Análisis de Fourier
Transcripción
Análisis de Fourier
Análisis de Fourier Análisis de Fourier F. Javier Cara ETSII-UPM Curso 2012-2013 1 Análisis de Fourier Contenido Señales continuas Señales continuas periódicas. Serie de Fourier. Señales continuas periódicas. Serie de Fourier compleja Espectro Señales continuas no periódicas. Serie de Fourier. Señales continuas no periódicas. Transformada de Fourier. Catalogo de transformadas de Fourier Delta de Dirac Convolución y su transformada de Fourier Correlación y su transformada de Fourier Señales discretas Señales discretas periódicas. Serie de Fourier discreta. Señales discretas no periódicas. Serie de Fourier discreta. Señales discretas no periódicas. Transformada de Fourier en tiempo discreto. Muestreo de señales Transformada de Fourier discreta (DFT) 2 Análisis de Fourier Señales continuas Análisis de Fourier ◮ Señales continuas. ◮ Señales continuas periódicas. ◮ ◮ ◮ Señales continuas no periódicas. ◮ ◮ ◮ Serie de Fourier. Serie de Fourier compleja. Serie de Fourier. Transformada de Fourier. Señales discretas. ◮ Señales discretas periódicas. ◮ Señales discretas no periódicas. ◮ ◮ ◮ ◮ Serie de Fourier discreta. Serie de Fourier discreta. Transformada de Fourier en tiempo discreto (DTFT). Transformada de Fourier discreta (DFT). 3 Análisis de Fourier Señales continuas Jean-Baptiste Joseph Fourier (21 de marzo de 1768, Auxerre - 16 de mayo de 1830, París) 4 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier. A= 15, f = 2 Hz, T = 0.5 s 20 10 10 y=Acos(ωt) y=Asin(ωt) A= 15, f = 2 Hz, T = 0.5 s 20 0 −10 −20 0 0.5 1 1.5 0 −10 −20 2 0 20 10 10 0 −10 −20 0 0.5 1 1.5 −20 2 10 ◮ ◮ ◮ ◮ ◮ y=Acos(ωt) y=Asin(ωt) 20 0 −10 1 1.5 2 0 0.5 1 1.5 2 A= 5, f = 4 Hz, T = 0.25 s 10 0.5 1.5 0 20 0 1 −10 A= 5, f = 4 Hz, T = 0.25 s −20 0.5 A= 5, f = 2 Hz, T = 0.5 s 20 y=Acos(ωt) y=Asin(ωt) A= 5, f = 2 Hz, T = 0.5 s 2 0 −10 −20 0 0.5 1 1.5 2 Ondas: y = Asin(ωt), y = Acos(ωt) A: amplitud de la onda. ω = 2π T = 2πf : frecuencia angular, [rad/s]. T : periodo = tiempo entre dos repeticiones, [s]. f = T1 : frecuencia lineal = num. de repeticiones por segundo, [Hz]. 5 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier. 0 0.5 1 1.5 xtotal = x1 + x2 + x3 + x4 0.5 1 1.5 y1=b1sin(ω1t) 0 0.5 1 1.5 a4= 6, f4 = 8 Hz, T4= 0.125 s. 20 0 −20 2 y2=b2sin(ω2t) 20 0 −20 0 0.5 1 1.5 a3= 4, f3 = 6 Hz, T3= 0.16667 s. 2 20 0 −20 2 y3=b3sin(ω3t) x4=a4cos(ω4t) 20 0 −20 0 0.5 1 1.5 a2= 8, f2 = 4 Hz, T2= 0.25 s. 20 0 −20 2 y4=b4sin(ω4t) x3=a3cos(ω3t) 20 0 −20 0 b1= 10, f1 = 2 Hz, T1= 0.5 s. 20 0 −20 ytotal x1=a1cos(ω1t) x2=a2cos(ω2t) 20 0 −20 xtotal a1= 10, f1 = 2 Hz, T1= 0.5 s. 20 0 −20 20 0 −20 2 0 0.5 1 1.5 b2= 8, f2 = 4 Hz, T2= 0.25 s. 2 0 0.5 1 1.5 b3= 4, f3 = 6 Hz, T3= 0.16667 s. 2 0 0.5 1 1.5 b4= 6, f4 = 8 Hz, T4= 0.125 s. 2 0 0.5 1 1.5 ytotal = y1 + y2 + y3 + y4 2 0 0.5 2 1 1.5 6 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier. ◮ Al sumar ondas coseno, x(t) = K P ak cos(ωk t): k=1 ◮ ◮ ◮ Si ωk = n · ω1 , n ∈ N ⇒ x(t) es una onda periódica: El periodo de x(t) es T1 . K P x(0) = x(T ) = ak . k=1 ◮ Al sumar ondas seno, y (t) = K P bk sin(ωk t): k=1 ◮ ◮ ◮ ◮ Si ωk = n · ω1 , n ∈ N ⇒ y (t) es una onda periódica: El periodo de y (t) es T1 . y (0) = y (T ) = 0. En conclusión, f (t) = K P (ak cos(ωk t) + bk sin(ωk t)) es periódica: k=1 ◮ ◮ ◮ Si ωk = n · ω1 , n ∈ N ⇒ f (t) es una onda periódica: El periodo de f (t) es T1 . K P f (0) = f (T ) = ak . k=1 7 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier. El recíproco de la propiedad anterior también es cierto: Teorema Cualquier función periódica de periodo T se puede descomponer en una suma de senos y cosenos: f (t) = ◮ ◮ ∞ X 2πn 2πn t + bn sin t an cos T T n=1 Una función f (t) es periódica de periodo T si cumple que f (t) = f (t + T ). Para n = 1 las ondas tienen la misma frecuencia que la función f(t): 2π T Esta frecuencia es conocida como frecuencia fundamental. El resto de ondas tienen frecuencias múltiplo de la fundamental (como habíamos visto en en el apartado anterior): ω1 = ◮ ωn = 2πn = n · ω1 T 8 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier. Por ejemplo, veamos la función periódica (T = 2): −1 < t < 0 − 12 + 12 0<t<1 f (t) = f (t) = f (t + 2) resto La frecuencia fundamental es ω1 = 2π/T = π. La serie de Fourier de f (t) es: f (t) = 2 2 2 2 2 sinπt + sin3πt + sin5πt + sin7πt + sin9πt · · · π 3π 5π 7π 9π En la figura siguiente se representa la función f(t) y los tres primeros términos de la serie de Fourier. Se observa como con tan sólo tres términos, la aproximación conseguida es notable. 9 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier. f(t), f0(t) = 2π sin π t 1 0.5 0 −0.5 −1 −4 −2 0 2 4 6 f(t), f1(t) = 2/3π sin 3π t f(t), f0(t) + f1(t) 1 1 0.5 0.5 0 0 −0.5 −0.5 −1 −4 −2 0 2 4 6 −1 −4 −2 f(t), f2(t) = 2/5π sin 5π t 1 1 0.5 0.5 0 0 −0.5 −0.5 −1 −4 −2 0 2 0 2 4 6 4 6 f(t), f0(t) + f1(t) + f2(t) 4 6 −1 −4 −2 0 2 10 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier. ◮ ◮ 2πn Como an cos 2πn T t y bn sin T t oscilan en torno al cero, la suma de ellos también lo harán. Para tener en cuenta funciones periódicas que oscilan en torno a c: Teorema Cualquier función periódica de periodo T se puede descomponer en una suma de senos y cosenos: f (t) = c + ◮ ∞ X 2πn 2πn t + bn sin t an cos T T n=1 Por ejemplo, la función g (t) es periódica (T = 2) pero con valores que oscilan en torno a 12 . 