, m], são dependentes da diferença dos
Uma média estatística mais útil é a sequência de auto-
instantes de tempo (m — n). Assim, para um processo
correlação, definida como
estacionário, podemos escrever
φxx[n, m] = E{xnx*m}
mx = E{xn}, (A.22)
∞ ∞
= *
xn xm p xn , xm (xn , n, x m, m)dxn dxm, σx2 = E{|(xn − mx)|2}, (A.23)
−∞ −∞
(A.17) ambas independentes de n. Se agora denotarmos a dife-
*
em que denota conjugação complexa. A sequência rença dos instantes de tempo por m, teremos
de autocovariância de um processo aleatório é defi- φxx[n + m, n] = φxx[m] = E{xn+mx*n}. (A.24)
nida como
Ou seja, a sequência de autocorrelação de um pro-
γxx[n, m] = E{(xn − mx )(xm − mx )*}, (A.18) cesso aleatório estacionário é uma sequência unidimen-
n m
que pode ser escrita como sional e função da diferença entre instantes de tempo m.
Em muitos casos, encontramos processos aleató-
γxx[n, m] = φxx[n, m] − mx m*x . (A.19) rios que não são estacionários em sentido estrito — isto
n m
Note que, em geral, tanto a autocorrelação quanto é, suas distribuições de probabilidade não são invarian-
a autocovariância são sequências bidimensionais, isto é, tes no tempo — mas as equações A.22-A.24 ainda são
funções de duas variáveis discretas. válidas. Esses processos aleatórios são considerados es-
A sequência de autocorrelação é uma medida da tacionários em sentido amplo.
dependência entre valores dos processos aleatórios em
diferentes instantes de tempo. Nesse sentido, ela des- A.2.2 Médias temporais
creve parcialmente a variação de um sinal aleatório no Em um contexto de processamento de sinais, a no-
tempo. Uma medida da dependência entre dois sinais ção de um conjunto de sinais é um conceito matemático
conveniente, que nos permite usar a teoria da probabi- O operador de média temporal · tem as mes-
lidade para representar os sinais. Porém, em uma situa- mas propriedades do operador de média de conjunto
ção prática, sempre temos à disposição, no máximo, um E{·}. Assim, geralmente não fazemos distinção entre a
número finito de sequências de comprimento finito em variável aleatória xn e seu valor em uma sequência
vez de um conjunto infinito de sequências. Por exemplo, ‑amostra, x[n]. Por exemplo, a expressão E{x[n]} deve
desejamos inferir a lei da probabilidade ou certas mé- ser interpretada como E{xn} = x[n]. Em geral, para
dias estatísticas da representação por processo aleatório processos ergódicos, médias temporais são iguais a mé-
a partir de medidas em um único membro do conjunto. dias de conjunto.
Quando as distribuições de probabilidade são indepen- Na prática, é comum supor que determinada se-
dentes do tempo, a intuição sugere que a distribuição quência é uma sequência-amostra de um processo alea-
de amplitude (histograma) de um segmento longo de tório ergódico, de modo que as médias podem ser cal-
uma sequência individual de amostras deve ser aproxi- culadas a partir de uma única sequência. É claro que,
madamente igual à densidade de probabilidade única geralmente, não podemos calcular com os limites das
que descreve cada uma das variáveis aleatórias do mo- equações A.27 e A.28, mas, em vez disso, as quantidades
delo de processo aleatório. De modo similar, a média
L−1
aritmética de um grande número de amostras de uma 1
m̂x = x[n], (A.29)
única sequência deverá ser muito próxima da média do L
n=0
processo. Para formalizar essas noções intuitivas, defini- L−1
mos a média temporal de um processo aleatório como 1
σ̂x2 = |x[n] − m̂x |2 (A.30)
L
L
n=0
1
xn lim xn . (A.25) e
L→∞ 2L + 1
n=−L
L−1
1
De modo similar, a sequência de autocorrelação é x[n + m]x * [n L = x[n + m]x * [n] (A.31)
L
definida como n=0
L
ou quantidades similares muitas vezes são calculadas
1 como estimativas da média, variância e autocorrelação.
xn+mx*n lim xn+mx*n . (A.26)
L→∞ 2L + 1 As estimativas m̂x e σ̂x2 são referidas como média amos-
n=−L
tral e variância amostral, respectivamente. A estimação
Pode-se mostrar que os limites anteriores existem das médias de um processo aleatório a partir de um seg-
se {xn} for um processo estacionário com média finita.
mento finito de dados é um problema de estatística que
Como definido nas equações A.25 e A.26, essas médias
vimos resumidamente no Capítulo 10.
temporais são funções de um conjunto infinito de va-
riáveis aleatórias e, assim, são apropriadamente vistas
como variáveis aleatórias por si sós. Porém, sob a con-
A.3 Propriedades de sequências
dição conhecida como ergodicidade, as médias tempo- de correlação e covariância de
rais nas equações A.25 e A.26 são iguais a constantes no processos estacionários
sentido de que as médias temporais de quase todas as
sequências-amostras possíveis são iguais à mesma cons- Várias propriedades úteis das funções de correla-
tante. Além disso, elas são iguais à média de conjunto ção e covariância seguem diretamente das definições.
correspondente.2 Ou seja, para qualquer sequência- Essas propriedades são apresentadas nesta seção.
-amostra única {x[n]} para −∞ < n < ∞, Considere dois processos aleatórios estacionários
L
{xn} e {yn}, sendo sua autocorrelação, autocovariância,
1 correlação cruzada e covariância cruzada dadas, respec-
x[n lim x[n] = E{xn } = mx
L→∞ 2L + 1 tivamente, por
n=−L
(A.27) φxx[m] = E{xn+mx*n}, (A.32)
e
γxx[m] = E{(xn+m − mx)(xn − mx)*}, (A.33)
L
1
x[n + m]x * [n lim x[n + m]x * [n]
L→∞ 2L + 1 φxy[m] = E{xn+my*n}, (A.34)
n=−L
= E{xn+mx*n } = φxx [m].
(A.28) γxy[m] = E{(xn+m − mx)(yn − my)*}, (A.35)
2 Uma afirmação mais precisa é que as variáveis aleatórias xn e xn+mxn* têm médias iguais a mx e φxx[m], respectivamente, e suas variâncias
são nulas.
sendo mx e my as médias dos dois processos. As proprie- A essência desses resultados é que a correlação e
dades a seguir são facilmente deduzidas por manipula- a covariância são sequências de energia finita que ten-
ções simples das definições: dem a desvanecer para grandes valores de m. Assim,
muitas vezes é possível representar essas sequências
Propriedade 1
em termos de suas transformadas de Fourier ou trans-
γxx[m] = φxx[m] − |mx|2, (A.36a) formadas z.
|φxy[m]|2 ≤ φxx[0]φyy[0], (A.39a) xx (ejω) = xx (ejω) + 2π |mx |2δ(ω), |ω| ≤ π,
(A.43a)
|γxy[m]|2 ≤ γxx[0]γyy[0]. (A.39b)
e
Em particular,
xy (ejω) = xy (ejω) + 2π mx my* δ(ω), |ω| ≤ π,
|φxx[m]| ≤ φxx[0], (A.40a)
(A.43b)
|γxx[m]| ≤ γxx[0]. (A.40b)
No caso de processos de média nula (mx = 0 e
my = 0), as funções de correlação e covariância são idênti-
Propriedade 5. Se yn = xn−n , então
0 cas, de modo que xx(ejω) = xx(ejω) e xy(ejω) = xy(ejω).
φyy[m] = φxx[m], (A.41a) Pela equação da transformada de Fourier inversa,
segue que
γyy[m] = γxx[m]. (A.41b)
1 π
jω
Propriedade 6. Para muitos processos aleatórios, as va- γxx [m] = xx (e )ej ωm dω, (A.44a)
2π −π
riáveis aleatórias se tornam não correlacionadas à me-
dida que se tornam mais separadas no tempo. Se isso 1 π
jω
φxx [m] = xx (e )e j ωmdω, (A.44b)
é verdade, 2π −π
Às vezes, para facilitar a notação, é conveniente Exemplo A.1 Potência do ruído na saída de um
definir a quantidade filtro passa-baixas ideal
Pxx(ω) = xx(ejω), (A.46) Suponha que x[n] seja uma sequência ruído branco de
média nula com φxx[m] = σx2δ[m] e espectro de potên-
de modo que as equações A.45(a) e (b) podem ser ex- cia xx(ejω) = σx2 para |ω| ≤ π, e além disso, suponha que
pressas como x[n] seja a entrada de um filtro passa-baixas ideal com
frequência de corte ωc. Então, pela Equação A.51, segue
1 π
E{|x[n]|2 } = Pxx (ω)dω, (A.47a) que a saída y[n] seria um processo ruído branco de banda
2π −π limitada, cujo espectro de potência seria
1 π
σx2 , |ω| < ω c ,
σx2 = Pxx (ω)dω. (A.47b) yy (e
jω) =
2π −π 0, ω c < |ω| ≤ π. (A.53)
Assim, a área sob Pxx(ω) para −π ≤ ω ≤ π é pro- Usando a transformada de Fourier inversa, obtemos a se-
porcional à potência média no sinal. De fato, como dis- quência de autocorrelação
cutimos na Seção 2.10, a integral de Pxx(ω) sobre uma sen(ωc m) 2
banda de frequências é proporcional à potência no φyy [m] = σx . (A.54)
πm
sinal nessa banda. Por esse motivo, a função Pxx(ω) é Agora, usando a Equação A.45(a), obtemos para a potên-
chamada de espectro da densidade de potência ou, sim- cia média na saída,
plesmente, espectro de potência. Quando Pxx(ω) é uma
1 ωc ωc
constante independente de ω, o processo aleatório é E{y 2 [n]} = φyy [0] = σ 2 dω = σx2 .
2π −ωc x π (A.55)
chamado de processo ruído branco ou, simplesmente,
ruído branco. Quando Pxx(ω) é constante sobre uma
banda e nulo fora dela, referimo-nos a ele como ruído
branco de banda limitada. A.5 Uso da transformada z nos cálculos
Pela Equação A.38(a), pode-se mostrar que Pxx(ω) da potência média
= P*xx(ω); isto é, Pxx(ω) é sempre um valor real. Além
Para executar cálculos de potência média usando
disso, para processos aleatórios reais, φxx[m] = φxx[−m], a Equação A.45(a), devemos calcular uma integral do
de modo que, no caso real, Pxx(ω) é real e par; isto é, espectro de potência como fizemos no Exemplo A.1.
Pxx(ω) = Pxx(−ω). (A.48) Embora a integral nesse exemplo fosse fácil de obter,
essas integrais em geral são difíceis de obter como in-
Uma propriedade adicional importante é que o tegrais reais. Porém, um resultado baseado na transfor-
espectro da densidade de potência é não negativo; isto mada z facilita o cálculo da potência média de saída
é, Pxx(ω) ≥ 0 para todo ω. Esse ponto é discutido na Se- no importante caso de sistemas que têm funções de
ção 2.10. sistema racionais.
O espectro da densidade de potência cruzada é de- Em geral, a transformada z pode ser usada para
finido como representar a função de covariância, mas não uma fun-
Pxy(ω) = xy(ejω). (A.49) ção de correlação. Isso porque, quando um sinal tem
valor médio não nulo, sua função de correlação terá
Essa função geralmente é complexa, e pela Equa- um componente constante aditivo que não tem uma
ção A.38(c), segue que representação por transformada z. Porém, quando o
valor médio é nulo, as funções de covariância e corre-
Pxy(ω) = P*yx(ω). (A.50)
lação, evidentemente, são iguais. Se a transformada z
Finalmente, como mostrado na Seção 2.10, se x[n] de γxx[m] existe, então, como γxx[−m] = γ*xx[m], segue
é uma entrada sinal aleatório de um sistema de tem- que, em geral,
po discreto linear invariante no tempo com resposta xx(z) = *xx(1/z*). (A.56)
em frequência H(ejω), e se y[n] é a saída corresponden-
te, então Além disso, como γxx[m] é bilateral e simétrica con-
jugada, segue que a região de convergência de xx(z) de-
yy(ejω) = |H(ejω)|2 xx(ejω) (A.51) verá ter a forma
e 1
ra < |z| <
xy(ejω) = H(ejω) xx(ejω). (A.52) ra
sendo necessariamente 0 < ra < 1. No interessante caso = σx2, de modo que yy(z) = σx2H(z)H*(1/z*). Portanto,
em que xx(z) é uma função racional de z, a Equação a Equação A.57 aplicada à saída do sistema fornece
A.56 implica que os polos e zeros de xx(z) deverão Transformada z inversa de
ocorrer em pares conjugados complexos recíprocos. E{y 2 [n]} = γyy [0] = * * 2
yy (z) = H (z)H (1/z )σx , .