0 −1 < t < 0 1 0<t<1 g (t) = g (t) = g (t + 2) resto 11 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier. f(t), f0(t) = 1/2 1 0 −1 −4 −2 0 2 f(t), f1(t) = 2π sin π t 4 6 f(t), f0(t) + f1(t) 1 1 0 −1 −4 0 −2 0 2 4 6 −1 −4 −2 4 6 −2 0 2 4 f(t), f0(t) + f1(t) + f2(t) + f3(t) 6 −2 6 f(t), f2(t) = 2/3π sin 3π t 1 2 1 0 0 −1 −4 −1 −4 −2 0 2 4 f(t), f3(t) = 2/5π sin 5π t 6 1 1 0 −1 −4 0 f(t), f0(t) + f1(t) + f2(t) 0 −2 0 2 4 6 −1 −4 0 2 4 La serie de Fourier de g (t) es: f (t) = 1 2 2 2 + sinπt + sin3πt + sin5πt + · · · 2 π 3π 5π 12 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier. Obviamente, la pregunta es: ¿cómo se calculan an , bn y c? Primero, hay recordar que las funciones seno y coseno cumplen: ◮ Son simetricas respecto a y = 0: Z + T2 2πn cos t dt = 0 T −T 2 Z + T2 2πn t dt = 0 sin T −T 2 ◮ Son ortogonales: Z + T2 2πm 2πn cos t sin t dt = 0 T T −T 2 Z + T2 2πn 2πm T /2 si m = n t cos t dt = cos 0 si m 6= n T T −T 2 Z + T2 2πn 2πm T /2 si m = n t sin t dt = sin 0 si m 6= n T T T − 2 13 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier. Cálculo de los coeficientes an y bn . ∞ X 2πn 2πn t + bn sin t an cos f (t) = c + T T n=1 ◮ Término c. Z + T2 Z f (t)dt = −T 2 +T 2 −T 2 ⇒ Z +T 2 −T 2 ! ∞ X 2πn 2πn an cos t + bn sin t dt c+ T T n=1 1 f (t)dt = cT ⇒ c = T Z +T 2 −T 2 f (t)dt 14 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier. ◮ Término a1 . Z +T 2 −T 2 ◮ = Z ⇒ Z +T 2 −T 2 2π t dt = T ! ∞ X 2πn 2π 2πn c+ an cos cos t + bn sin t t dt T T T n=1 f (t)cos +T 2 −T 2 f (t)cos Z T T 2 +2 2π 2π t dt = a1 ⇒ a1 = t dt f (t)cos T 2 T − T2 T Término an . an = 2 T Z +T 2 −T 2 f (t)cos 2πn t dt T 15 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier. ◮ Término b1 . Z +T 2 −T 2 ◮ = Z ⇒ Z +T 2 −T 2 2π t dt = T ! ∞ X 2πn 2πn 2π an cos c+ t + bn sin t sin t dt T T T n=1 f (t)sin +T 2 −T 2 f (t)sin Z T T 2 +2 2π 2π t dt = b1 ⇒ b1 = t dt f (t)sin T 2 T − T2 T Término bn . bn = 2 T Z +T 2 −T 2 f (t)sin 2πn t dt T 16 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier. Teorema de la serie de Fourier Cualquier función periódica de periodo T se puede descomponer como: ∞ 2πn a0 X 2πn an cos f (t) = + t + bn sin t 2 T T n=1 2 an = T Z 2 bn = T Z +T 2 −T 2 +T 2 −T 2 2πn f (t)cos t dt, n = 0, 1, 2, . . . T 2πn t dt, n = 1, 2, . . . f (t)sin T Nota: Los términos an y bn se calculan integrando en un periodo. En las fórmulas anteriores se ha integrado entre −T /2 y T /2 pero también se podría hacer entre 0 y T. Los an y bn obtenidos dependen de los límites de integración elegidos, aunque (an2 + bn2 ) es constante. 17 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier compleja Análisis de Fourier ◮ Señales continuas. ◮ Señales continuas periódicas. ◮ ◮ ◮ Señales continuas no periódicas. ◮ ◮ ◮ Serie de Fourier. Serie de Fourier compleja. Serie de Fourier. Transformada de Fourier. Señales discretas. ◮ Señales discretas periódicas. ◮ Señales discretas no periódicas. ◮ ◮ ◮ ◮ Serie de Fourier discreta. Serie de Fourier discreta. Transformada de Fourier en tiempo discreto (DTFT). Transformada de Fourier discreta (DFT). 18 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier compleja Serie de Fourier compleja e ix = cosx + isinx ⇒ ∞ f (t) = cos(nω1 t) = 12 e inω1 t + e −inω1 t sin(nω1 t) = 2i1 e inω1 t − e −inω1 t bn inω1 t a0 X an inω1 t e + e −inω1 t + e − e −inω1 t + 2 2 2i n=1 ∞ = a0 X 1 1 + (an − ibn )e inω1 t + (an + ibn )e −inω1 t 2 2 2 n=1 ∞ = a0 X Cn e inω1 t + Dn e −inω1 t + 2 n=1 Cn = 1 2 (an − ibn ) = 2 T Z Dn = 2 1 (an + ibn ) = 2 T Z +T 2 −T 2 +T 2 −T 2 f (t)e −inω1 t dt f (t)e inω1 t dt 19 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier compleja ya que an = 2 T Z bn = 2 T Z +T 2 −T 2 f (t)cosnω1 tdt = 2 T Z f (t)sinnω1 tdt = 2 T Z +T 2 −T 2 +T 2 −T 2 f (t) +T 2 −T 2 f (t) 1 inω1 t e + e −inω1 t dt 2 1 inω1 t e − e −inω1 t dt 2i Teniendo en cuenta ésto ∞ ∞ f (t) = = = ∞ X X a0 X Dn e −inω1 t Cn e inω1 t + Cn e inω1 t + Dn e −inω1 t = + 2 n=1 n=0 n=1 ∞ X Cn e inω1 t + n=0 ∞ X −∞ X n=−1 D(−n) e inω1 t = ∞ X n=0 Cn e inω1 t + −∞ X Cn e inω1 t n=−1 Cn e inω1 t n=−∞ 20 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier compleja Teorema de la serie de Fourier en notación compleja Cualquier función periódica de periodo T se puede descomponer como: f (t) = ∞ X Cn e i2πnt/T n=−∞ Cn = 1 T Z +T 2 −T 2 f (t)e −i2πnt/T dt, Cn ∈ C Las ventajas de utilizar la serie es Fourier en complejos son: ◮ Notación más compacta, más elegante. ◮ Es más facil operar con exponenciales que con senos y cosenos: multiplicar, derivar, ... ◮ ¡¡¡ Pero es igual trabajar con senos-cosenos que con exp. complejas!!! * Los pares (t, f (t)) representan la función f en el dominio del tiempo. * Los pares (ωn , Cn ) : n ∈ Z, ωn = 2π T n = nω1 representan la función f en el dominio de la frecuencia. 21 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier compleja Ejemplo Desarrollar en series de Fourier f (t) = t 2 , 0 < t < 2π, con periodo 2π. Z Z 2 T 1 2π 2 8π 2 a0 = f (t)dt = t dt = T 0 π 0 3 Z T Z 2π 1 2πnt 2 dt = f (t) cos t 2 cos ntdt an = T 0 T π 0 Integrando por partes 2π 1 2 sin nt sin nt cos nt 4 an = t + 2t 2 − 2 3 = n2 π n n n 0 bn = 2 T 1 = π Z 0 T f (t) sin 1 2πnt dt = T π Z 2π t 2 sin ntdt 0 2π 4π cos nt sin nt 2 cos nt −t =− + 2t 2 + 2 3 n n n n 0 22 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier compleja Cn = 1 1 (an − ibn ) = 2 2 C0 = 4 4π +i n2 n = 2 + i2πn n2 1 4π 2 a0 = 2 3 Por tanto ∞ f (t) = t 2 ≈ 4π 2 X + 3 n=1 f (t) = t 2 ≈ 4 4π cos nt − sin nt 2 n n ∞ X 2 + i2πn int 4π 2 e + 3 n2 n=−∞ n6=0 ◮ Frecuencia fundamental: ω1 = 2π/T = 1 rad/s. ◮ Frecuencias de Fourier: nω1 = 1, 2, 3, 4, . . . rad/s 23 Análisis de Fourier Señales continuas Señales continuas periódicas. Serie de Fourier compleja f(t)=t2, f0(t) = 4π2/3 40 20 0 −20 40 20 0 −20 40 20 0 −20 40 20 0 −20 40 20 0 −20 −10 −10 −10 −10 −10 −5 0 5 10 15 f(t), f1(t) = 4 cos t − 4π sin t −5 0 5 10 15 f(t), f2(t) = cos 2t − 2π sin 2t −5 0 5 10 15 f(t), f3(t) = 4/9cos 3t − 4π/3 sin 3t −5 0 5 10 15 f(t), f4(t) = 1/4cos 4t − π sin 4t −5 0 5 10 15 f(t), f0(t) + f1(t) 40 20 0 −20 40 20 0 −20 40 20 0 −20 40 20 0 −20 −10 −5 −10 −5 0 5 10 15 f(t), f0(t) + f1(t) + f2(t) + f3(t) −10 −5 0 5 10 15 f(t), f0(t) + f1(t) + f2(t) + f3(t) + f4(t) −10 −5 0 5 10 f(t), f0(t) + f1(t) + f2(t) 0 5 10 15 15 24 Análisis de Fourier Señales continuas Espectro Espectro ◮ ◮ ◮ ◮ ◮ Un espectro es la representación de una señal en el dominio de la frecuencia. Cuando tenemos senos-cosenos, el espectro consistepen representar an y bn frente a ωn . Es preferible representar dn = an2 + bn2 frente a ωn , ya que an y bn dependen de como se haya elegido T. En complejos, se puede representar la parte real y la parte imaginaria de Cn , o el módulo (espectro de módulo) y la fase (espectro de fase). El espectro de módulo, |Cn |, es simétrico respecto al eje x = 0. Cn = 21 (an − ibn ) ⇒ C−n = Cn∗ ⇒ |C−n | = |Cn | C−n = Dn = 21 (an + ibn ) dn se reparte entre Cn y C−n en partes iguales: 1 1 |Cn |2 = (an2 +bn2 ), n = 0, 1, 2, . . . |C−n |2 = (an2 +bn2 ), n = 1, 2, 3, . . . 