A principal vantagem da representação com a calculada para m = 0
transformada z é que, quando xx(z) for uma função
(A.61)
racional, a potência média do sinal aleatório pode ser
calculada facilmente usando a relação Agora, considere o caso especial de um sistema es-
tável e causal que tenha uma função de sistema racional
E{|x[n] − mx |2 } = σx2 = γxx [0] na forma
Transformada z inversa M
de xx (z), =. (1 − cmz−1 )
calculada em m = 0 m=1
(A.57) H (z) = A |z| > máx{| dk|} ,
N k
−1
É simples calcular o segundo membro dessa equa- (1 − dkz )
ção usando um método baseado na observação de que, k=1 (A.62)
quando xx(z) for uma função racional de z, γxx[m] pode sendo máxk{|dk|} < 1 e M < N. Essa função de sistema
ser calculada para todo m empregando uma expansão poderia descrever a relação entre uma fonte de ruído
em frações parciais. Depois, para obter a potência mé- de arredondamento interna e a saída de um sistema
dia, podemos simplesmente obter γxx[m] para m = 0. implementado com aritmética de ponto fixo. A subs-
A transformada z também é útil na determinação tituição de H(z) pela Equação A.62 na Equação A.58
da autocovariância e da potência média da saída de um resulta em
sistema LIT quando a entrada for um sinal aleatório. A
generalização da Equação A.51 leva a yy (z) = σx2 H (z)H * (1/z * )
M
yy(z) = H(z)H*(1/z*)xx(z), (A.58) *
(1 − cmz−1 )(1 − cm z)
e, pelas propriedades da transformada z e da Equação = σx2 |A|2
m=1
. (A.63)
A.58, segue que a autocovariância da saída é a convolução N
(1 − dkz−1
)(1 − dk* z)
γyy[m] = h[m] * h*[−m] * γxx[m]. (A.59) k=1
Esse resultado é particularmente útil na análise Como assumimos que |dk | < 1 para todo k, todos
do ruído de digitalização, em que precisamos calcular os polos originais estão no interior do círculo unitário
a potência de saída média quando a entrada de uma e, portanto, os outros polos em (dk*)−1 estão nas locali-
equação de diferenças linear é um sinal ruído branco zações recíprocas conjugadas fora do círculo unitário. A
com média nula, com potência média σx2. Como a au- região de convergência para yy(z) é, portanto, máxk |dk
tocovariância dessa entrada é γxx[m] = σx2δ[m], segue | < |z| < mínk |(dk*)−1|. Para tais funções racionais, pode-
que a autocovariância da saída é γyy[m] = σx2(h[m] * mos mostrar que, como M < N, a expansão em frações
h*[−m]), isto é, a covariância da saída é proporcional à parciais tem a forma
autocorrelação determinística da resposta ao impulso
N
do sistema LIT. Por esse resultado, segue que Ak A*k
yy (z) = σx2 − ,
∞ 1 − dkz−1 1 − (dk* )−1 z−1
k=1
E{y 2 [n]} = γyy [0] = σx2 |h[n]|2 . (A.60)
(A.64)
n=−∞
em que os coeficientes são encontrados a partir de
Como uma alternativa ao cálculo da soma dos
quadrados da sequência resposta ao impulso, o que Ak = H (z)H * (1/z * )(1 − dkz−1 ) . (A.65)
pode ser um tanto difícil para sistemas IIR, podemos z=dk
aplicar o método sugerido na Equação A.57 para obter Como os polos em z = dk estão no contorno inter-
E{y2[n]} a partir de uma expansão em frações parciais no da região de convergência, cada um deles correspon-
de yy(z). Lembre-se de que, para uma entrada ruído de a uma sequência lateral direita, enquanto os polos
branco com γxx[m] = σx2δ[m], a transformada z é xx(z) em z = (dk*)−1 correspondem cada um a uma sequência
2 1
yy (z) = σx O resultado do Exemplo A.2 é um exemplo do po-
(1 − rej θ z−1 )(1 − re−j θ z−1 )
der do método de frações parciais na obtenção de fór-
1 mulas de potência média. No Capítulo 6, usamos essa
(A.69)
(1 − re−j θ z)(1 − rej θ z) técnica na análise dos efeitos de digitalização na imple-
da qual, usando a Equação A.65, obtemos mentação de filtros digitais.
As técnicas discutidas no Capítulo 7 para o projeto À medida que o parâmetro N na Equação B.1 au-
de filtros digitais IIR contam com a disponibilidade dos menta, as características do filtro se tornam mais abrup-
projetos de filtros de tempo contínuo apropriados. Nes- tas: isto é, elas permanecem próximas da unidade ao
te apêndice, resumimos brevemente as características de longo da banda de passagem e se tornam próximas de
diversas classes de aproximações de filtro passa-baixas zero mais rapidamente na banda de rejeição, embora a
a que nos referimos no Capítulo 7. Discussões mais de- função da magnitude quadrática na frequência de corte
talhadas sobre essas classes de filtros podem ser encon- c sempre seja igual a meio, em virtude da natureza da
tradas em Guillemin (1957), Weinberg (1975) e Parks e Equação B.1. A dependência da característica do filtro
Burrus (1987), e extensas tabelas de projeto e fórmulas Butterworth com o parâmetro N é indicada na Figura
podem ser encontradas em Zverev (1967). Programas B.2, que mostra |Hc(j)| para diversos valores de N.
de projeto para todas as aproximações de tempo contí- Pela função da magnitude quadrática da Equação
nuo comuns e transformações para filtros digitais estão B.1, observamos, substituindo j = s, que Hc(s)Hc(−s)
disponíveis no MATLAB, Simulink e LabVIEW. deverá ter a forma
1
B.1 Filtros passa-baixas de Butterworth Hc (s)Hc (−s) = 2N
. (B.2)
1+ c)
Filtros passa-baixas de Butterworth são definidos
pela propriedade de que a resposta em magnitude é As raízes do polinômio do denominador (os polos da
maximamente plana na banda de passagem. Para um função da magnitude quadrática), portanto, estão localiza-
filtro passa-baixas de N-ésima ordem, isso significa que das em valores de s que satisfazem 1 + (s/jc)2N = 0; isto é,
as primeiras (2N – 1) derivadas da função da magnitude sk = (−1)1/2N (jc) = ce(jπ/2N)(2k+N−1),
quadrática são nulas em = 0. Outra propriedade é que k = 0, 1, ..., 2N − 1. (B.3)
a resposta em magnitude é monotônica na banda de
passagem e na banda de rejeição. A função da magnitude Assim, existem 2N polos igualmente espaçados
quadrática para um filtro passa-baixas de Butterworth em ângulo sobre uma circunferência de raio c no pla-
de tempo contínuo tem a forma no s. Os polos estão localizados simetricamente em re-
lação ao eixo imaginário. Um polo nunca cai sobre o
1
|Hc |2 = 2N
. (B.1) eixo imaginário, e ele ocorre sobre o eixo real para N
1+ c)
1
|Hc ( j)| 2
1 N=2
1 2 N=4
1 N=8
2
0 c 0 c
Figura B.1 Função da magnitude quadrática para o filtro de Butter Figura B.2 Dependência de características da magnitude de Butter
worth de tempo contínuo. worth com a ordem N.
ímpar, mas não para N par. O espaçamento angular en- aproximação uniformemente pela banda de passagem
tre os polos na circunferência é π/N radianos. Por exem- ou de rejeição (ou ambas). Isso é realizado pela esco-
plo, para N = 3, os polos são espaçados de π/3 radianos, lha de uma aproximação que tenha um comportamento
ou 60 graus, como indicado na Figura B.3. Para determi- equiripple, em vez de um comportamento monotônico.
nar a função de sistema do filtro analógico associado à A classe de filtros de Chebyshev tem a propriedade de
função da magnitude quadrática de Butterworth, reali- a magnitude da resposta em frequência ser equiripple
zamos a fatoração Hc(s)Hc(−s). Os polos da função da na banda de passagem e monotônica na banda de re-
magnitude quadrática sempre ocorrem em pares; isto jeição (chamado de filtro de Chebyshev de tipo I), ou
é, se houver um polo em s = sk, então um polo também ser monotônica na banda de passagem e equiripple na
ocorrerá em s = −sk. Consequentemente, para construir banda de rejeição (um filtro de Chebyshev de tipo II).
Hc(s) a partir da função da magnitude quadrática, esco- A resposta em frequência de um filtro de Chebyshev de
lhemos um polo de cada par desse tipo. Para obter um tipo I é mostrada na Figura B.4. A função da magnitude
filtro estável e causal, devemos escolher todos os polos quadrática para esse filtro tem a forma
no semiplano esquerdo do plano s. 1
Com essa abordagem, Hc(s) seria |Hc |2 = , (B.4)
1 + ε 2 VN2 c)
3
Hc (s) = c
, em que VN(x) é o polinômio Chebyshev de N-ésima or-
(s + c )(s − c ej2π/ 3 )(s − ce
−j2π/ 3 )
dem definido como
que pode ser escrito como VN (x) = cos(N cos−1 x). (B.5)
3
Hc (s) = c
. Por exemplo, para N = 0, V0(x) = 1; para N = 1, V1(x)
s3 +2 c s2 +2 cs + 3
c = cos(cos−1 x) = x; para N = 2, V2(x) = cos(2 cos−1 x) =
2x2 − 1; e assim por diante.
Em geral, o numerador de Hc(s) seria Nc para ga-
rantir que |Hc(0)| = 1. Pela Equação B.5, que define os polinômios de
Chebyshev, é simples obter uma fórmula de recorrên-
cia a partir da qual VN+1(x) pode ser obtido de VN(x) e
Im
VN−1(x). Aplicando identidades trigonométricas à
plano s
Equação B.5, segue que
c
VN+1(x) = 2xVN (x) − VN−1(x). (B.6)
60° Pela Equação B.5, notamos que VN2 (x) varia entre
zero e a unidade para 0 < x < 1. Para x > 1, cos−1 x é imagi-
nário, de modo que VN(x) se comporta como um cosseno
Re hiperbólico e, consequentemente, aumenta monotonica-
mente. Em relação à Equação B.4, notamos que |Hc(j)|2
possui ondulações (ripples) entre 1 e 1/(1 + ε2) para
0 ≤ /c ≤ 1 e diminui monotonicamente para /c > 1.
Três parâmetros são necessários para especificar o filtro:
ε, c e N. Em um projeto típico, ε é especificado pelo
Figura B.3 Localização dos polos no plano s para a função da magni ripple da banda de passagem admissível e c é especi-
tude quadrática do filtro de Butterworth de terceira ordem. ficado pela frequência de corte da banda de passagem
desejada. A ordem N é então escolhida de modo que as
especificações da banda de rejeição sejam atendidas.
B.2 Filtros de Chebyshev
Em um filtro de Butterworth, a resposta em mag- Hc (j)
nitude é monotônica na banda de passagem e na banda
de rejeição. Consequentemente, se as especificações do 1
1–
filtro forem feitas em termos do erro de aproximação
máximo na banda de passagem e na banda de rejeição,
as especificações são excedidas perto da extremidade
de baixas frequências da banda de passagem e acima
da frequência de corte na banda de rejeição. Uma téc- c
nica mais eficiente, que usualmente leva a um filtro de
ordem mais baixa, consiste em distribuir a precisão da Figura B.4 Aproximação do filtro passa-baixas de Chebyshev de tipo I.