2 2 |Cn |2 + |C−n |2 = 2|Cn |2 = dn2 , n = 1, 2, 3, . . . C0 = d0 25 Análisis de Fourier Señales continuas Espectro Ejemplo Espectro de f (t) = t 2 an (a2n + b2n)1/2 bn 20 20 20 10 10 10 0 0 0 −10 −10 −10 −20 −5 0 5 −20 −5 REAL(cn) 0 −20 −5 5 IMAG(cn) MOD(cn) 20 20 20 10 10 10 10 0 0 0 0 −10 −10 −10 −10 0 ωn 5 −20 −5 0 ωn 5 −20 −5 0 ωn 5 2*MOD(cn), n>1 20 −20 −5 0 5 −20 −5 0 ωn 5 26 Análisis de Fourier Señales continuas Espectro Teorema de Parseval Teorema Sea f (t) una función periódica, y sean an y bn los coeficientes del desarrollo en serie de Fourier. Entonces se cumple que: 1 T Z +T 2 −T 2 ∞ 2 (f (t)) dt = a02 + 1X 2 an + bn2 2 n=1 Teorema Sea f (t) una función periódica, y sean Cn los coeficientes del desarrollo en serie de Fourier complejo. Entonces se cumple que: 1 T Z +T 2 −T 2 2 (f (t)) dt = ∞ X Cn2 n=−∞ Luego el espectro está relacionado con el valor cuadrático medio de la señal en un periodo. 27 Análisis de Fourier Señales continuas Señales continuas no periódicas. Serie de Fourier. Análisis de Fourier ◮ Señales continuas. ◮ Señales continuas periódicas. ◮ ◮ ◮ Señales continuas no periódicas. ◮ ◮ ◮ Serie de Fourier. Serie de Fourier compleja. Serie de Fourier Transformada de Fourier. Señales discretas. ◮ Señales discretas periódicas. ◮ Señales discretas no periódicas. ◮ ◮ ◮ ◮ Serie de Fourier discreta. Serie de Fourier discreta. Transformada de Fourier en tiempo discreto (DTFT). Transformada de Fourier discreta (DFT). 28 Análisis de Fourier Señales continuas Señales continuas no periódicas. Serie de Fourier. En el caso de que tengamos una señal no periódica, se puede aplicar el análisis de Fourier de dos maneras: 1. Creando una señal periódica a partir de la señal no periódica. 2. Transformada de Fourier. Figura: Señal no periódica. 29 Análisis de Fourier Señales continuas Señales continuas no periódicas. Serie de Fourier. 1. Creando señal periódica. ◮ ◮ ◮ Si tenemos una señal, f (t), definida entre ta y tb podemos crear una señal periódica a partir de ella, g (t), simplemente repitiendo f (t). El periodo de la nueva señal es T = tb − ta . La nueva señal periódica, g (t), puede analizarse utilizando la serie de Fourier. Los resultados obtenidos son válidos en el intervalo [tb − ta ]. 30 Análisis de Fourier Señales continuas Señales continuas no periódicas. Transformada de Fourier. 2. Transformada de Fourier h(t) = f (t) 0 t ∈ [ta , tb ] resto ◮ La otra opción consiste en definir una función periódica pero cuyo periodo es infinito, h(t). ◮ Aparece así el concepto de Transformada de Fourier. 31 Análisis de Fourier Señales continuas Señales continuas no periódicas. Transformada de Fourier. Sabemos que ∞ X h(t) = Cn e i2πnt/T n=−∞ 1 Cn = T Z +T 2 h(t)e −i2πnt/T dt −T 2 Sustituyendo una en la otra h(t) = ∞ X n=−∞ 1 T Z +T 2 −T 2 h(t)e −i2πnt/T dt ! e i2πnt/T Por otro lado ωn = 2π T n, por lo que la distancia entre ωn y ωn+1 es ∆ω = 2π/T . Sustituyendo ! Z T ∞ X ∆ω + 2 h(t)e −in∆ωt dt e in∆ωt h(t) = 2π − T2 n=−∞ 32 Análisis de Fourier Señales continuas Señales continuas no periódicas. Transformada de Fourier. Conforme T → ∞, ∆ω → dω (se hace infinitésimo), n∆ω = ωn → ω (la variable discreta se hace continua), y la suma se convierte en una integral ! Z T ∞ X ∆ω + 2 −in∆ωt h(t) = lim h(t)e dt e in∆ωt T →∞ T 2π − n=−∞ 2 h(t) = Z ∞ −∞ 1 2π Z ∞ −∞ h(t)e −iωt dt e iωt dω Teorema La Transformada de Fourier y la Transformada Inversa de Fourier se definen mediante: Z ∞ 1 h(t)e −iωt dt H(ω) = 2π −∞ Z ∞ h(t) = H(ω)e iωt dω −∞ 33 Análisis de Fourier Señales continuas Señales continuas no periódicas. Transformada de Fourier. 1 nosotros lo hemos asignado a H(ω), pero también lo El factor 2π podíamos haber asignado a h(t). De hecho, no existe una solución consensuada para este problema, y nos podemos encontrar las siguientes definiciones para la transformada de Fourier: Z ∞ Z ∞ 1 1 h(t)e −iωt dt h(t)e −iωt dt H(ω) = H(ω) = √ 2π −∞ 2π −∞ Z ∞ Z ∞ 1 H(ω)e iωt dω h(t) = √ h(t) = H(ω)e iωt dω 2π −∞ −∞ H(ω) = Z ∞ h(t)e −iωt dt H(f ) = −∞ 1 h(t) = 2π Z ∞ h(t)e −i2πft dt −∞ ∞ ∞ −∞ Z H(ω)e iωt dω h(t) = Z H(f )e i2πft dω −∞ 34 Análisis de Fourier Señales continuas Señales continuas no periódicas. Transformada de Fourier. Hay dos condiciones generales que tiene que cumplir la función h(t) para tener transformada de Fourier: ◮ La función ha de ser absolútamente integrable, esto es, R + T2 |h(t)|dt < ∞. −T 2 Cualquier discontinuidad de h(t) tiene que ser finita. Aplicando la fórmula de Euler, la transformada de Fourier a veces se escribe Z ∞ Z ∞ 1 1 H(ω) = h(t) cos(ωt)dt − i h(t) sin(ωt)dt 2π −∞ 2π −∞ ◮ Por tanto, H(ω) = H ∗ (−ω) y el espectro, |H(ω)|, es simétrico respecto al eje Y. Teorema Teorema de Parseval. Sea h(t) una función periódica, y sea H(ω) su Transformada de Fourier. Entonces se cumple que: Z ∞ Z ∞ Z ∞ 2 2 2 |H(f )| df |H(ω)| dω = (h(t)) dt = 2π −∞ −∞ −∞ 35 Análisis de Fourier Señales continuas Señales continuas no periódicas. Transformada de Fourier. Construir una función periódica vs Transformada de Fourier. El espectro |H(ω)| es continuo, en contraposición al de |Cn | que es discreto. Esto quiere decir que hay que utilizar todas las frecuencias que hay entre −ω0 y ω0 para obtener exáctamente la función f (t) como suma de senos y cosenos. Sin embargo, si sólo empleo determinadas frecuencias, las ωn , la suma de senos y cosenos me da una función periódica: que coincide con f (t) entre ta y tb , pero que se repite fuera de ese intervalo. 