Os polos do filtro Chebyshev se encontram em Essa é a forma analítica para o filtro passa-baixas
uma elipse no plano s. Como mostrado na Figura B.5, de Chebyshev de tipo II. Uma abordagem para o proje-
a elipse é definida por duas circunferências cujos diâ- to de um filtro de Chebyshev de tipo II é primeiro pro-
metros são iguais aos eixos maior e menor da elipse. O jetar um filtro de tipo I e depois aplicar a transformação
comprimento do eixo menor é 2ac, sendo da Equação B.10.
a = 21 (α1/N − α −1/N ) (B.7)
B.3 Filtros elípticos
com
Se distribuirmos o erro uniformemente pela ban-
α = ε−1 + 1 + ε −2 . (B.8) da de passagem inteira ou pela banda de rejeição in-
teira, como nos casos Chebyshev, podemos atender às
O comprimento do eixo maior é 2bc, sendo
especificações de projeto com um filtro de ordem mais
b = 21 (α1/N + α −1/N ). (B.9) baixa do que se permitíssemos uma variação monotôni-
ca do erro nas bandas de passagem e de rejeição, como
Para posicionar os polos do filtro de Chebyshev so-
no caso Butterworth. Notamos que, na aproximação de
bre a elipse, primeiro identificamos os pontos nas circun-
Chebyshev de tipo I, o erro na banda de rejeição di-
ferências maior e menor igualmente espaçados em ângu-
minui monotonicamente com a frequência, criando a
lo com um espaçamento de π/N, de modo que os pontos
possibilidade de mais melhorias se distribuirmos o erro
estejam simetricamente localizados em relação ao eixo
na banda de rejeição uniformemente pela banda de re-
imaginário e de modo que um ponto nunca caia sobre o
jeição. Isso sugere a aproximação do filtro passa-baixas
eixo imaginário e um ponto caia no eixo real para N ím-
na Figura B.6. De fato, pode se mostrar (Papoulis, 1957)
par, mas não para N par. Essa divisão das circunferências
que esse tipo de aproximação (isto é, o erro equiripple
maior e menor corresponde exatamente à maneira em
na banda de passagem e na banda de rejeição) é o me-
que a circunferência é dividida na localização dos polos
lhor que pode ser obtido para uma dada ordem de filtro
de um filtro de Butterworth, como na Equação B.3. Os
N, no sentido de que, para valores dados de p, δ1 e δ2, a
polos de um filtro de Chebyshev caem sobre a elipse,
banda de transição (s − p) é a menor possível.
com a ordenada especificada pelos pontos identificados
sobre a circunferência maior e a abscissa especificada Essa classe de aproximações, chamada de filtros
pelos pontos identificados sobre a circunferência menor. elípticos, tem a forma
Na Figura B.5, os polos são mostrados para N = 3. 1
|Hc |2 = , (B.11)
Um filtro passa-baixas de Chebyshev de tipo II pode 1 + ε2 UN2
ser relacionado a um filtro de tipo I por meio de uma trans-
sendo UN() uma função elíptica jacobiana. Para ob-
formação. Especificamente, se na Equação B.4 substituir-
ter o erro equiripple na banda de passagem e na banda
mos o termo ε2VN2 (/c) por seu recíproco e também subs-
de rejeição, os filtros elípticos devem ter polos e zeros.
tituirmos o argumento de VN2 por seu recíproco, obtemos
Como podemos notar a partir da Figura B.6, esse filtro
1 terá zeros no eixo j do plano s. Uma discussão do pro-
|Hc |2 = . (B.10)
1 + [ε 2 VN2 c ]−1 jeto de filtro elíptico, mesmo em um nível superficial,
está além do escopo deste apêndice. O leitor deverá
consultar os textos de Guillemin (1957), Storer (1957),
π Gold e Rader (1969) e Parks e Burrus (1987) para dis-
3 plano s cussões mais detalhadas.
Hc (j)
1
ac 1 – 1
bc
2
0 p s
Figura B.5 Posição dos polos para a função da magnitude quadrática Figura B.6 Aproximação equiripple na banda de passagem e na
do filtro de Chebyshev passa-baixas de tipo I de terceira ordem. b anda de rejeição.
básicos selecionados
Este apêndice contém as respostas para os primei- (b) yh[n] = A1(1/2)n + A2(1/3)n.
ros 20 problemas básicos dos capítulos 2 a 10. (c) y[n] = 4(1/2)n − 3(1/3)n − 2(1/2)n u[−n − 1]
+ 2(1/3)n u[−n − 1]. Outras respostas
são possíveis.
Respostas dos problemas básicos
a −1 /( 1 − a −1 ), n ≥ −1,
do Capítulo 2 2.10. (a) y[n] =
a n /( 1 − a −1 ), n ≤ −2.
2.1. (a) Sempre (2), (3), (5). Se g[n] for limitado, (1). 1, n ≥ 3,
(b) y[n] =
(b) (3). 2 (n−3) , n ≤ 2.
(c) Sempre (1), (3), (4). Se n0 = 0, (2) e (5). 1, n ≥ 0,
(c) y[n] =
(d) Sempre (1), (3), (4). Se n0 = 0, (5). Se n0 ≥ 0, (2). 2 n , n ≤ −1.
(e) (1), (2), (4), (5). 0, n ≥ 9,
(f) Sempre (1), (2), (4), (5). Se b = 0, (3). (d) y[n] = 1 − 2 (n−9) , 8 ≥ n ≥ −1,
(g) (1), (3). 2 (n+1) − 2 (n−9) , −2 ≥ n.
(h) (1), (5). √
2.11. y[n] = 2 2 sen(π(n + 1)/4).
2.2. (a) N4 = N 0 + N 2, N 5 = N 1 + N 3.
2.12. (a) y[n] = n!u[n].
(b) No máximo N + M − 1 pontos não nulos.
(b) O sistema é linear.
2.3. a −n
, n < 0, (c) O sistema não é invariante no tempo.
y[n] = 1 − a 2.13. (a), (b) e (e) são autofunções de sistemas LIT estáveis.
1
, n ≥ 0. 2.14. (a) (iv).
1−a
2.4. y[n] = 8[(1/2)n − (1/4)n]u[n]. (b) (i).
2.5. (a) yh[n] = A1(2)n + A2(3)n. (c) (iii), h[n] = (1/2)n u[n].
(b) h[n] = 2(3n − 2n)u[n]. 2.15. (a) Não é LIT. Entradas δ[n] e δ[n − 1] violam a IT.
(c) s[n] = [−8(2)(n−1) + 9(3)(n−1) + 1]u[n]. (b) Não causal. Considere x[n] = δ[n − 1].
1 + 2e−j ω + e−j 2ω (c) Estável.
2.6. (a) H (e j ω) = . 2.16. (a) yh[n] = A1(1/2)n + A2(−1/4)n.
1 − 21 e−j ω (b) Causal: hc[n] = 2(1/2)n u[n] + (−1/4)n u[n].
(b) y[n] + –12 y[n − 1] + –34 y[n − 2] = x[n] − –12 x[n − 1] + Anticausal: hac[n] = −2(1/2)n u[−n − 1]
x[n − 3]. − (−1/4)n u[−n − 1].
2.7. (a) Periódico, N = 12. (c) hc[n] é somável em valor absoluto, hac[n], não.
(b) Periódico, N = 8. (d) yp [n] = (1/3)(−1/4)n u[n] + (2/3)(1/2)n u[n] +
(c) Não periódico. 4(n + 1)(1/2)(n+1) u[n + 1].
(d) Não periódico. sen ω M+1
2
2.8. y[n] = 3(−1/2)n u[n] + 2(1/3)n u[n]. 2.17. (a) R (e j ω ) = e−j ωM/ 2 .
sen ω
1 n 1 n 2
2.9. (a) h[n] = 2 − u[n], (b) W(ejω) = (1/2)R(ejω) − (1/4)R(ej(ω−2π/M))
2 3
− (1/4)R (ej (ω+2π/M)).
1 −j ω
3e 2.18. Os sistemas (a) e (b) são causais.
H (e j ω) = 5 −j ω
,
1− 6 e + 16 e−j 2ω 2.19. Os sistemas (b), (c), (e) e (f) são estáveis.
n n 2.20. (a) h[n] = (−1/a)n−1 u[n − 1].
1 1
s[n] = −2 + + 1 u[n]. (b) O sistema será estável para |a| > 1.
2 3
não existe.
(c) x[n] = 4 (− –12 )n u[n] − 3 (− –14 )n u[n], a transformada
de Fourier existe.
(d) x[n] = (− –12 )n u[n], a transformada de Fourier existe.
(e) x[n] = −(a−(n+1))u[n] + a−(n−1)u[n − 1], a transfor- Figura P3.12
mada de Fourier existe se |a| > 1.
1 − z −1 (c)
3.7. (a) H (z) = , |z| > 1.
1 + z −1 Im
(b) RDC{Y(z)} = |z| > 1.
n
(c) y[n] = − 13 1
2 + 1
3 (−1)n u[n].
n n−1
3.8. (a) h[n] = − 43 u[n] − − 43 u[n − 1].
n n
8
(b) y[n] = 13 − 43 u[n] − 8
13
1
3 u[n]. 3
–2 2 Re
3 2
(c) O sistema é estável.
3.9. (a) |z| > (1/2).
(b) Sim. A RDC inclui a circunferência unitária.
1 − 21 z −1
(c) X (z) = , RDC: |z| < 2.
1 − 2z −1
n n
1
(d) h[n] = 2 2 u[n] − − 41 u[n]. Figura P3.12
3.10. (a) |z| > –34.
(b) 0 < |z| < ∞.
2
n
2
(n−1) (b) O mesmo y[n].
(b) h[n] = 3 u[n] − 2 3 u[n − 1].
(c) hc(t) não tem efeito sobre T.
(c) y[n] − –23 y[n − 1] = x[n] − 2x[n − 1]. 4.14. (a) Não.
(b) Sim.
(d) O sistema é estável e causal.
(c) Não.
3.17. h[0] pode ser 0, 1/3 ou 1. Para ser meticulosamente li-
(d) Sim.
teral, h[0] também pode ser 2/3, devido à resposta ao
impulso h[n] = (2/3)(2)n u[n] − (1/3)(1/2)n u[−n − (e) Sim. (Nenhuma informação se perde; porém, o sinal
1], que satisfaz a equação de diferenças, mas não tem não pode ser recuperado pelo sistema na Figura P3.21.)
RDC. Esse sistema não causal sem RDC pode ser im- 4.15. (a) Sim.
plementado como a combinação paralela de seus com- (b) Não.
ponentes causal e anticausal. (c) Sim.
3.18. (a) h[n] = −2δ[n] + –13 (− –12 )n u[n] + –83 u[n]. 4.16. (a) M/L = 5/2, único.
18 n (b) M/L = 2/3; único.
(b) y[n] = — 5
2.
3.19. (a) |z| > 1/2. 4.17. (a) x̃d[n] = (4/3) sen (π n/2) /(π n).
(b) 1/3 < |z| < 2. (b) x̃d[n] = 0.
(c) |z| > 1/3. 4.18. (a) ω0 = 2π/3.
3.20. (a) |z| > 2/3. (b) ω0 = 3π/5.
(b) |z| > 1/6. (c) ω0 = π.
4.19. (a) T ≤ π/0.
Respostas dos problemas básicos 4.20. (a) Fs ≥ 2000 Hz.
(b) Fs ≥ 4000 Hz.
do Capítulo 4
4.1. x[n] = sen(πn/2). Respostas dos problemas básicos
4.2. 0 = 250π, 1750π.
4.3. (a) T = 1/12000. (b) Não único. T = 5/12000.
do Capítulo 5
4.4. (a) T = 1/100. (b) Não único. T = 11/100. 5.1. x[n] = y[n], ωc = π.
4.5. (a) T ≤ 1/10000. (b) 625 Hz. (c) 1250 Hz. 5.2. (a) Polos: z = 3, 1/3, Zeros: z = 0, ∞.
4.6. (a) Hc(j) = 1/(a + j). (b) h[n] = −(3/8)(1/3)n u[n] − (3/8)3n u[−n − 1].
(b) Hd(ejω) = T/(1 − e−aT e−jω). 5.3. (a), (d) são respostas ao impulso.
(c) |Hd(ejω)| = T/(1 + e−αT). 1 − 2z −1
5.4. (a) H (z) = , |z| > 3/4.
4.7. (a) X c = Sc 1 + αe− d ), 1 − 43 z −1
1 jω (b) h[n] = (3/4)n u[n] − 2(3/4)n−1 u[n − 1].
X (e j ω ) = Sc 1 + αe−j ωτ d /T
T T (c) y[n] − (3/4)y[n − 1] = x[n] − 2x[n − 1].
para |ω| ≤ π. (d) Estável e causal.
5.5. (a) y[n]−(7/12)y[n−1]+(1/12)y[n−2] =
(b) H(ejω) = 1 + αe−jωτd/T.
3x[n]−(19/6)x[n−1]+(2/3)x[n−2].
(c) (i) h[n] = δ[n] + αδ[n − 1].
(b) h[n] = 3δ[n] − (2/3)(1/3)n−1u[n − 1] − (3/4)(1/4)n−1
(ii) h[n] = δ[n] + α senπ(n−1/
(π(n−1/ 2))
2) . u[n − 1].
4.8. (a) T ≤ 1/20000. (c) Estável.
(b) h[n] = T u[n]. 1 1
5.6. (a) X (z) = 1 −1
, < |z| < 2.
(c) T X(ejω)|ω=0. (1 − z )(1 − 2z ) −1 2
2
(d) T ≤ 1/10000. (b) –12 < |z| < 2.
4.9. (a) X(ej(ω+π)) = X(ej(ω+π −π)) = X(ejω). (c) h[n] = δ[n] − δ[n − 2].
(b) x[3] = 0. 1 − z −1 3
y[n/ 2], n par, 5.7. (a) H (z) = 1 −1 3 −1
, |z| > .
(1 − 4
(c) x[n] =
0, n ímpar. 2 z )(1 + 4 z )
(b) h[n] = −(2/5)(1/2)n u[n] + (7/5)(−3/4)n u[n].
4.10. (a) x[n] = cos(2π n/3).
(c) y[n] + (1/4)y[n − 1] − (3/8)y[n − 2] =
(b) x[n] = − sen(2π n/3).
x[n] − x[n − 1].
(c) x[n] = sen(2π n/5)/(π n/5000).
5.19. h1[n] : 2, h2[n] : 3/2, h3[n] : 2, h4[n] : 3, h5[n] : 3, h6[n] : 7/2. (d)
5.20. Sistemas H1(z) e H3(z) têm uma fase linear e podem
ser implementados por uma equação de diferenças Figura P6.6
com valor real.
Figura P6.14
–1
2
6.15.
Figura P6.10
x [n] y[n]
(c) Os polos estão em z = −1/2 e z = 1. Como o se- 7 z –1
–
gundo polo está sobre a circunferência unitária, o 6 –1
sistema não é estável.
6.11. (a) 1 z –1 1
–
y [n] 6 2
x[n]
z –1
Figura P6.15
1
2 6.16. (a)
z –1
–6 x[n] y[n]
z –1 1 z –1
–
z –1 2 1 –2
8 4
z –1
Figura P6.11 3
z –1
8
Figura P6.11
15, k = 0, 9.15. m = 1.
−3 + j6, k = 1, 0, m = 1,
(b) H [k] =
−5, k = 2, 0, 4, m = 2,
9.16. r =
−3 − j6, k = 3. 0, 2, 4, 6, m = 3,
(c) y[n] = −3δ[n] − 6δ[n − 1] + 3δ[n − 2] + 6δ[n − 3]. 0, 1, 2, 3, 4, 5, 6, 7, m = 4.
(d) y[n] = −3δ[n] − 6δ[n − 1] + 3δ[n − 2] + 6δ[n − 3]. 9.17. N = 64.
8.13. 9.18. m = 3 ou 4.
2 2 9.19. Dizimação no tempo.
y [n]
9.20. 1021 é primo, de modo que o programa deverá imple-
1 1
mentar as equações de TFD completas e não poderá ex-
–1 0 1 2 3 4 5 plorar nenhum algoritmo de FFT. O tempo de cálculo
corresponde a N2. Em contraste, 1024 é uma potência de
Figura P8.13 2 e poderá explorar o tempo de cálculo N log N da FFT.
ADAMS, J. W.; WILSON, J. A. N. A new approach to FIR BELLANGER, M. Digital processing of signals. 3. ed. Nova
digital filters with fewer multiplies and reduced sensitivi- York: Wiley, 2000.
ty. IEEE Trans. of Circuits and Systems, v. 30, p. 277-283, BENNETT, W. R. Spectra of quantized signals. Bell system te-
maio 1983. chnical J, v. 27, p. 446–472, 1948.
AHMED, N.; NATARAJAN, T.; RAO, K. R. Discrete cosine BERTSEKAS, D.; TSITSIKLIS, J. Introduction to probability.
transform. IEEE Trans. on Computers, v. C-23, p. 90–93, 2. ed. Belmont: Athena Scientific, 2008.
jan. 1974.
BLACKMAN, R. B.; TUKEY, J. W. The measurement of power
ALLEN, J.; RABINER, L. A unified approach to short-time spectra, Nova York: Dover Publications, 1958.
Fourier analysis and synthesis. Proc. IEEE Trans. on Com-
BLACKMAN, R. Linear data-smoothing and prediction in
puters, v. 65, p. 1558–1564, nov. 1977.
theory and practice, Reading: Addison-Wesley, 1965.
ATAL, B. S.; HANAUER, S. L. Speech analysis and synthesis
BLAHUT, R. E. Fast algorithms for digital signal processing,
by linear prediction of the speech wave. J. Acoustical Socie-
Reading: Addison-Wesley, 1985.
ty of America, v. 50, p. 637–655, 1971.
BLUESTEIN, L. I. A linear filtering approach to the com-
ATAL, B. S. Automatic recognition of speakers from their voi-
putation of discrete Fourier transform, IEEE Trans. Audio
ces. IEEE Proceedings, v. 64, n. 4, p. 460– 475, abr. 1976.
Electroacoustics, v. AU-18, p. 451–455, 1970.
ANDREWS, H. C.; HUNT, B. R. Digital image restoration,
BOGERT, B. P.; HEALY, M. J. R.; TUKEY, J. W. The que-
Englewood Cliffs: Prentice Hall, 1977.
frency analysis of times series for echos: cepstrum, pseu-
BAGCHI, S.; MITRA, S. The nonuniform discrete Fourier do-autocovariance, cross-cepstrum, and saphe cracking. In:
transform and its applications in signal processing, Nova ROSENBLATT, M. (ed.). Proc. Symposium on time series
York: Springer, 1999. analysis, Nova York: John Wiley and Sons, 1963.
BARAN, T. A.; OPPENHEIM, A. V. Design and implemen- BOSI, M.; GOLDBERG, R. E., Introduction to digital audio
tation of discrete-time filters for efficient rate-conversion coding and standards, Nova York: Springer Science+Busi-
systems. Proceedings of the 41st annual Asilomar conference ness Media, 2003.
on signals, systems, and computers, Asilomar, 4-7 nov. 2007.
BOVIC, A. Handbook of image and video processing. 2. ed.
BARANIUK, R. Compressive sensing. IEEE Signal Proces- Burlington: Academic Press, 2005.
sing Magazine, v. 24, n. 4, p. 118–121, jul. 2007.
BRACEWELL, R. N. The discrete Hartley transform. J. Opti-
BARNES, C. W.; FAM, A. T. Minimum norm recursive digi- cal Society of America, v. 73, p. 1832–1835, 1983.
tal filters that are free of overflow limit cycles. IEEE Trans.
BRACEWELL, R. N. The fast Hartley transform. IEEE Pro-
Circuits and Systems, v. CAS-24, p. 569–574, out. 1977.
ceedings, v. 72, n. 8, p. 1010–1018, 1984.
BARTELS R. H.; BEATTY, J. C.; BARSKY, B. A. An intro-
BRACEWELL, R. N. Two-dimensional imaging, Nova York:
duction to splines for use in computer graphics and geome-
Prentice Hall, 1994.
tric modeling, San Francisco: Morgan Kauffman, 1998.
BRACEWELL, R. N. The Fourier transform and its applica-
BARTLE, R. G., The elements of real analysis. 3.ed. Nova
tions. 3. ed. Nova York: McGraw-Hill, 1999.
York: John Wiley and Sons, 2000.
BRIGHAM, E. Fast Fourier transform and its applications,
BARTLETT, M. S. An introduction to stochastic processes
Upper Saddle River: Prentice Hall, 1988.
with special reference to methods and applications, Cambri-
dge: Cambridge University Press, 1953. BRIGHAM, E. O.; MORROW, R. E. The fast Fourier trans-
form. IEEE Spectrum, v. 4, p. 63–70, dez. 1967.
BAUMAN, P.; LIPSHITZ, S.; VANDERKOOY, J. Cepstral
analysis of electroacoustic transducers. Proc. Int. Conf. BROWN, J. W.; CHURCHILL, R. V. Introduction to com-
acoustics, speech, and signal processing (ICASSP ’85), v. 10, plex variables and applications. 8. ed. Nova York: McGraw
p. 1832–1835, abr. 1985. -Hill, 2008.
BROWN, R. C. Introduction to random signal analysis and CLAASEN, T. A.; MECKLENBRÄUKER, W. F. On the
Kalman filtering, Nova York: Wiley, 1983. transposition of linear time-varying discrete-time networks
BURDEN, R. L.; FAIRES, J. D. Numerical analysis. 8. ed. and its application to multirate digital systems, Philips J.
Brooks Cole, 2004. Res., v. 23, p. 78–102, 1978.
BURG, J. P. A new analysis technique for time series data. CLAASEN, T. A. C. M.; MECKLENBRÄUKER, W. F. G.;
Proc. NATO Advanced Study Institute on Signal Processing, PEEK, J. B. H. Second-order digital filter with only one
Enschede, 1968. magnitude-truncation quantizer and having practically
no limit cycles. Electronics Letters, v. 9, n. 2, p. 531–532,
BURRUS, C. S. Efficient Fourier Transform and Convolution
nov. 1973.
Algorithms. In: Lim, J. S.; Oppenheim, A. V. (eds.). Advan-
ced Topics in Signal Processing, Englewood Cliffs: Prentice CLEMENTS, M. A.; Pease, J. On causal linear phase IIR digi-
Hall, 1988. tal filters. IEEE Trans. Acoustics, Speech, and Signal Proces-
sing, v. 3, p. 479–484, abr. 1989.
BURRUS, C. S.; Parks, T. W. DFT/FFT and convolution algo-
rithms theory and implementation, Nova York: Wiley, 1985. Committee, PSD, ed., Programs for Digital Signal Processing.
Nova York: IEEE Press, 1979.
BURRUS, C. S.; GOPINATH, R. A.; GUO, H. Introduction
to wavelets and wavelet transforms: a primer, Prentice CONSTANTINIDES, A. G. Spectral transformations for digital
Hall, 1997. filters. IEEE Proceedings, v. 117, n. 8, p. 1585–1590, ago. 1970.
CANDY, J. C.; TEMES, G. C. Oversampling delta-sigma data COOLEY, J. W.; LEWIS, P. A. W.; WELCH, P. D. Historical
converters: theory, design, and simulation, Nova York: IEEE notes on the fast Fourier transform. IEEE Trans. Audio
Press, 1992. Electroacoustics, v. 15, p. 76–79, jun. 1967.
CANDES, E. Compressive sampling. Int. congress of mathe- COOLEY, J. W.; TUKEY, J. W. An algorithm for the machi-
matics, p. 1433–1452, 2006. ne computation of complex Fourier series. Mathematics of
Computation, v. 19, p. 297–301, abr. 1965.