36 Análisis de Fourier Señales continuas Catalogo de transformadas de Fourier Catalogo de transformadas de Fourier 37 Análisis de Fourier Señales continuas Catalogo de transformadas de Fourier 38 Análisis de Fourier Señales continuas Catalogo de transformadas de Fourier 39 Análisis de Fourier Señales continuas Catalogo de transformadas de Fourier 40 Análisis de Fourier Señales continuas Delta de Dirac Delta de Dirac o función impulso La Delta de Dirac es la siguiente función: δ(t) = lim ρ(∆t) ∆t→0 δ(t) no es una función como las que trabajamos en análisis: se encuadran dentro de las funciones generalizadas o distribuciones. Cumplen que: 0 si t 6= 0 R∞ δ(t)dt = 1 δ(t) = −∞ R∞ h(t)δ(t)dt = h(0) −∞ 41 Análisis de Fourier Señales continuas Delta de Dirac Cuando está aplicada en t = t0 : δ(t) = lim ρ(t0 , ∆t) ∆t→0 Las ecuaciones son ahora: 0 si t = 6 t0 ∞ R δ(t − t0 )dt = 1 δ(t − t0 ) = −∞ ∞ R h(t)δ(t − t0 )dt = h(t0 ) −∞ 42 Análisis de Fourier Señales continuas Delta de Dirac Gráficamente, δ(t) se representa como una flecha con altura unidad, y los impulsos en general se representan como flechas con altura igual a su integral. 43 Análisis de Fourier Señales continuas Delta de Dirac Producto de la función impulso y una función ordinaria h(t) Se define como δ(t − t0 )h(t) = h(t0 )δ(t − t0 ) En efecto, integrando Z∞ δ(t − t0 )h(t) = −∞ Z∞ h(t0 )δ(t − t0 ) −∞ Para el primer miembro Z∞ −∞ δ(t − t0 )h(t) = h(t0 ) y el segundo miembro Z∞ Z∞ h(t0 )δ(t − t0 ) = h(t0 ) δ(t − t0 ) = h(t0 ) −∞ −∞ 44 Análisis de Fourier Señales continuas Delta de Dirac Producto de una función con un tren de impulsos ◮ función: h(t); ◮ tren de impulsos: h(t) · ∞ X n=−∞ ∞ P δ(t − n∆t); n=−∞ ∞ X δ(t − n∆t) = n=−∞ h(t)δ(t − n∆t) El resultado es otro tren de impulsos con altura de cada impulso h(n∆t), ya que h(t)δ(t − n∆t) = h(n∆t)δ(t − n∆t) Por tanto ∞ X n=−∞ h(t)δ(t−n∆t) = ∞ X h(n∆t)δ(t−n∆t) n=−∞ 45 Análisis de Fourier Señales continuas Convolución y su transformada de Fourier Convolución y su transformada de Fourier Integral de convolución (convolución entre x(t) y h(t)) y (t) = Z ∞ −∞ x(τ )h(t − τ )dτ Tamb. se indica como y (t) = x(t) ∗ h(t). Proceso de convolución: 1. Folding. Se construye h(−τ ). 2. Displacement. Se desplaza h(−τ ) una cantidad igual a t ⇒ h(t − τ ). 3. Multiplication. Se multiplican x(τ ) y h(t − τ ). 4. Integration. El área bajo x(τ ) · h(t − τ ) es el valor de la convolución en el instante t. 46 Análisis de Fourier Señales continuas Convolución y su transformada de Fourier Ejemplo: convolución de dos señales rectangulares. 47 Análisis de Fourier Señales continuas Convolución y su transformada de Fourier Ejemplo: convolución con impulsos. 48 Análisis de Fourier Señales continuas Convolución y su transformada de Fourier Forma alternativa de la integral de convolución Convolución entre x(t) y h(t): ◮ Integral de convolución Z ∞ x(τ )h(t − τ )dτ y (t) = −∞ ◮ Forma alternativa Z ∞ y (t) = h(τ )x(t − τ )dτ −∞ En la figura de la izquierda se hace la convolución entre la función rectangular y e −at utilizando las dos integrales anteriores. El resultado es el mismo. 49 Análisis de Fourier Señales continuas Convolución y su transformada de Fourier Teorema (Teorema de convolución en el tiempo) La Transformada de Fourier de la convolución de dos funciones en el dominio del tiempo es igual al producto de las Transformadas de Fourier de las funciones en el dominio de la frecuencia. Z ∞ Y (f ) = H(f )X (f ) TF x(τ )h(t − τ )dτ ⇐⇒ y (t) = Y (ω) = 2πH(ω)X (ω) −∞ Teorema (Teorema de convolución en frecuencia) La Transformada de Fourier del producto de dos funciones en el dominio del tiempo es igual a la convolución de las Transformadas de Fourier de las funciones en el dominio de la frecuencia. Y (f ) = H(f ) ∗ X (f ) TF y (t) = x(t)h(t) ⇐⇒ 1 Y (ω) = 2π H(ω) ∗ X (ω) 50 Análisis de Fourier Señales continuas Convolución y su transformada de Fourier Ejemplos del teorema de convolución en el tiempo 51 Análisis de Fourier Señales continuas Convolución y su transformada de Fourier Ejemplos del teorema de convolución en frecuencia 52 Análisis de Fourier Señales continuas Correlación y su transformada de Fourier Correlación y su transformada de Fourier Integral de correlación y (t) = Z ∞ x(τ )h(t + τ )dτ −∞ Proceso de correlación: 1. Displacement. Se desplaza h(τ ) una cantidad igual a t ⇒ h(t + τ ). 2. Multiplication. Se multiplican x(τ ) y h(t + τ ). 3. Integration. El área bajo x(τ ) · h(t + τ ) es el valor de la convolución en el instante t. 53 Análisis de Fourier Señales continuas Correlación y su transformada de Fourier Teorema La Transformada de Fourier de la correlación de dos funciones es igual al producto de la conjugada de la Transformada de Fourier de la primera función y la Transformada de Fourier de la segunda función. Z ∞ Y (f ) = H(f )X ∗ (f ) TF y (t) = x(τ )h(t + τ )dτ ⇐⇒ Y (ω) = 2πH(ω)X ∗ (ω) −∞ Cuando x(t) = h(t), la correlación se conoce como autocorrelación de h(t). Entonces se tiene Z ∞ Y (f ) = H(f )H ∗ (f ) = |H(f )|2 TF y (t) = h(τ )h(t+τ )dτ ⇐⇒ Y (ω) = 2πH(ω)X ∗ (ω) = 2π|H(ω)|2 −∞ 54 Análisis de Fourier Señales continuas Correlación y su transformada de Fourier Comparación entre convolución y correlación 55 Análisis de Fourier Señales discretas Señales discretas periódicas. Serie de Fourier discreta. Análisis de Fourier ◮ Señales continuas. ◮ Señales continuas periódicas. ◮ ◮ ◮ Señales continuas no periódicas. ◮ ◮ ◮ Serie de Fourier. Serie de Fourier compleja. Serie de Fourier. Transformada de Fourier. Señales discretas. ◮ Señales discretas periódicas. ◮ Señales discretas no periódicas. ◮ ◮ ◮ ◮ Serie de Fourier discreta. Serie de Fourier discreta. Transformada de Fourier en tiempo discreto (DTFT). Transformada de Fourier discreta (DFT). 56 Análisis de Fourier Señales discretas Señales discretas periódicas. Serie de Fourier discreta. Sea una señal periódica, f (t), de periodo T . Tomamos N valores discretos de f (t) en cada periodo, separados ∆t. Se cumple entonces que: T = N∆t Discretizacion de f(t)=t2. N=8 40 f(t) = t2 30 20 10 0 −10 −10 −5 0 5 10 15 10 15 t (s) Valores discretos 40 f(tk) = t2k 30 20 10 0 −10 −10 −5 0 5 t (s) 57 Análisis de Fourier Señales discretas Señales discretas periódicas. Serie de Fourier discreta. No conocemos la función de partida, sólo los puntos discretos. Podemos construir una suma de senos y cosenos que pase por los puntos discretos. Las ecuaciones en el caso continuo eran: ∞ X f (t) = Cn e i2πnt/T n=−∞ 1 Cn = T Z +T 2 −T 2 f (t)e −i2πnt/T dt El valor de la señal en cada tk = k∆t será: f (tk ) = f (k∆t) = ∞ X n=−∞ Cn e i2πn(k∆t)/(N∆t) = ∞ X Cn e i2πnk/N n=−∞ 58 Análisis de Fourier Señales discretas Señales discretas periódicas. Serie de Fourier discreta. Cn para valores discretos se calcula teniendo en cuenta: Z T Z 1 T 1 +2 Cn = f (t)e −i2πnt/T dt = f (t)e −i2πnt/T dt T − T2 T 0 Como en un periodo sólo hay datos en N instantes tk , se pueden calcular N valores de Cn . Cn = N−1 N−1 1 X 1 X f (k∆t)e −i2πnk∆t/(N∆t) ∆t = f (k∆t)e −i2πnk/N N∆t n=0 N n=0 Figura: Aproximación de una integral por una suma. 59 Análisis de Fourier Señales discretas Señales discretas periódicas. Serie de Fourier discreta. Teorema Cualquier función periódica discreta de periodo T = N∆t se puede descomponer como: f (k∆t) = N−1 X Cn e i2πnk/N n=0 Cn = 1 N N−1 X f (k∆t)e −i2πnk/N k=0 2πn T 2πn N∆t . ◮ Las frecuencias de cada Cn son: ωn = ◮ Es facil comprobar que C−n = Cn∗ , por lo que |C−n | = |Cn | y el espectro (ωn , |Cn |) es simétrico respecto al eje x = 0. = 60 Análisis de Fourier Señales discretas Señales discretas periódicas. Serie de Fourier discreta. Propiedades ◮ n=0 C0 = N−1 1 X f (k∆t) ⇒ Media de los valores discretos de f , f (k∆t). N k=0 Como f (k∆t) son valores reales, C0 es un número real. ◮ n= N 2 CN = 2 N−1 N−1 1 X 1 X f (k∆t)e −i2π(N/2)k/N = f (k∆t) cos(πk) N N k=0 k=0 C N también es un número real. 2 61 Análisis de Fourier Señales discretas Señales discretas periódicas. Serie de Fourier discreta. ◮ n= N +m 2 C N +m = 2 N−1 1 X f (k∆t)e −i2π(N/2+m)k/N N k=0 = 1 N N−1 X k=0 f (k∆t)e −i2πmk/N e −ikπ = C ∗N −m 2 Luego los elementos simétricos respecto a N/2 son complejos conjugados. 62 Análisis de Fourier Señales discretas Señales discretas periódicas. Serie de Fourier discreta. * Esto quiere decir que la mitad de la información es redundante, ya que conociendo los términos desde n = 1 hasta n = N2 − 1 puedes conocer los términos desde n = N2 + 1 hasta n = N − 1. * La frecuencia más alta que se puede evaluar es π ωkmax = ω N = 2π(N/2)/(N∆t) = 2 ∆t que se conoce como la frecuencia de Nyquist. ωNyquist = π rad/s, ∆t fNyquist = 1 Hz. 2∆t * Si la señal original tiene una frecuencia mayor que ωNyquist entonces la serie de Fourier no la puede evaluar. * Lo anterior es válido si N es par. Si N es impar, la mayor frequencia que se puede conocer es la correspondiente a n = N−1 2 . A partir de ahí la información es redundante. * Por tanto, como la frecuencia de Nyquist se ha definido como ω N , 2 no es posible evaluar esta frecuencia con N impar (la máxima frecuencia que se puede evaluar es ω N−1 ). 2 * Se volverá a incidir sobre ésto al estudiar la DFT. 63 Análisis de Fourier Señales discretas Señales discretas periódicas. Serie de Fourier discreta. Análisis de Fourier ◮ Señales continuas. ◮ Señales continuas periódicas. ◮ ◮ ◮ Señales continuas no periódicas. ◮ ◮ ◮ Serie de Fourier. Serie de Fourier compleja. Serie de Fourier. Transformada de Fourier. Señales discretas. ◮ Señales discretas periódicas. ◮ Señales discretas no periódicas. ◮ ◮ ◮ ◮ Serie de Fourier discreta. Serie de Fourier discreta. Transformada de Fourier en tiempo discreto (DTFT). Transformada de Fourier discreta (DFT). 64 Análisis de Fourier Señales discretas Señales discretas periódicas. Serie de Fourier discreta. En el caso de que tengamos valores discretos de una señal no periódica, se puede aplicar el análisis de Fourier de dos maneras: 1. Creando una señal discreta periódica a partir de la señal no periódica. 2. Transformada de Fourier en tiempo discreto. 3. Transformada de Fourier discreta . Figura: Señal discreta no periódica. 65 Análisis de Fourier Señales discretas Señales discretas no periódicas. Serie de Fourier discreta. 1. Creando señal discreta periódica. ◮ ◮ ◮ Si tenemos una señal discreta, f (tk ), definida entre ta y tb podemos crear una señal periódica a partir de ella, g (tk ), simplemente repitiendo f (tk ). El periodo de g (tk ) es T = tb − ta = N∆t. g (tk ) puede analizarse utilizando la serie de Fourier discreta. Los resultados obtenidos son válidos en el intervalo [tb − ta ]. 66 Análisis de Fourier Señales discretas Señales discretas no periódicas. Serie de Fourier discreta. Por tanto, las ecuaciones serían f (k∆t) = N−1 X Cn e i2πnk/N n=0 Cn = 1 N N−1 X f (k∆t)e −i2πnk/N k=0 67 Análisis de Fourier Señales discretas Señales discretas no periódicas. Transformada de Fourier en tiempo discreto. 2. Transformada de Fourier en tiempo discreto h(tk ) = ◮ ◮ f (tk ) tk ∈ [ta , tb ] 0 resto La otra opción consiste en definir una función discreta periódica pero cuyo periodo es infinito, h(tk ). Esto se hace discretizando la Transformada de Fourier Continua. 