CANDES, E.; WAKIN, M. An introduction to compressive
sampling. IEEE Signal Processing Magazine, v. 25, n. 2, p. CROCHIERE, R. E.; OPPENHEIM, A. V. Analysis of line-
21–30, mar. 2008. ar digital networks. IEEE Proceedings, v. 63, p. 581–595,
abr. 1975.
CAPON, J. Maximum-likelihood spectral estimation. In:
Haykin, S. (ed.). Nonlinear Methods of Spectral Analysis. 2. CROCHIERE, R. E.; RABINER, L. R. Multirate digital sig-
ed. Nova York: Springer-Verlag, 1983. nal processing, Englewood Cliffs: Prentice Hall, 1983.
CARSLAW, H. S. Introduction to the theory of Fourier’s series DANIELS, R. W. Approximation methods for electronic filter
and integrals. 3. ed. Nova York: Dover Publications, 1952. design, Nova York: McGraw-Hill, 1974.
CASTLEMAN, K. R. Digital image processing. 2. ed. Upper DANIELSON, G. C.; LANCZOS, C. Some improvements in
Saddle River: Prentice Hall, 1996. practical Fourier analysis and their application to X-ray
scattering from liquids. J. Franklin Inst., v. 233, p. 365–380 e
CHAN, D. S. K.; RABINER, L. R. An algorithm for minimi-
435–452, abr. e maio 1942.
zing roundoff noise in cascade realizations of finite impulse
response digital filters, Bell System Technical J. v. 52, n. 3, p. DAVENPORT, W. B. Probability and random processes: an
347–385, mar. 1973. introduction for applied scientists and engineers, Nova York:
McGraw-Hill, 1970.
CHAN, D. S. K.; RABINER, L. R. Analysis of quantization
errors in the direct form for finite impulse response digital DAVIS, S. B.; MERMELSTEIN, P. Comparison of parametric
filters. IEEE Trans. Audio Electroacoustics, v. 21, p. 354–366, representations for monosyllabic word recognition. IEEE
ago. 1973. Trans. Acoustics, Speech and Signal Processing, v. ASSP-28,
n. 4, p. 357–366, ago. 1980.
CHELLAPPA, R.; GIROD, B.; MUNSON, D. C.; TEKALP, A.
M.; VETTERLI, M. The past, present, and future of image DELLER, J. R.; HANSEN, J. H. L.; PROAKIS, J. G. Discrete-
and multidimensional signal processing. IEEE Signal Pro- time Processing of Speech Signals, Nova York: Wiley-IEEE
cessing Magazine, v. 15, n. 2, p. 21–58, mar. 1998. Press, 2000.
CHEN, W. H.; SMITH, C. H.; FRALICK, S. C. A fast compu- DONOHO, D. L. Compressed sensing. IEEE Trans. on Infor-
tational algorithm for the discrete cosine transform. IEEE mation Theory, v. 52, n. 4, p. 1289–1306, abr. 2006.
Trans. Commun., v. 25, p. 1004–1009, set. 1977. DUDGEON, D. E.; MERSEREAU, R. M. Two-dimensional di-
CHEN, X.; PARKS, T. W. Design of FIR filters in the complex gital signal processing, Englewood Cliffs: Prentice Hall, 1984.
domain. IEEE Trans. Acoustics, Speech, and Signal Proces- DUHAMEL, P. Implementation of “split-radix” FFT algo-
sing, v. 35, p. 144–153, 1987. rithms for complex, real, and real-symmetric data. IEEE
CHENEY, E. W. Introduction to approximation theory. 2. ed. Trans. Acoustics, Speech, and Signal Processing, v. 34, p.
Nova York: Amer. Math. Society, 2000. 285–295, abr. 1986.
CHOW, Y.; CASSIGNOL, E. Linear signal flow graphs and DUHAMEL, P.; HOLLMANN, H. Split radix FFT algorithm.
applications, Nova York: Wiley, 1962. Electronic Letters, v. 20, p. 14–16, jan. 1984.
CIOFFI, J. M.; KAILATH, T. Fast recursive least-squares trans- EBERT, P. M.; MAZO, J. E.; TAYLOR, M. C. Overflow os-
versal filters for adaptive filtering. IEEE Trans. Acoustics, cillations in digital filters. Bell System Technical J. v. 48, p.
Speech, and Signal Processing, v. 32, p. 607–624, jun. 1984. 2999–3020, 1969.
ELDAR, Y. C.; OPPENHEIM, A. V. Filterbank reconstruc- GROSSMAN, S. Calculus part 2. 5. ed. Fort Worth: Saunders
tion of bandlimited signals from nonuniform and generali- College Publications, 1992.
zed samples. IEEE Trans. on Signal Processing, v. 48, n. 10, GUILLEMIN, E. A. Synthesis of passive networks, Nova York:
p. 2864–2875, out. 2000. Wiley, 1957.
ELLIOTT, D. F.; RAO, K. R. Fast transforms: algorithms, HANNAN, E. J., Time series analysis, London: Methuen, 1960.
analysis, applications, Nova York: Academic Press, 1982.
HARRIS, F. J. On the use of Windows for harmonic analysis
FELLER, W. An introduction to probability theory and its with the discrete Fourier transform. IEEE Proceedings, v.
applications, v. 1 e 2, Nova York: Wiley, 1950. 66, p. 51–83, jan. 1978.
FETTWEIS, A. Wave digital filters: theory and practice. IEEE HAYES, M. H.; LIM, J. S.; OPPENHEIM, A. V. Signal recons-
Proceedings, v. 74, n. 2, p. 270–327, fev. 1986. truction from phase and magnitude. IEEE Trans. Acous-
FLANAGAN, J. L. Speech analysis, synthesis and perception. tics, Speech, and Signal Processing, v. 28, n. 6, p. 672–680,
2. ed. Nova York: Springer-Verlag, 1972. dez. 1980.
FRERKING, M. E. Digital signal processing in communica- HAYES, M. Statistical digital signal processing and modeling,
tion systems, Boston: Kluwer Academic, 1994. Nova York: Wiley, 1996.
FRIEDLANDER, B. Lattice filters for adaptive processing. HAYKIN, S. Adaptive filter theory. 4. ed. Prentice Hall, 2002.
IEEE Proceedings, v. 70, p. 829–867, ago. 1982. HAYKIN, S.; WIDROW, B. Least-mean-square adaptive fil-
FRIEDLANDER, B. Lattice methods for spectral estimation. ters, Hoboken: Wiley-Interscience, 2003.
IEEE Proceedings, v. 70, p. 990–1017, set. 1982. HEIDEMAN, M. T.; JOHNSON, D. H.; BURRUS, C. S. Gauss
FRIGO, M.; Johnson, S. G. FFTW: an adaptive software ar- and the history of the fast Fourier transform. IEEE ASSP
chitecture for the FFT. Proc. Int. Conf. Acoustics, Speech, Magazine, v. 1, n. 4, p. 14–21, out. 1984.
and Signal Processing (ICASSP ’98), v. 3, p. 1381–1384, HELMS, H. D. Fast Fourier transform method of computing
maio 1998. difference equations and simulating filters. IEEE Trans. Au-
FRIGO, M.; JOHNSON, S. G. The design and implementation dio Electroacoustics, v. 15, n. 2, p. 85–90, 1967.
of FFTW3. Proc. of the IEEE, v. 93, n. 2, p. 216–231, fev. 2005. HERRMANN, O. On the design of nonrecursive digital filters
FURUI, S. Cepstral analysis technique for automatic speaker with linear phase. Elec. Lett., v. 6, n. 11, p. 328–329, 1970.
verification. IEEE Trans. Acoustics, Speech, and Signal Pro- HERRMANN, O.; RABINER, L. R.; CHAN, D. S. K. Prac-
cessing, v. ASSP-29, n. 2, p. 254–272, abr. 1981. tical design rules for optimum finite impulse response
GALLAGER, R. Principles of digital communication, Cam- lowpass digital filters. Bell System Technical J., v. 52, n. 6, p.
bridge: Cambridge University Press, 2008. 769–799, jul.–ago. 1973.
GARDNER, W. Statistical spectral analysis: a non-probabilis- HERRMANN, O.; Schüssler, W. Design of nonrecursive di-
tic theory, Englewood Cliffs: Prentice Hall, 1988. gital filters with minimum phase. Elec. Lett., v. 6, n. 6, p.
GENTLEMAN, W. M.; SANDE, G. Fast Fourier transforms for 329–330, 1970.
fun and profit. 1966 Fall Joint Computer Conf., AFIPS Conf. HERRMANN, O.; W. Schüssler. On the accuracy problem in
Proc, v. 29, Washington: Spartan Books, p. 563–578, 1966. the design of nonrecursive digital filters. Arch. Electronic
GOERTZEL, G. An algorithm for the evaluation of finite tri- Ubertragungstechnik, v. 24, p. 525–526, 1970.
gonometric series. American Math. Monthly, v. 65, p. 34–35, HEWES, C. R.; BRODERSON, R. W.; BUSS, D. D. Appli-
jan. 1958. cations of CCD and switched capacitor filter technology.
GOLD, B.; OPPENHEIM, A. V.; RADER, C. M. Theory and IEEE Proceedings, v. 67, n. 10, p. 1403–1415, out. 1979.
implementation of the discrete Hilbert transform. Proc. HNATEK, E. R. A user’s handbook of D/A and A/D conver-
Symp. Computer Processing in Communications, v. 19, Nova ters, Malabar: R. E. Krieger Publishing Co, 1988.
York: Polytechnic Press, 1970.
HOFSTETTER, E.; OPPENHEIM, A. V.; SIEGEL, J. On op-
GOLD, B.; RADER, C. M. Digital processing of signals, Nova timum nonrecursive digital filters, Proc. 9th Allerton Conf.
York: McGraw-Hill, 1969. Circuit System Theory, out. 1971.
GONZALEZ, R. C.; WOODS, R. E. Digital image processing, HUGHES, C. P.; NIKEGHBALI, A. The zeros of ran-
Wiley, 2007. dom polynomials cluster near the unit circle, arXiv:ma-
GOYAL, V. Theoretical foundations of transform coding. th/0406376v3 [math.CV], Disponível em: <http://arxiv.org/
IEEE Signal Processing Magazine, v. 18, n. 5, p. 9–21, PS_cache/math/pdf/0406/0406376v3.pdf>.
set. 2001. HWANG, S. Y. On optimization of cascade fixed point digi-
GRAY, A. H.; MARKEL, J. D. A computer program for de- tal filters. IEEE Trans. Circuits and Systems, v. 21, n. 1, p.
signing digital elliptic filters. IEEE Trans. Acoustics, Speech, 163–166, jan. 1974.
and Signal Processing, v. 24, p. 529–538, dez. 1976. ITAKURA, F. I.; SAITO, S. Analysis-synthesis telephony ba-
GRAY, R. M.; DAVIDSON, L. D. Introduction to statistical sig- sed upon the maximum likelihood method. Proc. 6th Int.
nal processing, Cambridge: Cambridge University Press, 2004. Congress on Acoustics, p. C17–20, Tóquio, 1968.
GRIFFITHS, L. J. An adaptive lattice structure for noise can- ITAKURA, F. I.; Saito, S. A statistical method for estimation
celing applications. Proc. Int. Conf. Acoustics, Speech, and of speech spectral density and formant frequencies. Elec.
Signal Processing (ICASSP ’78), p. 87–90, Tulsa, abr. 1978. and Comm. in Japan, v. 53-A, n. 1, p. 36–43, 1970.
JACKSON, L. B. On the interaction of roundoff noise and dy- KAY, S. M.; MARPLE, S. L. Spectrum analysis: a modern pers-
namic range in digital filters. Bell System Technical J. v. 49, pective. IEEE Proceedings, v. 69, p. 1380–1419, nov. 1981.
p. 159–184, fev. 1970. KEYS, R. Cubic convolution interpolation for digital image
JACKSON, L. B. Roundoff-noise analysis for fixed-point digi- processing. IEEE Trans. Acoustics, Speech and Signal Pro-
tal filters realized in cascade or parallel form. IEEE Trans. cessing, v. 29, n. 6, p. 1153–1160, dez. 1981.