68 Análisis de Fourier Señales discretas Señales discretas no periódicas. Transformada de Fourier en tiempo discreto. Las ecuaciones de la transformada de Fourier en tiempo continuo son Z ∞ 1 h(t)e −iωt dt H(ω) = 2π −∞ Z ∞ h(t) = H(ω)e iωt dω −∞ Conocemos N valores [tk , f (tk )], tk = k∆t, H(ω) = = ∞ 1 2π Z ∆t 2π N−1 X h(k∆t)e −iωk∆t dt = −∞ k = 0, 1, . . . , N − 1 N−1 1 X h(k∆t)e −iωk∆t ∆t 2π k=0 h(k∆t)e −iωk∆t k=0 Esta función es periódica con periodo 2π ∆t ya que 2π e −iωk∆t = e −iω(k+ ∆t )∆t , ∀k 69 Análisis de Fourier Señales discretas Señales discretas no periódicas. Transformada de Fourier en tiempo discreto. h(k∆t) = Z ∞ H(ω)e iωk∆t dω −∞ 2π H(ω)e iωk∆t es periódica con periodo ∆t por lo que la integral anterior toma un valor infinito. Por ello se integra en un periodo Z H(ω)e iωk∆t dω h(k∆t) = 2π ∆t Por otro lado, el factor ∆t 2π que acompaña a H(ω) en la ecuación anterior se suele poner a h(k∆t), ya que el resultado final es el mismo. Teorema La Transformada de Fourier y la Transformada Inversa de Fourier en tiempo discreto (Discrete Time Fourier Transform, DTFT) se definen: H(ω) = N−1 X h(k∆t)e −iωk∆t k=0 ∆t h(k∆t) = 2π Z H(ω)e iωk∆t dω 2π ∆t 70 Análisis de Fourier Señales discretas Muestreo de señales Muestreo de señales Las señales en tiempo discreto pueden aparecer de muchas formas, pero lo más común es que aparezcan como consecuencia del muestreo de señales en tiempo continuo. A partir de una señal continua xc (t) se obtiene una secuencia de muestras xk mediante la relación xk = xc (k∆t) donde ∆t = tk − tk−1 es el periodo de muestreo y fs = 1 ∆t es la frecuencia de muestreo, en numero de muestras por segundo. Figura: Señal muestreada 71 Análisis de Fourier Señales discretas Muestreo de señales Teorema Sea función continua xc (t), el valor muestreado de xc (t) en t = tk es el producto xk = x(tk ) = x(t)δ(t − tk ) dónde δ(t) es la función impulso. Cuando queremos muestrear en varios puntos multiplicamos por un tren de impulsos. ◮ ◮ (a) Señal continua. (b)-(c) Señal muestreada. La información contenida en (b) y (c) es la misma ya que Z ∞ x(t)δ(t−k∆t) = x(k∆t) = xk Figura: Señal muestreada −∞ 72 Análisis de Fourier Señales discretas Muestreo de señales ◮ ◮ La diferencia fundamental entre xs (t) (Figura b) y xk (Figura c) es que xs (t) es una señal en tiempo continuo (concretamente un tren de impulsos) que es cero excepto en múltiplos enteros de ∆t. Por el contrario, la secuencia xk está indexada con la variable entera k, lo que introduce una normalización en el tiempo. Es decir, la secuencia de números xk no contiene información explícita sobre la frecuencia de muestreo. Por este motivo las ecuaciones de la DTFT se expresan también como H(ω) = N−1 X hk e −iωk k=0 1 hk = 2π Z H(ω)e iωk dω 2π Es decir, se toma ∆t = 1, no hay referencia al periodo de muestreo. Esto hace que las ecuaciones sean más generales, se pueden aplicar a cualquier secuencia de valores discretos, no solamente a secuencias obtenidas con muestreo. 73 Análisis de Fourier Señales discretas Muestreo de señales Representación del muestreo en el dominio de la frecuencia (a) Señal que queremos muestrear, h(t) (muestreamos cada T seg). (b) Tren de impulsos ∆(t). (e) Muestreo de h(t)= producto de h(t) y el tren de impulsos ∆(t). (c) Transformada de Fourier de h(t), H(f ). (d) Transformada de Fourier del tren de impulsos ∆(t), ∆(f ). (f) Convolución de H(f ) y ∆(f ): la T. F. del producto es la convolución. La señal (f) es la transformada de Fourier de la señal muestreada (e). 74 Análisis de Fourier Señales discretas Muestreo de señales Aliasing Se repite el mismo proceso que en la figura anterior, pero ahora la frecuencia de muestreo, 1/T, es menor que 2fc , y por tanto aparece solapamientos en la transformada de Fourier de la señal muestreada. La señal obtenida en (e) está distorsionada debido a los solapamientos, y no es posible recuperar la señal original h(t) a partir de sus muestras h(t) · ∆(t). A este fenómeno se conoce como ALIASING. 75 Análisis de Fourier Señales discretas Muestreo de señales El aliasing siempre aparece al muestrear una señal continua. Si se cumple que H(f ) = 0 para f ≥ fc , podemos evitar el aliasing tomando 1 ≥ 2fc T Si la señal en frecuencias no se hace nula a partir de un valor, sólo podemos hacer que el error de aliasing sea pequeño disminuyendo T. En la figura de la izquierda, la señal h(t) está muestreada con frecuencia de muestreo fs = 1 = 2fc T A esa frecuencia se le conoce como frecuencia de Nyquist. 76 Análisis de Fourier Señales discretas Muestreo de señales Aliasing en el dominio del tiempo ◮ ◮ ◮ Sea y1 = cos(2πft). Tomamos valores discretos cada ∆t. Si fs 1 2∆t = 2 < f , entonces por los valores discretos pasan y1 = cos(2πft) y también y2 = cos(2π|f − fs |t). Este es el fenómeno del aliasing en el dominio del tiempo. 1 ≥ fmax , es decir, la frecuencia de Para evitar el aliasing, f2s = 2∆t Nyquist tiene que ser mayor o igual que la máxima frecuencia que hay en nuestros datos. fs es la frecuencia de muestreo (numero de datos por segundo). (a) f = 60 Hz; fs = 400 Hz; fnq = 200 Hz 1 0 −1 −0.05 −0.04 −0.03 −0.02 −0.01 0 0.01 0.02 0.03 0.04 0.05 (b) f = 60 Hz; fs = 120 Hz; fnq = 60 Hz b fs /2 = 60: caso límite (fnq = f ); por los datos sólo pasa y1 = cos(2π60t) 1 0 −1 −0.05 a fs /2 > 60: por los datos sólo pasa y1 = cos(2π60t). −0.04 −0.03 −0.02 −0.01 0 0.01 0.02 0.03 0.04 0.05 0.02 0.03 0.04 0.05 (c) f = 60 Hz; fs = 80 Hz; fnq = 40 Hz 1 c fs /2 < 60: por los datos pasan y1 = cos(2π60t) e y2 = cos(2π20t). 0 −1 −0.05 −0.04 −0.03 −0.02 −0.01 0 0.01 77 Análisis de Fourier Señales discretas Muestreo de señales Teorema de muestreo Hay un numero infinito de señales que pueden generar un conjunto dado de nuestras. El teorema del muestreo nos indica qué condicione se tienen que dar para que unos valores muestreados especifiquen unívocamente a la señal y la podamos reconstruir perfectamente. 