Audio Electroacoustics, v. 18, p. 107–122, jun. 1970. KLEIJN, W. Principles of speech coding. In: Benesty, J.; Son-
JACKSON, L. B. Digital filters and signal processing: with dhi, M.; Huang, Y. (eds.). Springer Handbook of Speech Pro-
MATLAB exercises. 3. ed. Hingham: Kluwer Academic Pu- cessing, p. 283–306, Springer, 2008.
blishers, 1996. KNUTH, D. E. The art of computer programming; seminume-
JACOBSEN, E.; LYONS, R. The sliding DFT. IEEE Signal rical algorithms, v. 2, 3. ed. Reading: Addison-Wesley, 1997.
Processing Magazine, v. 20, p. 74–80, mar. 2003. KOOPMANNS, L. H. Spectral analysis of time series. 2. ed.
JAIN, A. K. Fundamentals of digital image processing, En- Nova York: Academic Press, 1995.
glewood Cliffs: Prentice Hall, 1989. KORNER, T. W. Fourier analysis, Cambridge: Cambridge
JAYANT, N. S.; Noll, P. Digital coding of waveforms, En- University Press, 1989.
glewood Cliffs: Prentice Hall, 1984. LAM, H. Y. F. Analog and digital filters: design and realization,
JENKINS, G. M.; WATTS, D. G. Spectral analysis and its appli- Englewood Cliffs: Prentice Hall, 1979.
cations, San Francisco: Holden-Day, 1968. LANG, S. W.; MCCLELLAN, J. H. A simple proof of stability
JOLLEY, L. B. W. Summation of series, Nova York: Dover Pu- for all-pole linear prediction models. IEEE Proceedings, v.
blications, 1961. 67, n. 5, p. 860–861, maio 1979.
JOHNSTON, J. A filter family designed for use in quadrature LEON-GARCIA, A. Probability and random processes for
mirror filter banks. Proc. Int. Conf. Acoustics, Speech, and electrical engineering. 2. ed. Reading: Addison-Wesley, 1994.
Signal Processing (ICASSP ’80), v. 5, p. 291–294, abr. 1980.
LIGHTHILL, M. J. Introduction to Fourier analysis and gene-
JUANG, B.-H.; RABINER, L. R.; WILPON, J. G. On the use ralized functions, Cambridge: Cambridge University Press,
of bandpass liftering in speech recognition. IEEE Trans. 1958.
Acoustics, Speech, and Signal Processing, v. ASSP-35, n. 7, p.
LIM, J. S. Two-dimensional digital signal processing, En-
947–954, jul. 1987.
glewood Cliffs: Prentice Hall, 1989.
KAISER, J. F. Digital filters. In: Kuo, F. F.; Kaiser, J. F. (eds.), Sys-
LIU, B.; KANEKO, T. Error analysis of digital filters reali-
tem Analysis by Digital Computer, Nova York: Wiley, 1966.
zed in floating-point arithmetic. IEEE Proceedings, v. 57, p.
KAISER, J. F. Nonrecursive digital filter design using the I0- 1735–1747, out. 1969.
sinh window function. Proc. 1974 IEEE International Symp.
LIU, B.; PELED, A. Heuristic optimization of the cascade rea-
on Circuits and Systems, San Francisco, 1974.
lization of fixed point digital filters. IEEE Trans. Acoustics,
KAISER, J. F.; HAMMING, R. W. Sharpening the response of Speech, and Signal Processing, v. 23, p. 464–473, 1975.
a symmetric nonrecursive filter by multiple use of the same
MACOVSKI, A. Medical image processing, Englewood Cliffs:
filter. IEEE Trans. Acoustics, Speech, and Signal Processing,
Prentice Hall, 1983.
v. 25, n. 5, p. 415–422, out. 1977.
MAKHOUL, J. Spectral analysis of speech by linear predic-
KAISER, J. F.; SCHAFER, R. W. On the use of the I0-sinh
tion. IEEE Trans. Audio and Electroacoustics, v. AU-21, n. 3,
window for spectrum analysis. IEEE Trans. Acoustics, Spee-
p. 140–148, jun. 1973.
ch, and Signal Processing, v. 28, n. 1, p. 105–107, fev. 1980.
KAN, E. P. F.; AGGARWAL, J. K. Error analysis of digital fil- MAKHOUL, J. Linear prediction: a tutorial review. IEEE
ters employing floating point arithmetic. IEEE Trans. Cir- Proceedings, v. 62, p. 561–580, abr. 1975.
cuit Theory, v. 18, p. 678–686, nov. 1971. MAKHOUL, J. A fast cosine transform in one and two di-
KANEKO, T.; Liu, B. Accumulation of roundoff error in fast mensions. IEEE Trans. Acoustics, Speech, and Signal Pro-
Fourier transforms. J. Assoc. Comput. Mach., v. 17, p. 637– cessing, v. 28, n. 1, p. 27–34, fev. 1980.
654, out. 1970. MALOBERTI, F. Data converters, Nova York: Springer, 2007.
KANWAL, R. Linear integral equations. 2. ed. Springer, 1997. MARKEL, J. D. FFT Pruning. IEEE Trans. Audio and Elec-
KARAM, L. J.; MCCLELLAN, J. H. Complex Chebychev troacoustics, v. 19, p. 305–311, dez. 1971.
approximation for FIR filter design. IEEE Trans. Circuits MARKEL, J. D.; GRAY, A. H., Jr. Linear prediction of speech,
and Systems, v. 42, p. 207–216, mar. 1995. Nova York: Springer-Verlag, 1976.
KARAM, Z. N.; OPPENHEIM, A. V. Computation of the MARPLE, S. L. Digital spectral analysis with applications,
one-dimensional unwrapped phase. 15th International Con- Englewood Cliffs: Prentice Hall, 1987.
ference on Digital Signal Processing, p. 304–307, jul. 2007. MARTUCCI, S. A. Symmetrical convolution and the discrete
KAY, S. M. Modern spectral estimation theory and application, sine and cosine transforms. IEEE Trans. Signal Processing,
Englewood Cliffs: Prentice Hall, 1988. v. 42, n. 5, p. 1038–1051, maio 1994.
KAY, S. M. Intuitive probability and random processes using MASON, S.; Zimmermann, H. J. Electronic circuits, signals
MATLAB, Nova York: Springer, 2006. and systems, Nova York: Wiley, 1960.
MATHWORKS, Signal processing toolbox users guide, OPPENHEIM, A. V.; SCHAFER, R. W.; STOCKAM, T. G.,
Natick: The Mathworks, Inc., 1998. Jr. Nonlinear filtering of multiplied and convolved signals.
MCCLELLAN, J. H.; Parks, T. W. A unified approach to the IEEE Proceedings, v. 56, n. 8, p. 1264–1291, ago. 1968.
design of optimum FIR linear phase digital filters. IEEE OPPENHEIM, A. V.; WILLSKY, A. S. Signals and systems. 2.
Trans. Circuit Theory, v. 20, p. 697–701, nov. 1973. ed. Upper Saddle River: Prentice Hall, 1997.
MCCLELLAN, J. H.; RADER, C. M. Number theory in digital ORAINTARA, S.; CHEN, Y. J.; NGUYEN, T. Integer fast
signal processing, Englewood Cliffs: Prentice Hall, 1979. Fourier transform. IEEE Trans. on Signal Processing, v. 50,
MCCLELLAN, J. H. Parametric signal modeling. In: Lim, J. S.; n. 3, p. 607–618, mar. 2001.
Oppenheim, A. V. (eds.). Advanced topics in signal process- O’SHAUGHNESSY, D. Speech communication, human and
ing, Englewood Cliffs: Prentice Hall, 1988. machine. 2. ed. Reading: Addison-Wesley, 1999.
MERSEREAU, R. M.; SCHAFER, R. W.; BARNWELL, T. PAN, D. A tutorial on MPEG/audio compression. IEEE Mul-
P.; SMITH, D. L. A digital filter design package for PCs and timedia, p. 60–74, Summer 1995.
TMS320s. Proc. MIDCON, Dallas, 1984. PAPOULIS, A. On the approximation problem in filter de-
MILLS, W. L.; MULLIS, C. T.; ROBERTS, R. A. Digital fil- sign. IRE Nat. Convention Record, part 2, 1957, p. 175–185.
ter realizations without overflow oscillations. IEEE Trans. PAPOULIS, A. The Fourier integral and its applications, Nova
Acoustics, Speech, and Signal Processing, v. 26, p. 334–338, York: McGraw-Hill, 1962.
ago. 1978.
PAPOULIS, A. Signal Analysis, Nova York: McGraw-Hill
MINTZER, F. Filters for distortion-free two-band multirate Book Company, 1977.
filter banks. IEEE Trans. Acoustics, Speech and Signal Pro-
PAPOULIS, A. Probability, random variables and stochastic
cessing, v. 33, n. 3, p. 626–630, jun. 1985.
processes. 4. ed. Nova York: McGraw-Hill, 2002.
MITRA, S. K. Digital signal processing. 3. ed. Nova York: Mc-
PARKS, T. W.; BURRUS, C. S. Digital filter design, Nova York:
Graw-Hill, 2005.
Wiley, 1987.
MOON, T.; STIRLING, W. Mathematical methods and algo-
PARKS, T. W.; MCCLELLAN, J. H. Chebyshev approxima-
rithms for signal processing, Prentice Hall, 1999.
tion for nonrecursive digital filters with linear phase. IEEE
NAWAB, S. H.; QUATIERI, T. F. Short-time Fourier trans- Trans. Circuit Theory, v. 19, p. 189–194, mar. 1972.
forms. In: Lim, J. S.; Oppenheim, A. V. (eds.). Advanced topics
PARKS, T. W.; MCCLELLAN, J. H. A program for the design
in signal processing, Englewood Cliffs: Prentice Hall, 1988.
of linear phase finite impulse response filters. IEEE Trans.
NEUVO, Y.; DONG, C.-Y.; MITRA, S. Interpolated finite im- Audio Electroacoustics, v. 20, n. 3, p. 195–199, ago. 1972.
pulse response filters. IEEE Trans. Acoustics, Speech and
PARSONS, T. J. Voice and speech processing, Nova York:
Signal Processing, v. 32, n. 3, p. 563–570, jun. 1984.
Prentice Hall, 1986.
NOLL, A. M. Cepstrum pitch determination. J. Acoustical So-
PARZEN, E. Modern probability theory and its applications,
ciety of America, v. 41, p. 293–309, fev. 1967.
Nova York: Wiley, 1960.
NYQUIST, H. Certain topics in telegraph transmission theo-
PENNEBAKER, W. B.; MITCHELL, J. L. JPEG: still image
ry. AIEE Trans., v. 90, n. 2, p. 280–305, 1928.
data compression standard, Nova York: Springer, 1992.
OETKEN, G.; PARKS, T. W.; SCHÜSSLER, H. W. New results
PHILLIPS, C. L.; NAGLE, H. T., Jr. Digital control system
in the design of digital interpolators. IEEE Trans. Acoustics,
analysis and design. 3. ed. Upper Saddle River: Prentice
Speech, and Signal Processing, v. 23, p. 301–309, jun. 1975.
Hall, 1995.
OPPENHEIM, A. V. Superposition in a class of nonlinear sys-
PRATT, W. Digital image processing. 4. ed. Nova York:
tems. RLE Technical Report No. 432, MIT, 1964.
Wiley, 2007.
OPPENHEIM, A. V. Generalized superposition. Information
PRESS, W. H. F.; TEUKOLSKY, S. A. B. P.; VETTERLING,
and control, v. 11, n. 5–6, p. 528–536, nov.-dez., 1967.
W. T.; FLANNERY, B. P. Numerical recipes: the art of scien-
OPPENHEIM, A. V. Generalized linear filtering. In: Gold, tific computing. 3. ed. Cambridge: Cambridge University
B.; Rader, C. M. (eds.). Digital Processing of Signals, Nova Press, 2007.
York: McGraw-Hill, 1969a.