78 Análisis de Fourier Señales discretas Muestreo de señales Teorema (Teorema del muestreo de Nyquist) Sea x(t) una señal continua que cumple que X (f ) = 0 para |f | ≥ fm ; x(t) está determinada unívocamente mediante sus muestras xk = x(k∆t), k = 0, ±1, ±2, . . . si fs = 1 ≥ 2fm ∆t [Hz] fs es la frecuencia de muestreo y fm es la frecuencia a partir de la cual X (f ) se anula. Se define la frecuencia de Nyquist como la mitad de la de muestreo, y por tanto la condición anterior también se expresa como fnq = fs 1 = ≥ fm 2 2∆t [Hz] 79 Análisis de Fourier Señales discretas Muestreo de señales Interpretación gráfica del Teorema de muestreo Si se cumplen las condiciones del teorema, la señal recuperada xr (t) coincide con la señal de partida x(t). 80 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) 3. Transformada de Fourier discreta (DFT) Por último tenemos que obtener una expresión de la Transformada de Fourier que sea discreta en el tiempo y en frecuencia para que la podamos implementar con el ordenador. Para ello partimos de la Transformada de Fourier en tiempo discreto (DTFT) H(ω) = N−1 X h(k∆t)e −iωk∆t k=0 h(k∆t) = ∆t 2π Z H(ω)e iωk∆t dω 2π ∆t Tomando valores discretos de la frecuencia ωn = 2πn 2πn = , T N∆t n = 0, 1, . . . , N − 1 ⇒ ∆ω = ωn − ωn−1 = 2π 2π = T N∆t 81 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) H(ωn ) = N−1 X h(k∆t)e −iωn k∆t = = h(k∆t)e −i 2πnk N k=0 k=0 h(k∆t) = N−1 X N−1 N−1 2πnk∆t 2π ∆t X ∆t X H(ωn )e iωn k∆t ∆ω = H(ωn )e i N∆t = 2π n=0 2π n=0 N∆t N−1 1 X 2πnk H(ωn )e i N N n=0 Teorema La Transformada de Fourier discreta y la Transformada Inversa de Fourier discreta (Discrete Fourier Transform, DFT) se definen mediante: H(n∆ω) = N−1 X h(k∆t)e −i 2πnk N k=0 h(k∆t) = N−1 2πnk 1 X H(n∆ω)e i N N n=0 82 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) Interpretación gráfica de la DFT (a) Función en el tiempo h(t) y su transformada de Fourier, H(f ). (b) Tren de impulsos ∆0 (t) y su transformada de Fourier ∆0 (f ). (c) Muestreo de h(t), h(t) · ∆0 (t), y su transformada de Fourier H(f ) ∗ ∆0 (f ). (d) Las señales no son infinitas: la truncamos multiplicando en el tiempo por una ventana x(t) de altura unidad. Esta ventana también tiene T. Fourier. (e) h(t) · ∆0 (t) · x(t) y su T. Fourier H(f ) ∗ ∆0 (f ) ∗ X (f ) (f) Muestreamos en frecuencia multipl. por un tren de impulsos, ∆1 (f ). (g) h̃(t) = [h(t) · ∆0 (t) · x(t)] ∗ ∆1 (t) H̃(f ) = [H(f ) ∗ ∆0 (f ) ∗ X (f )] · ∆1 (f ) 83 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) Las fórmulas para la DFT son generales y se pueden aplicar a cualquier conjunto de datos {x0 , x1 , x2 , . . . , xN−1 }, sin que necesariamente provengan del muestreo de una señal continua Teorema Sean N valores discretos {x0 , x1 , x2 , . . . , xN−1 }. La Transformada de Fourier discreta (DFT) y la Transformada Inversa de Fourier discreta (IDFT) se definen mediante: Xn = N−1 X xk e −i2πnk/N , k=0 xk = N−1 1 X Xn e i2πnk/N , N n=0 n = 0, 1, · · · , (N − 1) k = 0, 1, · · · , (N − 1) De hecho, estas ecuaciones se pueden obtener sin hacer referencia a la Transformada de Fourier continua, diréctamente trabajando con datos discretos. 84 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) Comentarios ◮ ◮ Aunque hemos partido de la Transformada de Fourier continua, que presupone periodo infinito, al discretizar obtenemos una función periódica (ver Figura 6.2 (g)). En realidad, el resultado obtenido construyendo una función discreta periódica f (k∆t) = N−1 X Cn e i2πnk/N , n=0 Cn = N−1 1 X f (k∆t)e −i2πnk/N , N k=0 k = 0, 1, · · · , (N − 1) n = 0, 1, · · · , (N − 1) es idéntico al obtenido discretizando la Transf. de Fourier continua N−1 1 X h(k∆t) = H(n∆ω)e i2πnk/N , k = 0, 1, · · · , (N − 1) N n=0 H(n∆ω) = N−1 X h(k∆t)e −i2πnk/N , n = 0, 1, · · · , (N − 1) 85 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) Comentarios ◮ ◮ ◮ ◮ ◮ Existe un algoritmo muy eficiente para implementar la DFT conocido como Fast Fourier Transform (FFT). La transformada de Fourier reproduce exáctamente los valores xk , pero no reproduce exáctamente la señal continua x(t). Será tanto más precisa en cuanto el intervalo de muestreo tienda a cero. El factor N1 no siempre va con Xn . Depende del autor. Para k = 1 estamos en el instante de tiempo t = (k − 1)∆t = 0seg . Matlab utiliza las siguientes expresiones: Xn = N X xk e −i(2π/N)(n−1)(k−1) k=1 xk = ◮ N 1 X Xn e i(2π/N)(n−1)(k−1) N n=1 n = 1, 2, · · · , N k = 1, 2, · · · , N El espectro {(ωn , |Xn |) : n = 0, 1, . . . , (N − 1), ωn = 2πn/(N∆t)} es simétrico respecto al eje y . 86 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) Ejemplo Calcular la DFT de los datos obtenidos al muestrear la señal x(t) = t 2 con ∆t = 1 seg considerando ◮ ◮ N=8; N=9. N=8 k 0 1 2 3 4 5 6 7 tk = k∆t 0 1 2 3 4 5 6 7 xk 0 1 4 9 16 25 36 49 n 0 1 2 3 4 5 6 7 2π n ωn = N∆t 0 π/4 2π/4 3π/4 4π/4 5π/4 6π/4 7π/4 Xn 140 -4.69+77.25i -24.00+32.00i -27.31+13.25i -28.00 -27.31-13.25i -24.00-32.00i -4.69-77.25i 87 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) ◮ ◮ Los valores anteriores se han obtenido en Matlab haciendo x=[0 1 4 9 16 25 36 49]; X=fft(x); La frecuencia de muestreo fs y de Nyquist fnq son fs = ◮ 1 = 1 Hz = 2π rad/s, ∆t fnq = fs 1 = = 0,5 Hz = π rad/s. 2 2∆t Para n=0 el resultado es real y es la suma de los xk X0 = N−1 X xk = 140 k=0 ◮ Para n=N/2=4 el resultado también es real XN = 2 N−1 X k=0 xk e −i 2πkN/2 N = N−1 X j=0 xk e −iπj = N−1 X xk cos(πk) k=0 = 0 − 1 + 4 − 9 + 16 − 25 + 36 − 49 = −28 88 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) ◮ ∗ Se cumple que Xn = XN−n , n = 1, 2, . . . , N/2 − 1. Efectivamente X1 = X7∗ , X2 = X6∗ , X3 = X5∗ . * Esto quiere decir que la mitad de la información es redundante, ya que conociendo los términos desde n = 1 hasta n = N2 − 1 se pueden conocer los términos desde n = N2 + 1 hasta n = N − 1. * La frecuencia más alta que se puede evaluar es la frecuencia de Nyquist π ωkmax = ω N = 2π(N/2)/(N∆t) = 2 ∆t * Si la señal original tiene una frecuencia mayor que ωNyquist entonces la DFT no la puede evaluar y se produce aliasing. ◮ Como vemos estas propiedades eran válidas para las series de Fourier discretas. 