PROAKIS, J. G.; MANOLAKIS, D. G. Digital signal proces-
OPPENHEIM, A. V. A speech analysis-synthesis system sing, Upper Saddle River: Prentice Hall, 2006.
based on homomorphic filtering. J. Acoustical Society of
QUATIERI, T. F. Discrete-time speech signal processing: prin-
America, v. 45, p. 458–465, fev. 1969b.
ciples and practice, Englewood Cliffs: Prentice Hall, 2002.
OPPENHEIM, A. V.; JOHNSON, D. H. Discrete represen-
RABINER, L. R. The design of finite impulse response digi-
tation of signals. IEEE Proceedings, v. 60, n. 6, p. 681–691,
tal filters using linear programming techniques. Bell System
jun. 1972.
Technical J., v. 51, p. 1117–1198, ago. 1972.
OPPENHEIM, A. V.; SCHAFER, R. W. Homomorphic
RABINER, L. R. Linear program design of finite impulse res-
analysis of speech. IEEE Trans. Audio Electroacoustics,
ponse (FIR) digital filters. IEEE Trans. Audio and Electroa-
v. AU-16, n. 2, p. 221–226, jun. 1968.
coustics, v. 20, n. 4, p. 280–288, out. 1972.
OPPENHEIM, A. V.; SCHAFER, R. W. Digital signal pro-
RABINER, L. R.; GOLD, B. Theory and application of digital
cessing, Englewood Cliffs: Prentice Hall, 1975.
signal processing, Englewood Cliffs: Prentice Hall, 1975.
RABINER, L. R.; KAISER, J. F.; HERRMANN, O.; DOLAN, SCHAEFER, R. T.; SCHAFER, R. W.; MERSEREAU, R. M.
M. T. Some comparisons between FIR and IIR digital fil- Digital signal processing for Doppler radar signals. Proc.
ters. Bell System Technical J., v. 53, n. 2, p. 305–331, fev. 1974. 1979 IEEE Int. Conf. on Acoustics, Speech, and Signal Pro-
RABINER, L. R.; SCHAFER, R. W. On the behavior of mini- cessing, p. 170–173, 1979.
max FIR digital Hilbert transformers. Bell System Technical SCHAFER, R. W. Echo removal by generalized linear filte-
J., v. 53, n. 2, p. 361–388, fev. 1974. ring. RLE Tech. Report, n. 466, Cambridge: MIT, 1969.
RABINER, L. R.; SCHAFER, R. W. Digital processing of SCHAFER, R. W. Homomorphic systems and cepstrum
speech signals, Englewood Cliffs: Prentice Hall, 1978. analysis of speech. In: Benesty, J.; Sondhi, M. M.; Huang, Y.
RABINER, L. R.; SCHAFER, R. W.; RADER, C. M. The (eds.). Springer handbook of speech processing and commu-
chirp z-transform algorithm. IEEE Trans. Audio Electroa- nication, Heidelberg: Springer-Verlag, 2007.
coustics, v. 17, p. 86–92, jun. 1969. SCHAFER, R. W.; RABINER, L. R. System for automatic
RADER, C. M. Discrete Fourier transforms when the number formant analysis of voiced speech. J. Acoustical Society of
of data samples is prime. IEEE Proceedings, v. 56, p. 1107– America, v. 47, n. 2, pt. 2, p. 634–648, fev. 1970.
1108, jun. 1968. SCHAFER, R. W.; RABINER, L. R. A digital signal proces-
RADER, C. M. An improved algorithm for high-speed auto- sing approach to interpolation. IEEE Proceedings, v. 61, p.
correlation with applications to spectral estimation. IEEE 692–702, jun. 1973.
Trans. Audio Electroacoustics, v. 18, p. 439–441, dez. 1970. SCHMID, H. Electronic analog/digital conversions, Nova
RADER, C. M.; BRENNER, N. M. A new principle for fast York: Wiley, 1976.
Fourier transformation. IEEE Trans. Acoustics, Speech, and SCHREIER, R.; TEMES, G. C. Understanding delta-sigma
Signal Processing, v. 25, p. 264–265, jun. 1976. data converters, Hoboken: IEEE Press e John Wiley and
RADER, C. M.; GOLD, B. Digital filter design techniques in Sons, 2005.
the frequency domain. IEEE Proceedings, v. 55, p. 149–171, SCHROEDER, M. R. Direct (nonrecursive) relations between
fev. 1967. cepstrum and predictor coefficients. IEEE Trans. Acoustics,
RAGAZZINI, J. R.; FRANKLIN, G. F. Sampled data control Speech and Signal Processing, v. 29, n. 2, p. 297–301, abr. 1981.
systems, Nova York: McGraw-Hill, 1958. SCHÜSSLER, H. W.; STEFFEN, P. Some advanced topics in
RAO, K. R.; HWANG, J. J. Techniques and standards for ima- filter design. In: Lim, S.; Oppenheim, A. V. (eds.). Advan-
ge, video, and audio coding, Upper Saddle River: Prentice ced Topics in Signal Processing, Englewood Cliffs: Prentice
Hall, 1996. Hall, 1988.
RAO, K. R.; Yip, P. Discrete cosine transform: algorithms, ad- SENMOTO, S.; CHILDERS, D. G. Adaptive decomposition
vantages, applications, Boston: Academic Press, 1990. of a composite signal of identical unknown wavelets in noi-
se. IEEE Trans. on Systems, Man, and Cybernetics, v. SMC-
RAO, S. K.; KAILATH, T. Orthogonal digital filters for VLSI
2, n. 1, p. 59, jan. 1972.
implementation. IEEE Trans. Circuits and System, v. 31, n.
11, p. 933–945, nov. 1984. SHANNON, C. E. Communication in the presence of noise.
Proceedings of the Institute of Radio Engineers (IRE), v. 37,
REUT, Z.; PACE, N. G.; HEATON, M. J. P. Computer clas-
n. 1, p. 10–21, jan. 1949.
sification of sea beds by sonar. Nature, v. 314, p. 426–428,
abr. 1985. SINGLETON, R. C. An algorithm for computing the mixed
radix fast Fourier transforms. IEEE Trans. Audio Electroa-
ROBINSON, E. A.; DURRANI, T. S. Geophysical signal pro-
coustics, v. 17, p. 93–103, jun. 1969.
cessing, Englewood Cliffs: Prentice Hall, 1985.
SITTON, G. A.; BURRUS, C. S.; FOX, J. W.; TREITEL, S. Fac-
ROBINSON, E. A.; TREITEL, S. Geophysical signal analysis,
toring very-high-degree polynomials. IEEE Signal Proces-
Englewood Cliffs: Prentice Hall, 1980.
sing Magazine, v. 20, n. 6, p. 27–42, nov. 2003.
ROMBERG, J. Imaging via compressive sampling. IEEE Sig-
SKOLNIK, M. I. Introduction to radar systems. 3. ed. Nova
nal Processing Magazine, v. 25, n. 2, p. 14–20, mar. 2008.
York: McGraw-Hill, 2002.
ROSS, S. A first course in probability. 8. ed. Upper Saddle Ri-
SLEPIAN, D.; LANDAU, H. T.; POLLACK, H. O. Prolate
ver: Prentice Hall, 2009.
spheroidal wave functions, Fourier analysis, and uncertainty
RUNGE, C. Uber die Zerlegung empirisch gegebener perio- principle (I and II). Bells system technical J., v. 40, n. 1, p.
discher Functionen in Sinuswellen”, Z. Math. Physik, v. 53, p. 43–80, 1961.
117–123, 1905.
SMITH, M.; BARNWELL, T. A procedure for designing exact
SANDBERG, I. W. Floating-point-roundoff accumulation in reconstruction filter banks for tree-structured subband co-
digital filter realizations. Bell System Technical J., v. 46, p. ders. Proc. Int. Conf. Acoustics, Speech, and Signal Proces-
1775–1791, out. 1967. sing (ICASSP ’84), v. 9, pt. 1, p. 421–424, mar. 1984.
SAYED, A. Adaptive filters, Hoboken: Wiley, 2008. SPANIAS, A., PAINTER, T.; ATTI, V. Audio signal processing
SAYED, A. H. Fundamentals of adaptive filtering, Wiley-IE- and coding, Hoboken: Wiley, 2007.
EE Press, 2003. SRIPAD, A.; SNYDER, D. A necessary and sufficient condi-
SAYOOD, K. Introduction to data compression. 3. ed. Morgan tion for quantization errors to be uniform and white. IEEE
Kaufmann, 2005. Trans. Acoustics, Speech and Signal Processing, v. 25, n. 5, p.
442–448, out. 1977.
STARK, H.; WOODS, J. Probability and random processes discrete Fourier transform. IEEE Proceedings, v. 59, n. 10, p.
with applications to signal processing. 3. ed. Englewood Cli- 1531–1532, out. 1971.
ffs: Prentice Hall, 2001. VETTERLI, M. A theory of multirate filter banks. IEEE
STARR, T.; CIOFFI, J. M.; SILVERMAN, P. J. Understan- Trans. Acoustics, Speech, and Signal Processing, v. 35, p.
ding digital subscriber line technology, Upper Saddle River: 356–372, mar. 1987.
Prentice Hall, 1999. VETTERLI, M.; KOVAČEVIĆ, J. Wavelets and subband cod-
STEIGLITZ, K. The equivalence of analog and digital signal ing, Englewood Cliffs: Prentice Hall, 1995.
processing. Information and Control, v. 8, n. 5, p. 455–467, VOLDER, J. E. The cordic trigonometric computing tech-
out. 1965. niques. IRE Trans. Electronic Computers, v. 8, p. 330–334,
STEIGLITZ, K.; Dickinson, B. Phase unwrapping by facto- set. 1959.
rization. IEEE Trans. Acoustics, Speech and Signal Proces- WALDEN, R. Analog-to-digital converter survey and analy-
sing, v. 30, n. 6, p. 984–991, dez. 1982. sis. IEEE Journal on Selected Areas in Communications, v.
STOCKHAM, T. G. High speed convolution and correlation. 17, n. 4, p. 539–550, abr. 1999.
1966 Spring Joint Computer Conference, AFIPS Proceedin- WATKINSON, J. MPEG handbook, Boston: Focal Press, 2001.
gs, v. 28, p. 229–233, 1966.
WEINBERG, L. Network analysis and synthesis, Huntington:
STOCKHAM, T. G.; CANNON, T. M.; INGEBRETSEN, R. R. E. Kreiger, 1975.
B. Blind deconvolution through digital signal processing.
WEINSTEIN, C. J. Roundoff noise in floating point fast Fou-
IEEE Proceedings, v. 63, p. 678–692, abr. 1975.
rier transform computation. IEEE Trans. Audio Electroa-
STOICA, P.; MOSES, R. Spectral analysis of signals, Upper coustics, v. 17, p. 209–215, set. 1969.
Saddle River: Pearson Prentice Hall, 2005.
WEINSTEIN, C. J.; OPPENHEIM, A. V. A comparison of
STORER, J. E. Passive network synthesis, Nova York: Mc- roundoff noise in floating point and fixed point digital filter
Graw-Hill, 1957. realizations. IEEE Proceedings, v. 57, p. 1181–1183, jun. 1969.
STRANG, G. The discrete cosine transforms. SIAM Review, v. WELCH, P. D. A fixed-point fast Fourier transform error
41, n. 1, p. 135–137, 1999. analysis. IEEE Trans. Audio Electroacoustics, v. 17, p. 153–
STRANG, G.; NGUYEN, T. Wavelets and filter banks, Cam- 157, jun. 1969.
bridge: Wellesley–Cambridge Press, 1996. WELCH, P. D. The use of the fast Fourier transform for the
TAUBMAN D. S.; MARCELLIN, M. W. JPEG 2000: image estimation of power spectra. IEEE Trans. Audio Electroa-
compression fundamentals, standards, and practice, Nor- coustics, v. 15, p. 70–73, jun. 1970.
well: Kluwer Academic Publishers, 2002. WIDROW, B. A study of rough amplitude quantization by
THERRIEN, C. W. Discrete random signals and statistical sig- means of Nyquist sampling theory. IRE Trans. Circuit Theo-
nal processing, Englewood Cliffs: Prentice Hall, 1992. ry, v. 3, p. 266–276, dez. 1956.