89 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) N=9 ◮ 2π k tk = k∆t xk n ωn = N∆t n Xn 0 0 0 0 0 204 1 1 1 1 2π/9 -2.03+11.27i 2 2 4 2 4π/9 -29.61+48.27i 3 3 9 3 6π/9 -34.50+23.38i 4 4 16 4 8π/9 -35.86+7.14i 5 5 25 5 10π/9 -35.86-7.14i 6 6 36 6 12π/9 -34.50-23.38i 7 7 49 7 14π/9 -29.61-48.27i 8 8 64 8 16π/9 -2.03-11.27i La frecuencia de muestreo fs y de Nyquist fnq son 1 fs 1 = 1 Hz = 2π rad/s, fnq = = = 0,5 Hz = π rad/s. ∆t 2 2∆t Para n=0 el resultado es real y es la suma de los xk fs = ◮ X0 = N−1 X k=0 xk = 204 90 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) ◮ ∗ Se cumple que Xn = XN−n , n = 1, 2, . . . , N/2. Efectivamente X1 = X8∗ , X2 = X7∗ , X3 = X6∗ , X4 = X5∗ . * Luego la mitad de la información es redundante, ya que conociendo los términos desde n = 1 hasta n = N−1 se pueden conocer los 2 términos desde n = N+1 hasta n = N − 1. 2 * La frecuencia más alta que se puede evaluar es ωkmax = ω N−1 = (2π(N − 1)/2)/(N∆t) = 2 π N −1 = 8π/9 ∆t N * Por lo tanto no es posible evaluar la frecuencia de Nyquist (ω N ) con 2 N impar. * Si la señal original tiene una frecuencia mayor que ω N−1 entonces la 2 DFT no la puede evaluar y se produce aliasing. 91 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) N=8, xk N=8, |Xn| 250 80 200 60 |Xn| t2 150 40 100 20 0 50 0 2 4 tk (s) 6 0 8 0 N=9, xk 0.8 1.6 2.4 3.1 3.9 ωn (rad/s) 4.7 5.5 N=9, |Xn| 250 80 200 60 |Xn| t2 150 40 100 20 0 50 0 2 4 tk (s) 6 8 0 0 0.7 1.4 2.1 2.8 3.5 4.2 4.9 5.6 ωn (rad/s) 92 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) Ejemplo Sean N datos reales, {xj , j = 0, 1, . . . , N − 1}. La transformada discreta de Fourier y la transformada inversa de estos datos se define como Xk = N−1 X xj e −i 2πjk N , j=0 xj = N−1 2πjk 1 X Xk e i N , N k=0 k = 0, 1, . . . , N − 1 j = 0, 1, . . . , N − 1 Expresar la transf. discreta de Fourier como suma de senos y cosenos. ◮ Para k = 0 X0 = N−1 X xj j=0 Es la suma de todos los datos de partida, y por lo tanto, es un número real. Esto es válido tanto si N es par como si es impar. En el resto de pasos hay que distinguir entre ambas situaciones: 93 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) N es par ◮ Para k = N 2 XN = 2 N−1 X xj e −i 2πjN/2 N = xj e −iπj = j=0 j=0 ◮ N−1 X N−1 X xj cos(πj) j=0 luego es la suma de los números pares menos la suma de los números impares (y también es un número real). Para k = 1 N−1 X 2πj xj e −i N X1 = j=0 que es un número complejo. Pero XN−1 = N−1 X j=0 xj e −i 2πj (N−1) N = N−1 X j=0 xj e −i2πj e i 2πj N = N−1 X xj e i 2πj N j=0 Es decir, XN−1 es el complejo conjugado de X1 . Y en general se cumple que XN−r es el complejo conjugado de Xr , para r = 1, 2, . . . , N2 − 1. 94 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) Teniendo en cuenta estas tres propiedades podemos hacer xj = N−1 2πjk 1 X Xk e i N = N k=0 N/2−1 X 2πj (N−k) 2πjk 1 1 = X0 + X N cos(πj) + Xk e i N + XN−k e i N N N 2 k=1 N/2−1 2πjk 2πjk 1 1 1 X = X0 + X N cos(πj) + Xk e i N + Xk∗ e −i N N N 2 N k=1 Xk∗ dónde es el complejo conjugado de Xk . Supongamos que Xk = zk + iyk ; desarrollando 2πjk 2πjk i 2πjk ∗ −i 2πjk N N Xk e + i sin + + Xk e = (zk + iyk ) cos N N 2πjk 2πjk 2πjk 2πjk (zk − iyk ) cos − i sin = 2zk cos − 2yk sin N N N N 95 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) Sustituyendo arriba xj = N/2−1 2πjk 2πjk 1 1 X 1 Xk e i N + Xk∗ e −i N X0 + X N cos(πj) + N N 2 N k=1 = N/2−1 1 X 1 1 X0 + X N cos(πj) + N N 2 N 2zk cos k=1 N/2 a0 X = + ak cos 2 k=1 2πjk N + bk sin 2πjk N 2πjk N − 2yk sin 2πjk N donde 2zk , N XN = 2, N ak = bk = − aN bN = 0 2 2yk N 2 96 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) Esta ecuación se puede agrupar un poco más xj = N/2 X 2πjk 2πjk ak cos + bk sin N N k=0 donde a0 = X0 , N XN 2 , N 2zk ak = , N aN = 2 b0 = 0 bN = 0 2 bk = − 2yk N 97 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) N es impar Para k = 1 X1 = N−1 X xj e −i 2πj N j=0 que es un número complejo. Pero XN−1 = N−1 X j=0 xj e −i 2πj (N−1) N = N−1 X j=0 xj e −i2πj i 2πj N e = N−1 X xj e i 2πj N j=0 Es decir, XN−1 es el complejo conjugado de X1 . Y en general se cumple que XN−r es el complejo conjugado de Xr , para r = 1, 2, . . . , N−1 2 . 98 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) Teniendo en cuenta estas tres propiedades podemos hacer xj = N−1 2πjk 1 X Xk e i N = N k=0 (N−1)/2 X 2πj (N−k) 2πjk 1 Xk e i N + XN−k e i N = X0 + N k=1 1 1 = X0 + N N (N−1)/2 X k=1 Xk e i 2πjk N + Xk∗ e −i 2πjk N Xk∗ dónde es el complejo conjugado de Xk . Supongamos que Xk = zk + iyk ; desarrollando 2πjk 2πjk i 2πjk ∗ −i 2πjk N N Xk e + i sin + + Xk e = (zk + iyk ) cos N N 2πjk 2πjk 2πjk 2πjk (zk − iyk ) cos − i sin = 2zk cos − 2yk sin N N N N 99 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) Sustituyendo arriba xj = = = 1 1 X0 + N N 1 1 X0 + N N (N−1)/2 Xk e i X 2zk cos + Xk∗ e −i 2πjk N k=1 (N−1)/2 k=1 (N−1)/2 X a0 + 2 ak cos k=1 donde 2πjk N X ak = 2πjk N 2zk , N 2πjk N − 2yk sin + bk sin bk = − 2πjk N 2πjk N 2yk N O también como xj = (N−1)/2 X ak cos k=0 donde a0 = X0 , b0 = 0, 2πjk N ak = + bk sin 2zk , 2πjk N bk = − 2yk 100 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) Ejemplo La transformada de Fourier continua estaba definida para frecuencias positivas y negativas. Z ∞ h(t) = H(ω)e iωt dω −∞ Expresar también la transformada de Fourier discreta para frecuencias positivas y negativas. xk = N−1 X k=0 Xn e i2πnk/N , k = 0, 1, · · · , (N − 1) Para resolver este ejercicio nos basamos en la propiedad X−n = Xn∗ . 101 Análisis de Fourier Señales discretas Transformada de Fourier discreta (DFT) ◮ Si N es par: N/2 X xk = Xn e i2πnk/N , n=−N/2−1 k = 0, 1, · · · , (N − 1) * X0 y X N son reales. 2 * X−r = Xr∗ , r = 1, . . . , ◮ N 2 − 1. Si N es impar: (N−1)/2 xk = X Xn e i2πnk/N , n=−(N−1)/2 * X0 es real. * X−r = Xr∗ , r = 1, . . . , ◮ k = 0, 1, · · · , (N − 1) N−1 . 2 Si expresamos xk (tanto N par como N impar) como suma de senos y cosenos obtenemos la misma expresion que antes. 102