TRIBOLET, J. M. A new phase unwrapping algorithms. IEEE WIDROW, B. Statistical analysis of amplitude-quantized
Trans. Acoustics, Speech, and Signal Processing, v. 25, n. 2, p. sampled-data systems. AIEE Trans. (Applications and In-
170–177, abr. 1977. dustry), v. 81, p. 555–568, jan. 1961.
TRIBOLET, J. M. Seismic applications of homomorphic sig- WIDROW, B.; KOLLÁR, I. Quantization noise: roundoff error
nal processing, Englewood Cliffs: Prentice Hall, 1979. in digital computation, signal processing, control, and com-
TUKEY, J. W. Exploratory data analysis, Reading: Addison munications, Cambridge: Cambridge University Press, 2008.
Wesley, 1977. WIDROW, B.; STEARNS, S. D. Adaptive signal processing,
ULRYCH, T. J. Application of homomorphic deconvolution Englewood Cliffs: Prentice Hall, 1985.
to seismology. Geophysics, v. 36, n. 4, p. 650–660, ago. 1971. WINOGRAD, S. On computing the discrete Fourier trans-
UNSER, M. Sampling—50 years after Shannon. IEEE Pro- form. Mathematics of Computation, v. 32, n. 141, p. 175–199,
ceedings, v. 88, n. 4, p. 569–587, abr. 2000. jan. 1978.
VAIDYANATHAN, P. P. Multirate systems and filter banks, WOODS, J. W. Multidimensional Signal, Image, and Video
Englewood Cliffs: Prentice Hall, 1993. Processing and Coding, Academic Press, 2006.
VAN ETTEN, W. C. Introduction to random signals and noise, YAO, K.; THOMAS, J. B. On some stability and interpola-
Hoboken: John Wiley and Sons, 2005. tory properties of nonuniform sampling expansions. IEEE
Trans. Circuit Theory, v. CT-14, p. 404–408, dez. 1967.
VERHELST, W.; STEENHAUT. O. A new model for the
short-time complex cepstrum of voiced speech. IEEE YEN, J. L. On nonuniform sampling of bandwidth-limited sig-
Trans. on Acoustics, Speech, and Signal Processing, v. ASSP- nals. IEEE Trans. Circuit Theory, v. CT-3, p. 251–257, dez. 1956.
34, n. 1, p. 43–51, fev. 1986. ZVEREV, A. I. Handbook of filter synthesis, Nova York: Wi-
VERNET, J. L. Real signals fast Fourier transform: storage ley, 1967.
capacity and step number reduction by means of an odd
representação por diagrama de blocos de, Estrutura de linha de atraso com derivações, 238
223–224 Estrutura em treliça só-polos, 245
Equações de diferenças lineares com coeficientes Estrutura IIR em cascata, análise de, 268–271
constantes, 23–25 Estruturas de forma paralela, 233–234
equação de diferenças homogênea, 24 ilustração de, 234
estabilidade e causalidade, 173 Estruturas em forma de cascata, 231–233
representação por equação de diferenças de, 23 exemplos de, 232
do sistema média móvel, 24 Estruturas IIR na forma direta, análise de,
resposta ao impulso para funções de sistema 261–266
racionais, 175 Estruturas na forma direta, 230–231
sistema de segunda ordem, 172–173 exemplos de, 231
sistemas caracterizados por, 172–175 Expansão em frações parciais, transformada z
sistemas inversos, 173–174 inversa, 71–74
Equações de Yule–Walker, 533, 546 Expansão em série de potências, 74–75
Equações normais da autocorrelação, 533 por divisão longa, 75
algoritmo de Levinson–Durbin, dedução do, sequência de comprimento finito, 74
547–548 transformada inversa por, 75
recursão de Levinson–Durbin, 546–547 Expansor de taxa de amostragem, 111
soluções de, 545–548 Exponencial aplicada abruptamente
Erro de predição progressivo, 549 entradas, 29–30
Erro de predição regressiva, 549, 551, 561 somabilidade em valor absoluto, 32
Erro quadrático médio mínimo, 533 Extremantes, 329
Erro residual de predição, 532
Erros de digitalização, 247
conversão analógico-digital (A/D) F
Erros de digitalização, análise, 130–135 Fase
Especificações, projeto de filtro, 295–296 definição, 10
Espectro de magnitude, 545 relação entre magnitude e, 181–183
Espectro de potência das estimativas de ruído de Fase desenrolada, 206
digitalização, 506–509 Fase linear
Espectro de potência de estimativas de voz, generalizada, 194–195
509–511 passa-baixas ideal com193
Espectrograma de banda larga, 500 sistemas causais de fase linear generalizada,
Espectrogramas, 479–480 195–200
banda larga, 492 sistemas com, 192–194
fazendo gráficos, 492 Fase linear generalizada, sistemas lineares com,
Esquema de codificação binária deslocada, 129 191–201
Esquemas de tolerância, 295 exemplos de, 195
Estabilidade, 15 Fator inteiro
testando a, 15 aumento da taxa de amostragem por, 109–111
Estimação de frequência redução da taxa de amostragem por, 107–109
sobreamostragem e interpolação linear para, 477 Fator não inteiro, mudança da taxa de
Estimadores assintoticamente não enviesados, amostragem por, 115–116
495 Fenômeno de Gibbs, 33, 315–316
Estimadores consistentes, 495 FFT de raiz dividida (SRFFT), 461
Estimadores não enviesados, 495 FFT, Ver algoritmos de transformada de Fourier
Estimativa de Welch, 511 rápida (FFT)
Estimativas de Blackman–Tukey, 511 Filtro antialiasing, 125–126, 467–469
Estrutura de filtro transversal, 238 resposta em frequência de, 468
Sinal e magnitude, 247 sistemas de fase linear FIR de tipo III, 196
Síntese de Fourier dependente do tempo, 485, 487 exemplo, 197
Sistema característico para convolução, 586 sistemas de fase linear FIR de tipo IV, 196
Sistema criticamente amortecido, 208 exemplo, 198
Sistema de atraso de fase mínimo, 190 Sistemas de fase máxima, 191
Sistema de atraso ideal, 11 Sistemas de fase mínima, 186–191
resposta em frequência do, 26 compensação da resposta em frequência de
Sistema de diferenças regressivas, 15, 22–23 sistemas de fase não mínima, 187–189
e o acumulador, 22 decomposição, 186–187
resposta ao impulso do, 22 definição, 186
Sistema de eco de fase mínima, cepstrum propriedade do atraso de energia mínimo, 191
complexo do, 589–590 propriedade do atraso de fase mínimo, 190
Sistema invariante ao deslocamento, Ver Sistemas propriedade do atraso de grupo mínimo, 191
invariantes no tempo propriedades de, 190–191
Sistema média móvel, 24–25 Sistemas de fase não mínima, compensação da
com atraso não inteiro, 106–107 resposta em frequência de, 187–189
representação por equação de diferenças, 24 Sistemas de processamento de sinais, classificação
resposta em frequência de, 28 de, 7
Sistema não antecipatório, 14 Sistemas de tempo discreto, 11–15
Sistemas causais de fase linear generalizada, efeitos da digitalização de coeficientes,
195–201 251–261
Sistemas causais, 21 em sistemas FIR, 257–258
Sistemas com resposta ao impulso de duração em sistemas IIR, 251–252
infinita (IIR), 22 em um filtro elíptico, 252–256
Sistemas com resposta ao impulso infinita (IIR), em um filtro FIR ótimo, 258–260
294 mantendo a fase linear, 260–261
Sistemas com resposta só impulso finita (FIR), polos de seções digitalizadas de segunda
294 ordem, 256–257
Sistemas de amostragem em frequência, 235 efeitos numéricos de precisão finita, 247–251
Sistemas de atraso de energia máximo, 191 representações numéricas, 247–248
Sistemas de atraso de energia mínimo, 191 digitalização na implementação de sistemas,
Sistemas de diferenças progressivas, 15 248–251
não causais, 22 estabilidade, 15
Sistemas de fase linear FIR tipo I, 196 testando a, 15
exemplo, 196–197 estruturas básicas para, 230–235
Sistemas de fase linear FIR tipo II, 196 estruturas em forma de cascata, 231–233
exemplo, 197 estruturas em forma direta, 230–231
Sistemas de fase linear FIR tipo III, 196 realimentação em, 234–235
exemplo, 197 estruturas em forma paralela, 233–234
Sistemas de fase linear FIR tipo IV, 196 estruturas para, 222–293
exemplo, 198 filtros em treliça, 240–247
Sistemas de fase linear FIR estrutura em treliça só-polos, 245–246
exemplos de, 196–198 FIR, 241–245
localizações dos zeros para, 198–200 generalização de sistemas em treliça, 246–247
relação com sistemas de fase mínima, 200–201 implementação em treliça de um sistema IIR,
sistemas de fase linear FIR de tipo I, 196–197 246
exemplo, 196–197 representação em diagrama de fluxo de sinais
sistemas de fase linear FIR de tipo II, 196 de, 227–229
exemplo, 197 formas transpostas, 235–238
T definição, 399–400
relação entre, 400–401
Taxa de amostragem
Transformada de Fourier
aumentando por um fator inteiro, 109–111
amostragem, 376–379
mudando por um fator não inteiro, 115–116
de sequências exponenciais complexas, 33–34
mudando usando sinais de tempo discreto,
de sinais periódicos, 373–376
107–116
de um período, relação entre coeficientes da
reduzindo por um fator inteiro, 107–109
série de Fourier e, 376
Taxa de Nyquist, 94
de um trem de impulsos de tempo discreto
TCD, Ver Transformada de cosseno discreta
periódico, 375
(TCD)
de uma constante, 33
TCD-1/TCD-2, Ver também Transformada de
de uma sequência típica de janela, 469
cosseno discreta (TCD)
fase da, 31
definição, 399–400
linearidade da, 36
relação entre, 400–401
magnitude da, 31
Telecomunicações, e processamento em tempo
discreto de sinais, 6 pares, 39
Tempo e na frequência, amostragem no, 482–484 propriedades de simetria da, 34–36
Teorema da alternância, 329–334 teorema da convolução, 37–38
definição, 329 teorema da diferenciação na frequência, 37
e polinômios, 329 teorema da modulação ou do janelamento,
38–40
Teorema da amostragem de Nyquist-Shannon,
94–96, 145 teorema da reflexão no tempo, 37
Teorema da convolução teorema de Parseval para a, 37
transformada de Fourier, 37–38 teoremas do deslocamento no tempo e do
deslocamento na frequência, 36–37
transformada z, 78–79
teoremas, 36–40
Teorema da integral de Cauchy, 562
Transformada de Fourier de curto prazo, Ver
Teorema da modulação, 38–40
Transformada de Fourier dependente do tempo
Teorema de Parseval, 37, 58, 264, 267, 401, 707,
Transformada de Fourier de tempo discreto
421, 540
(TFTD), 368, 467
Teorema do valor inicial, 89
Transformada de Fourier dependente do tempo
para sequências laterais direitas, 617
para voz, representação gráfica do espectro da,
TFD, Ver Transformada de Fourier discreta 492
(TFD)
Transformada de Fourier dependente do tempo,
Transbordamento, 247 467, 477–489
Transbordamento de saturação, 248 amostragem no tempo e na frequência,
Transformação bilinear, 300–303 482–484
de um filtro de Butterworth, 304–309 de um sinal chirp linear, 478–479
deformação da frequência, 301–302 definição, 477–478
e aliasing, 301 efeito da janela, 481–482
Transformada chirp, definição, 443 espectrograma, 479–480
Transformada de cosseno discreta (TCD), interpretação como banco de filtros, 488–489
396–404 de X[n, λ], 481
aplicações da, 404 invertibilidade de X[n, λ], 481
definições de, 396–397 método de reconstrução sobreposição e soma,
propriedade de compactação da energia da 485–487
TCD-2, 401–403 processamento de sinais baseado na, 487–488
relação entre a TFD e a TCD-2, 401 Transformada de Fourier discreta (TFD), 3,
TCD-1/TCD-2 368–421